EL MODELO LINEAL GENERAL MEDIANTE GRETL

Romn Salmern a o 6 de diciembre de 2010

1.

Introduccin o

En las siguientes l neas abordaremos como realizar un anlisis de un modelo uniecuacional a mltiple mediante el software economtrico Gretl. Para conseguir dicho objetivo, el presente u e documento se estructura de la siguiente forma: 1. Descarga e instalacin de Gretl. o 2. Introduccin de datos en Gretl. o 3. Estimacin de las cantidades constantes del modelo. Bondad del ajuste realizado. o 4. Anlisis de los errores/residuos. a 5. Contrastes de signicacin de los parmetros. o a 6. Anlisis de la varianza: ANOVA. a 7. Intervalos de conanza. Los contenidos aqu mostrados hacen referencia a la versin 1.8.0 de Gretl, por lo que podr o a haber pequeas diferencias con respecto a versiones posteriores. n Por otro lado, destacar que no se pretende realizar un manual de manejo de Gretl, sino simplemente mostrar aquellas herramientas de dicho software que permiten realizar el anlisis a de un modelo uniecuacional mltiple. Para ms informacin sobre Gretl de la aqu presentada se u a o recomienda recurrir a la ayuda del propio programa (men Ayuda de la parte superior derecha) o u realizar una bsqueda por internet sin ms que escribir manual de Gretl en cualquier buscador u a (por ejemplo, google). Finalmente, cada uno de los apartados tendr una parte prctica para facilitar su comprena a sin. Por este motivo, se proceder a resolver paso a paso el ejercicio siguiente: o a

Figura 1: Observaciones de la variables consideradas Supongamos que la presin arterial media (Y, mm Hg) est relacionada con la edad o a (X1, en aos), el peso (X2, en kg), la supercie corporal (X3, en metros cuadrados), n el tiempo que se ha sido hipertenso (X4, en aos), el pulso (X5, en pulsaciones por n minuto), y el stress (X6). Se pide analizar el modelo uniecuacional mltiple anterior a partir de las observaciou nes de la tabla de la gura 1. A este respecto, en la pgina web de Gretl (http://gretl.sourceforge.net/win32/index es.html) a es posible obtener diversos ejemplos presentes en los libros de Wooldridge (Introductory Econometrics), Gujarati (Basic Econometrics), Stock y Watson (Introduction to Econometrics) y Davidson y Mackinnon (Econometric Theory and Methods).

2.

Descarga e instalacin de Gretl o

La descarga del software economtrico Gretl se realiza directamente a partir de su pgina web e a http://gretl.sourceforge.net/gretl espanol.html (gura 2), sin ms que pinchar sobre el enlace a gretl para Windows (si es que somos usuarios de dicha plataforma) situado en el margen superior izquierdo. En la nueva pgina a la que debemos ser dirigidos (gura 3) podremos descargarnos a el chero ejecutable auto-instalable de gretl (gretl-1.8.0.exe, en el momento de la creacin de o este documento) as como diversas opciones extras que complementan al software (como pueden ser conjuntos de datos disponibles). Por ahora slo estamos interesados en la instalacin del software, as que pincharemos sobre o o el ejecutable, gretl-1.8.0.exe. En tal caso, nos redireccionarn a un mirror donde podremos a descargar el ejecutable (si la descarga no inicia de forma automtica pichar sobre direct link). a

Figura 2: Pgina web ocial de Gretl a

Figura 3: Descarga de Gretl

Figura 4: Acceso directo en el men Inicio de windows u Una vez descargado el archivo ejecutable en el disco duro del ordenador, hay que realizar doble click sobre el mismo para comenzar con el proceso de instalacin. El cual es muy sencillo o (siguiente, siguiente, siguiente, instalar, nalizar) ya que dejaremos las opciones que vienen por defecto. De esta forma, en el men de inicio, seleccionando todos los programas (gura 4), u tendremos un acceso directo al software sin ms que pinchar sobre l. a e

3.

Introduccin de datos en Gretl o

Una vez instalado el programa, el primer paso para abordar el anlisis de un modelo es la a introduccin de los datos del mismo. Esta tarea se puede realizar desde dos puntos de vista: reao lizando la introduccin manual directa en Gretl o recuperando la informacin de otros formatos o o (excel, spss, txt, etc. . . ).

