4.5.

CONTRASTE DE CAMBIO ESTRUCTURAL (CONTRASTE DE CHOW)73

Ejemplo de contraste de Chow, Wooldridge

Supongamos que queremos contrastar que el mismo modelo de regresión de-
scribe la nota media en la universidad (GPA) de los atletas universitarios masculinos
y femeninos. La ecuación es:

GP A = β0 + β1 sat + β2 hsperc + β3 tothoras + ǫ

donde sat: resultado del test de aptitud escolar; hsperc: percentil de clasificación al
que pertenece el instituto; y tothoras: número de horas de clase de las asignaturas
universitarias. También está la variable semestre= 1 para el semestre de otoño =2
para el semestre de primavera.
Si queremos contrastar si hay diferencia entre hombres y mujeres del semestre
de primavera, deberemos contruir un modelo en el que el término constante pueda
diferir de un grupo a otro:

GP A = β0 + β1 mujer + β2 sat + β3 mujer × sat + β4 hsperc+

β5 mujer × hsperc + β6 tothoras + β7 mujer × tothorasǫ

El parámetro β1 es la diferencia entre el término constante entre hombres y

mujeres, β3 es el término de la diferencia de pendientes con respecto a sat entre ello,
y ası́ sucesivamente.
La hipótesis nula de que el modelo es el mismo para hombres y mujeres se
expresa:
H0 : β1 = β3 = β5 = β7 = 0 frente a H1 : al menos uno difiere de cero
Primero dividir los datos en los dos grupos:

data<-read.table("chow.txt", header=TRUE)
> names(data)
[1] "sat" "tothoras" "GPA" "mujer" "hsperc" "semestre"
> index<- which(data$semestre==2
> data2<-data[index,]
> attach(data2)
> length(GPA)
[1] 366

> chow.lm<-lm(GPA~1+ sat+hsperc+tothoras)

> summary(chow.lm)

Call:
74 CHAPTER 4. REGRESIÓN MÚLTIPLE CON VARIABLES CUALITATIVAS

lm(formula = GPA ~ 1 + sat + hsperc + tothoras)

Residuals:
Min 1Q Median 3Q Max
-1.59576 -0.31150 -0.01042 0.29369 1.35348

Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) 1.4908498 0.1836782 8.117 7.57e-15 ***
sat 0.0011850 0.0001648 7.191 3.71e-12 ***
hsperc -0.0099569 0.0012446 -8.000 1.70e-14 ***
tothoras 0.0023429 0.0007554 3.102 0.00208 **
---
Signif. codes: 0 ’***’ 0.001 ’**’ 0.01 ’*’ 0.05 ’.’ 0.1 ’ ’ 1

Residual standard error: 0.486 on 362 degrees of freedom

Multiple R-Squared: 0.3516, Adjusted R-squared: 0.3463
F-statistic: 65.44 on 3 and 362 DF, p-value: < 2.2e-16

> sum(residuals(chow.lm)^2)->SCR
> SCR
[1] 85.51507

> index<-which(mujer==1)
> GPA.1<-GPA[index]
> sat.1<-sat[index]
> hsperc.1<-hsperc[index]
> tothoras.1<-tothoras[index]
> GPA.2<-GPA[-index]
> sat.2<-sat[-index]
> hsperc.2<-hsperc[-index]
> tothoras.2<-tothoras[-index]

> chow.lm.1<-lm(GPA.1~1+sat.1+hsperc.1+tothoras.1)
> SCR.1<-sum(residuals(chow.lm.1)^2)
> SCR.1
[1] 19.60279
> sat[-index]->sat.2
> chow.lm.2<-lm(GPA.2~1+ sat.2+hsperc.2+tothoras.2)
> SCR.2<-sum(residuals(chow.lm.2)^2)
> SCR.2
4.5. CONTRASTE DE CAMBIO ESTRUCTURAL (CONTRASTE DE CHOW)75

[1] 58.75172
> SCR.irr<-SCR.1+SCR.2
> SCR.irr
[1] 78.3545
> ((SCR- SCR.irr)*358)/(SCR.irr*4)->F
> F
[1] 8.17911
> qf(0.05, 4, 358, lower.tail=FALSE)
[1] 2.396882

Por lo tanto rechazamos la hipótesis nula y por lo tanto una de las variables
de los términos cruzados no es estadı́sticamente significativa.
Estudiar la hipótesis nula H0 : β3 = β5 = β7 = 0. Sale F= 1.53, no rechazamos
la hipótesis nula. Esto significa que el mejor modelo es:

GP A = β0 + β1 mujer + β2 sat + β3 hsperc + β4 tothoras + ǫ

> chow.lm.4<-lm(GPA~1+ mujer+sat+hsperc+tothoras)

> summary(chow.lm.4)

Call:
lm(formula = GPA ~ 1 + mujer + sat + hsperc + tothoras)

Residuals:
Min 1Q Median 3Q Max
-1.55122 -0.29553 -0.01821 0.29436 1.18113

Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) 1.3285406 0.1798275 7.388 1.04e-12 ***
mujer 0.3100975 0.0586128 5.291 2.12e-07 ***
sat 0.0012144 0.0001591 7.635 2.04e-13 ***
hsperc -0.0084413 0.0012343 -6.839 3.43e-11 ***
tothoras 0.0024638 0.0007291 3.379 0.000806 ***
---
Signif. codes: 0 ’***’ 0.001 ’**’ 0.01 ’*’ 0.05 ’.’ 0.1 ’ ’ 1

Residual standard error: 0.4689 on 361 degrees of freedom

Multiple R-Squared: 0.3983, Adjusted R-squared: 0.3916