El Model Generalitzat de Regressi

Revisi de Models Generalitzats

El model Generalitzat

Y = X + u
on

1 ) u N( 0 , u ) amb matriu simtrica,

definida positiva, Id .
2) X es una matriu fixa amb rang ( X ) = k n

En aquest cas, lestimador de MQO

s lineal, no esbiaixat, per no s ptim.

MQO N ( , 2 u ( X ' X ) 1 X ' X ( X ' X ) 1 )

LEstimador de MQG

Models Generalitzats
MQG = ( X ' 1 X ) 1 X ' 1Y

HETEROSCEDASTICITAT

MQG s un estimador lineal, no esbiaixat i ptim de

MQG N ( , 2 u ( X ' 1 X ) 1 )

Esquema per a lestudi de lheteroscedasticitat (

desconeguda)

Models Heteroscedstics
Considerem el model

Yi = 1 + 2 X 2i + ..... + k X ki + ui

i = 1,...., n

Suposem que ui N (0, a ) independents, amb a ii a jj per i j

2
u ii

Volem estimar els parmetres 1, k

amb

u N (0, u )
2

i = 1,..., n

Detecci dheteroscedasticitat
Grfic de residus
Contrastos dhiptesis

Podem escriure

Y = X + u

Yi = 1 + 2 X 2i + ........ + k X ki + ui

a11 0 0 0

0 a22 0 0
Id
=
0
0 O 0

0 0 ann
0

Esquema per a lestudi de lheteroscedasticitat

Detecci dheteroscedasticitat
Grfic de residus
Contrastos dhiptesis
Contrast de White
Contrast de Goldfeld-Quant
Contrast de Harvey

Estimaci quan el model presenta

heteroscedasticitat
Si s desconeguda estimem per MQGF
Estimaci amb pesos.

El contrast General de White

Considerem el model
Yi = 1 + 2 X 2i + ........ + k X ki + ui
Volem contrastar
H 0 : V (u i ) = 2 u

i = 1,..., n

per a tot i

H1 : No H 0

1) Estimar el model original per MQO i obtenir el vector de

residus u 2 i
2) Estimar una regressi de u 2 i sobre una constant , els regressors
del model original X2i,.,Xki , els seus quadrats X 2 2i ,....., X 2 ki
i els productes creuats X2iX3i, X2iX4i, ., Xk-1,iXki i calcular nR2
daquesta regressi.
3) Si H0 s certa, aleshores nR2 2 amb p graus de llibertat, on p
s el nmero de regressors, excepte terme constant en la regressi
del apartat anterior.

El Contrast de Goldfeld-Quant
H 0 : V (u i ) = 2 u

Considerem el model
Yi = 1 + 2 X 2i + ........ + k X ki + ui
i = 1,..., n
Suposem que volem contrastar
H0: El model s homocedstic
H1: V(ui) creix amb la variables X2i
Per contrastar H0 Goldfeld-Quant proposen fer els segent

per a tot i

H1 : No H 0

Si H0 s certa, aleshores

nR 2 p

Fixat un error =0.05

Si nR2 < , aleshores acceptem H0,
En cas contrari rebutgem.
p2

El Contrast de Goldfeld-Quant

n p
m=
k
2

El contrast de Harvey
Yi = 1 + 2 X 2i + ........ + k X ki + ui
Volem contrastar
H 0 : V (ui ) = 2 u

i = 1,..., n

per a tot i

H1 : V (ui ) = 2 u e 0 + 2 X 2 i +........+ k X ki

Fixat un error =0.05

Si >F, aleshores rebutgem H0,

Fm, m

3) Amb les (n-p)/2 primeres observacions estimem per MQO el model

i calculem SQR1
4) Amb les (n-p)/2 ltimes observacions estimem per MQO el model
i calculem SQR2

Considerem el model

5. Si H0 s certa, aleshores
SQR 2
=
Fm ,m
SQR1

1) Ordenem les observacions segons els valors de la variable X2i de

menor a major.
SQR1
2) Dividim la mostra en tres submostres de tamany
(n-p)/2, p, (n-p)/2 respectivament, amb

1) Estimem el model original per MQO i obtenir el vector de

residus u 2 i
2) Estimem una regressi de

ln(ui2 ) = 0 + 2 X 2i + ........ + k X ki + wi
3) Si H0 s certa, aleshores
F

2 = 3 = ........ = k = 0

El contrast de Harvey
Aleshores, si rebutgem la hiptesis nula, per estimar el model
podem aplicar mnims quadrats amb pesos, dividint les observacions per

