Restricciones Lineales

RESTRICCIONES LINEALES
Autores: Renatas Kizys (rkizys@uoc.edu), ngel A. Juan (ajuanp@uoc.edu).

ESQUEMA DE CONTENIDOS

________________________
Contraste de significacin global

Contraste de significacin individual Formulacin general de restricciones lineales

Casos particulares de contrastes de restricciones lineales

Restricciones Lineales

Contrastes de restricciones lineales

Contraste de Chow de cambio estructural Estimador de MCR

Caso prctico con Minitab Caso prctico con Minitab

INTRODUCCIN

___________________

Es sabido que las contrastes de hiptesis constituyen una potente herramienta de la inferencia en el modelo lineal. El math-block sobre el MRLM considera los contrastes de significacin individual y global, y los estadsticos de contraste correspondientes. No obstante, a menudo estamos interesados en contrastar determinados supuestos alternativos, postulados por la teora econmica. Dichos supuestos suelen ser mucho ms complejos que la significacin estadstica de las variables. En este caso hemos de recurrir a la formulacin general de las restricciones lineales.

Proyecto e-Math Financiado por la Secretara de Estado de Educacin y Universidades (MECD)

Restricciones Lineales

El objetivo de este math-block es familiarizarse con un enfoque general de los contrastes de hiptesis. Nos centraremos nicamente en las hiptesis ms habituales, que tratan las restricciones lineales. Adems, analizaremos cual es la manera ms eficiente de estimar los modelos bajo las restricciones lineales. Finalmente, estudiaremos los contrastes de cambio estructural.

OBJETIVOS

________________________

Plantear y resolver correctamente los contrastes de hiptesis mediante las restricciones lineales expresadas en forma matricial. Obtener los estimadores de mnimos cuadrados restringidos (MCR) del regresin lineal mltiple (MRLM). Ser capaz de plantear y realizar el contraste de Chow de cambio estructural. Introducirse en el uso de Minitab para realizar los contrastes de hiptesis sobre las restricciones lineales. modelo de

CONOCIMIENTOS PREVIOS

___________________________________

Aparte de estar iniciado en el uso del paquete estadstico Minitab, resulta muy conveniente haber ledo con profundidad los siguientes math-blocks relacionados con Estadstica e Introduccin a la Econometra: Intervalos de confianza y contraste de hiptesis para 1 y 2 poblaciones Modelo de Regresin Lineal Mltiple

CONCEPTOS FUNDAMENTALES
Formulacin de las restricciones lineales

______________________________

Sea un modelo de regresin lineal mltiple en forma matricial: Y = XB + U Consideremos ahora un conjunto de restricciones lineales de la forma [4]:

R11 1 + R12 2 + ... + R1k k = r1 R 21 1 + R 22 2 + ... + R 2 k k = r2 .............................................. R q1 1 + R q 2 2 + ... + R qk k = rq

que pueden resumirse en una nica ecuacin, R B = r;
.

Proyecto e-Math Financiado por la Secretara de Estado de Educacin y Universidades (MECD)

Restricciones Lineales

donde: La matriz no aleatoria R, de dimensin q x k, donde q representa el nmero de restricciones lineales que queremos contrastar y k, el nmero de parmetros del modelo. Por tanto, la matriz R tiene tantas columnas cuantos parmetros tenga el modelo y tantas filas cuantas restricciones se hayan impuesto bajo la hiptesis nula. Adems, R tiene rango de fila completo, de modo que (R) = q que deber ser menor o igual que k. El vector no aleatorio r, de dimensin q x 1, que est formado por los trminos independientes de las restricciones lineales. As pues, al igual que la matriz R, el vector r tendr tantas filas como restricciones. Ejemplo de formulacin de restricciones: consideremos el siguiente modelo de inversin [4]:

INVi = 1 + 2 Yi + 3 I i + 4 i + u i , t = 1,..., N .
que afirma que los inversores reaccionan al producto interno bruto, al tipo de inters y a la tasa de inflacin, respectivamente. Una teora alternativa afirma que los inversores se preocupan por el tipo de inters real. Por lo tanto, el modelo alternativo sera:

INVi = 1 + 2 Yi + 3 (I i i ) + 4 i + u i , t = 1,..., N .
Aunque este nuevo modelo tiene efectivamente en cuenta la teora, la ecuacin todava incluye tanto la tasa de inflacin como el tipo de inters nominal. La teora no tiene una implicacin contrastable para nuestro modelo. Ahora bien, consideremos la hiptesis ms fuerte: los inversores slo tienen en cuenta el tipo de inters real. La ecuacin resultante, por tanto, es:

INVi = 1 + 2 Yi + 3 (I i i ) + u i , t = 1,..., N
que ahora est restringida; pues en el contexto del primer modelo, la restriccin es: 3 + 4 = 0, o bien, 3 = - 4, o bien, en forma matricial, tenemos: R B = r. siendo R = (0 0 1 1) y r = (0). El contraste de hiptesis en el modelo anterior puede llevarse a cabo desde dos puntos de vista diferentes:
.

