Está en la página 1de 39

TEMA 3: Contrastes de Hipótesis en el MRL

Econometría I

M. Angeles Carnero

Departamento de Fundamentos del Análisis Económico

Curso 2011-12

Econometría I (UA) Tema 3: Contrastes de Hipótesis Curso 2011-12 1 / 39


Contrastes de Hipótesis en el MRL

Contrastes sobre un único coeficiente:

Supongamos primero que queremos contrastar

H0 : βj = β0j H0 : βj = β0j H0 : βj = β0j


a) b) c)
H1 : βj 6= β0j H1 : βj > β0j H1 : βj < β0j

El estadístico de contraste es el mismo para los tres casos, lo que


varía dependiendo de cuál sea la hipótesis alternativa es la región
crítica.

Sabemos que h i
b
βj N βj , σ2 (X0 X)jj 1

donde (X0 X)jj 1 es el elemento (j, j) de la matriz (X0 X) 1.

Econometría I (UA) Tema 3: Contrastes de Hipótesis Curso 2009-10 2 / 39


Bajo H0 h i
b
βj N β0j , σ2 (X0 X)jj 1

Podemos estandarizar b
βj restando la media y dividiendo por la
desviación tipica

b
βj β0j
z= q N (0, 1) bajo H0
σ2 (X0 X)jj 1

Nótese que z sólo nos serviría como estadístico de contraste si σ2


fuese conocida, lo que no suele ocurrir en la práctica. Si σ2 es
desconocida, para construir el estadístico de contraste, tenemos
que combinar z con otro estadístico que también dependa de σ2 de
forma que al combinarlos obtengamos un estadístico que no
dependa de σ2 .

Econometría I (UA) Tema 3: Contrastes de Hipótesis Curso 2009-10 3 / 39


Puesto que
b 2 (T k )
σ
χ2(T k)
σ2
y como σb2 y b
βj son independientes definimos el estadístico de
contraste:
b
βj β0j
q
σ2 (X0 X)jj 1 b
βj β0j b
βj β0j
t= r =q = tT k bajo H0
b2
(T k ) σ b2 (X0 X)jj 1
σ SE(b
βj )
σ 2 (T k )

Para un nivel de significación α, las regiones críticas son:

a) fjtj > tT k,α/2 g


b) ft > tT k,α g
c) ft < tT k,α g

Econometría I (UA) Tema 3: Contrastes de Hipótesis Curso 2009-10 4 / 39


Ejemplo 1:

Consideremos un modelo simple que relaciona el número anual


de delitos en los campus universitarios (crime) con el número de
alumnos matriculados (enroll)

log(crime) = β1 + β2 log(enroll) + u

Notese que este es un modelo de elasticidad constante ya que es


lineal en logarítmos. β2 mide la elasticidad de los delitos repecto
al número de alumnos matriculados.
En base a una muestra de 97 universidades americanas se han
obtenido los siguientes resultados

log\
(crime) = 6,63 + 1,27 log(enroll)
(1,03) (0,11)

donde los números entre paréntesis son los errores estándar.

Econometría I (UA) Tema 3: Contrastes de Hipótesis Curso 2009-10 5 / 39


Vamos a contrastar si existe suficiente evidencia para afirmar que
un aumento de un 1 % en el número de alumnos matriculados
supone un aumento de más del 1 % en el número de delitos.
Primero tenemos que determinar la hipótesis nula y la hipótesis
alternativa. Puesto que el incremento porcentual en el número de
delitos ante un aumento de un 1 % en la matricula viene dado por
la elasticidad β2 , tenemos que contrastar si hay evidencia
suficiente para afirmar que β2 > 1. Es decir tenemos que
contrastar
H0 : β2 = 1
H1 : β2 > 1
El estadístico de contraste es
b
β2 1
t= t95 bajo H0
SE(b
β2 )
El valor del estadístico de contraste para esta muestra es
t = (1,27 1)/0,11 = 2,45. Como t = 2,45 > t95,0,05 = 1,66,
podemos rechazar H0 al 5 %.
Econometría I (UA) Tema 3: Contrastes de Hipótesis Curso 2009-10 6 / 39
Hay suficiente evidencia para afirmar que un aumento de un 1 %
en el número de alumnos matriculados supone un aumento de
más del 1 % en el número de delitos.
Caso Particular: Contraste de significatividad individual

H0 : βj = 0
H1 : βj 6= 0

El estadístico de contraste es:


b
βj
t= tT k bajo H0
SE(b
βj )

Este estadístico t se denomina t ratio.

