Analisis de Regresion

PREDICCION
Fuentes de predicción Visión conjunta del proceso de

estratégica predicción
Construcción del Modelo Análisis Estadístico

• Económicos
• Políticos
• Tecnológicos
• Sociales • Conocimiento de la teoría
Económica
• Especificación del Modelo Estadística Estadística
• Estimación de los parámetros descriptiva Inferencial
• Verificación
• Predicción
1
ANALISIS DE REGRESION LINEAL
Conceptos
generales Modelos predictivos
Naturaleza
de análisis de
regresión Construcción Elementos
del Modelo constitutivos
Estimación
de parámetros • Conocimiento de la teoría
Económica Ecuaciones
• Especificación del Modelo Variables
• Estimación de los parámetros Parámetros
• Verificación
Propiedad de los • Predicción
estimadores
2
PROCESO DE CONSTRUCCIÓN DE UN MODELO
TEORIA ECONOMICA
MODELO TEÓRICO
Especificación
Modelo Econométrico Técnicas Estadísticas
Matemáticas Estadística
Estimación
Datos refinados Estimación del modelo Inferencia Estadística
Evaluación Análisis Estructural Predicción Evaluación de políticas
Consultoria Virgen del Carmen S.A.

3
ANALISIS DE REGRESION
La teoría de la regresión pretende hacer un análisis sobre

la relación que existe entre las variables explicativas
dentro de un conjunto de valores observados.
NATURALEZA DEL ANALISIS DE REGRESION

Está relacionado con el estudio de la dependencia de una
variable, la var. dependiente, está en función de una o
más var. explicativas con la perspectiva de estimar y/o
predecir el valor (poblacional) medio o promedio de la
primera en términos de valores conocidos o fijos (en
muestreos repetidos) de las segundas.
4
Ejemplo: Se efectuó una encuesta de ingresos y gastos a
60 familias, que viven en un centro poblado.
Ingreso de las Familias (X)
Y 650 800 950 1100 1250 1400 1550 1700 1850 2000
Gasto de 440 520 640 640 800 880 960 1080 1080 1240
consumo
Familiar 480 560 680 680 920 920 1080 1120 1200 1280
por mes
(S/.) 520 560 720 760 840 960 1120 1080 1320 1320
560 640 680 720 960 1040 1200 1200 1400 1400
600 680 760 800 880 1080 1160 1240 1440 1440
640 920 1000 1120 1320 1480
960 1360 1560
880 1480
E(y/x) 520 600 696 795 900 1000 1104 1200 1288 1400
E y   y
n
5
Diagrama de Dispersión
1500
E( y / x)  1  2 X
1250
Gasto de Consumo Mensual S/.
1000
750
500
250
650 800 950 1100 1250 1400 1550 1700 1850 2000
Ingreso Mensual S/.

6
FUNCION DE REGRESION POBLACIONAL (FRP)
La regresión poblacional nos muestra cómo el valor

promedio de Y varía en relación a las variables de X.
En el ejemplo anterior se trata de los valores promedios de

consumo en cada valor fijo del ingreso.
FRP  E(y/x) = 1 + 2x

Yi = β1 +β2xi + μi
Donde:
1 , 2 son parámetros desconocidos pero fijos que se
denominan coeficiente de regresión (intersección y
coeficiente de la pendiente)
E(y/x = 800) = 600. Valor promedio de y para x =800
7
FUNCION DE REGRESION POBLACIONAL (FRP)
La diferencia entre el valor promedio obtenido y cada

valor observado se debe al término de perturbación (i).
La regresión poblacional para un valor particular de la

variable dependiente es:
FRP  Yi  1  2Xi  i
La FRP incluye al termino de perturbación

8
FUNCION DE REGRESION MUESTRAL
• Se obtiene a partir de una muestra de observaciones
• Permite estimar los parámetros de una FRP, a partir de la
información proporcionada por la muestra.
• Su forma estocástica tiene la siguiente forma:
FRM  Yi  ˆ 1  ˆ 2 xi  ˆ i
Diferencias con la FRP
• En la FRP los valores de los parámetros son de los datos
poblacionales ( )
i
• El término de perturbación (i ) está referido a la diferencia de los
valores promedios poblacionales respecto a cada uno de los
valores mencionados.

