Documente Academic
Documente Profesional
Documente Cultură
Universidad de Granada
Contenidos
Especificacion del modelo
Especificacion del
modelo Estimacion del modelo
Estimacion del modelo
Validacion del modelo
Validacion del modelo
Explotacion del modelo
Explotacion del modelo
Ejemplos Ejemplos
Especificacion del
modelo
Modelo lineal
uniecuacional multiple
Hipotesis del modelo
Ejemplos
Contenidos
El modelo lineal uniecuacional multiple analiza la relacion lineal entre una variable
Especificacion del
modelo
dependiente, Y , y mas de una variable independiente, Xi , i = 1, . . . , k , k > 1,
Modelo lineal mas un termino aleatorio, u.
uniecuacional multiple
As, a partir de n observaciones para cada variable, el modelo puede ser
Hipotesis del modelo
expresado como:
Estimacion del modelo
Ejemplos
donde se ha considerado que hay termino constante, es decir, X1t = 1, t.
El objetivo sera estimar (es decir, obtener una aproximacion numerica) aque-
llas cantidades constantes presentes en el modelo (1), as como la bondad de la
estimacion realizada. En primer lugar, se escribe dicho modelo para todas y cada
una de las observaciones:
Contenidos
Consideraremos las siguientes hipotesis basicas en el modelo lineal uniecuacional
Especificacion del
modelo
multiple:
Modelo lineal
uniecuacional multiple El vector y se puede expresar como combinacion lineal de las variables
Hipotesis del modelo explicativas mas un vector de perturbacion.
Estimacion del modelo
La perturbacion aleatoria esta centrada (E[ut ] = 0, t =
1, . . . , n), es
2 2
Validacion del modelo
homocedastica V ar(ut ) = E[ut ] = , t = 1, . . . , n e incorrelada
Explotacion del modelo (Cov(ut , us ) = E[ut us ] = 0, t 6= s, t, s = 1, . . . , n). En tal caso
Ejemplos se dice que las perturbaciones son esfericas y se verifica que E[u] =
0n1 y V ar(u) = E[u ut ] = 2 Inn .
La matriz X es no estocastica y de rango completo por columnas, es decir,
rg(X) = k (como consecuencia n > k y las columnas de X , es decir,
Xi , i = 1, . . . , n, son linealmente independientes).
No hay relacion entre variables independientes y la perturbacion aleatoria:
t
Cov(un1 , Xi ) = E (u E[u]) (Xi E[Xi ])
t
= E u (Xi Xi ) = E[un1 01n ] = 0nn .
Especificacion del
modelo
Ejemplos
Contenidos Definiendo los errores o residuos, e, del modelo lineal uniecuacional multiple como
Especificacion del
modelo
la diferencia entre los verdaderos valores de la variable dependiente y su esti-
macion, esto es
Estimacion del modelo
Estimacion mnimo e = y yb,
cuadratica de los
coeficientes del
modelo
donde y b = X b, y siguiendo la premisa de minimizar la suma de los cuadrados
Teorema de de los residuos
Gauss-Markov
Estimacion de la
varianza de la
b t (y X )
et e = (y X ) b = y t y 2bt X t y + bt X t X ,
b
perturbacion aleatoria
Contenidos
Adviertase que:
Especificacion del
modelo n
P n
P
Estimacion del modelo
n Xt2 Xtk
t=1 t=1
Estimacion mnimo P
cuadratica de los n X Pn
2
Xt2
n
P
Xt2 Xtk
coeficientes del t2
modelo
t
X X= t=1 t=1 t=1 ,
.. .. .. ..
Teorema de .
Gauss-Markov . . .
Estimacion de la Pn n
P n
P
2
varianza de la
perturbacion aleatoria
Xtk Xtk Xt2 Xtk
t=1 t=1 t=1
Validacion del modelo
y
Explotacion del modelo n
P
Yt
Ejemplos t=1
P
n X Y
t2 t
t
X y= t=1 .
..
.
Pn
Xtk Yt
t=1
Contenidos
Teorema 1 (Teorema de Gauss-Markov) Los estimadores de mnimos cuadra-
Especificacion del
modelo
dos ordinarios son lineales, insesgados y optimos (ELIO), es decir, tienen varianza
mnima entre la clase de los estimadores lineales e insesgados.
Estimacion del modelo
Estimacion mnimo
cuadratica de los En efecto, por la forma de escribirse el estimador es evidente que es lineal.
coeficientes del
modelo
As, llamando:
Teorema de
Gauss-Markov
c11 c12 ... c1n
Estimacion de la
varianza de la 1 c21 c22 ... c2n
t t
perturbacion aleatoria Ckn = X X X kn = . .. .. .. ,
Validacion del modelo
kk .. . . .
Explotacion del modelo
ck1 ck2 . . . ckn
Ejemplos
b se expresa como combinacion lineal del vector y :
se tiene que
c11 Y1 + c12 Y2 + . . . + c1n Yn
c21 Y1 + c22 Y2 + . . . + c2n Yn
bk1 = Ckn yn1 = .. .
.
ck1 Y1 + ck2 Y2 + . . . + ckn Yn
RSG El modelo lineal uniecuacional multiple 10 / 68
Teorema de Gauss-Markov
Contenidos
b de sea insesgado se ha de cumplir que E[]
Para que el estimador b = . En
Especificacion del
modelo b:
efecto, sustituyendo y = X + u en
Estimacion del modelo
1 1
Estimacion mnimo
cuadratica de los
b = t
X X
X y = X X t t
X t (X + u)
coeficientes del 1 1
modelo
t
= + X X t b
X u = + X X t
X t u.
