Contrastacion de Hipotesis 2015 PTP

UNIVERSIDAD NACIONAL
SANTIAGO ANTUNEZ DE MAYOLO

Facultad de Economa y Contabilidad
CONTRASTACION
DE
HIPOTESIS
Programa de Titulacin Profesional
PTP-2014
CONTRASTACION DE HIPOTESIS
Cada economista es un econmetra, lo desee o no;

porque mientras no seamos capaces de exponer nuestros
argumentos en cifras, la voz de nuestra ciencia, aunque
ocasionalmente pude ayudar a dispersar errores
groseros, nunca ser oda por los hombres prcticos.
Son, por instinto, econmetras todos, en su desconfianza
de las cosas no sujetas a una prueba exacta.
Joseph Schumpeter
PTP-2014
Econ. JOSE RODRIGUEZ HERRERA
lo que comnmente se denomina investigacin

economtrica es todo lo relativo al problema de
estimacin de relaciones econmicas.
Klein, premio Nobel de economa 1980
PTP-2014
La Econometra es la aplicacin de mtodos matemticos

y estadsticos a tablas de datos, que contienen
unidades (de observacin) por caractersticas
observables de las mismas (variables), con el
propsito de dar contenido emprico a las teoras
econmicas planteadas en modelos, verificndolas a
partir del estudio de la semejanza entre unidades y la
relacin entre variables, en un espacio y tiempo
especfico.
PTP-2014
Anlisis cuantitativo de la informacin

Las tcnicas de anlisis de datos se fundamentan en la Estadstica.
Cualquiera sea el mbito de actuacin del investigador en economa, ya
sea que se dedique a las ciencias empresariales o ejerza cualquier otra
funcin que tenga que ver con la investigacin econmica, debe
conocer las tcnicas cuantitativas, para el anlisis de la informacin.
Ningn investigador puede ignorar los conocimientos fundamentales de
la estadstica. sta proporciona las tcnicas ms apropiadas para
organizar e interpretar los datos numricos que se obtienen en censos,
muestreo, encuestas, registros contables y registros de todo tipo.
La expresin anlisis cuantitativo de la informacin, en esencia, es un
trmino abstracto, su importancia prctica queda demostrada por medio
de la investigacin emprica.
PTP-2014

Relaciones entre el anlisis de la informacin, la investigacin
economtrica y otras disciplinas
Teora y tcnicas contables.
Auditora. Los auditores internos como externos recurren a pruebas
selectivas y a las tcnicas de muestreo. Ninguno de ellos puede hacer
lo que podra llamarse un examen completo y detallado de cada
transaccin, debe estimarlas y explicarlas a travs de investigaciones
economtricas. Por otro lado, para presentar la informacin
correctamente, los Estados Contables deben cumplir con el principio
generalmente aceptado de exposicin. Se deber hacer uso de
tcnicas no paramtricas de presentacin de la informacin. Cuadros,
grficos, ndices e informes deben cumplir con aquel principio y para
ello el conocimiento de la estadstica no paramtrica ser de ayuda
especial.
PTP-2014

Contabilidad de Costos. Tanto en el presupuesto de venta como en el
de costos, para el planeamiento de utilidades, se hace uso de los
mtodos economtricos, aplicando anlisis de tendencia y de
correlacin, estimacin de demanda, etc. Pero tambin, se emplean
los costos en la toma de decisiones para la determinacin de precios,
en estos casos, es importante la contribucin de los mtodos
economtricos. Adems, el anlisis estadstico proporciona la medida
ms precisa de variabilidad de costo, a travs del diagrama de
dispersin que descubre la lnea de tendencia.
PTP-2014

En sindicatura. En el informe general, en la determinacin del
periodo de sospecha y en la calificacin de la conducta, establecida
legalmente, el Sndico debe hacer uso del anlisis de correlacin,
regresin, ndices, etc., para hacer ms objetiva su interpretacin.
PTP-2014

Economa.
Los organismos pblicos y privados divulgan ingentes cantidades de
informacin numrica. La mayor parte de lo que sabemos sobre las
formas de las curvas de la teora econmica procede del cuidadoso
anlisis estadstico de los datos reales y es de observar que las tcnicas
de anlisis cuantitativo encuentran en el campo de la economa sus
aplicaciones ms importantes. Por otra parte, es de destacar el carcter
acentuadamente analtico y cuantitativo del enfoque de las decisiones de
inversin y financiacin de una empresa. Esta orientacin analtica y
cuantitativa se desprende naturalmente de la importancia cada vez
mayor que se asigna al anlisis matemtico y estadstico de los estudios
financieros.
PTP-2014

Ciencias empresariales.
Es bien sabido el uso que de los modelos estadsticos, economtricos y
de anlisis multivariante hace la mercadotecnia para cuantificar la
informacin del mercado con respecto a precios, productos, publicidad,
necesidades, deseos y demanda de los consumidores.
As, podemos diferenciar medicin sin teora y teora sin
medicin, si la medicin sin teora debe considerarse como un
camino errneo de perfeccionamiento cientfico, tambin debe
ser radicalmente rechazada en el extremo opuesto la teora no
sometida a medicin, a contrastacin.
PTP-2014
Econometra, sistemas de informacin y produccin de datos

La Econometra es la aplicacin de mtodos matemticos y estadsticos
a tablas de datos, que contienen unidades por caractersticas
observables de las mismas, con el propsito de dar contenido emprico a
las teoras econmicas planteadas en modelos, verificndolas a partir del
estudio de la semejanza entre unidades y la relacin entre variables, en
un espacio y tiempo especfico.
La teora economtrica y la investigacin economtrica sustancialmente
son diferentes en que en la segunda, a veces llamada econometra
emprica, se interesa en la comprobacin emprica de teoras
econmicas, por lo que debemos ocuparnos de los sistemas de
informacin y de la produccin del dato. Sin embargo, los que realizan
una investigacin economtrica deben formalizar la teora y demostrar la
aplicacin de la misma a los efectos de colaborar con la interpretacin
socioeconmica de los espacios, en tiempos determinados.
PTP-2014
Econometra, sistemas de informacin y produccin de datos

En los estudios economtricos empricos, usamos el razonamiento
estadstico como una prueba subalterna de verificacin de conceptos,
por lo que, el trabajo de conceptualizacin no se resume a contrastar
asociaciones y correlaciones entre caractersticas medidas, sino que,
adems, incorporamos, a la interpretacin de las informaciones
producidas, la consideracin de las condiciones de produccin de esa
informacin.
Por lo tanto, dos lecturas son posibles cuando se procede a interpretar
variables a partir de la observacin de un fenmeno social:
(1) la emprica, que determina la variable; y,
(2) la contextual, que toma en cuenta una informacin que no figura
estrictamente en la variable. La manera de tener en cuenta el contexto
de la informacin es por medio de la construccin de modelos.
PTP-2014
Tipos de investigacin
1. Los estudios exploratorios, su objetivo es examinar un problema
poco estudiado o que no ha sido abordado antes.
2. Los estudios descriptivos, el inters est enfocado en las
propiedades del objeto o de la situacin y dan por resultado
diagnsticos. Requiere gran conocimiento del rea que se investiga
para formular las preguntas especficas que busca responder.
3. Los estudios correlacionales, tienen como propsito medir el
grado de relacin que exista entre dos o ms variables en un
contexto particular.
4. Los estudios explicativos dan respuesta a los porqu. Su inters se
centra en explicar porqu ocurre un fenmeno y en qu condiciones
se da ste, o porqu dos o ms variables estn relacionadas. Van
ms all de la descripcin de conceptos o fenmenos o del
establecimiento de relaciones entre conceptos.
PTP-2014
El sentido economtrico del anlisis en

investigacin
Para llevar a cabo una investigacin econmica emprica
se requiere, en la mayora de los casos, la utilizacin de
modelos economtricos. Estos se asocian
fundamentalmente con la etapa de anlisis de la
informacin del proceso de investigacin.
Las fuentes de informacin para elaborar las hiptesis de
investigacin son, fundamentalmente, en una
investigacin econmica, la teora, la investigacin
exploratoria y la experiencia. En cuanto a la teora habr
que considerar, principalmente, la teora econmica y la
teora estadstica.
De esta forma, el mtodo de la econometra se define
como aqul que tiene por finalidad corroborar hiptesis y
teoras formuladas por la teora econmica. Esta
verificacin se hace con el auxilio, imprescindible, de las
PTP-2014
El sentido economtrico del anlisis en investigacin

Los mtodos economtricos, entonces, utilizan las tcnicas de la
estadstica matemtica, fundamentada en la teora de la probabilidad,
para describir analticamente una situacin de la economa en un
espacio y tiempo determinado, para hacer pronsticos o analizar
polticas probando o refutando empricamente la validez de un modelo
econmico.
Se utiliza el trmino modelo economtrico para distinguirlo del
modelo econmico. El modelo economtrico tiene en cuenta una parte
sistemtica -a veces determinista- y una parte aleatoria.
PTP-2014
El sentido economtrico del anlisis en investigacin

El
modelo economtrico queda especificado por la siguiente ecuacin:
donde:
, indica que se trata de unidades de observacin temporales en
contraposicin con las espaciales (tambin llamadas de corte transversal
v.g. ).
; es la parte sistemtica del modelo economtrico (tambin llamada
determinista en el caso de que los coeficientes ; no sean cambiantes o
aleatorios).
; es la parte aleatoria del modelo economtrico.
; son las variables econmicas o atributos de las unidades de
observacin entre las que se quiere establecer alguna relacin
proveniente de la teora econmica.
PTP-2014
Modelos econmicos y modelos economtricos

Modelos econmicos modelos genricos que son aplicables a sistemas
concretos; recogen todos los aspectos de un sistema, en un espacio y
tiempo determinado, se formulan matemticamente.
Modelos economtricos; modelos especficos para su aplicacin a
sistemas reales, concretos y que generalmente se basan en un modelo
econmico formalizado.
PTP-2014

La Econometra, entonces, se ocupa de estudiar modelos que permitan
explicar el comportamiento de una variable econmica utilizando como
causas explicativas otra u otras variables econmicas. Por ejemplo,
explicar el comportamiento de la inflacin tomando como variables
explicativas la oferta monetaria y el nivel de consumo agregado.
En resumen el anlisis economtrico considera:
a) la especificacin de la estructura: modelo economtrico
b) el anlisis de las propiedades estadsticas del modelo
c) su estimacin
d) su utilizacin con fines predictivos o para el anlisis de cuestiones de
poltica econmica de ndole micro o macroeconmica.
Un modelo economtrico puede asumir diferentes formas segn
caractersticas propias, nmero de variables, nmero de ecuaciones,
forma funcional, etc.
PTP-2014

A continuacin presentamos una clasificacin de los modelos
economtricos:
Una vez especificados, los modelos deben ser estimados a partir de

datos muestrales o de fuentes secundarias. Este proceso de estimacin
se complementa con el proceso de inferencia, para posteriormente poder
realizar predicciones, esto es valores futuros de las variables del
modelo.
PTP-2014
Modelo clsico de regresin lineal

Los
modelos que se establecen en los trabajos de investigacin, son los

que se denominan modelos de regresin lineal y stos se resuelven
mediante el mtodo de mnimos cuadrados ordinarios.
Un modelo csico de regresin lineal (MCRL) es de la siguiente forma:
Esto significa que la variable Y est en funcin o depende de otra
variable X.
Matemticamente se escribe:
Economtricamente:
PTP-2014
Modelo clsico de regresin lineal

Sin
embargo, es muy raro que en un trabajo de investigacin se plantee

una funcin bivariada (dos variables); generalmente, las funciones por
resolver son multivariadas; es decir:
: Variable dependiente
: Parmetros del modelo
: Coeficiente del intercepto
: Variable independiente (explicativa)
: Perturbacin o error
PTP-2014
Supuestos del modelo clsico de regresin lineal

Supuesto
1. Modelo de regresin lineal: El modelo de regresin es

lineal en los parmetros, aunque puede o no ser lineal en las variables.
Supuesto 2. Valores fijos de X, o valores de X independientes del
trmino de error: Los valores que toma la regresora X pueden
considerarse fijos en muestras repetidas (el caso de la regresora fija), o
haber sido muestreados junto con la variable dependiente Y (el caso de
la regresora estocstica). En el segundo caso se supone que la(s)
variable(s) X y el trmino de error son independientes, esto es,
PTP-2014

Supuesto
3. El valor medio de la perturbacin es igual a cero: Dado

el valor de , la media o el valor esperado del trmino de perturbacin
aleatoria es cero. Simblicamente, tenemos que:
Si X no es estocstica,
Supuesto 4. Homoscedasticidad o varianza constante de : La varianza
del trmino de error, o de perturbacin, es la misma sin importar el
valor de X. En otras palabras, dado el valor de X, la varianza de es la
misma para todas las observaciones :
Tcnicamente, la ecuacin representa el supuesto de
homoscedasticidad, o igual (homo) dispersin (cedasticidad), o igual
varianza.
PTP-2014

En
trminos llanos, la variacin alrededor de la lnea de regresin (la

lnea de la relacin promedio entre X y Y) es la misma para todos los
valores de X; no aumenta ni disminuye conforme vara X.
En contraste, cuando la varianza condicional de la poblacin Y vara
con X, se conoce como heteroscedasticidad, o dispersin desigual, o
varianza desigual. Simblicamente, en esta situacin, la ecuacin se
escribe como
PTP-2014

Supuesto
5. No hay autocorrelacin entre las perturbaciones: Dados

dos valores cualesquiera de X, Xi y Xj (ij), la correlacin entre dos y
cualesquiera (ij) es cero.
Tcnicamente, ste es el supuesto de no correlacin serial, o no

autocorrelacin. Esto significa que, dado , las desviaciones de dos
valores cualesquiera de Y de sus valores promedio no muestran patrones
como los de la siguiente figura (a) y (b). En la figura (a) se ve que las m
estn correlacionadas positivamente, pues a una m positiva sigue una m
positiva, o a una m negativa sigue una m negativa. En la figura (b), las
m estn correlacionadas negativamente, pues a una m positiva sigue una
m negativa y viceversa.
PTP-2014

Supuesto 5. No hay autocorrelacin entre las perturbaciones:
Si las perturbaciones
(desviaciones) siguen patrones
sistemticos, como los que de las
figuras (a) y (b), hay correlacin
serial o autocorrelacin, y lo que
requiere el supuesto 5 es que
dichas correlaciones estn
ausentes. La figura (c) muestra que
no hay un patrn sistemtico para
las , lo que indica cero
correlacin.
PTP-2014

Supuesto
6: El nmero de observaciones n debe ser mayor que el

nmero de parmetros por estimar: Sucesivamente, el nmero de
observaciones n debe ser mayor que el nmero de variables
explicativas.
Si no se cumple este supuesto no hay forma de estimar los dos
parmetros desconocidos, y .
Supuesto 7: La naturaleza de las variables X: No todos los valores X
en una muestra determinada deben ser iguales. Tcnicamente, var(X)
debe ser un nmero positivo. Adems, no puede haber valores atpicos
de la variable X, es decir, valores muy grandes en relacin con el resto
de las observaciones.
Si todos los valores de X son idnticos, lo que imposibilita la
estimacin de y, por consiguiente, de .
PTP-2014
Precisin o errores estndar de las estimaciones de mnimos cuadrados

