Diapositivas Tema 1

18/09/2011
1
UCV-FACES-ECONOMA
ECONOMETRA I, Semestre II-2011
Profesor: Angel Cova
Tema I:
Introduccin a la Econometra
1
Definicin y objetivo
Econometra: medicin econmica (significado literal).

Consiste en analizar datos de origen econmico
aplicando herramientas estadsticas y matemticas, con
el propsito de dar soporte emprico a los modelos
planteados por la teora econmica.

No se considera una ciencia sino una disciplina que
combina la teora econmica, la matemtica y la
estadstica.
2
18/09/2011
2
Metodologa economtrica
Planteamiento de la teora econmica.
Especificacin del modelo matemtico de la teora.
Especificacin del modelo estadstico de la teora
(economtrico).
Obtencin de los datos.
Estimacin de los parmetros del modelo
economtrico.
Pruebas de hiptesis.
Pronstico o prediccin.
Utilizacin del modelo para fines de control o poltica
econmica.

3
Metodologa economtrica
t t t
kt k t t t t
t kt k t t t t
t kt k t t t t
kt k t t t t
kt t t t t
Y Y
X X X X Y
X X X X Y
X X X X Y
X X X X Y
X X X X f Y
| | | | |
| | | | |
| | | | |
| | | | |
) 6
...

) 5
...

) 4
... ) 3
... ) 2
) ,..., , , ( ) 1
3 3 2 2 1 1 0
3 3 2 2 1 1 0
3 3 2 2 1 1 0
3 3 2 2 1 1 0
3 2 1
+ =
+ + + + + =
+ + + + + + =
+ + + + + + =
+ + + + + =
=
4
18/09/2011
3
Los modelos y sus tipos.
a) Finito, infinito.
b) Lineal, no lineal.
c) Simple, mltiple.
d) Esttico, dinmico.
e) Determinista, estocstico.
f) De identidad, comportamiento.
g) Uniecuacional, multiecuacional.
h) Microeconmico, macroeconmico.

5
El modelo economtrico
Tipo de modelo y ecuacin.
Variable dependiente (explicada) y variables independientes
(explicativas).
Parmetros (poblacionales) y estimadores (muestrales).
Datos observados, datos estimados y trmino de error.
6
t t t
t kt k t t t t
t kt k t t t t
Y Y
X X X X Y
X X X X Y
| | | | |
| | | | |
...

...
3 3 2 2 1 1 0
3 3 2 2 1 1 0
+ =
+ + + + + + =
+ + + + + + =
18/09/2011
4
Supuestos sobre las perturbaciones
n t t s
N
Cov
Var
E
t
t s
t
t
,..., 2 , 1 ;
) ; 0 ( ~
0 ) , (
) (
0 ) (
2
2
= =
=
=
=
o

o
7
Criterios de seleccin de un modelo
1. Ser aceptable segn los datos.
2. Ser consistente con la teora.
3. Tener regresores dbilmente exgenas.
4. Mostrar constancia paramtrica.
5. Exhibir coherencia en los datos.
6. Ser inclusivo.

La econometra como disciplina
Requisitos y niveles de conocimiento, bondades y problemas,
alcances y limitaciones,, coherencia entre la estadstica y la
teora econmica.

8
18/09/2011
5
UCV-FACES-ECONOMA
ECONOMETRA I, Semestre II-2011
Profesor: Angel Cova
Tema II:
El Modelo Clsico
de Regresin Lineal
9
Anlisis de regresin
Se trata del estudio de la dependencia de la variable
explicada, respecto a una o ms variables
(denominadas explicativas), con el objetivo de estimar
y/o predecir la media o valor promedio poblacional de
la primera en trminos de los valores fijos conocidos
(en muestreo repetido) de las ltimas.

Cuando dicha relacin se escribe a travs de una
ecuacin lineal en los parmetros con una o mas
variables explicativas, entonces se habla de un modelo
clsico de regresin lineal (MCRL).
10
18/09/2011
6
Trminos y conceptos para aclarar
Establecer diferencias entre:
Anlisis de regresin y anlisis de correlacin.
Anlisis de regresin y anlisis de causalidad.

