A partir la siguiente información muestral:

 59 − 25 − 35   32 
1     7
( X ' X ) =  − 25 24 11  ; ( X 'Y ) =  17  ; ∑ Yt 2 = 160
−1

113 
38   27  t =1
 − 35 11  
1. Estime los parámetros de posición del modelo y el de dispersión
2. Analice la significación individual del regresor X2
3. Construya un intervalo de confianza para la constante del modelo y contraste la
hipótesis de si dicha constante pudiera ser cero
4. Contraste la hipótesis: β 2 = β 3
5. Si X2 = 1 y X3 = 3. Con probabilidad 0,95, ¿entre qué valores se encuentra el valor
esperado de Y?

SOLUCIÓN:
1) Para calcular los valores estimados de los parámetros beta, sólo hay que multiplicar
dos matrices que ya tenemos: X’X por X’Y

  59 − 25 − 35  32   4,5840 

( )
βˆ = ( X ' X ) X ' Y =
−1 1 
 − 25 24
  
11  17  =  − 0,8407 


38  27   0,8230 
113 
 − 35 11
Ahora buscamos las tres sumas de cuadrado. Para ello antes calculamos los valores de
Y’Y, n(mediaY)^2 y beta estimada traspuesta por X’Y, es decir:
Y’Y no hay que calcularlo, puesto que nos lo dan, es la suma de los cuadrados de los
valores de Y, esto es

  7
Y 'Y = ∑
t =1
Yt 2 = 160

El tamaño muestral lo dice en la parte de arriba de la sumatoria, n = 7.

La media de Y es la suma de todas los valores de Y (que se encuentra en el primer
elemento de la matriz X’Y) dividida entre n

( )
2
 32 
nY 2
= 7  = 146,2857
 7 
Calculamos ahora el traspuesto de beta: ���⃗
� = (4,5840 −0,8407 0,8230)
𝛽𝛽′
Y realizamos el producto de dicho vector por X`Y
  32 

( )  
βˆ ' X ' Y = (4,5840 − 0,8407 0,8230) 17  = 154,6194
 
 27 
Ahora se calculan las sumas de cuadrados:
 
( )
SCT = Y ' Y − n Y 2 = 160 − 146,2857 = 13,7143

𝑆𝑆𝑆𝑆𝑆𝑆 = 𝑌𝑌 �⃗ − 𝛽𝛽⃗̂ ′ �𝑋𝑋 ′ 𝑌𝑌

�⃗ ′ 𝑌𝑌 �⃗� = 160 − 154,6194 = 5,3806

SCE = SCT − SCR = 13,7145 − 5,3806 = 8,3337

El número de variables lo dice la dimensión de la matriz X’X y, por supuesto de (X’X)-1

pues ambas son de dimensión kxk. En este caso es una matriz de 3 filas y 3 columnas,
luego k = 3.

Así pues la varianza residual es

𝑆𝑆𝑆𝑆𝑆𝑆 5,3806
𝜎𝜎� 2 = = = 1,3451
𝑛𝑛 − 𝑘𝑘 7−3
Para lo que se necesite, se puede calcular ahora la desviación típica residual:
𝜎𝜎� = �1,3451 = 1,1598

2. Analice la significación individual del regresor X2

En clase lo hicimos construyendo un intervalo de confianza para beta 2 y viendo si el
cero pertenece o no a dicho intervalo:

Centro, el valor estimado para beta 2, o sea -0,8407

Radio, el producto de la desviación típica, 𝜎𝜎�√𝑎𝑎22 por el valor tabulado de la t Student

con n-k grados de libertad que deja a su izquierda una probabilidad de 0,975.
𝜎𝜎� la tenemos calculada, es 1,1598
El elemento a22 de la matriz (X’X)^-1 es 24 dividido entre 113.
El valor de la t con 4 grados de libertad que deja a su izquierda una probabilidad de
0,975 es 2,7764.
Por tanto
24
𝑅𝑅𝑅𝑅𝑅𝑅𝑅𝑅𝑅𝑅 = 1,1598 ∗ � ∗ 2,7764 = 1,484
113
El intervalo de confianza será:

(Centro - Radio; Centro + Radio) =(-2,32; 0,64)

Puesto que el cero pertenece al intervalo, es posible que beta 2 sea igual a cero, luego
NO ES SIGNIFICATIVO.

Resolvamos esta misma cuestión con un test de hipótesis:

H 0 : β 2 = 0

H1 : β 2 ≠ 0
Para resolverlo se puede utilizar cualquiera de las tres distribuciones que aparecen en
los esquemas con los números 3, 4 y 5. Repitamos el ejercicio utilizando cada una de
ellas:
Con la distribución
𝛽𝛽̂𝑖𝑖 − 𝛽𝛽𝑖𝑖
→ 𝑡𝑡(𝑛𝑛−𝑘𝑘)
𝜎𝜎� �𝑎𝑎𝑖𝑖𝑖𝑖

Recordemos que
*** el valor estimado par beta 2 es -0,8407
*** La hipótesis nula dice que el valor de beta 2 es cero
*** 𝜎𝜎� la tenemos calculada, es 1,1598
*** El elemento a22 de la matriz (X’X)^-1 es 24 dividido entre 113.
*** El valor tabulado de la 𝑡𝑡4 (0,975) = 2,77

El estadístico experimental es

𝛽𝛽̂2 − 𝛽𝛽2 −0,8407 − 0

𝑡𝑡𝑒𝑒𝑒𝑒𝑒𝑒 = = = −1,57
𝜎𝜎� √𝑎𝑎22 24
1,1598 ∗ �113

Puesto que el valor absoluto de la t experimental es menor que la t teórica, no existen

motivos para rechazar la hipótesis nula, es decir beta 2 puede ser cero y por tanto
concluimos que NO ES SIGNIFICATIVA,

Con la distribución
(βˆ 2 − β2 )
2

→ F(1, n.k )
σˆ 2 a 22

Fexp =
(− 0,8407 − 0)2= 2,4739
24
1,3451
113
F(1,4)(0,95) =7,7086
Puesto que Fexp < FT, NO podemos rechazar la hipótesis nula lo que lleva consigo que
la variable explicativa X2 no es significativa.

