mlm_rm_1.

doc

vgg

Regresin Multivariante
1

Las v.a. Y1, Y2, ... Ys dependen linealmente de X1, X2, ... Xp ?
s + p variables cuantitativas; n observaciones
Y

explica,
X
{
{1
1
respuesta
Regresin simple
s=1 p=1
influye en 1 explicativa
cuantitativa
a explicar

1.1 El modelo:
n observaciones

yi

(n, 1)

matricialmente:

cuantitativa

= + xi1 + ui , i= 1 n
con las ui ~ N1(0,) independientes

(n, 2)

y = X + u

y
X

con

(2, 1)

(n, 1)

u ~ Nn (0, I)

vector de observaciones
conocido
matriz de diseo
conocida
vector de parmetros
desconocido

efecto de media general

efecto de X1, coeficiente de X1

X vector de medias (de y bajo dif. valores x) desconocido
u
n perturbaciones N1(0,2) incorreladas; 2 desconocido
visin geomtrica en Rn:

mlm_rm_1.doc

vgg

1.2 Estimacin y contrastes. Tablas Anova.

1.2.1 Estimacin:
$ = (XtX)-1Xty
y$ $ X $ = PX y

estima (criterio LSE, b.l.u.e., EMV)

vector de medias estimadas y observaciones predichas.

e = y- y$ (I- PX)y=PX y vector de errores o residuos, estima u

2 = e t e /n
estima 2, varianza de la perturbacin.

1.2.2 Visin geomtrica:

1.2.3 Tablas Anova, descomposicin de la variabilidad en sumas de cuadrados:

FuenteVariacin

g. de l.

Regresin

2 (p+1)

Media general
Variable/s
Error residual
Total
Fuente Variacin
Variable
Error residual
Total corregida

1
1
(p)
n-2
(n-p-1)
n

SS

MSE

PX

MSR

F(R)= MSR/MSE

P1

MSM

F(M)= MSM/MSE

P1|X

MSRm F(Rm)=MSRm /MSE

y
SSR= SST-SSE= y'
2

SSM= n y
SSRm= SSR-SSm=
y - y 2
= ( y - y )( y - y )= y'
SSE= SST-SSR= ee=
= (y - y )(y - y )= yy- y y

PX

MSE

MST

P?y2

MSE

P1|X

MSRm

PX

MSE

P1

MSTm

SST= yy= SSM+ SSTm

g. de l.

SS
SSRm

n-2

SSE

n-1

SSTm= (y- y )(y- y )= yy- n y

P?y2

1.2.4 Contraste bsico de no efecto del regresor X1:

H0: = 0

F
F(Rm)= MSRm
/MSE

H1: 0

t
2
(y$ - y) t (y$ - y) /1 H0
MSR m (SSR SSM) /1
y$ y$ ny
: F1,n-2
F(Rm)=
=
= t
=
t
$
$
SSE /(n 2)
MSE
(y
y)
(y
y)
/(n
2)
e e /(n - 2)

mlm_rm_1.doc

vgg

Generalizacin 1: Regresin mltiple

{1

1 respuesta
cuantitativa
a explicar

2.1 El modelo:
n observaciones

s=1 p>1

X1 ,X 2 ,...X p

explican,

influyen en

1 44 2 4 43

p explicativas
cuantitativas

yi = + xi1 +p xi p + ui , i= 1 n
con los ui ~ N1(0,) independientes

(n, 1)

(n, p+1)

y = X + u

con

(p+1, 1)

(n, 1)

u ~ Nn (0, I)

matricialmente:

2.1 Diferencias con el modelo de regresin simple:

a) X tiene ahora p+1 columnas (media general y p vables explicativas).
b) Contraste bsico de no efecto de todas las Xi conjuntamente:
H0: =p= 0 ( H0: A=0 con A=[ 0 | I p ] )
$ 1y) t (y$ 1y)/p
(yMSR m
: Fp,n-p-1
F(Rm) =
=
t
$
$
H
MSE (y- y) (y- y)/(n-p-1) 0
c) Permite adems otros contrastes bajo la forma general H0: A=k
Ejemplo 1: Hiptesis de no efecto de las primeras r variables explicativas;
(las r primeras variables son superfluas y pueden suprimirse del modelo)
H0: = r = 0
se escribe
H0: A=0
tomando A=[ 0 | I r | O ]

