Econometra Preguntas

I.

Regresin lineal

1. Explique la importancia de la distribucin de muestreo de las Betas en el modelo de

regresin lineal.
La distribucin beta viene de la familia de distribuciones continuas de probabilidad
definida en el intervalo [0, 1] parametrizada por dos parmetros de forma positiva, denotadas por
y , que aparecen como exponentes de la variable aleatoria y controlan la forma de la
distribucin en su funcin matemtica. sta se utiliza para explicar el comportamiento de
variables aleatorias. La importancia de la distribucin de muestreo de las Betas en el modelo de
regresin lineal es que al estudiar variables aleatorias, este viene a ser un modelo adecuado para
el comportamiento de porcentajes y proporciones.
2. Cul es la importancia de la propiedad de insesgacin de los betas?
Decimos que un parmetro es insesgado cuando el estimador de un parmetro , en
promedio, sus valores son igual a . Cuando sucede esto decimos que el estimador es insesgado.
Contar con un estimador insesgado nos asegura que el valor esperado de nuestro clculo coincide
con el valor real del parmetro. La importancia de la propiedad de insesgacin es que nos
asegura que tenemos un estimador ptimo que nos permite continuar con el estudio.
3. Bajo qu circunstancias se puede usar la distribucin normal en esos modelos. Cmo
se puede examinar ese supuesto empricamente?
Daniel necesita ayuda con esta pregunta. Sera bueno que los chicos que solo contestaron
una pregunta nos den una ayudita.

4.

Bajo qu condiciones la propiedad de consistencia no supera a la de insesgacin.

Es importante notar que consistencia no implica insesgadez asinttica ni viceversa, un

estimador consistente no tiene porque ser insesgado asintticamente. De igual forma un

estimador insesgado asintticamente no tiene porque ser consistente. Sin embargo, si un
estimador es insesgado asintticamente y adems su varianza en el lmite es cero el estimador es
consistente. La unin de estas dos condiciones, insesgadez asinttica y varianza asinttica que
tienda a cero cuando el tamao de muestra tiende a infinito conforman las condiciones
suficientes, aunque no necesarias, de consistencia. Esto sucede en muestras grandes, es decir, el
lmite cuando n tiende a infinito, del sesgo, que tiene que dar 0. Si haces el sesgo te quedar algo
que depende de n y al aumentar n a infinito se te va el trmino que genera el sesgo.
5. Por qu es importante que los elementos aleatorios no padezcan de correlacin serial?
La autocorrelacin se puede definir como la correlacin entre miembros de series de
tiempo. El modelo de regresin lineal supone que no debe existir autocorrelacin en los errores,
es decir, el trmino de perturbacin relacionado con una observacin cualquiera no debera estar
influenciado por el trmino de perturbacin relacionado con cualquier otra observacin.
La consecuencia ms grave de la autocorrelacin de las perturbaciones es que la
estimacin MCO deja de ser eficiente y la inferencia estadstica tambin se ver afectada. Las
consecuencias dependen del tipo de autocorrelacin (positiva o negativa):
o Cuando se tiene autocorrelacin positiva, la matriz de varianza y covarianza de los
residuos esta subestimada, si el tipo de autocorrelacin es negativa, se tiene una
sobrestimacin de la misma.
o Cuando se tiene autocorrelacin positiva, los intervalos de confianza son angostos, si
el tipo de autocorrelacin es negativa, se tienen intervalos de confianza ms amplios.
o Cuando se tiene autocorrelacin positiva, se tiende a cometer error tipo I (rechazar la
hiptesis nula cuando es verdadera), si el tipo de autocorrelacin es negativa, se
tiende a cometer error tipo II (no rechazar la hiptesis nula cuando es falsa).
o Los MCO son lineales, insesgados, pero ineficientes (no tienen varianza mnima).
o Las pruebas pierden validez.

