Beruflich Dokumente
Kultur Dokumente
Ezequiel Uriel
Universidad de Valencia
Versin: 09-2013
4.1 El contraste de hiptesis: una panormica
4.1.1 Formulacin de la hiptesis nula y de la hiptesis alternativa
4.1.2 Estadstico de contraste
4.1.3 Regla de decisin
4.2 Contraste de hiptesis utilizando el estadstico t
4.2.1 Contraste de un solo parmetro
4.2.2 Los intervalos de confianza
4.2.3 Contraste de hiptesis sobre una combinacin lineal de parmetros
4.2.4 Importancia econmica versus significacin estadstica
4.3 Contraste de restricciones lineales mltiples utilizando el estadstico F
4.3.1 Restricciones de exclusin
4.3.2 Significacin global del modelo
4.3.3 Estimando otras restricciones lineales
4.3.4 Relacin entre los estadsticos F y t
4.4 Contrastes sin normalidad
4.5 Prediccin
4.5.1 Prediccin puntual
4.5.2 Prediccin por intervalos
4.5.3 Prediccin de y en un modelo logartmico
4.5.4 Evaluacin de las predicciones y prediccin dinmica
Ejercicios
1
1
2
3
5
5
16
17
22
22
22
27
28
29
30
31
31
31
35
36
38
como la hiptesis nula, a la que designa H0. As pues, una hiptesis nula es una
declaracin sobre los parmetros poblacionales.
Aunque es posible formular hiptesis nulas compuestas en el contexto del
modelo de regresin, siempre consideraremos que la hiptesis nula es una hiptesis
simple. Es decir, para formular una hiptesis nula, utilizaremos siempre el operador
igualdad. Veamos a continuacin algunos ejemplos de hiptesis nulas referidas al
modelo de regresin:
a)
H0 : 1=0
b)
H0 : 1+ 2 =0
c)
H0 : 1=2 =0
d)
H0 : 2+3 =1
Tambin vamos a definir una hiptesis alternativa, designada por H1, que
representa nuestra conclusin en el caso de que el contraste concluya que H0 es falsa.
Aunque las hiptesis alternativas pueden ser tambin simples o compuestas, en
el modelo de regresin, tomaremos siempre, como hiptesis alternativa, una hiptesis
compuesta. La hiptesis alternativa, a la que se designa H1, se formula mediante el
operador "desigualdad" en la mayor parte de los casos. As, por ejemplo, dada la H0:
H0 : j 1
(4-1)
H1 : j 1
(4-2)
H1 : j 1
(4-3)
H1 : j 1
(4-4)
2 conocida
2 desconocida
1 restriccin
1 o ms
restricciones
Chi-square
t de Student
F de Snedecor
Pr(rechazar H0 | H0 )
(4-5)
Pr( No rechazar H0 | H1 )
(4-6)
sc
se rechaza
Si
sc
no se rechaza H 0
H0
(4-7)
Regin
de
rechazo
RR
Regin
de no
rechazo
RNR
j ~ N j , var( j )
j 1, 2,3, , k
(4-8)
Si tipificamos
j j
var( j )
j j
sd ( j )
~ N 0,1
j 1, 2,3,, k
(4-9)
(4-10)
tn
N (0,1)
n
(4-11)
FIGURA 4.2.
4 Funcionees de densidad
d: normal y t para diferen
ntes grados dde libertad
H0 : j 0
Puesto que
q j midee el efecto parcial de xj sobre y, despus dde controlarr para
todass las otras variables
v
in
ndependienttes, H 0 : j 0 signifiica que, unaa vez que x2, x3,
,xj 1, xj+1,, xk han siido tenidos en cuentaa, x no tien
ne efecto soobre y. Estta H0
correesponde al denominado contrastee de significcatividad. El
E estadsticco que se utiliza
u
para contrastar H 0 : j 0 , contra cuaalquier otra alternativa, se denomiina el estad
dstico
t, o laa ratio t, dee y se ex
xpresa comoo
j
t
j
j
ee( j )
est j alejada de cero. A fin de detterminar una regla paraa rechazar H 0, tenemo
os que
deciddir sobre la
l hiptesis alternativva relevantte. Hay trees posibiliddades: hip
tesis
alternnativas unillaterales (co
ola derecha e izquierda)) e hiptesiss alternativaa de dos collas.
Hiptesis altern
nativa de un
na cola: derrecha
En primeer lugar, vam
mos a consiiderar la hip
ptesis nula
H0 : j 0
contrra la hiptessis alternativ
va
H1 : j 0
Este es un
u contrastte de signifficacin possitiva. La regla de deccisin es en
n este
caso la siguientee:
R
Regla de deccisin
Si
t t n k
se reechaza
Si
t t n k
no se rechaza H 0
H0
(4-12)
(
FIG
GURA 4.3. Reg
gin de rechazzo utilizandoo la t:
h
hiptesis alterrnativa de colla a la derech
ha.
URA 4.4. El va
alor-p utilizanndo la t: hip
tesis
FIGU
alternativ
va de cola a laa derecha.
EJEM
MPLO 4.1 Es la
l propensin
n marginal a cconsumir men
nor que la pro
opensin medi
dia al consumo
o?
Como se ve
v en el ejemp
plo 1.1, contraastar la proposicin 3 de la funcin de coonsumo keyneesiana,
en unn modelo lineaal, es equivaleente a contrasstar si el trmiino independiente es signifficativamente mayor
que 0. Es decir, en el modelo
ccons 1 2inc u
Tenem
mos que contrrastar si
1 0
Con una muestra
m
aleatoria de 42 obseervaciones, see han obtenido
o los siguientess resultados
(0.350)
(0.0
062)
Los nmeeros entre parntesis, debajjo de los coeficientes, son los errores eestndar (ee) de los
estimaadores.
La pregunnta que nos plaanteamos es laa siguiente: ees la tercera prroposicin de la teora keyn
nesiana
admissible? A continnuacin, respo
ondemos a estta pregunta.
1) En este caso, las hip
tesis nula y aalternativa son
n las siguientes:
H 0 : 1 0
H1 : 1 0
2) El contrraste estadsticco es:
t
1 10 1 0 0.41
0
1.171
0
ee( 1 ) ee( 1 ) 0.35
3) Regla de
d decisin
Es conveeniente utilizaar varios nivveles de sig
gnificacin. Comencemos
C
con un niv
vel de
signifficacin de 0.10 porque el valor de t ess relativamentte pequeo (m
menor que 1.55). En este caso, los
gradoos de libertad son 40 (42 ob
bservaciones menos 2 parmetros estim
mados). Si noss fijamos en laa tabla
estadstica de la t (fila 40 y columna
c
de 00.10 o 0.20, en las tablas de una colla, o de dos colas,
0.10
respecctivamente), encontramos
e
que
q t40
1.3003 .