mlm_rm_1.doc

vgg

La estimacin del vector de medias bajo H0 ya no es la proyeccin sobre [X] sino sobre [X] Ho,
que es un subespacio dentro de [X]. La estimacin de se ha movido ho. Los residuos, eo, sern
ahora mayores que en el modelo sin restringir e o= e+ho. SSH evala la magnitud de esa
diferencia ho=eo-e. Despus, el test F decide si esa diferencia es significativa, es decir si es
difcil de obtener bajo H0 por simples variaciones en el muestreo. Para ello compara el cambio
que produce la restriccin H0 (SSH) con la variabilidad en las perturbaciones estimadas (SSE).
Utiliza el cociente MSH/MSE, que sigue una distribucin F.

Ejemplo 2:

X1 y X2 producen en la respuesta Y efectos similares.

los coeficientes de X1 y X2 son iguales: H0: 2
H0: A=0 con A= (0 1 -1 0 0 0)

Ejemplo 3:

X1, X2 y X3 producen el mismo efecto en Y.

los coeficientes de X1, X2 y X3 son iguales: H0: 2 3
0 1 -1 0 0 ... 0

H0: A=0 con A=

0 0 1 -1 0 ... 0

________________________________________

Generalizacin 2: Regresin Multivariante

s>1 p>1

Visin geomtrica del Modelo de Regresin Lineal con respuesta Multivariante

mlm_rm_1.doc

vgg

Generalizacin 2: Regresin Multivariante

Y ,Y ,...Y

1 14 22 4 3s
s respuestas
cuantitativas
a explicar

explican,
influyen en

s>1 p>1

X1 ,X 2 ,...X p
14243

p explicativas
cuantitativas

3.1 El Modelo:
n individuos observados (1i n) en s variables respuesta
Yj j= 1 s
y en p variables explicativas Xj j= 1 p
s respuestas del individuo i:
yi j = j+j xi1 +pj xip + uij
j=1s
siendo las perturbaciones para el individuo i: ui=(ui1,, uis)t ~ Ns(0,) independientes

(n, s)

matricialmente:

(n, p+1)

Y= XB + U,

(p+1, s)

(n, s)

con filas de U ~ Ns (0 , ) independientes

3.2 Diferencias con el modelo de regresin mltiple: Y, U ahora son matrices.

a)

Y
X
b)
columnas j

c)

matriz de observaciones
matriz de diseo
matriz de parmetros

conocida
s columnas yj
conocida
no cambia
desconocida
s

matriz de perturbaciones

desconocida

n filas Ns (0, ) independientes, perturbaciones s-dim. de los n individuos

sxs
desconocida

n filas ui indeps.
s columnas uj

s columnas u j ~ Nn(0,jj); cov. de u j con u k jk I (las de cada individuo)

mlm_rm_1.doc

d) XB
columnas j

vgg

matriz de medias

desconocida

mlm_rm_1.doc

vgg

3.3 s modelos univariantes de regresin mltiple:

El modelo multivariante yuxtapone s modelos de regresin mltiple, uno por cada
variable Y. El submodelo j se forma con las columnas j de Y, B y U:
y j = X j + u j ,
j=1s
pero con una particularidad: Los s residuos ui de un individuo estn correlados.
Toda inferencia sobre parmetros de 2 o ms submodelos debe tenerlo en cuenta.
3.4 Estimacin:
= (XtX)-1 Xt Y
B
= XB

Y
=[e1||ep]
e = Y -Y
)t ( Y - Y
)
E= (Y - Y
$ =E/ n

estimadores de la matriz de parmetros, B;

es la solucin $ j del submodelo j.
la columna j de B
matriz de medias y observ. predichas por el modelo
matriz de errores, estima las perturbaciones U
sumas de cuadrados y PC residuales (generaliza SSE)
matriz de covarianzas de los residuos; es el EMV de .
2 del submodelo j
es el
Cada elemento diagonal
jj

E / (n-p-1)
3.5

estimador insesgado de

Contrastes

3.5.1) Sobran r regresores (r columnas de la matriz de diseo, r filas de B) H0: Br =O

