Capitulo III: El modelo lineal uniecuacional

En este capitulo se estudia la estimación de modelos desde un punto de vista distinto al del capitulo
II: se considera que la variable endógena Y se mide sobre una parte de una población, es decir, los n
datos constituyen una muestra aleatoria de esta población. Los resultados de la modelización se van
a extrapolar a la población generadora de la muestra.

Se necesitan utilizar las herramientas básicas de inferencia estadística. Conceptos como población-
muestra, estadístico muestral y su distribución (muestral), diferencia entre estimador como función
de una muestra genérica, es decir, como variable aleatoria, y estimación, o valor numérico de un
estadístico, estimación por punto y por intervalo, propiedades deseables de un estimador
(insesgadez, eficiencia, consistencia, suficiencia)....

Hay que recordar que estas propiedades son del estimador, es decir, de su distribución muestral (no
de las estimaciones). Así se estudian las propiedades muestrales de los coeficientes de regresión.
También se precisa hacer uso del concepto de test o contraste de hipótesis.

Libro: Econometría: modelos econométricos y series temporales

3.1. Estimación del modelo lineal

Apartados 1,2,3 y 4 (en el que se enuncian una serie de hipótesis a priori, que si son realistas en
la estimación de un modelo real (pueden no serlo) permiten desarrollar la teoría de la estimación.
Apartado 6: leerlo
3.2. Propiedades muestrales de los estimadores mínimo-cuadráticos
Continuación del punto 2.1. En el apartado 7 no es necesario ver como se calcula la matriz de

covarianzas V( b ).
Apartado 8 y 9 (en este no hace falta ver la demostración del teorema de Gauss-Markov, que
resume las propiedades de los estimadores mínimo-cuadráticos. Apartados 13 y 16 (este ultimo
constituye la base de los test T, y no es precisa la demostración.
3.3. Contrastes sobre los coeficientes del modelo.
Apartados 17 a 26. Los tests T son el objeto de este apartado; constituyen una herramienta
básica para especificar modelos, pero no hay que olvidar que el criterio básico para incluir una
variable exógena o endógena retardada como explicativa (predeterminada) en un modelo, es la
interpretabilidad y coherencia económica, y no la aplicación mecánica de los test T.
El concepto de probabilidad limite, p, es importante, y hay que diferenciarlo del nivel de
significación (α)
En cualquier test no deben emplearse mecánicamente niveles de significación α = 1% o 5%, y sí
la probabilidad limite. Hay que conocer la interpretación de p y formular los tests y las reglas de
decisión con rigor.
El ejemplo 1, pág. 95, debe realizarse con EViews. .
3.4. Contrastes de análisis de la varianza.
En este punto ver las hipótesis H0 y H1 del test (en el apartado 27) el estadístico F y su
distribución muestral. El ejemplo 2 se hace a la vez que el 1.
3.5. Análisis de los residuos de un modelo.
Apartados 42,43,44,45 (en éstos se tratan de nuevo los cambios de escala del apartado 16 del
capitulo II; volver a leerlo). En los apartados 46,47,48, 50 se introduce por primera vez la forma de
comprobar si las hipótesis a priori sobre las perturbaciones ( ) son realistas o no. Las hipótesis son
sobre las perturbaciones, no sobre los residuos. Y se introducen tests gráficos de heterocedasticidad
y autocorrelación (sobre estos conceptos se volverá en el tema V con mas profundidad). El ejemplo
4 se debe hacer con EViews.
3.6. Interpolación y predicción
Apartados 51,52,53,54 (sin demostración del calculo del intervalo de confianza). El apartado 55
es simplemente un caso particular del 54; leerlo solo. El ejercicio 5 es para leerlo; no para hacer los
cálculos (en un examen se pondría a lo sumo una predicción por intervalo en modelos de regresion
simple, en la parte practica). Apartados 56, 57 (leer), 58,59,60 y 62
3.7. Observaciones influyentes
Apartados 63, 64 (sin demostración), 66 y 67. Se completa en prácticas con un ejemplo en
ordenador, y se ampliará ligeramente.

Ejercicios propuestos (paginas 123 y sig.): 3,4,5,6 y 8.

Algunos ejemplos de preguntas de examen

Hipótesis a priori en un modelo lineal.

Propiedades muestrales de los estimadores mínimo cuadráticos.
estimación mínimo cuadrática.
Observaciones influyentes.
Medidas de ajuste: r2, BIC.
estimación y predicción por intervalo.
Contrastes T sobre los coeficientes de un modelo
Contrastes F .

Objetivos:

Al acabar el capitulo se deben manejar con soltura los conceptos muestrales básicos en modelos
lineales, y saber realizar la validación o contrastes usuales en el proceso de elaboración de un
modelo. Además se debe manejar EViews y ser capaz de reproducir manualmente los cálculos que
aparecen en listados EViews de estimación de modelos.

