ESTADÍSTICA APLICADA - Hoja de fórmulas para segundo parcial

6. Modelo Lineal

Y = 𝛽0 + 𝛽1 ∙ X + 𝜀
𝑌̂ = 𝑏0 + 𝑏1 ∙ 𝑋
𝑄𝑋𝑌 ∑ 𝑋𝑡 𝑌𝑡 −𝑛𝑋̅𝑌̅
𝑏1 = = ∑ 𝑋𝑡 2 −𝑛𝑋̅ 2
; 𝑏0 = 𝑌̅ − 𝑏1 𝑋̅
𝑄𝑋𝑋

𝑄𝑋𝑋 = ∑ 𝑋𝑡 2 − 𝑛𝑋̅ 2 ; 𝑄𝑌𝑌 = ∑ 𝑌𝑡 2 − 𝑛𝑌̅ 2 ; 𝑄𝑋𝑌 = ∑ 𝑋𝑡 𝑌𝑡 − 𝑛𝑋̅𝑌̅

2
𝑄 = ∑(𝑌𝑡 − 𝑌̂𝑡 ) = ∑ 𝑌𝑡 2 − 𝑏0 𝑛𝑌̅ − 𝑏1 ∑ 𝑋𝑡 𝑌𝑡 = (1 − 𝑅2 )𝑄𝑌𝑌
Regresión lineal
(𝑄𝑋𝑌 )2 𝑄
𝑅2 = =1−
simple 𝑄𝑋𝑋 𝑄𝑌𝑌 𝑄𝑌𝑌
𝑄
𝑆 2 = 𝜎̂ 2 =
𝑛−2

𝑏𝑖 −𝛽𝑖 𝑆2 1 𝑋̅ 2
𝑏𝑖 : 𝑁(𝛽𝑖 ; 𝜎𝑏𝑖 ) ⇒ : 𝑡𝑛−2 𝑆𝑏1 = √ 𝑆𝑏0 = √𝑆 2 ( + )
𝑆𝑏 𝑄𝑋𝑋 𝑛 𝑄𝑋𝑋
𝑖

1 (𝑋0 −𝑋̅)2
Intervalo de Confianza para E(Y\X0) : 𝑏0 + 𝑏1 𝑋0 ± 𝑡𝑛−2;1−𝛼⁄2 𝑆√ +
𝑛 𝑄𝑋𝑋
1 (𝑋0 −𝑋̅)2
Intervalo de Predicción para Y\X0 : 𝑏0 + 𝑏1 𝑋0 ± 𝑡𝑛−2;1−𝛼⁄2 𝑆√1 + +
𝑛 𝑄𝑋𝑋

Y𝑡 = 𝛽0 + 𝛽1 ∙ 𝑋1𝑡 + 𝛽2 ∙ 𝑋2𝑡 + ⋯ + 𝛽𝑘 ∙ 𝑋𝑘𝑡 + 𝜀𝑡 𝑌 = 𝑋𝛽 + 𝜀

𝑌̂ = 𝑏0 + 𝑏1 ∙ 𝑋1 + 𝑏2 ∙ 𝑋2 + ⋯ + 𝑏𝑘 ∙ 𝑋𝑘 𝑌̂ = 𝑋𝑏
𝑏 = ( 𝑡𝑋𝑋)−1 𝑡𝑋𝑌
𝑏𝑖 −𝛽𝑖 −1
𝑏𝑖 : 𝑁(𝛽𝑖 ; 𝜎𝑏𝑖 ) ⇒ : 𝑡𝑛−𝑝 𝑆𝑏𝑖 = √𝑐𝑖𝑖 𝑆 2 donde 𝑐𝑖𝑖 = ( 𝑡𝑋𝑋) 𝑖𝑖
𝑆𝑏
𝑖

−1 𝑡
𝑌 − 𝑌̂ = 𝑒 𝑌̂ = 𝐻𝑌 𝐻 = 𝑋( 𝑡𝑋𝑋) 𝑋

1 𝑡 𝑄
𝑆 2 = 𝜎̂ 2 = 𝑒𝑒 =
𝑛−𝑝 𝑛−𝑝

𝑄 2
𝑅2 = 1 − donde 𝑄 = ∑(𝑌𝑡 − 𝑌̂𝑡 ) y 𝑄𝑌𝑌 = ∑(𝑌𝑡 − 𝑌̅)2 = ∑ 𝑌𝑡 2 − 𝑛𝑌̅ 2
Regresión lineal 𝑄𝑌𝑌

𝑠2 𝑄𝑦𝑦
múltiple 𝑅2 𝑎𝑗𝑢𝑠𝑡𝑎𝑑𝑜 = 1 − 2 𝑠𝑦2 =
𝑠𝑦 𝑛−1

𝑅𝑒𝑠𝑖𝑑𝑢𝑜𝑠: 𝑒𝑡 = 𝑌𝑡 − 𝑌̂𝑡
𝑒𝑡
𝑅𝑒𝑠𝑖𝑑𝑢𝑜𝑠 𝑠𝑡𝑢𝑑𝑒𝑛𝑡𝑖𝑧𝑎𝑑𝑜𝑠: 𝑟𝑡 =
𝑆√1−ℎ𝑡𝑡
𝑒𝑡
𝑅𝑒𝑠𝑖𝑑𝑢𝑜𝑠 𝑝𝑟𝑒𝑠𝑠: 𝑒−𝑡;𝑡 = 𝑦𝑡 − 𝑦̂−𝑡;𝑡 = 𝑃𝑅𝐸𝑆𝑆 = ∑𝑛𝑡=1 𝑒−𝑡;𝑡
2
1−ℎ𝑡𝑡
𝑒𝑡
𝑅𝑒𝑠𝑖𝑑𝑢𝑜𝑠 𝑒𝑥𝑡𝑒𝑟𝑛𝑎𝑚𝑒𝑛𝑡𝑒 𝑠𝑡𝑢𝑑𝑒𝑛𝑡𝑖𝑧𝑎𝑑𝑜𝑠: 𝑡𝑡 =
𝑠−𝑡 √1−ℎ𝑡𝑡

2 1 𝑒𝑡2
𝑐𝑜𝑛 𝑠−𝑡 = (𝜈𝑆 2 − )
𝜈−1 1−ℎ𝑡𝑡

𝑆𝑘 2 −𝜎 2
𝐶𝑃 = 𝑝 + (𝑛 − 𝑝) ( ) 𝑐𝑜𝑛 𝜎 2 ≅ 𝑆 2 𝑑𝑒𝑙 𝑚𝑜𝑑𝑒𝑙𝑜 𝑐𝑜𝑚𝑝𝑙𝑒𝑡𝑜
𝜎2

𝐷𝐸𝑇 = 𝐷𝑒𝑡𝑒𝑟𝑚𝑖𝑛𝑎𝑛𝑡𝑒 𝑑𝑒 𝑙𝑎 𝑚𝑎𝑡𝑟𝑖𝑧 𝑑𝑒 𝑐𝑜𝑟𝑟𝑒𝑙𝑎𝑐𝑖𝑜𝑛𝑒𝑠

 𝑉𝐼𝐹 (𝑖): 𝑒𝑙𝑒𝑚𝑒𝑛𝑡𝑜𝑠 𝑑𝑒 𝑙𝑎 𝑑𝑖𝑎𝑔𝑜𝑛𝑎𝑙 𝑝𝑟𝑖𝑛𝑐𝑖𝑝𝑎𝑙 𝑑𝑒 𝑙𝑎 𝑖𝑛𝑣𝑒𝑟𝑠𝑎 𝑑𝑒 𝑙𝑎 𝑚𝑎𝑡𝑟𝑖𝑧 𝑑𝑒 𝑐𝑜𝑟𝑟𝑒𝑙𝑎𝑐𝑖𝑜𝑛𝑒𝑠
1 𝑘 (𝑖≠𝑗)
𝑅𝑗 2 = 1 − 𝑒𝑠 𝑒𝑙 𝑅2 𝑑𝑒𝑙 𝑚𝑜𝑑𝑒𝑙𝑜 𝑋𝑗 = ∑𝑖=1 𝛽𝑖 𝑋𝑖 + 𝜀
𝑉𝐼𝐹(𝑗)
𝑡
Q-Q Plot: Gráfico (ort,qt), donde: ort : residuos studentizados ordenados, 𝐹̂𝑡 = , 𝑞𝑡 =
𝑛+1

𝑧𝐹𝑡 : fractiles teóricos normales

−1
Intervalo de Confianza para E(Y\X0): 𝑡𝑋0 𝑏 ± 𝑡𝑛−𝑝;1−𝛼⁄2 𝑆√ 𝑡𝑋0 ( 𝑡𝑋𝑋) 𝑋0

𝑡 −1
Intervalo de Predicción para Y\X0: 𝑋0 𝑏 ± 𝑡𝑛−𝑝;1−𝛼⁄2 𝑆√1 + 𝑡𝑋0 ( 𝑡𝑋𝑋) 𝑋0

7. Modelos dinámicos
𝛾𝑘 𝑐𝑜𝑣(𝑧𝑡 ;𝑧𝑡+𝑘 )
Función Autocorrelación Simple (FAS/AC): 𝑟𝑘 = 𝜌̂𝑘 𝜌𝑘 = =
𝛾0 𝜎2
𝑟𝑘
≅ 𝑁(0; 1) ̂ 2 (𝑟𝑘 ) ≅ 1 (1 + 2 ∑𝑘−1 𝑟2𝑗 )
𝐷
̂ (𝑟𝑘 )
𝐷 𝑛 𝑗=1

𝑢𝑡 = 𝜙𝑢𝑡−1 + 𝜀𝑡
Estimación: 𝜙̂ = 𝑟1
AR(1)
𝜎̂ 2 = (1 − 𝑟1 2 )𝑐0
Estacionaridad: |𝜙| <1
𝑢𝑡 = 𝜙1 𝑢𝑡−1 + 𝜙2 𝑢𝑡−2 + 𝜀𝑡
𝑟 (1−𝑟 )
Estimación: 𝜙̂1 = 1 22
1−𝑟1
2
𝑟2 −𝑟1
𝜙̂2 = 1−𝑟 2
1
AR(2)
𝜎̂ 2 = (1 − 𝑟1 𝜙̂1 − 𝑟2 𝜙̂2 )𝑐0
Estacionaridad: |𝜙2 | < 1

𝜙2 + 𝜙1 < 1
𝜙2 − 𝜙1 < 1
𝑢𝑡 = 𝜙1 𝑢𝑡−1 + 𝜙2 𝑢𝑡−2 + 𝜙3 𝑢𝑡−3 + 𝜀𝑡
𝑟1 1 𝑟1 𝑟2 𝜙1
AR(3) Estimación: 𝑟 𝑟
[ 2] = [ 1 1 𝑟1 ] × [𝜙2 ]
𝑟3 𝑟2 𝑟1 1 𝜙3
𝜎̂ 2 = (1 − 𝑟1 𝜙̂1 − 𝑟2 𝜙̂2 − 𝑟3 𝜙̂3 )𝑐0
𝑢𝑡 = 𝜀𝑡 − 𝜃𝜀𝑡−1
−1
Estimación: 𝜃̂ = + 𝑠𝑔𝑛(𝑟1 )√2𝑟1−2 − 1 |𝑟1 | < 0,5
2𝑟1
MA(1)
𝑐
𝜎̂ 2 = 1+𝜃
0
̂2

Invertibilidad: |𝜃| <1

𝑢𝑡 = 𝜀𝑡 − 𝜃1 𝜀𝑡−1 − 𝜃2 𝜀𝑡−2
MA(2)
Invertibilidad: |𝜃2 | < 1
 𝜃2 + 𝜃1 < 1
𝜃2 − 𝜃1 < 1
𝑢𝑡 = 𝜀𝑡 + 𝜙1 𝑢𝑡−1 − 𝜃1 𝜀𝑡−1
ARMA(1,1) Estacionaridad: |𝜙1 | <1
Invertibilidad: |𝜃1 | <1
𝑟𝑘2
Ensayo de Ljung-Box: 𝐻0 )𝜌1 = 𝜌2 = ⋯ = 𝜌ℎ = 0 𝑄ℎ = 𝑇(𝑇 + 2) ∑ℎ𝑘=1 2
∶ 𝜒ℎ−𝑝
𝑇−𝑘

Criterio de Akaike: 𝐴𝐼𝐶 = 2𝑝 − 2ln(𝔏)

Criterio de Schwartz: 𝑆𝐵𝐶 = 𝑝 ln(𝑇) − 2ln(𝔏)
(p = número de parámetros del modelo AR+MA)
Validación 𝑀𝐴𝐷 = ∑|𝑒𝑡 |
1
𝑛
1 𝑒
𝑀𝐴𝑃𝐸 = ∑ | 𝑡 |
𝑛 𝑦𝑡
1
𝑇𝑆 = ∑ 𝑒𝑡
𝑀𝐴𝐷
𝑇−𝑝 1
Ensayo de Jarque y Bera: 𝐻0 ) 𝜀𝑡 : 𝑁 𝐽𝐵 = (𝜎32 + (𝜎4 − 3)2 ) ∶ 𝜒22
6 4