Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Manual de Econometria 5 PDF
Manual de Econometria 5 PDF
CAPÍTULO 5
______________________________________
Manual de Econometría. Capítulo 5, página 2
1 2
© Carlos Murillo Fort y Beatriz González López-Valcárcel (2000)
1
Catedrático Universidad Pompeu Fabra
2
Catedrática Universidad de Las Palmas de GC
ESQUEMA DE VALIDACIÓN DEL MODELOS: CONTRASTES DE ESPECIFICACIÓN INCORRECTA
Y CONTRASTES DE ESPECIFICACIÓN
Significado de los parámetros ¿Concuerdan el signo y el valor con lo esperado, según la teoría?
Significación estadística de la Contrastes de significación individual (t)
ecuación y de los parámetros Contrastes de significación de subconjuntos de parámetros (F)
Contrastes de restricciones lineales sobre los parámetros (F)
Contraste de significación global del ajuste (F)
¿Multicolinealidad? Matriz de correlaciones de X
¿Outliers? Gráficos de los residuos
Otros (ver capítulo específico)
¿Autocorrelación entre los Gráfico de los residuos
errores? Contraste Durbin-Watson (DW)
CONTRASTES DE Otros (ver capítulo específico)
ESPECIFICACIÓN ¿Heterocedasticidad? Gráficos
INCORRECTA Y Contraste de Breusch y Pagan (BP)
CALIDAD DE LOS Otros contrastes (ver capítulo específico)
DATOS ¿Errores normales? Histograma de los residuos
Contraste Jarque y Bera (JB)
Otros (ver capítulo específico)
Pruebas de linealidad de la Gráficos
relación (especificación de la Contraste RESET de Ramsey
forma funcional)
Análisis de Estabilidad Contraste de Chow
Contraste de Hansen
Contrastes basados en la estimación recursiva: CUSUM,
CUSUMQ
CONTRASTES DE Contrastes anidados Contrastes de la F de significación de subconjuntos de parámetros
ESPECIFICACIÓN Contrastes no anidados Contraste J de Davidson y MacKinnon (1993)
ENTRE MODELOS Contrastes de abarcamiento (“Encompassing”)
ALTERNATIVOS (¿Qué Contraste PE (¿Modelo lineal o modelo log-lineal?
variables?, ¿Qué forma
funcional?
______________________________________
Manual de Econometría. Capítulo 5, página 3
1 2
© Carlos Murillo Fort y Beatriz González López-Valcárcel (2000)
1
Catedrático Universidad Pompeu Fabra
2
Catedrática Universidad de Las Palmas de GC
2. PRUEBAS DE ESPECIFICACIÓN ERRÓNEA Y DE CALIDAD DE LOS DATOS.
El tipo de pruebas que vamos ahora a proponer tiene por objeto diagnosticar la
calidad de la especificación realizada y de la información muestral utilizada. Las
hipótesis H1 y H4 establecían como supuestos de partida que el modelo econométrico
elegido era correcto. Cualquier discrepancia acerca de dicho supuesto repercute en
los resultados de la estimación por MCO, así como en la potencia de los contrastes
estadísticos propuestos, tal como tendremos ocasión de analizar con mayor detalle en
próximos capítulos. Por el momento nos basta con disponer de instrumentos de
diagnóstico de la evidencia empírica disponible para estar en favor, o en contra, del
mantenimiento de los supuestos. De la misma forma, hemos realizado la inferencia
por MCO con la confianza de que la base de datos de la muestra utilizada era
suficiente como para garantizar el mantenimiento de las propiedades de los
estimadores y de los contrastes propuestos. También analizaremos los resultados de
la estimación por MCO para obtener apoyo en favor del mantenimiento de este tipo de
supuestos. Presentamos a continuación un conjunto de pruebas a realizar con los
resultados de la estimación mínimocuadrática de los parámetros del modelo de
regresión. Estas pruebas nos permitirán disponer de evidencia suficiente para creer
que las hipótesis establecidas al comienzo del estudio son válidas o, por el contrario,
si se apuntan graves divergencias que aconsejen la reformulación del modelo o de los
procedimientos inferenciales utilizados hasta el momento.
______________________________________
Manual de Econometría. Capítulo 5, página 4
1 2
© Carlos Murillo Fort y Beatriz González López-Valcárcel (2000)
1
Catedrático Universidad Pompeu Fabra
2
Catedrática Universidad de Las Palmas de GC
indicadas, los coeficientes en la regresión son, respectivamente, las elasticidades del
consumo respecto de la renta y el precio. Si el bien es un bien normal, esperamos que
la elasticidad renta sea mayor que la unidad.