6. Cmo se detecta ese problema empricamente?

Para analizar la posible presencia de autocorrelacin en el modelo se suele recurrir a dos
tcnicas complementarias: (1) el anlisis grfico de los residuos (obtenidos al realizar la
regresin por MCO), y (2) los contrastes de hiptesis especficos (test de Durbin-Watson).
Anlisis Grfico:
Al realizar la regresin por MCO, se pueden graficar los residuos (o, alternativamente, los
residuos estandarizados, es simplemente dividir por el error estndar de la estimacin) frente al
tiempo. Dado que los residuos MCO son estimadores consistentes de los trminos de
perturbacin, si se aprecian en el grfico anterior patrones de comportamiento sistemtico (no
aleatorio) podremos afirmar que los trminos de perturbacin presentan algn tipo de
autocorrelacin.
Test de Durbin-Watson:
Es la prueba ms conocida para detectar correlacin serial; permite contrastar si el trmino de
perturbacin est autocorrelacionado. Dicha prueba presenta algunos supuestos: Es vlido para
autocorrelacin serial de 1 orden en los residuos, no aplica para modelos con variable
dependiente rezagada como variable explicativa, las variables explicativas son no estocsticas
(son fijas en muestreo repetido), el modelo de regresin lineal debe incluir el intercepto, y no hay
observaciones faltantes en los datos.
Una vez hallado DW, es posible usar su valor para estimar el coeficiente de
autocorrelacin simple mediante la expresin: El estadstico DW es un valor comprendido entre
0 y 4. Como se observa en el siguiente grfico, para valores de DW cercanos a 2 no
rechazaremos la hiptesis nula, por el contrario, para valores de DW alejados de 2, s
rechazaremos la hiptesis nula.
En resumen los pasos a seguir de este contraste son:
o Estimacin por mnimos cuadrados ordinarios (MCO) del modelo de regresin.
o Clculo de los residuos MCO.
o Obtencin del estadstico d (experimental) de Durbin-Watson.
o Bsqueda de los niveles crticos del contraste.
o Aplicacin de la regla de decisin.

7. Por qu con datos de series de tiempo es importante la estacionalidad? Seale 2 formas

de detectar esa condicin
Las series de tiempo pueden presentar variaciones en las observaciones que presentan un
patrn que se repite en determinado periodo de la serie una y otra vez, sea presentan
periodicidad. Las causas de estas periodicidades son consideradas exgenas a la serie, o sea que
no representan las variaciones de un ciclo econmico (por el ejemplo el mes de diciembre el
consumo siempre aumenta independientemente de si la economa se encuentra recesin). En una
serie con datos mensuales se puede revisar grficamente las variaciones en mensuales de de cada
ao, estas pueden presentar variaciones regulares en meses especficos. Otro mtodo para
identificar el efecto estacional es realizando un estudio de los coeficientes de cada mes de todos
los aos. Es decir se busca la media (Mi= ene+feb+dic/12) de los meses de todos los aos en
estudio y se resta a cada mes (Mi M= coef), con este mtodo se pueden verificar los meses con
coeficientes ms altos y los que tienen coeficientes ms altos para verificar variaciones
peridicas en la serie.
8. Qu implica el que los elementos estocsticos del modelo de regresin lineal exhiban el
problema de heteroscedasticidad cuando el mismo es estimado con series de tiempo (YXBeta + psilon)?
Implica una violacin al modelo de regresin lineal clsico, especficamente el de
residuos con variancia constante. El problema con los residuos (elemento estocstico) con una
variancia no-constante es que la misma aumentara su variancia con respecto al tiempo. Si los
residuos no son (0,

) el modelo mantiene insesgacion pero no brindara buenos estimados

porque no tendr la variancia mnima entre todos los estimadores lineales.

9. Cmo se resuelve dicho problema?
Este problema se puede resolver mediante la diferenciacin del modelo, tambin se puede
corregir introduciendo la forma funcional correcta a la serie o transformando el modelo a
Mnimos Cuadrados Generales (GLS).

