Documentos de Académico
Documentos de Profesional
Documentos de Cultura
TEMA6
TEMA6
TEMA VI
EL MODELO LINEAL GENERAL (II)
VALIDACION Y PREDICCION
Este tema est destinado a validar el modelo, esto es, decir si el modelo es vlido, o por
el contrario, tenemos que rechazarlo.
6.1.-DISTRIBUCIN EN EL MUESTREO DE LOS ESTIMADORES MNIMO
CUADRTICO ORDINARIOS. DISTRIBUCIONES MUESTRALES DE LOS ERRORES
MNIMO-CUADRTICOS ORDINARIOS. INDEPENDENCIA DE y 2 .
Sabiendo que:
N , 2 ( X X )
i N i , 2 ai ,i
2
1) (n k ) 2 n2k .
u u
n2
2
1
1
= X ( X X ) X + X ( X X ) X = M + D
1442443 142
4 43
4
M
u u u (M + D )u u Mu u Du
=
+
=
2
2
2
2
D)
u Du
IDEMPOTENTE 2 K2
TRAZA = k
M)
SIMTRICA
u Mu
IDEMPOTENTE 2 n2k
TRAZA = n - k
SIMTRICA
) (
1
1
M D = X ( X X ) X X ( X X ) X =
= X ( X X ) X X ( X X ) X X ( X X ) X =
14243
1
= X ( X X ) X X ( X X ) X = 0
1
=
+
2
2
2
23
123 1
n2 k
k2
u u
n2
2
Ya tan slo nos queda por demostrar que la matriz D es simtrica, idempotente y de
traza k:
SIMTRICA:
1
1
D = X ( X X ) X = X ( X X ) X = D
IDEMPOTENTE:
DD = X ( X X ) X X ( X X ) X = X ( X X ) X = D
14243
1
TRAZA= k
) = Traza (
)= k
u Mu
n2 k
2
u Mu u MMu u M Mu
=
=
=
2
2
2
como e = Mu y e = u M
2
(n k )
n2 k
e e
2
= 2 =
e e
2
2
como =
(n k ) = e e
nk
(
n k ) 2
=
2
2) Independencia.-.
Queremos demostrar que el estimar de vector beta y el estimador de la varianza son
independientes, para ello basta con demostrar que Cov e , = 0
1
Cov e , = E e E = E Mu u X ( X X ) =
1
1
1
1
= M E[u u ]X ( X X ) = M 2 X ( X X ) = 2 X ( X X ) X X ( X X ) =
[ (
)]
Como
1
1
1
= 2 X ( X X ) X ( X X ) X X ( X X ) = 2 0 = 0
144424443 14243
=0
=
2 =
(e ) = e e
{
nk
y e
Trans. de Borel
, y adems,
transformacin de Borel de e
independientes.
y una
e e
2 =
n k son
son independientes,
(n k ) 2
2
n2k
y sabemos que
[ ]
Var m2 = 2m
, por tanto:
2
2
Var n2 k = Var (n k ) 2 = 2(n k ) 2(n k ) = (n k ) Var 2
2
2 4
2
2 (n k )
=
Var
Var (n k ) 2 =
Var
nk
4
( )
( )
( )
2 4
= 0
Lim Var 2 = Lim
n
n
nk
( ( ))
DISTRIBUCIONES DE MUESTREO:
T-STUDENT:
t n k =
N (0,1)
n2 k
nk
1-
/2
/2
F de SNEDECOR
n2
= n2
m
m
Fn, m
1-
12
= 12 = F1,n k
n k
nk
.
(t nk )2 = [N (02,1)]
n k
nk
i N i , 2 aii
2
2
n
k
(
)
i i
a ii
2
t n k =
n2 k
N (0,1)
N (0,1)
nk
( )
2
n k
i i
i i
2 aii
2 aii
(n k ) 2
nk
2
i i
a ii
123
= D ( i )
2
i i
( ) t
D i
n k
p t = 1
Prob i
2
D ( i )
i
p t = 1
Prob t p i
2
2
D( i )
Prob t D( i ) p i i p t D ( i ) = 1
2
2
Prob i t D ( i ) p i p i + t D ( i ) = 1
2
2
Prob i t D( i ) p i p i + t D ( i ) = 1
2
2
i i t D ( i )
2
CONTRASTE DE HIPTESIS
H 0 : i = i0
H 1 : i i0
t exp =
Estadstico:
i i
D( i )
Aceptamos la hiptesis nula cuando: t exp p t , siendo este ltimo el valor tabulado.