Teorema de
Gauss-Markov
Estimacion de la Entonces, teniendo en cuenta que E[u] = 0:
varianza de la
perturbacion aleatoria h i 1
b t 1 t t
Validacion del modelo
E[] = E + X X X u =+ X X X t E[u] = .
Explotacion del modelo
b:
Por otro lado, la matriz de varianzas-covarianzas de
Ejemplos
t t
V ar b = E b E[]
b b E[] b = E b b
h i
t 1 t t t 1
= E X X X uu X X X
1 t 1
= X tX X E[u ut ] X X t X
2 t 1 t t 1 2 t 1
= X X X X X X = X X ,
RSG El modelo lineal uniecuacional multiple 11 / 68
Teorema de Gauss-Markov
Contenidos
donde se ha tenido en cuenta que b es insesgado, b = (X t X)1 X t u y
Especificacion del
modelo V ar(u) = E[u ut ] = 2 Inn .
b es de mnima varianza consideraremos otro estimador,
Para demostrar que
Estimacion del modelo
, de lineal e insesgado de forma que V ar b < V ar ( ).
Estimacion mnimo
cuadratica de los
coeficientes del
modelo En efecto, = Dkn yn1 tal que D X = Ikk es lineal e insesgado.
Teorema de
Gauss-Markov
Ademas, V ar ( ) = 2 DD t .
1
Estimacion de la En tal caso, puesto que podemos escribir D = (X t X) X t + W con
varianza de la 1
perturbacion aleatoria W 6= 0kn , se tiene que DDt = (X t X) + W W t , y en tal caso:
Validacion del modelo
1
Explotacion del modelo
2 t
V ar ( ) = DD = X X 2 t
+ W W = V ar b + 2 W W t ,
2 t
Ejemplos
b = 2 W W t.
esto es, V ar ( ) V ar
b > 0, y en tal
Y como W W t es definida positiva: V ar ( ) V ar
caso:
V ar ( ) > V ar b .
Contenidos
Ademas de los coeficientes de las variables independientes, hay en el modelo
Especificacion del
modelo
otra cantidad constante que habra que estimar: la varianza de la perturbacion
aleatoria, 2 .
Estimacion del modelo
Estimacion mnimo Un estimador insesgado de 2 es:
cuadratica de los
coeficientes del
modelo 2 et e
b = ,
Teorema de
Gauss-Markov
nk
Estimacion de la
varianza de la ya que E[et e] = (n k) 2 .
perturbacion aleatoria
Para calcular dicho estimador se dispone de la expresion:
Validacion del modelo
\ 1
b
V ar = 2 t
b X X .
Especificacion del
modelo
Ejemplos
Contenidos Una vez estimado el modelo lineal uniecuacional multiple, es decir, una vez ob-
Especificacion del
modelo
tenidas las estimaciones de y 2 , el siguiente paso sera estudiar la calidad de
dichas estimaciones.
Estimacion del modelo
As, a continuacion, obtendremos el coeficiente de determinacion, que no es
Validacion del modelo
Bondad de ajuste:
mas que una medida para estudiar la bondad del ajuste lineal determinado por los
Coeficiente de estimadores por mnimos cuadrados ordinarios.
determinacion
Criterios de seleccion Dicho coeficiente de determinacion, que se denota por R2 , se define como
de modelos
el porcentaje de variabilidad explicada por el modelo. Por tanto, este se obtendra
Distribucion en el
muestreo de los como el cociente entre la varianza explicada por la estimacion y la total:
estimadores MCO
Contraste de un n
P 2 n
P 2
conjunto de hipotesis
lineales: casos
1
T Ybi Y Ybi Y
i=1 i=1
particulares
Mnimos Cuadrados
R2 = n
P 2 = n
P 2 .
1
Restringidos
T Yi Y Yi Y
Analisis de la varianza i=1 i=1
Intervalos de confianza
Como se observa, el coeficiente de determinacion queda expresado en funcion
Explotacion del modelo
de la suma de cuadrados explicados (SCE) y los totales (SCT).
Ejemplos
Contenidos
Luego, teniendo en cuenta la descomposicion
Especificacion del
modelo
SCT = SCE + SCR,
Estimacion del modelo
Ejemplos
Contenidos Puesto que a medida que vamos incluyendo variables en el modelo el coeficiente
Especificacion del
modelo
de determinacion aumenta aunque las variables que incluyamos no sean signifi-
cativas, esto supone un problema.
Estimacion del modelo 2
El coeficiente de determinacion corregido, R , viene a resolver este problema
Validacion del modelo
Bondad de ajuste: del coeficiente de determinacion. Dicho coeficiente mide el porcentaje de va-
Coeficiente de
determinacion
riacion de la variable dependiente (al igual que el coeficiente de determinacion)
Criterios de seleccion pero teniendo en cuenta el numero de variables incluidas en el modelo. Se define
de modelos
Distribucion en el
como:
2 n1
muestreo de los
estimadores MCO
R = 1 (1 R2 ) .
Contraste de un
nk
conjunto de hipotesis
lineales: casos
En cualquier caso, estas medidas de bondad del ajuste no deben de ser
2
particulares
sobrevaloradas. Obtener un R2 o R cercano a 1 no indica que los resultados
Mnimos Cuadrados
Restringidos sean fiables, ya que, por ejemplo, puede ser que no se cumpla alguna de las
Analisis de la varianza hipotesis basicas y los resultados no ser validos. Por tanto, estos indicadores
Intervalos de confianza han de ser considerados como una herramienta mas a tener en cuenta dentro del
Explotacion del modelo analisis.
