Mapa conceptual punto 3 - Gujarati capítulo 13

Mapa conceptual punto 3 - Gujarati capítulo 13

1. Criterios de Selección de Modelos

   • Para la elección de un modelo de análisis empírico es necesario que sea o que tenga:
     • Adecuado para los datos: las predicciones del modelo deben ser lógicamente posibles
       • Consistente con la teoría: debe tener un sentido económico pertinente
         • Regresoras exógenas débiles: las variables explicativas no deben estar correlacionadas con el error
           • Muestren constancia los parámetros: los valores de estos deben ser estables
             • Coherencia en los datos: si el modelo de regresión es adecuado, los residuos obtenidos deben ser de ruido blanco
               • Inclusivo: el modelo debe abarcar o incluir todos los modelos contendientes para que explique sus resultados

2. Tipos de Errores de Especificación

   • Ejemplo 1: modelo verdadero: Y = costo total de producción / X = producción
     • Ejemplo 2:
       • 1º tipo de error: omisión de una variable relevante
         • El término error en el ejemplo 2 es un hecho
           • Observemos cómo quedaría:
         • Ejemplo 3:
           • 2º tipo de error: inclusión de una variable innecesaria o irrelevante
             • El modelo del ejemplo 3 supone que
               • es cero
               • Veamos el nuevo término de error
                 • Ya que
                   • en el ejemplo 3
                 • Ejemplo 4: (corresponde a un modelo verdadero pero presenta un sesgo de especificación)
                   • 3º tipo de error: adopción de la forma funcional incorrecta
                     • El ejemplo 1 aparece de forma lineal y el ejemplo 4: log-lineal
                       • Ejemplo 5:
                         • Donde
                           • con
                             • como errores de medición
                               • En lugar de los verdaderos
                                 • se utilizan valores sustitutos
                                   • que pueden tener errores de medición
                           • 5° tipo de error: estocástico
                             • se conoce como
                               • o
                             • Ejemplo 6:
                               • Error estocástico en forma multiplicativa
                                 • Error estocástico en forma aditiva
                                   • 6° tipo de error: interacción entre las regresoras o efecto multiplicativo de una o más regresoras sobre la variable regresada
                                     • Ejemplo 7:
                                       • En este modelo, el cambio en los salarios relativos respecto a la educación depende no solo de la escolaridad sino también del sexo, así:
                                         • Además, el cambio en los salarios relativos respecto del sexo depende no solo del sexo, sino también del nivel de escolaridad.
                         • 4ª tipo de error: sesgo por errores de medición
   • 1) Errores de especificación del modelo
   • 2) Errores de especificación incorrecta del modelo

3. Consecuencias de los errores de especificación del modelo

   • 1° consecuencia: Omisión de una variable relevante (subajuste de un modelo)
     • Ejemplo 1: modelo verdadero
       • Ejemplo 1.1: modelo ajustado
         • Las consecuencias de omitir
           • son:
           • 1) Si la variable excluida u omitida , X3 está correlacionada con la variable incluida X2. Es decir:
             • 2) Aunque X2 y X3 no estén correlacionados,
               • 3) La varianza de la perturbación
                 • 4) La varianza medida convencionalmente de
                   • 5) Es probable que el intervalo de confianza usual y los procedimientos de pruebas de hipótesis conduzcan a conclusiones equivocadas sobre la significancia estadística de los parámetros estimados
                     • 6) Los pronósticos basados en el modelo incorrecto y los intervalos (de confianza) del pronóstico no son confiables
                       • Conclusión: cuando se formula un modelo basado en la teoría pertinente, no se aconseja eliminar una variable del modelo propuesto.
                   • es un estimador sesgado de la varianza del verdadero estimador
                 • está incorrectamente estimada
               • es sesgado, pese a que ahora
                 • sea insesgado
             • El coeficiente de correlación entre las dos variables es diferente de cero y
               • son sesgados e inconsistentes
   • 2° consecuencia: inclusión de una variable irrelevante (sobreajuste de un modelo)
     • Ejemplo 2:
       • Ejemplo 2.1: modelo especificado
         • Y se comete el error de especificación al incluir una variable innecesaria en el modelo. Las consecuencias son:
           • 1) Todos los estimadores de MCO de los parámetros del modelo “incorrecto” son insesgados y consistentes, es decir,
             • 2) La varianza del error
               • 3) Los procedimientos usuales de intervalos de confianza y de pruebas de hipótesis conservan su validez
                 • 4) Las
                   • Conclusión: la inclusión en el modelo de una variable irrelevante, proporciona estimaciones insesgadas y consistentes de los coeficientes en el modelo verdadero. La varianza del error es correctamente estimada y los métodos convencionales de pruebas de hipótesis son aún válidos.
                   • estimadas por lo general serán ineficientes, es decir,
                     • sus varianzas generalmente serán más grandes que las de las
                       • del verdadero modelo. El punto de interés es la ineficiencia relativa de las
               • está correctamente estimada

Bilder und Dateien der Mindmap