2
1-
/2
A
(
(
)
)
Prob 2 f A = , con A = 2
2
2
2
Prob f B = 1 , con B = 12
2
2
2
Prob B p (n k ) 2 p A = 1
2
1
1
p = 1
Prob p
2
B
A (n k )
(n k ) 2
(n k ) 2 = 1
p 2 p
Prob
A
B
2
(n k ) 2 = 1
(n k )
2
p
p
Prob
12
2
2
2
e e
e e
= 2 (n k ) 2 = (n k )
= e e
como
nk
nk
e e
ee
Prob 2 p 2 p 2
1
2
2
= 1
e e e e
2 , 2
, con un (1 - )% de confianza
1
2
2
2
R N R , 2 R( X X ) R
R R R( X X )1 R 1 R R
2
q
2
E R = R E = R
Cov R = E R R = R E R =
= R 2 ( X X ) R = 2 R( X X ) R
1
R R( X X )1 R 1 R
1
Al sustituir por ( X X ) X u , tenemos que :
=B
644444447
4444444
8
1
1
1
1
u X ( X X ) R R( X X ) R R( X X ) X u
2
u Bu
2
1
1
1
B = X ( X X ) R R( X X ) R R( X X ) X
) ([R( X X ) R] ) (X (X X ) R)
R[R( X X ) R ] R( X X ) X = B
B = R( X X ) X
1
B = X ( X X )
Simtrica
1
1
1
1
1
1
BB = X ( X X ) R R ( X X ) R R( X X ) X X ( X X ) R R( X X ) R R( X X ) X
1444444424444444
3 1444444424444444
3
1
BB = X ( X X ) R R( X X ) R R( X X ) X X ( X X ) R R( X X ) R R( X X ) X
14243
1
BB = X ( X X ) R R( X X ) R R( X X ) R R( X X ) R R( X X ) X
14444244443
1
BB = X ( X X ) R R( X X ) R R( X X ) X = B
1
Idempotente
1
1
X )1 R R( X X )1 X =
)
Traza 1
X (42
X X 43
R 1
R(4
X4
44244443
C
D
Traza (C D ) = Traza (D C ) =
1
1
1
1
= Traza R( X X ) R R( X X ) X X ( X X ) R =
14243
1
1
1
R( X X ) R R( X X ) R = Traza ( q ) = q
= Traza 1
3 14243
44244
qxq
qxq
1444
442444
44
3
Rg ( B ) = q .
Con esto podemos definir el siguiente estadstico para realizar contrastes de hiptesis:
R R R( X X )1 R 1 R R
2
q2
q
q
= 2 = Fq ,n k
2
n k
(n k ) 2
nk
nk
R R R( X X )1 R 1 R R
q
Fq ,n k =
2
R R R( X X )1 R 1 R R
q
.
Fq ,n k =
e e
nk
Con este estadstico que acabamos de definir, podemos realizar los siguientes contrastes de
hiptesis:
1.- Contraste de significacin individual de un parmetro.
2.- Contraste de significacin global del modelo.
3.- Contrate de significacin de un conjunto de parmetros.
A la hora de realizar estos contrastes, el procedimiento es el mismo en todos los casos,
la nica diferencia se encuentra a la hora de elegir la matriz R, que ser lo que diferencia un
contraste de otro, as en los casos anteriores tenemos que:
1.- Contraste de significacin individual de un parmetro.
H 0 : i = 0
H1 : i 0
R = (0 L 0 1 0 L 0 )
1
2
M
R = (0 L 0 1 0 L 0 ) = i
i
M
k
R R = i i
R R = i i
R( X X )
F1, n k
a1,1
R = (0 L 0 1 0 L 0) M
a
k ,1
(
=
F1, n k =
) (a )
2
2
i
a i ,i
2
0
M
L a1, k 0
O M 1 = a i ,i
L a k ,k 0
M
0
i ,i
( ) =t
D i
n k
Con lo que nos queda el contraste de la misma forma que vimos anteriormente.
2.- Contraste de significacin global del modelo.
