Professional Documents
Culture Documents
Salmeron
Gomez
Roman
Universidad de Granada
RSG
1 / 68
Contenidos
Contenidos
del
Especificacion
modelo
del modelo
Estimacion
del modelo
Especificacion
del modelo
Estimacion
del modelo
Validacion
del modelo
Validacion
del modelo
Explotacion
del modelo
Explotacion
Ejemplos
RSG
Ejemplos
2 / 68
Contenidos
del
Especificacion
modelo
Modelo lineal
uniecuacional multiple
Hipotesis
del modelo
del modelo
Estimacion
del modelo
Validacion
del modelo
Especificacion
del modelo
Explotacion
Ejemplos
RSG
3 / 68
Contenidos
del
Especificacion
modelo
Modelo lineal
uniecuacional multiple
Hipotesis
del modelo
analiza la relacion
de una variable independiente, Xi , i = 1, . . . , k , k > 1,
dependiente, Y , y mas
un termino
mas
aleatorio, u.
As, a partir de n observaciones para cada variable, el modelo puede ser
expresado como:
del modelo
Estimacion
del modelo
Validacion
del modelo
Explotacion
Ejemplos
(1)
Y1
Y2
..
.
Yn
RSG
t = 1, . . . , n,
4 / 68
Contenidos
del
Especificacion
modelo
Modelo lineal
uniecuacional multiple
Hipotesis
del modelo
donde:
del modelo
Estimacion
del modelo
Validacion
del modelo
Explotacion
Ejemplos
yn1
Y1
Y2
= . ,
..
Yn
Xnk
RSG
(2)
k1
1
2
= . ,
..
k
1 X12
1 X22
= .
..
..
.
1 Xn2
...
...
un1
u1
u2
= . ,
..
un
X1k
X2k
.
..
..
.
.
. . . Xnk
5 / 68
Hipotesis
del modelo
Contenidos
del
Especificacion
modelo
Modelo lineal
uniecuacional multiple
Hipotesis
del modelo
del modelo
Estimacion
del modelo
Validacion
del modelo
Explotacion
Ejemplos
explicativas mas
aleatoria esta centrada (E[ut ] = 0, t =
La perturbacion
1, . . . , n), es
2
2
homocedastica
La matriz X es no estocastica
y de rango completo por columnas, es decir,
6 / 68
Contenidos
del
Especificacion
modelo
del modelo
Estimacion
mnimo
Estimacion
cuadratica
de los
coeficientes del
modelo
Teorema de
Gauss-Markov
del modelo
Estimacion
de la
Estimacion
varianza de la
aleatoria
perturbacion
del modelo
Validacion
del modelo
Explotacion
Ejemplos
RSG
7 / 68
mnimo cuadratica
Estimacion
de los coeficientes del modelo
Contenidos
del
Especificacion
modelo
del modelo
Estimacion
mnimo
Estimacion
cuadratica
de los
coeficientes del
modelo
Teorema de
Gauss-Markov
de la
Estimacion
varianza de la
aleatoria
perturbacion
del modelo
Validacion
del modelo
Explotacion
Ejemplos
RSG
como
la diferencia entre los verdaderos valores de la variable dependiente y su esti esto es
macion,
e = y yb,
donde y
b = X b, y siguiendo la premisa de minimizar la suma de los cuadrados
de los residuos
b t (y X )
b = y t y 2bt X t y + bt X t X ,
b
et e = (y X )
del parametro
se obtiene la estimacion
como
b = X t X
1
X t y.
Dicho metodo
recibe el nombre de mnimos cuadrados ordinarios, MCO, por
8 / 68
mnimo cuadratica
Estimacion
de los coeficientes del modelo
Contenidos
Adviertase
que:
del
Especificacion
modelo
del modelo
Estimacion
mnimo
Estimacion
cuadratica
de los
coeficientes del
modelo
Teorema de
Gauss-Markov
de la
Estimacion
varianza de la
aleatoria
perturbacion
del modelo
Validacion
del modelo
Explotacion
Ejemplos
P
n X
t2
t
t=1
X X=
..
P
n
Xtk
t=1
n
P
Xt2
t=1
n
P
t=1
n
P
2
Xt2
..
.
..
t=1
n
P
Yt
t=1
n
P
Xtk
Xt2 Xtk
t=1
t=1
P
n X Y
t2 t
t
t=1
X y=
..
P
n
Xtk Yt
t=1
RSG
Xtk Xt2
n
P
n
P
t=1
..
.
2
Xtk
9 / 68
Teorema de Gauss-Markov
Contenidos
del
Especificacion
modelo
del modelo
Estimacion
mnimo
Estimacion
cuadratica
de los
coeficientes del
modelo
Teorema de
Gauss-Markov
de la
Estimacion
varianza de la
aleatoria
perturbacion
del modelo
Validacion
del modelo
Explotacion
Ejemplos
Ckn = X X
1
X
kn
kk
c11
c21
= .
..
ck1
c12
c22
..
.
ck2
...
...
c1n
c2n
.. ,
..
.
.
. . . ckn
RSG
=
.
..
.
ck1 Y1 + ck2 Y2 + . . . + ckn Yn
10 / 68
Teorema de Gauss-Markov
Contenidos
del
Especificacion
modelo
del modelo
Estimacion
mnimo
Estimacion
cuadratica
de los
coeficientes del
modelo
Teorema de
Gauss-Markov
de la
Estimacion
varianza de la
aleatoria
perturbacion
del modelo
Validacion
del modelo
Explotacion
Ejemplos
b:
efecto, sustituyendo y = X + u en
b =
1
X X
1
X y = X X
X t (X + u)
1
1
t
t
t
b
= + X X
X u = + X X
X t u.
h
i
1
1
t
t
t
b
E[] = E + X X
X u =+ X X
X t E[u] = .
b:
Por otro lado, la matriz de varianzas-covarianzas de
V ar b
=
=
=
RSG
t
t
b b E[]
b
E b E[]
= 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
,
11 / 68
Teorema de Gauss-Markov
Contenidos
del
Especificacion
modelo
del modelo
Estimacion
mnimo
Estimacion
cuadratica
de los
coeficientes del
modelo
Teorema de
Gauss-Markov
de la
Estimacion
varianza de la
aleatoria
perturbacion
del modelo
Validacion
del modelo
Explotacion
Ejemplos
b es insesgado, b = (X t X)1 X t u y
donde se ha tenido en cuenta que
V ar(u) = E[u ut ] = 2 Inn .
b es de mnima varianza consideraremos otro estimador,
Para demostrar que
2
t
2
t
2
t
V ar ( ) = DD = X X
+ W W = V ar b + 2 W W t ,
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 .
