Tema 1 Econometria

TEMA 1: ANÁLISIS DE REGRESIÓN
BÁSICO CON DATOS DE SERIES

TEMPORALES
A. Beyaert, M. Camacho, M. González, A. Quesada

Departamento de Métodos Cuantitativos para la Economía y la Empresa
Econometría II (3º GECO) 2016‐2017
Lo que estudiaremos en este tema:
1. Naturaleza de los datos

1.1 Introducción
1.2 Diferencias con los datos de corte transversal
1.3 Tipos de series temporales
2. Ejemplos de modelos dinámicos y sus multiplicadores

2.1 Modelo estático
2.2 Modelo de retardos distribuidos
2.3 Modelo de endógena retardada
3. Supuestos mínimos para buenas propiedades en muestra

finita de MCO
3.1 El valor esperado del estimador MCO
3.2 La varianza del estimador MCO
Econometría II (3º GECO) Tema 1 – 2016‐2017 2

Lo que estudiaremos en este tema:
3.3 Teorema de Gauss-Markov en series temporales

3.4 Inferencia
4. Formas funcionales, cambio estructural, variables ficticias

4.1 Formas funcionales
4.2 Cambio estructural: contraste de Chow
4.3 Variables ficticias para estudios de acontecimientos y para cambio
estructural
5. Estacionalidad
Bibliografía básica: Wooldridge, 2008, cap. 10

1.1 Introducción
Recordemos
Datos de corte transversal: observaciones sobre distintas unidades

(individuos , familias, ciudades,…) en un momento dado del tiempo
• Características:
– el orden de los datos no importa
– Es probable que no haya interrelación entre los elementos de la muestra
(no autocorrelación)
muestreo aleatorio no autocorrelación
• Las propiedades estadísticas de los estimadores MCO están basadas

en el supuesto de observaciones incorrelacionadas

1.1 Introducción
Datos de serie temporal: Observaciones sobre una o distintas variables

a lo largo del tiempo
• Ejemplos. Evolución a lo largo del tiempo de:

– PIB
– Tasa de inflación
– Tasa de paro
– Número de ocupados
– Precio de las acciones
– Número de matriculados en GECO

• Frecuencia de los datos: diaria, mensual, trimestral, anual….
¿Cuál es la frecuencia (más habitual) de estas series?
- PIB de España
- Tasa de inflación de la UE
- Tasa de paro de España
- Número de ocupados en la Región de Murcia
- Precio de las acciones del IBEX 35
- Número de matriculados en GECO en la UMU
Econometría II (3º GECO) Tema 1 –2015‐2016
Tema 1 – 2016‐2017 6
• El orden de los datos importa

datos corte transversal datos serie temporal
Observación Yi Xi Observación Yt Xt
1 Y1 X1 1 Y1 X1
2 Y2 X2 2 Y2 X2
3 Y3 X3 3 Y3 X3
. . . . . .
. . . . . .
. . . . . .
N YN XN T YT XT
no importa el orden ordenados cronológicamente
• Las observaciones no son independientes (el pasado puede afectar

al futuro)
• Las técnicas econométricas deben tomar en cuenta esta dependencia
temporal
• Proceso estocástico: sucesión de variables aleatorias indiciadas por

el tiempo :
 y t  ; t  ...,0,1, 2, 
• Datos de serie temporal: posible resultado, o realización, del proceso
estocástico durante un periodo determinado (t=1,…,N)
• Ejemplo: Variables
Observaciones
aleatorias
CrecIB2000 5
CrecPIB2001 3.6
Proceso CrecPIB2002 2.7 Serie temporal

estocástico . .
. .
. .
CrecPIB2009 -3.7
CrecPIB2010 -0.1

Datos de sección cruzada Datos de serie temporal

Población Proceso estocástico
Muestra de datos Muestra de datos

(1 realización del proceso estocástico)
Normalmente,
N observaciones incorrelacionadas 1 observación de N variables aleatorias
de 1 variable N observaciones que
Independientes si muestreo aleatorio suelen estar correlacionadas
El tamaño muestral es N El tamaño muestral es N

• Cuatro grandes tipos

Y1
PIB_REAL_SA_TCRE
Y2
Y2
5 25
4
20
3
15
2
1 10
0
5
-1
0
-2
-3 -5
90 92 94 96 98 00 02 04 06 08 90 92 94 96 98 00 02 04 06 08
Y3
TCR Y4
PIB_BRASIL_SA
115 110
110
100
105
90
100
80
95
70
90
85 60
90 92 94 96 98 00 02 04 06 08 90 92 94 96 98 00 02 04 06 08