H o : 2 = 3 = L = k = 0
H o : 1 i 0
1 0 L 0
0 1 0 0
R=
0 0 O 0
0 L 0 1
10
1 2 3 + 4 = 5
Ho :
2 + 5 3 7 4 = 1
H o :: CASO CONTRARIO
1 0 2 1
R =
0 1 5 7
1 2 3 + 4 5
=
R =
2 + 5 3 7 4 1
6.4.- ANALISIS DE LA VARIANZA (ANOVA)
FUENTE
VARIACIN
DE SUMA
CUADRADOS
Variables Explicativas
(Y
= SCE
k 1
e = SCR
(Y Y ) = SCT
nk
2
t
Residuos
TOTAL
DE GRADOS
LIBERTAD
DE VARIANZAS
INSESGADAS
SCE
k 1
SCR
nk
n 1
Este mtodo permite realizar el contraste de significacin global del modelo de un modo
ms sencillo.
H o : 2 = 3 = L = k = 0
H o : 1 i 0
SCE
k 1 F
k 1, n k
SCR
nk
ACEPTACIN
1-
RECHAZO
Si
Fk 1,n k f F
Rechazamos
Si
Fk 1,n k p F
Aceptamos
11
nk
SCE
F
SCE
SCE
=
= SCR k 1 =
R2 =
SCE n k n k
SCT SCR + SCE
+F
1+
k 1
SCR k 1
Fexp
F
R2 =
R2 = R 2 crtico =
nk
nk
+ Fexp
+ F
k 1
k 1
As, cuando
R 2 p R2
, aceptamos
Yt
Y1
Y2
M
Yn
Yn+1
X 2t
X 2,1
X 2,2
M
X 2 ,n
X 2, n+1
X 3t
X 3,1
X 3, 2
M
X 3, n
X 3,n +1
L X kn
L X k ,1
L X k,2
O
M
L X kn ,n
L X k , n+1
Yi = 1 + 2 X 2,i + 3 X 3,i + L + k X k ,i
Vamos a definir el vector c, que contiene el conjunto de variables exgenas del modelo
correspondientes al perodo n+1. (Es decir el vector c, contiene la informacin futura conocida o
prefijada):
X 2, n+1
c = X 3, n+1
X k ,n +1
c = (1 X 2, n+1
X 3, n+1
1
2
L X k ,n +1 ) = 1 + 2 X 2, n+1 + L + k X k , n+1
M
k
12
Yn+1 = 1 + 2 X 2,n +1 + L + k X k ,n +1 + u n +1 c
E[Yn+1 ] = c
E c = c E = c = E [Yn+1 ]
Var c = E c c c c = E c c =
1
= c E c = 2 c ( X X ) c
c E[Yn+1 ]
2 c ( X X ) c
1
realizar tanto intervalos de confianza como contrastes de hiptesis, pero para ello debemos
salvar el problema que nos plantea el desconocimiento del valor de . Para ello vamos a
realizar un pequeo cambio que nos permita realizar estas operaciones prescindiendo de dicho
valor.
2
c E[Yn +1 ]
N (0,1)
nk
2
n k
2 c ( X X ) c
1
= t n k =
(n k ) 2
(n k ) 2
c E[Yn +1 ]
c ( X X ) c
2
permite realizar el intervalo de confianza y el contraste, ya que tenemos todos los datos
necesarios para ello.
