III EL MODELO LINEAL UNIECUACIONAL

1. ESTIMACIN DEL MODELO LINEAL

MODELO TERICO

y = 0 + 1x1 + 2 x2 +...+ kxk +

Objetivo: Estimar los coeficientes estructurales
0, 1, ......, k

Datos:

Muestra aleatoria simple

(yi, x1i , x2i , , xki )

i = 1, 2, , n

MTODOS DE ESTIMACIN
Mnimos-cuadrados
Mxima-verosimilitud
AMBITO DE APLICACIN DEL MODELO
La poblacin donde se han obtenido los datos
MODELO ESTIMADO

y = b0 + b1x1 + b2 x2 +....+ bkxk + e = y + e

Libro: ECONOMETRA: MODELOS ECONOMTRICOS Y SERIES TEMPORALES con los paquetes TSP y
TSP. Editorial Revert (calle Loreto 13-15). Barcelona. Espaa 1998. Autor: Jos M Caridad y Ocerin. ISBN 84-29126139 (dos tomos)
1

NOTACIN MATRICIAL
MODELO TERICO

yi = 0 + 1 x1i + 2 x2i +...+ k xki + i

y1
y2
:
:
yn

1
1
:
:
1

x1 xk
1
1
x1 xk
2

i = 1,2,,n

1
0
+

: ... :
1
:
: ... :
:
:
x1 xk
k
n
n

r
r
y = X + r
MODELO ESTIMADO

yi = b0 + b1 x1i + + bk xki + ei
y1
1 x11 xk1
x
y2 = 1 x12 k2
b0
:
: : .... :
b1 +
:
: : .... :
:
yn
1 x1n xkn
bk
r
r
y = X b + er

i = 1,2,,n

e1
e2
:
:
en

HIPTESIS A PRIORI SOBRE EL MODELO

1. FORMA FUNCIONAL
- Las variables x1, x2, , xn son predeterminadas influyen en y, y

no existen otras relaciones causales

- La forma funcional es correcta
- los coeficientes 0, 1, , k son constantes.
- El nmero de datos es n >> k + 1

2. VARIABLES PREDETERMINADAS
- No existe multicolinealidad exacta

r(X) = k + 1

ni multicolinealidad intensa (det XX 0, > 20)

- Las variables x1, x2, , xk no son aleatorias, y no contienen
errores de medida

3. PERTURBACIONES 1, 2, , n
-

E[ i] = 0
i = 1, 2, , n
V[ i] = cte. = 2
HOMOCEDASTICIDAD
C[ i, i'] = 0
i i' NO AUTOCORRELACIN
i N
r
r
N[ 0n ; 2 In ]

PROPIEDADES DEDUCIDAS DE LAS HIPTESIS A

PRIORI

r
r
y N[X ;2In]

FUNCIN SUMA DE CUADRADOS

r n
rr r r r r
2
S () = i = ' = (y X)'(y X)
i=1

FUNCIN DE VEROSIMILITUD DEL MODELO

r

L( ; ) =
2

2
2

r r
r
r
0.5(y X)'(yX)/2

e
n

2
2

r
0.5S()/ 2

LAS HIPTESIS A PRIORI SE SUPONEN CIERTAS PARA

ESTUDIAR LAS PROPIEDADES MUESTRALES DE LOS
ESTIMADORES
NO TIENEN PORQU SER CIERTAS AL ESTIMAR UN
MODELO CONCRETO, LO QUE AFECTA A STAS
PROPIEDADES

r
r
La funcin S( ) no depende de la distribucin de y
r 2
r 2
r
y
La funcin L( ; ) se basa en que N(X ; In)

ESTIMACIN DE LOS PARMETROS

MNIMOS-CUADRADOS

r
r

min S( ) = S( b ) = Se
ECUACIONES NORMALES

S
nb0 + x1 b1 +..... + xk bk =yi
=
0
i
i
0
S
2
= 0 x1i b0 + x1i b1 + ..... + x1i xk bk = yi x1i
1
i