Media constante Media creciente
Y1
PIB_REAL_SA_TCRE Y2
Y2
5 25
4
20
3
Varianza 2
15
1
acotada 0
10
5
-1
0
-2
-3 -5
90 92 94 96 98 00 02 04 06 08 90 92 94 96 98 00 02 04 06 08
Y3 Y4
PIB_BRASIL_SA
TCR
110
115
110 100
Varianza 105
90
creciente 100
80
95
70
90
60
85 90 92 94 96 98 00 02 04 06 08
90 92 94 96 98 00 02 04 06 08

2.1 Modelo estático
• Los modelos estáticos modelizan una relación contemporánea

entre la variable dependiente y las explicativas
y t  0  1x1t  2 x 2t   t ; t  1,, N
• Los cambios en las explicativas tienen sólo efectos inmediatos

sobre y

2.2 Modelo de retardos distribuidos finitos
• Los modelos de retardos distribuidos finitos (RDF) permiten que

una o más explicativas afecten a la variable dependiente con algún
efecto retardado
• Ejemplo: modelo RDF “de orden 2”
y t   0  0 x1,t  1x1,t 1  2 x1,t 2   t ; t  1,, N
Los cambios en x1 afectan a y durante dos períodos

Interpretación de los coeficientes:
y t   0  0 x1,t  1x1,t 1  2 x1,t 2   t
• Consideramos dos tipos de cambios unitarios en x1

- Impulso: variación temporal
k t  t0

x 1t   k  1 t  t 0
k t  t0

- Escalón: variación permanente
k t  t0
x1t  
k  1 t  t 0
Impulso Escalón
2.2
2.2
2.0
2.0
1.8 1.8
1.6 1.6
1.4 1.4
1.2 1.2
1.0 1.0
0.8 0.8
1 2 3 4 5 6 7 8 9 10 1 2 3 4 5 6 7 8 9 10
X1 X1

Variación Impulso
• Efecto ceteris paribus de x1 sobre y:
 0  0 k  1k  2 k  y * t  t0
suponemos  t  0 t    (k  1)   k   k
 0 0 1 2 t  t0
 k t  t

0 y t   0  0 k  1 (k  1)  2 k t  t0 1
x 1t   k  1 t  t 0    k   k   (k  1) t  t0  2
k t  t0  0 0 1 2
  0  0 k  1k  2 k  y * t  t0  2
• Interpretación de los coeficientes:

- 0  y t 0  y t 0 1 Multiplicador de impacto: cambio instantáneo en y
- 1  y t 0 1  y t 0 1 Cambio en y 1 período después del shock
- 2  y t 0  2  y t 0 1 Cambio en y 2 períodos después del shock
• En un modelo RDF de orden 2 no hay más cambios después de 2 períodos
• Función de respuesta al impulso (FRI): muestra el efecto dinámico

sobre y de un incremento temporal en x1 (o sea: el efecto sobre y,
distribuido en el tiempo, de una variación impulso de x1)
y t   0  0 x1,t  1x1,t 1  2 x1,t 2   t

• Ejemplo:
FRI


0 1 2 3 j
Variación Escalón
• Efecto ceteris paribus de x1 sobre y:
suponemos  t  0 t  0  0 k  1k  2 k  y * t  t0
   (k  1)   k   k t  t0
k t  t0  0 0 1 2
x1t   yt  
k  1 t  t 0  0  0 (k  1)  1 (k  1)  2 k t  t0 1
 0  0 (k  1)  1 (k  1)  2 (k  1)  y * t  t 0  2
• Interpretación de los coeficientes:

- 0  y t 0  y t 0 1 Multiplicador de impacto
- 0  1  y t 0 1  y t 0 1 Multiplicador intermedio de orden 1. Cambio en y
1 período después del cambio
- 0  1  2 Multiplicador de largo plazo. Cambio en y 2 o más períodos
después del cambio
0  1  2  y t 0  2  y t 0 1  y t 0 3  y t 0 1  y t 0  4  y t 0 1  .....
• Función de respuesta al escalón (FRE): muestra el efecto dinámico

sobre y de un incremento permanente en x1 (o sea: el efecto sobre y,
distribuido en el tiempo, de un incremento permanente de x1)
y t   0  0 x1,t  1x1,t 1  2 x1,t 2   t

• Ejemplo:
FRE 
+ 

0 1 2 3 j
Modelo de retardos distribuidos finitos de “orden q”
y t   0  0 x1,t  1x1,t 1    q x1,t q   t ;
• Multiplicador de impacto: 0
• Multiplicador de largo plazo: 0  1    q
¿Efecto sobre y de un incremento unitario permanente en x1 pasados 2

períodos (“multiplicador intermedio de orden 2”)?
¿Efecto sobre y de un incremento unitario temporal en x1 pasados 2 períodos?