Dejar claro los siguientes trminos:
Significado del trmino lineal (en las variables y en
los parmetros).
Significado del trmino de perturbacin estocstica.
Funcin de Regresin Poblacional (FRP) y Funcin de
Regresin Muestral (FRM).

11
Supuestos del MCRL
1. El modelo de regresin es lineal en los parmetros.
2. Los valores de X son fijos en muestreo repetido.
3. El valor medio de la perturbacin (
t
) es igual a cero.
4. Homoscedasticidad o igual varianza de
t
.
5. No existe autocorrelacin entre las perturbaciones.
6. La covarianza entre
t
y X
t
es igual a cero.
7. El nmero de observaciones (n) debe ser mayor que el
nmero de parmetros por estimar.
8. Variabilidad en los valores de X.
9. El modelo de regresin esta correctamente especificado.
10. No hay multicolinealidad perfecta entre las variables
explicativas.

12
18/09/2011
7
Especificacin matricial del MCRL
n kn k n n n n
k k
k k
k k
k k
t kt k t t t t
X X X X Y
X X X X Y
X X X X Y
X X X X Y
X X X X Y
n t Para
X X X X Y
| | | | |
| | | | |
| | | | |
| | | | |
| | | | |
| | | | |
+ + + + + + =
+ + + + + + =
+ + + + + + =
+ + + + + + =
+ + + + + + =

=
+ + + + + + =
...
......... .......... .......... .......... .......... .......... .......... ..........
...
...
...
...
,..., 2 , 1
...
3 3 2 2 1 1 0
4 4 34 3 24 2 14 1 0 4
3 3 33 3 23 2 13 1 0 3
2 2 32 3 22 2 12 1 0 2
1 1 31 3 21 2 11 1 0 1
3 3 2 2 1 1 0
13
Especificacin matricial del MRLC
) 1 ( 1 ) 1 ( ) 1 ( ) 1 (
1
4
3
2
1
1 ) 1 (
3
2
1
0
) 1 (
3 2 1
4 34 24 14
3 33 23 13
2 32 22 12
1 31 21 11
1
4
3
2
1
3 3 2 2 1 1 0
*
... ...
*
... 1
... ... ... ... ... ...
... 1
... 1
... 1
... 1
...
,..., 2 , 1
...
nx x k k nx nx
nx
n
x k
k
k nx
kn n n n
k
k
k
k
nx
n
t kt k t t t t
X Y ente Matricialm
X X X X
X X X X
X X X X
X X X X
X X X X
Y
Y
Y
Y
Y
n t Para
X X X X Y
|
|
|
|
|
|
| | | | |
+ =
(
(
(
(
(
(
(
(
+
(
(
(
(
(
(
(
(
(
(
(
(
(
(
(
(
=
(
(
(
(
(
(
(
(
=
+ + + + + + =
+ +
+ +
14
18/09/2011
8
Supuestos sobre las perturbaciones
( )( ) | |
) ; 0 ( ~ ) 3
1 0 0 0 0
... ... ... ... ...
0 ... 1 0 0
0 ... 0 1 0
0 ... 0 0 1
0 0 0 0
... ... ... ... ...
0 ... 0 0
0 ... 0 0
0 ... 0 0
) (
) ( ) ( ) ( ) ( ) 2
0
0
...
0
0
0
) (
...
) (
) (
) (
) ( ) 1
2
2 2
2
2
2
2
1 1
3
2
1
I N
I Var
E E E E Var
E
E
E
E
E
nxn nxn
t t
nx nx
n
o
o o
o
o
o
o
=
(
(
(
(
(
(
=
(
(
(
(
(
(
=
= =
=
(
(
(
(
(
(
=
(
(
(
(
(
(
=
15
Estimacin por Mnimos
Cuadrados Ordinarios (MCO)
| |
)
( )
(
)
* :
* :
...
...
1 ) 1 ( ) 1 ( ) 1 ( ) 1 (
) 1 ( 1 ) 1 ( ) 1 ( ) 1 (
) 1 (
3
2
1
) 1 ( 3 2 1
1
2
| |
|
|
|
|

