Econometria Apuntes

El modelo Lineal General
Salmeron
Gomez
Roman
Universidad de Granada
RSG
El modelo lineal uniecuacional multiple
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
Modelo lineal uniecuacional multiple
Contenidos
del
Especificacion
modelo
Modelo lineal
Hipotesis
del modelo
lineal entre una variable

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
Yt = 1 + 2 Xt2 + 3 Xt3 + + k Xtk + ut ,
(1)
donde se ha considerado que hay termino

constante, es decir, X1t = 1, t.
numerica)
El objetivo sera estimar (es decir, obtener una aproximacion

aquellas cantidades constantes presentes en el modelo (1), as como la bondad de la
realizada. En primer lugar, se escribe dicho modelo para todas y cada
estimacion
una de las observaciones:
Y1
Y2
..
.
Yn
RSG
t = 1, . . . , n,
= 1 + 2 X12 + 3 X13 + + k X1k + u1

= 1 + 2 X22 + 3 X23 + + k X2k + u2
..
.
= 1 + 2 Xn2 + 3 Xn3 + + k Xnk + un
4 / 68
Modelo lineal uniecuacional multiple
Contenidos
Que nos conduce a la siguiente forma matricial:
del
Especificacion
modelo
yn1 = Xnk k1 + un1 ,
Modelo lineal
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
Hipotesis
del modelo
del modelo
Estimacion
del modelo
Validacion
del modelo
Explotacion
Ejemplos
Consideraremos las siguientes hipotesis

basicas
en el modelo lineal uniecuacional
multiple:
lineal de las variables

El vector y se puede expresar como combinacion
un vector de perturbacion.
explicativas mas
aleatoria esta centrada (E[ut ] = 0, t =
La perturbacion
1, . . . , n), es

2
2
V ar(ut ) = E[ut ] = , t = 1, . . . , n e incorrelada

(Cov(ut , us ) = E[ut us ] = 0, t 6= s, t, s = 1, . . . , n). En tal caso
se dice que las perturbaciones son esfericas

y se verifica que E[u] =
0n1 y V ar(u) = E[u ut ] = 2 Inn .
homocedastica
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).
entre variables independientes y la perturbacion
aleatoria:
No hay relacion

t
Cov(un1 , Xi ) = E (u E[u]) (Xi E[Xi ])

t
= E u (Xi Xi ) = E[un1 01n ] = 0nn .
RSG
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
Definiendo los errores o residuos, e, del modelo lineal uniecuacional multiple
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
lo que los estimadores obtenidos a partir de dicho metodo

reciben el nombre de
estimadores de mnimos cuadrados ordinarios, EMCO.
se verifica que X t e = 0k1 ,
Como consecuencias de dicha estimacion
it e = 011 , it yb = it y y ybt e = 011 donde it = (1 1 . . . 1)1n .
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
Teorema 1 (Teorema de Gauss-Markov) Los estimadores de mnimos cuadra

dos ordinarios son lineales, insesgados y optimos
(ELIO), es decir, tienen varianza
mnima entre la clase de los estimadores lineales e insesgados.
del modelo
Estimacion
mnimo
Estimacion
cuadratica
de los
coeficientes del
modelo
En efecto, por la forma de escribirse el estimador es evidente que es lineal.

As, llamando:
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
b se expresa como combinacion

lineal del vector y :
se tiene que
bk1 = Ckn yn1
RSG
c11 Y1 + c12 Y2 + . . . + c1n Yn

c21 Y1 + c22 Y2 + . . . + c2n Yn
=
.
..
.
ck1 Y1 + ck2 Y2 + . . . + ckn Yn
10 / 68
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 de sea insesgado se ha de cumplir que E[]

b = . En
Para que el estimador
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.
Entonces, teniendo en cuenta que E[u] = 0:
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
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

, de lineal e insesgado de forma que V ar b < V ar ( ).

