Econometría

Análisis de Regresión Múltiple

Roberto E. Jalón Gardella
Universidad Finis Terrae
2010

Contents
1 Regresión Múltiple: Estimación 2
1.1 Modelo de Regresión Lineal . . . . . . . . . . . . . . . . . . . 2
1.2 Álgebra de los Mínimos Cuadrados Ordinarios . . . . . . . . . 3
1.3 Propiedades del Estimador MCO . . . . . . . . . . . . . . . . 6
1.3.1 Las condiciones de primer orden de los MCO . . . . . . 6
1.3.2 La suma de los residuos de MCO . . . . . . . . . . . . 6
1.3.3 La media de los b M CO . . . . . . . . . . . . . . . . . 6
b
1.3.4 La varianza de los M CO cuando los errores u son ho-
moscedásticos . . . . . . . . . . . . . . . . . . . . . . . 6
1.3.5 Otras maneras de obtener u b0u
b . . . . . . . . . . . . . . 7
1.3.6 Media y Varianza de los residuos u b de MCO . . . . . . 9
1.4 Estimador de MCO de la Varianza de los Errores 2u . . . . . . 9
1.5 Modelo Lineal en Desviaciones con Respecto a la Media . . . . 11
1.5.1 Algunas Matrices Útiles . . . . . . . . . . . . . . . . . 11
1.5.2 Estimación de los bi . . . . . . . . . . . . . . . . . . . 13
1.5.3 R2 en Desviaciones Respecto a la Media . . . . . . . . 14
1.6 Regresión Particionada . . . . . . . . . . . . . . . . . . . . . . 16
1.7 Errores de Especi…cación . . . . . . . . . . . . . . . . . . . . . 18
1.7.1 Caso 1: Omisión de Variables Relevantes . . . . . . . . 20
rjalon@uft.cl

1
 1.7.2 Caso 2: Inclusión de Variables Irrelevantes . . . . . . . 21
1.8 Varianza de los Estimadores de MCO . . . . . . . . . . . . . . 21

2 Regresión Múltiple: Inferencia 21

2.1 Distribuciones Muestrales de los Estimadores MCO . . . . . . 21
2.2 Testeando Hipótesis acerca de un Parámetro Poblacional en
una Regresión Múltiple: el Test t . . . . . . . . . . . . . . . . 22
2.2.1 Ejemplos . . . . . . . . . . . . . . . . . . . . . . . . . . 22

1 Regresión Múltiple: Estimación

Uno de los principales problemas de utilizar regresión simple en el análisis
empírico es que difícilmente se pueden obtener conclusiones ceteris paribus
respecto a cómo x afecta a y, porque la mayoría de los fenómenos dependen
de múltiples causas: cuánto helado compro no sólo depende del precio P1
sino también de cuál es mi situación socioeconómica y de la temperatura del
día, entre otras cosas.
Si añadimos más factores a nuestro modelo que son útiles para explicar
y, entonces podremos explicar más de la variación en y.

1.1 Modelo de Regresión Lineal

Generalizando para J variables independientes, el modelo de regresión lineal
múltiple general poblacional puede escribirse, para la observación i, de la
siguiente manera:

yi = 0 + 1 xi1 + 2 xi2 + ::: + J xiJ + ui

0
yi = xi + ui

donde 0 es el intercepto, 1 es el parámetro asociado a la variable x1 , es

el parámetro asociado a la variable x2 , y así sucesivamente. Ya que hay J
variables independientes y 1 intercepto, entonces la ecuación anterior tiene
J + 1 parámetros poblacionales desconocidos, siendo u el error aleatorio de
la observación i.
Habiendo n observaciones, podemos resumirlo vectorialmente:

2
 y = X +u
2 3 2 3 2 3 2 3
y1 1 x11 x1J 0 u1
6 y2 7 6 1 x21 x2J 7 6 7 6 u2 7
6 7 6 7 6 1 7 6 7
6 .. 7 = 6 .. .. .. .. 7 6 .. 7 +6 .. 7
4 . 5 4 . . . . 5 4 . 5 4 . 5
yn n 1
1 xn1 xnJ n (J+1) J (J+1) 1
un n 1
2 0 32 3 2 3
x1 0 u1
6 x0 7 6 7 6 u2 7
6 2 76 1 7 6 7
y = 6 .. 7 6 .. 7+6 .. 7
4 . 54 . 5 4 . 5
0
xn J un

Cuando, a partir de la muestra, estimemos los parámetros bi , obtendremos

b estimado, y por diferencia respecto al vector y
el vector y b observado, se tiene
b de los residuos, por lo que:
el vector u

y = Xb + u
b
|{z}
b
y

yi = b0 + b1 xi1 + b2 xi2 + : : : + bJ xiJ + u

bi

1.2 Álgebra de los Mínimos Cuadrados Ordinarios

La suma de cuadrados de los residuos:

X
n
SSR( b ) = b2i
u
i=1
0
bu
= 2
u b 30 2 3
b1
u ub1
6 u 7 6 7
6 b2 7 6 ub2 7
= 6 .. 7 6 .. 7
4 . 5 4 . 5
bn
u bn
u
= (y yb)0 (y y b)
= (y X b ) (y X b )
0

0 0
= y0 y 2 b X0 y+ b X0 X b

3
El método de mínimos cuadrados ordinarios elige los estimadores para min-
imizar la suma de cuadrados de los residuos. Se busca el estimador que
minimice la SSR:
h 0 0
i
min SSR( b ) = min y0 y 2 b X0 y+ b X0 X b
b b

Las condiciones necesarias de primer orden:

@SSR( b )
=0
@b b=b
M CO

Las condiciones su…cientes de segundo orden:

@ 2 SSR( b )
0 >0
@ b@ b b=b
M CO

tenemos:

2 3
@SSR( b )
@SSR( b ) 6 @ 0 7
= 6
4 b
7
5
@ b @SSR( )
@ 1
@ h 0 0
i
= y0 y 2 b X0 y+ b X0 X b
@b
= 2X0 y + 2X0 X b (1)

2 3
@ 2 SSR( b ) @ 2 SSR( b )
@ 2 SSR( b ) 6 2 7
6 @ 0@ 1 7
= 6 2 @ 0 b 7
@ b@ b
0
4 @ SSR( ) @ SSR( b )
2 5
@ 1@ 0 @ 21
0
= XX

A partir de (1) se tiene que las condiciones de primer orden serán K =

J + 1 ecuaciones lineales con K = J + 1 incógnitas b0 ; b1 ; :::; bJ

2X0 y + 2X0 X b = 0

4
que pueden escribirse como:

X0 (y X b ) = 0 (2)
| {z }
b
u

explícitamente:

2 3 0 02 3 2 32 31 2 3
1 x11 x1J y1 1 x11 x1J b 0
0
6 1 x21 x2J 7 B6 y2 7 6 1 x21 x2J 76 b 7C 6 0 7
6 7 B6 7 6 76 1 7C 6 7
6 .... .. .. 7 B6 .. 7 6 .... .. .. 76 .. 7C = 6 .. 7
4 . . . . 5 @4 . 5 4 . . . . 54 . 5A 4 . 5
1 xn1 xnJ yn 1 xn1 xnJ bJ 0

o, equivalentemente, escribimos (2) como sistema de ecuaciones:

X
n
yi b b xi1 ::: b xiJ = 0
0 1 J
i=1
X
n
xi1 yi b0 b1 xi1 ::: bJ xiJ = 0
i=1
X
n
xi2 yi b0 b xi1
1 ::: b xiJ
J = 0
i=1
..
.
X
n
xiK yi b0 b1 xi1 ::: bJ xiJ = 0
i=1

Los estimadores de mínimos cuadrados ordinarios serán la solución a estas

condiciones de primer orden; a partir de (2)

X0 X b = X0 y
se deduce que

b = (X0 X)
1
X0 y
M CO

5
1.3 Propiedades del Estimador MCO
1.3.1 Las condiciones de primer orden de los MCO
X0 u
b = 0K
Prueba:
(condiciones de primer orden)

X0 u
b = X0 (y X b )
1
= X0 y X0 X (X0 X) X0 y
= X0 y X 0 y
= 0K

1.3.2 La suma de los residuos de MCO

P
n
Si hay intercepto (o constante) en la regresión =) 10 u
b= bi = 0
u
i=1
Prueba:
de la proposición anterior; es una (la primera) de las K = J +1 condiciones
de primer orden.

1.3.3 La media de los b M CO

E(u) = 0n =) E( b M CO ) =
Prueba:

b M CO = (X0 X) 1 X0 y
1
= (X0 X) X0 (X + u)
1
= + (X0 X) X0 u
| {z }
error de estimación

E( b M CO ) = 0 1 0
+ (X X) X E(u)
=

1.3.4 La varianza de los b M CO cuando los errores u son homoscedás-

ticos
V ar(u) = 2u In =) V ar( b M CO ) = 2
u (X0 X) 1

Prueba:

6
 h i h i 0
V ar( b M CO ) = E b M CO E b M CO b M CO E b M CO
0
= E b b
M CO M CO
h i
0 1 0 0 0 1
= E (X X) X uu X (X X)
1 1
= (X0 X) X0 E(uu0 )X (X0 X)
1 1
= (X0 X) X0 E(uu0 )X (X0 X)
1 1
= (X0 X) X0 2u In X (X0 X)
1
= 2u (X0 X)

recordando que:

" #
b
V ar( b M CO ) = V ar b
0

1
" #
V ar(b0 ) Cov(b0 ; b1 )
=
Cov(b0 ; b1 ) V ar(b1 )

1.3.5 b0u
Otras maneras de obtener u b
Opción 1:
La suma de los cuadrados de los residuos mínimo-cuadráticos es:

b0u
SSR = u b
= y0 y b 0 X0 y

Prueba:

b0u
u b = (y X b )0 (y X b )
0 0
= y0 y 2 b X0 y+ b X0 X b
0 0
= y0 y 2 b X0 y+ b X0 X (X0 X)
1
X0 y
0
= y 0 y b X0 y

Opción 2:

7
 La suma de los cuadrados de los residuos mínimo-cuadráticos es:

b0u
SSR = u b
0
= yy y b0 y
b
Xn X n
2
= yi ybi2
i=1 i=1

Prueba:

b = (X b )0 (X b )
b0 y
y
0
= b X0 X (X0 X)
1
X0 y
0
= b X0 y

Entonces, reemplazando en la opción 1 se tiene demostrado.

Opción 3:
El vector de residuos mínimo-cuadráticos es una transformación lineal del
vector término de error

b = y Xb
u
1
= y X (X0 X) X0 y
h i
1
= In X (X0 X) X0 y
= My
= Mu

donde M es la matriz de la ecuación (3). Entonces, la suma de los cuadrados

de los residuos mínimo-cuadráticos es:

SSR = b0u
u b
= (My)0 (My)
= y0 M0 My
= y0 My
= (X + u)0 M(X + u)
= ( 0 X0 M + u0 M)(X + u)
= u0 M(X + u)
= u0 Mu

8
1.3.6 b de MCO
Media y Varianza de los residuos u

ujX) =
E(b E(MujX)
= ME(ujX)
= ME(u)
= 0

ujX) = V ar(MujX)
V ar(b
= M2 V ar(ujX)
= MV ar(u)
= 2u M

1.4 Estimador de MCO de la Varianza de los Errores

2
u
El estimador de mínimos cuadrados ordinarios de la varianza de los errores,
2
u , viene dado por:
b0u
u b
b2u =
n K
donde K = J + 1, es decir, las J variables explicativas más 1 constante o
intercepto. Puede demostrarse que, así de…nido, ese estimador es insesgado,
es decir
E(b2u ) = 2u
Nótese que este estimador así de…nido, no proviene de ningún criterio de
minimización, sino del interés de obtener un estimador de la varianza 2u que
sea insesgado.
La demostración es la siguiente:

9
 b0u
u b
E(b2u ) = E
n K
1
= u0 u
E(b b)
n K
1
= E [(Mu)0 (Mu)]
n K
1
= E [u0 Mu]
n K
Dado que u Mu es un número escalar, entonces es igual a tr(u0 Mu), donde
0

tr se re…ere a la traza, por lo que

1
E(b2u ) = E [tr(u0 Mu)]
n K
1
= E [tr(Muu0 )]
n K
1
= tr[E(Muu0 )]
n K
1
= tr[ME(uu0 )]
n K
1 2
= tr[M u In ]
n K
2
u
= tr[M]
n K
Recordando la ecuación (3), entonces
2
1
E(b2u ) = u
tr[In X (X0 X) X0 ]
n K
2 h i
u 1
= trIn tr X (X0 X) X0
n K
2 h i
u 0 0 1
= n tr X X (X X)
n K
2
u
= [n trIK ]
n K
2
u
= [n K]
n K
2
= u

10
1.5 Modelo Lineal en Desviaciones con Respecto a la
Media
1.5.1 Algunas Matrices Útiles
2 3
1
6 1 7
6 7
1n = 6 .. 7
4 . 5
1 n 1

1 0 1 X
n
1n y = yi == y
n n i=1

X
n
10n 1n = 1 == n
i=1

X
n
b=
1n u bi = 0; para los residuos MCO
u
i=1

La matriz Q
1
Q = In 1n 10n
n
tiene las siguientes propiedades:

simétrica (Q = Q0 )
idempotente (QQ = Q)

1
Qy = In 1n 10n y
n
1
= y 1n 10n y
n
= y 1n y
2 3
y1 y
6 y2 y 7
6 7
= 6 .. 7
4 . 5
yn y

11
 1
u =
Qb In 1n 10n u
b
n
1
b
= u 1n 10n u
b
n
b
= u

1
Q1n = In 1n 10n 1n
n
1
= 1n 1n 10n 1n
n
= 1n 1n
= 0n

2 3
a11 a12 a1P
6 a21 a22 a2P 7
6 7
QA = Q 6 .. .. ... .. 7
4 . . . 5
an1 an2 anP
2 3
a11 a1 a12 a2 a1P aP
6 a21 a1 a22 a2 a2P aP 7
6 7
= 6 .. .. .. .. 7
4 . . . . 5
an1 a1 an2 a2 anP aP

La matriz M
1
M In X (X0 X) X0 (3)
tiene las siguientes propiedades:

singular (det M = 0);

simétrica (M = M0 );

idempotente (MM = M).

12
 My = M(X + u)
= Mu

Mu = My
h i
1
= In X (X0 X) X0 y
= y Xb
b
= u
Luego, se puede interpretar M como una matriz que produce el vector de
los residuos de los mínimos cuadrados en la regresión de y sobre X cuando
premultiplica cualquier vector y.
h i
1
MX = In X (X0 X) X0 X
1
= X X (X0 X) X0 X
= X X
= 0n K

Una manera de interpretar este resultado consiste en que si se realiza la

regresión de X sobre X, se obtendrá un ajuste perfecto, por lo que los residuos
serán cero.

1.5.2 Estimación de los bi

y = Xb + u
b
Qy = QX b + Qb
u
" #
b
1
= Q 1 n X2 b b
+u
2

= Q1n b1 + QX2 b 2 + u
b
= QX b + u
2 2 b
X02 Qy = X2 QX2 b 2
0
+ X02 u
b
|{z}
0K 1

(QX2 ) (Qy) = (QX2 ) (QX2 ) b 2

0 0

13
 las K 1 ecuaciones con las variables en desviaciones respecto a las medias
serán:
e b
e0 X e0 e
X 2 2 2 = X2 y

Una vez estimado el vector de coe…cientes b 2 ; el intercepto b1 lo obten-

emos de:

y = Xb + u
b
1 0 1 0
1 y = 1 Xb + ub
n n n n
y = b + x0 b
1 2

1.5.3 R2 en Desviaciones Respecto a la Media

b0u
u b
R2 = 1 0
y Qy
b 0 X0 Qy
2 2
=
y0 Qy
donde utilizamos:

y0 Qy = (X b + u
b )0 Q(X b + u
b)
0 0
= (b X + ub )(QX b + u
0
b)2 2
0 0
= b X QX2 b 2 + b X0 u
0
b+u b 0 QX2 b 2 + u
b0u
b
= (QX b ) QX b + u
0
2 2 bu0
b
0
= b X QX b + u
0
b0u
b
2 2 2 2
0
= b X0 Qy + u
b0u
b
2 2

Veamos que la ecuación (3.29) del texto de J.Wooldridge, en forma matricial,

se escribe:
2
P
n
(yi y) (b
yi yb)
[y0 Qb
y ]2
2
R = 0 = n i=1
(y Qy)(b 0
y Qb y) P P
n
(yi y)2 (b
yi yb)2
i=1 i=1

14
que nos dice que la bondad de ajuste R2 también puede escribirse como el
cuadrado del coe…ciente de correlación entre los valores efectivos (observados)
yi y los valores ajustados ybi : Hagamos la deducción:
b0u
u b
R2 = 1 0
y Qy
0
y Qy u b0u b
= 0
y Qy
0
y Qy u b 0 Qb u
= 0
y Qy
= falta completar
(y u b )0 Q (y u b)
= 0
y Qy
0
b Qb
y y
= 0
y Qy
y0 Qb y
= ; según resultado pregunta anterior
y0 Qy
y0 Qb yy b0 Qb y
= 0
y Qy y b Qb
0 y
2
Pn
yi yb)
(yi y) (b
[y0 Qb y ]2 i=1
= = n
(y0 Qy)(b y0 Qb y) P Pn
(yi y)2 yi yb)2
(b
i=1 i=1

donde utilizamos:

y b = (X b )0 u
b0 u b
0 0
= bXu b
= 0

b0 Qb
y y = b0 Q(y u
y b)
= b0 Qy y
y b0 Qbu
0 0
= b Qy y
y bu b
0
= b Qy
y

15
1.6 Regresión Particionada
Supongamos que se quiere estimar el modelo:

y = X +Z +u
= X Z +u

Las ecuaciones normales o condiciones necesarias de primer orden serían:

" #
0 b 0
X Z X Z b = X Z y
" #
X0 X X 0 Z b X0 y
b =
Z0 X Z0 Z Z0 y

A partir de la segunda ”…la”escribimos:

Z0 X b + Z0 Zb = Z0 y
Z0 Zb = Z0 (y Xb)

lo que implica que

b = (Z0 Z) 1
Z0 (y Xb)
A partir de la primera ”…la”, reemplazando el estimador b que acabamos de
obtener, escribimos:

X 0 X b + X0 Z b = X0 y
X0 X b + X0 Z (Z0 Z) Z0 (y X b )
1
= X0 y
X0 X b X0 Z (Z0 Z) Z0 X b
1 1
= X0 y X0 Z (Z0 Z) Z0 y
h i h i
X In Z (Z Z) Z X b
0 0 1 0 1 0
= X In Z (Z0 Z)
0
Z y

de…niendo
1
MZ = In Z (Z0 Z) Z0
que es simétrica e idempotente, obtenemos:

16
 X0 M Z X b = X0 M Z y
(MZ X)0 (MZ X) b = (MZ X)0 (MZ y)

Recordando que la matriz M la interpretamos como la matriz ”creadora de

residuos”, diriamos que el vector de los residuos de la regresión de X sobre Z;
es decir, lo que nos ”queda”después de ”descontar”el efecto de las variables
Z sobre las X:

b X = MZ X
u
y el vector de los residuos de la regresión de Y sobre Z; es decir, lo que nos
”queda”después de ”descontar”el efecto de las variables Z sobre las y:

b Y = MZ y
u
Supongamos que estimamos un modelo de la variable y neta de Z sobre las
variables X netas de Z:

bY = u
u bX + v
obtendremos el estimador:

b = (b
u0X u
bX )
1
b 0X u
u bY
1
= (MZ X)0 (MZ X) (MZ X)0 (MZ y)
= b

Este resultado sugiere que la estimación de mínimos cuadrados ordinarios de

un modelo de regresión puede efectuarse en dos etapas, estimando primero
regresiones auxiliares sobre las variables ”menos importantes” del modelo,
y utilizando los residuos así generados para estimar los coe…cientes de las
variables más relevantes.
En realidad, puede probarse que no es necesario descontar de y el efecto
bX
de Z puesto que la regresión de y sobre el vector u

y =b
uX +e

17
genera el mismo estimador que se obtuvo previamente:
b = u0X u
(b bX )
1
b 0X y
u
1
= u0X u
(b bX )(MZ X)0 y
0 1 0
= (b
uX ubX )X0 M Z y
0 1 0
= (b
uX ubX )X0 MZ MZ y
bY = b
1 0
u0X u
= (b bX ) ubX u
= b

que es la manera matricial de representar la ecuación (3.22) del texto de

J.Wooldridge:
b = (b
u0X u bX )
1
b 0X y
u
0
bX y
u
=
b 0X u
u bX
Pn
rbi1 yi
i=1
= P n
2
rbi1
i=1

1.7 Errores de Especi…cación

Supongamos que el verdadero modelo es:

y =X +u

donde E(ujX) = E(u) = 0n ; V ar(ujX) = V ar(u) = 2u In :

Sin embargo, el modelo utilizado por el econometrista es:

y = X0 0 +v

El econometrista obtiene los estimadores de mínimos cuadrados ordinarios

como de costumbre:
b = (X0 X0 ) 1 X0 y
0 0 0

18
¿Son o no insesgados? En general, no. Veamos por qué.
b = (X00 X0 )
1
X00 (X + u)
0
1
= (X00 X0 ) X00 X +(X00 X0 ) 1 X00 u
E b 0 jX
1
= (X00 X0 ) X00 X +(X00 X0 ) 1 X00 E(ujX)
1
= (X00 X0 ) X00 X
6=

A su vez, el econometrista obtiene el estimador de la varianza de los

errores como de costumbre:
b0 v
v b
b2v =
n K0
Veamos sus características de insesgamiento:

b0 v
v b = (M0 y)0 (M0 y)
= y0 M0 y
= (X + u)0 M0 (X + u)
= u0 M0 u + 0 X0 M0 X + 2 0 X0 M0 u
E(b 0
vv bjX) = E(u0 M0 ujX) + 0 X0 M0 X + 2 0 X0 M0 E(ujX)
= E [tr(u0 M0 ujX)] + 0 X0 M0 X
= E [tr(uu0 M0 jX)] + 0 X0 M0 X
= tr (E [uu0 M0 jX]) + 0 X0 M0 X
= tr (M0 E [uu0 jX]) + 0 X0 M0 X
2 0 0
= u tr(M0 ) + X M0 X
= 2
u (n K 0 ) + 0 X0 M 0 X
0 0 0
bv
v b 2 X M0 X
E jX = u+
n K0 n K0
| {z }
Sesgo
0
bv
v b 2
E jX > u
n K0

donde M0 In X0 (X00 X0 ) 1 X00

Si el econometrista hubiese acertado, y no hubiera cometido error de
especi…cación, de modo que X0 = X; K0 = K; M0 = M, entonces el término

19
del sesgo desaparecería:
0 0 0
X0 M 0 X = X MX
= 0, porque MX = 0

con lo cual, el estimador necesariamente habría sigo insesgado:

b0 v
v b 2
E jX = u
n K
0
En todos los demás casos, la forma cuadrática X0 M 0 X es positiva por
que el que estimador tendría un sesgo positivo.

1.7.1 Caso 1: Omisión de Variables Relevantes

Consideremos que el modelo de regresión correctamente especi…cado es:

y = X1 1 + X2 2 +u

Supongamos que el econometrista regresiona sin incluir X2

y = X1 b1 + e

entonces, el estimador de MCO de este modelo regresionado es:

b 1 = (X0 X1 )
b
1
X01 y
1

para analizar el sesgo de estimación por haber omitido una variable relevante,
debemos insertar en la ecuación anterior el verdadero modelo:
b 1 = (X0 X1 ) 1 X0 (X1 + X2 + u)
b 1 1 1 2
0 1 0 0 1
= 1 + (X X
1 1 ) X X
1 2 2 + (X 1 X1 ) X01 u