Ejemplos
Contenidos
Por otro lado, se podra pensar en usar el coeficiente de determinacion para com-
Especificacion del
modelo
parar distintos modelos. En tal caso, estos deben de tener la misma variable
dependiente ya que as tendran la misma suma de cuadrados totales. Y aun as,
Estimacion del modelo
habra que tener cuidado con el problema ya comentado: aumenta su valor al
Validacion del modelo
Bondad de ajuste:
anadir una nueva variable explicativa, sea cual sea su aportacion al modelo.
Coeficiente de Para evitar tales problemas, a la hora de comparar modelos para elegir uno
determinacion
Criterios de seleccion de ellos se usan los criterios de seleccion de modelos. Mas concretamente, es-
de modelos
tudiaremos los criterios de informacion de Akaike (AIC), el bayesiano de Schwarz
Distribucion en el
muestreo de los (BIC) y el de Hannan-Quinn (HQC).
estimadores MCO
Contraste de un Estos criterios se obtienen a partir de la suma de cuadrados de los resi-
conjunto de hipotesis duos y de un factor que penaliza la inclusion de parametros. As, un modelo mas
lineales: casos
particulares complejo (con mas variables explicativas) reducira la suma de cuadrados de los
Mnimos Cuadrados
Restringidos
residuos pero aumentara el factor de penalizacion.
Analisis de la varianza Utilizando estos criterios se escogera aquel modelo con un menor valor de
Intervalos de confianza AIC, BIC o HQC.
Explotacion del modelo
Ejemplos
Ejemplos
Contenidos
Introduciendo la hipotesis de que la perturbacion aleatoria sigue una distribucion
Especificacion del
modelo
normal, esto es:
un1 N (0n1 , 2 Inn ).
Estimacion del modelo
Contenidos
A continuacion abordaremos la especificacion de contrastes sobre un conjunto de
Especificacion del
modelo
hipotesis lineales sobre los coeficientes del modelo. Concretamente, suponiendo
q restricciones lineales independientes entre s:
Estimacion del modelo
Contenidos
Usando la distribucion
Especificacion del
modelo h i1
1
t R (X t X) Rt
Rb R Rb R Fq,nk ,
Estimacion del modelo
qb 2
Validacion del modelo
Bondad de ajuste:
Coeficiente de
determinacion
rechazaremos la hipotesis nula al nivel de significacion si
Criterios de seleccion
de modelos
h i1
t 1 t
Distribucion en el t R (X X) R
muestreo de los
Rb r 2
Rb r > Fq,nk (1 ),
estimadores MCO q
b
Contraste de un
conjunto de hipotesis
lineales: casos donde Fq,nk (1 ) es el punto de una F de Senedecor de q y n k grados
particulares
Mnimos Cuadrados
de libertad que deja por debajo suyo una probabilidad 1 .
Restringidos
Analisis de la varianza
Intervalos de confianza
Ejemplos
Contenidos
Un caso particular de suma importancia sera aquel en el que se desee contrastar
Especificacion del
modelo
la hipotesis nula H0 : i = bi , i = 1, . . . , k .
En tal caso, q = 1, R = (0 0 . . . 1i) . . . 0) y r = bi , por lo que la
Estimacion del modelo
distribucion anterior queda simplificada como
Validacion del modelo
Bondad de ajuste: 2
Coeficiente de
determinacion
bi bi
Criterios de seleccion F1,nk ,
de modelos b 2 wi
Distribucion en el
muestreo de los 1
estimadores MCO donde wi es el elemento (i,i) de la matriz (X t X) b 2 wi
, o lo que es lo mismo,
Contraste de un
\
= V ar b , esto es, la varianza estimada
1
conjunto de hipotesis
lineales: casos
b2 (X t X)
es el elemento (i,i) de
particulares
de bi .
Mnimos Cuadrados
Restringidos Teniendo en cuenta que la raz cuadrada de una F-Snedecor con 1 y n grados
Analisis de la varianza
de libertad es una t-Student con n grados de libertad se tiene que
Intervalos de confianza
Contenidos
y en tal caso rechazaremos H0 : i = bi al nivel de significacion si
Especificacion del
modelo
b b
i i
Estimacion del modelo > tnk 1 ,
b wi 2
Validacion del modelo
Bondad de ajuste:
Coeficiente de
determinacion donde tnk 1 2 es el punto de una distribucion t de student con n k
Criterios de seleccion grados de libertad que deja por debajo suya una probabilidad 1 2.
de modelos
Distribucion en el Este caso particular es de vital importancia cuando bi = 0, ya que entonces
muestreo de los
estimadores MCO
estaremos contrastando si el coeficiente de la variable independiente Xi es o
Contraste de un no nulo. De forma que al rechazar dicha hipotesis tenemos garantizado que la
conjunto de hipotesis
lineales: casos variable Xi ha de estar en el modelo, por lo que sus variaciones influyen en la
particulares
variable dependiente. En tal caso se dice que dicha variable es significativa y que
Mnimos Cuadrados
Restringidos el contraste es un contraste de significacion individual.