13
c E[Yn+1 ]
Prob - t p
p t = 1
2
1
2
2 c ( X X ) c
1
1
Prob - t 2 c ( X X ) c p c E [Yn+1 ] p t 2 c ( X X ) c = 1
2
2
1
1
Prob - t 2 c ( X X ) c c p E [Yn+1 ] p t 2 c ( X X ) c c = 1
2
2
1
1
Prob c - t 2 c ( X X ) c p E[Yn +1 ] p c + t 2 c ( X X ) c = 1
2
1
E[Yn+1 ] c t 2 c ( X X ) c
2
Z = Yn +1 Yn +1 =
Yn+1
c
6444447
44444
8
= 1 + 2 X 2,n +1 + L + k X k ,n +1
Yn+1 = 1 + 2 X 2,n +1 + L + k X k ,n +1 + u n +1
144444244444
3
c
Z = c c u n +1
Por tanto Z, es una combinacin lineal de normales
[]
Z N (0,L)
14
=0
6444
47
4444
8
Var (Z ) = Var c c u n +1 = Var c + Var [u n +1 ] 2Cov c , u n +1 =
1
= Var c + Var [u n +1 ] 0 = 2 c ( X X ) c + 2
1
Z N 0, 2 1 + c ( X X ) c
Z 0
2 1 + c ( X X ) c
1
))
N (0,1)
Z 0
N (0,1)
n2k
nk
2 (1 + c ( X X ) c )
1
= t n k =
nk 2
nk 2
Z
(1 + 2 c ( X X ) c )
1
t n k
Yn+1 Yn+1
Prob - t p
p t = 1
1
2
2
2 (1 + c ( X X ) c )
1
Yn+1 c t 2 (1 + c ( X X ) c )
[Yn+1 ] c t
1
2 (1 + c ( X X ) c
TEST DE HIPTESIS
H 0 : Yn+1 = B
H 1 : Yn+1 B
p t Aceptamos H0
1
2 (1 + c ( X X ) c ) f t 2 Rechazamos H0
c B
[Y ]
0
variable para ese periodo n +1 , y podemos realizar este contraste para saber si el modelo que
estimamos con los datos de los periodos 1 al n, sigue siendo vlido para el periodo n+1 y en
consecuencia sigue siendo vlido para realizar estimaciones para periodos posteriores, en cuyo
caso decimos que existe permanencia estructural, o por el contrario, el modelo ya no es vlido y
por tanto tenemos que rechazar la existencia de permanencia estructural, y por tanto el modelo
ya no sirve para realizar predicciones de periodos posteriores.
15
H 0 : Yn +1 = Yn0+1
H 1 : Yn +1 Yn0+1
1
2 (1 + c ( X X ) c ) f t 2 Rechazamos H0 / Perm. Estructural
c Yn0+1
EL MODELO EN DESVIACIONES
X2t
X21
X22
X23
.
X2n
X3t
X31
X32
X33
..
X3n
Yt = 1 + 2 X 2t + 3 X 3t + u t (1)
Una vez estimado, el modelo seria
Yt = 1 + 2 X 2t + 3 X 3t
(2)
Y = 1 + 2 X 2 + 3 X 3
(3)
x jt = X jt X j ; t = 2,3
16
yt = Yt Y
Obtendramos la siguiente expresin
y t = 2 x 2t + 3 x 3t
(4)
Que conocemos como el modelo en desviaciones, ya que los datos vienen expresados como
desviaciones respecto a la media, los datos de este modelo quedaran recogidos en la tabla 2
x3t
x31
x32
x33
..
x3n
Todo el proceso de estimacin seria el mismo: y solo hemos de tener en cuenta las siguientes
consideraciones:
a) Tanto la matriz, del modelo, como el vector de las observaciones y el vector de los
parmetros , aparecern con un subrayado , para diferenciarse de los mismos elementos del
modelo en datos originales:
Elementos del modelo original
X
y
y = X .
Elementos del modelo en desviaciones
X
y
y = X .
b) la matriz del modelo en desviaciones no contiene ninguna columna para el parmetro 1 , ya
que este ha desaparecido del modelo , por lo tanto la matriz
17
x 2,1
x 2, 2
X = x2,3
x 2, n
x 3,1
x 3, 2
x 3, 3
..
x 3, n
y1
y2
y = .
.
yn
y el vector
c) Cuando estimamos el modelo, utilizamos la misma expresin que en el modelo original pero
con los elementos del modelo es desviaciones, es decir:
= ( X .X ) 1 X .y
Lgicamente, faltara estimar el parmetro 1 , esto se podra resolver sustituyendo en la
ecuacin (3) y despejando.
d) Como los datos estn expresados en desviaciones respecto a la media , las medias de los
datos transformados son todas iguales a cero, es decir las medias de los valores observados ( en
desviaciones ) es cero, y as ocurre con las medias de cualquier variable exogena ( expresada
en desviaciones respecto a la media)
d) Para estimar la varianza y el coeficiente de determinacin R , tendremos que calcular
antes SCR, SCE, SCT, las expresiones en desviaciones respecto a la media quedaran como
sigue:
2
SCT = y. y
SCR = y y X y
SCE = X y
e) Los contrastes se harn del mismo modo, en los de significacin individual no exite
ninguna diferencia, en cuanto al contraste de la F, la expresin quedara:
R R R( X X )1 R 1 R R
Fq ,n k =
(5)
La matriz R , tendr ahora una columna menos ya que no contiene ninguna para el
parmetro 1 ,.