H o : β 2 = β 3 = ... = β K = 0
βˆ k
~ t(n - K)
es ( βˆ k )
El estadístico de prueba de q restricciones lineales independientes sobre los
parámetros, que incluye como caso particular la significación conjunta de q
coeficientes de regresión, es el siguiente:
( SCE o - SCE a ) /q
~ F(q; n - K)
SCE a /(n - K)
______________________________________
Manual de Econometría. Capítulo 5, página 6
1 2
© Carlos Murillo Fort y Beatriz González López-Valcárcel (2000)
1
Catedrático Universidad Pompeu Fabra
2
Catedrática Universidad de Las Palmas de GC
relación con significado económico.
______________________________________
Manual de Econometría. Capítulo 5, página 7
1 2
© Carlos Murillo Fort y Beatriz González López-Valcárcel (2000)
1
Catedrático Universidad Pompeu Fabra
2
Catedrática Universidad de Las Palmas de GC
correcto esperar que, aproximadamente, el 5% de los residuos estén situados fuera
de las bandas de dos desviaciones estándar.
Figura 5.1
Ejemplo de residuos con outliers
3 4
2
2
1
0 0
-1
-2
-2
-3 -4
76 78 80 82 84 86 88 90 92 94 96 98 00 20 40 60 80 100
______________________________________
Manual de Econometría. Capítulo 5, página 8
1 2
© Carlos Murillo Fort y Beatriz González López-Valcárcel (2000)
1
Catedrático Universidad Pompeu Fabra
2
Catedrática Universidad de Las Palmas de GC
2.4. Pruebas relativas a la pertinencia de las hipótesis mantenidas sobre el término de
perturbación aleatoria (homoscedasticidad, ausencia de autocorrelación y normalidad)
Ausencia de autocorrelación
______________________________________
Manual de Econometría. Capítulo 5, página 9
1 2
© Carlos Murillo Fort y Beatriz González López-Valcárcel (2000)
1
Catedrático Universidad Pompeu Fabra
2
Catedrática Universidad de Las Palmas de GC
ellas no hay sospechas de violación de la hipótesis de no autocorrelación de los
términos de perturbación aleatoria (la distribución de los residuos parece generada de
manera aleatoria), mientras que en el segundo la estructura observada (a cada
residuo con valor negativo le sigue otro con valor positivo) señala que no puede
sostenerse la hipótesis aludida.
Figura 5.2
Distribución de residuos MCO de dos modelos de regresión
3 3
Ejemplo de residuos no autocorrelacionados Ejemplo de residuos autocorrelacionados
2 2
1 1
0 0
-1 -1
-2 -2
-3 -3
78 80 82 84 86 88 90 92
20 40 60 80 100
Residuos estandariazados
Residuos estandarizados
i= n
∑( e - e
i= 2
i i -1
2
)
d= i= n
∑e
i=1
2
i
que tiene una distribución tabulada por estos mismos autores. Para que la aplicación
de este contraste tenga sentido es preciso que las observaciones muestrales estén
ordenadas. Un criterio de ordenación inmediato es el proporcionado por el argumento
temporal. Si los datos provienen de series en el tiempo entonces las observaciones
muestrales las ordenamos según su aparición en el tiempo. Cuando los datos son de
corte transversal una ordenación lógica no siempre es posible con lo que el contraste,
y en general todos los contrastes de autocorrelación, no tendrán interpretación y no
serán instrumentos útiles a estos efectos. El estadístico d toma valores en el rango
comprendido entre 0 y 4. Las tablas proporcionan los valores de los límites inferior (dl)
y superior (du) del contraste. La hipótesis nula de ausencia de autocorrelación se
rechaza cuando:
Por el momento bastará con interpretar este contraste como una prueba de
especificación errónea. Por ello diremos que nuestra hipótesis nula es la correcta
especificación de modelo. El rechazo de la hipótesis nula señalará algún error en la
construcción del modelo. Estos errores pueden deberse, entre otras causas, a la mala
especificación de la forma funcional, es decir de la linealidad, y a la omisión de
______________________________________
Manual de Econometría. Capítulo 5, página 11
1 2
© Carlos Murillo Fort y Beatriz González López-Valcárcel (2000)
1
Catedrático Universidad Pompeu Fabra
2
Catedrática Universidad de Las Palmas de GC
variables explicativas importantes. Cuando abordemos el tema de la autocorrelación
encontraremos mayor explicación del funcionamiento del contraste y mejores pistas
para su interpretación. Dejamos para entonces el análisis más detallado del contraste.