3.1.

Introduccin de los datos directamente o

Tras ejecutar el programa (accediendo a l mediante el anterior acceso directo), seleccioe naremos la opcin Nuevo conjunto de datos (Ctrl+N) del men Archivo en la parte superior o u izquierda del programa (ver gura 5). Nos pedir el nmero de observaciones, la estructura del a u conjunto de datos (seleccionaremos siempre de seccin cruzada) y la conrmacin de la estruco o tura de los datos, para a continuacin, sin ms que seleccionar empezar a introducir los valores o a de los datos, comenzar con el proceso. En primer lugar pide el nombre de la variable, de manera que tras introducirlo, podremos aadir los datos como en cualquier hoja de clculo (gura 6). Para aadir una nueva variable n a n 4

Figura 5: Introduccin de un nuevo conjunto de datos o seleccionar Aadir en el men Variable de la parte superior de la ventana y al nalizar de n u introducir variables pulsar sobre Cerrar. Tambin est la opcin de Denir nueva variable. . . del e a o men Aadir en la parte superior central del programa (gura 7). u n As para el ejercicio considerado, habr que indicar que el nmero de observaciones es 20 e , a u introducir las variables Y, X1, X2, X3, X4 y X5, como en cualquier hoja de clculo. Advirtase a e que en el nombre de las variables no se pueden escribir caracteres extraos (por ejemplo, tildes) n y deben ser cortos. Adems, a la hora de introducir los datos el delimitador decimal es la coma, a si bien, si se usa el punto el programa lo modica automticamente. Tambin cabe destacar que a e el programa genera de forma automtica la constante del modelo, por lo que no es necesario a introducirla. Como resultado nal debemos tener la gura 8, de forma que si seleccionamos todas las variables y pulsamos enter se mostraran todos los datos (gura 9). En la nueva ventana donde se muestran los datos podemos (gracias al men de la parte u superior izquierda) guardar los mismos separados por tabuladores, por comas o por texto plano (muy util si deseamos usarlos para trabajor con otro programa, ya que recuperarlos a partir de dichos formatos suele ser fcil). Tambin se pueden imprimir y copiar, modicar el nmero de a e u decimales y realizar cualquier tipo de bsqueda. u Finalmente, si se selecciona una variable y se pulsa el botn derecho del ratn surge un o o men (gura 10) que permite mostrar los valores de la variable, calcular sus principales esu tad sticos descriptivos, representar su grco de frecuencias y de cajas, editar sus atributos, a editar valores (es decir, modicar las observaciones de la variable en cuestin o aadir nuevas), o n 5

Figura 6: Introduccin de los datos o

Figura 7: Aadir los datos de una nueva variale n

Figura 8: Variables introducidas copiar al cortapapeles, borrar la variable y denir una nueva. Destacar que en la opcin de editar atributos se puede aadir un nombre largo (etiqueta o n descriptiva) para cada variable de forma que sean fciles de identicar a partir del mismo, el a nombre que deseamos que aparezca en las grcas y si se trata de una variable discreta. As por a , ejemplo, en nuestro caso para la variable X1 introduciremos Presin arterial media, para X2 o Edad, para X3 Peso, para X4 Tiempo que ha sido hipertenso, para X5 Pulso y para X6 Stress (ver gura 11).

3.2.

Recuperar los datos de otros formatos

Es habitual disponer de los datos en otros formatos (excel, texto plano, spss, etc.), por lo que disponer de una herramienta para poder importarlos puede suponer una buena ayuda para evitar la tediosa tarea de introducir los datos directamente. Por suerte, Gretl permite importar datos desde formatos muy diversos: csv, ascii, octave, Excel, eviews, stata o spss, por ejemplo. Simplemente hay que seleccionar el formato en cuestin o del men desplegado tras seleccionar la secuencia Archivo -> Abrir datos -> Importar (ver gura u 12). Como reglas generales tener en cuenta que: La primera la del chero deber contener los nombres de las variables. a 7