Una vez obtenidos los parmetros estimados, podemos preguntarnos si dichos parmetros pueden, razonablemente, satisfacer las restricciones que implican las hiptesis. El imponer las restricciones que presupone la teora nos lleva a una prdida de ajuste. Entonces, podemos averiguar si esta prdida de ajuste se debe sencillamente a un error muestral, o a algo ms profundo, como para tener dudas sobre la validez de las restricciones.

Todos los tipos de contrastes que estudian el comportamiento de determinadas restricciones lineales entre los parmetros del modelo, se conocen como contrastes de restricciones lineales.

Proyecto e-Math Financiado por la Secretara de Estado de Educacin y Universidades (MECD)

Restricciones Lineales


Contrastes de restricciones lineales

Estadstico de contraste en forma matricial Una vez especificadas las restricciones en forma de matrices, procedemos a la realizacin de los contrastes de hiptesis sobre los parmetros del modelo. A tales efectos, el procedimiento a seguir es el siguiente: Las restricciones lineales se admiten como ciertas bajo la hiptesis nula, mientras que, bajo la alternativa, los parmetros de la poblacin no satisfacen estas restricciones: H0 : R B = r . HA : R B r. Una vez definida la hiptesis nula, el paso siguiente es obtener un estadstico de contraste que permite rechazarla o no rechazarla. Para ello, hemos de especificar el MRLM y estimarlo por MCO. Podis comprobar que el estadstico de contraste para contrastar las restricciones lineales sobre los parmetros es el siguiente [1]:
1 r )'[R ( X ' X )1 R'] (R B r) n k ( RB ~F =
.

F0

e'e

q ;n k

A partir del valor numrico que tome el estadstico de contraste es posible determinar si la . diferencia entre R B y r es estadsticamente significativa o no lo es. La regla de decisin es la siguiente: Si F0 Fq,n-k;, el estadstico de contraste se encuentra fuera de la regin de aceptacin, lo cual nos lleva a rechazar la hiptesis nula. Por tanto, las restricciones lineales no son ciertas en el mbito de la poblacin. Si F0 < Fk-1,n-k;, el estadstico de contraste cae dentro de la regin de aceptacin, con lo cual no podemos rechazar la hiptesis nula. En consecuencia, podemos afirmar que las restricciones son ciertas en el mbito de la poblacin.

Ejemplo de contraste de restricciones lineales: Una cierta compaa de produccin de juguetes de repente se ve amenazada por la entrada de las compaas competidoras. El directivo se encarga a investigar el comportamiento de la variable el volumen de las ventas mensuales mediante el siguiente modelo economtrico:

Yt = 1 + 2 Pt + 3 Z t + u t , t = 1,..., T ;
siendo Yt el volumen de las ventas mensuales (en millones de ), Pt el precio esperado de la competencia en en el mes t y Zt los gastos mensuales en publicidad expresados en millones de . Supondremos que el modelo cumple las hiptesis del MRLM con errores normales. Con 60 observaciones, al estimar por MCO el modelo queda:

t = 4,5 + 0,34 Pt + 3,7 Z t , t = 1,...,60. Y

Supongamos R = 47,6%, y la siguiente estimacin de la varianza de los parmetros estimados:
2

(X ' X )

0 0 5,2 = 0 0,025 0,95 . 0 0,95 4,85

Proyecto e-Math Financiado por la Secretara de Estado de Educacin y Universidades (MECD)

Restricciones Lineales Se trata de contrastar la hiptesis nula de que una disminucin en el precio esperado de la competencia en un y un aumento en 100,000 de en publicidad no tienen, conjuntamente, ningn efecto sobre las ventas esperadas de juguetes frente a una alternativa bilateral. En primer lugar, especificamos la hiptesis nula H0: 2 = 0,1 3 frente a HA: 2 0,1 3. La restriccin lineal bajo la hiptesis nula la podemos rescribir en forma matricial, es decir, H0: R B = r frente a HA: R B r, siendo R = (0 1 0,1), B = (1 2 3) y r = 0. A continuacin calculamos estadstico de contraste:
1 r )'[R ( X ' X )1 R'] (R B r) n k ( RB ~F =
. . . .