Econometría I (UA) Tema 3: Contrastes de Hipótesis Curso 2009-10 7 / 39


Contrastes de una restricción lineal:

Supongamos que ahora queremos contrastar una restricción lineal


cualquiera

H0 : Rβ = r H0 : Rβ = r H0 : Rβ = r
a) b) c)
H1 : Rβ 6= r H1 : Rβ > r H1 : Rβ < r

donde R es un vector 1 k y r es un escalar.


El estadístico de contraste es el mismo para los tres contrastes, lo
que varía dependiendo de cuál sea la hipótesis alternativa es la
región crítica.
Dado que
b
β N ( β, σ2 (X0 X) 1
)

Rb
β N (Rβ, σ2 R(X0 X) 1 0
R)

Econometría I (UA) Tema 3: Contrastes de Hipótesis Curso 2009-10 8 / 39


Bajo H0
Rb
β N (r, σ2 R(X0 X) 1 0
R)
y puesto que Rbβ es un escalar podemos estandarizar su
distribución restando la media y dividiendo por la desviación
típica
Rbβ r
z= p N (0, 1) Bajo H0
σ 2 R (X 0 X ) 1 R0
Nótese que z sólo nos serviría como estadístico de contraste si σ2
fuese conocida, lo que no suele ocurrir en la práctica. Si σ2 es
desconocida, para construir el estadístico de contraste, tenemos
que combinar z con otro estadístico que también dependa de σ2 de
forma que al combinarlos obtengamos un estadístico que no
dependa de σ2 .

Econometría I (UA) Tema 3: Contrastes de Hipótesis Curso 2009-10 9 / 39


Puesto que
(T b2
k) σ
χ2T k
σ2
b2 y b
y que σ β son independientes definimos el estadístico de
contraste:
b
p 2Rβ Rβ
σ R(X 0 X ) 1R Rb
β r Rb
β r
t = r =q =q tT k
b2
(T k ) σ b 2 R(X 0 X )
σ 1 R0 [
Rvar (b
β )R0
σ 2 (T k )

bajo H0

Para un nivel de significación α, las regiones críticas son:

a) fjtj > tT k,α/2 g


b) ft > tT k,α g
c) ft < tT k,α g

Econometría I (UA) Tema 3: Contrastes de Hipótesis Curso 2009-10 10 / 39


Ejemplo 2:

Consideremos el modelo para el gasto en vestido y calzado que ya


vimos en el Tema 1.

gvest = β1 + β2 renta + β3 nad + β4 nhijos + u

El modelo estimado en base a una muestra de 7038 hogares


españoles es

g[
vestt = 1,2 + 0,064 rentat + 0,132 nadt + 0,159 nhijost
(0,0033) (0,0419) (0,0391)
2 3
0,022784
\ 6 0,000146 0,00001 7
var β) = 6
(b 4 0,004746
7
5
0,000034 0,001752
0,003505 4,471e 07 0,000495 0,001525

Econometría I (UA) Tema 3: Contrastes de Hipótesis Curso 2009-10 11 / 39


donde gvest es el gasto anual del hogar en vestido y calzado (en
miles Euros), renta es la renta anual del hogar (en miles de Euros),
nad es el número de adultos en el hogar y nhijos es el número de
hijos menores de 18 años, y los números entre paréntesis son los
errores estándar.
Vamos a contrastar si un aumento en el número de hijos tiene el
mismo efecto sobre el gasto en vestido y calzado que un aumento
en el número de adultos. Es decir, vamos a contrastar

H0 : β3 = β4
H1 : β3 6= β4

El vector R es en este caso R = (0, 0, 1, 1) y r = 0, por tanto

Rb
β r=b
β3 b
β4

[
Rvar (b \
β)R0 = var (b \
β3 ) + var (b
β4 ) 2 cov\
(b
β3 , b
β4 )

Econometría I (UA) Tema 3: Contrastes de Hipótesis Curso 2009-10 12 / 39


El estadístico de contraste es
b
β3 b
β4
q t7034 ' N (0, 1) Bajo H0
\
var (b \
β3 ) + var (b
β4 ) 2 cov\
(b
β3 , b
β4 )

