Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Tema6 El Caso Particular de La Inferencia en El Modelo de Regresion Lineal
Tema6 El Caso Particular de La Inferencia en El Modelo de Regresion Lineal
Estadística II
El caso particular de la
inferencia en el modelo
de regresión lineal
Índice
Esquema 3
Ideas clave 4
6.1. Introducción y objetivos 4
6.2. El modelo de regresión lineal simple 5
6.3. Estimación puntual: el método de los mínimos
cuadrados ordinario 10
6.4. Intervalo de confianza para la pendiente de la
recta de regresión poblacional 19
6.5. Contraste de hipótesis para la pendiente de la
© Universidad Internacional de La Rioja (UNIR)
A fondo 34
Test 36
© Universidad Internacional de La Rioja (UNIR)
A N Á L I S I S D E R E G R E S I Ó N L I N E A L S I MP L E
HIPÓTESIS BÁSICAS
DEL MODELO
Estimación de los
parámetros
Tema 6. Esquema
Estadística II
Esquema
3
Ideas clave
Estadística II
4
Tema 6. Ideas clave
Los objetivos de este tema son:
Mostrar al alumno una aplicación concreta de las herramientas de inferencia
estadística aprendidas.
Introducir al alumno en el cálculo e interpretación del análisis de regresión.
Mostrar la posibilidad de realizar predicción de valores a partir del análisis de
regresión.
Utilizar ejemplos cercanos para el alumno, del ámbito empresarial, que permitan
mostrar la aplicabilidad de la relación entre variables a partir de datos que puedan
resultar de su interés.
Veamos un ejemplo. Piensa que dispones del registro salarial de los trabajadores de
una empresa y que observas que hay diferencias entre estas retribuciones, ¿a qué
son debidas, nos podríamos preguntar? Conocidos los factores de los que depende
el salario (que serán la variable X) podré explicar el comportamiento de Y. De esta
manera si X son los años de educación, podremos decir que las diferencias salariales
Estadística II
5
Tema 6. Ideas clave
se deben a diferencias en la educación y podremos incluso estimando el modelo que
las relacionan cuantificar dicha relación, pudiendo indicar cuanto supone en términos
salariales un año más de educación.
En esta ecuación vemos que la relación entre X e Y viene dada por dos valores los
cuales son desconocidos y sobre los cuales vamos a aplicar las técnicas de inferencia
estadística aprendidas. Estos coeficientes reciben el nombre de parámetros del
modelo de regresión lineal y son denotados como 𝛽𝛽0 y 𝛽𝛽1 . Fíjate que estamos
utilizando la ecuación de la recta por tanto el parámetro 𝛽𝛽0 está dando el punto de
corte y el parámetro 𝛽𝛽1 la pendiente de la ecuación de la recta (modelo de regresión
lineal).
Por otro lado, vemos en dicha ecuación que el modelo de regresión puede dividirse
en dos partes:
Determinista: una parte lineal explicada por la variable X, es decir: 𝛽𝛽0 + 𝛽𝛽1 𝑋𝑋.
observados.
Estadística II
6
Tema 6. Ideas clave
siguiente ejemplo para las variables importe de la cifra de negocio y precio de venta
del producto.
Ejemplo
11 11
14 9
13,5 6
18 5
Estadística II
7
Tema 6. Ideas clave
Cuya representación bidimensional es la siguiente:
20
18
Importe de la cira de negocio (Y) 16
14
12
10
8
6
4
2
0
0 5 10 15 20
Precio (X)
Homogeneidad: los términos de error 𝜀𝜀𝑖𝑖 son variables aleatorias con media cero,
𝐸𝐸(𝜀𝜀𝑖𝑖 ) = 0 para i= 1, 2,…, n. Que el valor promedio de los errores sea cero, implica
que el ajuste que se va a realizar está centrado respecto de los datos, luego cabe
esperar que la recta de regresión esté centrada en la nube de puntos de los datos.