Analisis de la varianza
Intervalos de confianza
Ejemplos
Contenidos
En el caso en el que no se rechace la hipotesis nula H0 : R = r , sera deseable
Especificacion del
modelo
incorporar dicha informacion al modelo. En tal caso, se obtiene un nuevo estima-
dor: h i
Estimacion del modelo 1 1 1
Validacion del modelo
bR = b + X X t t
R R X X t
R t
r Rb ,
Bondad de ajuste:
Coeficiente de que recibe el nombre de mnimos cuadrados restringidos ya que se ha obtenido
determinacion
con la restriccion de que ha de verificar que RbR = r .
Criterios de seleccion
de modelos Dicho estimador es lineal, insesgado siempre que la hipotesis nula H0 :
Distribucion en el
muestreo de los R = r sea cierta y optimo. Es decir, el estimador por mnimos cuadrados
estimadores MCO
Contraste de un
restringidos tiene menor varianza que el estimador mnimo cuadratico ordinario
conjunto de hipotesis siempre y cuando la restriccion (hipotesis nula) sea cierta.
lineales: casos
particulares Luego, cuando una restriccion lineal sobre los coeficientes de las variables
Mnimos Cuadrados independientes es cierta, el estimador por mnimos cuadrados ordinarios deja de
Restringidos
Analisis de la varianza
ser optimo y habra que usar el estimador por mnimos cuadrados restringidos.
Intervalos de confianza Ademas se verifica que:
Explotacion del modelo
2
SCRR SCR, RR R2 .
Ejemplos
Contenidos
El analisis de la varianza aborda el contraste que tiene por hipotesis nula que
Especificacion del
modelo
todos los coeficientes de las variables independientes son nulos simultaneamente,
esto es, H0 : 2 = 3 = = k = 0.
Estimacion del modelo
Salta a la vista que estamos ante un caso particular de un contraste sobre
Validacion del modelo
Bondad de ajuste:
k 1 restricciones lineales de los coeficientes de las variables independientes.
Coeficiente de En este caso, rechazaremos la hipotesis nula al nivel de significacion si
determinacion
Criterios de seleccion
de modelos
SCE
k1
Distribucion en el Fexp = SCR
> Fk1,nk (1 ).
muestreo de los
estimadores MCO nk
Contraste de un
conjunto de hipotesis Para calcular dicho estadstico se suele resumir la informacion anterior en una
lineales: casos
particulares tabla, conocida como tabla de analisis de la varianza (tabla ANOVA) ya que en
Mnimos Cuadrados ella se recogen las fuentes de variacion de la varianza:
Restringidos
Analisis de la varianza
Fuente de variacion Suma de Cuadrados Grados de Libertad Medias
Intervalos de confianza 2
Explicada SCE = bt X t y nY k1 SCE
k1
Explotacion del modelo
Residuos SCR = y t y bt X t y nk SCR
nk
Ejemplos 2
Total SCT = y t y nY n1
Contenidos
Adviertase que rechazar H0 implica que hay al menos un coeficiente no nulo, por
Especificacion del
modelo
lo que la relacion existente entre las variables independientes y la dependiente no
se debe al azar, lo cual valida el modelo en su conjunto.
Estimacion del modelo
Por otro lado, sin mas que dividir la region de rechazo por SCT tanto en el
Validacion del modelo
Bondad de ajuste:
numerador como en el denominador se obtiene la expresion equivalente:
Coeficiente de
determinacion R2
Criterios de seleccion k1
de modelos
1R2
> Fk1,nk (1 ).
Distribucion en el nk
muestreo de los
estimadores MCO
Contraste de un La importancia de esta nueva expresion para la region de rechazo es que permite
conjunto de hipotesis
lineales: casos
calcular una cota, sin mas que despejar R2 , a partir de la cual el coeficiente de
particulares determinacion es significativo. Esto es, el coefciente de determinacion es signifi-
Mnimos Cuadrados
Restringidos cativo al nivel de significacion si
Analisis de la varianza
k1
Intervalos de confianza nk Fk1,nk (1 )
R2 > k1
.
Explotacion del modelo 1 + nk Fk1,nk (1 )
Ejemplos
Especificacion del
modelo
Ejemplos
Contenidos
Una vez validado el modelo, la siguiente fase de un modelo econometrico es la
Especificacion del
modelo
explotacion, siendo entonces la prediccion o la permanencia estructural algunos
de sus objetivos.
Estimacion del modelo
La prediccion se realiza desde dos puntos de vista: a) por un lado realizare-
Validacion del modelo
mos una prediccion puntual dando un unico valor de prediccion para un instante
Explotacion del modelo
en concreto; b) por otra parte, puesto que Y es una variable aleatoria, podemos
Prediccion Puntual
Optima calcular su esperanza dado un valor en concreto de las variables independientes.
Prediccion por Siguiendo las directrices anteriores se llega a la misma expresion algebraica
intervalo
Contraste de en ambos casos:
Permanencia b
p0 = xt0 ,
Estructural
Ejemplos donde xt0 = (1 X02 X03 . . . X0k ) contiene los valores de las variables inde-
pendientes para los que se quiere obtener la prediccion.
Este predictor, p0 , mnimo cuadratico (ya que se obtiene a partir del estima-
dor por mnimos cuadrados ordinarios de ) es lineal, insesgado y optimo (en el
sentido de mnima varianza).
Contenidos
b2
(n k) 2
Especificacion del
2
nk ,
modelo
Estimacion del modelo dividida a su vez entre sus grados de libertad, obteniendo la siguiente distribucion
Validacion del modelo t-Student:
xt0 b xt0
Explotacion del modelo q tnk .