Br
Notacin: Se parten B y X en dos B= , X=[ Xr | Xv];
B v
Y=Xv Bv + U
Modelo reducido bajo H0
t
-1
t
v= (Xv Xv) Xv Y
estima B
bajo H0
B
=Xv B

v=P[X]oY; e0=Y- Y
predicciones de Y y residuos bajo H0
Y
t
) ( Y -Y
) = E+H
E0= (Y - Y
sumas de cuadrados y PC residuales bajo H0
H= E0 - E ( > 0)
diferencia entre las dos matrices de SSPC.

mlm_rm_1.doc

vgg

En cada submodelo j los residuos han aumentado: eo j = ej + hoj;

eo = e + ho
j
Cada e es ortogonal a [X], y por tanto a todos los hoj (pues todos estn en [X]),
por lo cual, resulta
)t ( Y - Y
) = eot eo=(e + ho)t(e + ho) = e te + hotho = E+H
E0= (Y - Y
Test 1: Estadstico de Wilks (TRV):
rechazo si pequea (E0 grande)
= | E| / | E0|= | E| / | E+H| , es una de Wilks de parmetros [s, r, n-p-1]:
(s = n de Ys, r =n de Xs eliminadas, n-p-1= g.de l. de E)
aproximacin de Rao (ley asinttica bajo H0: y exacta para r,s=1,2)

rechazo si F grande

s r 4
2

F= m2 (1-1/)/m1 1/ ~ Fm1, m2 ; m1= sr, m2= [n-p-1-(s-r+1)/2]- sr/2+ 1, =

otra aproximacin asinttica; [n-p-1-(s-r+1)/2] ln ~ 2rs

s r 5
2

rechazo si 2 grande

Test 2: Estadstico traza de Lawley-Hotelling:

tr (HE-1)

tr[EH-1]

Test 3: Estadstico traza de Pillai:

tr (H(E+H)-1)

tr[E E0-1]

Test 4: Mayor valor propio de Roy (cota sup.): mayor v.p. de HE-1

de EH-1
En 2, 3 y 4 rechazo si grande

Ninguno de los cuatro tests es ptimo en todas las circunstancias.

El ms usado es el de Wilks por ser el ms potente y robusto.
Nota H0: Br =O se escribe [0 | Ir | O] B = O y es un caso particular de AB =K.
3.5.2) Relaciones lineales entre parmetros dentro de cada submodelo: H0: AB =K
A y K tienen a filas. El par de filas i de A y K expresa una relacin lineal entre
coeficientes de diferentes Xs, relacin que se repite para cada variable Y:
ait B=kit : relaciona 0 j 1 j ...p j (coefs. de los regresores en submodelo j)
dentro de cada submodelo j: y j = X j + u j j=1s.
Ejemplo: (0 1 -1 0 0) B= (0 00) [11-21=0, 12-22=0, , 1s-2s=0]
[ coef X1 = coef X2 en Y1 ; ; coef X1 = coef X2 en Ys ]
Estimaciones bajo H0: AB =K
A= B
- (XtX)-1 At [A (XtX)-1 At ]-1 (A B
- K) estimacin de B bajo H0
B
=X B
A=P[X]oY
predicciones de Y bajo H0
Y
A)t ( Y - X B
A)= E+H sumas de cuadrados residuales bajo H0
E0= (Y - X B

mlm_rm_1.doc

vgg

Test 1: Estadstico de Wilks (TRV):

rechazo si pequea (E0 grande comparado con E)
= | E|/| E0| , es una de Wilks de parmetros [s, a, n-p-1]:
(s= n de Ys, a=n de filas de A, n-p-1= g.de l. de E)
aproximacin de Rao (ley asinttica bajo H0:):

rechazo si F grande

1/

F=

m2 (1- )
~ Fm1, m2 ,
m1 1/

donde m1= sa ; =

s2a 2 4
s2 a 2 5

m2= [n-p-1-(s-a+1)/2]- sa/2+ 1

Tests 2, 3 y 4: L-H, Pillay y Roy

rechazo si grande

3.5.3) Relaciones lineales entre parmetros de diferentes submodelos: H0: ABM=K

Reparametrizando, se reduce a un contraste H0: AB* =K del tipo anterior:
multiplico por M por la derecha ambos miembros del modelo Y=XB + U
YM
{ + UM
{ =X BM
{
B*
U*
Y*
Nuevas variables
Y*=YM
Nuevos parmetros
B*=BM
Nuevas perturbaciones U*=UM
Nuevo modelo
Contraste