18
H o : 2 = 0; 3 = 0;........., K = 0 ,
Tendr como matriz R a la matriz identidad de orden (k-1)x (k-1), en consecuencia , tenindo en
cuenta que R. = 0 , la expresin (5) quedara
Fk 1,n k =
[( X X )]
k 1 =
y y
(k 1)
SCE
SCR
k 1 .
nk
Que como vemos coincide, la expresin que derivamos del anlisis de la varianza
PREDICCION CON EL MODELO EN DESVIACIONES.Los datos originales vendran dados en la siguiente tabla:
X2t
X21
X22
X23
.
X2n
X3t
X31
X32
X33
..
X3n
Yt = 1 + 2 X 2t + 3 X 3t
1
1
=
c = X 2,n +1
X
3,n +1 ,
3 , la prediccin se hara utilizando Yn+1 = c
Nosotros conocemos, las siguientes varianzas
19
1
Var c = 2 c ( X X ) c = c 2 ( X X ) 1 c = ccov( )c
(6)
x3t
x31
x32
x33
..
x3n
y t = 2 x 2 t + 3 x 3t
como sabemos , en este modelo la matriz asociada seria
x 2,1
x 2, 2
X = x2,3
x 2, n
x 3,1
x 3, 2
x 3, 3
..
x 3, n
, o sea
y n +1
x 2, n+1
= 2
c =
= c
3
x3, n+1 , y
, siendo
el problema es que en este modelo la prediccin se realizara no sobre los valores originales de
la endgena si no sobre sus desviaciones sobre la media , por lo tanto necesitamos un modelo
con el que poder predecir utilizando los valores de las variables exgenas expresados en
desviaciones respecto a la media y los valores de la variable endgena en valores originales ,
y = Y Y
t
t
para eso basta cambiar en la ecuacin anterior
, de tal modo que el modelo
quedara expresado del siguiente modo , como un modelo mixto ( endgenas en valores
originales , exgenas en desviaciones) de siguiente modo:
20
Yt = Y + 2 x 2t + 3 x3t
, para predecir con este modelo, a partir de los valores futuros de las
exgenas x 2,n+1 , x3,n+1 , utilizramos la expresin
Yn+1 = c* * , siendo
c* = x 2, n+1
x
3, n+1
, y,
Y
* = 2
3
Si utilizamos para predecir este ltimo modelo, para poder utilizar las formulas (6) y (7) , solo
nos faltaria conocer la Cov ( * ) , veamos cual es la matriz asociada a este estimador , que
llamaremos X*
1
X * = 1
x3,1
x 3, 2
x 3, 3
x 3, n
x 2,1
x2,2
x 2, 3
.
x 2 ,n
Cov * = ( X . X * )
2
Cov * = 2
t
*
it
= ( .(i
X
2
X ))
i`
=
X i
2
i X
X X
n
=
0
1
+ 2 ( X X ) 1
n
X X
0
1 / n
= 2
1
0 ( X X )
21
1
+ (x 2,n +1
n
x3, n +1 ) n
0
x 2,n +1 =
1
( X X ) x
3, n + q
0
1
1 x 2 , n +1
= 2 + 2 c ( X X ) 1 c
x 3, n +1 )( X X )
n
x3, n +1
Var ( Z ) = 2 + c Cov ( * )c = 2 + 2
1
+ 2 c ( X X ) 1 c
n
x 2, n+1
c =
x 3,1
x 3, 2
x 3, 3
..