Como t<1.303, no se reechaza la H0. Si no rechazaamos la H0 paara =0.10, taampoco se recchazar
0.05
0.01
para =0.05 ( t40
=
( t40
gura la
1.684 ) o =0.01
22.423 ), como puede verse en la figura 44.5. En esta fig
reginn de rechazo corresponde a =0.10. Porr lo tanto, no se puede rech
hazar la H0 enn favor de la H1. En
otras ppalabras, los datos
d
muestrales no son connsistentes con
n la proposicin 3 de Keynees.
En el enfooque alternativo, como pueede verse en la figura 4.6, el valor-p coorrespondientee a t
=1.1771 para una t con 40 gl ess igual a 0.1224. Para <0..124 - por ejeemplo, 0.10, 00.05 y 0.01-, no se
rechazza la H0.
Hiptesis altern
nativa de un
na cola: izq uierda
Considerremos ahoraa la hiptesiis nula
H0 : j 0
contrra la hiptessis alternativ
va
H1 : j 0
t tn k
se rechaza
Si
t tn k
no se rechaza H 0
H0
(4-13)
Regin
de no
rechazo
RNR
No se
rechaza
para
>p-value
tn k
Se rechaza
para
<p-value
tn k
p-value
0
tnk
FIGURA 4.7. Regin de rechazo utilizando la t:
hiptesis alternativa de cola a la izquierda.
EJEMPLO 4.2 Tiene la renta una influencia negativa sobre la mortalidad infantil?
El siguiente modelo ha sido planteado para explicar las muertes de nios menores de 5 aos por
1000 nacidos vivos (deathun5).
deathun5 1 2 gnipc 3ilitrate u
donde gnipc es la renta nacional bruta per cpita e ilitrate es la tasa de analfabetismo de adultos (15 aos
o ms) en porcentaje.
Con una muestra de 130 pases (fichero hdr2010) se ha realizado la siguiente estimacin:
deathun
5 = 27.91 - 0.000826 gnipc + 2.043 ilitrate
i
(5.93)
(0.00028)
(0.183)
Los nmeros entre parntesis, debajo de los coeficientes, son los errores estndar (ee) de los
estimadores.
Una de las preguntas formuladas por los investigadores es si la renta tiene una influencia
negativa sobre la mortalidad infantil. Para responder a esta pregunta se lleva a cabo un contraste en el que
las hiptesis nula y alternativa y el estadstico de contraste son los siguientes:
H 0 : 2 0
2
0.000826
t
2.966
H1 : 2 0
0.00028
ee( 2 )
Dado que el valor de t es relativamente alto, vamos a empezar a contrastar con un nivel del 1%.
0.01
0.01
Para =0.01, t130
2 t60 2.390 . Teniendo en cuenta que t<-2.390, como se muestra en la figura 4.9, se
rechaza la H0 a favor de la H1. Por lo tanto, la renta nacional bruta per cpita tiene una influencia que es
significativamente negativa en la mortalidad de nios menores de 5 aos; es decir, cuanto mayor sea la
10
se recchaza la H0.
FIG
GURA 4.9. Eje
emplo 4.2: Reegin de rech
hazo
utiliizando la t coon una hipteesis alternativva de
colla a la izquierrda.
FIGU
URA 4.10. Ejemplo 4.2: El valor-p utiliz
zando
la t con una hiptesis alternaativa de cola a la
izquierda.
Hiptesis altern
nativa con dos
d colas
Considerremos ahoraa la hiptesiis nula
H0 : j 0
contrra la hiptessis alternativ
va
H1 : j 0
Esta es la
l alternativ
va relevantee cuando ell signo de j no est bbien determinado
por la teora o el sentido
o comn. C
Cuando la alternativa es de doss colas, esttamos
intereesados en el
e valor abso
oluto del esttadstico t. Este
E es un contraste
c
dee significaciin.
La regla de decisin
n en este casso es la sigu
uiente:
R
Regla de deccisin
Si
t tn/k2
Si
/2
t tn k
j
se reechaza
H0
(4-14)
(
no se
s rechaza H 0
ura 4.11. En
n este caso, para rechazar la
t tn/2k , como puede vers e en la figu
j
11
hipttesis nula no
n se rechazza cuando <valor-p. En
E este caso
o valor-p see distribuye entre
las ddos colas de forma simtrica, comoo se muestraa en la figurra 4.12.
FIGUR
RA 4.12. valor
r-p usando t: Regin de reechazo
usando t: hiptesis alternatiiva de dos collas.
4.016
H1 : 4 0
960
ee( 4 )
CUADRO
O 4.2. Salida estndar
e
en u
una regresin
n para explica
ar el precio dde una casa. n=55.
n
Variable
Coeficieente Error esstndar Esta
adstico t
Prob.
C
-156993.61
80
021.989
-1.956324
0.0559
rooms
67888.401
12
210.720
5.606910
0.0000
lowstat
-268. 1636
80
0.70678
-3.322690
0.0017
crime
-38533.564
95
59.5618
-4.015962
0.0002
Dado que el valor de t es
e relativamennte alto, vamo
os a empezar a contrastar paara un nivel del
d 1%.
Para =0.01, t510.01/ 2 t500.01/ 2 2.6
es para la disstribucin t, no
n hay
69 . (En las ttablas estadstticas habituale
inform
macin para caada gl, uno a uno,
u ms all de 20). Tenieendo en cuentaa que t 2.669, rechazamos la H0
a favoor de la H1. Poor lo tanto, la delincuencia tiene una inflluencia signifiicativa en el pprecio de la vivienda
con unn nivel de signnificacin del 1% y, por tannto, de un 5% y 10%.
En el enfooque alternativ
vo podemos rrealizar el con
ntraste con mayor precisinn. En el cuadro 4.2,
vemos que el valorr de valor-p paara el coeficieente crime es de
d 0.0002. Eso
o significa quue la probabilidad de
que el estadstico t sea mayor de
d 4.016 es 0.00001 y la pro
obabilidad de que t sea men
enor de -4.016
6 es de
0.0001. Es decir, el
e valor de valor-p, como sse muestra en
n la figura 4.13 se distribuyye en los dos lados.
Comoo puede versee en esta figu
ura, se rechazza H0 para to
odos los nivelles de signific
icacin superiiores a
0.0002, tales como 0.01, 0.05 y 0.10.
0
Si se traatara de un con
ntraste de una cola, en el ennfoque alternaativo el
valor--p sera igual a 0.0002/1=0..0001.
12
FIGURA 4.13. Ejemplo 4.3: valor-pp utilizando t:: hiptesis altternativa de ddos colas.
H 0 : j 0j
En este caso,
c
el estaadstico t addecuado es
j 0j
t
j
ee( j )
Al iguall que antess, t j midee la cantidad de desv
viaciones esstndar estt j
distaanciada de 0j , valor qu
ue toma el pparmetro en
n la hiptesis nula.