Figura 9: Men mostrar datos u

Figura 10: Opciones sobre cada variable

Figura 11: Modicacin de los atributos de una variable o 9

Figura 12: Importar datos en otros formatos La primera columna puede, opcionalmente, contener cadenas de fechas u otros marcadores: en ese caso, la entrada de la la 1 deber estar en blanco, o deber contener las a a expresiones obs o date. El resto del chero debe ser una formacin de datos rectangular. o Destacar que al seleccionar el archivo a importar, si el proceso se realiza con xito, se nos e pregunta el tipo de formato a dar a los datos. Puesto que por defecto se consideran los datos de seccin cruzada y se nos pregunta si se desean cambiar a datos de series temporales o de panel, o debemos responder que no a la pregunta que nos realizan y, en tal caso, habremos terminado con el proceso de importacin de datos. o En el caso de importar un chero tipo ascii (gura 13), hay que tener en cuenta que aunque el limitador decimal sea la coma, si se utiliza sta obtendremos un fallo en la importacin de e o los datos ya que la coma ser considerada como delimitador entre datos. Este problema se a resuelve cambiando las comas por puntos, ya que en este caso este carcter no indica ningn a u tipo de delimitacin entre datos y ser automticamente cambiado por el programa de forma o a a conveniente. En la gura 14 se presentan los datos en formato de Excel. En este caso se nos pide la columna y la a partir de la que empezar a importar y la hoja de Excel en la que se encuentran los datos. En este caso se seleccionar la hoja 1 y se indicar importar a partir de la primera a a columna y segunda la, si no queremos importar los nombres de las variables que se encuentran 10

Figura 13: Datos en formato ascii en la primera la, y a partir de la primera la y primera columna si se quiere conservar los nombres de las variables. Finalmente, una vez introducidos los datos ser conveniente guardarlos en el formato propio a de Gretl (.gdt) para poder disponer de ellos en un futuro. Con tal objetivo seleccionamos la opcin Guardar datos (Ctrl+S) del men Archivo (gura 15). En la ventana que emerge tenemos o u que escribir el nombre que queremos para el archivo e indicar el lugar donde guardarlo. Una vez guardados los datos podremos salir del programa sin ms que seleccionar la opcin Salir a o (Ctrl+X) del men Archivo. u

4.

Estimacin de las cantidades constantes del modelo. Bondad o del ajuste realizado

Puesto que acabamos de cerrar la aplicacin, lo primero que tenemos que hacer es inicializarla o y recuperar los datos. Puesto que ya los tenemos salvados en el formato propio de Gretl, para recuperarlos tenemos que seleccionar la opcin Archivos de ususario. . . (Ctrl+O) del men Abrir o u datos de Archivo (ver gura 16) y buscamos all donde guardamos los datos. Observar tambin e que disponemos de una lista de los ultimos archivos usados, por lo que si no han sido reubicados o borrados, podremos recuperarlos rpidamente. a Para estimar las cantidades constantes del modelo vamos a aplicar el mtodo de m e nimos cuadrados ordinarios (MCO). En Gretl existen dos formas distintas de acceder a dicho mtodo. e Una forma rpida, seleccionando el penltimo icono de la parte inferior del programa, o seleca u cionando la opcin de M o nimos cuadrados ordinarios. . . del men Modelo en la parte superior u derecha (gura 17). En ambos casos obtendremos el cuadro de dilogo correspondiente al mtodo de MCO (gura a e 18), donde se puede introducir la variable dependiente y las independientes sin ms que seleccioa

