APUNTES DE CLASE ECONOMETRA I

UDI ECONOMETRA E INFORMTICA

Prof. Ramn Maha
ramon.mahia@uam.es
HIPTESIS ESTRUCTURALES: CAMBIO DE ESTRUCTURA
Qu se entiende por Cambio Estructural en el marco del MBRL?:
Un modelo economtrico se plantea como una representacin analtica de un
determinado sistema de relaciones entre variables; unas relaciones que, en su
conjunto, definen una determinada estructura.
Los modelos economtricos representan las relaciones de esa estructura a partir de un
conjunto de parmetros que ligan, para cada ecuacin del modelo, la variable
endgena y las exgenas (o explicativas):
Yi 1 X 1i 2 X 2i u i

La definicin analtica del modelo, establece como hiptesis de partida que los
parmetros j asociados a cada variable exgena son nicos y vlidos para
representar la relacin entre la endgena yi y cada una de las exgenas xji a lo
largo (o ancho) de la muestra de datos seleccionada en el anlisis. Esto es, los
parmetros (la relacin analtica) son idnticos para todas las observaciones
maestrales (no tiene subndice i); dicho de otro modo, la representacin analtica
sostiene que la estructura de relaciones entre variables se mantiene constante.
Ejemplo: Si planteamos un modelo temporal que trate de explicar el
crecimiento de las ventas de nuestra empresa en funcin de nuestro esfuerzo
publicitario y nuestros precios y, para ello, tomamos una muestra de datos que
cubre el perodo 1970-2006, los parmetros estimados utilizando esa
informacin sern nicos para todo el perodo, lo que implica, desde el punto
de vista terico, que la relacin entre publicidad y ventas o entre precios y
ventas se ha mantenido constante en los ltimos 27 aos. (No los valores de
las ventas, publicidad y precios, sino la relacin que explica los cambios de las
ventas ante variaciones en precios y publicidad).
Si esta hiptesis de permanencia de los parmetros se incumple hablamos entonces
de CAMBIO ESTRUCTURAL que, por tanto, se define como la evidencia de
alteracin de los parmetros del modelo a lo largo de las observaciones
muestrales utilizadas; resulta en este caso difcil admitir, por tanto, que la realidad
pueda representarse analticamente con un nico conjunto de parmetros .
Por qu se produce?:
-

Inicialmente, y en trminos generales (aunque abstractos) debe decirse

que la hiptesis de permanencia estructural es muy restrictiva. La
econometra se interesa en observar la relacin entre las variables de un
sistema o subsistema econmico entendiendo, esencialmente, que estos
sistemas son sistemas dinmicos: la hiptesis de permanencia estructural
sostiene que las variables (sus valores) cambian, pero que las relaciones entre
ellas se mantienen constantes. Parece, sin embargo, que en este contexto en

el que la variabilidad, la dinamicidad, el cambio, juegan un papel clave,

sostener una visin esttica del sistema en cuanto a las relaciones entre
variables es poco realista. En definitiva, el propio marco de anlisis invita a
pensar que, con mayor o menor relevancia cuantitativa, los sistemas
analizados mediante un enfoque economtrico presentarn siempre cierta
variabilidad estructural. Desde el punto de vista operativo no se discute esta
afirmacin previa y, de hecho, no es operativamente importante que exista un
cierto cambio estructural moderado, pero s interesa observar hasta que punto
ese cambio estructural tiene suficiente envergadura como para poner en
cuestin los resultados obtenidos con la visin esttica de un MBRL.
-

As pues, una primera situacin, esencial, casi inevitable en cualquier modelo,

es aquella por la que, an sin variar el esquema analtico (las variables
relevantes y su forma de medirlas para explicar la endgena) se traduce en
una inestabilidad de los coeficientes a lo largo (o ancho) de la muestra
utilizada.