EJEM
MPLO 4.4 Es la
l elasticidad del gasto en ffrutas/renta ig
gual a 1? Ess la fruta un bbien de lujo?
Para respoonder a estas dos
d preguntass vamos a utillizar el siguien
nte modelo paara explicar el gasto
en fruuta (fruit):
ln( fruit ) 1 2 ln(iinc ) 3 houseehsize 4 pun
nders u
dondee inc es la rennta disponiblee de los hogaares, househsiize es el nmeero de miembbros de la fam
milia y
pundeer5 es la propoorcin de nio
os menores dee cinco aos en
n el hogar.
Dado que las variables fruit
f
e inc apaarecen expresadas en logaritmos naturalees, entonces 2 es la
elasticcidad del gastto/renta. Utilizzando una muuestra de 40 hogares
h
(ficheero demand), se han obteniido los
resultados del cuaddro 4.3.
CUADRO
O 4.3. Salida estndar
e
de u
una regresin
n que explica los gastos en fruta. n=40.
Variable
Coeficieente Error esstndar Estadstico t
P
Prob.
C
-9.7677654
3.7
701469
-2
2.638859
0.0122
ln(inc)
2.0044539
0.5
512370
3.912286
3
0.0004
househssize
-1.2055348
0.1
178646
-6.747147
0.0000
punder55
-0.0177946
0.0
013022
-1.378128
0.1767
Es laa elasticidad del
d gasto en frrutas/ renta iggual a 1?
Para respoonder a esta prregunta, se haa llevado a cab
bo el siguiente procedimiennto. En este caaso las
hipteesis nula y alteernativa, y el estadstico dee contraste, son
n los siguientees:
H 0 : 2 1
20 2 1 2.0
005 1
t 2
1.9611
H1 : 2 1
0
.512
ee( 2 ) ee( 2 )
Para =0..10, nos enco
ontramos con que t360.10/ 2 t350.10/ 2 1.69 . Como | t | >11.69 se rechaaza H0.
Para =0.05, t360.05/ 2 t350.05/ 2 2.0
p =0.05, nni para =0.0
01. Por
03 . Como | t | <2.03 no recchazamos H0 para
lo tannto, rechazam
mos que la ellasticidad dell gasto en fru
uta/renta sea igual a 1 paara=0.10, peero no
rechazzamos para =0.05,
=
ni paraa=0.01.
13
H1 : 2 1 .
0.10
36
favor de H1. Para =0.05, t360.05 t350.05 1.69 .Como t>1.69, rechazamos la H0 en favor de la H1. Para
=0.01, t360.01 t350.01 2.44 . Como t<2.44, no rechazamos H0. Por lo tanto, la fruta es un bien de lujo para
=0.10 y =0.05, pero no se puede rechazar la H0 en favor de la H1 para =0.01.
EJEMPLO 4.5 Es la Bolsa de Madrid un mercado eficiente?
Antes de responder a la cuestin planteada, vamos a examinar algunos conceptos previos. La
tasa de rendimiento de un activo en un perodo de tiempo se define como la variacin porcentual que
experimenta el valor invertido en ese activo durante dicho perodo de tiempo. Vamos a considerar ahora
como activo especfico, a una accin de una compaa industrial adquirida en una Bolsa espaola al final
de un ao y que se mantiene hasta el final del ao siguiente. A esos dos momentos de tiempo los designaremos t-1 y t respectivamente. La tasa de rendimiento de esa accin al cabo de ese ao puede
expresarse mediante la siguiente relacin:
RAt
DPt + Dt + At
Pt-1
(4-15)
donde
Pt : es la cotizacin de la accin al final del perodo t
Dt : son los dividendos percibidos por la accin durante el perodo t
At : es el valor de los derechos que eventualmente han podido corresponder a la accin
durante el perodo t
As pues, en el numerador de (4-15) se recogen los tres tipos de ganancias de capital que se han
podido percibir por el mantenimiento de una accin durante el ao t : incremento - o prdida en su caso
en la cotizacin, dividendos y derechos de ampliacin. Al dividir por Pt-1 se obtiene la tasa de ganancia
sobre el valor de la accin a finales del perodo anterior. De los tres componentes el ms importante es el
incremento en la cotizacin. Teniendo en cuenta solamente a esa componente, la tasa de rendimiento de la
accin puede expresarse por
RA1t
DPt
Pt-1
(4-16)
RA2t D ln Pt
(4-17)
De la misma forma que RAt, en cualquiera de las dos expresiones, representa la tasa de
rendimiento de una accin concreta, se puede estimar tambin la tasa de rendimiento del conjunto de
acciones cotizadas en Bolsa. A esta ltima tasa de rendimiento, a la que designaremos por RMt, se le
denomina tasa de rendimiento de mercado.
Hasta ahora hemos considerado la tasa de rendimiento en un ao, pero igualmente se puede
aplicar expresiones del tipo (4-16), o (4-17), para obtener tasas de rendimiento diario. Analizando el
comportamiento de estas tasas cabe preguntarse si las tasas de rendimiento en el pasado son de utilidad
para predecir las tasas de rendimiento en el futuro. Esta pregunta est relacionada con el concepto de eficiencia de un mercado. Un mercado es eficiente si los precios incorporan toda la informacin disponible,
de modo que hay posibilidad de obtener ganancias extraordinarias al utilizar esta informacin.
Para contrastar la eficiencia de un mercado vamos a definir el siguiente modelo, utilizando tasas
de rendimiento diarias definidas segn (4-16):
rmad 92t 1 2 rmad 92t 1 ut
14
(4-18)
Si un mercado es eficiente, entonces el parmetro 2 del anterior modelo debe ser 0. Vamos a
contrastar ahora si la Bolsa de Madrid, en lo que respecta a la renta variable, es o no eficiente en su
conjunto.
El modelo de (4-18) se ha estimado con datos diarios de la Bolsa de Madrid para el ao 1992,
utilizando el fichero bolmadef. Los resultados obtenidos han sido los siguientes:
rmad
92 0.0004+ 0.1267 rmad 92
t
(0.0007)
(0.0629)
t -1
R2=0.0163 n=247
Los resultados obtenidos pueden resultar paradjicos. Por una parte, el valor del coeficiente de
determinacin es muy bajo (0.0163), lo que significa que solamente el 1.63% de la varianza total de la
tasa de rendimiento se explica por la tasa de rendimiento del da anterior. Por otra parte, sin embargo, el
coeficiente correspondiente a la tasa de significacin del da anterior es estadsticamente significativo
para un nivel del 5% pero no para un nivel de 1%, porque el estadstico t es igual a 0.1267/0.0629=2.02
0.01
0.01
que es ligeramente mayor en valor absoluto que t245 t60 =2.00. El motivo de esta aparente paradoja
se debe a que el tamao de la muestra es muy elevado. As, aunque la incidencia de la variable explicativa
sobre la variable endgena es relativamente reducida (como indica el coeficiente de determinacin), sin
embargo, esta incidencia es significativa (como lo confirma el estadstico t) debido a que se ha dispuesto
de una muestra de datos suficientemente grande.