En efecto, = Dkn yn1 tal que D X = Ikk es lineal e insesgado.
V ar ( ) = 2 DD t .
Ademas,
1
En tal caso, puesto que podemos escribir D = (X t X) X t + W con
1
W 6= 0kn , se tiene que DDt = (X t X) + W W t , y en tal caso:

1
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
de los coeficientes de las variables independientes, hay en el modelo

Ademas
otra cantidad constante que habra que estimar: la varianza de la perturbacion

aleatoria, 2 .
Un estimador insesgado de 2 es:
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 .
Para calcular dicho estimador se dispone de la expresion:
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
de modelos
en el
Distribucion
muestreo de los
estimadores MCO
Contraste de un
lineales: casos
particulares
Mnimos Cuadrados
Restringidos
Analisis
de la varianza
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,
el porcentaje de variabilidad explicada por el modelo. Por tanto, este

se obtendra
y la total:
como el cociente entre la varianza explicada por la estimacion
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 .
queda expresado en funcion
Como se observa, el coeficiente de determinacion

de la suma de cuadrados explicados (SCE) y los totales (SCT).
Ejemplos
RSG
15 / 68

Bondad de ajuste: Coeficiente de determinacion
Contenidos
Luego, teniendo en cuenta la descomposicion
del
Especificacion
modelo
SCT = SCE + SCR,
del modelo
Estimacion
del modelo
Validacion
se tiene que
Bondad de ajuste:
Coeficiente de
determinacion
de modelos
en el
Distribucion
muestreo de los
estimadores MCO
Contraste de un
lineales: casos
particulares
Mnimos Cuadrados
Restringidos
Analisis
de la varianza
del modelo
Explotacion
R2 =
SCR
SCE
=1
.
SCT
SCT
Entonces, para calcular dicho coeficiente se dispone de la expresion:

2
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
de modelos
en el
Distribucion
muestreo de los
estimadores MCO
Contraste de un
lineales: casos
particulares
Mnimos Cuadrados
Restringidos
Analisis
de la varianza
del modelo
Explotacion
Puesto que a medida que vamos incluyendo variables en el modelo el coeficiente

aumenta aunque las variables que incluyamos no sean signifide determinacion
cativas, esto supone un problema.
2
corregido, R , viene a resolver este problema

El coeficiente de determinacion
del coeficiente de determinacion.

Dicho coeficiente mide el porcentaje de va de la variable dependiente (al igual que el coeficiente de determinacion)
riacion
pero teniendo en cuenta el numero
de variables incluidas en el modelo. Se define

como:
2
R = 1 (1 R2 )
n1
.
nk
En cualquier caso, estas medidas de bondad del ajuste no deben de ser

2
sobrevaloradas. Obtener un R2 o R cercano a 1 no indica que los resultados

sean fiables, ya que, por ejemplo, puede ser que no se cumpla alguna de las
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
Contenidos
del
Especificacion
modelo
del modelo
Estimacion
del modelo
Validacion
Bondad de ajuste:
Coeficiente de
determinacion
de modelos
en el
Distribucion
muestreo de los
estimadores MCO
Contraste de un
lineales: casos
particulares
Mnimos Cuadrados
Restringidos
Analisis
de la varianza
para comPor otro lado, se podra pensar en usar el coeficiente de determinacion

parar distintos modelos. En tal caso, estos deben de tener la misma variable
la misma suma de cuadrados totales. Y aun
dependiente ya que as tendran
as,
habra que tener cuidado con el problema ya comentado: aumenta su valor al
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.
duos y de un factor que penaliza la inclusion

As, un modelo mas
variables explicativas) reducira la suma de cuadrados de los
complejo (con mas
residuos pero aumentara el factor de penalizacion.

Utilizando estos criterios se escogera aquel modelo con un menor valor de
AIC, BIC o HQC.
del modelo
Explotacion
Ejemplos
RSG
18 / 68
de modelos: AIC, BIC y HQC

Contenidos
del
Especificacion
modelo
del modelo
Estimacion
del modelo
Validacion
Bondad de ajuste:
Coeficiente de
determinacion
Teniendo en cuenta que:
L=
n
n
(1 + ln(2 ) ln(n)) ln(SCR),
2
2
de Akaike responde a la expresion:
el criterio de informacion
AIC = 2 L + 2 k,
de modelos
en el
Distribucion
muestreo de los
estimadores MCO
Contraste de un
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
del modelo
Explotacion
Ejemplos
RSG
19 / 68
en el muestreo de los estimadores MCO

Distribucion
Contenidos
del
Especificacion
modelo
del modelo
Estimacion
aleatoria sigue una distribucion
Introduciendo la hipotesis
de que la perturbacion
normal, esto es:
un1 N (0n1 , 2 Inn ).