S = 0 x b + x x b + ..... +
xk2 bk = yi xk

k 0 k 1 1
i
k
i
i i
i
r
r
y
XX b = X
MXIMA-VEROSIMILITUD

r
r 2
2
max L( ; ) = L( b , se )
r

XX b = X y

se2 =

1 n e2
n i=1 i

2. PROPIEDADES MUESTRALES DE LOS

ESTIMADORES
-

TEOREMA DE GAUSS-MARKOV

r
ESTIMADORES LINEALES INSESGADOS
b MEJORES
r
DE

DISTRIBUCIN MUESTRAL DE b

r
r
E[ b ] =
r
V[ b ] = 2 (XX)-1
r
b N
-

E[bj] = [j]
j = 0,1,,k
E[bj] = 2ajj es mnima
bj N(j; 2ajj)

ESTIMADOR INSESGADO DE 2

n
1
2
se =
ei2

n k 1 i=1
(n k 1)se2 2 (n k 1)
V=
2
r
V es independiente de b
-

ESTADSTICOS T

bj j bj j
=
Tj = s
se a jj t(n k - 1)
b
j

ESTIMADOR DE V[ b ]

j = 0,1,,k

S = se2 (XX)-1 = se2 A

3. CONTRASTES DE HIPTESIS SOBRE LOS
COEFICIENTES DEL MODELO
Finalidad: Herramientas de ayuda en la especificacin del
modelo

FASES EN LA CONSTRUCCIN DE UN MODELO

1. ESPECIFICACIN
2. ESTIMACIN
3. CONTRASTES DIAGNSTICOS

TEST T SOBRE CADA UNO DE LOS PARMETROS

H0 : j = 0
H1 : j 0
ESTADSTICO

j = 1,2,,k

bj
bj
=
Tbj= s
se a jj
b
j

DISTRIBUCIN MUESTRAL

Tbj H0 t(n - k - 1)

REGLA DE DECISIN DE NIVEL

C0 = (-t/2; +t/2)
VALOR DEL ESTADSTICO
PROBABILIDAD LMITE p

tbj

p = 2P[T > | t |]
bj

DECISIN: A nivel :

Si tbj C0 se acepta H0
Si tbj C1 se acepta H1
Si p se acepta H0
Si p < se acepta H1

0.4

0.3

|
|
|
|
|
|
|
|
|
|
|
|
|
|
|

0.4

f(t)
0.3

0.2

0.1

0.0
---

0.2

0.1

C1 --->-t/2<-----------C0 ------->+t/2<-------C1-----

0.0

|
|
|
|
|
|
|
|
|
|
|
|
|
|
|

f(t)

|
|
|

p/2

tbj

Error de tipo I:
rechazar H0 cierta incluir xj no relevante
Error de tipo II:
aceptar H0 falsa excluir xj relevante
RECOMENDACIN:

0.05 [0.05 ; 0.15]

TABLAS DE LA DISTRIBUCIN t DE STUDENT

Proporcionan los cuantiles t

F(t) = 1-
g
10
15
20
25
30
60

0.5

t0.05/2
2.228
2.131
2.086
2.060
2.042
2
1.96

t0.10/2
1.812
1.753
1.725
1.708
1.697
1.671
1.645

Funciones de densidad: ZN(0;1), tt(10)

t0.20/2
1.372
1.341
1.325
1.316
1.310
1.296
1.281
1.0

Funciones de
distribucin

F(z)

0.8

0.4

F(t)

f(z)
0.6

0.3
f(t)
0.2

0.4

0.1

0.2
0.0

0.0
-2.5

-2.5

2.5

2.5

1.0

0.4
f(t)

|
|
|
|
|
|
|1
|
|
|
|
|
|
|

0.8

0.3

0.6
F(t)

0.2
0.4
F(t)