10. Bajo que circunstancia la prueba de Chow es superior a la de Quantd=Andrews.

Explique.
La prueba clsica para un cambio estructural es atribuida a Chow (1960). Su famoso
procedimiento divide la muestra en dos sub-perodos, estima los parmetros para cada subperodo y luego prueba la igualdad entre los dos conjuntos de parmetros utilizando un
estadstico F clsico.
Sin embargo, la prueba de Chow tiene una limitacin importante que la fecha de cambio
de la tendencia debe ser conocida de antemano. Entonces, slo existen dos opciones: primero,
escoger en forma arbitraria una posible fecha de cambio de la tendencia, lo cual podra omitir la
verdadera fecha del cambio; y segundo, escoger una fecha de cambio basada en alguna
caracterstica conocida de los datos, que puede llegar a indicar un cambio estructural falso,
incluso cuando de hecho no exista ninguno. Cmo se puede confiar en estos resultados, si dos
fechas de cambios similares dan respuestas tan diferentes?
La solucin a esta pregunta es tomar la fecha de cambio estructural como
desconocida. Quandt (1960) propuso tomar como fecha de cambio estructural, la que tenga el
valor ms alto de la prueba de Chow de todas las posibles fechas de cambio, esto se conoce
como el Estadstico de Quandt. Una de las formas de construir el estadstico de Quandt es
graficar la secuencia de las pruebas de Chow como una funcin de posibles fechas de cambio
estructural.
Sin embargo, si la fecha de cambio estructural es desconocida, el valor crtico del Chicuadrado es inapropiado. Entonces, qu valores crticos deberan utilizarse en su lugar? Por
muchos aos esta pregunta no fue respondida y el Estadstico de Quandt no tena aplicacin
prctica. A principios de los noventa, el problema fue resuelto simultneamente por algunos
autores, tales como Andrews (1993), y Andrews y Ploberger (1994). Estos autores crearon tablas
de valores crticos, en tanto que Hansen (1997) cre un mtodo de valores p para medir el nivel
de significancia.
Los valores crticos asintticos son considerablemente ms grandes que los valores
crticos de Chi cuadrado, esto depende del nmero de parmetros en el modelo y de otros
factores. Chow es superior a Quandt-Andrews en la circunstancia donde se conozca la fecha del
cambio estructural. Adems hay que hacer una prueba para ver los cambios en los parmetros en
datos cronolgicos.

11. Cul forma es superior para remover la tendencia de una serie diferenciar o usar un
polinomio de tendencia? Explique el proceso que se usa en cada tcnica.
El polinomio de tendencia es superior para remover la tendencia este ajuste del polinomio
de tendencia a la serie produce la estimacin de sus parmetros lo cual equivale a seleccionar,
dentro de la familia de los polinomios especificada por el grado, aquel que disperse a su
alrededor a todos los valores observados en la variable de forma balanceada. El mtodo
empleado para este ajuste es el de minimizacin de error medio. Una vez estimado el polinomio
particular se extrae la tendencia de la serie restando o dividiendo, segn sea la composicin, los
valores tomados por el polinomio en cada momento de tiempo de los valores correspondientes de
la variable en la serie. Este residuo es tomado para la estimacin de la bondad de ajuste del
modelo. La primera diferenciacin implica que toda la informacin til en la serie de tiempo es
un cambio de observacin a partir del prximo periodo, y que el nivel del original de la serie es
poco importante.
12. Qu significa que hubo un cambio estructural en el contexto de regresin lineal? Qu
significa en trminos generales?
En contexto de regresin lineal significa un cambio en los parmetros. La tendencia
cambia y las variables que la definen cambian tambin, la estructura se define por las relaciones
econmicas si la estructura cambia los parmetros ya no son fijos. Los parmetros, miden la
influencia que las variables explicativas tienen sobre el modelo.
En trminos generales un cambio estructural es un cambio en la estructura fundamental
de la economa que afecta a largo plazo. Esto implica que para que en el periodo Y+1 cambiara
la estructura en el periodo Y ocurri un evento muy particular que cambi la tendencia de como
se comportaba la economa esto puede significar que la tendencia dio un salto y ahora maneja
por encima de donde se manejaba anteriormente o que de un periodo a otro cae repentinamente
etc.

