Utilizo datos anuales de 1983-2008 para comprobar si tanto los coeficientes de gini como el ahorro nacional bruto de China y Estados Unidos pueden afectar a la balanza por cuenta corriente estadounidense. Los datos parecen ser no estacionarios, pero soy un principiante y sólo conozco el modelo básico de regresión múltiple y el modelo de retardo distribuido autorregresivo, ¿puedo utilizar estos modelos para probar los efectos? Sé que los modelos estarían sesgados y no serían precisos, pero ¿dan alguna información útil? Mis variables de control elegidas son el PIB real, el tipo de interés, el índice del dólar y quizás algunos otros componentes de la renta nacional.
Respuestas
¿Demasiados anuncios?
Puedes hacer lo que quieras, sobre todo si se trata de un trabajo trimestral o algo por el estilo.
Para obtener resultados útiles no se pueden utilizar datos no estacionarios con OLS y series temporales. Hay otros métodos más avanzados en los que la no estacionariedad no es un problema. Con OLS hay que diferenciar el PIB real y los índices, y también aplicar la transformación logarítmica en muchos casos.
ACTUALIZACIÓN: cuando se utilizan variables no estacionarias en OLS se encuentra el problema potencialmente fatal de regresión espuria Hay una tonelada de literatura sobre este tema. Básicamente, los resultados de la regresión serán basura en la mayoría de los casos. Puede que veas coeficientes muy significativos, pero la significación es artificial, y desaparece cuando ejecutas una regresión adecuada.
Hay un fenómeno aún más sutil llamado "cointegración", pero como estás trabajando en un trabajo de grado, yo no me preocuparía por ello. De hecho, si tu especialidad no es la estadística o la econometría, imagino que tu profesor no te penalizará por el uso inadecuado de las regresiones.
syber king 8323
Puntos
41
Tengo un título de postgrado en econometría, especializado en análisis de tiempos y supervivencia. Intentaré darte un breve consejo de pregrado en lugar de una prueba.
-
Nunca debe utilizar OLS para datos de series temporales (la única excepción es que A VECES es apropiado utilizar esta técnica para datos de panel). Los resultados de OLS serán una basura: dará lugar a una regresión espuria en la que los resultados parecen buenos, pero carecen de interpretación econométrica. En su lugar, debería utilizarse MLE. La respuesta breve al porqué es que la covarianza entre la variable dependiente y el término de error nunca será cero, uno de los supuestos fundamentales de MLE. En lugar de ajustar una línea lineal, tenemos que ajustar un proceso a los datos (AR(p), MA(q), ARMA(p,q), ARIMA(p,d,q), ARIMAX(p,q,x), VAR(p), etc.)
-
Diferenciar sus datos para hacerlos estacionarios no le permitirá utilizar OLS. Los datos estacionarios siguen un proceso, y la especificación de su modelo debe tenerlo en cuenta. Si el término de error de dos series temporales es estacionario, entonces es apropiado utilizar técnicas de cointegración, pero no es algo que deba intentar hacer por su cuenta.
-
Si tienes acceso a un paquete estadístico, investiga cómo realizar una prueba Dickey-Fuller de estacionariedad para determinar si tus datos son estacionarios. Si no lo son, diferencie los datos y (asumiendo la estacionariedad después de la primera o segunda diferenciación), ajuste el proceso apropiado usando MLE a sus series.
-
Advertencia: a partir de la descripción que ha proporcionado de sus datos, parece que la mejor manera de modelarlos es mediante una autorregresión vectorial con una función de transferencia (VARMAX(p,q,x)). Esto también se conoce como VAR recursivo. Esto es apropiado si usted está tratando de determinar si (se supone que es estacionaria) múltiples series de tiempo están prediciendo otra serie de tiempo. Estos son muy precisos cuando se modelan correctamente, pero no son parsimoniosos (se necesita un gran número de grados de libertad, y ya se está utilizando un producto de estimación que sólo es asintóticamente insesgado, por lo que es de esperar que tenga un montón de observaciones), y no es algo que yo recomendaría a un estudiante de grado tratando de hacer.
Espero que eso ayude,
Keegan
