CAMBIO ESTRUCTURAL

TEMA 1. CAMBIO ESTRUCTURAL

Cambio estructural en los parámetros: éstos cambian o varían muy significativamente. Si hay un shock puntual se suele corregir sólo con el tiempo.

En EVIEWS: Pinchar en la EQ> resids> si hay errores en el modelo se ve en la parte de residuos: la Y real y la estimada se separan y coincide con que la línea del residuo sale de la zona de tolerancia.

Causas:

• Inevitable cierto grado de cambio. El mundo es dinámico, todo cambia
• Alteración exógena. Ej. Impuestos nuevos, etc.
• Error en la especificación. En Eviews🡪 mirar la columna t-Statistic (>2) y la prob. (>0.05). View> Coefficient Diagnostics>Omitted/Redundant variables test> se pone el nombre de la variable que pensamos que es irrelevante> en el test de variables irrelevantes nos muestra que si quitamos esa variable, el modelo no cambia. H0= variable no significativa

En el caso de comprobar variables omitidas: hacer la ecuación sin esa variable>Eq>Estimate y ver si el modelo empeora.

• Omisión de variables relevantes. Si quito una variable relevante: R2 baja y los residuos suben.
• Inclusión de variables irrelevantes
• Forma funcional incorrecta: debemos mirar qué función es la que mejor se adapta a la evolución de la Y y la relación de ésta con las X. @PCH*100🡪 en tasas: suele haber más error y variables no significativas

• Modelos transversales: compara elementos muy diferentes entre sí. Ej. Países

Consecuencias:

• Las propiedades de los parámetros se pierden (mirar T-student🡪 coeficiente/std error)
• Contrastes de las T más exigentes: La varianza de la B0 es pequeña, mejor 🡪 T alta; Std. error (indica la volatilidad)
• Mala predicción

¿Cómo se detecta?

1. Test de Chow 🡪 [pic 1]

En Eviews: abrir EQ> View> Stability Diagnostics> Chow> meter period> sale el estadístico experimental, comparar con F tablas y ver si acepto H0 (permanencia estructural) o no. Queremos Fexp pequeñas, por debajo del valor de tablas.

• Críticas:

• Con la fórmula no se sabe dónde está el punto de ruptura
• Solo funciona cuando el punto de ruptura está centrado, si no🡪 Chow Forecast (cuando una muestra es muy pequeña y no se puede usar)

1. ESTIMACIONES RECURSIVAS🡪 EQ>VIEW>Stability Diagnostics>Recursive estimates (los 3 primeros se hacen)

1. Recursive Residuals: ruidos de los residuos: Gráfica normal de los residuos. Cuando la línea azul sale del margen rojo y permanece un tiempo fuera: cambio estructural alerta
2. CUSUM: dentro del margen: H0 (permanencia)
3. CUSUM SQ: más representativo.

¿Cómo se corrige?

• Reduciendo la muestra (siempre que sea suficiente): Ajustar la muestra (sample): poner las fechas
• Introduciendo ficticias: 0 (no hay efecto) 1 (si hay efecto: problema)🡪 meter una dummie: si sirve, el gráfico se corrige y la T-student funciona: En Eviews: object>new object> serie> f1_graf1 (x ej)>Edit y das valores 0 a todos menos a las fechas donde había problemas, que pongo 1. Abro de nuevo EQ> Estimate> y escribir la ficticia junto con el resto de nombres. Mirar: R2 ajustado, la T-std y el gráfico para ver si el ruido desaparece o no
• Trampa de las ficticias: supone que sobreparametrizo el modelo para conseguir que la línea de residuos quede en la zona de tolerancia, distorsiona los coeficientes del resto de parámetros y disminuyo los grados de libertad.

TEMA 2. MULTICOLINEALIDAD

Multicolinealidad: Excesiva relación de los datos de las variables de un modelo.

• Exacta: mismos datos de las variables, van hacia la misma dirección
• Aproximada: datos parecidos, más frecuente.

