Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Econometria
Econometria
Sesi
on 2
Enero - 2015
Parte I
Inferencia
Econometra
Inferencia
Y = X + u
Econometra
Inferencia
Y = X + u
donde X es una matriz de (N x K), u e Y son vectores (N x 1) y
es vector de (K x 1).
Econometra
Inferencia
Y = X + u
donde X es una matriz de (N x K), u e Y son vectores (N x 1) y
es vector de (K x 1).
Y = AK L e u
Econometra
Inferencia
Y = X + u
donde X es una matriz de (N x K), u e Y son vectores (N x 1) y
es vector de (K x 1).
Y = AK L e u
(ln Y = ln A + ln K + ln L + u); ( + o 1)
Econometra
Inferencia
Sean entonces las siguientes hip
otesis:
1
Econometra
Inferencia
Sean entonces las siguientes hip
otesis:
1
Econometra
Inferencia
Sean entonces las siguientes hip
otesis:
1
Econometra
Inferencia
Sean entonces las siguientes hip
otesis:
1
Econometra
Inferencia
Sean entonces las siguientes hip
otesis:
1
Econometra
Inferencia
Sean entonces las siguientes hip
otesis:
1
Econometra
Inferencia
Sean entonces las siguientes hip
otesis:
1
Econometra
Inferencia
Econometra
Inferencia
Econometra
Inferencia
Econometra
Inferencia
R = [0..,010..,0]; r = 0; q = 1
Econometra
Inferencia
R = [0..,010..,0]; r = 0; q = 1
donde 1 se encuentra en la i-esima posisi
on
Econometra
Inferencia
R = [0..,010..,0]; r = 0; q = 1
donde 1 se encuentra en la i-esima posisi
on
R = [0..,010..,0]; r = i0 ; q = 1
Econometra
Inferencia
R = [0..,010..,0]; r = 0; q = 1
donde 1 se encuentra en la i-esima posisi
on
R = [0..,010..,0]; r = i0 ; q = 1
donde 1 se encuentra en la i-esima posisi
on
Econometra
Inferencia
R = [0..,010..,0]; r = 0; q = 1
donde 1 se encuentra en la i-esima posisi
on
R = [0..,010..,0]; r = i0 ; q = 1
donde 1 se encuentra en la i-esima posisi
on
R = [0..,010..,0]; r = 1; q = 1
Econometra
Inferencia
R = [0..,010..,0]; r = 0; q = 1
donde 1 se encuentra en la i-esima posisi
on
R = [0..,010..,0]; r = i0 ; q = 1
donde 1 se encuentra en la i-esima posisi
on
R = [0..,010..,0]; r = 1; q = 1
donde 1 se encuentra en la i-esima posisi
on y en la j-esima
posici
on.
Econometra
Inferencia
R = [0..,010..,0]; r = 0; q = 1
donde 1 se encuentra en la i-esima posisi
on
R = [0..,010..,0]; r = i0 ; q = 1
donde 1 se encuentra en la i-esima posisi
on
R = [0..,010..,0]; r = 1; q = 1
donde 1 se encuentra en la i-esima posisi
on y en la j-esima
posici
on.
R = [0..,010..,0]; r = 0; q = 1
Econometra
Inferencia
R = [0..,010..,0]; r = 0; q = 1
donde 1 se encuentra en la i-esima posisi
on
R = [0..,010..,0]; r = i0 ; q = 1
donde 1 se encuentra en la i-esima posisi
on
R = [0..,010..,0]; r = 1; q = 1
donde 1 se encuentra en la i-esima posisi
on y en la j-esima
posici
on.
R = [0..,010..,0]; r = 0; q = 1
donde 1 se encuentra en la i-esima posisi
on y en la j-esima
posici
on.
Econometra
Inferencia
R = [0..,010..,0]; r = 0; q = 1
donde 1 se encuentra en la i-esima posisi
on
R = [0..,010..,0]; r = i0 ; q = 1
donde 1 se encuentra en la i-esima posisi
on
R = [0..,010..,0]; r = 1; q = 1
donde 1 se encuentra en la i-esima posisi
on y en la j-esima
posici
on.
R = [0..,010..,0]; r = 0; q = 1
donde 1 se encuentra en la i-esima posisi
on y en la j-esima
posici
on.
R = [0qx1 Ik1 ]; r = 0; q = k 1
Econometra
Inferencia
R = [0..,010..,0]; r = 0; q = 1
donde 1 se encuentra en la i-esima posisi
on
R = [0..,010..,0]; r = i0 ; q = 1
donde 1 se encuentra en la i-esima posisi
on
R = [0..,010..,0]; r = 1; q = 1
donde 1 se encuentra en la i-esima posisi
on y en la j-esima
posici
on.
R = [0..,010..,0]; r = 0; q = 1
donde 1 se encuentra en la i-esima posisi
on y en la j-esima
posici
on.