\
Utilizando var (b
β) :

\
var (b \
β3 ) + var (b
β4 ) 2 cov\
(b
β3 , b
β4 ) = 0,00175293 +
+0,00152536 2 0,00049591 = 0,002286

y el valor del estadístico


p de contraste en la muestra es
t = (0,132 0,159)/ 0,002286 = 0,56.
Puesto que jtj = 0,56 z0,025 = 1,96, no podemos rechazar H0 al
5 % y por tanto concluimos que un aumento en el número de hijos
tiene el mismo efecto sobre el gasto en vestido y calzado que un
aumento en el número de adultos.

Econometría I (UA) Tema 3: Contrastes de Hipótesis Curso 2009-10 13 / 39


Para realizar este contraste de forma más sencilla podemos
reparametrizar el modelo de la siguiente forma. Sea θ 3 = β3 β4 ,
la hipótesis que tenemos que contrastar es ahora
H0 : θ 3 = 0
H1 : θ 3 6= 0
Dado que β3 = θ 3 + β4 podemos escribir el modelo como
gvest = β1 + β2 renta + (θ 3 + β4 )nad + β4 nhijos + u
gvest = β1 + β2 renta + θ 3 nad + β4 (nad + nhijos) + u
gvest = β1 + β2 renta + θ 3 nad + β4 tfam + u
donde tfam = nad + nhijos.
En base a la misma muestra se obtiene
g[
vestt = 1,2 + 0,064 rentat 0,027nadt + 0,159 tfamt
(0,0033) (0,048) (0,0391)

El valor del estadístico de contraste es t = 0,027/0,048 = 0,56


que (salvo errores de redondeo) coincide con el resultado que
obtuvimos antes.
Econometría I (UA) Tema 3: Contrastes de Hipótesis Curso 2009-10 14 / 39
Contrastes de un conjunto de restricciones lineales:

Supongamos ahora que queremos contrastar q (q < k)


restricciones lineales
H0 : Rβ = r
H1 : Rβ 6= r
donde R es ahora una matriz q k de rango q (que la matriz R
tenga rango q quiere decir que las restricciones lineales son
independientes) y r es un vector q 1
Dado que
b
β N ( β, σ2 (X0 X) 1
)
Multiplicando por la izquierda por R

Rb
β N (Rβ, σ2 R(X0 X) 1 0
R)

Econometría I (UA) Tema 3: Contrastes de Hipótesis Curso 2009-10 15 / 39


Bajo H0
Rb
β N (r, σ2 R(X0 X) 1 0
R)
dado que ahora Rb β es un vector q 1 y no un escalar, no podemos
estandarizar su distribución como hicimos en el apartado anterior,
sin embargo, utilizando el Teorema 6 del tema 3

χ = (R b
β r) 0 ( σ 2 R(X 0 X ) 1 0
R) 1
(R b
β r) χ2q bajo H0

Nótese que χ sólo nos serviría como estadístico de contraste si σ2


fuese conocida, lo que no suele ocurrir en la práctica. Si σ2 es
desconocida, para construir el estadístico de contraste, tenemos
que combinar χ con otro estadístico que también dependa de σ2
de forma que al combinarlos obtengamos un estadístico que no
dependa de σ2 .

Econometría I (UA) Tema 3: Contrastes de Hipótesis Curso 2009-10 16 / 39


Puesto que
(T b2
k) σ
χ2T k
σ2
y como σb2 y b
β son independientes definimos el estadístico de
contraste:
(R b
β r) 0 ( σ 2 R(X 0 X ) 1 R0 ) 1 (R b
β r)/q
F= b2
(T k ) σ
σ 2 (T k )

= (R b
β b 2 R (X 0 X ) 1 R0 ) 1 (R b
r) 0 ( σ β r)/q
= (R b
β r)0 (Rvar \ (b
β )R0 ) 1 (R bβ r)/q Fq,T bajo H0
k

para un nivel de significación α, la región crítica es fF > Fq,T k,α g.

Econometría I (UA) Tema 3: Contrastes de Hipótesis Curso 2009-10 17 / 39


Ejemplo 3:

Consideremos el modelo para los salarios estimado en base a una


muestra de 935 individuos que ya vimos en el Tema 1.

