TEMA 5: CONTRASTE DE HIPÓTESIS EN EL MODELO DE REGRESIÓN

LINEAL BÁSICO

5.1 Introducción
5.2 Distribución probabilística de la suma de los cuadrados de los residuos
5.3 Construcción de un estadístico F para contrastes estadísticos sobre los parámetros
del modelo
5.4 Métodos alternativos de realizar contrastes estadísticos de los parámetros del
modelo. Análisis de la varianza

Objetivos del Tema 5:

• Necesidad de realizar infererencia en el MRL
• Principios generales de los contrastes de hipótesis
• Distribución de la SCR
• Estadístico F para contrastar cualquier conjunto de restricciones lineales sobre uno o
varios parámetros
• Estadístico t para contrastes acerca de un solo parámetro
• Saber expresar cualquier conjunto de restricciones en formato matricial
• Métodos alternativos de realizar contrastes estadísticos sobre los parámetros del
modelo
5.1 Introducción

Supongamos que especificamos el siguiente modelo de determinación de salarios:

Wi = β1 + β 2 exp erienciai + β 3 edad i + β 4 sexoi + β 5 NEi + u i

Podríamos hacernos, entre otras, las siguientes preguntas, ¿Hay discriminación por
razón de sexo? ¿Influye la edad en el salario?

Para contestar a estas preguntas hemos de realizar contrastes de hipótesis. Para realizar
cualquier contraste de hipótesis es necesario:

1. Establecer claramente la hipótesis nula, que se desea contrastar, y la alternativa.

2. Construir un estadístico para contrastar la hipótesis formulada
3. Definir una regla de decisión (que nos permitirá rechazar o no la hipótesis nula)

5.2 Distribución probabilística de la suma de los cuadrados de los residuos

Si u → N (0, σ 2 I ) u es un vector Tx1 de variables aleatorias .

La distribución Chi-cuadrado χ n2 : Es una suma de variables aleatorias N(0,1)

independientes al cuadrado.

1
Por tanto, u ′u → χ T2
2
σ

Por otro lado sabemos que, uˆ = Mu y uˆ → N (0, σ 2 M ) , luego

1
uˆ ′uˆ → χ T2 − k
2
σ

En el siguiente aparado utilizaremos este resultado en la construcción del estadístico F.

5.3 Construcción de un estadístico F para contrastes estadísticos sobre los

parámetros del modelo

El objetivo es obtener un estadístico que pueda ser utilizado para contrastar hipótesis
compuestas por un conjunto de restricciones lineales sobre los parámetros del MLB.

Partimos de:

βˆ → N ( β , σ 2 ( X ′X ) −1 )

Lo que nos permite deducir la distribución de la suma de cuadrados siguientes:

2
 (βˆ − β )′ [σ 2 ( X ′X )−1 ]−1 (βˆ − β ) → χ k2

Este resultado permitiría realizar contrastes de todos los parámetros del modelo si
σ2 fuese conocida. Vamos a generalizar este resultado considerando una matríz D no
estocástica de dimensión rxk y de rango r≤k. De esta forma podremos hacer contrastes
de un solo parámetro, de todos los parámetros, de un subconjunto de parámetros y de
restricciones lineales de los parámetros.

Vamos a expresar el conjunto de restricciones de la hipótesis nula en formato matricial.

P.ej: Yt = β1 + β 2 X 2t + β 3 X 3t + ut

β1 = 0
Queremos contratar: H 0 :
β 2 + β 3 = −1

Esta hipótesis en formato matricial resultaría:

Dβ = d

 β1 
1 0 0    0 
0 1 1  β 2  = − 1 ¿Ordenes de las matrices y vectores?
 β   
 3

Ahora tenemos que:

Dβˆ → N ( Dβ , σ 2 D ( X ′X ) −1 D ′)

Luego,

(Dβˆ − Dβ )′ [σ 2 D( X ′X )−1 D′]−1 (Dβˆ − Dβ ) → χ r2

Mediante esta expresión podríamos realizar todo tipo de contrastes sobre el vector de
parámetros del modelo si σ2 fuese conocida. Como no lo es, interesa eliminarla.

