Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Autor:
M. Victoria Esteban González
c
°UPV/EHU 2012.
Estadı́stica Actuarial: Análisis de Regresión
ii
Presentación
iii
Estadı́stica Actuarial: Análisis de Regresión
ilustran los diferentes escenarios de trabajo ası́ como se recomienda la realización de los ejerci-
cios propuestos. Al término de cada tema se muestra la bibliografı́a correspondiente. Al final del
documento aparece la bibliografı́a completa.
Las notas tienen como objetivo servir de apoyo al proceso de aprendizaje de los estudiantes de la
asignatura Estadı́stica Actuarial: Regresión del Grado en Finanzas y Seguros. Sin embargo, dada
su temática básica de estadı́stica y análisis de regresión pueden ser útiles en asignaturas afines
de los Grados en Economı́a, Administración y Dirección de Empresas, Marketing y Fiscalidad y
Administración Pública. Ası́ mismo sirven de apoyo a estudiantes de master por ejemplo el Master
Universitario en Economı́a: Instrumentos del Análisis económico o el Máster Universitario en Banca
y Finanzas Cuantitativas.
La asignatura de Estadı́stica Actuarial: Regresión es una asignatura de 6 créditos ECTS que conlleva
60 horas de trabajo presencial en el aula y 90 horas de trabajo no presencial. La metodologı́a y
modalidades docentes a utilizar están sujetas al criterio del docente y pueden variar cada curso
académico. Hay que tener en cuenta que la organización de la metodologı́a docente junto con el
diseño de los contenidos de los temas del curso van dirigidos a que los alumnos alcancen las siguientes
competencias especı́ficas de la asignatura:
1. Conocer distintos procedimientos de estimación de parámetros, ası́ como sus propiedades para
poder seleccionar adecuadamente la mejor alternativa de análisis.
3. Analizar de forma crı́tica los elementos básicos de los modelos econométricos para comprender
la lógica de la modelización econométrica y poder especificar relaciones causales entre variables
económicas.
6. Presentar de forma clara y concisa, tanto oralmente como por escrito, las conclusiones obte-
nidas en un caso de estudio particular.
El sistema actual de docencia dentro del EEES tiene como ejes fundamentales el proceso de en-
señanza-aprendizaje y la adquisición no sólo de conocimientos, sino también, y fundamentalmente,
de destrezas implica directamente la valoración del trabajo diario del alumno y su evolución en la
adquisición de las competencias. La utilización de la evaluación continua en la evaluación de los
alumnos implica la realización, junto con otras pruebas y tareas que el docente crea de interés, de
iv
Estadı́stica Actuarial: Análisis de Regresión
test rápidos o de preguntas cortas en relación a todo lo visto en las clases, conceptos teóricos y
ejercicios prácticos incluido el software gretl que permitan evaluar al alumno y saber si han adqui-
rido los resultados del aprendizaje alcanzando ası́ las competencias especı́ficas. Parte de las pruebas
tendrán componente de sorpresa, es decir sin previo aviso, y parte serán pactadas en cuanto a fecha.
Como se indicaba anteriormente estas notas sirven de apoyo al estudio. Analizan los problemas en
profundidad y permiten al alumno profundizar en los temas que conforman el contenido del curso.
Ası́ mismo tienen una fuerte vertiente práctica que permitirá al alumno no solo saber sino también
saber hacer. En ningún caso deben utilizarse como sustituto de los libros incluidos en la bibliografı́a.
De igual manera se recomienda la realización de ejercicios tanto los recomendados en clase como los
que aparecen en la bibliografı́a. La unión del estudio de los conceptos y la utilización de los mismos
en los ejercicios permite adquirir la agilidad necesaria para el dominio de la asignatura y alcanzar
las competencias especı́ficas de la misma.
A lo largo del curso se muestra cómo utilizar un software gretl que permite al alumno un afian-
zamiento de los contenidos teóricos del curso de Econometrı́a como la puesta en práctica de casos
reales con la utilización del software gretl1 .
gretl es software libre especialmente dirigido hacia la práctica de la econometrı́a y la estadı́stica,
muy fácil de utilizar. Ha sido elaborado por Allin Cottrell (Universidad Wake Forest) y existen
versiones en inglés, castellano y euskera, además de en otros idiomas. Junto con el programa se
pueden cargar los datos utilizados como ejemplos de aplicaciones econométricas en los siguientes
libros de texto Davidson y Mackinnon (2004), Greene (2008), Gujarati (1997), Ramanathan (2002),
Stock y Watson (2003), Verbeek (2004), Wooldridge (2003). Al instalar gretl automáticamente se
cargan los datos utilizados en Ramanathan (2002) y Greene (2008). El resto se pueden descargar
de la página:
http : //gretl.sourcef orge.net/gretl− data.html
en la opción textbook datasets. Este curso se estructura sobre casos prácticos presentados en Rama-
nathan (2002) y en Wooldridge (2003) y ejercicios a resolver con ayuda de gretl.
También da acceso a bases de datos muy amplias, tanto de organismos públicos, como el Banco de
España, como de ejemplos recogidos en textos de Econometrı́a. En la página
http://www.learneconometrics.com/gretl.html
1
Acrónimo de Gnu Regression, Econometric and Time Series (Biblioteca Gnu de Regresión Econometrı́a y Series
Temporales)
v
Estadı́stica Actuarial: Análisis de Regresión
vi
Contenido
0. Introducción 1
0.1. La naturaleza de los datos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
0.2. Clasificación de las variables . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
0.3. Representación gráfica de las variables . . . . . . . . . . . . . . . . . . . . . . . . . . 5
0.4. Descripción numérica de los datos . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
0.5. Tratamiento de la información con gretl : inclusión de datos en gretl y análisis des-
criptivo básico . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
0.6. Bibliografı́a del tema . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
vii
Estadı́stica Actuarial: Análisis de Regresión
3. Contraste de hipótesis 61
3.1. Concepto de hipótesis nula e hipótesis alternativa . . . . . . . . . . . . . . . . . . . . 63
3.2. Tipos de error en el contraste y potencia de un contraste . . . . . . . . . . . . . . . . 64
3.3. El p-valor y conclusiones del contraste . . . . . . . . . . . . . . . . . . . . . . . . . . 65
3.4. Pasos en la realización de un contraste . . . . . . . . . . . . . . . . . . . . . . . . . . 66
3.5. Aplicaciones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 66
3.5.1. Contrastes de la media de una distribución normal . . . . . . . . . . . . . . . 66
3.5.2. Otros ejemplos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 68
3.6. Bibliografı́a del tema . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 71
viii
Estadı́stica Actuarial: Análisis de Regresión
ix
Estadı́stica Actuarial: Análisis de Regresión
6. Validación 167
6.1. Forma funcional . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 169
6.2. Sobre constancia de los coeficientes: contraste de cambio estructural . . . . . . . . . 171
6.3. Sobre las perturbaciones: contrastes de heterocedasticidad y ausencia de correlación 172
6.3.1. Contraste de heterocedasticidad . . . . . . . . . . . . . . . . . . . . . . . . . 172
6.3.2. Detección gráfica. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 176
6.3.3. Contraste de White . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 179
6.3.4. Contraste de ausencia de correlación temporal . . . . . . . . . . . . . . . . . 180
6.4. Predicción . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 188
6.5. Validación en gretl . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 191
6.5.1. Contraste de Ramsey con gretl . . . . . . . . . . . . . . . . . . . . . . . . . . 191
6.5.2. Contraste de cambio estructural o Chow con gretl . . . . . . . . . . . . . . . 193
6.5.3. Contraste de heterocedasticidad con gretl . . . . . . . . . . . . . . . . . . . . 196
6.5.4. Contraste de ausencia de correlación con gretl . . . . . . . . . . . . . . . . . . 198
6.5.5. Predicción en gretl . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 202
6.6. Bibliografı́a del tema . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 204
Bibliografı́a 209
x
Figuras
xi
Estadı́stica Actuarial: Análisis de Regresión
xii
Tablas
xiii
Tema 0
Introducción
Bibliografı́a Recomendada:
Al final del tema tenéis recogida la bibliografı́a correspondiente. En particular se os recomienda leer
los capı́tulos correspondientes a la bibliografı́a básica detallados a continuación:
1
Estadı́stica Actuarial: Análisis de Regresión
2
Estadı́stica Actuarial: Análisis de Regresión
En la actualidad el individuo tiene a su disposición datos de casi todo aquello que desee conocer.
La Administraciones públicas, los entes privados y los investigadores cientı́ficos publican y recogen
datos. Es muy importante saber resumir e interpretar la información que proporcionan. Pensemos
en el lanzamiento de un nuevo producto al mercado. El productor necesitará conocer su nivel de
demanda potencial, todos sus posibles compradores. A este conjunto de todos sus posibles compra-
dores se le denomina población. En ocasiones el tamaño de la población puede ser muy grande e
incluso infinito por lo que debemos limitarnos a estudiar una parte más reducida de la misma, que
denominamos muestra.
La población es el conjunto de todos los objetos que interesan al investigador. Al número de observa-
ciones u objetos que conforman la población se le denomina tamaño de la población y se denota por
N . La muestra es un subconjunto observado de valores poblacionales. El número de observaciones
que conforman la muestra se denomina tamaño de la muestra y se denota por n.
El muestreo aleatorio simple o muestreo aleatorio es el procedimiento que se utiliza para seleccionar
una muestra de n observaciones de una población en el que cada miembro de la población se elige
estrictamente al azar. Cada miembro de la población se elige con la misma probabilidad y todas las
muestras posibles de un tamaño dado, n, tienen la misma probabilidad de ser seleccionadas.
Tomar una muestra y estudiar sus caracterı́sticas es un medio para extraer conclusiones sobre la
población. Por ejemplo si estamos interesados en conocer la renta media de las familias de un
paı́s, el tamaño de la población es tan grande que solo podrı́amos tomar una muestra aleatoria de
por ejemplo 1000 familias y calcular su renta media. Esta media basada en datos muestrales se
llama estadı́stico. Si pudiéramos calcular la renta media de todas las familias la media resultante
se llamarı́a parámetro. En este curso estudiaremos cómo se toman decisiones sobre un parámetro
basándonos en un estadı́stico. Trabajaremos en un entorno de incertidumbre ya que el valor exacto
del parámetro es desconocido. Un parámetro es una caracterı́stica especı́fica de la población. Un
estadı́stico es una caracterı́stica especı́fica de la muestra.
Una vez que tenemos definido un problema y recolectados los datos objeto de interés, estos se
analizan utilizando métodos estadı́sticos. La estadı́stica descriptiva y la estadı́stica inferencial per-
miten convertir los datos en conocimiento útil para la toma de decisiones. La estadı́stica descrip-
tiva está formada por métodos gráficos y numéricos que permiten resumir y procesar los datos
convirtiéndolos en información. La estadı́stica inferencial permite hacer estimaciones, contraste de
hipótesis, predicciones y previsiones.
Una vez que tenemos recolectados los datos debemos transformarlos en información. Para ello
podemos llevar a cabo un análisis gráfico de los mismos y también un análisis descriptivo.
Antes de abordar el estudio gráfico y el estudio descriptivo de los datos vamos a hablar de las
variables. Una variable es una caracterı́stica que al ser medida en diferentes individuos es susceptible
de adoptar diferentes valores. Las variables pueden clasificarse de varias formas, por ahora lo haremos
3
Estadı́stica Actuarial: Análisis de Regresión
en dos. Cuando las clasificamos según el tipo y la cantidad de información que contienen podemos
distinguir entre variables categóricas y numéricas. Cuando las clasificamos por nivel de medición
podemos distinguir entre variables cualitativas y cuantitativas.
Una primera clasificación divide los datos en variables categóricas y variables numéricas. Las varia-
bles categóricas son aquellas que generan respuestas que pertenecen a categorı́as o grupos. Por
ejemplo ¿tiene coche? ¿utiliza tarjeta de crédito? También son variables categóricas las respuesta a
preguntas sobre sexo, estado civil, nivel de educación y también lo son las respuestas con diferentes
grados de intensidad como las que van de totalmente de acuerdo a totalmente en desacuerdo.
Una variable numérica es aquella que toma valores. Una variable numérica discreta puede tener
un número infinito de valores, pero en general proviene de un proceso de recuento, por ejemplo
número de aprobados en Matemáticas II o el número de matriculados en una asignatura. Una va-
riable numérica continua puede tomar cualquier valor en un intervalo dado de números reales y
normalmente proviene de un proceso de medición. Por ejemplo la altura y el peso, la temperatura,
el tiempo, la distancia entre dos puntos, etc.
También podemos clasificar los datos por su nivel de medición en variables cualitativas y cuantita-
tivas. Variables cuantitativas son aquellas que podemos valorar numéricamente. Por ejemplo, la
renta disponible de una familia, el precio de un bien, la renta per cápita. Variables cualitativas
son aquellas que miden cualidades y que por lo tanto no se miden con un valor numérico y será el
investigador el que se lo asigne según un criterio. Por ejemplo, si un individuo es hombre o mujer, si
está o no casado, si trabaja en turno de noche o no, si tiene estudios superiores o no. En las variables
cualitativas es el investigador el que establece el valor de la variable para cada caracterı́stica.
Las variables cualitativas pueden tener niveles de medición nominales y ordinales mientras que los
datos cuantitativos pueden tener niveles de medición basados en intervalos y en razones. Son datos
nominales los que responden a preguntas categóricas, el sexo, el lugar de nacimiento, el estado civil.
Por ejemplo, la respuesta a la pregunta sexo del individuo son palabras que describen la categorı́a:
hombre, mujer y se ha de asignarlas un código de manera arbitraria, por ejemplo: hombre = 1,
mujer = 0, este valor solo se emplea para clasificar a los individuos, la diferencia entre ellos no
tienen ningún valor. Los datos ordinales indican el orden que ocupa el objeto, por ejemplo en una
encuesta pueden preguntar sobre el grado de dificultad de un determinado procedimiento y las
respuestas pueden ser: alto=1, medio=2, bajo=3. Las respuestas siguen un orden, son ordinales,
pero la diferencia entre ellas no tiene significado mensurable.
Los niveles de medición basados en intervalos y razones se refieren a datos en una escala ordenada
en los que la diferencia entre las mediciones tiene un significado. Una escala de intervalos indica el
orden y la distancia con respecto a un cero arbitrario medidos en intervalos unitarios, por ejemplo
el año es un dato de este tipo donde el nivel de referencia es el calendario gregoriano. Otro ejemplo
serı́a la temperatura. Los datos basados en una escala de razones indican el orden y la diferencia
con respecto a un cero natural y los cocientes entre dos medidas tienen un significado. Por ejemplo
una persona que tiene 90 años tiene el doble de años que una persona de 45 años. El peso, la altura
son variables de este tipo.
4
Estadı́stica Actuarial: Análisis de Regresión
1. Datos de serie temporal: Reflejan la evolución de una variable a lo largo del tiempo, según esto
la variable estará ordenada cronológicamente con un orden lógico. Las variables medidas en
series temporales se denotan con el subı́ndice t y este puede referirse a observaciones temporales
mensuales, trimestrales, diarias, cuatrimestrales, anuales, etc. Ejemplo: la demanda doméstica
de electricidad (DDE) del segundo trimestre de 1972 al cuarto trimestre de 1993. En este caso
la población serı́an todos los posibles valores de dicha demanda DDE a lo largo del tiempo y
la muestra el perı́odo que vamos a estudiar, 1972:2-1993:4, el tamaño de la muestra es de 87
observaciones.
2. Datos de sección cruzada o corte transversal: Son datos atemporales dado que miden el com-
portamiento de una variable en diferentes unidades y en el mismo momento del tiempo.
Ejemplo: el salario de los trabajadores del sector de educación en las diferentes comunida-
des autónomas españolas en el año 2011.
3. Datos de panel : es la unión de datos de serie temporal y datos de sección cruzada. Están fuera
del objetivo del curso.
Hay que notar que una variable puede ser clasificada en varias de las categorı́as anteriores, una
variable cualitativa puede ser categórica nominal u ordinal. Una variable numérica discreta como la
edad, variable cuantitativa en su naturaleza puede ser convertida en una variable cualitativa cuando
por ejemplo en el estudio no nos interese más que conocer en que tramo de edad se encuentre el
individuo y por ejemplo lo clasifiquemos en menores de 25 años, entre 25 y 45 años y mayores de
45 años. Son tres tramos de edad y a cada uno de ellos le asignaremos un valor arbitrario. Además
serán datos de serie temporal o de sección cruzada.
Una vez recogidos los datos de interés y asignados los arbitrarios si es necesario podemos proceder
a analizarlos gráficamente.
Las variables categóricas suelen representarse utilizando tablas de distribución de frecuencias y gráfi-
cos como los de barras, de Pareto o de tarta. Las variables numéricas se describen por histogramas,
ojivas y diagramas de tallo y hojas.
La distribución de frecuencias o tabla de frecuencias es una ordenación en forma de tabla de los
datos estadı́sticos, asignando a cada dato su frecuencia correspondiente. En principio, en la tabla de
frecuencias se detalla cada uno de los valores diferentes en el conjunto de datos junto con el número
de veces que aparece, es decir, su frecuencia. Se puede complementar la frecuencia absoluta con la
denominada frecuencia relativa, que indica la frecuencia en porcentaje sobre el total de datos.
La tabla de frecuencias puede representarse gráficamente en un histograma o diagrama de barras.
Normalmente en el eje vertical se colocan las frecuencias y en el horizontal los intervalos de valores.
Ejemplo 0.1
5
Estadı́stica Actuarial: Análisis de Regresión
Ejemplo 0.2
La Tabla 2 muestra el gasto en sanidad, GS, en billones de dólares en el año 1993 para
los 50 estados de Estados Unidos junto con Washington DC:
6
Estadı́stica Actuarial: Análisis de Regresión
Con los datos se ha construido la Tabla 3 de frecuencias. Se han construido cinco inter-
valos para los posibles valores de la variable. Para cada uno de ellos se ha calculado su
punto medio y el número de observaciones que caen dentro del intervalo y que aparecen
en la columna frecuencia. La columna relativa muestra la frecuencia relativa es decir el
porcentaje sobre el total de observaciones del número de observaciones que caen dentro
del intervalo. La columna acumulada agrega la frecuencia relativa del intervalo a la del
anterior.
A partir de la tabla de frecuencias se pueden dibujar los siguientes gráficos de las distribuciones, a
la izquierda de frecuencia y a la derecha de frecuencia acumulada:
7
Estadı́stica Actuarial: Análisis de Regresión
histograma será simétrica. En el ejemplo la muestra claramente no está equilibrada, esta sesgada
positivamente ya que se extiende hacia la derecha donde los valores son positivos. Si se extiende
hacia los valores negativos se dice que está sesgada negativamente.
Ejemplo 0.3
8
Estadı́stica Actuarial: Análisis de Regresión
1500
1400
0,2
1300
Frecuencia relativa
1200
0,15
1100
DDE
1000
0,1
900
800
0,05
700
600
0
600 800 1000 1200 1400 1600 500
DDE 1975 1980 1985 1990
9
Estadı́stica Actuarial: Análisis de Regresión
Supongamos que disponemos datos sobre consumo per cápita y renta per cápita en
dólares de 1987 para Estados Unidos en el periodo de 1970-1991. En el gráfico de la
izquierda se muestra la evolución temporal de ambas variables. A la derecha se muestra
la nube de puntos de ambas variables. La muestra consta de 22 observaciones luego
la nube está constituida por 22 puntos, para cada año un punto recoge el valor de la
variable consumo y el valor de la variable renta (P P CEt , P DP It ).
13000 12000
11500
12000
PPCE
11000
11000 10500
10000
10000
9500
9000 9000
8500
8000 10000 10500 11000 11500 12000 12500 13000 13500 14000
1970 1975 1980 1985 1990 PDPI
Figura 4: Evolución temporal del consumo y renta per cápita junto a la nube de puntos
El gráfico de serie temporal muestra que ambas variables evolucionan de forma pareja
y son crecientes con t. La nube de puntos muestra la misma relación creciente y lineal
entre las variables. La recta que aparece en la nube de puntos muestra esta relación
lineal. A esta recta se le llama función de regresión muestral y nos ocuparemos de ella
en el tema 5.
En la sección anterior se han descrito los datos de una muestra gráficamente. En esta sección vamos
a describirlos numéricamente con medidas de tendencia central, medidas de variabilidad y medidas
del sentido y del grado de relación entre dos variables.
Medidas de la tendencia central: Las medidas de tendencia central dan información numérica
sobre una observación “tı́pica”de los datos.
• Media aritmética o media muestral: La media aritmética de un conjunto de datos es la suma de
los valores de los datos dividida por el número de observaciones.
Pn
Xi X1 + X2 + . . . + Xn
X̄ = 1 =
n n
10
Estadı́stica Actuarial: Análisis de Regresión
• Coeficiente de variación: es una medida de la dispersión relativa que expresa la desviación tı́pica
en porcentaje de la media (siempre que esta sea positiva). El coeficiente de variación muestral se
define:
S
CV = × 100 % si X̄ > 0
X̄
Medidas de las relaciones entre las variables
• Covarianza: es una medida de la relación entre dos variables. Un valor positivo indica una relación
lineal directa o creciente y un valor negativo una relación lineal inversa o decreciente. La covarianza
muestral se define:
Pn
1 (Xi − X̄)(Yj − Ȳ )
Cov(X, Y ) = SXY =
n−1
donde Xi e Yj son los valores observados de las variables X e Y , X̄ e Ȳ son, respectivamente,
sus medias muestrales y n es el tamaño de muestra. El coeficiente de correlación da una medida
estandarizada de la relación lineal entre dos variables. Indica el sentido y el grado de la relación.
11
Estadı́stica Actuarial: Análisis de Regresión
gretl es un programa que permite obtener de manera sencilla mediante ventana resultados estadı́sti-
cos y econométricos. Una vez ejecutado el programa gretl en la ventana principal aparece un menú de
ventanas que nos permite diferentes posibilidades. En la pantalla principal, una vez abierto gretl
nos aparecen las siguientes pestañas:
Archivo Herramientas Datos Ver Añadir Muestra Variable Modelo Ayuda
Pero solo tres de ellas están activas, las distinguimos porque las no activas aparecen en gris mien-
tras que las activas están en negrita. Las activas son Archivo, Herramientas y Ayuda. En la primera
leemos datos. Empezaremos viendo como leer datos. Dependiendo del origen de éstos si están en
una archivo de muestra incluido en gretl , si están disponibles en papel, en la web o en un archivo
propio procederemos de una manera u otra.
Mostrar valores
Editar los valores
Información del conjunto de datos
Estructura del conjunto de datos
Para obtener lo que necesitamos sólo tenemos que pinchar la etiqueta correspondiente y la variable
o variables a estudiar. Por ejemplo para ver la estructura del conjunto de datos pinchamos en
esta etiqueta y obtendremos una pantalla en la que aparecerá seleccionado el tipo de datos con el
que estamos trabajando, en este caso Serie temporal. Pinchamos adelante y veremos la frecuencia,
mensual, y el inicio y final de la muestra 1968:1 a 1998:12. La etiqueta estructura del conjunto
12
Estadı́stica Actuarial: Análisis de Regresión
de datos es muy útil cuando necesitamos cambiar alguno de ellos por ejemplo si añadimos nuevas
observaciones.
En el menú inicial aparece también la etiqueta Ver con, entre otras, las siguientes opciones:
Gráficos
Gráficos múltiples
Estadı́sticos principales
Matriz de correlación
Buscar
Mostrar valores
Estadı́sticos principales
Contraste de Normalidad
Distribución de frecuencias
Gráfico de frecuencias (simple, contra la normal, contra la gamma)
Gráfico de series temporales
Editar atributos
etc.
13
Estadı́stica Actuarial: Análisis de Regresión
• Añadir o cambiar información sobre la variable: en menú Variable → Editar atributos. En esta
ventana podremos cambiar también el nombre de la serie utilizado en los gráficos.
• Consultar las notas informativas: en menú Datos → Leer información o en Datos → Descrip-
ción
número de observaciones
estructura del conjunto de datos (serie temporal o sección cruzada)
frecuencia
A la pregunta ¿Desea empezar a introducir los valores de los datos usando la hoja de cálculo de
gretl ? contestar Sı́
• Introducir el nombre de la variable. El máximo de caracteres que acepta es 15, no usar acentos
ni la letra ñ. Pinchar Aceptar.
• Para guardar los datos: en menú Archivo → Guardar datos. Dar nombre al conjunto de datos,
por ejemplo Azar y se grabará automáticamente con la extensión gdt.
Si en otro momento queremos usar este conjunto de datos solo habrá que clickear en él dos
veces para que se active.
14
Estadı́stica Actuarial: Análisis de Regresión
• Si queremos añadir variables en menú: Pinchar en la etiqueta Añadir tenemos las siguientes
posibilidades:
Establecer rango
Recuperar rango completo
Restringir, a partir de un criterio
etc.
Ejemplo 0.1
Vamos a trabajar con el archivo de datos data4 − 1.gdt ya que en los temas siguientes
va a ser uno de los ejemplos que seguiremos. Está incluido como archivo de muestra
en la pestaña Ramanathan. Una vez abierto podemos buscar información sobre sus
variables tal y como se ha indicado. Siguiendo la ruta indicada encontramos la siguiente
Información del conjunto de datos
15
Estadı́stica Actuarial: Análisis de Regresión
Donde aparece una somera descripción de los datos disponibles y su fuente y/o origen.
En este caso nos dicen que son datos de hogares de la comunidad universitaria de San
Diego en 1990, de lo que deducimos que son datos de sección cruzada ya que se refieren
a un único año. También aparecen los nombres de las variables y su descripción ası́ como
el rango de cada una (la amplitud del intervalo de valores que toma la variable en la
muestra) y la fuente de los datos. Los estadı́sticos principales son los siguientes:
Donde se nos muestra, para cada variable, su media, mediana, valores mı́nimo y máximo, desviación
tı́pica, coeficiente de variación (C.V.), coeficiente de asimetrı́a y coeficiente de exceso de curtosis.
Los gráficos de las variables price y sqft son:
550 3000
2800
500
2600
450
2400
400
2200
price
sqft
350 2000
1800
300
1600
250
1400
200
1200
150 1000
2 4 6 8 10 12 14 2 4 6 8 10 12 14
index index
Volviendo a la pantalla de inicio. También estaban disponibles al iniciar el programa las etiquetas
Herramientas y Ayuda. En Herramientas disponemos de instrumentos de análisis muy útiles como:
- En Tablas estadı́sticas los valores crı́ticos de las distribuciones Normal Tipificada, t-Student
y F-Snedecor entre otras distribuciones.
16
Estadı́stica Actuarial: Análisis de Regresión
- Un buscador de valores p.
17
Estadı́stica Actuarial: Análisis de Regresión
18
Tema 1
En las clases del tema de Variables Aleatorias vamos a revisar y/o introducir los principales concep-
tos de probabilidad. Comenzaremos definiendo el concepto de variable aleatoria discreta y continua
ası́ como sus funciones de distribución de probabilidad. Revisaremos las propiedades de las funciones
de distribución de probabilidad prestando especial atención al concepto de valor esperado y al con-
cepto de varianza. En general, no estudiaremos el comportamiento de una única variable por lo que
necesitaremos introducir el concepto de distribución de probabilidad conjunta, probabilidad condi-
cionada e independencia estadı́stica. Dentro de las muchas distribuciones de probabilidad especı́ficas
de que disponemos mostraremos las principales funciones de distribución de probabilidad utilizadas
en Econometrı́a: la normal, la normal estándar, la chi-cuadrado, la t-Student y la F-Snedecor.
Los métodos estadı́sticos centran la atención en la realización de inferencias sobre grandes pobla-
ciones de objetos utilizando una pequeña muestra de los mismos. Por ello para finalizar el tema
introduciremos el concepto de muestreo aleatorio, estadı́sticos muestrales y distribuciones en el
muestreo para finalizar mostrando la distribución del estadı́stico media muestral.
A lo largo del tema se han introducido ejemplos ilustrativos de los conceptos a aprender ası́ como
ejercicios básicos que han de ser resueltos por el alumno.
1. Explicar la diferencia entre una variable aleatoria discreta y una variable aleatoria continua
proporcionando ejemplos de cada una de ellas.
19
Estadı́stica Actuarial: Análisis de Regresión
Bibliografı́a Recomendada:
Al final del tema tenéis recogida la bibliografı́a correspondiente. En particular se os recomienda leer
los capı́tulos correspondientes a la bibliografı́a básica detallados a continuación:
• Newbold, P., Carlson, W.L. y Thorne, B. (2008). Cap. 5 sec. 5.1; 5.2; 5.3 y 5.7; Cap. 6 salvo
la sec. 6.5 y Cap. 7 sec. 7.1 y 7.2.
20
Estadı́stica Actuarial: Análisis de Regresión
Una variable aleatoria es una variable que toma valores numéricos determinados por el azar.
Desde el punto de vista de la notación es importante distinguir entre una variable aleatoria y los
valores posibles que ésta puede tomar. Denotamos en mayúscula, X a la variable aleatoria y con su
correspondiente minúscula un valor posible de la misma.
Ejemplo 1.1
Hay que distinguir entre variables aleatorias discretas y variables aleatorias continuas.
Una variable aleatoria es discreta si no puede tomar más que una cantidad numerable de valores.
El conjunto de realizaciones es finito o infinito pero numerable. Por ejemplo el número de hijos de
una familia, el número de clientes de un bar en un dı́a, el número de veces que sale cara al lanzar
diez veces una moneda al aire. En el Ejemplo 1.2 X es una variable discreta.
Una variable aleatoria es continua si puede tomar cualquier valor de un intervalo. El conjunto
de realizaciones es infinitamente divisible y por tanto no numerable. Por ejemplo la renta anual de
una familia, la temperatura, la variación en el precio de las acciones ordinarias de IBM en un dı́a.
En el Ejemplo 1.1 las variables peso y altura son variables continuas.
En la práctica se consideran variables discretas cuando tiene sentido asignar probabilidades a los
resultados individuales posibles. La contabilidad de los sucesos genera observaciones de variables
aleatorias discretas mientras que mediciones como tiempo, renta, generan observaciones sobre va-
riables aleatorias continuas. Muchos indicadores económicos y empresariales como las ventas, la
inversión, el consumo, los ingresos, etc. pueden representarse como variables aleatorias continuas.
Sea X una variable aleatoria discreta y x uno de sus posibles valores. La probabilidad de que la va-
riable aleatoria X tome el valor especı́fico x se denota por P (X = x). El conjunto de probabilidades
se denomina función de cuantı́a o función de densidad de probabilidad, fdp y se denota P (x).
Función de cuantı́a de una variable aleatoria discreta. La función de cuantı́a, P (x), de una
variable aleatoria discreta X expresa la probabilidad de que X tome el valor x, como una función
21
Estadı́stica Actuarial: Análisis de Regresión
de x:
P (x) = P (X = x), para todos los valores de x.
f(x)
0,4
creta que toma valores 1, 2 y 3 con probabilidad
0,2; 0,3 y 0,5 respectivamente. Además se debe 0,3
Relación entre la función de cuantı́a y la función de distribución. Sea X una variable aleatoria
con función de cuantı́a P (x) y función de distribución F (a). Se puede demostrar que
X
F (a) = P (x) = P (x0 ) + P (x1 ) + . . . + P (a).
x≤a
Muchos indicadores económicos y empresariales como las ventas, la inversión, el consumo, los in-
gresos, etc. pueden representarse como variables aleatorias continuas, por ello vamos a dedicar este
punto a su estudio.
Sea X una variable aleatoria y x un valor determinado de la misma. Podemos definir una función
de densidad de probabilidad para variables aleatorias continuas de manera análoga a la función de
cuantı́a para las variables aleatorias discretas. La fdp nos informa de la probabilidad asociada a los
resultados posibles de la variable aleatoria. Sin embargo no tiene sentido hablar de la probabilidad
de que una variable aleatoria continua tome un valor determinado, usaremos la fdp de la variable
aleatoria continua solo para calcular la probabilidad de los sucesos referidos a un intervalo de valores.
Para calcular probabilidades para variables aleatorias continuas es más sencillo trabajar con la
función de distribución fd ó función de probabilidad acumulada.
22
Estadı́stica Actuarial: Análisis de Regresión
F (x) = P (X ≤ x).
Para entender el concepto de función de distribución, se suele recurrir a un sı́mil fı́sico: una masa
igual a la unidad, distribuida a lo largo del campo de variación de la variable. En esta situación,
la función de distribución F (x) = P (X ≤ x) proporciona la cantidad de masa que hay en el punto
x y a su izquierda hasta el extremo inferior del campo de variación de la variable. La función de
distribución, por su definición no puede ser negativa, al ser una probabilidad, ni decreciente, pues
es acumulativa. Además por ser una probabilidad está acotada: 0 ≤ F (x) ≤ 1.