Junto a la cuestin de partida antes mencionada, difcil de evitar por parte del
modelizador, existen otros factores relacionados con el cambio estructural que
s pueden ser resueltos o anticipados por el econmetra entre los que
destacaremos especialmente:

La omisin de variables relevantes en la especificacin de un

MBRL. Efectivamente, la sub-representacin de la estructura, puede
provocar la inestabilidad de los coeficientes de las variables
consideradas. Es decir, si omitimos parte de los factores explicativos de
la evolucin de una determinada variable endgena, es fcil suponer
que el modelo parcial propuesto no sea capaz de representar con
solidez el problema analizado y muestre cierta variabilidad en sus
coeficientes en la medida en que los factores olvidados presenten
tambin cierta variabilidad.1

La alteracin de la estructura analtica a lo largo del perodo

analizado. Se trata, en este caso, de un cambio en el sistema
analizado, en su estructura, y no tanto de un error en la determinacin
del mismo. Esta situacin es la ms comprometida desde el punto de
vista de su correccin ya que, en la mayora de los casos exige, bien
una reduccin de la base muestral utilizada (con el fin de utilizar el
modelo para representar una nica estructura, la ms reciente), bien el
empleo de modelos con parmetros cambiantes.

Un apunte adicional de inters tiene que ver con el uso de modelos

transversales. El cambio estructural no es slo un fenmeno asociado a los
estudios temporales. Independientemente de errores en la especificacin, en
este tipo de modelo la presencia de una muestra global suma de muestras
agrupadas, de segmentos muestrales resulta, si cabe, an ms probable con
el agravante de que, la disposicin original de los datos utilizada por el
econmetra puede dificultar el proceso de deteccin del problema y requiere,
por tanto, una mayor sensibilidad del analista ante la eventual manifestacin
del problema.

As, por ejemplo, piense en un modelo en que, para explicar las ventas de nuestra empresa, hayamos recurrido a
nuestra publicidad y nuestros precios pero hayamos olvidado la publicidad y los precios de la competencia. Es evidente
que nuestro esfuerzo publicitario, por citar slo la primera explicativa, ser ms o menos efectivo en funcin del
esfuerzo realizado por la competencia y que, por tanto, si olvidamos incluir esta variable de competencia, el parmetro
estimado para la relacin entre nuestro gasto publicitario y nuestras ventas no podr ser constante.

Cmo se detecta?: La deteccin del cambio estructural puede llevarse a cabo de

muy distintos modos, Antonio Pulido y Julin Prez (Modelos Economtricos, pg. 435),
clasifican los mtodos en tres grupos de estrategias analticas bien distintas que, en
realidad, pueden resumirse en dos:
-

Contrastes basados en la comparacin de modelos restringidos y no

restringidos:
o
o
o
o

Test Chow
Contraste Wald
Ratios de Verosimilitud
Test del Multiplicador de Lagrange

Contrastes basados en estimaciones recursivas

o
o

CUSUM
CUSUM SQ

Presentaremos en este documento introductorio el Test de Chow, como procedimiento

confirmatorio sencillo (aunque limitado) de deteccin de cambio estructural basado en
la comparacin de modelos, e introduciremos la idea que subyace en la aplicacin de
los contrastes recursivos.
-

Test de Chow

Dentro del primer conjunto de mtodos, vamos a desarrollar aqu el llamado Test de
Chow2, un test paramtrico3 sobre los residuos de estimaciones alternativas cuya
aplicacin precisa de los siguientes requisitos:
1. El test de Chow no busca cambios estructurales en la muestra, sino que
confirma o desmiente una sospecha previa de cambio estructural por parte del
modelizador. As pues, debe conocerse el punto o los puntos de cambio de
estructura; en la prctica sospechamos, por tanto, y a priori, de la aparicin de
un punto de ruptura, bien por la existencia de razones tericas que avalen
conceptualmente ese cambio4, bien por observar, en los resultados obtenidos,
alguno de los sntomas habituales en presencia de un cambio estructural
(cambio o ruptura en la dinmica de los errores, intervalos de confianza
sistemticamente amplios para las variables exgenas seleccionadas.)
2. Conviene que el punto de cambio sospechoso (por ejemplo, el ao en que
sospechamos que la estructura empez a cambiar) no se encuentre muy cerca
del principio o final de la muestra. Es decir, lo ideal es que este punto de
ruptura divida la muestra total en dos trozos (submuestras) suficientemente
amplias. La razn de este requisito estriba en que, como se ver ms adelante,
para poner en marcha el Test de Chow, vamos a estimar nuestro modelo, por
separado, en cada una de las dos submuestras (estructuras diferentes) as
2

