Violación de Supuestos de Los MRL y Aspectos para La Elección de Modelos
Violación de Supuestos de Los MRL y Aspectos para La Elección de Modelos
Violación de Supuestos de Los MRL y Aspectos para La Elección de Modelos
Puede demostrarse que, aunque la multicolinealidad sea muy alta, como en el caso de casi
multicolinealidad, los estimadores de MCO conservarán la propiedad MELI.
Sin embargo:
1. Aunque los estimadores de MCO son MELI, presentan varianzas y covarianzas grandes que
dificultan la estimación precisa.
2. Debido a la consecuencia 1, los intervalos de confianza tienden a ser mucho más amplios,
lo cual propicia una aceptación más fácil de la “hipótesis nula cero” (es decir, que el
verdadero coeficiente poblacional es cero).
3. También debido a la consecuencia 1, la razón t de uno o más coeficientes tiende a ser
estadísticamente no significativa.
4. Aunque la razón t de uno o más coeficientes sea estadísticamente no significativa, R2, la
medida global de bondad de ajuste, puede ser muy alta.
5. Los estimadores de MCO y sus errores estándar son sensibles a pequeños cambios en los
datos.
1
Econometría I
Cat. Víctor Ramirez
Detectando la multicolinealidad
¿Qué hacer?
1. No hacer nada.
2. Combinar data de corte transversal y series de tiempo.
3. Eliminar alguna(s) variable(s). Sin embargo, se debe tener cuidado con no incurrir en un
sesgo de especificación.
4. Transformar las variables.
II Heterocedasticidad
Varianza no constante del término de error.
Fuentes de heterocedasticidad
1. Aprendizaje de los errores.
2. Posibilidades distintas de uso a medida que una variable crece (ejemplo, más opciones de
uso del ingreso cuando este incrementa).
3. Mejora en las técnicas de recolección de datos.
4. Presencia de datos atípicos o aberrantes. Una observación atípica es la que es muy diferente
(muy pequeña o muy grande) en relación con las demás observaciones en la muestra.
5. Error de especificación
6. Otra fuente de la heterocedasticidad es la asimetría en la distribución de una o más
regresoras.
7. Incorrecta transformación de los datos.
Consecuencias
Detectando la heteroscedasticidad
Opciones
1. No hacer nada (uno debería preocuparse por este problema si es muy grave).
2
Econometría I
Cat. Víctor Ramirez
2. Estimar por mínimos cuadrados generalizados (si se conoce cómo cambia la varianza
condicional del término de error).
3. Transformación de las variables (en muchas ocasiones, transformaciones logísticas
funcionan bien).
III Autocorrelación
Correlación entre miembros de series de observaciones ordenadas en el tiempo (como en datos de
series de tiempo) o en el espacio (como en datos de corte transversal).
En presencia tanto de autocorrelación como de heteroscedasticidad, los estimadores de MCO
usuales, a pesar de ser lineales, insesgados y tener distribución asintóticamente normal (es decir,
en muestras grandes), dejan de tener varianza mínima entre todos los estimadores lineales
insesgados. En resumen, no son eficientes en relación con los demás estimadores lineales e
insesgados. Dicho de otro modo, es posible que no sean los mejores estimadores lineales insesgados
(MELI). Como resultado, las pruebas usuales t, F y χ2 pueden no ser válidas.
Fuentes de la autocorrelación
1. Inercia
2. Sesgo de especificación: caso de variables excluidas
3. Sesgo de especificación: forma funcional incorrecta
4. Fenómeno de la telaraña
5. Rezagos
6. “Manipulación” de datos
7. Transformación de datos
8. No estacionariedad
Consecuencias
Las pruebas de significancia t y F usuales dejan de ser válidas y, de aplicarse, es probable que
conduzcan a conclusiones erróneas sobre la significancia estadística de los coeficientes de regresión
estimados.
Detectando autocorrelación
Opciones
3
Econometría I
Cat. Víctor Ramirez
1. 𝑅
2. 𝑅 2
3. Criterios de información de Akaike (AIC) y de Schwarz (SBC)