Supuestos del modelo

Supuestos del modelo:

1. El modelo es lineal en los parámetros:

La variable dependiente no debe ser discreta o binaria. Si sabemos que no toma estos números, cualquier modelo puede linealizarse a través de logaritmo o Taylor.

2. La esperanza del error debe ser 0:

La diferencia entre lo que estimas y lo real (distancias entre punto y recta). En promedio estas diferencias deben dar 0. Con respecto a la nube de puntos, este debe ser lo mas denso posible.

3. Los regresores deben ser linealmente independientes:

No debe existir relación entre los regresores. (no correlación entre variables independientes). En caso hubiera correlación, estas compartirían mas del 80% de información. Te das cuenta de multicolinealidad cuando la estimación individual la variable es altamente significativa y en la múltiple no, puede ser porque puede haber otra variable que explique lo mismo.

Sino se cumple: MULTICOLINEALIDAD

4. Los errores no deben estar correlacionados:

Los errores no siguen patrones sistemáticos. No deben tener una estructura, si llegaran a tener casi una estructura se podrían parecer una variable lo que implicaría que se podría estar omitiendo una variable importante en la estimación. En el correlograma, los errores deben estar metiditos, si sobresale hubiera correlación, entonces se podría estar omitiendo una variable.El modelo dejaría de ser eficiente.

Sino se cumple: AUTOCORRELACION

INDICADOR: DW: es para ver la autocorrelacion serial, errores de primer orden. Debe estar fluctuando a 2.

5. La varianza de los errores es constante:

Sino hubiera homocedasticidad, el modelo no seria estable. Se tiene que asumir que el comportamiento futuro será el mismo que el del pasado, esto nos da mas confianza que los estimadores sean correctos, estabilidad. Corriges la heterocedasticidad con log.

6. Los parámetros son constantes entre observaciones:

Esto hace al modelo estable, si hubiera quiebre estructural (cuando tienes una mas de una ecuación que describe el comportamiento de tu muestra), la capacidad predictiva del modelo se reduce de manera importante. El quiebre se puede producir en dos cosas en beta0 o beta1.

INDICADORES: PUNTO DE QUIEBRE DE CHOW

Explica el modelo por grupos, haciendo ecuaciones para cada submuestra, en este caso se saben los puntos de quiebre. Con este indicador se comparan los errores del modelo con los del primer subgrupo mas grande. En caso no se conocieran los puntos de quiebre y hubieran series de tiempo, se utiliza la estimación recursiva.

Bondad de ajuste: nos indica cuan bien explicado esta el comportamiento de la variable endógena por nuestro modelo.

1. R2

2. R2 ajustado , cuando comparas modelos con diferente cantidad de regresores.

3. Función

...