bk1 N (, 2 (X t X)
En consecuencia,
del modelo
Validacion
Bondad de ajuste:
Coeficiente de
determinacion
de modelos
en el
Distribucion
muestreo de los
estimadores MCO
Contraste de un
lineales: casos
particulares
Mnimos Cuadrados
Restringidos
Analisis
de la varianza
del modelo
Explotacion
Ejemplos
RSG
), ya que:
b sigue una distribucion

normal ya que se puede expresar en funcion
de

b = + (X t X)1 X t u.
una normal:
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
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:
a11 1 + a12 2 + + a1k k

a21 1 + a22 2 + + a2k k
del modelo
Validacion
Bondad de ajuste:
Coeficiente de
determinacion
..
.
de modelos
en el
Distribucion
muestreo de los
estimadores MCO
Contraste de un
lineales: casos
particulares
aq1 1 + aq2 2 + + aqk k
del modelo
Explotacion
Ejemplos
RSG
..
.
=
= bq
Plantearemos contrastar la hipotesis

nula H0 : R = r donde
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
de modelos
en el
Distribucion
muestreo de los
estimadores MCO
Contraste de un
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
donde Fq,nk (1 ) es el punto de una F de Senedecor de q y n k grados

de libertad que deja por debajo suyo una probabilidad 1 .
Analisis
de la varianza
del modelo
Explotacion
Ejemplos
RSG
22 / 68
Casos particulares
Contenidos
del
Especificacion
modelo
del modelo
Estimacion
Un caso particular de suma importancia sera aquel en el que se desee contrastar
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
de modelos
en el
Distribucion
muestreo de los
estimadores MCO
Contraste de un
lineales: casos
particulares
Mnimos Cuadrados
Restringidos
Analisis
de la varianza
del modelo
Explotacion
Ejemplos
RSG

2
bi bi
b 2 wi
F1,nk ,
1
donde wi es el elemento (i,i) de la matriz (X t X)

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
de modelos
en el
Distribucion
muestreo de los
estimadores MCO
Contraste de un
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
no nulo. De forma que al rechazar dicha hipotesis

tenemos garantizado que la
variable Xi ha de estar en el modelo, por lo que sus variaciones influyen en la
variable dependiente. En tal caso se dice que dicha variable es significativa y que
individual.
el contraste es un contraste de significacion
Analisis
de la varianza
del modelo
Explotacion
Ejemplos
RSG
24 / 68
Mnimos Cuadrados Restringidos

Contenidos
del
Especificacion
modelo
del modelo
Estimacion
del modelo
Validacion
Bondad de ajuste:
Coeficiente de
determinacion
de modelos
en el
Distribucion
muestreo de los
estimadores MCO
Contraste de un
lineales: casos
particulares
Mnimos Cuadrados
Restringidos
Analisis
de la varianza
del modelo
Explotacion
Ejemplos
RSG
En el caso en el que no se rechace la hipotesis

nula H0 : R = r , sera deseable
al modelo. En tal caso, se obtiene un nuevo estimaincorporar dicha informacion
dor:
h
i

bR = b + X X
t
1
R R X X
1
r Rb ,
que recibe el nombre de mnimos cuadrados restringidos ya que se ha obtenido

bR = r .
de que ha de verificar que R
con la restriccion
Dicho estimador es lineal, insesgado siempre que la hipotesis

nula H0 :
R = r sea cierta y optimo.

Es decir, el estimador por mnimos cuadrados
restringidos tiene menor varianza que el estimador mnimo cuadratico

ordinario
(hipotesis
siempre y cuando la restriccion

nula) sea cierta.
lineal sobre los coeficientes de las variables
Luego, cuando una restriccion
independientes es cierta, el estimador por mnimos cuadrados ordinarios deja de
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
todos los coeficientes de las variables independientes son nulos simultaneamente,

esto es, H0 : 2 = 3 = = k = 0.
Salta a la vista que estamos ante un caso particular de un contraste sobre
k 1 restricciones lineales de los coeficientes de las variables independientes.
si
En este caso, rechazaremos la hipotesis
nula al nivel de significacion
de modelos
Fexp =
en el
Distribucion
muestreo de los
estimadores MCO
Contraste de un
lineales: casos
particulares
Mnimos Cuadrados
Restringidos
Analisis
de la varianza
del modelo
Explotacion
Ejemplos
RSG
SCE
k1
SCR
nk
> Fk1,nk (1 ).
anterior en una
Para calcular dicho estadstico se suele resumir la informacion
tabla, conocida como tabla de analisis