R = [0qx1 Ik1 ]; r = 0; q = k 1
Econometra
Inferencia
Entonces, nuestra hip
otesis nula corresponde a:
Econometra
Inferencia
Entonces, nuestra hip
otesis nula corresponde a:
Ho : R = u
Econometra
Inferencia
Entonces, nuestra hip
otesis nula corresponde a:
Ho : R = u
Con lo cual, s
olo nos resta derivar el test que nos permita rechazar
o no rechazar nuestra nula. La construcci
on del estadgrafo es
como sigue.
Econometra
Inferencia
Entonces, nuestra hip
otesis nula corresponde a:
Ho : R = u
Con lo cual, s
olo nos resta derivar el test que nos permita rechazar
o no rechazar nuestra nula. La construcci
on del estadgrafo es
como sigue.
= E (R )
= R
Esperanza E ()
Econometra
Inferencia
Entonces, nuestra hip
otesis nula corresponde a:
Ho : R = u
Con lo cual, s
olo nos resta derivar el test que nos permita rechazar
o no rechazar nuestra nula. La construcci
on del estadgrafo es
como sigue.
= E (R )
= R
Esperanza E ()
= E [R( )]( )0 R 0 ]
Varianza V [R ]
Econometra
Inferencia
Entonces, nuestra hip
otesis nula corresponde a:
Ho : R = u
Con lo cual, s
olo nos resta derivar el test que nos permita rechazar
o no rechazar nuestra nula. La construcci
on del estadgrafo es
como sigue.
= E (R )
= R
Esperanza E ()
= E [R( )]( )0 R 0 ]
Varianza V [R ]
= RVar ( )R 0
Econometra
Inferencia
Entonces, nuestra hip
otesis nula corresponde a:
Ho : R = u
Con lo cual, s
olo nos resta derivar el test que nos permita rechazar
o no rechazar nuestra nula. La construcci
on del estadgrafo es
como sigue.
= E (R )
= R
Esperanza E ()
= E [R( )]( )0 R 0 ]
Varianza V [R ]
= RVar ( )R 0
= 2 R(X 0 X )
R0
Econometra
Inferencia
Entonces, nuestra hip
otesis nula corresponde a:
Ho : R = u
Con lo cual, s
olo nos resta derivar el test que nos permita rechazar
o no rechazar nuestra nula. La construcci
on del estadgrafo es
como sigue.
= E (R )
= R
Esperanza E ()
= E [R( )]( )0 R 0 ]
Varianza V [R ]
= RVar ( )R 0
= 2 R(X 0 X )
R0
Econometra
Inferencia
1
N(, 2 (X 0 X ) )
Econometra
Inferencia
1
N(, 2 (X 0 X ) )
R N(R, 2 R(X 0 X )
Econometra
R 0)
Inferencia
1
N(, 2 (X 0 X ) )
R N(R, 2 R(X 0 X )
y si la hipotesis nula R = r es cierta:
Econometra
R 0)
Inferencia
1
N(, 2 (X 0 X ) )
R N(R, 2 R(X 0 X )
R 0)
(R r ) N(0, 2 R(X 0 X )
Econometra
R 0)
Inferencia
1
N(, 2 (X 0 X ) )
R N(R, 2 R(X 0 X )
R 0)
(R r ) N(0, 2 R(X 0 X )
luego estandarizamos, con lo cual:
Econometra
R 0)
Inferencia
1
N(, 2 (X 0 X ) )
R N(R, 2 R(X 0 X )
R 0)
(R r ) N(0, 2 R(X 0 X )
R 0)
Econometra
Inferencia
Adem
as, se puede demostrar que
1
Basta con recordar que si x corresponde a un vector de realizaciones normales (0,1), por
lo cual x N(0, 2 I ) y A corresponde a una matriz sim
etrica e idempotente de rango n,
entonces 12 x 0 Ax xn2 . Finalmente, recuerde que u
= MY = Mu y que el rango de una
matriz sim
etrica e idempotente es su traza.
Juan Carlos Abanto Orihuela
Econometra
Inferencia
Adem
as, se puede demostrar que
u
0 u
2
Xnk
2
1
Basta con recordar que si x corresponde a un vector de realizaciones normales (0,1), por
lo cual x N(0, 2 I ) y A corresponde a una matriz sim
etrica e idempotente de rango n,
entonces 12 x 0 Ax xn2 . Finalmente, recuerde que u
= MY = Mu y que el rango de una
matriz sim
etrica e idempotente es su traza.
Juan Carlos Abanto Orihuela
Econometra
Inferencia
Adem
as, se puede demostrar que
u
0 u
2
Xnk
2
Luego, se puede demostrar
que
1
Basta con recordar que si x corresponde a un vector de realizaciones normales (0,1), por
lo cual x N(0, 2 I ) y A corresponde a una matriz sim
etrica e idempotente de rango n,
entonces 12 x 0 Ax xn2 . Finalmente, recuerde que u
= MY = Mu y que el rango de una
matriz sim
etrica e idempotente es su traza.