Contestando a la pregunta de si la Bolsa de Madrid es o no un mercado eficiente, en un primer
anlisis la respuesta es que no es totalmente eficiente. Sin embargo, esta respuesta debe matizarse. En
economa financiera es conocida la existencia de una relacin de dependencia entre la tasa de rendimiento
de un da y la del da precedente. Esta relacin no es muy fuerte, aunque s es estadsticamente
significativa en muchas bolsas mundiales, y se debe a las fricciones del mercado. En cualquier caso, este
fenmeno no se puede explotar de forma lucrativa por los agentes del mercado, por lo que no se puede
calificar a estos mercados de ineficientes, de acuerdo con la definicin dada anteriormente sobre el
concepto de eficiencia.
EJEMPLO 4.6 La rentabilidad de la Bolsa de Madrid, se ve afectada por la rentabilidad de la Bolsa de
Tokio?
El estudio de la relacin entre distintos mercados de acciones (Bolsa de Nueva York, Bolsa de
Tokio, Bolsa de Madrid, Bolsa de Londres, etc.) ha recibido una gran atencin en los ltimos aos,
debido a una mayor libertad en la circulacin de capitales y a la conveniencia de utilizar mercados
extranjeros para reducir el riesgo en la gestin de carteras, ya que la ausencia de una perfecta integracin
de los mercados permite la diversificacin del riesgo. De todas formas, cada vez se camina hacia una
mayor integracin mundial de los mercados financieros, en general, y de los mercados de acciones, en
particular.
Si los mercados son eficientes, y hemos visto en el ejemplo 4.5 que se puede admitir que lo sean,
las noticias que se van produciendo, a las que se denominan innovaciones, durante un perodo de 24 horas
se irn viendo reflejadas en los distintos mercados.
Conviene distinguir entre dos tipos de innovaciones: a) innovaciones globales, que son noticias
que se generan alrededor del mundo y que se captan en los precios de las acciones en todos los mercados;
b) innovaciones especficas, que es la informacin generada durante un perodo de 24 horas que solo
afecta a los precios de un mercado particular. As, la informacin sobre evolucin de los precios del
petrleo se puede considerar como una innovacin global, mientras que una nueva regulacin del sector
financiero en un pas sera considerada posiblemente como una innovacin especfica.
De acuerdo con la exposicin anterior, en una sesin de Bolsa de un determinado mercado, los
precios de las acciones que en l se cotizan vendrn afectados por las innovaciones globales recogidas en
otro mercado que haya cerrado antes. As, las innovaciones globales recogidas en el mercado de Tokio
influirn en las cotizaciones del mercado de Madrid de ese mismo da. El siguiente modelo recoge la
transmisin de efectos entre la Bolsa de Tokio y la Bolsa de Madrid:
rmad92t =1+2rtok92t +ut
(4-19)
donde rmad92t es la tasa de rentabilidad de la Bolsa Madrid en el perodo t, y rtok92t es la tasa de
rentabilidad de la Bolsa de Tokio en el perodo t. Las rentabilidades de los mercados se han calculado de
acuerdo con (4-16).
15
En el fichero madtok se pueden encontrar los ndices generales de la Bolsa de Madrid y la Bolsa
de Valores de Tokio durante los das en que ambas bolsas estaban abiertas de forma simultnea. Es decir,
se han eliminado las observaciones de los das en los que cualquiera de las bolsas estuviese cerrada. En
total, el nmero de observaciones es de 234, en comparacin con los 247 y 246 das en que las Bolsa de
Madrid y de Tokio estuvieron abiertas respectivamente.
La estimacin del modelo (4-19) es como sigue:
rmad
92 0.0005+ 0.1244 rtok 92
t
(0.0007)
(0.0375)
R2=0.0452 n=235
Obsrvese que el coeficiente de determinacin es relativamente bajo. Sin embargo, para
contrastar H0:2=0, se obtiene que el estadstico t = (0.1244/0.0375) = 3.32 lo que implica que se rechaza
la hiptesis nula de que la tasa de rendimiento de la Bolsa de Valores de Tokio no tenga ningn efecto
sobre la tasa de rentabilidad de la Bolsa de Madrid, para un nivel de significacin de 0.01.
Una vez ms nos encontramos con la misma paradoja aparente que apareci cuando se analiz la
eficiencia de la Bolsa de Madrid en el ejemplo 4.5 a excepcin de una diferencia. En este ltimo caso, la
tasa de rendimiento del da anterior apareca como significativa, debido a problemas derivados de la
elaboracin del ndice general de la Bolsa de Madrid.
En consecuencia, el hecho de que la hiptesis nula sea rechazada implica que hay evidencia
emprica que apoya la teora de que las innovaciones globales de la Bolsa de Tokyo se transmiten a las
cotizaciones de la Bolsa de Madrid ese mismo da.
j /2
tn k 1
Pr tn/2k j
ee( j )
que
j j ee( j ) tn/2k
j j ee( j ) tn/2k
Si las muestras se obtuvieron al azar de forma repetida calculando j y j cada
vez, el parmetro poblacional (desconocido) caera en el intervalo ( j , j ) en un (1
0.968
0.947
0.843
0.739
0.718
0.675
FIGURA 4.14. Intervalos de confianza para la propensin marginal al consumo en el ejemplo 4.1.
(4-20)
17
De acuerdo con la H0, se deduce que 2 3 1 0 . Por lo tanto, el estadstico t se basa ahora
en si la suma estimada 2 3 1 es lo suficientemente diferente de 0 como para rechazar la H0 a favor
de la H1.
Para contrastar esta hiptesis se van a utilizar dos procedimientos. En el primer procedimiento se
utiliza la matriz de covarianzas de los estimadores. En el segundo, el modelo se reparametriza
introduciendo un nuevo parmetro.
Procedimiento que utiliza la matriz de covarianzas de los estimadores
De acuerdo con H0, se estima que 2 3 1 0 . Por lo tanto, el estadstico t est basado ahora
en si la suma estimada 2 3 1 es lo suficientemente diferente de 0 para rechazar la H0 a favor de la
H1. Para tener en cuenta el error de muestreo en nuestros estimadores, se estandariza esta suma dividiendo
por su error estndar:
3 1
t 2
2
3
ee( 2 3 )
As que, si t
2 3
2 3
es positivo y lo suficientemente
grande, vamos a rechazar, en un contraste alternativo de una cola (la derecha), a H0 en favor de
H1 : 2 3 1 , concluyendo que s hay rendimientos crecientes a escala.