X Y X Y
X Y
X Y
X Y Entonces
X Y que Dado
Minimizar
t t
t t
x k k nx nx nx
nx x k k nx nx
nx
n
xn n
t
n
t
t
=
=
=
=
+ =
(
(
(
(
(
(
=
+ +
+ +
=
16
18/09/2011
9
Estimacin por Mnimos
Cuadrados Ordinarios (MCO)
| |
| |
| |
Y X X X
Y X X X
X Y X X
X X X Y
X X Y X X Y Y Y
X Y X Y
X Y X Y
X Y X Y
t t
t t
t t t
t t t
t
t
t t t t t t t
t t t t
t t t
t t
1
) (
) (
0
) (

)
( )
(
)
( )
=
=
=
= + =
c
c
=
c
c
+ =
=
=
=
|
|
|
|
|

|

| | | |
| |
| |
| |
17
Propiedades estadsticas de los
estimadores MCO
| |
| | | |
| |
| |
1 2
1 2 1 1 2
1 2 1
1 1
1
1
1
1 1
1
1
) ( ; ~
) 3
) ( ) ( ) ( )
(
) ( ) ( )
(
) ( ) ( ) ( )
(
) ( ) ( )
( ) 2
)
( ) ( ) ( ) ( )
( ) 1
) (
) ( ) (
) ( ) (
) (
=
=
=
+ =
= + =
+ =
+ =
+ =
=
X X N
X X X X X X X X Var
X X X I X X X Var
X X X Var X X X Var
X X X Var Var Var
E E X X X E E
X X X
X X X X X X X
X X X X
Y X X X
t
t t t t
t t t
t t t t t
t t
t t
t t
t t t t
t t
t t
o | |
o o |
o |
|
| |
| | | |
| |
| |
| |
|
18
18/09/2011
10
Resumen de propiedades
(enfoque matricial)
| | I X X N I N
X X Var I Var
E E
MELI Y X X X
FRM X Y X Y
FRP X Y X Y
t
t
t t
2 1 2 2
1 2 2
1
) ( ; ~
) ; 0 ( ~ ) 3
) ( )
( ) ( ) 2
)
( 0 ) ( ) 1
) (
o o | | o
o | o
| |
|
| |
| |
= =
= =
=
= + =
= + =
19
Interpretacin de los estimadores de

Si la variable explicativa X
i
aumenta en una unidad, la variable explicada Y
aumenta en promedio tantas unidades como indica el valor estimado de
, manteniendo constante el resto de las variables explicativas.

Si la variable explicativa X
i
aumenta en una unidad, la variable explicada Y
disminuye en promedio tantas unidades como indica el valor estimado de
, manteniendo constante el resto de las variables explicativas.

Nota: recuerde mencionar la unidad de medida de cada variable.

20
k i
X
Y
X X X X Y
i
it
t
t kt k t t t t
,..., 2 , 1
...

3 3 2 2 1 1 0
= =
c
c
+ + + + + + =
|
| | | | |
0
>
i
|
0
<
i
|
18/09/2011
11
Condicin de ortogonalidad
(enfoque matricial)

0

0 0 ) 7
0 )
( ) 6
0
) ( ) 5
) ( ) 4
) (
) 3
) 2

) 1
1
= = = . = =
=
=
=
=
= + =
=
= + =
Y Y X Y X X
X Y X
X X Y X
Y X X X
Y X X X
Y Y Y Y
X Y Siendo
X Y X Y
t t t t
t
t t
t t
t t
|
|
|
|
|

|
| |
21
Explicacin del promedio de la
variable dependiente (Y) en el MRLC
( )
( )
kt k t t t t
n
t
t
n
t
kt k t t t
n
t
t
n
t
t kt k t t t
n
t
t
t kt k t t t t
t t
X X X X Y
n entre Dividiendo
X X X X Y
X X X X Y
X X X X Y
n t Y Y
| | | | |
| | | | |
| | | | |
| | | | |

...

:
...

...

...

,..., 2 , 1 ;
3 3 2 2 1 1 0
1 1
3 3 2 2 1 1 0
1
1
3 3 2 2 1 1 0
1
3 3 2 2 1 1 0
+ + + + + =
+ + + + + + =
+ + + + + + =
+ + + + + + =
= + =

= = =
= =
22
18/09/2011
12
Suma de cuadrados: total,
explicada y de residuos
| |
| |
2 2 2
2
2
3 3 2 2 1 1 0
3 3 2 2 1 1 0
)
( 2 )
( ) (
)
( ) (
)
( ) (

...

