04 Inferencia

Inferencia en el MCRL
Inferencia Estadística en el MCRL

Inferencia estadística en el modelo de regresión.
• Pruebas de hipótesis sobre parámetros poblacionales.
• Construcción de intervalos de confianza.
Distribuciones de muestreo de los estimadores MCO
• Los estimadores MCO son variables aleatorias.

• Conocemos sus valores esperados y sus varianzas.
• Para las pruebas de hipótesis necesitamos conocer su distribución.
• Para derivar su distribución necesitamos suposiciones adicionales
• Suposición sobre la distribución de errores: distribución normal
SRLM 6. Normalidad de los errores
Independiente de
Si se asume que todas las variables no

observadas se distribuyen normalmente alrededor
de la FRP y que la varianza de la distribución no
depende de ninguna variable explicativa, se tiene
que:
Supuesto de normalidad
• El término de error es la suma de "muchos" factores diferentes no observados

• Las sumas de factores independientes se distribuyen normalmente (TLC)
• Problemas:
• ¿Cuántos factores diferentes? ¿Número lo suficientemente grande?
• Posiblemente distribuciones muy heterogéneas de factores individuales.
• ¿Qué tan independientes son los diferentes factores?
• La normalidad del término de error es una pregunta empírica.
• Al menos la distribución del error debe estar "cerca" de lo normal
• En muchos casos, la normalidad es cuestionable o imposible por definición
Supuesto de normalidad
• Ejemplos donde la normalidad no puede sostenerse:

• Salarios (no negativos; también: salario mínimo)
• Número de arrestos (adquiere un pequeño número de valores enteros)
• Desempleo (variable indice, toma solo 1 o 0)
• En algunos casos, la normalidad se puede lograr a través de transformaciones
de la variable dependiente (por ejemplo, usar log (salario) en lugar de salario)
• Bajo normalidad, MCO es el mejor estimador insesgado (incluso no lineal)
• Importante: para fines de inferencia estadística, la suposición de normalidad

puede ser reemplazada por un gran tamaño de muestra
Supuestos de Gauss-Markov Supuestos del MCRL
Teorema: Distribuciones de muestreo normales

Bajo los supuesto del SRLM1 al SRLM6
El estimador se distribuye normalmente El estimador estandarizado sigue una

alrededor de su verdadero valor poblacional distribución normal estandar
Con la varianza que se encontró antes (cap 3)
Prueba de hipótesis sobre un solo coeficiente poblacional

Si la estandarización se hace
con la desviación estandar
estimada (error estandar), se
utiliza la distribución t
Si n-k-1 es grande la distribución t, se acerca a la distribución normal

Prueba de hipótesis sobre un solo coeficiente poblacional

Si la estandarización se hace
con la desviación estandar
estimada (error estandar), se
utiliza la distribución t
Si n-k-1 es grande la distribución t, se acerca a la distribución normal
Significacia Individual
Controlando por las demás
variables, no tiene efecto en
Hipótesis Nula:
Efecto
𝛽=0
Hipótesis Nula: Hipótesis Alternativa:

Efecto Efecto
𝛽=0 𝛽=𝑎

Efecto Efecto
A*
𝛽=0 ^𝛽 𝛽=𝑎

Efecto Valor crítico Efecto
95%
𝛽=0 𝛽=𝑎
Hipótesis Alternativa:
Efecto
Hipótesis Nula:
Efecto Valor crítico
95%
𝛽=0 𝛽=𝑎