Prediccion Puntual
Optima b xt0 (X t X)1 x0
Prediccion por
intervalo A partir de esta distribucion, el intervalo de confianza al nivel 1 para
Contraste de
Permanencia E[Y0 /x0 ] = xt0 es:
Estructural
q
Ejemplos
xt0 b tnk 1 b xt0 (X t X)1 x0 ,
2
donde tnk 1 2 es el punto de una distribucion t de Student con n k
grados de libertad que deja a su izquierda una probabilidad 1
2.
Contenidos
Al explotar el modelo mediante la prediccion se esta presuponiendo que la relacion
Especificacion del
modelo
estimada se mantiene para la informacion no presente en la muestra observada.
Para confirmar este aspecto, calcularemos el intervalo de confianza para Y dado
Estimacion del modelo
x0 , de forma que si la nueva informacion pertenece a dicho intervalo, la estructura
Validacion del modelo
del modelo estimado permanecera.
Explotacion del modelo
Partiendo de que
Prediccion Puntual
Optima 1
Prediccion por
intervalo
Y0 Yb0 = u0 xt0 b N 0, 1 + x0 X X
2 t t
x0 ,
Contraste de
Permanencia
Estructural
se llega de forma analoga a la anterior a la distribucion
Ejemplos
Y0 Yb0
q tnk ,
1
b 1 + xt0 (X t X) x0
Especificacion del
modelo
Ejemplos Ejemplos
Ejemplo 1
Ejemplo 2
Ejemplo 3
Contenidos
A continuacion vamos a realizar un analisis exhaustivo del modelo
Especificacion del
modelo
Yt = 1 + 2 Xt2 + 3 Xt3 + ut ,
Estimacion del modelo
Contenidos
A partir de la informacion muestral anterior es claro que:
Especificacion del
modelo
16 1 1 1
Estimacion del modelo 26 1 3 2
Validacion del modelo 30 1 5 1
Explotacion del modelo 44 1 7 3
y=
,
X=
,
Ejemplos 56 1 8 2
Ejemplo 1 64 1 10 0
Ejemplo 2 68 1 10 1
Ejemplo 3
72 1 12 4
de forma que:
8 56 8 376
X t X = 56 492 65 , X t y = 3184 ,
8 65 36 414
Contenidos
Especificacion del 1
modelo 8 56 8 376
Estimacion del modelo b = 56 492 65 3184
Validacion del modelo
8 65 36 414
Explotacion del modelo 0 62 0 0688 0 0136 376
Ejemplos
= 0 0688 0 0103 0 0033 3184
Ejemplo 1 0 0136 0 0033 0 0368 414
Ejemplo 2
8 5189
Ejemplo 3
= 5 5587 .
0 4296
Contenidos
A partir de estas estimaciones es sencillo obtener las estimaciones de Y :
Especificacion del
modelo
1 1 1 13 6480
Estimacion del modelo 1 3 2 24 3358
1 5 1 36 7420
Validacion del modelo 8 5189
1 7 3 46 1410
Explotacion del modelo b
yb = X = 5 5587 = ,
1 8 2 53 8477
0
4296
Ejemplos 1 10 0 64 1059
Ejemplo 1 1 10 1 63 6763
Ejemplo 2
1 12 4 73 5049
Ejemplo 3
Contenidos
Desde un punto de vista teorico, dichos residuos han de sumar cero, si bien en
Especificacion del
modelo
este caso la suma del vector anterior es igual a 0 0016. De igual forma, a partir
de dichos residuos se puede obtener facilmente la estimacion de la varianza de la
Estimacion del modelo
perturbacion aleatoria, ya que por definicion:
Validacion del modelo
2 y t y bt X t y
b = . (5)
nk
Contenidos
que sera usada para calcular la region de rechazo de los contrastes de signifi-
Especificacion del
modelo
cacion individual as como para los intervalos de confianza de cada coeficiente de
la regresion.
Estimacion del modelo
Para medir la bondad del ajuste realizado mediante la estimacion anterior calcu-
Validacion del modelo
laremos el coeficiente de determinacion:
Explotacion del modelo
Ejemplos 2 bt X t y nY y t y bt X t y
R = t
=1 t
. (7)
Ejemplo 1
y y nY y y nY
Ejemplo 2
Ejemplo 3 Para la primera expresion de (7), teniendo en cuenta que:
Contenidos
Mientras que para la segunda expresion:
Especificacion del
modelo
2 83 8472
Estimacion del modelo R =1 = 1 0 02673699 = 0 97326301.
3136
Validacion del modelo
A partir de este coeficiente podemos afirmar que el ajuste realizado permite expli-
Explotacion del modelo
car un 97 326301% de la variabilidad de la variable dependiente, que si bien se
Ejemplos
encuentra muy proximo al 100%, mas adelante comprobaremos si es significativo
Ejemplo 1
Ejemplo 2
y, por tanto, si es suficiente para validar el modelo.
Ejemplo 3 Una vez estimadas las cantidades constantes del modelo, a continuacion se estu-
diara la validez del mismo a partir de:
Contenidos
b
i
Especificacion del
texp = > tnk 1 , i,
modelo
b wi 2
Estimacion del modelo
1
Validacion del modelo donde wi es el elemento (i, i) de la matriz (X t X) o, lo que es lo mismo,
1
Explotacion del modelo b2 (X t X) =
b wi es la raz cuadrada del elemento (i, i) de la matriz
\
Ejemplos
V ar b .
Ejemplo 1
Ejemplo 2 Observando (6) es claro que
b w2 = 0 1727 = 0 4156 y
b w3 =
Ejemplo 3
0 6168 = 0 7854. Teniendo en cuenta que tnk 1 2 = t5 (0 975) =
2 57, se obtiene que:
5 5587
rechazo H0 : 2 = 0 si texp = 0 4156= 13 376 > 2 57.
0 4296
rechazo H0 : 3 = 0 si texp = 0 7854 = 0 547 > 2 57.
Contenidos
Para el contraste de significacion conjunta, H0 : 2 = 3 = 0, se rechaza la
Especificacion del
modelo
hipotesis nula si
Ejemplos
donde Fk1,nk (1 ) es el punto de una F de Snedecor con k 1 y n k
Ejemplo 1 grados de libertad que deja a su izquierda una probabilidad 1 , SCE denota
Ejemplo 2 a la suma de cuadrados explicada y SCR a la suma de los cuadrados de los
Ejemplo 3 residuos (cantidades que ya han sido calculadas con anterioridad al obtener el
coeficiente de determinacion).
En este caso, para calcular la region de rechazo recurriremos a la tabla ANOVA:
1526 0764
Luego Fexp = 16 76944 = 91 00342.
Contenidos
Y como Fk1,nk (1 ) = F2,5 (0 95) = 5 78, es evidente que se rechaza la
Especificacion del
modelo
hipotesis nula. Esto es, existe al menos un coeficiente que es no nulo de manera
que entonces se puede afirmar que hay algun tipo de asociacion (que no se debe
Estimacion del modelo
al azar) entre las variables independientes y la dependiente.
Validacion del modelo
Para terminar con la validacion del modelo, estuadiaremos si el coeficiente de
Explotacion del modelo
determinacion obtenido con anterioridad es significativo o no. Teniendo en cuenta
Ejemplos que:
Ejemplo 1
SCE/k 1 R2 /k 1
Ejemplo 2 = ,
Ejemplo 3
SCR/n k (1 R2 )/n k
la region de rechazo anterior se puede expresar como:
R2 /k 1
> Fk1,nk (1 ),
(1 R2 )/n k
y sin mas que despejar el coeficiente de determinacion, se obtiene que el modelo
es significativo si
k1
Fk1,nk (1 )
R2 > nk
k1
2
= Rsig .
1 + nk Fk1,nk (1 )
RSG El modelo lineal uniecuacional multiple 45 / 68
Ejemplo 1
Contenidos 2
Esto es, se tiene una cota, Rsig , a partir de la cual el coeficiente de determinacion
Especificacion del
modelo es significativo.
Puesto que en este caso:
Estimacion del modelo
)
k1
Validacion del modelo nk
= 25
= 0 4 k1
Fk1,nk (1 ) = 0 4 5 78 = 2 312
Fk1,nk (1 ) = F2,5 (0 95) = 5 78 nk
Explotacion del modelo
Ejemplos
2 2 312
Ejemplo 1 Rsig = = 0 6981.
Ejemplo 2 3 312
Ejemplo 3
Recordemos que R2 = 0 97326301, que claramente es significativo al ser su-
2
perior a la cota inferior de significacion Rsig = 0 6981. Esto es, el coeficiente de
determinacion obtenido implica que el modelo es explicativo.
Por todo lo anterior, parece claro que el modelo es valido y, por tanto, apto para la
prediccion.
Supongamos ahora que se tiene nueva informacion para las variables indepen-
dientes (X02 = 2 y X03 = 3) y que se desea obtener una prediccion puntual y
por intervalo a partir de ella para la variable dependiente.
Contenidos
A partir de dicha informacion, la prediccion puntual optima sera
Especificacion del
modelo
8 5189
Estimacion del modelo
xt0 b = (1 2 3) 5 5587 = 18 3475.
Validacion del modelo 0 4296
Explotacion del modelo
Mientras que para la prediccion por intervalo sera necesario calcular:
Ejemplos
Ejemplo 1
1 0 62 0 0688 0 0136 1
xt0 t
Ejemplo 2
X X x0 = (1 2 3) 0 0688 0 0103 0 0033 2 = 0 596,
Ejemplo 3
0 0136 0 0033 0 0368 3
Contenidos q
Especificacion del xt0 b tnk 1 b 1 + xt0 (X t X)1 x0
modelo 2
Estimacion del modelo = 18 3475 2 57 4 095051 1 596 = (5 04887, 31 64613).
Contenidos
donde Fq,nk (1 ) es el punto de una F de Snedecor con q y n k grados
Especificacion del
modelo
de libertad que deja a su izquierda una probabilidad 1 .
A partir de 2 + 3 = 5 se obtiene que q = 1, r = 5 y R = (0 1 1), de forma
Estimacion del modelo
que
Validacion del modelo
Explotacion del modelo 8 5189
Ejemplos Rb r = (0 1 1) 5 5587 5 = 5 5587 0 4296 5 = 0 1291,
Ejemplo 1 0 4296
Ejemplo 2
Ejemplo 3
0 62 0 0688 0 0136 0
1
R X tX Rt = (0 1 1) 0 0688 0 0103 0 0033 1 = 0 0405.
0 0136 0 0033 0 0368 1
Y en tal caso:
0 12912
Fexp = = 0 02454025,
0 0405 16 76944
b2 = 16 76944.
donde recordemos que
Contenidos
Por otro lado, puesto que Fq,nk (1 ) = F1,5 (0 95) = 6 61, es evidente que
Especificacion del
modelo
no se rechaza la hipotesis nula, es decir, no rechazo que los coeficientes de las
variables verifiquen la relacion 2 + 3 = 5.