Estadística II
8
Tema 6. Ideas clave
Homoscedasticidad: las variables aleatorias 𝜀𝜀𝑖𝑖 es constante; tienen todas la misma
Independencia: las variables aleatorias 𝜀𝜀𝑖𝑖 no están correladas, E �𝜀𝜀𝑖𝑖 𝜀𝜀𝑗𝑗 � = 0 para
todo i ≠ j
1 00 0 ,75
Pesos (kg)
Gastos
80 0,5 0
60 0,25
40 0
155 170 1 85 2 00 0 3 6 9
Alturas (cm) Ingresos (x 1 00000)
Por tanto, y a modo resumen, diremos que la varianza de los errores constante
implica que la nube de puntos de los datos tiene una anchura semejante a lo largo de
la recta de regresión. Si su variabilidad no fuese constante se denomina
heteroscedasticidad. La hipótesis de independencia implica que una observación no
ofrece información sobre los valores de la siguiente.
Estadística II
9
Tema 6. Ideas clave
En este tema asumiremos que se verifican estos supuestos. La asignatura de
Econometría será el lugar para estudiarlos más a fondo y tratar diferentes tipos de
datos para los cuales no se puede mantener estos supuestos.
Definido este modelo vamos a ver a continuación cómo aplicar las herramientas de
inferencia estadísticas aprendidas en temas anteriores sobre los parámetros del
modelo de regresión, 𝛽𝛽0 y 𝛽𝛽1 :
muestra.
regresión lineal, con todo lo que ya sabemos que añade la construcción de estos
intervalos al cálculo de los estimadores puntuales.
Estadística II
10
Tema 6. Ideas clave
El método de los mínimos cuadrados ordinario
El estimador MCO es un procedimiento para determinar las fórmulas que dada una
muestra nos van a permitir aproximarnos a los valores reales de 𝛽𝛽0 y 𝛽𝛽1 .
Ejemplo
20
18
Importe de la cira de negocio (Y)
16
14
12
10
8
6
4
2
0
0 5 10 15 20
Precio (X)
1
Ten en cuenta que las fórmulas utilizadas para los estimadores puntuales salen de determinados métodos de estimación. Uno
de ellos es el Método de los Mínimos Cuadrados Ordinarios. Otros métodos, simplemente para que te suenen, son el de Máxima
Verosimilitud (MV) y el de Método de los Momentos. No obstante, en temas anteriores hemos tomado las fórmulas de los
estimadores puntuales como dadas, simplemente comprobando que son adecuadas porque cumplen las propiedades deseables
de insesgadez y eficiencia y sin atender al método que permite obtenerlas.
Estadística II
11
Tema 6. Ideas clave
El procedimiento de los Mínimos Cuadrados Ordinarios asigna un valor a los
coeficientes 𝛽𝛽0 y 𝛽𝛽1 de forma que se minimizan las distancias entre los puntos, pares
de observaciones (𝑥𝑥𝑖𝑖 , 𝑦𝑦𝑖𝑖 ), y la recta de regresión. De manera que de todas las rectas
posibles que siguen la ecuación lineal 𝑦𝑦 = 𝑎𝑎 + 𝑏𝑏 · 𝑋𝑋, selecciona aquella recta que
hace mínimas las distancias de los datos a la recta. No es por tanto aleatoria la
ubicación de la recta de regresión en la nube de puntos, si no que obedece a este
criterio de minimización.
donde𝑦𝑦�𝑖𝑖 serían los valores de 𝑦𝑦𝑖𝑖 sobre la recta de regresión (se denominan valores
ajustados).
𝑆𝑆𝑥𝑥𝑥𝑥
� =
𝛽𝛽 1 𝑆𝑆𝑥𝑥2
Ya aprendimos que el símbolo “^” sobre los parámetros significa que se trata de
estimadores puntuales. Es la forma de identificar que ya no consideramos el
parámetro si no el estimador puntual el cual es una variable aleatoria.
© Universidad Internacional de La Rioja (UNIR)
Dado que los errores son variables aleatorias, pues las distancias de cada punto 𝑦𝑦𝑖𝑖 a
la recta varían en función de la muestra, una medida interesante a conocer será la
varianza de los residuos la cual mostrará la dispersión que existe entre dichas
Estadística II
12
Tema 6. Ideas clave
distancias o errores (𝑒𝑒𝑖𝑖 ). Dicha varianza será estimada haciendo uso de la fórmula de
la varianza muestral con denominador 𝑛𝑛 − 2 ya que utilizar el denominador n dará
como resultado un estimador sesgado.
Vemos que dicha varianza estimada coincide con el cociente entre la SCR y n-2:
𝑆𝑆𝑆𝑆𝑆𝑆
𝑆𝑆𝑒𝑒2 =
𝑛𝑛 − 2
Estadística II
13
Tema 6. Ideas clave
Importe de
Observaciones la cifra de Precio (X) Y^2 X^2 XY
negocio (Y)
1 7 17 49 289 119
2 9 15 81 225 135
3 10 13 100 169 130
4 11 11 121 121 121
5 14 9 196 81 126
6 13,5 6 182,25 36 81
7 18 5 324 25 90
Sumatorios 82,5 76 1053,25 946 802
Medias 11,7857 10,8571 150,4642 135,1428 114,5714
Varianzas 11,5612 17,2653
Covarianza -13,3877
20
18
16
14
12 y = -0,7754x + 20,204
10
8
6
4
2
0
0 5 10 15 20
¿Cómo se interpreta?
Estadística II
14
Tema 6. Ideas clave
El aumento en el precio en 10 euros, x=10, cabría esperar una caída de la
cifra de negocios de 7,754 millones de euros.
Importe de valores
errores al
Observaciones Precio (X) la cifra de ajustados errores
cuadrado
negocio (Y) de Y
1 17 7 7,022 -0,022 0,001
2 15 9 8,573 0,427 0,182
3 13 10 10,124 -0,124 0,015
4 11 11 11,675 -0,675 0,456
5 9 14 13,226 0,774 0,599
6 6 13,5 15,552 -2,052 4,211
7 5 18 16,327 1,673 2,798
Sumatorios 76 82,5 82,500 0,000 8,261
8,2612
𝑆𝑆𝑒𝑒2 = = 1,6527
7−2
Estadística II
15
Tema 6. Ideas clave
Capacidad explicativa de la regresión lineal. Bondad de ajuste
𝑆𝑆𝑆𝑆𝑆𝑆 = � e2i
𝑖𝑖=1
Estos tres valores son siempre no negativos y están relaciones entre sí mediante la
expresión:
𝑆𝑆𝑆𝑆𝑆𝑆 = 𝑆𝑆𝑆𝑆𝑆𝑆 + 𝑆𝑆𝑆𝑆𝑆𝑆
© Universidad Internacional de La Rioja (UNIR)
La medida de la bondad de ajuste viene dada por cuán próximo sea la variabilidad de
los valores estimados a la variabilidad de los valores observados de la variable
Estadística II
16
Tema 6. Ideas clave
dependiente. Cuanto más próximo sea SCE a SCT mejor será el ajuste y mejor diremos
que explicará la variable X la variabilidad o comportamiento de la variable Y.
Para proporcionar un valor numérico que nos indique el grado de ajuste, siempre que
SCT sea distinta de cero, que es equivalente a que los valores observados de la
variable dependiente no son todos iguales, hacemos la siguiente transformación:
𝑆𝑆𝑆𝑆𝑆𝑆 𝑆𝑆𝑆𝑆𝑆𝑆
1= +
𝑆𝑆𝑆𝑆𝑆𝑆 𝑆𝑆𝑆𝑆𝑆𝑆
𝑆𝑆𝑆𝑆𝑆𝑆
Como cometamos anteriormente, cuanto más próximo a 1 sea el ratio mejor será
𝑆𝑆𝑆𝑆𝑆𝑆
𝑆𝑆𝑆𝑆𝑆𝑆 𝑆𝑆𝑆𝑆𝑆𝑆
𝑅𝑅2 = =1−
𝑆𝑆𝑆𝑆𝑆𝑆 𝑆𝑆𝑆𝑆𝑆𝑆
2
𝑆𝑆𝑋𝑋𝑋𝑋 2
𝑅𝑅 = � �
𝑆𝑆𝑋𝑋 · 𝑆𝑆𝑌𝑌
© Universidad Internacional de La Rioja (UNIR)
Estadística II
17
Tema 6. Ideas clave
Ejemplo
Importe de
Observaciones la cifra de Precio (X) Y^2 X^2 XY
negocio (Y)
1 7 17 49 289 119
2 9 15 81 225 135
3 10 13 100 169 130
4 11 11 121 121 121
5 14 9 196 81 126
6 13,5 6 182,25 36 81
7 18 5 324 25 90
Sumatorios 82,5 76 1053,25 946 802
Medias 11,7857143 10,8571429 150,464286 135,142857 114,571429
Varianzas 11,5612245 17,2653061
Desviaciones
3,40018007 4,15515416
típicas
Covarianza -13,3877551
2
−13,387 2
𝑅𝑅 = � � = 0,898
3,4 · 4,15
Interpretación: Lo que nos está indicando que el modelo definido por la
relación lineal entre las variables explica un 89,8 % de la variabilidad
registrada por la variable dependiente. Esto es, los cambios percibidos
por la variable dependiente vienen explicados por la variable
independiente en un 89,8 % sobre 100 %.
© Universidad Internacional de La Rioja (UNIR)
Estadística II
18
Tema 6. Ideas clave
6.4. Intervalo de confianza para la pendiente de la
recta de regresión poblacional
2
�̂ ) = � 𝑆𝑆𝑒𝑒
𝑠𝑠𝑠𝑠�𝛽𝛽̂1 � = �𝑉𝑉𝑉𝑉𝑉𝑉(𝛽𝛽1
𝑛𝑛 · 𝑆𝑆𝑥𝑥2
nosotros en ningún punto de este tema hemos utilizado los estimadores insesgados
de la varianza porque es así como Gretl lo calcula y para que nos coincida con sus
resultados. Esto puede hacerse porque en Econometría se trabaja con muestras muy
grandes, y por tanto no tiene relevancia con ese tamaño muestral el uso de una u
Estadística II
19
Tema 6. Ideas clave
otra. Sin embargo, si en el formulario de examen te aparece con (n-1) no tiene
relevancia, y lo tenemos en cuenta.
Sea (𝑥𝑥1 , 𝑦𝑦1 ), (𝑥𝑥2 , 𝑦𝑦2 ),…, (𝑥𝑥𝑛𝑛 , 𝑦𝑦𝑛𝑛 ) una muestra de n pares de observaciones de un
proceso cuya recta de regresión poblacional es 𝑌𝑌𝑖𝑖 = 𝛽𝛽0 + 𝛽𝛽1 · 𝑋𝑋𝑖𝑖 + 𝜀𝜀𝑖𝑖
Si los errores de la regresión 𝜀𝜀𝑖𝑖 tienen distribución normal y se verifican los supuestos
de linealidad, homogeneidad, homocedasticidad e independencia, entonces un
intervalo de confianza del 100(1-α) % para la pendiente b de la recta de regresión
poblacional es:
Ejemplo
𝑛𝑛
Estadística II
20
Tema 6. Ideas clave
𝑠𝑠𝑒𝑒2 1,652 1,652
𝑠𝑠𝑠𝑠�𝛽𝛽̂1 � = � =� =�
(𝑛𝑛 − 1) · 𝑆𝑆̂𝑥𝑥
2 (7 − 1) · 20,14286 120,8571
= 0,1169
𝑡𝑡𝛼𝛼,𝑛𝑛−2 = 𝑡𝑡0,025; ,5 = 2,5706
2
Nota: igual que antes hemos cambiado el denominador para poder utilizar la varianza
muestral, poniendo n en sustituición de (n-1) como estaba anteriormente.
Estadística II
21
Tema 6. Ideas clave
Para realizarlos necesitamos suponer que existe normalidad en los errores del
modelo (término de error de la recta de regresión, parte aleatoria). De este modo,
siendo considerados los estimadores puntuales como variables aleatorias, estos
también tendrán una distribución normal con media y varianza calculadas en el punto
anterior, y que pasamos a recordar:
𝐸𝐸�𝛽𝛽̂𝑗𝑗 � = 𝛽𝛽𝑗𝑗 ; 𝑗𝑗 = 0, 1
2
�̂ ) = � 𝑆𝑆𝑒𝑒
𝑠𝑠𝑠𝑠𝑠𝑠�𝛽𝛽̂1 � = �𝑉𝑉𝑉𝑉𝑉𝑉(𝛽𝛽1
𝑛𝑛 · 𝑆𝑆𝑥𝑥2
𝑆𝑆𝑒𝑒2 · 𝑥𝑥̅ 2
𝑠𝑠𝑠𝑠�𝛽𝛽̂0 � = �
𝑛𝑛 · 𝑆𝑆𝑥𝑥2
1. Hipótesis:
Estadística II
22
Tema 6. Ideas clave
2. Supuestos:
3. Estadístico de contraste:
𝛽𝛽̂ − 𝛽𝛽0
𝑡𝑡 =
𝑠𝑠𝑠𝑠(𝛽𝛽̂)
El estadístico de contraste se distribuye como una t-student con n-2 grados de
libertad.
Estadística II
23
Tema 6. Ideas clave
es cero llegando en caso de que sea cierta a afirmar que la variable X no es
significativa, o bien, la alternativa pendiente distinta de cero y así la variable X si es
significativa.
𝐻𝐻 : 𝛽𝛽 = 0
Hipótesis: � 0 1
𝐻𝐻1 : 𝛽𝛽1 ≠ 0
Ejemplo
Hipótesis:
𝐻𝐻0 : 𝛽𝛽1 = 0
𝐻𝐻1 : 𝛽𝛽1 ≠ 0
Estadístico de contraste:
𝛽𝛽̂1 − 𝛽𝛽0 −0,775
𝑡𝑡 = = = −6,6296
𝑠𝑠𝑠𝑠(𝛽𝛽̂1 ) 0,1169
Criterio de decisión:
2
Ten en cuenta que al tratarse de un contraste bilateral tomaremos 2,5% en cada cola.
Estadística II
24
Tema 6. Ideas clave
Vemos por tanto que nuestro estadístico cae en la región de rechazo (cola
izquierda, −6,6296 < −2,5706), por lo que se Rechaza la hipótesis nula
concluyendo que la variable precio sí tiene efecto sobre la cifra de
negocio al ser su coeficiente distinto de cero.
En los casos que aquí están siendo analizados, al tener el modelo un único regresor
(variable explicativa) lo que denominamos el contraste de significatividad de la
regresión coincide con el contraste de significatividad de la pendiente (siendo la
variable a la que acompaña la única variable del modelo).
Estos modelos con un único regresor o variable explicativa se conocen como modelos
de regresión lineal simple.
6.6. Predicciones
Estadística II
25
Tema 6. Ideas clave
Ejemplo
son más realistas que los definidos en el tema anterior, donde se introdujo el modelo
de regresión lineal simple, ya que es de esperar que la variable Y venga explicada y
por tanto su comportamiento dependa de más de una variable explicativa.
Estadística II
26
Tema 6. Ideas clave
Ejemplo
Supongamos que estamos interesados en analizar la relación lineal que existe entre
una variable dependiente Y y k variables independientes 𝑋𝑋1 , 𝑋𝑋2 ,..., 𝑋𝑋𝑘𝑘 . Si las variables
independientes toman valores 𝑥𝑥1 , 𝑥𝑥2 ,..., 𝑥𝑥𝑘𝑘 en una muestra determinada entonces,
la regresión múltiple expresa puede escribirse como:
𝑌𝑌𝑖𝑖 = 𝛼𝛼 + 𝛽𝛽1 𝑥𝑥1𝑖𝑖 + 𝛽𝛽2 𝑥𝑥2𝑖𝑖 + ⋯ + 𝛽𝛽𝑘𝑘 𝑥𝑥𝑘𝑘𝑘𝑘 + 𝜀𝜀𝑖𝑖
donde:
𝛽𝛽𝑗𝑗 son los coeficientes de modelo para la j-ésima variable explicativa donde j=1, ...
Estadística II
27
Tema 6. Ideas clave
𝜀𝜀𝑖𝑖 mide el efecto que producen sobre la respuesta las variables que no están
𝛽𝛽𝑗𝑗 para j=1, 2, ..., k, son los coeficientes de regresión parcial y miden la variación de
la variable dependiente Y por cada cambio unitario en Xi, manteniendo constantes
las demás variables independientes. Mide el efecto marginal que produce un
aumento unitario en 𝑋𝑋𝑗𝑗 cuando el resto de regresores permanecen constantes.
Ejemplo
Una entidad bancaria desea realizar previsiones sobre los recursos ajenos
o pasivo de clientes que captan sus distintas oficinas y en un estudio
previo se considera que el pasivo (en miles de euros) de una sucursal
depende del número de personas que residen en el área de influencia de
la oficina (en miles) y del número de oficinas próximas de otros bancos.
© Universidad Internacional de La Rioja (UNIR)
Interpretación:
Estadística II
28
Tema 6. Ideas clave
Si la población y los bancos toman el valor cero, el pasivo sería de -20.950
euros, lo cual no tiene sentido su interpretación.
Los gráficos mostrados a lo largo de este tema (figura 1 a 3) han sido creados con
Excel, el cual además de representar la nube de puntos (diagrama de dispersión) nos
permite introducir en el gráfico la recta de regresión, así como la ecuación de la
misma, proporcionándonos así la estimación MCO.
© Universidad Internacional de La Rioja (UNIR)
Para ello debemos introducir los datos en Excel indicando en una primera columna
los valores de X y en una segunda columna los de Y. De este modo al insertar un
Gráfico “diagrama de dispersión” Excel tomará los puntos (x, y) representando los
valores de X en el eje de abscisas y de Y en el eje de ordenadas, tal y como mostramos
en la figura 1 del apartado 6.2.
Estadística II
29
Tema 6. Ideas clave
Una vez construido el diagrama de dispersión, debemos pedirle a Gretl que nos dibuje
la recta de regresión y en las opciones de esta que nos indique la ecuación y el
coeficiente de determinación.
Utilizar una base de datos previamente creada de las que el programa nos facilita
(es esta opción la que vamos a utilizar para trabajar en este taller y tener así
diferentes bases de datos listas con las que trabajar).
«Archivo» «Abrir archivo de prueba»
Cargar datos y hacer regresiones con Gretl es muy sencillo, ya que solo debes pulsar
© Universidad Internacional de La Rioja (UNIR)
Para llevar a cabo la regresión MCO accederemos al menú principal a las opciones:
«Modelo» «Mínimos cuadrados ordinarios»
Estadística II
30
Tema 6. Ideas clave
Deberán a continuación definirse las variables X e Y.
Podemos utilizar las opciones que aparecen en el nuevo menú principal de la tabla
del modelo:
Archivo:
Editar:
• Modificar el modelo.
• Valores estimados.
Gráficos:
• Gráficos de residuos.
• Gráficos de la variable estimada y observada.
Análisis:
Guardar:
• Residuos.
• Valores estimados.
Te recordamos que al igual que ocurría con otros cálculos en Gretl, los output de
resultados que ahora vas a obtener contienen todos los valores expresados bajo el
Estadística II
31
Tema 6. Ideas clave
criterio anglosajón de fijación de decimales, esto es, se indican los decimales
mediante un punto y no se utiliza separador de miles.
Vemos a continuación los resultados en Gretl del ejemplo que hemos ido
desarrollando a lo largo del tema.
Ejemplo
5 18
La tabla output que nos da Gretl con todos los resultados calculados en el
ejemplo a lo largo de este tema es la siguiente:
Estadística II
32
Tema 6. Ideas clave
© Universidad Internacional de La Rioja (UNIR)
Bel, G. (2006). Gasto Municipal por el servicio de residuos sólidos urbanos. Revista de
economía aplicada, 41 (vol. XIV), 5-32.
Accede al documento a través del aula virtual o desde la siguiente dirección web:
http://www.revecap.com/revista/numeros/41/pdf/bel.pdf
© Universidad Internacional de La Rioja (UNIR)
Estadística II
34
Tema 6. A fondo
Econometría básica aplicada a Gretl
Esteban, M. V. et al. (2009). Econometría básica aplicada con Gretl. EHU/UPV: Sarriko-on
Accede al documento a través del aula virtual o desde la siguiente dirección web:
http://www.et.bs.ehu.es/~etpesgov/VirtualCompleto.pdf
© Universidad Internacional de La Rioja (UNIR)
Estadística II
35
Tema 6. A fondo
Test
1. En el modelo de regresión 𝑌𝑌 = 𝛽𝛽0 + 𝛽𝛽1 · 𝑋𝑋 + 𝜀𝜀:
A. Si el modelo es no significativo entonces 𝛽𝛽1 = 0.
B. Si el modelo es significativo entonces 𝛽𝛽1 = 0.
C. Si el modelo es no significativo entonces 𝛽𝛽0 = 0 y 𝛽𝛽1 = 0.
D. Si el modelo es significativo entonces 𝛽𝛽0 = 0.
𝐻𝐻1 : 𝛽𝛽 ≠ 2
A. Rechazamos la hipótesis nula a un nivel de confianza del 95 %.
B. No rechazamos la hipótesis nula a un nivel de confianza del 95 %.
C. No podemos tomar una decisión si realizar el contraste.
D. No guardan relación el intervalo de confianza y el contraste de hipótesis.
Estadística II
36
Tema 6. Test
5. (1-R2) % expresa:
A. El porcentaje de variabilidad de la variable X que es explicado por la variable Y.
B. El porcentaje de variabilidad de la variable X que no es explicado por la variable
Y.
C. El porcentaje de variabilidad de la variable Y que es explicado por la variable X.
D. El porcentaje de variabilidad de la variable Y que no es explicado por la variable
X.
6. Si 𝑅𝑅2 = 1, entonces:
A. Todos los puntos están sobre la recta de regresión.
B. Ningún punto está sobre la recta de regresión.
C. La pendiente es la unidad.
D. La recta pasa por el origen de coordenadas.
Estadística II
37
Tema 6. Test
9. Si en el contraste de significatividad de la pendiente se rechaza la hipótesis nula a
cierto nivel de confianza, entonces, a ese nivel podemos afirmar que:
A. Los coeficientes α y β son nulos.
B. Los coeficientes α y β son nulos.
C. El intervalo de confianza para la pendiente contendrá el cero.
D. El intervalo de confianza para la pendiente no contendrá el cero.
10. Considera el modelo de regresión lineal 𝑦𝑦𝑖𝑖 = 𝛽𝛽0 + 𝛽𝛽1 𝑥𝑥1𝑖𝑖 + 𝑢𝑢𝑖𝑖 . Se obtiene la
siguiente muestra de 4 elementos:
𝑥𝑥1𝑖𝑖 3 2 4 2
𝑦𝑦𝑖𝑖 -2 1 -1 0
Estadística II
38
Tema 6. Test