Juan Carlos Abanto Orihuela
Econometra
Inferencia
Adem
as, se puede demostrar que
u
0 u
2
Xnk
2
Luego, se puede demostrar
que
(R r )0 [ R(X 0 X )
R 0 ]1 (R r ) Xq2
1
Basta con recordar que si x corresponde a un vector de realizaciones normales (0,1), por
lo cual x N(0, 2 I ) y A corresponde a una matriz sim
etrica e idempotente de rango n,
entonces 12 x 0 Ax xn2 . Finalmente, recuerde que u
= MY = Mu y que el rango de una
matriz sim
etrica e idempotente es su traza.
Juan Carlos Abanto Orihuela
Econometra
Inferencia
Adem
as, se puede demostrar que
u
0 u
2
Xnk
2
Luego, se puede demostrar
que
(R r )0 [ R(X 0 X )
R 0 ]1 (R r ) Xq2
1
Basta con recordar que si x corresponde a un vector de realizaciones normales (0,1), por
lo cual x N(0, 2 I ) y A corresponde a una matriz sim
etrica e idempotente de rango n,
entonces 12 x 0 Ax xn2 . Finalmente, recuerde que u
= MY = Mu y que el rango de una
matriz sim
etrica e idempotente es su traza.
Juan Carlos Abanto Orihuela
Econometra
Inferencia
1
(R r )0 [R(X 0 X ) R 0 ]1 (R r )/q
Fq,nk
0
u
u
/(n k)
Econometra
Inferencia
1
(R r )0 [R(X 0 X ) R 0 ]1 (R r )/q
Fq,nk
0
u
u
/(n k)
Econometra
Inferencia
1
(R r )0 [R(X 0 X ) R 0 ]1 (R r )/q
Fq,nk
0
u
u
/(n k)
Econometra
Inferencia
1
(R r )0 [R(X 0 X ) R 0 ]1 (R r )/q
Fq,nk
0
u
u
/(n k)
Econometra
Inferencia
1
(R r )0 [R(X 0 X ) R 0 ]1 (R r )/q
Fq,nk
0
u
u
/(n k)
Econometra
Inferencia
1
(R r )0 [R(X 0 X ) R 0 ]1 (R r )/q
Fq,nk
0
u
u
/(n k)
Econometra
Inferencia
F =
( i0 )2
F (1, n k)
(i )
Var
Econometra
Inferencia
F =
( i0 )2
F (1, n k)
(i )
Var
Econometra
Inferencia
F =
( i0 )2
F (1, n k)
(i )
Var
Econometra
Inferencia
Distribuci
on t
Econometra
Inferencia
Distribuci
on t
La distribuci
on t es simetrica y se aproxima a la normal para
tama
nos de muestras grandes, sin embargo, la t posee colas m
as
gruesas que la normal (lo cual es m
as pronunciado en muestras
peque
nas:n 30). La siguiente figura expone la relaci
on entre la
distribuci
on t y la normal:
Econometra
Inferencia
Distribuci
on t
La distribuci
on t es simetrica y se aproxima a la normal para
tama
nos de muestras grandes, sin embargo, la t posee colas m
as
gruesas que la normal (lo cual es m
as pronunciado en muestras
peque
nas:n 30). La siguiente figura expone la relaci
on entre la
distribuci
on t y la normal:
Econometra
Inferencia
Nota precautoria
Econometra
Inferencia
Nota precautoria
Toda la derivaci
on anterior se basa en el estricto supuesto de
normalidad de los errores. En caso de que los mismos no
distribuyan normal, la distribuci
on del test F (y por lo tanto el del
t) es desconocida en muestras finitas. Sin embargo,es posible
demostrar que t N(0, 1) es decir, que el test t distribuye
asint
oticamente normal. Luego, los valores crticos de t y
(normal est
andar) se encuentran sumamente cerca si n-k30, por
lo cual, en terminos pr
acticos no importa mucho cual de ellas
escojamos para los valores crticos (a menos que la muestra sea
especialmente peque
na).
Econometra
Inferencia
Nota precautoria
Toda la derivaci
on anterior se basa en el estricto supuesto de
normalidad de los errores. En caso de que los mismos no
distribuyan normal, la distribuci
on del test F (y por lo tanto el del
t) es desconocida en muestras finitas. Sin embargo,es posible
demostrar que t N(0, 1) es decir, que el test t distribuye
asint
oticamente normal. Luego, los valores crticos de t y
(normal est
andar) se encuentran sumamente cerca si n-k30, por
lo cual, en terminos pr
acticos no importa mucho cual de ellas
escojamos para los valores crticos (a menos que la muestra sea
especialmente peque
na).