Un modelo está bien especificado cuando hay escasa correlación entre las X pero alta correlación entre éstas y la endógena

• Eviews: hacer un grupo con la endógena y las X. View>Graph>selecciono multiple graph (cada variable tiene su propia escala), esto sirve para ver si la evolución de cada X se parece a la de la Y. Nos interesa la matriz de correlación: View>Covariance Analysis> pulso opción de Correlation>por encima del 0,7: alerta.
• Hacer regresiones parciales: comparar la R2 de la ecuación inicial con las R2 de cada modelo parcial (hacer diferentes ecuaciones poniendo en cada una de ellas una X diferente que explique las demás X). Se excluye la Y.

TEMA 3. HOMOCEDASTICIDAD Y HETEROCEDASTICIDAD

Homocedasticidad: varianza de la perturbación aleatoria pequeña y constante. La varianza de los errores no se altera a lo largo del modelo, de todas las observaciones. En una gráfica, los puntos están juntos y pequeños. Se suele mirar en el gráfico resids (Eviews)

Heterocedasticidad: varianza de la perturbación aleatoria no constante. Modelos variables. La distribución del modelo y de sus errores en cada momento del tiempo va cambiando, no es constante.

• EVIEWS: Con la ecuación del modelo> Estimate> Seleccionar Method LS> Seleccionar Resid> View> Graph

Lo bueno de los modelos es que sean homocedásticos (Ho) 🡪 supone que la varianza de los errores sea pequeña (queremos minimizar el error) y que varíen poco (nº constantes en el tiempo).

Cuando incorporamos variables X, heterocedasticas en su distribución, los errores serán tb heterocedásticos (Histograma de frecuencias).

Causas frecuentes:

• Variables explicativas cuyo recorrido tenga una gran dispersión respecto a su propia media. Ocurre más en modelos transversales. Gran volatilidad de los datos respecto a su media (no es representativa). Si tengo variables X volátiles🡪 precursoras de errores en el modelo. Queremos variables predecibles, poco volátiles: conducen a situaciones bondadosas. Ej. En un modelo bursátil (la bolsa): muchas oscilaciones, variaciones. Ningún promedio es representativo. Nube de puntos aleatoria.
• Omisión de variables relevantes en el modelo especificado. También es un problema de especificación.
• Cambio de estructura: Hay dos comportamientos de la muestra, por un shock (crisis, cambio de un modelo, etc.). Hace que cambien los errores🡪 serán variables y más grandes, cambian a partir de la ocurrencia del suceso.
• Empleo de variables no relativizadas. (La variable usada la pones en contexto con la endógena). Ej. PC con hogares. Habitantes por km2🡪 puede darse poblaciones con mucha densidad o poca densidad.

EFECTOS de la heterocedasticidad: Salen fórmulas difíciles de seguir.

3 situaciones si tengo heterocedasticidad y no la corrijo:

• Incorrecta estimación de los parámetros beta (k):

• Calcular parám. beta en homocedasticidad: Método MCO y propiedades ELIO + Consistencia

[pic 2]

•  Cálculo incorrecto de las varianzas y parámetros ineficientes. Varianzas aumentan (son más ineficientes)

• Calcular Coef. Beta en heterocedasticidad, pero corregido para reconvertirlo en homocedasticidad.

• Invalidación de los contrastes de significatividad. El ratio de la T-student 🡪 amplio el denominador y el ratio baja. Aunque la variable pueda ser buena, puede tener un mal ratio. Debe ser >2🡪 La heterocedasticidad hace que el ratio baje, más complejo.

• No es viable calcular los Coef. Beta con fiabilidad en heterocedasticidad: Método MCG (mínimos cuadrados generalizados) 🡪 intenta llenar un vacío. Aparece la matriz SIGMA (de los errores)🡪 si tengo errores no constantes, necesito representar una varianza constante.

[pic 3]

El sigma -1: Representa las varianzas cambiantes de los residuos.

...