RSG
12 / 68
de la varianza de la perturbacion
aleatoria
Estimacion
Contenidos
del
Especificacion
modelo
del modelo
Estimacion
mnimo
Estimacion
cuadratica
de los
coeficientes del
modelo
et e
,
b =
nk
2
Teorema de
Gauss-Markov
de la
Estimacion
varianza de la
aleatoria
perturbacion
ya que E[et e] = (n k) 2 .
del modelo
Validacion
del modelo
Explotacion
Ejemplos
y t y bt X t y
b =
.
nk
2
b es:
de la matriz de varianzas-covarianzas de
En consecuencia, la estimacion
1
\
2
t
b
V ar =
b X X
.
RSG
13 / 68
Contenidos
del
Especificacion
modelo
del modelo
Estimacion
del modelo
Validacion
Bondad de ajuste:
Coeficiente de
determinacion
Criterios de seleccion
de modelos
del modelo
Validacion
en el
Distribucion
muestreo de los
estimadores MCO
Contraste de un
conjunto de hipotesis
lineales: casos
particulares
Mnimos Cuadrados
Restringidos
Analisis
de la varianza
Intervalos de confianza
del modelo
Explotacion
Ejemplos
RSG
14 / 68
Bondad de ajuste: Coeficiente de determinacion
Contenidos
del
Especificacion
modelo
del modelo
Estimacion
del modelo
Validacion
Bondad de ajuste:
Coeficiente de
determinacion
Criterios de seleccion
de modelos
en el
Distribucion
muestreo de los
estimadores MCO
Contraste de un
conjunto de hipotesis
lineales: casos
particulares
Mnimos Cuadrados
Restringidos
Analisis
de la varianza
Intervalos de confianza
del modelo
Explotacion
Una vez estimado el modelo lineal uniecuacional multiple, es decir, una vez obtenidas las estimaciones de y 2 , el siguiente paso sera estudiar la calidad de
dichas estimaciones.
obtendremos el coeficiente de determinacion,
que no es
As, a continuacion,
que una medida para estudiar la bondad del ajuste lineal determinado por los
mas
estimadores por mnimos cuadrados ordinarios.
que se denota por R2 , se define como
Dicho coeficiente de determinacion,
R2 =
1
T
1
T
2
n
P
Ybi Y
i=1
n
P
i=1
Yi Y
2
n
P
Ybi Y
i=1
=
n
2
P
i=1
Yi Y
2 .
Ejemplos
RSG
15 / 68
Bondad de ajuste: Coeficiente de determinacion
Contenidos
del
Especificacion
modelo
del modelo
Estimacion
del modelo
Validacion
se tiene que
Bondad de ajuste:
Coeficiente de
determinacion
Criterios de seleccion
de modelos
en el
Distribucion
muestreo de los
estimadores MCO
Contraste de un
conjunto de hipotesis
lineales: casos
particulares
Mnimos Cuadrados
Restringidos
Analisis
de la varianza
Intervalos de confianza
del modelo
Explotacion
R2 =
SCR
SCE
=1
.
SCT
SCT
R =
2
bt X t y n Y
yt y
nY
=1
y t y bt X t y
yt y
nY
Adviertase
que, siempre que el modelo lineal tenga termino
independiente,
vara entre 0 y 1. El valor 0 lo toma cuando la
el coeficiente de determinacion
SCE es nula y, por tanto, el modelo no es adecuado; mientras que toma el valor 1
cuando la SCR es nula y, por tanto, el modelo es adecuado.
Ejemplos
RSG
16 / 68
corregido
Coeficiente de determinacion
Contenidos
del
Especificacion
modelo
del modelo
Estimacion
del modelo
Validacion
Bondad de ajuste:
Coeficiente de
determinacion
Criterios de seleccion
de modelos
en el
Distribucion
muestreo de los
estimadores MCO
Contraste de un
conjunto de hipotesis
lineales: casos
particulares
Mnimos Cuadrados
Restringidos
Analisis
de la varianza
Intervalos de confianza
del modelo
Explotacion
riacion
pero teniendo en cuenta el numero
R = 1 (1 R2 )
n1
.
nk
hipotesis
basicas
y los resultados no ser validos.
Por tanto, estos indicadores
a tener en cuenta dentro del
han de ser considerados como una herramienta mas
analisis.
Ejemplos
RSG
17 / 68
de modelos
Criterios de seleccion
Contenidos
del
Especificacion
modelo
del modelo
Estimacion
del modelo
Validacion
Bondad de ajuste:
Coeficiente de
determinacion
Criterios de seleccion
de modelos
en el
Distribucion
muestreo de los
estimadores MCO
Contraste de un
conjunto de hipotesis
lineales: casos
particulares
Mnimos Cuadrados
Restringidos
Analisis
de la varianza
Intervalos de confianza
al modelo.
anadir
una nueva variable explicativa, sea cual sea su aportacion
Para evitar tales problemas, a la hora de comparar modelos para elegir uno
de modelos. Mas
concretamente, esde ellos se usan los criterios de seleccion
de Akaike (AIC), el bayesiano de Schwarz
tudiaremos los criterios de informacion
(BIC) y el de Hannan-Quinn (HQC).
