Documentos de Académico
Documentos de Profesional
Documentos de Cultura
8. SEXTO MÓDULO
8.1 I NTRODUCCIÓN
Los análisis de regresión, son modelos que cuentan con una expresión
matemática sencilla que relaciona una variable de interés con otras, llamadas
variables explicativas, pero que adicionalmente agrega una componente estocástica
que explique las variaciones existentes entre las variables observadas y las esperadas
a través del modelo matemático propuesto, donde se deberá encontrar la función
matemática que ajuste de manera razonablemente bien a un conjunto de datos, a partir
de algunos métodos de estimación entre los que se destaca el de mínimos cuadrados.
La palabra regresión parte en 1822, por Sir Francis Galton (1822 – 1911),
primo de Charles Darwin. Galton que estudiaba la eugenesia, término también
introducido por sí mismo para definir el estudio de la mejora de la raza humana a
partir de los rasgos hereditarios.
Galton estudió la altura de los hijos con relación a la altura de sus padres, y
probó que la altura de hijos altos “regresaba” hacia el promedio de la altura de la
población a lo largo de sucesivas generaciones. En otras palabras, hijos de padres
extraordinariamente altos tendían a ser en promedio más bajos que sus padres, e hijos
de padres muy bajos tendían a ser en promedio más altos que sus padres. Galton, en
su estilo aristocrático, la llamó una ‘regresión hacia la mediocridad’.
144
Universidad Técnica Federico Santa María Renato Allende Olivares
Econometría ICN 312 Humberto Villalobos Torres
donde:
145
Universidad Técnica Federico Santa María Renato Allende Olivares
Econometría ICN 312 Humberto Villalobos Torres
146
Universidad Técnica Federico Santa María Renato Allende Olivares
Econometría ICN 312 Humberto Villalobos Torres
En estricto rigor se considera que las variables Yi, son variables aleatorias, que
para poder encontrar la relación entre las variables se realiza un proceso de medición
para logras establecer la relación de las variables a través de un conjunto de datos.
147
Universidad Técnica Federico Santa María Renato Allende Olivares
Econometría ICN 312 Humberto Villalobos Torres
148
Universidad Técnica Federico Santa María Renato Allende Olivares
Econometría ICN 312 Humberto Villalobos Torres
Se busca determinar los estimadores "0 y "1 que minimicen &i cuadráticos.
Esto se resuelve mediante las derivadas parciales, con respecto a cada parámetro, que
son igualadas a cero, es decir:
n n
g (ε i2 ) = ∑
i =1
ε i2 = ∑(y − β
i =1
i 0 − β1 x i ) 2
tal que:
n n
∂ ∑
i =1
ε i2 n
∂ ∑ε
i =1
2
i n
∂β 0
= −2 ∑(y − β
i =1
i 0 − β1 xi ) , y
∂β 1
= −2 ∑(y − β
i =1
i 0 − β1 xi ) x i
n n
∂ ∑ &i2
i =1
∂ ∑&
i =1
2
i
=0 y =0
∂β 0 ∂ β1
n
∑ ( y i − y )( x i − x ) Sx y
"ɵ 1 = i = 1 =
n Sx x
∑ ( xi − x ) 2
i =1
"ɵ 0 = y - x "ɵ 1
149
Universidad Técnica Federico Santa María Renato Allende Olivares
Econometría ICN 312 Humberto Villalobos Torres
adecuado para realizar buenos pronósticos, pues para lograr inferencias respecto a la
adecuidad del modelo, sus parámetros o sus pronósticos, son necesarios
distribuciones de probabilidad.