Criterio de Rechazo y Nivel de Confianza
Econometra
Inferencia
Nota precautoria
Toda la derivaci
on anterior se basa en el estricto supuesto de
normalidad de los errores. En caso de que los mismos no
distribuyan normal, la distribuci
on del test F (y por lo tanto el del
t) es desconocida en muestras finitas. Sin embargo,es posible
demostrar que t N(0, 1) es decir, que el test t distribuye
asint
oticamente normal. Luego, los valores crticos de t y
(normal est
andar) se encuentran sumamente cerca si n-k30, por
lo cual, en terminos pr
acticos no importa mucho cual de ellas
escojamos para los valores crticos (a menos que la muestra sea
especialmente peque
na).
Criterio de Rechazo y Nivel de Confianza
Una vez que hemos calculado el valor del test para nuestra nula
particular (o valor calculado), resta calcular el valor crtico o el
valor que nos indica la tabla t.
Juan Carlos Abanto Orihuela
Econometra
Inferencia
Dicho valor crtico nos dir
a si nuestra nula es falsa o si no
podemos afirmar que lo es. La elecci
on de dicho valor crtico se
toma desde la tabla de distribuci
on t y el n
umero debe ser
escogido tomado en cuenta el nivel de significancia escogido
(1 %, 5 % o 10 %), el cual a su vez determina el nivel de confianza
del test (99 %, 95 % o 90 %, respectivamente).
Econometra
Inferencia
Dicho valor crtico nos dir
a si nuestra nula es falsa o si no
podemos afirmar que lo es. La elecci
on de dicho valor crtico se
toma desde la tabla de distribuci
on t y el n
umero debe ser
escogido tomado en cuenta el nivel de significancia escogido
(1 %, 5 % o 10 %), el cual a su vez determina el nivel de confianza
del test (99 %, 95 % o 90 %, respectivamente).
El nivel de confianza posee una explicaci
on intuitiva: Nuestro
estadgrafo es funci
on de la muestra con lo que estamos
trabajando, por lo cual, si cont
aramos con una gran n
umero de
ellas y con cada una pudiesemos calcular nuestro estadgrafo, el
nivel de confianza indica el porcentaje de veces que calculamos
nuestro estadgrafo en que realmente no rechazamos lo cierto o
rechazamos correctamente lo falso.
Econometra
Inferencia
Dicho valor crtico nos dir
a si nuestra nula es falsa o si no
podemos afirmar que lo es. La elecci
on de dicho valor crtico se
toma desde la tabla de distribuci
on t y el n
umero debe ser
escogido tomado en cuenta el nivel de significancia escogido
(1 %, 5 % o 10 %), el cual a su vez determina el nivel de confianza
del test (99 %, 95 % o 90 %, respectivamente).
El nivel de confianza posee una explicaci
on intuitiva: Nuestro
estadgrafo es funci
on de la muestra con lo que estamos
trabajando, por lo cual, si cont
aramos con una gran n
umero de
ellas y con cada una pudiesemos calcular nuestro estadgrafo, el
nivel de confianza indica el porcentaje de veces que calculamos
nuestro estadgrafo en que realmente no rechazamos lo cierto o
rechazamos correctamente lo falso.
La forma en que se distribuya la probabilidad de rechazo, es decir,
el nivel de significancia, depende de nuestra hip
otesis alternativa.
Juan Carlos Abanto Orihuela
Econometra
Inferencia
Econometra
Inferencia
Econometra
Inferencia
Test de una cola
Econometra
Inferencia
Test de una cola
Supongamos que nuestra hip
otesis es:
H0 : i = i0
Econometra
Inferencia
Test de una cola
Supongamos que nuestra hip
otesis es:
H0 : i = i0
H1 : i > i0
Econometra
Inferencia
Test de una cola
Supongamos que nuestra hip
otesis es:
H0 : i = i0
H1 : i > i0
donde i0 R. En dicho caso, el estadgrafo es calculado seg
un lo
propuesto en la secci
on anterior. El punto est
a en como
acumulamos la probabilidad de rechazo. En este caso, el total de
la probabilidad de rechazo se acumula en la cola derecha de la
distribuci
on. Por que en la cola derecha? Porque la probabilidad
de rechazo, es decir, el nivel de significancia, nos indica hasta
donde puedo tolerar un valor mayor a i0 , por lo cual, carecera de
sentido que la zona de rechazo se encuentre en la cola izquierda
de la distribuci
on. Por ejemplo, si i0 = 0, la distribuci
on de
nuestro estadgrafo se centra en cero (vea la f
ormula), por lo cual
la hip
otesis alternativa correspondera a que el par
ametro es
positivo. el punto es cu
an positivo puedo aceptar que sea?.