de la varianza (tabla ANOVA) ya que en
de la varianza:
ella se recogen las fuentes de variacion
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
de modelos
en el
Distribucion
muestreo de los
estimadores MCO
Contraste de un
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
del modelo
Explotacion
Ejemplos
RSG
> Fk1,nk (1 ).
R2 >
k1
nk Fk1,nk (1 )
.
k1
+ nk
Fk1,nk (1 )
27 / 68
Contenidos
del
Especificacion
modelo
del modelo
Estimacion
del modelo
Validacion
Bondad de ajuste:
Coeficiente de
determinacion
de modelos
en el
Distribucion
muestreo de los
estimadores MCO
Contraste de un
lineales: casos
particulares
Mnimos Cuadrados
Restringidos
Analisis
de la varianza
del modelo
Explotacion
Ejemplos
RSG
A partir de las distribuciones en el muestreo para los estimadores estudiados es

inmediato obtener los siguientes intervalos de confianza al nivel 1 :
Intervalo de confianza para i

bi tnk 1
b wi ,
2
i = 1, . . . , k.
Intervalo de confianza para 2
"
(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.
Una forma alternativa de contrastar hipotesis

es usando los intervalos de
confianza. De manera que para contrastar H0 : R = r se calculara la region

no se rechazara la hipotesis
de confianza para R y si r pertenece a dicha region,

nula.
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
Una vez validado el modelo, la siguiente fase de un modelo econometrico

es la
siendo entonces la prediccion
o la permanencia estructural algunos
explotacion,
de sus objetivos.
se realiza desde dos puntos de vista: a) por un lado realizareLa prediccion
puntual dando un unico
para un instante
mos una prediccion
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
Siguiendo las directrices anteriores se llega a la misma expresion

en ambos casos:
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.
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).
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
En este apartado calcularemos el intervalo de confianza para el valor esperado

de Y dado x0 , es decir, para E[Y0 /x0 ] = xt0 .
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 .
no es apta para hacer inferencia puesto que

Ahora bien, esta distribucion
depende de la cantidad desconocida 2 . Para resolver este problema, tipificare normal y la dividiremos entre la raz cuadrada de la
mos la anterior distribucion
chi-cuadrado
siguiente distribucion
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
dividida a su vez entre sus grados de libertad, obteniendo la siguiente distribucion

t-Student:
xt0 b xt0
q
tnk .
b xt0 (X t X)1 x0
el intervalo de confianza al nivel 1 para

A partir de esta distribucion,
E[Y0 /x0 ] = xt0 es:
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
Contraste de Permanencia Estructural

Contenidos
del
Especificacion
modelo
del modelo
Estimacion
del modelo
Validacion
del modelo
Explotacion
se esta presuponiendo que la relacion
Al explotar el modelo mediante la prediccion

no presente en la muestra observada.
estimada se mantiene para la informacion
Para confirmar este aspecto, calcularemos el intervalo de confianza para Y dado
pertenece a dicho intervalo, la estructura
x0 , de forma que si la nueva informacion
del modelo estimado permanecera.

Partiendo de que
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 ,
se llega de forma analoga

a la anterior a la distribucion
Y0 Yb0
q
tnk ,
1
b 1 + xt0 (X t X) x0
b0 = xt0 b. Por tanto, el intervalo de confianza al nivel 1 para Y0 es:

donde Y
RSG
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
vamos a realizar un analisis
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
por mnimos cuadrados ordinarios de

En primer lugar calcularemos la estimacion
los coeficientes de las variables a partir de la expresion
RSG
b = X t X
1
X t y.
(3)
35 / 68
Ejemplo 1
Contenidos
muestral anterior es claro que:

A partir de la informacion
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
y entonces a partir de la formula

(3):
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
b1 = 8 5189, b2 = 5 5587 y b3 = 0 4296. Lo cual se traduce en la