Y*=XB* + U*
H0*: AB* =K

YM=XBM + UM
H0: ABM =K

M y K tienen b columnas. El par de columnas j de M y K combina coeficientes

de un regresor Xi en los diferentes submodelos y le asigna valor k; la misma
combinacin se repite para cada una de las variables Xi.
B m j = k j : para cada regresor X, relaciona sus coeficientes
a travs de los diferentes submodelos.
Ejemplo: B(1 -1 0 0)t = (0 00)t [01-02=0, 11-12=0, , p1-p2=0]
[ intercept en Y1= intercept en Y2 ; ; coef Xp en Y1= coef Xp en Ys ]
los coeficientes de regresin para Y1 son iguales que para Y2
ait B m j =kij: combina coeficientes de distintos regresores X y variables Y.
Ejemplo: (0 1 -1 0 0) B(1 -1 0 0)t = 0 [11-21= 12-22,]
diferencia entre los efectos de X1 y X2 es la misma en Y1 que en Y2
Ejemplo: (0 1 -1 0 0) B(1 -2 0 0)t = 0 [11-21= 2(12-22)]
diferencia entre los efectos de X1 y X2 es el doble en Y1 que en Y2

mlm_rm_1.doc

vgg

10

3.6 Ejemplo: Salarios de 100 empleados de banca.

Variables a explicar (Y):
Variables explicativas (X):
LCURR log(salario actual)
EDUC
nivel de formacin
LSTART log(salario inicial)
AGE
edad
EXPER
aos de experiencia
Modelo lineal multivariante:
SENIOR valoracin del puesto
LCURR = 01+ 11 EDUC + 21 AGE + 31 EXPER + 41 SENIOR + u1
LSTART= 02+ 12 EDUC + 22 AGE + 32 EXPER + 42 SENIOR + u2
Estimacin sin restricciones (habituales regresiones mltiples)
LCURR = + EDUC AGE + EXPER 0.002 SENIOR
R2=0.528

(0.000)

(0.000)

(0.000)

(0.001)

(0.487)

LSTART= + EDUC 0.010 AGE + EXPER SENIOR

R2=0.543

(0.000)

(0.000)

(0.003)

(0.001)

(0.202)

Contrastes H0: ABM=K

T1) El coeficiente de SENIOR es 0 en ambos modelos (y podemos suprimirla)
H01: AB= 0 con A=[0 0 0 0 1] M=I y K= [0 0]
[0 0 0 0 1] B = [0 0]

[ 41 42] = [0 0]
refiere coeficientes sin mezclar submodelos.
p-valor de la de Wilks= 0.0104;
se rechaza dbilmente H01.
T2) El coeficiente EDUC es el mismo en ambas ecuaciones y el EXPER tambin.
0 1 0 0 0
1
0
H02: ABM=0
con A=
M=
y
K=

1
0
0 0 0 1 0


0 1 0 0 0
0 0 0 1 0

11 12
B=
;
31 32

0 1 0 0 0
0 0 0 1 0

11 - 12
1

B =
; K=

31 - 32

0
0

2 relaciones entre coeficientes de diferentes variables Y mezclados:

relacin 1: 11 = 12 (de EDUC) ; relacin 2: 21 = 22 (de EXPER)
p-valor de la de Wilks= 0.9531;
no se rechaza H02.
Ahora sin el regresor SENIOR. Estimacin:
LCURR = + EDUC AGE + EXPER
R2=0.526

(0.000)

(0.000)

(0.000)

(0.001)

R2=0.535

(0.000)

(0.000)

(0.002)

(0.000)

LSTART= + EDUC 0.011 AGE + EXPER

T3) Los coeficientes de las tres variables explicativas (EDUC, AGE, EXPER) para
LCURR son iguales que para LSTART H0: ABM=0 (similar al contraste T2)
p-valor: 0.0601. Es bastante razonable utilizar los mismos coeficientes
Nota: El modelo de regresin multivariante puede estimarse a partir de los habituales
modelos de regresin mltiple para cada Y. Adems, los procedimientos
conocidos para el estudio de residuos, transformaciones, deteccin de outliers,
medidas de influencia en regresin mltiple, puede emplearse para cada Y en
regresin multivariante. Similarmente, las tcnicas de cross-validacin en
regresin mltiple pueden extenderse a regresin multivariante.