Las
estimaciones de mnimos cuadrados son funcin de los datos

muestrales, sin embargo, como es probable que los datos cambien entre
una muestra y otra, los valores estimados cambiarn ipso facto. Por
consiguiente, se requiere alguna medida de confiabilidad o precisin
de los estimadores y .
Esta precisin se mide por su error estndar (ee). El error estndar no
es ms que la desviacin estndar de los valores Y alrededor de la lnea
de regresin estimada, la cual suele servir como medida para resumir
la bondad del ajuste de dicha lnea.
La bondad del ajuste de la lnea de regresin a un conjunto de datos
consiste en determinar cun bien se ajusta la lnea de regresin a los
datos. La siguiente figura muestra el criterio de los mnimos cuadrados
en la que existe una serie de datos y una lnea de regresin.
PTP-2014

Si
todas las observaciones cayesen

en la lnea de regresin,tendramos
un ajuste perfecto, pero rara vez
se presenta este caso. Por lo
general hay algunas positivas y
otras negativas. Se tiene la
esperanza de que estos alrededor
de la lnea de regresin sean lo
ms pequeos posibles. El
coeficiente de determinacin es
una medida que dice cun bien se
ajusta la lnea de regresin
muestral a los datos.
Verbalmente, mide la proporcin o el porcentaje de la variacin total en
Y explicada por el modelo de regresin.
PTP-2014

La grfica adjunta es conocida
como el diagrama de Venn o de
Ballentine, que ilustra esta
bondad de ajuste. El crculo Y
representa la variacin en la
variable dependiente Y, y el
crculo X, la variacin en la
variable explicativa X.
La interseccin de los dos crculos (el rea sombreada) indica la medida
en la cual la variacin en Y se explica por la variacin en X. Entre
mayor sea la medida de la interseccin, mayor ser la variacin en Y
que se explica por X. es tan slo una medida numrica de esta
interseccin. Cuando no hay interseccin, ; si , pues ciento por ciento de
la variacin en Y se explica por X.
PTP-2014

Una
cantidad estrechamente relacionada con pero conceptualmente

muy diferente es el coeficiente de correlacin, el cual, es una medida
del grado de asociacin entre dos variables. Se calcula a partir de
Algunas propiedades de son las siguientes:
1. Puede tener signo positivo o negativo.
2. Cae entre los lmites de .
3. Es simtrico por naturaleza; es decir, el coeficiente de correlacin
entre X y Y () es el mismo que entre Y y X ().
4. Es independiente del origen y de la escala; es decir, si definimos:
donde a>0, b>0, y c y d son constantes, entonces es igual a .

PTP-2014
PTP-2014

Por
ltimo, dados los supuestos del MCRL, las estimaciones de

mnimos cuadrados poseen algunas propiedades ptimas que estn
contenidas en el famoso teorema de Gauss-Markov.
Se dice que un estimador, por ejemplo, el estimador es el mejor
estimador lineal insesgado (MELI) de si se cumple lo siguiente:
1. Es lineal, es decir, funcin lineal de una variable aleatoria, como la
variable dependiente Y en el modelo de regresin.
2. Es insesgado, es decir, su valor promedio o esperado, es igual al valor
verdadero, .
3. Tiene varianza mnima dentro de la clase de todos los estimadores
lineales insesgados; un estimador insesgado con varianza mnima se
conoce como estimador eficiente.
En el contexto de regresin puede probarse que los estimadores de
MCO son MELI, es decir, tienen varianza mnima.
PTP-2014
INFERENCIA ESTADISTICA
La
inferencia estadstica consta de dos ramas: estimacin y pruebas de

hiptesis. Respecto a la estimacin ya hemos visto que los estimadores
de parmetros del modelo de regresin lineal deben satisfacer varias
propiedades estadsticas como el insesgamiento y la varianza mnima; en
vista de que son estimadores, sus valores cambiarn de muestra en
muestra. Por consiguiente, tales estimadores son variables aleatorias.
Pero la estimacin es slo la mitad de la batalla. Las pruebas de hiptesis
constituyen la otra mitad. Tenga presente que, en el anlisis de regresin,
nuestro objetivo no slo consiste en estimar la funcin de regresin
muestral (FRM), sino tambin en utilizarla para obtener inferencias
respecto de la funcin de regresin poblacional (FRP). As, es
conveniente saber qu tan cerca est del verdadero valor de , o qu tan
cerca est del verdadero .
PTP-2014
INFERENCIA ESTADISTICA
Entonces,
como son variables aleatorias, es necesario averiguar sus

distribuciones de probabilidad, pues sin conocerlas no es posible
relacionarlas con sus valores verdaderos.
En general, afirmamos que la distribucin de probabilidad de depender
del supuesto respecto de la distribucin de probabilidad de . Y como se
requiere conocer las distribuciones de probabilidad de los estimadores
de MCO para obtener las inferencias sobre sus valores poblacionales, la
naturaleza de la distribucin de probabilidad de desempea un papel
importante en las pruebas de hiptesis.
En el contexto de regresin se supone, por lo general, que las tienen la
distribucin de probabilidad normal. Si a los supuestos del modelo
clsico de regresin lineal (MCRL) se aade el supuesto de normalidad
para , obtenemos lo que se conoce como modelo clsico de regresin
lineal normal (MCRLN).
PTP-2014
EL SUPUESTO DE NORMALIDAD DE
El
modelo clsico de regresin lineal normal supone que cada est

normalmente distribuida con:
Media:
Varianza:
:
Estos supuestos se expresan en forma ms compacta como
donde el smbolo significa distribuido y N significa distribucin normal,
y donde los trminos entre parntesis representan los dos parmetros de
la distribucin normal: la media y la varianza.
Para dos variables normalmente distribuidas, una covarianza o
correlacin cero significa independencia entre las dos variables.
PTP-2014
Por
consiguiente, con el supuesto de normalidad, la ecuacin significa

que y no slo no estn correlacionadas, sino que tambin estn
independientemente distribuidas.
Por tanto, se escribe como
donde NID significa normal e independientemente distribuido.
Entre otras razones, si empleamos el supuesto de normalidad y
trabajamos con una muestra finita o pequea, (100 o menos
observaciones), la suposicin de normalidad desempea un papel
relevante. No slo contribuye a derivar las distribuciones de
probabilidad exactas de los estimadores de MCO, sino tambin permite
utilizar las pruebas estadsticas t, F y 2 para los modelos de regresin.
PTP-2014
En
muestras grandes, los estadsticos t y F pueden seguir aplicndose

con validez. Por tanto, el supuesto de normalidad puede no ser tan
crucial en conjuntos grandes de datos.
Si se supone que sigue una distribucin normal, los estimadores de
MCO tienen las propiedades descritas anteriormente adems de las
siguientes:
1. Son insesgados, es decir, su valor promedio o esperado, es igual al
valor verdadero, .
2. Tiene varianza mnima dentro de la clase de todos los estimadores
lineales insesgados; un estimador insesgado con varianza mnima es un
estimador eficiente.
3. Presentan consistencia; es decir, a medida que el tamao de la
muestra aumenta indefinidamente, los estimadores convergen hacia sus
verdaderos valores poblacionales.
PTP-2014
4.
(al ser una funcin lineal de ) est normalmente distribuida con:
Entonces, de acuerdo con las propiedades de la distribucin normal, la

variable Z, definida como
sigue la distribucin normal estndar, es decir, una distribucin normal
con media cero y varianza unitaria (= 1), o
PTP-2014
5.
(al ser una funcin lineal de ) est normalmente distribuida con:
Como en el caso anterior,

tambin sigue una distribucin normal estndar.
6. est distribuida como la distribucin 2 (ji cuadrada) con n-2
grados de libertad. Esto ayuda a realizar inferencias respecto de la
verdadera a partir de la .
7. se distribuyen de manera independiente respecto de .
PTP-2014
8.
tienen varianza mnima entre todas las clases de estimadores

insesgados, lineales o no lineales. Lo que significa que los estimadores
de mnimos cuadrados son los mejores estimadores insesgados (MEI); es
decir, tienen varianza mnima en toda la clase de los estimadores
insesgados.
Para resumir, lo importante es que el supuesto de normalidad permite
derivar las distribuciones de probabilidad, o muestrales, de (ambas
normales), y de (relacionada con ji cuadrada).
PTP-2014
TEORIA DE LA ESTIMACION
INTRODUCCIN
La estimacin y las pruebas de hiptesis constituyen las dos ramas
principales de la inferencia clsica.
La teora de la estimacin consta de dos partes: estimacin puntual y
estimacin por intervalos. Todo lo estudiado en los tems anteriores se
refiere a la estimacin puntual, ahora estudiaremos la estimacin por
intervalos y posteriormente la prueba de hiptesis.
El objetivo de la estimacin es obtener una aproximacin al valor de
cierto parmetro de la poblacin y el de la prueba de hiptesis es decidir
si una afirmacin acerca de una caracterstica de la poblacin es
verdadera.
La prueba de hiptesis, tambin conocida como dcima o contraste de
hiptesis, proporciona una excelente oportunidad para analizar la
informacin.
PTP-2014
INTRODUCCIN
Cuando un hallazgo interesante y emprico emerge del anlisis de
informacin basado en una muestra, una hiptesis sencilla pero relevante
que debe ocurrrsele a todo investigador es: Representa el hallazgo
emprico slo un accidente de muestreo?
Ejemplo:
Se desea determinar si afirmaciones como las siguientes son ciertas:
1. Un productor de desayunos afirma que, en promedio, el contenido de
cada caja pesa al menos 200 gramos. Para verificar esta afirmacin, se
pesa el contenido de una muestra aleatoria y se infiere el resultado a
partir de la informacin muestral.
2. Una compaa recibe un gran cargamento de piezas. El envo se acepta
slo si no hay ms de 5% de piezas defectuosas. La decisin de aceptar la
remesa puede basarse en el examen de una muestra aleatoria de piezas.
PTP-2014
INTRODUCCIN
3. Un profesor est interesado en valorar la utilidad de realizar
regularmente pruebas cortas en un curso de estadstica. La asignatura
consta de dos partes y el profesor realiza esta prueba slo en una de
ellas. Cuando acaba el curso, compara los conocimientos de los
estudiantes en las dos partes de la materia mediante un examen final y
analiza su hiptesis de que las pruebas cortas aumentan el nivel medio
de conocimientos.
Estos ejemplos tienen algo en comn: La hiptesis se formula sobre la
poblacin, y las conclusiones sobre la validez de esta hiptesis se basan
en la informacin muestral.
PTP-2014
HIPTESIS ESTADSTICA
Una hiptesis estadstica es una conjetura con respecto a uno o ms
parmetros poblacionales (enunciado o afirmacin sobre una o ms
caractersticas poblacionales como un parmetro, la distribucin de
probabilidad de una poblacin, etc); y, el mtodo de contraste es el que
permite tomar decisiones en base a datos muestrales y riesgos conocidos.
Nunca se sabe con absoluta certeza la verdad o falsedad de una hiptesis
estadstica, a no ser que se examine toda la poblacin. En su lugar, se
toma una muestra aleatoria de la poblacin de inters y se utilizan los
datos que contiene tal muestra para proporcionar evidencias que
confirmen o no la hiptesis.
La evidencia de la muestra que es inconsistente con la hiptesis planteada
conduce a un rechazo de la misma, mientras que la evidencia que apoya
la hiptesis conduce a su aceptacin.
PTP-2014
HIPTESIS ESTADSTICA
La prueba de hiptesis, o contraste de hiptesis, consiste en:
1. Formular hiptesis nula, H0
2. Formular hiptesis alternativa, H1
3. Establecer nivel de confianza para H0
4. Definir estadstico de contraste
5. Aplicar regla de decisin
PTP-2014
1. Hiptesis nula: H0
Indica que en la poblacin no se han producido cambios. Es la hiptesis
que se considera cierta a no ser que se produzca suficiente evidencia en
contra. Es la hiptesis que se plantea para juzgar si puede ser o no
rechazada. En general, se enuncia como hiptesis nula lo que se viene
aceptando, creyendo o asumiendo como lo que es cierto con anterioridad
al estudio.
2. Hiptesis alternativa: H1
Afirmacin que enfrenta lo establecido por la hiptesis nula. Se opone a
la H0 y afirma que sta es falsa. En H1 se enuncia lo que se presume que
est sucediendo y que ha cambiado con respecto a lo que se supona
como verdadero. Esta es la hiptesis de inters para el investigador
debido a que representa la proposicin hipottica que desea probar.
PTP-2014
En el contexto del contraste de hiptesis clsico, la hiptesis nula se
considera cierta inicialmente. La tarea de persuadirnos de lo contrario
corresponde a los datos de la muestra.
La aceptacin de una hiptesis nula implica tan slo que los datos de la
muestra no proporcionan evidencia suficiente para rechazarla.
Por otro lado, el rechazo implica que la evidencia muestral la refuta.
PTP-2014
3. Tipos de H0 y H1
Se pueden tener las siguientes combinaciones:
1. H0: = 0 vs. H1: > 0 Hiptesis nula simple y Alternativa unilateral
2. H0: = 0 vs. H1: < 0 Hiptesis nula simple y Alternativa unilateral
3. H0: = 0 vs. H1: 0 Hiptesis nula simple y Alternativa bilateral
4. H0: 0 vs. H1: > 0 Hiptesis nula compuesta y Alternativa
unilateral
5. H0: 0 vs. H1: < 0 Hiptesis nula compuesta y Alternativa
unilateral
Obsrvese que en la hiptesis nula siempre se encuentra la posibilidad de
la igualdad del planteamiento. Esto se debe a que la hiptesis nula
inicialmente se considera cierta. Adems, la especificacin de las hiptesis
nula y alternativa apropiadas depende del problema.
PTP-2014
4. Tipos de errores que se pueden cometer en un constraste de hiptesis
Existen dos tipos de errores que son inherentes al proceso de contraste
de hiptesis:
Error Tipo I: Consiste en rechazar H0 cuando realmente es cierta
Error Tipo II:
Consiste en aceptar H0 cuando realmente es falsa
Si la regla de decisin es tal que P(cometer Error Tipo I) = , es decir, la
probabilidad de rechazar la hiptesis nula cuando es
cierta es , entonces se llama nivel de significacin
del contraste. Ntese que es una probabilidad
condicional,
P(Rechazar H0/H0 es cierta) =
Puesto que la hiptesis nula tiene que ser aceptada o rechazada, la
probabilidad de aceptar la hiptesis nula cuando es cierta
es (1 ), es decir,
P(Aceptar H0/H0 es cierta) = 1-
PTP-2014
4. Tipos de errores que se pueden cometer en un constraste de hiptesis
Por otro lado, la P(Cometer Error Tipo II) = , es decir, la probabilidad de
aceptar una hiptesis nula falsa se denota por . Tambin puede verse:
P(Aceptar H0/H0 es falsa) =
Entonces, la probabilidad de rechazar una H0 falsa es (1), y se llama
potencia del contraste. Visto como una probabilidad condicional,
P(Rechaza H0/H0 es falsa) = 1-
DECISIONES SOBRE
La Tabla siguiente
SITUACIN REAL
LA HIPTESIS NULA
resume las situaciones
H VERDADERA
H FALSA
posibles en un
Decisin correcta
Error Tipo II
contraste de hiptesis
ACEPTAR H
Probabilidad = 1
Probabilidad =
al tomar la decisin
Error Tipo I
Decisin correcta
sobre la hiptesis
RECHAZAR H
Probabilidad =
Probabilidad = 1
nula.
0
PTP-2014
5. Influencia de las Probabilidades y sobre una prueba de hiptesis
Lo ideal sera que las probabilidades de los dos tipos de error fuesen lo
ms pequeas posible. Sin embargo, hay una clara compensacin entre
las dos. Cuando se ha tomado una muestra, cualquier modificacin de la
regla de decisin que haga menos probable rechazar una hiptesis nula
cierta, se traducir en mayor probabilidad de aceptar esta hiptesis
cuando es falsa. Es decir, cuando decrece, aumenta y viceversa.
La nica manera de disminuir simultneamente las dos probabilidades
de error ser obtener ms informacin sobre la verdadera media de la
poblacin, tomando una muestra mayor.
Lo que se hace en la prctica es fijar la probabilidad de cometer un error
de Tipo I (nivel de significacin ). Esto determina, entonces, la regla de
decisin adecuada, que a su vez determina la probabilidad de un error de
Tipo II. Este procedimiento se ilustra en la siguiente figura:
PTP-2014
5. Influencia de las Probabilidades y sobre una Prueba de Hiptesis
Al usar el criterio de fijar la probabilidad de error Tipo I, , para

encontrar una regla de decisin, implcitamente se est considerando a
este error ms grave que el error Tipo II. Al fijar en un valor pequeo,
se est controlando directamente la probabilidad de cometer un error
Tipo I. Por tal razn, al plantear las hiptesis siempre hay que hacerlo
tomando en cuenta que rechazar la hiptesis nula cuando es cierta es
un error ms grave que aceptar la hiptesis nula cuando es falsa.
PTP-2014
6. Terminologa adicional en el contraste de Hiptesis