yˆ i = βˆ 0 + βˆ1 xi (8.2)
yˆ i = y − x βˆ1 + βˆ1 x i
yˆ i = y + βˆ1 ( x i − x ) (8.3)
n n n
∑ ( yi − y )( xi − x ) ∑ ( yi − y )( xi − x ) ∑ (x − x )
i =1
i
2
rp = i =1
= i =1
×
n n n n n
∑ (x − x ) ∑ ( y − y )
i =1
i
2
i =1
i
2
∑ (x − x ) ∑ ( y − y )
i =1
i
2
i =1
i
2
∑ (x − x)
i =1
i
2
n
n
∑ ( yi − y )( xi − x )
n
∑ ( xi − x )2 ∑ (x − x)
i =1
i
2
sx
rp = i =1
2
× i =1
= β1 × = β1 ×
n n n sy
∑ ( xi − x )
2
∑( y − y)
i =1
i
2
∑ ( y − y)
i
2
i =1 i =1
150
Universidad Técnica Federico Santa María Renato Allende Olivares
Econometría ICN 312 Humberto Villalobos Torres
de esta relación se obtiene que el estimador del coeficiente β1 se escribe a través del
estimador del coeficiente de asociación lineal de Pearson como:
sx sy
r p = β̂ 1 ⇒ β̂ 1 = r p
sy sx
sx
yˆ i = y + r p ( xi − x ) (3.4)
sy
P [M/US$] 10 12 8 17 10 15 10 14 19 10 11 13 16 10 12
Q [M/US$] 15 17 13 23 16 21 14 20 24 17 16 18 23 15 16
Diagrama de Dispersión
26
Q [M/US$]
22
18
14
10
7 9 11 13 15 17 19 21
P[M/US$]
Sxx = ∑ (x − x)
i
2
= 137,7333 Syy = ∑ ( y − y)
i
2
= 171,7333
151
Universidad Técnica Federico Santa María Renato Allende Olivares
Econometría ICN 312 Humberto Villalobos Torres
S xy S xy
β1 = = 1,0813 ⇒ β0 = y - B x = 4,3865 ⇒ rp = = 0,9684
S xx S yy S xx
171,7333
ŷ i = 17,8667 + 0,9684 (xi – 12, 4667) (8.4)
137,7333
APLICACIÓN 3.2: Los datos a continuación representan una muestra reducida de los
tiempos de transporte y el porcentaje de capacidad no utilizada por camiones de una
empresa de transporte.
Diagrama de Dispersión
80
Tiempos de
Transporte
60
40
20
0
7 9 11 13 15 17 19 21 23
% de Capacidad no Utilizada
152
Universidad Técnica Federico Santa María Renato Allende Olivares
Econometría ICN 312 Humberto Villalobos Torres
1
ln = "0 + "1 Xi + &i
Yi
1
Yi* = "0 + "1 Xi + &i Yi* = ln
Yi
Con los datos se puede obtener:
15
∑yx * *
i i − ny x
− 265,1626 − 15 × −1,7400 ×13,0367
βˆ1 = i =1 =
15
2796,1975 − 15 × (13,0367) 2
∑i =1
x i2 − n x 2
75,0986
= = 0,304
246,8773
con los datos se puede obtener la ecuación de regresión ajustada entre el porcentaje de
capacidad no utilizada y el logaritmo del inverso del tiempo de transporte, la cual está
dada por:
yˆ i* = −5,706 + 0,304 x i
sx 17,6341
r p = β̂ 1 = 0,304 = 0,7581
sy 2,8356
153
Universidad Técnica Federico Santa María Renato Allende Olivares
Econometría ICN 312 Humberto Villalobos Torres
de capacidad no utilizada del camión del 19,5%, la cual está dada por:
luego,
1
Yi* = ln = 0,222 ⇒ ŷ = exp{– 0,222} = 0,80 [u.t.]