La función de densidad de probabilidad, f (x), de la variable aleatoria es una función que tiene las
siguientes propiedades:
1. f (x) ≥ 0 para todos los valores de x.
2. El área situada debajo de la función de densidad
de probabilidad f (x), cuando se abarcan todos N(0, 1)
los valores de la variable aleatoria, X, es igual a 0,4
la unidad. 0,35
0,3
3. El gráfico de la derecha representa gráficamente
0,25
la función de densidad de cierta variable aleato-
f(X)
0,2
ria continua. Sean a y b dos valores posibles de P(a<X<b)
0,15
la variable aleatoria X, siendo a < b. En este ca-
0,1
so la probabilidad de que X se encuentre entre
a y b es el área situada debajo de la función de 0,05
23
Estadı́stica Actuarial: Análisis de Regresión
La distribución de probabilidad de una variable aleatoria contiene toda la información sobre propie-
dades probabilı́sticas de una variable aleatoria. Su examen gráfico puede servir para describirla, sin
embargo, es necesario establecer medidas estadı́sticas que sirvan para caracterizar la distribución.
Las medidas más importantes son la media o valor esperado y la varianza.
Media de una variable aleatoria. La media o valor esperado de una variable aleatoria se
denota como E(X) y se define como:
P
x xP (x) si X es discreta
E(X) = µX = (1.1)
R
x xf (x)dx si X es continua
Ejemplo 1.3
• Sea X variable aleatoria discreta que puede tomar los valores 1, 2 y 3 con proba-
bilidades 0,20; 0,30 y 0,50 respectivamente. Su esperanza matemática es:
X
E(X) = xP (x) = 1 · 0, 20 + 2 · 0, 3 + 3 · 0, 50 = 2, 30.
x
Varianza de una variable aleatoria. La varianza de una variable aleatoria se denota como
2 y se define como:
V ar(X) = σX
P 2
x (x − µX ) P (x) si X es discreta.
2
V ar(X) = σX = E[(X − µX )2 ] = (1.2)
R 2
x (x − µX ) f (x)dx si X es continua.
24
Estadı́stica Actuarial: Análisis de Regresión
La desviación
q tı́pica o estándar es la raı́z cuadrada positiva de la varianza y se denota por
2
σX = σX .
La varianza es una medida de dispersión, siendo la dispersión la mayor o menor variabilidad de los
valores de la variable aleatoria alrededor de su valor medio. Si la varianza es pequeña será porque
las desviaciones de la variable aleatoria en torno a su valor medio son pequeñas, con lo que la
media será representativa del conjunto de valores de la distribución y por consiguiente, la dispersión
será pequeña. Si la varianza es grande, la dispersión será grande y la media de la variable aleatoria
no será representativa. Cuanto mayor sea la varianza mayor es la probabilidad de obtener valores
alejados de µX .
Ejemplo 1.4
E[(X − µX )3 ] µ3
γ1 = 3
= 3 (1.4)
σ σ
donde µ3 es el momento de orden 3 respecto a la media. Si γ1 = 0 la distribución es simétrica y por
tanto las desviaciones por la derecha tienen el mismo peso que las desviaciones por la izquierda. Si
γ1 > 0 la distribución es asimétrica (+). Si γ1 < 0 la distribución es asimétrica (−).
E[(X − µX )4 ] µ4
4
= 4.
σ σ
25
Estadı́stica Actuarial: Análisis de Regresión
El coeficiente de curtosis es un indicativo del peso que en la distribución tienen los valores más
alejados del centro, tiene que ver con el grosor de las colas. Para evaluar la curtosis es necesario
que la distribución tenga perfil campaniforme y sea simétrica o moderadamente asimétrica ya que
la curtosis trata de analizar la zona central de la distribución simétrica o no; la mayor o menor
presencia de valores de la variable aleatoria alrededor de su valor medio, es decir en su zona central,
dará lugar a una distribución más o menos apuntada. En general se evalúa el exceso de curtosis:
µ4
γ2 = 4 − 3. (1.5)
σ
Esta medida está basada en la distribución normal, de su misma varianza, cuyo exceso de curtosis
es cero. Si γ2 = 0 la distribución tendrá el perfil de la distribución normal y se le dice mesocúrtica.
Esto quiere decir que tiene las colas igual de gruesas que la distribución normal, la cual veremos
más adelante. Más concentración en las colas indica colas más densas que la normal de su misma
varianza. Si γ2 > 0 la distribución es más apuntada que la distribución normal y se le denomina
leptocúrtica. Si γ2 < 0 la distribución es más achatada que la distribución normal y se le denomina
platicúrtica.
Ejercicio 1.1
Para responder a preguntas relativas a dos o más variables aleatorias debemos conocer su función
de densidad conjunta o función de cuantı́a conjunta, según sean discretas o continuas. La función de
densidad conjunta describe las probabilidades de que se puedan producir combinaciones de valores
de ambas variables. Si las variables aleatorias X e Y son discretas, a cada posible par de resultados
(xi , yj ) podemos asignar una probabilidad P (xi , yj ). El conjunto de probabilidades es la función de
P P
cuantı́a conjunta, cumpliéndose que 0 ≤ p(xi , yj ) ≤ 1 y i j p(xi , yj ) = 1.
Si las variables aleatorias son continuas, su distribución conjunta se recoge mediante la función de
densidad conjunta f (x, y). Si las dos variables siguen una distribución normal, la forma tı́pica de su
función de densidad conjunta se encuentra en la Figura 1.1.
26
Estadı́stica Actuarial: Análisis de Regresión
El volumen totalRrecogido
R bajo esta superficie es la masa de probabilidad total que es igual a la
unidad, es decir, x y f (x, y) dx dy = 1. Además, la función no toma valores negativos, f (x, y) ≥ 0.
Ası́, el volumen debajo del rectángulo definido por dos puntos (a, b) mide la probabilidad de que X
tome valores menores o iguales que a e Y menores o iguales que b. Es decir,
Z a Z b
P (X ≤ a, Y ≤ b) = f (x, y) dx dy
−∞ −∞
Por ejemplo, el volumen recogido bajo la superficie marcada en la Figura 1.1 es la probabilidad de
que X ≤ −2 e Y ≤ 5.
La función de densidad marginal de cada variable puede obtenerse mediante integración. Ası́:
Z ∞
Marginal de X: fX (x) = f (x, y) dy
Z −∞
∞
Marginal de Y: fY (y) = f (x, y) dx (1.7)
−∞
• El centro de gravedad de cada variable, es decir, las medias (µX , µY ), que se obtienen de las
distribuciones marginales recogidas en (1.7).
• Medidas de dispersión de cada variable alrededor de su media, por ejemplo, las varianzas de
2 y σ 2 , que se derivan de las distribuciones marginales recogidas en (1.7).
X e Y , σX Y
• Medida de la relación lineal entre las dos variables aleatorias, para lo que se utiliza la covarianza
σXY . La covarianza entre dos variables mide el signo de la asociación entre las fluctuaciones
que experimentan ambas. Nos dice si cuando una de ellas está por encima de su valor de
referencia, por ejemplo, su media, la otra variable tiende a estar por encima o por debajo de
su respectiva media:
27
Estadı́stica Actuarial: Análisis de Regresión
La covarianza nos da el tipo de relación lineal existente entre dos variables + ó −. Ası́, si
σXY = ρXY = 0 se dice que las variables X e Y están incorrelacionadas. El coeficiente de
correlación mide el grado de asociación lineal entre dos variables. Su valor se encuentra entre
−1 y 1, un valor de −1 indica asociación perfecta negativa y un valor de 1 asociación perfecta
positiva.
El vector de medias µ y la matriz de varianzas y covarianzas denotada por Σ ó V , son dos importantes
estadı́sticos de la variable aleatoria (X, Y ):
µ ¶ Ã ! Ã !
V (X) Cov(X, Y ) 2
σX σXY
µX
µ= Σ= =
µY Cov(X, Y ) V (Y ) σXY σY2
Si las variables son continuas, se define la función de densidad de Y condicionada a que la variable
aleatoria X tome el valor x (para f (x) > 0):
f (x, y)
f (y|X = x) = .
f (x)
De esta forma se obtiene una nueva distribución, con las propiedades ya vistas. Dos momentos de
interés de esta distribución se denominan media y varianza condicionada de Y para el valor dado
de X = x, y se denotan E(Y |X = x) y V ar(Y |X = x).
28
Estadı́stica Actuarial: Análisis de Regresión
P (X = x, Y = y) = P (X = x) × P (Y = y).
Ejemplo 1.5
x
y 1 2 3 4
0 0,19 0,06 0,04 0,02
1 0,28 0,19 0,14 0,08
• Probabilidad conjunta:
La probabilidad de que una persona seleccionada al azar tenga estudios superiores y
haya obtenido rentas salariales en el año 2003 es P (X = 3, Y = 1) = f (3, 1) = 0, 14.
• Distribuciones marginales:
P
La distribución marginal de X se define: fX (x) = y f (x, y) para cada valor que X
P
puede tomar. La distribución marginal de Y se define: fY (y) = x f (x, y) para cada
valor que Y puede tomar.
P P
Por tanto fY (y) = 4x=1 f (x, y) y = 0, 1 luego fY (0) = 4x=1 f (x, y) = 0, 19 + 0, 06 +
0, 04 + 0, 02 = 0, 31.
En general las funciones de distribución conjunta y marginales se suelen mostrar como
a continuación:
x
y 1 2 3 4 fY (y)
0 0,19 0,06 0,04 0,02 0,31
1 0,28 0,19 0,14 0,08 0,69
fX (x) 0,47 0,25 0,18 0,10 1
29
Estadı́stica Actuarial: Análisis de Regresión
• Probabilidad condicionada:
Podemos contestar a preguntas como ¿cuál es la probabilidad de que un individuo tenga
renta salarial en el año 2003 dado que tiene estudios superiores? En este caso debemos
de utilizar la función de densidad de Y condicionada a X: f (y|x) = P (Y = y|X = x), en
realidad el efecto de condicionar es reducir el conjunto de posibles resultados. Dada la
Tabla 1.2 consideramos solo el 18 % de la población con tı́tulo superior. La tabla siguiente
recoge la probabilidad condicionada de Y dado X = 3. Dada la tabla la probabilidad
de seleccionar a un individuo con renta salariales dado que tenga estudios superiores es
de 0,78. Notar sin embargo que la probabilidad de seleccionar a un individuo, de entre
toda la población, que tenga rentas salariales es de 0,69.
y f (y|X = 3)
0 0,04/0,18=0,22
1 0,14/0,18=0,78
Ejercicio 1.2
Y
1 3 9
2 1/8 1/24 1/12
X 4 1/4 1/4 0
6 1/8 1/24 1/12
30
Estadı́stica Actuarial: Análisis de Regresión
E(X1 ) µ1
E(X2 ) µ2
E(X) = µ
~ = .. = .. y
. .
E(Xn ) µn
V (X1 ) Cov(X1 , X2 ) ... Cov(X1 , Xn ) σ12 σ1,2 . . . σ1,n
Cov(X1 , X2 ) V (X2 ) ... Cov(X2 , Xn ) σ1,2 σ22 . . . σ2,n
ΣX = .. .. .. .. = .. .. .. ..
. . . . . . . .
Cov(X1 , Xn ) Cov(X2 , Xn ) ... V (Xn ) σ1,n σ2,n . . . σn2
donde ΣX es una matriz cuadrada de orden n, simétrica y definida no negativa. Esto implica que
los elementos de la diagonal principal son no negativos, σi2 ≥ 0, ∀i.
Si las variables son independientes entre sı́, entonces están incorrelacionadas, es decir, σi,j = 0, ∀i 6=
j, por lo que la matriz ΣX es diagonal:
2
σ1 0 . . . 0
0 σ22 . . . 0
ΣX = .
.. . . ..
.. . . .
0 0 . . . σn2
Si, además, X1 , . . . , Xn siguen la misma distribución, con la misma media y la misma varianza:
2
µ σ 0 ... 0
µ
0 σ2 ... 0
E(X) = . ΣX = .. .. ..
2
.. = σ I
.. . . . .
µ 0 0 . . . σ2
entonces se dice que son variables aleatorias idéntica e independientemente distribuidas con media
µ y varianza σ 2 y se denota Xi ∼ iid(µ, σ 2 ), ∀i = 1, . . . , n.
Si X1 , . . . , Xn son variables aleatorias normales, se dice que el vector X sigue una distribución
normal multivariante, y queda caracterizada por su vector de medias µ ~ y su matriz de varianzas
y covarianzas ΣX . Se denota X ∼ N (~ µ, ΣX ). Si además las variables son independientes, con media
y varianza común, se denota Xi ∼ N ID(µ, σ 2 ), i = 1, . . . , n.
• La esperanza matemática de una suma de variables aleatorias es igual a la suma de las espe-
ranzas matemáticas de cada una de las variables aleatorias:
31
Estadı́stica Actuarial: Análisis de Regresión
E(X)
• Notar que si X e Y son independientes E(XY ) = E(X) · E(Y ) pero E(X|Y ) 6= E(Y ) aunque
X e Y lo sean.
• Si a una variable aleatoria se le suma una constante su esperanza matemática queda modificada
en esa misma constante: E(X + c) = E(X) + c = µ + c.
• Si una variable aleatoria se multiplica por una constante su esperanza matemática queda
multiplicada por esa misma constante, E(X · c) = c · E(X) = c · µ.
Propiedades de la varianza
2
V ar(X ± Y ) = V ar(X) + V ar(Y ) ± 2Cov(X, Y ) = σX + σY2 ± 2 σXY .
• Generalizando:
n−1
X n
X
V ar(X1 + X2 + . . . + Xn ) = V ar(X1 ) + V ar(X2 ) + . . . + V ar(Xn ) + 2 Cov(Xi , Xj ) =
i=1 j=i+1
n−1
X n
X
= σ12 + σ22 + ... + σn2 +2 σXi Xj .
i=1 j=i+1
• Si X1 , X2 , . . . , Xn son independientes:
• V ar(cX) = c2 V ar(X).
32
Estadı́stica Actuarial: Análisis de Regresión
Ejemplo 1.6
Ejercicio 1.3
• Y = a.
• Z = bX.
X−µX
• W = σX .
Ejercicio 1.4
Sea X una variable aleatoria discreta que toma valores 0, 1, 2 con probabilidad P (X =
0) = 0, 30; P (X = 1) = 0, 60; P (X = 2) = 0, 10 respectivamente. Se pide:
Ejercicio 1.5
Sea la variable aleatoria X el precio de las acciones de la empresa Biltox y sea la variable
aleatoria Y el precio de las acciones de la empresa Baltat. El Sr. Martı́nez ha comprado
50 y 80 acciones de cada empresa respectivamente. El valor de mercado de la cartera
del Sr. Martı́nez es W = 50X + 80Y . Calcular el valor medio y varianza de la cartera
siendo X ∼ (µX , σX 2 ) , Y ∼ (µ , σ 2 ) y σ
Y Y XY = cov(X, Y ).
Ejemplo 1.7
Supongamos que el Sr. Alonso quiere crear una cartera de valores con acciones de dos
empresas. Dispone de un capital de 3000 e para invertir en acciones de las dos empresas
cuyos rendimientos por e invertido son las variables aleatorias X e Y , independientes
entre sı́ y con igual media, µ, y varianza, σ 2 . ¿Cómo deberı́a construir el Sr. Alonso la
cartera para minimizar el riesgo de pérdida?
33
Estadı́stica Actuarial: Análisis de Regresión
r = α X + (3000 − α) Y.
Algunas situaciones experimentales dan lugar a distribuciones de probabilidad especı́ficas. Sin em-
bargo, en economı́a, en la mayorı́a de los casos, las distribuciones utilizadas son simplemente modelos
de los fenómenos observados. Una de las distribuciones más utilizadas en economı́a y en las apli-
caciones empresariales es la distribución normal ya que se adecúa a una gran variedad de variables
aleatorias, por ejemplo: las ventas de una empresa, la producción, los precios de las acciones y bonos,
los precios de viviendas, la renta, etc.
La función de densidad de una variable aleatoria X con distribución normal de media µ y
desviación tı́pica σ es:
1 2 2
f (x) = √ e−(x−µ) /2σ para − ∞ < x < ∞. (1.8)
2πσ 2
La distribución normal representa una gran familia de distribuciones, cada una con una especifica-
ción única de los parámetros µ y σ 2 . La media de la variable aleatoria es: E(X) = µ. La varianza de
la variable aleatoria es: V (X) = E[(X − µ)2 ] = σ 2 . La forma de la función de densidad es una curva
simétrica en forma de campana centrada en su media µ y exceso de curtosis cero. Habitualmente
se denota
X ∼ N (µ, σ 2 ).
34
Estadı́stica Actuarial: Análisis de Regresión
0,35
0,08
0,3
0,25 0,06
f(X)
f(X)
0,2
0,04
0,15
0,1
0,02
0,05
0 0
-6 -4 -2 0 2 4 6 8 10 12 -40 -30 -20 -10 0 10 20 30 40 50
X X
F (x0 ) = P (X ≤ x0 ) (1.9)
1
N(0, 1) FDA normal
0,4 0,9
0,35 0,8
0,3 0,7
0,6
0,25
f(X)
f(X)
0,5
0,2
0,4
0,15
0,3
0,1
0,2
0,05 0,1
0 0
-5 -4 -3 -2 -1 0 1 Xo 2 3 4 5 -4 -3 -2 -1 0 1 2 3 4
X X
f(X)
0,04
0,02
derecha.
Ejercicio 1.6
Ejercicio 1.7
Sean X ∼ N (50, 10) e Y ∼ N (20, 40). La covarianza entre ambas es 0,5. Calcula la
media y varianza de la variable aleatoria Z = 5X − 4Y .
X −µ
Z=
σ
1 2
φ(Z) = √ e−Z /2 . (1.11)
2π
Una vez realizada la transformación podemos utilizar la tabla normal estándar para calcular las
probabilidades de cualquier variable aleatoria distribuida normalmente. Como la forma de la dis-
tribución no varı́a bajo transformaciones lineales, no es necesario tabular la distribución para otros
valores de µ y σ. Para cualquier variable normalmente distribuida se cumple:
µ ¶
a−µ X −µ b−µ
P (a < X < b) = P < < .
σ σ σ
36
Estadı́stica Actuarial: Análisis de Regresión
Además dado que la distribución es simétrica Φ(−Z) = 1 − Φ(Z) donde Φ(Z) denota función de
distribución de la variable Z normal estandarizada. Por tanto las tablas de la distribución mostraran
únicamente la cola positiva de la distribución. A continuación mostraremos como utilizar las tablas
de la normal estándar para el cálculo de probabilidades. La tabla da los valores de
Φ(Z) = P (Z ≤ z) (1.12)
correspondientes a valores no negativos de z. Ver la Figura 1.4 para los ejemplos siguientes:
• Dado que la distribución es simétrica la probabilidad de que Z > −1, 65 es también 0, 9505;
P (Z > −1, 65) = P (Z ≤ −1, 65) = 0, 9505.
• La probabilidad acumulada de un valor Z = −1, 65 es Φ(−1, 65) = 1−Φ(1, 65) = 1−0, 9505 =
0, 0495.
N(0, 1) N(0, 1)
0,4 0,4
0,35 0,35
0,3 0,3
0,25 0,25
f(X)
f(X)
0,2 0,2
1-F(1,65)=1-0,0495=0,9505
0,15 0,9505 0,15
F(-1,65)=0,0495
0,1 0,1
0,05 0,05
0 0
-5 -4 -3 -2 -1 0 11,65 2 3 4 5 -5 -4 -3 -2 -1 0 1 2 3 4 5
X X
Ejemplo 1.8
37
Estadı́stica Actuarial: Análisis de Regresión
Ejemplo 1.9
Un inversor tiene una cartera cuyo valor medio es de 650.000e y su desviación tı́pica
es 18.000e. ¿Cuál es la probabilidad de que el valor de la cartera esté entre 632.000e y
686.000e?
Para calcular la probabilidad de que el valor de su cartera esté entre 632.000e y 686.000e
utilizaremos el resultado:
µ ¶
a−µ X −µ b−µ
P (a < X < b) = P < < =
σ σ σ
µ ¶ µ ¶ µ ¶
a−µ b−µ b−µ b−µ
=P <Z< =F −F .
σ σ σ σ
Tenemos que calcular primero probabilidad de la cartera tenga una valor de 632.000 y
686.000e respectivamente.
632000 − 650000
Z(632000) = = −1.
18000
686000 − 650000
Z(686000) = = 2.
18000
Luego la probabilidad de que el valor de la cartera esté entre 632.000e y 686.000e es
igual a la probabilidad de que Z esté entre −1 y 2.
³ ´
P (632000 ≤ X ≤ 686000) = P 632000 − 650000 < Z < 686000 − 650000 =
18000 18000
Ejemplo 1.10
38
Estadı́stica Actuarial: Análisis de Regresión
Ejercicio 1.8
Derivadas de la distribución normal existen otras muchas distribuciones. Tres de ellas, las distribu-
ciones chi-cuadrado, t-Student y F-Snedecor, son muy útiles en econometrı́a. Surgen como sumas de
n variables adicionales. Estas tres distribuciones tienen asociados uno o dos parámetros de nomina-
dos grados de libertad que en nuestros términos serán el número de variables en la suma relevante.
• Si Z ∼ N (0, 1), entonces X = Z 2 ∼ χ2(1) y se lee X sigue una distribución chi-cuadrado con
un grado de libertad. Esta es una distribución asimétrica, solo tiene cola positiva, con media 1 y
varianza 2.
• Sea Zi ∼ N ID(0, 1) i = 1, . . . , n variables aleatorias independientes con distribución normal
estándar, entonces:
n
X
X= Zi2 ∼ χ2(n) (1.13)
i=1
y se dice que X es una variable aleatoria chi-cuadrado con n grados de libertad. Es una distribución
asimétrica, con media igual a n y varianza 2n.
Para valores negativos de X, f (x) = 0 y la forma general de su función de densidad se muestra en la
Figura 1.5. Existen tablas que proporcionan la probabilidad acumulada hasta un punto P (X ≤ x)
en función de los grados de libertad. A la hora de buscar en las tablas es necesario una tabla
distinta de la distribución chi-cuadrado para cada n. En la tabla correspondiente aparecen los
valores de la distribución correspondientes a diferentes puntos de corte especı́ficos en la única cola
de la distribución para distintos valores de los grados de libertad.
Z
p ∼ t(n) (1.14)
X/n
39
Estadı́stica Actuarial: Análisis de Regresión
0,25
Chi-cuadrado(3)
Chi-cuadrado(6)
0,2
n=3
0,15
f(X)
0,1 n=6
0,05
0
0 2 4 6 8 10 12 14 16 18 20
X
y se lee distribución t-Student con n grados de libertad. La Figura 1.6 incluye ejemplos de la función
de densidad de la t-Student comparándolas con la distribución normal estándar:
0,5
t(2)
0,45 t(4)
t(25)
0,4 N(0, 1)
0,35
0,3
f(X)
0,25
0,2
0,15
0,1
0,05
0
-5 -4 -3 -2 -1 0 1 2 3 4 5
X
X1 /n1
∼ F(n1 , n2 ) (1.15)
X2 /n2
y se lee distribución F-Snedecor con n1 y n2 grados de libertad. La Figura 1.7 muestra su función
de densidad para distintos grados de libertad. Las tablas de la distribución F-Snedecor se computan
para cada par de valores (n1 , n2 ), donde n1 son los grados de libertad del numerador y n2 son
40
Estadı́stica Actuarial: Análisis de Regresión
los grados de libertad del denominador. En general solo se tabulan para valores especı́ficos como
95 % y 99 % de la cola superior. A medida que aumentan los grados de libertad del denominador la
distribución n1 F(n1 ,n2 ) converge a la una χ2(n1 ) .
1,2
F(15, 15)
F(15, 100)
F(100, 15)
1
f(X) 0,8
0,6
0,4
0,2
0
0 0,5 1 1,5 2 2,5 3 3,5 4 4,5
X
En este punto vamos a construir modelos de probabilidad para distintos estadı́sticos calculados a
partir de datos muestrales. Estos modelos de probabilidad se llaman distribuciones en el muestreo
y se utilizan para desarrollar diversos métodos de inferencia estadı́stica. Los métodos estadı́sticos se
centran en la realización de inferencia sobre grandes poblaciones de objetos utilizando una pequeña
muestra de objetos.
En general el análisis estadı́stico y el análisis econométrico se basan en el estudio de una muestra.
Medir una variable para la población en ocasiones es imposible y en otras ocasiones muy costoso.
Pensemos que ejemplos de una población son todas las familias que viven en un paı́s, región o ciudad;
el número de hogares de una autonomı́a, todas las empresas que declaran su actividad en el sector
servicios, etc. Luego la población son todos los elementos objeto de estudio. Medir por ejemplo la
renta en todas las familias de un paı́s resulta excesivamente costoso en términos de tiempo y coste.
Sin embargo, quizá no lo sea tanto hacerlo en una muestra aleatoria extraı́da de dicha población.
Luego muestra serı́a la parte de la población que vamos a utilizar en el estudio para extraer
conclusiones. Por tanto la muestra está contenida en la población y nosotros la utilizaremos para
establecer conclusiones que puedan extrapolarse a la población. Para ello la muestra extraı́da debe
ser representativa de la población. Una forma de conseguirlo es usando una muestra aleatoria
simple. Para ello seleccionamos una muestra de n objetos de una población de N objetos. En el
41
Estadı́stica Actuarial: Análisis de Regresión
supuesto de las familias la población son todas las familias, que supongamos son N , y la muestra
un subconjunto de las misma de tamaño n. En la muestra seleccionada todos los objetos tienen la
misma probabilidad de ser seleccionados y se seleccionan independientemente, luego la selección de
uno de ellos no altera la probabilidad de que sean seleccionados otros objetos.
Definición. Muestra aleatoria simple: Una muestra de n observaciones de una o más variables,
designadas por X1 , X2 , . . . , Xn es una muestra aleatoria si las n observaciones son extraı́das indepen-
dientemente de la misma población o distribución de probabilidad. La muestra puede ser univariante
si Xi es la única variable aleatoria o multivariante si cada observación contiene varias variables. La
muestra, designada como (X1 , X2 , . . . , Xn ) o {Xi }i=1,...,n se dice que está independientemente e
idénticamente distribuida, se denota iid.
Dada una población podemos muestrearla repetidamente mediante un muestreo aleatorio. El mues-
treo aleatorio protege de que una parte de la población esté subrepresentada o sobrerepresentada
en la muestra. Por otra parte cada muestra obtenida de una población con el mismo número de
observaciones tendrá una media muestral X̄ distinta, luego X̄ es una variable aleatoria con una
distribución de probabilidad. La distribución en el muestreo de este estadı́stico, X̄, es la distri-
bución de probabilidad de las medias muestrales obtenidas de estas muestras posibles extraı́das de
la población con el mismo número de observaciones. La distribución en el muestreo de las medias
muestrales posibles es la base para realizar inferencia sobre la población. Utilizamos la información
muestral para hacer inferencia sobre la población. Por ejemplo, utilizando la media y la varianza
muestral podemos hacer inferencia sobre la media y varianza poblacional, que son desconocidas y
caracterizan la distribución poblacional.
Antes de intentar estimar los parámetros de una población se examinan los datos. Visualizarlos
gráficamente es útil pero si la muestra es de tamaño grande debemos usar estadı́sticos para descri-
birla. Los más interesantes son las medidas de posición, es decir el valor central de los datos, y de
escala o dispersión de los datos.
• Medidas de tendencia central o posición:
1 Pn
Media muestral: X̄ = n i=1 Xi
Pn 2
2 = i=1 (Xi −X̄)
Varianza muestral: SX n−1
h Pn 2
i1/2
i=1 (Xi −X̄)
Desviación estándar: SX = n−1
42
Estadı́stica Actuarial: Análisis de Regresión
• En muestras multivariantes, por ejemplo con dos variables X e Y , además pueden resultar inte-
resantes las siguientes medidas:
Pn
i=1 (Xi −X̄)(Yi −Ȳ )
Covarianza: SXY = n−1
SXY
Correlación: rXY = SX SY
43
Estadı́stica Actuarial: Análisis de Regresión
¡ 1 Pn ¢ Pn Pn 2 2
V (X̄) = V n i=1 Xi = V ( n1 (X1 + X2 + . . . + Xn )) = 1
n2 i=1 V (Xi ) = 1
n2 i=1 σ
2 = nσ2 = σn
n
Por tanto la media de la distribución de la media muestral es la media poblacional y la varianza de la
distribución de la media muestral es la varianza poblacional dividida por el número de observaciones
o tamaño de la muestra, n. Si Xi ∼ N ID(µ, σ 2 ) i = 1, . . . , n entonces X̄ es una combinación lineal
de n variables aleatorias independientes, por lo que su distribución muestral es:
µ ¶
σ2
X̄ ∼ N µ, (1.17)
n
Analicemos el significado del resultado sobre la media de la distribución. Que la media de la distri-
bución de la media muestral sea la media poblacional indica que a medida que aumenta el número
de muestras la media de las medias muestrales se aproxima a la verdadera media poblacional. Una
única media muestral puede ser mayor o menor que la poblacional pero en promedio no hay razones
para esperar que una media muestral sea mayor o menor que la poblacional. Con respecto a la
varianza de la distribución de la media muestral vemos que esta disminuye a medida que aumenta
el tamaño muestral. Luego más concentrada está la distribución en el muestreo. En resumen cuanto
mayor es el tamaño muestral más seguros estamos de la inferencia sobre la media poblacional.
2 a la varianza de la media muestral podemos definir la desviación tı́pica de
• Si denotamos por σX̄
la misma como σX̄ = √σn .
• Si el tamaño de la muestra no es pequeño en relación al de la población los miembros de la
muestra no se distribuyen independientemente. En este caso la varianza de la media muestral es
2
V (X̄) = σn N −n N −n
N −1 donde N es el tamaño de la población y el término N −1 se denomina factor de
corrección en el caso de una población finita.
La distribución muestral se utiliza para hacer inferencia sobre la población. Para ello se utilizan
estimadores. Un estimador es un estadı́stico calculado a partir de la muestra que pretende ser una
aproximación a un parámetro desconocido. Obviamente del ejemplo anterior podemos deducir que
un estimador de la media poblacional es la media muestral dado que la distribución muestral de la
media de un conjunto de observaciones de variables normales tine media µ. La inferencia estadı́stica
nos permitirá obtener conclusiones sobre la media poblacional desconocida utilizando la distribución
de la media muestral.
1
Para calcular el resultado sobre la varianza de la distribución se ha utilizado el hecho de que las distribuciones
de los miembros de muestras aleatorias son aproximadamente independientes cuando la población es muy grande en
relación al tamaño de la muestra.
44
Estadı́stica Actuarial: Análisis de Regresión
45
Estadı́stica Actuarial: Análisis de Regresión
46
Tema 2
Los economistas en general estamos interesados en las relaciones entre las variables económicas.
Por ejemplo ¿cómo variará el consumo de las familias si sus ingresos se ven incrementados en 100e
al mes? o ¿cómo influirá en el consumo un incremento del impuesto del valor añadido de un 1 %?
¿cómo variaran las ventas de un modelo de automóvil si se reduce su precio en 1500 e ? Sin embargo,
muchas cuestiones de intere se centran en el comportamiento de una única variable. Por ejemplo,
un diseñador de espacios públicos para ver espectáculos sentado estará interesado en ver cual es el
tamaño adecuado de la butaca y cuál debe ser su distancia con respecto a la butaca inmediatamente
delante y detrás de ella. Quizá su pregunta relevante sea ¿cuál es el tamaño medio de los futuros
espectadores? Imaginemos que diseña una butaca de 45 cm de ancho situada a 86 cm de la butaca
anterior ¿qué porcentaje de espectadores no pueden sentarse en estas condiciones? Para contestar
a estas preguntas deberı́amos medir a cada miembro de la población, cosa que no podemos hacer.
Sin embargo, la estadı́stica tiene instrumentos que pueden ayudarnos a contestar estas preguntas.
En este tema nos introduciremos en el conocimiento de la inferencia estadı́stica para establecer
conclusiones sobre una población basándonos en la muestra. Introduciremos el concepto de estimador
y estimación. Presentaremos dos métodos de estimación, la estimación por punto y la estimación
por intervalo. Veremos qué propiedades debe tener un estimador y como construir intervalos de
confianza. Aplicaremos los resultados a la media de una población normal.