Estadstico de Contraste (o de Prueba): Es aquella funcin de las
observaciones muestrales que se usa para determinar si la hiptesis nula
debe ser aceptada o rechazada.
Regla de Decisin: Define las condiciones que llevan a la aceptacin o
rechazo de la hiptesis nula.
Regin de Aceptacin: Es un rango de valores, tal que si el estadstico
de prueba queda dentro, la hiptesis nula se declara aceptable.
Regin de Rechazo: Es un rango separado de valores, tal que si el
estadstico de prueba queda dentro, la hiptesis nula se rechaza.
PTP-2014
Valor(es) Crtico(s): Los valores crticos son los nmeros que definen
las fronteras de la regin de rechazo. Los valores crticos pertenecen a la
regin de rechazo. Cmo establecer los valores crticos? Va a depender
de:
1. nivel de significacin, .
2. tipo de distribucin de
probabilidad del estadstico de
contraste
3. tipo de hiptesis alternativa que
se est contrastando (bilateral o
unilateral)
PTP-2014

Los trminos aceptar (no rechazar) y rechazar no reflejan adecuadamente
las consecuencias de un procedimiento en el que se fija el nivel de
significacin y no se controla la probabilidad de un error de Tipo II.
Recuerde que la hiptesis nula tiene estatus de hiptesis mantenida, que se
considera cierta salvo que los datos contengan suficiente evidencia en
contra. Adems, al fijar el nivel de significacin en alguna probabilidad
pequea, se est asegurando que el riesgo de rechazar una hiptesis nula
cierta sea pequeo.
Con esta estructura, una pequea cantidad de datos no ser suficiente para
poderse colocar en posicin de rechazar una hiptesis nula, aunque sea
completamente errnea. Cuando aumenta el nmero de observaciones
(aumenta el tamao de la muestra), tambin lo hace la capacidad de la
tcnica de contraste para detectar una hiptesis nula falsa.
PTP-2014
Por tanto, al aceptar una hiptesis nula, no se est asegurando
necesariamente, que haya mucho en su favor. Una afirmacin ms
precisa sobre la situacin es los datos disponibles no proporcionan
suficiente evidencia para rechazar la hiptesis nula en lugar de se
acepta la hiptesis nula.
Se seguir usando aceptar como una manera eficiente de expresar esta
idea, pero es importante tener en cuenta la interpretacin de la frase. En
el contexto del contraste de hiptesis clsico, la hiptesis nula se
considera cierta inicialmente. La tarea de persuadir de lo contrario
corresponde a los datos de la muestra.
PTP-2014
ESTIMACION POR INTERVALOS
Supongamos
que en un ejercicio cualquiera, se ha obtenido que es una

cifra puntual estimada del valor poblacional desconocido de . La
pregunta es: Qu tan confiable es esta estimacin?.
En estadstica, la confiabilidad de un estimador puntual se mide por su
error estndar (ee). Por tanto, en lugar de depender de un solo estimador
puntual, se puede construir un intervalo alrededor del estimador puntual,
por ejemplo, dentro de dos o tres errores estndar a cada lado del
estimador puntual, tal que este intervalo tenga, por ejemplo, 95% de
probabilidad de incluir al verdadero valor del parmetro. sta es, a
grandes rasgos, la idea bsica de la estimacin por intervalos.
PTP-2014
Para
ser ms especfico, supongamos que se desea encontrar qu tan

cerca est, de . Con este fin, se trata de encontrar dos nmeros
positivos, y , este ltimo situado entre 0 y 1, de modo que la
probabilidad de que el intervalo aleatorio contenga al verdadero sea (1
). Simblicamente,
Tal intervalo se conoce como intervalo de confianza;
se le denomina coeficiente de confianza;
se conoce como nivel de significancia (0<<1).
Los extremos del intervalo de confianza se conocen como lmites de
confianza (tambin denominados valores crticos), con como lmite de
confianza inferior y como lmite de confianza superior.
PTP-2014
En
la prctica, y suelen expresarse en forma porcentual.

La ecuacin muestra que un estimador de intervalo, en contraste con un
estimador puntual, es un intervalo construido de manera que tenga una
probabilidad especfica de contener en sus lmites al valor verdadero del
parmetro. Por ejemplo, si =0.05 (5%), la ecuacin;
debe leerse: la probabilidad de que el intervalo (aleatorio) que all
aparece incluya al verdadero es de 0.95, o 95%. El estimador por
intervalo proporciona as una gama de valores dentro de los cuales
puede encontrarse el verdadero .
PTP-2014
Es
muy importante conocer los siguientes aspectos de la estimacin por

intervalos:
1. La ecuacin no afirma que la probabilidad de que se encuentre
entre los lmites dados sea . Como se supone que , aunque se
desconoce, es un nmero fijo, se dice que est o no est dentro del
intervalo. La ecuacin:
establece que la probabilidad de construir un intervalo que contenga
es 1 .
2. El intervalo es un intervalo aleatorio; es decir, variar de una
muestra a la siguiente debido a que se basa en , el cual es aleatorio.
PTP-2014
3.
Como el intervalo de confianza es aleatorio, los enunciados deben

entenderse en el sentido de largo plazo; es decir, para muestreo
repetido. Entonces, significa: si se construyen muchos intervalos de
confianza como el anterior con base probabilstica de 1-, a la
larga, en promedio, tales intervalos contendrn, en 1 de los
casos, el valor verdadero del parmetro.
4. El intervalo es aleatorio siempre y cuando sea desconocido. Una
vez que se obtenga un valor numrico especfico de , el intervalo
deja de ser aleatorio y queda fijo; por lo tanto, ya no se puede
afirmar que la probabilidad de que el intervalo fijo dado incluya al
verdadero sea 1 . En esta situacin, est en el intervalo fijo o
fuera de l. Por consiguiente, la probabilidad ser 1 o 0.
PTP-2014
INTERVALOS
DE CONFIANZA PARA Y
Lneas
arriba afirmamos que con el supuesto de normalidad de los

estimadores y son normalmente distribuidos con medias y varianzas
all establecidas. Por consiguiente, por ejemplo, la variable
puede escribirse:
En donde Z es una variable normal estandarizada.
PTP-2014
INTERVALOS
DE CONFIANZA PARA Y
Por
tanto, se puede utilizar la distribucin normal para hacer afirmaciones

probabilsticas sobre , siempre que se conozca la verdadera varianza
poblacional . Si se conoce , una propiedad importante de una variable
normalmente distribuida con media y varianza es que el rea bajo la
curva normal entre es cercana a 68%, entre 2 es alrededor de
95%, y que entre los lmites 3 es cercana a 99.7%.
Pero pocas veces se conoce y, en la prctica, est determinada por el
estimador insesgado . Si se reemplaza por , podemos hacer las
siguientes transformaciones:
donde se refiere ahora al error estndar estimado.
PTP-2014
INTERVALOS
DE CONFIANZA PARA Y
La
variable t, as definida, sigue la distribucin t con n 2 gl. Por

consiguiente, en lugar de utilizar la distribucin normal, se puede utilizar
la distribucin t para construir un intervalo de confianza para de la
siguiente forma:
donde el valor t en el centro de esta doble desigualdad es el valor t dado
por:
y donde es el valor de la variable t obtenida de la distribucin t para un
nivel de significancia de /2 y n2 gl; a menudo se denomina el valor
crtico t a un nivel de significancia /2.
PTP-2014
INTERVALOS
Combinando
DE CONFIANZA PARA Y
las dos ecuaciones anteriores, se obtiene:
Reorganizamos esta ecuacin y obtenemos:

Esta ltima ecuacin nos proporciona un intervalo de confianza para de
100(1 )%, que se escribe en forma ms compacta como:
De manera anloga, el intervalo de confianza para , se escribe:
PTP-2014
INTERVALOS
Observe
DE CONFIANZA PARA Y
que, en ambos casos:
la amplitud del intervalo de confianza es proporcional al error estndar

del estimador. Es decir, entre ms grande sea el error estndar, ms
amplio ser el intervalo de confianza. Expresado de otra forma, mientras
ms grande sea el error estndar del estimador, mayor ser la
incertidumbre de estimar el verdadero valor del parmetro desconocido.
As, el error estndar de un estimador suele describirse como una
medida de la precisin del estimador (es decir, con qu precisin mide el
estimador al verdadero valor poblacional).
PTP-2014
INTERVALOS
DE CONFIANZA PARA Y
Ejemplo:
La tabla adjunta proporciona datos sobre
el nivel de estudios (medido en aos de
escolaridad), el salario promedio por
hora devengado por las personas por
nivel de escolaridad y el nmero de
personas en un nivel de estudios.
PTP-2014
INTERVALOS
DE CONFIANZA PARA Y
Ejemplo:
Al trazar el salario promedio en funcin del grado de escolaridad, se
obtiene la grfica adjunta.
La grfica muestra la
variacin de los salarios
promedio de acuerdo con
el grado de escolaridad;
por lo general, aqullos se
incrementan a la par que el
grado de escolaridad.
PTP-2014
INTERVALOS
DE CONFIANZA PARA Y
Como hay 13 observaciones, los grados

de libertad (gl) son 11. Si suponemos que
=5%, (coeficiente de confianza a 95%),
entonces la tabla t muestra que para 11 gl
el valor crtico t/2=2.201. Al sustituir
estos valores, se verifica que el intervalo
de confianza para 2 a 95% es el
siguiente:
PTP-2014
INTERVALOS
DE CONFIANZA PARA Y
La
interpretacin de este intervalo de

confianza es: Dado el coeficiente de
confianza de 95%, en 95 de cada 100
casos, el intervalo contendr al
verdadero valor de 2. Pero no se puede
afirmar que la probabilidad de que este
intervalo contenga al verdadero 2 sea
de 95%,
porque este intervalo es ahora fijo y no aleatorio; por consiguiente, 2 se
encontrar o no dentro de l: la probabilidad de que el intervalo fijo
especfico incluya al verdadero valor de 2 es por consiguiente 1 o 0.
PTP-2014
INTERVALOS
DE CONFIANZA PARA Y
Ejemplo:
De acuerdo a los resultados obtenidos de la regresin, el intervalo de

confianza para 1 a 95% en este ejemplo es:
En 95 de cada 100 casos, el intervalo contendr al verdadero valor de

1; la probabilidad de que este intervalo fijo en particular incluya al
verdadero 1 es de 1 o 0.
PTP-2014
INTERVALOS
La
DE CONFIANZA PARA
varianza 2 se estima mediante la frmula:
Donde:
es el estimador de la verdadera pero desconocida 2.
(n2) es el nmero de grados de libertad (gl);
es la suma de los valores residuales al cuadrado o la suma de
cuadrados de los residuos (SCR).
PTP-2014
INTERVALOS
La
DE CONFIANZA PARA
raz cuadrada positiva de
se conoce como el error estndar de estimacin o el error estndar de

la regresin (ee). No es ms que la desviacin estndar de los valores Y
alrededor de la lnea de regresin estimada, la cual suele servir como
medida para resumir la bondad del ajuste de dicha lnea.
PTP-2014
INTERVALOS
DE CONFIANZA PARA
Segn
el supuesto de normalidad,
la variable:
sigue la distribucin con n2 gl.
Con la distribucin se establece el
intervalo de confianza para
Donde
y son los valores crticos obtenidos de la tabla ji cuadrada

para n2 gl de manera que ellos cortan 100(/2)% de las reas de las
colas de la distribucin , como se muestra en la figura adjunta.
PTP-2014
INTERVALOS
Al
DE CONFIANZA PARA
reorganizar los trminos, obtenemos
que da el intervalo de confianza a 100(1 )% para .

En nuestro ejemplo se calcula de la siguiente manera:
Si seleccionamos de 5%, la tabla ji cuadrada para 11 gl da los
siguientes valores crticos:
PTP-2014
INTERVALOS
DE CONFIANZA PARA
Estos valores muestran que la

probabilidad de que un valor ji
cuadrada sea superior a 21.9200 es
2.5%, y la de 3.8157 es 97.5%. Por
consiguiente, el intervalo entre
estos dos valores es el intervalo de
confianza para a 95%, como se
aprecia en el diagrama de la figura
adjunta. (Observe la caracterstica
asimtrica de la distribucin ji
cuadrada.)
PTP-2014
INTERVALOS
DE CONFIANZA PARA
Al sustituir los datos del ejemplo en:
El intervalo de confianza para a 95% es:
Este intervalo se interpreta: Si establecemos lmites de confianza a 95%

sobre y se afirma a priori que entre estos lmites caer el verdadero ,
acertaremos, a la larga, 95% de las veces.
PTP-2014
PRUEBA DE HIPOTESIS: Mtodo del intervalo de confianza
A.
Prueba bilateral o de dos colas

En nuestro ejemplo el coeficiente de pendiente .
Supongamos que se postula que:
H0: 2= 0.5
H1: 20.5
es decir, el verdadero coeficiente de la pendiente es 0.5 segn la hiptesis
nula, pero menor o mayor que 0.5 segn la hiptesis alternativa.
Es el 2 observado compatible con H0? Para responder, consultemos el
intervalo de confianza:
Sabemos que, a la larga (es decir, en muestreo repetido), los intervalos
como (0.5700, 0.8780) contendrn al verdadero 2 con una probabilidad
de 95%.
PTP-2014
A.
Prueba bilateral o de dos colas
En consecuencia, tales intervalos proporcionan un recorrido o lmites

dentro de los cuales puede encontrarse el verdadero 2 con un
coeficiente de confianza de 95%. As, el intervalo de confianza
proporciona un conjunto de hiptesis nulas posibles. Por consiguiente,
si el 2 en H0 se encuentra dentro del intervalo de confianza 100(1 )
%, no se rechaza la hiptesis nula; si se encuentra por fuera del
intervalo, se puede rechazar.
Lo anterior nos lleva a la siguiente regla de decisin:
Construya un intervalo de confianza para 2 a 100(1)%. Si el 2 en
H0 se encuentra dentro de este intervalo de confianza, no rechace H 0,
pero si est fuera del intervalo, rechace H0.
PTP-2014
A. Prueba bilateral o de dos colas
En estadstica, cuando se rechaza la hiptesis nula, se dice que el
hallazgo es estadsticamente significativo. Por otra parte, cuando no se
hace, se dice que el resultado no es estadsticamente significativo.
Algunos autores utilizan frases como muy significativo desde un punto
de vista estadstico para referirse a que, cuando rechazan la hiptesis
nula, la probabilidad de cometer un error tipo I (por ejemplo, ) es un
nmero pequeo, usualmente 1%. Pero es mejor dejar que el
investigador califique el hallazgo estadstico como significativo,
moderadamente significativo o muy significativo.
PTP-2014
B. Prueba unilateral o de una cola
Algunas veces tenemos una expectativa a priori o terica slida (o
existen expectativas basadas en algn trabajo emprico previo) de que
la hiptesis alternativa es unilateral o unidireccional, en lugar de ser
bilateral o de dos colas, como acabamos de analizar. As, para el
ejemplo de los salarios y el nivel de escolaridad, se puede postular que:
H0: 2 0.5
H1: 2>0.5
Quiz la teora econmica o el trabajo emprico previo indiquen que la
pendiente es mayor que 0.5. El procedimiento para probar esta
hiptesis se explica mejor en trminos del mtodo de prueba de
significancia siguiente
PTP-2014
PRUEBA DE HIPOTESIS: Enfoque de la prueba de significancia
A. Prueba de significancia de los coeficientes de regresin: la prueba t
Este es un enfoque alterno pero complementario al de intervalos de
confianza para probar hiptesis estadsticas. En trminos generales, una
prueba de significancia es un procedimiento que utiliza los resultados
muestrales para verificar la verdad o falsedad de una hiptesis nula.
La idea bsica de las pruebas de significancia es la de un estadstico de
prueba (un estimador) y su distribucin muestral segn la hiptesis nula.
La decisin de aceptar o rechazar H0 se toma con base en el valor del
estadstico de prueba obtenido con los datos disponibles.
PTP-2014
A.
Prueba de significancia de los coeficientes de regresin: la prueba t

Recuerde que, segn el supuesto de normalidad, la variable:
Si el valor del verdadero 2 se especifica con la hiptesis nula, el valor t se
calcula fcilmente a partir de la muestra disponible y, por consiguiente,
sirve como estadstico de prueba que sigue una distribucin t con n-2 gl.:
es el valor de 2 en H0. son los valores crticos de t para un nivel de
significancia (/2) y n2 gl.
PTP-2014
A.

Entonces, reorganizamos la ltima ecuacin:
que da el intervalo en el cual se encontrar con probabilidad , dado 2=
En el lenguaje de pruebas de hiptesis, el intervalo de confianza a
100(1)% establecido se conoce como la regin de aceptacin (de la
H0), y la regin que queda fuera del intervalo de confianza se llama
regin de rechazo (de H0) o regin crtica.
Como ya mencionamos, los lmites de confianza dados por los puntos
extremos del intervalo de confianza se llaman tambin valores crticos.
PTP-2014
A.

La conexin entre los enfoques de intervalo de confianza y prueba de
significancia para realizar pruebas de hiptesis se evidencia al comparar
Con
En el procedimiento de intervalo de confianza se trata de establecer un
rango o intervalo que tenga una probabilidad determinada de contener al
verdadero aunque desconocido , mientras que en el enfoque de prueba de
significancia se somete a hiptesis algn valor de y se ve si el calculado
se encuentra dentro de lmites (de confianza) razonables alrededor del
valor sometido a hiptesis.
PTP-2014
A.

En el ejemplo de los salarios y el nivel de escolaridad. Sabemos que:
Suponiendo que: y
H0: 2==0.5 H1: 20.5
La ecuacin se convierte en:
Que se muestra en la siguiente figura:
PTP-2014
A.
Que se muestra en la siguiente figura:
PTP-2014
A.

En la prctica, no hay necesidad de estimar explcitamente.
Se calcula el valor de t del centro de la doble desigualdad dada en:
y se ve si cae entre los valores crticos t o fuera de ellos.
valor que con claridad se encuentra en la regin crtica de la figura
siguiente. La conclusin es rechazar H0.
PTP-2014
A.
PTP-2014
A.

Si el es igual al hipottico, el valor t ser cero. Sin embargo, en la
medida en que el valor de se aleje del valor hipottico de , el |t| (valor
absoluto de t) ser cada vez mayor. Por consiguiente, un valor grande
de |t| ser evidencia en contra de la hiptesis nula.
Como utilizamos la distribucin t, el procedimiento se llama prueba t. En
el lenguaje de las pruebas de significancia, se dice que un estadstico es
estadsticamente significativo si el valor del estadstico de prueba cae en
la regin crtica. En este caso, se rechaza la hiptesis nula. De la misma
manera, se dice que una prueba no es estadsticamente significativa si el
valor del estadstico de prueba cae en la regin de aceptacin. En esta
situacin, no se rechaza la hiptesis nula.
En nuestro ejemplo, la prueba t es significativa y por tanto se rechaza H0.
PTP-2014
A. Prueba de significancia de los coeficientes de regresin: la prueba t
La utilizacin de una prueba de significancia de una o dos colas depender
de la forma como se formule la hiptesis alternativa, la cual, a su vez,
puede depender de algunas consideraciones a priori o de experiencia
emprica previa.
En la tabla siguiente se presenta un resumen del mtodo de la prueba t de
significancia para pruebas de hiptesis.
Tipo
Tipo de
de
hiptesis
hiptesis
Dos
Dos colas
colas
Cola
Cola derecha
derecha
H
H00:: Hiptesis
Hiptesis
nula
H
H11:: Hiptesis
Hiptesis
alternativa
Regla
Regla de
de
decisin:
rechazar
rechazar H
H00 si:
si:
Cola
Cola izquierda
izquierda
PTP-2014
B.
Prueba de significancia de 2: la prueba 2

Como otro ejemplo de la metodologa de las pruebas de significancia,
considere la siguiente variable:
Que sigue una distribucin con n2 gl.
Para nuestro ejemplo y gl=11. Si se postula que H0: 2=0.6 frente a H1:
20.6, la ecuacin proporciona el estadstico de prueba para H0. Al
sustituir valores se descubre que =16.3845. Si suponemos que =5%,
los valores crticos 2 son 3.81575 y 21.9200. Como el valor 2
calculado cae dentro de estos lmites, los datos apoyan la hiptesis nula
y no la rechazamos. Este procedimiento de prueba se denomina prueba
de significancia ji cuadrada.
PTP-2014
B. Prueba de significancia de 2: la prueba 2
El mtodo de la prueba de significancia 2 para la prueba de hiptesis
se resume en la siguiente tabla.
H00: Hiptesis nula
PTP-2014
H11: Hiptesis alternativa
Regin crtica: rechazar H00 si:
PRUEBA DE HIPOTESIS: Algunos aspectos prcticos
A.
Significado de aceptar o rechazar una hiptesis

Si, con base en una prueba de significancia, por ejemplo, la prueba t,
decidimos aceptar la hiptesis nula, todo lo que se afirma es que,
con base en la evidencia dada por la muestra, no existe razn para
rechazarla; no se sostiene que la hiptesis nula sea verdadera con
absoluta certeza. Por qu? Para responder esto, regresemos al
ejemplo de los salarios y los niveles de escolaridad y supongamos que
H0: . Ahora, el valor estimado de la pendiente es con un . En seguida,
con base en la prueba t, se obtiene:
que no es significativo, por ejemplo,

en =5%. Por consiguiente, se dice
que aceptamos H0.
PTP-2014
A.
Significado de aceptar o rechazar una hiptesis

Pero ahora supongamos que H0: . Al aplicar de nuevo la prueba t, se
obtiene:
que tampoco es estadsticamente significativo y se dice que
aceptamos esta H0. Cul de estas dos hiptesis nulas es la
verdadera? No sabemos.
Por consiguiente, al aceptar una hiptesis nula siempre se debe tener
presente que puede existir otra hiptesis nula igualmente compatible
con los datos. Es preferible, por tanto, decir que se puede aceptar la
hiptesis nula en lugar de decir que la aceptamos.
PTP-2014
E. Nivel exacto de significancia: valor p
El taln de Aquiles del mtodo clsico de la prueba de hiptesis es su
arbitrariedad al seleccionar . Una vez obtenido un estadstico de
prueba t en un ejemplo dado, por qu no tan slo consultar la tabla
estadstica adecuada y encontrar la probabilidad real de obtener un
valor del estadstico de prueba tan grande o mayor que el obtenido en el
ejemplo? Esta probabilidad se denomina valor p (es decir, valor de
probabilidad), tambin conocido como nivel observado o exacto de
significancia, o probabilidad exacta de cometer un error tipo I. Ms
tcnicamente, el valor p se define como nivel de significancia ms
bajo al cual puede rechazarse una hiptesis nula.
PTP-2014
E.
Nivel exacto de significancia: valor p

Para ilustrar, volvamos al ejemplo de los salarios y el nivel de escolaridad.
Con la hiptesis nula de que el verdadero coeficiente del nivel de
escolaridad es 0.5, se obtuvo el siguiente valor de t:
Cul es el valor p de obtener un valor t igual o superior a 3.22? En la
tabla t se observa que, para 11 gl, la probabilidad de obtener tal valor t
debe estar muy por debajo de 0.005 (una cola) o 0.010 (dos colas).
Si se usan los paquetes estadsticos Stata o EViews, se calcula que el valor
p de obtener un valor t igual o mayor que 3.2 es de 0.00001, es decir, muy
pequeo. ste es el valor p del estadstico observado t. Este nivel exacto de
significancia del estadstico t es mucho menor que el nivel de significancia
que se fija de manera convencional y arbitraria, como 1, 5 o 10%.
PTP-2014
E. Nivel exacto de significancia: valor p
En realidad, si se utilizara el valor p recin calculado y se rechazara la
hiptesis nula de que el verdadero coeficiente de escolaridad es 0.5, la
probabilidad de cometer un error tipo I sera ms o menos de slo 1 en
100,000.
En otras palabras, para un tamao de muestra dado, a medida que
aumenta |t|, el valor p se reduce y, por consiguiente, se rechaza la
hiptesis nula con mayor confianza.
PTP-2014
F. Significancia estadstica y significancia prctica
Consideremos los
siguientes datos que
relaciona el consumo
personal (GCP) con el
PBI, ambas variables
se miden en millones
de dlares del 2000.
PTP-2014
Tericamente, esta es una
funcin consumo y en la
regresin observamos que la
propensin marginal a
consumir (PMC), es decir, el
consumo adicional que
produce un dlar adicional de
ingreso (medido por el PIB)
es de alrededor de 0.72, o 72
centavos.
PTP-2014
F. Significancia
estadstica y significancia prctica

El intervalo de confianza a 95%, considerando 44 gl, para la PMC es:
Como hay 44 gl en este problema, no contamos con un valor crtico t

preciso para estos gl. En consecuencia, el intervalo de confianza a 95%
se calcula con la regla prctica 2t.
Suponga que alguien afirma que la verdadera PMC es 0.74. Esta cifra
difiere de 0.72? S, si nos apegamos estrictamente al intervalo de
confianza establecido.
PTP-2014
Pero, cul es el significado prctico del hallazgo? qu diferencia hay
entre asignar a la PMC un valor de 0.74 o uno de 0.72? Es la
diferencia de 0.02 entre las dos PMC muy importante en la prctica?
La respuesta depende de lo que en realidad se haga con estas
estimaciones. Por ejemplo, de la macroeconoma se sabe que el
multiplicador del ingreso es 1/(1 PMC). Por tanto, si la PMC es 0.72,
el multiplicador es 3.57, pero ser 3.84 si la PMC es igual a 0.74.
Es decir, si el gobierno incrementara su gasto en 1 dlar para sacar la
economa de una recesin, el ingreso aumentara 3.57 dlares, si la
PMC fuese 0.72, pero lo har 3.84 dlares si la PMC es 0.74. Y esa
diferencia puede ser crucial para reactivar la economa.
PTP-2014
ANALISIS DE REGRESION Y ANALISIS DE VARIANZA
Estudiaremos,
ahora, el anlisis de regresin desde el punto de vista del

anlisis de varianza, para ver una forma complementaria el problema de
la inferencia estadstica.
Anteriormente habamos elaborado la siguiente identidad:
es decir, la suma de cuadrados total (SCT) tiene dos componentes: la

suma de cuadrados explicada (SCE) y la suma de cuadrados de
residuos (SCR).
PTP-2014
El
estudio de estos componentes de SCT se conoce como anlisis de

varianza (ANOVA) desde el punto de vista de la regresin.
Asociados con toda suma de cuadrados estn sus gl, es decir, el nmero
de observaciones independientes en las que se basa. La SCT tiene n1
gl porque se pierde 1 gl en el clculo de la media muestral. La SCR
tiene n2 gl. Debemos advertir que estos es vlido para el modelo de
regresin con dos variables con presencia del intercepto 1. SCE tiene 1
gl (vlido slo para el caso de dos variables), lo cual se deduce de que:
sea una funcin slo de pues se conoce .
PTP-2014
Fuente de variacin
Debido
Debido aa la
la regresin
regresin
SCE
SCE
Debido
Debido aa los
los residuos
residuos
SCR
SCR
SC
gl
Suma de cuadrados
promedio (SCP)
11
n-2
n-2
n-1
n-1
SCT
SCT
Reorganicemos las sumas de cuadrados y sus gl asociados en la tabla,

que es la forma estndar de la tabla ANOVA.
PTP-2014
Con
la informacin de la tabla, consideremos la siguiente variable:
Si suponemos que las perturbaciones i estn normalmente distribuidas

y si la hiptesis nula (H0) es que 2=0, puede demostrarse que la
variable de esta ecuacin satisface la distribucin F con 1 gl en el
numerador y (n2) gl en el denominador.
La razn F constituye una prueba de la hiptesis nula H0: 2=0. La
razn F constituye un estadstico de prueba para verificar la H0 de que
el verdadero 2=0. Slo debe calcularse la razn F y compararla con el
valor crtico F obtenido de las tablas F en el nivel de significancia
seleccionado, u obtener el valor p del estadstico F calculado.
PTP-2014
Para esclarecer esto, continuamos con el ejemplo ilustrativo de los aos
de escolaridad y el salario promedio. La tabla ANOVA para este
ejemplo se presenta en la siguiente tabla:
Fuente
Fuente de
de variacin
variacin
Debido
aa
Debido
regresin
regresin (SCE)
(SCE)
Debido
aa
Debido
residuos
residuos (SCR)
(SCR)
SCT
SCT
PTP-2014
SC
SC
la
la (SCT-SCR)
los
los
=95.4255
(sum squared resid)
=9.69281
Gl
Gl
11
Suma
Suma cuadrados
cuadrados
promedio: SCP
F
F
95.4255
11
11
12
12
El valor F=108.3026. El valor p de este estadstico F correspondiente a
1 y 8 gl no puede obtenerse de la tabla F, pero con tablas estadsticas
electrnicas se demuestra que el valor p=0.0000001, una probabilidad
muy pequea. Por tanto, si rechazamos la hiptesis nula H0:2=0, la
probabilidad de cometer un error tipo I es muy pequea. Para todo fin
prctico, la muestra no pudo provenir de una poblacin con un valor
2=0, y se puede concluir con gran confianza que X, la educacin, s
afecta Y, el salario promedio.
Para el modelo con dos variables, en realidad no es necesario recurrir a
la prueba F. Sin embargo, en la regresin mltiple la prueba F tiene
diversas aplicaciones que la hacen un mtodo muy til y eficaz para
demostrar hiptesis estadsticas.
PTP-2014
INFORME DE RESULTADOS DEL ANALISIS DE REGRESION
Hay
diversas formas de presentar los resultados de un anlisis de

regresin; la ms utilizada en los trabajos de investigacin responden al
formato que se muestra a continuacin y que lo aplicaremos con el
ejemplo de los salarios y el nivel de escolaridad:
Las cifras del primer conjunto de parntesis son los errores estndar
estimados de los coeficientes de regresin; las cifras del segundo
conjunto son los valores t estimados segn la hiptesis nula de que el
verdadero valor poblacional de cada coeficiente de regresin individual
es cero; y las cifras del tercer grupo son los valores p estimados.
PTP-2014
INFORME DE RESULTADOS DEL ANALISIS DE REGRESION
Por tanto, para 11 gl, la probabilidad de obtener un valor t igual o

mayor que 10.3428 es de 0.00009, o prcticamente cero.
Al observar los valores p de los t estimados, tambin se aprecia el nivel
exacto de significancia de cada valor t estimado. As, conforme a la H0 de
que el verdadero valor de la pendiente poblacional es cero (es decir, que el
nivel de escolaridad no produce ningn efecto en el salario promedio), la
probabilidad exacta de obtener un valor t igual o mayor que 10.3428 es
prcticamente cero. Cuanto menor sea el valor p, menor ser tambin la
probabilidad de cometer un error si se rechaza la hiptesis nula.
PTP-2014
EVALUACION DE LOS RESULTADOS DEL ANALISIS DE
REGRESION
Obtenidos los resultados del anlisis de regresin del ejemplo de
salarios y niveles de escolaridad cabe cuestionar la bondad del modelo
ajustado. Qu tan bueno es el modelo ajustado? Necesitamos
ciertos criterios para responder esta pregunta.
Primero, estn los signos de los coeficientes estimados de acuerdo
con las expectativas tericas o previas? A priori, 2 en el ejemplo de los
salarios y el nivel de escolaridad debe ser positivo. En el ejemplo, lo es.
Segundo, si la teora sostiene que la relacin no debe ser slo positiva sino
tambin estadsticamente significativa, es el caso en nuestro ejemplo? Los
resultados muestran que el coeficiente del nivel de escolaridad no slo es
positivo, sino tambin estadsticamente significativo, es decir, diferente de
cero; el valor p del valor t estimado es muy pequeo. Valen los mismos
comentarios para el coeficiente del intercepto.
PTP-2014
REGRESION
Tercero, qu tan bien explica el modelo de regresin la variacin en el
ejemplo? Se puede responder con r2. En nuestro ejemplo, r2 es de
alrededor de 0.90, un valor muy alto si consideramos que r2 puede ser
mximo 1.
As, parece muy bueno el modelo escogido para explicar el
comportamiento de los salarios promedio. Pero antes de comprometerse
con l, sera interesante averiguar si satisface los supuestos del MCRLN.
Por la simplicidad del modelo, slo hay un supuesto que se puede
verificar, a saber, el de normalidad del trmino de perturbacin, i.
Recuerde que las pruebas t y F requieren que el trmino de error siga una
distribucin normal. De lo contrario, el procedimiento de prueba no ser
vlido en muestras pequeas, o finitas.
PTP-2014
REGRESION
A. Prueba de normalidad
Aunque se han estudiado diversas pruebas de normalidad en la teora, slo
consideraremos dos:
1) Histograma de residuos
3) Prueba Jarque-Bera.
PTP-2014
REGRESION
A.1 Histograma de residuos
Es un simple dispositivo grfico para saber algo sobre la forma de la
funcin de densidad poblacional (FDP) de una variable aleatoria. En el eje
horizontal se dividen los valores de la variable de inters (por ejemplo, los
residuos de MCO) en intervalos convenientes, y sobre cada intervalo de
clase se construyen rectngulos cuya altura sea igual al nmero de
observaciones (es decir, la frecuencia) para ese intervalo de clase. Si
mentalmente se coloca la curva de distribucin normal en forma de
campana sobre el histograma, se tendr cierta idea sobre la pertinencia o
no de la aproximacin normal (FDP). En la figura siguiente se presenta el
histograma de residuos correspondiente a la regresin de salarios y nivel
de escolaridad.
PTP-2014
REGRESION
A.1 Histograma de residuos
5
Series:RESID
Sample113
Observations13
4
3
2
1
0
-2.0
-1.5
PTP-2014
-1.0
-0.5
0.0
0.5
1.0
1.5
Mean
Median
Maximum
Minimum
Std.Dev.
Skewness
Kurtosis
1.25e-15
0.126573
1.319809
-1.563704
0.898740
-0.393787
2.046253
Jarque-Bera
Probability
0.828699
0.660770
Este diagrama muestra que los

residuos no tienen distribucin
normal perfecta; para una variable
distribuida normalmente, la
asimetra (una medida de la
simetra) debe ser cero, y la
curtosis (que mide si la distribucin
normal es alta o baja), 2.046.
Siempre es aconsejable trazar el
histograma de los residuos de
cualquier regresin como mtodo
aproximado y rpido para probar el
supuesto de normalidad.
REGRESION
A.
Prueba de normalidad
A.2 Prueba de Jarque-Bera)
La prueba de normalidad JB es una prueba asinttica, o de muestras
grandes. Tambin se basa en los residuos de MCO. Esta prueba calcula
primero la asimetra y la curtosis de los residuos de MCO, con el siguiente
estadstico de prueba:
Donde:
n: tamao de la muestra;
S: coeficiente de asimetra;
K: coeficiente de curtosis.
PTP-2014
REGRESION
Para una variable normalmente distribuida, S=0 y K=3. La prueba de
normalidad JB es una prueba de la hiptesis conjunta de que S y K son 0 y
3, respectivamente. En este caso, se espera que JB=0.
De acuerdo con H0, que afirma que los residuos estn normalmente
distribuidos, Jarque y Bera mostraron que en muestras grandes el
estadstico JB sigue la distribucin ji cuadrada, con 2 gl. Si el p calculado
del estadstico JB es lo bastante bajo en una aplicacin, que suceder si el
valor del estadstico difiere en gran medida de cero, se puede rechazar la
hiptesis de que los residuos estn normalmente distribuidos. Pero si el
valor p es razonablemente alto, lo cual sucede cuando el valor del
estadstico est cerca de cero, no rechazamos la suposicin de normalidad.
PTP-2014
REGRESION
En nuestro ejemplo, el estadstico JB estimado para la regresin de salarios
y nivel de educacin es 0.8286. La hiptesis nula de que los residuos en el
presente ejemplo estn distribuidos normalmente no puede rechazarse,
pues el valor p de obtener un estadstico JB igual o mayor que 0.8286 es
de alrededor de 0.66, o 66%. Esta probabilidad es muy alta.
PTP-2014
MODELOS DE REGRESION MULTIPLE

El
modelo con dos variables, en la prctica, es inadecuado. La teora

econmica no es tan simple. Por ejemplo, la demanda de un producto no
depende solamente de su precio sino tambin del precio de los bienes
relacionados, del ingreso del consumidor, la condicin social, etc.
Por lo tanto, es necesario ampliar el modelo simple de regresin con dos
variables para considerar modelos con ms de dos variables. La adicin de
variables conduce al anlisis de los modelos de regresin mltiple, es
decir, modelos en los cuales la variable dependiente, o regresada, Y,
depende de dos o ms variables explicativas, o regresoras:
El modelo de regresin mltiple ms sencillo posible es la regresin de
tres variables, con una variable dependiente y dos variables explicativas
PTP-2014

Funcin
de regresin poblacional FRP:

: Variable dependiente
y : Variables explicativas o regresoras
: Perturbacin estocstica
i: i-sima observacin
Esta FRP tambin puede escribirse de la siguiente manera:
En donde para todo i.
: Es el trmino del intercepto. Proporciona el efecto medio o promedio
sobre Y de todas las variables excluidas del modelo, aunque su
interpretacin mecnica sea el valor promedio de Y cuando y se igualan a
cero.
Los coeficientes y se denominan coeficientes de regresin parcial.
PTP-2014

Supuestos:
1. Modelo de regresin lineal, o lineal en los parmetros.

2. Valores fijos de X o valores de X independientes del trmino de error.
En este caso, esto significa que se requiere covarianza cero entre y
cada variable X.
3. Valor medio de la perturbacin igual a cero.
para cada i
4. Homoscedasticidad o varianza constante de .
5. No autocorrelacin, o correlacin serial, entre las perturbaciones.
PTP-2014

Supuestos:
6. El nmero de observaciones n debe ser mayor que el de parmetros
por estimar, que en el presente caso son 3.
7. Debe haber variacin en los valores de las variables X.
8. No debe haber colinealidad exacta entre las variables X. Esto es, no
hay relacin lineal exacta entre X2 y X3. Este supuesto se conoce
tambin como No colineliadad o no multicolinealidad. Informalmente,
la no colinealidad significa que ninguna de las regresoras puede
escribirse como combinacin lineal exacta de las regresoras restantes
en el modelo.
9. No hay sesgo de especificacin. Es decir, el modelo est especificado
correctamente.
PTP-2014

Interpretacin
de la ecuacin de regresin mltiple.

Con los supuestos del modelo de regresin clsico, se cumple que, al
tomar la esperanza condicional de Y en ambos lados de:
Obtenemos:
Esta ecuacin expresa la media condicional o el valor esperado de Y
condicionado a los valores dados o fijos de las variables X2 y X3.
Por consiguiente, como en el caso de dos variables, el anlisis de regresin
mltiple es el anlisis de regresin condicional sobre los valores fijos de
las variables explicativas, y lo que obtenemos es el valor promedio o la
media de Y, o la respuesta media de Y a los valores dados de las regresoras
X.
PTP-2014

Significado
de los coeficientes de regresin parcial

Los coeficientes de regresin y se conocen como coeficientes de
regresin parcial o coeficientes parciales de pendiente. Su significado es:
mide el cambio en el valor de la media de Y, E(Y), por unidad de cambio
en , con constante. Expresado de otra forma, proporciona el efecto
directo o neto que tiene una unidad de cambio de sobre el valor
medio de Y, neto de cualquier efecto que pueda ejercer en la media Y.
De igual forma, mide el cambio en el valor medio de Y por unidad de
cambio en , cuando el valor de es constante. Es decir, da el efecto
directo o neto de una unidad de cambio en sobre el valor medio de
Y, neto de cualquier efecto que pudiera tener sobre la media Y.
As, pues, podr notarse que y son las derivadas parciales de respecto de
y.
PTP-2014

Coeficiente de determinacin mltiple R2 y el coeficiente de correlacin
mltiple R
En el caso de dos variables vimos que r2 mide la bondad de ajuste de la
ecuacin de regresin; es decir, da la proporcin o porcentaje de la
variacin total en la variable dependiente Y explicada por la variable
(nica) explicativa X.
En el modelo de tres variables buscamos conocer la proporcin de la
variacin en Y explicada por las variables X2 y X3 conjuntamente. La
medida de esta informacin se conoce como coeficiente de determinacin
mltiple y se denota por R2; conceptualmente, se asemeja a r2.
PTP-2014

Coeficiente de determinacin mltiple R2 y el coeficiente de correlacin
mltiple R
En el caso de dos variables definimos a r como el coeficiente de
correlacin y mide el grado de asociacin lineal entre las dos variables.
El anlogo de r para tres o ms variables es el coeficiente de correlacin
mltiple, denotado por R, el cual es una medida del grado de asociacin
entre Y y todas las variables explicativas en conjunto. Aunque R puede ser
positivo o negativo, R siempre se considera positivo.
PTP-2014

Ejemplo:
PTP-2014

320
320
280
280
240
240
200
200
160
160
MI
MI
Ejemplo:
120
120
80
80
40
40
0
0
4000
8000
12000 16000 20000
PBIPC
20
40
60
80
100
TAM
Como se ve, el PBIpc y la TAM ejercen impacto negativo sobre la

mortalidad infantil. Se requiere, estimar los coeficientes de regresin
parciales de cada regresora.
PTP-2014

Ejemplo:
El
modelo es:
Debemos tener en cuenta que:

MI: Nmero de muertes de nios menores de 5 aos por cada 1,000
nacidos vivos.
PIBpc: PIB per cpita en 1980
TAM: Tasa de alfabetismo de mujeres y se mide en porcentaje.
PTP-2014

Ejemplo:
2=0.0056 es el coeficiente de
regresin parcial del PIBpc e indica
que, si se mantiene constante la
influencia de la TAM, conforme el
PIBpc se incrementa, por ejemplo en
un dlar en promedio, la MI
disminuye en 0.0056 unidades. Desde
el punto de vista econmico, si el PIB
per cpita se incrementara 1,000
dlares, en promedio, el nmero de
muertes de nios menores de 5 aos se
reducira a 5.6 por cada 1,000
nacimientos vivos.
PTP-2014

Ejemplo:
3=2.2316 indica que si la influencia

del PIBpc se mantiene constante y la
tasa de alfabetizacin en las mujeres
subiera 1%, el nmero de muertes de
nios menores de 5 aos disminuira,
en promedio, 2.23 por cada 1,000
nacimientos vivos.
1=263.6466. Si se interpretara de una
forma mecanicista, significara que si
los valores del PIBpc y de la TAM
fuesen cero, la mortalidad infantil
promedio sera de ms o menos 263
muertes por cada 1,000 nacimientos
vivos.
PTP-2014

Ejemplo:
R2=0.7076 significa que casi 71% de
la variacin en la mortalidad infantil se
explica mediante el PIBpc y la TAM,
lo cual es un gran porcentaje si se
considera que el valor mximo que
puede tener R2 es 1.
PTP-2014

Solucin:
Y la significancia estadstica de los
resultados observados?
Considere por ejemplo el coeficiente del
PIBpc=0.005647. Es estadsticamente
significativo este coeficiente, es decir, es
estadsticamente diferente de cero? es
estadsticamente significativo el
(0.002)
(0.209)
(11.593)
coeficiente de la TAM=2.231586?
Ambos coeficientes son
estadsticamente significativos?
Para responder stas preguntas, primero consideremos las clases de pruebas
de hiptesis que se pueden encontrar en el contexto del modelo de regresin
mltiple.
PTP-2014
PRUEBAS DE HIPOTESIS EN REGRESIN MULTIPLE

Las pruebas de hiptesis para la regresin mltiple, adquieren diversas
formas, como las siguientes:
1. Pruebas de hiptesis sobre un coeficiente de regresin parcial individual.
2. Pruebas de significancia global del modelo de regresin mltiple
estimado, es decir, ver si todos los coeficientes de pendiente parciales son
iguales a cero al mismo tiempo.
3. Pruebas de que dos o ms coeficientes son iguales a otro.
4. Pruebas de que los coeficientes de regresin parcial
satisfacen
ciertas
(0.002)
(0.209)
(11.593)
restricciones.
5. Pruebas de la estabilidad del modelo de regresin estimado a travs del
tiempo o en diferentes unidades de corte transversal.
6. Pruebas sobre la forma funcional de los modelos de regresin.
PTP-2014

Ejemplo:
(0.002)
(0.209)
(11.593)
Ln( M 1t ) 1 * Ln(GDPt ) 2 * RS 3 * Ln( PRt ) t

PTP-2014

La interpretacin de los coeficientes
depende de la naturaleza de la
variable del modelo. Para nuestro
caso utiliza utilizar series en
logaritmo,
los
coeficientes
representan la elasticidad demanda
por circulante. Si el producto
domstico bruto (GDP) aumenta en
1% la demanda de dinero aumenta
en 0.46%.
Si la tasa de inters (RS) aumenta en un punto porcentual, el circulante
disminuye en 0.027% y si el nivel de precios (PR) aumenta en 1% la
demanda por circulante aumenta en 0.56%, por ultimo la constate se
interpreta que para valores nulos de RS, GDP y PR, la probabilidad que
aumente el circulante es de 3.69%.
PTP-2014

Intervalo de Confianza para los Parmetros Estimados
i tt / 2;T k 1 **SSi
i
/ 2;T k 1
i
3.688873 1.97353 * 0.257734

0.457723 1.97353 * 0.035261
0.02703 1.97353 * 0.001550
0.563022 1.97353 * 0.058196
PTP-2014
Limite Superior
Limite Inferior
4.197519
3.18023
0.527311
0.38813
-0.023972
-0.03009
0.677873
0.44817

Test de Normalidad
Uno de los problema ms frecuentes al trabajar con variables es saber si
tienen distribucin Normal. Pues no se puede aplicar los Test estadsticos
si la muestra no es normal, en ese caso se trabajara con pruebas no
paramtricas, o se puede graficar las variables para tener una idea de la
forma y de esta manera poder hacer las transformaciones del caso, para
que tengan una distribucin normal.
EViews tiene incorporado varias pruebas para analizar la normalidad.
Recordemos que para asumir normalidad del modelo solo basta que los
errores de este sean normales para asumir la normalidad de dicho modelo.
Test de Jarque Bera
Prueba de Normalidad (Quantile - Quantile)
El Diagrama de Caja
PTP-2014

Test de Jarque Bera
Aplicando la prueba al error del modelo se tiene la hiptesis de decisin:
H0 : t se aproxima a una distribucin Normal.
H1 : t no se aproxima a una distribucin Normal.
Jarque - Bera se formula:
2
T k
K 3
2
T: Tamao de muestra
JB
S
6
4
K: Es la kurtosis
S: Es la asimetra
JB (25%;2 ) 5.99
k: Nmero de regresoras
Regla de Decisin:
Si el JB es menor 5.99 no se rechaza la hiptesis nula
PTP-2014

Abrir con doble Click Resid ir a View/ Descriptive Statistics & Tests /
Histogram and Stats
La asimetra tiende a
cero, lo que nos da
indicios de normalidad.
El JB es menor que
5.99 entonces no se
rechaza Ho.
La kurtosis tiende a tres lo que nos da

indicios de normalidad de los errores.
PTP-2014
Existe una probabilidad

de 12.39%(mayor 5%) de
no rechazar Ho.

Prueba de Normalidad (Quantile - Quantile)
Para que exista normalidad en los residuos los puntos debern estar a lo
largo de la recta, pero si los puntos estn muy dispersos y la mayora
esta fuera de la recta, entonces se concluye que no existe normalidad.
La instruccin en EViews es doble Click en Resid ir a View/ Graph y
en especificacin seleccionar Quantile - Quantile en opciones
seleccionar Theoretical
PTP-2014
Como se puede apreciar los puntos estn sobre la recta entonces

podemos decir que la variable Resid (Error) tiene una distribucin
normal.
PTP-2014

Diagrama de Caja
Si en el grfico la media esta en medio de la caja y los bigotes tiene la
misma distancia a la caja se acepta la normalidad de la variable.
Como sabemos este grfico se basa en la media, los cuartiles y valores
extremos. Donde la caja encierra el rango intercuartil que encierra el 50%
de los valores y tiene una media dibujada dentro, adems el intercuartil
tiene como extremos el percentil 75 y el percentil 25.
Instruccin en Views es abrir Resid con doble Click ir a View/Graph/
Seleccionar la especificacin Boxplot.
PTP-2014

Como se observa en el grfico la
media esta en la mitad de la caja
y los bigotes tiene igual
distancia a la caja, entonces
Resid tiene una distribucin
normal.
PTP-2014

Test Estadsticos sobre los Coeficientes
EViews tiene tres pruebas sobre los coeficientes del modelo y estas son:
Pruebas de Restriccin de Coeficientes: Esta prueba se basa en la
prueba de Wald, que puede ser individual (H0: i = 0) o grupal (H0: 1 = 2
= k =0)
En la ventana de la ecuacin ir a View/Coefficient Diagnostics/Wald TestCoefficient Restrictions En la ventana de dialogo se escriben las
restricciones entre comas si existen ms de una ejemplo:
H0 : C(2)+C(3)+C(4) = 0
PTP-2014
W ( Rb q ) S 2 R ( X X ) 1 R ( Rb q ) 2
F ( q=1;T=180;0.95)
PTP-2014
Existe muy baja probabilidad 0% de no

rechazar la hiptesis nula.
Por lo que se rechaza H0
q: Nmero de restricciones.
Pruebas de Variables Omitidas: Nos da una idea si una lista de

variable adicional podra mejorar el modelo. Si nos situamos en el
cuadro de la ecuacin y nos dirigimos a View/Coefficient
Diagnostics /Omitted Variables Test-Likelihood Ratio. En el cuadro de
dialogo se escriben las variables a omitir (caso: GDP).
PTP-2014
H0 : La variable GDP es no
significativa para el modelo
por lo que C(2)=0.
H1 : La variable GDP es una
variable significativa para el
modelo (C(2) 0).
Como la probabilidad es menor
del 5%, se rechaza la hiptesis
nula.
Por lo que La variable GDP es
significativa para el modelo
PTP-2014

Si queremos probar si GDP y PR son redundantes para el modelo
H0: GDP y RS son redundantes para el modelo.
H1: GDP y RS son significativas conjuntamente (C(2),C(4)0)
Como la probabilidad (F-statistic)es menor del 5%, se rechaza la hiptesis nula.

Por lo que La variable GDP y PR son significativa para el modelo.
PTP-2014

Pruebas de Variables Redundantes: Prueba si la exclusin de una lista de
variable podra mejor el ajuste del modelo.
En cuadro de la ecuacin nos dirigimos a View/Coefficient Diagnostics /
RedundantVariables Test-Likelihood Ratio
En el cuadro de dialogo se escriben las variables a omitir (caso: RS)
H0 : La variable RS es redundante para el

modelo.
H1 : La variable RS no es redundante para
el modelo.
Con una baja probabilidad de 0 % (menor =5%) no se acepta la hiptesis
nula. Por lo que la variable RS no es redundante para el modelo.
PTP-2014

Multicolinealidad
La multicolinealidad en el Modelo Lineal General se presenta cuando
las variables independientes presentan alto nivel de correlacin. Por lo
que en trminos empricos hay que definir los limites de tolerancia de
colinealidad.
Consecuencias: Es el incremento de los errores estndar de la prueba
t , se mantiene un buen ajuste R cuadrado alto, una prueba F
significativa y t bajo para variables que presentan multicolinealidad.
Deteccin: Anlisis de la matriz de correlaciones. Algunos autores
recomiendan correlaciones mayores 0.8 0.85 indica la presencia de
colinealidad (pero estos valores son un poco cuestionados).
PTP-2014

La multicolinealidad no quiere decir que se est rompiendo alguno de
los supuestos. Pues no afecta la capacidad predictiva conjunta de las
variables y, por lo tanto la capacidad predictiva.
Un intento por disminuir la varianza podra ser eliminar uno de los
regresores.
Suprimir las variables ms culpables con justificacin estadstica y
econmica.
PTP-2014
MULTICOLINEALIDAD
MULTICOLINEALIDAD
Para crear la matriz de correlaciones siga las siguientes indicaciones:

a. Realice la regresin Y en funcin de todas las variables regresoras.
b. Nos ubicamos en la ventana de EViews para ir al men Proc/Make
Regressor Group.
c. En la nueva ventana de objeto de grupo donde aparecen todas las
variables debemos ir: View/Correlations/Common Sample
ECONOMETRIA II
Soluciones a la Multicolinealidad Imperfecta

La primera solucin rpida es eliminar las variables causantes (lo que
puede causar que el remedio sea peor que la enfermedad).
Segunda solucin es transformar las variables o aumentar la muestra, en
un intento de presentar correlaciones lineales ms bajas. Las
transformaciones ms usadas son la primera diferencia D(x).
Una tercera solucin es dividir las variables del modelo por el deflactor
del consumo, de modo que en lugar de plantear el modelo con las
variables en dlares corrientes lo expresamos en dlares constantes de un
ao base.
Para finalizar la soluciones es disminuir el tamaos de muestra.
PTP-2014

Autocorrelacin
Es un caso particular de Mnimos Cuadrados Generalizados(MCG) que se
produce cuando los errores del modelo presentan correlaciones entre ellas
(esto puede deberse a efectos inerciales del pasado como la inflacin, una
crisis mundial, rezagos de poltica, especulacin, etc). Este problema y
la heteroscedasticidad origina que las perturbaciones no sean esfricas.
Por lo que la matriz de varianzas y covarianzas de las perturbaciones
sean distintas a cero.
Sus efectos son: la los estimadores por MCO de son insesgados por
ineficientes (varianza no es la mnima) e inconsistentes reduciendo la
probabilidad de hacer pruebas de hiptesis.
En resumen, no son eficientes en relacin con los dems estimadores
lineales e insesgados. Dicho de otro modo, es posible que no sean los
mejores estimadores lineales insesgados (MELI). Como resultado, las
pruebas usuales t, F y 2 pueden no ser vlidas.
PTP-2014
Solucin: Reparametrizar el modelo y determinar el componente

autorregresivo.
Causas Posibles de Autocorrelacin
Errores de especificacin por la omisin de variable(s) relevantes,
existencia de relaciones dinmicas no recogidas en el modelo o
formulacin de una relacin funciona lineal incorrecta.
Utilizacin de datos manipulados.
Existencia de efectos de proximidad entre las observaciones.
PTP-2014
AUTOCORRELACION
AUTOCORRELACION: Ejemplo
7.5
7.0
6.5
6.0
5.5
.12
5.0
.08
4.5
.04
.00
-.04
-.08
-.12
55
60
65
70
Residual
ECONOMETRIA II
75
80
Actual
85
90
95
Para visualizar la serie de los

residuos frente al tiempo:
View/ Actual, Fitted, Residual/
Actual, Fitted, Residual Graph
Se puede apreciar que los residuos
no se comportan de forma
totalmente aleatoria, aunque no se
observa una senda de signos
continuamente alternada.
Fitted
AUTOCORRELACION
Graficamos
ECONOMETRIA II
ahora frente a
AUTOCORRELACION
Graficamos
ahora frente a
.12
.08
RESID(-1)
.04
.00
-.04
-.08
-.12
-.12
-.08
-.04
.00
RESID
ECONOMETRIA II
.04
.08
.12
Se puede apreciar en el grfico que la

mayora de los puntos se encuentran en
el primer y tercer cuadrante, lo que nos
lleva a pensar la existencia de
autocorrelacin de tipo AR(1) con
coeficiente positivo.
Nota: Los grficos de los residuos de
mnimos cuadrados no son definitivos
para determinar la autocorrelacin en el
modelo.
AUTOCORRELACION
Test de Durbin-Watson
El valor del DW se puede apreciar en la diapositiva 100. Si el DW 2 no
existe autocorrelacin positiva; si DW>2 existe sospechas de una
autocorrelacin negativa y si DW<2 existe sospechas de una autocorrelacin
positiva.
Crtica:
* Slo es valido para la autocorrelacin de la perturbacin autorregresiva de
orden uno AR(1).
* Requiere de una muestra mnima de 15, para obtener resultados fiables.
* Presenta zonas de indeterminacin
ECONOMETRIA II
AUTOCORRELACION
El valor del estadstico DW=0.208837 lo que indica una correlacin serial
positiva en los residuos. A partir de las tablas de Durbin-Watson,
encontramos que para 180 observaciones, tres variables explicativas y un
intercepto: dL=1.738 y dU=1.799 en el nivel de 5% (debido a que no existe
los datos para 180 observaciones, se ha tomado el ms cercano, 200). Como
el valor d calculado de 0.208837 est por debajo de dL, no podemos
rechazar la hiptesis de que hay correlacin serial positiva en los residuos.
Es decir, hemos encontrado evidencia significativa a favor de la existencia
de un coeficiente de autocorrelacin residual positiva, debido a que
0.208837 < 1.738
ECONOMETRIA II
AUTOCORRELACION
El
parmetro autorregresivo, , se puede estimar de forma aproximada

utilizando la relacin:
Entonces:
Como ya sabemos, entre ms cercano est indicar una correlacin positiva
perfecta en los residuos.
ECONOMETRIA II
AUTOCORRELACION
Correlograma
Es otra forma de identificar la autocorrelacin de orden p.
Despus de regresionar, ir a View/ Residual Diagnostics/Correlogram Q
stadististics. En el cuadro de dialogo que aparece seleccionamos sin
transformar (Level) y el nmero de rezagos 36 (Lag Specification)
ECONOMETRIA II
AUTOCORRELACION
Correlograma
Las
bandas del correlograma estn

representada por :
los valores que sean iguales o
mayor a este valor nos indicara el
orden de AR(p).
Como los coeficientes de

autocorrelacin estn fuera de las
bandas se rechaza la hiptesis nula:
ECONOMETRIA II
AUTOCORRELACION
Correccin de la autocorrelacin: Mtodo de Durbin
Partimos del modelo:
1. Luego estimamos mediante el modelo auxiliar:
2. Usando el obtenido, aplicar MCO en el modelo transformado siguiente:
En donde:
; ;;
Para evitar perder las primeras observaciones, antes de aplicar MCO al
modelo transformado definiremos:
;
ECONOMETRIA II
AUTOCORRELACION
En nuestro ejemplo, primero realizamos
la regresin MCO. Aqu observamos
que el estadstico DW=0.2088.
Estimamos el mediante MCO del
modelo auxiliar, los resultados se
muestran en la siguiente gua positiva.
ECONOMETRIA II
AUTOCORRELACION
De esta regresin solamente nos
interesa el valor del coeficiente de la
variable lnM1(-1)= 0.887855.
Este valor lo utilizamos para construir
el modelo transformado.
Pero antes digitamos en el cuadro de
comandos:
scalar rho=@coefs(1)
Con la finalidad de guardar el valor
de en el escalar llamado rho.
Luego, generamos las nuevas series
para cada una de las variables:
ECONOMETRIA II
AUTOCORRELACION
Para las primeras celdas de las nuevas variables
generadas, utilizamos las siguientes frmulas, en
el cuadro de comandos:
lnm11=4.475915*sqr(1-rho^2)
lnpbi1=4.840535*sqr(1-rho^2)
lnpr1=-1.621709*sqr(1-rho^2)
rs1=1.64*sqr(1-rho^2)
Luego, con estas variables transformadas,
regresionamos con MCO. Los resultados se
muestran en la siguiente gua positiva.
ECONOMETRIA II
AUTOCORRELACION
Ahora, se tiene que el DW=1.51, que es
un valor prximo a 2.
El valor de se calcula de la siguiente
manera:
Entonces:
Se puede comprobar adems que, para un nivel de significacin = 0,05, el

nuevo DW=1.51 no muestra indicios de autocorrelacin de tipo AR(1) en el
trmino de perturbacin del modelo transformado.
ECONOMETRIA II

Heteroscedasticidad
La heteroscedasticidad significa que la varianza de las perturbaciones no
es constante a lo largo de las observaciones, violando uno de los supuestos
bsicos del MCRL.
Consecuencias
Una perdida de eficiencia de los estimadores mnimos cuadrados.
La varianza del estimador por MCO no es mnima.
Solucin
Reparametrizar el modelo para encontrar la ley de formacin de la
varianza para cada periodo.
Como veremos a continuacin EViews tiene incorporado varias pruebas
para detectar la heteroscedasticidad de los errores.
PTP-2014
Deteccin de Heteroscedasticidad
Este anlisis se basa en los residuos
i) Representacin grafica del valor absoluto de los errores con cada uno
de los regresores.
ii) Representacin grfica de del cuadrado de los errores con cada uno
de los regresores.
iii) Representacin grfica de residuos estimados versus la variable
dependiente proyectada u otras variables conocidas, para explicar el
comportamiento de la varianza y poder extraer su ley.
iv) Prueba general de Goldfeld y Quant, Breusch y Pagan, White.
PTP-2014
HETEROCEDASTICIDAD
DETECCION DE LA HETEROCEDASTICIDAD
En el desarrollo de este ejemplo, consideraremos los resultados obtenidos
anteriormente, en el anlisis de la multicolinealidad. All vimos que la
variable causa de la colinealidad era el nivel de precios por lo que procedimos
a eliminarla quedando solamente las variables lnM1, lnGDP y RS.
Adems, al eliminar la variable lnPR,

la nueva matriz de correlaciones no
evidencia correlaciones altas,
eliminndose de esa manera la
colinealidad. La nueva estimacin,
libre de colinealidad, se muestra en el
grfico adjunto.
ECONOMETRIA II
HETEROCEDASTICIDAD
Pronstico de la variable dependiente:
Entonces, haciendo doble click en el objeto Ecuacin2, podemos

acceder a los resultados de la regresin:
En esta ventana activar Forecast.
Nuestra prediccin se guardar en el

Workfile con el nombre LnM1f.
ECONOMETRIA II
HETEROCEDASTICIDAD
7.5
Forecast:LNM1F
Actual:LNM1
Forecastsample:1180
Includedobservations:180
7.0
6.5
RootMeanSquaredError
MeanAbsoluteError
MeanAbs.PercentError
TheilInequalityCoefficient
BiasProportion
VarianceProportion
CovarianceProportion
6.0
5.5
5.0
0.059583
0.049852
0.888326
0.005084
0.000000
0.001572
0.998428
4.5
25
50
75
100
125
150
175
LNM1F
Este es una representacin de una prediccin dinmica desde el

perodo 1952:Q1 hasta 1996:Q4, sin embargo debemos verificar el
valor de el coeficiente de Theil que debe ser cercano a 0, en este
casoes0.005084,estonosdaindiccionesdeunabuenaprediccin.
ECONOMETRIA II
HETEROCEDASTICIDAD
Residuos al cuadrado vs pronsticos de la variable dependiente (lnm1f)
a. Primero realizamos la regresin LS lnm1 lngdp rs c para obtener los
residuos.
b. Hacemos click en Proc/Make Residual Series con el propsito de tomar
el objeto Resid y cambiar su nombre.
c. En la nueva ventana, en el campo
Name for resid series, cambiar el
nombre Resid01 por Res y luego
click en OK.
Cambiar el
nombre por
Res
ECONOMETRIA II
HETEROCEDASTICIDAD
Para visualizar las series que vamos a graficar, se puede hacer clic en
Quick/Show
En la nueva ventana escribir el
nombre de las variables que se
quieren graficar: lnM1f y Res
elevado al cuadrado:
ECONOMETRIA II
HETEROCEDASTICIDAD
Luego, de hacer click en OK, se presenta el grupo de variables.
Luego:View/Graph/Scatter/Simple Scatter para visualizar el grfico.
ECONOMETRIA II
HETEROCEDASTICIDAD
El grfico que se visualiza es el siguiente:

.020
RES^2
.016
.012
.008
.004
.000
4.5
5.0
5.5
6.0
6.5
7.0
7.5
LNM1F
Parece que lnm1f presenta una estructura aleatoria

ECONOMETRIA II
HETEROCEDASTICIDAD
Residuos al cuadrado vs lngdp
.020
RES^2
.016
.012
.008
.004
.000
4.4 4.8 5.2 5.6 6.0 6.4 6.8 7.2 7.6
LNGDP
ECONOMETRIA II
Para visualizar las series

Residuos y lngdp, hacer clic
en Quick/Show. En la nueva
ventana escribir el nombre
de las variables: lngdp y
Residuos elevado al
cuadrado.
Luego:
View/Graph/Scatter/Simple
Scatter para visualizar el
grfico.
Parece que lngdp presenta
una estructura aleatoria.
HETEROCEDASTICIDAD
Residuos al cuadrado vs rs
.020
Para visualizar las series

Residuos y rs, realizar las
mismas actividades
anteriores.
RES^2
.016
.012
.008
.004
.000
0
12
16
RS
ECONOMETRIA II
HETEROCEDASTICIDAD
Mtodos formales: Prueba de Glejser
Para
la prueba de Glejser realizamos las

siguientes regresiones:
1. LS lnm1 c lnGDP rs para obtener
los residuos . (figura adjunta)
2. Hacemos click en Proc/Make

Residual Series con el propsito
de tomar el objeto Resid y
cambiar su nombre por Res.
ECONOMETRIA II
HETEROCEDASTICIDAD
Mtodos formales: Prueba de Glejser Abs(Resid)Vs. LnGDP
Para

En el cuadro de comandos digitamos:
Ls Abs(res) c lnGDP
El resultado se muestra en la figura
adjunta. Muestra que con 5% de nivel de
confianza, la probabilidad de lnGDP es
significativa por lo que existe
heterocedasticidad.
ECONOMETRIA II
HETEROCEDASTICIDAD
Mtodos formales: Prueba de Glejser Abs(Resid)Vs. LnGDP^0.5
Para

Ls Abs(res) c lnGDP^0.5
Al igual que en el caso anterior, el
resultado muestra que con 5% de nivel
de confianza, la probabilidad de
lnGDP^0.5 es significativa por lo que
existe heterocedasticidad.
ECONOMETRIA II
HETEROCEDASTICIDAD
Mtodos formales: Prueba de Glejser Abs(Resid)Vs. 1/LnGDP
Para

Ls Abs(res) c 1/lnGDP
Al igual que en las dos regresiones
anteriores, el resultado muestra que con
5% de nivel de confianza, la
probabilidad de 1/lnGDP es significativa
por lo que existe heterocedasticidad.
ECONOMETRIA II
HETEROCEDASTICIDAD
Mtodos formales: Prueba de Glejser Abs(Resid)Vs. 1/(LnGDP^0.5)
Para

Ls Abs(res) c 1/(lnGDP^0.5)
Al igual que en los casos anteriores, el
de confianza, la probabilidad de 1/
(lnGDP^0.5) es significativa por lo que
existe heterocedasticidad.
ECONOMETRIA II
HETEROCEDASTICIDAD
Mtodos formales: Prueba de Glejser Abs(Resid)Vs. rs
Para

Ls Abs(res) c rs
El resultado se muestra en la figura
adjunta. Muestra que con 5% de nivel de
confianza, la probabilidad de rs es
significativa por lo que existe
heterocedasticidad.
ECONOMETRIA II
HETEROCEDASTICIDAD
Mtodos formales: Prueba de Glejser Abs(Resid)Vs. rs^0.5
Para

Ls Abs(res) c rs^0.5
Al igual que en el caso anterior, el
de confianza, la probabilidad de rs^0.5
es significativa por lo que existe
heterocedasticidad.
ECONOMETRIA II
HETEROCEDASTICIDAD
Mtodos formales: Prueba de Glejser Abs(Resid)Vs. 1/rs
Para

Ls Abs(res) c 1/rs
Al igual que en las dos regresiones
anteriores, el resultado muestra que con
5% de nivel de confianza, la
probabilidad de 1/rs es significativa por
lo que existe heterocedasticidad.
ECONOMETRIA II
HETEROCEDASTICIDAD
Mtodos formales: Prueba de Glejser Abs(Resid)Vs. 1/(rs^0.5)
Para

Ls Abs(res) c 1/(rs^0.5)
Al igual que en los casos anteriores, el
de confianza, la probabilidad de 1/
(rs^0.5) es significativa por lo que existe
heterocedasticidad.
ECONOMETRIA II
HETEROCEDASTICIDAD
.14
.14
.12
.12
.10
.10
ABS(RES)
ABS(RES)
Valor absoluto de los residuos vs lngdp y rs
.08
.06
.08
.06
.04
.04
.02
.02
.00
4.4 4.8 5.2 5.6 6.0 6.4 6.8 7.2 7.6
.00
LNGDP
ECONOMETRIA II
12
16
RS
HETEROCEDASTICIDAD
Mtodos formales: Prueba de Goldfeld-Quandt
Prueba
de Goldfeld - Quandt
H0 : Existe Homoscedasticidad ()
H1 : Existe Heteroscedasticidad
Omitir r observaciones intermedia (r < T/3)
Los dos grupos tiene tamao (T-r)/2
En nuestro ejemplo tenemos 180 observaciones, despus de ordenar las
observaciones del modelo (se ordena las observaciones de todas la
variables mediante: Procs/Sort Current Page en el nuevo cuadro de
dialogo introducimos la variable lnm1 y ordenamos Ascendentemente).
Omitimos las 58 (r<180/3) observaciones centrales formando dos grupos,
donde el primero tiene 61 observaciones (de 1 hasta 61) y el segundo
tambin 61 observaciones (de 120 hasta 180).
ECONOMETRIA II
HETEROCEDASTICIDAD
ECONOMETRIA II
HETEROCEDASTICIDAD
Segundo Grupo
Primer Grupo
En el cuadro de comandos generamos es escalar de la desviacin estndar

para el primer grupo (scalar se1=@se) y la desviacin del error para el
segundo grupo (scalar se2=@se).
Observamos cual de las dos desviaciones es la mayor por que dividiremos la
mayor desviacin entre la menor en el cuadro de comandos, en nuestro caso
es se2=0.032169 es mayor a se1=0.1051423.
ECONOMETRIA II
HETEROCEDASTICIDAD
En
el cuadro de comando generamos el estadstico: scalar F=(se2/se1)^2,

que nos proporciona el valor de F= 4.51337.
Para rechazar o no la hiptesis nula necesitamos de la probabilidad del
estadstico F de la tabla, por lo que calcularemos esta probabilidad en el
cuadro de comandos:
Scalar prob=(1-@cfdist(f, 61,61))
El resultado nos da una p=0.0000000098 (menor a 0.05). Por lo que se
rechaza la hiptesis nula de Homoscedasticidad de la varianza.
ECONOMETRIA II
HETEROCEDASTICIDAD
Mtodos formales: Prueba Breusch-Pagan-Gofrey
El
xito de la prueba de Goldfeld-Quandt depende no slo del valor de c (el

nmero de observaciones centrales que se van a omitir), sino tambin de la
identificacin de la variable X correcta que servir de referencia para
ordenar las observaciones. Esta limitacin de la prueba se evita si
consideramos la prueba Breusch-Pagan-Godfrey (BPG).
Para ilustrar esta prueba, considere el modelo de regresin lineal con k
variables:
Suponga que la varianza del error:
es decir, es algn tipo de funcin de las variables Z no estocsticas; alguna
de las X o todas ellas pueden servir como Z.
ECONOMETRIA II
HETEROCEDASTICIDAD
Especficamente,
suponga que:
es decir, es una funcin lineal de las Z. Si , , que es una constante.

Por consiguiente, para probar si es homoscedstica, se puede probar la
hiptesis de que:
sta es la idea bsica de la prueba Breusch-Pagan.
El procedimiento es el siguiente:
Paso 1. Estime mediante MCO y obtenga los residuos .
ECONOMETRIA II
HETEROCEDASTICIDAD
Paso
2. Obtenga:
Este es el estimador de mxima verosimilitud (MV) de . [Nota: El estimador

de MCO es ]
Paso 3. Construya las variables definidas como
que es simplemente cada residuo elevado al cuadrado dividido entre .
Paso 4. Haga la regresin de los as construidos sobre las Z como:
donde vi es el trmino de residuo para esta regresin.
ECONOMETRIA II
HETEROCEDASTICIDAD
Paso
5. Obtenga la SCE (suma de cuadrados explicada) de la regresin

anterior y defina:
Si suponemos que los estn normalmente distribuidos, se demuestra que s
hay homoscedasticidad, y si el tamao n de la muestra aumenta
indefinidamente, entonces:
es decir, sigue una distribucin ji cuadrada con (m 1) grados de libertad,
pero de manera asinttica).
Por consiguiente, si en una aplicacin el calculado excede al valor crtico en
el nivel de significancia seleccionado, se rechaza la hiptesis de
homoscedasticidad; de lo contrario, no se rechaza.
ECONOMETRIA II
HETEROCEDASTICIDAD
Ejemplo: Para la demanda de dinero, realizar la prueba de Prueba
de Breusch-Pagan-Gofrey
Considere
los datos de la tabla adjunta.

GDP: Producto bruto interno
M1: Medio circulante
PR: Nivel de precios (deflactor del GDP)
RS: Tasa a 3 meses de los bonos del
tesoro.
Modelo a regresionar:
ECONOMETRIA II
HETEROCEDASTICIDAD
Ejemplo: Para la demanda de dinero, realizar la prueba de Prueba
de Breusch-Pagan-Gofrey
Paso
1: Regresin de Lnm1 sobre LnGDP y RS:

ee= (42.47723) (147.2793)
(16.32545)
Paso 2
Scalar n=@regobs; n=180
Scalar SCR=@ssr; SCR=0.639020
Scalar s2=scr/n; s2=0.003550
ECONOMETRIA II
HETEROCEDASTICIDAD
Mtodos formales: Prueba de Breusch-Pagan-Gofrey (Eviews)
Paso
3:
Genr pt=resid^2/s2.
Paso
4: Si supone que las estn

relacionadas linealmente con y ),
obtenemos la regresin:
El resultados es:
ee= (4.074)
8.923943
ECONOMETRIA II
(-1.7269) (-0.67486)
HETEROCEDASTICIDAD
Mtodos formales: Prueba de Breusch-Pagan-Gofrey (Eviews)
Para hallar el valor de SCE (Suma del cuadrado de la regresin o Suma de
cuadrados explicada)
1. Recuerde que ; entonces, necesitamos los valores pronosticados de la
variable y la media de la serie pt.
1. Para obtener los valores pronosticados de pt :
a. Regresionar ls pt c lnGDP RS.
b. En la ventana Workfile hacer clic en Forecast. Por defecto, el nombre
del objeto es ptf. Hacer click en Ok.
c. Para obtener el valor de la media de pi, digitar en el cuadro de
comandos: Scalar ptm=@mean(pt).
d. Digitar en el cuadro de comandos: Genr SCE=(ptf-ptm)^2 para obtener
la serie SCE.
e. Digitar en el cuadro de comandos: Scalar SSE=@sum(SCE) para
obtener el valor de la suma calculada. Al hacer doble click en el objeto
SSE, se obteiene en el cuadro de mensajes SSE=8.92394
ECONOMETRIA II
HETEROCEDASTICIDAD
Mtodos formales: Prueba de Breusch-Pagan-Gofrey
Paso
5:
Como, sigue asintticamente la distribucin 2 con 2 gl. De la tabla 2 vemos

que, para 1 gl, el valor crtico en 5%, 2=3.84. Por tanto, el valor observado
2=4.4619 es significativo en el nivel de significancia de 5% pero no en el
nivel de 1%.
Por consiguiente, si en una aplicacin el calculado excede al valor crtico en
el nivel de significancia seleccionado, se rechaza la hiptesis de
homoscedasticidad; de lo contrario, no se rechaza. Con esta prueba se
rechaza la hiptesis de homocedasticidad.
ECONOMETRIA II
HETEROCEDASTICIDAD
Mtodos formales: Prueba general de heterocedasticidad de White
A diferencia
de la prueba de Goldfeld-Quandt, que requiere reordenar las

observaciones respecto de la variable X que supuestamente ocasiona la
heteroscedasticidad, o de la prueba BGP, sensible al supuesto de
normalidad, la prueba general de heteroscedasticidad propuesta por White no
se apoya en el supuesto de normalidad y es fcil aplicarla.
Considere el siguiente modelo de regresin con tres variables:
Para realizar la prueba de White se procede de la siguiente forma:
Paso 1. Dada la informacin, estime y obtenga los residuos .
Paso 2. Efecte la siguiente regresin (auxiliar):
ECONOMETRIA II
HETEROCEDASTICIDAD
Es decir, con el cuadrado de los residuos de la regresin original se hace la

regresin sobre las variables X originales, sobre sus valores al cuadrado y
sobre el producto cruzado de las regresoras. Tambin pueden introducirse
potencias ms altas de las regresoras. Observe que hay un trmino constante
en esta ecuacin, aunque la regresin original puede o no contenerlo.
Obtenga R2 de esta regresin auxiliar.
Paso 3. Segn la hiptesis nula de que no hay heteroscedasticidad, puede
demostrarse que el tamao de la muestra (n) multiplicado por R2 obtenido de
la regresin auxiliar asintticamente sigue la distribucin ji cuadrada con gl
igual al nmero de regresoras en la regresin auxiliar. Es decir:
donde los gl son iguales a los definidos antes. En el ejemplo, hay 5 gl
porque hay 5 regresoras en la regresin auxiliar.
ECONOMETRIA II
HETEROCEDASTICIDAD
Paso 4. Si el valor ji cuadrada excede al valor ji cuadrada crtico en el nivel

de significancia seleccionado, la conclusin es que hay heteroscedasticidad.
Si ste no excede el valor ji cuadrada crtico, no hay heteroscedasticidad, lo
cual quiere decir que en la regresin auxiliar .
El supuesto de que la varianza del error , , se relaciona funcionalmente con
las regresoras, con sus valores al cuadrado y con sus productos cruzados est
implcito en este procedimiento. Si todos los coeficientes parciales de
pendiente en esta regresin son simultneamente iguales a cero, entonces la
varianza del error es homoscedstica e igual a la constante .
ECONOMETRIA II
HETEROCEDASTICIDAD
Ejemplo:
Con los datos del ejemplo de la demanda de dinero, realice la prueba de

White.
No existe Heteroscedasticidad
White sin termino cruzado (no cross terms)
Esta prueba es similar a MCG que considera los residuos del cuadrado como
variable dependiente.
White con termino cruzado (cross terms)
La varianza toma forma general en funcin de regresoras al cuadrado y de su
producto cruzado.
ECONOMETRIA II
HETEROCEDASTICIDAD
H 0 : i2 2
H1 : no se verifica H 0
t2 0 1 x1i 2 x2i 11 x12i 22 x 22 i 12 x1i x2i ui
i 1 N
LM T * R 2 22k
No lo seleccionamos para no
incluir termino cruzado.
ECONOMETRIA II
HETEROCEDASTICIDAD
t2 0 1 x1i k xkt 11x12k kk x 2kt 12 x1t x2t k 1,k xk 1,t xkt ui
En este anlisis debemos observar el valor

de Obs*R-squared=23.9566; vemos que
2 nuestro test de White, bajo la hiptesis
LM T * R 2 en
2k
nula que el modelo es homocedstico, las
observaciones por la R-cuadrada de este
modelo se distribuyen asintticamente
como una Chi-cuadrada con los grados de
libertad que se impone en la regresin
auxiliar (4). Entonces, buscamos en la
tabla estadstica el valor de la Chi
cuadrada (4), vemos que es 9.49; lo
comparamos con Obs*R-squared= 23.9566 y como este valor es ms grande
que 9.49, rechazamos la hiptesis nula de homocedasticidad y decimos que
hay evidencia de heterocedasticidad.
ECONOMETRIA II
HETEROCEDASTICIDAD
t2 0 1 x1i k xkt 11x12k kk x 2kt 12 x1t x2t k 1,k xk 1,t xkt ui
Alternativamente, vemos que la

probabilidad del estadstico Obs*R2
es 0.000081 (0.0081%) que es
LM T * R 2 squared
2k
menor a que 5% y, por lo tanto,
rechazamos la hiptesis nula de
homocedasticidad. As, la varianza no es
constante y existe heteroscedasti-cidad en
el modelo.
Debemos considerar que el resultado
Obs*R-squared es un resultado asinttico,
funciona para muestras grandes.
Si tenemos muestras pequeas, debemos observar el estadstico F-statistic y

su probabilidad, en este caso p=0.0047%, que es menor a 5% y, por lo tanto,
se rechaza la hiptesis nula de homocedasticidad.
ECONOMETRIA II

Contraste de Especificacin y Diagnostico del Modelo
Cuando se construye un modelo economtrico se comienza por la
especificacin, estimacin y la formulacin de un conjunto de
hiptesis. En este procedimiento inicial que requiere de distintas
alternativas, se puede incurrir en errores, por lo que es conveniente
someter al modelo a diversas pruebas que permitan comprobar su
validez y eficacia, antes de utilizarlo.
Existen diferentes pruebas en EViews para la especificacin y
diagnostico relativas a la especificacin de la parte simtrica del
modelo y a las propiedades que debe cumplir la perturbacin
aleatoria.
PTP-2014

Test de Chow
Este contraste consiste en comprar si las ltimas observaciones muestrales
disponibles presente cambio respecto a las anteriores. En este nuestro
caso vamos a estudia la existencia un quiebre en 1986.
H 0: Existe estabilidad estructural en el modelo.
H 1: Existe un comportamiento distinto en cada grupo.
La hiptesis nula (estabilidad estructura) y alternativa (cambio
estructural) se expresan en trminos de parmetros:
01
02
1 1

1 2
k k
H0 :
PTP-2014
01 02
1 2

H1 : 1 1

1 2
k k

Para analizar la estabilidad del modelo nos situamos en la ecuacin
estimada seleccionamos de la barra de herramientas View/ Stability
Diagnostics/ Chow Breakpoint Test
En el cuadro de dialogo se deben escribir los o fechas en los que ocurre

el cambio estructural en nuestro ejemplo escribiremos 1986, lo que
generar una particin de dos submuestras de 1952 a 1985 y otra de 1986
a 1996.
PTP-2014

El valor de F nos indica el rechazo de la hiptesis nula de estabilidad
estructural, por que dicha probabilidad es muy pequea (casi nula). Por
tanto concluimos que en nuestro modelo se produce un cambio
estructural en el cuarto trimestre de 1986.
Valor de probabilidad menor

que 5% por lo que se rechaza
la hipotesis nula.
PTP-2014

Test de Ramsey
Para saber si nuestras variables regresoras cumplen bien con explicar
el modelo, le aplicaremos la prueba de Ramsey.
H 0: El modelo esta bien especificado.
H 1: El modelo no este bien especificado.
La alternativa para tratar la no linealidad consiste en transformar el
modelo.
Lo principal es la forma en la que se encuentra los parmetros en la
ecuacin, pues mediante logaritmos o exponentes se puede convertir
en lineales. Algunas de las formas ms usuales son:
PTP-2014
Tipo
Inversa
Exponencial
Crecimiento
Potencia
PTP-2014
Funcin
Yt .
1
t
xt
Yt .e . xt . t
Yt e xt t
Yt .x . t
Forma Lineal
Yt .xt* t
Log (Yt ) Log ( ) xt t

Log (Yt ) xt t
Log (Yt ) Log ( ) ( Logxt ) t

Para esta prueba utilizaremos el objeto resultados MCO y vamos a
View/ Stability Diagnostics/ Chow Ramsey RESET Test
Y tomando una sola

potencia para variables
endgenas ajustada
PTP-2014

Notemos que, la probabilidad
asociada al F estadstico del test de
Ramsey RESET es igual a 57.59%
(p>5%,por lo no se rechaza la
hiptesis nula). Por lo tanto no se
puede rechazar la hiptesis nula de
que el modelo est bien especificado.
Es decir que las variables regresoras
cumplen con el objetivo de explicar
bien el modelo.
PTP-2014

Estadsitico CUSUM
Es otra forma de detectar la estabilidad estructural, y se basa en la suma
acumulada de los residuos recursivos. El grfico se obtiene si nos
situamos en el objeto MCO en la barra de herramientas vamos View/
Stability Diagnostics/ Recursive Estimates(OLS only)seleccionamos
en la pantalla CUSUM Test y OK.
PTP-2014
Se observa que el grfico se aleja

de cada vez ms hasta llegar
1971, donde se produce un fuerte
alejamiento continuamente del
valor cero, lo que demuestra que
no hay estabilidad en el modelo.
Inestabilidad del modelo en el

ao de 1971.
PTP-2014

Estadstico CUSUMQ
Es otra manera para detectar el quiebre estructura, su grfico se basa en
la suma acumulada de los cuadrados de los residuos recursivos. El
grfico se obtiene si nos situamos en el objeto MCO en la barra de
herramientas vamos View/ Stability Diagnostics/ Recursive
Estimates(OLS only)seleccionamos en la pantalla CUSUM of
Squarest Test y OK.
PTP-2014

Se observa que el grfico se
sale de las bandas de confianza
desde 1961 hasta 1971, donde
comienza a presentarse una
alejamiento, lo que nos dice que
existe un quiebre en 1971.
Inestabilidad del modelo desde

1961 hasta 1971(se sale de las
bandas).
PTP-2014

Para corregir este problema introduciremos variables Dummy o Ficticias
a nuestro modelo.
1 si
0
Dum :
t 1971
En el resto
Nuestro modelo esta representado ahora por:

Log ( M 1) 1 2 * Dum 1 * Log (GDP ) 2 * ( Dum * Log (GDP )) 3 * RS
4 Dum * RS 5 Dum * Log ( M 1(1)) 6 Log ( M 1(1)) t
Se genera esta variable con el comando: Genr Dum=@year>=1971

Se puede apreciar que la nica variable significativa que engloba a las
ficticias es la iteracin Dum*RS.
Nota: Tambin se puede optar el periodo de 1961-1971, por lo que se
tendra que utilizar Genr Dum=(@year<=1961) or (@year>=1971)
PTP-2014

Por lo que nuestro nuevo modelo que lo llamaremos MCOF estar
estimado por MCO con variable Ficticias. Y puede estimarse:
Equation mcof.ls log(m1) c dum dum*log(gdp) log(gdp) Dum*rs rs
log(M1(-1))*Dum Log(m1(-1))
Se
observa
que
la
significancia individual y
conjunta es muy adecuada,
un R cuadrado muy bueno y
DW muy cercado a 2, lo que
nos indica que nuestro
modelo ya es adecuado para
completar
el
cambio
estructural.
PTP-2014

Pronostico del Modelo
Con la estructura ARMA construimos el pronostico, pero antes
previamente modificaremos el rango de 1952Q1-1996Q4 a 1952Q12005Q4.
Para esto nos situamos en la barra de herramientas del Workfile y
seleccionamos Procs/ Structure/ Resize Current Page
PTP-2014
Grfico del Pronostico
PTP-2014
UNIVERSIDAD NACIONAL
SANTIAGO ANTUNEZ DE MAYOLO
Facultad de Economa y Contabilidad
CONTRASTACION
DE
HIPOTESIS
Programa de Titulacin Profesional
PTP-2014

Contrastacion de Hipotesis 2015 PTP

Diunggah oleh

Informasi Dokumen

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Contrastacion de Hipotesis 2015 PTP

Diunggah oleh

Hak Cipta:

Format Tersedia

UNIVERSIDAD NACIONAL

SANTIAGO ANTUNEZ DE MAYOLO

Cada economista es un econmetra, lo desee o no;

Econ. JOSE RODRIGUEZ HERRERA

lo que comnmente se denomina investigacin

Econ. JOSE RODRIGUEZ HERRERA

La Econometra es la aplicacin de mtodos matemticos

Econ. JOSE RODRIGUEZ HERRERA

Anlisis cuantitativo de la informacin

Econ. JOSE RODRIGUEZ HERRERA

Anlisis cuantitativo de la informacin

Econ. JOSE RODRIGUEZ HERRERA

Anlisis cuantitativo de la informacin

Econ. JOSE RODRIGUEZ HERRERA

Anlisis cuantitativo de la informacin

Econ. JOSE RODRIGUEZ HERRERA

Anlisis cuantitativo de la informacin

Econ. JOSE RODRIGUEZ HERRERA

Anlisis cuantitativo de la informacin

Econ. JOSE RODRIGUEZ HERRERA

Econometra, sistemas de informacin y produccin de datos

Econ. JOSE RODRIGUEZ HERRERA

Econometra, sistemas de informacin y produccin de datos

Econ. JOSE RODRIGUEZ HERRERA

Econ. JOSE RODRIGUEZ HERRERA

El sentido economtrico del anlisis en

Econ. JOSE RODRIGUEZ HERRERA

El sentido economtrico del anlisis en investigacin

Econ. JOSE RODRIGUEZ HERRERA

El sentido economtrico del anlisis en investigacin

modelo economtrico queda especificado por la siguiente ecuacin:

Econ. JOSE RODRIGUEZ HERRERA

Modelos econmicos y modelos economtricos

Econ. JOSE RODRIGUEZ HERRERA

Modelos econmicos y modelos economtricos

Econ. JOSE RODRIGUEZ HERRERA

Modelos econmicos y modelos economtricos

Una vez especificados, los modelos deben ser estimados a partir de

Econ. JOSE RODRIGUEZ HERRERA

Modelo clsico de regresin lineal

modelos que se establecen en los trabajos de investigacin, son los

Econ. JOSE RODRIGUEZ HERRERA

Modelo clsico de regresin lineal

embargo, es muy raro que en un trabajo de investigacin se plantee

Econ. JOSE RODRIGUEZ HERRERA

Supuestos del modelo clsico de regresin lineal

1. Modelo de regresin lineal: El modelo de regresin es

Econ. JOSE RODRIGUEZ HERRERA

Supuestos del modelo clsico de regresin lineal

3. El valor medio de la perturbacin es igual a cero: Dado

Econ. JOSE RODRIGUEZ HERRERA

Supuestos del modelo clsico de regresin lineal

trminos llanos, la variacin alrededor de la lnea de regresin (la

Econ. JOSE RODRIGUEZ HERRERA

Supuestos del modelo clsico de regresin lineal

5. No hay autocorrelacin entre las perturbaciones: Dados

Tcnicamente, ste es el supuesto de no correlacin serial, o no

Econ. JOSE RODRIGUEZ HERRERA

Supuestos del modelo clsico de regresin lineal

Econ. JOSE RODRIGUEZ HERRERA

Supuestos del modelo clsico de regresin lineal

6: El nmero de observaciones n debe ser mayor que el

Econ. JOSE RODRIGUEZ HERRERA