x 3, n
x 2,1
x 2, 2
X = x2,3
x 2, n
Los estadsticos del muestreo para establecer los correspondientes intervalos de confianza
vendran dados por:
E (Yn +1 ) Yn+1
1
+ 2 c ( X X ) 1 c
n
a t n k
Yn+1 Yn+1
1
+
+ 2 c ( X X ) 1 c
n
2
a t n k
22
EJERCICIO
Dadas las siguientes observaciones muestrales
Yt
3
1
8
3
5
X2t
3
1
5
2
4
X3t
5
4
6
4
6
3 1
1 1
8 = 1
3 1
5 1
3 5
u1
1 4 1 u 2
5 6 2 + u 3 ,
2 4 3 u 4
4 6
u5
Sabemos que = ( X X )
5 15 25
X X = 15 55 81 ;
25 81 129
y = X + u
X y .(1)
( X X )
8
20
26,7 4,5
= 4,5
1
1,5 ; X = 76
109
8 1,5 2,5
Por lo tanto, utilizando la expresin (1) , podemos obtener la estimacin de los parmetros de posicin:
1 26,7 4,5
8
20 4
2 = 4,5
1,5 2,5 76 = 2,5
1
109 1,5
2 8 1,5
Por lo tanto el plano estimado ser Yt = 4 + 2,5 X 2t 1,5 X 3t , para estimar el parmetro de
dispersin , recordemos:
23
2
2
2
2
Y =
(Yi Y ) = Yi + Y + 2Y Yi = Yi + nY + 2Y
{i
2
ny
2
Yi
= Yi 2 + nY 2 2nY 2 = Yi 2 nY 2 = y y n
=
n
SCT = y y
( Yi )2
n
; (2).
SCR = y y X y ; (3)
SCE = X y
( Yi )2
n
; ( 4)
3
1
20 2
aplicando (2) SCT = (3 1 8 3 5) 8
= 108 80 = 28
5
3
5
aplicando (4):
20
20 2
= 106,5 80 = 26,5
SCE = (4 2,5 1,5) 76
5
109
2 =
SCR
1,5
=
= 0,75
nk 53
R2 =
SCE 26,5
=
= 0,9464
SCT
28
24
R R R( X X ) 1 R 1 R R
Fq, n k =
H 0 : 2 = 0; 3 = 0 , por lo tanto la matriz R deber de tener tres columnas ( una por cada
parmetro) y dos filas ( una por cada condicin)
0 1 0
R =
0 0 1
1
4
2,5
0 1 0 2 0
0 1 0
2 = =
; R =
2,5 =
R =
0 0 1 3 0
1,5
0 0 1
3
1,5
y en consecuencia:
2,5
R R =
1,5
Por otro lado calculamos
8 0 0
26,7 4,5
1
1,5
0 1 0
4,5
R( X X ) R=
1
1,5 1 0 =
1
,
5
2
,
5
0 0 1
8 1,5 2,5 0 1
1
A continuacin calcularemos:
[R( X X )
10 6
, y definitivamente podremos calcular:
=
6 4
R R R( X X )1 R 1 R R
F2, 53 =
(2,5
2
10 6 2,5 1
.
1,5)
2
6 4 1,5
= 17,67
0,75
Si miramos en las tablas de la F , para un nivel de significacin del 0,95 con dos grados de libertad en
0, 05
25
Ho : 2 = 3 = L = k = 0
H o : 1 i 0
SCE
k 1 F
k 1, n k
SCR
nk
26,5
En este caso
F22
2 = 17,67
1,5
R2 =
F
19
=
= 0,95
nk
2 + 19
+ F
2
k 1
crtico es superior al R
H0 : 3 = 0
H1 : 3 0
1)
1
4
8 0
26,7 4,5
1
R( X X ) R = (0 0 1) 4,5
1,5 0 = 2,5
8 1,5 2,5 1
La F experimental ser:
26
F1, 2
(1,5)(2,5) 1 (1,5)
=
= 1,2
0,75
0, 05
t 5 3 =
3
2 a 33
1,5
0,75.2,5
= 1,2
Recordemos, que una t con n grados de libertad es lo mismo que la raiz cuadrada de una F1, n
R = (0 1 1) 2,5 = 1; R = 2 + 3 = 0; R R = 1
1,5
8
26,7 4,5
1
R( X X ) R= (0 1 1) 4,5
1,5 (0 1 1) = 0,5
8 1,5 2,5
F1, 2 =
1.(0,5) 1 .1
= 2,67 si buscamos en las tablas, obtendremos
0,75
R = (0 1 0) , q=1
teniendo en cuenta que ahora no hay hiptesis, R = 2 y
27
8 0
26,7 4,5
1
1
R( X X ) 1 R= (0 1 0 ) 4,5
1,5 1 = 1 ; R( X X ) 1 R = 1
8 1,5 2,5 0
