Curso Combinado de Predicción y Simulación

Curso Combinado de Predicción y Simulación
www.uam.es/predysim
Edición 2004
UNIDAD 6: MODELOS ECONOMÉTRICOS UNIECUACIONALES
Tests de especificación y diagnóstico de modelos
La estimación de un modelo econométrico es, sin duda, un proceso interactivo que comienza
con la especificación de la relación supuesta entre determinadas variables. La selección de una
especificación apropiada del modelo exige, normalmente, la consideración de diferentes
posibilidades de estimación. Por un lado, el número y tipo de variables a incluir junto con la
forma funcional que conectará estas variables; por otro, si los datos se refieren a series
temporales, hay que considerar la estructura dinámica que establecerá la relación entre las
variables.
Inevitablemente, siempre está presente la incertidumbre acerca de la adecuación o no de esta
especificación inicial. Por ello, una vez estimada una ecuación debemos proceder a evaluar la
calidad de la misma mediante la aplicación de una serie de contrastes que garanticen la
viabilidad de la estructura estimada.
Todos los programas econométricos incorporan rutinas para contrastar estos aspectos. Nosotros
aprovecharemos los incorporados en programa EViews. La mayor parte de los contrastes
utilizados para validar un modelo o ecuación estimada se plantean bajo la consideración de una
hipótesis nula, por lo que cuando se aplica uno de ellos se nos proporciona el valor del test
estadístico en cuestión y la probabilidad asociada al mismo (p-values). Este último valor indica
la probabilidad de obtener un valor del estadístico del test que sea mayor o igual que el obtenido
con la muestra si la hipótesis nula es verdadera, es decir, si se acepta ésta. De esta forma, un
valor pequeño de la probabilidad conduce a rechazar la hipótesis nula, mientras que con un
valor elevado, entendido éste, como es lógico, cercano a la unidad (o a cien, si se considera en
tantos por cien), significa que aceptaremos la hipótesis nula. Por ejemplo, un p-value
comprendido entre 0,05 y 0,01 implica rechazar la hipótesis nula al nivel de significación del 5
por ciento pero no al 1 por cien.
Siguiendo la forma de presentación de los contrastes que realiza EViews, podríamos decir que
contamos con tres categorías de contrastes para analizar la ecuación: sobre los coeficientes
(Coefficient Test), sobre los residuos (Residual Test) y sobre la estabilidad del modelo (Stability
Test). En el cuadro siguiente recogemos los test disponibles en EViews en cada una de las tres
categorías comentadas.
Página 1 de 1
TESTS DE DIAGNÓSTICO DE MODELOS
DISPONIBLES EN EVIEWS
Tipos de Tests
Aplicación/Test en Eviews
COEFICIENTES
Coefficient Tests
RESIDUOS
Residual Tests
ESTABILIDAD
DEL MODELO
Stability tests
Restricciones en los coeficientes estimados
Wald-Coefficient Restrictions
Variables omitidas
Omitted Variables-Likelihood Ratio
Variables irrelevantes
Redundant Variables-Likelihood Ratio
Identificación de los residuos
Correlogram-Q-statistics
Identificación de los residuos al cuadrado
Correlogram-Squared Residuals
Normalidad de los residuos
Histogram-Normality Test
Correlación serial de los residuos
Serial Correlation LM Test
Heteroscedasticidad autorregresiva condicional en los residuos
ARCH LM Test
Heteroscedasticidad en los residuos
White Heteroskedasticity
White Heteroskedasticity (no cross terms)
White Heteroskedasticity (cross terms)
Cambio estructural
Chow Breakpoint Test
Chow Forecast Test
Errores de especificación por variables omitidas, forma funcional
incorrecta, correlación entre variables explicativas y errores.
Ramsey RESET Test
Inestabilidad de parámetros
Recursive Estimates (OLS only)
Recursive Residuals
CUSUM Test
CUSUM of Squared Test
One-Step Forecast Test
N-Step Forecast Test
Recursive Test
El primer grupo de tests evalúa restricciones sobre los coeficientes estimados (Wald-Coefficient
Restrictions), incluyendo el caso especial de los tests para las variables omitidas (Omitted
Variables) en la especificación inicial y para las variables irrelevantes (Redundant Variables)
incluidas en la estimación. Los contrastes del segundo grupo miden la correlación serial, la
normalidad, heteroscedasticidad, incluyendo la variante autorregresiva condicional, de los
residuos. Recordemos que la comprobación de que los residuos son ruido blanco es garantía de
una correcta especificación del modelo. El tercer grupo proporciona algunos tests para verificar
si los parámetros del modelo permanecen estables a lo largo del tiempo. Aplicaremos todos
ellos en el Ejercicio 5.
Página 2 de 2