2.3 Modelo de endógena retardada
Modelo de endógena retardada

a) sólo retardos de la endógena:
y t   0  1 y t 1  0 x1,t   t ; 1  1
b) con retardos en la explicativa también:

y t   0  1 y t 1  0 x1,t  1x1,t 1   t ; 1  1
• Multiplicador de impacto: 0
• Multiplicador de largo plazo: a) 0 / (1  1 ) b) (0  1 ) / (1  1 )
¿Efecto sobre y de un incremento unitario permanente en x1 pasados 2 períodos

(“multiplicador intermedio de orden 2”)?
¿Efecto sobre y de un incremento unitario temporal en x1 pasados 2 períodos?

3. Supuestos mínimos para buenas propiedades
en muestra finita del estimador MCO
• El estimador MCO de los coeficientes poblacionales es insesgado si

se cumplen ciertos supuestos:
- TS.1 Linealidad en los parámetros
- TS.2 Media nula y exogeneidad estricta
- Variables explicativas estrictamente exógenas
E( t x11 , x 21 ,, x (k 1),N x kN )  E   t  t  1, , N
-Media nula del término de error del modelo

E  t   0 t=1,,N
- TS.3 No multicolinealidad perfecta

• TS.1 Linealidad en los parámetros
El proceso estocástico  x 1t , x 2t ,, x kt , y t  ; t  1, 2,, N sigue el modelo

lineal:
y t  0  1x1t  2 x 2t    k x kt   t
donde    ; t  1, 2,, N
t es el proceso estocástico del error
El modelo en notación matricial: Y=X+

 y1  1 x11  x k1  0   1 
 y  1 x  x k 2   1    2 
 
2 12     
   1          
       
y 1
 N  
 x  x kN   k  N 
 1N
   
Y X  

• TS.2 Media nula y exogeneidad estricta

Para cada t, el valor esperado del error, condicionado a las explicativas en
todos los períodos, es igual al valor esperado no condicionado, y vale cero:
E( t X)  E( t x11 , x 21 ,, x (k 1) N , x kN )  E   t  t  1,, N (TS.2a)


E   t   0 t  1,, N (TS.2b)
 TS.2a: exogeneidad estricta
 t está incorrelacionado con cada una de las explicativas en cada uno

de los N períodos temporales
TS.2b: media nula

En notación matricial: E( X)  E( )  0
 En datos de corte transversal el supuesto de exogeneidad estricta puede darse:
si hay muestreo aleatorio es fácil que haya exogenidad estricta
Exogeneidad débil + Muestreo aleatorio  exogeneidad estricta
Exogeneidad débil: E(i x1i , x 2i ,, x ki )  E(i ) i con i  1, , N
 En series temporales es más difícil que se de exogeneidad estricta:
no hay muestreo aleatorio, las observaciones no suelen ser independientes =>

exogeneidad débil, en general, no garantiza exogeneidad estricta
Exogeneidad débil o contemporánea: E( t x1t , x 2t , , x kt )  E( t ) t  1, , N
=> El supuesto de media nula y exogeneidad estricta es menos realista que con
datos de corte transversal
• Media nula y exogeneidad estricta falla, en general, si:
o el modelo está mal especificado (relación funcional incorrecta,

omisión de variables relevantes…)
o existen errores de medida en las variables
o existen efectos de retroalimentación de y sobre valores futuros

de alguna de las variables explicativas (  t correlacionado con las
variables explicativas en el futuro)
o Es un modelo de endógena retardada
• Los efectos de retroalimentación y los modelos de endógena

retardada descartan la exogeneidad estricta, pero podría haber
exogeneidad contemporánea
Ejemplo: efectos de retroalimentación
En la siguiente función de producción agrícola:

y t  0  1x1t  2 x 2t   t ; x 2t  a  by t 1  t
donde, y es la producción, x1 es lluvia y x2 es el factor trabajo,
¿son las variables explicativas estrictamente exógenas?
¿Y contemporáneamente exógenas?