11

Figura 14: Datos en formato de Excel

12

Figura 15: Guardar datos

Figura 16: Abrir datos en formato de Gretl 13

Figura 17: Acceso al mtodo de MCO e narlas y aadirlas o quitarlas. En nuestro caso introduciremos la variable Y como dependiente y n el resto como independientes, adems de considerar constante en el modelo. Y entonces, simplea mente con pulsar Aceptar obtendremos la estimacin por MCO del modelo indicado (gura 19). o Se obtiene, por tanto, la siguiente estimacin de los coecientes de las variables: trmino ino e dependiente -12.8705; X1 0.703259; X2 0.969920; X3 3.77649; X4 0.0683830; X5 -0.0844847 y X6 0.00557150. Para terminar de estimar las cantidades constantes del modelo faltar la varianza de la a perturbacin aleatoria, cuya estimacin se obtiene dividiendo la suma de los cuadrados de los o o residuos entre la diferencia de observaciones y el nmero de regresores. Por tanto, en este caso, u la estimacin de la varianza de la perturbacin aleatoria se obtiene dividiendo 2.155858 entre o o 20-7, esto es, 0.1658. Advirtase que justa al lado de la suma de los cuadrados de los residuos e aparece la desviacin t o pica de la regresin, 0.407229, es decir, la ra cuadrada de la estimacin o z o anterior. Por otro lado, de entre toda la informacin disponible, ahora mismo destacaremos la bondad o del ajuste realizado, es decir el coeciente de determinacin. Que en este caso es de un 0.99615 o (un 0.994373 para el R-cuadrado corregido). Puesto que est cercano al 1 podemos indicar que a el modelo ajustado es adecuado y que explica un 99.615 % de la variabilidad de la variable dependiente. Finalmente, hay que destacar que en la nueva ventana donde se presentan los resultados tenemos distintos mens con opciones interesantes. Destacaremos las que nos resultan utiles en u 14

Figura 18: Cuadro de dilogo del mtodo de MCO a e

Figura 19: Resultados de la estimacin por MCO o

15

Figura 20: Opcin Grco de variable estimada y observada del men Grcos o a u a este momento: Archivo: nos permite salvar los resultados en formato de texto plano, rtf o tex e imprimirlos. Editar: nos permite copiar los resultados y modicar el modelo considerado (en este caso se abre la ventana de la gura 18, es decir, el cuadro de dilogo del mtodo de MCO para a e realizar las modicaciones oportunas). Guardar: permite guardar como nuevas variables los valores estimados, los residuos o los residuos al cuadrado, entre otros. Grcos: nos permite representar grcos de residuos y de la variable estimada y observada. a a Analizar: permite, por ejemplo, mostrar de forma conjunta la variable observada, la estimada y los residuos. As por ejemplo, a partir del men Grcos (gura 20) podemos representar de forma con u a junta los valores observados y estimados de la variable dependiente (gura 21). Advirtase que e pulsando el botn derecho del ratn sobre la imagen en cuestin (gura 22) podemos, entre o o o otras acciones, guardar la imagen en distintos formatos, imprimirla o editarla. Este ultimo as pecto permite cambiar la apariencia de la representacin grca: t o a tulos, escala, colores, etc. Por ejemplo, en la gura 23 se modica la representacin de puntos por l o neas.

16

Figura 21: Representacin conjunta de la variable dependiente estimada y observada o

Figura 22: Opciones sobre un grco en Gretl a

17

Figura 23: Aspectos que se pueden modicar en un grco a

5.

Anlisis de los errores/residuos a

Destinaremos este apartado a analizar los residuos. Bsicamente comprobaremos que tiea nen media cero y son normales. En un futuro se estudiarn las hiptesis de incorrelacin y a o o heteroscedasticidad. En primer lugar, pinchando en Mostrar variable observada, estimada y residuos del men Anau lizar de la ventana de resultados se nos presentan de forma conjunta la variable estimada, observada y los residuos (gura 24). Si bien, para poder almacenar los residuos como una nueva variable hay que seleccionar Residuos del men Guardar (gura 25). Habr que indicar en esu a te caso el nombre de la variable (por ejemplo, e) y su descripcin (por ejemplo, residuos del o modelo). De forma exploratoria podemos representar los residuos por nmero de observacin pinchanu o do en Por nmero de observacin del men Grco residuos de Grcos (gura 26). En el grco u o u a a a que se obtiene (gura 27), se observa cmo los residuos se sitan alrededor del cero (la que tiene o u que ser su media). Si bien, este aspecto lo conrmaremos calculando (nos situamos sobre la variable correspondiente a los residuos, pulsamos el botn derecho del ratn y seleccionamos la o o opcin de estad o sticos descriptivos) los estad sticos descriptivos de los residuos (gura 28). Como es sabido la gran riqueza del modelo lineal se obtiene cuando se introduce la hiptesis de o normalidad en el mismo, por lo que comprobar la suposicin de normalidad en los residuos parece o crucial. Pinchando sobre Normalidad residuos del men Contrastes se obtiene la distribucin de u o frecuencias de los residuos y la correspondiente prueba de la Chi-cuadrado sobre la normalidad (gura 29). Tambin se obtiene un histograma de los residuos con la curva normal (gura 30) e

