Para PEP :

R2
} capacidad predictiva
i

test F Global
•

prueba t parámetros } capacidad explicativa

Base datos :

R2 :

el modelo es capaz de explicar

en un 94.3% el comportamiento
de Y .

Test F -

global
p
-
value

Ho :
Bn =
Bz =
Bz =
B 4=0
( El modelo no es globalmente
significativo ) .

La estadística de cálculo F contrasta valor de tabla F con 4

se con un
g. L en el
numerador 18 L en el denominador con un ✗ 5%
y g.
=

En podemos ver el p value

lugar de hacer eso - :

p value
- =
0,000 0,05 se rechaza
→ .
:
HO .

por lo tanto decimos que el modelo es globalmente significativo .

con R2 alto prueba F en zona de rechazo se

concluye :
y
se pueden hacer pronósticos con este modelo .
 prueba t

p
-

value

Hay que analizar signos y luego efectuar prueba t a parámetros

para ser cap .

explicativa .

↳ ?
puede que solo les pidan analizar algunos ,
no todos

Signos :

El ingreso positivo mayor ingreso mayor consumo ✓

es :

,
.

El precio es negativo mayor precio menor consumo ✓ :

.

El precio del cerdo es positivo si sube el precio del cerdo se consume más pollo ✓
:
.

El precio de la carne de res es positivo sube el precio de la carne de res se consume

:
.

más pollo ✓

Por lo tanto ,
los
signos son todos correctos según la teoría .

el cerdo y la carne de res se comportan significativamente como sustitutos

+

del pollo los signos según

el caso del la de res positivos
el
signo en cerdo
y de carne son
'

Falta ver si los parámetros son

significativos en el modelo .

Para esto :

Ho :
Bz O =
.
p VAUU
-
=
0,006 <
0,05 → .
.

.
Se rechaza HO .

.
:
Bz es significativo en el modelo .

Conclusión del parámetro :B , tiene

signo positivo ,
lo cual indica que es el

comportara un bien sustituto

Por tanto el cerdo pollo
,
se comporta como sustituto del ,
en
forma significativa .

Ho By O P VAUU 0,19 0,05 → NO se rechaza HO

.

: =
-
=
. .

i. By no es
significativo en el modelo

CAÑERO :
el signo de By es correcto , pero el parámetro no es

el resultado
significativo concluyente
-
.
no es .
 Pruebas de hipótesis lineales sobre los parámetros del modelo

hay fórmulas distintas dependiendo de qué pasa con la variable dependiente .

Test F para hipótesis lineales ( siempre que las variables dependientes

sean
iguales )

Fc =
( SCM ( NR ) -

SCM ( R ) ) ( K -

p) ~
FLK n k 1) 0,05
p ; ✗
-
- -
=

SCELNR ) (n -

k -

1)

Gráfica de la distribución F :

h (F)

aceptación
"

Zona de "

zona de rechazo

O 1 FL ( Vn , V2 )

Test F para hipótesis lineales ( modelos con diferente variable dependiente )

El test F para hipótesis lineales sólo es aplicable si las variables dependientes
son
iguales Si las variables dependientes son diferentes el test se puede
.
,

aplicar sólo bajo el siguiente formato

:

Fc =
( SCE ( R ) -
SCE ( NR ) ) ( K p) ~
FLK 1)
k 0,05
-

n
p ; ✗
-
- -
=

SCELNR ) (n -

k -

1)
 Dado el modelo anterior
HO :
Bn = O

HO :
By = O
tienen p Valens
-

0,05 .
Entonces , bajo ese criterio
:

HO :
Bn = O NO se rechaza HO

Ho :
By = O NO se rechaza HO

¿ se pueden sacar del modelo Xn y Xu ?

Según las pruebas t ,

los parámetros Br y Bu no son
significativos en el modelo .

Pero para responder

,
la pregunta no se puede hacer con las pruebas
,
t ,
sino que
hay que aplicar una prueba F para hipótesis lineales .

↳ vamos a tener un modelo no restringido ,

y hay que generar un
segundo
modelo ( el restringido ) sin la variable Xi y Xu
:

( NR ) Y =
Bo +
B, X, t
Bz ✗ a
t
B} Xz +
4×4 + E

( R) Y =
Bo + Bz ✗a +
Bz Xz + E

Entonces ,
como lo que queremos probar es Br =
By =
O
,
lo planteamos como :

"

(✗ 1 ✗ 4=0 ) dará
test cuyo resultado
"
=
,
nos :

prueba en

STATA

Ahí aparece el cálculo de la estadística ,

en donde Fc =
11,83 →
eso lo debiéramos
contrastar con una F de Fisher con 2
g. L en el numerador ,
y 18 g. L en el

denominador .

Pero también nos

entrega el p value
- :

0.0005 Rechazo
0,2kg
p
-

value =
HO

Lo anterior simultáneamente
significa que no se pueden sacar las 2 variables .

Para resolverlo fórmula debe hacer regresión /estimación

+
con la se una
,

tanto el modelo R como para el NR

para .
( Este ejemplo es de una estimación ≠
, pero es para que lo

puedan visualizar )

SCM ( NR ) K

→
ANOVA modelo NR
con 8 variables

SCELNR ) 300+1 =
n Ó 300 =
n -

SCM ( R ) p
→
ANOVA modelo R
con 6 variables

en este caso ,
la van .
dependiente es la misma
,

por lo
que se utiliza

Fc =
( SCM ( NR ) -

SCMLR ) ) ( K -

p) ~
FLK n k 1) 0,05
p ; ✗
-
- -
=

SCELNR ) (n -

k -

1)

Fc se compara con F de tabla si rechaza

para ver se acepta o

Ho este :
, que en caso era

Ho :
Ps4 =
8
H, :
Ps4 = O

*
para probar si dichas van . se pueden extraer del modelo

en este caso ,
si no se rechaza ,
se pueden extraer .