Asignación N° 2 Jhonn Sánchez CI 26530389

Facultad de ciencias económicas y sociales (FACES)
Escuela de Economía, Asignatura: Econometría II

Alumno: Jhonn Sánchez, CI: V-26.530.389
Segunda asignación: Correcta especificación del modelo, normalidad y heterocedasticidad
2.1 Correcta especificación del modelo
Se dice que un modelo econométrico está correctamente especificado cuando no hay un sesgo de
especificación de error en el modelo utilizado en el análisis empírico. Una investigación econométrica,
empieza con la especificación de un modelo econométrico que sirve de base para explicar un fenómeno de
interés. Por ello, la correcta especificación del modelo sugiere:
 Ser aceptable según los datos: es decir, las predicciones hechas con base al modelo deben ser
lógicamente adecuadas.
 Ser consistente con la teoría: lo cual quiere decir que el modelo debe tener sentido económico.
 Tener regresoras débilmente exógenas: las variables explicativas, o regresoras, no deben estar
correlacionadas con el término de error.
 Mostrar constancia paramétrica: los valores de los coeficientes o parámetros deben ser estables, de no
serlo, las predicciones en base al modelo serán poco fiables.
 Exhibir coherencia con los datos: los errores estimados a partir del modelo deben ser puramente
aleatorios.
 Ser inclusivo: El modelo debe abarcar o incluir a todos los modelos rivales.
Tipos de errores de especificación
Una vez que se haya especificado el modelo correcto, es normal que en la práctica se cometan una serie
de errores: El primer error, sería omitir una variable relevante e incluir una variable innecesaria al modelo.
Lo segundo, sería adoptar una forma funcional incorrecta. Tercero, presentar errores de estimación. Por
último, incurrir en una especificación del término de error estocástico.
1
¿Cuáles son las consecuencias de los errores de especificación del modelo?
Para enumerar las consecuencias de los errores de especificación, se centra en análisis en dos tipos de
errores mencionados anteriormente: la omisión de una variable relevante y la sobreespecificación del
modelo, adición de una variable explicativa irrelevante o innecesaria. Tales errores, conducen a problemas
basados en pronósticos de modelos incorrectos, estimaciones insesgadas y consistentes pero ineficientes y
los intervalos de confianza de los pronósticos no son fiables, por lo que se incurren a menudo a conclusiones
equivocadas sobre la significancia estadística de los parámetros estimados.
¿Cómo se detectan los errores de especificación del modelo econométrico?
 Si se tiene un modelo de 𝑘 variables explicativas y se desea averiguar si el modelo presenta inclusión

de variables innecesarias, se prueba la significancia del parámetro estimado 𝛽𝑘 mediante la prueba 𝑡 =
̂𝑘
𝛽
𝑒𝑒
o también mediante la prueba 𝐹.
 Cuando se omiten variables explicativas importantes o la forma funcional del modelo es incorrecta, se
puede detectar el error mediante: el examen de los residuos, el estadístico 𝑑 de Durbin – Watson, prueba
RESET de Ramsey y la prueba del multiplicador de Lagrange.
 Errores en la medición en los valores de la variable regresada y regresoras. Los estimadores MCO son
insesgados consistentes, pero son menos eficiente.
2.2 Supuesto de normalidad en los modelos econométricos
El supuesto de normalidad en un modelo de regresión, está relacionado con el modelo Clásico de

regresión lineal (MCRL). En este modelo, se establece el supuesto de que los residuos o los términos de
error (𝑢) siguen una distribución de probabilidad normal, con media 0 y varianza 𝜎 2 ⇒ 𝑢𝑖 ~𝑁(0, 𝜎 2 ).
Por consiguiente, el supuesto de normalidad significa que los residuos o errores no están
correlacionados, sino que también están independientemente distribuidos.
¿Cuáles son las razones por las cuales debe formularse el supuesto de normalidad?
2
1. Teorema Central del límite: la distribución de algunas variables tiende a ser normal conforme se
incremente el número de las mismas. 2) aunque el número de variables no sea muy grande o no sean
estrictamente independientes, su suma puede estar aun normalmente distribuida. 3) con el supuesto de
normalidad los estimadores MCO y MV los estimadores tienden a ser idénticos en términos de los
parámetros, convergen.
2.3 Heterocedasticidad
La heterocedasticidad supone una violación a uno de los supuestos básicos del modelo clásico de
regresión Lineal (MCRL) que establece que las varianzas de los errores son constantes. En este caso, hay
presencia de heterocedasticidad cuando las varianzas de estos errores no son constantes, varían. La
naturaleza de la variabilidad de los errores, se producen como consecuencia de los modelos de aprendizaje
sobre otro tipo de errores (las personas aprenden de sus errores y con el pasar del tiempo minimizan los
mismos) y en muchas ocasiones sobre factores que se consideran atípicos.
¿Cómo se detecta la heterocedasticidad?
1. Método gráfico
𝛽
2. Prueba de Park: fórmula sugerida 𝜎𝑖2 = 𝜎 2 𝑋𝑖 𝑒 𝑣𝑖 o bien ln 𝜎𝑖2 = ln 𝜎 2 + 𝛽 ln 𝑋𝑖 + 𝑣𝑖 donde 𝑣 es el
término de la perturbación estocástica.
3. Prueba de Glejser.
4. Prueba de Breusch- Pagan- Godfrey.
5. Prueba General de Heterocedasticidad de White
Aunque existan otras pruebas las cuales permitan detectar la heterocedasticidad, no siempre se puede
decir cuál de las pruebas funcionara en una situación determinada.
¿Cómo se corrige?
No es fácil corregir el problema. Si la muestra es grande, se pueden obtener los errores estándar de los
estimadores MCO corregidos por el método de heterocedasticidad de White y realizar inferencia estadística
basados en ellos. De lo contrario, se pueden hacer conjeturas refinadas del patrón probable de
heterocedasticidad con base en los residuos MCO y transformar la información original de tal manera que
en la información transformada no haya heterocedasticidad.

Asignación N° 2 Jhonn Sánchez CI 26530389

Cargado por

Copyright:

Formatos disponibles

Asignación N° 2 Jhonn Sánchez CI 26530389

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Asignación N° 2 Jhonn Sánchez CI 26530389

Cargado por

Copyright:

Formatos disponibles

Facultad de ciencias económicas y sociales (FACES)

Escuela de Economía, Asignatura: Econometría II

2.1 Correcta especificación del modelo

Tipos de errores de especificación

¿Cómo se detectan los errores de especificación del modelo econométrico?

 Si se tiene un modelo de 𝑘 variables explicativas y se desea averiguar si el modelo presenta inclusión

2.2 Supuesto de normalidad en los modelos econométricos

El supuesto de normalidad en un modelo de regresión, está relacionado con el modelo Clásico de

¿Cómo se detecta la heterocedasticidad?

También podría gustarte