1. Conocer distintos procedimientos de estimación de parámetros, ası́ como sus propiedades para
poder seleccionar adecuadamente la mejor alternativa de análisis.
47
Estadı́stica Actuarial: Análisis de Regresión
2. Relacionar los conceptos de población y variable aleatoria y conocer qué información sobre la
población proporcionan la función de densidad de probabilidad de una variable aleatoria, el
valor esperado y la varianza.
9. Construir un intervalo de confianza para la media de una población normal con varianza
conocida y con varianza desconocida.
Bibliografı́a Recomendada:
Al final del tema tenéis recogida la bibliografı́a correspondiente. En particular os recomendamos
leer los capı́tulos correspondientes a la bibliografı́a básica detallados a continuación:
• Newbold, P., Carlson, W.L. y Thorne, B. (2008). Cap. 8 salvo la sección 8.5 y Cap. 9 salvo la
sección 9.3.
48
Estadı́stica Actuarial: Análisis de Regresión
2
Xi ∼ N ID(µX , σX ) (2.1)
Los parámetros que determinan la distribución son la media y la varianza de las ventas, que son
desconocidos, es decir, Θ = (µ, σ 2 ). Además, la media es el parámetro de interés en el estudio y
queremos aprender sobre ella a partir de los datos.
Para poder decir algo de la población a partir de la muestra disponemos de dos herramientas de la
estadı́stica, la estimación y el contraste de hipótesis. En la estimación se trata de calcular posibles
valores para parámetros de interés, por ejemplo, el salario medio de los graduados en Finanzas y
Seguros o el salario medio de las mujeres casadas con carga familiar y estudios superiores. En el
contraste de hipótesis hay que establecer una hipótesis o conjetura especı́fica sobre la población, por
ejemplo, que no hay discriminación salarial por sexo o que la renta disponible determina el consumo
de las familias, y analizar los datos para decidir si la hipótesis es correcta. En este tema veremos
una introducción al problema de la estimación y en el tema siguiente introduciremos el contraste
de hipótesis.
Los parámetros son desconocidos pero pueden estimarse. El objetivo de la estimación es aproximar
el valor de un conjunto de parámetros desconocidos de una distribución a partir de las observaciones
muestrales de la misma. Denotaremos como θ a un parámetro desconocido y Θ = (θ1 , θ2 , . . . , θK )0 a
un vector de K parámetros desconocidos. Un estadı́stico es una función, o fórmula, que se calcula
a partir de los datos contenidos en una muestra. La media muestral es un estadı́stico, la varianza
muestral es otro estadı́stico. Un estimador de un parámetro poblacional es una variable aleatoria
que depende de la información de la muestra. Su valor proporciona aproximaciones al parámetro
desconocido. Notacionalmente un estimador del parámetro desconocido θ es un estadı́stico que
pretende ser un aproximación a dicho parámetro desconocido y se denota por θ̂. Una vez se aplica
49
Estadı́stica Actuarial: Análisis de Regresión
2.2.1. Propiedades
Sin embargo, no existe un único estimador. En el caso anterior hemos propuesto como estimador de la
media poblacional a la media muestral pero igualmente podı́amos haber propuesto como estimador
a la mediana muestral. ¿Cuál elegir entonces? Para elegir entre estimadores podemos basarnos en
las propiedades de la distribución muestral del estimador. En general exigimos a los estimadores
que se aproximen al verdadero valor de los parámetros, vamos a fijarnos en tres propiedades en
concreto: insesgadez, eficiencia y error cuadrático medio.
Si se pudieran obtener todas las posibles realizaciones muestrales de θ̂, el promedio de todas estas
estimaciones serı́a el verdadero valor del parámetro. Es una propiedad deseable porque indica que
si un estimador es insesgado, el error de estimación, θ̂ − θ, se anula en promedio.
Cuando E(θ̂) 6= θ se dice que el estimador es sesgado. Se define el sesgo de un estimador como
Sesgo(θ̂) = E(θ̂) − θ
La parte izquierda de la Figura 2.1 representa las distribuciones de tres estimadores de un mismo
parámetro, θ: el estimador θ̂1 es insesgado; θ̂2 , tiene sesgo negativo, es decir, en promedio subestima
(subvalora) el valor del parámetro; finalmente el sesgo de θ̂3 es positivo, es decir, este estimador en
promedio sobrestima (sobrevalora) el valor del parámetro.
50
Estadı́stica Actuarial: Análisis de Regresión
Eficiencia. Si nos fijamos únicamente en los estimadores insesgados, nos interesa establecer un
criterio para elegir un estimador dentro de esta clase de estimadores. En la parte derecha de la Figura
2.1 se representa la distribución de dos estimadores, ambos insesgados. Claramente, el estimador con
menor varianza, θ̂1 , tiene una probabilidad menor de obtener realizaciones alejadas del verdadero
valor del parámetro. Por tanto, se considera que θ̂1 supera al estimador θ̂2 y se dice que θ̂1 es más
eficiente que θ̂2 ya que V (θ̂1 ) < V (θ̂2 ).
En general, si un estimador es el que tiene menor varianza dentro de una clase de estimadores se
dice que es el estimador eficiente dentro de esa clase. Ası́, se dice que un estimador θ̂ es eficiente
dentro de la clase de estimadores insesgados si no hay otro estimador insesgado θ̃ con una varianza
menor:
V (θ̂) ≤ V (θ̃) ∀θ̃ insesgado
Por ejemplo, la media de los datos es un estimador eficiente dentro de la clase de estimadores
insesgados de la media poblacional µ de una variable normal. Es decir, se demuestra que, si Xi ∼
N ID(µ, σ 2 ), i = 1, . . . , n, entonces para todo estimador insesgado de µ, µ̃ con E(µ̃) = µ:
σ2
V (X̄) = ≤ V (µ̃)
n
Error cuadrático medio. Aunque la insesgadez es una propiedad deseable, esto no implica que un
estimador insesgado siempre sea preferible a uno sesgado. La Figura 2.2 ilustra una situación en la
que un estimador insesgado θ̂1 puede descartarse frente a otro sesgado, θ̂2 . El estimador θ̂1 tiene
mucha varianza, por lo que tiene una probabilidad mayor de obtener errores de estimación más
grandes que el estimador con menor varianza, θ̂2 , aunque este sea sesgado.
Esto sugiere utilizar como criterio de elección de estimadores una medida del error del estimador.
Se define el error cuadrático medio de un estimador:
51
Estadı́stica Actuarial: Análisis de Regresión
que se descompone en un término de varianza y otro de sesgo. Ası́, entre un conjunto de estimadores
se elige aquel que tiene menor error cuadrático medio.
Ejercicio 2.1
Ejercicio 2.2
La media muestral de los datos, X̄ puede ser un estimador de la media poblacional µX de una va-
2 de los datos es un estimador de su varianza poblacional
riable aleatoria X. La varianza muestral SX
σX2 . Es decir,
n n
1X 2 2 1 X
µ̂X = X̄ = Xi σ̂X = SX = (Xi − X̄)2 (2.2)
n n−1
i=1 i=1
Ejemplo 2.1
Supongamos que se dispone del salario medio por hora percibido 30 individuos. En la
Tabla 2.1 se recoge dicha información:
La estimación de la media del salario medio por hora es:
3, 10 + 3, 24 + 3 + 6 + . . . + 7, 78 + 12, 5 + 12, 5 + 3, 25
µ̂X = X̄ = = 7, 8547
30
La estimación de la varianza es:
2 2 (3, 10 − 7, 8547)2 + (3, 24 − 7, 8547)2 + . . . + (3, 25 − 7, 8547)2
σ̂X = SX = = 23, 8778
30 − 1
52
Estadı́stica Actuarial: Análisis de Regresión
p
σ̂X = 23, 8778 = 4, 8865
En la Tabla 2.1 anterior se estima que el salario medio por hora oscila alrededor de 7,8547 euros. Sin
embargo, ¿qué confianza podemos tener en este resultado? Por ejemplo, ¿valorarı́amos igual esta
cantidad si se hubiera calculado con una muestra de 5 observaciones? La respuesta obvia es NO,
sino que consideramos más fiables los resultados con 30 datos que con 5. Por tanto, un estimador
debe complementarse con una medida de su fiabilidad o precisión.
Un estimador es una variable aleatoria que depende de las variables Xi , i = 1, . . . , n. Su distribución
de probabilidad se denomina distribución muestral o distribución empı́rica del estimador. En el
ejemplo anterior, si Xi ∼ N ID(µ, σ 2 ), entonces el estimador µ̂ = X̄ es una combinación lineal de
n variables normales independientes. En el Tema 1 se demostró que su distribución muestral es:
µ̂ = X̄ ∼ N (µ, σ 2 /n)
2 = σ̂
muestral de X̄, σ̂X̄ = σ̂X̄ √X̄
n
se conoce como error tı́pico de X̄. En el ejemplo del salario
√
medio por hora obtenemos que el error tı́pico de estimación es 4, 8865/ 30 = 0, 8921. Es fácil
comprobar que si obtuviéramos los mismos valores de X̄ y SX con una muestra √ de 5 observaciones,
el error tı́pico casi se multiplicarı́a por dos veces y media, SX̄ = 4, 8865/ 5 = 2, 185.
53
Estadı́stica Actuarial: Análisis de Regresión
Una forma de tener una mayor confianza en la estimación es obtener una estimación por intervalo.
Un estimador por intervalo o estimador de un intervalo de confianza de un parámetro poblacional
es una regla que utiliza la información muestral para hallar un intervalo que es probable que incluya
ese parámetro.
2.3.2. Intervalos de confianza para la media de una población normal con varianza
conocida
Sea X1 , X2 , . . . , Xn una muestra de n observaciones extraı́das de una población que sigue una
distribución normal de media µ desconocida y varianza conocida σ 2 . Vamos a calcular un intervalo
de confianza para la media poblacional al 100(1 − α) %. Sea
µ ¶
σ2 X̄ − µ
X̄ ∼ N µ, −→ Z= √ ∼ N (0, 1)
n σ/ n
Sea zα/2 el valor de la distribución normal estándar tal que la probabilidad de la cola superior es
α/2. A continuación construimos el intervalo de confianza:
X̄−µ
P (−zα/2 < √
σ/ n
< zα/2 ) = 1 − α
54
Estadı́stica Actuarial: Análisis de Regresión
La ecuación (2.3) es un intervalo de confianza al 95 por ciento para µ, luego el intervalo aleatorio
contiene a µ con probabilidad 0, 95. Es decir antes de obtener nuestra muestra aleatoria particular
hay una probabilidad del 95 por ciento de que (2.3) contenga a µ. La ecuación (2.3) es un ejemplo de
estimador por intervalo. El intervalo es aleatorio ya que los lı́mites inferior y superior cambian
con las diferentes muestras.
N(0, 1)
Interpretación: Si se extraen repetida e in- 0,4
0
−5 −4 −3 −2 −1 0 1 2 3 4 5
2.3.3. Intervalos de confianza para la media de una población normal con varianza
desconocida. La distribución t de Student
Sea X1 , X2 , . . . , Xn una muestra de n observaciones extraı́das de una población que sigue una dis-
tribución normal de media µ desconocida y varianza desconocida σ 2 . Vamos a calcular un intervalo
de confianza para la media poblacional al 100(1 − α) %. Sea
µ ¶
σ2 X̄ − µ
X̄ ∼ N µ, −→ Z= √ ∼ N (0, 1)
n σ/ n
En el caso de que la varianza σ 2 sea conocida, vimos en el apartado anterior que el intervalo de
confianza 100(1 − α) % es:
µ ¶
σ σ
P X̄ − zα/2 √ < µ < X̄ + zα/2 √ =1−α
n n
Sin embargo si σ 2 es desconocida el resultado no puede ser utilizado directamente. También hemos
visto que la varianza muestral S 2 es un estimador de σ 2 por lo que para construir el intervalo de
confianza podemos utilizar el siguiente estadı́stico y distribución asociada:
X̄ − µ
t= √ ∼ t(n−1)
σ̂/ n
siendo σ̂ 2 = S 2 . Sea t(v) α/2 el valor de la distribución t-Student con v grados de libertad tal que
la probabilidad de la cola superior es α/2. El intervalo de confianza 100(1 − α) % para la media
poblacional cuando la varianza es desconocida es:
µ ¶
σ̂ σ̂
P X̄ − t(n−1) α/2 √ < µ < X̄ + t(n−1) α/2 √ =1−α
n n
55
Estadı́stica Actuarial: Análisis de Regresión
µ ¶
σ̂ σ̂
P X̄ − t(n−1)α/2 × √ < µ < X̄ + t(n−1)α/2 × √ = 0, 95
n n
Además de construir intervalos de confianza para los parámetros de una población, como es la media
o la varianza también podemos construir intervalos de confianza para estimar algunos parámetros de
dos poblaciones. Por ejemplo un empresario puede estar interesado en comparar la productividad
media de sus trabajadores en dos plantas distintas, o podemos estar interesados en comparar la
media del salario medio por hora de hombres y mujeres. Para ello podemos construir un intervalo
de confianza para la diferencia de las medias. Veamos algunos ejemplos.
Supongamos que extraemos una muestra de nX observaciones de una población normal de media µX
y varianza σX2 y una muestra independiente de n observaciones de una población normal de media
Y
µY y varianza σY2 . Denotamos las medias muestrales respectivas por X̄ y Ȳ . Estamos interesados
en la diferencia de ambas medias, luego basamos la inferencia en dicha diferencia: X̄ − Ȳ . La media
y varianza de la variable aleatoria diferencia de medias es:
56
Estadı́stica Actuarial: Análisis de Regresión
suponiendo que las varianzas son conocidas podemos escribir el siguiente intervalo de confianza:
s s
2
σX σ 2 2
σX σ 2
P (X̄ − Ȳ ) − zα/2 + Y < µX − µY < (X̄ − Ȳ ) + zα/2 + Y = 0, 95
nX nY nX nY
Si las varianzas son desconocidas se han de estimar con lo que la variable aleatoria Z ya no sigue
una distribución estándar sino una t-Student con v = nX + nY − 2 grados de libertad donde estamos
suponiendo que las varianzas poblacionales aunque desconocidas son iguales1 .
s s
σ̂ 2 σ̂ 2 σ̂ 2 σ̂ 2
P (X̄ − Ȳ ) − t(nX +nY −2)α/2 X
+ Y < µX − µY < (X̄ − Ȳ ) + t(nX +nY −2)α/2 X
+ Y = 0, 95
nX nY nX nY
Ejemplo 2.3
Supongamos que disponemos de una muestra sobre salario medio por hora para 252
2 ) y una muestra de salario medio
mujeres proveniente de una población X ∼ N (µX , σX
por hora para 274 hombres proveniente de una población Y ∼ N (µY , σY2 ) tal que:
Suponiendo que ambas muestras tienen varianza poblacional desconocida pero igual, el
intervalo de confianza al 100(1 − α) % para la diferencia de las medias es:
r
2, 52942 4, 16092
(4, 5877 − 7, 0995) ± t(524)α/2 +
252 274
1
Los grados de libertad v dependen del supuesto que se realice sobre las varianzas de ambas poblaciones.
• Si suponemos que las varianzas poblacionales son desconocidas pero iguales: v = nX + nY − 2. Este es el
supuesto más habitual.
• Si suponemos que"las varianzas
#
poblacionales son desconocidas y no son iguales y las muestras son de distinto
2 2
σ̂X σ̂ 2
nX
+ nY
Y
tamaño: v = (σ̂ 2 /nX )2 2
(σ̂ /nY ) 2
X + (nY
(nX −1) Y −1)
tamaño: v = 1 + σ̂ 2
2
σ̂ 2
× (n − 1)
X + 2 Y
σ̂ 2 σ̂
Y X
57
Estadı́stica Actuarial: Análisis de Regresión
Dos muestras son dependientes si en los valores de una muestra influyen los de la otra. Los miembros
de la muestra se eligen por pares, uno de cada población. Supongamos que se eligen n pares alea-
2 ) y Y ∼ N (µ , σ 2 )
torios (x1 , y1 ), (x2 , y2 ), . . . , (xn , yn ) extraı́dos de dos poblaciones X ∼ N (µX , σX Y Y
dependientes. Denotamos por d y Sd a la media y desviación tı́picas muestrales observadas de las n
diferencias di = xi − yi . Si suponemos que la distribución poblacional de las diferencias es normal,
entonces tenemos el siguiente intervalo de confianza 100(1 − α) % de la diferencia entre las medias:
Sd Sd
d¯ − t(n−1)α/2 √ < µd < d¯ − t(n−1)α/2 √
n n
Ejercicio 2.3
Ejercicio 2.4
Ejercicio 2.5
58
Estadı́stica Actuarial: Análisis de Regresión
Indv. Medida Indv. Medida Indv. Medida Indv. Medida Indv. Medida
1 14,96 11 14,76 21 15,97 31 15,71 41 17,77
2 17,34 12 17,89 22 17,19 32 13,53 42 17,81
3 16,40 13 18,36 23 16,87 33 17,89 43 16,90
4 19,33 14 17,59 24 15,26 34 17,31 44 19,26
5 17,69 15 16,64 25 13,90 35 13,71 45 16,03
6 17,50 16 20,23 26 16,40 36 17,92 46 15,86
7 15,84 17 16,98 27 20,40 37 14,91 47 16,56
8 18,69 18 16,23 28 15,94 38 20,00 48 16,71
9 18,63 19 14,21 29 19,08 39 19,22 49 20,23
10 18,55 20 20,33 30 19,40 40 16,48 50 15,54
Ejercicio 2.6
Para evaluar diferentes planes de jubilación para los trabajadores de una multinacional
con una plantilla de miles de trabajadores la empresa debe determinar la edad media
de sus trabajadores. Asumiendo que la edad de los trabajadores sigue una distribución
normal y que la desviación estandar es conocida e igual a 21 años, ¿cuál debe ser el
tamaño de la muestra de trabajadores que se debe muestrear si queremos que el intervalo
de confianza del 95 % de la edad media no sean más ancho de 4 años?
59
Estadı́stica Actuarial: Análisis de Regresión
60
Tema 3
Contraste de hipótesis
En el tema anterior vimos algunos conceptos de la inferencia estadı́stica para establecer conclusiones
sobre una población basándonos en la muestra y nos centramos en la estimación. En este tema nos
vamos a centrar en la inferencia o contrate de hipótesis. Aprenderemos a realizar contraste de
hipótesis para poder realizar afirmaciones sobre la población a partir de la información contenida
en una muestra. Para ello utilizaremos estadı́sticos calculados a partir de muestras aleatorias y
vistos en los temas anteriores. Introduciremos los conceptos de hipótesis nula y alternativa ası́ como
el concepto de estadı́stico y distribución muestral. Desarrollaremos el proceso de tomar decisiones
para rechazar o no la hipótesis nula y analizaremos los errores que podemos cometer en el proceso
de contrastar hipótesis. Finalmente aplicaremos los resultados a la media de una población normal.
1. Conocer distintos procedimientos de estimación de parámetros, ası́ como sus propiedades para
poder seleccionar adecuadamente la mejor alternativa de análisis.
61
Estadı́stica Actuarial: Análisis de Regresión
Bibliografı́a Recomendada:
Al final del tema tenéis recogida la bibliografı́a correspondiente. En particular os recomendamos
leer los capı́tulos correspondientes a la bibliografı́a básica detallados a continuación:
62
Estadı́stica Actuarial: Análisis de Regresión
H0 : µ = 5 frente a H1 : µ 6= 5
A partir de la distribución muestral de X̄, X̄ ∼ N (µ, σ 2 /n) podemos definir el siguiente estadı́stico
de contraste:
X̄ − µ X̄ − 5
= √
σX̄ σ/ n
1
El establecimiento de una hipótesis sobre el parámetro desconocido θ divide su espacio paramétrico en dos partes,
una integrada por los valores que cumplan la hipótesis, le llamaremos Θ0 y otra formada por el conjunto de valores
que no la cumplen y que llamaremos Θ1 . Θ0 y Θ1 son disjuntos por definición, Θ0 ∪ Θ1 = Θ.
63
Estadı́stica Actuarial: Análisis de Regresión
Esta discrepancia, que utilizaremos como estadı́stico de contraste, no depende de las unidades de
medida y tiene en cuenta la diferencia entre los datos (resumidos en X̄) y el valor establecido en
H0 . Además, debe conocerse la distribución de esta variable aleatoria cuando la hipótesis nula es
correcta. En el ejemplo, se demuestra que si los datos X1 , X2 , . . . , Xn son una muestra aleatoria de
un conjunto de variables Xi ∼ N ID(µ, σ 2 ) ∀i, con µ y σ 2 desconocidas, entonces:
X̄ − µ
∼ t(n − 1)
σ̂X̄
y sustituyendo µ = 5, tenemos la distribución muestral del estadı́stico bajo H0 :
X̄ − 5 H0 X̄ − 5 H0
t= ∼ t(n − 1) −→ √ ∼ t(n − 1) (3.1)
σ̂X̄ σ̂/ n
Este estadı́stico se aplica mucho en la práctica y se denomina estadı́stico t de la media. De forma
general podemos escribirlo:
√
X̄ − µ n(X̄ − µ)
∼ t(n − 1) o lo que es igual ∼ t(n − 1)
σ̂X̄ σ̂
Un contraste o test de hipótesis es una regla de decisión mediante la cual optamos por una u
otra hipótesis. La cuestión es por cuál de las dos hipótesis nos inclinamos dada la información
proporcionada por una muestra aleatoria simple. Para ello se establece la regla o criterio de
decisión que determina la región crı́tica, subconjunto para el que se rechaza la H0 . Para determinar
el criterio de decisión del contraste se divide el conjunto de posibles resultados del estadı́stico de
contraste en dos zonas, la región crı́tica y su complementaria. Se rechaza H0 cuando el valor del
estadı́stico obtenido con la muestra, tm , pertenece a la región crı́tica. El punto de partida para
establecer la región crı́tica es que se rechaza H0 si la discrepancia entre datos y H0 es grande. En el
contraste bilateral, se rechazarı́a H0 si X̄ se alejara mucho del valor establecido en H0 , lo que para
el estadı́stico implica que: ¯ ¯
¯ X̄ − 5 ¯
¯
|tm | = ¯ ¯>c (3.2)
S ¯
X̄
donde c es la discrepancia máxima que estamos dispuestos a asumir y se denomina valor crı́tico. En
caso contrario, si |tm | ≤ c, no se rechaza la hipótesis nula. El valor de c depende de la distribución del
estadı́stico de contraste cuando H0 es cierta y del error que estemos dispuestos a aceptar. Por ejemplo
para una muestra de tamaño n = 30 y α = 5 % tenemos un valor c = t(n−1)| α2 = t(30−1)| 0,025 = 2, 045.
En el ejemplo que venimos siguiendo tendremos:
7, 8547 − 5
tm = √ = 3, 199 > 2, 045
4, 8865/ 30
luego rechazamos la hipótesis nula para un nivel de significación del 5 %.
64
Estadı́stica Actuarial: Análisis de Regresión
• La probabilidad de cometer el error tipo II, no rechazar la hipótesis nula cuando ésta es falsa,
se denota por β y generalmente se utiliza su complementario a la unidad (1 − β) llamada
potencia del contraste (probabilidad de aceptar la hipótesis alternativa cuando es cierta)
cuando las hipótesis son simples y función de potencia cuando son compuestas.
Deseamos cometer el menor error, pero no es posible eliminar los dos errores simultáneamente, es
decir, que el tamaño sea 0 y la potencia igual a 1. En general, disminuir el error tipo I lleva consigo
un aumento del error tipo II. Por ejemplo, no cometemos error tipo I si decidimos no rechazar nunca
la hipótesis nula; pero la potencia del contraste serı́a 0 porque tampoco rechazaremos H0 cuando
sea falsa. Daremos más importancia al error tipo I, por lo que elegiremos el tamaño del contraste;
los niveles más habituales son 10 %, 5 % y 1 %. Para el tamaño elegido, trataremos de utilizar el
contraste con mayor potencia.
Diseño de pruebas estadı́sticas. Para diseñar una prueba debemos elegir una muestra, un es-
tadı́stico, un nivel de significación y una región crı́tica. Normalmente se comienza eligiendo el nivel
de significación α, es decir acotando la probabilidad de cometer error Tipo I y para ello se fija la
región crı́tica adecuada.
• Fijamos la región crı́tica de forma que α sea pequeño, es decir que el error sea pequeño,
queremos que la probabilidad de rechazar H0 cuando es cierta sea pequeña.
• También trataremos de que sea pequeño el error Tipo II es decir que la potencia del contraste
sea máxima. En la práctica se acota la probabilidad de cometer error Tipo I, α y después se
trata de minimizar la probabilidad de cometer error Tipo II, β. Cuando minimizamos la P (I)
aumenta P (II) por tanto cuando aceptamos H0 debemos tener en cuenta que la potencia del
contraste sea suficiente.
Otra forma de llevar a cabo el contraste es utilizar el valor-p. Este valor es una probabilidad e
indica cuál serı́a el menor nivel de significación que se tendrı́a que elegir para rechazar la hipótesis
nula, dada la realización muestral del estadı́stico. Si el contraste es a dos colas, el valor-p es dos veces
el área a la derecha de la realización muestral del estadı́stico en valor absoluto, en la distribución
de éste bajo la hipótesis nula, esto es
Si el contraste es a una cola, el valor-p serı́a el área a la derecha de la realización muestral del
estadı́stico en valor absoluto, en la distribución de éste bajo la hipótesis nula, esto es valor-p =
65
Estadı́stica Actuarial: Análisis de Regresión
P(tj > tmj |H0 ). A mayor valor-p, mayor serı́a la probabilidad de error de tipo I si elegimos rechazar
la hipótesis nula. Luego a mayor valor-p menor evidencia contra la hipótesis nula y por el contrario
a menor valor-p mayor evidencia contra la hipótesis nula. El cálculo del valor-p es más complicado
que elegir el nivel de significatividad a priori por lo que generalmente se realiza en el ordenador.
4) Cálculo muestral del estadı́stico y aplicación del criterio de decisión para elegir una de las dos
hipótesis. El criterio de decisión es: si el valor muestral del estadı́stico es mayor que el valor
c, el valor en tablas de la distribución para el nivel de significatividad elegido, se rechaza la
hipótesis nula. En caso contrario se acepta.
Si alternativamente utilizamos el valor-p, una vez calculado éste la regla de decisión es si
valor-p < α se rechaza H0 . Si valor-p > α no se rechaza H0
El contraste de hipótesis también puede realizarse mediante un intervalo de confianza. En ese caso
los pasos 1), 2) y 3) no cambian. En el paso 4) se calcula el intervalo de confianza a 100(1 − α) % y
se comprueba si el valor del parámetro según la hipótesis nula pertenece al intervalo, en cuyo caso
se acepta la hipótesis nula. En caso contrario se rechaza. Notar que la región de aceptación es la
comprendida dentro del intervalo de confianza.
3.5. Aplicaciones
Ejemplo: zona crı́tica en un contraste bilateral sobre la media de una distribución normal.
Veamos cómo se determina el valor crı́tico c en el ejemplo sobre la media del precio. El tamaño α
es la probabilidad de rechazar H0 cuando ésta es cierta. Como (3.2) es la condición para rechazar
y (3.1) es la distribución del estadı́stico cuando H0 es cierta, esto implica que:
En este caso, rechazaremos H0 si el valor del estadı́stico t obtenido con los datos es un valor poco
probable en la distribución del estadı́stico bajo H0 .
66
Estadı́stica Actuarial: Análisis de Regresión
Ejemplo 3.2
Ejemplo: región crı́tica en el contraste unilateral sobre la media de una distribución normal. En
los estudios econométricos a veces se plantean contrastes a una cola. En el estudio sobre el salario
medio por hora supongamos que interesa contrastar si la media es cinco o mayor que cinco, por lo
que planteamos las hipótesis:
H0 : µ = 5 frente a H1 : µ > 5
Al mantenerse la misma hipótesis nula, el estadı́stico de contraste es (3.1), que bajo H0 sigue una
distribución t(n − 1). La hipótesis alternativa determina el criterio de decisión. Rechazaremos H0
cuando la discrepancia tome valores alejados de H0 y compatibles con H1 , es decir, cuando t tome
valores positivos grandes. La región crı́tica está definida por la condición t > c. El valor crı́tico c se
determina por:
α = P (t > c) cuando el estadı́stico t ∼ t(n − 1)
67
Estadı́stica Actuarial: Análisis de Regresión
En general, se usan las expresiones rechazar o no rechazar H0 . Esto es ası́ porque en un contraste
mantenemos la H0 mientras no haya suficiente evidencia en contra. Los datos pueden rechazar la
hipótesis, pero no pueden probar que H0 sea correcta, por lo que no se dice que se acepta H0 . No
rechazar H0 significa que los datos no son capaces de mostrar su falsedad.
Ejemplo 3.4
Este intervalo puede utilizarse para realizar contraste de hipótesis, por ejemplo si queremos con-
trastar: H0 : µ = 8 frente a H1 : µ 6= 8 basta con que comprobemos si el valor 8 está o no dentro
del intervalo; 8 ∈ IC0,95 (µ) luego no rechazamos la hipótesis nula.
Para el contraste: H0 : µ = 0 frente a H1 : µ 6= 0 obtendrı́amos con el mismo intervalo de
confianza 0 6∈ IC0,95 (µ) luego rechazamos la hipótesis nula. Lo cual es lógico ya que del propio
intervalo de confianza concluimos que con confianza del 95 % la media poblacional estará entre los
valores 6, 070 y 9, 6389.
Ejemplo: contrate de igualdad de medias Este es un contraste muy habitual, por ejemplo, en
estudios sociales interesa analizar si hay discriminación salarial, de modo que las mujeres perciben
68
Estadı́stica Actuarial: Análisis de Regresión
salarios más bajos que los hombres. Habitualmente, se contrasta la hipótesis nula de que la media
del salario que perciben las mujeres es igual al salario medio de los hombres frente a la hipótesis
alternativa de que la media del salario es mayor en el grupo de hombres.
Para ejemplarizar este contraste vamos a retomar el Ejemplo 2.3 del Tema 2. En este ejemplo
disponı́amos de dos muestras normales independientes, con varianzas poblacionales iguales pero
desconocidas. Una muestra sobre salario medio por hora para 252 mujeres proveniente de una
2 ) y una muestra de salario medio por hora para 274 hombres proveniente
población X ∼ N (µX , σX
de una población Y ∼ N (µY , σY2 ) tal que:
Con estos datos construı́amos el siguiente intervalo de confianza al 100(1 − α) % para la diferencia
de las medias:
r
2, 52942 4, 16092
(4, 5877 − 7, 0995) ± t(524)α/2 +
252 274
Para contrastar la hipótesis de que la media del salario medio por hora que perciben las mujeres es
igual la media del salario medio por hora de los hombres frente a la hipótesis alternativa de que la
media es mayor en el grupo de hombres, planteamos H0: µY = µX frente a H1: µY > µX .
Dada H1 , rechazamos H0 si la diferencia (Ȳ − X̄) es grande. La región crı́tica, por tanto, está definida
por t > c, siendo c el valor crı́tico. El contrate es a una cola, 8, 278523 > 1, 64 = t(524)| 0,05 luego
rechazamos la hipótesis nula para α = 5 %.
Ejemplo: contraste de igualdad de varianzas. En el contraste anterior hemos supuesto que las
varianzas de ambas distribuciones normales aunque desconocidas, eran iguales. Este supuesto se
puede contrastar. Vamos a contrastar si la varianza es la misma en ambas distribuciones frente a
69
Estadı́stica Actuarial: Análisis de Regresión
que sea menor para la muestra que recoge los salarios medios por hora en las mujeres. Por tanto,
planteamos el contraste de hipótesis:
H0 : σY2 = σX
2
frente a H1 : σY2 > σX
2
El procedimiento de contraste consiste en comparar las dos varianzas muestrales, σ̂X 2 y σ̂ 2 , que son
Y
estimadores insesgados de las respectivas varianzas poblacionales. Valores cercanos de σ̂X 2 y σ̂ 2 , o
Y
ratios σ̂Y2 /σ̂X
2 ' 1, apoyan H . El estadı́stico de contraste y su distribución bajo H son:
0 0
σ̂Y2 H0
F = 2 ∼ F(nY − 1, nX − 1)
σ̂X
Dada H1 , rechazamos H0 si el ratio σ̂Y2 /σ̂X 2 está muy por encima de 1. La región crı́tica, por
Ejercicio 3.1
70
Estadı́stica Actuarial: Análisis de Regresión
71
Estadı́stica Actuarial: Análisis de Regresión
72
Tema 4
En los temas anteriores se ha analizado el comportamiento de una variable, sin relacionarla con otras.