Estimacion del modelo
En tal caso, habra que incorporar dicha informacion al modelo con el fin de obtener
Validacion del modelo
un mejor estimador (cuando se dispone de informacion a priori el estimador por
Explotacion del modelo
mnimos cuadrados ordinarios ya no es optimo). En esta situacion el estimador
Ejemplos insesgado con mnima varianza es el de mnimos cuadrados restringidos, el cual
Ejemplo 1
responde a la siguiente expresion:
Ejemplo 2
Ejemplo 3 1 h i1
1
bR = b + X t X Rt R X t X Rt r Rb . (8)
faltando calcular
Contenidos
Especificacion del
modelo 1 0 62 0 0688 0 0136 0
Estimacion del modelo
X tX Rt = 0 0688 0 0103 0 0033 1 =
0 0136 0 0033 0 0368 1
Validacion del modelo
Explotacion del modelo
0 0824
Ejemplos = 0 007 .
Ejemplo 1
0 0335
Ejemplo 2
Ejemplo 3 Entonces, a partir de (8) se obtiene que:
8 5189 0 0824 8 781563
0 1291
bR = 5 5587 0 007 = 5 536386 .
0 4296 0 0405 0 0335 0 5363864
2 2
etR eR = 84 35455, RR = 0 9731012,
bR = 14 05909,
2
verificandose, como es sabido, que etR eR > et e y RR < R2 .
RSG El modelo lineal uniecuacional multiple 51 / 68
Ejemplo 2
Contenidos
0 3342 0 0506 0 1626 0 0041
Especificacion del
1 0 0506 0 0173 0
0051 0
0114
modelo t
X X
= .
Estimacion del modelo
0 1626 0 0051
0 249 0 0317
0 2287
Contenidos
Esta matriz tiene importancia de cara a los contrastes de significacion individual
Especificacion del
modelo
ya que entonces se usaran sus elementos de la diagonal principal.
Pasamos a continuacion a calcular la bondad del ajuste realizado, es decir, el
Estimacion del modelo
coeficiente de determinacion:
Validacion del modelo
2 SCR
Explotacion del modelo
R =1 .
Ejemplos
SCT
Ejemplo 1
Como SCR = 1 5657 ya ha sido calculada en la estimacion de la varianza de la
Ejemplo 2
Ejemplo 3
perturbacion aleatoria, tan solo hay que calcular:
2
SCT = y t y nY = 131 13 22 2 20452 = 131 13 106 916 = 24 214,
22
P
t
donde se ha usado que a partir del primer elemento de X y , esto es, Yt =
i=1
48 5
48 5, se obtiene que Y = 22 = 2 2045. En tal caso:
2 1 5657
R =1 = 1 0 0647 = 0 9353,
24 214
Contenidos
esto es, la estimacion realizada explica un 9353% de la variabilidad de Y .
Especificacion del
modelo
Ahora bien, como es sabido, cuanto mas cercano al 100% mejor sera el coefi-
ciente de determinacion y, por tanto, la estimacion realizada. Esta en este caso
Estimacion del modelo
suficientemente cerca del 100% como para que la estimacion realizada sea signi-
Validacion del modelo
ficativa?
Explotacion del modelo
Como respuesta afirmativa a esta pregunta, el coeficiente de determinacion ha de
Ejemplos ser superior a la siguiente cota:
Ejemplo 1
k1 3
nk Fk1,nk (1 )
Ejemplo 2
3 15991
18 0 5267
Ejemplo 3
k1
= 3 = = 0 345,
1 + nk Fk1,nk (1 ) 1 + 18 3 15991
1 5267
Contenidos SCE
k1
Especificacion del
modelo SCR
> Fk1,nk (1 ).
nk
Estimacion del modelo
Para calcular la region de rechazo y tomar una decision en este contraste plan-
Validacion del modelo
teamos la tabla ANOVA:
Explotacion del modelo
Ejemplos
Fuentes de variacion Sumas de cuadrados Grados de libertad Medias
Ejemplo 1
SCE
Ejemplo 2
Explicada SCE = 22 6483 k1=3 k1
= 7 5494
SCR
Ejemplo 3 No explicada SCR = 1 5657 n k = 18 nk
= 0
087
Total SCT = 24 214
Contenidos
Para finalizar estudiaremos los contrastes de significacion individual. Como es
Especificacion del
modelo
sabido se rechazara la hipotesis H0 : i = 0 si
Estimacion del modelo b
i
Validacion del modelo > tnk 1 ,
b wii 2
Explotacion del modelo
Ejemplos
\
Ejemplo 1 b wii es la raz cuadrada del elemento (i, i) de la matriz V ar b y
donde
Ejemplo 2
Ejemplo 3
tnk 1 2 = t18 (0 975) = 2 10092.
H0 : 2 = 0
b2= 0 4862 b2
= = 12 5633 > 2 10092.
b w22 = 0 0015 = 0 0387
b w22
H0 : 3 = 0
b3= 0 3969 b3
= = 2 6945 > 2 10092.
b w33
= 0 0217 = 0 1473
b w33
RSG El modelo lineal uniecuacional multiple 58 / 68
Ejemplo 2
Contenidos
H0 : 4 = 0
Especificacion del
modelo
b4= 0 2287 b4
Estimacion del modelo
= = 3 4083 > 2 10092.