0.1

|
|
|
|

0.0
-2.5

t 2.5

0.2
0.0
-2.5

t 2.5

EJEMPLO 1: Contrastes sobre los coeficientes

En una empresa se desea estimar el coste de mante-nimiento de
los ordenadores en funcin del parque disponible y del tiempo
perdido en mantenimiento
Se toman datos mediante un muestreo en n = 20 sucur-sales de
las siguientes variables:
y = coste de mantenimiento de equipos
x1 = nmero de mquinas
x2 = tiempo medio de interrupciones del trabajo por
mantenimiento
Muestra disponible:
t
1974
1975
1976
1977
1978
1979
1980
1981
1982
1983
1984
1985
1986
1987
1988
1989
1990
1991
1992
1993

y
320
450
370
470
420
500
570
640
670
780
690
700
910
930
940
1070
1160
1210
1450
1220

Interaccin

GENR x3 = x1*x2

x1
50
53
60
63
69
82
100
104
113
130
150
181
202
217
229
240
243
247
249
254

x2
7.4
5.1
4.2
3.9
1.4
2.2
7.0
5.7
13.1
16.4
5.1
2.9
4.5
6.2
3.2
2.4
4.9
8.8
10.1
6.7

Medidas descriptivas
STATS y x1 x2 x3
COR
y x1 x2 x3
COV
y x1 x2 x3

Medidas descriptivas univariantes

y
x1
x2
x3
Media
773.5
151.8
6.06
937.71
Mediana
695
140
5.1
716.4
Mximo
1450
254
16.4
2514.9
Mnimo
320
50
1.4
96.6
Cuasi desv.tp. 324.6905 77.37577 3.737914 728.9820

sy2 = 100152.75

sy= 316.4692

Matriz de correlacin R
R
y
x1
x2
x3

y
1
0.95
0.23
0.78

x1
0.95
1
0.06
0.64

x2
0.23
0.06
1
0.75

x3
0.78
0.64
0.75
1

Matriz de covarianzas S
S
y
x1
x2
x3

y
100152.75
22676.70
266.69
175960.90

x1
22676.70
5687.66
17.80
34507.26

x2
266.69
17.80
13.27
1949.91

x3
175960.90
34507.26
1949.91
504844.10

XX =
20
3036
121.2
18737.2

3036
574618
18754.2
3537033

121.2
18737.2
18754.2 3537033
998.85 152648.7
152648.7 27682883

Diagramas de dispersin
1500

1500

1000

1000

500

500

x1

0
0

50

100

1500

150

200

250

x2

0
0

300

1000

500

x3 = x1*x2

0
0

500

1000 1500 2000 2500 3000

Modelos alternativos:
(1)
(2)
(3)
(4)
(5)

y = 0 + 1x1 +
y = 0 + 1x1 +2x2 +
y = 0 + 1 x1 +2 x2 +3 x1x2+
y = 0* + 1*x1 +2*x1x2+ *
Otros

Modelo (3) estimado:

10

15

20

y = 303.5 + 2.329x1 25.071x2 + 0.28617x1x2 + e

Test para decidir entre el modelo (2) y el (3)
y = 0 + 1x1 +2x2 +
y = 0 + 1 x1 +2 x2 +3 x1x2+
H0 : 3 = 0
H 1 : 3 0

n = 20
k=3

A-1 = (XX)-1 =
1.117610
-0.006792
-0.006792
4.97E-05
-0.157829
0.000999
0.000981 -0.00000725

se2 =
Sb =

20
1
ei2

20 3 1 i =1

s e2

tb =
3

A=

s e2

-0.157829
0.000981
0.000999 -0.00000725
0.028798
-0.000180
-0.000180 0.00000129

= 73284.44 / 16 = 67.677752

(XX)-1

0.286169
0.286169
=
= 3.725527
67.67775 0.00000129 0.076813

Regla de decisin de nivel

= 0.05
= 0.01

C0 = (-t0.025; t0.025) = (-2.12 ; 2.12)

C0 = (-t0.005; t0.005) = (-2.921; 2.921)

Probabilidad lmite
p = 2P[T > 3.725527] = 0.0018
Decisin Se acepta H1 para todo > 0.0018

Estimacin con EViews

LS y c x1 x2 x3
Dependent Variable: Y
Method: Least Squares
Date:
Time:
Sample: 1974 1993
Included observations: 20
Variable
Coefficient Std. Error t-Statistic
sb
bj
tj

Prob.
p lmite

C
X1
X2
X3
R-squared
Adj. R-sq.

303.5040
2.329275
-25.07113
0.286169
0.963414
0.956554

r2

r2

S.E. regres. se
Sum sq. resid. Se
Log likelihood
Durbin-Watson

71.54695 4.242026
0.0006
0.476982 4.883358
0.0002
11.48487 -2.182971
0.0443
0.076813 3.725527
0.0018
Mean depen. var. y 773.5000
S.D. depen. var.
324.6905

sy

67.67775 Akaike info criterion

73284.44 Schwarz criterion BIC
-110.4425 F-statistic
2.049221 Prob(F-statistic)

11.44425
11.64339
140.4406
0.000000
1500

y
1000

150

500

100

50

0
-50
-100
-150
74

76

78

80

Residual

82

84

86

Actual

88

90

92

Fitted

RESIDUOS
1970
-20.32376
1975 73.55582 -40.07623 47.21746 -36.76827 9.027136
1980 8.748421 67.51612 8.104394 -25.25461 -53.95142
1985 -102.6063 -11.32465 -108.5268 -26.38462 102.8077
1990 72.58984 -70.22495 100.0396 5.835129

OTROS MODELOS ALTERNATIVOS

Dependent Variable: Y
Method: Least Squares
Sample: 1974 1993
Included observations: 20
Variable
Coefficient
C
85.57848
X1
3.940655
X2
14.80694
R-squared
0.931676
Adjusted R-squared
0.923638
S.E. of regression
89.72396
Sum squared resid
136856.6
Log likelihood
-116.6883
Durbin-Watson stat
1.347165

Std. Error
t-Statistic
54.61834
1.566845
0.266588
14.78183
5.518434
2.683178
Mean dependent var
S.D. dependent var
Akaike info criterion
Schwarz criterion
F-statistic
Prob(F-statistic)

Prob.
0.1356
0.0000
0.0157
773.5000
324.6905
11.96883
12.11819
115.9073
0.000000

Std. Error
t-Statistic
37.59454
4.418194
0.289880
11.03545
0.030769
4.221480
Mean dependent var
S.D. dependent var
Akaike info criterion
Schwarz criterion
F-statistic
Prob(F-statistic)

Prob.
0.0004
0.0000
0.0006
773.5000
324.6905
11.60495
11.75431
170.5113
0.000000

Dependent Variable: Y
Method: Least Squares
Sample: 1974 1993
Included observations: 20
Variable
Coefficient
C
166.0999
X1
3.198959
X3
0.129889
R-squared
0.952517
Adjusted R-squared
0.946931
S.E. of regression
74.79821
Sum squared resid
95111.12
Log likelihood
-113.0495
Durbin-Watson stat
1.688733

COMPARACIN DE LOS 3 MODELOS

r2

r2

BIC
11.643
12.118
11.754

y x1 x2 x3
y x1 x2

0.9634
0.9317

0.9566
0.9236

AIC
11.444
11.969

y x1 x3

0.9525

0.9469

11.605

4. CONTRASTES DE ANLISIS DE LA VARIANZA

Finalidad: Herramienta de ayuda en la especificacin del modelo

y = 0 + 1x1 ++ qxq+ q+1xq+1+ ...+ kxk +

H0 : 1 = 2 = = k = 0
H1 : algn(os) j 0

H0 : q + 1 = = k = 0
H1 : algn(os) q + 1, , k 0

Teorema de descomposicin de la varianza de y

s 2y = s 2y + se2
S y = Sx x

...x
1 2 k

+ Se

s 2y = s x2 ...xq + sx2
1

...x
q+1 k

S y = S x ...xq + S x
1

+ se2

...x
q+1 k

+ Se

La suma de cuadrados asociada a xq+1,....,xk es condicional

CLCULO DE LAS SUMAS DE CUADRADOS

S y = ( yi y)2
i= 1
n

Se = ei2
i =1

Descomposicin 1
n

S y = S x x

...x
12 k

= ( yi y )2
i=1

Descomposicin 2

S x ...xq = ( yi* y)2

1

i= 1

...x = S y S x ...xq
1
q +1 k

Sx
siendo

yi = yi* + ei* = b0* + b1*x1 + + bq*xq + ei*

i

i = 1,2,....,n
MEDIAS DE CUADRADOS

Me = se2 = Se/(n-k-1)

M y = M x x ...x = S x x ...x / k
1 2 k
1 2 k
Mx

...x
q+1 k =

Sx

...x
q +1 k / (k-q)

TABLAS DE ANOVA
Fuente de variacin de la Grados de Sumas de Medias de
variable y
libertad
cuadrados cuadrados
Las k variables x1, , xk
k
S x x ...x M y
1 2

Las perturbaciones
(error)
Variacin total de y

nk-1

Se

n-1

Sy

M e = se2

Fuente de variacin Grados Sumas de Medias de

de la variable y
de
cuadrados cuadrados
libertad
Las q variables
q
S x ...xq
1
x1, , xq

Sx

Las k q variables
xq+1, , xk

k-q

Las perturbaciones
(error)

nk-1

Se

Variacin total de y

n-1

Sy

...x
q+1 k

Mx

...x
q+1 k

M e = se2

Estadstico

F=
M y
/Me

Estadstico

F= M xq+1...xk /
Me

ESTADSTICO
(1) F = M y /Me
(2) F = M xq+1...xk /Me

FH0 F(k; n-k-1)

FH0 F(k-q; n-k-1)

PROBABILIDAD LMITE
p = P[F > F ]
NOTA: El test (1) es poco til en la prctica, pues tiende a
aceptar la hiptesis H1
EJEMPLO 3: Serie trimestral con estacionalidad

El consumo trimestral ( yt, t = 1,2,...,24) de materias primas en una

empresa se muestra a continuacin
Trimestre
1987:1
1988:1
1989:1
1990:1
1991:1
1992:1

10.8
13.7
18.8
22.7
24.8
28.0

7.8
10.1
17.1
16.9
23.4
26.3

10.2
11,0
17.5
19.3
24.7
28.0

17.5
20.2
26.2
29.1
32.4
34.1

Analizar la estacionalidad de la serie y realizar predicciones para 1993

35

Consumo

30
25
20
15
10
5
1987

1988

1989

1990

1991

1992

Caractersticas bsicas:
Tendencia Tt

Variacin a largo plazo

Ciclo estacional Ct

Ciclo de perodo s = 4 trimestres

yt = Tt + Ct + t

PROCESO DE MODELIZACIN

Tendencia lineal
Tt = 0 + 1t
Ciclo aditivo
Ct = 1 x1t + 2 x2t + 3 x3t
Modelo terico

yt = 0 + 1t + 1 x1t + 2 x2t + 3 x3t + t

Modelo estimado:

yt = 9.06 + 0.91t + 0.72 x1 3.05x2 2.45x3 + et

(25.6)

(1.71)

Variable
C
t
X1
X2
X3
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat

( 7.3)

Coefficient
9.062203
0.910357
0.723869
-3.053155
-2.446845
0.979028
0.974612
1.189350
26.87654
-35.41292
1.230611

( 5.8)

Std. Error t-Statistic

0.506244 17.90087
0.035539 25.61598
0.423864 1.707784
0.420874 -7.254318
0.420874 -5.813722
Mean dependent var
S.D. dependent var
Akaike info criterion
Schwarz criterion
F-statistic
Prob(F-statistic)

Prob.
0.0000
0.0000
0.1040
0.0000
0.0000
20.4417
7.46446
3.36774
3.61317
221.738
0.00000

yt = 9.06 +0.91t + 0.72Q1 - 3.05Q2 - 2.45Q3 + 4.78Q4+ et

Sy = (24-1) s y2 = (24-1) 7.464462 = 1281.51833
CONTRASTE SOBRE LA EXISTENCIA DE ESTACIONALIDAD

Teorema de descomposicin de la varianza de y

Sy = (241) s y2 = (241) 7.464462 = 1281.51833
Se = 26.87654
S y = St x1x2x3 = 1281.51833 26.87654 = 1254.64179
Modelo auxiliar

yt = 0* + 1* t + t*

Variable
C
t
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat

Coefficient
8.646015
0.943652
0.799092
0.789960
3.420972
257.4670
-62.52858
2.056873