• TS.3 No multicolinealidad perfecta
En la muestra (y por tanto en los procesos estocáticos subyacentes) ninguna

variable explicativa es constante o combinación lineal perfecta de las demás
Matemáticamente: rango  X   k  1  K
• Teorema de insesgadez
Bajo los supuestos TS.1, TS.2 y TS.3, los estimadores MCO son
insesgados:
E ˆ X    E ˆ j X    j j  0,, k
Demostración: Transparencias Econometría I (Tema 3, p. 8)
o Exogeneidad estricta: necesaria para la insesgadez (difícil de cumplir)
o Sesgo por omisión de variables: mismo análisis que con datos de sección
cruzada
• Para que MCO sea el estimador de mínima varianza (entre los

lineales e insesgados) necesitamos dos supuestos adicionales:
- TS.4 Homoscedasticidad
- TS.5 No correlación serial

• TS.4 Homoscedasticidad
Condicionando a las variables explicativas en todos los períodos temporales,

la varianza del error es la misma para todo t:
V  t X   V[ t ]  2 , t  1,, N
Ejemplos de errores heteroscedásticos en modelos con datos de series

temporales

• TS.5 No correlación serial (o no autocorrelación)
Condicionando a X, los errores en dos períodos de tiempo diferentes no están

correlacionados:
corr   t , s X   0, t  s
• Homoscedasticidad y no autocorrelación serial en notación matricial

 2 0  0
 
0 2  0
V  X    2 I N
    
 
0 0  2 
Compare los supuestos de homoscedasticidad y no autocorrelación con

los correspondientes formulados para datos de sección cruzada

• Teorema de las varianzas muestrales de los estimadores MCO
Bajo los supuestos TS.1 a TS.5, la matriz de varianzas-covarianzas de

los estimadores MCO, condicionada a X es:
V(ˆ X)   2 (X 'X) 1
Demostración: Transparencias Econometría I (Tema 3, p. 19)
La varianza del coeficiente de la explicativa j es:

 2
V(ˆ j X)  N
 (x jt  x j )2 (1  R 2j )
1
2
donde R j es el R 2 de la regresión de xj sobre el resto de explicativas y
un término constante
¿Qué factores influyen sobre la varianza del estimador? ¿Es lógico?
• Teorema sobre la insesgadez de la varianza estimada del error
Bajo los supuestos TS.1 a TS.5,

SCE
s2  es un estimador insesgado de  2
NK
• El estimador insesgado de V(ˆ X) es V̂(ˆ X)  s 2 (X 'X) 1
• El estimador insesgado de V(ˆ j X) es

2
s
V̂(ˆ j X) 
STC j (1  R 2j )

3.3 Teorema de Gauss-Markov
• Teorema de Gauss-Markov para series temporales
Bajo los supuestos TS.1 a TS.5, los estimadores MCO son ELIO,
condicionando a X
• TS.1-TS.5 son los supuestos de Gauss-Markov para regresiones de

series temporales
• En series temporales, MCO raramente es ELIO, porque la

exogeneidad estricta es difícil de cumplir. Por tanto, en el Tema 2,
veremos supuestos mínimos para que MCO sea por lo menos
consistente.

3.4 Inferencia
Para poder hacer inferencia correcta en muestra finita, necesitamos

añadir un supuesto:
• TS.6 Normalidad e Independencia
Los errores son independientes de X y están Niid 0, 2  
¿Qué relación tiene TS.6 con los supuestos TS.1-TS.5?
¿Qué podemos decir de la eficiencia del estimador MCO con TS.6?
• Teorema sobre la distribución de los estimadores

Bajo los supuestos TS.1, TS.3 y TS.6:

ˆ  N ,  2  XX 
X
1

• Los estadísticos t y F habituales siguen una distribución t de
Student, y F de Fisher-Snedecor, respectivamente (distribución
exacta, válida en muestra pequeña).

4.1 Formas funcionales
• Modelo RDF con variables en logaritmos

ln y t   0  0 ln x1t  1 ln x1,t 1  2 ln x1,t  2  3 ln x1,t 3  4 ln x1,t  4   t
y t x1,t i %y t
i     elasticidad
y t x1,t i %x1,t i
es el cambio porcentual en y en respuesta a una variación de un 1%
en x1, hace i períodos => elasticidad
0 : elasticidad a corto plazo. Cambio porcentual instantáneo en y cuando x1

aumenta un 1%
0  1  2  3  4 : elasticidad a largo plazo. Cambio porcentual en y en

respuesta a una variación permanente de un 1% en x1,, iniciado en este caso
hace 4 o más períodos
¿Qué pasa si solo una variable está en logaritmos?