Heterocedasticidad
En los gráficos que aparecen en la figura 5.3 se representan distintas situaciones que
evidencian en unos casos el mantenimiento de la hipótesis de homoscedasticidad,
cuando la distribución de los residuos no varía sistemáticamente al hacerlo Yˆ , o la
variable explicativa X, y en otros la duda sobre el cumplimiento de dicha hipótesis.
Obsérvese que cuando el término de perturbación deja de ser homoscedástico, los
residuos tienden a comportarse con una variación distinta según cuales sean los
valores de Yˆ , o de alguna de las variables explicativas en el modelo de regresión.
Figura 5.3
______________________________________
Manual de Econometría. Capítulo 5, página 12
1 2
© Carlos Murillo Fort y Beatriz González López-Valcárcel (2000)
1
Catedrático Universidad Pompeu Fabra
2
Catedrática Universidad de Las Palmas de GC
8 3000
Ejemplo de homocedasticidad Ejemplo de heterocedasticidad
6 2000
4 1000
2 0
0 -1000
20 40 60 80 100 10 20 30 40 50
Xj
Valores ajustados de Y
SCR
~ χq
2
LM =
2
en el que SCR es la suma de cuadrados explicada en la regresión cuya variable
dependiente es
ei2
∑ ei2
n
______________________________________
Manual de Econometría. Capítulo 5, página 13
1 2
© Carlos Murillo Fort y Beatriz González López-Valcárcel (2000)
1
Catedrático Universidad Pompeu Fabra
2
Catedrática Universidad de Las Palmas de GC
perturbación1.
Normalidad
Figura 5.4
1
El conjunto de variables explicativas en esta regresión puede coincidir con las variables explicativas de la ecuación que
estemos evaluando. En este caso q=K-1. Cuando utilizemos este contraste como prueba efectiva de homoscedasticidad
contemplaremos otras posibilidades para esta regresión auxiliar.
______________________________________
Manual de Econometría. Capítulo 5, página 14
1 2
© Carlos Murillo Fort y Beatriz González López-Valcárcel (2000)
1
Catedrático Universidad Pompeu Fabra
2
Catedrática Universidad de Las Palmas de GC
25
Histograma de los residuos: Series: Residuals
Ejemplo de residuos normales Sample 1 200
20 Observations 200
Mean -9.99E-17
15 Median -0.010369
Maximum 0.844970
Minimum -0.891293
10 Std. Dev. 0.293782
Skewness 0.038570
Kurtosis 3.103209
5
Jarque-Bera 0.138357
Probability 0.933160
0
-0.75 -0.50 -0.25 0.00 0.25 0.50 0.75
40
Histograma de los residuos Series: Residuals
Ejemplo de residuos no normales Sample 1 200
Observations 200
30
Mean -2.16E-16
Median -0.262040
Maximum 5.002113
20
Minimum -1.625097
Std. Dev. 1.065914
Skewness 1.546720
10 Kurtosis 6.274814
Jarque-Bera 169.1148
Probability 0.000000
0
-1 0 1 2 3 4 5
El contraste propuesto por Jarque y Bera (1980) está construido a partir de los
momentos de tercer y cuarto orden o, expresado de otra forma, de los coeficientes de
asimetría y curtosis de los residuos de la regresión. Estos autores demuestran que el
estadístico:
µ 1 µ 3µ µ µ
2 2
n[ 3 3 + ( 42 - 3 ) ] + n[ 1 - 3 2 1 ] ~ χ (2)
2 2
6 µ 2 24 µ 2 2 µ2 µ2
siendo,
______________________________________
Manual de Econometría. Capítulo 5, página 15
1 2
© Carlos Murillo Fort y Beatriz González López-Valcárcel (2000)
1
Catedrático Universidad Pompeu Fabra
2
Catedrática Universidad de Las Palmas de GC
s
ei
µ s = ∑ii==1n s = 1,2...
n
y, por lo tanto, se rechaza la hipótesis nula de normalidad en la distribución de los
errores en la regresión cuando el estadístico de prueba supera el valor tabulado según
una ley χ2 con 2 grados de libertad.