Juan Carlos Abanto Orihuela
Econometra
Inferencia
Econometra
Inferencia
Econometra
Inferencia
H0 : i = i0
Econometra
Inferencia
H0 : i = i0
H1 : i < i0
Econometra
Inferencia
H0 : i = i0
H1 : i < i0
Econometra
Inferencia
Test de dos colas
Econometra
Inferencia
Test de dos colas
Supongamos que nuestra hip
otesis es:
Econometra
Inferencia
Test de dos colas
Supongamos que nuestra hip
otesis es:
i = i0
Econometra
Inferencia
Test de dos colas
Supongamos que nuestra hip
otesis es:
i = i0
i 6= i0
Econometra
Inferencia
Test de dos colas
Supongamos que nuestra hip
otesis es:
i = i0
i 6= i0
En este caso estamos repartiendo uniformemente la probabilidad
de rechazo en ambas colas de la distribuci
on como lo muestra la
siguiente figura (al 95 % de confianza):
Econometra
Inferencia
Test de dos colas
Supongamos que nuestra hip
otesis es:
i = i0
i 6= i0
En este caso estamos repartiendo uniformemente la probabilidad
de rechazo en ambas colas de la distribuci
on como lo muestra la
siguiente figura (al 95 % de confianza):
Econometra
Inferencia
Error de Tipo I, Error de Tipo II, Tama
no y Potencia de un test
Econometra
Inferencia
Error de Tipo I, Error de Tipo II, Tama
no y Potencia de un test
1
Econometra
Inferencia
Error de Tipo I, Error de Tipo II, Tama
no y Potencia de un test
1
Econometra
Inferencia
Error de Tipo I, Error de Tipo II, Tama
no y Potencia de un test
1
Tama
no del Test: Corresponde la probabilidad de cometer ETI. Se
define como el nivel de significancia del test (a).
Econometra
Inferencia
Error de Tipo I, Error de Tipo II, Tama
no y Potencia de un test
1
Tama
no del Test: Corresponde la probabilidad de cometer ETI. Se
define como el nivel de significancia del test (a).
Econometra
Inferencia
Error de Tipo I, Error de Tipo II, Tama
no y Potencia de un test
1
Tama
no del Test: Corresponde la probabilidad de cometer ETI. Se
define como el nivel de significancia del test (a).
Econometra
Inferencia
Error de Tipo I, Error de Tipo II, Tama
no y Potencia de un test
1
Tama
no del Test: Corresponde la probabilidad de cometer ETI. Se
define como el nivel de significancia del test (a).
El
optimo para el investigador sera minimizar ambos tipos de errores y tener
un test con un menor tama
no y mayor potencia posibles, sin embargo, note
que el tama
no del test y por lo tanto, el ETI, es una variable end
ogena al
investigador, en tanto que
el decide con que nivel de confianza trabajar.
Luego, el objetivo se transforma en, dado un nivel de confianza, minimizar la
ocurrencia de ETII. Intuitivamente, si usted escoge un nivel de significancia
peque
no (1 %, por ejemplo), sus zonas de rechazo ser
an peque
nas, con lo
cual, inevitablemente, la zona de no rechazo crece, lo cual implica que por
minimizar el ETI, ha aumentado el ETII.
Juan Carlos Abanto Orihuela
Econometra
Inferencia
P-value
Econometra
Inferencia
P-value
Otra forma alternativa al valor crtico de tabla para rechazar o no
rechazar nuestra nula, corresponde al uso de los llamados p-values,
los cuales son reportados en cualquier paquete estadstico. El
p-value (p) se define como:
Econometra
Inferencia
P-value
Otra forma alternativa al valor crtico de tabla para rechazar o no
rechazar nuestra nula, corresponde al uso de los llamados p-values,
los cuales son reportados en cualquier paquete estadstico. El
p-value (p) se define como:
p = p(t calculado ) = P(|Z | t calculado ) = 2(1 (t calculado ))
Econometra
Inferencia
P-value
Otra forma alternativa al valor crtico de tabla para rechazar o no
rechazar nuestra nula, corresponde al uso de los llamados p-values,
los cuales son reportados en cualquier paquete estadstico. El
p-value (p) se define como:
p = p(t calculado ) = P(|Z | t calculado ) = 2(1 (t calculado ))
Es decir, el p-value representa la probabilidad de que el valor
crtico (t de tabla, en nuestro caso), sea mayor al valor t
calculado, es decir, describe el nivel de significancia exacto
asociado a un resultado econometrico en particular. Por ejemplo,
un p-value de 0.07 indica que un coeficiente es estadsticamente
significativo en un nivel de 0.07 (o con un 93 % de confianza).