13. Para que se usan las variables instrumentales. Cul es el problema con los MCO en ese
caso?
Las variables instrumentales son variables exgenas correlacionadas con otra variable
endgena utilizada como una variable explicativa en una regresin. Estas variables
instrumentales se utilizan cuando la variable independiente original est altamente
correlacionada con el trmino de error en una regresin. Debido a que si utilizamos la variable
original de la regresin obtendremos estimadores tanto sesgados como inconsistentes, las
variables instrumentales nos ayudan con este problema.
El problema de los mnimos cuadrados ordinarios en la variable instrumental es que al
utilizar una variable independiente no correlacionada con el error los estimadores continan
siendo sesgados, pero al menos son consistentes. Si aumentamos el tamao de la muestra,
obtendremos al menos unos estimadores que converjan a sus verdaderos valores.
II. Series de Tiempo
14. Dentro del proceso para construir los modelos Box-Jenskins cul el paso ms
importante?
En el proceso de Box jenkings tenemos los pasos de identificacin, estimacin,
diagnostico y proyeccin. Dentro de todos estos procesos el de mayor importancia es el de
identificacin. Esto se debe a que para que tanto la estimacin y la proyeccin puedan tener
validez, los datos tienen que ser analizados con el fin de poder examinar si los mismos son no
estacionarios y bajo el FAC y el FACP verificar a qu tipo de modelo ARIMA se tendr que
utilizar. Este paso es el ms importante ya que de no haber estacionariedad los modelos solo
describirn la tendencia de las variables y no necesariamente su comportamiento.
15. Para qu se usan esos modelos.
Los modelos de series de tiempo se utilizan mayormente para hacer anlisis de
proyecciones basados en el comportamiento de una variable en relacin con valores anteriores o
rezagados de la misma variable. Tambin nos ayudan a poder hacer anlisis al corto plazo del
comportamiento de las variables sin utilizar modelos clsicos estructurales los cuales pueden ser
de mayor complejidad.

16. Por qu los modelo VAR se usan tanto en macroeconometra?

VAR models are used because of their many benefits:

It is very simple - econometrician does not have to worry about which variables are
endogenous or exogenous.

Estimation is also very simple - each equation can be estimated separately with the usual
OLS method.

Forecasting - forecasts obtained from VAR models are in most cases better than those
obtained from the far more complex simultaneous equation models.

17. Qu interpretacin tiene las funciones de impulso respuesta?

Decomposition of variance is interpreted as the measure of the percent variation of the
fluctuation of a variable as a response to an impulse, innovation or shock to that same variable or
to other variable in the model. Variance decomposition lets the researcher analyze and compare
the short-term and long-term effects of the shock to a variable.
Ex. VAR (GDP and Exports)
In the short run, that is quarter 3, a shock to GDP accounts for 97.66% variation of the
fluctuation in GDP (own shock). On the other hand, shock to export can cause 1.06% fluctuation
in GDP.
In the long run, that is quarter 10, a shock to GDP accounts for 56.92% of the variation of
the fluctuation in GDP (own shock). On the other hand, shock to exports can cause 41.96%
fluctuation in GDP.
Conclusin:
Shock to GDP has short-term effects on GDP (own shock) and shock to exports has longterm effects on GDP.
18. Qu interpretacin tiene la descomposicin de la varianza del error de proyeccin?
The impulse response function is a shock to a VAR system. Impulse responses are
interpreted as a measure of the responsiveness in the VAR when a shock is put to the error term.
A unit shock is applied to each variable to see its effects on the VAR system. The shock may
have a positive, negative or no effect.

19. Explique los pasos que hay que realizar para construir y estimar un modelo VAR

20. Explique los pasos a seguir para determinar si X es I(1) o I(2).

Observando los residuos de la regresin y verificando que los mismos sean distribuidos
normal con media 0 y varianza
constante. Jarque-Bera del histograma de los residuos. (Esto sale en el captulo de
Applied)

Verificando la forma funcional por medio de EDA

Pruebas de omisin/inclusin.

III. Problemas ms aplicados

21. En ocasiones existe ms de una teora econmica para explicar un mismo fenmeno.
Cmo se puede determinar si existe un problema de especificacin?
El problema de especificacin se puede determinar de dos maneras:
A. Haciendo un test de variable omitida:
Con este test de variable omitida podemos observar cmo se comporta cada variable
como prueba de exclusin. Prueba de F y t de cero restricciones en los parmetros.
B. Examinando los residuos para determinar su forma funcional:
En data cross sectional, la omisin de una variable importante se puede analizar por
medio de los residuos y un scatter plot de los mismos que van a reflejar ciertos patrones
de comportamiento notables. Si estos comportamientos en los residuos reflejan que los
residuos estn correlacionados es un signo de que puede existir mala especificacin.
C. Examinando Durbin Watson:
a) Para detectar problemas de especificacin con Durbin Watson:
b) Obtenemos los residuos OLS y se asume primero que el modelo no est especificado
porque excluye una variable importante que explica el modelo.
c) Luego, ordenamos los residuos segn los criterios obtenidos por OLS. Calcular el
valor significativo del Durbin Watson para ver si uno puede rechazar o no la hiptesis
de mala especificacin en el modelo
D. Prueba de forma estructural:
En esta categora cae la consistencia de los parmetros del modelo. Con la prueba de
Chow o el Chow Teste podemos predecir los fallos de los parmetros. Donde, con la
prueba F, observamos si hubo cambios estructurales drsticos entre las variables actuales
y sus valores estimados.
E. Prueba de outliers:
Esta prueba, que generalmente se utiliza para probar la distribucin normal, es usada en
ocasiones como prueba de especificacin. Como por ejemplo, el Jarque Bera tambin
puede ser utilizado como prueba de mala especificacin.
F. Prueba de Ramsey RESET (prueba de error de especificacin en el modelo)
a) Obtenemos Yi estimada

b) Volvemos a correr la regresin con Yi estimada en alguna forma de regresores

adicionales lo que infla el R^2.
c) Si infla R^2 de manera estadsticamente significante, basado en la prueba F, el
modelo est mal especificado.
d) Si el valor de F nuevamente estimado presenta, por ejemplo, un nivel de 5%, no
rechazamos la hiptesis nula de que el modelo est mal especificado.
G. Una prueba de especificacin derivada de la teora del caos BDS test:
Es la prueba particularmente ms fuerte para detectar la no-linealidad en los modelos
estimados.
Tipos de errores que pueden cometerse en la especificacin de la ecuacin estimada.

Omisin de variables relevantes.

Inclusin de Variables

superfluas.

Mala Especificacin.

22. Qu relacin hay entre el problema de especificacin y el de autocorrelacin?

Al igual que la especificacin, la auto correlacin tiene muchas pruebas que detecta la
relacin de los residuos generados por la estimacin de una combinacin de modelos lineales de
corte seccional.
La auto correlacin puede, muchas veces ser causada por la mala especificacin de las
variables. Por mala especificacin podemos deducir el sesgo entre los valores de las variables y
la poca variabilidad que proporcionan a la explicacin del modelo. Este sesgo se forma cuando
se elige mal la forma funcional de las variables o se omiten variables importantes, lo cual genera
un comportamiento sistemtico en el trmino estocstico.
23. El siguiente modelo de inversin consumo fue estimado para una economa: I(t)=23.6
+.12Y(t) + (t) (2.8) R2=.98 DW=.67 n=35; I(t) es la inversin real en t, Y(t) es la
produccin agregada real en t, los valores en parntesis son el estadstico t. Qu
problema (s) economtrico manifiestan los resultados? Cmo usted lo (s) resolvera?
Alexander dice que esta pregunta no viene, por tanto no la contest