\t =
salario 7,92 + 0,605educt + 0,357edadt 0,0022edad2t
(0,056) (1,000) (0,015)
2 3
271,88
\ 6 0,039628 0,003182 7
var β) = 6
(b 4 16,470229
7
5
0,005031 1,001572
0,246787 0,000076 0,015031 0,000225

donde salario es el salario mensual en cientos de dolares, educ es el


nivel de educación en años, edad es la edad en años y edad2 es la
edad al cuadrado.

Econometría I (UA) Tema 3: Contrastes de Hipótesis Curso 2009-10 18 / 39


Vamos a contrastar si el efecto marginal de la edad sobre el salario
es cero. Si β3 y β4 son los coeficientes poblacionales de edad y
edad2, el efecto marginal es

β3 + 2 β4 edad

y el efecto marginal será cero si y solo si

β3 + 2 β4 edad = 0

para todo valor de edad.


Por tanto, tenemos que contrastar:

H0 : β3 = 0, β4 = 0
H1 : β3 6= 0 y/o β4 6= 0
La matriz R y el vector r son

0 0 1 0 0
R= , r=
0 0 0 1 0

Econometría I (UA) Tema 3: Contrastes de Hipótesis Curso 2009-10 19 / 39


El estadístico de contraste es
2 3 1 !
\ b
var( β3 ) \ b b
cov( β3 , β3 ) 5 b
β3
F = (b β3 , b
β4 ) 4 b /2 F2,931
\
cov(bβ3 , b \
β3 ) var (b
β4 ) β4

bajo H0
El valor del estadístico de contraste en la muestra es:
1
1 1,001572 0,015031 0,357
F = (0,357, 0,0022)
2 0,015031 0,000225 0,0022
1 639,70242 42557,269 0,357
= (0,357, 0,0022)
2 42557,269 2835618,9 0,0022
1
= 28,40 = 14,2
2
Puesto que F = 14,2 > F2,931,0,05 = 3 podemos rechazar H0 al 5 % y
por tanto concluimos que los salarios dependen de la edad.
Nota: Los estadísticos de contraste t y F no varían ante un cambio
de unidades de medida en las variables explicativas y/o en la
variable dependiente.
Econometría I (UA) Tema 3: Contrastes de Hipótesis Curso 2009-10 20 / 39
Estimación con restricciones lineales

Si sabemos que los coeficientes del modelo satisfacen una o más


restricciones lineales podemos imponer dichas restricciones para
mejorar la eficiencia. El método de estimación por mínimos cuadrados
imponiendo restricciones lineales en los parámetros del modelo se
denomina Estimación de Mínimos Cuadrados Restringidos.
Consideremos un conjunto de q restricciones lineales Rβ = r,
donde R es una matriz q k y r es un vector q 1. El estimador de
Mínimos Cuadrados Restringidos se obtiene como solución del
problema de minimización con restricciones
T
m«ın ∑ e2t = m«ın e0 e
b t=1 b

sujeto a Rb = r

donde e = Y Xb.

Econometría I (UA) Tema 3: Contrastes de Hipótesis Curso 2009-10 21 / 39


La solución al problema de minimización es:
h i 1
b 1
βr = b
β (X 0 X ) 1 R0 R X 0 X R0 Rb
β r

No es necesario utilizar la fórmula general para calcular el


estimador de Mínimos Cuadrados Restringidos. Lo que se hace en
la práctica es imponer las restricciones en el modelo y calcular el
estimador MCO del modelo restringido.

Econometría I (UA) Tema 3: Contrastes de Hipótesis Curso 2009-10 22 / 39


Ejemplo 2 (Continuación):
Consideremos de nuevo el modelo

gvest = β1 + β2 renta + β3 nad + β4 nhijos + u (1)


Si imponemos la restricción que contrastamos anteriormente de
que un aumento en el número de hijos tiene el mismo efecto sobre
el gasto en vestido y calzado que un aumento en el número de
adultos (β3 = β4 ) obtenemos el modelo

gvest = β1 + β2 renta + β3 (nad + nhijos) + u (2)

y el estimador de Mínimos Cuadrados Restringidos del modelo


(1) imponiendo la restricción β3 = β4 es el estimador MCO del
modelo (2).