Econometra
Inferencia
Test F (Conjunto de hip
otesis lineales)
Econometra
Inferencia
Test F (Conjunto de hip
otesis lineales)
1
R = [Oqx1 Ik1 ]; r = 0; q = k 1
Econometra
Inferencia
Test F (Conjunto de hip
otesis lineales)
1
R = [Oqx1 Ik1 ]; r = 0; q = k 1
Econometra
Inferencia
Test F (Conjunto de hip
otesis lineales)
1
R = [Oqx1 Ik1 ]; r = 0; q = k 1
Econometra
Inferencia
Test F (Conjunto de hip
otesis lineales)
1
R = [Oqx1 Ik1 ]; r = 0; q = k 1
Econometra
Inferencia
Test F (Conjunto de hip
otesis lineales)
1
R = [Oqx1 Ik1 ]; r = 0; q = k 1
Econometra
Inferencia
Todas las pendientes del modelo son cero: En este caso, se
puede demostrar que el test F puede expresarse como:
Econometra
Inferencia
Todas las pendientes del modelo son cero: En este caso, se
puede demostrar que el test F puede expresarse como:
F =
SSE /(k 1)
Fk1,nk
SSR/(n k)
Econometra
Inferencia
Todas las pendientes del modelo son cero: En este caso, se
puede demostrar que el test F puede expresarse como:
F =
F =
SSE /(k 1)
Fk1,nk
SSR/(n k)
R 2 /(k 1)
F(k1,nk)
(1 R 2 )/(n k)
Econometra
Inferencia
Todas las pendientes del modelo son cero: En este caso, se
puede demostrar que el test F puede expresarse como:
F =
F =
SSE /(k 1)
Fk1,nk
SSR/(n k)
R 2 /(k 1)
F(k1,nk)
(1 R 2 )/(n k)
(
u0 u
u
0 u
)/k2
F (k2 , n k)
u
0 u
/(n k)
Econometra
Inferencia
Todas las pendientes del modelo son cero: En este caso, se
puede demostrar que el test F puede expresarse como:
F =
F =
SSE /(k 1)
Fk1,nk
SSR/(n k)
R 2 /(k 1)
F(k1,nk)
(1 R 2 )/(n k)
(
u0 u
u
0 u
)/k2
F (k2 , n k)
u
0 u
/(n k)
Donde u
denotan los residuos MCO restringidos (donde k2
representa el n
umero de regresores que han sido restringidos a
cero), mientras que u
representan los residuos del modelo MCO
original.
Juan Carlos Abanto Orihuela
Econometra
Inferencia
Intervalos de Confianza
Econometra
Inferencia
Intervalos de Confianza
Una forma alternativa (o mejor dicho complementaria) de
examinar la significancia estadstica de un par
ametro ( o un
conjunto de ellos) es a traves de intervalos de confianza (IC). Ellos
nos indican, dado un nivel de confianza, el rango de valores
admisibles del coeficiente que se estima. Los niveles de confianza
generalmente utilizados son 99 %, 95 %y 90 % (al igual que en los
test de hip
otesis), donde el tama
no de los mismos es
necesariamente decreciente.
Econometra
Inferencia
Intervalos de Confianza
Una forma alternativa (o mejor dicho complementaria) de
examinar la significancia estadstica de un par
ametro ( o un
conjunto de ellos) es a traves de intervalos de confianza (IC). Ellos
nos indican, dado un nivel de confianza, el rango de valores
admisibles del coeficiente que se estima. Los niveles de confianza
generalmente utilizados son 99 %, 95 %y 90 % (al igual que en los
test de hip
otesis), donde el tama
no de los mismos es
necesariamente decreciente.
Una manera natural de obtener el IC asociado a i es a traves del
test t asociado. Vimos entonces que el corresponde a:
Econometra
Inferencia
Intervalos de Confianza
Una forma alternativa (o mejor dicho complementaria) de
examinar la significancia estadstica de un par
ametro ( o un
conjunto de ellos) es a traves de intervalos de confianza (IC). Ellos
nos indican, dado un nivel de confianza, el rango de valores
admisibles del coeficiente que se estima. Los niveles de confianza
generalmente utilizados son 99 %, 95 %y 90 % (al igual que en los
test de hip
otesis), donde el tama
no de los mismos es
necesariamente decreciente.
Una manera natural de obtener el IC asociado a i es a traves del
test t asociado. Vimos entonces que el corresponde a:
i0
qi
tnk
Var (i )
Econometra
Inferencia
Entonces, si deseamos un IC del (1 ) % de confianza (es decir,
de % de significancia) para el par
ametro i , basta obtener de
las tablas de distribuci
on el valor Z correspondiente, es decir:
Econometra
Inferencia
Entonces, si deseamos un IC del (1 ) % de confianza (es decir,
de % de significancia) para el par
ametro i , basta obtener de
las tablas de distribuci
on el valor Z correspondiente, es decir:
i i0
Z1/2 ]
1 = Pr [Z/2 q
Var (i )
Econometra
Inferencia
Entonces, si deseamos un IC del (1 ) % de confianza (es decir,
de % de significancia) para el par
ametro i , basta obtener de
las tablas de distribuci
on el valor Z correspondiente, es decir:
i i0
Z1/2 ]
1 = Pr [Z/2 q
Var (i )
i i0
Z1/2 ]
= Pr [Z1/2 q
Var (i )
Econometra
Inferencia
Entonces, si deseamos un IC del (1 ) % de confianza (es decir,
de % de significancia) para el par
ametro i , basta obtener de
las tablas de distribuci
on el valor Z correspondiente, es decir:
i i0
Z1/2 ]
1 = Pr [Z/2 q
Var (i )
i i0
Z1/2 ]
= Pr [Z1/2 q
Var (i )
q
q
= Pr i0 Z1/2 Var (i ) i i0 + Z1/2 Var (i )
Econometra
Inferencia
Entonces, si deseamos un IC del (1 ) % de confianza (es decir,
de % de significancia) para el par
ametro i , basta obtener de
las tablas de distribuci
on el valor Z correspondiente, es decir:
i i0
Z1/2 ]
1 = Pr [Z/2 q
Var (i )
i i0
Z1/2 ]
= Pr [Z1/2 q
Var (i )
q
q
= Pr i0 Z1/2 Var (i ) i i0 + Z1/2 Var (i )
donde la tercera expresi
on se obtiene de despejar i0 de la
segunda. Note que el intervalo ha sido construido en base a una
distribuci
on simetrica (como la t o la normal), por lo cual el valor
de tabla a escoger debe corresponder a /2 .