Los primeros trabajos relacionados con este test se encuentran en: Chow, C.G. Economtrica, Vol.28. Num. 3. 1960
aunque el desarrollo de la expresin simplificada que se presenta en el texto es obra de F.M Fisher. Econometrita. Vol.
38. Num 2. (1970).
3
Se entiende por test paramtrico aquel que cuyo resultado puede expresarse en trminos de probabilidad recurriendo
a la utilizacin del contraste de hiptesis estadstico habitual (definicin de un estadstico de contraste, establecimiento
de hiptesis nula, observacin en tablas del valor crtico.)
4
Por ejemplo, en un modelo para explicar la generacin de empleo en la economa espaola estimado entre 1990 y
2006 sabemos que, en determinados momentos de la muestra se han producido cambios legislativos importantes en
materia laboral que podran haber afectado a las relaciones entre las variables del modelo.

que, en cada una de ellas, necesitamos un nmero suficiente de datos como

para poder estimar.
Una vez dadas estas condiciones de partida, la forma de operar para realizar el
contraste es sencilla; para el caso de un nico punto de cambio estructural:
1. Se divide la muestra total de tamao n en las dos submuestras que
determina el punto de corte de tamaos n1 y n2 respectivamente.
2. Adems del modelo inicialmente estimado (el originalmente estimado
para el total de la muestra) se estiman ahora dos modelos ms, uno en
cada una de las dos submuestras identificadas. De cada una de estas
dos nuevas estimaciones parciales se obtendr, evidentemente, un
conjunto de parmetros diferentes as como unos errores de estimacin
diferentes.
3. Utilizando los errores de la estimacin original y de las dos estimaciones
parciales se elabora el siguiente contraste, cuya hiptesis nula ser que
los dos conjuntos de parmetros (los derivados de los sub-modelos de
las distintas sub-muestras) son iguales:

F( k ,n1 n2 2 k )

( e ' e ( e1' e1 e2' e2 )) / k

( e1' e1 e2' e2 ) /( n1 n 2 2k )

donde (ee) es la suma cuadrtica residual para el modelo global

estimado con n datos, (e1e1) es la suma cuadrtica residual para el
modelo estimado en la primera submuestra de tamao n1 y (e2e2) es la
suma cuadrtica residual para el modelo estimado en la segunda
submuestra de tamao n2.
El contraste propuesto es extremadamente sencillo de comprender. Si se observa con
atencin, se comprueba que el numerador de la expresin compara los residuos
obtenidos en el modelo nico (ee) frente a los residuos obtenidos en las dos
estimaciones parciales (e1e1) y (e2e2). Es decir, se estn comparando dos estrategias
distintas de estimar el modelo: una estrategia en la que la muestra se utiliza al
completo (porque se entiende que no hay cambio estructural) con otra estrategia en la
que, en lugar de un nico modelo, se estiman dos modelos, porque se entiende que
hay dos estructuras diferentes en la muestra.
El test trata de expresar, por tanto, si la estimacin nica genera ms errores que una
estimacin partida. Si fuera as, si los errores obtenidos con una nica estimacin
fueran claramente superiores a los obtenidos cuando se opta por dos modelos, debe
entenderse que existe cambio estructural. Por el contrario, si los errores cometidos con
la utilizacin de nico modelo son similares a la suma de los errores cometidos con
dos modelos parciales no habra razn para pensar que la muestra contiene un
cambio estructural.
Podr observarse en la expresin, que una vez computada la diferencia de errores,
esta se expresa en trminos porcentuales, con el objeto de eliminar el efecto del
tamao de las unidades de medida; y se corrige, como en todo contraste, numerador y
denominador, por los grados de libertad utilizados en cada expresin5.
5

Los grados de libertad del numerador k, provienen de la combinacin de los grados de libertad utilizados para el
clculo de las sumas cuadrticas residuales expresadas en el mismo: (n-k) para el modelo total, (n 1-k) para el modelo

Evidentemente, desde el punto de vista matemtico, an cuando no existiera cambio

estructural el error cometido con una nica estimacin ser siempre superior a la suma
de los errores parciales 6; lo que el test trata de determinar es si esa ganancia es lo
suficientemente grande como para sospechar que existe un cambio estructural
relevante.
Puede comprobarse que este test se distribuye como una ratio F de modo que su
empleo para el contraste de la hiptesis nula es sencillo: cuando el valor de este
estadstico calculado supera al valor de tablas de una distribucin F debe
considerarse que existe cambio de estructura (Es decir, cuando esta ratio toma un
valor muy grande, superior al de tablas, en nuestros clculos, esto significa que el
error cometido con un nico modelo es mucho mayor que la suma de errores
cometidos con dos estimaciones parciales lo que avala la existencia de un punto de
cambio estructural).
Las limitaciones de este contraste son obvias:
-

Para su aplicacin, debemos conocer previamente el punto corte, es decir,

no es un contraste con capacidad para detectar cambio de estructura,
sino para confirmar la sospecha de su existencia en un determinado
punto.

El contraste pierde potencia a medida que el punto de corte se acerca a los

extremos dado que, en ese caso, una de las dos estructuras estar subrepresentada por la muestra y ser difcil observar entonces el cambio en la
calidad de la estimacin (y en los errores cuadrticos)

Es sensible a la presencia de heterocedasticidad. Efectivamente, la

presencia de heterocedasticidad (que puede no estar causada por diversos
problemas) se manifiesta en una evolucin no constante de los errores de
la estimacin (lo errores tienden a crecer o a decrecer segn avanzamos en
la muestra), de modo que esa evolucin en los errores puede provocar un
resultado significativo del test de Chow (que en definitiva tambin compara
los errores por subperodos) y una falsa conclusin sobre la existencia de
un cambio estructural.

Adems de la versin del test expuesta, existen algunas variaciones de este contraste
pensadas para situaciones especiales. Por ejemplo, es habitual que alguna de las dos
submuestras en las que puede dividirse el perodo no sea suficientemente amplia. En
este caso, no podramos estimar el modelo en la muestra insuficiente al carecer de
grados de libertad y, por tanto conviene utilizar la denominada versin reducida del
Test de Chow que considera slo los errores de la submuestra para la que tenemos
suficiente nmero de datos.

F( n2 k ,n1 k )

( e ' e e1' e1 ) / n 2 k
( e1' e1 ) /( n1 k )

La interpretacin y el manejo del test son idnticos al expuesto para la expresin inicial
aunque, como puede observarse ahora slo se compara la estimacin total con una
estimado en la primera submuestra y (n 2-k) para el modelo estimado en la segunda submuestra. As, (n-k)-( (n 1-k )-(n2k))=k.
6
Las estructuras siempre cambian, an de forma muy leve, por lo que fraccionar la estimacin de un modelo en trozos
siempre generar menores errores totales. (Otra cosa distinta es la menor fiablidad de los resultados obtenidos con
muestras ms pequeas).

nica estimacin parcial y no dos (la realizada sobre la muestra de datos de suficiente
tamao)
-