La relación entre la dependiente y las explicativas puede sufrir

alteraciones a lo largo del tiempo, cambiar entre un periodo y otro.
=> los coeficientes quizás no son constantes a lo largo de toda la muestra:
quizás hay “cambio estructural”, “inestabilidad estructural” o
“rupturas estructurales”.
Ejemplo:
Disponemos de datos de EEUU para estimar la siguiente ecuación:
i3t  0  1 inf t  2 def t   t ; t=1948,,1996
i3: tipo de interés de las letras a tres meses; inf: tasa de inflación anual;
def: déficit presupuestario del gobierno como porcentaje del PIB.
En octubre de 1979, la Reserva Federal cambió su política monetaria, pasando

de controlar la oferta monetaria a controlar los tipos de interés de corto plazo
 quizás la ecuación para i3 cambia a raíz de este cambio de política
 queremos contrastar la existencia de cambio estructural a partir de 1980.
4. Formas funcionales, cambio estructural, variables
ficticias
Contraste de cambio estructural:
• Si hay cambio, hay dos modelos en dos submuestras:
i3t  (1)
0
 1
(1)
inf t   2 def t   t ; t=1948, ,1979
(1)
i3t  (2)
0
 1
(2)
inf t   2 def t   t ; t=1980, ,1996
(2)
• Queremos contrastar
H 0 : (1)  (2) ; 1(1)  1(2) ; (1)
2   (2)
2  no hay cambio estructural
0 0
H1 : (1)  (2) y / o 1(1)  1(2) y / o (1)

2   (2)
2  cambio estructural en 1980
0 0
• Pero no podemos/sabemos hacer contrastes sobre coeficientes de dos modelos

separados => deberíamos estimar todos los coef. de golpe => dos posibilidades:
• construir un modelo con ficticias aditivas y multiplicativas y hacer un test F de
significatividad conjunta de las ficticias (ver Econometría I, Tema 5).
• construir un “super-modelo” y hacer un test F de igualdad de coeficientes
(contraste de Chow).
ficticias
“Super-modelo”, que contempla posible cambio, en forma matricial:
i31948  1 inf1948 def1948 0 0 0  (1)

0
 1948 
     (1)   
 1  
    
   
i31979  1 inf1979 def1979 0 0 0  2  1979 
(1)
     
 1980  0
i3 0 0 1 inf1980 def1980  (2)
0 

 1980 
         1(2)   
      
 1996  0
i3 0 0 1 inf1996 def1996  (2)
2 

  1996 
De manera genérica:
 Y(1)   X (1) 0(1)  (1)  (1) 

    
 Y(2)   0(2) X (2)  (2)  (2) 

ficticias
• Contraste de Chow: Contraste de cambio estructural con el “Super-

modelo”
 Y(1)   X (1) 0(1)  (1)  (1) 
    
Y 0
 (2)   (2) X  
  (2)   (2) 
(2) 
• Hipótesis del contraste de Chow:

H 0 : (1)  (2)  no hay cambio estructural
H1 : (1)  (2)  cambio estructural
• Estadístico de contraste: F
• Bajo H0: Modelo restringido (MR), mismos coeficientes en toda la muestra
i3t  0  1 inf t  2def t   t ; t=1948,,1996  SCE R
• Bajo H1: Modelo no restringido (MNR), coeficientes distintos por submuestras
“Super-Modelo” SCE NR
ficticias
• Para obtener la SCE NR no es necesario estimar el “Super-modelo”:
 Y(1)   X (1) 0(1)  (1)  (1) 

    
 Y(2)   0(2) X (2)  (2)  (2) 
• SCE NR se puede obtener estimando por submuestras

 Se puede demostrar que:
̂(1) se puede obtener usando sólo la submuestra (1)
i3t  (1)
0
 1
(1)
inf t   2 def t   t ; t=1948, ,1979
(1)
̂(2) se puede obtener usando sólo la submuestra (2)

i3t  (2)
0
 1
(2)
inf t   2 def t   t ; t=1980, ,1996
(2)
• Por lo que: SCE NR  SCE (1)  SCE (2)

ficticias
• Por tanto, para hacer el contraste de Chow:
 Estimar la ecuación sobre la muestra completa y quedarse con SCE R
 Estimar la ecuación sobre la submuestra (1) y quedarse con SCE (1)
 Estimar la ecuación sobre la submuestra (2) y quedarse con SCE (2)
 Calcular el valor de la F como:

