Regresión
PRUEBA DE ESTABILIDAD ESTRUCTURAL
La prueba CUSUM se utiliza para evaluar la estabilidad de los coeficientes de
una regresión en el tiempo. Esta prueba genera un gráfico que muestra si los
coeficientes se mantienen estables o si hay un cambio estructural.
EViews generará un gráfico con la curva CUSUM y dos bandas de confianza.
o Si la curva CUSUM se mantiene dentro de las bandas de confianza,
se concluye que los coeficientes son estables.
o Si la curva CUSUM cruza las bandas de confianza, existe evidencia
de un cambio estructural
Prueba de Chow
La prueba de Chow se utiliza para verificar si existe un cambio estructural en
una regresión en un punto específico de la muestra. Requiere especificar el
punto de quiebre donde se sospecha que hay un cambio en la relación entre
las variables.
o El F-statistic y su p-valor: Si el p-valor es menor que 0.05, se
rechaza la hipótesis nula de que no hay cambio estructural, lo que
significa que existe evidencia de un cambio estructural en el
punto especificado.
Chow Test: Un p-valor bajo indica que hay un cambio estructural
significativo en el punto de quiebre elegido.
NORMALIDAD DE LOS ERRORES
La prueba de Jarque-Bera se utiliza para verificar si los residuos de un
modelo de regresión siguen una distribución normal. La hipótesis nula de esta
prueba es que los residuos son normalmente distribuidos.
Interpretación del p-valor de Jarque-Bera:
Si el p-valor es menor a 0.05: Rechazas la hipótesis nula, lo que
indica que los residuos no siguen una distribución normal. Esto sugiere
que el modelo puede no ser adecuado o que hay algún problema con los
supuestos de normalidad.
Si el p-valor es mayor a 0.05: No rechazas la hipótesis nula, lo que
significa que no hay evidencia suficiente para afirmar que los residuos
no son normales. El modelo cumple con el supuesto de normalidad de
los residuos.
FORMA FUNCIONAL
La prueba de especificación de Ramsey (RESET) es una prueba que se
utiliza para verificar si la forma funcional del modelo de regresión es correcta.
La hipótesis nula de esta prueba es que el modelo es correctamente
especificado, es decir, que no falta ninguna variable no lineal importante en el
modelo.
Interpretación del p-valor de la prueba RESET:
Si el p-valor es menor a 0.05: Rechazas la hipótesis nula, lo que
indica que la forma funcional del modelo está incorrecta. Esto sugiere
que el modelo debería incluir términos adicionales no lineales, o que
algunas variables importantes están ausentes.
Si el p-valor es mayor a 0.05: No rechazas la hipótesis nula, lo que
significa que no hay evidencia suficiente para afirmar que la forma
funcional del modelo es incorrecta. El modelo parece estar
correctamente especificado.
HETEROCEDASTICIDAD
La prueba de heterocedasticidad de White se utiliza para verificar si existe
heterocedasticidad en los residuos de una regresión, es decir, si la varianza de
los residuos es constante a lo largo de las observaciones. La hipótesis nula de
esta prueba es que no hay heterocedasticidad.
nterpretación del p-valor:
Si el p-valor es menor a 0.05: Se rechaza la hipótesis nula y se
concluye que hay heterocedasticidad en los residuos. Esto significa
que la varianza de los errores no es constante y tu modelo puede estar
violando uno de los supuestos de la regresión clásica.
Si el p-valor es mayor a 0.05: No se rechaza la hipótesis nula, lo que
sugiere que no hay evidencia suficiente de heterocedasticidad. Los
residuos tienen varianza constante y no hay indicios de que el modelo
esté violando este supuesto.
HETEROCEDASTICIDAD
La prueba de Breusch-Pagan-Godfrey se utiliza para detectar la
heterocedasticidad en los residuos de un modelo de regresión. Esta prueba
evalúa si la varianza de los residuos es constante (homocedasticidad) o si
cambia de acuerdo con las variables independientes (heterocedasticidad).
Interpretación del p-valor:
Si el p-valor es menor a 0.05: Se rechaza la hipótesis nula de
homocedasticidad, lo que indica que existe heterocedasticidad en los
residuos. Esto sugiere que la varianza de los errores no es constante y,
por lo tanto, el modelo podría estar violando el supuesto de
homocedasticidad.
Si el p-valor es mayor a 0.05: No se rechaza la hipótesis nula de
homocedasticidad, lo que sugiere que no hay evidencia de
heterocedasticidad en los residuos. La varianza de los errores parece
ser constante, y el modelo cumple con el supuesto de homocedasticidad.
