Está en la página 1de 66

UNSCH

CAPÍTULO 2
MODELO DE REGRESIÓN DE DOS
VARIABLES

Econ. Juan A. Huaripuma Vargas
20 de enero de 2015

CONTENIDO

Planteamiento de la teoría o de la hipótesis

Especificación del modelo Matemático de la Teoría

Especificación del Modelo Econométrico

Estimación del modelo econométrico

Inferencia estadística

Predicción

PLANTEAMIENTO DE LA TEORÍA O HIPÓTESIS
La función consumo de Keynes …

La ley psicológica fundamental … consiste en que los hombres [y las
mujeres] como regla general y en promedio, están dispuestos a
incrementar su consumo a medida que su ingreso aumenta, pero no en
la misma cuantía del aumento en su ingreso. (John Maynard Keynes,
The General Theory of Employment, Interest and Money, Harcourt
Brace Jovanovich, New York, 1963, p. 96)

.2.ESPECIFICACION DEL MODELO MATEMÁTICO DE LA TEORIA Modelo económico … Según la teoría:  Y  f (X ) . m Entonces.. se tendría la siguiente relación exacta o determinística: Yi  1   2 X i 0  2  1 ..3.. Y 0 1 X Por simplicidad asumamos que: Y  1   2 X 0  2  1 Si se tiene el siguiente par de observaciones: Yi Xi i  1.

ESPECIFICACION DEL MODELO MATEMÁTICO DE LA TEORIA Del modelo económico al modelo económetrico … . Yi  1   2 X i .

X j )  0 Covarianza E (  i2 / X i )   2 Varianza  i ~ NID (0. i 0  2  1 Es una variable aleatoria (estocástica) con las siguientes propiedades: E ( i / X i )  0 Media E ( i  j / X i .  2 ) Distribución normal e independiente Xi Son fijas !! .ESPECIFICACION DEL MODELO ECONOMÉTRICO Modelo econométrico … Como las relaciones económicas son inexactas el modelo económico debe modificarse de la siguiente manera: Yi  1   2 X i  i .

ESPECIFICACIÓN DEL MODELO ECONOMÉTRICO Propiedades de la variable aleatoria … E (Yi )  1   2 X i .

ESPECIFICACIÓN DEL MODELO ECONOMÉTRICO Función de regresión poblacional Del modelo econométrico: Yi  1   2 X i  i Se deduce: E (Yi / X i )  1   2 X i Función de Regresión Poblacional (FRP) Puesto que: E ( i / X i )  0 Xi Es fija en cada muestreo .

con el objetivo de estimar y/o predecir la media o valor promedio poblacional de la primera en términos de los valores conocidos o fijos (en muestras repetidas) de las últimas. respecto a una o más variables (las variables explicativas).ESPECIFICACION DEL MODELO ECONOMÉTRICO Análisis de regresión … Trata del estudio de la dependencia de la variable dependiente. el propósito es estimar la FRP siguiente: E (Yi / X i )  1   2 X i . . En resumen.

ESTIMACIÓN DEL MODELO ECONOMÉTRICO Función de regresión muestral Dado el siguiente modelo econométrico: Yi  1   2 X i  i Si el objetivo es estimar: . E (Yi / X i )  1   2 X i Considerando una muestra de “n” pares de valores para las variables involucradas en el modelo y asumiendo un “método apropiado” se puede postular que la estimación muestral es la siguiente: Yˆi  ˆ1  ˆ2 X i Función de regresión muestral (FRM) Donde: Yˆi ˆ1 ˆ2 Son estimadores de: E (Yi / X i ) 1  2 .

ESTIMACIÓN DEL MODELO ECONOMÉTRICO Función de regresión muestral (FRM) FRM : Yˆi  ˆ1  ˆ2 X i . .

Semanal. US$ X .ESTIMACIÓN DEL MODELO ECONOMÉTRICO Recta de regresión muestral y poblacional Yˆi Yˆi  ˆ1  ˆ2 X i ei i Yˆi E (Yi / X i )  1   2 X i E (Yi / X i ) Consumo .Yi ) Xi Ingreso Semanal. US$ P ( X i .

US$ Yi ei Yˆi  ˆ1  ˆ2 X i ei Yˆi P ( X i . US$ X .ESTIMACIÓN DEL MODELO ECONOMÉTRICO Recta de regresión muestral y error muestral … P ( X i .Yˆi ) Xi Ingreso Semanal. Consumo Semanal.Yi ) .

ESTIMACIÓN DEL MODELO ECONOMÉTRICO El método de mínimos cuadrados ordinarios Considerando que: ei  Yi  ˆ1  ˆ2 X i Elevando al cuadrado y aplicando el operador de sumatoria se tiene: 2 2 ˆ ˆ e  [ Y     X ] i  i 1 2 i El criterio del MMCO es hacer que la   2 [ ei ]  ˆ 1 ˆ1   2 [ ei ]  ˆ  2 ˆ2 2 e i Sea mínimo.  [Y  ˆ  ˆ X ]   0 2 i 1 2 i  [Y  ˆ  ˆ X ]   0 2 i 1 2 i .

ESTIMACIÓN DEL MODELO ECONOMÉTRICO El método de mínimos cuadrados ordinarios … ecuaciones normales Derivando se obtiene:  [ ei2 ]  2 [Yi  ˆ1  ˆ2 X i ][1]  0 ˆ1  [ ei2 ]  2 [Yi  ˆ1  ˆ2 X i ][ X i ]  0 ˆ2  [e ]  0 i  [e ][ X ]  0 i i Multiplicando y transponiendo términos se tiene las siguientes ecuaciones normales: Y i  nˆ1  ˆ2  X i 2 ˆ ˆ X Y   X   X  i i 1 i 2  i [1] [2] .

ESTIMACIÓN DEL MODELO ECONOMÉTRICO Población … Ejemplo hipotético de 60 familias. .

ESTIMACIÓN DEL MODELO ECONOMÉTRICO Población … Ejemplo hipotético de 60 familias. .

ESTIMACIÓN DEL MODELO ECONOMÉTRICO Muestra aleatoria … Ejemplo hipotético de 10 familias. .

800 57.600 34 8 135 180 24.320 25.560 25.400 1 10 55 80 4.400 6.300 32.540 48.ESTIMACIÓN DEL MODELO ECONOMÉTRICO Muestra aleatoria … Ejemplo hipotético de 10 familias.400 45 9 157 220 34.420 310.400 51 3 165 240 39.600 24 4 102 160 16.400 211.600 49 5 145 240 34.600 32. 37     .400 27 7 116 160 18.600 57.500 10.600 32 6 120 180 21. Muestra Aleatoria N° N° Consumo Ingreso     Aleatorio Observación Y X X*Y X^2 6 1 65 100 6.800 14.400   Sumatoria 1150 1680   Promedio 115 168 Fuente: Gujarati (2004) "Econometría" Pág.000 14 2 90 120 10.

ESTIMACIÓN DEL MODELO ECONOMÉTRICO Aplicación del Método de mínimos cuadrados ordinarios … De la tabla anterior se deduce los siguientes cálculos auxiliares: X  Y  1.150  X Y  211.680 n  10  310.150  10ˆ1  1.420  X i i i i 2 i  1.400 ˆ2 Se tiene dos ecuaciones y dos incógnitas … ¡Existe una sola solución! .680 ˆ2 211.400 Reemplazando en las ecuaciones normales se tiene: 1.420  1680 ˆ1  310.

64. .ESTIMACIÓN DEL MODELO ECONOMÉTRICO Resultados del Método de mínimos cuadrados ordinarios … Resolviendo las ecuaciones se tiene: ˆ1  6. la FRM es: Yˆi  6.64701705 X i  El consumo autónomo estimado es US$ 6.3 semanales  La propensión marginal a consumir estimado es 0.64701705 Por tanto.30113636  0.64.30113636 ˆ2  0. Si el ingreso semanal aumenta en US$ 1 el gasto de consumo semanal aumenta en US$ 0.

30113636     Pendiente 0.7642054 12 2.94318236 6 727 51 3 165 240 161.06250036 -3 -245 0 0 N°   Sumatoria   Promedio 1.64701705 .5852284 3 820 24 4 102 160 109.5852284 -17 -3.150 1.680 115 168 1.252 49 5 145 240 161.7642054 -3 -498 27 7 116 160 109.8238644 6 988 34 8 135 180 122.8238644 -8 -1.202 45 9 157 220 148. 37 Intercepto 6.980 32 6 120 180 122.6448874 8 1.00284136 -6 -600 14 2 90 120 83.ESTIMACIÓN DEL MODELO ECONOMÉTRICO Propiedades del método de mínimos cuadrados ordinarios … Muestra Aleatoria Consumo Ingreso Consumo Estimado Error Muestral   Aleatorio N° Observació n Y X YEST E E*X 6 1 65 100 71.150 115     Fuente: Gujarati (2004) "Econometría" Pág.838 1 10 55 80 58.

ESTIMACIÓN DEL MODELO ECONOMÉTRICO Propiedades del método de mínimos cuadrados ordinarios … De las ecuaciones normales se tiene:  [ei ]  0  [e ][ X ]  0 i i Y  nˆ1  ˆ2 X Y  Yˆ  De la FRM se tiene: Yˆi  ˆ1  ˆ2 X i  Yˆ  nˆ i 1  ˆ2  X i Yˆi  Yˆ  ˆ2 ( X i  X ) yˆ i  ˆ2 xi  Donde: yˆ i  Yˆi  Yˆ xi  X i  X Yˆ  ˆ1  ˆ2 X FRMD .

ESTIMACIÓN DEL MODELO ECONOMÉTRICO
Estimación de la FRM utilizando variables en términos de desviaciones …
Por definición:

ei  Yi  Yˆi  Yi  Yˆ  Y  Y  (Yi  Y )  (Yˆi  Y )  yi  yˆ i
 Elevando al cuadrado y aplicando el operador de sumatoria:
2
2
2
ˆ
e

(
y

y
)

(
y


x
)
 i  i ˆi  i 2 i



2
2
ˆ
[ ei ] 
[
y


x
]
0

i
2 i
ˆ2
ˆ2

2
ˆ
x
y


x
[ ei2 ]  2 [ yi  ˆ2 xi ][ xi ]  0

i i
2 i  0
ˆ2
 Por tanto:
xi yi

ˆ1  Y  ˆ2 X
ˆ2 
2
 xi

ESTIMACIÓN DEL MODELO ECONOMÉTRICO
Método de mínimos cuadrados ordinarios … Ejemplo hipotético
De la tabla anterior se deduce los siguientes cálculos auxiliares:

 xi y i  18,220

2
x
 i  28,160

X  168

Y  115
Reemplazando se tiene:

ˆ2

xy


x
i

2
i

i

 0.647017045

ˆ1  Y  ˆ2 X  6.30113636 4

Y además se puede confirmar las propiedades del método de mínimos
cuadrados ordinarios …

ESTIMACIÓN DEL MODELO ECONOMÉTRICO
Método de mínimos cuadrados ordinarios con desviaciones …
Muestra Aleatoria
Consumo
Y

Ingreso
X

 

 
y

 
x

 
xy

 
x^2

64

yest
43.997159
1
31.056818
2
46.585227
3
5.1761363
6

5184

46.585227
3

65

100

-50

-68

3400

4624

90

120

-25

-48

1200

2304

165

240

50

72

3600

5184

102

145

160

240

-13

30

-8

72

104

2160

 

120

180

5

12

60

144

116

160

1

-8

-8

64

135

180

20

12

240

144

157
55
1,150

220
80
1,680

42
-60
0

52
-88
0

2184
5280
18,220

2704
7744
28,160

7.7642045
5
5.1761363
6
7.7642045
5
33.644886
4
-56.9375
0

 
e

-6

6
3

-8

-17

-3

6
12
8
-3
0

ex
408.19318
2
290.72727
3
245.86363
6
62.590909
1
1194.1363
6
33.170454
5
49.409090
9
146.82954
5
434.46590
9
269.5
0

Son estimadores óptimos!! .  Tienen varianza mínima.  Son Insesgados.ESTIMACIÓN DEL MODELO ECONOMÉTRICO Propiedades de los estimadores mínimos cuadráticos: Teorema de Gauss-Markov … Los estimadores: ˆ2 xy   x i 2 i i ˆ1  Y  ˆ2 X  Son funciones lineales de las observaciones reales de la variable endógena.

ESTIMACIÓN DEL MODELO ECONOMÉTRICO Propiedades de los estimadores mínimos cuadráticos: Teorema de Gauss-Markov …  Es función lineal de las observaciones reales de la variable endógena: x y x  w y ˆ2  ˆ2 i i 2 i i i Donde: ˆ2   wi (Yi  Y ) wi  xi 2 x  i Siendo: w ˆ2   wiYi ˆ2  w1Y1  w2Y2  w3Y3  w4Y4  .  wnYn i 0 ...

ESTIMACIÓN DEL MODELO ECONOMÉTRICO Propiedades de los estimadores mínimos cuadráticos: Teorema de Gauss-Markov …  Es Insesgado: ˆ2   wiYi Considerando que: Yi  1   2 X i  i ˆ2   wi [ 1   2 X i  i ] ˆ2  1  wi   2  wi X i   wi i E ( ˆ2 )   2   wi E ( i ) E ( ˆ2 )   2 Como: E ( i )  0 Es una propiedad multimuestral !! .

.  wn  n ) 2 Var ( ˆ2 )  E ( w12 12  w22  22  .ESTIMACIÓN DEL MODELO ECONOMÉTRICO Propiedades de los estimadores mínimos cuadráticos: Teorema de Gauss-Markov …  Tiene Varianza Mínima ˆ2   2   wi i E[ ˆ2   2 ]2  E[ wi i ]2 Var [ ˆ2 ]  E[ wi i ]2 Var ( ˆ2 )  E ( w11  w2  2  ....  wn2  n2  2 w1w2 1 2  .  2 wn 1wn  n 1 Var ( ˆ2 )   2  wi2  2 Var ( ˆ2 )  2 x  i ...

.ESTIMACIÓN DEL MODELO ECONOMÉTRICO Propiedades de los estimadores mínimos cuadráticos: Teorema de Gauss-Markov … Sea el siguiente estimador lineal: ˆ2   ci y i   ci (Y i  Y )   ciYi Reemplazando se tiene: ˆ2   ci (1   2 X i  i )  1  ci   2  ci X i   ci i Aplicando el operador de esperanza matemática: E ( ˆ2 )   2 c i 0 Siempre y cuando que: c X i i 1 E ( i )  0 Este estimador arbitrario es lineal e insesgado … bajo ciertas condiciones.

.. se tiene: Var ( ˆ2 )  E ( ˆ2   2 ) 2  E ( ci i ) 2 Var ( ˆ )  E (c   c   .....  cn2  n2  2c1c2 1 2  . elevando al cuadrado y aplicando el operador de esperanza matemática. Si esas ciertas condiciones se cumplen: ˆ ˆ2   2   ci i Despejando.  c  ) 2 2 1 1 2 2 n n Var ( ˆ2 )  E (c12 12  c22  22  .ESTIMACIÓN DEL MODELO ECONOMÉTRICO Propiedades de los estimadores mínimos cuadráticos: Teorema de Gauss-Markov … varianza mínima.  2cn 1cn  n 1 n ) Var ( ˆ )   2 c 2 2   i .

ESTIMACIÓN DEL MODELO ECONOMÉTRICO Propiedades de los estimadores mínimos cuadráticos: Teorema de Gauss-Markov … varianza mínima. Considerando los multiplicadores de Lagrange: Z   2  ci2  1  ci  2  ci X i La varianza será mínima si se cumple que: Z 0 ci Z 0 1 Z 0 2 Z  2ci 2  1  2 X i  0 ci Z   ci  0 1 Z  ( ci X i  1)  0 ci .

De lo anterior: 1 ci  [1  2 X i ] 2 2  La varianza será mínima si se cumple que: 1 n1  2  X i  0 [n1  2  X i ]  0 2 2  1 2 2 2 c X  [  X   X  1  X   X  2   i i 2 2 1  i 2  i 1 i 2 i    ci  De donde:  2 2 X 1  2 x  i 2 2 2  2 x  i .ESTIMACIÓN DEL MODELO ECONOMÉTRICO Propiedades de los estimadores mínimos cuadráticos: Teorema de Gauss-Markov … varianza mínima.

ESTIMACIÓN DEL MODELO ECONOMÉTRICO Propiedades de los estimadores mínimos cuadráticos: Teorema de Gauss-Markov … varianza mínima. es lineal. Remplazando se tiene que: xi ci  2 x  i ¿ ci  wi ? Es decir. insesgado y tiene varianza mínima … Es un estimador eficiente !!! … . este estimador arbitrario es igual a: ˆ2   ci y i  x y x i 2 i i  ˆ2 Por tanto su varianza será: 2   Var ( ˆ2 )   2  ci2  2 x  i En conclusión: El estimador mínimo cuadrático.

ESTIMACIÓN DEL MODELO ECONOMÉTRICO Varianza de la regresión … Siendo el modelo: Yi  1   2 X i  i Y su contraparte muestral: Yi  ˆ1  ˆ2 X i  ei A partir de. ei  yi  yˆ i E ( ei2 )  (n  2) 2 Se obtiene: 2 E ( e  i ) 2   n2 El cual para una muestra particular será: ˆ 2  2 e i n2 .

ESTIMACIÓN DEL MODELO ECONOMÉTRICO Descomposición de la varianza y coeficiente de determinación … Como: yi  yˆ i  ei Elevando al cuadrado y aplicando el operador de sumatoria se tiene: 2 2 e  ( y  y ) ˆ i  i i Como: 2 2 2 y  y  e ˆ  i  i  i  2 yˆi e  yˆ e   (ˆ x )e i Entonces: 2 2 2 y  y  e ˆ  i  i i SCT  SEC  SRC 2 i i  ˆ2  xi ei  0 .

Semanal. US$ Yi X Xi Ingreso Semanal.ESTIMACIÓN DEL MODELO ECONOMÉTRICO Descomposición de la varianza y coeficiente de determinación … Y Yi Yˆi  ˆ1  ˆ2 X i ei Yˆi Total Yi  Y Debido al residuo Yˆi Yˆi  Y Y Debido a la regresión Consumo . US$ X .

Fórmulas alternativas: 2 2 x [ x y ] r 2  ˆ22  i2   2 i i 2  yi  xi  yi r r  2 x y x  y i 2 i El coeficiente de correlación es una medida de asociación lineal … i 2 i .ESTIMACIÓN DEL MODELO ECONOMÉTRICO Descomposición de la varianza y coeficiente de determinación … Definición de coeficiente de determinación: 2 2 y e ˆ SEC  i i r2    1  2 STC  yi2 y  i Es la bondad de ajuste. Mide la proporción o porcentaje de la variación total de la variable endógena explicada por el modelo de regresión.

ESTIMACIÓN DEL MODELO ECONOMÉTRICO Diagramas de dispersión y coeficientes de correlación … 330 280 Incorrelación 230 180 130 80 30 140 150 160 170 180 190 200 .

822 0. 115 168 0 0 Fuente: Gujarati (2004) "Econometría" Pág.585227 3 5.660672 2170.1834 8 26.248   yest^2 e^2 1935.585227 3 7.3011363 1. 37 6.034099 964.1761363 6 7.144660 4 149.179 38.792387 61.500 6 625 3 2.816   yest 43.807923 9 9.160 FUENTE: Gujarati. 1.6408267 2 7 26.06976 2170.792387 7 60.056818 2 46.3789062 5 695 70 .6470170 2.600 12.71469 69.7642045 5 5.997159 1 31.150 0 18.789 1.1834 4 60.644886 4 -56.484 1.1761363 6 46.500 -8 169 -17 900 -3 25 6 1 12 400 8 1. p28.764 -3 0 0 3.9375 0 0     e y^2 -6 2.9783 8 3241.52595 36.ESTIMACIÓN DEL MODELO ECONOMÉTRICO Descomposición de la varianza y coeficiente de determinación … Muestra Aleatoria Consumo Y Ingreso   X         y x xy x^2 65 100 -50 -68 3400 4624 90 120 -25 -48 1200 2304 165 240 50 72 3600 5184 102 160 -13 -8 104 64 145 240 30 72 2160 5184 120 180 5 12 60 144 116 160 1 -8 -8 64 135 180 20 12 240 144 157 220 42 52 2184 2704 55 80 -60 -88 5280 7744 1.685046 6 5 11.220Hill.282872 7.680 Damodar N.212842 7 2 275. 0 (2004) "Econometría" McGraw 37.8789 1 11.7500 1 36.282872 2 1131.7642045 5 33.

9187 n2 8 .94 2 2 STC  yi 12.484  yi r x y x y i 2 i i 2 i  18.ESTIMACIÓN DEL MODELO ECONOMÉTRICO Coeficiente de determinación y varianza de la regresión … En resumen: STC SEC SCR 12.160 12.484 2 e 695  i 2 ˆ     86.789 695 Por tanto: 2 2 y e SEC  ˆ i 695  i 2 r    1  1  0.484 11.220  0.97 28.

ESTIMACION DEL MODELO ECONOMÉTRICO Modelos econométricos alternativos … Yi    i Yi   X i  i Yi  1   2 1  i Xi 1  1   2 X i   i Yi LnYi  1   2 LnX i  i LnYi  1   2 X i  i Yi  a  bX 2i  cX 22i  i Yi  1   2 X 2i   3 X 3i  i Yi  1   2 X 2i   3 X 3i  ..   k X ki  i Yi  1   2 LnX i  i ..

PRUEBAS DE HIPÓTESIS El modelo clásico de regresión lineal normal (MCRLN)… El MCRLN supone que: E ( i / X i )  0 E[ i  E ( i )]2  E[ i2 ]   2 E[ i  E ( i )][  j  E (  j )]  0 El cual puede expresarse como:  i ~ NID(0.  Se relaciona con otras distribuciones.  2 )  Cualquier función lineal de variables normalmente distribuidas estará también normalmente distribuida. .

1) 2  2 x  i Además se puede demostrar que: ˆ 2 (n  2) 2 ~  n2 2  O alternativamente.1) 2 2  Xi  2 x  i ˆ2   2 Z2  ~ N (0. las variables.PRUEBAS DE HIPÓTESIS Propiedades de los estimadores MCO bajo el supuesto de normalidad … Entonces. 2 e  i ~ 2 n2  2 . de acuerdo con las propiedades de la distribución normal. definidas como: Z1  ˆ1  1 ~ N (0.

1) Teorema 2: Z1 ~ N (0.1) V2 ~  k2 n 2 2 Z ~   i n i 1 Z1 ~ tk V2 k Teorema 3: V1 ~  k21 V2 ~  k22 Teorema 4: t k2  F1.k V1 / k1 ~ Fk1 .PRUEBAS DE HIPÓTESIS Teoremas útiles relacionadas con la distribución normal … Teorema 1: Z i ~ NI (0.k 2 V2 / k 2 .

se obtiene: tn2  ˆ2   2  2 2 x  i ˆ 2 (n  2) 2  n2 ˆ2   2 ˆ2   2   2 S ˆ2 ˆ   xi2 .PRUEBAS DE HIPÓTESIS Utilizando los teoremas planteados se deducen … Considerando que: Z2  ˆ2   2  2  ~ N (0.1) y ˆ 2 V2  (n  2) 2 ~  n2 2  2 x  i Utilizando el teorema 2.

PRUEBAS DE HIPÓTESIS Utilizando los teoremas planteados se deducen … Por el teorema 1: ˆ2   2 Z2  ~ N (0.1) 2  2 x  i 2 2 ˆ ˆ [    ] x    2  i 2 Z 22  [ 2 2 2 ]2  2   1 2    2 x  i Como también: [ ˆ2   2 ]2  xi2 ˆ V2  (n  2) ~  n2 2  2  2  Entonces. se deduce: F1.n  2   2 1 ˆ 2 ( n  2) 2  n2 . utilizando el Teorema 3.

1) 2 i ˆ1  1  X ˆ n x 2 i 2 i 2  ~ tn2 ˆ2   2 Z2  ~ N (0.1) 2  2 x  i ˆ2   2 ˆ 2  2 x  i [ ˆ2   2 ]2  xi2 ~ F1.PRUEBAS DE HIPÓTESIS En resumen se tiene las siguiente variables aleatorias … Z1  ˆ1  1 X  n x 2 i 2  ~ N (0.n  2 2 ˆ  ~ tn2 .

la hipótesis alternativa será: H A : 2  0 .PRUEBAS DE HIPÓTESIS No existe relación entre la variable endógena y la exógena … La relación entre la variable endógena y exógena viene dada por la dependencia lineal del valor medio de la variable endógena respecto de la variable exógena: E (Yi / X i )  1   2 X i La hipótesis de no relación entre la variable endógena y la variable exógena es: H0 : 2  0 Si no tenemos ningún conocimiento previo respecto a los valores de los parámetros de la regresión.

.PRUEBAS DE HIPÓTESIS No existe relación entre la variable endógena y la exógena … Para contrastar la hipótesis nula utilizamos el estadístico de prueba deducido: t ˆ  2 ˆ2   2 ˆ 2 2 x  i El cual bajo la hipótesis nula propuesta será: t ˆ  2 ˆ2 ˆ 2 2 x  i Un valor grande de t será evidencia en contra de la hipótesis nula.

El intervalo de confianza establecido es conocido como la región de aceptación (de la hipótesis nula) y las regiones que quedan por fuera del intervalo de confianza son llamadas las regiones de rechazo.PRUEBAS DE HIPÓTESIS No existe relación entre la variable endógena y la exógena … Debido a que el estadístico de prueba sigue una distribución t se puede utilizar para determinar si un valor t particular es grande o pequeño estableciendo intervalos de confianza como el siguiente: Pr[t / 2 Donde: ˆ2   2   t / 2 ]  1   2 ˆ   xi2 t / 2 Es el valor crítico obtenido de la tabla t (student) para un nivel de significancia y grados de libertad dados. .

Se rechaza la hipótesis nula Se rechaza la hipótesis nula Area A = área B (A+B) = el nivel deseado de significancia Area A Area B .Valor critico + Valor critico .PRUEBAS DE HIPÓTESIS Esquema de prueba de significancia individual … Se acepta la hipótesis nula si el estadístico de la prueba cae dentro de esta región.

086 0 + 2.025 0.05 Grados de libertad: 20 .025 .2.PRUEBAS DE HIPÓTESIS Determinación de los valores críticos … Distribución de t Student 0.086 Nivel de significancia: 0.

65 2 86.160 x  i Se rechaza Se rechaza Se acepta 0.306 Valor critico 0.306 Valor critico 11. Hipótesis: H A : 2  0 H0 : 2  0 Estadístico de prueba: tn2  Regla de decisión: ˆ2 0.65 .05 2.05 -2.9187 ˆ  2 28.6470   11.INFERENCIA ESTADÍSTICA Prueba de significancia individual … Ejemplo hipotético.

05. 0.  Una vez que se ha obtenido un estadístico de prueba se puede obtener la probabilidad exacta de cometer un error tipo I: el nivel de significancia más bajo al cual puede rechazarse una hipótesis nula.05 0. entonces la hipótesis nula puede ser rechazada si el t calculado excede a 2 en valor absoluto.  ¿Cómo se formula las hipótesis?: no existe regla práctica  Rechazar o no rechazar la hipótesis nula depende en forma crítica del nivel de significancia: Rechazar la hipótesis nula siendo esta verdadera (error tipo I).INFERENCIA ESTADÍSTICA Algunos aspectos prácticos …  Si el número de grados de libertad es 20 y si el nivel de significancia.05 . se fija en 0.

X. X. . Toda la variación de Y es explicada por las perturbaciones aleatorias. H 0 :  2  0 La variable explicativa.PRUEBAS DE HIPÓTESIS Prueba de significancia global … Puede demostrarse que: E ( SEC )  E ( ˆ22  x i )   2   22  xi2 2  ei [1] 2 E ( SRC )  E ( n2 )  E (ˆ 2 )   2 [2] Hipótesis: H 0 : 2  0 La variable explicativa. no tiene influencia lineal sobre Y. parte de la variación de Y se atribuirá a X. tiene influencia lineal sobre Y.

n  2  [ ˆ2   2 ]2  xi2 ˆ 2  F1.n  2 ˆ22  xi2  ˆ 2 Este estadístico es una razón de varianzas.k2 . . ]  1   2 ˆ  2 x  i Un valor grande de F será evidencia en contra de la hipótesis nula.PRUEBAS DE HIPÓTESIS No existe relación entre la variable endógena y la exógena … Estadístico de prueba: F1. Debido a que el estadístico de prueba es una distribución F se puede utilizar para determinar si esta razón es grande o pequeño estableciendo intervalos de confianza como el siguiente: ˆ Pr[ 2  2  Fk1 .

PRUEBAS DE HIPÓTESIS Esquema de prueba de significancia individual … Se acepta la hipótesis nula si el estadístico de la prueba cae dentro de esta región. Se rechaza la hipótesis nula Nivel de significancia deseado + Valor critico .

10 Grados de libertad: 4 en el numerador y 4 en el denominador .PRUEBAS DE HIPÓTESIS Determinación de los valores críticos … Distribución F Snedecor + 4.11 Nivel de significancia: 0.

INFERENCIA ESTADÍSTICA Prueba de significancia global … Ejemplo hipotético.160] F1.418631][28.90 0.05 3.6285 .10 0.46 Valor critico 135.6285 2 ˆ  86.8    135.9187 Regla de decisión: Se acepta Se rechaza 0. Hipótesis: H A : 2  0 H0 : 2  0 Estadístico de prueba: ˆ22  xi2 [0.05 0.

PRUEBAS DE HIPÓTESIS Tabla ANOVA … ejemplo hipotético. SUMA PROMEDIO DE CUADRADOS ˆ22  xi2  ei / n  2 2 . SUMA DE CUADRADOS GRADOS DE LIBERTAD Debido a la regresión (SEC)  yi2 ˆ22  x i 1 Debido a los residuos (SRC)  ei n-2 STC y n-1 FUENTE DE VARIACIÓN 2 2 2 i Regla de decisión: FC  FT Se rechaza la hipótesis.

PREDICCIÓN Predicción … Hay dos clases de predicciones:  Predicción de un valor individual escogido X de Y correspondiente a un valor  Predicción del valor de la media condicional de Y correspondiente a un valor escogido X. .

PREDICCIÓN Predicción Individual … Dado el siguiente Modelo: Yi  1   2 X i  i Supongamos que para un valor de: Deseamos predecir: X0 Y0 Y0    X 0  0 E (Y0 )     X 0 Yˆ0  ˆ  ˆX 0 El valor de Y0 Casi siempre es distinto a Yˆ0 .

PREDICCIÓN Media del error de predicción individual Y0  Yˆ0  [Y0  E (Y0 )]  [ E (Y0 )  Yˆ0 ] Y0  Yˆ0    X 0  0  ˆ  ˆX 0 E[Y0  Yˆ0 ]  E[  X 0  0  ˆ  ˆX 0 ] E[Y0  Yˆ0 ]    X 0  E ( 0 )  E (ˆ )  X 0 E ( ˆ ) E[Y0  Yˆ0 ]  0 .

PREDICCIÓN Varianza del error de predicción individual E[(Y0  Yˆ0 )  E (Y0  Yˆ0 )]2  E[Y0  Yˆ0 ] 2 E[Y0  Yˆ0 ] 2  E{[Y0  E (Y0 )]  [ E (Y0 )  Yˆ0 ]}2 E[Y0  Yˆ0 ] 2  E[Y0  E (Y0 )]2  E[ E (Y0 )  Yˆ0 ] 2  2 E[Y0  E (Y0 )][ E (Y0 )  Yˆ0 ] 2 E[Y  E (Y )][ E (Y )  Yˆ ]  0 0 0 0 0 E[Y0  Yˆ0 ]2  E[Y0  E (Y0 )]2  E[ E (Y0 )  Yˆ0 ] 2 E[Y0  Yˆ0 ]2  E[  X 0  0    X 0 ]2  E[  X 0  ˆ  ˆX 0 ]2  1 (X  X )  E[Y0  Yˆ0 ]2   1   0 2 n xi     2    2   u .