Es decir,
del modelo considerado:
siguiente estimacion
Ybt = 8 5189 + 5 5587Xt2 0 4296Xt3 .
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
A partir de estas estimaciones es sencillo obtener las estimaciones de Y :
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
y los residuos del modelo:
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
Desde un punto de vista teorico,

dichos residuos han de sumar cero, si bien en
este caso la suma del vector anterior es igual a 0 0016. De igual forma, a partir
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)
donde et e es la suma de los cuadrados de los residuos, n el numero
de observaciones del modelo y k el numero
de variables presentes en el mismo. En este

caso:
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
20808 20724 1528

83 8472
b =
=
= 16 76944.
83
5
2
Ejemplo 1
Ejemplo 2
Ejemplo 3
se puede obtener la estimacion

de la matriz de
Y a partir de esta estimacion
b mediante:
varianzas-covarianzas de

\
V ar b
RSG
0
62

1
b2 X t X
= 16 7694 0 0688
0 0136
10 3976 1 1533 0 2282

1 1533
0 1727
0 0555 ,
0 2282 0 0555
0 6168
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
de rechazo de los contrastes de signifique sera usada para calcular la region

individual as como para los intervalos de confianza de cada coeficiente de
cacion
la regresion.
anterior calcuPara medir la bondad del ajuste realizado mediante la estimacion
laremos el coeficiente de determinacion:
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)
de (7), teniendo en cuenta que:

Para la primera expresion
bt X t y nY = 20724 1528 8 472 = 20724 1528 17672 = 3052 1528,

y t y nY = 20808 17672 = 3136,
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
Mientras que para la segunda expresion:
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
adelante comprobaremos si es significativo

encuentra muy proximo
al 100%, mas
y, por tanto, si es suficiente para validar el modelo.
se estuUna vez estimadas las cantidades constantes del modelo, a continuacion
diara la validez del mismo a partir de:
individual.
contrastes de significacion
conjunta.
contraste de significacion
del coeficiente de determinacion.
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
donde wi es el elemento (i, i) de la matriz (X t X)

o, lo que es lo mismo,
b wi es la raz cuadrada del elemento (i, i) de la matriz

b2 (X t X) =

\
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
= 13 376 > 2 57.

0 4296
= 0 7854 = 0 547 > 2 57.
rechazo H0 : 2 = 0 si texp =
Como es evidente, rechazamos H0 : 2 = 0 y no rechazamos H0 : 3 = 0,

es decir, la variable Xt2 influye en Yt , mientras que la Xt3 no lo hace. En tal
se dice que la segunda variable es significativa y que la tercera no es
situacion
significativa.
RSG
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
donde Fk1,nk (1 ) es el punto de una F de Snedecor con k 1 y n k

grados de libertad que deja a su izquierda una probabilidad 1 , SCE denota
a la suma de cuadrados explicada y SCR a la suma de los cuadrados de los
residuos (cantidades que ya han sido calculadas con anterioridad al obtener el
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
SCE = 3052 1528

SCR = 83 8472
SCT = 3136
1526 0764
16 76944
Grados de libertad
Medias
k1=2
nk =83=5
1526 0764
16 76944
= 91 00342.
44 / 68
Ejemplo 1
Contenidos
del
Especificacion
modelo
del modelo
Estimacion
del modelo
Validacion
del modelo
Explotacion
Ejemplos
Ejemplo 1
Ejemplo 2
Ejemplo 3
Y como Fk1,nk (1 ) = F2,5 (0 95) = 5 78, es evidente que se rechaza la
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
Esto es, se tiene una cota, Rsig

, a partir de la cual el coeficiente de determinacion
es significativo.
Puesto que en este caso:
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
Recordemos que R2 = 0 97326301, que claramente es significativo al ser su2

Rsig
perior a la cota inferior de significacion
= 0 6981. Esto es, el coeficiente de
obtenido implica que el modelo es explicativo.
determinacion
Por todo lo anterior, parece claro que el modelo es valido

y, por tanto, apto para la
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
A partir de dicha informacion,

sera
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
por intervalo sera necesario calcular:

Mientras que para la prediccion
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
de forma que el intervalo de confianza para el valor esperado de Y sera:
q

xt0 b tnk 1
b xt0 (X t X)1 x0
2
= 18 3475 2 57 4 095051 0 596 = (10 221, 26 4742).
y el intervalo de confianza para Y sera:

RSG
47 / 68
Ejemplo 1
q

b 1 + xt0 (X t X)1 x0
xt0 b tnk 1
2
= 18 3475 2 57 4 095051 1 596 = (5 04887, 31 64613).
Contenidos
del
Especificacion
modelo
del modelo
Estimacion
del modelo
Validacion
del modelo
Explotacion
Ejemplos
Ejemplo 1
Ejemplo 2
Ejemplo 3
a partir de este ultimo