Yi
Diagrama de Dispersión
30
Rentabilidad
20
10
0
0 2 4 6 8 10 12 14 16 18
Tiempo
15
∑yx *
i i − n y*x
2451,7 − 16 × −8,5 × 15,094 398,92
βˆ1 = i =1 = = = 1,1733
15
1496 − 16 × (8,5) 2 340,00
∑
i =1
xi2 − n x 2
154
Universidad Técnica Federico Santa María Renato Allende Olivares
Econometría ICN 312 Humberto Villalobos Torres
ŷ i = 7,767 + 1,1733 xi
155
Universidad Técnica Federico Santa María Renato Allende Olivares
Econometría ICN 312 Humberto Villalobos Torres
Sean Y1, ... , Yn variables aleatorias independientes, tal que y1, ... , yn son
observaciones de Y1, ... , Yn respectivamente. Si la estructura del error se asume tiene
distribución Normal (Ver Pág. 148), entonces es posible suponer que:
1 1
f Yi ( y i ) = exp − ( y i − ( β 0 + β1 x i )) 2
2π σ 2σ 2
156
Universidad Técnica Federico Santa María Renato Allende Olivares
Econometría ICN 312 Humberto Villalobos Torres
∏
1 1
_(β0, β1, 5 ; Y1, ... , Yn) =
2
exp − ( y i − ( β 0 + β 1 x i )) 2
i =1
2π σ 2σ 2
1
n 1 n
=
2π σ
exp −
2σ
2 ∑
i =1
( y i − ( β 0 + β 1 x i )) 2
1
l(β 0, β 1, 52; Y ) = g(52) – D(β0, β1)
2σ 2
donde:
n
g(52) = − log (2πσ 2 )
2
n
D(β 0, β 1) = ∑(y − β
i =1
i 0 − β1 xi ) 2
Para un valor de σ2, los valores de (β 0, β1) que maximiza l(β0, β1, 52; Y )
157
Universidad Técnica Federico Santa María Renato Allende Olivares
Econometría ICN 312 Humberto Villalobos Torres
Para minimizar D(β0, β1) mediante las derivadas parciales, con respecto β0, β 1
y σ son obtenido e igualando a cero, entonces
2
n
∂D( β 0 , β1 )
∂β 0
= −2 ∑(y − β
i =1
i 0 − β1 x i )
y
n
∂D( β 0 , β1 )
∂β 1
= −2 ∑(y − β
i =1
i 0 − β1 x i ) xi
que son llamadas ecuaciones normales, las cuales tienen solución a través de:
∂D( β 0 , β1 ) ∂D( β 0 , β1 )
=0 y =0
∂β 0 ∂β1
las segundas derivadas de D(β0, β1) son positivas, que garantizan que las soluciones
minimizan a D(β 0, β1). Por lo tanto, son los estimadores máximos verosímil de β0 y
β 1:
∑ ( y − y )( x − x )
i =1
i i
Sx y sy
βˆ1 = n
= = rp
Sx sx
∑
i =1
( xi − x ) 2
βɵ 0 = y − βɵ 1 x
n 1
l( β̂ 0 , β̂ 1 , 52; Y ) = − log (2πσ 2 ) – D( β̂ 0 , β̂ 1 )
2 2σ 2
158
Universidad Técnica Federico Santa María Renato Allende Olivares
Econometría ICN 312 Humberto Villalobos Torres
∂l ( βˆ 0 , βˆ1 , σ 2 ; Y )
n 1
=− + D( β̂ 0 , β̂ 1 ) = 0
∂σ 2 2σ 2 2σ 4
tal que:
n
1 1
σˆ = D( βˆ 0 , βˆ1 ) =
2
n n ∑(y − β
i =1
i 0 − β1 xi ) 2
3.3.1 Suficiencia
recordando que un estadístico T( Y ) = T(Y1, ... , Yn) se dice ser suficiente para θ si la
l( θ ; Y ) = a{ θ ; T( Y )} + b( Y )
n 1
l( θ ; Y ) = − log (2πσ 2 ) – D( β̂ 0 , β̂ 1 )
2 2σ 2
159
Universidad Técnica Federico Santa María Renato Allende Olivares
Econometría ICN 312 Humberto Villalobos Torres
n
n 1
l( θ ; Y ) = − log (2πσ 2 ) – ∑(y − β − β1 xi ) 2
i 0
2 2σ 2 i =1
n 1 n n
l( θ ; Y ) = − log (2πσ 2 ) – ∑ + ∑ (β + β1 xi ) 2
y i2
2 2σ 2 0
i =1 i =1
n
−2 ∑ y i (β 0 + β1 xi )
i =1
n n
n 1 1
l( θ ; Y ) = − log (2πσ 2 ) – ∑ y i2 − ∑ (β + β1 x i ) 2
0
2 2σ 2 i =1
2σ 2
i =1
n n
β0 β1
+
σ2
∑y +σ ∑y x
i =1
i 2
i =1
i i
Entonces se encuentra el estadístico T( Y ) = (T1( Y ),T2( Y ),T3( Y )), que son
estadísticos suficiente para (β0, β1, 52), donde:
n n n
∑ Yi2 ; ∑ ∑x Y ,
T1( Y ) = T2( Y ) = Yi ; T3 ( Y ) = i i
i =1 i =1 i =1
3.3.2 Insesgamiento
160
Universidad Técnica Federico Santa María Renato Allende Olivares
Econometría ICN 312 Humberto Villalobos Torres
n
∑ (Y i − Y )( x i − x )
„[ β̂ 1 ] = „ i =1
n
∑ i =1
( xi − x ) 2
n n n
xi
∑ Y ( xi − x ) = Y ∑ ( xi − x ) = Y n ∑ − nx = Y (n x − n x ) = 0
n
i =1 i =1 i =1
luego,
n
∑ Yi ( x i − x )
1
n 1
n
„[ β̂ 1 ] = „
i =1
n
= E
S xx i =1
∑
( x i − x )Yi =
S xx ∑ ( x − x )E[Y ]
i =1
i i
∑ i =1
( xi − x ) 2
Como, „[Yi] = .i = β0 + β 1 xi, luego reemplazando se tiene:
n n
1 1
„[ β̂ 1 ] =
S xx ∑i =1
( xi − x )E[Yi ] =
S xx ∑ ( x − x )(β
i =1
i 0 + β1 xi )
1
n n
= ∑ ( xi − x )β 0 + ∑ ( xi − x ) β1 x i
S xx
i =1 i =1
n n
1 1 1
=
S xx ∑ i =1
( xi − x )β1 xi =
S xx
β1 ∑ (x − x) x
i =1
i i =
S xx
β 1 Sxx = β1
1 n
„[ β̂ 0 ] = „[ Y − x "ˆ 1 ] = „[ Y ] – „[ x "ˆ 1 ] = „
n ∑
i =1
Yi – x β1
161
Universidad Técnica Federico Santa María Renato Allende Olivares
Econometría ICN 312 Humberto Villalobos Torres
n
1
=
n ∑ E[Y ] –
i =1
i x β1
n
1
=
n ∑ (β
i =1
0 + β1 x i ) – x β 1
= β0 + x β1 – x β1 = β 0
σ2
„[ β̂ 1 ] = β1 y •[ β̂ 1 ] =
S xx
n
σ2 ∑x
i =1
2
i
„[ β̂ 0 ] = β0 y •[ β̂ 0 ] =
n S xx
σ
2 σ2
n
β̂ 1 ∼ N β1 ;
y β̂ 0 ∼ N β 0 ; ∑ x i2
S xx n S xx
i =1
162
Universidad Técnica Federico Santa María Renato Allende Olivares
Econometría ICN 312 Humberto Villalobos Torres
1 n
σˆ 2 = ∑ ( yi - yˆ i ) 2
n − 2 i =1
βˆ − β
T = 1 1 S xx ∼ t (n – 2) (3.5)
σˆ
βˆ − β
t1−α /2 (n − 2) ≤ 1 1 S xx ≤ t1−α /2 (n − 2) = 1 – α = γ
σˆ
de donde se obtiene, que el intervalo del γ% de confianza para β1 está dado por:
σˆ 2 ˆ σˆ 2
Iγ%C(β1) = βˆ1 − t1−α /2 (n − 2) ; β1 + t1−α /2 (n − 2)
S xx S xx
163
Universidad Técnica Federico Santa María Renato Allende Olivares
Econometría ICN 312 Humberto Villalobos Torres
H0 : β1 = β 1 / Ho v/s H1 : β1 ≠ β1 / Ho
donde, β1 / Ho representa el valor del parámetro bajo la hipótesis nula (H0). Entonces
la regla de decisión asociada al estadístico de prueba (3.5),bajo H0, estaría dado por
σˆ 2 σˆ 2
eW:{ β̂ 1 / β̂ 1 < −t1−α /2 (n − 2) + β1 / Ho ∨ β̂ 1 > t1−α /2 (n − 2) + β 1 / Ho }
S xx S xx
la cual es equivalente a:
βˆ1 − β 1 / Ho
eW: βˆ1 / S xx > t1−α / 2 (n − 2)
σˆ
t( y ) = t 1– p / 2(n – 2)
La cual define el ‘valor p’ de esta prueba. La cual indica que para cualquier
valor p obtenido en una prueba que sea menor que algún error tipo I, α, dado por el
investigador, entonces se rechazaría la hipótesis nula.