Estos criterios se obtienen a partir de la suma de cuadrados de los resi de parametros.
del modelo
Explotacion
Ejemplos
RSG
18 / 68
determinacion
L=
n
n
(1 + ln(2 ) ln(n)) ln(SCR),
2
2
el criterio de informacion
AIC = 2 L + 2 k,
Criterios de seleccion
de modelos
en el
Distribucion
muestreo de los
estimadores MCO
Contraste de un
conjunto de hipotesis
lineales: casos
particulares
Mnimos Cuadrados
Restringidos
el de Schwarz a:
BIC = 2 L + k ln(n),
y el de Hannan-Qinn:
HQC = 2 L + 2 k ln (ln(n)) .
Analisis
de la varianza
Intervalos de confianza
del modelo
Explotacion
Ejemplos
RSG
19 / 68
Introduciendo la hipotesis
de que la perturbacion
normal, esto es:
del modelo
Validacion
Bondad de ajuste:
Coeficiente de
determinacion
Criterios de seleccion
de modelos
en el
Distribucion
muestreo de los
estimadores MCO
Contraste de un
conjunto de hipotesis
lineales: casos
particulares
Mnimos Cuadrados
Restringidos
Analisis
de la varianza
Intervalos de confianza
del modelo
Explotacion
Ejemplos
RSG
), ya que:
h i
b = , y matriz de
se tienen calculados el vector de medias, E
b = 2 (X t X)1 .
varianzas-covarianzas, V ar
1
Por otro lado, ya que et e = ut M u siendo Mnn = I X (X t X) X t
t
u
simetrica,
idempotente y con rg(M ) = n k < k se tiene que u M
2nk ,
2
lo que se traduce en que
(n k)
b2
2
nk .
2
El modelo lineal uniecuacional multiple
20 / 68
Contraste de un conjunto de hipotesis
lineales
Contenidos
del
Especificacion
modelo
del modelo
Estimacion
abordaremos la especificacion
de contrastes sobre un conjunto de
A continuacion
hipotesis
lineales sobre los coeficientes del modelo. Concretamente, suponiendo
q restricciones lineales independientes entre s:
del modelo
Validacion
Bondad de ajuste:
Coeficiente de
determinacion
..
.
Criterios de seleccion
de modelos
en el
Distribucion
muestreo de los
estimadores MCO
Contraste de un
conjunto de hipotesis
lineales: casos
particulares
Intervalos de confianza
del modelo
Explotacion
Ejemplos
RSG
..
.
=
= bq
Mnimos Cuadrados
Restringidos
Analisis
de la varianza
..
.
= b1
= b2
Rqk
a11
a21
= .
..
aq1
a12
a22
..
.
aq2
. . . a1k
. . . a2k
,
.
..
.
.
.
. . . aqk
rq1
b1
b2
= . .
..
bq
21 / 68
Contraste de un conjunto de hipotesis
lineales
Contenidos
del
Especificacion
modelo
del modelo
Estimacion
del modelo
Validacion
Bondad de ajuste:
Coeficiente de
determinacion
Criterios de seleccion
de modelos
en el
Distribucion
muestreo de los
estimadores MCO
Contraste de un
conjunto de hipotesis
lineales: casos
particulares
Mnimos Cuadrados
Restringidos
Usando la distribucion
i1
h
1
t R (X t X) Rt
Rb R
Rb R Fq,nk ,
2
q
b
si
rechazaremos la hipotesis
nula al nivel de significacion
h
i1
1 t
t
t R (X X) R
Rb r
Rb r > Fq,nk (1 ),
2
q
b
Analisis
de la varianza
Intervalos de confianza
del modelo
Explotacion
Ejemplos
RSG
22 / 68
Casos particulares
Contenidos
del
Especificacion
modelo
del modelo
Estimacion
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
anterior queda simplificada como
distribucion
del modelo
Validacion
Bondad de ajuste:
Coeficiente de
determinacion
Criterios de seleccion
de modelos
en el
Distribucion
muestreo de los
estimadores MCO
Contraste de un
conjunto de hipotesis
lineales: casos
particulares
Mnimos Cuadrados
Restringidos
Analisis
de la varianza
Intervalos de confianza
del modelo
Explotacion
Ejemplos
RSG
2
bi bi
b 2 wi
F1,nk ,
1
es el elemento (i,i) de
b2 (X t X)
, o lo que es lo mismo,
b 2 wi
\
= V ar b , esto es, la varianza estimada
bi .
de
Teniendo en cuenta que la raz cuadrada de una F-Snedecor con 1 y n grados
de libertad es una t-Student con n grados de libertad se tiene que
bi bi
tnk ,
b wi
23 / 68
Casos particulares
Contenidos
si
y en tal caso rechazaremos H0 : i = bi al nivel de significacion
del
Especificacion
modelo
del modelo
Estimacion
del modelo
Validacion
Bondad de ajuste:
Coeficiente de
determinacion
Criterios de seleccion
de modelos
en el
Distribucion
muestreo de los
estimadores MCO
Contraste de un
conjunto de hipotesis
lineales: casos
particulares
Mnimos Cuadrados
Restringidos
b b
i
i
,
> tnk 1
b wi
2
t de student con n k
donde tnk 1
es el punto de una distribucion
grados de libertad que deja por debajo suya una probabilidad 1
2.
Este caso particular es de vital importancia cuando bi = 0, ya que entonces
estaremos contrastando si el coeficiente de la variable independiente Xi es o
Analisis
de la varianza
Intervalos de confianza
del modelo
Explotacion
Ejemplos
RSG
24 / 68
determinacion
Criterios de seleccion
de modelos
en el
Distribucion
muestreo de los
estimadores MCO
Contraste de un
conjunto de hipotesis
lineales: casos
particulares
Mnimos Cuadrados
Restringidos
Analisis
de la varianza
Intervalos de confianza
del modelo
Explotacion
Ejemplos
RSG
bR = b + X X
t
1
R R X X
1
r Rb ,
ser optimo
y habra que usar el estimador por mnimos cuadrados restringidos.
se verifica que:
Ademas
SCRR SCR,
2
RR
R2 .