En este tema y los dos siguientes vamos a abordar cómo se relacionan las variables entre sı́. De ello
se ocupa la Econometrı́a. Ası́, en estos temas aprenderemos a interpretar la información estadı́stica
sobre la realidad económica. La importancia de la Econometrı́a va más allá de la disciplina de la
economı́a. La Econometrı́a es un conjunto de instrumentos de investigación empleados en finanzas,
marketing, dirección de empresas, negocios, historia, sociologı́a incluso agronomı́a.
La herramienta básica es un modelo econométrico que conjuga los esquemas teóricos sobre el funcio-
namiento de la Economı́a con las técnicas estadı́sticas de análisis de datos. Un modelo puede tener
una estructura muy compleja, pero nos centramos en el modelo más sencillo, y que da contenido
a buena parte de la asignatura, el modelo de regresión lineal general. Este modelo explica el
comportamiento de una única variable económica mediante un conjunto de variables. En este tema
definiremos la disciplina de la Econometrı́a e introduciremos conceptos relacionados con un modelo
econométrico: los datos, las variables, los parámetros, entre otros elementos de un modelo.
El desarrollo de la Econometrı́a ha sido enormemente facilitado por el avance en la informática. El
curso, con gran componente aplicado necesita complementarse con el aprendizaje de un software
econométrico. El paquete econométrico a utilizar es gretl; se trata de software de libre uso, fácil
de manejar y que tiene acceso a las bases de datos que se estudian en muchos libros de análisis
econométrico. El alumno deberá aprender su manejo, en paralelo con los conceptos estadı́sticos y
econométricos, y a interpretar adecuadamente los resultados obtenidos.
4. Analizar de forma crı́tica los elementos básicos de los modelos econométricos para comprender
la lógica de la modelización econométrica y poder especificar relaciones causales entre variables
económicas.
73
Estadı́stica Actuarial: Análisis de Regresión
7. En gretl : Leer datos en gretl , tanto archivos de muestra como archivos propios. Introducir
datos en gretl y realizar un análisis descriptivo básico.
Bibliografı́a Recomendada:
Al final del tema tenéis recogida la bibliografı́a correspondiente. En particular se os recomienda leer
los capı́tulos correspondientes a la bibliografı́a básica detallados a continuación:
74
Estadı́stica Actuarial: Análisis de Regresión
¿Qué es la Econometrı́a?
Como es sabido la Teorı́a Económica se ocupa del análisis de la economı́a, como consecuencia del
mismo formula las relaciones existentes entre las variables económicas objeto de estudio. Sin embargo
la teorı́a Económica no se ocupa de cuantificarlas, éste es un cometido especı́fico de la Econometrı́a,
que sı́ tiene como objetivo cuantificar las relaciones entre variables. Unido a este objetivo aparece un
pilar clave para la Econometrı́a que es la disponibilidad de información cuantificada sobre las varia-
bles que son objeto de estudio, en definitiva lo que llamamos datos. Las Matemáticas nos servirán
para escribir en términos de ecuaciones las teorı́as económicas objeto de estudio y la Estadı́stica nos
proporciona instrumentos para el tratamiento de datos que nos permiten cuantificar las relaciones y
valorar los resultados de acuerdo a criterios establecidos. En ocasiones nos encontraremos con pro-
blemas especı́ficos para los que la estadı́stica no tiene solución y por ello necesitaremos desarrollar
los instrumentos y métodos apropiados para llevar a cabo los objetivos.
Resumiendo, podrı́amos decir que los objetivos de la Econometrı́a son: verificación de una teorı́a,
estudio del pasado, descripción del presente, predicción del futuro y orientación de la acción polı́tica.
Para tratar de entender las relaciones entre la Econometrı́a y las otras materias mencionadas en el
apartado anterior vamos a desarrollar un ejemplo.
Supongamos que somos el gerente de una empresa y que estamos interesados en la relación existente
entre las ventas de un producto de la empresa y su precio, las condiciones de la competencia y el
ciclo económico. Un modelo que tiene en cuenta estos supuestos podrı́a ser el siguiente:
75
Estadı́stica Actuarial: Análisis de Regresión
El gerente también dispondrá de información en forma de cifras o datos sobre cuales eran las
ventas correspondientes a los diferentes precios que ha podido alcanzar su producto, el precio de
la competencia y el momento del ciclo económico, variable que puede aproximarse a una variable
cuantitativa que se mueva con el ciclo económico, por ejemplo el Índice de Producción Industrial.
Por ahora como gerentes de la empresa disponemos de dos informaciones distintas. Por un lado
disponemos de un modelo económico que nos relaciona un conjunto de variables y por otro dispone-
mos de observaciones o datos sobre las mismas para un periodo de tiempo dado. El gerente también
dispone de un objetivo que es saber como responden las ventas de su producto a cambios en su
precio. Para unir ambos conjuntos de información podemos empezar por dar forma a la función.
La elección más sencilla serı́a tomar una relación lineal, que para la ecuación (4.1) determinarı́a el
siguiente modelo:
Vt = β1 + β2 pt + β3 pct + β4 ct (4.2)
podemos relacionar las variables con los valores que han tomado en cada momento siguiendo la
ecuación (4.2). Ası́ en enero de 1980 la relación entre las ventas y el resto de variables ha sido:
Estas relaciones se repetirı́an para cada mes del que tengamos datos. Como el valor de las variables
cambia de un mes a otro, para que las igualdades se cumplan también deben cambiar los valores de
los parámetros. Este no es el objetivo del gerente, quién necesita la mejor aproximación posible del
valor de las ventas al precio, que resuma toda la información disponible del periodo considerado.
Para ello consideraremos que el modelo debe reflejar el comportamiento medio de la relación entre
variables manteniéndose la relación entre las variables estable. Para que esto se cumpla y podamos
recoger el comportamiento medio incluiremos en el modelo un nuevo elemento al que llamaremos
ut . Ası́ el modelo especificado será:
Vt = β1 + β2 pt + β3 cpt + β4 ct + ut (4.3)
El nuevo elemento deberá ser capaz de mantener la igualdad de la relación para cualquier conjunto
de datos, tomando por tanto a veces valores positivos y en otras ocasiones valores negativos; a
veces grandes, a veces pequeños. La interpretación del mismo resulta bastante intuitiva: recoge
76
Estadı́stica Actuarial: Análisis de Regresión
todos los efectos que afectan a las ventas en cada perı́odo muestral y que no están explı́citamente
recogidos en las variables que el modelo contiene. Si el modelo ha recogido todas las influencias
“importantes y sistemáticas” que existen sobre las ventas, el nuevo elemento, que en adelante
llamaremos perturbación recogerá los efectos no sistemáticos que serán, en general, más erráticos.
Por tanto es factible considerar su comportamiento como aleatorio. Ası́ a la perturbación ut se le
trata como una variable aleatoria cuya distribución de probabilidad es preciso especificar al mismo
tiempo que el resto del modelo.
Dado que el modelo recogido por la ecuación (4.3) contiene una variable aleatoria para obtener
resultados a partir del mismo necesitaremos de la Estadı́stica. Mediante procedimientos estadı́sticos
podremos cuantificar la relación entre las variables, obteniendo valores numéricos para los coefi-
cientes β1 , β2 , β3 y β4 que reflejen la información que contienen los datos. De esta forma el modelo
general representado por la ecuación (4.3) que en principio puede servir para analizar el comporta-
miento de cualquier empresa servirá para contestar a las preguntas que el gerente se hace sobre su
propia empresa convirtiéndose en un modelo especı́fico válido para la toma de decisiones.
El ejemplo anterior describe una situación muy concreta pero la Econometrı́a es útil en otras muchas
situaciones, por ejemplo:
• Para analizar el efecto del impacto de cambios en la polı́tica fiscal sobre los indicadores
económicos de un paı́s, la demanda interna, los tipos de interés, exportaciones e importa-
ciones, desempleo, grado de morosidad.
• Los directivos de la empresa Mercedes pueden estar interesados en los factores que determinan
la demanda de automóviles.
• Analizar si las campañas publicitarias contra el consumo de alcohol cuando se conduce reduce
el número de siniestros.
Un estudio econométrico consta de las siguientes etapas, Heij , de Boer, Franses, Kloer y Dijk (2004):
77
Estadı́stica Actuarial: Análisis de Regresión
• Recolección de datos estadı́sticos relevantes para el análisis. En el caso del gerente los datos
están disponibles en los balances de la propia empresa. Los resultados del análisis van a
depender en gran medida de la calidad de los datos. Sin embargo, no siempre es sencillo
obtener los datos relevantes para el análisis. Podemos encontrar problemas como la ausencia
de algún dato, cambios en la definición de una variable, fallos en el método de recogida, tener
una cantidad insuficiente de datos o no disponer de información relativa a una variable.
• Formulación y estimación del modelo. En esta fase hay que dar forma al problema inicial
en términos de un modelo. Determinar la variable a explicar, en el ejemplo las ventas, y las
variables explicativas, en el ejemplo el precio, el precio de la competencia y el ciclo económico;
la forma funcional del modelo y la distribución probabilı́stica de la perturbación aleatoria.
El siguiente paso es la estimación de los parámetros desconocidos de la distribución y que son
de interés para el análisis. La estimación consiste en utilizar los datos y toda la información
relevante para aprender algo sobre los parámetros desconocidos. En la interpretación de los
resultados de estimación es importante tener en cuenta que no conocemos el valor de los
parámetros, por lo que únicamente vamos a hacer afirmaciones del tipo “con un 95 % de
confianza, el aumento del impuesto sobre carburantes no afecta al consumo de gasolina”.
Existen muchos métodos de estimación. La elección entre uno u otro depende de las propie-
dades del modelo econométrico seleccionado. Es decir, una mala selección del modelo también
influye en la validez de las estimaciones. Un curso introductorio de Econometrı́a, como este,
se suele centrar en el estudio del modelo de regresión lineal y su estimación mediante mı́nimos
cuadrados ordinarios, que son instrumentos sencillos y muy útiles en la práctica.
• Análisis del modelo. Se trata de estudiar si el modelo elegido es adecuado para recoger el
comportamiento de los datos. Consiste en una serie de contrastes diagnósticos que valoran si
el modelo está correctamente especificado, es decir, si los supuestos realizados son válidos. Si
es necesario, se modifica el modelo en base a los resultados obtenidos en los contrastes.
• Aplicación del modelo. Una vez obtenido un modelo correcto, se utiliza para responder a las
cuestiones de interés y para la predicción. Un modelo correctamente especificado y estimado
ha de ser utilizado para predecir. Este concepto implica tanto determinar los valores futuros
de la variable endógena como contestar a preguntas del tipo ¿qué pasarı́a sı́...?, en definitiva
debe servirnos para dar consejos de polı́tica económica.
78
Estadı́stica Actuarial: Análisis de Regresión
tiempo. El subı́ndice t hace referencia al tiempo y por tanto T indica el tamaño de la muestra de
observaciones disponible.
La diferencia entre un modelo económico y un modelo econométrico es la perturbación aleatoria
que incluimos en el modelo econométrico. A partir de este elemento en el modelo econométrico
podemos distinguir dos partes la parte sistemática del modelo y la parte aleatoria. La primera
corresponde al comportamiento medio o estable de la relación y la segunda se corresponde con la
perturbación aleatoria, ut .
El objetivo sobre el modelo genérico representado por la ecuación (4.4) es conocer los valores de los
parámetros desconocidos βk k = 1, 2, . . . , K. Para llevar a cabo este objetivo utilizaremos métodos
estadı́sticos. Para ello al modelo especificado deberemos de añadir hipótesis sobre el comportamiento
probabilı́stico de la perturbación aleatoria que caractericen su distribución. En general, supondremos
que dicha perturbación tiene una distribución centrada en cero, o sea media cero, lo que implica
que el comportamiento medio de la variable a explicar está recogido en su totalidad por la parte
sistemática del modelo:
En los puntos anteriores han surgido algunos conceptos que deberı́an quedar claros para poder
referirnos a ellos con propiedad. Revisaremos algunos de ellos.
• Población y muestra:
Población son todos los posibles valores que toma la variable objeto de estudio. La muestra
serı́a la parte de la población que vamos a utilizar en el estudio para extraer conclusiones.
Por tanto la muestra está contenida en la población y nosotros la utilizaremos para establecer
conclusiones que puedan extrapolarse a la población.
• Datos:
Los datos son los valores numéricos que toman tanto la variable a explicar como las variables
explicativas. Generalmente los obtenemos de series estadı́sticas cuyas fuentes pueden ser ofi-
ciales o privadas. La importancia de los datos está determinada por la unidad de medida. Los
podemos clasificar en:
1. Datos de serie temporal: Reflejan la evolución de una variable a lo largo del tiempo,
según esto la variable estará ordenada cronológicamente con un orden lógico. Las varia-
bles medidas en series temporales se denotan con el subı́ndice t y este puede referirse a
observaciones temporales mensuales, trimestrales, diarias cuatrimestrales, anuales, etc.
Ejemplo: el Producto Nacional Bruto (PNB) de 1965-2000. En este caso la población
serı́an todos los posibles valores del PNB a lo largo del tiempo y la muestra el perı́odo
que vamos a estudiar, de 1965 al 2000.
79
Estadı́stica Actuarial: Análisis de Regresión
2. Datos de sección cruzada o corte transversal: Son datos atemporales dado que miden
el comportamiento de una variable en diferentes unidades y en el mismo momento del
tiempo. Ejemplo: ventas de las empresas metalúrgicas en el Paı́s Vasco en el año 1999.
Esta serı́a la muestra a utilizar y la población estarı́a constituida por todas las unidades.
3. Datos de panel : es la unión de datos de serie temporal y datos de sección cruzada. Están
fuera del objetivo del curso.
• Variables:
Una variable es un ente económico que toma diferentes valores. Podemos distinguir entre va-
riables exógenas, aquellas que inciden en el modelo desde el exterior y variables endógenas,
aquellas que queremos explicar con el modelo. A las variables exógenas también se las de-
nomina variables explicativas o independientes y a la variable endógena también se le puede
denominar como variable a explicar o dependiente. Además debemos tener en cuenta que
podemos encontrarnos con relaciones simultáneas como:
Yt = β1 + β2 Yt−1 + ut
o como
Ct = β1 + β2 Yt + ut Yt = Ct + It
donde las variables cambian su papel según miremos a una ecuación u otra. Podemos distinguir,
entre otros, los siguientes tipos de variables:
definen dos variables cualitativas S1i y S2i que permiten recoger el sexo del individuo y
ver por ejemplo si existe discriminación salarial por sexo en un estudio sobre la función
de salario.
• Los parámetros:
Los parámetros son los valores que permanecen desconocidos del modelo. En un modelo eco-
nométrico podemos distinguir dos tipos de parámetros:
80
Estadı́stica Actuarial: Análisis de Regresión
1. Los parámetros de la relación económica: Son las ponderaciones que aplicadas a las
variables exógenas nos permiten calcular la endógena.
Vt = β1 + β2 pt + β3 cpt + β4 ct + ut (4.6)
En el modelo anterior β1 , β2 , β3 y β4 .
2. Los parámetros de la estructura probabilı́stica: son los parámetros que determinan la
estructura de la parte aleatoria del modelo, media y varianza de la perturbación aleatoria
y de la variable endógena.
• Modelo:
Hemos visto que un modelo no es más que un conjunto de relaciones entre variables económicas
y que representamos mediante relaciones matemáticas. Clasificación de los modelos:
1. - Modelos exactos: aquellos que determinan exactamente el valor de una variable conocido
el valor de otra-s:
Y = β1 + β2 X
Yt = β1 + β2 Xt + ut u ∼ (m(u), V (u))
Ct = β1 + β2 Yt + ut
Ct = β1 + β2 Yt + ut Yt = Ct + It
Ct = β1 + β2 Yt + β3 t + ut
81
Estadı́stica Actuarial: Análisis de Regresión
β2 parámetro poblacional
β̂2 estimador
0,5 estimación
• Estructura:
Cuando estudiamos la relación entre las variables económicas especificamos un modelo eco-
nométrico. En la especificación elegimos la forma funcional del modelo y las variables explica-
tivas a incluir ası́ como las propiedades de la perturbación. Una vez que el modelo está total-
mente especificado le estimaremos y tendremos unos valores para los parámetros. A la relación
resultante le llamamos estructura. Un modelo especificado serı́a:
Yt = β1 + β2 Xt + ut t = 1, 2, . . . , T
mientras que una estructura para ese modelo dada una muestra de tamaño T podrı́a ser:
Ŷt = 20 + 5Xt
Notar que un modelo puede tener diferentes estructuras según los valores que las variables
exógena y endógena tomen en la muestra.
Encontrar y recopilar datos no es siempre sencillo. En ocasiones es muy costoso coleccionar los datos
adecuados a la situación y manejarlos. Sin embargo, esta tarea se ha visto favorecida en los últimos
82
Estadı́stica Actuarial: Análisis de Regresión
años por la mejora en la recogida de datos y el hecho de que muchos organismos permiten acceder a
sus bases de datos en la World Wide Web. Algunos organismos que publican datos macroeconómicos
son:
• Fondo Monetario Internacional (FMI): http://www.imf.org. Para obtener datos sobre un am-
plio conjunto de paı́ses también se puede consultar su publicación Estadı́sticas Financieras
Internacionales (mensual y anual).
Muchos manuales de Econometrı́a incluyen una base de datos que se analizan en el texto como ilus-
tración a la materia. En este curso utilizaremos principalmente los datos incluidos en Ramanathan
(2002) y Wooldridge (2006) que están accesibles como archivos de muestra en gretl.
83
Estadı́stica Actuarial: Análisis de Regresión
84
Tema 5
Este es el tema central de la signatura. En él nos ocuparemos de analizar las relaciones entre variables
y nuestro objetivo fundamental será explicar el comportamiento de una variable, que llamaremos
variable a explicar, mediante un conjunto de variables económicas, que llamaremos explicativas.
Modelizaremos la relación entre las variables mediante una ecuación matemática y daremos entrada
en la misma a una variable aleatoria que nos permita recoger la aleatoriedad del fenómeno económico.
Ası́, aprenderemos a especificar y estimar el Modelo de Regresión Lineal General. El método de
estimación que desarrollaremos son los Mı́nimos Cuadrados Ordinarios, MCO, que bajo ciertas
hipótesis de comportamiento sobre los distintos elementos del modelo nos proporcionará estimadores
con buenas propiedades, lineales, insesgados y de mı́nima varianza. Propiedades que desarrollamos
en el Tema 2 y que en este tema buscaremos no solo para el estimador mı́nimo cuadrático sino
también para otros estimadores alternativos.
Nos ocuparemos en profundidad de que el modelo esté correctamente especificado, es decir de que
incluyamos todas las variables necesarias para explicar el comportamiento de la variable objetivo
y no incluyamos ninguna innecesaria. Veremos que consecuencias tiene en las propiedades de los
estimadores y en la inferencia la omisión de variables relevantes y la inclusión de variables irrelevan-
tes. También analizaremos que problemas nos crea la existencia de combinaciones lineales exactas
y/o aproximadas entre las variables a incluir como explicativas en el modelo. Una vez el modelo
esté correctamente especificado podremos realizar inferencia.
Con los conceptos aprendidos en el Tema 3 desarrollaremos el contraste de restricciones lineales que
recojan hipótesis relevantes desde el punto de vista económico dentro del Modelo de Regresión Lineal
General. Aprenderemos a contrastar si las variables son relevantes individual y conjuntamente para
explicar el comportamiento de la variable objetivo y a hacer contraste de combinaciones lineales,
entre otros contrastes de interés.
Para finalizar el tema veremos como realizar análisis de regresión y contraste de hipótesis mediante
el software gretl.
85
Estadı́stica Actuarial: Análisis de Regresión
1. Conocer distintos procedimientos de estimación de parámetros, ası́ como sus propiedades para
poder seleccionar adecuadamente la mejor alternativa de análisis.
3. Analizar de forma crı́tica los elementos básicos de los modelos econométricos para comprender
la lógica de la modelización econométrica y poder especificar relaciones causales entre variables
económicas.
6. Presentar de forma clara y concisa, tanto oralmente como por escrito, las conclusiones obte-
nidas en un caso de estudio particular.
1. Explicar y entender el alcance de las hipótesis básicas sobre el comportamiento del modelo de
regresión lineal general.
6. Conocer las implicaciones de tener combinaciones lineales exactas entre las variables explica-
tivas del modelo.
7. Conocer las implicaciones de tener combinaciones lineales aproximadas entre las variables
explicativas del modelo.
8. Conocer las consecuencias de una mala especificación del modelo omitiendo variables explica-
tivas relevantes.
9. Conocer las consecuencias de una mala especificación del modelo incluyendo variables expli-
cativas irrelevantes.
86
Estadı́stica Actuarial: Análisis de Regresión
12. Saber contrastar hipótesis relevantes para la relación económica de las variables.
Bibliografı́a Recomendada:
Al final del tema tenéis recogida la bibliografı́a correspondiente. En particular se os recomienda leer
los capı́tulos correspondientes a la bibliografı́a básica detallados a continuación:
• Gujarati, D. y Porter, D.C. (2010). En Parte I: Caps. 1, 2, 3, 4, 5, 7, 8 y 9. Parte II: Cap. 10.
87
Estadı́stica Actuarial: Análisis de Regresión
• El salario es una función del nivel de estudios, la experiencia, la edad y el puesto de trabajo.
• La cantidad vendida de un bien depende de su precio, del precio de la competencia y del ciclo
económico entre otras variables.
Objetivo: Cuantificar la relación existente entre una variable dependiente a la que denotaremos
por Y , y un conjunto de K variables independientes, X1 , X2 , . . . , XK mediante la especificación de
un modelo lineal.
Yi = observación i-ésima de Y
Xki = observación i-ésima de Xk ∀k = 1, . . . , K
Yi = β1 + β2 X2i + . . . + βK XKi + ui i = 1, 2, . . . , N.
88
Estadı́stica Actuarial: Análisis de Regresión
puede escribirse para todas las observaciones disponibles como el siguiente sistema de N ecuaciones:
Y1 = β1 + β2 X21 + β3 X31 + . . . + βK XK1 + u1 i=1
Y2 = β1 + β2 X22 + β3 X32 + . . . + βK XK2 + u2 i=2
.. ..
. .
Yi = β1 + β2 X2i + β3 X3i + . . . + βK XKi + ui i=i
.. ..
. .
YN = β1 + β2 X2N + β3 X3N + . . . + βK XKN + uN i=N
donde
Y1 1 X21 X31 ··· XK1 u1
Y2 1 X22 X32 ··· XK2 β1 u2
β2
.. .. .. .. .. ..
. . . . . β3 .
Y =
X =
β = u =
(N × 1) Yi (N × K) 1 X2i X3i ··· XKi (K × 1) .. (N × 1) ui
.. .. .. .. .. . ..
. . . . . .
βK
YN 1 X2N X3N ··· XKN uN
89
Estadı́stica Actuarial: Análisis de Regresión
• La perturbación ui tiene media cero para todo i, E(ui ) = 0 ∀i. La perturbación mide
las diferencias con respecto a un promedio, ui = Yi − E(Yi ) y a priori no tenemos razones
para suponer que todas las desviaciones están por encima o por debajo de ese promedio,
por ello parece lógico pensar que en media las desviaciones son cero.
Para la perturbación en i lo escribimos como E(ui ) = 0 ∀i, cuando miramos al modelo
en forma matricial escribimos esta hipótesis como E(u) = ~0:
u1 E(u1 ) 0
u2 E(u2 ) 0
~
E(u) = E .. = .. = .. =0
. . .
uN E(uN ) 0
Hay que notar que generalmente σ 2 será desconocida y por tanto en el modelo tendremos
que estimar (K + 1) incógnitas, los k-coeficientes poblacionales desconocidos más la
varianza poblacional de la perturbación σ 2 .
• E(ui uj ) = 0 ∀i, j i 6= j. La covarianza entre perturbaciones de distintas observaciones
es cero.
90
Estadı́stica Actuarial: Análisis de Regresión
f ( u )
f ( u )
X 6
α +β α+β
X 1 X 6
X 1
X 2
X 2
X 6
X 6
E(uu0 ) = σ 2 IN
u1 u1 u01 u1 u02 ... u1 u0N
u2 £ ¤ u2 u01 u2 u02 ... u2 u0N
0 0 0 0
E(uu ) = E .. u1 u2 . . . uN = E .. .. .. .. =
. . . . .
uN uN u01 uN u02 . . . uN u0N
u21 u1 u02 . . . u1 u0N E(u21 ) E(u1 u02 )
. . . E(u1 u0N )
u2 u01 u22 . . . u2 u0N E(u2 u01 ) E(u22 )
. . . E(u2 u0N )
=E .. = =
. ... ..
.
..
.
..
.
....
..
..
.
uN u01 uN u02 . . . u2N E(uN u01 ) E(uN u02 ) . . . E(u2N )
σ2 0 0 . . . 0 1 0 0 ... 0
0 σ2 0 . . . 0 0 1 0 ... 0
= .. .. .. . . . = σ2 2
.. .. .. . . .. = σ IN
. . . . .. . . . . .
0 0 0 . . . σ2 0 0 0 ... 1
91
Estadı́stica Actuarial: Análisis de Regresión
ui ∼ N ID(0, σu2 ) ∀i = 1, . . . , N
ó en forma matricial,
u ∼ N ( 0N , σu2 IN )
(N × 1) (N × 1) (N × N )
• Las variables explicativas son variables no aleatorias (no estocásticas o fijas). Esto quiere
decir que cuando digamos que cambiamos la muestra los valores de las variables exógenas
no cambian y sólo cambian los valores de la variable endógena Yi .
Como consecuencia de que las variables exógenas sean fijas tendremos que son incorre-
lacionadas con las perturbaciones:
E(X 0 u) = X 0 E(u) = 0
92
Estadı́stica Actuarial: Análisis de Regresión
• β1 = E(Yi |X2i = . . . = XKi = 0). Valor medio o esperado de Yi cuando las variables explica-
tivas son todas cero.
∂E(Yi ) ∆E(Y )
• βk = = ∆X i ∀k = 2, . . . , K. Incremento (o decremento) en el valor esperado de
∂Xki ki
Yi cuando la variable explicativa Xk se incrementa en una unidad, manteniéndose constantes el
resto de las variables. Un aumento unitario en la variable explicativa Xk conlleva un aumento
medio de βk unidades en la variable endógena, ceteris paribus.
Ejemplo 5.1
GCPt = β1 + β2 P IBt + ut
Ejemplo 5.2
Se dispone de una base de datos para 51 estados de E.E.U.U. sobre el gasto agregado
en transporte urbano (EXP T RAV ) y la renta disponible agregada (IN COM E) corres-
pondientes al año 19931 . Las variables que se consideran son:
1
Fuente: Statistical Abstract of U.S. (1995), recogida en Ramanthan, Ramu (2002) Introductory econometrics with
applications. Fichero de datos data8-2.gdt.
93
Estadı́stica Actuarial: Análisis de Regresión
El parámetro β1 recoge el valor esperado del gasto en transporte cuando la renta es cero,
β1 = E(EXP T RAV |IN COM E = 0). La pendiente β2 recoge el incremento en el valor
esperado del gasto en transporte cuando la renta se incrementa en una unidad, es este
caso cuando se incrementa en un billón de dólares, β2 = ∂E(EXP T RAV )
∂IN COM E . Esperarı́amos
signo positivo.
Ejemplo 5.3
94
Estadı́stica Actuarial: Análisis de Regresión
Ejemplo 5.4
Wi = β1 + β2 S2i + ui i = 1, 2, . . . N
donde Wi es el salario anual del individuo i y S2i es una variable ficticia que se define:
½
1 si el individuo i es mujer
S2i =
0 en caso contrario
Ejemplo 5.5
Wi = β1 + β2 S2i + β3 Xi + ui i = 1, 2, . . . N
donde Wi es el salario anual del individuo i, Xi son los años de experiencia del individuo
i y S2i es una variable ficticia que se define:
½
1 si el individuo i es mujer
S2i =
0 en caso contrario
95
Estadı́stica Actuarial: Análisis de Regresión
Ejemplo 5.6
donde Vt son las ventas de la empresa en el momento t y las variables Djt son variables
ficticias que se definen:
½
1 si la observación t pertenece al trimestre j j = 2, 3, 4
Djt =
0 en caso contrario
Ejemplo 5.7
En este ejemplo vamos a analizar los determinantes de la oferta laboral de las mujeres
casadas3 . Para ello vamos a utilizar el archivo mroz87.gdt incluido en el programa gretl,
3
Fichero mrox87.gdt, disponible en gretl pestaña Gretl. Fuente:“The Sensitivity of an Empirical Model of Married
Women’s Hours of Work to Economic and Statistical Assumptions”, Econometrica 55, 765-799.
96
Estadı́stica Actuarial: Análisis de Regresión
Se trata de una muestra de sección cruzada con 428 observaciones de mujeres trabaja-
doras donde el término trabajadoras implica que tienen un salario monetario.
Con la muestra anterior creamos las siguientes variables:
A priori esperarı́amos que los coeficientes de las variables l W AGE, EDU C y K618 fue-
sen positivos, ceteris paribus. Es de esperar que si se tiene un sueldo alto la estimulación
a seguir trabajando sea mayor. También es lógico pensar que cuando la preparación (es-
tudios) es mayor, se tenga un empleo mejor y mejor remunerado, luego es más probable
que la mujer trabaje fuera de casa. Familias con mayor número de hijos necesitan de una
mayor renta, por lo que es probable que la esposa decida trabajar. Por otro lado, cuando
hay niños pequeños podemos pensar que la esposa se retire del mercado de trabajo para
4
Algunas de las variables han sido renombradas para que el ejercicio resulte más cómodo. Entre paréntesis aparece
el nombre original utilizado en el fichero para que las podáis reconocer fácilmente.
97
Estadı́stica Actuarial: Análisis de Regresión
El modelo lineal más sencillo es el Modelo de Regresión Lineal Simple donde la variable endógena
Y queda explicada por una única variable exógena X
Yi = β1 + β2 Xi + ui i = 1, 2, . . . , N
De igual forma es lineal el Modelo de Regresión Lineal General donde la variable endógena Y se
explica con un conjunto de k-variables explicativas (X1i , X2i , . . . , XKi )
Dado que estamos interesados sólo en la linealidad en parámetros también serán considerados lineales
los siguientes modelos:
1 + u −→ Y = β + β Z + u
Yi = β1 + β2 X con Zi = 1/Xi
i i 1 2 i i
i
que son lineales en parámetros según lo dicho anteriormente aunque no lo sean en variables. Ahora
bien, existen otras relaciones que aunque en principio no son lineales pueden transformarse en
lineales y por tanto son perfectamente estimables en nuestros términos. Por ejemplo:
Yi = β1 + β2 LnXi + ui (5.5)
LnA
donde β2 = (LnB)−1 y β1 = ( LnB ) a esta transformación se le llama semilogarı́tmica.
98
Estadı́stica Actuarial: Análisis de Regresión
2. Sea el modelo:
Ejemplo 5.8
siendo β1 = LnA. Una ventaja de este tipo de modelos como el recogido en la ecuación
(5.7), en los que todas las variables están medidas en logaritmos, es que los paráme-
tros de pendiente además de recibir la interpretación habitual pueden interpretarse en
términos de elasticidades:
∂E(LnQt ) ∂E(Qt ) Lt
β2 = =
∂LnLt ∂Lt Qt
∂E(LnQt ) ∂E(Qt ) Kt
β3 = =
∂LnKt ∂Kt Qt
Es decir βk k = 2, 3, miden el cambio porcentual o elasticidad (parcial) generado en la
variable endógena como consecuencia de un cambio porcentual (un 1 %) en la variable
exógena correspondiente, ceteris paribus. En el ejemplo anterior β2 y β3 representan
las elasticidades de la función de producción con respecto a los factores de producción
trabajo y capital respectivamente.
Por otro lado la suma (β2 + β3 ) da información sobre los rendimientos a escala , es decir,
la respuesta de la producción a un cambio proporcional en los factores de producción.
Si la suma es 1 existen rendimientos constantes a escala, al duplicar los factores de
producción se duplica la producción. Si la suma es menor que 1 existen rendimientos
decrecientes a escala, al duplicar los factores de producción ésta crece menos del doble. Si
la suma es mayor que 1 existen rendimientos crecientes a escala, al duplicar los factores
de producción ésta crece más del doble.
Es importante notar que para la ecuación (5.5) la interpretación de los parámetros como
elasticidades no es posible ya que al no estar la variable Yi en logaritmos:
∂E(Yi ) ∂E(Yi )
β= = Xi
∂LnXi ∂Xi
99
Estadı́stica Actuarial: Análisis de Regresión
Yi = β1 + β2 X2i + . . . + βK XKi + ui i = 1, 2, . . . , N
Y = Xβ + u en forma matricial.