βˆ − β
T= 0 0
nS xx ∼ t (n – 2) (3.6)
σˆ ∑ x 2
i
164
Universidad Técnica Federico Santa María Renato Allende Olivares
Econometría ICN 312 Humberto Villalobos Torres
βˆ − β
t1−α /2 (n − 2) ≤ 1 1 n S xx ≤ t1−α /2 (n − 2) = 1 – α = γ
σˆ ∑ xi2
de donde se obtiene, que el intervalo del γ% de confianza para β0 está dado por:
σˆ 2 n
σˆ 2 n
Iγ%C(β0) = βˆ0 − t1−α /2 (n − 2) ∑x 2
i ; βˆ0 + t1−α /2 (n − 2) ∑x i
2
nS xx i =1 nS xx i =1
H0 : β0 = β 0 / Ho v/s H1 : β0 > β 0 / Ho
donde, β 0 / Ho representa el valor del parámetro bajo la hipótesis nula (H0). Entonces
la regla de decisión asociada al estadístico de prueba (3.6), bajo H0, estaría dado por
σˆ 2 n
eW:{ β̂ 0 / β̂ 0 > t1−α (n − 2) ∑x i
2
+ β 0 / Ho }
nS xx i =1
la cual es equivalente a:
βˆ − β
eW: βˆ0 / 0 0 / Ho
nS xx > t1−α (n − 2)
σˆ ∑ x 2
i
165
Universidad Técnica Federico Santa María Renato Allende Olivares
Econometría ICN 312 Humberto Villalobos Torres
( n − 2)σˆ 2
χ= ∼ χ 2 (n − 2 ) (3.7)
σ 2
(n − 2)σˆ 2
χ α / 2, ( n − 2 ) ≤ ≤ χ 1−α / 2, ( n − 2) = 1 – α = γ
σ2
de donde se obtiene, que el intervalo del γ% de confianza para σ2 está dado por:
(n − 2)σˆ 2 (n − 2)σˆ 2
Iγ%C(σ2) = ;
χ α / 2, ( n − 2) χ 1−α / 2, ( n − 2)
H0 : σ2 = σ Ho
2
v/s H1 : σ2 < σ Ho
2
donde, σ Ho
2
representa el valor del parámetro bajo la hipótesis nula (H0). Entonces la
regla de decisión asociada al estadístico de prueba (3.7), bajo H0, estaría dado por
(n − 2)
eW:{ σˆ 2 / σˆ 2 < χ α , ( n − 2) }
σ Ho
2
(n − 2)σˆ 2
la cual es equivalente a: eW: σˆ 2 / < χ α , ( n − 2)
σ Ho
2
166
Universidad Técnica Federico Santa María Renato Allende Olivares
Econometría ICN 312 Humberto Villalobos Torres
µ̂ Y / x p ∼ N( µ Y / x p ; •[ µ̂ Y / x p ])
donde:
„[ µ̂ Y / x p ] = „[ βˆ 0 + βˆ1 x p ] = „[ β̂ 0 ] + „[ β̂ 1 x p ] = β0 + xp β1.