Autocorrelaci

e0 +2 X 2 i +........+k X ki

Alguns tipus de pertorbacions amb

autocorrelaci
Considerem el model

Yt = 1 + 2 X 2t + ...... + k X kt + ut

Pertorbacions AR(1) :
Pertorbacions AR(p):

ut = ut 1 + t

amb

Esquema per a lestudi de lautocorrelaci

(1)

<1

ut = 1ut 1 + 2ut 2 + ..... + p ut p + t

Lexistncia dautocorrelaci sol presentarse en models de sries temporals degut a:

Omissi dalguna variable rellevant del model.
Existncia de cicles o tendncies.

Detecci dautocorrelaci
Grfic de residus
Contrastos dhiptesis
Contrast de Durbin-Watson
Contrast de Breush-Godfrey

Estimaci quan el model presenta

autocorrelaci
Si s coneguda estimem per MQG
Si desconeguda i suposem pertorbacions
AR(p) estimarem amb el Mtode de
Cochrane-Orcutt

Contrast de Durbin-Watson

Contrast de Durbin-Watson

Yt = 1 + 2 X 2t + ...... + k X kt + ut

Considerem el model

Suposant que
Volem contrastar

ut = ut 1 + t

(1)

H 0 : = 0

H1 : 0

di

Per fer-ho:
1. Estimarem el model (1) per MQO i obtindrem els residus ut
2. Calcularem lestadstic de Durbin-Watson
T

DW =

(u
t =2

DW 2(1 )

Si T s gran, aleshores

<1

amb

4-ds

ds

4-di

0
>0

=0

ut 1 ) 2

<0

No podem dir res

u12
t =2

Estimaci del model amb desconeguda

El Mtode de Cochrane-Orcutt

Estimaci del model amb coneguda

Yt = 1 + 2 X 2t + ...... + k X kt + ut
ut = ut 1 + t

amb

(1)

<1

ut = ut 1 + t

Si s coneguda, el model (1) pot escriures com

Yt = 1 + 2 X 2t + ...... + k X kt + ut 1 + t

De (1) tenim
Per tant

Yt = 1 + 2 X 2t + ...... + k X kt + ut

( 2)

(1)

<1

1) Estimem el model (1) per MQO i obtenim

1 ,......, k

2) Calculem els residus ut = Yt 1 2 X 2t ... k X kt

Yt 1 2 X 2t ...... k X kt = ut
Yt 1 1 2 X 2t 1 ...... k X kt 1 = ut 1

amb

3) Estimem per MQO ut = ut 1 + t i obtenim

4) Utilitzant estimada, transformem el model (1)

(3)

Yt Yt 1 = 1 (1 ) + 2 ( X 2t X 2t 1 ) + ...... + k ( X kt X kt 1 ) + t

Substitum a (2) ut-1 per lexpressi donada a (3)

Yt = 1 + 2 X 2t + ...... + k X kt + (Yt 1 1 2 X 2t 1 ...... k X kt 1 ) + t

Yt Yt 1 = 1 (1 ) + 2 ( X 2t X 2t 1 ) + ...... + k ( X kt X kt 1 ) + t

Yt = 1C + 2 X + ...... + k X + t
*

*
2t

*
kt

Yt * = 1C * + 2 X 2*t + ...... + k X kt* + t

Estimem per MQO el model (2), obtenim
5) Calculem els residus
6) Estimem per MQO

( 2)

1 ,......, k

ut = Yt 1 2 X 2t ... k X kt
ut = ut 1 + t i obtenim

Contrast de Breush-Godfrey
Yt = 1 + 2 X 2t + ...... + k X kt + ut
ut = 1ut 1 + .... + p ut p + t

Volem contrastar

(1)

H 0 : 1 = 2 = .... p = 0

H 1 : No H 0

1) Estimem per MQO el model

i obtenim els residus

Si H0 s certa, aleshores

nR 2 p
Fixat un error =0.05

Yt = 1 + 2 X 2t + ...... + k X kt + u t

Si nR2 < , aleshores acceptem H0,

En cas contrari rebutgem.

ut

2) Considerem la segent regressi

p2

ut = 1* + 2* X 2t + ...... + k* X kt + 1u t -1 + .... p ut p + t
i calculem nR2