25 / 68
Analisis
de la varianza
Contenidos
del
Especificacion
modelo
del modelo
Estimacion
del modelo
Validacion
Bondad de ajuste:
Coeficiente de
determinacion
El analisis
de la varianza aborda el contraste que tiene por hipotesis
nula que
si
En este caso, rechazaremos la hipotesis
nula al nivel de significacion
Criterios de seleccion
de modelos
Fexp =
en el
Distribucion
muestreo de los
estimadores MCO
Contraste de un
conjunto de hipotesis
lineales: casos
particulares
Mnimos Cuadrados
Restringidos
Analisis
de la varianza
Intervalos de confianza
del modelo
Explotacion
Ejemplos
RSG
SCE
k1
SCR
nk
> Fk1,nk (1 ).
anterior en una
Para calcular dicho estadstico se suele resumir la informacion
Fuente de variacion
Explicada
Residuos
Total
Suma de Cuadrados
2
SCE = bt X t y nY
SCR = y t y bt X t y
SCT = y t y nY
Grados de Libertad
Medias
k1
nk
SCE
k1
SCR
nk
n1
26 / 68
Analisis
de la varianza
Contenidos
del
Especificacion
modelo
del modelo
Estimacion
del modelo
Validacion
Bondad de ajuste:
Coeficiente de
determinacion
Criterios de seleccion
de modelos
en el
Distribucion
muestreo de los
estimadores MCO
Contraste de un
conjunto de hipotesis
lineales: casos
particulares
Mnimos Cuadrados
Restringidos
Adviertase
que rechazar H0 implica que hay al menos un coeficiente no nulo, por
existente entre las variables independientes y la dependiente no
lo que la relacion
se debe al azar, lo cual valida el modelo en su conjunto.
que dividir la region
de rechazo por SCT tanto en el
Por otro lado, sin mas
equivalente:
numerador como en el denominador se obtiene la expresion
R2
k1
1R2
nk
para la region
de rechazo es que permite
La importancia de esta nueva expresion
que despejar R2 , a partir de la cual el coeficiente de
calcular una cota, sin mas
es significativo. Esto es, el coefciente de determinacion
es signifideterminacion
si
cativo al nivel de significacion
Analisis
de la varianza
Intervalos de confianza
del modelo
Explotacion
Ejemplos
RSG
> Fk1,nk (1 ).
R2 >
k1
nk Fk1,nk (1 )
.
k1
+ nk
Fk1,nk (1 )
27 / 68
Intervalos de confianza
Contenidos
del
Especificacion
modelo
del modelo
Estimacion
del modelo
Validacion
Bondad de ajuste:
Coeficiente de
determinacion
Criterios de seleccion
de modelos
en el
Distribucion
muestreo de los
estimadores MCO
Contraste de un
conjunto de hipotesis
lineales: casos
particulares
Mnimos Cuadrados
Restringidos
Analisis
de la varianza
Intervalos de confianza
del modelo
Explotacion
Ejemplos
RSG
bi tnk 1
b wi ,
2
i = 1, . . . , k.
"
(n k)
b
(n k)
b
,
,
2
2
nk 1 2
nk 2
2
2
chidonde nk 1 2 y nk 2 son los puntos de una distribucion
cuadrado con nk grados de libertad que dejan a su izquierda, respectivamente,
una probabilidad 1
y
2
2.
28 / 68
Contenidos
del
Especificacion
modelo
del modelo
Estimacion
del modelo
Validacion
del modelo
Explotacion
Puntual
Prediccion
Optima
del modelo
Explotacion
por
Prediccion
intervalo
Contraste de
Permanencia
Estructural
Ejemplos
RSG
29 / 68
Puntual Optima
Prediccion
Contenidos
del
Especificacion
modelo
del modelo
Estimacion
del modelo
Validacion
del modelo
Explotacion
Puntual
Prediccion
Optima
por
Prediccion
intervalo
Contraste de
Permanencia
Estructural
Ejemplos
RSG
valor de prediccion
en concreto; b) por otra parte, puesto que Y es una variable aleatoria, podemos
calcular su esperanza dado un valor en concreto de las variables independientes.
algebraica
b
p0 = xt0 ,
donde xt0 = (1 X02 X03 . . . X0k ) contiene los valores de las variables inde
pendientes para los que se quiere obtener la prediccion.
30 / 68
por intervalo
Prediccion
Contenidos
del
Especificacion
modelo
del modelo
Estimacion
del modelo
Validacion
del modelo
Explotacion
Puntual
Prediccion
Optima
por
Prediccion
intervalo
Contraste de
Permanencia
Estructural
Ejemplos
b se distribuye segun
b) y
de
Como xt0
una normal (ya que esta en funcion
b = xt , ya que es insesgado.
E[xt0 ]
0
h
i
b = E xt b xt xt b xt
V ar xt0
= xt0
0
0
0
0
t
E b b
x0 = xt0 V ar b x0 = 2
1
xt0 (X t X)
se tiene que
xt0
x0 .
1
t
2
t
t
b N x0 , x0 X X
x0 .
RSG
31 / 68
por intervalo
Prediccion
Contenidos
del
Especificacion
modelo
del modelo
Estimacion
del modelo
Validacion
del modelo
Explotacion
Puntual
Prediccion
Optima
por
Prediccion
intervalo
Contraste de
Permanencia
Estructural
Ejemplos
RSG
(n k)
b2
2
nk ,
2
xt0 b xt0
q
tnk .
b xt0 (X t X)1 x0
q
b xt0 (X t X)1 x0 ,
xt0 b tnk 1
2
t de Student con n k
donde tnk 1 2 es el punto de una distribucion
grados de libertad que deja a su izquierda una probabilidad 1
2.
