Econometria

ERRORES DE ESPECIFICACIÓN DEL MODELO

La especificación de un modelo es la primera fase, y fundamental, de todo el proceso de análisis de la realidad económica a través de la teoría econométrica. Sin embargo, se puede cometer errores, originadas por diferentes fuentes, que condicionen gravemente los resultados finales de nuestra modelización.

OMISIÓN DE VARIABLES EXPLICATIVAS RELEVANTES

Puede omitirse una variable explicativa relevante por carecer de datos fiables acerca de esta o por ignorar su relevancia.

Test de la F de comparación entre modelos restringidos y sin restringir

Se utiliza básicamente para contrastar los errores relativos a omisión de variables relevantes o inclusión de variables irrelevantes.

Donde:

Β= es el vector de coeficientes correspondientes a las m variables incluidas de mas.

n = nº de datos empleados en el modelo

k = nº de estimadores, incluido el intercepto.

Consecuencias:

- En general, las estimaciones MCO de los coeficientes de regresión resultan sesgadas e inconsistentes.

- La varianza estimada de la perturbación aleatoria es sesgada.

- Las varianzas estimadas de los coeficientes de regresión son sesgadas, sobreestimando su verdadero valor.

Esto hace que la construcción de intervalos de confianza y la realización de contrastes de hipótesis no sea fiable, ya que, por una parte, la amplitud de los intervalos de confianza aumenta y, por otra, disminuye la potencia de los contrastes (es decir, aumenta la probabilidad de aceptar hipótesis nulas aun siendo falsas).

INCLUSIÓN DE VARIABLES EXPLICATIVAS IRRELEVANTES

Ocurre cuando se incluyen, equivocadamente, como explicativas variables que no lo son, la inclusión de variables irrelevantes no va a introducir ningún sesgo en la estimación de mínimos cuadrados de los coeficientes de las restantes variables del modelo. La estimación del coeficiente de la variable irrelevante, que se ha incluido por error, será próxima a cero, y no se rechazará la hipótesis nula de ausencia de significación. Sin embargo, la inclusión de dicha variable nos lleva a perder precisión en la estimación, por lo que el estimador de mínimos cuadrados de los restantes coeficientes ya no será eficiente, salvo que la variable irrelevante tenga correlación nula con cada una de las restantes variables explicativas.

Test de la F de comparación entre modelos restringidos y sin restringir

Donde:

Β= es el vector de coeficientes correspondientes a las m variables omitidas.

n = nº de datos empleados en el modelo

k = nº de estimadores, incluido el intercepto.

Consecuencias:

- Los estimadores MCO de los coeficientes de regresión correctamente incluidos son insesgados y consistentes, el valor esperado de los incorrectamente incluidos será 0, por lo que cabe prever que ante un contraste de su significatividad, se evidencie que no lo son.

- La varianza estimada de la perturbación aleatoria es insesgada.

- Las varianzas estimadas de los coeficientes de regresión son ineficientes; son, por lo general, mayores que lo que debieran ser. Los estimadores no son meli, ya que son insesgados, pero no son los mejores.

- Los

...