Sesión 6

Estimación por Intervalos y Pruebas

de Hipótesis del Modelo de Regresión Lineal Simple
 Supuesto de normalidad de
• El modelo de regresión lineal, supone que cada está normalmente distribuida con:

• Estos supuestos se expresan en forma más compacta como

¿Por qué se hace el supuesto de normalidad?
• Con el supuesto de normalidad, se derivan con facilidad las
distribuciones de probabilidad de los estimadores de MCO, pues,
una propiedad de la distribución normal es que cualquier función
lineal de variables normalmente distribuidas estará también
normalmente distribuida.
• Sabemos que los estimadores de MCO y son funciones lineales de
• Por consiguiente, si está normalmente distribuida, también lo están
y , lo cual hace que la tarea de probar hipótesis sea muy fácil.
Propiedades de los estimadores de MCO según el
supuesto de normalidad (i)
• Si suponemos que sigue la distribución normal, los estimadores de
MCO tienen las siguientes propiedades

I. Son insesgados
II. Tienen varianza mínima. En combinación con I, esto significa que
son estimadores insesgados con varianza mínima, o eficientes.
III. Presentan consistencia; es decir, a medida que el tamaño de la
muestra aumenta indefinidamente, los estimadores convergen
hacia sus verdaderos valores poblacionales.
Propiedades de los estimadores de MCO según el
supuesto de normalidad (ii)
IV. (al ser una función lineal de ) está normalmente distribuida con

V. (al ser una función lineal de ) está normalmente distribuida con

Supuesto de normalidad de
• En resumen, el supuesto de normalidad permite derivar las
distribuciones de probabilidad, de y (ambas normales), y de
(relacionada con la ji cuadrada).
Estimación por intervalos
• En lugar de depender de un solo estimador puntual, se puede construir
un intervalo alrededor del estimador puntual, tal que este intervalo tenga,
por ejemplo, 95% de probabilidad de incluir al verdadero valor del
parámetro.

• donde
, coeficiente de confianza
, nivel de significancia (o probabilidad de cometer un error tipo I, es decir, rechazar
una hipótesis verdadera… )
, límite de confianza inferior
, límite de confianza superior
Diferencia entre una estimación puntual y de
intervalos
Intervalos de confianza para los coeficientes de
regresión y (i)
• Para construir intervalos de confianza, se utiliza la distribución “t”

donde es el valor crítico a un nivel de significancia

Entonces

Y los intervalos para y , serían

Intervalos de confianza para los coeficientes
de regresión y (ii)
• Intervalo de confianza para a 100(1 − α)%:

• Intervalo de confianza para a 100(1 − α)%:

Observación: la amplitud del intervalo de confianza es proporcional al

error estándar del estimador.
Pruebas de hipótesis: método del intervalo de confianza
Pruebas de hipótesis: enfoque de la prueba de significancia

I. Planteamos la Hipótesis Nula y la Alternativa

II. Construimos un “estadístico de prueba”

III. Lo contrastamos con su valor crítico, dependiendo si es una prueba

de dos colas o una cola.
IV. Rechazamos o NO rechazamos la Hipótesis Nula
Pruebas de hipótesis: enfoque de la prueba de significancia

La prueba t de significancia: reglas de decisión

Distribución “t- de student”
Intervalo de confianza para
• Según el supuesto de normalidad, la variable

• El intervalo de confianza para , sería el siguiente

Prueba de significancia de : la prueba
• Estadístico de Prueba
Distribución ji-cuadrada
Resumen Global de la Regresión
> summary(Modelo)

. reg c y

Source SS df MS Number of obs = 10

F(1, 8) = 202.87
Model 8552.72727 1 8552.72727 Prob > F = 0.0000
Residual 337.272727 8 42.1590909 R-squared = 0.9621
Adj R-squared = 0.9573
Total 8890 9 987.777778 Root MSE = 6.493

c Coef. Std. Err. t P>|t| [95% Conf. Interval]

y .5090909 .0357428 14.24 0.000 .4266678 .591514

_cons 24.45455 6.413817 3.81 0.005 9.664256 39.24483