18

Figura 24: Valores observados, estimados y residuos

Figura 25: Guardar residuos como nueva variable

19

Figura 26: Obtener grco de los residuos a

Figura 27: Grco de los residuos frente al nmero de observacin a u o

20

Figura 28: Estad sticos descriptivos de los residuos del modelo donde tambin aparece la prueba Chi-cuadrado. En este caso, puesto que el p-valor, m e nimo valor a partir del cual se rechaza la hiptesis nula, es 0.0964 no rechazaremos la hiptesis nula o o de normalidad (ya que es mayor que 0.05). Finalmente, aunque no tenga que ver con los residuos, podemos plantearnos contrastar si se verica la hiptesis de linealidad, es decir, contrastar si la relacin existente entre la variable o o dependiente, las variables independientes y la peturbacin aleatoria es lineal. Con tal objetivo o seleccionaremos, en la ventana donde tenemos la estimacin por MCO, la opcin No linealidad o o (cuadrados) o No linealidad (logs) del men Contrastes. En ambos casos se trata de un contraste u que tiene por hiptesis nula que la relacin es lineal. Puesto que para los dos contrastes el p-valor o o es mayor que 0.05 (ver gura 31), se decide no rechazar la hiptesis nula, luego en este caso no o rechazamos que la relacin existente sea lineal. o

6.

Contrastes de signicacin de los parmetros o a

En el presente apartado estudiaremos los distintos contrastes de hiptesis que permite realizar o Gretl. Observando la gura 19 (que corresponde a la salida dada por el programa en la estimacin o por m nimos cuarados ordinarios), vemos que automticamente Gretl proporciona los contrastes a de signicacin individual, es decir, aquellos en los que la hiptesis nula arma que beta(i) = o o 0, para i=1,2,3,4,5,6,7. Para estos contrastes hay que jarse en la ultima columna de la tabla que hay, es decir, en aquella que tiene por t tulo Valor p. En dicha columna tenemos el p-valor correspondiente a cada uno de los contrastes de signicacin individual. Si recordamos que el o p-valor es el m nimo valor a partir del cual se rechaza la hiptesis nula, en aquellos casos en los o que el p-valor se mayor que 0.05 (nivel de signicacin al que trabajamos) no rechazaremos la o hiptesis nula. Luego no podemos rechazar que los coecientes beta(5), beta (6) y beta(7) sean o iguales a cero, al mismo tiempo se tiene que los coecientes beta(1), beta(2), beta(3) y beta(4) son signicativamente distintos de cero. Adems, atendiendo al signo de la estimacin obtenida, a o las variables X1, X2 y X3 inuyen positivamente sobre la variable dependiente (puesto que las