Una forma sencilla de analizar la existencia de relación lineal entre las variables en el
modelo especificado consiste en la observación del gráfico resultante de representar
sobre un plano los valores de los errores de la regresión con los valores ajustados de
la endógena. También se utilizan en ocasiones los gráficos de los errores con cada
una de las variables explicativas. Si en cualquiera de estos gráficos se aprecia un
comportamiento sistemático, podemos sospechar que la especificación lineal no es la
más adecuada. La figuras 5.5 sirve de ejemplo de representación gráfica de un
modelo en el que cabe sospechar que se incumple la linealidad formulada como
hipótesis.
Figura 5.5
______________________________________
Manual de Econometría. Capítulo 5, página 16
1 2
© Carlos Murillo Fort y Beatriz González López-Valcárcel (2000)
1
Catedrático Universidad Pompeu Fabra
2
Catedrática Universidad de Las Palmas de GC
20
Ejemplo de sospecha de relación no lineal
10
Residuos MCO
0
-10
-20
-10 -5 0 5 10
Y ajustada
______________________________________
Manual de Econometría. Capítulo 5, página 17
1 2
© Carlos Murillo Fort y Beatriz González López-Valcárcel (2000)
1
Catedrático Universidad Pompeu Fabra
2
Catedrática Universidad de Las Palmas de GC
Ho : α = 0
Ha : α ≠ 0
αˆ
~ t(n - K - 1)
es ( αˆ )
Nótese que los grados de libertad en la distribución de t son n-K-1 puesto que en la
regresión efectuada hemos añadido un regresor y el número total de parámetros es
K+1.
H o : α 2 = α 3 = ... = α h = 0
H a : α 2 ≠ 0 o ... α h ≠ 0
______________________________________
Manual de Econometría. Capítulo 5, página 19
1 2
© Carlos Murillo Fort y Beatriz González López-Valcárcel (2000)
1
Catedrático Universidad Pompeu Fabra
2
Catedrática Universidad de Las Palmas de GC
Y i = β 1 + β 2 X 21 + ...+ β K X Ki + u i i = 1,2... n1
(1) (1) (1) (1)
Y i = β 1 + β 2 X 2i + ...+ β K X Ki + u i i = n1 + 1, n1 + 2...n
(2) (2) (2) (2)
Y i = β 1 + β 2 X 2i + ...+ β K X Ki + u i i = 1,2...n
Ho : β1 = β1 = β1
(1) (2)
β2 = β2 = β2
(1) (2)
...
βK = βK = βK
(1) (2)
siendo la hipótesis alternativa que al menos una de estas igualdades no sea cierta. El
estadístico de prueba es:
en donde SCE1, SCE2 y SCET son, respectivamente, las sumas de los cuadrados de
los errores en la estimación de las submuestras primera, segunda y total. Si el
estadístico de prueba es mayor que el valor en tablas, rechazaremos la hipótesis nula
planteada (la estabilidad de la muestra total).
∑e 2
t
σˆ 2 = t =1
T
donde et es el residuo MCO de la observación t.
El ajuste de MCO garantiza, como del lector puede comprobar, que
T
∑ f = 0; i = 1,...K + 1
t =1
it
1 T 2 1 t T
Li = ∑ S it ; i = 1,...K + 1; S it = ∑ f ij ; Vi = ∑ f it2
TV1 t =1 T j =1 t =1
2
Para una exposición más detallada, véase Johnston y Dinardo (2001), pp.133-135
______________________________________
Manual de Econometría. Capítulo 5, página 21
1 2
© Carlos Murillo Fort y Beatriz González López-Valcárcel (2000)
1
Catedrático Universidad Pompeu Fabra
2
Catedrática Universidad de Las Palmas de GC
decidiendo, por tanto, que el parámetro en cuestión es inestable.
1 T
Lc = ∑ s´t V −1 st
T t =1
T
V = ∑ f t f ´t
t =1
f t = { f 1t ... f K +1,t }´
st = {S1t ... S K +1,t }´
Cuando los datos de la muestra están ordenados (si son de serie temporal lo están. Si
los datos son transversales, habría que ordenar la muestra previamente por una
variable representativa del “tamaño”), para evaluar la estabilidad de los coeficientes a
lo largo del tiempo se pueden hacer estimaciones recursivas del modelo. La idea es
estimar el modelo secuencialmente, añadiendo cada vez una nueva observación
muestral, desde K+1 hasta T, y ver cómo cambian los coeficientes y demás
resultados. Empezamos ajustando el modelo a las primeras K observaciones (K es el
número de variables explicativas, incluyendo la constante). El ajuste es perfecto, y el
vector de estimadores lo notamos por bK. Reestimamos el modelo, añadiendo la
observación K+1, así obtenemos el vector de estimadores bK+1. Y así sucesivamente,
______________________________________
Manual de Econometría. Capítulo 5, página 22
1 2
© Carlos Murillo Fort y Beatriz González López-Valcárcel (2000)
1
Catedrático Universidad Pompeu Fabra
2
Catedrática Universidad de Las Palmas de GC
hasta terminar estimando el modelo con la muestra total (t=1,...T). Este proceso de
estimación genera, por tanto, una secuencia de vectores de estimaciones MCO:
bt = ( X ´t X t ) −1 X ´t Yt
donde t indica que la estimación emplea los datos de los t primeros elementos de la
muestra (t=K,K+1,...T). Una simple inspección visual de los K gráficos (uno por
coeficiente), y sus errores estándar, nos indica si los coeficientes se mantienen o no
estables a lo largo de la muestra.