24. Una teora implica que Y es funcin de X & Z. Un investigador estim ese modelo por
OLS y encontr que aunque en conjunto las 2 variables explicaban Y (mirando R2 y el
estadstico-F) no se poda rechazar la hiptesis de que individualmente los parmetros
eran iguales a cero. El investigador solucion el problema eliminado la variable Z (la
que tena el valor del estadstico t ms bajo) de la regresin y encontr que en el modelo
ahora la variable X era estadsticamente significativa, por lo que contino su estudio
con esa ecuacin. Considera usted que se hizo lo apropiado? Explique.
Claramente, el investigador se haba topado con un problema de multicolinealidad entre
las variables X y Z. Ante este problema, resolver multicolinealidad es posible mediante
componentes principales, pero este mtodo es altamente complejo. Como segunda mejor opcin
el investigador deba mantener las variables que ya tena y probar para la ausencia de otras
variables explicativas mediante una prueba de variables omitidas. El eliminar una de las
variables en este caso afectara el poder del modelo ya que, debido a la naturaleza de la relacin
entre X y Z, ambas deben permanecer juntas para ejercer efectivamente su rol explicativo.
25. El problema de multicolinealidad infla los estimados de la variancia de los estimadores
OLS. Qu otros efectos tiene?
La multicolinealidad est definida cuando existen relaciones lineares aproximadas entre
las variables independientes de un modelo. Cuando hay multicolinealidad, el procedimiento de
los mnimos cuadrados ordinarios no le da suficiente variacin independiente a una variable
como para poder calcular el efecto que tiene esa variable particular en la variable dependiente.
En otras palabras, los efectos de las variables independientes se confunden unos con los otros
como consecuencia de esa variabilidad inadecuada. Como la variacin que se le pueda atribuir a
una variable particular es poca, la informacin que se puede utilizar en el proceso de MCO para
estimar el coeficiente tambin es poca y por lo tanto, la varianza de los betas estar inflada; no
son de varianza mnima. Sin embargo, siguen siendo insesgados y el R no se afecta. En fin, el
problema general adems de las varianzas infladas, es que no se puede aislar el efecto que tiene
una variable particular en la variable dependiente. Es un problema de los datos.

26. El estimador (MCO) est dado por: =(X'X)-1X'Y .

A. Obtenga el Valor esperado de y demuestre que el estimador es insesgado.

B. Obtenga la Varianza de .

27. Comente brevemente las siguientes aseveraciones:

a. Una serie es ergdica si su promedio y varianza son constantes a travs del tiempo.
Las condiciones de promedio y varianza constante a travs del tiempo son condiciones de
estacionariedad. La ergodicidad requiere que valores del proceso suficientemente separados en el
tiempo casi no estn correlacionados. Por tanto, decimos que una serie estacionaria es ergdica si
______cuando _________. Esta condicin permite que al promediar una serie de tiempo uno est
continuamente informacin nueva y relevante al promedio.
b. Aadir variables a una regresin no resuelve el problema de autocorrelacin.
En algunos casos aadir variables independientes al modelo de regresin resuelve el
problema de autocorrelacin. Uno de los mtodos ms comunes para resolver el problema de
autocorrelacin es aadir una variable dependiente definida como sus propios rezagos. Otra
posible solucin es tomar diferencias en las variables. Adems se pueden utilizar mtodos de
GLS y filtrados ARIMA.
c. Si hace la prueba DW de autocorrelacin y no se rechaza la hiptesis nula, entonces
los residuos son aleatorios.
La prueba de Durbin-Watson tiene la hiptesis nula de que los residuos en un OLS no
estn autocorrelacionados entre ellos, o que los residuos se comportan como un AR(1). Por tanto
si no se rechaza la hiptesis nula los residuos son aleatorios. De lo contrario se pudiera observar
un patrn de comportamiento o tendencia en los residuos de la regresin.
d. En el modelo de regresin lineal la varianza de Y es igual a la varianza de .
Hctor necesita ayuda con esta pregunta. Sera bueno que los chicos que solo contestaron
una pregunta nos den una ayudita.