Econometría I (UA) Tema 3: Contrastes de Hipótesis Curso 2009-10 23 / 39


Propiedades del estimador bβr :

h i 1
1
1 E[ b
βr ] = β + (X 0 X ) 1 R0 R (X 0 X ) R0 (r Rβ)
Entonces E b
βr = β cuando las restricciones Rβ = r son ciertas
Demostración
h i 1
1
βr ] = E b
E[ b β (X 0 X ) 1 R0 R X 0 X R0 Rb
β r =
h i 1
1
= β (X 0 X ) 1 R0 R X 0 X R0 (Rβ r)
Ya que E[ b
β]= β
= β
Si Rβ=r

h i h i 1
1 1
2 Var b
βr = σ 2 (X 0 X ) 1 σ 2 (X 0 X ) 1 R0 R (X 0 X ) R0 R (X 0 X )
h i h i
Nótese que Var b βr Var b β con independencia de Rβ = r o no.

Econometría I (UA) Tema 3: Contrastes de Hipótesis Curso 2009-10 24 / 39


El contraste F:
Se puede demostrar que
h i0 h i 1 h i
er0 er = e0 e + r Rb
β R(X 0 X ) 1 0
R r Rb
β

Por tanto, el estadístico de contraste F para contrastar Rβ = q se


puede escribir como:
h i 1
1
(R b
β r) 0 R (X 0 X ) R0 (R b
β r) q
F = =
b2
σ
(er0 er e0 e) q
= Fq,T k bajo H0
(e0 e ) (T k )

Econometría I (UA) Tema 3: Contrastes de Hipótesis Curso 2009-10 25 / 39


Si no cambia la variable dependiente como consecuencia de la
restricción, entonces, de la definición de coeficiente de
determinación se deduce que:

(er0 er e0 e) q R2 R2r q
F= = Fq,T k bajo H0
(e0 e ) (T k ) (1 R2 ) (T k)

Gracias a estas fórmulas es posible calcular los estadísticos de


contraste utilizando sumas cuadráticas residuales de modelos
estimados por MCO.

Econometría I (UA) Tema 3: Contrastes de Hipótesis Curso 2009-10 26 / 39


Ejemplo 2 (Continuación):
Consideremos de nuevo el modelo
gvest = β1 + β2 renta + β3 nad + β4 nhijos + u
y la restricción de que un aumento en el número de hijos tiene el
mismo efecto sobre el gasto en vestido y calzado que un aumento
en el número de adultos (β3 = β4 )
Los resultados para la estimación del modelo no restringido y del
modelo restringido son
g[
vestt = 1,2 + 0,064 rentat + 0,132 nadt + 0,159 nhijost ,
(0,0033) (0,0419) (0,0391)
0
SCR = e e = 85138,162
[
gvestt = 1,2 + 0,064 rentat + 0,147 tfamt ,
(0,0033) (0,0326)
SCR = er0 er = 85141,9863
donde tfam = nad + nhijos. El valor del estadístico en esta muestra
es F = (85141,9863 85138,162)/(85138,162/7034) = 0,3154 y
como F = 0,3154 < F1,7034 no podemos rechazar H0 al 5 %.
Econometría I (UA) Tema 3: Contrastes de Hipótesis Curso 2009-10 27 / 39
Nótese que este contraste es equivalente al contraste t que vimos
anteriormente para este ejemplo ya que, cuando estamos
contrastando una única restricción, t2 = F. En este ejemplo
obtuvimos t = 0,56 y por tanto t2 = 0,3136 que no coincide
exactamente con el valor que hemos obtenido para F por los
errores de redondeo.
Supongamos que en el modelo del Ejemplo 2 queremos contrastar
la hipótesis de que un aumento en el número de hijos tiene un
efecto mayor sobre el gasto en vestido y calzado que un aumento
en el número de adultos. La hipótesis que tenemos que contrastar
es ahora

H0 : β3 = β4
H1 : β3 < β4

Econometría I (UA) Tema 3: Contrastes de Hipótesis Curso 2009-10 28 / 39


Supongamos que sólo disponemos de información sobre las
sumas cuadráticas residuales del modelo restringido y sin
restringir. A partir del estadístico F, sólo podemos realizar
contrastes bilaterales. Sin embargo, a partir del estadístico F
podemos obtener el estadístico t, puesto que
p
t= F = 0,5616