Efecto Valor crítico Efecto
95%
𝛽=0 Valor crítico 𝛽=𝑎

90%
t-estadístico
La idea es probar “que tan lejos” está el coeficiente estimado de cero
Eso depende de la desviación del coeficiente estimado. El estadístico

t mide cuantas desviaciones estándar se aleja el coeficiente
estimado de cero.
Se define una regla de rechazo de la hipótesis nula. H0 es rechazada a un nivel de significancia

dado 5% (0.05)
nivel de significancia
nivel de confianza
Prueba de dos colas
• Rechazamos la H0 si el valor del t-estadístico cae

en las zonas de rechazo
• No rechazamos la H0 si el valor del t-estadístico

cae en la zona de no rechazo
p-values para pruebas t
• Si el nivel de significancia se hace cada vez más pequeño, habrá un punto
donde la hipótesis nula ya no podrá ser rechazada
• La razón es que, al reducir el nivel de significancia, uno quiere evitar cada vez
más cometer el error de rechazar un H0 correcto
• El nivel de significancia más pequeño en el que la hipótesis nula aún se rechaza,
se denomina valor p de la prueba de hipótesis.
• Un valor p pequeño es evidencia contra la hipótesis nula porque uno rechazaría
la hipótesis nula incluso a niveles de significancia pequeños
• Un valor p grande es evidencia a favor de la hipótesis nula
• Los valores p son más informativos que las pruebas a niveles de significancia
fijos
Valor del t-crítico al 5% de

p-valor es el área bajo la curva desde el t-estadístico
significancia
p-valor 2 x 0.0359 = 0.0718 > nivel de sig. 0.05
En este caso no se rechaza la H0
area = .025 area = .025

Valor del t-estadístico
Valor del t-crítico al 5% de

p-valor es el área bajo la curva desde el t-estadístico
significancia
p-valor 2 x 0.0000 = 0.0000 < nivel de sig. 0.05
En este caso se rechaza la H0
Valor del t-estadístico

Siempre que > p-valor RECHAZAR H0
Siempre que < p-valor NO RECHAZAR H0
-7.56 7.56
Intervalos de confianza (IC)
Interpretación de los IC
• Los límites del intervalo son aleatorios.

• En muestras repetidas, el intervalo que se construye de la manera anterior
cubrirá el coeficiente de regresión de la población en el 95% de los casos.
• La relación entre los IC y las pruebas de hipótesis: Si no pertenece al
intervalo se rechaza
Ejemplo: CEOSAL2.dta
Todas las variables explican

en un 34.67% el lsalary
Si las ventas aumentan 1%, el salario aumenta 0.2145%

Por cada año de antigüedad como CEO, el salario aumenta
1.67%
Por cada año adicional en la compañía, el salario disminuye
-1.003%
Por cada millón de dólares de valor de mercado, el salario
aumenta 0.0012%
Pruebas de significancia individual
Dado que el t-estadístico > t-crítico RECHAZAMOS H 0

Dado que el p-valor < nivel de sig. RECHAZAMOS H 0
Se concluye que lsales es significativa para lsalary


Se concluye que ceoten es significativa para lsalary


Se concluye que comten es significativa para lsalary


Dado que el p-valor > nivel de sig. NO RECHAZAMOS H 0
¿qué se concluye para mktval?

Intervalos de confianza
^
𝛽 𝑙𝑠𝑎𝑙𝑒𝑠 ± ( 𝜎
^ ^𝛽 ∙ 𝑐 𝛼 ,𝑔𝑙 )
El coeficiente estimado se encuentra entre 0.1497 y 0.2794 con

un 95% de probabilidad.
Cómo el cero no pertenece al IC. RECHAZAMOS H 0
^𝛽
𝑐𝑒𝑜𝑡𝑒𝑛 ± ( 𝜎 ^𝛽 ∙ 𝑐 𝛼 ,𝑔𝑙 )
^
El coeficiente estimado se encuentra entre 0.0057 y 0.0276 con

^𝛽
𝑐𝑜𝑚𝑡𝑒𝑛 ± ( 𝜎 ^𝛽 ∙𝑐 𝛼 , 𝑔𝑙 )
^
El coeficiente estimado se encuentra entre -0.0165 y -0.0034 con

^
𝛽 𝑚𝑘𝑡𝑣𝑎𝑙 ± ( 𝜎
^ ^𝛽 ∙ 𝑐 𝛼 ,𝑔𝑙 )
El coeficiente estimado se encuentra entre -1.23e-06 y 0.0000269

con un 95% de probabilidad.
Cómo el cero SI pertenece al IC. NO RECHAZAMOS H 0
Guía para analizar la significancia estadística y económica
• Si una variable es estadísticamente significativa, discuta la magnitud del
coeficiente para tener una idea de su importancia económica o práctica.
• ¡El hecho de que un coeficiente sea estadísticamente significativo no significa
necesariamente que sea económica o prácticamente significativo!
• Si una variable es estadística y económicamente importante pero tiene el signo
"incorrecto", el modelo de regresión podría estar mal especificado
• Si una variable es estadísticamente no significativa en los niveles del (10%, 5%,
1%), se puede pensar en eliminarla de la regresión
• Si el tamaño de la muestra es pequeño, los efectos pueden estimarse de manera
imprecisa
Prueba de hipótesis para todos los coeficientes de la regresión
Significancia conjunta
Esta hipótesis nula establece que todas las

variables explicativas no son útiles
(significativas) para explicar la variable
dependiente
Prueba F
Pruebas de significancia conjunta
SEC
SRC
Dado que el F-estadístico > F-crítico RECHAZAMOS H 0

Se concluye que conjuntamente todas las variables son

son significativas para explicar lsales
Hipótesis general para un coeficiente poblacional
• La prueba funciona igual que antes, excepto que el valor hipotético se resta
del coeficiente estimado.
• Para este tipo de hipótesis NO se pueden utilizar los resultados de la
regresión (t-estadístico, p-valor)
Ejemplo: Hipótesis general para un coeficiente poblacional
Supongamos que se quiere probar que el coeficiente de lsales es

estadísticamente igual a 1%
Calcula el t-estadístico
Calcula el t-crítico
Dado que el t-estadístico es mayor que el t crítico

se RECHAZA H0
Se concluye que el efecto parcial NO es 1%


Calcula el pvalor
Define el nivel de significancia
Dado que el pvalor es menor que el nivel de

significancia se RECHAZA H0
Se concluye que el efecto parcial NO es 1%


En este caso tenemos una prueba F
Tanto F-estadístico como su pvalor

nos llevan a RECHAZAR la H0
Prueba de hipótesis para combinaciones lineales de coeficientes
𝐻 0 : 𝛽 1=𝛽 2 Se asume que el efecto parcial de la variable es

igual al de la variable
Se prueba con una t. El numerador se tiene, pero el denominador no ¿?
En este caso la hipótesis se reescribe y el modelo se vuelve a plantear para estimar una regresión auxiliar:
… 𝛽 1 − 𝛽2 =𝜃 … 𝛽 1=𝜃+ 𝛽 2
𝑦 𝑖 = 𝛽0 + ( 𝜃+ 𝛽 2 ) 𝑥 1 𝑖 + 𝛽 2 𝑥 2𝑖 +𝑢 𝑖 𝑦 𝑖 = 𝛽0 + 𝜃 𝑥 1 𝑖 + 𝛽 2 𝑥 1𝑖 + 𝛽2 𝑥2 𝑖 +𝑢𝑖
Prueba de hipótesis para combinaciones lineales de coeficientes
𝑦 𝑖 = 𝛽0 + 𝜃 𝑥 1 𝑖 + 𝛽 2 ( 𝑥 1𝑖 + 𝑥 2 𝑖 ) +𝑢𝑖
𝐻 0 :𝜃=0
Ejemplo: El efecto parcial de ceoten es igual al de comten
𝐻 0 : 𝛽 𝑐𝑒𝑜𝑡𝑒𝑛 = 𝛽𝑐𝑜𝑚𝑡𝑒𝑛 𝛽 𝑐𝑒𝑜𝑡𝑒𝑛 − 𝛽 𝑐𝑜𝑚𝑡𝑒𝑛=𝜃 𝛽 𝑐𝑒𝑜𝑡𝑒𝑛 =𝜃 + 𝛽 𝑐𝑜𝑚𝑡𝑒𝑛
𝑙𝑠𝑎𝑙𝑎𝑟𝑦 𝑖 = 𝛽0 + 𝛽 1 𝑙𝑠𝑎𝑙𝑒𝑠𝑖 + 𝜃 𝑐𝑒𝑜𝑡𝑒𝑛𝑖 + 𝛽3 ( 𝑐𝑒𝑜𝑡𝑒𝑛𝑖 +𝑐𝑜𝑚𝑡𝑒𝑛𝑖 ) + 𝛽 4 𝑚𝑘𝑡𝑣𝑎𝑙+𝑢 𝑖

Ejemplo: El efecto parcial de ceoten es igual al de comten
^
𝜃=0.02673
El t-estadístico y el pvalor
para el coeficiente estimado
nos llevan a RECHAZAR la H0
Por lo tanto los efectos parciales

de ceoten y comten son diferentes
Prueba de restricciones lineales múltiples – restricciones de exclusión
Mod. No Restringido
Prueba que los efectos parciales de las variables y no tienen

𝐻 0 : 𝛽 3= 𝛽 4=0 efecto o lo que es lo mismo, se pueden excluir de la regresión
Mod. Restringido
( 𝑅2𝑁𝑅 − 𝑅2𝑅 ) /𝑞
𝐹=
( 1− 𝑅2𝑁𝑅 ) / ( 𝑛 − 𝑘 − 1 )
q es el número de restricciones lineales
Ejemplo: Los efectos parciales de ceoten y comten son cero
𝐻 0 : 𝛽 2= 𝛽3 =0
Ejemplo: Los efectos parciales de ceoten y comten son cero
( 45.585 − 42.2357 ) ∕ 2
𝐹= =6.8198
42.2357 /172
( 0.3467 − 0.2949 ) ∕ 2 Dado que tenemos F estadísticos menores que
𝐹= =6.8189 el F crítico NO RECHAZAMOS H0
( 1 −0. 3467 ) / 172
MCO Asintóticos
Muestra finita (pequeña) … Muestra que tiende a infinito (grande)
Los resultados y propiedades de los estimadores de MCO se mantienen para

cualquier tamaño de muestra:
• Valores esperados siguen siendo insesgados bajo SRLM1 – SRLM4

• Las formulas de vatianza se mantienen bajo SRLM1 – SRLM5
• Se cumple el Teorema de Gauss – Markov
• Las distribuciones de las pruebas son exactas (t es t y F es F) bajo SRLM1 -
SRLM6
MCO Asintóticos
Muestra finita (pequeña) … Muestra que tiende a infinito (grande)
Los resultados y propiedades de los estimadores de MCO se mantienen para

cualquier tamaño de muestra:
• Valores esperados siguen siendo insesgados bajo SRLM1 – SRLM4

• Las formulas de vatianza se mantienen bajo SRLM1 – SRLM5
• Se cumple el Teorema de Gauss – Markov
• Las distribuciones de las pruebas son exactas (t es t y F es F) bajo SRLM1 -
SRLM6
Cuando se tienen muestras grandes…

• Consistencia … SRLM1 – SRLM4
• Pruebas con normalidad asintótica … SRLM1 – SRLM5
MCO Asintóticos
Consistencia
MCO Asintóticos
Consistencia
Un estimador es consistente para el

parámetro poblacional si:
El estimador converge en probabilidad

al verdadero valor poblacional
MCO Asintóticos
Consistencia
Teorema de Consistencia
Si se cumplen los supuestos de SRLM1
– SRLM4
𝑝𝑙𝑖𝑚 ^
𝛽𝑘 =𝛽 𝑘+ 𝐶𝑜𝑣 ( 𝑥 𝑘 , 𝑢 ) / 𝑉𝑎𝑟 ( 𝑥 𝑘 )
MCO Asintóticos
Consistencia
Teorema de Consistencia
Si se cumplen los supuestos de SRLM1
– SRLM4
𝑝𝑙𝑖𝑚 ^
𝛽𝑘 =𝛽 𝑘+ 𝐶𝑜𝑣 ( 𝑥 𝑘 , 𝑢 ) / 𝑉𝑎𝑟 ( 𝑥 𝑘 )
SRLM4*
MCO Asintóticos
Inconsistencia
… si el error está correlacionado con cualquiera de las variables independientes,

entonces MCO es sesgado e inconsistente.
MCO Asintóticos
Inconsistencia
… si el error está correlacionado con cualquiera de las variables independientes,

entonces MCO es sesgado e inconsistente.
En regresión simple:
𝑝𝑙𝑖𝑚 ^
𝛽1 − 𝛽 1=𝐶𝑜𝑣 ( 𝑥1 ,𝑢 ) / 𝑉𝑎𝑟 ( 𝑥1 )
MCO Asintóticos
Inconsistencia
Basta con que … si el error está correlacionado con cualquiera de las variables
independientes, entonces MCO es sesgado e inconsistente.
En regresión múltiple:
𝑦 =𝛽 0 + 𝛽 1 𝑥 1+ 𝛽2 𝑥 2 +𝑣
MCO Asintóticos
Inconsistencia
𝑦 =𝛽 0 + 𝛽 1 𝑥 1+ 𝛽2 𝑥 2 +𝑣
𝑦 =𝛽 0 + 𝛽 1 𝑥 1+𝑢 𝑢= 𝛽 2 𝑥 2+ 𝑣
MCO Asintóticos
Inconsistencia
𝑦 =𝛽 0 + 𝛽 1 𝑥 1+ 𝛽2 𝑥 2 +𝑣
𝑦 =𝛽 0 + 𝛽 1 𝑥 1+𝑢 𝑢= 𝛽 2 𝑥 2+ 𝑣
~
𝑝𝑙𝑖𝑚 𝛽1= 𝛽1 +𝐶𝑜𝑣 ( 𝑥 1 ,𝑢 ) / 𝑉𝑎𝑟 ( 𝑥1 )
~
𝑝𝑙𝑖𝑚 𝛽1= 𝛽1 + 𝛽 2 𝐶𝑜𝑣 ( 𝑥 1 , 𝑥2 ) /𝑉𝑎𝑟 ( 𝑥 1 )
MCO Asintóticos
Inconsistencia
𝑦 =𝛽 0 + 𝛽 1 𝑥 1+ 𝛽2 𝑥 2 +𝑣
𝑦 =𝛽 0 + 𝛽 1 𝑥 1+𝑢 𝑢= 𝛽 2 𝑥 2+ 𝑣
~
𝑝𝑙𝑖𝑚 𝛽1= 𝛽1 +𝐶𝑜𝑣 ( 𝑥 1 ,𝑢 ) / 𝑉𝑎𝑟 ( 𝑥1 )
~
𝑝𝑙𝑖𝑚 𝛽1= 𝛽1 + 𝛽 2 𝐶𝑜𝑣 ( 𝑥 1 , 𝑥2 ) /𝑉𝑎𝑟 ( 𝑥 1 )
~
𝑝𝑙𝑖𝑚 𝛽1= 𝛽1 + 𝛽 2 𝛿1 𝛿1 =𝐶𝑜𝑣 ( 𝑥 1 , 𝑥 2 ) /𝑉𝑎𝑟 ( 𝑥 1 )
MCO Asintóticos
• En la práctica el supuesto de normalidad SRLM6 es bastante cuestionable
• Aún sin la normalidad de los errores, los resultados de las prueba t y F no son
concluyentes
MCO Asintóticos
concluyentes
Normalidad Asintótica
Los estimadores de MCO se distribuyen de manera aproximadamente normal

cuando se tienen muestras de tamaño suficientemente grande
… cuando los grado de libertad aumentan n-k ...

MCO Asintóticos
concluyentes
Normalidad Asintótica
Los estimadores de MCO se distribuyen de manera aproximadamente normal

cuando se tienen muestras de tamaño suficientemente grande
• A medida que aumenta el tamaño de

• cae a la tasa
MCO Asintóticos
Estadístico del Multiplicador de Lagrange (ML)
Es una test que se usa para probar hipótesis de restricciones de exclusión, bajo
condiciones asintóticas.
𝑦 =𝛽 0 + 𝛽 1 𝑥 1+…+ 𝛽 𝑘 𝑥 𝑘+𝑢
𝐻 0 : 𝛽 𝑘 −𝑞+1 =0 …= 𝛽𝑘=0
• Estimar la regresión del modelo restringido y guardar los residuales

• Estimar la regresión auxiliar de sobre todas las variables independientes
• Calcular

04 Inferencia

Cargado por

Información del documento

Descripción original:

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

04 Inferencia

Cargado por

Copyright:

Formatos disponibles

Inferencia en el MCRL

Inferencia Estadística en el MCRL

Distribuciones de muestreo de los estimadores MCO

• Los estimadores MCO son variables aleatorias.

Si se asume que todas las variables no

• El término de error es la suma de "muchos" factores diferentes no observados

• Ejemplos donde la normalidad no puede sostenerse:

• Importante: para fines de inferencia estadística, la suposición de normalidad

Supuestos de Gauss-Markov Supuestos del MCRL

Teorema: Distribuciones de muestreo normales

El estimador se distribuye normalmente El estimador estandarizado sigue una

Bajo los supuesto del SRLM1 al SRLM6

Si n-k-1 es grande la distribución t, se acerca a la distribución normal

Bajo los supuesto del SRLM1 al SRLM6

Si n-k-1 es grande la distribución t, se acerca a la distribución normal

Hipótesis Nula: Hipótesis Alternativa:

Hipótesis Nula: Hipótesis Alternativa:

Hipótesis Nula: Hipótesis Alternativa:

Hipótesis Nula: Hipótesis Alternativa:

𝛽=0 Valor crítico 𝛽=𝑎

Eso depende de la desviación del coeficiente estimado. El estadístico

Se define una regla de rechazo de la hipótesis nula. H0 es rechazada a un nivel de significancia

• Rechazamos la H0 si el valor del t-estadístico cae

• No rechazamos la H0 si el valor del t-estadístico

Valor del t-crítico al 5% de

En este caso no se rechaza la H0

area = .025 area = .025

Valor del t-crítico al 5% de

En este caso se rechaza la H0

Valor del t-estadístico

• Los límites del intervalo son aleatorios.

Todas las variables explican

Si las ventas aumentan 1%, el salario aumenta 0.2145%

Pruebas de significancia individual

Dado que el t-estadístico > t-crítico RECHAZAMOS H 0

Se concluye que lsales es significativa para lsalary

Pruebas de significancia individual

Dado que el t-estadístico > t-crítico RECHAZAMOS H 0

Se concluye que ceoten es significativa para lsalary

Pruebas de significancia individual

Dado que el t-estadístico > t-crítico RECHAZAMOS H 0

Se concluye que comten es significativa para lsalary

Pruebas de significancia individual

Dado que el t-estadístico > t-crítico RECHAZAMOS H 0

¿qué se concluye para mktval?

El coeficiente estimado se encuentra entre 0.1497 y 0.2794 con

El coeficiente estimado se encuentra entre 0.0057 y 0.0276 con

El coeficiente estimado se encuentra entre -0.0165 y -0.0034 con

El coeficiente estimado se encuentra entre -1.23e-06 y 0.0000269

Esta hipótesis nula establece que todas las

Pruebas de significancia conjunta

Dado que el F-estadístico > F-crítico RECHAZAMOS H 0

Se concluye que conjuntamente todas las variables son

Supongamos que se quiere probar que el coeficiente de lsales es

Dado que el t-estadístico es mayor que el t crítico

Se concluye que el efecto parcial NO es 1%

Supongamos que se quiere probar que el coeficiente de lsales es

Define el nivel de significancia

Dado que el pvalor es menor que el nivel de

Se concluye que el efecto parcial NO es 1%

Supongamos que se quiere probar que el coeficiente de lsales es

En este caso tenemos una prueba F