mlm_rm_1.doc

vgg

11

LIBNAME XX 'D:\np\rlm';
data xx.bank;
input
LCURRENT LSTART SEX JOBCAT RACE EDUC SENIOR AGE EXPERIENCE;
cards;
9.6853
10.2524
10.0345
9.4174
9.9282
10.2128
9.1050
9.3038
9.6816
9.9965
10.0858
9.6473
9.5359
10.3735
9.3927
9.5042
9.4556
10.0962
9.1378
10.2921
10.1659
9.3414
9.9035
9.4556
9.3927
9.5539
9.8119
10.1166
10.1266
10.5133
9.4174
10.6334
9.4174
10.2400
10.0266
9.5750
10.1166
9.0572
9.0711
9.0848
9.3927
9.1442
9.4415
9.3673
9.1757
9.3147
8.7578
9.2183
9.0642
10.0301
9.1050
9.0070
9.2591
9.3622
9.7527
9.6238
9.0780
8.9847
8.8901
9.5298
9.8389
9.0216
10.0123
9.4970
8.9771
9.0288
9.7642
8.8217
9.3361
9.2301
9.5324
9.4174
9.4026
9.3775
9.4076
10.0758
9.4319
9.2301
10.3546
9.4222
9.4174
10.5966
9.3927
9.1569
9.3201
9.1819
9.3927
9.4174
9.1050
9.2418
9.1881
8.8217
8.8305
9.1313
9.3876
9.0848
9.0143
8.9464
9.3038
9.1881

9.0359
9.7642
9.2873
8.6376
9.3049
9.4575
8.7948
8.6793
9.2301
9.3049
9.1582
9.1582
9.3147
8.7483
8.7483
8.7483
8.6995
9.1049
8.6482
9.2591
9.6158
8.7483
9.4724
8.7483
8.7483
8.7483
9.1377
9.5956
9.5462
9.6800
8.5941
9.3060
8.6995
9.5479
9.2103
8.9226
9.3497
8.4763
8.4118
8.4763
8.7948
8.5941
8.9226
8.4381
8.5370
8.9618
8.3138
8.6586
8.5941
9.3926
8.3848
8.4118
8.4381
8.5370
8.8530
8.7483
8.2687
8.3138
8.2687
8.9618
8.8392
8.6482
8.9862
8.6995
8.3138
8.5941
8.9618
8.3138
8.4763
8.6586
8.7483
8.6995
8.7483
8.7483
8.6995
9.5104
8.7483
8.4250
9.3497
8.6995
8.1886
9.7779
8.7483
8.5941
8.6995
8.6995
8.6995
8.6995
8.2687
8.5941
8.6482
8.1886
8.3138
8.4763
8.6995
8.3848
8.4118
8.1886
8.3138
8.3848

0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
1
1
1
1
1
1
1
1
1
1
1

4
5
5
3
5
4
2
2
5
4
4
5
1
2
3
2
3
4
2
4
5
3
5
3
3
3
4
5
5
5
3
5
3
5
5
1
5
1
2
1
1
2
2
2
1
2
1
1
1
5
2
2
1
2
4
4
1
1
1
4
4
1
4
2
1
2
4
1
2
2
3
3
3
3
1
5
3
2
4
2
3
5
3
1
2
3
3
3
2
1
1
1
1
1
1
2
2
1
1
2

0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1

16
19
15
12
16
19
12
12
15
16
16
15
16
15
12
12
8
16
12
18
21
8
16
8
12
12
16
19
18
19
12
16
8
19
16
15
19
12
12
12
12
12
12
15
8
15
8
12
8
16
8
12
12
17
16
16
12
12
12
16
16
15
16
12
8
12
16
8
8
12
8
8
8
8
12
12
12
12
17
12
12
16
8
15
14
15
8
8
8
15
12
12
8
16
15
12
12
15
12
12