AUTOCORRELACION
El correlograma de Q-statistics (también conocido como prueba de
autocorrelación de los residuos) se utiliza para evaluar la autocorrelación de
los residuos en un modelo de regresión a través de varios rezagos (lags).
Permite verificar si existe correlación temporal en los residuos, lo que violaría el
supuesto de independencia de los errores.
Interpretación de los resultados:
1. Autocorrelación: Las barras muestran el nivel de correlación entre los
residuos y sus rezagos. Si las barras son significativamente diferentes de
cero, esto sugiere que los residuos están correlacionados y que puede
haber autocorrelación en el modelo.
2. Q-statistic: El estadístico Q es un test global para la autocorrelación
hasta un cierto número de lags. Este estadístico sigue una distribución
chi-cuadrada, y se evalúa en función de un número de grados de libertad
igual al número de lags especificados.
o Si el p-valor asociado con el Q-statistic es menor a 0.05,
puedes rechazar la hipótesis nula de que no hay autocorrelación,
lo que indica que hay autocorrelación en los residuos.
o Si el p-valor es mayor a 0.05, no rechazas la hipótesis nula, lo
que indica que no hay autocorrelación significativa en los
residuos.
El correlograma de los residuos cuadrados se utiliza para verificar si hay
heterocedasticidad en los residuos de un modelo de regresión. Esta prueba
es útil porque si la varianza de los residuos cambia a lo largo del tiempo (es
decir, si hay heterocedasticidad), los residuos cuadrados deberían mostrar una
autocorrelación significativa.
Interpretación de los resultados:
1. Si las barras de autocorrelación son significativamente grandes
(fuera de los intervalos de confianza): Esto puede indicar que hay
heterocedasticidad en los residuos, es decir, que la varianza de los
errores cambia a lo largo del tiempo.
2. Si los p-valores asociados con los estadísticos Q son bajos
(menores a 0.05): Esto sugiere que hay heterocedasticidad y que los
residuos no tienen varianza constante. En este caso, puede ser
necesario usar errores estándar robustos o modificar el modelo.
3. Si los p-valores son altos (mayores a 0.05): Esto indica que no hay
evidencia suficiente para concluir que los residuos tienen
heterocedasticidad. La varianza de los errores parece ser constante.
MULTICOLINEALIDAD
El VIF (Variance Inflation Factor o Factor de Inflación de la Varianza) es una
medida que se utiliza para detectar la multicolinealidad en un modelo de
regresión. La multicolinealidad ocurre cuando dos o más variables
independientes están altamente correlacionadas entre sí, lo que puede
distorsionar los estimados de los coeficientes y hacer que las pruebas de
significancia sean poco confiables.
Paso 3: Interpretar los resultados del VIF
El VIF mide cuánto se inflama la varianza de un estimador de regresión
debido a la multicolinealidad con otras variables independientes.
Los valores típicos del VIF se interpretan de la siguiente manera:
o VIF = 1: No hay correlación entre la variable independiente y las
otras variables en el modelo.
o VIF entre 1 y 5: No hay multicolinealidad grave. La correlación
entre variables independientes es moderada.
o VIF > 5 o 10: Indica multicolinealidad significativa. Cuanto
mayor sea el VIF, más fuerte es la multicolinealidad. Valores altos
(por encima de 10) sugieren que una o más variables
independientes están altamente correlacionadas entre sí, lo que
podría afectar la estimación de los coeficientes y su significancia.
La prueba de correlación serial LM (Lagrange Multiplier) se utiliza para
detectar la autocorrelación en los residuos de un modelo de regresión. Es
una prueba común para verificar si los errores de la regresión están
correlacionados con sus propios rezagos (es decir, si hay dependencia temporal
en los errores).
En EViews, la prueba de Serial Correlation LM Test se utiliza para verificar
si existe autocorrelación en los residuos del modelo, lo que podría violar el
supuesto de independencia de los errores.
Paso 3: Interpretar los resultados del Serial Correlation LM Test
EViews te mostrará los resultados de la prueba, incluyendo el estadístico LM
y su correspondiente p-valor.
Estadístico LM: Este es el valor calculado para la prueba de
autocorrelación. Si el estadístico es grande, sugiere que hay
autocorrelación en los residuos.
p-valor: Este es el valor asociado con el estadístico LM. La
interpretación es la siguiente:
o Si el p-valor es menor a 0.05: Rechazas la hipótesis nula de
que no hay autocorrelación en los residuos. Esto indica que hay
autocorrelación significativa en los residuos del modelo.
o Si el p-valor es mayor a 0.05: No rechazas la hipótesis nula, lo
que indica que no hay evidencia suficiente para afirmar que los
residuos están autocorrelacionados. Los residuos son
independientes, y el modelo parece cumplir con el supuesto de
independencia de los errores.