Con la distribución
 
( )
 Rβˆ − r  R( X ' X )−1 R' −1  Rβˆ − r 
'

   
   
q
→ Fq ,n − k
σˆ 2

De acuerdo con la hipótesis nula

H 0 : β 2 = 0

H1 : β 2 ≠ 0

La matriz R es (0, 1, 0) y el vector r es (0) y el número de ecuaciones es una, q=1

entonces
4,5840
⃗
̂
𝑅𝑅𝛽𝛽 − 𝑟𝑟⃗ = (0, 1, 0) �−0,8407� − (0) = −0,8407
0,8230

Es un escalar y por tanto el traspuesto toma el mismo valor

�𝑅𝑅𝛽𝛽⃗̂ − 𝑟𝑟⃗� ′ = −0,8407

Por otra parte

1 59 −25 −35 1
𝑅𝑅(𝑋𝑋′𝑋𝑋)−1 = (0, 1, 0) �−25 24 11 � = (−25, 24, 11)
113 113
−35 11 38

1 0 1 24
𝑅𝑅(𝑋𝑋′𝑋𝑋)−1 𝑅𝑅′ = (−25, 24, 11) �1� = 24 =
113 113 113
0

24 −1 113
[𝑅𝑅(𝑋𝑋′𝑋𝑋 )−1 ′ ]−1
𝑅𝑅 =� � =
113 24
Por tanto

113
�𝑅𝑅𝛽𝛽⃗̂ − 𝑟𝑟⃗� ′[𝑅𝑅(𝑋𝑋′𝑋𝑋)−1 𝑅𝑅′ ]−1 �𝑅𝑅𝛽𝛽⃗̂ − 𝑟𝑟⃗�� (−0,8407)
24 (−0,8407)�
𝑞𝑞 1
𝐹𝐹𝑒𝑒𝑒𝑒𝑒𝑒 = =
𝜎𝜎� 2 1,3451

(−0,8407) ∗ 113 ∗ (−0,8407)

𝐹𝐹𝑒𝑒𝑒𝑒𝑒𝑒 = = 2,4739
24 ∗ 1,3451

Curiosamente la F experimental toma el mismo valor que utilizando la distribución 4.

La F teórica también tiene 1 grado de libertad en el numerador y 4 en el denominador,
es decir que vale F(1,4)(0,95) =7,7086
Puesto que Fexp < FT, NO podemos rechazar la hipótesis nula lo que lleva consigo que
la variable explicativa X2 no es significativa.

3. Construya un intervalo de confianza para la constante del modelo y contraste la

hipótesis de si dicha constante pudiera ser cero
βˆ1 − β 1
→ t n−k , entonces
σˆ a11
Centro = βˆ1 = 4,5840 ;

Radio = σˆ α 33 t n − k (1 − α 2) = 1,1598
59
* 2,7764 = 2,3268
113
I. al 95% de confianza: (4,5840 – 2,3268; 4,5840 + 2,3268) = (2,2572; 6,9108)
Puesto que 0 no pertenece al intervalo, rechazamos la hipótesis de que la constante del
modelo pudiera ser cero.
4. Contraste la hipótesis: β 2 = β 3
H 0 : β 2 − β 3 = 0 
 R = (0 1 − 1) r =0 q=1
 H1 : β 2 − β 3 ≠ 0
  4,5840  
    Rβˆ − r  = −1,6637
'
Entonces Rβ − r = (0 1 − 1) − 0,8407  − 0 = −1,6637 ;
ˆ  
 0,8238   
 
 59 − 25 − 35  0  0
1     
R( X ' X )−1 R' = (0 1 − 1)  − 25 24 11  
1 = (0, 0885 0,1150 0, 2389 ) 1  = 0,3540
113   
38  − 1  − 1
 − 35 11  
(R( X ' X ) R')
−1 −1 1
=
0,3540
= 2,8250

−1,6637 * 2,8250 * (−1,6637)

Fexp = 1 = 5,8131 ; F(1, 4) (0,95) = 7,7086
1,3451
Puesto que Fexp < FT, NO podemos rechazar la hipótesis nula

5. Si X2 = 1 y X3 = 3. Con probabilidad 0,95, ¿entre qué valores se encuentra el valor

esperado de Y?
  4,5840 
 ' ˆ  
x 0' = (1 1 3) Centro x 0 β = (1 1 3) − 0,8407  = 6,2124
 0,8238 
 

 59 − 25 − 35  1  1
' −1  1     
x 0 ( X ' X ) x 0 = (1 1 3)  − 25 24 11  1  = (0,6283 0,2832 0,7965) 1  = 2,0442
113 
38  3   3
 − 35 11  
 
Radio: σˆ x 0' ( X ' X )−1 x 0 t ( 4) (0,975) = 1,1598 2,0442 * 2,7764 = 4,6040
  4,5840 
' ˆ  
x 0 β = (1 1 3) − 0,8407  = 6,2124
 0,8238 
 
I .C. : (6,2124 − 4,6040; 6,2124 + 4,6040 ) = (1,6083; 10,8164 )