Por otro parte, tenemos que
ee( 2 3 ) var( 2 3 )
donde
2 3 1 0.02129
0.3402
0.0626
ee( 2 3 )
18
2 3 1
por lo que la hiptesis nula de que hay rendimientos constantes a escala es equivalente a postular que
H0 : 0 .
De la definicin de se tiene que 2 3 1 . Sustituyendo 2 en la ecuacin original:
ln(output ) 1 ( 3 1) ln(labor ) 3 ln(capital ) u
Por lo tanto,
ln(output / labor ) 1 ln(labor ) 3 ln(capital / labor ) u
0.3402
ee()
donde incent son los incentivos a los vendedores y advert son los gastos en publicidad. Las variables
sales, incent y advert estn expresadas en miles de dlares.
19
Utilizando una muestra de 18 reas de venta (fichero advincen), se han obtenido los resultados
de la regresin y la matriz de covarianzas de los coeficientes que aparecen en los cuadros 4.7 y 4.8,
respectivamente.
CUADRO 4.7. Salida estndar de la regresin para el ejemplo 4.8.
Variable
Coeficiente Error estndar Estadstico t
Prob.
constant
396.5945
3548.111
0.111776
0.9125
advert
18.63673
8.924339
2.088304
0.0542
incent
30.69686
3.604420
8.516448
0.0000
CUADRO 4.8. Matriz de covarianza para el ejemplo 4.8.
C
advert
constant
12589095
-26674
advert
-26674
79.644
incent
-7101
2.941
incent
-7101
2.941
12.992
En este modelo, el coeficiente 2 indica el aumento de las ventas producidas por un dlar de
incremento en el gasto en publicidad, mientras 3 indica el aumento que se produce en las ventas por un
dlar de incremento en los incentivos especiales, manteniendo fijo en ambos casos el otro regresor.
Para responder a la pregunta planteada en este ejemplo, la hiptesis nula y la hiptesis
alternativa son las siguientes:
H 0 : 3 2 0
H1 : 3 2 0
El estadstico t se construye utilizando la informacin sobre la matriz de covarianzas de los
estimadores:
3 2
t
3
2
ee( 3 2 )
3 2
30.697 18.637
1.295
9.3142
ee( 3 2 )
Para =0.10, nos encontramos con que t150.10 1.341 . Como t<1.341, no rechazamos H0 para
=0.10, ni para =0.05 o =0.01. Por lo tanto, no hay evidencia emprica de que un dlar gastado en
incentivos especiales tenga una mayor incidencia en las ventas que un dlar gastado en publicidad.
EJEMPLO 4.9 Contraste de la hiptesis de homogeneidad en la demanda de pescado
En el caso de estudio del captulo 2 fueron estimados diversos modelos, utilizando datos de corte
transversal, para explicar la demanda de productos lcteos en los que la renta disponible era la nica
variable explicativa. Sin embargo, el precio del producto estudiado y, en mayor o menor medida, los
precios de otros productos son determinantes en la demanda. El anlisis de la demanda sobre la base de
datos de corte transversal, tiene precisamente la limitacin de que no es posible examinar el efecto de los
precios en la demanda porque los precios se mantienen constantes, ya que los datos se refieren todos al
mismo punto en el tiempo. Para analizar el efecto de los precios es necesario el uso de datos de series
temporales o, alternativamente, de datos de panel. A continuacin vamos a examinar, brevemente,
algunos aspectos de la teora de la demanda de un bien para luego pasar a la estimacin de una funcin de
demanda con datos de series temporales. Como colofn a este caso, vamos a contrastar una de las
hiptesis que, en determinadas circunstancias, debe satisfacer un modelo terico.
La demanda de un bien -como el bien j- se puede expresar, de acuerdo con un proceso de
optimizacin llevado a cabo por el consumidor, en trminos de renta disponible, del precio de la
mercanca y de los precios del resto de bienes. Analticamente:
q j f j ( p1 , p2 , , p j , , pm , R )
donde
- R es la renta disponible de los consumidores.
20
(4-21)
- p1 , p2 , , p j , pm son los precios de los bienes que se tienen en cuenta por los
consumidores cuando adquieren el bien j.
En los estudios de demanda, los modelos logartmicos son atractivos, ya que los coeficientes son
directamente elasticidades. El modelo logartmico se expresa de la siguiente forma:
ln( q j 1 2 ln( p1 ) 3 ln( p2 ) j ln( p j ) m 1 ln( pm ) m 2 ln( R ) u
(4-22)
Como puede verse de forma inmediata, todos los coeficientes , excluyendo el trmino
constante, son elasticidades de diferentes tipos y, por lo tanto, son independientes de las unidades de
medida de las variables. Cuando no hay ilusin monetaria, si todos los precios y la renta crecen a la
misma tasa, la demanda de un bien no se ve afectada por estos cambios. Por lo tanto, suponiendo que los
precios y la renta se multiplican por si el consumidor no tiene ilusin monetaria, se debe satisfacer que
(4-23)
f j (l p1 , l p2 , , l p j , , l pm , l R ) f j ( p1 , p2 , , p j , pm , R )
Desde un punto de vista matemtico, la condicin anterior implica que la funcin de demanda
debe ser homognea de grado 0. Esta condicin se llama la restriccin de homogeneidad. Aplicando el
teorema de Euler, la restriccin de homogeneidad, a su vez implica que la suma de la elasticidad de
demanda/renta y de todas las elasticidades de demanda/precio es cero, es decir:
m
h 1
q j ph
qj R 0
(4-24)
2 3 j m 1 m 2 0
(4-25)
En la prctica, cuando se estima una funcin de demanda, los precios de muchos bienes no estn
incluidos, sino slo aquellos que estn estrechamente relacionados, ya sea por ser complementarios o por
ser sustitutivos del bien estudiado. Tambin es bien sabido que la asignacin presupuestaria del gasto se
suele realizar en varias etapas.
A continuacin, estudiaremos la demanda de pescado en Espaa, utilizando un modelo similar a
(4-22). Tengamos en cuenta que en una primera asignacin, el consumidor distribuye su renta entre el
consumo total y el ahorro. En una segunda etapa, el gasto de consumo por funcin se lleva a cabo
teniendo en cuenta el consumo total y los precios relevantes en cada funcin. En concreto, en la demanda
de pescado se ha supuesto que slo es relevante el precio del pescado y el precio de la carne que es el
sustitutivo ms importante.
Teniendo en cuenta las consideraciones anteriores, se ha formulado el siguiente modelo:
ln( fish 1 2 ln( fishpr ) 3 ln(meatpr ) 4 ln(cons ) u
(4-26)
donde fish es el gasto de pescado a precios constantes, fishpr es el precio del pescado, meatpr es el precio
de la carne y cons es el consumo total a precios constantes.
