Manejo de Supuestos Clasicos en Regresion con Datos Panel
Guia para detectar violaciones de supuestos clasicos.
Las Pruebas de Supuestos Clásicos son un pilar principal en la regresión MCO (Mínimos Cuadrados Ordinarios). Si se violan estos supuestos, los estimadores (coeficientes de regresión) que usted produce no son MELI (Mejor Estimador Lineal Insesgado), lo que significa que no se puede confiar en las conclusiones de su investigación. Específicamente en los Datos de Panel, el enfoque difiere ligeramente de la regresión regular de datos de series de tiempo.
1. Prueba de Normalidad de Residuos
En paneles de gran escala (N > 30), el Supuesto de Normalidad de Residuos a menudo se ignora, en referencia al Teorema del Límite Central. Sin embargo, si su profesor insiste, use la Prueba de Jarque-Bera (JB). Si el valor de probabilidad JB es > 0.05, entonces los residuos se distribuyen normalmente.
2. Prueba de Multicolinealidad (FIV)
La multicolinealidad comprueba si existe una correlación muy fuerte entre las variables independientes. La forma más fácil es observar el valor del Factor de Inflación de Varianza (FIV). En EViews, después de realizar la regresión, seleccione View > Coefficient Diagnostics > Variance Inflation Factors.
Si el valor FIV centrado es > 10, su modelo ciertamente está afectado por una grave multicolinealidad. La solución es eliminar una de las variables problemáticas o usar técnicas de reducción de dimensionalidad como ACP (Análisis de Componentes Principales).
3. Prueba de Heterocedasticidad (Prueba de White / Glejser)
Esta es la aflicción más común en los datos de panel (Heterocedasticidad de sección transversal). La varianza del término de error no es constante (difiere entre empresas de gran y pequeña escala). En EViews, puede ejecutar la Prueba de Glejser (regresando el valor absoluto del residuo sobre las variables independientes).
Solución Táctica Sin Borrar Datos:
Si se prueba la heterocedasticidad, ¡no entre en pánico! No es necesario buscar nuevos datos. Simplemente necesita cambiar su método de estimación de error estándar a Errores Estándar Robustos. En la ventana de estimación de EViews, abra la pestaña Options, luego en Covariance Method, seleccione White cross-section. Esto neutraliza automáticamente el sesgo de la heterocedasticidad.
4. Prueba de Autocorrelación (Durbin-Watson / Breusch-Godfrey)
La autocorrelación ocurre cuando el término de error en el año en curso (t) está influenciado por el término de error en el año anterior (t-1). Esto es muy común en los datos de panel porque observamos las mismas empresas consecutivamente. Si el valor de Durbin-Watson (DW Stat) está lejos del número 2 (por ejemplo, por debajo de 1.5 o por encima de 2.5), significa que hay autocorrelación.
Cómo Superarlo:
Al igual que el truco de Heterocedasticidad, puede usar directamente ajustes de matriz de covarianza (HAC - Consistente con Heterocedasticidad y Autocorrelación). En EViews (Options), seleccione la opción Panel M.A. / Arellano o use un modelo de regresión más dinámico (como GMM - Método Generalizado de Momentos).