32 / 68
Puntual
Prediccion
Optima
por
Prediccion
intervalo
Contraste de
Permanencia
Estructural
Ejemplos
Y0 Yb0 = u0
xt0
1
2
t
t
b N 0, 1 + x0 X X
x0 ,
Y0 Yb0
q
tnk ,
1
b 1 + xt0 (X t X) x0
q
1
xt0 b tnk 1
b 1 + xt0 (X t X) x0 .
2
33 / 68
Contenidos
del
Especificacion
modelo
del modelo
Estimacion
del modelo
Validacion
del modelo
Explotacion
Ejemplos
Ejemplos
Ejemplo 1
Ejemplo 2
Ejemplo 3
RSG
34 / 68
Ejemplo 1
Contenidos
del
Especificacion
modelo
del modelo
Estimacion
del modelo
Validacion
A continuacion
exhaustivo del modelo
Yt = 1 + 2 Xt2 + 3 Xt3 + ut ,
muestral:
a partir de las siguiente informacion
del modelo
Explotacion
Ejemplos
Ejemplo 1
Ejemplo 2
Ejemplo 3
Observacion
1
2
3
4
5
6
7
8
Yt
Xt2
Xt3
16
26
30
44
56
64
68
72
1
3
5
7
8
10
10
12
1
2
-1
3
-2
0
1
4
RSG
b = X t X
1
X t y.
(3)
35 / 68
Ejemplo 1
Contenidos
del
Especificacion
modelo
del modelo
Estimacion
del modelo
Validacion
del modelo
Explotacion
Ejemplos
Ejemplo 1
Ejemplo 2
Ejemplo 3
de forma que:
y=
16
26
30
44
56
64
68
72
X=
8 56
8
X t X = 56 492 65 ,
8 65 36
RSG
1 1
1
1 3
2
1 5 1
1 7
3
,
1 8 2
1 10 0
1 10 1
1 12 4
376
X t y = 3184 ,
414
36 / 68
Ejemplo 1
Contenidos
del
Especificacion
modelo
del modelo
Estimacion
del modelo
Validacion
del modelo
Explotacion
Ejemplos
Ejemplo 1
Ejemplo 2
Ejemplo 3
8 56 8
376
b = 56 492 65 3184
8 65 36
414
0 62
0 0688 0 0136
376
= 0 0688 0 0103 0 0033 3184
0 0136 0 0033 0 0368
414
8 5189
= 5 5587 .
0 4296
RSG
37 / 68
Ejemplo 1
Contenidos
del
Especificacion
modelo
del modelo
Estimacion
del modelo
Validacion
del modelo
Explotacion
Ejemplos
Ejemplo 1
Ejemplo 2
Ejemplo 3
b
yb = X =
1
1
1
1
1
1
1
1
1
3
5
7
8
10
10
12
1
2
1
3
2
0
1
4
RSG
e = y yb =
16
26
30
44
56
64
68
72
8 5189
5 5587 =
0
4296
13 6480
24 3358
36 7420
46 1410
53 8477
64 1059
63 6763
73 5049
13 6480
24 3358
36 7420
46 1410
53 8477
64 1059
63 6763
73 5049
2 3520
1 6642
6 7420
2 1410
2 1523
0 1059
4 3237
1 5049
38 / 68
Ejemplo 1
Contenidos
del
Especificacion
modelo
del modelo
Estimacion
de la varianza de la
de dichos residuos se puede obtener facilmente
la estimacion
aleatoria, ya que por definicion:
perturbacion
del modelo
Validacion
et e
b =
,
nk
del modelo
Explotacion
Ejemplos
Ejemplo 1
Ejemplo 2
Ejemplo 3
(4)
83 8472
b =
= 16 76944.
83
2
anterior es:
Otra forma equivalente de obtener la estimacion
y t y bt X t y
b =
.
nk
2
RSG
(5)
39 / 68
Ejemplo 1
Contenidos
Puesto que
del
Especificacion
modelo
del modelo
Estimacion
y t y = 20808,
del modelo
Validacion
del modelo
Explotacion
es claro que
Ejemplos
376
bt X t y = (8 5189 5 5587 0 4296) 3184 = 20724 1528,
414
b =
=
= 16 76944.
83
5
2
Ejemplo 1
Ejemplo 2
Ejemplo 3
\
V ar b
RSG
0
62
1
b2 X t X
= 16 7694 0 0688
0 0136
0 0688
0 0103
0 0033
0 0136
0 0033
0 0368
(6)
40 / 68
Ejemplo 1
Contenidos
del
Especificacion
modelo
del modelo
Estimacion
del modelo
Validacion
la regresion.
anterior calcuPara medir la bondad del ajuste realizado mediante la estimacion
del modelo
Explotacion
bt X t y nY
y t y bt X t y
R =
=1
.
t
t
y y nY
y y nY
2
Ejemplos
Ejemplo 1
Ejemplo 2
Ejemplo 3
(7)
se tiene que
3052 1528
R =
= 0 97326301.
3136
2
2
en tal caso: R = 1 (1 0 97326301) 75 = 0 9625682.
Ademas,
RSG
41 / 68
Ejemplo 1
Contenidos
del
Especificacion
modelo
83 8472
R =1
= 1 0 02673699 = 0 97326301.
3136
2
del modelo
Estimacion
del modelo
Validacion
del modelo
Explotacion
Ejemplos
Ejemplo 1
Ejemplo 2
Ejemplo 3
A partir de este coeficiente podemos afirmar que el ajuste realizado permite explicar un 97 326301% de la variabilidad de la variable dependiente, que si bien se
significacion
individual tendremos en cuenta que
Para abordar los contrastes de significacion
se rechaza H0 : i = 0 si
RSG
42 / 68
Ejemplo 1
Contenidos
texp
del
Especificacion
modelo
del modelo
Estimacion
b
i
,
= > tnk 1
b wi
2
i,
del modelo
Validacion
del modelo
Explotacion
Ejemplos
Ejemplo 1
Ejemplo 2
Ejemplo 3
\
V ar b .