(SCE R  SCE NR ) / K (SCE R  SCE (1)  SCE (2) ) / K
F 
SCE NR / (N  2K) (SCE (1)  SCE (2) ) / (N  2K)
 Rechazar la nula de NO cambio estructural si F  FK,( N 2K ) al %

ficticias
• Comentarios:
 Si RH0, hay que tomar en cuenta el cambio:
• por ejemplo, estimando solo sobre el segundo período

• si no se puede, modelizar el cambio con variables ficticias
 Limitaciones:
• Fecha de posible cambio es conocida; existen contrastes que no

suponen conocida esa fecha (“contraste de cambio estructural
endógeno”)
• Supone que el cambio afecta a todos los parámetros a la vez;
se pueden hacer contrastes de cambio parcial utilizando
variables ficticias (véase Apartado 4.3)
ficticias
4.3 Variables ficticias
Las variables ficticias:
• representan la ocurrencia de un cierto evento en un determinado
período
• permiten captar correctamente los efectos ceteris paribus de las
variables explicativas
• Aplicaciones, entre otras
- estudio de acontecimientos: para estudiar si un
acontecimiento concreto tiene alguna influencia sobre la
variable dependiente
- cambio estructural: para determinar si los coeficientes del
modelo de regresión son estables o cambian en distintos
períodos temporales, y en su caso, tomar el cambio en cuenta
en el modelo
- tomar en cuenta la estacionalidad (véase Apartado 5)
ficticias
• Ejemplo 1: Estudio de acontecimientos

Disponemos de datos de Estados Unidos para estimar la siguiente ecuación,
que relaciona la tasa de fecundidad con la desgravación fiscal por hijo:
fec t  0  1pe t   t ; t  1913,....,1984
fec: tasa de fecundidad

pe: valor real de las desgravaciones fiscales por tener hijos
¿Cómo contrastaría si los siguientes hechos afectaron a la tasa de fecundidad?

- la introducción de la píldora anticonceptiva en 1963
- la participación de Estados Unidos en la segunda guerra mundial
(1941-1945)

ficticias
• Ejemplo 1: Estudio de acontecimientos

Para estudiar los efectos de estos dos acontecimientos sobre la tasa de
fecundidad, se crean las variables ficticias “píldora” y “guerra” y se introducen
en el modelo:
fec t  0  1pe t  2 pildora t  3guerra t   t
1 t  (1963-1984) 1 t  (1941-1945)
píldora t   guerra t  
0 t  (1913-1962) 0 t  resto
Contrastes:  H 0 : 2  0  H 0 : 3  0
 
 H1 : 2  0  H1 : 3  0
Estadístico de contraste: t
RH0 implica que el acontecimiento bajo estudio (píldora o guerra) afectó a la

variable dependiente. El signo y cuantía del coeficiente de cada ficticia
informan de la dirección del efecto y su tamaño.
ficticias
• Ejemplo 2: Contraste y modelización de cambio estructural

Disponemos de datos de EEUU para estimar la siguiente ecuación:
i3t  0  1 inf t  2 def t   t ; t=1948,,1996
i3: tipo de interés de las letras a tres meses; inf: tasa de inflación anual;
def: déficit presupuestario del gobierno como porcentaje del PIB.
Se sospecha un cambio en la relación a partir de 1980 debido a que, en
octubre de 1979, la Reserva Federal cambió su política monetaria, pasando
de controlar la oferta monetaria a controlar los tipos de interés de corto plazo
¿Cómo contrastar dicho cambio estructural con variables ficticias? Si se

confirma el cambio, ¿cómo usar variables ficticias para tomarlo en cuenta?

ficticias
• Ejemplo 2: Contraste y modelización de cambio estructural

Podemos crear una variable ficticia que represente el momento del cambio en
la política monetaria, e introducirla en el modelo de forma aditiva y
multiplicativa:
i3t  0  1 inf t  2 def t  3pm t  4 pm t  inf t  5 pm t  def t   t
1 t  (1948-1979)
pm t  
0 t  (1980-1996)
Contraste de cambio estructural:  H 0 : 3  4  5  0