F0

e'e

q ;n k

Sustituyendo los valores respectivos, queda F0 = 0,0034. A partir de las tablas de una distribucin F de Snedecor, tenemos que Fq;n-k; = F1;57;0,05 = 4,0099. Vemos claramente que F0 = 0,0034 R.A.{0; 4,0099}, con lo que se acepta la hiptesis nula para nivel de significacin de 5%. Por tanto, una disminucin en el precio esperado de la competencia en un y un aumento en 100,000 de en publicidad no tienen, conjuntamente, ningn efecto sobre las ventas esperadas de juguetes. Estadstico de contraste en sumas cuadrticas residuales Un mtodo alternativo permite comparar la suma de cuadrados de los errores del modelo . . restringido (SCER o eR eR), con la del modelo sin restringir, o ampliado (SCEA o eA eA). Podis comprobar que el estadstico de contraste es el siguiente [1]:

F0 =

SCE R SCE A n k SCE R SCE A 1 = ~ Fq;n k , 2 SCE A q q

donde

2 =

SCE A e'e = , la varianza estimada del trmino de error. nk nk

El modelo restringido es el que incorpora la hiptesis nula, es decir, el modelo resultante de considerar la restriccin lineal como cierta, mientras que el modelo sin restringir es el modelo original, que no incorpora restriccin lineal. Entre los contrastes de restricciones lineales tambin se encuentran los contrastes de significacin individual y de significacin global. Contraste de significacin individual del modelo: Supongamos que queremos contrastar la significacin individual individual de un parmetro j del modelo. En primer lugar, especificamos las hiptesis nula y alternativa: H0 : j = 0

Proyecto e-Math Financiado por la Secretara de Estado de Educacin y Universidades (MECD)

Restricciones Lineales HA : j 0. Por consiguiente, el modelo sin restringir, o ampliado queda:

Yi = 1 + 2 X 2i + ... + k X ki + u i ; i = ...., n.
Si incorporamos la hiptesis nula, el modelo resultante que denominaremos restringido, es: modelo

Yi = 1 + 2 X 2 i + ... + j 1 X j 1,i + + j +1 X j +1,i + k X ki + u i ; i = ...., n.

Una vez que hemos especificado el modelo restringido y sin restringir, calculamos las sumas de cuadrados de los errores, SCER y SCEA, respectivamente, y construimos el estadstico de contraste teniendo en cuenta los grados de libertad [1]:

F0 =

SCE R SCE A SCE R SCE A ~ F1;n k . (n k ) = 2 SCE A

Finalmente, aplicamos la regla de decisin que permite rechazar o no la hiptesis nula. Contraste de significacin global del modelo: Al igual que en el caso de significacin global, primero especificamos las hiptesis nula y alternativa: H0 : 2 = 3= ... = k = 0 HA : No H0. El mismo estadstico construido a partir de las sumas residuales, puede utilizarse para contrastar tambin la significacin global del modelo. El modelo de regresin sin restringir es:

Yi = 1 + 2 X 2 i + ... + k X ki + u i ; i = ...., n;
mientras que el modelo restringido, es decir, al incorporar la hiptesis nula, queda:

Yi = 1 + v i ; i = ...., n.
Es fcil ver que el estimador de mnimos cuadrados restringidos no es sino la media muestral de la variable dependiente:

1 = MCR = Y ;
siendo Y la media muestral de la variable dependiente. De modo que el residuo del modelo restringido viene determinado por:

i = Yi Y . i = Yi ei = Yi Y
Por tanto, la SCE del modelo restringido viene representado por:

SCE R = e R ' e R = (Yi Y ) = SCT .

2 i =1

Proyecto e-Math Financiado por la Secretara de Estado de Educacin y Universidades (MECD)

Restricciones Lineales Puesto que el modelo tiene trmino independiente, la variabilidad total de la variable endgena puede descomponerse de la forma SCT = SCE + SCR, en cuyo caso la SCR es igual a cero. Planteamos el estadstico de contraste de significacin global:

F0 =

SCE R SCE A n k SCT SCE A n k . = SCE A k 1 SCE A k 1

Por otro lado, la igualdad SCRA = SCT - SCEA es cierta. Por tanto, la expresin del estadstico F0 viene dada por [1]

F0 =

SCR A n k ~ Fk 1;n k . SCE A k 1

Estimador de mnimos cuadrados restringidos

Un aspecto bsico de la inferencia estadstica que se lleva a cabo en la economa de la empresa es que el directivo slo contrasta hiptesis en cuya validez est dispuesto a creer a priori, de modo que si su contraste no las rechaza, entonces pasa a imponerlas en la representacin estructural que est considerando. Por tanto, sera interesante disponer de un procedimiento para estimar de nuevo el modelo, pero imponiendo el conjunto de hiptesis que hemos contrastado y no rechazado. La idea de eficiencia est ligada a la utilizacin ptima de toda la informacin disponible. Si se cree que los coeficientes de modelo satisfacen ciertas restricciones, entonces se ganara eficiencia introduciendo dichas restricciones en el proceso de estimacin. El mtodo de estimacin de mnimos cuadrados restringidos (MCR) consiste en minimizar la suma cuadrtica de los errores, pero teniendo en cuenta las restricciones lineales, es decir: MinB e e sujeto a R B = r. Al resolver el problema de optimizacin, obtenemos el estimador MCR de los parmetros B del modelo cuya expresin viene dada por [1]:
. .