Ademas,
intervalo (conocido como permanencia estructu

ral), si se sabe que acompanando
a x0 se tiene Y0 = 6, puesto que este valor
pertenece al intervalo calculado, se puede afirmar (al nivel de confianza conside estimada para las variables se sigue verificando (permanece
rado) que la relacion
la estructura) para la nueva informacion.

con informacion
a priori al
Por ultimo,
con el objetivo de aplicar la estimacion
modelo considerado vamos contrastar la hipotesis

nula H0 : 2 + 3 = 5. As,
en el caso de no rechazarla obtendremos el estimador por mnimos cuadrados
restringidos.
Como es sabido, se rechazara la hipotesis

nula si
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
donde Fq,nk (1 ) es el punto de una F de Snedecor con q y n k grados

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
que
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
donde recordemos que

b2 = 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
responde a la siguiente expresion:
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
Entonces, a partir de (8) se obtiene que:
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
Yt = 1 + 2 Xt2 + 3 Xt3 + 4 Xt4 + ut ,
(9)
del modelo
Estimacion
del modelo
Validacion
del modelo
Explotacion
donde:
Y es el consumo familiar mensual (medido en miles de euros).
Ejemplos
Ejemplo 1
Ejemplo 2
Ejemplo 3
X2 es la renta familiar mensual (medida en miles de euros).

X3 es una variable ficticia que toma el valor 1 si la familia correspondiente
tiene una deuda en forma de un prestamo

para la compra de una vivienda
o coche, y el valor 0 en caso contrario.
X4 es el numero
de hijos de una familia.

Se pide analizar el modelo sabiendo que para 22 familias se ha obtenido que:
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 3342 0 0506 0 1626 0 0041
0 0506 0 0173
0
0051
0
0114
.
=
0 1626 0 0051
0 249
0 0317
0 0041 0 0114 0 0317 0 0514
de las cantidades constantes del moEn primer lugar obtendremos la estimacion

delo, es decir, de y 2 :
0 3342 0 0506 0 1626 0 0041

48 5
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
donde se ha usado que
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
Ybt = 0 0149 + 0 4862 X2t + 0 3969 X3t + 0 2287 X4t .
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
SCT = y t y nY = 131 13 22 2 20452 = 131 13 106 916 = 24 214,

t
donde se ha usado que a partir del primer elemento de X y , esto es,
22
P
Yt =
i=1
48 5, se obtiene que Y =
48 5
22
= 2 2045. En tal caso:
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
realizada explica un 9353% de la variabilidad de Y .

esto es, la estimacion
cercano al 100% mejor sera el coefiAhora bien, como es sabido, cuanto mas
y, por tanto, la estimacion
realizada. Esta en este caso
ciente de determinacion
realizada sea signisuficientemente cerca del 100% como para que la estimacion
ficativa?
ha de
Como respuesta afirmativa a esta pregunta, el coeficiente de determinacion
ser superior a la siguiente cota:
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
donde se ha usado que F3,18 (0 95) = 3 15991. Puesto que el R2 obtenido es
superior a dicha cota inferior podemos afirmar que el coeficiente de determinacion

es significativo, es decir, valida al modelo.
del modelo se puede establecer tambien
a partir del contraste de
Esta validacion
conjunta. Bajo el supuesto de normalidad en el modelo rechazaresignificacion
mos H0 : 2 = 3 = 4 = 0 si
RSG
56 / 68
Ejemplo 2
Contenidos
SCE
k1
SCR
nk
del
Especificacion
modelo
del modelo
Estimacion
del modelo
Validacion
> Fk1,nk (1 ).
de rechazo y tomar una decision

en este contraste planPara calcular la region
teamos la tabla ANOVA:
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
elemento no calculado hasta el momento de la tabla anterior es SCE =

SCT SCR = 24 214 1 5657 = 22 6483. En tal caso, se tiene para la
de rechazo que:
region
86 7747 > 3 15991,
RSG
de forma que es evidente que se rechaza la hipotesis

nula de que todos los coefi
cientes pueden ser nulos de forma simultanea.