A los parámetros estimados los denotamos β̂k y la estimación del modelo es
Ŷ = X β̂ en forma matricial,
• Elementos adicionales
• La perturbación del modelo recoge todo aquello que no ha sido explicado por la parte sis-
temática del modelo y se obtiene como la diferencia entre la variable a explicar y la recta de
regresión poblacional:
ui = Yi − E(Yi ) i = 1, 2, . . . , N
u = Y − Xβ en forma matricial.
• El residuo mide el error cometido al estimar la variable endógena y se define como la diferencia
entre la variable a explicar y la recta de regresión muestral5 :
û = Y − Ŷ = Y − X β̂ en forma matricial.
Este error proviene de dos fuentes: la primera, por el hecho de no poder obtener los valores de
la perturbación (ui ) y la segunda se debe a que la estimación de los coeficientes desconocidos
βk k = 1, . . . , K introduce un error adicional. Es importante, por tanto, diferenciar y no
confundir el residuo con la perturbación.
Yi = β1 + β2 Xi + ui
y se denomina Modelo de Regresión Lineal Simple (MRLS). Entonces, la relación entre la FRM,
FRP, residuos y perturbaciones puede visualizarse en la Figura 5.2.
En el Gráfico 5.2 la función de regresión poblacional está trazada en color negro ası́ como los
coeficientes poblacionales, la ordenada (β1 ) y la pendiente (β2 ). Podemos ver que el valor Yi se
5
Los residuos son a la FRM lo que las perturbaciones a la FRP. Sin embargo, no son buenos estimadores de las
mismas (al menos, no si la muestra es pequeña) porque no tienen las mismas propiedades, se puede ver en el Anexo
3 incluido en el Apéndice del Tema.
100
Estadı́stica Actuarial: Análisis de Regresión
Yi 6
Ŷi = β̂1 + β̂2 Xi
(Y1 , X1 )
Y1
6 6
û
β̂1 + β̂2 X1 = Ŷ1 ? 1 E(Yi ) = β1 + β2 Xi
?u1
6 β1 + β2 X1
β1
β2
β̂1 β̂2
? -
Xi
X1
obtiene como la suma del valor que toma la parte sistemática β1 + β2 Xi (situada sobre la FRP) y
del valor que toma la perturbación ui , esto es, Yi = β1 + β2 Xi + ui .
La función de regresión muestral y los coeficientes estimados (β̂1 y β̂2 ) están representados en color
rojo. La diferencia entre la FRP y la FRM se debe a los errores que se cometen en la estimación
de los coeficientes de la regresión (β̂1 6= β1 , β̂2 6= β2 ). Basándonos en la FRM podemos obtener el
valor del punto Yi como la suma del valor estimado de la parte sistemática Ŷi = β̂1 + β̂2 Xi (situado
sobre la FRM) y del valor que toma el residuo ûi , esto es, Yi = Ŷi + ûi .
101
Estadı́stica Actuarial: Análisis de Regresión
N
X
mı́n (Yi − β̂1 − β̂2 X2i − . . . − β̂K XKi )2 (5.8)
β̂1 ,...,β̂K i=1
102
Estadı́stica Actuarial: Análisis de Regresión
∂ û0 û
= 0 ⇒ −2X 0 (Y − X β̂) = 0.
∂ β̂
Despejando, obtenemos las ecuaciones normales en forma matricial:
X 0 Y = X 0 X β̂M CO . (5.9)
P P P
PN P X2i P X3i · · · P XKi
X X 2
P 2i P 2i P 2i X
X
2
3i · · · P X2i XKi
XX0 = X3i X3i X2i X3i ··· X3i XKi
(K × K)
.. .. .. .. ..
.
P. P . P . P. 2
XKi XKi X2i XKi X3i ··· XKi
P
β̂1
P Yi
P X2i Yi
β̂2
X 0Y = X3i Yi β̂ = β̂3 .
..
(K × 1) (K × 1) ..
P . .
XKi Yi β̂K
El estimador MCO cumple también las condiciones de segundo orden de mı́nimo, con lo cual es,
efectivamente, la solución al problema de minimización de la suma de los residuos al cuadrado.
Ejercicio 5.1
Yt = β1 + β2 Xt + ut t = 1, . . . , T
103
Estadı́stica Actuarial: Análisis de Regresión
Ejercicio 5.2
Yt = βXt + ut t = 1, . . . , T
Utilizando matrices escribe la expresión matricial del modelo y obtén la expresión de β̂.
Yi = β1 + β2 X2i + . . . + βK XKi + ui i = 1, 2, . . . , N ⇔ Y = Xβ + u
ûi = Yi − Ŷi i = 1, 2, . . . , N ⇔ û = Y − Ŷ
104
Estadı́stica Actuarial: Análisis de Regresión
Ejemplo 5.9
Supongamos que se dispone de datos para estimar la relación en Estados Unidos para
el periodo 1960-2005 entre el consumo personal, GCP, y el ingreso, PIB, propuesta en
el Ejemplo 5.1 y que la regresión estimada es la siguiente:
d t = −299, 5913 + 0, 721P IBt
GCP
Ejemplo 5.10
Vamos a retomar ahora el Ejemplo 5.3 donde se analizaban los determinantes del precio
de la vivienda. Se dispone de una base de datos sobre el precio de una vivienda y distin-
tas caracterı́sticas de la misma para 14 viviendas vendidas en la comunidad universitaria
de San Diego en 1980. Son datos de sección cruzada y la descripción de las variables
disponibles es6 :
105
Estadı́stica Actuarial: Análisis de Regresión
P −1
P P RICEi 14 26753 51 33 4444, 9 129, 062
26753 65699, 75 0, 1548
P SQF Ti P RICEi = 55462515 99193 9095985, 5 =
121, 75 −21, 5875
P BEDRM Si P RICEi 51 99193 189 16372, 7
BAT HSi P RICEi 33 65699, 75 121, 75 80, 375 10821, 075 −12, 1928
d i = 129, 062 + 0, 1548 SQF Ti − 21, 5875 BEDRM Si − 12, 1928 BAT HSi
P RICE
106
Estadı́stica Actuarial: Análisis de Regresión
de éstas, lo cual es lógico que se valore negativamente por el comprador medio. Ası́,
si se aumenta el número de habitaciones, manteniendo constante el número de baños
y la superficie de la vivienda, el precio medio se estima disminuirá en 21.588 dólares.
Manteniéndose constante la superficie habitable y el número de habitaciones el hecho
de tener un baño más redunda en habitaciones más pequeñas por lo que se estima que
el precio medio se reducirá en 12.193 dólares.
Mediante las estimaciones obtenidas podemos estimar el incremento medio en el precio
de la vivienda ante cambios en las variables explicativas. Por ejemplo, si mantenemos
el número de baños, tenemos una habitación más y aumenta el área habitable en 500
pies cuadrados, el cambio en el precio medio estimado de una vivienda será de 55,812
dólares:
4 Pd
RICEi = 0, 15484 SQF Ti − 21, 5884 BEDRM Si − 12, 1924 BAT HSi =
= (0, 1548 × 500) − 21, 588 × 1 − 12, 192 × 0) = 77, 4000 − 21, 588 = 55, 812
107
Estadı́stica Actuarial: Análisis de Regresión
5. La FRM pasa por el vector de medias: Ȳ = β̂1 + β̂2 X̄2 + . . . + β̂K X̄K .
N
X X
ûi = 0 ⇔ (Yi − β̂1 − β̂2 X2i − . . . − β̂K XKi ) = 0
i=1
X X X
Yi − N β̂1 − β̂2 X2i − . . . − β̂K XKi = 0
X X X
Yi = N β̂1 + β̂2 X2i + . . . + β̂K XKi
1 X 1 X 1 X
Yi = β̂1 + β̂2 X2i + . . . + β̂K XKi
N N N
Ȳ = β̂1 + β̂2 X̄2 + . . . + β̂K X̄K
Nota: Las propiedades 1 y 2 se cumplen siempre, mientras que las 3, 4 y 5 se cumplen sólo si el
modelo tiene un término independiente.
X X
SCT = (Yi − Ȳ )2 = Yi2 − N Ȳ 2 = Y 0 Y − N Ȳ 2
Cuando el modelo tenga término independiente podremos dividir la variación total en dos partes,
variación explicada y variación sin explicar.
Y 0 Y − N Ȳ 2 = Ŷ 0 Ŷ − N Ȳ 2 + û0 û
¯
Si el modelo tiene término independiente, Ȳ = Ŷ de donde,
¯
Y 0 Y − N Ȳ 2 = Ŷ 0 Ŷ − N Ŷ 2 + û0 û
X X ¯ X
Yi 2 − N Ȳ 2 = Ŷi2 − N Ŷ 2 + û2i
X X ¯ X
(Yi − Ȳ )2 = (Ŷi − Ŷ )2 + û2i
| {z } | {z } | {z }
SCT SCE SCR
108
Estadı́stica Actuarial: Análisis de Regresión
siendo8 :
X
SCT = (Yi − Ȳ )2 = Y 0 Y − N Ȳ 2
X ¯
SCE = (Ŷi − Ŷ )2 = Ŷ 0 Ŷ − N Ȳ 2
X
SCR = û2i = Y 0 Y − Ŷ 0 Ŷ = Y 0 Y − β̂ 0 X 0 Y
Coeficiente de determinación, R2
SCE SCR
R2 = =1−
SCT SCT
• Si existe término independiente en el modelo el R2 estará entre los valores 0 y 1. Por la misma
razón si no existe término independiente el R2 no tiene sentido.
• A mayor R2 mejor ajuste. Podemos tener la tentación de mejorar el ajuste incluyendo variables
exógenas y este proceder es un error. El problema que presenta el coeficiente de determinación
es que aumenta o se mantiene constante con la inclusión de nuevas variables explicativas en el
modelo, aunque éstas no contribuyan a explicar la variable endógena. Debido a este problema,
se define otra medida de bondad de ajuste, el coeficiente de determinación corregido, R̄2 .
109
Estadı́stica Actuarial: Análisis de Regresión
• Cualquiera que sea el número de variables incluidas en un modelo la SCT será constante y
por tanto si incluimos una nueva variable la SCR será menor y la SCE será mayor.
• Dado que R̄2 se define como una ponderación del R2 por los grados de libertad tendrá en
cuenta estos últimos.
• Si K = 1, R2 = R̄2 .
• Si K > 1, R̄2 ≤ R2 .
El R2 y el R̄2 son sólo dos estadı́sticos y no deben ser utilizados para comparar la especificación
de modelos entre sı́, sólo los contrastes de hipótesis que se verán más adelante son la herramienta
adecuada.
Existen otros criterios de selección de modelos: el criterio de información de Akaike (AIC) o los
criterios Bayesiano de Schwarz (BIC) y de Hannan-Quinn (HQC). Estos criterios se calculan en
función de la suma de cuadrados residual y de algún factor que penalice por la pérdida de grados
de libertad. Un modelo más complejo, con más variables explicativas, reducirá la suma de cuadra-
dos residual pero aumentará el factor de penalización. Utilizando estos criterios se escogerı́a aquel
modelo con un menor valor de AIC, BIC o HQC. Normalmente no suelen dar la misma elección,
siendo el criterio AIC el que elige un modelo con mayor número de parámetros. El cálculo de estos
criterios es algo complejo sin embargo el programa gretl los muestra automáticamente en el output
de regresión. Únicamente los veremos con dicho programa.
110
Estadı́stica Actuarial: Análisis de Regresión
• rkk = 1, los elementos de la diagonal principal son todos unos. Muestran la correlación de una
variable consigo misma.
Yi = β1 + β2 X2i + β3 X3i + ui
Ejemplo 5.11
Con los datos de la Tabla 5.1 y los resultados de la estimación del modelo (5.11) calcu-
lamos el coeficiente de determinación y el coeficiente de determinación corregido:
SCR 16700, 1
R2 = 1 − =1− = 0, 835976
SCT 101754, 7293
(N − 1) 14 − 1
R̄2 = 1− (1 − R2 ) = 1 − (1 − 0, 835976) = 0, 786769
(N − K) 14 − 4
Luego las variables exógenas están correlacionadas positivamente entre sı́. El coeficiente
más alto es el coeficiente de correlación simple entre SQF T y BAT HS.
111
Estadı́stica Actuarial: Análisis de Regresión
El método de MCO es sólo uno de los posibles métodos de estimación, la pregunta es ¿cómo
podemos elegir entre estimadores? obviamente en base a sus propiedades sobre su comportamiento
en muestras repetidas. Estas propiedades son insesgadez, varianza pequeña y error cuadrático medio
y ya se trataron en el Tema 2.
Insesgadez Un estimador es insesgado si su valor esperado coincide con el verdadero valor del
parámetro. Sea θ̂ un estimador del parámetro θ, será insesgado si E(θ̂) = θ.
Varianza mı́nima Desearemos que la varianza de un estimador sea lo más pequeña posible ya que
cuanto menor sea la varianza muestral mayor es la precisión del estimador.
Si estamos comparando dos estimadores insesgados elegiremos aquel que tenga la menor varianza.
Pero si estamos comparando dos estimadores sesgados o un estimador sesgado y uno insesgado este
criterio no nos sirve y debemos introducir uno nuevo, el concepto de error cuadrático medio.
Error cuadrático Medio (ECM) ECM (θ̂) = E(θ̂ − θ)2 = V (θ̂) + Sesgo(θ̂)2 donde Sesgo(θ̂) =
E(θ̂) − θ. En base a este criterio elegimos el estimador con menor ECM.
Demostración:
• Linealidad. Como las variables explicativas son no aleatorias, la única variable aleatoria de
su expresión es la perturbación, luego el estimador MCO es una combinación lineal de las
perturbaciones.
β̂ = (X 0 X)−1 X 0 Y =
= (X 0 X)−1 X 0 (Xβ + u) =
= β + (X 0 X)−1 X 0 u
112
Estadı́stica Actuarial: Análisis de Regresión
E(u) = 0
y la matriz X es no aleatoria,
β̂M CO es insesgado, es decir, su valor esperado es igual al vector de coeficientes del modelo.
E(u) = 0
E(uu0 ) = σ 2 IN
y la matriz X es no aleatoria,
a11 a12 a13 ··· a1K
a21 a22 a23 ··· a2K
a31 a32 a33 ··· a3K
= σ2 = σ 2 (X 0 X)−1
.. .. .. .. ..
. . . . .
aK1 aK2 aK3 · · · aKK
donde akk es el elemento (k, k) de (X 0 X)−1 . Como toda matriz de varianzas y covarianzas, es
simétrica.
113
Estadı́stica Actuarial: Análisis de Regresión
Teorema de Gauss-Markov: Dados los supuestos básicos del modelo de regresión lineal general,
“dentro de la clase de estimadores lineales e insesgados, β̂ es el estimador eficiente, es decir, β̂ tiene
mı́nima varianza”.
En la matriz de varianzas y covarianzas del estimador MCO aparece la varianza de las perturbacio-
nes, lo habitual es que sea desconocida y haya de ser estimada. Habitualmente se utiliza el siguiente
estimador insesgado9 de σ 2 :
P 2
2 û0 û SCR ûi
σ̂ = = = y E(σ̂ 2 ) = σ 2
N −K N −K N −K
Por tanto podremos utilizarlo como el estimador apropiado de la varianza de la perturbación. Para
trabajar con él es útil escribirlo en términos de las variables observables mediante las matrices Y ,
X, ası́:
û0 û Y 0 Y − β̂ 0 X 0 Y Y 0 Y − β̂X 0 X β̂
σ̂ 2 = = =
N −K N −K N −K
Ejemplo 5.12
Con los datos de la Tabla 5.1 y los resultados de la estimación del modelo (5.11) se
calcula la siguiente matriz de varianzas y covarianzas estimada:
9
En el Anexo 2 incluido en el Apéndice del Tema aparece demostrada la insesgadez de σ̂ 2 .
114
Estadı́stica Actuarial: Análisis de Regresión
Ejercicio 5.3
Ejercicio 5.4
Ejercicio 5.5
Se quiere estimar un modelo que explique el ahorro generado, S, en función del tipo de
interés, r, de la forma:
St = α + βrt + ut
1. Para estimar con mayor precisión β, si pudieras elegir la muestra en diferentes
perı́odos, ¿la elegirı́as durante un perı́odo de tiempo en el cual los tipos de in-
terés fueran fluctuantes o durante un perı́odo en el cual los tipos de interés fueran
relativamente constantes?
2. ¿Qué ocurrirı́a con los estimadores MCO de los coeficientes de la regresión si el
ahorro ha fluctuado muy poco en torno a un valor constante durante el perı́odo
muestral?
Ejercicio 5.6
115
Estadı́stica Actuarial: Análisis de Regresión
Ejercicio 5.7
A la hora de estimar un modelo económico, los datos disponibles sobre las variables explicativas o
regresores pueden presentar un alto grado de correlación, especialmente en un contexto de series
temporales y con series macroeconómicas.
Cuando dos o más variables explicativas de un modelo están altamente correlacionadas en la muestra,
es muy difı́cil separar el efecto parcial de cada una de estas variables sobre la variable dependiente.
La información muestral que incorpora una de estas variables es casi la misma que el resto de las
correlacionadas con ella. En este tema analizaremos las implicaciones que este fenómeno muestral
tiene en la estimación por el método de Mı́nimos Cuadrados Ordinarios.
• Se refiere no tanto a si existe o no relación lineal entre las variables exógenas del modelo de
regresión, que existirá, como al grado de correlación lineal entre las variables explicativas del
modelo de regresión lineal.
• En todo momento nosotros vamos a suponer que tenemos un modelo correctamente especi-
ficado y que al estimarlo detectamos los problemas en la matriz de datos X. Ası́, estamos
enfocando el problema como un problema muestral.
Multicolinealidad exacta
116
Estadı́stica Actuarial: Análisis de Regresión
y supongamos que X3i = 2X2i . Las ecuaciones normales que se obtienen del criterio de estimación
MCO forman un sistema de tres ecuaciones pero solo dos son linealmente independientes:
P P P
Yi = N β̂1 + β̂2 X2i + β̂3 X3i
P P P 2
P
Yi X2i = β̂1 X2i + β̂2 X2i + β̂3 X3i X2i
P P P P 2
Yi X3i = β̂1 X3i + β̂2 X2i X3i + β̂3 X3i
ya que si sustituimos en estas ecuaciones la relación lineal exacta X3i = 2X2i y reorganizamos,
obtenemos:
P P
Yi = N β̂1 + (β̂2 + 2β̂3 ) X2i
P P P 2
Yi X2i = β̂1 X2i + (β̂2 + 2β̂3 ) X2i
P ³ P P 2´
2( Yi X2i ) = 2 β̂1 X2i + (β̂2 + 2β̂3 ) X2i
Se puede observar que la tercera ecuación es la misma que la segunda excepto por un factor de escala
igual a 2. Por lo tanto, hay tres incógnitas β̂1 , β̂2 y β̂3 pero solamente dos ecuaciones linealmente
independientes. Dado que X3i y X2i son combinación lineal exacta rg(X) = K − 1 = 3 − 1 = 2,
luego X no es de rango completo y no se cumple una de las hipótesis básicas, la hipótesis de No
Multicolinealidad. Consecuentemente, no es posible estimar de forma única todos los coeficientes del
modelo. Ahora bien, las dos primeras ecuaciones si podemos resolverlas para β̂1 y la combinación
lineal (β̂2 + 2β̂3 ).
Esto mismo se puede comprobar sustituyendo X3i = 2X2i en el modelo (5.12).
donde podemos estimar de forma separada y única el coeficiente β1 y la combinación lineal (β̂2 +2β̂3 )
pero no cada uno de sus parámetros de forma individual. Además no importa la solución arbitraria
de las ecuaciones normales, esta combinación lineal tiene siempre un único valor y siempre el mismo.
• Consecuencias de la multicolinealidad exacta:
• Los efectos directos de la correlación exacta entre regresores es que el valor del determinante
|X 0 X| = 0, por tanto no podemos encontrar (X 0 X)−1 y por tanto, no podemos estimar el
modelo por MCO ya que el estimador se define como β̂M CO = (X 0 X)−1 X 0 Y .
• En este caso lo que ocurre es que tenemos combinaciones lineales en las columnas de la matriz
X con lo que rg(X) 6= K por lo que (X 0 X) es una matriz singular.
117
Estadı́stica Actuarial: Análisis de Regresión
Alta colinealidad
En este caso el valor del |X 0 X| está muy próximo a cero, pero será distinto de cero, por tanto
∃(X 0 X)−1 y podremos calcular los estimadores MCO. Además estos estimadores serán lineales,
insesgados y de varianza mı́nima. Sin embargo la existencia de alta colinealidad entre variables
produce efectos importantes que deben ser tenidos en cuenta y que son los siguientes:
• Como consecuencia de lo anterior, podremos encontrar R2 grandes, que indican que las va-
riables exógenas conjuntamente explican mucho de la variabilidad de la variable endógena,
unidos a variables explicativas que aportan poco a explicar esta variabilidad.
• Pequeños cambios en los datos producen cambios importantes en las estimaciones de los
parámetros.
• Una primera aproximación consiste en obtener los coeficientes de correlación muestral simples
para cada par de variables explicativas y ver si el grado de correlación entre estas variables es
alto.
• El valor del determinante decrece cuando aumenta la colinealidad, tendiendo a cero cuando
esta se hace exacta. Este hecho podemos interpretarlo como un aviso pero no tenemos una
medida que nos permita afirmar cuando es grave o muy grave.
10
Como veremos en la sección de Contraste de hipótesis el mayor tamaño de las varianzas hará que aumente
la probabilidad de no rechazar la hipótesis nula de significatividad individual, cuando en realidad la variable sea
significativa, sólo que los datos no permiten detectar esta significatividad.
118
Estadı́stica Actuarial: Análisis de Regresión
• Belsley, Kuh y Welsch (1980) consideran una serie de indicadores para analizar el grado de
multicolinealidad entre los regresores de un modelo, como por ejemplo los llamados Toleran-
cia (TOL) y Factor de Inflación de la Varianza (VIF) que se definen:
1 1
V IFj = ³ ´ T OLj =
1 − Rj2 V IFj
σ2 1 σ2
var(βˆj ) = P ¡ ¢2 ³ ´ = P¡ ¢2 V IFj
Xji − X̄j 1 − Rj2 Xji − X̄j
119
Estadı́stica Actuarial: Análisis de Regresión
consiste en conseguir datos menos correlacionados que los anteriores, bien cambiando toda la
muestra o simplemente incorporando más datos en la muestra inicial. De todas formas, no
siempre resulta fácil obtener mejores datos por lo que muy probablemente debamos convivir
con el problema teniendo cuidado con la inferencia realizada y las conclusiones de la misma.
• En ocasiones, si se incorpora información a priori sobre los coeficientes del modelo desaparece
el problema. Aún ası́, serı́a conveniente tener en cuenta dicha información antes de la detección
del problema de multicolinealidad y no posteriormente, ya que ası́ estimaremos el modelo más
eficientemente.
Ejercicio 5.8
Ejercicio 5.9
Ejercicio 5.10
Dentro de las hipótesis básicas hemos supuesto que el modelo estaba correctamente especificado,
esto en ocasiones no es ası́ bien porque faltan variables (omisión de variables relevantes) o porque
hay más de las necesarias (inclusión de variables irrelevantes). Estas situaciones influyen en las
propiedades del estimador MCO y es necesario tenerlo en cuenta.
120
Estadı́stica Actuarial: Análisis de Regresión
Y = X1 β1 + v donde v = X2 β2 + u (5.17)
El modelo (5.17) incurre en un error de especificación ya que se omiten las variables relevantes
recogidas en X2 . Esto es lo mismo que imponer la restricción vectorial β2 = 0 cuando no es cierta.
El estimador MCO de β1 es β̂1 = (X10 X1 )−1 X10 Y , y v̂ = Y − X1 β̂1 . Consecuencias:
Sesgo(β̂1 ) = (X10 X1 )−1 X10 X2 β2 y se anulara si X10 X2 = 0, es decir, si las variables omitidas
son ortogonales a las no omitidas. Notar que el sesgo se anula también para β2 = 0 pero esta
es una solución trivial dado que al ser X2 regresores relevantes necesariamente β2 6= 0.
v̂ 0 v̂ E(v̂ 0 v̂)
σ̂ 2 = −→ E(σ̂ 2 ) = 6= σ 2
N − K1 N − K1
Este caso formalmente es justo el inverso del anterior. El modelo correctamente especificado es:
Y = X1 β1 + u u ∼ N (0, σ 2 I) (5.18)
• Los estimadores de los coeficientes son insesgados. Podemos escribir el modelo correcto como:
Y = X1 β1 + X2 0 + u (5.20)
121
Estadı́stica Actuarial: Análisis de Regresión
· ¸ ÷ ¸ · 0 ¸−1 · 0 ¸!
β̂1 β1 X1 X1 X10 X2 X1 u
E = E + 0 0 =
β̂2 0 X2 X1 X2 X2 X20 u
· ¸ · 0 ¸−1 · 0 ¸ · ¸
β1 X1 X1 X10 X2 X1 E(u) β1
= + =
0 X20 X1 X20 X2 X20 E(u) 0
| {z }
0
ya que X es fija y E(u) = 0. Por lo tanto, el estimador de (5.19) sigue siendo insesgado
aunque se incluyan variables irrelevantes.
A lo largo del curso se han especificado mayoritariamente modelos con variables de naturaleza
cuantitativa, es decir, aquéllas que toman valores numéricos. Sin embargo, las variables también
pueden ser cualitativas, es decir, pueden tomar valores no numéricos como categorı́as, clases o
atributos. Por ejemplo, son variables cualitativas el género de las personas, el estado civil, la raza,
el pertenecer a diferentes zonas geográficas, momentos históricos, estaciones del año, etc. De esta
forma, el salario de los trabajadores puede depender del género de los mismos; la tasa de criminalidad
puede venir determinada por la zona geográfica de residencia de los individuos; el PIB de los paı́ses
puede estar influenciado por determinados acontecimientos históricos como las guerras; las ventas
de un determinado producto pueden ser significativamente distintas en función de la época del año,
etc. En esta sección, aunque seguimos manteniendo que la variable dependiente es cuantitativa,
vamos a considerar que ésta puede venir explicada por variables cualitativas y/o cuantitativas y
veremos como trabajar con ellas incluyéndolas como regresores en el MRLG.
Dado que las categorı́as de las variables no son directamente cuantificables, las vamos a cuantificar
construyendo unas variables artificiales llamadas ficticias, binarias o dummies, que son numéricas.
Estas variables toman arbitrariamente el valor 1 si la categorı́a está presente en el individuo y 0 en
caso contrario12 .
½
1 si la categorı́a está presente
Di =
0 en caso contrario
Por ejemplo si queremos estudiar la dependencia del salario (Wi ) con respecto al sexo del individuo
definiremos dos variables ficticias:
12
Las variables ficticias pueden tomar dos valores cualesquiera, sin embargo, la interpretación de los coeficientes es
más sencilla si se consideran los valores 0 y 1.
122
Estadı́stica Actuarial: Análisis de Regresión
½
1 si el individuo i es hombre
S1i =
0 en caso contrario
½
1 si el individuo i es mujer
S2i =
0 en caso contrario
la variable sexo tiene dos categorı́as o estados de la naturaleza: hombre y mujer, para recogerlos
utilizamos dos variables ficticias que dividen la muestra en dos clases hombres y mujeres, y asignamos
un valor arbitrario a cada clase13 .
En este tema ya hemos trabajado con ellas, el Ejemplo 5.4 especificamos la función de salario en
función del regresor cualitativo sexo e interpretamos sus parámetros. En el Ejemplo 5.5 además
se añadió un regresor cuantitativo, la experiencia y se interpretaron los parámetros. Si se retoman
dichos ejercicios se puede ver que trabajar con variables cualitativas o con variables cuantitativas a
la hora de interpretar los coeficientes de la regresión y estimarlos es indiferente sin embargo hay que
tener en cuenta algunas reglas a la hora de especificar el modelo. A conocer éstas vamos a dedicar
las secciones siguientes.
5.5.1. Modelo que recoge sólo efectos cualitativos: comparando medias. Sólo un con-
junto de variables ficticias.
Supongamos que tenemos datos de salarios de hombres y mujeres, Wi y creemos que, en media,
existen diferencias salariales entre estos dos grupos. Para contrastar que esto es cierto podemos
recoger el efecto cualitativo sexo sobre el salario utilizando las variables ficticias:
½ ½
1 si el individuo i es hombre 1 si el individuo i es mujer
S1i = S2i =
0 en caso contrario 0 en caso contrario
Wi = β1 + β2 S2i + ui i = 1, . . . , NH + NM
13
Elegir
½ los valores (0,1) es muy cómodo pero ½
podrı́amos elegir otros, por ejemplo:
1 si el individuo i es hombre 2 si el individuo i es mujer
S1i = S2i =
0 en caso contrario 0 en caso contrario
123
Estadı́stica Actuarial: Análisis de Regresión
· ¸ · ¸· ¸ · ¸
WH iH 0 β1 uH
= + ⇒ Y = Xβ + u
WM iM iM β2 uM
β̂M CO = (X 0 X)−1 X 0 Y
· ¸ ·· ¸· ¸¸−1 · 0 ¸· ¸
β̂1 i0H i0M iH 0 iH i0M WH
= =
β̂2 0 i0M iM iM 0 i0M WM
· ¸−1 · P P ¸ · ¸
NH + NM NM P WH + WM = W̄H
=
NM NM WM W̄M − W̄H
que serı́a el equivalente a estimar cada ecuación por separado, en las dos ecuaciones a las que da
lugar el modelo (5.21):
por tanto estos coeficientes recogen el salario medio dentro del grupo.
Wi = α1 S1i + α2 S2i + ui i = 1, . . . , NH + NM
· ¸ · ¸· ¸ · ¸
WH iH 0 α1 uH
= + ⇒ Y = Xβ + u
WM 0 iM α2 uM
β̂M CO = (X 0 X)−1 X 0 Y
· ¸ ·· ¸· ¸¸−1 · ¸· ¸
α̂1 i0H 0 iH 0 i0H 0 WH
= =
α̂2 0 i0M 0 iM 0 i0M WM
124
Estadı́stica Actuarial: Análisis de Regresión
· ¸−1 · P ¸ · P ¸ · ¸
NH 0 P WH = P WH /NH W̄H
= =
0 NM WM WM /NM W̄M
Los mismos resultados se obtendrı́an si hubiésemos estimados las ecuaciones por separado en las
dos ecuaciones a que da lugar el modelo (5.22):
Wi = α1 + ui i = 1, . . . , NH y Wi = α2 + ui i = 1, . . . , NH
Además la relación entre los parámetros del modelo (5.21) y los del modelo (5.22) es la siguiente:
β1 = α1 β1 + β2 = α2 luego β2 = α2 − α1
Ejercicio 5.11
Wi = β1 S1i + β2 + ui i = 1, . . . , NH + NM ui ∼ N ID(0, σ 2 )
¿Qué diferencia hay entre ésta especificación y la especificación del modelo (5.21)?
Ejercicio 5.12
Wi = α0 + α1 S1i + α2 S2i + ui i = 1, . . . , NH + NM
¿Puedes estimarlos todos? ¿Qué problema existe en el modelo anterior? ¿Se cumplen
todas las hipótesis básicas?
125
Estadı́stica Actuarial: Análisis de Regresión
Supongamos que pensamos que en el nivel de salarios influye además del sexo el nivel de educación.
Para recoger estos efectos podemos definir dos conjuntos de variables ficticias, sexo y educación, la
primera con dos categorı́as o estados de la naturaleza y la segunda con tres, y recoger cada categorı́a
o estado de la naturaleza con un variable ficticia. Ası́, definimos:
½ ½
1 si el individuo i es hombre 1 si i tiene hasta estudios primarios
S1i = E1i =
½ 0 en caso contrario ½ 0 en caso contrario
1 si el individuo i es mujer 1 si i tiene hasta estudios secundarios
S2i = E2i =
0 en caso contrario ½ 0 en caso contrario
1 si i tiene hasta estudios universitarios
E3i =
0 en caso contrario
donde para evitar problemas de multicolinealidad exacta hemos excluido una categorı́a de cada
factor cualitativo. Podemos obtener el salario esperado de los diferentes individuos de la muestra:
E(Wi /S2i = E2i = E3i = 0) = µ, salario esperado de un hombre con estudios primarios.
E(Wi /E2i = 1; S2i = E3i = 0) = µ + β2 , salario esperado de un hombre con estudios secundarios.