Juan Carlos Abanto Orihuela
Econometra
Inferencia
Note adem
as que dicho intervalo est
a construido s
olo en base a
constantes conocidas. Una vez construido, se puede contrastar la
nula (H0 : i = i0 ) al nivel de significancia sencillamente
observando si i0 pertenece al intervalo (en cuyo caso no
rechazamos la nula) o se encuentra fuera de el (en cuyo caso
rechazamos la nula). Nuevamente, la validez de dicho intervalo de
confianza depende crticamente del supuesto de distribuci
on de los
errores. En el caso que el valor Z se obtenga de la tabla t, como
ya sabemos, estamos suponiendo que los errores siguen una
distribuci
on normal. Un caso m
as general es utilizar los valores
crticos de la distribuci
on normal est
andar.
Econometra
Inferencia
Note adem
as que dicho intervalo est
a construido s
olo en base a
constantes conocidas. Una vez construido, se puede contrastar la
nula (H0 : i = i0 ) al nivel de significancia sencillamente
observando si i0 pertenece al intervalo (en cuyo caso no
rechazamos la nula) o se encuentra fuera de el (en cuyo caso
rechazamos la nula). Nuevamente, la validez de dicho intervalo de
confianza depende crticamente del supuesto de distribuci
on de los
errores. En el caso que el valor Z se obtenga de la tabla t, como
ya sabemos, estamos suponiendo que los errores siguen una
distribuci
on normal. Un caso m
as general es utilizar los valores
crticos de la distribuci
on normal est
andar.
El intervalo de confianza para la varianza de los errores.
Econometra
Inferencia
Note adem
as que dicho intervalo est
a construido s
olo en base a
constantes conocidas. Una vez construido, se puede contrastar la
nula (H0 : i = i0 ) al nivel de significancia sencillamente
observando si i0 pertenece al intervalo (en cuyo caso no
rechazamos la nula) o se encuentra fuera de el (en cuyo caso
rechazamos la nula). Nuevamente, la validez de dicho intervalo de
confianza depende crticamente del supuesto de distribuci
on de los
errores. En el caso que el valor Z se obtenga de la tabla t, como
ya sabemos, estamos suponiendo que los errores siguen una
distribuci
on normal. Un caso m
as general es utilizar los valores
crticos de la distribuci
on normal est
andar.
El intervalo de confianza para la varianza de los errores.
u
0 u
2nk
2
Econometra
Inferencia
Note adem
as que dicho intervalo est
a construido s
olo en base a
constantes conocidas. Una vez construido, se puede contrastar la
nula (H0 : i = i0 ) al nivel de significancia sencillamente
observando si i0 pertenece al intervalo (en cuyo caso no
rechazamos la nula) o se encuentra fuera de el (en cuyo caso
rechazamos la nula). Nuevamente, la validez de dicho intervalo de
confianza depende crticamente del supuesto de distribuci
on de los
errores. En el caso que el valor Z se obtenga de la tabla t, como
ya sabemos, estamos suponiendo que los errores siguen una
distribuci
on normal. Un caso m
as general es utilizar los valores
crticos de la distribuci
on normal est
andar.
El intervalo de confianza para la varianza de los errores.
u
0 u
2nk
2
(n k)
2
2nk
2
Econometra
Inferencia
Utilizando la misma l
ogica que utilizamos para el IC de un
tenemos que el IC para
par
ametro ,
2 corresponde a:
Econometra
Inferencia
Utilizando la misma l
ogica que utilizamos para el IC de un
tenemos que el IC para
par
ametro ,
2 corresponde a:
"
#
(n k)
2
(n k)
2
2
2
= (1 )
2nk,
nk,1
Econometra
Inferencia
Utilizando la misma l
ogica que utilizamos para el IC de un
tenemos que el IC para
par
ametro ,
2 corresponde a:
"
#
(n k)
2
(n k)
2
2
2
= (1 )
2nk,
nk,1
Note que los valores crticos utilizados corresponden a 2nk,1 y
2nk, , ya que la distribuci
on 2 es una distribuci
on asimetrica.