•[ µ̂ Y / x p ] = •[ βˆ 0 + βˆ1 x p ] = •[ Y + βˆ1 ( x p − x ) ]
n
( xi − x )
= •[ Y + ∑ i =1
S xx
Yi ( x p − x ) ]
1 n
(x p − x) n
= •
n ∑
i =1
Yi +
S xx ∑
i =1
( x i − x )Yi
n 1 ( x p − x )( x i − x )
= •
i =1∑ +
n
S xx
Yi
2
1 ( x p − x )( x i − x )
n
= ∑i =1
+
n
S xx
V[Yi ]
2
1 ( x p − x )( x i − x ) 2
n
= ∑i =1
+
n
S xx
σ ,
167
Universidad Técnica Federico Santa María Renato Allende Olivares
Econometría ICN 312 Humberto Villalobos Torres
n 1 ( x p − x )( x i − x ) (( x p − x )( x i − x )) 2
•[ µ̂ Y / x p ] = σ 2
∑
i =1
n2
+2
n S xx
+
2
S xx
(x p − x) n
(x p − x) 2 n
2 1
=σ +2 ∑ ( xi − x ) + ∑ ( xi − x ) 2
n n S xx 2
S xx
1 1
( x p − x ) 2
2 1
=σ +
n S xx
( x p − x ) 2
2 1
µ̂ Y / x p ∼ N(β0 + xp β1; σ + )
n S xx
µˆY / x p − µY / x p
T= n S xx ∼ t (n – 2) (8.8)
σˆ ( S xx − n ( x p − x ) 2
µˆY / x p − µY / x p
−t1−α /2 (n − 2) ≤ n S xx ≤ t1−α /2 (n − 2) = 1 – α = γ
σˆ ( S xx − n ( x p − x ) 2
de donde se obtiene, que el intervalo del γ% de confianza para µ Y / x p está dado por:
168
Universidad Técnica Federico Santa María Renato Allende Olivares
Econometría ICN 312 Humberto Villalobos Torres
1 ( x − x )2
Iγ%C( µ Y / x p ) = µˆY / x p ∓ t1−α /2 (n − 2) σˆ 2 + p
n
S xx
H0 : µ Y / x p = µ / Ho v/s H1 : µ Y / x p > µ / Ho
( x p − x )2
2 1
e.W.: µˆY / x p / µˆY / x p > t1−α (n − 2) σˆ + + k
n S xx
la cual es equivalente a:
µˆY / x p − µ /Ho
n S xx > t1−α / 2 (n − 2)
eW: µˆY / x p /
σˆ 2 ( S xx − n ( x p − x ) 2
Yˆ/ x p = β̂ 0 + β̂ 1 x p Y/ x p = β0 + β1xp + εp
Por lo tanto el error de predicción está dado por:
169
Universidad Técnica Federico Santa María Renato Allende Olivares
Econometría ICN 312 Humberto Villalobos Torres
2x2 x2
=σ +1 + σ 2 p – 2xp σ 2 x + σ 2
n S S xx S xx
xx
luego,
x2 x 2p
2 1
+ 1
x
•[ Y/ x p – Y/ x p ] = σ
ˆ + + − 2x p
n S xx S xx S xx
1 x + x p − 2 x p x
2 2 1 (x p − x) 2
2 2
= σ 1+ + = σ 1+ +
n S xx n S xx
1 (x p − x) 2
2 )
Y/ x p ∼ N(β0 + xp β1; σ 1 + +
ˆ
n S xx
170
Universidad Técnica Federico Santa María Renato Allende Olivares
Econometría ICN 312 Humberto Villalobos Torres
Yˆ/ x p − Y/ x p
T= n S xx ∼ t (n – 2) (3.9)
σˆ (nS xx + S xx − n ( x p − x )2
1 ( x − x )2
Iγ%P( Y/ x p ) = µˆY / x p ∓ t1−α /2 (n − 2) σˆ 2 1 + + p
n S xx
n
SCT = ∑ (Y − Y )
i =1
i
2
(8.9)
171
Universidad Técnica Federico Santa María Renato Allende Olivares
Econometría ICN 312 Humberto Villalobos Torres
pequeña posible, en relación a la SCT, para que exista muy poca variabilidad que no
este explicada por el modelo. Luego la descomposición de SCT sería:
n n
∑ (Y − Y ) = ∑ (Y − Yˆ + Yˆ − Y )
i =1
i
2
i =1
i i i
2
n n n
= ∑i =1
(Yi − Yˆi ) 2 + 2 ∑
i =1
(Yi − Yˆi )(Yˆi − Y ) + ∑ (Yˆ − Y )
i =1
i
2
n n n
∑ i =1
(Yi − Yˆi )(Yˆi − Y ) = ∑
i =1
(Yi − Yˆi )Yˆi – ∑ (Y − Yˆ )Y
i =1
i i
n n
∑i =1
(Yi − Yˆi )Yˆi = ∑ (Y − Y − βˆ ( x − x ))(Y − βˆ ( x − x ))
i =1
i 1 i 1 i
n n
= ∑ i =1
Yi (Y − βˆ1 ( x i − x )) – ∑ Y (Y − βˆ ( x − x )) –
i =1
1 i
∑ βˆ ( x − x )(Y − βˆ ( x − x )) –
i =1
1 i 1 i
n n
=n Y 2
– β̂ 1 ∑ Y (x − x) – n Y
i =1
i i
2
+ Y β̂1 ∑ (x − x) –
i =1
i
n n
Y β̂1 ∑ (x − x) + ∑ (x − x)
i =1
i β̂ 12
i =1
i
2
n n
= β̂ 12 ∑ (x − x)
i =1
i
2
– β̂ 1 ∑ Y (x − x)
i =1
i i
172
Universidad Técnica Federico Santa María Renato Allende Olivares
Econometría ICN 312 Humberto Villalobos Torres
n
S xx
= βˆ12 S xx – β̂ 1 ∑ Y (x − x) S
i =1
i i
xx
n
Yi ( x i − x )
= βˆ12 S xx – β̂ 1 ∑ i =1
S xx
× S xx = βˆ12 S xx – βˆ1 × βˆ1 × S xx = 0
n n
∑
i =1
(Yi − Yˆi )Y = Y ∑ (Y − Y − βˆ ( x − x ))
i =1
i 1 i
n
=n Y 2
–n Y 2
– Y β̂1 ∑ (x − x) = 0
i =1
i
n n n
∑ (Y − Y ) = ∑
i =1
i
2
i =1
(Yi − Yˆi ) 2 + ∑ (Yˆ − Y )
i =1
i
2
173
Universidad Técnica Federico Santa María Renato Allende Olivares
Econometría ICN 312 Humberto Villalobos Torres
H0 : β1 = β 1 / Ho v/s H1 : β1 ≠ β1 / Ho
donde, β1 / Ho representa el valor del parámetro bajo la hipótesis nula (H0). Sin
embargo, la regla de decisión no es análoga a la vista en sesiones anteriores, pues aquí
se hace el uso de que la razón entre el cuadrado medio de regresión y el cuadrado
medio de residuos se comporta como una distribución F de Snedecor, con los grados
de libertad respectivos. Entonces la regla de decisión asociada a este nuevo estadístico
de prueba, bajo H0, estaría dado por:
n n
SCR = ∑i =1
(Yˆi − Y ) 2 = ∑ (Y + βˆ ( x − x ) − Y )
i =1
1 i
2
n
= ∑ (βˆ ( x − x ))
i =1
1 i
2
n n
= ∑
i =1
( βˆ1 ( x i − x )) 2 = βˆ12 ∑ (x − x)
i =1
i
2
= β̂ 12 S xx
2
n s 2y S yy
2
r S
SCR = ∑ (Yˆ − Y )
i =1
i
2
= β̂ 12 S xx = rp
s x2
S =
xx p S
xx
xx
174
Universidad Técnica Federico Santa María Renato Allende Olivares
Econometría ICN 312 Humberto Villalobos Torres
= r p2 S yy = (n − 1)r p2 s 2y
n n
SCE = ∑
i =1
(Yi − Yˆi ) 2 = ∑ (Y − Y − βˆ ( x − x ))
i =1
i 1 i
2
n
= ∑ ((Y − Y )
i =1
i
2
+ βˆ12 ( x i − x ) 2 − 2(Yi − Y ) βˆ1 ( xi − x ))
n
= SCT + β̂ 12 S xx – 2βˆ1 ∑ (Y − Y )( x − x )
i =1
i i
n
(Yi − Y )( x i − x )
= SCT + β̂ 12 S xx – 2 S xx β̂ 1 ∑
i =1
S xx
175
Universidad Técnica Federico Santa María Renato Allende Olivares
Econometría ICN 312 Humberto Villalobos Torres
n
SCR = ∑ (Yˆ − Y )
i =1
i
2
= R 2 S yy
n
SCE = ∑ (Y − Yˆ )
i =1
i i
2
= SCT – SCR = Syy – R 2 S yy = (1 – R2) Syy
R 2 S yy (n − 2) R 2 (n − 2)r p
2
CMR ( n − 2)
F= = × = = (3.11)
CME (1 − R 2 ) S yy 1 (1 − R 2 ) (1 − r p2 )
σ 2y σ x2
H0 : β1 = β 1 / Ho ⇔ H0 : ρ = β1 / Ho ⇔ H0 : ρ = β1 / Ho = ρ/Ho
σ x2 σ y2
v/s v/s v/s
σ y2 σ x2
H1 : β1 ≠ β 1 / Ho ⇔ H1 : ρ ≠ β 1 / Ho ⇔ H1 : ρ ≠ β 1 / Ho ≠ ρ/Ho
σ x2 σ y2
donde, ρ/Ho representa el valor del parámetro bajo la hipótesis nula (H0). Entonces la
regla de decisión asociada al estadístico de prueba (3.11),bajo H0, estaría dado por
ŷ i = 4,3865 + 1,0813 xi
176
Universidad Técnica Federico Santa María Renato Allende Olivares
Econometría ICN 312 Humberto Villalobos Torres
1 S yy × S xx − S xy
2
σˆ 2
= = 0,82263
n−2 S xx
1 (x p - x) 2
I95%C(µY/x) : [14,1182 ∓ t1–α/2 (n – 2) σˆ + ] : [13,7192 ; 14,5172]
n n
∑ (x
i=1
i - x) 2
H0 : β1 = 0 v/s H1 : β1 ≠ 0
−1 / 2
n
eW : { β̂1 / β̂ 1 < – t0,975 (13) σˆ ∑ ( xi - x ) 2 ∨
i =1
−1 / 2
n
β̂ 1 > t0,975 (13) σˆ ∑( xi - x ) 2 }
i =1
yˆ i* = −5,706 + 0,304 xi
177
Universidad Técnica Federico Santa María Renato Allende Olivares
Econometría ICN 312 Humberto Villalobos Torres
15
*
ˆ
SCE = SCT – β1 ×
∑
*
y i x i − n y x = 39,6981 – 0,304 x 75,0986 = 16,8536
i =1
F. de V. g.l. SC CM Fobs
Regresión 1 22,8445 22,8446 17,6212
Residuos 13 16,8536 1,2964
Total 14 39,6981
1 (19.5 − X) 2
S( µ̂ */X = 19,5%) = σˆ × n +
∑ (X i − X ) 2
1 (19,5 − 13,0367) 2
= 1,296 × + = 0,553
15 2796,1975 − 15 × 13,0367
2
178
Universidad Técnica Federico Santa María Renato Allende Olivares
Econometría ICN 312 Humberto Villalobos Torres
N
1 −1
.*/X = 19,5% = ∑ N × ln( y
i =1
i /X = 19,5%)
179