Erratas detectadas en el texto: cap. 3

Debe Decir
--------------------
Pág. 93, línea -1: p = 2Pr[Tbj > |t| ]
Pág. 95, líneas 5 a 8 X'X
20 3036 121.2 18754.2
3036 574618 18754.2 3537033
121.2 18754.2 999.94 152648.7
18754.2 3537033 152648.7 27682883
Pág.106, línea 13 = 1024.05
línea 14 asociada al ciclo es
línea 15 - 1024.05 = 230.59
línea 17 = 1024.05
línea 18 = 230.59 = 76.86
línea 22 = 76.86 / 1.42 = 54.34
 línea -1 = 1024.05/1.42 = 723.54
Pág.117 línea 19 sef debe estar elevada al cuadrado

Contrastes de Hipótesis

En el anexo II del capitulo I aparece un recordatorio de distintos conceptos estadisticos.

Los metodos estadisticos tratan de obtener información sobre colectivos a partir de muestras.
Algunas técnicas básicas son las de estimación de parámetros por punto, por intervalo y los
contrastes de hipótesis.

En cualquier contraste de hipótesis podemos distinguir una serie de puntos, que pueden ser
aplicados a lo largo de la asignatura, en todos los contrastes:

1. Población objeto de estudio en la que se mide una variable Y

La distribución de Y es, en general, desconocida. Sin embargo en muchos métodos estadísticos se
hace una suposición o hipótesis a priori, sobre su distribución; por ejemplo, en los modelos lineales
se ha supuesto que Y es Normal, etc....
Estas hipótesis a priori no tienen porque ser ciertas, pero las admitimos para desarrollar la teoría.
Posteriormente hay que comprobar si los datos son concordantes con éstas, o no.
2. Objetivos: para que es el contraste. Se resumen en la formulación de las dos hipótesis: H0 y H1
3. Diseño muestral: forma de realizar el muestreo. Generalmente se supondrá que el muestreo es
aleatorio simple, con n observaciones.
4. Estadístico: función de la muestra, es decir, es la forma en que 'procesaremos' los datos que se
van a tomar. El comportamiento del estadístico dependerá, además de su forma, de la distribución
supuesta para Y, y se estudia suponiendo cierta H0. Esto introduce una asimetría en el
planteamiento.
5. Regla de decisión de nivel de significación α: esta formada por dos conjuntos, C0 o región de
aceptación, y C1 o región crítica. Están relacionadas con el estadístico a usar.
Una regla de decisión C0, C1 producirá a veces decisiones correctas y otras erróneas. Los dos tipos
de decisiones erróneas son:
error de tipo I: se comete al rechazar H0 siendo cierta
error de tipo II: se comete al rechazar H1 siendo cierta
La máxima probabilidad de cometer error de tipo I se denomina nivel de significación, y se emplea
la letra α para representarlo.
Usando la distribución muestral del estadístico, suponiendo cierta H0, se determina la regla de
decisión C0,C1 de nivel α. Lógicamente esto dependerá de la verificación de las hipótesis a priori.
La valoración de α es extraestadística, y en modo alguno se deben emplear mecánicamente los
niveles α = 0.05 y 0.01 como si fueran 'niveles mágicos'.
...........................................
En estos 5 puntos anteriores, se resumen el planteamiento metodológico de cualquier test. Ahora
vamos a aplicarlo:
6. Toma de datos muestrales: y1, y2, ...yn y determinación del valor del estadístico.
Con el valor numérico del estadístico se obtiene la probabilidad limite
p = Pr[ de obtener valores 'igual o más extremos' que el obtenido con el estadístico]
Esta probabilidad se obtiene con la distribución muestral del estadístico.
Decisión a nivel α. Para decidir puede procederse de dos formas: Calculando el estadístico y
comprobando se pertenece a C0 o a C1, o bien con la probabilidad limite p hallada (esto es lo
aconsejable, siempre), teniendo en cuenta que
 p > α <==> el estadístico pertenece a C0
p ≤ α <==> el estadístico pertenece a C1

No olvidar que es preciso expresar los resultados de un test correctamente: aceptar una hipótesis (a
nivel α) no quiere decir que ésta sea cierta. El nivel de significación expresa el limite del riesgo que
estamos dispuestos a correr de cometer error de tipo I (rechazar H0 cuando realmente es cierta); el
valor de alfa se fija en función de nuestros objetivos. El fijar un nivel bajo para α supone
incrementar la probabilidad de cometer error de tipo II (rechazar H1 siendo cierta); si nos preocupa
mas la posibilidad de cometer error de tipo II, la única forma de proceder es aumentar el valor de α.
---------------------------------------------------------------------