Una distribucón F de Snedecor es el cociente de dos distribuciones chi-cuadrados,

independientes entre sí, divididas por sus respectivos grados de libertad. Por lo tanto
tenemos la expresión de antes y por otro lado sabemos:

3
 1
uˆ ′uˆ → χ T2 − k
2
σ

Podemos construir el estadístico F:

(Dβˆ − Dβ )′ [D( X ′X )−1 D′]−1 (Dβˆ − Dβ )

r → Fr ,T − k
uˆ ′uˆ
T −k

Este estadístico puede ser utilizado para contrastar cualquier conjunto de restricciones
lineales sobre los parámetros (observar que ya no aparece σ2).

Contraste sobre un solo parámetro (caso particular):

Yt = β1 + β 2 X 2t + β 3 X 3t + L β k X kt + u t

H0 : βk = dk

La matriz D sería (un vector fila): [0 0 0 L 1] y

 β1 
β 
 2
Dβ = [0 0 0 L 1] β 3  = d k
 
 M 
 β k 

El estadístico F será en este caso:

(βˆk − d k )′ [v kk ]−1 (βˆk − d k )

r =
(βˆk − d k )
2
→F 1,T − k
uˆ ′uˆ uˆ ′uˆ
v kk
T −k T −k

v kk es el elemento kk-ésimo, elemento situado en la fila k, columna k de la

matriz ( X ′X )−1 .

4
Una variable aleatoria que se distribuye como una F con 1 grado de libertad en el
numerador y T-k grados de libertad en el denominador, su raíz cuadrada se distribuye
como una t de Student con T-k grados de libertad. Por tanto,

(βˆk − d k ) → t
T −k
σˆ βˆ
k

Contraste de estabilidad estructural

Partimos del modelo siguiente:

Yt = β1 + β 2 X 2t + β 3 X 3t + u t t = 1,2, LT

Supongamos que en T1 se produce un cambio estructural. ¿Cómo podemos

contrastarlo?.

Generamos una variable Dummy de la siguiente forma:

0 t < T1
F ={
1 t ≥ T1

Luego introducimos la variable Dummy en el modelo:

Yt = β1 + β 2 X 2t + β 3 X 3t + β 4 F + β 5 FX 2t + β 6 FX 3t + u t t = 1,2, LT

Finalmente contrastamos la siguiente hipótesis nula:

H 0 : β 4 = β5 = β 6 = 0

De tal forma que si no rechazamos la hipótesis nula no hay cambio estructural y en caso
de rechazo hay cambio estructural.

5.4 Métodos alternativos de realizar contrastes estadísticos de los parámetros del

modelo. Análisis de la varianza

Dos procedimientos alternativos al que acabamos de ver:

1. La realización de contrastes mediante las sumas de los cuadrados de los residuos

del modelo sin y con restricciones.
2. La realización de contrastes desde la perspectiva del análisis de la varianza.

Contrastes mediante la suma de cuadrados de los residuos:

Una forma equivalente a realizar contrastes de hipótesis consiste en:

5
 1) Estimar el modelo sin restricciones (SCR del modelo general o sin restricciones)
2) Estimar el modelo imponiendo las restricciones de la hipótesis nula (SCR del
modelo restringido)

Entonces se calcula el estadístico siguiente:

(uˆ ′R uˆ R − uˆG′ uˆG )

r → Fr ,T − k
′ uˆ G
uˆG
T −k

que es equivalente a1:

RG2 − R R2
r
1 − RG2
T −k

Análisis de la varianza:

Vamos a ver únicamente el caso (particular) de significatividad conjunta del modelo. Se

basa en la descomposición de la varianza total en varianza explicada y varianza residual.

Yt = β1 + β 2 X 2t + β 3 X 3t + L β k X kt + u t

H 0 : β 2 = β3 = L = β k = 0
H1 : No todos los β son cero

R2
k −1 → F
k −1,T − k
1− R2
T −k

Ejemplo:

1. Con una muestra de 50 empresas del sector del automóvil se han estimado las
siguientes funciones de producción, utilizando como variable endógena el valor añadido
bruto de la producción de automóviles (Yt) y como variables explicativas el factor
trabajo (Lt) y el factor capital (Kt). (Entre paréntesis aparecen las desviaciones típicas)

1
Sólo es necesario dividir numerador y denominador por SCT.

6
ln Yˆt = 3.87 + 0.8 ln Lt + 1.24 ln K t R 2 = 0.75 uˆ ′uˆ = 254
(0.11) (0.24)

(ln Yˆt − ln Lt ) = 15.2 + 0.87(ln Lt − ln K t ) uˆ ′uˆ = 380

a) Contraste la significatividad conjunta de los dos factores de la función de

producción
b) Contraste si el factor trabajo tiene una influencia significativamente positiva
sobre el valor añadido de la producción de automóviles
c) Contraste la hipótesis de rendimientos constantes a escala

(Examen 29/01/2008)

2. Se ha estimado los modelos siguientes con 60 observaciones:

(1) Yt = β 0 + β1 X 1t + β 2 X 2t + β 3 X 3t + u t R 2 = 0,984 uˆ ′uˆ = 72,11

24,11 − 0,09 1,64 0,87 
 0,04 − 0,06 1,21 
′ −1 
( X X) =
 0,21 − 0,35
 
 0,08 

(2) Yt = β 0 + β1 ( X 1t − X 2t ) + β 3 X 3t + u t R 2 = 0,923
Se pide:
a) El modelo (2), ¿qué restricción incluye?.
b) Contraste la restricción impuesta en el modelo (2).
c) En el modelo (1) contraste que β3 es mayor que -1 sabiendo que βˆ3 = −0,823 .
d) Contraste la significatividad conjunta del modelo (2).

Solución

a) β1 = − β 2

b) H 0 : β1 = − β 2
H 1 : β1 ≠ − β 2

RG2 − R R2 / r (0,984 − 0,923) / 1

F= = = 213,5 F10,56
,05
≅4
(1 − RG2 ) /(T − k ) (1 − 0,984) /(60 − 4)

Se rechaza H0, luego β1 ≠ − β 2

c) H 0 : β 3 = −1
H 1 : β 3 > −1

7
 βˆ − β 3* − 0,823 + 1 0,05
t= 3 = = 0,5515 t 56 ≅ 1,671
σˆ βˆ 0,1030
3
No se rechaza la hipótesis nula por lo que β 3 no es mayor que -1.
uˆ ′uˆ 72,11
σˆ 2ˆ = σˆ 2 v33 = v33 = 0,08 = 0,1030
β3 T −k 56

d) H 0 : β1 = β 3 = 0
H1 : No todos los β son cero
R 2 /(k − 1) 0,923 / 2
F= = = 341,63 F20,,57
05
≅ 3,15
2 (1 − 0,923) /(60 − 3)
(1 − R ) /(T − k )

Se rechaza H0. Los parámetros con conjuntamente significativos.

(Examen 31/01/2006)

3. Una gran empresa alimenticia quiere reestructurar sus líneas de producción y para
ello analiza, entre otras cosas, la demanda de sus productos. A continuación se presenta
la especificación y la estimación de la demanda de uno de ello, la demanda de galletas.
Los datos utilizados son datos de serie temporal con periodicidad trimestral, abarcando
el periodo 1960.1-2004.4.

GALLETAS t = β1 + β 2 RENTAt + β 3 PRECIOt + β 4 PUBLICI t + ut

donde: GALLETAS= Cantidad vendida en el año t (en unidades)

RENTA= Renta disponible familiar en el año t en unidades monetaria constantes
PRECIO= Precio relativo de las galletas respecto al índice general de precios
PUBLICI= Gasto en publicidad en unidades monetaria constantes

El económetra de la empresa quiere tener en cuenta el posible cambio estructural que ha

podido producirse en la demanda de este bien, ante el incremento de la competencia
sobre este tipo de producto a partir de la década de los noventa. Para ello se especifica y
se estima el siguiente modelo:

GALLETAS t = β1 + β 2 RENTAt + β 3 PRECIOt + β 4 PUBLICI t + β 5 FRENTAt +

β 6 FPRECIOt + β 7 FPUBLICI t + ut

donde F es una variable ficticia que toma valor 0 en el periodo 1960.1-1989.4 y valor 1
a partir de 1990.1

A la vista de los resultados proporcionados en los Cuadros 1 a 2:

a) Analice la bondad de ajuste del modelo seleccionado y contraste la significatividad

del conjunto de parámetros.
b) Contraste la estabilidad estructural de los parámetros del modelo. ¿Estaba en lo
cierto el económetra de la empresa al sospechar que el incremento de la

8
 competencia ha generado cambio estructural en los parámetros del modelo?. Razone
su respuesta.
c) Obtenga el estimador insesgado de la varianza de las perturbaciones. ¿Para qué
resulta necesaria la estimación de este parámetro?.

Cuadro 1

Cuadro 2