Para saber si debemos coger la raíz positiva o negativa, debemos


saber el signo del estadístico de contraste t. El estadístico t para
este contraste es:
β̂3 β̂4
t=
SE β̂3 β̂4
y por lo tanto, puesto que el error estándard siempre es positivo, t
es positivo si β̂3 β̂4 > 0 y es negativo si β̂3 β̂4 < 0. Dadas las
estimaciones del modelo: β̂3 β̂4 = 0,132 0,159 = 0,0270 y por
lo tanto concluimos que el estadístico t de contraste que debemos
utilizar es t = 0,5616.
Econometría I (UA) Tema 3: Contrastes de Hipótesis Curso 2009-10 29 / 39
La región crítica para este contraste unilateral es:

ft < t7034,0,05 g ' ft < z0,05 g = ft < 1,645g

Puesto que el estadístico de contraste no pertenece a la región


crítica, no hay suficiente evidencia para afirmar que un aumento
en el número de hijos tiene un efecto mayor sobre el gasto en
vestido y calzado que un aumento en el número de adultos.

Econometría I (UA) Tema 3: Contrastes de Hipótesis Curso 2009-10 30 / 39


Ejemplo 3 (Continuación):
Consideremos de nuevo el modelo para los salarios estimado en
base a una muestra de 935 individuos

\t =
salario 7,92 + 0,605educt + 0,357edadt 0,0022edad2t , R2 = 0,8690
(0,056) (1,000) (0,015)

Vamos a contrastar utilizando ahora el modelo restringido si el


efecto marginal de la edad sobre el salario es cero, es decir

H0 : β3 = 0, β4 = 0
H1 : β3 6= 0 y/o β4 6= 0

donde β3 y β4 son los coeficientes poblacionales de edad y edad2.


Los resultados de la estimación imponiendo las restricciones son:

\ t = 1,47 + 0,602educt ,
salario R2 = 0,8651
(0,057)

Econometría I (UA) Tema 3: Contrastes de Hipótesis Curso 2009-10 31 / 39


El valor del estadístico de contraste para esta muestra es

F = [(0,8690 0,8651)/2] / [(1 0,8690)/931] = 13,86 > F2,931,0,05

Puesto que F = 13,86 > F2,931,0,05 podemos rechazar H0 al 5 % y


por tanto concluimos que los salarios dependen de la edad.
Nótese que el valor de F no coincide exactamente con el que
calculamos anteriormente para este mismo ejemplo debido a los
errores de redondeo.

Econometría I (UA) Tema 3: Contrastes de Hipótesis Curso 2009-10 32 / 39


Caso Particular: Contraste de significatividad global de la
regresión.
Este contraste analiza la hipótesis nula de que todos los
coeficientes del modelo, excepto el término constante, son iguales
a cero
H0 : β2 = β3 = ... = βk = 0
Utilizando la expresión que acabamos de ver para el estadístico F
en función del R2 tenemos
R2 R2r q R2 /(k 1)
F= = Fk 1,T k bajo H0
(1 R2 ) (T k) (1 R2 )/(T k)

ya que el coeficiente de determinación del modelo restringido es 0


en este caso.

Econometría I (UA) Tema 3: Contrastes de Hipótesis Curso 2009-10 33 / 39


Intervalos de confianza

La estimación por intervalos consiste en proponer un intervalo


cuyos límites sean estadísticos, y que contendrán al verdadero
valor del parámetro con una probabilidad determinada.
Para una muestra concreta el intervalo contendrá o no el
verdadero valor del parámetro y no tiene sentido hablar de la
probabilidad de que contenga al verdadero parámetro.
Si obtuviésemos sucesivas muestras aleatorias de un determinado
tamaño muestral y calculásemos los intervalos cada vez, el
porcentaje de intervalos que contendrían el verdadero valor del
parámetro sería en torno al 100(1 α).