MCR = B MCO + (X ' X )1 R'[R (X ' X ) R']1 (r R B MCO ). B

La interpretacin de la expresin anterior es que el estimador MCR es una correccin del estimador MCO sin restringir. El tamao de dicha correccin viene dado por el segundo sumando de la expresin. As pues, si el estimador MCO satisface las restricciones lineales, MCO es cero, de manera que el estimador MCR coincide con el la discrepancia r R B estimador MCO. Ejemplo de estimacin de mnimos cuadrados restringidos: Supongamos que para presentar la tecnologa existente en el sector aeronutico de los Estados Unidos se especifica una funcin de produccin Cobb-Douglas estocstica:

log(Yt ) = 1 + 2 log(Lt ) + 3 log(K t ) + u t , t = 1,..., T ;

siendo Yt la produccin (en millones de dlares), Lt es el nivel de empleo (que representaremos a travs del agregado de las nminas (en millones de dlares) y Kt es el nivel de capital utilizado (en millones de dlares). Supondremos que esta relacin satisface las hiptesis el MRLM con normalidad del trmino de error. A partir de los datos anuales Proyecto e-Math Financiado por la Secretara de Estado de Educacin y Universidades (MECD)

Restricciones Lineales correspondientes a 1958-1996 que se disponen en el math-block relativo al MRLM, el modelo anterior se ha estimado obtenindose:

log(Yt ) = 1,61 + 0,591 log(Lt ) + 0,622 log(K t ) + et , t = 1,...,39.

La empresa conjetura que la industria aeronutica presenta rendimientos constantes a escala, es decir que 2 + 3 = 1. Suponiendo cierta la hiptesis nula, procedemos a determinar el estimador de mnimos cuadrados restringidos (MCR). Bajo la hiptesis nula, la expresin del estimador MCR de los parmetros B del modelo viene dada por:

MCR = B MCO + (X ' X )1 R'[R (X ' X ) R']1 (r R B MCO ). B

Especificamos R = (0 1 1) y r = 1 tal que R B = r. Luego, estimar el modelo por mnimos cuadrados restringidos equivale a sustituir los valores respectivos en la expresin anterior. Primero, calculamos:
.

X' X

0,11 0,448 5,548 3,2 = 0,11 2,644 0,448 2,644 2,237

Sustituyendo, obtenemos:

B MCR

0,11 0,448 0 1,61 5,548 3,2 = 0,591 + 0,11 2,644 1 6,7114 ( 0,213), 0,622 0,448 2,644 2,237 1

siendo

MCO = 0,213 . As, obtenemos [R (X ' X ) R']1 = 6,7114 y r R B 1,61 0,798 0,812 = 0,591 + 0,795 = 0,204 . 0,622 0,582 1,204

BMCR

Es interesante observar que la restriccin B2 + B3 = 1 se respeta dentro del vector de parmetros estimados. Propiedades del estimador MCR A. El estimador MCR es insesgado slo si las restricciones bajo las que se ha obtenido son . ciertas, o sea si se cumple que R B = r. B. Una segunda propiedad es que el estimador MCR siempre satisfar las restricciones R B = r. Eso es as tanto si las restricciones son ciertas como son falsas. C. La matriz de covarianzas del estimador MCR es siempre inferior a la matriz de covarianzas del estimador MCO, incluso si las restricciones no son ciertas. Eso se debe al hecho de que al imponer las restricciones limitamos la regin del espacio paramtrico en la que buscamos el estimador mnimo cuadrtico, por lo que podremos estimarlo con una mayor precisin, aunque quiz con sesgo. Ms formalmente [1],
.

Proyecto e-Math Financiado por la Secretara de Estado de Educacin y Universidades (MECD)

Restricciones Lineales

MCR ) = Var (B MCO ) 2 (X ' X ) R '[R (X ' X ) R '] R (X ' X ) . Var (B

1 1 1

En efecto, el segundo sumando de la expresin viene dado por una matriz semidefinida positiva.

Anlisis estructural
Una de las hiptesis bsicas del MRLM es la hiptesis de permanencia estructural de los parmetros poblacionales. La hiptesis significa que todas las submuestras han sido generadas por una misma estructura econmica. Qu quiere decir el incumplimiento de esta hiptesis? La respuesta depende del tipo de datos que tratamos: Si trabajamos con una serie temporal, el cambio estructural se produce cuando se tiene cierta informacin acerca de una variacin estructural que ocurri en algn momento durante el perodo muestral y que dicha variacin fue suficientemente importante como para generar cambios en los coeficientes del modelo. Si trabajamos con un corte transversal, el cambio estructural implica que hay dos o ms grupos de individuos caracterizados por comportamientos diferentes entre si.