28. Considere el siguiente modelo (Contestacin en PDF)

Yi=Xi + i
i~N(0, 2i)
2i = 2/xi
a. Discuta la propiedad de insesgacin y eficiencia de los MCO bajo esta situacin.
b. Transforme el modelo para resolver el problema que existe en la estimacin de
acuerdo a lo discutido en (a).
c. Calcule la varianza del modelo transformado.
29. Considere los siguientes resultados de la estimacin por MCO: (Mihaly dice que
esta pregunta no viene, por tanto no la contest)
A. C= 50 +.85YD + (.14) (.147)
R2=.89 F=45.7 valor P=.000
R2 ajustado=.875 Aic=8.92

DW=1 .45

Prueba de White de Heteroscedasticidad

n*Rcuadrado =

5.9967

Valor

22
P=.02
Estimado en una muestra de 1000 observaciones.
Donde: C es el consumo real de los individuos; YD es el ingreso personal disponible real
de los individuos;. Las cifras en parntesis son los valores-p asociados al estadstico-t.
Evale los resultados de las estimaciones, en su respuesta tome en cuenta:
a. Bondad del ajuste.
b. Significancia de las variables
c. Problemas economtricos que se puedan observar

30. Discuta los problemas que surgen al utilizar datos a travs del tiempo para estimar los
MCO y como se pueden tratar los mismos.

El problema principal con el uso de datos a travs del tiempo para estimar los MCO es
que los datos contienen tendencia. Dos variables con tendencia similar se pueden comportar de
manera similar aunque no exista una conexin lgica entre ellas. Por ejemplo, si ambas tienen
tendencia creciente, se encontrar una correlacin positiva y fuerte. Esto es un ejemplo de una
regresin espuria, caso que surge cuando las variables en la regresin no son estacionarias.
Cuando las variables en una regresin son no-estacionarias los valores de R^2 y el estadstico t
no siguen la distribucin usual y pueden estar exageradamente inflados. Adems, los MCO
suponen que los residuos de la regresin son aleatorios, pero los residuos de variables en serie de
tiempo presentan correlacin serial.
En las muestras de corte seccional, la ley de los grandes nmeros nos asegura que las
variaciones aleatorias se tienden a "nivelar" con una muestra suficientemente grande de
observaciones independientes. Esto pasa debido a que las medias, varianzas y covarianzas entre
las variables convergen a momentos fijos y finitos, pero la convergencia no se da en variables
no-estacionarias. El problema es mucho ms severo si las variables no son ergdicas. Estas
variables tienen "memoria larga", por lo que las observaciones que son muy separadas en el
tiempo estn todava fuertemente correlacionadas. Lo que esto significa para el anlisis de
regresin es que aun cuando acumulamos una gran cantidad de observaciones, la cantidad de
nueva informacin en esas observaciones se ve limitada por su correlacin con los datos
anteriores.
En caso de tener una serie con tendencia, se puede obtener estacionaridad diferenciando
la serie. En caso de que la varianza no sea constante, la misma se puede disminuir buscando el
logaritmo de la serie lo cual ayuda a obtener estacionaridad. Para obtener mejores resultados con
datos de series de tiempo, se debe utilizar un modelo ARIMA.