El fichero fishdem contiene informacin acerca de esta serie para el perodo 1964-1991. Los
precios son nmeros ndices con base 1986, y fish y cons son magnitudes a precios constantes tambin
con base en 1986. Los resultados de la estimacin de modelo (4-26) son los siguientes:
ln(
fish 7.788- 0.460 ln( fishpr ) + 0.554 ln(meatpr ) + 0.322 ln(cons )
i
(2.30)
(0.133)
(0.112)
(0.137)
Como se puede observar, los signos de las elasticidades son correctos: la elasticidad de la
demanda es negativo con respecto al precio del propio bien, mientras que las elasticidades con respecto al
precio del bien sustitutivo y con respecto al consumo total son positivos.
En el modelo de (4-26) la restriccin de homogeneidad implica la siguiente hiptesis nula:
2 3 4
(4-27)
Para realizar este contraste vamos a utilizar un procedimiento similar al del ejemplo 4.6. Ahora,
el parmetro se define de la siguiente forma
2 3 4
(4-28)
21
(4-29)
ln(
fishi 7.788- 0.4596 ln( fishpri ) + 0.554 ln(meatpri ) + 0.322 ln(consi )
(2.30)
(0.1334)
(0.112)
(0.137)
Usando (4-28), contrastar la hiptesis nula (4-27) es equivalente a contrastar que el coeficiente
de ln(fishpr) en (4-29) es igual a 0. Dado que el estadstico t para dicho coeficiente es igual a -3.44 y
0.01/ 2
=2.8, rechazamos la hiptesis de homogeneidad de la demanda de pescado.
t24
y 1 2 x2 3 x3 4 x4 5 x5 u
(4-30)
H0 : 4 5 0
Este es un ejemplo de restricciones mltiples, ya que se ha impuesto ms de una
restriccin en los parmetros del modelo. Un contraste de restricciones mltiples es
denominado tambin contraste conjunto de hiptesis.
La hiptesis alternativa se puede expresar de la siguiente manera
H1: H0 no es cierta
Es importante destacar que se estima H0 conjuntamente y no individualmente.
Ahora, vamos a distinguir entre el modelo no restringido (NR) y el restringido (R). El
22
y 1 2 x2 3 x3 u
Por definicin, el modelo restringido siempre tiene un menor nmero de
parmetros que el modelo no restringido. Adems, siempre se verifica que
SCRR SCRNR
donde SCRR es la SCR del modelo restringido, y SCRNR es la SCR del modelo no
restringido. Recuerde que, debido a que las estimaciones de los coeficientes por MCO
se eligen de forma que minimicen la suma de los cuadrados de los residuos, la SCR no
disminuye (y en general aumenta) cuando algunas restricciones (como la eliminacin de
variables) se introducen en el modelo.
El aumento en la SCR cuando se imponen restricciones puede indicarnos algo
sobre si es verosmil la H0. Si el incremento es grande, esto es una evidencia en contra
de H0, y esta hiptesis ser rechazada. Si el incremento es pequeo, esto no ser una
evidencia en contra de H0, y esta hiptesis no ser rechazada. La pregunta es entonces si
el aumento observado en la SCR cuando se imponen las restricciones, es
suficientemente grande, en relacin con la SCR en el modelo no restringido, para
justificar el rechazo de H0.
La respuesta depende claro est de pero no podemos llevar a cabo el
contraste sobre el seleccionado hasta que tengamos un estadstico cuya distribucin
sea conocida y est tabulado bajo la H0. Por lo tanto, necesitamos una manera de
combinar la informacin de la SCRR y de la SCRNR para obtener un estadstico de
contraste con una distribucin conocida bajo H0.
Ahora, veamos el caso general, donde el modelo no restringido es el siguiente:
y 1 2 x2 3 x3 k xk +u
(4-31)
H 0 : k q 1 k q 2 k 0
(4-32)
y 1 2 x2 3 x3 k q xk q +u
(4-33)
La H1 se expresa como
H1: H0 no es cierta
(4-34)
( SCRR SCRSR ) / q
SCRSR / (n k )
23
(4-35)
donde SCRR es el SCR del modelo restringido, SCRNR es el SCR del modelo no
restringido y q es el nmero de restricciones, es decir, el nmero de igualdades en la
hiptesis nula.
Para poder utilizar el estadstico F para el contraste de hiptesis, debemos
conocer su distribucin muestral bajo H0 con el fin de elegir el valor de c para un
dado, y determinar la regla de rechazo. Se puede demostrar que, bajo la H0, y
asumiendo que los supuestos del MLC se mantienen, el estadstico F se distribuye como
una variable aleatoria F de Snedecor con q y n-k grados de libertad. Escribimos este
resultado de la siguiente manera
F | H 0 Fq,n-k
(4-36)
2
q
x nk n k
(4-37)
SCRNR
nk
(4-38)
Por otro lado, los grados de libertad que corresponden a la SRCR (glR) son nk+q, porque en el modelo restringido se estiman k-q parmetros. Los grados de libertad
que corresponde a SCRR-SCRSR son
(n-k+q)-(n-k)=q = nmero de grados de libertad=glR-glNR
As, en el numerador de la F, la diferencia entre las SCR se divide por q, que es
el nmero de restricciones impuestas al pasar del modelo no restringido al restringido.
En el denominador de la F, SCRNR se divide por glNR. De hecho, el denominador de la F
es justamente el estimador de 2 en el modelo no restringido.
La ratio F debe ser mayor que o igual a 0, puesto que SCRR SCRNR 0 .
A menudo es conveniente tener una forma del estadstico F tal que pueda ser
calculada a partir del R2 de los modelos restringido y no restringido.
2
),
Utilizando el hecho de que SCRR SCT (1 RR2 ) y SCRNR SCT (1 RNR
podemos expresar (4-35) del siguiente modo
2
( RSR
RR2 ) / q
F
2
(1 RSR
) / (n k )
(4-39)
F Fq,n k
se rechaza
Si
F Fq,n k
no se rechaza H 0
H0
(4-40)
breve,
significativos
Este contraste por s solo no nos permite decir cules de las variables tienen un
efecto parcial sobre y, ya que todas ellas pueden afectar a y, o tal vez slo una afecta a y.
Si no se rechaza H0, entonces decimos que no son estadsticamente significativas
conjuntamente, o simplemente que no son significativas conjuntamente, lo que a
menudo justifica su eliminacin del modelo. El estadstico F es a menudo til para
contrastar la exclusin de un grupo de variables cuando las variables del grupo estn
altamente correlacionadas entre s.
Regin
de no
rechazo
RNR
Regin de
Rechazo
RR
Rechazado
para
p-value
Fq ,nk
No
rechazado
para
<p-value
Fq ,nk
p-value
Fq,nk
donde wage son los salarios mensuales, educ son los aos de educacin, exper son los aos de experiencia
laboral, tenure son los aos trabajando con la empresa actual, y age es la edad en aos.