Contraste de Chow de cambio estructural Un contraste que tiene especial importancia por su inters, as como por la frecuencia con que aparece en aplicaciones empricas, es el contraste de cambio estructural que se suele denominarse como test de Chow. El procedimiento de test de Chow de consiste de los siguiente pasos: A. Dividimos la muestra en dos submuestras y especificamos el modelo sin restringir para cada una de ellas:

Yi = X i ' B (1) + u i , i = 1,..., n1 ; Yi = X i ' B (2 ) + u i , i = n1 + 1,..., n;

donde n = n1 + n2. As pues, el modelo consta de una regresin diferente para cada una de las dos submuestras. B. Ahora postulamos la hiptesis nula: H0 : 1
(1)

= 1 , 2

(2)

(1)

= 2 , 3

(2)

(1)

= 3 , ..., k

(2)

(1)

= k

(2)

A fin de contrastar frente a la hiptesis alternativa: HA : 1

(1)

1 2

(2)

(1)

(2)

(1)

(2)

... k

(1)

k .

(2)

C. Al imponer las restricciones bajo la hiptesis nula en el paso anterior sobre el modelo sin restringir, el modelo resulta ser:

Yi = X i ' B + u i , i = 1,..., n1 , n1 + 1,..., n.

Proyecto e-Math Financiado por la Secretara de Estado de Educacin y Universidades (MECD)

Restricciones Lineales De modo que, el modelo restringido presupone que la estructura de relacin entre la variable endgena y las variable explicativas permanece estable dentro de la muestra. D. Por tanto, tenemos k restricciones lineales. Para contrastar la hiptesis nula, utilizaremos el estadstico F en funcin de las sumas cuadrticas residuales del modelo original (o ampliado) y del modelo restringido. La suma de cuadrados de los errores del modelo no restringido (o ampliado), SCEA, es el agregado de las sumas de cuadrados de los errores de cada una de las dos regresiones: SCEA = SCEA1 + SCEA2. E. A continuacin, calculamos el estadstico de contraste [8]:

F0 =

SCE R SCE A n 2k SCE R (SCE A1 + SCE A2 ) n 2k ~ Fq;n 2 k , = SCE A q SCE A1 + SCE A2 q

donde: q representa el nmero de restricciones; si estamos contrastando el cambio estructural entre dos submuestras, entonces tenemos tantas restricciones cuantos parmetros a restringir, i.e. q = k. n = n1 + n2 es el agregado del nmero de vacaciones en cada una de las submuestras. n 2k indica el nmero de grados de libertad del modelo sin restringir para el caso de 2 submuestras, ya que se estiman k parmetros con las primeras n1 observaciones muestrales y otros k parmetros con las restantes n2 = n n1. En total, n observaciones y 2k parmetros estimados. n = n1 + n2 es el agregado del nmero de vacaciones en cada una de las submuestras. F. Si F0 Fk,n-2k;, el estadstico de contraste es superior al valor crtico en las tablas de la F de Snedecor, lo cual nos lleva a rechazar la hiptesis nula. Concluimos, por tanto, que ha habido cambio estructural en el mbito de la poblacin. G. Si F0 < Fk,N-2k;, el estadstico de contraste se sita dentro de la regin de aceptacin; no podemos rechazar la hiptesis nula. En consecuencia, podemos afirmar que no ha producido cambio estructural en el mbito de la poblacin. Ejemplo de contraste de Chow: Para examinar las diferencias de la relacin entre renta (Rt) y consumo (Ct) entre los pases europeos y pases africanos un economista dispone de 22 datos; los 12 primeros datos corresponden a pases europeos y los 10 ltimos a pases africanos. Para ello, el economista estima, mediante MCO, las siguientes ecuaciones de regresin:

C t = 1 + 2 Rt + u t , t = 1,...,22; (1) C t = 1 + 2 Rt + v t , t = 1,...,12; ( 2) C t = 1 + 2 Rt + wt , t = 13,...,22.(3)

Las sumas de cuadrados de los errores, obtenidas en cada uno de estos modelos, fueron, respectivamente, SCE1 = 15,7, SCE2 = 11,5, SCE3 = 2,3. Los modelos (1), (2) y (3) cumplen las hiptesis del MRLM con normalidad, siendo vl independiente de wm para cualesquiera l, m. Se pide contrastar, tomando 0,05 como nivel de significacin, la hiptesis nula de que 1 = 1 y 2 = 2 frente a la hiptesis alternativa: 1 1 2 2. Para ello, utilizaremos el estadstico F en funcin de las sumas cuadrticas residuales del modelo original (o ampliado) y del Proyecto e-Math Financiado por la Secretara de Estado de Educacin y Universidades (MECD)