Std. Error
t-Statistic
1.441428
5.998228
0.100879
9.354302
Mean dependent var
S.D. dependent var
Akaike info criterion
Schwarz criterion
F-statistic
Prob(F-statistic)

Prob.
0.0000
0.0000
20.44167
7.464462
5.377382
5.475553
87.50297
0.000000

Suma de cuadrados asociada a la tendencia:

St = STend = 1281.5183 257.4670 = 1024.0513

Sy = 1281.5183 = STend + Sx1x2x3 + Se = 1024.0513 + Sx1x2x3+26.8765

Suma de cuadrados asociada al ciclo: SCiclo =Sx1x2x3 = 230.5905
Anlisis de la varianza:
F. de variacin G.de libertad
Tendencia
1
Ciclo
3
Error
24 4 1
Total
24 1

FTendencia-Ciclo =

S. de cuadrados M.de cuadrados M. de cuadr.

M
STend = 1024.0513
=313.88
y
SCiclo = 230.5905 MCiclo = 76.86
Se =
26.8765
Me = 1.415
Sy =
1281.5183

313.88
=221.74
1.415

F0.05 (4, 19) = 1.42

FCiclo =

76.86
= 54.34
1.415

F0.05 (3, 19) = 8.69

PREDICCIN EN EL MODELO TEMPORAL

yt = 9.06 +0.91t + 0.72Q1 3.05Q2 2.45Q3 + 4.78Q4+ et

t = 1,2,....,24
Prediccin para 1993: t = 25,26,27,28
y 25 = y93.01 = 9.06 + 0.91 25 + 0.72 = 32.545
y 26 = y 93.02 = 9.06 + 0.91 26 3.05 = 29.678
y 27 = y 93.03 = 9.06 + 0.91 27 2.45 = 31.195
y 28 = y93.04 = 9.06 + 0.91 28 + 4.78 = 39.328

DESESTACIONALIZACIN DE LA SERIE
Dt = yt Ciclot = yt (0.72Q1 3.05Q2 2.45Q3 + 4.78Q4)
40

Serie, serie desestacionalizada y predicciones

30

20

10

0
87

88

89

90

DESEST

91
YF

92

93
Y

5. ANLISIS DE RESIDUOS

ei = yi y i = yi ( b0 + b1 x1 + + bk xk )
i
i
i = 1, 2, , n

RESIDUOS TIPIFICADOS

ei* =

ei
se

RESIDUOS ANORMALMENTE GRANDES

ei> 3 se

GRFICOS ( y i , ei)

i = 1,2,,n

Deteccin de heterocedasticidad y autocorrelacin

Deteccin de residuos anormalmente grandes
GRFICOS (et, t)

t = 1,2,,n

Ejemplo 4. Grficos de residuos

Detectar la posible heterocedasticidad y autocorrelacin en los
modelos temporales siguientes
yt = 0 + 1t + t
1970
1975
1980
1985
1990

21.0
26.3
35.0
31.0
34.0

23.6
32.5
32.0
31.1
31.7

21.2
32.0
26.7
31.7
36.0

21.8
35.2
22.2
33.7
37.9

23.7
34.5
28.3
34.7

En primer lugar hay que estimar los modelos anteriores

Serie y
Variable
C
t
40

Coefficient
23.47464
0.519696
8

Serie y

Std. Error
1.628451
0.113968

t-Statistic
14.41531
4.560019

Residuos: modelo y

35

0
30
-4
25

-8

20

-12
70 72 74 76 78 80 82 84 86 88 90 92

10

70 72 74 76 78 80 82 84 86 88 90 92

0 _______________________________

-5

-10
20

25

30

35

40

Prob.
0.0000
0.0002

zt = 0 + t + t*
1970
1975
1980
1985
1990

20.5
25.2
29.0
34.2
29.8

21.8
30.8
23.0
29.0
23.2

20.2
25.1
16.3
30.7
46.7

22.1
31.1
15.6
36.0
40.5

23.6
26.5
39.0
34.5

Serie z
Variable
C
T
50

Coefficient
19.72754
0.674130
15

Serie z

Std. Error
2.610395
0.182690

t-Statistic
7.557299
3.690031

Prob.
0.0000
0.0013

Residuos z

10
40
5
30

0
-5

20
-10
10

-15
70 72 74 76 78 80 82 84 86 88 90 92

70 72 74 76 78 80 82 84 86 88 90 92

20

10

0 ________________________________

-10

-20
20

25

30

35

40

6. INTERPOLACIN Y PREDICCIN

MODELO ESTIMADO
yi =

b0 + b1 x1 + + bk xk + ei
i

i = 1,2,,n

NUEVOS DATOS DE LAS VARIABLES EXGENAS

r
x f = (1

x1 x2
f

x
k

f = n+1,, n+p

PREDICCIN POR PUNTO (MODELO SIN AUTOCORRELACIN)

r r
y f = b0 + b1x1 + b2 x2 + + bk xk = x f 'b
f
f
f

INTERVALO DE CONFIANZA 1 -
I1( y f ) =( y f t/ 2 se ;
f

y f +t/ 2 se )
f

se2 = se2 [1 + xr f XX)-1 xr ]

f
f

r
x
PREDICCIN EX-ANTE f conocido
r
EX-POST x f estimado con otro modelo

Ejemplo 5. Interpolacin
Referencia: Ejemplo 1
Realizar las estimaciones del coste de mantenimiento si el nmero de
equipos es x1 = 260 y los tiempos medios de las interrupciones son x2 = 2,
4, 6, 8.

MODELO ESTIMADO
y = 303.5 + 2.329x1 25.071x2 + 0.28617x1x2 + e
ESTIMACIN POR PUNTO: x1 f = 260 x2 f = 2
f = 1007.8
y

ESTIMACIN POR INTERVALO

2
2
I1- (yf) = (1007.8 - t/2 se f ; 1007.8 + t/2 se f )

1 - = 0.95
1 - = 0.99

se2

t0.025 (16) = 2.12

t0.005 (16) = 2.92
1.1176 -0.0068
-0.0068 0.00005

-0.1578 0.0010
0.0010 -0.0000007

1
260

= 4580.28 1 + (1 260 2 520) -0.1578 0.0010

0.0288 -0.00018

0.0010 -0.0000007 -0.00018 0.0000013

520

= 82.8912
I0.95 = (832.1; 1183.5)
I0.95 = (765.7; 1249.9)

CAPACIDAD PREDICTIVA: NDICE DE THEIL

Compara: y f con yf

f = n + 1, , n + p

n+ p
1 n+ p

2 1
ECM
U=
= ( y f y f ) / y 2f
V
p f = n+1
p f =n +1

U
0
Buena capacidad
predictiva

Peor capacidad
predictiva

DESCOMPOSICIN DEL ECM

*
* 2
2
2
ECM = ( y y ) + (s y* s y* ) + 2(s y* s y* s y* y* )

=ES + EV + EA
Medias, varianzas y covarianzas de yf , y f , f = n+1, , n+ p
ES = Error medio de prediccin o de sesgo
EV = Error debido a la diferencia de variabilidad entre los valores
reales y de prediccin
EA = Error debido a la variacin aleatoria de los errores de
prediccin

US =

ES
ECM

SITUACIN IDEAL

UV =

EV
ECM

US = 0 UV = 0

UA =
UA = 1

7. OBSERVACIONES INFLUYENTES

EA
ECM

SON OBSERVACIONES QUE INFLUYEN SIGNIFICATIVAMENTE EN LA ESTIMACIN DE LOS COEFICIENTES

DEL MODELO
SI SE ELIMINAN DE LA MUESTRA, Y SE ESTIMA EL
MODELO CON n 1 DATOS SE APRECIA SU INFLUENCIA
y

DETECCIN
1. MATRIZ

H = X(XX)-1X
hii > 2 k +1
n

2. RESIDUOS STUNDENTIZADOS
ei
ri =
se 1 hii
3. OTRAS MEDIDAS