21

Figura 29: Prueba de normalidad de los residuos

22

Figura 30: Histograma de los residuos con curva normal

Figura 31: Contrastes de linealidad

23

dems no son signicativamente distintas de cero no podemos realizar ningn tipo de comentario a u similar). As por ejemplo, la estimacin de beta(2) es 0.703259 (ver primera columna de la tabla de la o gura 26). Dicha estimacin nos podr hacer pensar que el valor de dicho parmetro pueda ser o a a cero. Sin embargo, observando el p-valor, 0.00000000276, asociado al contraste de signicacin o individual (hiptesis nula beta(2) = 0) nos indica que dicho parmetro es signicativamente o a distinto de cero, ya que es menor que 0.05 y, por tanto, en dicho caso se rechaza la hiptesis o nula del contraste planteado. Por otro lado, la estimacin de beta(6) es -0.0844847. De igual o forma dicha estimacin me puede hacer pensar que el valor del parmtero es cero, cuestin o a o que se conrma en esta ocasin al comprobar que el p-valor, 0.1256, es mayor que el nivel de o signicacin considerado, 0.05, por lo que no se rechazar la hiptesis nula de que el parmetro o a o a sea cero. Advirtase que en la tabla de la gura 26 viene tambin el valor experimental de la t-Student e e con el que se realiza el contraste (columna correspondiente a Estad stico t), dicho valor se obtiene, como es sabido, a partir de la estimacin de cada coeciente (columna Coeciente) y la desviacin o o t pica de la estimacin de beta, es decir, la ra cuadrada de los elementos de la diagonal principal o z de la estimacin de la matriz de varainzas-covarianzas de la estimacin de beta (colummna corres o o pondiente a Desv. T pica). As por ejemplo, para el segundo parmetro, 0.703259/0.0496058 = , a 14.17695. Por tanto, tambin es posible tomar una decisin para el contraste a partir de la regin e o o de rechazo, sin ms que comparar este valor con el valor terico correspondiente de la t-Student. a o Cmo se obtiene dicho valor terico? Evidentemente hay que recurrir a las tablas de la o o t-Student que tienen recogidos dichos valores, si bien, en nuestro caso podemos recurrir tambin e a gretl para obtener dicho valor. Seleccionando Tablas estad siticas del men Herramientas nos u a parece una nueva ventana donde podemos calcular el valor terico de distintas distribucioo nes (por ejemplo, normal, t-Student, Chi-Cuadrado, F-Snedecor, Binomial, poisson), entonces seleccionando en este caso la t-Student tendremos que introducir los grados de libertad y la probabilidad que queda a la derecha (ver gura 27). En nuestro caso, los grados de libertad se obtienen a partir de n-k = 20-7 = 13, donde n representa el nmero de observaciones de que se disponen y kel nmero de variables indepenu u dientes presentes en el modelo (informacin que se obtiene a partir de la gura 26 sin mayores o problemas). Mientras que la probabilidad de la cola derecha corresponde a 0.025, ya que trabajamos a un 5 % de signicacin y la t-Student es una distribucin simtrica. Por tanto, el valor o o e terico de la t-Student con 13 grados de libertad que deja a la derecha una cola con probabilidad o 0.025 que se obtiene es 2.16037 (gura 33). Luego como el valor experimental, 14.17695, es mayor que el terico se decide rechazar la hiptesis nula, es decir, el parmetro es signicativamente o o a distinto de cero. Finalmente, Gretl tambin permite plantear y resolver contrastes lineales sobre los parmee a tros de las variables. Algunos ejemplos de restricciones lineales pueden ser: b[1] - 2*b[2] + 3*b[5] = 0 b[2] - b[3] = 0 24

Figura 32: Valores de las tablas estad sticas

Figura 33: Valor terico de la t-Student con 13 grados de libertad que deja a la derecha una cola o con probabilidad 0.025

25

Figura 34: Restricciones lineales b[4] + 2*b[3] = 1 As para tomar una decisin sobre la hiptesis nula de que b[4] + 2*b[3] = 1, en la ven, o o tana donde tenemos las estimaciones de los parmetros (gura 19), seleccionamos la opcin a o Restricciones lineales del men Contrastes (gura 34). En la nueva ventana que emerge hay u que especicar la restriccin anterior (gura 35) y sin ms que pulsar en aceptar se realizar el o a a contraste. Si se pulsa sobre el botn de Ayuda, Gretl nos indica como introducir las restriccioo nes lineales (por ejemplo, se pueden introducir ms de una de forma simultnea). Finalmente, a a sin ms que pulsar en Aceptar obtendremos los resultados del contraste en una nueva ventana a (gura 36). Se nos proporciona el valor experimental de la F y el p-valor asociado, luego al igual que antes, tenemos dos opciones para tomar una decisin en el contraste: mediante la regin de o o rechazo y mediante el p-valor. La primera opcin se resuelve exactamente igual que en el caso o del ANOVA buscando el valor terico y comparndolo con el experimental (se deja propuesto o a al lector), mientras que para la segunda opcin slo tenemos que comparar el p-valor con 0.05 o o (nivel de signicacin considerado). Puesto que en este caso p-valor = 0.00696069 < 0.05 = o nivel de signicacin, se rechaza la hiptesis nula de que los coecientes cumplen la relacin o o o lineal planteada. Finalmente destacar que tambin se nos proporciona la nueva estimacin de e o los coecientes bajo la suposicin de que la restriccin anterior es cierta. Evidentemente hay que o o tener en cuenta las mismas en el caso de que no se rechace la hiptesis nula, luego en este caso o no nos detenemos en ellas. A modo de resumen, cuando se resuelva un contraste a partir del p-valor, hay que tener en cuenta la siguiente regla que se deduce a partir de la denicin del mismo: o si p-valor es mayor que 0.05 no se rechaza la hiptesis nula del contraste o 26