10

Restricciones Lineales modelo restringido. La suma de cuadrados de los errores del modelo no restringido (o ampliado), SCEA, es el agregado de las sumas de cuadrados de los errores de cada una de las dos regresiones, SCEA = SCEA1 + SCEA2 = 11,5 + 2,3 = 13,8. Haremos el uso de la siguiente expresin del estadstico de contraste:

F0 =

SCE R SCE A n 2k SCE R (SCE A1 + SCE A2 ) n 2k ~ Fq;n 2 k , = SCE A q SCE A1 + SCE A2 q

Sustituyendo los valores respectivos, obtenemos el siguiente resultado:

F0 =

15,7 13,8 18 = 1,239. 13,8 2

La tabla de distribucin de F de Snedecor nos proporciona el valor crtico Fk;T-2k; = F2,18,0,05 = 3,5546. Vemos que F0 = 1,239 R.A. (0; 3,5546), con lo que aceptamos la hiptesis nula de permanencia estructural de los parmetros del modelo.

Proyecto e-Math Financiado por la Secretara de Estado de Educacin y Universidades (MECD)

11

Restricciones Lineales

CASOS PRCTICOS CON SOFTWARE___________________________________



Contraste de restricciones lineales

Ejemplo 1: Consideremos el caso prctico sobre la industria aeronutica de los Estados Unidos que est disponible dentro del math-block "MRLM". Recordemos que el caso trataba de estimar la funcin de produccin Cobb-Douglas estocstica aumentada por la variable el avance tecnolgico:

log(Yt ) = 1 + 2 log(Lt ) + 3 log(K t ) + 4 log(At ) + u t , t = 1,..., T ;

donde Yt es la produccin (en millones de dlares), Lt es el nivel de empleo (que representaremos a travs del agregado de las nminas (en millones de dlares), Kt es el nivel de capital utilizado (en millones de dlares), y At es el avance tecnolgico, representado por la proporcin del PIB de las empresas tecnolgicas en el PIB total en la economa americana (en tanto por ciento). Supondremos que esta relacin satisface las hiptesis el MRLM con normalidad del trmino de error. Se dispone de datos anuales correspondientes a 1958-1996. Supongamos una empresa de investigacin de mercados se propone a contrastar la hiptesis nula de que la funcin de produccin Cobb-Douglas presenta rendimientos constantes a escala. Los rendimientos constantes a escala se caracterizan por 2 + 3 + 4 = 1. Por tanto, la hiptesis nula es H0: 2 + 3 + 4 = 1, mientras que la alternativa bilateral es HA: 2 + 3 + 4 1. A fin de contrastar la hiptesis nula, utilizaremos el estadstico F, cuya expresin es:

F0 =

SCE R SCE A T k . SCE A q

En primer lugar, a fin de determinar el modelo restringido, hemos de incorporar la restriccin, segn la hiptesis nula, al modelo. Para ello, despejamos 4 = 1 - 2 - 3 y sustituimos en la ecuacin anterior:

log(Yt ) = 1 + 2 log(Lt ) + 3 log(K t ) + (1 2 3 ) log(At ) + u t , t = 1,..., T .

De aqu, reagrupando los trminos, queda:

log(Yt ) log(At ) = 1 + 2 [log(Lt ) log(At )] + 3 [log(K t ) log(At )] + u t , t = 1,..., T .

O bien,

Yt log A t

Lt = 1 + 2 log A t

Kt + 3 log A t

+ u t , t = 1,..., T .

As, habremos obtenido el modelo en variables transformadas. Recordemos que el Minitab permite transformarlas mediante la opcin Calc > Calculator: La primera etapa del estudio consiste en estimar el modelo por MCO mediante el Minitab. Para ello, seleccionamos Stat > Regression > Regression :

Proyecto e-Math Financiado por la Secretara de Estado de Educacin y Universidades (MECD)

12

Restricciones Lineales

As mismo, transformamos las variables L y K. Una vez transformadas todas las variables del modelo, procedemos a estimar el modelo restringido, siguiendo las indicaciones disponibles en el math-block correspondiente al MRLM. Los resultados de estimacin se presentan en el siguiente cuadro:

Regression Analysis
The regression equation is log(Y/A) = 0,843 + 0,001 log(L/A) + 0,850 log(K/A) Predictor Constant log(L/A) log(K/A) S = 0,09345 Coef 0,8426 0,0010 0,8504 StDev 0,4246 0,1087 0,1280 T 1,98 0,01 6,65 P 0,055 0,993 0,000

R-Sq = 95,2%

R-Sq(adj) = 95,0%

Analysis of Variance Source Regression Residual Error Total DF 2 36 38 SS 6,2593 0,3144 6,5736 MS 3,1296 0,0087 F 358,39 P 0,000