El estadstico F , tendr 1 y 2 grados de libertad , como sabemos, su raz cuadrada , sigue un t con dos
grados de libertad, si buscamos en las tablas tendremos:
F10, 2, 05 = 18,5158;
t 20,05 = 4,303
con cualquiera de los dos podemos establecer el intervalo de confianza
F1, 2 =
(2,5 2 ).1(2,5 2 )
0,75
t2 =
(2,5 2 ) 2
0,75
1,2 2 6,2
7.- Regin de confianza conjunta, al 95% para 2 ; 3 .En este caso tenemos que utilizar el estadstico F, que es el nico que contiene simultneamente varios
parmetros de posicin, lo que tenemos es que elegir adecuadamente la matriz R, como regla general, la
matriz tendr una fila por cada parmetro que entre en el calculo de la regin de confianza, en este
caso:
0 1 0
2,5 2
, y R R =
R =
0 0 1
1,5 1
por tanto
F2, 2
10 6 2,5 2
.1 / 2
(2,5 2 ;1,5 3 )
26,5 32 2 18 3 + 12 2 3 + 10 22 + 4 32
6 4 1,5 3
=
=
0,75
0,75
Este estadstico siguen una distribucin F de Snedecor con 2 y 2 g.l. bastara buscar en la tabla un valor
A que cumpla pr ( F A) = 0,95 , este valor es 19 y entonces el intervalo de confianza ser:
26,5 32 2 18 3 + 12 2 3 + 10 22 + 4 32
19
0,75
realizando las operaciones quedar
28
En primer lugar elegiremos el vector c , que contiene la informacin conocida para el periodo siguiente
de las variables exogenas
1
c = 10 , Como sabemos la prediccin puntual optima se obtendr como.10
El intervalo de confianza, para la prediccin de Y0 , viene dado por :
Y0 Y0
Prob - t p
p t = 1
1
2
2
2 (1 + c ( X X ) c )
1
Y0 c t 2 (1 + c ( X X ) c )
2
Si calculamos:
8 1
26,7 4,5
1
c( X X ) c = (1 10 10) 4,5
1,5 10 = 6,7
8 1,5 2,5 10
0 ,05
El valor en la tablas de la t 2
c E[Y0 ]
Prob - t p
p t = 1
2
1
2
2 c ( X X ) c
1
E[Y0 ] c t 2 c ( X X ) c
2
29
En primer lugar expresaremos las variables en desviaciones respecto de la media, restando a cada una de
ellas su media.
yt
x 2t
x3t
-1
-3
4
-1
1
0
-2
2
-1
1
0
-1
1
-1
1
Debemos observar que la media de cada una de estas nuevas observaciones es cero , esto facilitar los
clculos.
El modelo expresado matricialmente, como sabemos, seria:
0
e1
1 0
e
3 2 1
2 2
4 = 2
1 + e3 o en general
1 1 1 3 e4
1
e5
1 1
y1 x 21
y 2 x 22
y = x
3 23
y 4 x 24
y x
5 25
x31
x32
x33 2 + e
x34 3
x35
y1 1
y2 3
y = y3 = 4 ;
y4 1
y5 1
x 21
x 22
X = x 23
x 24
x 25
x31 0
0
x32 2 1
x33 = 2
1 ; = 1
2
x34 1 1
x35 1
1
A partir de aqu podemos proceder exactamente igual que lo hacamos con el modelo expresado en
valores originales, las formulas son las mismas, solo que las coordenadas estn expresadas en minsculas
y las matrices son mas pequeas , solo habr que tener cuidado con la prediccin.
Sabemos que:
= ( X X ) 1 X y
30
0
0
2 1
10 6
0 2 2 1 1
;
. 2
X . X =
1 =
6 4
0 1 1 1 1
1 1
1
1
1,5
4 6 1
=
( X X ) 1 = 1 / 4.
6 10 1,5 2,5
1
3
0 2 2 1 1 16
4 = .