9
FUNCION DE REGRESION MUESTRAL
Podemos afirmar lo siguiente:
̂1 es un estimador de 1
̂ 2 es un estimador de 2
̂i
es un estimador de i

10
SIGNIFICADO DEL TERMINO DE PERTURBACION (i)
Sea modelo general:

Yi  1  2 X2  3 X3  ......  i
Los valores de los parámetros () son referidos a la

población. Si se tuviera los , faltaría contar el valor del
término de perturbación (ui).
El ui se simboliza como una bolsa donde están las otras

variables respectivas del modelo y que no están
incluidas en el mismo. Representa efectos aleatorios de
la misma naturaleza de las ui

11
En el caso del consumo por ejemplo ui estaría
representando al efecto de otras variables: riqueza,
tamaño de la familia,etc.
El ui siempre está a partir de los residuales.

Y  1  2 x 2
Sea el modelo:
1=10; 2=2 uiN(0, 25)
X2 Valor Teórico (Yi) ̂ i Valor Empírico (Yi)
2 14 -2 12
5 20 5 25
4 18 0 18
6 22 -3 19

12
MODELO LINEAL GENERAL
Para efectos del cálculo matricial:
Yi  1  2 Xi 2  3 Xi3  ......  k Xik  i
 Y1  1 x12 x13 . x1k   1   1 

 Y2  1 x 22 x 23 . x 2k  2   2 
 Y  1 x 31 x 33 . x 3k  3   3 
 3   x    
 .  . . . . .  .   . 
 .  . . . . .  .   . 
 Yn  1 x n1 x n2 . x nk  k  k 
Yn1 = Xnkk1 + n1

13
SUPUESTOS DEL MODELO
1. Forma funcional de la relación (supuesto de lineal)

2. Correcta especificación del modelo (es decir, que X es la única
variable explicativa)
3. Las variable X’s no son estocásticas.
4. Identificabilidad de los parámetros. (β1, β2,…. βk) se podrán
estimar de forma única)
5. La esperanza de las perturbaciones condicionada a la
información dada es nula: Ei   0nx1
6. Las perturbaciones son esféricas: E'  2 I

7. Las perturbaciones recogidas se distribuyen de forma normal ó
Gaussiana

14
ESTIMACION DE LOS PARAMETROS
El principio básico para estimar los parámetros es que

se debe de minimizar la suma de los cuadrados de cada
uno de los residuales.
 1 
 2 
 i  '   12...n   
2
 
n 
  Y  Ŷ  Y  Xˆ

15
 μ1  Y1  Yˆ1  Y1  1 x 12 x 13 ....x 1k   ˆ1 
          
.  .  .  .  .  . 
.   .   .   .   .  . 
          
.  .  .  .  .  . 
 μ   Y   Ŷ   Y  1 x   ˆ 
n n  n n n2 x n3 ....x nk  k
μ μ  Y  X ˆ Y  X ˆ 
' '
 Y 'Y  Y ' X ˆ  ˆX 'Y  ˆ ' X ' X ˆ

 Y 'Y  2 ˆ ' X 'Y  ˆ ' X ' X ˆ
Derivando respecto a  donde este es igual a cero.

dμμ
´'
- 2X 'Y  2 X ' X ˆ  0
d ˆ
X ' X ˆ  X 'Y * *
ˆ  X' X  1 X ' Y
16
ESTIMACION DE LA VARIANZA DEL TERMINO DE
PERTURBACION
Un estimador del término de perturbación sería el residual.

La varianza residual podría utilizarse como estimador de la
varianza del término de perturbación.
Sin embargo la esperanza del transpuesto μ’μ es
insesgada.
Se expresa como la suma de las diferencias cuadráticas
entre el valor observado (Y) y el estimado(Ŷ).
S  ˆ
2 2
  ( Yi  Ŷi )
2
  ˆ 2
i

n2 n2

17
Ejercicio Ilustrativo de Estimación de Parámetros en un Modelo Lineal
Simple (MCO)
Se dispone de información de los ingresos totales y gastos en alimentación
de 12 familias
Familia Gasto alimentación Ingreso Total
(nuevos soles) (nuevos soles)
1 830 2100
2 510 1100
3 420 900
4 560 1600
5 1250 3200
6 840 2300
7 720 1800
8 490 700
9 690 1300
10 850 2400
11 550 1200
12 780 1700
18
Familia Yi Xi X i Yi X2 Ŷi ˆ i  Yi  Ŷi
1 830 2,100 1,743,000 4,410,000 830.22 -0.22
2 510 1,100 561,000 1,210,000 529.69 -19.69
3 420 900 378,000 810,000 469.58 -49.58
4 560 1,600 896,000 2,560,000 679.95 -119.95
5 1,250 3,200 4,000,000 10,240,000 1160.80 89.20
6 840 2,300 1,932,000 5,290,000 890.32 -50.32