La estimacin nos proporciona SCER = 0,3144. Por otro lado, a partir de la estimacin del modelo Cobb-Douglas no restringido (math-block MRLM) SCEA = 0,1595. Calculamos F0 = 33,991 y lo comparamos con el valor crtico distribuido con una distribucin F de Snedecor con 1 y 35 grados de libertad, para nivel de significacin = 0,05: F0 = 33,991 > F1,35;0,05 = 4,1213. Puesto que el valor de estadstico descansa fuera de la regin de aceptacin, rechazamos la hiptesis nula. En conclusin, la funcin de produccin no presenta rendimientos de escala constantes. Proyecto e-Math Financiado por la Secretara de Estado de Educacin y Universidades (MECD)

13

Restricciones Lineales

Contraste de cambio estructural

Ejemplo 2: Se desea estudiar la relacin del ahorro privado (Yt) e ingreso privado (Xt) en la economa de los Estados Unidos, ambos expresados en miles de millones de dlares. Se dispone de 96 datos trimestrales, correspondientes a 1977:1T 2000:4T que aparecen en el archivo AhorroEEUU.mtw. Dividiremos la muestra en tres perodos en funcin del partido poltico en poder (partido demcrata o partido republicano). El primer perodo (1977:1T 1980:4T) corresponde a presidencia demcrata (J. Carter). El segundo perodo (1981:1T 1992:4T) corresponde a presidencia republicana (R. Reagan y G. Bush). El tercer perodo (1993:1T 2000:4T) corresponde a presidencia demcrata (B. Clinton). Consideremos el siguiente modelo:

Yt = 1 + 2 X t + u t , t = 1,..., T .
Suponiendo que el modelo satisface las hiptesis del MRLM con normalidad del trmino de error, estimaremos los parmetros de esta ecuacin de regresin, utilizando toda la informacin disponible. De esta manera, habremos imputado la restriccin de igualdad de parmetros entre los distintos perodos de segn el partido de presidencia. Recordemos que la estimacin del modelo por MCO mediante el Minitab se realiza seleccionando Stat >

Regression > Regression :

Regression Analysis
The regression equation is Y = 230 + 0,00648 X Predictor Constant X S = 82,16 Coef 229,70 0,006483 StDev 21,51 0,004337 T 10,68 1,49 P 0,000 0,138

R-Sq = 2,3%

R-Sq(adj) = 1,3%

Analysis of Variance Source Regression Residual Error Total DF 1 94 95 SS 15085 634516 649600 MS 15085 6750 F 2,23 P 0,138

Observamos que, en contra a lo esperado, el modelo explica tan slo un 2,3% de la variacin del ahorro privado. Este resultado nos lleva pensar que los hogares adoptan polticas de presupuesto familiar diferentes dependiendo del partido poltico en poder. A fin de contestar a esta pregunta, recurriremos al contraste de Chow de cambio estructural para contrastar si puede admitirse que la relacin ahorro-ingreso depende del partido poltico en el poder. A efectos de contrastes de hiptesis, mantendremos un 5% nivel de significacin. Para dividir una muestra en 3 submuestras, seguiremos los siguientes pasos: Seleccionamos Manip > Subset Worksheet :

Proyecto e-Math Financiado por la Secretara de Estado de Educacin y Universidades (MECD)

14

Restricciones Lineales

As, obtenemos la primera submuestra de 16 observaciones. Para obtener la segunda (filas 17 a 64) y tercera (filas 65 a 96) submuestras, reiteramos el mismo procedimiento. A continuacin estimamos el modelo para cada una de las tres submuestras. Para ello, se recomienda seguir las indicaciones propuestas en el math-block relativo al MRLM. El software nos proporciona las siguientes estimaciones: Primer perodo (presidencia demcrata, J. Carter): Regression Analysis
The regression equation is Y = - 62,6 + 0,113 X Predictor Constant X S = 7,001 Coef -62,56 0,113130 StDev 13,14 0,006603 T -4,76 17,13 P 0,000 0,000

R-Sq = 95,4%

R-Sq(adj) = 95,1%

Analysis of Variance Source Regression Residual Error Total DF 1 14 15 SS 14387 686 15073 MS 14387 49 F 293,52 P 0,000

Proyecto e-Math Financiado por la Secretara de Estado de Educacin y Universidades (MECD)

15

Restricciones Lineales

Segundo perodo (presidencia republicana, R. Reagan, G. Bush): Regression Anlisis

The regression equation is Y = 103 + 0,0493 X Predictor Constant X S = 33,47 Coef 103,09 0,049333 StDev 21,53 0,005352 T 4,79 9,22 P 0,000 0,000

R-Sq = 64,9%

R-Sq(adj) = 64,1%

Analysis of Variance Source Regression Residual Error Total DF 1 46 47 SS 95190 51543 146733 MS 95190 1121 F 84,95 P 0,000

Tercer perodo (presidencia demcrata, B. Clinton): Regression Analysis

The regression equation is Y = 841 - 0,0860 X Predictor Constant X S = 49,76 Coef 840,79 -0,085958 StDev 67,64 0,009807 T 12,43 -8,76 P 0,000 0,000