vt
wt = t = K + 1,...T
1 + x´t ( X ´t −1 X t −1 ) −1 xt
Contraste CUSUM
wj
; t = K + 1,...T ; σˆ 2 = e´eT
t
Wt = ∑
j = K +1 σˆ T −K
Cuando los parámetros son constantes, la esperanza de W es cero. Se calculan los
límites de confianza mediante las expresiones siguientes:
Contraste CUSUMQ
Se basa en los sumatorios acumulados de los cuadrados de los residuos recursivos
reescalados. Su estadístico de prueba es:
∑w 2
j
CUSUMQ = j = K +1
T ; t = K + 1,...T
∑w
j = K +1
2
j
______________________________________
Manual de Econometría. Capítulo 5, página 24
1 2
© Carlos Murillo Fort y Beatriz González López-Valcárcel (2000)
1
Catedrático Universidad Pompeu Fabra
2
Catedrática Universidad de Las Palmas de GC
Bajo la hipótesis nula, el valor esperado del estadístico de prueba es, como el lector
t−K
puese constatar fácilmente, E (St ) =
T −K
Los valores críticos para calcular las bandas de confianza están tabulados y se
recogen en los paquetes econométricos al uso.
Test CUSUM
20
15
10
-5
-10
-15
48 50 52 54 56 58 60 62
CUSUM 5% Significance
Test CUSUMQ
______________________________________
Manual de Econometría. Capítulo 5, página 25
1 2
© Carlos Murillo Fort y Beatriz González López-Valcárcel (2000)
1
Catedrático Universidad Pompeu Fabra
2
Catedrática Universidad de Las Palmas de GC
1.6
1.2
0.8
0.4
0.0
-0.4
48 50 52 54 56 58 60 62
0.6
0.4
0.2
0.0
-0.2
-0.4
0.00
-0.6
0.05
0.10
0.15
48 50 52 54 56 58 60 62
______________________________________
Manual de Econometría. Capítulo 5, página 26
1 2
© Carlos Murillo Fort y Beatriz González López-Valcárcel (2000)
1
Catedrático Universidad Pompeu Fabra
2
Catedrática Universidad de Las Palmas de GC
Estabilidad del coeficiente de una de las variables
explicativas del modelo
0.15
0.10
0.05
0.00
-0.05
-0.10
-0.15
51 52 53 54 55 56 57 58 59 60 61 62 63
Con cierta frecuencia, hay varios modelos compatibles con la teoría que difieren en
sus variables explicativas. El proceso de búsqueda de especificación, o conjunto de
procedimientos para pasar de una especificación inicial a otra final que nos reconcilie
con los datos incluye herramientas estadísticas capaces de ayudarnos a tomar la
decisión adecuada sobre qué regresores introducir. No es ésta, como sabemos desde
el capítulo anterior, una cuestión baladí ya que los errores de especificación se pagan.
Hay un precio de omitir variables relevantes (sesgo) y otro por añadir variables
irrelevantes (pérdida de eficiencia).