7 720 1,800 1,296,000 3,240,000 740.06 -20.06
8 490 700 343,000 490,000 409.48 80.52
9 690 1,300 897,000 1,690,000 589.79 100.21
10 850 2,400 2,040,000 5,760,000 920.37 -70.37
11 550 1,200 660,000 1,440,000 559.74 -9.74
12 780 1,700 1,326,000 2,890,000 710.00 70.00
Totales 8,490 20,300 16,072,000 40,030,000 8,490 0

19
Solución
Como los parámetros a estimar son 1 y 2 se establece las ecuaciones
normales siguientes:
 Y  n1  2  Xi (1)
 YX  1  Xi  2  Xi2 ( 2)
Y reemplazando, se tiene:
En (1) 8490  12ˆ 1  20300ˆ 2

En (2) 16072000  20300ˆ 1  40030000ˆ 2
Si se despeja de la primera ecuación el intercepto y se reemplaza dicho

valor en le segunda se obtienen los siguientes estimadores:
̂1 = 199.108 ̂ 2 = 0.301

20
La función de regresión muestral, es decir la regresión de
Y con respecto a X:
Ŷi  199.108  0.301Xi
Sustituyendo las observaciones muestrales de X en la

ecuación anterior se obtiene la columna 6 de la tabla.
Comparando estos valores con aquellos observados para la

variable dependiente hallamos los errores
correspondientes a cada observación de la muestra. Se
verifica que la suma de errores estimados es 0. (Columna
i)

21
MÉTODO MATRICIAL:
Familia Yi Xi X i Yi X2 Ŷi ˆ i  Yi  Ŷi

1 830 2,100 1,743,000 4,410,000 830.22 -0.22
2 510 1,100 561,000 1,210,000 529.69 -19.69
3 420 900 378,000 810,000 469.58 -49.58
4 560 1,600 896,000 2,560,000 679.95 -119.95
5 1,250 3,200 4,000,000 10,240,000 1160.80 89.20
6 840 2,300 1,932,000 5,290,000 890.32 -50.32

7 720 1,800 1,296,000 3,240,000 740.06 -20.06
8 490 700 343,000 490,000 409.48 80.52
9 690 1,300 897,000 1,690,000 589.79 100.21
10 850 2,400 2,040,000 5,760,000 920.37 -70.37
11 550 1,200 660,000 1,440,000 559.74 -9.74
12 780 1,700 1,326,000 2,890,000 710.00 70.00
Totales 8,490 20,300 16,072,000 40,030,000 8,490 0

22
La ecuación matricial se escribe de la siguiente forma:

 Y1  1 X 21 .   1    1 
 Y  1 X      
 2  22 .   2   2 
   .    
    
 .  . . . . .  .   . 
 .  . . . . .  .   . 
       
Yn  1 X 2 k .     n 
O simplemente:
Y  X  

23
Para el caso de 2 variables:
(X' X)ˆ  (X' Y)
n
X' X    X
i  
 y X' Y   Y i 

  Xi X 2
i



 X Yi i


X' X   20300
12 20300 
40030000
y X' Y   8490 

  16072000 
X' X 1  00.586348323  0.000297349


.000297349 1.75773E  07 
ˆ   0.586348323  0.000297349 8490   199.10795 

 0.000297349 1.75773E  07  16072000 0.3005273
Los  son los mismos obtenidos que el método anterior.

24
Ejercicio Ilustrativo de Estimación de Parámetros en un Modelo Lineal
General (MCO)
El director de una agencia de viajes quiere estudiar el sector turístico en Perú.