E(Wi /E3i = 1; S2i = E2i = 0) = µ + β3 , salario esperado de un hombre con estudios universitarios.
E(Wi /S2i = 1; E2i = E3i = 0) = µ + α2 , salario esperado de una mujer con estudios primarios
E(Wi /S2i = E2i = 1; E3i = 0) = µ + α2 + β2 , salario esperado de una mujer con estudios secundarios.
E(Wi /S2i = E3i = 1; E2i = 0) = µ + α2 + β3 , salario esperado de una mujer con estudios universitarios.
126
Estadı́stica Actuarial: Análisis de Regresión
iN1 0 0 0
iN2 0 iN2 0
iN3 0 0 iN3
X=
iN4 iN4 0 0
iN5 iN5 iN5 0
iN6 iN6 iN6 iN6
donde iNj es un vector de unos de tamaño el número de individuos que cumplen las condiciones,
por ejemplo iN6 es un vector de unos de tamaño el número de mujeres con estudios universitarios.
Cuando existen dos o más conjuntos de variables ficticias lo que no debemos hacer es incluir todas
las variables ficticias y un término independiente. En el caso anterior tenemos dos conjuntos con
dos y tres estados de la naturaleza respectivamente, si proponemos la especificación:
Wi = µ∗ + α1∗ S1i + α2∗ S2i + β1∗ E1i + β2∗ E2i + β3∗ E3i + ui i = 1, . . . , NH + NM (5.24)
iN1 iN1 0 iN1 0 0
iN2 iN2 0 0 iN2 0
iN3 iN3 0 0 0 iN3
X=
⇒ rg(X) < K
iN4 0 iN4 iN4 0 0
iN5 0 iN5 0 iN5 0
iN6 0 iN6 0 0 iN6
En cualquiera de los modelos anteriores puede incluirse una-s variable-s cuantitativas, por ejemplo
si creemos que el salario depende no solo de sexo sino también del número de horas trabajadas,
variable que denotamos como Xi propondremos:
127
Estadı́stica Actuarial: Análisis de Regresión
⇒ Y = Xβ + u
Las variables ficticias permiten recoger fácilmente comportamientos estacionales, como se hizo en
el Ejemplo 5.6. Por ejemplo, que las ventas de una empresa sean sistemáticamente superiores en
alguno de los trimestres del año y que ese comportamiento se repita sistemáticamente año tras año
es un clásico patrón de comportamiento sistemático estacional. Este comportamiento se produce en
datos de series temporales de periodo inferior al anual y puede ser estudiado fácilmente mediante
variables ficticias.
Por ejemplo para recoger el comportamiento estacional de una variable Yt muestreada trimestral-
mente podemos proponer el modelo:
donde t es el tiempo y las variables Djt son variables ficticias estacionales que se definen:
½
1 si la observación t pertenece al trimestre j j = 2, 3, 4
Djt =
0 en caso contrario
Entre factores cualitativos y cuantitativos En las ecuaciones (5.25) y (5.26) se recogen cambios
en ordenada pero no en pendiente, sin embargo podemos pensar que el número de horas trabajadas
cambia según el sexo del individuo con lo cual debemos recoger cambios en pendiente. Este efecto
podemos analizarlo asociando las variables ficticias a la variable cuantitativa. Ası́ proponemos el
siguiente modelo:
128
Estadı́stica Actuarial: Análisis de Regresión
i = 1, . . . , NH + NM (5.28)
α1∗ + α2∗
siendo α2∗ el incremento salarial en media por el α1∗
hecho de ser mujer y β2∗ el incremento en el sala-
rio medio de una mujer con respecto a un hom-
bre ante un aumento de una hora en el número X
de horas trabajado.
Entre factores cualitativos En el modelo (5.23) se supone que el efecto de cada factor es constante
para todos los niveles de los demás factores. Sin embargo si suponemos que el efecto diferencial del
sexo variase con el nivel de educación existirı́a un efecto interacción entre las variables ficticias sexo
y educación, que podemos recoger ası́:
Wi = µ + α2 S2i + β2 E2i + β3 E3i + γ2 (S2i × E2i ) + γ3 (S2i × E3i ) + ui i = 1, . . . , NH + NM (5.29)
129
Estadı́stica Actuarial: Análisis de Regresión
β̂ ∼ N (β, σ 2 (X 0 X)−1 )
Para el k-ésimo coeficiente,
β̂k ∼ N (βk , σ 2 akk )
donde akk es el elemento (k, k) de la matriz (X 0 X)−1 .
β̂k − βk
√ ∼t(N −K)
σ̂ akk
√
donde t(N −K) denota la distribución t-Student con (N − K) grados de libertad, y σ̂ akk es la des-
√
viación estimada del coeficiente estimado. (Notación σ̂ akk = σ̂β̂k ).
h i
P r β̂k − t α2 (N −K) σ̂β̂k < βk < β̂k + t α2 (N −K) σ̂β̂k = 1 − α
Con lo que podemos escribir el intervalo de confianza del (1 − α) por ciento para un coeficiente
cualquiera βk como: ³ ´
IC(βk )1−α = β̂k ± t α2 (N −K) σ̂β̂k
Este es un estimador por intervalo porque en los extremos inferior y superior del intervalo aparecen
β̂k y σ̂β̂k , que son estimadores. Este intervalo es aleatorio, porque para cada muestra se obtiene un
valor numérico distinto de β̂k y σ̂β̂k . Cuando usamos una muestra para obtener las estimaciones,
tendremos [un número ≤ βk ≤ otro número] y se denomina estimación por intervalo de βk ó inter-
valo de confianza (1 − α) para βk . Un intervalo de confianza nos dice que, con probabilidad (1 − α)
se estima que el parámetro βk estará dentro de ese rango de valores.
14
Ver el Tema 2 para recordar cómo construir intervalos de confianza.
130
Estadı́stica Actuarial: Análisis de Regresión
Las propiedades de la variable aleatoria IC(βk ) se basan en la noción del muestreo repetido: si
obtuviéramos infinitas muestras de tamaño N de una misma población, y para cada una de ellas
construyésemos el intervalo, entonces (1−α)×100 % de todos los intervalos construidos contendrı́an
el verdadero valor (desconocido) de βk .
¿Para qué sirven las estimaciones por intervalo? La respuesta es que nos dan una información
muy valiosa sobre la precisión de las estimaciones por punto, esto es, nos dicen hasta qué punto
nos podemos fiar de ellas. Si un intervalo de confianza es ancho (debido a una Vb (β̂k ) grande) nos
está diciendo que no hay mucha información en la muestra sobre βk . Además, como veremos más
adelante, los intervalos sirven para realizar contraste de hipótesis.
En general nosotros lo que queremos es contrastar conjuntos lineales de hipótesis. Podemos realizar
contrastes sobre los coeficientes individuales y sobre conjuntos de coeficientes, incluso sobre todos
los coeficientes a la vez. Los contrastes más importantes en Econometrı́a son los contrastes de
significatividad de los regresores individuales y el contraste de significatividad conjunta. En ellos
tratamos de analizar si cada uno de los regresores del modelo de forma individual o conjuntamente
son útiles para explicar el comportamiento de la variable endógena. Los veremos a continuación
junto con otros de interés.
131
Estadı́stica Actuarial: Análisis de Regresión
H0 : βk = c frente a Ha : βk 6= c
Bajo las hipótesis básicas y normalidad de las perturbaciones la distribución del estimador β̂k es la
siguiente:
β̂k ∼ N (βk , σ 2 akk )
Si σ 2 es conocida todo es conocido en la distribución de βk y el estadı́stico de contraste serı́a:
β̂k − c H0
∼ N (0, 1)
σβ̂k
En el resto de ejemplos consideramos el caso más habitual σ 2 desconocida, para el cual podemos
derivar el siguiente estadı́stico de contraste16 y distribución asociada cuando σ 2 es estimada con el
0 û
estimador insesgado σ̂ 2 = Nû−K :
β̂k − c H0
∼ t(N −K)
σ̂β̂k
β̂k −c
La regla de decisión es rechazar H0 si σ̂β̂ > t(N −K)| α2 . En este caso contrario no se rechaza.
k
H0 : βk = c frente a Ha : βk > c
β̂k −c
La regla de decisión es rechazar H0 si σ̂β̂ > t(N −K)| α .
k
H0 : βk = 0
Ha : βk 6= 0
15
Ver Tema 3 para recordar el mecanismo de contraste.
16
Si σ 2 es desconocida habrı́a de ser estimada, bajo la normalidad de las perturbaciones
(N − K)σ̂ 2
ui ∼ N (0, σ 2 ) −→ ∼ χ2(N −K)
σ2
y derivar el correspondiente estadı́stico de contraste, que serı́a:
β̂k −c
√
σ akk H0 β̂k − c H0
qP ∼ t(N −K) si simplificamos √ ∼ t(N −K)
û2
i /σ
2 σ̂ akk
N −K
132
Estadı́stica Actuarial: Análisis de Regresión
β̂k H0
∼ t(N −K)
σ̂β̂k
β̂k
Si el estadı́stico calculado para la muestra es mayor que el estadı́stico en tablas, σ̂β̂ > t(N −K)| α2
k
para un α dado, se rechaza la hipótesis nula. En este caso βk 6= 0 y la variable explicativa asociada
Xk es significativa para explicar el comportamiento de la variable endógena. Por tanto este contraste
sirve para decidir si la variable Xk debe mantenerse en el modelo. Si el estadı́stico calculado para
la muestra es menor que el estadı́stico en tablas, σ̂β̂k < t(N −K)| α2 para un α dado, no se rechaza
β̂k
la hipótesis nula. En este caso βk = 0 y la variable explicativa asociada Xk no es significativa para
explicar el comportamiento de la variable endógena.
Utilización del intervalo de confianza para hacer contraste de hipótesis En secciones anteriores
hablamos de la estimación por intervalo y se mencionó que también podı́amos realizar inferencia
utilizando intervalos de confianza. Pues bien si recordamos el intervalo de confianza asociado a βk :
h i
P r β̂k − t α2 (N −K) σ̂β̂k < βk < β̂k + t α2 (N −K) σ̂β̂k = 1 − α
³ ´
IC(βk )1−α : β̂k ± t α2 (N −K) σ̂β̂k
En ocasiones interesa averiguar cuál es el efecto de la combinación de varias variables, por ejemplo
nos interesará saber si la combinación de todas las variables es un útil predictor de la variable
dependiente.
H0 : β2 = β3 = · · · = βK = 0
Ha : alguna igualdad no se da
En este caso podemos derivar el siguiente estadı́stico de contraste y distribución asociada:
R2 /K − 1 H0
∼ F(K−1,N −K)
1 − R2 /N − K
133
Estadı́stica Actuarial: Análisis de Regresión
2
R /K−1
Si 1−R 2 /N −K > F(q,N −K)|α el estadı́stico calculado para la muestra es mayor que el estadı́stico en
tablas, para un α dado, se rechaza la hipótesis nula y se concluye que las variables son conjuntamente
significativas para explicar el comportamiento de la variable endógena.
Ejemplo 5.13
d = 129, 062 + 0, 154800 SQF T − 21, 5875 BEDRM S − 12, 1928 BAT HS
P RICE
(σ̂β̂k ) (88,30) (0,03) (27,02) (43,25)
N = 14 R2 = 0, 8359 R̄2 = 0, 7868
Como puede apreciarse en la ecuación anterior, se indica que bajo cada coeficiente esti-
mado aparece su correspondiente desviación tı́pica estimada17 .
Contrastes de significatividad individual, contrastamos:
¾
H0 : βk = 0 β̂k H0
con el estadı́stico y distribución ∼ t(14−4)
Ha : βk 6= 0 σ̂β̂k
134
Estadı́stica Actuarial: Análisis de Regresión
Ejemplo 5.14
H0 : β2 + β3 = 1
Ha : β2 + β3 6= 1
Renombrando ŵ = β̂2 + β̂3 y c = 1 se puede expresar la hipótesis nula y alternativa ası́ como el
estadı́stico de contraste y su distribución asociada como:
H0 : w = c Ha : w 6= c
135
Estadı́stica Actuarial: Análisis de Regresión
ŵ − c H0
∼ t(N −K) si H0 es cierta
σ̂ŵ
2 ) dado que:
La distribución del estadı́stico ŵ ∼ N (µw , σw
ŵ = β̂2 + β̂3
es
µw = E(ŵ) = E(β̂2 + β̂3 ) = β2 + β3
2 = V (ŵ) = E[ŵ − E(ŵ)]2 = E[(β̂ + β̂ ) − (β + β )]2 = V (β̂ ) + V (β̂ ) + 2Cov(β̂ , β̂ )
σw 2 3 2 3 2 3 2 3
= σ 2 (a22 + a33 + 2a23 )
Por tanto
β̂2 + β̂3 ∼ N (β2 + β3 , σ 2 (a22 + a33 + 2a23 ))
o lo que es igual:
β̂ + β̂3 − 1 H0
√ 2 ∼ t(N −K)
σ̂ a22 + a33 + 2a23
Ejemplo 5.15
Para contrastar:
H0 : β2 = β3 Ha : β2 6= β3
es equivalente a escribir:
H0 : β2 − β3 = 0 Ha : β2 − β3 6= 0
β̂2 − β̂3 H0
√ ∼ t(N −K)
σ̂ a22 + a33 − 2a23
136
Estadı́stica Actuarial: Análisis de Regresión
y queremos contrastar si el subconjunto de regresores Z1i , Z2i , . . . , Zri son conjuntamente significa-
tivos para explicar el comportamiento de la variable endógena. La hipótesis de contraste es:
H0 : α1 = α2 = . . . = αr = 0
Ha : alguna igualdad no se de
El estadı́stico de contraste y distribución son:
donde:
• û0r ûr es la suma de cuadrados residual del modelo restringido estimado por MCO, siendo el
modelo restringido aquel que cumple la hipótesis nula. Luego el modelo restringido es:
• û0 û es la suma de cuadrados residual del modelo no restringido o lo que es igual el modelo de
interés estimado por MCO:
en cuyo caso las variables exógenas Zri contribuyen a explicar el comportamiento de la variable
0 û −û0 û/r
endógena, en cuyo caso debemos especificar el modelo no restringido. Si ûûr0 û/(N
r
−K) < F(r,N −K)| α
no rechazamos H0 en cuyo caso las variables Zri no contribuyen a explicar a la variable endógena
y debemos especificar el modelo restringido.
Al estadı́stico:
û0r ûr − û0 û/q H0
∼ F(q,N −K)
û0 û/(N − K)
137
Estadı́stica Actuarial: Análisis de Regresión
Estimación del modelo restringido y cálculo de la SCRr El modelo restringido (MR) es aquel
que cumple la hipótesis nula mientras que el modelo no restringido (MNR) es el modelo de interés.
Por ejemplo sea el MRLG,
La aplicación de MCO en el modelo resultante son los llamados estimadores de Mı́nimos Cuadrados
Restringidos, MCR. Los demás β̂ r se obtienen con las restricciones. En el ejemplo en el modelo
restringido se calculan β̂1r y β̂2r y finalmente se calcula β̂3r = 1 − β̂2r .
0
En este modelo restringido estimado por MCO se calcula la SCR = ûr ûr . Si escribimos el MR en
términos matriciales
Y ? = X ? β r + ur
entonces
û0r ûr = Y ?0 Y ? − β̂ r0 X ?0 Y ?
· P ¸−1 · P ¸
N
P P(X2i − X3i )2 P(Yi − X3i )
=
(X2i − X3i ) (X2i − X3i ) (Yi − X3i )(X2i − X3i )
138
Estadı́stica Actuarial: Análisis de Regresión
Ejemplo 5.16
Ası́
û0r ûr − û0 û/q (SCT − SCR)/q
0
=
û û/(N − K) SCR/N − K
Ejercicio 5.13
Sean las variables Xt , coste medio de las reclamaciones por siniestros realizados en t
y Yt los beneficios de la empresa en t, ambos en miles de millones. Disponemos de la
siguiente muestra:
X 2 3 1 5 9
Y 4 7 3 9 17
139
Estadı́stica Actuarial: Análisis de Regresión
Ejercicio 5.14
1. Yt = β1 + β2 Xt + ut
2. Xt = α1 + α2 Yt + ²t
3. ¿Son los estimadores de β1 y β2 iguales a los de α1 y α2 ? ¿En qué caso coincidirán?
Ejercicio 5.15
X1 1 1 1 1 1 1 1 1 1 1
X2 1 0 -1 1 0 -1 1 0 -1 0
X3 1 1 1 0 0 0 -1 -1 -1 0
Y 3 6 10 5 10 12 5 10 10 8
1. Interpreta los parámetros del modelo.
2. Escribe la matriz de regresores.
140
Estadı́stica Actuarial: Análisis de Regresión
Ejercicio 5.16
Ejercicio 5.17
141
Estadı́stica Actuarial: Análisis de Regresión
Ejercicio 5.18
1. ¿Es el modelo lineal? ¿Qué método se podrı́a usar para estimar los parámetros?
2. Interpreta los coeficientes del modelo.
3. ¿Cómo contrastarı́as si la empresa tiene rendimientos constantes a escala?
4. Si H0 es cierta, ¿qué método mejora la estimación de los parámetros? ¿por qué?
Ejercicio 5.19
Yt = β1 + β2 X2t + ut (5.35)
Ejercicio 5.20
Se han estimado, mediante MCO, los siguientes modelos para la inversión para una
muestra de 1968 a 1980:
Iˆt = 0,6656 + 0,0424 Xt + 0,0610 Kt−1 R2 = 0,9383
ˆ β̂i ))
(des( (0.0125) (0.0049)
Iˆt = 0,7199 + 0,0290 Xt + 0,0012 Xt−1 + 0,0258 Xt−2 + 0,0631 Kt−1 R2 = 0,9468
ˆ
(des(β̂i )) (0.0136) (0.012) (0.0136) (0.0051)
142
Estadı́stica Actuarial: Análisis de Regresión
Ejercicio 5.21
Yt = β1 + β2 X2t + · · · + βk Xkt + ut t = 1, 2, . . . , T
es cero.
5. En el MRLG, el supuesto de normalidad de las perturbaciones es necesario para
poder estimar los parámetros del modelo.
6. Bajo los supuestos clásicos del modelo de regresión lineal general, el estimador
MCO de β sigue una distribución normal multivariante centrada en el verdadero
valor de los parámetros β.
7. Dada una muestra de N observaciones, la ecuación de regresión poblacional pasa
por el punto de medias (Ȳ , X̄1 , . . . , X̄k ).
8. En un modelo de regresión lineal simple donde ut ∼ iid(0, σ 2 ), si se pudiera elegir
P
entre dos muestras de valores para la variable X, una de ellas con (Xt −X̄)2 = 100
P
y la otra con (Xt − X̄)2 = 1000, se elegirı́a la segunda muestra porque la precisión
al estimar los parámetros serı́a mayor.
9. Los residuos mı́nimo-cuadrático ordinarios de una regresión de Y sobre la variable
explicativa X son ortogonales a X, pero no lo son a Y.
10. En un modelo de regresión lineal simple no existe ninguna relación entre el estima-
dor MCO de la pendiente de la regresión β̂ y el coeficiente de correlación simple
entre la variable dependiente Y y la variable independiente X, rXY .
11. Si existe la siguiente relación entre las variables X, Y, Z:
2
rXY = 0,8 2
rXZ = 0,001 rY2 Z = 0,001
podemos concluir que el coeficiente rXY2 es una mala medida de la correlación entre
2
las variables X e Y y se deberı́a utilizar rXY.Z .
12. La inexistencia de normalidad en las perturbaciones aleatorias no afecta a los con-
trastes de hipótesis.
143
Estadı́stica Actuarial: Análisis de Regresión
Ejercicio 5.22
1. ¿Te parece que el modelo puede tener algún problema? ¿Cuál? ¿En qué basas tus
respuestas?
2. ¿Cómo cambiarı́an tus conclusiones si en la estimación anterior el coeficiente de
determinación hubiera sido R2 = 0, 12?
Ejercicio 5.23
Sea el modelo:
Ejercicio 5.24
En el modelo:
144
Estadı́stica Actuarial: Análisis de Regresión
Ejercicio 5.25
Ejercicio 5.26
Ejercicio 5.27
y se estima:
145
Estadı́stica Actuarial: Análisis de Regresión
Ejercicio 5.28
donde
½
1 si usa el automóvil para trabajar
D1i =
½ 0 en caso contrario
1 si no usa el automóvil para trabajar
D2i =
0 en caso contrario
Ejercicio 5.29
Supongamos que queremos analizar los salarios de una famosa empresa auditora y para
ello hemos tomado una muestra de 500 empleados, de los cuales 300 son licenciados en
Ciencias Actuariales. Se postula el siguiente modelo:
Wi = α + βDi + ui i = 1, 2, . . . , 500
donde Wi es el salario del empleado i-ésimo y Di es una variable ficticia que toma el
valor 1 si el empleado es licenciado y 0 en el caso contrario.
Si el salario medio muestral de los licenciados es de 250.000 pts. al mes, y el salario
medio muestral de los que no son licenciados es 150.000 pts.:
146
Estadı́stica Actuarial: Análisis de Regresión
Ejercicio 5.30
1. Estima el modelo que exprese dicha dependencia. Interpreta los coeficientes del
modelo.
2. Contrasta las siguientes hipótesis:
a) La renta no es una variable significativa.
b) El paı́s de matriculación no es una variable significativa.
Ejercicio 5.31
Iˆi = 2, 7 + 0, 31 P Ui + 0, 47 Wi R2 = 0, 71 (5.47)
(t − est) (0, 22) (3, 7)
147
Estadı́stica Actuarial: Análisis de Regresión
Más tarde, el investigador sospecha que la variable sexo puede afectar al incremento de
la inversión media ante aumentos unitarios en el salario. Con este objetivo estima los
siguientes modelos:
Iˆi = 3, 87 + 2, 28 P Ui + 0, 63 Wi + 0, 21 Wi Si R2 = 0, 82 (5.48)
(t − est) (13, 8) (7, 26) (17, 4)
Iˆi = 4, 7 + 0, 32 Wi + 0, 15 Wi Si R2 = 0, 75 (5.49)
(t − est) (5, 82) (1, 87)
5. Dadas las regresiones (5.47), (5.48) y (5.49), selecciona la especificación más ade-
cuada para analizar la inversión en los planes de pensiones. Razona detalladamente
tu proceso de selección.
6. ¿Qué sucederı́a en la estimación de los modelos (5.48) y (5.49) si la muestra estu-
viera compuesta sólo por hombres?
7. Suponiendo que eliges el modelo (5.49) ¿qué propiedades tienen los estimadores?
Ejercicio 5.32
donde Dt es una variable ficticia que toma el valor 1 si el cabeza de familia es mujer y
0 en caso contrario. Entre paréntesis aparecen los estadı́sticos t muestrales:
148
Estadı́stica Actuarial: Análisis de Regresión
Ejercicio 5.33
Se quiere estudiar cómo influye el nivel de educación en los salarios (Y ) percibidos por
los trabajadores de una empresa. En la empresa hay 100 empleados, de los cuales 6 no
tienen estudios, 38 tienen únicamente estudios primarios, 15 tienen estudios universi-
tarios y el resto se incorporó a la empresa tras finalizar sus estudios secundarios. Para
introducir el nivel de estudios en el modelo se definen las siguientes variables ficticias:
½
1 si i tiene al menos estudios primarios
Pi =
0 en caso contrario
½
1 si i tiene al menos estudios secundarios
Si =
0 en caso contrario
½
1 si i tiene al menos estudios universitarios
Ui =
0 en caso contrario
De modo que para un empleado que, por ejemplo, no haya realizado estudios primarios
Pi = 0,Si = 0 y Ui = 0 y para un universitario Pi = 1, Si = 1 y Ui = 1.
Ejercicio 5.34
149
Estadı́stica Actuarial: Análisis de Regresión
Ejercicio 5.35
Un empleado de BBK Peña opina que los pisos de Avenida Mazarredo alcanzan en las
subastas un precio considerablemente superior al de cualquier otra zona de Bilbao. Un
colega suyo de Lagunaro no está de acuerdo con esta afirmación, por lo que analizan
las ventas de pisos de dicha calle realizadas por sus empresas en los últimos años. El
número total de pisos subastados fue de 10, de los que 4 estaban enclavados en la calle
Mazarredo. Ambos creen que el tamaño del piso y el precio inicial fijado en la subasta
son también variables determinantes del precio finalmente alcanzado en la venta.
1. Especifica un modelo que exprese el precio final de venta de los pisos en función de
los factores citados y que permita contrastar la hipótesis del empleado de BBK.
2. Escribe la matriz de regresores del modelo que has propuesto.
3. ¿Cómo llevarı́as a cabo el contraste? Escribe la hipótesis nula, la hipótesis alterna-
tiva, el estadı́stico de contraste, su distribución y la regla de decisión.
Ejercicio 5.36
Ejercicio 5.37
150
Estadı́stica Actuarial: Análisis de Regresión
Ejercicio 5.38
1. Explica qué tipo de comportamiento refleja esta regresión e interpreta cada uno de
los coeficientes del modelo.
2. ¿Existe alguna forma alternativa de especificar el comportamiento reflejado por el
modelo anterior? Escribe la ecuación correspondiente e interpreta sus parámetros.
3. Encuentra la relación entre los parámetros de la ecuación (5.51) y los de la ecuación
propuesta en el apartado anterior.
4. Los resultados obtenidos de estimar el modelo (5.51) con 16 observaciones trimes-
trales han sido:
Ŷt = 0, 07 + 0, 43 S1t + 6, 55 S2t − 2, 83 S3t − 0, 9 Xt R2 = 0, 68 (5.52)
(3,7) (3,37) (3,4) (-3,37) (-0,27)
A la vista de los resultados ¿se puede concluir que la variable Yt presenta un com-
portamiento estacional?
Ejercicio 5.39
El dueño de una cadena de cines en una ciudad costera pretende saber cómo influyen
en el número de espectadores de sus salas , N (miles), dos factores: el empleo existente
en la ciudad, E (cientos de miles), y el número de otros espectáculos que se programen,
O (miles). Propone el siguiente modelo
Nt = α0 + α1 Et + α2 Ot + ut ut ∼ N ID(0, σ 2 ) (5.53)
Dispone de información trimestral relativa a las tres variables que va desde el primer
trimestre de 1985 hasta el primer trimestre de 2002, ambos inclusive. El resumen de
dicha información aparece a continuación:
P
1,5334 −0,2122 0,00734 P Nt = 2279, 4
(X 0 X)−1 = 0,0320 −0,00379 P Nt Et = 16838,6
0,00329 P Nt Ot = 14193,8
(Nt − N̄ )2 = 2435
151
Estadı́stica Actuarial: Análisis de Regresión
Analizando los resultados con un amigo suyo, observan una pauta de comportamiento
diferente en los distintos trimestres. Por ello, piensan que no ha tenido en cuenta que
la época del año marca también la asistencia al cine, debido a que se va menos cuando
hace mejor tiempo. Nuestro hombre decide incluir este factor.
g) Define las variables que creas necesarias para tener en cuenta este factor y propón
un modelo que incluya el posible efecto de la época del año.
h) Interpreta los coeficientes de tu modelo. ¿Cuántas de las variables que has definido
incluyes en el mismo? ¿Por qué?
A los pocos dı́as, su amigo le plantea la siguiente duda: a su ciudad acuden muchos
turistas en verano, lo que aumenta el empleo temporal que suele cubrirse con gente
joven, en general más aficionada al cine. Si esto es cierto, la composición del empleo en
verano puede tener influencia sobre la asistencia al cine.
i) ¿Cómo definirı́as una variable para tener en cuenta esta interrelación? ¿Cómo la
incluirı́as en el modelo?
En lı́nea con lo planteado, el empresario escoge y estima tres modelos diferentes de entre
todos los posibles, con los siguientes resultados:
0 µ̂
1 2 µ̂ 3 4 µ̂ 69 µ̂ µ̂
z }| { z }| { z }| { z }| { z }| { X
N̂t = 25,43 + 1,146 Et − 0,316 Ot − 1,613 D3t + 0, 841 EM 3t , û2t = 354,90 (5.56)
(σ̂βˆ )
i
(3,404) (0,483) (0,135) (6,552) (0, 887) i=1
donde
152
Estadı́stica Actuarial: Análisis de Regresión
• D3t es una variable ficticia que toma el valor 1 en el tercer trimestre (verano) y
cero en los demás casos.
• EM 3t es una variable que incorpora el efecto estacional del empleo que se ha
discutido en el apartado anterior (y tendrá la interpretación que le hayas atribuido
anteriormente).
j) Dados los resultados anteriores, ¿hay evidencia de que existe efecto estacional? Si
el efecto estacional existe ¿qué forma toma?, ¿cuál de los modelos propuestos te
parece óptimo para recogerlo?, ¿por qué? Lleva a cabo los contrastes precisos.
k) A la vista de los resultados obtenidos hasta el momento ¿es correcto utilizar los
valores de los coeficientes que has obtenido en (5.53)?, ¿por qué?, ¿qué propiedades
tienen?
l) ¿Cómo explicas los resultados del modelo (5.56) a la vista del (5.54) y el (5.55)?
¿Te parece lógico obtener este resultado?, ¿cuál puede ser su causa?
153
Estadı́stica Actuarial: Análisis de Regresión
En esta ventana aparecerán los resultados básicos de la estimación del modelo. Los podemos guardar
como texto plano de la manera habitual o como icono con Archivo → Guardar como icono.
Los resultados que gretl nos devuelve muestran entre otros estadı́sticos la estimación de los paráme-
tros de la recta de ajuste, sus desviaciones tı́picas y estadı́sticos de significatividad individual.
Ejemplo 5.17
Vamos a utilizar como ejemplo la estimación realizada en el Ejemplo 5.10 sobre el precio
de la vivienda y los contrastes desarrollados en el Ejemplo 5.13:
Los resultados de la estimación MCO mostrados por gretl son los siguientes:
154
Estadı́stica Actuarial: Análisis de Regresión
Ejemplo 5.18
H0 : β3 = β4 versus Ha : β3 6= β4
β̂3 − β̂4
q ∼ tN −4
d β̂3 , β̂4 )
σ̂ 2 + σ̂ 2 − 2 × Cov(
β̂3 β̂4
155
Estadı́stica Actuarial: Análisis de Regresión
• Podemos hacer gráficos de interés: En la opción Gráficos podemos hacer gráficos que nos
ayudan a interpretar los resultados de la estimación, por ejemplo
Gráficos → Gráfico de la variable estimada y observada
Gráficos → Gráfico de residuos → contra alguna de las variables explicativas del modelo
• En la pestaña Guardar podemos guardar variables como los residuos, los residuos al cuadrado,
la suma de cuadrados residual y el coeficiente de determinación entre otros.
• En la pestaña Análisis nos muestra las estimaciones de la variable endógena, los intervalos
de confianza de los coeficientes y la matriz de varianzas y covarianzas entre otros resultados.
Para ver y guardar los valores de Ŷ , û y otros resultados de utilidad:
- Ver los valores: Pinchar en Análisis → Mostrar variable y seleccionar observada, estimada
o residuos según nuestro interés.
- Guardar los valores: Pinchar en Guardar → seleccionar la variable de interés.
Gretl utiliza por defecto la denominación yhat, uhat para designar a la variable endógena
estimada y a los residuos, respectivamente y en la descripción de la variable indicará por
ejemplo para uhat: residuos del modelo 1, donde el valor 1 indica que corresponde con el primer
modelo estimado, esto resulta muy útil pues en general trabajaremos con varios modelos a la
vez y hay que distinguir claramente las variables de cada uno.
Ejemplo 5.19
156
Estadı́stica Actuarial: Análisis de Regresión
Gretl permite trabajar tanto con variables ficticias cuantitativas como cualitativas y su tratamiento
no difiere, solo debemos de ocuparnos de especificar correctamente el modelo. En el caso de que la
variable ficticia no esté construida gretl permite hacerlo. En la pantalla inicial en Añadir podemos
añadir Variables ficticias periódicas que se ajustarán lógicamente a la periodicidad muestral del
conjunto de datos, Variables ficticias para las variables discretas seleccionadas donde por ejemplo si
tenemos una variable que toma valores 1, 2 y 3 podremos construir tres variables ficticias tal como
½
1 si la variable toma valor 1
D1 =
0 en caso contrario
½
1 si la variable toma valor 2
D2 =
0 en caso contrario
½
1 si la variable toma valor 3
D3 =
0 en caso contrario
Por supuesto también podremos introducirlas con el editor tal y como se aprendió en el Tema 4.
