PPT 2

Inferencia en un modelo
econométrico

Rodrigo Saldías Q. PhD.

 Inferencia estadística en un
modelo econométrico
 Se requiere hacer un supuesto de comportamiento de u
 Un supuesto utilizado usualmente es normalidad

 Este supuesto tiene una justificación estadística basado

en el Teorema del límite central
 Este teorema plantea que si existe un gran número
de variables aleatorias independientes e
idénticamente distribuidas entonces, con pocas
excepciones, la distribución de su suma tiende a ser
normal a medida que el número de tales variables
se incremente indefinidamente.
 Propiedades estadísticas de los
estimadores MCO bajo normalidad
 Son insesgados, E() = β
 Tienen varianza mínima, V(MCO) < V(otro método)
 Son consistentes, esto es, a medida que el tamaño de la
muestra aumenta indefinidamente, los estimadores
convergen a sus verdaderos valores poblacionales, esto
es, P lim β
 Si los u siguen un patrón de normalidad, los parámetros
estimados, antes de estimarse, siguen igualmente una
distribución normal
 ;=
 Entonces,
 Propiedades estadísticas de los
estimadores MCO bajo normalidad
 ;;=

)
 antecedente que es útil para realizar inferencia de la
varianza de los errores poblacionales
 ) se distribuyen de manera independiente respecto a
 Propiedades estadísticas de los
estimadores MCO bajo normalidad
 tienen varianza mínima entre todas las clases de
estimadores insesgados, lineales y no lineales. De
esta forma, los estimadores MCO son los mejores
estimadores insesgados (MEI), es decir tienen
varianza mínima en toda la clase de estimadores
insesgados.
 Nótese que dado el supuesto de normalidad de los
errores poblaciones, μ, entonces
 Inferencia estadística
 Inferencia estadística y testeo de hipótesis es lo
mismo.
 Consiste en identificar ciertas propiedades de los
parámetros poblacionales a partir de la muestra.
 Para realizar un testeo de hipótesis se requiere
 Definir una hipótesis nula (Ho) y una hipótesis
alternativa (H1),
 Definir una probabilidad de cometer un error tipo I (α).
Esto es la probabilidad de rechazar una hipótesis nula
cuando ésta es verdadera. Generalmente, α = 0,05 ó
0,01
 Conocer la distribución del parámetro estimado
 Inferencia estadística
 Dado el siguiente modelo econométrico de la
estimación de la demanda de pollos con un modelo
log lineal con 23 observaciones

 La estimación del modelo es la siguiente y los valores

entre paréntesis son las desviaciones estándar de los
parámetros estimados
Estimación con GRETL
 Inferencia estadística
 A partir del modelo estimado se pueden realizar
inferencia de los parámetros individuales y de
combinaciones de parámetros
 Para el testeo de hipótesis de parámetros
individuales se puede utilizar
 La prueba de significancia, t student
 La construcción de Intervalos de confianza
 El valor p
 Para el Teseo de hipótesis de una combinación de
parámetros se utiliza la prueba F o el valor p
 Procedimiento para llevar a cabo
inferencia estadística
 Etapas en el testeo de hipótesis

 Primero: Establecer Ho y H1
 Segundo: Construir el estadígrafo y determinar su
valor crítico
 Tercero: Aplicar criterio de decisión y concluir

 Además se debe definir el alfa que se va a utilizar

Testeo de parámetros individuales:
Intervalo de confianza (I de C)
 Por ejemplo el Intervalo de confianza para Coeficiente
de confianza

Interpretación de un intervalo de confianza

 La probabilidad que el intervalo contenga el verdadero parámetro
poblacional es de un 100(1-α)% si se construyen 100 intervalos a partir
de 100 muestras
 No dice que la probabilidad de que el parámetro poblacional se
encuentre entre los límites dados por el I de C sea de un 100(1-α)%
Criterio de decisión
Si el I de C contiene la hipótesis nula (H0), entonces no se
rechaza la H0 con un 100 (1-α)% de confianza.
 Ejemplo del testeo de significancia
de b2 con I de C
 Etapa 1: Definición de hipótesis
H0: b2 = 0 (el parámetro no sería significativo)
H1: b2 ≠ 0 (el parámetro sería significativo)
 Etapa 2: Construcción del I de C para con un alfa de
5%

 Tenemos todos los insumos, excepto el

t (0,05/2) (23-5)=2,10
T 0,025 (18) = 2,10
Tabla de distribución t: Valor crítico
 Ejemplo del testeo de
significancia de b2 con I de C

Pr (0,34 – 2,1*0,08 0,34 + 2,1*0,08) = 0,95

I de C es (0,172 0,508)

 Etapa 3. Dado que la Ho (b2 = 0) no esta contenida en

el I de C, se rechaza Ho. Luego, no puedo descartar
que b2 sea significativo con un 95% de confianza
 Nótese que un amplio rengo de Ho podrían no
rechazarse a partir del I de C construido para b2
 Testeo de parámetros individuales:
Prueba de significancia, t student
 Se debe construir un estadístico de prueba y
contrastarlo con un estadístico de tabla
 Testeo de los parámetros beta poblacionales

 Criterio de decisión
Si , entonces se rechaza H0 con un 100(1-alfa) %
de confianza
Ejemplo del testeo de significancia de
b2 vía t student con un alfa de 5%
 Etapa 1: Definición de hipótesis
H0: b2 = 0 (el parámetro no sería significativo)
H1: b2 ≠ 0 (el parámetro sería significativo)

 Etapa 2. Construcción del t

= 4,25
 Ejemplo del testeo de significancia de b2
vía t student con un alfa de 5%
 Etapa 3. Dado que , entonces se rechaza H0.
Luego, no puedo descartar que b2 sea significativo
un 95% de confianza

t = 4,25

- 2.1 +2.1
Estimación con GRETL
Testeo de parámetros individuales:
P value
Definición
 Es la probabilidad exacta de cometer un error
tipo I.
 Más técnicamente, el valor P esta definido
como el nivel de significancia más bajo al cual
puede rechazarse una hipótesis nula.

Criterio de decisión
 Si el P-value ≤ α, se rechaza la hipótesis nula
Estimación con GRETL
 Ejemplo del testeo de significancia de b2
vía p-value con un alfa de 5%
 El resultado de salida de la estimación con MCO
calcula el p-value para la hipótesis nula que b2 = 0.

 La estimación calcula un p-value de 0,0007, el cual

es menor a alfa (0,05), por lo que siguiendo el
criterio de decisión del test se rechaza Ho.

 Luego, el parámetro b2 es significativo con un 95%

de confianza ya que no hay evidencia estadística
para apoyar Ho.
 Inferencia estadística de combinación de
parámetros poblacionales
 Dado el siguiente modelo econométrico

 Se pueden realizar las siguientes inferencias

estadísticas/testeos de hipótesis.
Testeo Hipótesis nula
Significancia global del modelo H0:

Igualdad de parámetros (por ejemplo) H0:

Restricciones lineales de (por ejemplo) H0:

parámetros
Evaluación del aporte marginal de (por ejemplo) H0:
una o mas variables al modelo
 Inferencia estadística de combinación de
parámetros poblacionales: Test F

 O

R: Asociado al modelo restringido

NR: Asociado al modelo no restringido

m = número de restricciones lineales (representado por el numero de igualdades en la

hipótesis nula)

 Regla de decisión
Si , se rechaza H0, de lo contrario no se rechaza con un
100(1-alfa)% de confianza
 Inferencia estadística de combinación de
parámetros poblacionales
 Ambas opciones son aplicables indistintamente,
siempre y cuando la variable explicada tanto en el
modelo restringido como no restringido sea la
misma.
 Alternativamente, para el caso de la significancia
global se podría determinar el F de la siguiente
forma

 ¿Como se determina el valor crítico ?

Valor crítico de la distribución F

k = parámetros estimados = 5

k-1= 4 grados de libertad

n = 23 observaciones

n-k = 18 grados de libertad

α=5%
 Inferencia estadística de combinación de
parámetros poblacionales: Significancia
global del modelo

 Etapa 1. Planteamiento de hipótesis

H 0:
H 1: 0

 Etapa 2. Construcción de la prueba F y determinación de F

crítico

 Etapa 3. Si , entonces se rechaza la H 0. Luego, el modelo es

significativo con un 100(1-alfa)% de confianza
Estimación con GRETL
 Inferencia estadística de combinación de
parámetros poblacionales: Significancia
global del modelo
 Calculando la F

 Tenemos,

= 249.92

= 2,92

 Por lo tanto, dado que F > F crítico se rechaza Ho.

Luego, el modelo es significativo con un 95% de
confianza.
 Usando la F a partir del modelo no
restringido y restringido para determinar la
significancia global del modelo
 El modelo no restringido es el modelo original

 El modelo restringido surge de imponer la Ho (en

este caso H0: ) en el modelo original, lo cual se tiene

Ln Y = B1 + u

 Al estimar los modelos no restringido y restringido

tenemos los siguientes resultados
Modelo no restringido

k=5
Modelo restringido
Modelo 2: MCO, usando las observaciones 1960-1982 (T = 23)
Variable dependiente: l_Y

Coeficiente Desv. Típica Estadístico t valor p

const 3.66389 0.0391297 93.63 <0.0001 ***

Media de la vble. dep. 3.663887 D.T. de la vble. dep. 0.187659

Suma de cuad. residuos 0.774753 D.T. de la regresión 0.187659
R-cuadrado 0.000000 R-cuadrado corregido 0.000000
Log-verosimilitud 6.357526 Criterio de Akaike −10.71505
Criterio de Schwarz −9.579558 Crit. de Hannan-Quinn −10.42948
rho 0.954807 Durbin-Watson 0.051057
Usando la F a partir del modelo no
restringido y restringido para determinar la
significancia global del modelo
 Calculando el F a partir de la SRC (suma residual de
cuadrados)

249,92

2,92

 Por lo tanto, dado que F > F crítico se rechaza Ho.

Luego, el modelo es significativo con un 95% de
confianza.
 Inferencia estadística de igualdad
de parámetros
 Sea el siguiente modelo
 Dicho modelo no esta restringido, y genera una SRCNR
y un R2NR
 Se desea testear la siguiente hipótesis

H0: 0
H1:
 El modelo restringido sería el siguiente
 Inferencia estadística en un AR
múltiple
 El cual genera una SRCR y un R2R

 Construir F, donde m = 1

Regla de decisión
 Si , se rechaza H0, de lo contrario no se rechaza

 Si deseamos testear en la demanda de pollos lo

siguiente
Ho: b2=3b4 que equivale a b2 - 3b4=0
Ho: b2=3b4 b2 – 3b4 = 0
 Modelo no restringido

 Modelo restringido
Lny =b1+3b4Lnx2+b3lnx3+b4lnx4+b5lnx5+u
Lny = b1+b4 (3lnx2+lnx4)+b3lnx3+b5lnx5+u
Lny= b1+b4Z+b3lnx3+b5lnx5+u

Vamos a Gretl
 Inferencia estadística de restricciones
lineales de parámetros
 Sea el siguiente modelo
 Dicho modelo no esta restringido, y genera una
SRCNR y un R2NR
 Se desea testear la siguiente hipótesis

H0:
H1: ≠ 1

 El modelo restringido sería el siguiente

Inferencia estadística de restricciones
lineales de parámetros

h*

 El cual genera una SRCR y un R2R

 Construir F, donde m = 1
Regla de decisión
 Si , se rechaza H0, de lo contrario no se rechaza
En la demanda de pollos queremos testear
la siguiente Ho: b2+b3=1 b2 = (1 – b3)
 Modelo no restringido

 Modelo restringido
Lny =b1+(1-b3)Lnx2+b3lnx3+b4lnx4+b5lnx5+u
Lny = b1+LnX2 – b3LnX2 +b3lnx3+b4lnx4+b5lnx5+u

Lny –LnX2 = b1+b3(LnX3-LnX2)+b4lnx4+b5lnx5+u

H =b1+b3P+b4lnx4+b5lnx5+u

Vamos a Gretl
 Testeo de aporte marginal de variables al
modelo
 Dado el modelo no restringido

 Si deseamos testear tenemos que construir y estimar

un modelo restringido
 Etapa 1: Planteamiento de hipótesis
H0:
H1:
 Etapa 2: Construcción de F y valor crítico. Para ello,
debo estimar el modelo restringido, el cual se obtiene
de imponer la Ho en el modelo no restringido
 Testeo de aporte marginal de variables al
modelo
 El modelo restringido sería el siguiente

Ln Y = + lnX2 +lnX3 +

 El cual genera una SRCR y un R2R y construimos un F,

donde m = 2

 Etapa 3: Regla de decisión

 Si , se rechaza H0. Luego, no habría evidencia para
sacar las variables del modelo con un 100(1- alfa)%
de confianza