Introduccin al test de estimaciones recursivas

Esta familia de contrastes se apoya en la estrategia de realizar estimaciones

recursivas de un mismo modelo comparando una estimacin inicial realizada sobre
una muestra de tamao mnimo de datos con estimaciones sucesivamente en las que
se van incorporando progresivamente el resto de observaciones muestrales hasta
agotar el conjunto de datos disponibles, tal y como se muestra en la siguiente
ilustracin.
Ilustracin simple de la estrategia
de la estimacin recursiva

La idea del procedimiento es sencilla: en la medida en que la estructura cambie

notablemente alterndose los valores de los coeficientes del modelo, los resultados
obtenidos en las estimaciones recursivas deben variar notablemente, bien en sus
parmetros, bien en los residuos promedio obtenidos en cada uno de ellos, bien en
ambos.
La simple representacin grfica de los resultados obtenidos en las estimaciones
recursivas puede ayudarnos a calibrar la intensidad de un cambio estructural en el
modelo. Por ejemplo, el siguiente grfico muestra la evolucin creciente de un
determinado parmetro ( que denominamos c(1) ) de una regresin segn se van
aadiendo observaciones muestrales en la estimacin del modelo a partir de una
estimacin inicial desde 1970 a 1992.
Ejemplo grfico de estimaciones recursivas
para un parmetro

0.004

0.002

0.000

-0.002

-0.004
95

96

97

98

99

00

Recursive C(1) Estimates

01

02

2 S.E.

Del mismo modo, el grfico siguiente ilustra sobre los errores (residuos recursivos),
tambin crecientes, que se van cometiendo en las estimaciones sucesivas del modelo:
Ejemplo grfico de estimaciones recursivas
para un parmetro
80000
60000
40000
20000
0
-20000
-40000
-60000
-80000
92

93

94

95

96

97

Recursive Residuals

98

99

00

01

02

2 S.E.

No obstante, junto a las medidas grficas puede elaborarse alguna medida cuantitativa
que nos permita contrastar si las variaciones en las estimaciones recursivas son
suficientemente amplias. Esta es la utilidad de los conocidos contrates CUSUM,
CUSUM-SQ o MOSUM 7 en cuyo desarrollo y aplicacin no vamos a detenernos pero
cuya utilizacin es sencilla: todos estos contrastes se construyen a partir de la suma,
debidamente estandarizada, de los residuos recursivos expresados en trminos
promedio; un valor de los contrastes por encima de los valores de tablas indican
cambio estructural.
Cules son las consecuencias del cambio estructural sobre el MBRL?:
En trminos generales, los principales problemas derivados del cambio estructural
son:
-

En presencia de dos o ms estructuras representadas con nico modelo, la

estimacin de un nico modelo no puede capturar esas diversas realidades con
un nico conjunto de parmetros. As pues, los parmetros obtenidos en una

Los desarrollos completos de estos test pueden encontrarse en el libro Modelos Economtricos, de Antonio Pulido y
Julin Prez, pg. 444 y 445.

estimacin en presencia de cambio estructural son, por fuerza y en

comparacin con los que obtendramos con modelos estimados para
cada una de las submuestras independientes, sesgados e inconsistentes,
esto es, estn alejados de los valores reales de los conjuntos de parmetros
existentes. Esto no significa que la estimacin total sea, en si misma, sesgada
o inconsistente; la estimacin del modelo con MCO garantiza ambas
propiedades para los parmetros en la muestra total; el sesgo y la
inconsistencia son, en este caso, incumplimientos relativos al comparar un
modelo nico con dos modelos parciales.
-

Al mezclar datos correspondientes a estructuras diferentes, los errores que se

cometern en la muestra total sern mayores (su varianza ser mayor) que los
que se cometeran utilizando un modelo distinto para cada submuestra. Esta
ineficiencia en la muestra total se traducir en contrastes t ms exigentes,
al incrementarse la varianza de los parmetros estimados con relacin a
la que se obtendra en estimaciones parciales (ineficiencia relativa), lo que
provocar frecuentes errores de tipo II en el contraste de la hiptesis de nulidad
de los parmetros (las variables tienden a rechazarse como explicativas an
sindolo) as como en otros contrastes en cuya base de clculo intervenga el
estimador de la varianza de la perturbacin aleatoria.