Veamos un ejemplo aplicado. Abrimos el fichero de datos data7-3 de Ramanathan, que contiene
datos para 14 viviendas sobre el precio de venta de la vivienda (PRICE), pies cuadrados habitables
(SQFT), número de habitaciones (BEDRMS) y número de baños (BATHS), y una variable ficticia
que toma el valor 1 si la vivienda tiene piscina y 0 en caso contrario (POOL), una variable ficticia
que toma el valor 1 si la vivienda tiene sala de estar y 0 en caso contrario (FAMROOM) y una
variable ficticia que toma el valor 1 si la vivienda tiene chimenea y 0 en caso contrario (FIREPL).
Seleccionamos las variables PRICE y POOL y observamos los valores de estas dos variables:
1 199,9 1
2 228,0 0
3 235,0 1
4 285,0 0
5 239,0 0
6 293,0 0
7 285,0 0
8 365,0 1
9 295,0 0
10 290,0 0
11 385,0 1
157
Estadı́stica Actuarial: Análisis de Regresión
12 505,0 1
13 425,0 0
14 415,0 0
Por ejemplo, la primera vivienda de la muestra tiene un precio de 199.900 dólares y tiene piscina
(ya que la variable POOL toma el valor 1), mientras que la segunda no tiene piscina (la variable
POOL toma el valor 0) y su precio de venta es de 228.000 dólares, etc.
Con los datos anteriores podemos obtener fácilmente que el precio medio de la vivienda es 317.493
dólares:
Sin embargo, también es posible obtener el precio medio para las viviendas que tienen piscina, por
un lado, y para las que no la tienen, por otro. Para ello, en primer, lugar se selecciona el precio para
aquellas viviendas con piscina. Seleccionamos la variable PRICE, pinchamos en Muestra → Definir
a partir de v. ficticia..., seleccionamos la variable POOL y aceptamos.
De esta forma hemos seleccionado el precio para aquellas viviendas que tienen piscina18 . A conti-
nuación, se obtienen los estadı́sticos principales:
Para seleccionar el precio de las viviendas que no tienen piscina, pinchamos en Muestra → Restringir
a partir de criterio, introducimos la condición P OOL = 0 y aceptamos. Los estadı́sticos principales
son los siguientes:
158
Estadı́stica Actuarial: Análisis de Regresión
Por tanto, el precio medio de las viviendas con piscina es de 337.980 dólares frente a los 306.111 de
las viviendas sin piscina. Dado el modelo una vivienda con piscina es en promedio 31.869 dólares más
cara que la que no tiene piscina. Notar que no se están teniendo en cuenta otros factores que pueden
afectar al precio de la vivienda (número de pies cuadrados habitables, número de habitaciones, etc.).
El sencillo análisis anterior podemos realizarlo mediante un análisis de regresión. Podemos especi-
ficar un modelo econométrico utilizando la variable ficticia POOL como regresor, estimarlo, hacer
inferencia e ir incorporando otras caracterı́sticas que pueden afectar a los precios de las viviendas.
Para comenzar, consideramos el siguiente modelo:
P RICEi = α1 + α2 P OOLi + ui i = 1, . . . , 14 (5.57)
donde
Los resultados de estimar el modelo por Mı́nimos Cuadrados Ordinarios utilizando gretl obtenemos
que las estimaciones de los coeficientes son las siguientes:
159
Estadı́stica Actuarial: Análisis de Regresión
Para contrastar en el modelo (5.57) si hay diferencias significativas en el precio medio de la vivienda
entre aquéllas que tienen piscina y las que no, la hipótesis de contraste es H0 : α2 = 0. Este
contraste se puede realizar utilizando el estadı́stico t habitual cuyo p-valor es 0,5405, por lo que no
se rechaza la hipótesis nula para un nivel de significación del 5 %, es decir, el precio medio de la
vivienda no es significativamente diferente por el hecho de tener piscina. Alternativamente, se puede
realizar el contraste utilizando el estadı́stico F basado en las sumas de cuadrados de los residuos
siendo en este caso el modelo (5.57) el modelo no restringido mientras que el modelo restringido es
P RICEi = α1 + ui i = 1, . . . , 14.
Supongamos que ampliamos el modelo (5.57) incorporando regresores que podrı́an explicar el pre-
cio de la vivienda como: el hecho de que la vivienda tenga sala de estar o no, el hecho que tenga
chimenea o no, su superficie, el número de habitaciones y el número de baños. Las dos primeras son
variables ficticias que pueden definirse ası́:
½
1 si la vivienda i-ésima tiene chimenea
F IREP Li =
½0 en caso contrario
1 si la vivienda i-ésima tiene sala de estar
F AM ROOMi =
0 en caso contrario
Mientras que la superficie, el número de baños y el número de habitaciones se definen como en los
temas anteriores:
SQF Ti tamaño de la vivienda i-ésima en pies cuadrados
BEDRM S número de habitaciones de la vivienda i-ésima
BAT HS número de cuartos de baño de la vivienda i-ésima
Con todas ellas podemos especificar el siguiente modelo para explicar el precio de la vivienda:
Donde lo primero a notar es que en el modelo (5.58), afectando a la ordenada, conviven tres conjuntos
de variables ficticias con dos categorı́as cada una, el hecho de tener o no piscina, el hecho de tener
o no chimenea y el hecho de tener o no sala de estar, de las cuales sólo se incluye una de cada
conjunto y se mantiene el término independiente. Esta forma de definir el modelo es muy cómoda
ya que sigue manteniendo los resultados de los modelos con término independiente y permite una
fácil interpretación de los coeficientes que acompañan a las variables ficticias. Ası́, γi i = 2, 3, 4
recogen el diferencial en el valor esperado de una vivienda por el hecho de poseer la caracterı́stica
correspondiente manteniéndose constante el resto de variables. El resultado de la estimación es:
160
Estadı́stica Actuarial: Análisis de Regresión
• γ̂1 = 39, 057: el precio medio estimado de las viviendas sin piscina, baños, habitaciones, sala
de estar ni chimenea y con 0 pies cuadrados habitables es de 39.057 dólares.
• γ̂2 = 53, 1958: la diferencia estimada en el precio medio de las viviendas con piscina con
respecto a las que no la tienen, siendo iguales en el resto de caracterı́sticas (pies cuadrados
habitables, habitaciones, baños, sala de estar y chimenea) es de 53.196 dólares.
• γ̂3 = −21, 34: el precio medio estimado de una vivienda con sala de estar es 21.340 dólares
inferior al de una sin sala de estar, siendo idénticas en el resto de caracterı́sticas. Esto se
debe a que, al mantener constante el número de pies cuadrados de la vivienda y el número de
habitaciones y baños, incluir una sala de estar hará que el resto de habitaciones o baños sean
de menor tamaño.
• γ̂4 = 26, 188: el precio medio estimado de una vivienda con chimenea es 26.188 dólares más
caro que el de una sin chimenea, siendo idénticas en el resto de caracterı́sticas.
• β̂1 = 0, 147: el precio medio estimado de una vivienda se incrementa en 147.000 dólares al
aumentar en 1 pie cuadrado habitable su superficie, permaneciendo constantes el número de
baños y habitaciones.
161
Estadı́stica Actuarial: Análisis de Regresión
• β̂2 = −7, 046: el precio medio estimado de una vivienda disminuye en 7.046 dólares al aumentar
en 1 el número de habitaciones, permaneciendo constantes el número de baños y los pies
cuadrados habitaciones. Esto se debe a que las habitaciones serán de menor tamaño.
• β̂3 = −0, 264: el precio medio estimado de una vivienda disminuye en 264 dólares al aumentar
en 1 el número de baños, permaneciendo constantes el número de habitaciones y los pies
cuadrados habitables. De nuevo, las habitaciones serán de menor tamaño.
Contraste de hipótesis
Para contrastar, por ejemplo, que no existen diferencias significativas en el precio medio de la
vivienda por el hecho de tener chimenea, se realiza un contraste de significatividad individual de
la variable FIREPL. En este caso, observando el p-valor correspondiente, 0,6416, se puede concluir
que a un nivel de significación del 5 %, no existen diferencias significativas en el precio medio de
una vivienda por el hecho de tener chimenea.
Si comparamos los modelos (5.57) y (5.58), ninguna de las variables añadidas en el último es
significativa individualmente19 . Además, el R̄2 es inferior. El contraste de significatividad conjunta
para las variables añadidas se puede realizar con el estadı́stico F basado en las sumas de cuadrados
residuales de los modelos restringido (modelo (5.57)) y no restringido (modelo (5.58)). En este caso,
el resultado es:
por lo que no se rechaza la hipótesis nula de que las variables añadidas al modelo (5.58) son conjun-
tamente no significativas. Al omitir dichas variables el modelo mejora en cuanto a la significación
de sus coeficientes y el R̄2 . Por tanto, manteniendo las variables POOL y SQFT, la inclusión del
resto (FIREPL, FAMROOM, BATHS, BEDRMS) no añade capacidad explicativa al modelo.
19
Un problema añadido es que tenemos un bajo tamaño muestral, T=14, y hemos aumentado significativamente el
número de parámetros a estimar, K=7, por lo que tenemos muy pocos grados de libertad.
162
Estadı́stica Actuarial: Análisis de Regresión
5.9. Apéndice
X
SCT = (Yi − Ȳ )2 =
X
= Yi2 − N Ȳ 2 = Y 0 Y − N Ȳ 2
X ¯
SCE = (Ŷi − Ŷ )2 =
X ¯
= Ŷi2 − N Ŷ 2 =
¯
= Ŷ 0 Ŷ − N Ŷ 2 =
¯
= (X β̂)0 (X β̂) − N Ŷ 2 =
= β̂ 0 X 0 X β̂ −N Ȳ 2 =
| {z }
=X 0 Y
¯
= β̂ 0 X 0 Y − N Ŷ 2
X
SCR = û2i = û0 û =
= (Y − Ŷ )0 (Y − Ŷ ) = (Y − X β̂)0 (Y − X β̂) =
= Y 0 Y − β̂ 0 X 0 Y − Y 0 X β̂ + β̂ 0 X 0 X β̂ =
= Y 0 Y − β̂ 0 X 0 X β̂ =
= Y 0 Y − β̂ 0 X 0 Y
û = Y − Ŷ =
= Y − X β̂ =
= Y − X(X 0 X)−1 X 0 Y =
= [IN − X(X 0 X)−1 X 0 ]Y =
= [IN − X(X 0 X)−1 X 0 ](Xβ + u) =
= Xβ − X(X 0 X)−1 X 0 Xβ + [IN − X(X 0 X)−1 X 0 ]u =
= [IN − X(X 0 X)−1 X 0 ] u = M u
| {z }
=M
163
Estadı́stica Actuarial: Análisis de Regresión
• Es simétrica: M = M 0
M 0 = [IN − X(X 0 X)−1 X 0 ]0
0
= IN − (X(X 0 X)−1 X 0 )0
= IN − (X 0 )0 [(X 0 X)−1 ]0 X 0
= IN − X(X 0 X)−1 X 0
= M
• Es idempotente: M M = M
MM = [IN − X(X 0 X)−1 X 0 ][IN − X(X 0 X)−1 X 0 ] =
= IN − X(X 0 X)−1 X 0 − X(X 0 X)−1 X 0 +
X (X 0 X)−1 X 0 X (X 0 X)−1 X 0 =
| {z }
=IK
= IN − X(X 0 X)−1 X 0 = M
• rg(M )= tr(M )= N − K
tr(M ) = tr[IN − X(X 0 X)−1 X 0 ]
= tr(IN ) − tr[X(X 0 X)−1 X 0 ]
= tr(IN ) − tr[(X 0 X)−1 X 0 X]
= tr(IN ) − tr(IK )
= N −K
• M es ortogonal a X: M X = 0
M X = [IN − X(X 0 X)−1 X 0 ]X
= X − X(X 0 X)−1 X 0 X = 0
2. Demostración: E(σ̂ 2 ) = σ 2
Como
E(û0 û) = E(u0 M u) =
= E(tr(u0 M u)) = E(tr(M uu0 )) =
= tr(E(M uu0 )) = tr(M E(uu0 )) =
= tr(M σ 2 IN ) =
= σ 2 tr(M ) = σ 2 (N − K)
164
Estadı́stica Actuarial: Análisis de Regresión
Dado
u ∼ N (0, σ 2 IN ) −→ Y ∼ N (Xβ, σ 2 IN )
• Distribución de la SCR:
SCR = û0 û = u0 M u
Utilizando el resultado 3 del Anexo 4 dado
u0 M u û0 û
u ∼ N (0, σ 2 IN ) −→ ∼ χ2
(N −K) −→ ∼ χ2(N −K)
σ2 σ2
û0 M −1 û u0 M M −1 M u u0 M u
= = ∼ χ2(N −k)
σ2 σ2 σ2
165
Estadı́stica Actuarial: Análisis de Regresión
166
Tema 6
Validación
En este tema vamos a ocuparnos de validar el modelo. Una vez especificado y estimado el modelo
de regresión lineal general y realizados los contrastes de interés el modelo puede ser utilizado para
la predicción. Esta será más fiable cuanto mejor especificado y estimado esté el modelo. En el
Tema 5 nos hemos ocupado de ver las consecuencias de omitir variables relevante e incluir variables
irrelevantes y para evitarlo utilizamos los contrastes de significatividad individual y conjunto. En
este tema nos ocuparemos de analizar si los coeficientes del modelo son constantes durante todo el
periodo muestral.
Por otro lado cuando especificamos las hipótesis básicas de comportamiento, sobre la perturbación
supusimos que es homocedástica y no autocorrelada, en este tema estudiaremos como contrastar
que efectivamente la perturbación tiene varianza constante y covarianzas cero.
Para finalizar el tema veremos cómo realizar la predicción por punto y por intervalo del verdadero
valor de la variable endógena.
1. Conocer distintos procedimientos de estimación de parámetros, ası́ como sus propiedades para
poder seleccionar adecuadamente la mejor alternativa de análisis.
3. Analizar de forma crı́tica los elementos básicos de los modelos econométricos para comprender
la lógica de la modelización econométrica y poder especificar relaciones causales entre variables
económicas.
167
Estadı́stica Actuarial: Análisis de Regresión
6. Presentar de forma clara y concisa, tanto oralmente como por escrito, las conclusiones obte-
nidas en un caso de estudio particular.
Bibliografı́a Recomendada:
Al final del tema tenéis recogida la bibliografı́a correspondiente. En particular se os recomienda leer
los capı́tulos correspondientes a la bibliografı́a básica detallados a continuación:
• Gujarati, D. y Porter, D.C. (2010). Parte I : cap. 6;Parte II: Caps 11 y 12.
• Newbold, P., Carlson, W.L. y Thorne, B. (2008). Cap. 14.
• Ramanathan, R. (2002). Caps. 6, 8 y 9.
• Ruiz Maya, L. y Martı́n Pliego, F.J. (2005). Cap. 8.
• Wooldridge, J.M. (2006). Cap. 6.
168
Estadı́stica Actuarial: Análisis de Regresión
La elección de la forma funcional que recoge la relación existente entre la variable dependiente y las
variables explicativas es un aspecto de la especificación de un modelo muy importante en el análisis
económico. De hecho, la teorı́a económica no siempre propone relaciones lineales entre variables de
interés. Es el caso, por ejemplo, de la función de consumo de un bien que aumenta con la renta
pero no de forma indefinida ni a ritmo constante sino, en general, a una tasa decreciente, o de las
funciones de costes marginales que suelen tener forma de U, veáse la Figura 6.1.
Consumo Costes
En el Tema 5 se hizo enfásis en el hecho de que el supuesto de linealidad del modelo de regresión
no implica una relación lineal entre las variables sino un modelo en el que los parámetros entran
de forma lineal. Por “lineal en los parámetros” se entiende que los parámetros no se multiplican
entre sı́, no están elevados a potencias, etc. Sin embargo, como se vió en dicho tema las variables,
tanto regresando como regresores, sı́ se pueden transformar para obtener al final un modelo de
regresión lineal que satisfaga los supuestos clásicos. Este hecho hace que el modelo de regresión
lineal sea bastante flexible y se pueda utilizar para modelar relaciones entre variables económicas
no lineales. Ası́, tanto la función de consumo como la función de costes marginales de la Figura 6.1
se pueden modelizar utilizando formas funcionales sencillas no lineales en las variables. En el caso
de la función de consumo, el supuesto de rendimientos decrecientes se puede representar mediante
modelos logarı́tmicos o semilogarı́tmicos del tipo:
ln C = α + β ln R + u (6.1)
C = α + β ln R + u (6.2)
CM = β1 + β2 Q + β3 Q2 + u (6.3)
Los modelos (6.1), (6.2) y (6.3) cumplen el supuesto de linealidad porque son lineales en los paráme-
tros y se pueden analizar dentro del marco del MRLG. Ahora bien, como no son modelos lineales en
las variables, el efecto marginal del regresor sobre la variable dependiente no va a ser constante. Por
169
Estadı́stica Actuarial: Análisis de Regresión
ejemplo, en el modelo (6.3), el efecto marginal de un incremento unitario de la producción sobre los
costes marginales viene dado por:
∂E(CT )
= β2 + 2 β3 Q
∂Q
Este resultado implica que la pendiente de la función de costes marginales no es constante sino que
es una función lineal de Q que involucra a los parámetros β2 y β3 .
Otra forma de modelar relaciones no lineales entre las variables explicativas y el regresando es incluir
términos de interacción, es decir, el producto de varios regresores del modelo. Consideremos, por
ejemplo, el siguiente modelo:
Y = β1 + β2 X2 + β3 X3 + β4 (X2 × X3 ) + u
Este modelo es lineal en los parámetros, por lo que cumple el supuesto de linealidad. El efecto
marginal de X2 sobre Y es:
∂E(Y )
= β2 + β4 X3
∂X2
de forma que el incremento esperado en Y ante un incremento unitario en X2 no es constante sino
que depende del valor de X3 .
Los modelos que no cumplen el supuesto de linealidad se pueden clasificar en dos grupos. En el
primer grupo se encuentran los modelos que no son lineales en los parámetros pero que se pueden
linealizar mediante alguna transformación. En este grupo entra por ejemplo la función de producción
Cobb-Douglas que no es lineal ni en las variables ni en los parámetros, pero tomando logaritmos se
obtiene una función que no es lineal en las variables pero sı́ es lineal en los parámetros. El segundo
grupo lo forman los modelos que no son lineales en los parámetros y que no se pueden linealizar
mediante ninguna transformación, por ejemplo,
Y = β1 + X1β2 β3 + X2β2 + u
Contraste de Ramsey
El contraste de Ramsey (1969) está diseñado para detectar si la forma funcional está correctamente
especificada o no. Una forma sencilla de detectar que la forma funcional de este modelo está mal
especificada y la relación no es lineal entre las variables, serı́a incluir términos no lineales en el
modelo anterior y contrastar su significatividad. Ramsey propone añadir términos no lineales del
tipo Ŷt2 , Ŷt3 , ... , donde Ŷt son los valores ajustados por la recta de regresión muestral MCO. De
forma que los términos Ŷt2 , Ŷt3 , ... , son funciones no lineales de todos los regresores. La lógica del
contraste se basa en que, si el modelo no está bien especificado, la introducción de estos términos
no lineales mejorarı́a el ajuste del modelo.
Los pasos para implementar el contraste de Ramsey son los siguientes. En primer lugar, se estima
el modelo que incluye tantos términos no lineales como se desee, habitualmente, dos:
170
Estadı́stica Actuarial: Análisis de Regresión
La hipótesis nula de correcta especificación del modelo se expresarı́a en función de los parámetros
del modelo (6.4) como
H0 : γ1 = γ2 = 0
γ1 6= 0 y/o γ2 6= 0
Si no se rechaza la hipótesis nula, significa que no se ha detectado mala especificación del modelo.
Si, por el contrario, se rechaza, el modelo no es adecuado y se puede mejorar. Ahora bien, una
de las limitaciones de este contraste es que no da indicaciones sobre cuál serı́a la forma funcional
apropiada para el modelo. Gretl permite obtener el contraste de Ramsey automáticamente.
En ocasiones puede ocurrir que la relación entre la variable dependiente y los regresores cambie a lo
largo del periodo muestral, es decir, puede que exista un cambio estructural. Por ejemplo, si estamos
analizando el consumo de tabaco y durante el perı́odo muestral se ha producido una campaña de
salud pública informando sobre los peligros que conlleva el consumo de tabaco, podemos pensar
que tras dicha campaña el comportamiento de la demanda de tabaco haya cambiado, reduciéndose
significativamente. Si esto ocurre no podemos especificar una única función de demanda para todo el
perı́odo muestral si no que deberı́amos especificar dos funciones, una hasta la campaña antitabaco
y otra para el perı́odo siguiente. Por tanto ante sospechas de que exista un cambio estructural
debemos de contrastar la estabilidad de los parámetros de nuestra relación.
El contraste de cambio estructural, llamado habitualmente contraste de Chow puede realizarse de
manera sencilla mediante el estadı́stico de sumas de cuadrados de los residuos sin más que especificar
adecuadamente el modelo restringido y el no restringido. También podemos llevarlo a cabo utilizando
variables ficticias. Hay cambio estructural cuando el modelo
Yt = α1 + β1 Xt + ut t = 1, 2, . . . , t1 < T (6.5)
y el modelo
Yt = α2 + β2 Xt + ut t = t1 , t2 , . . . , T (6.6)
Yt = α + βXt + ut t = 1, 2, . . . , T (6.7)
ya que no se verifica durante todo el periodo muestral y nuestro modelo estarı́a formado por las ecua-
ciones (6.5) y (6.6). Si existe cambio estructural rechazarı́amos H0 : α1 = α2 , β1 = β2 donde q = 2.
Este contraste podemos llevarlo a cabo utilizando el estadı́stico F basado en las sumas de cuadrados
de los residuos siendo en este caso el modelo restringido el recogido en la ecuación (6.7) mientras
171
Estadı́stica Actuarial: Análisis de Regresión
que el modelo no restringido está constituido por las ecuaciones (6.5) y (6.6). Matricialmente:
· ¸ · ¸ α1 · ¸
Y1 i 1 X1 0 0 β1 u1
Modelo no restringido ⇔ = + ⇒ û0 û = û01 û1 + û02 û2
Y2 0 0 i2 X2 α2 u2
β2
· ¸ · ¸· ¸ · ¸
Y1 i 1 X1 α u1
Modelo restringido ⇔ = + ⇒ û0r ûr
Y2 i 2 X2 β u2
bajo el supuesto u1 ∼ N (0, σ12 ), u2 ∼ N (0, σ22 ) el estadı́stico de contraste y distribución es:
Notar que para la validez del contraste además de suponer normalidad en las perturbaciones se
supone también que σ12 = σ22 .
Hasta el momento uno de los supuestos básicos del modelo de regresión lineal es que la varianza
de cada término de perturbación ui condicionada a los valores de las variables explicativas, es
constante e igual a σ 2 . Llamábamos a este supuesto homocedasticidad y lo denotábamos: V (ui ) =
σ 2 ó lo que es igual E(u2i ) = σ 2 ∀i. La varianza σ 2 es una medida de dispersión de ui alrededor
de su media , E(ui ) = 0, o equivalentemente, una medida de dispersión de la variable dependiente
Yi alrededor de su media β1 + β2 X2i + . . . + βk Xki . Ası́, homocedasticidad significa que la dispersión
es la misma a través de todas las observaciones.
Supongamos que disponemos de observaciones sobre consumo y renta para un conjunto de familias,
en un año determinado. Las familias con rentas bajas no tienen mucha flexibilidad en sus gastos, en
general el grueso de la misma se gastará en cosas básicas, por ello la forma de consumo entre familias
de renta baja no variará demasiado. Sin embargo, las familias de rentas altas tienen más posibilidades
de consumo, ser grandes consumidores o ahorradores o llevar un gasto equilibrado. En cualquier caso
su consumo puede ser muy distinto entre sı́ por lo que pueden tener una gran dispersión alrededor
de su consumo medio mientras que las familias con rentas bajas no. En esta situación suponer que
existe homocedasticidad no es sensato, deberı́amos suponer que existe heterocedasticidad.
Llamamos heterocedasticidad al caso en que la varianza del término de error varı́a a través del
tiempo si miramos a series temporales, V (ut ) = σt2 , o cambia de una observación a otra si miramos
datos de sección cruzada, (familias, paı́ses, etc.), V ar(ui ) = σi2 . Seguimos suponiendo que no existe
autocorrelación entre perturbaciones por lo que sólo consideramos la existencia de heterocedastici-
dad. La existencia de heterocedasticidad es más habitual en datos de sección cruzada.
172
Estadı́stica Actuarial: Análisis de Regresión
E(u2i ) = σi2
f ( u )
f ( u )
X 6
α +β α+β
X 1 X 6
X 1
X 2
X 2
X 6
X 6
Ejemplo 6.1 Supongamos que tenemos datos para diferentes comunidades autónomas es-
pañolas en el año 2005 sobre gasto sanitario agregado, GS, renta personal disponible, R, el
porcentaje de población que supera los 65 años, SEN y población, P OP , con los que estimar
el siguiente modelo:
Las comunidades con más población y/o mayor porcentaje de población con edad superior
a 65 años tendrán mayor gasto sanitario que aquellas con menor población o más joven.
En esta situación suponer que la dispersión de los gastos sanitarios es la misma para todas
las comunidades con distinto nivel de población y composición de la misma no es realista,
y se deberı́a proponer que la varianza de la perturbación sea heterocedástica V ar(ui ) =
σi2 , permitiendo por ejemplo que varı́e en función creciente con la población, es decir, σi2 =
σ 2 P OPi . Incluso podemos pensar que varı́e en función creciente con el porcentaje de población
mayor de 65 años, en cuyo caso propondrı́amos V ar(ui ) = σ 2 SENi o con ambas variables,
por lo que la forma funcional pudiera ser V ar(ui ) = σ 2 (a P OPi + b SENi ).
173
Estadı́stica Actuarial: Análisis de Regresión
Ejemplo 6.3 Un fenómeno parecido ocurre con las empresas que deben decidir qué por-
centaje de sus beneficios, B, deben repartir como dividendos, D. Las empresas con mayores
beneficios tienen un margen de decisión muy superior al fijar su polı́tica de dividendos. Al
estimar el modelo:
Di = β1 + β2 Bi + ui i = 1, . . . , N (6.10)
cabrı́a esperar que la varianza de ui dependa del nivel de beneficios de la empresa i-ésima y
podrı́amos proponer que por ejemplo, E(u2i ) = σi2 = σ 2 Bi .
• La heterocedasticidad también puede aparecer como consecuencia de la agregación de
datos. En este caso la varianza puede depender del número de observaciones del grupo.
Ejemplo 6.4 Supongamos un investigador que desea estimar los coeficientes del siguiente
modelo:
Yj = β1 + β2 Xj + uj j = 1, . . . , N (6.11)
donde uj ∼ N (0, σ 2 ), es decir, la varianza de la perturbación es homocedástica. Supongamos
que el número de observaciones N es tal que aconseja agrupar las observaciones en m-grupos
de ni observaciones cada uno. Supongamos que como observación del grupo i-ésimo se toma
la media aritmética dentro del grupo. El modelo a estimar serı́a:
Ȳi = β1 + β2 X̄i + ūi i = 1, . . . , m (6.12)
y la nueva perturbación ūi seguirá teniendo media cero, pero su varianza no será constante
ya que dependerá del número de observaciones dentro del grupo,
σ2
V ar(ūi ) = i = 1, . . . , m.
ni
Si el número de observaciones dentro del grupo es el mismo en todos los grupos la varianza
de la perturbación ūi es homocedástica.
• Otro caso serı́a la existencia de un cambio estructural en varianza recogido por una
variable ficticia en la varianza de la perturbación.
174
Estadı́stica Actuarial: Análisis de Regresión
Ejemplo 6.5 Supongamos que se desea estudiar la relación entre producción, Y , y mano de
obra, X, para un conjunto de 20 trabajadores de los cuales 10 son mujeres y el resto hombres.
Si suponemos que la variabilidad de la producción es distinta para los hombres que para las
mujeres nuestro modelo a estimar serı́a:
Yi = β1 + β2 Xi + ui i = 1, . . . , 20 (6.13)
donde ui ∼ (0, α1 + α2 Di ) siendo Di una variable ficticia que toma valor la unidad si la
observación corresponde a una mujer y cero en el caso contrario. En este caso:
Suponiendo que las primeras diez observaciones corresponden a mujeres, la matriz de varianzas
y covarianzas del vector de perturbaciones serı́a la siguiente:
· ¸
0 (α1 + α2 )I10 0
E(uu ) =
0 α1 I10
• En los contrastes de hipótesis: Una forma sencilla de pensar en las consecuencias sobre
los contrastes de hipótesis es pensar que dado que el estimador no es el mejor de los posibles
la inferencia realizada con el mismo no será fiable.
Formalmente lo que está ocurriendo es que el estimador de σ 2 propuesto en el Tema 5 ahora
no es insesgado por lo que los estadı́sticos de contraste habituales no tendrán las distribuciones
t y F habituales. Por tanto, los contrastes no son válidos.
175
Estadı́stica Actuarial: Análisis de Regresión
problema no forman parte del contenido de este curso. Sin embargo, en la siguiente sección vamos
a aprender a detectar la existencia de heterocedasticidad con un estadı́stico de contraste sencillo y
que aparece por defecto en los resultados de estimación MCO de gretl. En cursos más avanzados
aprenderéis a solucionar el problema.
Detección de la heterocedasticidad
Si el gráfico es como el recogido en la Figura 6.3 pensaremos que la variabilidad de los residuos
ûM CO,i se incrementan con P OPi y que el incremento es directamente proporcional. Ası́, podrı́amos
176
Estadı́stica Actuarial: Análisis de Regresión
residuos MCO
1
−1
−2
−3
−4
0 5 10 15 20 25 30
POP
Si el gráfico de los residuos MCO frente a P OP hubiera sido como el recogido en la Figura 6.4
supondrı́amos que el aumento en la varianza de ui es inversamente proporcional a P OPi y propon-
drı́amos:
E(u2i ) = σ 2 P OPi−1 i = 1, 2, . . . , N
2
residuos MCO
-1
-2
-3
-4
0 0.5 1 1.5 2
POP
También podemos optar por dibujar la serie de los residuos al cuadrados MCO frente a la variable
que creemos causa la heterocedasticidad como se muestra en la Figura 6.5. En el gráfico de la
izquierda se muestran los pares (SENi , ûM CO,i ), en el gráfico de la derecha se muestran los pares
(SENi , û2M CO,i ). Ambos gráficos muestran la misma información, muestran que la variabilidad de los
residuos se incrementa con SEN y podrı́amos proponer, por ejemplo V ar(ui ) = E(u2i ) = σ 2 SENi .
177
Estadı́stica Actuarial: Análisis de Regresión
2
12
residuos MCO
1
10
0
8
−1 6
−2 4
−3 2
−4 0
6 8 10 12 14 16 18 6 8 10 12 14 16 18
SEN SEN
1.5
0.5
Residuos MCO
-0.5
-1
-1.5
-2
-2.5
0 5 10 15 20 25 30
POP
Si la gráfica entre ûM CO,i y P OPi hubiera resultado como la de la Figura 6.6, concluirı́amos que
la varianza de la perturbación no depende de P OPi ya que no se aprecia ningún patrón de com-
portamiento y parece que hay una distribución aleatoria de los pares (P OPi , ûi ). En esta situación
procede analizar los residuos frente al resto de regresores del modelo.
Las formas anteriores no son las únicas. Si recordamos, en el Ejemplo 3.6 se suponı́a una situación
donde hombres y mujeres en una empresa tenı́an diferente productividad y se suponı́a que V ar(ui ) =
α1 + α2 Di siendo Di una variable ficticia que toma valor uno si la observación corresponde a una
mujer y cero en caso contrario. En esta situación esperarı́amos un gráfico como el recogido en la
178
Estadı́stica Actuarial: Análisis de Regresión
Figura 6.7 donde claramente la dispersión de los residuos para las mujeres es mucho mayor que para
los hombres.
800
600
400
-200
-400
-600
-800
0 1
D_i
Como conclusión diremos que al analizar los gráficos de la relación residuos MCO, o sus cuadra-
dos, con cada uno de los regresores lo que intentaremos detectar visualmente es un crecimiento o
decrecimiento en la variabilidad de los residuos con respecto a la variable en cuestión.