El investigador tiene la intencin de excluir tenure del modelo, ya que en muchos casos es igual
a la experiencia, y tambin la edad, ya que est altamente correlacionada con la experiencia. Es
aceptable la exclusin de ambas variables?
Las hiptesis nula y alternativa son las siguientes:
H 0 : 4 5 0
H1 : H 0 no es cierta
El modelo restringido correspondiente a esta H0 es
ln( wage) 1 2 educ 3 exper u
Utilizando una muestra de 53 observaciones del fichero wage2, se han obtenido las siguientes
estimaciones para los modelos no restringido y restringido:
ln(
wagei ) = 6.476 + 0.0658educi + 0.0267experi - 0.0094tenurei - 0.0209agei SCR = 5.954
ln(
wagei ) = 6.157 + 0.0457 educi + 0.0121experi
SCR = 6.250
SCRR SCRNR / q
SCRNR / (n k )
(6.250 5.954) / 2
1.193
5.954 / 48
Teniendo en cuenta que el estadstico F es bajo, vamos a ver qu sucede con un nivel de
significacin del 0.10. En este caso, los grados de libertad para el denominador son 48 (53 observaciones
menos 5 parmetros estimados). Si buscamos en las tablas el estadstico F para 2 grados de libertad en el
0.10
0.10
F2,45
= 2.42. Como F<2.42
numerador y 45 grados de libertad en el denominador, encontramos F2,48
no se rechaza H0. Si no se rechaza la H0 para 0.10, no se rechazar tampoco para 0.05 o 0.01, como se
puede en la figura 4.17. Por lo tanto, no podemos rechazar H0 en favor de H1. En otras palabras, la
antigedad en la empresa y la edad no son conjuntamente significativas.
26
0.10
Regin de
rechazo
RR
0.05
0.01
3.23
5.18
Regin
de no
rechazo
RNR
F2.48
2.42
1.193
FIGURA 4.17. Ejemplo 4.10: Regin de rechazo en la distribucin F (los valores son para F2.40).
H0 : 1 2 3 k 0
(4-41)
(4-42)
E( y) 1
(4-43)
As, la H0 en (4-41) implica que no slo que las variables explicativas no tienen
ninguna influencia sobre la variable endgena, sino tambin que la media de la variable
endgena -por ejemplo, el consumo medio- es igual a 0.
Por lo tanto, si queremos conocer si el modelo es globalmente significativo, la
H0 debe ser la siguiente:
H0 : 2 3 k 0
(4-44)
(4-45)
2
donde R 2 = RNR
, ya que slo es necesario estimar el modelo no restringido, debido a
27
La pregunta que se plantea es si el rendimiento de la empresa medido por las variables sales, roe
y ros es crucial para establecer los salarios de los directores ejecutivos. Para responder a esta pregunta
vamos a hacer un contraste de significacin global. Las hiptesis nula y alternativa son las siguientes:
H 0 : 2 3 4 0
H1: H0 no es cierta
El cuadro 4.9 muestra una salida de E-views completa de mnimos cuadrados (ls), utilizando el
fichero ceosal1. En la parte inferior puede verse el "estadstico F" para el contraste de significacin
global, as como "Prob.", que es el valor-p correspondiente a este estadstico. En este caso valor-p es
igual a 0, es decir, se rechaza H0 para todos los niveles de significacin (Vase la figura 4.18). Por lo
tanto, podemos rechazar que el rendimiento de la empresa no tenga ninguna influencia sobre los salarios
de los directores ejecutivos.
p-value
0,0000
0,10
0,05
0,01
2,12
2,67
3,92
F3,205
26,93
FIGURA 4.18. Ejemplo 4.11: Valor-p utilizando la distribucin F (los valores para una F3,140).
CUADRO 4.9. Salida completa de E-views en el ejemplo 4.11.
Dependent Variable:
LOG(SALARY)
Method: Least Squares
Date: 04/12/12 Time: 19:39
Sample: 1 209
Included observations: 209
Variable
C
LOG(SALES)
ROE
ROS
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat
Coefficient
Std. Error
4.311712
0.280315
0.017417
0.000242
0.282685
0.272188
0.483185
47.86082
-142.5213
2.033496
0.315433
0.03532
0.004092
0.000542
t-Statistic
13.66919
7.936426
4.255977
0.446022
Prob.
0.0000
0.0000
0.0000
0.6561
6.950386
0.566374
1.402118
1.466086
26.9293
0.0000
28
y 1 2 x2 3 x3 4 x4 5 x5 u
con la hiptesis nula:
2 3 1
4 3
H0 :
5 0
( y x2 3x4 ) 1 3 ( x3 x2 ) u
En el ejemplo 4.12, que se ver a continuacin, la hiptesis nula consiste en dos
restricciones: una combinacin lineal de parmetros y una restriccin de exclusin.
EJEMPLO 4.12 Una restriccin adicional en la funcin de produccin. (Continuacin del ejemplo
4.7)
En la funcin de produccin de Cobb-Douglas, vamos a contrastar la siguiente H0, que tiene 2
restricciones:
3 1
H0 : 2
1 0
H1 : H 0 no es cierta
SCRR SCRNR / q
SCRNR / (n k )
(3.1101 0.8516) / 2
13.551
0.8516 / (27 3)
Hay dos razones para no utilizar R2 en este caso. En primer lugar, el modelo restringido no tiene
trmino independiente. En segundo lugar, el regresando del modelo restringido es diferente del
regresando del modelo no restringido.
Dado que el valor de F es relativamente alto, vamos a empezar el contrastar con un nivel de
0.01
5.61 . Teniendo en cuenta que F>5.61, rechazamos H0 en favor
significacin del 1%. Para =0.01, F2,24
de H1. Por lo tanto, se rechaza la hiptesis conjunta de que hay rendimientos constantes a escala y de que
el parmetro 1 es igual a 0. Si se rechaza H0 para =0.01, tambin ser rechazada para los niveles de 5%
y 10%.
Ahora bien,
b
cul es la relac in entre una
u F con un grado dde libertad en el
numeerador (paraa contrastar una sola reestriccin) y una t? Se puede
p
demoostrar que
tn2k F1,nk
(4-46)
(
4.4 C
Contrastess sin norm
malidad
La norm
malidad de los estimadoores de MC
CO dependee crucialmen
ente del sup
puesto
de noormalidad de
d las pertu
urbaciones. Qu sucede si las peerturbacionees no tienen
n una
distriibucin norrmal? Hemo
os visto quee las perturrbaciones baajo los supuuestos de GaussG
Markkov, y en coonsecuenciaa, los estim
madores de MCO
M
tienen
n una distribbucin asin
nttica
norm
mal, es decirr, tienen aprroximadameente una disstribucin normal.