...

t t t t t
t t t
t t t
t t t
kt k t t t t
t kt k t t t t
Y Y Y Y Y Y
Y Y Y Y
Y Y Y Y
Y Y
X X X X Y
X X X X Y

| | | | |
| | | | |
+ + =
+ =
+ =
+ =
+ + + + + =
+ + + + + + =
23
Suma de cuadrados: total,
explicada y de residuos
| |
| |

= = =
= = = = =
= = = =
= =
+ =
+ + =
+ + =
+ + =
+ + =
n
t
t
n
t
t
n
t
t
n
t
t
n
t
t
n
t
t t
n
t
t
n
t
t
n
t
t
n
t
t t
n
t
t
n
t
t
n
t
t t t t
n
t
t
t t t t t
Y Y Y Y
Y Y Y Y Y Y
Y Y Y Y Y Y
Y Y Y Y Y Y
Y Y Y Y Y Y
1
2
1
2
1
2
1
2
1 1 1
2
1
2
1
2
1 1
2
1
2
1
2 2
1
2
2 2 2
)
( ) (
2
2 )
( ) (
)
( 2 )
( ) (
)
( 2 )
( ) (
)
( 2 )
( ) (

24
18/09/2011
13
Los residuos y la bondad del ajuste: R
2
ajustado R
k n
n R
R
ajuste de bondad
STC
SRC
R
STC
SRC
STC
SEC
STC
STC
SRC SEC STC
Y Y Y Y
n
t
t
n
t
t
n
t
t
2
2
2
2
1
2
1
2
1
2
) 1 )( 1 (
1
1
)
( ) (

=
=
+ =
+ =
+ + +
+ =

= = =

25
El R
2
constituye la proporcin de la SEC con respecto a la STC, y nos
indica que tanto de las variaciones que se producen en la variable
dependiente (Y) son explicadas por el modelo estimado.
Conceptos para revisar
Algebra matricial.
Derivadas totales y parciales.
Propiedades de los logaritmos
Distribuciones tericas de probabilidad:
Normal
Z (normal estndar)
t de student

2

F de snedecor
Estimacin puntual y por intervalo.
Contraste de hiptesis.

26
18/09/2011
14
Forma funcional de los modelos
1. Modelo lineal.
2. Modelo log-lin (crecimiento).
3. Modelo lin-log.
4. Modelo log-log (logartmico, elasticidad constante).
27
t kt k t t t
t kt k t t t
t kt k t t t
t kt k t t t
X X X Y
X X X Y
X X X Y
X X X Y
| | | |
| | | |
| | | |
| | | |
+ + + + + =
+ + + + + =
+ + + + + =
+ + + + + =

) ln( ... ) ln( ) ln( ) ln( ) 4
) ln( ... ) ln( ) ln( ) 3
... ) ln( ) 2
... ) 1
2 2 1 1 0
2 2 1 1 0
2 2 1 1 0
2 2 1 1 0
Los parmetros de acuerdo a la
forma funcional de los modelos
i it
t
i
i it
t
i
i it
t
i
i it
t
i
X en relativo Cambio
Y en relativo Cambio
X
Y
lin
X en absoluto Cambio
Y en relativo Cambio
X
Y
lin
X en relativo Cambio
Y en absoluto Cambio
X
Y
Lin
X en absoluto Cambio
Y en absoluto Cambio
X
Y
Lineal
c
c
=
c
c
=
c
c
=
c
c
=
) ln(
) ln(
log
) ln(
log
) ln(
log
|
|
|
|
28
18/09/2011
15
Interpretacin de los parmetros segn
la forma funcional de los modelos
1) Modelo lineal.
Para
i
> 0; X
i
aumenta (1 unidad); Y aumenta (
i
unidades).
Para
i
< 0; X
i
aumenta (1 unidad); Y disminuye (
i
unidades).

2) Modelo log-lin.
Para
i
> 0; X
i
aumenta (1 unidad); Y aumenta en porcentaje (
i
*100).
Para
i
< 0; X
i
aumenta (1 unidad); Y disminuye en porcentaje (
i
*100).

3) Modelo lin-log.
Para
i
> 0; X
i
aumenta (1%); Y aumenta (
i
/100 unidades).
Para
i
< 0; X
i
aumenta (1%); Y disminuye (
i
/100 unidades).

4) Modelo log-log.
Para
i
> 0; X
i
aumenta (1%); Y aumenta en porcentaje (
i
%).
Para
i
< 0; X
i
aumenta (1%); Y disminuye en porcentaje (
i
%).

29
Comparacin entre modelos
utilizando la bondad de ajuste R
2
Requisitos:
El mismo tamao de la muestra (n).
La misma variable dependiente (Y).

En este sentido, si tienen igual tamao de muestra se pueden
comparar directamente los modelos:
Lineal con lin-log.
Logartmico con log-lin.

Si no se cumplen estas dos condiciones es necesario realizar
transformaciones a los modelos para poder comparar la
bondad de ajuste de los mismos.
Pasar de logaritmo a lineal.
Pasar de lineal a logaritmo.

30
18/09/2011
16
Modelo logartmico
Elasticidad constante
1
0
0 1
1
0 1
1
1 0
0
0
0
1
1
1
1
1
1
* ) (
*
) ln( ) ln(
) ln( ) ln( ) ln( ) ln(
) ln( ) ln( ) ln( ) ln(
) ln( ) ln(
mente Intrnseca
|
|
| |
| |
| o
| |
|
|
|
|
|
|
|
|
|
= =
=
=
+ + =
+ + =
+ + =
=
=
yx
t
t
yx
t
t t
yx
t
t
t
t
t
t
t
t
yx
t t t
t t t
t t
t t
t t
E
e X
e X
E
Y
X e X
E
Y
X
dX
dY
X
dX
Y
dY
E Elasticiad
X Y
e X Y
e X Y
e X Y
lineal e X Y
t
t
t
t
t
t
31
Modelo log-lin
Tasas de crecimiento
| |
| |
| | 100 * 1 ) log(
100 * tan
) ln(
) ln(
) 1 ln( ; ) ln(
) 1 ln( ) ln( ) ln(
) 1 ( ln ) ln( ) ln(
) 1 ( ln ) ln(
mente Intrnseca ) 1 (
1
1
1 0
1 0
1 0 0
0
0
0
0

+ + =
+ =
= + =
+ + =
+ + =
+ =
+ =
|
|
| |
| |
| |
anti compuesta o crecimient de Tasa
tnea ins o crecimient de Tasa
t C
t C
r C Asumiendo
r t C C
r C C
r C C
lineal r C C
t t
t
t
t
t
t
t
t
t
32
18/09/2011
17
Inferencia en el MCRL para los
coeficientes de la regresin
| |
1) ; N(0 ~ Z
)
( )
(
) (
) ( ; ~
) ; 0 ( ~ ) 3
) ( )
( ) ( ) 2
)
( 0 ) ( ) 1
1 2 2
2 1 2 2
1 2 2
Z
ee
a desconocid es Var ee
a desconocid es X X a desconocid es
I X X N I N
X X Var I Var
E E
i i
i i
t
t
t
=
= =
= =
|
| |
| |
o o
o o | | o
o | o
| |
33
Inferencia en el MCRL para los
coeficientes de la regresin
o | | | | |
o
|
|
| |
o

o
o o |
o o
= s s
= s s
=

1 )
( *
( *
( :
1 ) ( :

t ~
)
; 2 / ; 2 /
; 2 / ; 2 /
gl k - n
2 2
i k n i i i k n i
k n i k n t
i
i i
t
ee t ee t P IC
t t t P IC
para confianza de Intervalo
ee
de Estimador
k n
caso este En
i
i
34
18/09/2011
18
35
Contraste de hiptesis para los
coeficientes de la regresin (caso A)

Naturaleza del problema.
Determinar si la variable X
i
aporta informacin de forma individual para explicar a
la variable Y, a un nivel de significancia o.
Planteamiento de hiptesis.
Ho:
i
= 0

Ha:
i
0
Estadstico de contraste.

Regla de decisin.

Conclusin.
Si rechazo Ho, X
i
aporta informacin de forma individual para explicar a la
variable Y , a un nivel de significancia o.
t kt k t t t
X X X Y | | | | + + + + + = ...
2 2 1 1 0
gl k - n
t ~
)
|
| |
ee
i i

0
0 ; 2 / calculado
Rechazo
Rechazo t
H Pvalue Si
H t Si
k n
<
>

o
o
36
coeficientes de la regresin (caso B)

i
aporta informacin de forma individual para explicar a
la variable Y, a un nivel de significancia o.
Ho:
i
0

Ha:
i
< 0

Regla de decisin.

Conclusin.
Si rechazo Ho, X
i
t kt k t t t
X X X Y | | | | + + + + + = ...
2 2 1 1 0
gl k - n
t ~
)
|
| |
ee
i i

0 ; calculado
Rechazo t H t Si
k n
<
o
18/09/2011
19
37
coeficientes de la regresin (caso C)

i
aporta informacin de forma individual para
explicar a la variable Y, a un nivel de significancia o.
Ho:
i
0

Ha:
i
> 0

Regla de decisin.

Conclusin.
Si rechazo Ho, X
i
t kt k t t t
X X X Y | | | | + + + + + = ...
2 2 1 1 0
gl k - n
t ~
)
|
| |
ee
i i

0 ; calculado
Rechazo t H t Si
k n
>
o
38
Contraste de hiptesis de
significancia global de la regresin

Determinar si las variables explicativas en conjunto explican el comportamiento
de Y, a un nivel de significancia o.
Ho:
1
=
2
=
3
==
k
=0

Ha: Algn
i
0 Para todo i=1,2,,k

Regla de decisin.

Conclusin.
Si rechazo Ho, las variables explicativas en conjunto explican el comportamiento
de Y, a un nivel de significancia o.
t kt k t t t
X X X Y | | | | + + + + + = ...
2 2 1 1 0
) /( ) 1 (
) 1 /(
) /(
) 1 /(
2
2
k n R
k R
k n SRC
k SEC
F

=
0
0
1
;
Rechazo
Rechazo
H Pvalue Si
H F F Si
k
k n calculado
<
>

o
o
18/09/2011
20
Restricciones lineales
sobre los parmetros
En ocasiones los modelos planteados por la teora econmica exigen el
cumplimiento de ciertas relaciones en los coeficientes. En este sentido,
nos vemos en la necesidad de plantear restricciones lineales sobre los
parmetros, las cuales dependern del requerimiento exigido
tericamente. Como ejemplo se pueden mencionar:

39
constante c ; j i
ms. muchas y )... ( ); (
); ( ); ( ); ( ; ) (
: nes restriccio como plantear pueden Se
...
: modelo el Sea
2 2 1 1 0
= =
= =
= + = = =
+ + + + + =
j i j i
j i j i j i i
t kt k t t t
c c
c c
X X X Y
| | | |
| | | | | | |
| | | |
40
Contraste de hiptesis para un conjunto de
restricciones lineales sobre los parmetros
R t kt k t t
t kt k t t t t
t kt k t t t t
t kt k t t t
NR t kt k t t t
SRC X X Y
X X X X Y
X X X X Y
X X X Y
SRC X X X Y
Ejemplo
+ + + + =

+ + + + =
+ + + + + =
+ + + + + =
= = +
+ + + + + =
| | |
| | |
| | | |
| | | |
| | | |
| | | |
... ) (

... ) (
...
... ) 1 (
o Restringid Modelo
1 1
lineal n Restricci
...
o restringid no Modelo
: 1
*
2 2 0
*
1 2 2 0 1
2 2 1 2 1 0
2 2 1 2 0
2 1 2 1
2 2 1 1 0
18/09/2011
21
41
Contraste de hiptesis para un conjunto de
restricciones lineales sobre los parmetros
Determinar si la restriccin lineal planteada es estadsticamente vlida, a un
nivel de significancia o.
Ho:
1
+
2
=1

Ha:
1
+
2
1

Regla de decisin.

Conclusin.
Si rechazo Ho, no hay evidencia estadstica para afirmar que se cumple la
restriccin lineal planteada, a un nivel de significancia o.
) /(
/ ) (
k n SRC
g SRC SRC
F
NR
NR R
=
0 ;
Rechazo H F F Si
g
k n calculado
>
o
Para estudiar este problema se aplica la prueba de estabilidad de los
parmetros conocida como Test de Chow, el cual consiste en lo siguiente:
1. Asumiendo que se dispone de n observaciones, se realiza una regresin
del modelo planteado con todas las n observaciones y se obtiene SRC.
2. Se divide la muestra de n observaciones en tantas sub-muestras (sub-
perodos) como considere necesario el investigador, digamos m sub-
muestras.
3. Se realiza una regresin del modelo planteado para cada sub-muestra,
de las cuales se obtienen SRC
i
, i=1,2,,m.
4. Se calcula el siguiente estadstico:

5. Estableciendo un nivel de significancia , si el valor calculado de la F,
resulta mayor que el valor crtico proporcionado por la tabla, entonces
se rechaza la hiptesis nula (Ho: No hay cambios en los valores de los
parmetros).

42
Estabilidad de los parmetros.
Contraste de estabilidad estructural
) /(
) 1 /( ) (
1
1
mk n SRC
k m SRC SRC
F
m
i
i
m
i
i

=
=
18/09/2011
22
Determinar si hay cambios en los valores de los parmetros en el tiempo, a un
Ho: No hay cambios en los valores de los parmetros.

Ha: Hay cambios en los valores de los parmetros.

Regla de decisin.

Conclusin.
Si rechazo Ho, hay cambios en los valores de alguno de los parmetros en el
tiempo, a un nivel de significancia o.
43
Estabilidad de los parmetros
Contraste de estabilidad estructural
) /(
) 1 /( ) (
1
1
mk n SRC
k m SRC SRC
F
m
i
i
m
i
i

=
=
0
) 1 (
); (
Rechazo H F F Si
k m
mk n calculado
>

o
Prediccin en el modelo lineal.
p p p
gx
g n
n
n
n
n
x k
k
k gx
g n k g n g n g n
n k n n n
n k n n n
n k n n n
n k n n n
gx
g n
n
n
n
n
X Y ente Matricialm
X X X X
X X X X
X X X X
X X X X
X X X X
Y
Y
Y
Y
Y
|
|
|
|
|
|
+ =
(
(
(
(
(
(
(
(
+
(
(
(
(
(
(
(
(
(
(
(
(
(
(
(
(
=
(
(
(
(
(
(
(
(
+
+
+
+
+
+ +
+ + + +
+ + + +
+ + + +
+ + + +
+ + + +
+
+
+
+
+
*
... ...
*
... 1
... ... ... ... ... ...
... 1
... 1
... 1
... 1
...
1
4
3
2
1
1 ) 1 (
3
2
1
0
) 1 (
; ; 3 ; 2 ; 1
4 ; 4 ; 3 4 ; 2 4 ; 1
3 ; 3 ; 3 3 ; 2 3 ; 1
2 ; 2 ; 3 2 ; 2 2 ; 1
1 ; 1 ; 3 1 ; 2 1 ; 1
1
4
3
2
1
44
El objetivo consiste en predecir un conjunto de valores de
Y que estn fuera de la muestra original (n). Dicho
concepto puede verse expresado a continuacin:
18/09/2011
23
45
Prediccin en el modelo lineal.
Contraste de fallo predictivo

Determinar si el modelo estimado es bueno para realizar pronstico, a un nivel
de significancia o.
Ho: Y
p
= X
p
+
p
;
p
~N(0,
2
I
g
)

Ha: Y
p
X
p
+
p


Regla de decisin.

Conclusin.
Si rechazo Ho, el modelo estimado no es bueno para realizar pronstico, a un
) /(
/ ) (
k n SRC
g SRC SRC
F
D
D P D
=
+
0 ;
Rechazo H F F Si
g
k n calculado
>
o
Preguntas y dudas
1er examen parcial: Temas I y II.
Mircoles, 26 de octubre de 2011
(semana 8)
46

Diapositivas Tema 1

Enviado por

Dados do documento

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Diapositivas Tema 1

Enviado por

Direitos autorais:

Formatos disponíveis

18/09/2011

Você também pode gostar