; X y =
0 1 1 1 1 9
1
1
2 1
2 = 2,5
1,5 16 2,5
3
3
Finalmente: =
El modelo estimado en desviaciones sera y t = 2,5 x 2t 1,5 x3t , si quisiramos estimar el modelo en
variables originales nos faltara calcular 1 , para lo cual utilizaremos la expresin
1
3
SCT = y y = ( 1 3 4 1 1) 4 = 28
1
1
16
SCE = X y = (2,5 1,5) = 26,5
9
Entonces la SCR=SCT-SCE=28-26,5=1,5
2 =
SCR
1,5
=
= 0,75
nk 53
SCE 26,5
=
= 0,9464
SCT
28
nota
para realizar las inferencias, el resultado general que tenemos que utilizar ser el mismo de antes, solo
cambia la notacin y el significado de los vectores y matrices, detal modo que el estadstico que debemos
utilizar es:
31
Fq, n k =
( R R ) R( X X ) 1 R
(R R ) / q
(2)
La matriz R tendr q filas, una por cada condicin y k-1 columnas, ya que ahora no tenemos el
parmetro 1
3.- Verifica la significacin de la regresin completa:
Para contrastar la hiptesis nula H 0 : 2 = 0, 3 = 0 , debemos de elegir la matriz R que en este caso
ser:
1 0
1 0 2 0
y la hiptesis se puede expresar matricialmente R. =
=
R =
0 1
0 1 3 0
entonces:
1 0 2,5 0 2,5
;
=
R R =
0 1 1,5 0 1,5
1,5
1,5 1 0 1
1 0 1
R( X X ) 1 R=
0 1 1,5 2,5 0 1 1,5 2,5
10 6
( R( X X ) 1 R) 1 =
6
4
Fq, n k =
(2,5
( R R ) R( X X ) 1 R
(R R ) / q
10 6 2,5
/ 2
1,5)
6 4 1,5 = 26,5 / 2 = 17,67
0,75
0,75
Como vemos se trata del mismo resultado que obtuvimos con variables originales. Es fcil pasar de la
expresin (2), a la expresin (1) que utilizamos anteriormente y que proceda del anlisis de la varianza,
basta con tener en cuenta que para contrastar la significacin global en desviaciones sobre la media, la
matriz R siempre ser la matriz identidad, por lo que la expresin (2) se reducir a :
0
R = I ; R. = , la expresin (2) quedar:
0
Fk 1,n k =
X X /(k 1)
SCR /(n k )
y.y /(k 1)
SCR /(n k )
4.- Verificar la significacin del coeficiente 3 .-
SCE /(k 1)
SCR /(n k )
ser: R = (0 1) .
32
2,5
= 1,5
R( R ) = (0 1)
1,5
1,5 0
1
= 2,5
R( X X ) 1 R= (0 1)
1,5 2,5 1
( R ( X X ) 1 R) 1 = 1
2,5
= 0,4
F1, 2 =
(1,5)(0,4)(1,5) / 1
= 1,2 que como vemos es el mismo resultado anterior
0,75
R = (1 1) la hiptesis matricial R = (1 1) 2 = 2 + 3 = 0
3
2,5 0
= 1
R( ) = (1 1)
1,5 0
1,5 1
1
= 0,5
R( X X ) 1 R= (1 1)
1,5 2,5 1
sustituyendo en (2) quedara: F1, 2 =
( R ( X X ) 1 R) 1 = 1
0,5
=2
1.(2).1 / 2
= 2,67 , igual que antes.
0,75
2,5 2
= 2,5 2
R( ) = (1 0)
1,5 3
1,5 1
1
= 1
R( X X ) 1 R= (1 0 )
1,5 2,5 0
El estadstico quedar:
F1, 2 =
(2,5 2 )2
0,75
( R( X X ) 1 R) 1 = 11 = 1
1 0
,q=2
1
Tomamos R =
0
33
1 0 2,5 2 2,5 2
R ( ) =
1
,
5
1
,
5
0
1
3
3
1,5
1,5 1 0 1
1 0 1
R( X X ) 1 R=
0 1 1,5 2,5 0 1 1,5 2,5
10 6
( R( X X ) 1 R) 1 =
6
4
7
c =
5
Los estadsticos del muestreo para establecer los correspondientes intervalos de confianza vendran dados
por:
E (Yn +1 ) Yn+1
1
+ 2 c ( X X ) 1 c
n
a t n k
Yn+1 Yn+1
1
+
+ 2 c ( X X ) 1 c
n
2
1,5 7
1
= 6,5
c( X X ) 1 c = (7 5)
1,5 2,5 5
de este modo, los intervalos quedaran
Yn +1 Yn+1
1
+
+ 2 c ( X X ) 1 c
n
2
14 Y0
0,75(1 + 1 / 5 + 6,5)
34
E (Yn+1 ) Yn+1
1
+ 2 c( X X ) 1 c
n
2
E (Y0 ) 14
0,75(1 / 5 + 6,5)
Los intervalos de confianza serian los mismos que antes como podemos comprobar