Por tanto, se tiene que la relacion
existente entre las variables independientes y la dependiente no se debe al azar,
validando el modelo.
57 / 68
Ejemplo 2
Contenidos
del
Especificacion
modelo
individual. Como es
Para finalizar estudiaremos los contrastes de significacion
sabido se rechazara la hipotesis

H0 : i = 0 si

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
tnk 1 2 = t18 (0 975) = 2 10092.

H0 : 2 = 0
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
En todos los casos se rechaza la hipotesis

nula, lo que se interpreta como que las
variables X2 , X3 y X4 son significativas.
se podran haber obteComo es sabido, para llegar a estas conclusiones tambien
nido los intervalos de confianza de cada coeficiente:

bi tnk 1
b wii ,
2
i = 1, 2, 3, 4.
As por ejemplo, para el ultimo
coeficiente se tiene que el intervalo de confianza

al 95% es:
0 2287 2 10092 0 0671 = (0 08772827, 0 3696717).

Como el cero no pertenece a dicho intervalo se concluira que el coeficiente correspondiente sera distinto de cero.
RSG
59 / 68
Ejemplo 2
Contenidos
El intervalo de confianza al 95% para el segundo coeficiente es:
del
Especificacion
modelo
0 4862 2 10092 0 0387 = (0 4048944, 0 5675056).
del modelo
Estimacion
del modelo
Validacion
del modelo
Explotacion
Ejemplos
Ejemplo 1
Ejemplo 2
Ejemplo 3
Al igual que antes se concluira que el coeficiente correspondiente sera distinto de

cero.
Para finalizar con el calculo

de intervalos de confianza, obtendremos a conti el intervalo para la varianza de la perturbacion
aleatoria:
nuacion
"
(n k)
b
(n k)
b

,
2
2
nk 1 2
nk 2
Puesto que SCR = 1 56574,
RSG
"
SCR
SCR

.
,
2
2
nk 1 2
nk 2
= 218 (0 975) = 31 526 y

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 influyen positivamente en

el consumo de las familias. Es decir, a mayor renta, 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
es positiva, por lo que

de hijos. En este caso se obtiene que dicha estimacion
que aquellas que
aquellas familias que tienen algun
tipo de deuda consumen mas
no la tienen.
61 / 68
Ejemplo 3
Contenidos
del
Especificacion
modelo
del modelo del ejemplo anterior se tienen en cuenta

Supongamos que ademas
estos otros dos modelos:
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
de forma que para el modelo (12) se tiene la siguiente informacion:
22
76 2 25
X t X = 76 2 331 8 102 ,
25
102
53
mientras que para el modelo (13):
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
Para los modelos (12) y (13) seguiran

los valores de y t y , n y k ,
sin embargo, habra que obtener la suma de cuadrados de los residuos de cada
modelo.
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
Para el modelo (12) se verifica que:
48 5
= 131 13 (0 2456764, 0 4736592, 0 2800916) 204 45
69 3
= 131 13 128 1653 = 2 9647.

En tal caso:
L
AIC
BIC
HQC
RSG
=
=
=
=
11 (2 837877 3 091042) 4 1 0868 = 9 1697.

2 (9 1697) + 6 = 24 3394,
2 (9 1697) + 3 3 091042 = 27 6126,
2 (9 1697) + 6 1 128508 = 25 1105.
64 / 68
Ejemplo 3
Contenidos
del
Especificacion
modelo
del modelo
Estimacion
del modelo
Validacion
Para el modelo (13) se verifica que:
= 131 13 (0 3437073, 0 5372499)
del modelo
Explotacion
= 131 13 126 5105 = 4 6195.
Ejemplos
Ejemplo 1
Ejemplo 2
Ejemplo 3
RSG
48 5
204 45
En tal caso:
L
AIC
BIC
HQC
=
=
=
=
11 (2 837877 3 091042) 4 1 5303 = 14 0483.

2 (14 0483) + 4 = 32 0967,
2 (14 0483) + 2 3 091042 = 34 2788,
2 (14 0483) + 4 1 128508 = 32 6107.
65 / 68
Ejemplo 3
Contenidos
del
Especificacion
modelo
del modelo
Estimacion
anterior (resumida en la siguiente tabla), podemos

Atendiendo a la informacion
es el
observar que el modelo con menores valores para los criterios de seleccion
(9). Por tanto, nos quedaramos con este modelo a la hora de analizar el consumo
familiar.
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
R. y Garca, C. (2010). Experiencia docente en la asignatura de

