Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Y i= β1 + β 2 X i +ε i
2
iv)
Var ( ε i )=σ Homocedasticidad
v)
cov (ε i , ε j )=0 i≠ j No autocorrelación
2
vii)
εi ∼ N ( 0 , σ ) Normalidad
E( β^ 1 )=β 1
E( β^ 2 )=β 2
∑ ¿ X 2i
β^ 1
σ2
var( β^ 1 )= ¿¿¿
n ∑ ¿ X 2i −( ∑ ¿ X i )2 Varianza de
σ 2n
var( β^ 2 )=
n ∑ ¿ X 2i −( ∑ ¿ X i )2
¿¿
Varianza de
β^ 2
∑ ¿ Xi
σ2
cov( β^ 1 β^ 2 )=
n( ∑ ¿ X i )2−( ∑ ¿ X i )2
¿¿¿
Covarianza de
β^ 1 y
β^ 2
varcov ( β^ ) =σ 2 ( X ´ X )−1
2 e´e e´e ∑ ¿ ( Y i − β^ 1− β^ 2 X i )2
S = n−K = n−2 = ¿
n−2
Ahora bien, calculando las raíces, se obtienen los errores estándares de los estimadores de
MCO-OLS
Propiedades:
i)
β^ 1 , β^ 2 son lineales
^ )=β ; E( β
E( β ^ )=β
ii) 1 1 2 2 son insesgados
iii) E( S2 )=σ 2
iv)
β^ 1 , β^ 2 son eficientes
Dado
Y i =β1 + β 2 X i +ε i Modelo de regresión
2
ε i ∼ N (0 , σ ) Normalidad de errores
Tenemos que:
β^ 1 ∼ N ( β1 ,var ( β^ 1 ))
^ ∼ N ( β ,var ( β
β ^ 2) )
2 2
Dado
Y i =β1 +β 2 X i +ε i Modelo de regresión
Dado k =1,2
H 0 : β k=0 Hipótesis nula (X no es significativa)
H 1 : β k ≠0 Hipótesis alternativa (X sí es significativa)
2
Sin embargo, como sabemos, √ var ( β^ k ) depende de σ que es desconocida
∴ Usamos
se ( β^ k )
como sustituto a √ var ( β^ )
k
β^ k −β k
t= ∼ t n−2
se ( β^ ) k Estadístico t en el modelo de regresión lineal simple
β^ k −β k
t= ∼ t n− K
^
se ( β ) k Estadístico t en el modelo de regresión lineal múltiple
Donde:
√
se( β^ k )= v a^ r( β^ k ) β^k
Error estándar de
Criterio de Decisión
| t |>t α
2 entonces Rechazo
H0
A veces nos interesa saber en dónde se puede ubicar β k . Esto lo podemos saber con un
intervalo de confianza
[
P −t α <t < t α =1−α
2 2 ]
Dado
Sustituyendo
[ ]
^ k− β k
β
P −t α < ¿ t α =1−α
2 ^ K)
se( β 2
[ ^ k )< β
P −t α se ( β
2
^ k − β k ¿ t α se ( β^ k ) =1− α
2
]
[
P − β^ k −t α se ( β^ k )<−β k ¿− β^ k +t α se ( β^ k ) =1−α
2 2
]
[
P β^ k +t α se( β^ k )> βk ¿ β^ k −t α se ( β^ k ) =1−α
2 2
]
[
P β^ k −t α se ( β^ k )< β k ¿ β^ k +t α se ( β^ k ) =1−α
2 2
]
Intervalo de Confianza al 1−α para
β^ k
Nota; Recuérdese que
{
0 .10 ¿
α 0 .05 **
0 .01 *** Niveles de significancia más usados en econometría
Ejemplo 1:
β^ 2=0. 05
t=0 .26 K=9 n=174
¿Es significativa la variable X?
Solución:
Dada la hipótesis nula
H 0 : β 2 =0 Hipótesis nula (La variable “no sirve”)
Ocurre que
β^ 2
t= ~t 174−9
^
se ( β 2 )
t ~ t 165
Criterio de Decisión
| t |>t α
2 entonces Rechazo
H0
Sustituyendo, ocurre que
Ejemplo 2:
β^ 2=1 . 18
t=5 .95 K=9 n=174
¿Es significativa la variable X?
Solución:
Dada la hipótesis nula
H 0 : β 2 =0 Hipótesis nula (La variable “no sirve”)
Ocurre que
β^ 2
t= ~t 174−9
^
se ( β 2 )
t ~ t 165
Criterio de Decisión
^
Así concluimos que X es significativa, β 2=1 . 18***
y i ei ¿
^
ei
2
¿ Porque
e i=0 ¿
2
y i ¿¿ ¿ ¿ Dividiendo entre
2
yi ¿
Despejando, se obtienen los estimadores de bondad de ajuste
2
y ¿¿¿¿¿
i Coeficiente de determinación
2
1−R Coeficiente de alineación
R= √ R2 Coeficiente de correlación
2
Propiedades de R :
2
i) R ≥0
2
ii) 0≤R ≤1
Nota: La R2 sólo sirve cuando hay una constante en la regresión y cuando los datos tienen un
comportamiento lineal.
Estadístico Jarque-Bera
JB = n
6 [ SK 2+
( K − 3 )2
6 ]∼ χ 2
2
Donde:
SK=sesgo y K=curtosis
En muestras grandes:
JB ∼ χ 22 Asintóticamente
H : JB=0
0 Normalidad de los residuales (La regresión sí sirve)
Criterio de Decisión:
2
JB> χ ⇒ 2 Rechazo
H 0 (No hay normalidad, ponemos asteriscos)
Ejemplo:
Dado JB=2.72
¿La regresión sirve? ¿Los residuales son normales?
Ho: JB=0 Normalidad
Criterio de decisión
2
JB> χ 2 ⇒ Rechazo Ho
Sustituyendo, ocurre que
2
2. 72< χ 2 ⇒ Acepto Ho (Si hay normalidad)
Así concluimos que los residuales sí se distribuyen normalmente y, por tanto, que la
Ejemplo7.7:
Dado JB=2.877
¿La regresión sirve? ¿Los residuales son normales?
Ho: JB=0 Normalidad
Criterio de decisión
2
JB> χ 2 ⇒ Rechazo Ho
Sustituyendo, ocurre que
2
2. 877< χ 2 ⇒ Acepto Ho (Si hay normalidad)
{
0.10 4.61
α 0.05 5.99
0.01 9.21
Así concluimos que los residuales sí se distribuyen normalmente y, por tanto, que la
Donde
Y^ 0 Estimador de
E [ Y|X o ]
En general
Y^ 0 se distribuye como:
Y^ 0 ∼ N ¿ ¿
Dado que la distribución de
Y^ 0 es continua, la probabilidad de que un valor especifico del
pronóstico describa al verdadero valor es cero. Por esta razón, la calidad del pronóstico no
se avala con base en los aciertos. Se evalúa en términos de intervalos de confianza
asumiendo una distribución normal. Así, y con fines de estimar el mencionado intervalo,
construimos la variable normalizada Z
Y^ 0 −( β 1 +β 2 X 0 )
z= ¿¿
√ σ ¿¿¿2
Adviértase que la sustitución hace que ya no tengamos una variable que se distribuye
normalmente. Ahora tenemos una variable que se distribuye como una t de Student.
Y^ 0− ( β 1 + β 2 X 0 )
t= ¿¿
√ ¿¿¿
S 2
[
P Y^ 0 −t α se ( Y^ 0 )≤ β1 + β 2 X 0 ¿ Y^ 0 +t α se( Y^ 0 ) =1− α
2 2
]
¿Cómo podemos ver este intervalo?
E [ Y| X 0 =20 ]
Supongamos que queremos obtener la predicción media
Sabiendo que
Y^ i=−0 .0144 +0 .7240 X i y que
se ( Y^ 0 ) =0 .6185
,
n=13 , K=2 , α =0 . 05
Podemos estimar
Y^ 0 =−0 . 0144+0 . 7240 ( 20 )=14 . 4656
[
P 14 . 4656−t α 0 . 6185≤ β 1 + β 2 X 0 ¿ 14 . 4656 +t α 0. 6185 =1−α
2 2 ]
Adviértase que si
t ∼t 11 , los valores de tablas son
{
0.10 1. 80
α 0. 05 2. 20
0. 01 3.11
Y^ 0 + t α se ( Y^ 0 )=13 .1049
Límite Superior: 2
REFERENCIAS
Gujarati, D.N. (2006), Principios de Econometría, Tercera edición, McGraw-Hill, México
DF.
Gujarati, D.N. & Porter, D.C. (2008), Basic Econometrics, Quinta edición,
McGraw-Hill/Irwin, Estados Unidos.