1727 = 0 4156 y
0
b
w3 =
0 6168 = 0 7854. Teniendo en cuenta que tnk 1 2 = t5 (0 975) =
2 57, se obtiene que:
b
Observando (6) es claro que
w2 =
rechazo H0 : 3 = 0 si texp
5 5587
0 4156
rechazo H0 : 2 = 0 si texp =
43 / 68
Ejemplo 1
Contenidos
del
Especificacion
modelo
conjunta, H0 : 2 = 3 = 0, se rechaza la
Para el contraste de significacion
hipotesis
nula si
del modelo
Estimacion
Fexp =
del modelo
Validacion
del modelo
Explotacion
Ejemplos
Ejemplo 1
Ejemplo 2
Ejemplo 3
coeficiente de determinacion).
de rechazo recurriremos a la tabla ANOVA:
En este caso, para calcular la region
Fuentes de variacion
Explicada
Residual
Total
Luego Fexp =
RSG
SCE/k 1
> Fk1,nk (1 ),
SCR/n k
Sumas de cuadrados
1526 0764
16 76944
Grados de libertad
Medias
k1=2
nk =83=5
1526 0764
16 76944
= 91 00342.
El modelo lineal uniecuacional multiple
44 / 68
Ejemplo 1
Contenidos
del
Especificacion
modelo
del modelo
Estimacion
del modelo
Validacion
del modelo
Explotacion
Ejemplos
Ejemplo 1
Ejemplo 2
Ejemplo 3
hipotesis
nula. Esto es, existe al menos un coeficiente que es no nulo de manera
(que no se debe
que entonces se puede afirmar que hay algun
tipo de asociacion
al azar) entre las variables independientes y la dependiente.
del modelo, estuadiaremos si el coeficiente de
Para terminar con la validacion
obtenido con anterioridad es significativo o no. Teniendo en cuenta
determinacion
que:
SCE/k 1
R2 /k 1
=
,
SCR/n k
(1 R2 )/n k
de rechazo anterior se puede expresar como:
la region
R2 /k 1
> Fk1,nk (1 ),
(1 R2 )/n k
que despejar el coeficiente de determinacion,
se obtiene que el modelo
y sin mas
es significativo si
R2 >
RSG
k1
Fk1,nk (1 )
nk
k1
+ nk
Fk1,nk (1 )
2
= Rsig
.
45 / 68
Ejemplo 1
Contenidos
del
Especificacion
modelo
del modelo
Estimacion
del modelo
Validacion
del modelo
Explotacion
k1
nk
= 2
= 0 4
5
Fk1,nk (1 ) = F2,5 (0 95) = 5 78
Ejemplos
Ejemplo 1
Ejemplo 2
Ejemplo 3
RSG
2
Rsig
k1
nk
Fk1,nk (1 ) = 0 4 5 78 = 2 312
2 312
=
= 0 6981.
3 312
prediccion.
para las variables indepenSupongamos ahora que se tiene nueva informacion
puntual y
dientes (X02 = 2 y X03 = 3) y que se desea obtener una prediccion
por intervalo a partir de ella para la variable dependiente.
46 / 68
Ejemplo 1
Contenidos
la prediccion
puntual optima
del
Especificacion
modelo
8 5189
xt0 b = (1 2 3) 5 5587 = 18 3475.
0 4296
del modelo
Estimacion
del modelo
Validacion
del modelo
Explotacion
Ejemplos
Ejemplo 1
Ejemplo 2
Ejemplo 3
xt0
X X
1
0 62
x0 = (1 2 3) 0 0688
0 0136
0 0688
0 0103
0 0033
0 0136
1
0 0033 2 = 0 596,
0 0368
3
q
xt0 b tnk 1
b xt0 (X t X)1 x0
2
47 / 68
Ejemplo 1
q
b 1 + xt0 (X t X)1 x0
xt0 b tnk 1
2
Contenidos
del
Especificacion
modelo
del modelo
Estimacion
del modelo
Validacion
del modelo
Explotacion
Ejemplos
Ejemplo 1
Ejemplo 2
Ejemplo 3
Fexp
RSG
t R (X X) R
= Rb r
q
b2
i1
Rb r > Fq,nk (1 ),
48 / 68
Ejemplo 1
Contenidos
del
Especificacion
modelo
del modelo
Estimacion
del modelo
Validacion
del modelo
Explotacion
Ejemplos
Ejemplo 1
Ejemplo 2
Ejemplo 3
8 5189
Rb r = (0 1 1) 5 5587 5 = 5 5587 0 4296 5 = 0 1291,
0 4296
0 62
1
R X tX
Rt = (0 1 1) 0 0688
0 0136
Y en tal caso:
Fexp
RSG
0 0688
0 0103
0 0033
0 0136
0
0 0033 1 = 0 0405.
0 0368
1
0 12912
=
=
0
02454025,
0 0405 16 76944
49 / 68
Ejemplo 1
Contenidos
del
Especificacion
modelo
del modelo
Estimacion
del modelo
Validacion
del modelo
Explotacion
Ejemplos
Ejemplo 1
Por otro lado, puesto que Fq,nk (1 ) = F1,5 (0 95) = 6 61, es evidente que
no se rechaza la hipotesis
nula, es decir, no rechazo que los coeficientes de las
2 + 3 = 5.
variables verifiquen la relacion
al modelo con el fin de obtener
En tal caso, habra que incorporar dicha informacion
a priori el estimador por
un mejor estimador (cuando se dispone de informacion
el estimador
mnimos cuadrados ordinarios ya no es optimo).
En esta situacion
insesgado con mnima varianza es el de mnimos cuadrados restringidos, el cual
Ejemplo 2
Ejemplo 3
bR = b + X t X
1
h
i1
1
Rt R X t X
Rt
r Rb .