Econometría I (UA) Tema 3: Contrastes de Hipótesis Curso 2009-10 34 / 39


Intervalos de confianza para βj
Puesto que h i
b
β N β , σ 2 (X 0 X ) 1
j j jj

Podemos estandarizar b
βj restando la media y dividiendo por la
desviación tipica
b
βj βj
z= q N (0, 1) bajo H0
σ2 (X0 X)jj 1
Sabemos que
b 2 (T k )
σ
χ2(T k)
σ2
b2 y b
y puesto que σ βj son independientes
b
βj βj
q
σ2 (X0 X)jj 1 b
βj βj b
βj βj
t= r =q = tT k
b2
(T k ) σ b2 (X0 X)jj 1
σ SE(b
βj )
2
σ (T k )

Econometría I (UA) Tema 3: Contrastes de Hipótesis Curso 2009-10 35 / 39


Por tanto
!
b
βj βj
Prob tT k,α/2 < < tT k,α/2 =1 α
SE(b
βj )

Manipulando esta expresión tenemos

Prob tT b <b
k,α/2 SE( βj )
βj βj < tT b
k,α/2 SE( βj ) = 1 α

Prob b
βj tT b <β <b
k,α/2 SE( βj )j βj + tT b
k,α/2 SE( βj ) = 1 α

y el intervalo de confianza para βj al 100(1 α) % de confianza es

[b
βj tT b
k,α/2 SE( βj ), βj
b + tT b
k,α/2 SE( βj )]

Econometría I (UA) Tema 3: Contrastes de Hipótesis Curso 2010-11 36 / 39


Ejemplo 1 (Continuación):
Consideremos de nuevo el modelo
log(crime) = β1 + β2 log(enroll) + u
En base a una muestra de 97 universidades americanas se han
obtenido los siguientes resultados

log\
(crime) = 6,63 + 1,27 log(enroll)
(1,03) (0,11)

Como t95,0,025 = 1,98, el intervalo de confianza al 95 % para la


elasticidad de los delitos repecto al número de alumnos
matriculados (β2 ) es
[1,27 0,11 1,98, 1,27 + 0,11 1,98] = [1,0522, 1,4878]
Existe una relación entre los intervalos de confianza y los contraste
de hipótesis: Se rechaza a nivel α la hipótesis nula H0 : βj = β0j
frente a la alternativa H1 : βj 6= β0j si y sólo si β0j no pertenece al
intervalo de confianza para βj al 100(1 α) % de confianza .
Econometría I (UA) Tema 3: Contrastes de Hipótesis Curso 2010-11 37 / 39
Intervalos de confianza para una combinación lineal de los βj
Sea R un vector 1 k, puesto que
h i
b
β N β, σ2 (X0 X) 1
h i
Rbβ N Rβ, σ2 R(X0 X) 1 R0
Podemos estandarizar restando la media y dividiendo por la
Rb
β Rβ
desviación tipicaz = p N (0, 1) bajo H0
σ 2 R(X 0 X ) 1 R0

Sabemos que
b 2 (T k )
σ
χ2(T k)
σ2
b2 y b
y puesto que σ β son independientes
b
p 2Rβ 0Rβ
σ R(X X ) 1 R0 Rb
β Rβ Rb
β Rβ
t= r =q = tT k
b2
(T k ) σ b 2 R(X 0 X )
σ 1 R0 SE(Rb
β)
σ 2 (T k )

Econometría I (UA) Tema 3: Contrastes de Hipótesis Curso 2009-10 38 / 39


Por tanto
!
Rb
β Rβ
Prob tT k,α/2 < < tT k,α/2 =1 α
SE(Rb
β)

Manipulando esta expresión tenemos

Prob tT b < Rb
k,α/2 SE(R β ) β Rβ < tT k,α/2 SE(R β )
b = 1 α

Prob Rb
β tT b < Rβ < Rb
k,α/2 SE(R β ) β + tT k,α/2 SE(R β )
b = 1 α

y el intervalo de confianza para Rβ con nivel de confianza


100(1 α) % es

[R b
β tT b
k,α/2 SE(R β ), R β
b + tT b
k,α/2 SE(R β )]

Existe una relación entre los intervalos de confianza y los contraste


de hipótesis: Se rechaza a nivel α la hipótesis nula H0 : Rβ = r
frente a la alternativa H1 : Rβ 6= r si y sólo si r no pertenece al
intervalo de confianza para Rβ al 100(1 α) % de confianza .
Econometría I (UA) Tema 3: Contrastes de Hipótesis Curso 2010-11 39 / 39