Econometra
Inferencia
Test de normalidad
Econometra
Inferencia
Test de normalidad
Consideramos ahora el problema de utilizar los momentos de los residuos
MCO para hacer inferencia sobre la distribuci
on de los errores poblacionales.
Dado que algunas de las propiedades de MCO y de la inferencia dependen
del supuesto de normalidad en los errores, es importante poseer un contraste
para dicho supuesto.
Econometra
Inferencia
Test de normalidad
Consideramos ahora el problema de utilizar los momentos de los residuos
MCO para hacer inferencia sobre la distribuci
on de los errores poblacionales.
Dado que algunas de las propiedades de MCO y de la inferencia dependen
del supuesto de normalidad en los errores, es importante poseer un contraste
on normal es sim
etrica y
para dicho supuesto. Como es sabido, la distribuci
mesoc
urtica. La simetra implica que el tercer momento poblacional E (u 3 ) en
torno a la media, es cero. El hecho que sea mesoc
urtica implica que la
kurtosis es 3 (es decir, el ancho de las colas de la distribuci
on, el cual se mide
utilizando el cuarto momento en torno a la media). Recordemos entonces
que el coeficiente de simetra poblacional se define como:
Econometra
Inferencia
Test de normalidad
Consideramos ahora el problema de utilizar los momentos de los residuos
MCO para hacer inferencia sobre la distribuci
on de los errores poblacionales.
Dado que algunas de las propiedades de MCO y de la inferencia dependen
del supuesto de normalidad en los errores, es importante poseer un contraste
on normal es sim
etrica y
para dicho supuesto. Como es sabido, la distribuci
mesoc
urtica. La simetra implica que el tercer momento poblacional E (u 3 ) en
torno a la media, es cero. El hecho que sea mesoc
urtica implica que la
kurtosis es 3 (es decir, el ancho de las colas de la distribuci
on, el cual se mide
utilizando el cuarto momento en torno a la media). Recordemos entonces
que el coeficiente de simetra poblacional se define como:
S=
E (u 3 )
3
( 2 ) 2
Econometra
Inferencia
Test de normalidad
Consideramos ahora el problema de utilizar los momentos de los residuos
MCO para hacer inferencia sobre la distribuci
on de los errores poblacionales.
Dado que algunas de las propiedades de MCO y de la inferencia dependen
del supuesto de normalidad en los errores, es importante poseer un contraste
on normal es sim
etrica y
para dicho supuesto. Como es sabido, la distribuci
mesoc
urtica. La simetra implica que el tercer momento poblacional E (u 3 ) en
torno a la media, es cero. El hecho que sea mesoc
urtica implica que la
kurtosis es 3 (es decir, el ancho de las colas de la distribuci
on, el cual se mide
utilizando el cuarto momento en torno a la media). Recordemos entonces
que el coeficiente de simetra poblacional se define como:
S=
E (u 3 )
3
( 2 ) 2
mientras que la kurtosis (o coeficiente de):
Econometra
Inferencia
Test de normalidad
Consideramos ahora el problema de utilizar los momentos de los residuos
MCO para hacer inferencia sobre la distribuci
on de los errores poblacionales.
Dado que algunas de las propiedades de MCO y de la inferencia dependen
del supuesto de normalidad en los errores, es importante poseer un contraste
on normal es sim
etrica y
para dicho supuesto. Como es sabido, la distribuci
mesoc
urtica. La simetra implica que el tercer momento poblacional E (u 3 ) en
torno a la media, es cero. El hecho que sea mesoc
urtica implica que la
kurtosis es 3 (es decir, el ancho de las colas de la distribuci
on, el cual se mide
utilizando el cuarto momento en torno a la media). Recordemos entonces
que el coeficiente de simetra poblacional se define como:
S=
E (u 3 )
3
( 2 ) 2
mientras que la kurtosis (o coeficiente de):
K =
E (u 4 )
( 2 )2
Econometra
Inferencia
Econometra
Inferencia
Econometra
Inferencia
Econometra
Inferencia
Econometra
Inferencia
mr =
n
1X r
u
i
n
i=1
Econometra
Inferencia
Note que el estadgrafo est
a definido en terminos del exceso de
kurtosis, por lo cual, a menor sea el valor, menor es la probabilidad
de rechazar la nula de normalidad. Note adem
as que el estadstico
es esencialmente no constructivo, en terminos de que no nos
indica que camino seguir en caso de rechazar la nula, adem
as de
que no rechazar normalidad no implica confirmar su existencia. Sin
embargo, en la pr
actica corresponde al test m
as utilizado.
Econometra
Inferencia
Note que el estadgrafo est
a definido en terminos del exceso de
kurtosis, por lo cual, a menor sea el valor, menor es la probabilidad
de rechazar la nula de normalidad. Note adem
as que el estadstico
es esencialmente no constructivo, en terminos de que no nos
indica que camino seguir en caso de rechazar la nula, adem
as de
que no rechazar normalidad no implica confirmar su existencia. Sin
embargo, en la pr
actica corresponde al test m
as utilizado.
Econometra