(M1) H 0 : Y = Xβ + U 1 ; U 1 _N(0,σ 2 )
(M2) H 1 : Y = Xβ + Zγ + U 2 ; U 2 _N(0,ω 2 )
El contraste de inclusión de los regresores Z se basa en el conocido estadístico F que
computa cuánto se reduce la suma de cuadrados de los errores si se añaden las
variables Z al modelo restringido que solo tiene los regresores X:
(e ′1 e1 - e ′2 e2 )/ K 2
F( K 2 , n - K 1 - K 2 ) =
e ′2 e2 /(n - K 1 - K 2 )
______________________________________
Manual de Econometría. Capítulo 5, página 29
1 2
© Carlos Murillo Fort y Beatriz González López-Valcárcel (2000)
1
Catedrático Universidad Pompeu Fabra
2
Catedrática Universidad de Las Palmas de GC
mínimamente la muestra, eliminando unos pocos individuos, por ejemplo, se
modifique sustencialmente la selección de variables. Además, cuando se realiza una
batería de contrastes secuencialmente, los test sucesivos no son independientes de
forma que sus niveles de significación no son los aparentes porque las decisiones
sobre qué escribir como hipótesis nula y alternativa dependen de los resultados de los
contrastes previos y en último término del nivel de significación que se haya fijado
para hacerlos.
Se suele diferenciar entre los contrastes emparejados y los múltiples. En los primeros
se enfrentan dos modelos, el de la H0 y el de la H1. Su hipótesis alternativa, un solo
modelo, es simple. En los contrastes múltiples el modelo de la hipótesis nula se
enfrenta a varios modelos alternativos candidatos. Nos limitaremos al primer caso3,
cuyo planteamiento genérico es el siguiente: Dudamos entre los modelos M1 y M2
que contienen K1 y K2 regresores, X y Z respectivamente, no anidados:
3
Para una revisión de los contrastes de especificación no anidados, incluyendo los múltiples, M.McAleer (1995).
"Sherlock Holmes and the Search for Truth: A Diagnostic Tale", en L. Oxley, D.A.George, C.J. Roberts y S.Sayer (comp.)
Surveys in Econometrics. Basil Blackwell, cap.5 (pp. 91-138)
______________________________________
Manual de Econometría. Capítulo 5, página 30
1 2
© Carlos Murillo Fort y Beatriz González López-Valcárcel (2000)
1
Catedrático Universidad Pompeu Fabra
2
Catedrática Universidad de Las Palmas de GC
(M1) H 0 : Y = X β 1 + U 1 U 1 _N(0,σ 12 )
(M2) H 1 : Y = Z β 2 + U 2 U 2 _N(0,σ 22 )
Y = X β 1 + λ (Z βˆ 2 ) +U
Y = Xβ + Z * δ +U
H0 :δ = 0
(e ′1 e1 - e ′* e* )/p
F(p , n - K 1 - p) =
e ′* e* /(n - K 1 - p)
______________________________________
Manual de Econometría. Capítulo 5, página 32
1 2
© Carlos Murillo Fort y Beatriz González López-Valcárcel (2000)
1
Catedrático Universidad Pompeu Fabra
2
Catedrática Universidad de Las Palmas de GC
Un contraste para decidir entre la especificación lineal y la log-lineal: el
contraste PE
H 0 : y = Xβ + u
H 1 : ln Y = ln( X )γ + v
Se estima una regresión auxiliar, que es el modelo lineal (H0) al que se añade como
regresor la diferencia entre las predicciones del logaritmo de Y obtenidas de la
estimación de M2 y el logaritmo de las predicciones de Y obtenidas de estimar M1:
H 0 ln Y = ln( X )γ + v
H 1 : Y = Xβ + u
LnY = Ln( X )γ + α{Yˆ − e ln( Xβ } + ε
ˆ
______________________________________
Manual de Econometría. Capítulo 5, página 33
1 2
© Carlos Murillo Fort y Beatriz González López-Valcárcel (2000)
1
Catedrático Universidad Pompeu Fabra
2
Catedrática Universidad de Las Palmas de GC
PRINCIPIOS GENERALES DE CONTRASTACIÓN ESTADÍSTICA
LnL
dLnL(θ)d θ
LnLR RV LnL(θ)
C(θ)
ML Wald
0 θMV
θ^R
θ
H 0 : c(θ ) = q
H 1 : c(θ ) ≠ q
W = {(c(θˆ) − q )´}Var{c(θˆ − q ) −1}{c(θˆ − q )} ~ χ h2
δLnL(θˆR ) ˆ
ˆ
−1 δLnL (θ R )
LM = ( )´(I (θ R ) ( )
δθˆR δθˆR
que, bajo la hipótesis nula, se distribuye asintóticamente como una Ji-Cuadrado con
tantos grados de libertad como restricciones se imponen en la hipótesis nula.
______________________________________
Manual de Econometría. Capítulo 5, página 35
1 2
© Carlos Murillo Fort y Beatriz González López-Valcárcel (2000)
1
Catedrático Universidad Pompeu Fabra
2
Catedrática Universidad de Las Palmas de GC