Figura 35: Especicacin de las restricciones lineales o

Figura 36: Resultado del contraste de restricciones lineales sobre los parmetros a

27

Figura 37: Valor terico de la F de Snedecor con 6 y 13 grados de libertad que deja a la derecha o una cola con probabilidad 0.05 siempre y cuando se trabaje al 5 % de signicacin (cosa que hacen prcticamente todos los o a programas estad sticos de ordenador).

7.

Anlisis de la varianza: ANOVA a

En el presente apartado estudiaremos el contraste de signicacin conjunta, es decir, aquel en o el que la hiptesis nula arma que beta(2) = beta(3) = beta(4) = beta(5) = beta(6) = beta(7). o En tal caso, tenemos que jarnos en la cuarta la de los resultados que aparecen despus de e la tabla que contiene las estimaciones (ver gura 19). En este caso se nos proporciona el valor experimental de la F-Snedecor, 560.641, y su p-valor asociado, 0.0000000000000064. Atendiendo al p-valor, puesto que es claramente menor que 0.05 se rechaza la hiptesis nula de que los o coecientes son nulos de forma simultnea. a Al mismo tiempo tambin es posible plantear la regin de rechazo en este caso. Ya tenemos e o el valor experimental, luego slo faltar calcular el terico. Para ello, en el mismo men de antes o a o u (gura 37) hay que seleccionar los valores cr ticos de F y especicar los grados de libertad del numerador y del denominador (6 y 13, respectivamente) y la probabilidad en la cola derecha, 0.05 (puesto que trabajamos a un 5 % de signicacin). Advirtase que los grados de libertad o e nos los proporciona el programa cuando nos da el valor de la F experimental. Puesto que el valor experimental, 560.641, es claramente mayor que el terico, 2.91527, se rechaza la hiptesis nula o o de que los coecientes son nulos de forma simultnea. a

28

Figura 38: Opcin ANOVA o Destacar que este contraste es de suma importancia ya que mide el poder explicativo global de todas las variables, es decir, al rechazar la hiptesis nula rechazamos que la variabilidad observada o en la variable dependiente sea explicable por el azar. Y quien mide mide la variabilidad de la variable independiente? Se est armando pues que el coeciente de determinacin o R cuadrado a o es signicativo y, por tanto, admitimos que hay algn tipo de asociacin entre las variables u o dependientes y las independientes. Adems, mediante el men Anlisis de la ventana de la gura 19, seleccionando ANOVA a u a (gura 38), obtenemos la conocida como tabla ANOVA (gura 35). A partir de dicha tabla es fcil obtener el coeciente de determinacin (mediante su expresin en funcin de las sumas de a o o o cuadrados) y el valor experimental anterior de la F.

8.

Intervalos de conanza

En este apartado calcularemos los distintos intervalos de conanza que se pueden hacer en el modelo lineal. As seleccionando Intervalos de conanza para los coecientes del men Anlisis , u a de la ventana de la estimacin por MCO (gura 40) obtenemos automticamente los intervalos o a de conanza, al nivel de conanza del 95 %, para cada uno de los coecientes de las variables del modelo (gura 41). Advirtase que tambin se nos proporciona el valor terico de la distribucin e e o o t-Student utilizado. En dicho men tambin es posible seleccionar Elipse de conanza... (ver gura 40) que nos u e permite calcular la regin de conanza conjunta para cualquier par de coecientes de las variables o del modelo. As por ejemplo, en la gura 42 se tiene la ventana para indicar los coecientes para 29

