Clase 6 - Hipotesis Lineal General PDF

UNI-EPIES
MODELOS LINEALES
PRUEBA DE HIPOTESIS
Escuela Profesional de Ingeniera Estadstica
Lic. Luis Huamanchumo de la Cuba
UNI-EPIES
MODELOS LINEALES
TEOREMA
Si y(nx1)
N( , I
2
) y yy =
yA y
i=1
i
, donde el rango de Ai es ni.
Las tres condiciones especificadas son condiciones necesarias y suficientes

para que las siguientes proposiciones sean ciertas:
a) yAi y/2 2(ni ,i) donde i = Ai /22
b) yAi y y yAj y son independientes si ij
Condiciones:
(1) Ai es idempotente para todo i=1, 2, ,k
(2) AiAj=0 para todo ij
(3) El rango de la suma de los Ai es igual a la suma de los rangos
de los Ai.
UNI-EPIES
MODELOS LINEALES
Ho : = *
H1 : = *
Para analizar la potencia de la prueba debemos de conocer

la distribucin del estadstico de prueba cuando H1 es cierta.
UNI-EPIES
MODELOS LINEALES
Y=X +
El Modelo
nx1 nxk kx1
donde
nxk
N( 0 , 2I )
De all que la funcin de densidad sera:
f ( ) =
1
(2 2)n/2
22
UNI-EPIES
MODELOS LINEALES
MODELO ORIGINAL
(No Restringido)
Espacio Parametral
Y=X +
nx1 nxk kx1
nxk
MODELO RESTRINGIDO
Espacio Parametral
= HO
HO: = *
UNI-EPIES
MODELOS LINEALES
Sea el estadstico de prueba:
L=
L()
L()
Tal que:
L()
es mximo en el espacio parametral ; y,
L()
es mximo en el espacio parametral .
UNI-EPIES
MODELOS LINEALES
MODELO ORIGINAL
(No Restringido)
L = ln f() = - 2 ln 2 - 2 ln 2 -
1 ^t ^
22
Para obtener L(), calculamos el mximo de log(f()) haciendo:
log(f()) =
^2
^2
^
^
(Y-X)(Y-X)
log(f()) =
2
^4
n/2
^ =
L()
^
XX
XY
=0
n
=0
^2
2
-n/2
n/2
(2)
e
^
^
(Y-X)(Y-X)
n/2
UNI-EPIES
MODELOS LINEALES
MODELO RESTRINGIDO
L = ln f(*) = - 2 ln 2 - 2 ln 2 -
1 ^ t^
* *
22
^), calculamos el mximo de log(f(*)) teniendo en cuenta que * es fijo:

Para obtener L(
log(f(*))
2
(Y-X*)(Y-X*)
n
=0
^4
^2
^2 = (Y-X*)(Y-X*) / n
n/2
^ =
L()
n/2
(2)
-n/2
e
^
^
(Y-X*)(Y-X*)
n/2
UNI-EPIES
MODELOS LINEALES
Entonces,
^
^
(Y-X)(Y-X)
n/2
L=
(Y-X*)(Y-X*)
^ t ^
L=
n/2
* t ^ *
UNI-EPIES
MODELOS LINEALES
Si Z = Y-X* tenemos que:
ZZ = ZA1Z + ZA2Z
A1 = I X(XX)-1X
Donde,
; A2 = X(XX)-1X
Como A1 y A2 son matrices idempotentes se cumple que:

a) ZA1Z / 2 se distribuye como una 2(n-p)
b) ZA2Z / 2 se distribuye como una 2(p,) ; =
c) ZA1Z /
y ZA2Z /
( - * ) XX ( - * )
2 2
son independientes
UNI-EPIES
MODELOS LINEALES
u=
ZA2Z n - p
ZA1Z
F( p, n-p, )
u tiene distribucin F de Snedecor si y slo si Ho es verdadera
UNI-EPIES
MODELOS LINEALES
ESTADSTICO DE PRUEBA
F DE SNEDECOR
UNI-EPIES
MODELOS LINEALES
^
Sabiendo que: = + (X X)-1X
1
(i)
^
^
( - ) X X ( - ) =
2
^2
(ii) (n - k )
2
^ ^
(k)
M 2
(n - k)
2
Como las formas cuadrticas de (i) y (ii) son independientes, entonces:

^
^
( - ) X X ( - )
-1 ^
^
^
( - ) (2 (X X)) ( - )
^
^
F( k, n k )
(n k)
UNI-EPIES
MODELOS LINEALES
Contrastar la Hiptesis:
H0 : = o
^
Aplicando MCO obtenemos
MCO
Luego,
Fcalc
siendo Ho verdadera
^
^
^ -1
( MCO - O ) (2 (X X)-1) ( MCO - O )
k
donde
^2
^ ^
(n k)
UNI-EPIES
MODELOS LINEALES
HIPTESIS LINEAL
GENERAL
UNI-EPIES
MODELOS LINEALES
Ho : R = r
R
(q x k)
( k x 1)
(q x 1 )
q restricciones linealmente independientes
UNI-EPIES
MODELOS LINEALES
PRUEBA ESTADSTICA
Como
Nk( , 2 (XX)-1) , entonces, rango( R )=q

^
R
se tiene que:
Nq( R , 2 R (XX)-1R )
UNI-EPIES
MODELOS LINEALES
Ho : R = r
ES VERDADERA
^
^
( R - r ) [R (X X)-1R]-1 ( R - r )
q
F(q, n-k)
(n k)
UNI-EPIES
MODELOS LINEALES
O equivalentemente,
^
^
^
( R - r ) [ 2 R (X X)-1 R]-1 ( R - r )
q
F(q, n-k)
UNI-EPIES
MODELOS LINEALES
HIPTESIS LINEAL GENERAL

Casos Especiales
10
UNI-EPIES
1.
MODELOS LINEALES
Contraste de hiptesis acerca de un coeficiente del modelo

0
Ho : i = i
En este caso:
r = i
R=
0 0 ... 1 ... 0 0
q=1
i-simo
componente
UNI-EPIES
MODELOS LINEALES
Replanteando Ho como Hiptesis Lineal General

0
Ho : R = i
La estadstica de prueba sera:
Fcalc =
Fcalc =
Fcalc =
^ 0
^ 0
^
( R - i ) [ 2 R (X X)-1 R]-1 ( R - i )
q
^
^
0
0
^
( i - i ) [ 2 aii]-1 ( i - i )
q
^
0
( i - i ) 2
^ 2a
ii
F(1, n-k)
F(1, n-k)
F(1, n-k)
11
UNI-EPIES
2.
MODELOS LINEALES
Contraste de hiptesis acerca de todos los coeficientes del

modelo excepto el trmino independiente
0
Ho : 2 = 2
Donde,
2 = 2 3 ... k
R=
2 = 2 3 ... k
Ik-1
R = 2
UNI-EPIES
MODELOS LINEALES
La estadstica de prueba sera:
^
^
0
0
( 2 - 2 ) [X2 Q X2] ( 2 - 2 )
Fcalc =
K-1
F(k-1, n-k)
(n k)
12
UNI-EPIES
MODELOS LINEALES
3. Contraste de hiptesis de significacin global del modelo
Ho : 2 = 0k-1
Donde,
0
2 = 0k-1
UNI-EPIES
MODELOS LINEALES
De la estadstica de prueba vista en el caso (2):

^
^
2 [X2 Q X2] 2
Fcalc =
K-1
^ ^
F(k-1, n-k)
(n k)
Representacin alternativa:
^
^
2 [X2 Q X2] 2
^ ^
(n k)
R2
SCE
K-1
K-1
K-1
SCR
1 R2
n-k
n-k
13
UNI-EPIES
MODELOS LINEALES
4. Contraste de hiptesis de un subvector de s variables
Ho : 2 = 0sx1
Donde,
2 = k-s+1 k-s+2 ... k

R=
0s, k-s
Is
r = 0sx1
UNI-EPIES
MODELOS LINEALES
El estadstico de prueba F sera:
^
^
2 [X2 M1 X2] 2
Fcalc=
F(s, n-k)
(n k)
14
UNI-EPIES
MODELOS LINEALES
ESTIMACIN MXIMO VEROSIMIL
UNI-EPIES
MODELOS LINEALES
Y=X +
El Modelo
nx1 nxk kx1
donde
nxk
N( 0 , 2I )
De all que la funcin de densidad sera:
f ( ) =
1
(2 2)n/2
22
15
UNI-EPIES
MODELOS LINEALES
Linealizando la funcin de densidad:
n
^2
L = ln f() = - n
ln
2
ln
2
2
1 ^t ^
22
Sabiendo que:
^
=Y-X
tenemos:
L(, ^ 2,x,y) = - 2 ln 2 - n ln ^ 2 2
1
22
(Y - X
^
^
)t(Y - X )
UNI-EPIES
MODELOS LINEALES
Principio de Mxima Verosimilitud

Seleccionar los valores de 2 y para maximizar la funcin de
verosimilitud dado los datos de la muestra
^2
^
( X tY - X tX ) = 0
1
^
2
1
^2
2
1
^4
2
(i)
(Y - X )t(Y - X ) = 0
(ii)
16
UNI-EPIES
MODELOS LINEALES
De (i) y (ii) obtenemos los estimadores MV:
-1
MV = (X X) X Y
^2
MV
^ ^
UNI-EPIES
MODELOS LINEALES
ESTIMACIN MXIMO VEROSIMIL RESTRINGIDA
17
UNI-EPIES
MODELOS LINEALES
MODELO ORIGINAL
(No Restringido)
Espacio Parametral
Y=X +
nx1 nxk kx1
nxk
MODELO RESTRINGIDO
Espacio Parametral
= HO
HO: R =r
UNI-EPIES
MODELOS LINEALES
MODELO ORIGINAL
(No Restringido)
L = ln f() = - 2 ln 2 - 2 ln 2 -
1 ^t ^
22
MODELO RESTRINGIDO
L = L + t ( R - r )
18
UNI-EPIES
MODELOS LINEALES
EL ESTIMADOR MVR DE
^
-1
-1
-1
MVR = MV + (X X) R (R (X X) R) ( r - R MV )
EL ESTIMADOR MVR DE 2
^
2
MVR
^ ^
^ ^
Suma de Cuadrados
Residual Restringida
UNI-EPIES
MODELOS LINEALES
RATIO DE VEROSIMILITUD
Max L s.a.
Max L s.a.
Max L
Max L
19
UNI-EPIES
MODELOS LINEALES
MODELO ORIGINAL
Y=X +
nx1 nxk kx1
nxk
-1
MV = (X X) X Y
^2
^ ^
MV
= (2
-n/2 -n/2
Max L
2
MV
(i)
UNI-EPIES
MODELOS LINEALES
MODELO RESTRINGIDO
Y=X +
nx1 nxk kx1
-1
-1
R = r
nxk
-1
MVR = MV + (X X) R (R (X X) R) ( r - R MV )
^2
^ ^
Max L
MVR
= (2
^
-n/2 -n/2
2
MVR
(ii)
20
UNI-EPIES
MODELOS LINEALES
De (i) y (ii) tenemos:

Max L
Max L
(2^
-n/2 -n/2
2
MVR
=
-n/2 -n/2
(2^ 2 )
MV
^ ^
n
=
^ ^
UNI-EPIES
MODELOS LINEALES
Resultado:
2
n
-1
n-k
q
F(q , n-k )
21

Clase 6 - Hipotesis Lineal General PDF

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Clase 6 - Hipotesis Lineal General PDF

Cargado por

Copyright:

Formatos disponibles

UNI-EPIES

Escuela Profesional de Ingeniera Estadstica

Lic. Luis Huamanchumo de la Cuba

, donde el rango de Ai es ni.

Las tres condiciones especificadas son condiciones necesarias y suficientes

Escuela Profesional de Ingeniera Estadstica

Lic. Luis Huamanchumo de la Cuba

Para analizar la potencia de la prueba debemos de conocer

Escuela Profesional de Ingeniera Estadstica

Lic. Luis Huamanchumo de la Cuba

nx1 nxk kx1

De all que la funcin de densidad sera:

Escuela Profesional de Ingeniera Estadstica

Lic. Luis Huamanchumo de la Cuba

Escuela Profesional de Ingeniera Estadstica

Sea el estadstico de prueba:

es mximo en el espacio parametral ; y,

es mximo en el espacio parametral .

Escuela Profesional de Ingeniera Estadstica

Lic. Luis Huamanchumo de la Cuba

Para obtener L(), calculamos el mximo de log(f()) haciendo:

Escuela Profesional de Ingeniera Estadstica

Lic. Luis Huamanchumo de la Cuba

^), calculamos el mximo de log(f(*)) teniendo en cuenta que * es fijo:

Escuela Profesional de Ingeniera Estadstica

Lic. Luis Huamanchumo de la Cuba

Escuela Profesional de Ingeniera Estadstica

Lic. Luis Huamanchumo de la Cuba

Si Z = Y-X* tenemos que:

Como A1 y A2 son matrices idempotentes se cumple que:

Escuela Profesional de Ingeniera Estadstica

Lic. Luis Huamanchumo de la Cuba

u tiene distribucin F de Snedecor si y slo si Ho es verdadera

Escuela Profesional de Ingeniera Estadstica

Lic. Luis Huamanchumo de la Cuba

Escuela Profesional de Ingeniera Estadstica

Lic. Luis Huamanchumo de la Cuba

Como las formas cuadrticas de (i) y (ii) son independientes, entonces:

Escuela Profesional de Ingeniera Estadstica

Lic. Luis Huamanchumo de la Cuba

Aplicando MCO obtenemos

Escuela Profesional de Ingeniera Estadstica

Lic. Luis Huamanchumo de la Cuba

Escuela Profesional de Ingeniera Estadstica

Lic. Luis Huamanchumo de la Cuba

q restricciones linealmente independientes

Escuela Profesional de Ingeniera Estadstica

Lic. Luis Huamanchumo de la Cuba

Nk( , 2 (XX)-1) , entonces, rango( R )=q

Escuela Profesional de Ingeniera Estadstica

Lic. Luis Huamanchumo de la Cuba

Escuela Profesional de Ingeniera Estadstica

Lic. Luis Huamanchumo de la Cuba

Escuela Profesional de Ingeniera Estadstica

Lic. Luis Huamanchumo de la Cuba

HIPTESIS LINEAL GENERAL

Escuela Profesional de Ingeniera Estadstica

Lic. Luis Huamanchumo de la Cuba

Contraste de hiptesis acerca de un coeficiente del modelo

Escuela Profesional de Ingeniera Estadstica

Lic. Luis Huamanchumo de la Cuba

Replanteando Ho como Hiptesis Lineal General

Escuela Profesional de Ingeniera Estadstica

^), calculamos el mximo de log(f()) teniendo en cuenta que es fijo: