Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Inferencia en un modelo
econométrico
)
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
Primero: Establecer Ho y H1
Segundo: Construir el estadígrafo y determinar su
valor crítico
Tercero: Aplicar criterio de decisión y concluir
I de C es (0,172 0,508)
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)
= 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.
O
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
k = parámetros estimados = 5
n = 23 observaciones
α=5%
Inferencia estadística de combinación de
parámetros poblacionales: Significancia
global del modelo
Tenemos,
= 249.92
= 2,92
Ln Y = B1 + u
k=5
Modelo restringido
Modelo 2: MCO, usando las observaciones 1960-1982 (T = 23)
Variable dependiente: l_Y
249,92
2,92
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
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
h*
Modelo restringido
Lny =b1+(1-b3)Lnx2+b3lnx3+b4lnx4+b5lnx5+u
Lny = b1+LnX2 – b3LnX2 +b3lnx3+b4lnx4+b5lnx5+u
Vamos a Gretl
Testeo de aporte marginal de variables al
modelo
Dado el modelo no restringido
Ln Y = + lnX2 +lnX3 +