[1] Salmeron,
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
R. y Tamayo, J. (2012). Incidencia de la calidad en la produccion,
[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
[1] Esteban, M.V., Moral, M.P., Orbe, S., Regulez,
M., Zarraga, A. y Zubia, M.
(2009). Econometra basica

aplicada con Gretl. Sarriko-On, Universidad del
Pas Vasco. Captulos 2, 3, 4 y 7.
del modelo
Validacion
[2] Gujarati, D. (1997). Econometra. Ed. McGraw Hill. Captulos 2, 3, 4, 5 y 7.
del
Especificacion
modelo
del modelo
Explotacion
Ejemplos
[3] Johnston, J. (1989). Metodos

de Econometra. Ed. Vicens-Vives. Captulos
2, 4, 5 y 6.
Ejemplo 1
Ejemplo 2
[4] Novales, A. (1993). Econometra. McGraw Hill. Captulos 3 y 4.
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
derno. Thomson. Captulos 2, 3, 4 y 6, y Apendices.
RSG
68 / 68

Econometria Apuntes

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Econometria Apuntes

Uploaded by

Copyright:

Available Formats

El modelo Lineal General

El modelo lineal uniecuacional multiple

El modelo lineal uniecuacional multiple

El modelo lineal uniecuacional multiple

Modelo lineal uniecuacional multiple

lineal entre una variable

Yt = 1 + 2 Xt2 + 3 Xt3 + + k Xtk + ut ,

donde se ha considerado que hay termino

El objetivo sera estimar (es decir, obtener una aproximacion

= 1 + 2 X12 + 3 X13 + + k X1k + u1

= 1 + 2 Xn2 + 3 Xn3 + + k Xnk + un

El modelo lineal uniecuacional multiple

Modelo lineal uniecuacional multiple

Que nos conduce a la siguiente forma matricial:

yn1 = Xnk k1 + un1 ,

El modelo lineal uniecuacional multiple

Consideraremos las siguientes hipotesis

lineal de las variables

V ar(ut ) = E[ut ] = , t = 1, . . . , n e incorrelada

se dice que las perturbaciones son esfericas

rg(X) = k (como consecuencia n > k y las columnas de X , es decir,

El modelo lineal uniecuacional multiple

El modelo lineal uniecuacional multiple

Definiendo los errores o residuos, e, del modelo lineal uniecuacional multiple

lo que los estimadores obtenidos a partir de dicho metodo

El modelo lineal uniecuacional multiple

El modelo lineal uniecuacional multiple

Teorema 1 (Teorema de Gauss-Markov) Los estimadores de mnimos cuadra

En efecto, por la forma de escribirse el estimador es evidente que es lineal.

b se expresa como combinacion

c11 Y1 + c12 Y2 + . . . + c1n Yn

El modelo lineal uniecuacional multiple

b de sea insesgado se ha de cumplir que E[]

Entonces, teniendo en cuenta que E[u] = 0:

El modelo lineal uniecuacional multiple

, de lineal e insesgado de forma que V ar b < V ar ( ).

El modelo lineal uniecuacional multiple

de los coeficientes de las variables independientes, hay en el modelo

otra cantidad constante que habra que estimar: la varianza de la perturbacion

Para calcular dicho estimador se dispone de la expresion:

El modelo lineal uniecuacional multiple

El modelo lineal uniecuacional multiple

el porcentaje de variabilidad explicada por el modelo. Por tanto, este

queda expresado en funcion

Como se observa, el coeficiente de determinacion

El modelo lineal uniecuacional multiple

Luego, teniendo en cuenta la descomposicion

SCT = SCE + SCR,

Entonces, para calcular dicho coeficiente se dispone de la expresion:

El modelo lineal uniecuacional multiple

Puesto que a medida que vamos incluyendo variables en el modelo el coeficiente

corregido, R , viene a resolver este problema

del coeficiente de determinacion.

de variables incluidas en el modelo. Se define

En cualquier caso, estas medidas de bondad del ajuste no deben de ser

sobrevaloradas. Obtener un R2 o R cercano a 1 no indica que los resultados

El modelo lineal uniecuacional multiple

para comPor otro lado, se podra pensar en usar el coeficiente de determinacion

duos y de un factor que penaliza la inclusion

residuos pero aumentara el factor de penalizacion.

El modelo lineal uniecuacional multiple

de modelos: AIC, BIC y HQC

Teniendo en cuenta que: