Información adicional del modelo de regresión múltiple.
Probando juegos de hipótesis conjuntas:
Hasta el momento sabemos calcular 3 tipos de hipótesis:
1) Con un solo coeficiente
2) Una combinación lineal de coeficientes 3) Una combinación no lineal de coeficientes
Una hipótesis nula con múltiples conjeturas es llamada una hipótesis conjunta:
Para esto se utilizará la información de Big Andy´s Burguer.
Probando el efecto de la publicidad: La prueba F.
Consideremos el siguiente modelo para explicar las ventas:
Es inmediato notar que si β3 =0 y β4 =0 entonces la publicidad no tendría efecto en
las ventas y viceversa. Por lo plantearemos el juego de hipótesis de la siguiente manera:
Con respeto a la hipótesis nula que nos dice que β3 =0 y β4 =0, por lo tanto es llamado modelo irrestricto ya que las restricciones en la hipótesis nula no son impuestas en el modelo.
En cambio un modelo como el siguiente en el que si se ve impuesto se le llama
modelo restringido. La prueba F para la hipótesis nula β3 =0 y β4 =0, está basada en la suma de los errores al cuadrado para el modelo irrestricto y del modelo restringido (SSEu y SSER respectivamente).
Agregar variables a la regresión reduce la suma de los errores al cuadrado, ya que
más de la variación de la variable dependiente puede ser explicada por el modelo y por ende menos atribuida al error. En términos de notación: SSER – SSEU ≥ 0.
Lo que hace la prueba F es evaluar si reducción es suficientemente grande para
ser significativa. Esto es, si se añaden variables extras pero estas a su vez explican muy poco de la variación de la variable dependiente entonces hay evidencia dada por la hipótesis nula de poder eliminar esas variables.
Por lo que finalmente el estadístico F queda de esta forma:
𝐽 ~𝐹𝑁−𝑘
Donde J es el numero de restricciones, N es el numero de observaciones y K el
numero de coeficientes en el modelo irrestricto. Modelo irrestricto:
Modelo restrictivo:
Si la hipótesis nula resulta ser falsa entonces implica que la diferencia entre SSR y SSU es grande con lo que las restricciones puestas en el modelo reducen significativamente la capacidad de ajustar los datos por medio del modelo.
(𝑆𝑆𝐸𝑅 −𝑆𝑆𝐸𝑈 )/𝑗 (1896.391−1532.084)/2
F= 𝑆𝑆𝐸𝑈 /(𝑁−𝐾) = 1532.084/(75−4) = 8.44
Pvalor = F(2,71) = 0.0005 con lo que a un nivel de significancia 0.05 por lo que rechazamos H0 y concluimos que alguno de los dos coeficientes es diferente de 0. Probando la significancia del modelo
Con lo anteriormente dicho podemos inferir la significancia del modelo completo si en
lugar de tomar J restricciones tomamos las K-1 variables explicativas. Esto implica que:
Esto ya que la varianza del modelo restringido coincide con la del modelo.
Haciendo las cuentas llegamos a:
Pvalor = 0.00000, por lo que prácticamente estaríamos rechazando la hipótesis nula con cualquier nivel de significancia.
Relación entre la prueba t y la prueba F.
Cuando probamos una sola igualdad en la hipótesis nula contra un “no igual” la prueba F y la prueba t pueden ser usadas indistintamente, esto se debe a que el cuadrado de una variable aleatoria t con k grados de libertad es igual a una variable aleatoria F con 1 grado de libertad en el numerador y k grados en el denominador.