Validacion del modelo
b w44 = 0 0045 = 0 0671
b w44
Explotacion del modelo
En todos los casos se rechaza la hipotesis nula, lo que se interpreta como que las
Ejemplos
variables X2 , X3 y X4 son significativas.
Ejemplo 1
Ejemplo 2
Como es sabido, para llegar a estas conclusiones tambien se podran haber obte-
Ejemplo 3 nido los intervalos de confianza de cada coeficiente:
bi tnk 1
b wii , i = 1, 2, 3, 4.
2
As por ejemplo, para el ultimo coeficiente se tiene que el intervalo de confianza
al 95% es:
Validacion del modelo Al igual que antes se concluira que el coeficiente correspondiente sera distinto de
Explotacion del modelo cero.
Ejemplos
Para finalizar con el calculo de intervalos de confianza, obtendremos a conti-
Ejemplo 1 nuacion el intervalo para la varianza de la perturbacion aleatoria:
Ejemplo 2 " # " #
2 2
Ejemplo 3 (n k)
b (n k)
b SCR SCR
2
, 2
= 2
, 2
.
nk 1 2 nk 2 nk 1 2 nk 2
Puesto que SCR = 1 56574,
2nk 1= 218 (0 975) = 31 526 y
2
2nk 2 2
2 = 18 (0 025) = 8 231 es claro que el intervalo para es:
1 56574 1 56574
, = (0 04966504, 0 1902248) .
31 526
8 231
Contenidos
Por todo lo expuesto hasta ahora se tiene que el modelo estimado es valido y que
Especificacion del
modelo
las variables de renta familiar, deuda y numero de hijos influyen positivamente en
el consumo de las familias. Es decir, a mayor renta, deuda y numero de hijos
Estimacion del modelo
mayor consumo familiar. Ademas, al ser la variable correspondiente a la deuda
Validacion del modelo
una variable ficticia, habremos estimado la diferencia esperada en el consumo
Explotacion del modelo
familiar entre familias con deuda y sin deuda con el mismo nivel de renta y numero
Ejemplos de hijos. En este caso se obtiene que dicha estimacion es positiva, por lo que
Ejemplo 1
aquellas familias que tienen algun tipo de deuda consumen mas que aquellas que
Ejemplo 2
no la tienen.
Ejemplo 3
Contenidos
Supongamos que ademas del modelo del ejemplo anterior se tienen en cuenta
Especificacion del
modelo
estos otros dos modelos:
Contenidos
Para el modelo (9) se tiene que n = 22, k = 4 y SCR = 1 5657, por lo que:
Especificacion del
modelo n n
L = (1 + ln(2 ) ln(n)) ln(SCR),
Estimacion del modelo 2 2
Validacion del modelo = 11 (2 837877 3 091042) 11 0 448333
Explotacion del modelo = 2 1468.
Ejemplos
Ejemplo 1 Por tanto:
Ejemplo 2
Ejemplo 3 AIC = 2 (2 1468) + 8 = 12 2937,
BIC = 2 (2 1468) + 4 3 091042 = 16 6579,
HQC = 2 (2 1468) + 8 1 128508 = 13 3218.
Para los modelos (12) y (13) seguiran siendo validos los valores de y t y , n y k ,
sin embargo, habra que obtener la suma de cuadrados de los residuos de cada
modelo.
Ejemplo 2
Ejemplo 3
En tal caso:
Contenidos
Atendiendo a la informacion anterior (resumida en la siguiente tabla), podemos
Especificacion del
modelo
observar que el modelo con menores valores para los criterios de seleccion es el
(9). Por tanto, nos quedaramos con este modelo a la hora de analizar el consumo
Estimacion del modelo
familiar.
Validacion del modelo
Contenidos
[1] Salmeron, R. y Garca, C. (2010). Experiencia docente en la asignatura de
Especificacion del
modelo Metodos Cuantitativos para la Economa y la Empresa para su adaptacion
Estimacion del modelo
al Espacio Europeo de Educacion Superior. XXXII Congreso Nacional de
Estadstica e Investigacion Operativa. A Coruna 14-17 septiembre 2010.
Validacion del modelo
Explotacion del modelo [2] Salmeron, R., Lopez, M. y Garca, C. (2011). Uso de las TICs en la docen-
Ejemplos cia de la Econometra. XXV Congreso Internacional de Economa Aplicada -
Ejemplo 1 ASEPELT, 8-11 junio 2011.
Ejemplo 2
Ejemplo 3 [3] Salmeron, R. y Tamayo, J. (2012). Incidencia de la calidad en la produccion,
explotacion y exploracion de las empresas. I International workshop on Dif-
fusion Process and Multivariate Analysis. Granada 6 julio 2012.
Contenidos
[1] Esteban, M.V., Moral, M.P., Orbe, S., Regulez, M., Zarraga, A. y Zubia, M.
Especificacion del
modelo (2009). Econometra basica aplicada con Gretl. Sarriko-On, Universidad del
Estimacion del modelo
Pas Vasco. Captulos 2, 3, 4 y 7.
Validacion del modelo [2] Gujarati, D. (1997). Econometra. Ed. McGraw Hill. Captulos 2, 3, 4, 5 y 7.
Explotacion del modelo
[3] Johnston, J. (1989). Metodos de Econometra. Ed. Vicens-Vives. Captulos
Ejemplos
2, 4, 5 y 6.
Ejemplo 1