 H1 : no H 0
Estadístico de contraste: F
RH0 implica que hay evidencia estadística de que el cambio de política

monetaria afectó a la ecuación de los tipos de interés
4. Formas funcionales, cambio estructural,
variables ficticias
• Comentarios:
 Si RH0,, dejaremos las ficticias dentro del modelo para tomar en

cuenta la existencia de cambio.
 El uso de ficticias permite contrastar si el cambio estructural ha

afectado solo parte de los coeficientes del modelo

5. Estacionalidad
• Estacionalidad ≡ comportamiento cíclico de duración anual en series de

frecuencia superior a la anual ( frecuencia diaria, mensual, trimestral…)
• Ejemplos:
Turistas en España (mensual) PIB real de España (trimestral)
1980.1-2011.9 2000.1-2010.4
6000 105
5000 100
4000 95
3000 90
2000 85
1000 80
0 75
1980 1985 1990 1995 2000 2005 2010 00 01 02 03 04 05 06 07 08 09 10
• Muchas series se publican desestacionalizadas (por ejemplo, el PIB)

5. Estacionalidad
• Las técnicas econométricas deben tomar en cuenta que muchas

series temporales muestran un fuerte componente estacional
• ¿Por qué?
• el nivel medio de los datos no es constante a lo largo de la muestra
• las diferencias entre un periodo y otro en general no son las
mismas para todas las variables del modelo
• => a) el modelo con un único termino constante en general está mal
especificado.
• => b) no es un buen modelo para predecir: al margen de los fallos
de estimación debido a la mala especificación, la predicción no toma
en cuenta la estacionalidad.

5. Estacionalidad
• ¿Qué hacer si los datos presentan comportamiento estacional?

Lo más simple (no lo único, ni necesariamente lo mejor):
 Introducir ficticias estacionales en el modelo de regresión para
modelizar el comportamiento estacional
Se introducen (f-1) ficticias en datos de frecuencia f
 Desestacionalizar previamente las variables
Existen varios métodos. El más simple (y no necesariamente el mejor) es:
- regresar cada variable sobre una constante y (f-1) ficticias
estacionales en datos de frecuencia f
- los residuos de cada regresión son las variables
desestacionalizadas
- estimar el modelo de regresión con las variables
desestacionalizadas
5. Estacionalidad
• Ejemplo: Sea el modelo de regresión con datos trimestrales

y t  0  1x1t  2 x 2t   t
Si los datos presentan comportamiento estacional, las dos opciones
con ficticas son:
Opción a: Introducir ficticias estacionales en el modelo de regresión
y t  0  1T1t   2 T2t  3T3t  1x1t  2 x 2t   t
1 si t  trimestre 1 1 si t  trimestre 2 T  1 si t  trimestre 3

T1t   T2t   3t 
0 resto 0 resto 0 resto
Los datos son trimestrales (4 trimestres por año) => introducir 3 ficticias.
Aquí, el cuarto trimestre es el período de referencia o período base.

5. Estacionalidad
• La ecuación con ficticias estacionales permite contrastar si hay

comportamiento estacional
• En el ejemplo anterior, el contraste de estacionalidad es:
y t  0  1T1t   2 T2t  3T3t  1x1t  2 x 2t   t
H 0 : 1   2  3  0
H1 : no H 0
Si se RH0 comportamiento estacional

5. Estacionalidad
Opción b: Desestacionalizar previamente las variables

- regresar cada variable sobre una constante y 3 ficticias estacionales
(datos trimestrales)
- los residuos de cada regresión son las variables
desestacionalizadas
e yt  y  ˆ 0  ˆ 1T1t  ˆ 2 T2t  ˆ 3T3t
e x jt  x jt  ˆ 0  ˆ 1T1t  ˆ 2 T2t  ˆ 3T3t ; j  1, 2
- estimar el modelo de regresión con las variables

desestacionalizadas:
e yt  1e x1t  2 e x 2 t   t
Las estimaciones de las pendientes ( 1 y 2 ) así obtenidas coinciden con

las obtenidas con ficticias estacionales introducidas directamente en el
modelo de regresión.
5. Estacionalidad
Comentarios:
1) Limitaciones
• usando ficticias se impone que la estacionalidad sea determinista,
el fenómeno estacional se repite exactamente de la misma manera
año tras año
2) Alternativas a las ficticias estacionales:
• Con datos sin desestacionalizar: introducir retardos estacionales
en el modelo, para explicitar la dependencia anual de los datos
• Usar técnicas de desestacionalización que tomen en cuenta el
carácter estocástico de la estacionalidad (ej. ARIMA X12, Tramo-
Seats, entre otros)

Lo que hemos aprendido:
 Diferencias entre datos de sección cruzada y de serie temporal