R-Sq = 71,9%

R-Sq(adj) = 71,0%

Analysis of Variance Source Regression Residual Error Total DF 1 30 31 SS 190216 74282 264497 MS 190216 2476 F 76,82 P 0,000

Vemos que las estimaciones del modelo son totalmente distintas para cada una de las tres muestras, lo cual sugiere que los cambios de partido poltico en poder podran haber provocado un cambio estructural en la relacin ahorro-ingreso. Especificamos la hiptesis (1) (2) (3) (1) (2) (3) nula: H0 : 1 = 1 = 1 ; 2 = 2 = 2 a fin de contrastarla frente a la hiptesis alternativa HA : No H0. Observamos que eso se traduce en 4 restricciones. Haremos uso del estadstico de contraste F, que tiene la siguiente expresin:

F0 =

SCE R SCE A n 3k SCE R (SCE A1 + SCE A2 + SCE A3 ) n 3k . ~ Fq;n 3k , = SCE A q SCE A1 + SCE A2 + SCE A3 q F0 = 634516 (686 + 51543 + 74282 ) 90 = 90,35. 686 + 51543 + 74282 4

La tabla de distribucin de F de Snedecor nos proporciona el valor crtico Fq;T-3k; = F4,90,0,05 = 2,4729. Vemos que F0 = 90,35 R.A. (0; 2,4729), con lo cual rechazamos la hiptesis nula de permanencia estructural. Por tanto, podemos admitir que la relacin ahorro-ingreso depende del partido poltico en el poder. Es ms, el ingreso pasa a ser estadsticamente significativo para cada uno de los tres perodos. En los dos primeros perodos, el ingreso influye positivamente en la prediccin del ahorro, mientras que en el tercero, durante la Proyecto e-Math Financiado por la Secretara de Estado de Educacin y Universidades (MECD)

16

Restricciones Lineales presidencia de B. Clinton, el ingreso provoca un efecto negativo. Podemos pensar que, en el ltimo perodo, los hogares se forman expectativas pesimistas sobre los ingresos futuros, con lo que tienden a destinar una mayor proporcin de los ingresos a sus cuentas de ahorro.

Proyecto e-Math Financiado por la Secretara de Estado de Educacin y Universidades (MECD)

17

Restricciones Lineales

BIBLIOGRAFA
[1] [2] [3] [4] [5] [6] [7] [8] [9] [10] [11]

______________________________________________

Arts, M.; Suriach, J.; et al (2001): Introduccin a la econometra. Ed. Fundaci per a la Universitat Oberta de Catalunya. Barcelona. Carter, R.; Griffiths, W.; Judge, G. (2000): Using Excel for Undergraduate Econometrics. ISBN: 0-471-41237-6 Doran, H. (1989): Applied Regression Analysis in Econometrics. Ed. Marcel Dekker, Inc. ISBN: 0-8247-8049-3 Green, W.H. (1999): Anlisis Economtrico. Prentice Hall Iberia. ISBN: 84-8322-007-5 Gujarati, D. (1997): Econometra bsica. McGraw-Hill. ISBN 958-600-585-2 Johnston, J. (2001): Mtodos de econometra. Ed. Vicens Vives. Barcelona. ISBN 84-316-6116-X Kennedy, P. (1998): A Guide to Econometrics. Ed. MIT Press. ISBN: 0262611406 Novales, A. (1993): Econometra. McGraw-Hill. ISBN 84-481-0128-6 Pulido, A. (2001): Modelos economtricos. Ed. Pirmide. Madrid. ISBN 84-368-1534-3 Uriel, E. (1990): Econometra: el modelo lineal. Ed. AC. Madrid. ISBN 84-7288-150-4 Wooldridge, J. (2001): Introduccin a la Econometra: un enfoque moderno. Ed. Thomson Learning. ISBN: 970-686-054-1

ENLACES


___________________________________

http://www.feweb.vu.nl/econometriclinks/index.html The Econometrics Journal On-Line http://www.elsevier.com/hes/books/02/menu02.htm Libro on-line: Handbook of Econometrics Vols. 1-5 http://elsa.berkeley.edu/users/mcfadden/discrete.html Libro on-line: Structural Analysis of Discrete Data and Econometric Applications http://www.oswego.edu/~kane/econometrics/stud_resources.htm Online Resources for Econometric Students http://www.econ.uiuc.edu/~morillo/links.html Econometric Sources: a collection of links in econometrics and computing. University of Illinois http://www.econometrics.net/ Econometrics, Statistics, Mathematics, and Forecasting http://ideas.uqam.ca/EDIRC/ectrix.html Economics Departments, Institutes and Research Centers in the World: Econometrics, Mathematical Economics

Proyecto e-Math Financiado por la Secretara de Estado de Educacin y Universidades (MECD)

18