El ejercicio de prediccin se complica, tanto ms cuanto menor sea la

submuestra final, ya que se realizar tomando en consideracin unos
parmetros que, en realidad, no representan ninguna estructura real, sino una
especie de promedio de dos o ms estructuras mezcladas.

EN
RESUMEN:
Parmetros
SESGADOS,
INCONSISTENTES
e
INEFICIENTES respecto a cada una de las submuestras; errores en la
APLICACIN DE CONTRASTES, y en mayor o menor medida PREDICCIN
INCORECTA.

Cmo se corrige?:
La correccin de un cambio estructural pasa por determinar las causas de su
aparicin. De alguna u otra forma, un cambio de estructura es siempre un error en la
especificacin, luego corregirlo significa, casi siempre, revisar en parte el
planteamiento original del modelo, en concreto:
-

Revisar la forma funcional, la medicin de cada una de las variables, o

cualquier otro aspecto formal bsico que permita mitigar los efectos del cambio
de estructura

Modificar la seleccin de variables relevantes, en especial aadiendo

nuevas variables adicional que permita capturar mejor la transformacin del
sistema reflejada en el cambio estructural

Replantear la seleccin del perodo muestral tratando de ajustarlo, si est

analticamente justificado, a una nica estructura real.

En ocasiones, aunque se conoce el origen del cambio de estructura, este no puede

medirse con sencillez, bien por que no se dispone de una variable adecuada, bien por
que el efecto de la variable es diferente por subperodos. En este caso, es necesario
introducir como explicativas lo que se denominan variables ficticias. Las
variables ficticias no son otra cosa que variables cuyos valores son decididos por el

analista de forma arbitraria, generalmente en forma dicotmica (0,1), con el fin de

capturar, de forma sencilla, cambios estructurales que no pueden representarse con
variables reales.
Ejemplo: si hemos realizado un modelo explicativo de nuestras exportaciones desde
1970 a 2003 y suponemos que a partir del ao 1986 la estructura de nuestro comercio
exterior se alter por nuestra incorporacin al Mercado Comn Europeo, podemos
incluir una nueva variable explicativa ficticia que tome valores 0 hasta 1986 y 1 a partir
de 1986; esta variable, representara el concepto, difcilmente cuantificable, de la
incorporacin al Mercado Comn de una forma simple. La introduccin de esta
variable permitira calcular un parmetro asociado a este cambio que depurara las
estimaciones del resto de parmetros eliminando el efecto del cambio estructural
sobre los mismos.
Respecto a la utilizacin de variables ficticias pueden sealarse las siguientes
puntualizaciones:
-

La utilizacin de ficticias slo debe realizarse en ausencia de otras

variables ms explcitas que tambin puedan representar ese cambio de
estructura (no se trata, por tanto, de un recurso alternativo a una adecuada
reforma de la especificacin sino de un recurso de ltima instancia en ausencia
de estrategias ms formales de mejora). En este sentido, toda variable ficticia
debe justificarse en dos sentidos: (1) debe haberse probado la existencia de un
cambio estructural en trminos analticos y (2) debe argumentarse analtica y
tericamente la falta de variables explcitas para recoger ese cambio.

Con relacin al punto anterior, y en trminos generales, se desaconseja el

uso de variables ficticias de forma generalizada para mejorar la estimacin
en puntos o perodos en los que no exista evidencia estadstica clara de
cambio estructural. La correccin de valores atpicos con variables ficticias
debe realizarse con moderacin slo en la medida en que creamos que la
mejora global para el modelo compensa la prdida de control sobre la
especificacin (una variable ficticia implica siempre, en mayor o menor medida,
una cierta renuncia a la real comprensin analtica del fenmeno analizado)