 Interpretación de coeficientes en modelos de RDF
 Estimación MCO:
o los supuestos de Gauss-Markov deben adaptarse para tener en cuenta la
dependencia temporal que presentan los datos de serie temporal
o bajo TS.1-TS.3 MCO es insesgado
o exogeneidad estricta raramente se cumple
o bajo TS.1-TS.5 MCO es ELIO
o bajo TS.1-TS.6 los contrastes t y F habituales son válidos
 Interpretación de coeficientes en modelos RDF con variables en logaritmos
 Contraste de Chow
 Utilidad de variables ficticias para estudio de acontecimientos y cambio
estructural.
 Estacionalidad en los datos. Dos opciones:
o Explicitar la estacionalidad
o Previamente desestacionalizar los datos

Tema 1 Econometria

Cargado por

Copyright:

Formatos disponibles

Tema 1 Econometria

Cargado por

Información del documento

Descripción 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

Tema 1 Econometria

Cargado por

Copyright:

Formatos disponibles

TEMA 1: ANÁLISIS DE REGRESIÓN

BÁSICO CON DATOS DE SERIES

A. Beyaert, M. Camacho, M. González, A. Quesada

1. Naturaleza de los datos

2. Ejemplos de modelos dinámicos y sus multiplicadores

3. Supuestos mínimos para buenas propiedades en muestra

Econometría II (3º GECO) Tema 1 – 2016‐2017 2

3.3 Teorema de Gauss-Markov en series temporales

4. Formas funcionales, cambio estructural, variables ficticias

Bibliografía básica: Wooldridge, 2008, cap. 10

Econometría II (3º GECO) Tema 1 – 2016‐2017 3

Datos de corte transversal: observaciones sobre distintas unidades

• Las propiedades estadísticas de los estimadores MCO están basadas

Econometría II (3º GECO) Tema 1 – 2016‐2017 4

Datos de serie temporal: Observaciones sobre una o distintas variables

• Ejemplos. Evolución a lo largo del tiempo de:

Econometría II (3º GECO) Tema 1 – 2016‐2017 5

• Frecuencia de los datos: diaria, mensual, trimestral, anual….

¿Cuál es la frecuencia (más habitual) de estas series?

• El orden de los datos importa

no importa el orden ordenados cronológicamente

• Las observaciones no son independientes (el pasado puede afectar

• Proceso estocástico: sucesión de variables aleatorias indiciadas por

Proceso CrecPIB2002 2.7 Serie temporal

Econometría II (3º GECO) Tema 1 – 2016‐2017 8

Datos de sección cruzada Datos de serie temporal

Muestra de datos Muestra de datos

El tamaño muestral es N El tamaño muestral es N

• Cuatro grandes tipos

Econometría II (3º GECO) Tema 1 – 2016‐2017 10

Media constante Media creciente

Econometría II (3º GECO) Tema 1 – 2016‐2017 11

• Los modelos estáticos modelizan una relación contemporánea

• Los cambios en las explicativas tienen sólo efectos inmediatos

Econometría II (3º GECO) Tema 1 – 2016‐2017 12

• Los modelos de retardos distribuidos finitos (RDF) permiten que

• Ejemplo: modelo RDF “de orden 2”

y t   0  0 x1,t  1x1,t 1  2 x1,t 2   t ; t  1,, N

Los cambios en x1 afectan a y durante dos períodos

Econometría II (3º GECO) Tema 1 – 2016‐2017 13

Interpretación de los coeficientes:

y t   0  0 x1,t  1x1,t 1  2 x1,t 2   t

• Consideramos dos tipos de cambios unitarios en x1

Econometría II (3º GECO) Tema 1 – 2016‐2017 15

• Interpretación de los coeficientes:

• Función de respuesta al impulso (FRI): muestra el efecto dinámico

y t   0  0 x1,t  1x1,t 1  2 x1,t 2   t

• Interpretación de los coeficientes:

• Función de respuesta al escalón (FRE): muestra el efecto dinámico

y t   0  0 x1,t  1x1,t 1  2 x1,t 2   t

Modelo de retardos distribuidos finitos de “orden q”

y t   0  0 x1,t  1x1,t 1    q x1,t q   t ;

¿Efecto sobre y de un incremento unitario permanente en x1 pasados 2

Econometría II (3º GECO) Tema 1 – 2016‐2017 20

Modelo de endógena retardada

b) con retardos en la explicativa también:

¿Efecto sobre y de un incremento unitario permanente en x1 pasados 2 períodos

Econometría II (3º GECO) Tema 1 – 2016‐2017 21

• El estimador MCO de los coeficientes poblacionales es insesgado si