Para ello dispone de información relativa al grado de ocupación hotelera (Y),
número medio de turistas (X2), medido en miles de turistas, y estancia media
(X3), medida en días.
OBSERVACIÓNº Nº DE OCUPACIÓN TURISTAS DÍAS DE

HOTELERA (MILES) ESTANCIA
1 5 2 3
2 8 3 4
3 8 5 6
4 9 4 5
5 9 6 7
6 13 2 6
7 6 3 4
8 9 4 5
9 4 5 4
10 3 6 3

25
Solución
En este caso se tienen 2 variables independientes, por lo que será conveniente

hacer uso de la forma matricial, por lo tanto:
Modelo Lineal General:
Yi  1   2 X 2  3 X 3   i
, donde n =10; k=3
 n X i2 X i3 
(X ' X)   X i 2 X 2
i2 X X 
i 2 i3 
 X i 2 X x i2 i3 X i3 
2

  Y1 
X ' Y   X i 2 Yi 
 X i 3Yi 

26
los coeficientes del modelo serán:
 ˆ 1   2.5529 
ˆ  ˆ 2   (X X) X Y   1.0821
' 1 '
ˆ   1.9608 
3 
Luego, el modelo estimado es:
Ŷi  ˆ 1  ˆ 2 X 2  ˆ 3X 3  2.5529  1.0821X 2  1.9608X 3

27
OPERACIONES CON MATRICES
En este sección se presentarán las nociones básicas del álgebra
matricial.
Dado los siguientes datos hipotéticos (Periodo 1991-1995)
AÑO Y X1 X2
1991 3 3 5
1992 1 1 4
1993 8 5 6
1994 3 2 4
1995 5 4 6
Se desea estimar el siguiente modelo de regresión lineal:
Yt = β1 + β2X1t + β3X2t +μt
Donde:
• Yt es la variable dependiente o endógena.

• X1, X2 son variables independientes o exógenas.
• β1, β2 y β3 son parámetros desconocidos. A β1 se le conoce con el
nombre de intercepto, a los β2 y β3 se les llaman coeficientes de
regresión.
• μt es una variable aleatoria no correlacionada y no observable.

29
A partir de los datos se crean las siguientes matrices:
 3
1 1 3 5
1 4
   1
Y  8 X  1 5 6
   
 3 1 2 4
5 1 4 6
En este caso:
• n = 5 (numero de observaciones)
• k = 3 (numero de parámetros del modelo)

30
• Matriz.- es un arreglo de números o elementos en filas y en
columnas. Cuando se habla del orden de una matriz se
refiere a la cantidad de elementos ordenados en filas y
columnas, por ejemplo las matrices X es una matriz de orden
(3x5), mientras que la matriz Y es de (5x1).
• Para estimar el modelo se hará uso de

  X' X  X' Y
1
• Por lo que para encontrar esos valores será necesario

realizar ciertos cálculos matriciales previos tales como:

31
TRANSPUESTA DE UNA MATRIZ
La transpuesta de una matriz X de orden (5x3) la cual se denota por X’, es
una matriz de orden (3x5), la cual es obtenida a partir de cambiar las filas
por las columnas, es decir que por ejemplo la primera fila de X se
convierte la primera columna de X’.
Las transpuestas de X e Y serán:
1 1 1 1 1

X'  3 1 5 2 4 Y'  3 1 8 3 5
5 4 6 4 6

32
MULTIPLICACIÓN DE MATRICES
Cada elemento de esta nueva matriz se obtiene sumando los valores
que resultan de multiplicar los elementos de una fila de la matriz
(por ejemplo de X’) por su columna correspondiente de la otra
matriz (por ejemplo Y), lo que originará que se forme una matriz de
orden (3x1) la cual proviene de que la primera matiz tenga 3 filas y
la segunda 5 columnas.
3
 
1 1 1 1 1 1  1 3  11  1 8  1 3  1 5   20 
X' Y  3 1 5 2 4 8   3  3  11  5  8  2  3  4  5    76 
 
5 4 6 4 6 3 5  3  4 1  6  8  4  3  6  5 109
5

33
En el Excel:
• Aplicar la función: =mmult(matriz1,matriz2)
• Sombrear el área de la matriz resultante y con las teclas “control” + “
(shif)”, posicionándose en la barra de funciones, teclear “  (enter)”

34
• De manera similar se calcula:
3
1
 
Y' Y  3 1 8 3 5 8  3  3  11  8  8  3  3  5  5  108
 
3
5
1 3 5
1 4  5 15 25 
 1 1 1 1 1  1
X' X  3 1 5 2 4 1 5 6  15 55 81 
 
5 4 6 4 6 1 2 4 25 81 129
1 4 6
35
INVERSA²
La inversa de una matriz origina otra matriz la cual se podrá
calcular solamente cuando tenga la misma cantidad de filas y
columnas, además su determinante debe ser diferente de cero.
Para el calculo de los parámetros se debe calcular la inversa de:
 5 15 25 
X' X  15 55 81 
25 81 129
 
² La inversa de una matriz puede ser halla por medio de calculadoras matriciales, esto resulta
útil para el ahorro de tiempo en los cálculos.

36
En el Excel:
• Aplicar la función: =minv(matriz)
• Sombrar el área de la matriz resultante y con las teclas “control” + “
(shif)”, posicionándose en la barra de funciones, teclear “  (enter)”

37
CALCULO DE LOS PARAMETROS

Utilizando la fórmula   X' X1 X' Y , se obtiene:
26.7 4.5  8   20   4 
ˆ   4.5 1  1.5  76    2.5 
  8  1.5 2.5  109  1.5

38
Valor estimando de la varianza de los términos de perturbación 
ˆ
2
En el modelo de regresión lineal se obtiene a partir de:
2 
  (Y' Y  ' X' Y) /( n  k)

'  4 2.5  1.5

39
 20 

 
' X' Y  4 2.5  1.5 76   106.5
109

2
(Y' Y  ' X' Y) 108  106.5
    0.75
nk 53

40
Estimación de la matriz de varianzas y covarianzas de los B:
2
ˆ
var()   (X' X) 1
26.7 4.5  8  20.025 3.375 6 

ˆ 
var( )  0.75 4.5  
1  1.5   3.375 0.75  1.125
  8  1.5 2.5    6  1.125 1.875 

41
INFERENCIA ESTADISTICA

42
INTERVALO DE CONFIANZA PARA LOS
PARAMETROS
A fin de establecer los intervalos de confianza para los

coeficientes de regresión (I) y teniendo la varianza
poblacional desconocida se construye un intervalo
asumiendo que esta variable tiene una distribución
estadística “t” a partir de las estimaciones de los
parámetros y sus varianzas por ejemplo: para n
Pr ob( ta / 2 £ t £ ta / 2 )  1  a
ˆ 1  1
Pr ob( t a / 2 £ £ ta/2 )  1 a
ˆ 1
43
Multiplicando por –1
ˆ 1  1
Pr ob( t a / 2   ta/2 )  1 a
ˆ 1
Despejando: 1
ˆ 1t a / 2  ˆ 1  1  t a / 2
Pr ob( ˆ 1 )  1  a
Sumando:
Pr ob(ˆ 1  ˆ 1t a / 2  1  ˆ 1  ˆ 1t a / 2ˆ 1 )  1  a

Pr ob( ˆ1  ˆ  1ta / 2 £ 1 £ ˆ1  ˆ  1ta / 2 )  1  a
 
1  ˆ 1  ˆ  1ta / 2 , ˆ 1  ˆ  1ta / 2 con un nivel de significa ción a
44
Ejemplo:
Número de Ingreso Consumo

familia X Y
1 80 70
2 100 65
3 120 90
4 140 95
5 160 110
6 180 115
7 200 120
8 220 140
9 240 155
10 260 150
Y  X  
Donde :
Y : Consumo
XConsultoria
: Ingreso Virgen del Carmen S.A.
45
Y X
70  1 80   1 
65  1  
   100 

β  2 
90  1 120   3 
     1   
.   . .    . 

.  . .  2  . 
     
.  . .  . 
150 1 260  
     10 
  ( x ' x ) x' y
ˆ 1
1
 1 80 
  
 1 100 
 1 120  1
1
( x' x) x' y  
1 1 1 ..............1 
 .
 n
.   
x
1 
  10 1700 
 x 1700 322000  
 80 100 120 .........260  . 
.   i x 2
1  
  
 . . 
  

1 260  46
1  322000 - 1700   0.975757 - 0.005152 
    
330000  - 1700 10   - 0.005152 0.0000303
 70 
 
 65 
1..........1  .   1110 
x ' y    
 
 80....260  .   205500 
. 
 
150 
 
 0.975757 - 0.005152  1110   24.4545   ˆ1 

ˆ          
 - 0.005152
0.0000303  205500   0.50909   ˆ2 
47
ESTIMACION DE LA VARIANZA DEL TERMINO DE
PERTURBACION
e' e Y 'Y   ' X 'Y
  2
   13210010-2
132,100-131,764
(n  k ) nk
 70 
 
 65 
. 
y ' y  70 65 .........150    132100
. 
. 
 
150 
 
 1110 
 ' x' y  24.4545 * 0.5091   131764.5
 205500 
48
Reemplazando en la fórmula tenemos:
Calculando Varianza
 0.975757 - 0.005152 
Var 1  41.9375 
 - 0.005152 0.0000303
  12  41.93750.975757   40.9209
 2
2
 41.93750.0000303  0.00127
ˆ  1  6.3969
ˆ  2  0.0356
49
CONSTRUCCION DE INTERVALOS PARA I
ˆ 
Ie1
ˆ  t ˆ 

i a/ 2, 1
ˆita/ 2 
Para un nivel de significación del 5% observando en la
tabla “t” de student:
t(n-k)a/2= t (10-2)0.05/2 = t(8)0.025= 2.306
2  0.5091  0.03562306,0.5091  0.03562306

2  0.4268,0.5919 con a  0.05
50
Otra forma de expresarlo con prob.:
P(0.4268£2 £0.5919)=1-0.05=0.95
Dado un coeficiente de confianza del 95% en el

I.p si se construye cien intervalos repetidos con
los límites siguientes 0.4268 y 0.919, en el 95%
de ellos estarían verdadero parámetro
poblacional.

51
Objetivos del tema
• Conocer el proceso para contrastar hipótesis
• Diferenciar entre hipótesis nula y alternativa
• Nivel de significación
• Significación
• Toma de decisiones, tipos de error y cuantificación del

error.
Contrastes de hipótesis
52
Econometría U. de Sevilla
Contrastando una hipótesisdemasiados...
Son
Creo que la edad

media es 40 años...
¡Gran
diferencia!
Muestra Rechazo la
aleatoria hipótesis
X  20 años Contrastes de hipótesis 53

Econometría U. de
Sevilla
Identificación de hipótesis
• Hipótesis nula Ho • Hipótesis alternativa H1
– La que contrastamos – Niega a H0
– Los datos pueden refutarla

– Los datos pueden mostrar evidencia a
favor
– No debería ser rechazada sin una buena – No debería ser aceptada sin una gran
razón. evidencia a favor.
H 0 : p  50% , £, 
 , , 
 H1 : p  50%
54
Razonamiento básico
Si supongo que H0 es cierta...
¿qué hace un
científico cuando su
teoría no coincide
con sus
predicciones?
  40
X  20
... el resultado del experimento sería improbable.

Sin embargo ocurrió.
Econometría U. de Contrastes de hipótesis 55
Sevilla
Rechazo que H0 sea

cierta.
  40
X  20
... el resultado del experimento sería improbable.

Sin embargo ocurrió.
Sevilla
• No hay evidencia contra H0
¿Si una teoría hace
predicciones con •No se rechaza H0
éxito, queda
probado que es •El experimento no es
cierta? concluyente
•El contraste no es significativo
  40
X  38
... el resultado del experimento es coherente.
Sevilla
Región crítica y nivel de
Región crítica
significación
Nivel de significación: a
• Valores ‘improbables’ si... • Número pequeño: 1% , 5%
• Es conocida antes de realizar el • Fijado de antemano por el
experimento: resultados experimentales investigador
que refutarían H0 • Es la probabilidad de rechazar H0
cuando es cierta
a=5%
Reg. Crit. Reg. Crit.
No rechazo H0
H0: =40
Región aceptación (1-
α)
58
Contrastes: unilateral y bilateral
La posición de la región crítica depende de la hipótesis alternativa
Bilateral H1: 40
Unilateral Unilateral
H1: <40 H1: >40

Sevilla
Significación: p
a
H0: =40 Contrastes de hipótesis 60
Econometría U. de
Sevilla
Significación: p
No se rechaza
H0: =40
a
H0: =40 Contrastes de hipótesis 61
Econometría U. de
Sevilla
X  43
Significación : p
El contraste es estadísticamente significativo cuando p<a
Es decir, si el resultado experimental discrepa más de “lo tolerado” a priori.
El p-valor es el menor nivel de significación al que rechazaríamos H0
a P
Se rechaza H0: =40
Se acepta H1: >40

a P
X  50
Sevilla
Resumen: a, p y criterio de rechazo
• Sobre a • Sobre p
– Es número pequeño, – Es conocido tras
preelegido al diseñar el realizar el experimento
experimento
– Conocido a sabemos – Conocido p sabemos

todo sobre la región todo sobre el resultado
crítica del experimento
 Sobre el criterio de rechazo

 Contraste significativo  p menor que a
63
Tipos de error al contrastar
hipótesis
Realidad
H0 cierta H0 Falsa
No Rechazo H0 Error de tipo II
Correcto
Probabilidad 1- β
Probabilidad β
Rechazo H0 Error de Correcto

Acepto H1
tipo I Probabilidad 1-α
Probabilidad α .
Sevilla
Conclusiones
• Las hipótesis no se plantean después de observar los datos.
• En ciencia, las hipótesis nula y alternativa no tienen el mismo papel:
– H0 : Hipótesis científicamente más simple.

– H1 : El peso de la prueba recae en ella.
• α debe ser pequeño
• Rechazar una hipótesis consiste en observar si p<α
• Rechazar una hipótesis no prueba que sea falsa. Podemos cometer error de tipo I
• No rechazar una hipótesis no prueba que sea cierta. Podemos cometer error de
tipo II
• Si decidimos rechazar una hipótesis debemos mostrar la probabilidad de equivocarnos.
65

Analisis de Regresion

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

Analisis de Regresion

Uploaded by

Copyright:

Available Formats

PREDICCION

Fuentes de predicción Visión conjunta del proceso de

Construcción del Modelo Análisis Estadístico

Modelo Econométrico Técnicas Estadísticas

Datos refinados Estimación del modelo Inferencia Estadística

Evaluación Análisis Estructural Predicción Evaluación de políticas

Consultoria Virgen del Carmen S.A.

La teoría de la regresión pretende hacer un análisis sobre

NATURALEZA DEL ANALISIS DE REGRESION

640 920 1000 1120 1320 1480

960 1360 1560

Consultoria Virgen del Carmen S.A.

La regresión poblacional nos muestra cómo el valor

En el ejemplo anterior se trata de los valores promedios de

FRP  E(y/x) = 1 + 2x

E(y/x = 800) = 600. Valor promedio de y para x =800

La diferencia entre el valor promedio obtenido y cada

La regresión poblacional para un valor particular de la

Consultoria Virgen del Carmen S.A.

Consultoria Virgen del Carmen S.A.

Podemos afirmar lo siguiente:

Consultoria Virgen del Carmen S.A.

Sea modelo general:

Los valores de los parámetros () son referidos a la

El ui se simboliza como una bolsa donde están las otras

Consultoria Virgen del Carmen S.A.

El ui siempre está a partir de los residuales.

1=10; 2=2 uiN(0, 25)

X2 Valor Teórico (Yi) ̂ i Valor Empírico (Yi)

Consultoria Virgen del Carmen S.A.

Para efectos del cálculo matricial:

Yi  1  2 Xi 2  3 Xi3  ......  k Xik  i

 Y1  1 x12 x13 . x1k   1   1 

Yn1 = Xnkk1 + n1

1. Forma funcional de la relación (supuesto de lineal)

Consultoria Virgen del Carmen S.A.

El principio básico para estimar los parámetros es que

Consultoria Virgen del Carmen S.A.

 Y 'Y  Y ' X ˆ  ˆX 'Y  ˆ ' X ' X ˆ

Derivando respecto a  donde este es igual a cero.

Un estimador del término de perturbación sería el residual.

Consultoria Virgen del Carmen S.A.

5 1,250 3,200 4,000,000 10,240,000 1160.80 89.20

6 840 2,300 1,932,000 5,290,000 890.32 -50.32

Totales 8,490 20,300 16,072,000 40,030,000 8,490 0

Consultoria Virgen del Carmen S.A.

En (1) 8490  12ˆ 1  20300ˆ 2

Si se despeja de la primera ecuación el intercepto y se reemplaza dicho

̂1 = 199.108 ̂ 2 = 0.301

Consultoria Virgen del Carmen S.A.

Ŷi  199.108  0.301Xi

Sustituyendo las observaciones muestrales de X en la

Comparando estos valores con aquellos observados para la

Consultoria Virgen del Carmen S.A.

Familia Yi Xi X i Yi X2 Ŷi ˆ i  Yi  Ŷi

5 1,250 3,200 4,000,000 10,240,000 1160.80 89.20

6 840 2,300 1,932,000 5,290,000 890.32 -50.32

Totales 8,490 20,300 16,072,000 40,030,000 8,490 0

Consultoria Virgen del Carmen S.A.

Consultoria Virgen del Carmen S.A.

(X' X)ˆ  (X' Y)

X' X 1  00.586348323  0.000297349

ˆ   0.586348323  0.000297349 8490   199.10795 