Sin embargo el estudio gráfico de los residuos no es determinativo. Para determinar si existe o no
heterocedasticidad tendremos que realizar un contraste de existencia de heterocedasticidad con un
estadı́stico adecuado. Estadı́sticos de contraste de existencia de heterocedasticidad hay muchos y
unos se adecúan más a unas situaciones que otros y en general necesitan suponer una forma funcional
para σi2 . El análisis gráfico no es una pérdida de tiempo ya que la relación entre Xki y ûM CO,i nos
indicará una posible forma funcional (de heterocedasticidad) para la varianza de la perturbación y
puede indicarnos cuál es el test de contraste más adecuado. En este tema vamos a estudiar un único
test de heterocedasticidad que tiene carácter general y no exige supuestos sobre el comportamiento
de σi2 . Además gretl lo proporciona directamente.
1. Estimamos por MCO el modelo original y calculamos los residuos de MCO, ûM CO,i .
179
Estadı́stica Actuarial: Análisis de Regresión
H0 : α2 = α3 = . . . = α6 = 0
Observaciones:
2. A la hora de incluir los regresores de la regresión auxiliar debemos ser muy cuidadosos para
no incurrir en multicolinealidad exacta, por ejemplo en el caso de las variables ficticias con
valores 0 y 1, en este caso el cuadrado de la variable coincide con ella misma.
3. También pueden surgir problemas en modelos con un alto número de regresores que puede
conllevar que en la regresión auxiliar el número de variables sea tal que no supere al número
de observaciones y nos quedemos sin grados de libertad. Si éste es el caso podemos optar por
regresar el cuadrado de los residuos MCO sobre Ŷi y Ŷi2 ya que Ŷi es el ajuste de Yi usando
el estimador MCO con todos los regresores originales.
180
Estadı́stica Actuarial: Análisis de Regresión
Concepto de autocorrelación:
E(ut us ) 6= 0 ∀t, s t 6= s
Esta dinámica, aunque no sea relevante en media, refleja un patrón sistemático que tenemos que
considerar a la hora de estimar el modelo.
Causas de autocorrelación
Como decı́amos al iniciar este capı́tulo el término de perturbación de un modelo engloba aquellos
factores que, determinando la variable endógena, no están recogidos en la parte sistemática del
modelo. Factores como variables omitidas, mala especificación de la forma funcional o errores de
medida, entre otros, son causa de autocorrelación. Repasaremos algunos de ellos:
181
Estadı́stica Actuarial: Análisis de Regresión
del activo se verá afectada a la baja y como consecuencia la rentabilidad obtenida será menor
que la esperada. Este efecto se prolongará en el tiempo hasta que poco a poco los inversores
recuperen la confianza y el mercado vuelva a estabilizarse. El shock se recogerá en el término
de perturbación. Si por ejemplo, la caı́da se produce en (t − 1), lo que estamos diciendo es que
la perturbación en t dependerá de lo ocurrido en (t − 1) vı́a ut−1 .
• Existencia de ciclos y tendencias
Si estamos analizando un modelo econométrico cuya variable endógena presenta ciclos y/o
tendencias que no se explican a través de las variables exógenas, la perturbación recoge dichas
estructuras, presentando un comportamiento de autocorrelación. En este caso, los residuos
presentan agrupaciones de desviaciones por encima del promedio (en la parte alta del ciclo) y
agrupaciones de desviaciones por debajo del promedio (parte baja del ciclo).
• Relaciones no lineales
Supongamos que la verdadera relación entre los tipos de interés, rt , y el stock de Deuda
Pública, Dt , es cuadrática:
rt = β1 + β2 Dt + β3 Dt2 + ut t = 1, 2, . . . , T β2 > 0, β3 < 0
Este modelo implica que los tipos de interés aumentan al crecer el stock de deuda pública,
aunque menos que proporcionalmente, puesto que se tiene:
∂rt
= β2 + 2β3 Dt < β2
∂Dt
tanto menor cuanto mayor es Dt . Pero sin embargo se especifica y se estima un modelo lineal:
rt = β1 + β2 Dt + ut t = 1, 2, . . . , T
En este caso la curvatura de la parte sistemática pasa a ser recogida por la perturbación.
Los residuos presentarán una racha de residuos negativos seguida de otra racha de residuos
positivos para seguir con otra negativa.
• Variables omitidas relevantes correlacionadas
Si el modelo realmente se especifica como:
Yt = β1 + β2 X2t + β3 X3t + ut t = 1, 2, . . . , T
ut = Yt − β1 − β2 X2t − β3 X3t
ût = Yt − β̂1 − β̂2 X2t − β̂3 X3t
Pero estimamos:
Yt = β1 + β2 X2t + vt t = 1, 2, . . . , T
vt = Yt − β1 − β2 X2t = ut + β3 X3t
v̂t = Yt − β̃1 − β̃2 X2t = ût − (β̃1 − β̂1 ) − (β̃2 − β̂2 )X2t + β̂3 X3t
En este contexto de omisión recordemos que los estimadores MCO son sesgados en general.
En consecuencia, tras un análisis de los residuos v̂t tanto gráfico como mediante tests, es
muy probable que si la variable omitida está correlacionada o presenta ciclos o tendencias el
investigador llegue a la conclusión de que: Cov(vt , vs ) 6= 0. De todas formas hay que tener en
cuenta que no siempre que se omite una variable relevante se causa autocorrelación.
182
Estadı́stica Actuarial: Análisis de Regresión
ut = ρut−1 + ²t t = 1, 2, . . . , T
E(²t ) = 0 ∀t
E(²2t ) = σ²2 ∀t ²t ∼ iid(0, σ²2 )
E(²t ²s ) = 0 ∀t, s t 6= s
y que habitualmente se le llama ruido blanco3 . La especificación completa del MRLG cuando la
perturbaciones presentan autocorrelación es:
Cov(ut , ut−1 )
ρ= p p −1<ρ<1
V ar(ut ) V ar(ut−1 )
Si la covarianza es positiva se le denomina correlación positiva y si es negativa, correlación negativa.
Dado que ut = Yt − E(Yt |{Xit }K i=1 ) la perturbación representa la diferencia entre el comporta-
miento observado y el comportamiento promedio. Dados los posibles valores de ρ tenemos que:
i) Si ρ > 0 entonces un valor elevado de ut genera un valor de Yt por encima del promedio y
tendrá mayor probabilidad de ir seguido por un valor elevado de ut+1 y ası́ sucesivamente.
ii) Si ρ < 0 un valor alto de ut irá seguido por un valor bajo de ut+1 y éste por uno alto de ut+2
y ası́ sucesivamente.
183
Estadı́stica Actuarial: Análisis de Regresión
por lo que cada innovación influye sobre la perturbación en el mismo periodo o perı́odos posteriores,
pero nunca sobre los valores anteriores, es decir: E(²t ut−s ) = 0 s > 0. Además en el diagrama se
puede observar que ut no depende directamente de ut−2 pero sı́ lo hace a través de ut−1 , por tanto
ut está correlado con todos las perturbaciones pasadas.
u t u t
t t
En la izquierda de la Figura 6.8 se observa un proceso autorregresivo de primer orden con parámetro
ρ positivo. En ella podemos observar una racha de residuos positivos seguidos de una racha de
residuos negativos y ası́ sucesivamente. En cambio, cuando el parámetro del proceso autorregresivo
es negativo, los signos de los residuos se alternan como podemos ver en la figura de la derecha del
mismo gráfico.
Detección de la autocorrelación
Tras el análisis gráfico, si sospechamos que existe autocorrelación debemos contrastarla con un
estadı́stico de contraste. Existen varios estadı́sticos de contraste pero en este tema vamos a estudiar
sólo uno, el estadı́stico de Durbin Watson, especı́fico para contrastar la existencia de un proceso
autorregresivo de primer orden.
184
Estadı́stica Actuarial: Análisis de Regresión
u t u t
u u
s s
H0 : ρ = 0
frente a la alternativa
Ha : ρ 6= 0 en ut = ρut−1 + ²t ²t ∼ (0, σ²2 )
y se contrasta mediante el estadı́stico:
PT 2
t=2 (ût − ût−1 )
DW = PT 2
t=1 ût
donde ût son los residuos mı́nimo-cuadráticos ordinarios de estimar el modelo original sin tener en
cuenta la existencia de autocorrelación en las perturbaciones. Gretl proporciona el valor de este
estadı́stico entre los resultados de la estimación MCO. Sin embargo antes de utilizarlo vamos a
estudiar su interpretación y manejo sin recurrir a gretl.
• Si existe autocorrelación positiva de primer orden, valores positivos del término de error ut
tiendan a ir seguidos de valores positivos y asimismo, valores negativos tiendan a ir seguidos
4
Teniendo en cuenta las aproximaciones:
T
X T
X T
X
û2t ' û2t−1 ' û2t
t=2 t=2 t=1
con lo que PT PT PT
2 t=2 û2t − 2 t=2 ût ût−1 ût ût−1
DW ' PT 2
' 2 − 2 Pt=2
T 2
' 2(1 − ρ̂)
t=1 ût t=2 ût−1
donde ρ̂ es el estimador de ρ por MCO P en el modelo ut = ρut−1 + ²t , empleando como aproximación de ut el residuo
û û
MCO, es decir, ût = ρût−1 + ²t y ρ̂ = P ût 2 t−1 .
t−1
185
Estadı́stica Actuarial: Análisis de Regresión
• Si existe autocorrelación negativa de primer orden, valores positivos de ût tienden a ir seguidos
de valores negativos, en este caso |ût − ût−1 | > |ût | ⇒ (ût − ût−1 )2 > û2t con lo que el estadı́stico
DW tenderá a tomar valores grandes. En el extremo negativo tenemos que ρ −→ −1 ⇒
DW −→ 4.
A partir de la relación DW ' 2(1 − ρ̂) se puede establecer el rango de valores que puede tomar el
estadı́stico DW.
0 < ρ̂ < 1 DW ∈ (0, 2)
ρ̂ = 0 DW ' 2
−1 < ρ̂ < 0 DW ∈ (2, 4)
La distribución del estadı́stico DW bajo H0 depende de la matriz de regresores X por lo que
los valores crı́ticos del contraste también serán diferentes para cada posible X. Durbin y Watson
tabularon los valores máximo (dU ) y mı́nimo (dL ) que puede tomar el estadı́stico independientemente
de cuál sea X, y tal que dL < DW < dU . La distribución de dL y dU depende del tamaño de la
muestra, T, y de K 0 que denota el número de variables explicativas del modelo exceptuando el
término independiente.
• Contraste de existencia de autocorrelación positiva:
H0 : ρ = 0
Ha : ρ > 0 en ut = ρut−1 + ²t |ρ| < 1 ²t ∼ iid(0, σ²2 )
186
Estadı́stica Actuarial: Análisis de Regresión
Gráficamente:
H0 : ρ = 0
2. Por otro lado el estadı́stico DW sólo debe aplicarse cuando los regresores son no estocásticos,
en presencia de regresores aleatorios como la variable endógena retardada no tiene validez.
187
Estadı́stica Actuarial: Análisis de Regresión
6.4. Predicción
Yi = β1 + β2 X2i + . . . + βK XKi + ui .
se puede utilizar el modelo estimado por MCO para predecir el valor que tendrá la variable endógena
(desconocido en ese momento). Dado el modelo de regresión, la ecuación para Yp es:
Yp = β1 + β2 X2p + . . . + βK XKp + up
Yp = Xp0 β + up
1. El error de especificación. El modelo de regresión en que nos basamos puede ser incorrecto:
pueden faltar variables explicativas que afectan de manera clave a Y , puede que la forma
funcional propuesta no sea correcta, puede que se no se cumpla alguna hipótesis básica, etc.
2. Error en los valores de Xp . La predicción se hace para unos valores dados de Xp , pero estos
pueden ser desconocidos en el momento en que se hace la predicción.
3. El error muestral. No hay más remedio que usar β̂ en vez de los valores verdaderos β para
hacer la predicción.
Dadas todas estas fuentes de incertidumbre a la hora de predecir Y , es muy recomendable que la
predicción puntual de Y se acompañe con una medida de lo precisa que esperamos que sea esa
predicción. En esto consiste la predicción por intervalo.
188
Estadı́stica Actuarial: Análisis de Regresión
ep = Yp − Yˆp
En el momento en que hacemos la predicción, tenemos cierta información sobre ep , ya que es una
variable aleatoria con una distribución conocida. En concreto,
¡ ¢−1
ep ∼ N (0, σ 2 ( 1 + Xp0 X 0 X Xp ))
Demostración:
ep = Yp − Yˆp = Xp0 β + up − Xp0 β̂ =
= up − Xp0 (β̂ −β) (6.16)
ep
q ∼ t(N −K)
σ̂ 1 + Xp0 ( X 0 X )−1 Xp
189
Estadı́stica Actuarial: Análisis de Regresión
De hecho el denominador final es σ̂ep (la desviación estimada del error de predicción). Tras sustituir
ep = Yp − Ŷp , se puede utilizar dicha distribución para obtener el siguiente intervalo de predicción
para la variable endógena:
" #
Yp − Ŷp
P r − t α2 (N −K) ≤ ≤ t α2 (N −K) = 1 − α
σ̂ep
h i
P r Ŷp − t α2 (N −K) · σ̂ep ≤ Yp ≤ Ŷp + t α2 (N −K) · σ̂ep = 1 − α
³ ´
IC1−α (Yp ) = Ŷp − t α2 (N −K) σ̂ep , Ŷp + t α2 (N −K) σ̂ep
Ejercicio 6.1
Una gestorı́a comercializa 100 pólizas de seguro. Para tener información acerca del tipo
de póliza más solicitada utiliza el siguiente modelo:
Ni = β1 Hi + β2 Vi + β3 Mi + β4 Ai + ui i = 1, . . . , 100
donde
• Ni es el número de pólizas suscritas del producto i-ésimo.
½
1 si la póliza pertenece a seguros del hogar
• Hi =
0 en caso caso contrario
½
1 si la póliza pertenece al ramo de seguros de vida
• Vi =
0 en caso caso contrario
½
1 si la póliza pertenece al ramo de seguros médicos
• Mi =
0 en caso caso contrario
½
1 si la póliza pertenece a seguros automovilı́sticos
• Ai =
0 en caso caso contrario
Las ventas para el año 1994 se resumen en:
X X X X
Ni = 380 Ni = 150 Ni = 70 Ni = 500
i∈Hogar i∈V ida i∈M édicos i∈Automóviles
i=100
X 100
X 100
X 100
X 100
X
Ni2 = 20000 Hi = Vi = Mi = Ai = 25
i=1 i=1 i=1 i=1 i=1
190
Estadı́stica Actuarial: Análisis de Regresión
Ejercicio 6.2
Supón que se quieren explicar los rendimientos de los ı́ndices bursátiles, Rt , de varios
paı́ses a través de su localización geográfica y de los tipos de interés reales, It , consi-
derando para estos últimos que es suficiente con especificar si los tipos son positivos o
negativos. Los datos aparecen en la Tabla 6.1.
Rendimiento t/i
Rt It
Europa
Alemania 10 % positivo
Francia 20 % positivo
Reino Unido 15 % positivo
Italia 40 % positivo
América
EEUU 20 % negativo
Canadá 22 % negativo
Sudeste Asiático
Japón -5 % positivo
Hong Kong 30 % positivo
Singapur 35 % negativo
Taiwán 22 % negativo
El contraste de Ramsey es uno de los contrastes que pueden realiarse una vez estimado en gretl un
modelo. En la pantalla de resultados de la estimación Mı́nimo Cuadrática Ordinaria pinchar
191
Estadı́stica Actuarial: Análisis de Regresión
• cuadrados y cubos
• solo cuadrados
• solo cubos
Para mostrar cómo contrastar la ausencia de correlación utilizaremos el archivo de datos Ramanat-
han data3-3.gdt. En este archivo de datos se dispone de 34 observaciones para el periodo 1960-1993
(serie temporal por tanto) sobre el número de resultados de patentes en miles, P AT EN T ES, y
sobre el gasto en I + D, en billones de dólares. La relación a estudiar es:
192
Estadı́stica Actuarial: Análisis de Regresión
180
160
PATENTS
140
120
100
80
60
60 80 100 120 140 160
RD
Utilizando gretl una vez abierto el fichero de datos y estimado el modelo correspondiente por MCO,
en la ventana de resultados de la estimación harı́amos:
A mediados de 1981 el gobierno turco lanza una campaña de salud pública advirtiendo de los peligros
de salud que conlleva el consumo de tabaco. Nuestro objetivo es determinar si existen cambios en
la demanda de tabaco tras la campaña institucional en cuyo caso la especificación:
193
Estadı́stica Actuarial: Análisis de Regresión
El estadı́stico calculado es F = 20, 135 > F0,05 (3, 23) por lo que rechazamos H0 para un nivel de
significatividad del 5 %, es decir existe cambio estructural, la campaña institucional ha tenido efecto
y la demanda de tabaco en Turquı́a de 1960 a 1988 queda especificada por las ecuaciones (6.19) y
(6.20). Los resultados de la estimación mı́nimo cuadrática de estas ecuaciones son los siguientes:
LnQt = β1 + β2 LnYt + β3 LnPt + β1? D82t + β2? D82t · LnYt + β3? D82t · LnPt + ut t = 60, . . . , 88(6.21)
194
Estadı́stica Actuarial: Análisis de Regresión
En el cual, si existe cambio estructural rechazarı́amos H0 : β1? = β2? = β3? = 0. De nuevo el contraste
puede realizarse con el estadı́stico F habitual de sumas residuales donde el modelo no restringido
es el (6.21) y el modelo restringido es
LnQt = β1 + β2 LnYt + β3 LnPt + ut (6.22)
Utilizando gretl el proceso después de abierto el fichero de datos, tomado logaritmos y construido
las variables D82 · LnY y D82 · LnP serı́a: estimarı́amos el modelo (6.21) por MCO y en la ventana
de resultados de la estimación harı́amos
Dado el p-value rechazamos la hipótesis nula para un nivel de significatividad del 5 % y existe cambio
estructural. La demanda de tabaco en Turquı́a de 1960 a 1988 queda especificada por las ecuaciones
(6.19) y (6.20).
195
Estadı́stica Actuarial: Análisis de Regresión
Para ilustrar esta sección y lo que queda del tema vamos a utilizar el conjunto de datos Data 3.2
del Ramanathan. En este conjunto de datos se dispone de 51 observaciones sobre renta personal,
IN COM E, y gasto sanitarios, EXP LT H ambos en billones de dólares para el estado de Washington
D.C. en 1993. Se trata por tanto de una muestra de sección cruzada. Queremos analizar la evolución
del gasto en función de la renta, ası́ especificamos el modelo:
suponemos que se cumplen las hipótesis básicas y estimamos el modelo por MCO con los resultados
siguientes5 :
5
Recordatorio de la secuencia de órdenes para obtener la estimación:
Archivo −→ Abrir datos −→ Archivo de muestra −→ Data3.2
Modelo −→ Mı́nimos Cuadrados −→ seleccionar la variable endógena y exógenas
Los resultados se muestran en una ventana llamada gretl : modelo1
196
Estadı́stica Actuarial: Análisis de Regresión
exphlth observada y ajustada exphlth con respecto a income (con ajuste mnimo-cuadrÆtico)
100 100
ajustado
actual
90
80
80
70
60
60
exphlth
exphlth
50 40
40
20
30
20
0
10
0 -20
0 10 20 30 40 50 0 100 200 300 400 500 600 700
index income
gretl los va a añadir al conjunto de datos con el que trabajamos y los denota respectivamente por
yhat1, uhat1 e usq1 respectivamente. Además añade una leyenda explicativa de la variable. Una
vez hecho esto seguimos con el ejercicio.
A pesar del buen ajuste encontrado, no resulta descabellado pensar que la varianza del gasto sa-
nitario, EXP HLT H, probablemente dependerá de la renta IN COM E. Hemos visto que estudiar
el gráfico de residuos frente a IN COM E es un instrumento válido para ver indicios del problema.
Para obtener el gráfico en la ventana gretl : Modelo 1 pinchamos:
En el se aprecia que la dispersión de los residuos aumenta a medida que aumenta IN COM E. Parece
que la varianza de EXP HLT H aumenta con IN COM E
Para confirmarlo realizamos el contraste de White y los resultados del mismo son:
197
Estadı́stica Actuarial: Análisis de Regresión
residuo
0
-1
-2
-3
-4
-5
0 100 200 300 400 500 600 700
income
R-cuadrado = 0,421177
Los resultados confirman que efectivamente existe heterocedasticidad en la perturbaciones del mo-
delo (6.23). El estimador MCO obtenido no es de varianza mı́nima y la inferencia realizada de
acuerdo a él no es válida.
Esta introducción al problema de heterocedasticidad pretende que hayáis aprendido que nunca se da
una especificación por correcta sin un análisis de residuos. Que a pesar de que durante todo el curso
hemos trabajado suponiendo que se cumplen unas hipótesis básicas lo habitual es que no sea ası́ y
que estas situaciones hay que saber reconocerlas. Ampliaciones sobre este tema podéis encontrar en
el Capı́tulo 8 del Ramanathan del que nosotros solo hemos hecho un esbozo de su introducción.
Para mostrar cómo contrastar la ausencia de correlación utilizaremos el archivo de datos Ramanat-
han Data3-3. En este archivo de datos se dispone de 34 observaciones para el periodo 1960-1993
(serie temporal por tanto) sobre el número de resultados de patentes en miles, P AT EN T ES, y
sobre el gasto en I + D, en billones de dólares. La relación a estudiar es:
198
Estadı́stica Actuarial: Análisis de Regresión
Los resultados muestran que para un nivel de significatividad del 5 % el término independiente es
significativamente distinto de cero y el gasto en I+D es una variable significativa para explicar las
aplicaciones de las patentes. Además existe un buen ajuste en términos del R2 (85, 9 %). Si anali-
zamos los residuos MCO dibujándolos contra el tiempo obtenemos la Figura 6.13. En él podemos
ver un primer grupo de residuos positivos que va seguido de un grupo de residuos negativos, otrora
positivos y a continuación negativos. Este comportamiento puede indicar la posible existencia de
un proceso autorregresivo de primer orden y signo positivo.
20
15
10
5
residuo
-5
-10
-15
-20
-25
1960 1965 1970 1975 1980 1985 1990
199
Estadı́stica Actuarial: Análisis de Regresión
También podı́amos haber dibujado los pares (ut−1 , ut ), ver Figura 6.14, en este caso los puntos los
encontramos en el primer y tercer cuadrante indicando autocorrelación de primer orden de signo
positivo6 .
25
20
15
10
5
uhat1
-5
-10
-15
-20
-25
-20 -15 -10 -5 0 5 10 15 20
uhat1_1
Una vez analizados los gráficos debemos realizar un contraste para cerciorarnos de la existencia del
problema. Entre los resultados de la regresión se nos muestra:
H0 : ρ = 0
200
Estadı́stica Actuarial: Análisis de Regresión
dL = 1,7028
dU = 1,7329
180
160
Patentes
140
120
100
80
60 80 100 120 140 160
I+D
Las variables son significativas para un nivel de significatividad del 5 % y el ajuste es bueno, 90 %.
Sin embargo, para el modelo (6.26) sigue existiendo autocorrelación positiva de primer orden ya que
DW = 0, 28 < dL (T = 34, K 0 = 2) = 1, 33. Si miramos el gráfico de residuos de esta relación, Figura
6.16, encontramos las misma evolución cı́clica de grupos de residuos positivos-negativos-positivos.
Por tanto una vez especificado correctamente el modelo se sigue manteniendo la autocorrelación en
las perturbaciones. El modelo (6.25) debe ser estimado por un estimador alternativo a MCO que
sea de varianza mı́nima y permita realizar inferencia válida.
201
Estadı́stica Actuarial: Análisis de Regresión
15
10
residuo
0
-5
-10
-15
-20
1960 1965 1970 1975 1980 1985 1990
Para hacer predicción con gretl debemos incorporar los nuevos datos (Xp ) a la base de datos me-
diante
indicando el número de observaciones que queremos añadir, en este caso 1. En la fila correspon-
diente incluimos los valores de las variables explicativas en el periodo de predicción, en este caso la
observación N + 1, incorporando cada observación en la casilla correspondiente. Si no incorporamos
el valor para la variable Yi que es la que vamos a predecir, gretl nos mostrará un aviso (Atención:
habı́a observaciones perdidas). Podemos simplemente ignorarlo y darle a aceptar.
Posteriormente, estimaremos el modelo sin considerar esta nueva observación. Para ello, tenemos
que especificar el rango muestral, es decir, en la opción
especificaremos del rango de observaciones de la muestra para estimar el modelo, en nuestro caso
de la 1 a la N y elegimos Aceptar.
Estimaremos el modelo por MCO y en la ventana de los resultados elegimos
Análisis → Predicciones
En la nueva ventana podemos determinar el dominio de predicción, es decir el Inicio y Fin que en
este caso es en ambos la observación número N + 1, y también cuantas observaciones se quieren
representar antes de la prediccion.
Utilizando los resultados obtenidos en el Ejemplo 5.10 se va a predecir la variable P RICE. Los
resultados que muestra Gretl son los siguientes:
202
Estadı́stica Actuarial: Análisis de Regresión
650
price
predicción
600 Intervalo de confianza 95 por ciento
550
500
450
400
350
300
250
200
150
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
El gráfico que se obtiene junto a los resultados muestra la serie de precios (P) observada en color
rojo y estimada con el modelo para las 14 observaciones anteriores a la predicción y la predicción
en color azul, junto con su intervalo de confianza en color verde.
La predicción por punto del precio de una vivienda con estas caracterı́sticas es de 479, 905 miles de
euros, mientras que la predicción por intervalo con un nivel de confianza del 95 % es (356, 5; 603, 3)
en miles de euros, por lo que el precio que nos piden, que era de 500 miles de euros por la vivienda,
está dentro del intervalo. Este precio para una vivienda de esas caracterı́sticas se aceptarı́a como
razonable dado nuestro modelo y la información muestral utilizada para su estimación, con un nivel
de confianza del 95 %.
203
Estadı́stica Actuarial: Análisis de Regresión
204
Tema 7
Esta sección desarrolla una guı́a básica para estructurar la realización de un proyecto. Es del todo
recomendable la lectura del Capı́tulo 19 del libro Introdución a la Econometrı́a, de Wooldridge, J. M.
(2003), que aparece en las referencias bibliográficas. Los seminarios y tutorı́as personalizadas de los
equipos individuales servirán para marcar el ritmo en la evolución del proyecto y para que el profesor
tutorice tanto al equipo como individualmente a cada uno de los integrantes en su aprendizaje. No
hay que perder de vista que el proyecto debe de contribuir a obtener las competencias especı́ficas
de la asignatura en su totalidad aunque se incida en la cuarta en cuanto a su evaluación.
205
Estadı́stica Actuarial: Análisis de Regresión
• Cronologı́a: El proyecto debe evolucionar a lo largo del curso, no debe ser un trabajo realizado
en los últimos diez dı́as antes de su exposición pública por ello es importante que los equipos se
marquen una cronologı́a de acuerdo a las directrices marcadas en lo seminarios que se lleven a
cabo en el aula. Como ya se ha indicado los seminarios y tutorı́as personalizadas de los equipos
servirán para marcar el ritmo en la evolución del proyecto y para que el profesor tutorice tanto
al equipo como individualmente a cada uno de los integrantes en su aprendizaje. No hay que
perder de vista que el proyecto debe de contribuir a obtener las competencias especı́ficas de
la asignatura en su totalidad aunque se incida en la cuarta en cuanto a su evaluación.
• Datos a utilizar: Los que se quieran, siempre y cuando se refiera la referencia en el trabajo
de la fuente utilizada.
1. Se pueden utilizar datos de los ficheros disponibles en Gretl siempre y cuando el trabajo
no sea replicar un ejercicio que ya esté en estos libros.
2. Bases de datos disponibles en Gretl sobre servidor
Archivo ⇒ Bases de datos ⇒ sobre servidor
3. Bases de datos disponibles en Biblioteca.
4. Otras direcciones de interés y bases de datos:
Eurostat: http://epp.eurostat.cec.eu.int/
Banco Mundial: http://devdata.worldbank.org/
Fondo Monetario Internacional: http://www.imf.org/
OCDE: http://www.oecd.org/
Banco Central Europeo: http://www.ecb.int/
Economic and Social Data Services: Guı́a a Recursos internacionales de datos de libre
acceso, http://www.esds.ac.uk/international/access/access.asp
206
Estadı́stica Actuarial: Análisis de Regresión
1. Primero es importante pensar en el modelo o relación básica que se quiere analizar junto
con los datos a emplear. Es aconsejable estudiar previamente los datos de las variables
que entran en el modelo, sus estadı́sticos descriptivos, gráficos etc.
2. También es importante la forma de presentar los resultados. Una vez realizados los di-
versos análisis, estimaciones etc., se pone en común todos los resultados y se selecciona
lo importante. Una vez elegido lo más relevante de todo lo realizado esta información se
presenta de forma que sea fácil comparar y valorar los resultados obtenidos.
3. No mezclar diferentes fuentes y tipos de letra en el texto.
4. No utilizar abreviaciones coloquiales, tipo SMS.
5. Todas las figuras y tablas deben estar numeradas. Añadir una pequeña leyenda tanto a
los gráficos como a las tablas explicando que recogen (por ejemplo, Figura 2: Gráfico de
los residuos contra el tiempo). Se puede poner arriba o abajo de la figura pero siempre
hacerlo de la misma forma.
6. Las figuras y tablas también pueden ir en un apéndice y hacer referencia en el texto con
la numeración utilizada.
7. Numerar todas las páginas.
8. Es recomendable que se revisen las distintas versiones del trabajo antes de su presenta-
ción, cuidando que no haya errores gramaticales.
La Tabla 7.1 muestra los coeficientes estimados por MCO y distintos estadı́sticos asociados
a la cuatro especificaciones o modelos alternativos anteriores. Esta forma de presentar los
resultados puede estar más indicada cuando, como ahora, se presentan distintas especificacio-
nes con la misma variable dependiente. En la parte de abajo de la tabla, también para cada
una de las especificaciones, podéis incluir los valores muestrales de los estadı́sticos de diversos
207
Estadı́stica Actuarial: Análisis de Regresión
Los valores entre paréntesis son los correspondientes estadı́sticos t de significatividad individual sin tener en cuenta
la posible heterocedasticidad y o autocorrelación.
Entre paréntesis se muestran las desviaciones tı́picas estimadas. En el caso de MCO son robustas a autocorrelación.
El sı́mbolo ∗ denota que es significativo al 5 %. El tamaño muestral es T = 80 datos trimestrales.
De esta forma es más fácil comparar los resultados a la vez que mostrarlos en una transparencia
a la hora de la presentación.
208
Bibliografı́a
• Teórica:
[1] Gujarati, D. y Porter, D.C. (2010). Econometrı́a. Editorial McGraw-Hill, Madrid. 5a edición.
[2] Newbold, P., Carlson, W.L. y Thorne, B. (2008). Estadı́stica para administración y economı́a.
Prentice Hall. Madrid.
[3] Wooldridge, J.M. (2006). Introducción a la Econometrı́a. Ed. Thomson Learning, 2a edición.
[4] Ruiz Maya, L. y Martı́n Pliego, F.J. (2005). Fundamentos de inferencia estadı́stica, 3a edición,
Editoral AC, Madrid.
• Ejercicios con gretl:
[1] Ramanathan, R. (2002), Instructor’s Manual to accompany, del libro Introductory Econometrics
with applications, ed. South-Western, 5th edition, Harcourt College Publishers.
[2] Wooldridge, J. M. (2003), Student Solutions Manual, del libro Introductory Econometrics: A
modern Approach, ed. South-Western, 2nd edition.
[1] Alonso, A., Fernández, J. y Gallastegui, I. (2005), Econometrı́a, ed. Pearson: Prentice Hall.
[2] Dougherty, Ch. (2006), Introduction to Econometrics, 3rd. Ed., Oxford University Press.
[3] Esteban, M.V.; Moral, M.P.; Orbe, S.; Regúlez, M.; Zarraga, A. y Zubia, M. (2009). Análisis de
regresión con gretl. Open Course Ware. UPV-EHU. (http : //ocw.ehu.es/ciencias − sociales − y −
juridicas/analisis − de − regresion − con − greti/Coursel isting).
[4] Esteban, M.V.; Moral, M.P.; Orbe, S.; Regúlez, M.; Zarraga, A. y Zubia, M. (2009). Econometrı́a
Básica Aplicada con Gretl. Sarriko On Line 8/09. http://www.sarriko-online.com. Publicación on-
line de la Facultad de C.C. Económicas y Empresariales.
[5] Esteban, M.V. (2007). Estadı́stica Actuarial: Regresión. Material docente. Servicio de Publica-
ciones. Web de la asignatura.
[6] Esteban, MV (2008). Estadı́stica Actuarial: Regresión Lineal, Sarriko On Line 3/08. Publica-
209
Estadı́stica Actuarial: Análisis de Regresión
210