Las variables ficticias no son siempre dicotmicas, sino que sus valores
son definidos por el analista de la forma que mejor representen el
fenmeno del cambio estructural. As, por ejemplo, si suponemos que a
partir de un determinado ao, por ejemplo 1986, se ha producido un cambio
estructural que afecta al comportamiento del modelo de forma creciente hasta
el final de la muestra, la ficticia podra definirse con valores 0 hasta 1986 y
valores en progresin (1,2,3,4,) a partir de ese momento. De igual forma, si
entendemos que, por ejemplo, el cambio estructural opera slo durante un
perodo (por ejemplo un fenmeno extraordinario puntual, sin efectos sobre el
resto de perodos), podramos definir una ficticia con valores 0 para toda la
muestra excepto para el ao del cambio, en el que tomara valor 1.

Cada una de las ficticias utilizadas en un modelo debe referirse a un aspecto

analtico concreto; debe evitarse utilizar una misma variable ficticia para
recoger cambios de estructura en distintos perodos que se refieran a
cuestiones de fondo diferentes.

Al utilizar variables dicotmicas, debe evitarse la denominada trampa de

las ficticias. Este fenmeno consiste en introducir varias ficticias por
subperodos de forma que se genere una combinacin lineal de ficticias que

iguale al trmino independiente. En este caso tendramos un problema de

multicolinealidad exacta que impedira la estimacin de los parmetros del
modelo.
La introduccin de variables ficticias es un recurso comn para enfrentar la presencia
de cambios de estructura pero no es la nica alternativa. Existen procedimientos
analticos ms elaborados que permiten afrontar este problema, por ejemplo, la
utilizacin de modelos de parmetros cambiantes (switching regresions) en sus
distintas aproximaciones tcnicas.
BREVES APUNTES SOBRE EL TEST DE CHOW EN E-VIEWS
Para realizar el test de Chow sobre una regresin cuyos datos tenemos cargados en
un Worfile de E-Views, caben dos alternativas:
-

Computar el test de Chow a mano, es decir, estimando las dos regresiones

parciales en cada una de las dos submuestras en las que, el posible punto de
cambio, divide la muestra total. Por ejemplo, si en un modelo estimado entre
1980 y 2004 queremos observar si existe un cambio de estructura puntual en
1986, podemos estimar un primer submodelo desde 1980 a 1985 y un segundo
submodelo desde 1986 a 2004. Para estimar estas dos regresiones parciales
no hace falta generar objetos e regresin nuevos; cambiar la muestra de
estimacin es simple, basta con abrir la regresin original a evaluar y
seleccionar la opcin SAMPLE en el men. Una vez estimadas los dos submodelos, el estimation output de la ecuacin muestra, para cada una de ellas,
la suma cuadrtica residual con la que puede computarse el test F de Chow.

Si se desea elaborar el test de forma automtica, abrimos la regresin a

analizar y elegimos en la ventana de vistas (View) la opcin Stability Test
Chow Breakpoints Test y especificamos el ao en el que pensamos que existe
un cambio estructural:

El resultado que ofrecer E-Views ser el valor de la Fk,n-2k y el nivel de significacin a

partir del cual el valor calculado en nuestro caso supera el valor de referencias en
tablas.
Chow Breakpoint Test: 1986

F-statistic
Log likelihood ratio

2.404744
8.246343

Probability
Probability

0.078022
0.041186

Recordamos que la hiptesis nula del test de Chow es la NO-Existencia de cambio

Estructural de modo que, en nuestro caso, con un 8% de nivel de significacin (92%
de nivel de confianza) el valor calculado supera al valor tabulado indicando la
existencia de un cambio estructural en 1986.
-

Una segunda cuestin relevante para asegurar si efectivamente existe un

cambio de estructura y si, sobre todo, la variable ficticia incluida para corregirlo
se ha seleccionado adecuadamente, consiste en realizar la regresin
incluyendo ahora la variable ficticia y observar la ratio de significacin individual
t de la variable ficticia.