(8)
anterior se conoce:
De la expresion
8 5189
b = 5 5587 ,
0 4296
faltando calcular
RSG
R X X
1
i1
1
,
0 0405
rRb = 0 1291,
50 / 68
Ejemplo 1
Contenidos
del
Especificacion
modelo
del modelo
Estimacion
X tX
del modelo
Validacion
1
del modelo
Explotacion
Ejemplos
Ejemplo 1
Ejemplo 2
Ejemplo 3
0 62
0 0688 0 0136
0
Rt = 0 0688 0 0103 0 0033 1 =
0 0136 0 0033 0 0368
1
0 0824
= 0 007 .
0 0335
8 5189
0 0824
8 781563
0
1291
bR = 5 5587
0 007 = 5 536386 .
0 0405
0 4296
0 0335
0 5363864
es facil
comprobar que se obtiene:
A partir de esta estimacion
etR eR = 84 35455,
2
RR
= 0 9731012,
bR
= 14 05909,
verificandose,
como es sabido, que etR eR > et e y RR
< R2 .
RSG
51 / 68
Ejemplo 2
Contenidos
Dado el modelo
del
Especificacion
modelo
(9)
del modelo
Estimacion
del modelo
Validacion
del modelo
Explotacion
donde:
Ejemplos
Ejemplo 1
Ejemplo 2
Ejemplo 3
X4 es el numero
y t y = 131 13,
RSG
48 5
204 45
t
X y=
37 9 ,
69 3
52 / 68
Ejemplo 2
Contenidos
del
Especificacion
modelo
X X
del modelo
Estimacion
del modelo
Validacion
del modelo
Explotacion
Ejemplos
Ejemplo 1
Ejemplo 2
Ejemplo 3
RSG
1
0 0506 0 0173
0
0051
0
0114
.
=
0 1626 0 0051
0 249
0 0317
0 0041 0 0114 0 0317 0 0514
0 0506 0 0173
204 45
0
0051
0
0114
b =
0 1626 0 0051
0 249
0 0317
37 9
0 0041 0 0114 0 0317 0 0514
69 3
0 0149
0 4862
=
(10)
0 3969 ,
0 2287
y t y bt X t y
131 13 129 5643
1 5657
2
b =
=
=
= 0 087,
(11)
nk
22 4
18
53 / 68
Ejemplo 2
Contenidos
del
Especificacion
modelo
del modelo
Estimacion
del modelo
Validacion
del modelo
Explotacion
Ejemplos
Ejemplo 1
Ejemplo 2
Ejemplo 3
48 5
204 45
t t
b
= 129 5643,
X y = (0 0149 0 4862 0 3969 0 2287)
37 9
69 3
y se deduce que
b = 0 2949 y
a partir de la estimacion
de 2 se obtiene una estimacion
para la matriz
Ademas,
b:
de varianzas-covarianzas de
0 0291
0 0044
\b
2
t 1
V ar =
b X X
=
0 0141
0 0004
RSG
0 0044
0 0015
0 0004
0 001
0 0141
0 0004
0 0217
0 0028
0 0004
0 001
.
0 0028
0 0045
54 / 68
Ejemplo 2
Contenidos
del
Especificacion
modelo
del modelo
Estimacion
individual
Esta matriz tiene importancia de cara a los contrastes de significacion
ya que entonces se usaran sus elementos de la diagonal principal.
a calcular la bondad del ajuste realizado, es decir, el
Pasamos a continuacion
coeficiente de determinacion:
del modelo
Validacion
SCR
.
R =1
SCT
2
del modelo
Explotacion
Ejemplos
Ejemplo 1
Ejemplo 2
Ejemplo 3
de la varianza de la
Como SCR = 1 5657 ya ha sido calculada en la estimacion
aleatoria, tan solo
hay que calcular:
perturbacion
2
22
P
Yt =
i=1
48 5, se obtiene que Y =
48 5
22
1 5657
R =1
= 1 0 0647 = 0 9353,
24 214
2
RSG
55 / 68
Ejemplo 2
Contenidos
del
Especificacion
modelo
del modelo
Estimacion
del modelo
Validacion
del modelo
Explotacion
Ejemplos
Ejemplo 1
Ejemplo 2
Ejemplo 3
k1
nk Fk1,nk (1 )
k1
+ nk
Fk1,nk (1 )
3
18
3 15991
0 5267
=
=
0
345,
=
3
1 5267
1 + 18 3 15991
RSG
56 / 68
Ejemplo 2
Contenidos
SCE
k1
SCR
nk
del
Especificacion
modelo
del modelo
Estimacion
del modelo
Validacion
> Fk1,nk (1 ).
del modelo
Explotacion
Ejemplos
Ejemplo 2
Fuentes de variacion
Explicada
Ejemplo 3
No explicada
Ejemplo 1
Total
Sumas de cuadrados
SCE = 22 6483
SCR = 1 5657
SCT = 24 214
Grados de libertad
Medias
k1=3
n k = 18
SCE
=
7
5494
k1
SCR
=
0
087
nk
El unico
RSG
57 / 68
Ejemplo 2
Contenidos
del
Especificacion
modelo
individual. Como es
Para finalizar estudiaremos los contrastes de significacion
b
i
,
> tnk 1
b wii
2
del modelo
Estimacion
del modelo
Validacion
del modelo
Explotacion
Ejemplos
Ejemplo 1
Ejemplo 2
Ejemplo 3
\
donde
b wii es la raz cuadrada del elemento (i, i) de la matriz V ar b y
b w22
b2= 0 4862
= 0 0015 = 0 0387
H0 : 3 = 0
RSG
b w33
b3= 0 3969
= 0 0217 = 0 1473
b2
=
= 12 5633 > 2 10092.
b w22
b3
=
= 2 6945 > 2 10092.
b w33
58 / 68
Ejemplo 2
Contenidos
del
Especificacion
modelo
del modelo
Estimacion
del modelo
Validacion
del modelo
Explotacion
Ejemplos
Ejemplo 1
Ejemplo 2
Ejemplo 3
H0 : 4 = 0
b w44
b4= 0 2287
= 0 0045 = 0 0671
b4
=
= 3 4083 > 2 10092.
b w44
bi tnk 1
b wii ,
2
i = 1, 2, 3, 4.