Figura 39: Tabla ANOVA

Figura 40: Men de intervalos de conanza para los coecientes u

30

Figura 41: Intervalos de conanza para los coecientes los que se quiere calcular dicha regin de conanza (donde tambin se puede modicar el nivel o e de conanza al que calcular la elipse) y en la gura 43 los resultados obtenidos. Vemos como el centro de la elipse es (0.703, 0.97) y se puede comprobar grcamente como, por ejemplo, el a punto (0.5, 1.1) no pertenece a dicha regin o como (0.6, 1) si lo hace. o Por otro lado, no se puede obtener el intervalo de conanza para la varianza de la perturbacin aleatoria de forma directa, si bien, con la informacin de la gura 19 se puede calcular o o ste sin mayores problemas, ya que nos proporciona la suma de los cuadrados de los residuos, e 2.155858, que es la cantidad necesaria para calcular dicho intervalo. Para completar la informacin necesaria slo faltan los puntos (que se pueden obtener como es sabido mediante Gretl) o o de una chi-cuadrado con 13 grados de libertad (n-k donde n es el nmero de observaciones y u k el nmeros de variables dependientes del modelo) que dejan a su izquierda una probabilidad u de 0.025 y 0.975 (estamos calculando un intervalo al 5 % de nivel de conanza). Dichos puntos son, respectivamente, 6.52377 y 24.7356 (ver gura 44). Por tanto, el intervalo de conanza al nivel de conanza del 5 % para la varianza de la perturbacin aleatoria es (2.155858/24.7356, o 2.155858/6.52377) = (0.08715608, 0.330462). Pero es que adems, la gura 19 tambin proporciona la informacin necesaria para calcular a e o los intervalos de conanza para cada uno de los coecientes de las variables sin ms que tener en a cuenta que stos se construyen a partir de (coeciente - valor t terico * Desv. T e o pica, coeciente - valor t terico * Desv. T o pica). Es decir: para constante: (-12.8705 - 2.16 * 2.55665, -12.8705 + 2.16 * 2.55665) = (-18.39286, -7.348136). para X1: (0.703259 - 2.16 * 0.0496058, 0.703259 + 2.16 * 0.0496058) = (0.5961105, 0.8104075). para X2: (0.969920 - 2.16 * 0.0631085, 0.969920 + 2.16 * 0.0631085) = (0.8336056, 1.106234). para X3: (3.77649 - 2.16 * 1.58015, 3.77649 + 2.16 * 1.58015) = (0.363366, 7.189614). 31

Figura 42: Seleccin del elipse de conanza para los coecientes de X1 y X2 o

Figura 43: Elipse de conanza para los coecientes de X1 y X2

32

Figura 44: Puntos de una chi-cuadrado con 13 grados de libertad que dejan a su izquierda una probabilidad de 0.025 y 0.975

Figura 45: Valor terico de la distribucin t-Student con 13 grados de libertad que deja a su o o izquierda una probabilidad de 0.975 para X4: (0.0683830 - 2.16 * 0.0484415, 0.0683830 + 2.16 * 0.0484415) = (-0.03625064, 0.1730166). para X5: (-0.0844847 - 2.16 * 0.0516090, -0.0844847 + 2.16 * 0.0516090) = (-0.1959601, 0.02699074). para X6: (0.00557150 - 2.16 * 0.00341230, 0.00557150 + 2.16 * 0.00341230) = (-0.001799068, 0.01294207). Donde el valor terico de la distribucin t-Student se obtiene al igual que antes (para la chio o cuadrado) a partir del men Herramientas seleccionando Tablas estad u sticas (ver gura 45). Finalmente, destacar que mediante los intervalos de conanza calculados se puede dar respuesta a los contrastes de hiptesis con hiptesis nula beta(i) = b(i) o sigma2 = sigma, sin o o ms que comprobar si b(i) o sigma pertenecen al correspondiente intervalo de conanza. Es a decir, si pertenecen al intervalo de conanza no se rechaza la hiptesis nula y si no lo hacen se o rechazar la hiptesis nula. As por ejemplo, para los contrastes con hiptesis nula beta(2) = a o o 0, beta(4) = 3, beta(6) = 2 o sigma2 = 1 se rechazar no rechazar rechazar y rechazar a, a, a a, 33

respectivamente, dicha hiptesis nula al nivel de signicacin del 5 % (ya que el 0, el 2 y el 1 no o o pertenecen a los correspondientes intervalos de conanza, mientras que el 3 s ).

34