81
83
98
94
83
78
70
70
78
90
94
78
82
82
69
66
85
91
95
94
88
69
77
74
79
78
86
80
75
96
95
97
87
67
93
98
65
98
65
76
95
64
90
93
66
82
74
91
66
73
81
69
97
73
79
90
86
72
86
65
86
65
64
90
83
67
68
72
98
86
79
92
68
76
91
74
73
81
70
94
91
66
67
88
79
90
92
83
94
78
74
97
81
84
86
92
73
96
85
75

28.50
41.92
41.17
46.25
35.17
30.08
44.50
27.83
35.42
34.33
34.00
38.92
44.42
29.50
63.58
27.42
58.08
33.75
29.33
39.67
56.67
59.42
48.33
63.50
54.17
59.83
32.25
42.58
35.42
44.92
56.00
37.08
64.25
36.92
33.42
37.17
28.42
64.50
23.00
40.17
55.25
45.50
61.67
26.83
46.17
58.75
55.25
33.50
64.25
31.92
24.33
23.42
53.92
55.58
28.42
29.92
52.00
52.17
62.00
30.75
32.00
59.50
29.00
44.50
59.08
51.50
27.58
56.92
27.83
28.67
48.50
60.67
32.92
35.25
30.33
48.25
38.67
24.75
32.08
34.58
53.50
35.33
47.25
57.50
30.33
42.17
37.83
48.83
29.17
48.67
45.17
60.67
51.50
47.58
40.50
25.50
47.92
60.50
54.17
27.58

0.25
13.00
12.00
20.00
5.75
2.92
18.00
3.42
11.08
5.67
4.92
14.67
12.42
2.83
29.00
3.92
36.50
3.67
3.83
4.67
22.00
14.50
22.00
34.00
25.67
32.25
5.00
16.58
6.17
14.58
25.58
5.83
37.58
6.25
2.83
9.50
2.17
31.75
0.00
0.50
19.00
16.50
17.08
0.92
8.00
22.08
3.58
6.92
19.00
1.25
0.42
0.00
4.00
31.25
1.67
0.58
13.00
4.67
6.00
6.58
1.58
20.08
3.00
0.25
6.25
15.08
0.92
26.58
2.17
3.08
20.50
36.00
12.92
12.00
4.08
22.67
12.92
0.75
5.58
8.50
26.17
10.67
25.42
29.92
3.92
15.92
12.00
25.17
3.00
4.25
9.75
10.33
0.00
17.83
6.58
0.42
12.83
1.92
8.42
2.67

;
proc contents;
proc means; run;
proc gplot;
plot (LCURRENT LSTART)*( LSTART SEX JOBCAT RACE EDUC SENIOR AGE EXPERIENCE);
run;
proc reg;
modelo_COMPLETO:
model LCURRENT LSTART=EDUC SENIOR AGE EXPERIENCE;
Ho_basica_no_efecto_regresores: mtest / print /*--> "print" imprime E y H */;
*equivalente a : ;
Ho_basica_no_efecto_regresores: mtest EDUC,SENIOR,AGE,EXPERIENCE/print details;
*otros contrastes ;
Ho_no_intercept:
mtest intercept;
Ho_no_efecto_senior:
mtest SENIOR / print;
Ho_educ_iguales_exper_iguales:
mtest EDUC, EXPERIENCE, LSTART=LCURRENT ;
*
<-- matriz A --> / <-- matriz M --> ;
Ho_prueba_expresion: mtest 2*SENIOR=EDUC+EXPERIENCE, LSTART=LCURRENT;
modelo_sin_senior:
model LCURRENT LSTART=EDUC
AGE EXPERIENCE;
Ho_basica:
mtest / print;
Lstart_vs_Lcurrent:
mtest LSTART=LCURRENT;
run;
proc glm;
model LCURRENT LSTART=EDUC SENIOR AGE EXPERIENCE;
contrast 'EDUC=SENIOR' educ 1 senior -1; * --> matriz A ;
manova m=lcurrent-lstart prefix=diff;
* --> matriz M ;
run;
model y1 y2 y3=x1 x2 x3; mtest x1,x2;
mtest y1-y2, y2 -y3, x1;
mtest y1-y2;
The first MTEST statement tests the hypothesis that the x1and x2 parameters are zero for y1, y2 and
y3. The second MTEST statement tests the hypothesis that the x1 parameter is the same for all three
dependent variables. For the same model, the third MTEST statement tests the hypothesis that all
parameters except the intercept are the same for dependent variables y1 and y2.