59 / 68
Ejemplo 2
Contenidos
del
Especificacion
modelo
del modelo
Estimacion
del modelo
Validacion
del modelo
Explotacion
Ejemplos
Ejemplo 1
Ejemplo 2
Ejemplo 3
"
(n k)
b
(n k)
b
,
2
2
nk 1 2
nk 2
RSG
"
SCR
SCR
.
,
2
2
nk 1 2
nk 2
2
2 = 18 (0 025) = 8 231 es claro que el intervalo para es:
2nk
2nk
1 56574 1 56574
,
31 526
8 231
= (0 04966504, 0 1902248) .
60 / 68
Ejemplo 2
Contenidos
del
Especificacion
modelo
del modelo
Estimacion
del modelo
Validacion
del modelo
Explotacion
Ejemplos
Ejemplo 1
Ejemplo 2
Ejemplo 3
RSG
Por todo lo expuesto hasta ahora se tiene que el modelo estimado es valido
y que
las variables de renta familiar, deuda y numero
de hijos
al ser la variable correspondiente a la deuda
mayor consumo familiar. Ademas,
una variable ficticia, habremos estimado la diferencia esperada en el consumo
familiar entre familias con deuda y sin deuda con el mismo nivel de renta y numero
61 / 68
Ejemplo 3
Contenidos
del
Especificacion
modelo
del modelo
Estimacion
Yt
Yt
del modelo
Validacion
= 1 + 2 Xt2 + 3 Xt4 + vt ,
= 1 + 2 Xt2 ,
(12)
(13)
del modelo
Explotacion
Ejemplos
Ejemplo 1
Ejemplo 2
Ejemplo 3
22
76 2 25
X t X = 76 2 331 8 102 ,
25
102
53
X tX =
22
76 2
76 2 331 8
48 5
X t y = 204 45 ,
69 3
X ty =
48 5
204 45
adecuado.
Se pide seleccionar el modelo mas
RSG
62 / 68
Ejemplo 3
Contenidos
Para el modelo (9) se tiene que n = 22, k = 4 y SCR = 1 5657, por lo que:
del
Especificacion
modelo
L
del modelo
Estimacion
del modelo
Validacion
del modelo
Explotacion
Ejemplos
Ejemplo 1
n
n
= (1 + ln(2 ) ln(n)) ln(SCR),
2
2
= 11 (2 837877 3 091042) 11 0 448333
= 2 1468.
Por tanto:
Ejemplo 2
Ejemplo 3
AIC
BIC
HQC
=
=
=
2 (2 1468) + 8 = 12 2937,
2 (2 1468) + 4 3 091042 = 16 6579,
2 (2 1468) + 8 1 128508 = 13 3218.
siendo validos
RSG
63 / 68
Ejemplo 3
Contenidos
del
Especificacion
modelo
del modelo
Estimacion
del modelo
Validacion
del modelo
Explotacion
Ejemplos
Ejemplo 1
Ejemplo 2
Ejemplo 3
SCR = y t y bt X t y
48 5
= 131 13 (0 2456764, 0 4736592, 0 2800916) 204 45
69 3
L
AIC
BIC
HQC
RSG
=
=
=
=
64 / 68
Ejemplo 3
Contenidos
del
Especificacion
modelo
del modelo
Estimacion
del modelo
Validacion
SCR = y t y bt X t y
del modelo
Explotacion
Ejemplos
Ejemplo 1
Ejemplo 2
Ejemplo 3
RSG
48 5
204 45
En tal caso:
L
AIC
BIC
HQC
=
=
=
=
65 / 68
Ejemplo 3
Contenidos
del
Especificacion
modelo
del modelo
Estimacion
del modelo
Validacion
del modelo
Explotacion
Ejemplos
Ejemplo 1
Ejemplo 2
Criterios Seleccion
Modelo (9)
Modelo (12)
Modelo (13)
SCR
15657
29647
46194
AIC
122937
243396
320964
BIC
166579
276127
342785
HQC
133218
251107
326105
Ejemplo 3
RSG
66 / 68
Lecturas recomendadas
Contenidos
del
Especificacion
modelo
del modelo
Estimacion
del modelo
Validacion
del modelo
Explotacion
Ejemplos
Ejemplo 1
Metodos
Cuantitativos para la Economa y la Empresa para su adaptacion
Superior. XXXII Congreso Nacional de
al Espacio Europeo de Educacion
Operativa. A Coruna
14-17 septiembre 2010.
Estadstica e Investigacion
R., Lopez,
[2] Salmeron,
M. y Garca, C. (2011). Uso de las TICs en la docencia de la Econometra. XXV Congreso Internacional de Economa Aplicada ASEPELT, 8-11 junio 2011.
Ejemplo 2
Ejemplo 3
[3] Salmeron,
y exploracion
de las empresas. I International workshop on Difexplotacion
fusion Process and Multivariate Analysis. Granada 6 julio 2012.
R. (2012). Entorno de programacion
R y la econometra: funcion
[4] Salmeron,
MUM (online).
[5] Novales, A. (1993). Econometra. McGraw Hill. Captulo 1 (repaso matrices).
web:
Puedes encontrarlas en la direccion
http://www.ugr.es/local/romansg/material/WebEco/index.html
RSG
67 / 68
Bibliografia
Contenidos
del modelo
Estimacion
del modelo
Validacion
del
Especificacion
modelo
del modelo
Explotacion
Ejemplos
Ejemplo 1
Ejemplo 2
Ejemplo 3
M.L. y Peiro,
A. (1990). Econometra. El Mo[5] Uriel, E., Contreras, D., Molto,
delo Lineal. Editorial AC. Captulos 2, 3, 4, 5, 6 y 8.
a la Econometra: Un enfoque mo[6] Wooldridge, J.M. (2005). Introduccion
RSG
68 / 68