Aplicando la esperanza matemática, para analizar el sesgo:

h i
E b b 1 = 1 + (X0 X1 ) 1 X0 X2 + (X0 X1 ) 1 X0 E [u]
1 1 2 1 1

Suponemos que en el modelo verdadero, se cumple E [u] = 0, por tanto el

estimador estará sesgado a menos que X01 X2 = 0; es decir, que las variables

20
omitidas eran ortogonales a las ya incluídas; dicho de otra manera, que no
están correlacionadas en la muestra.
h i
E b b1 = 0 1
X0 X
1 + (X1 X1 )
| {z 1 }2 2
b1

= 1 + b1 2
| {z }
Sesgo

Cuando están correlacionadas, b1 tiene el mismo signo que la correlación

entre x1 y x2 . El signo del sesgo depende del signo de b1 y de 2 :

corr(X1 ; X2 ) > 0 corr(X1 ; X2 ) < 0

2 >0 sesgo positivo sesgo negativo
2 <0 sesgo negativo sesgo positivo

1.7.2 Caso 2: Inclusión de Variables Irrelevantes

¿Qué ocurre si, en cambio, sobre especi…camos el modelo incluyendo variables
irrelevantes, es decir, que no tiene efecto sobre la variable dependiente?

1.8 Varianza de los Estimadores de MCO

(por completar)

2 Regresión Múltiple: Inferencia

2.1 Distribuciones Muestrales de los Estimadores MCO
Bajo los supuestos:

La distribución exacta (muestra …nita) de b 1 tiene media 1; la vari-

anza var(b1 ) es inversamente proporcional a n.

Fuera de la media y la varianza, la distribución exacta de b 1 ; es muy

complicada.
b es consistente:
1
p
b !
1 1

21
 por el teorema de límite central:
b E b1
1 D
r ! N (0; 1)
var b 1

lo mismo para b 2 , b 3 , b J .

2.2 Testeando Hipótesis acerca de un Parámetro Pobla-

cional en una Regresión Múltiple: el Test t
Por el teorema de límite central el b 1 se distribuye aproximadamente normal,
tal que
b1 E b1
D
r ! N (0; 1)
var b 1

Por tanto, se pueden testear hipótesis respecto al parámetro poblacional 1

utilizando el estadístico t usual, y se pueden construir intervalos de con…anza
de la manera usual:
r r
b 1:96 var b < < b + 1:96 var b
1 1 1 1 1

lo mismo para b 2 , b 3 ,. . . b J .
b y b , generalmente no están distribuídos independientemente, por
1 2
tanto tampoco sus estadísticos t (más adelante volveremos sobre ésto).

2.2.1 Ejemplos
1. Wooldridge, prob. 4.3. La variable gtosi&d son los gastos de
investigación y desarrollo (I&D) como porcentaje de ventas. Las ventas
se miden en millones de dólares. La variable ganan son las ganancias
como porcentaje de las ventas. Con los datos de 32 empresas de la
industria química, se estimó la ecuación siguiente:
gtosi&d = 0:472 + 0:321 log(vtas) + 0:050ganan
(1:369) (0:219) (0:046)
2
n = 32; R = 0:099

22
(a) Interprete el coe…ciente de log(vtas). En particular, si vtas(ventas)
aumenta en 10%, ¿cuál es el efecto cambio porcentual estimado
en gtosi&d? Muestre si tiene o no un efecto estadísticamente sig-
ni…cativo.

Respuesta:
Manteniendo ganan …jo,
gtosi&d = 0:321 log(vtas)
vtas
= 0:321
vtas
= 0:321 (0:10)
= 0:0321
= 3:21%
Para el incremento grande en ventas, parece prácticamente un
efecto pequeño.

(b) ¿Tiene ganan un efecto estadísticamente signi…cativo en gtosi&d?

Respuesta:
Se quiere testear la hipótesis
H0 : 2 =0
H1 : 2 6= 0
donde 2 es la pendiente poblacional respecto a ganan: El es-
tadístico t es
0:050 0
t= = 1:08696
0:046
Como vemos, no tiene un efecto estadísticamente signi…cativo,
porque su estadístico t es apenas 1.08696, el cual está muy por
debajo del valor crítico.

23