Si las peerturbacionees no son noormales, el estadstico t no tiene uuna distribuccin t
exacta, sino sloo aproxima
ada. Como ppuede versee en la tablaa de la t de Student, paara un
tamaao muestraal de 60 obsservacioness los puntoss crticos so
on prcticam
mente igual a los
de laa distribucin normal esstndar.
Del mism
mo modo, si las perturbbaciones no
o son normales, el estaddstico F no tiene
una distribucinn F exacta, sino sloo aproximad
da, cuando el tamaoo muestral es lo
suficcientemente grande y los supueestos de Gauss-Marko
G
ov se cum
mplen. Ento
onces,
podeemos utilizaar el estadsstico F paraa contrastarr las restriccciones lineeales en mo
odelos
lineaales como unn contraste aproximadoo.
Hay otroos contrastees asintticoos (la razn
n de verosim
militud, el m
multiplicad
dor de
Lagrrange y el coontraste de Wald) basaados en las funciones de
d verosimillitud que pu
ueden
utilizzarse en conntrastar restrricciones linneales cuan
ndo las pertu
urbaciones nno se distrib
buyen
norm
malmente. Estos tres estadsticoos tambin
n pueden aplicarse cuando a) las
restriicciones son no lineales, y b) el modelo es no lineal en
e los parmetros. Parra las
30
4.5 Prediccin
En este epgrafe se examinarn dos tipos de prediccin: prediccin puntual y
prediccin por intervalos.
4.5.1 Prediccin puntual
La obtencin de una prediccin puntual no plantea ningn problema especial,
puesto que es una operacin simple de extrapolacin en el contexto de mtodos
descriptivos.
0
(4-47)
(4-48)
(4-49)
y 0 0
31
(4-51)
tn k
ee(0 ) ee(0 )
0 0 / 2
Pr tn/k2
tn k 1
ee( 0 )
(4-52)
0 . En cualquier caso, hay una manera fcil de estimarlo. As, resolviendo (4-48) para
1 vemos que 1 0 2 x20 3 x30 ... k xk0 . Poniendo este resultado en la ecuacin
(4-47), obtenemos
(4-53)
y0 0 u0
(4-54)
e20 y0 y 0 0 u0 y 0
(4-55)
(4-56)
ee(e ) ee(0 ) 2
0
2
1
2
(4-57)
Por lo general, 2 es mayor que ee( 0 ) . Bajo los supuestos del MLC,
e20
tn k
ee(e20 )
(4-58)
e20
Pr tn/2k
tn/2k 1
0
ee(e2 )
33
(4-59)
(4-60)
(0.715)
=1.649
(0.123)
R2=0.533
n=16
Para estimar la nota final esperada para un estudiante con primeval0= 7 en la primera evaluacin,
se estim el siguiente modelo, de acuerdo con (4-53):
(0.497)
(0.123)
=1.649 R2=0.533
n=16
La prediccin puntual de partida para primeval = 7 es 0 = 7.593 y los lmites inferior y superior
de un IC del 95%, respectivamente, vienen dados por
0 0 ee(0 ) t 0.05/ 2 7.593 0.497 2.14 6.5
0
14
Por lo tanto, el estudiante tendr una confianza del 95% de obtener, en promedio, una
calificacin final situada entre 6.5 y 8.7.
La prediccin puntual puede obtenerse tambin a partir de la primera ecuacin estimada:
ee(e20 ) ee( y 0 ) 2
1
2
Hay que tener en cuenta que este intervalo de probabilidad es bastante grande debido a que el
tamao de la muestra es muy pequeo.
EJEMPLO 4.14 Prediciendo el salario de los directores ejecutivos
Utilizando los datos de las empresas ms importantes de EE.UU. tomadas de Forbes (fichero
ceoforbes), se ha estimado la siguiente ecuacin para explicar los salarios (incluyendo bonificaciones)
anuales obtenidos (en miles de dlares) en 1999 por los directores ejecutivos de esas empresas:
= 1381 + 0.008377 assets + 32.508 tenure + 0.2352 profits
salary
i
(104)
(0.0013)
(8.671)
=1506 R2=0.2404
(0.0538)
n=447
donde assets son los activos totales de la firma en millones de dlares, tenure es el nmero de aos como
director ejecutivo de la compaa, y profits son los beneficios en millones de dlares.
En el cuadro 4.10 aparecen las medidas descriptivas de las variables explicativas del modelo de
los salarios de los directores generales.
34
ln( y) 1 2 x2 3 x3 k xk +u
(4-61)
Una vez obtenidas las estimaciones por MCO, podemos predecir ln(y) de la
siguiente forma
y ) 1 2 x2 k xk
ln(
(4-62)
y exp(ln(
y )) exp( 1 2 x2 k xk )
(4-63)
y exp( 1 2 x2 3 x3 k xk ) exp(u )
(4-64)
Antes de tomar las esperanzas en (4-64), hay que tener en cuenta que si
2
u~N(0,2), entonces E (exp(u )) exp . Por lo tanto, bajo los supuestos 1 al 9 del
2
MLC tenemos que
E( y) exp(1 2 x2 3 x3 k xk ) exp( 2 / 2)
(4-65)
(4-66)
35
EJEMPLO 4.15 Prediciendo el salario de los directores ejecutivos con un modelo logartmico
(continuacin de 4.14)
Utilizando los mismos datos que en el ejemplo 4.14, se estim el siguiente modelo:
ln(
salary ) = 5.5168 + 0.1885ln(assets ) + 0.0125 tenure + 0.00007 profits
i
(0.210)
(0.0232)
(0.0032)
=0.5499 R2=0.2608
(0.0000195)
n=447
En el salario, salary, y en los activos, assets, se han tomado logaritmos naturales, pero las
ganancias, profits, estn en niveles es decir, sin ninguna transformacin, debido a que algunas
observaciones son negativas, por lo que no es posible tomar logaritmos.
En primer lugar, vamos a estimar la prediccin de acuerdo con (4-63) para un director ejecutivo
que trabaja en una empresa con activos assets =10000, tenure=10 aos y profits=1000:
= exp(ln(
salary
salary ))
i
EAM
i n+1
yi - yi
(4-67)
Al tomar valores absolutos de los errores se evita que los errores positivos se
compensen con los negativos.
Error absoluto medio en porcentaje (EAMP),
n+ h
EAMP i n+1
yi - yi
yi
h
100
(4-68)
36
n+h
( yi - yi )
i n+1
RECM
(4-69)
( yi - yi )
i n+1
h
n+h
i n+1
n +h
yi2
+
i n+1
(4-70)
yi2
(4-71)
y n 1 1 2 xn 1 3 yn
(4-72)
resto de los perodos utilizamos de forma recursiva la prediccin del valor retardado de
la variable dependiente (prediccin dinmica), es decir,
y n i 1 2 xn i 3 y n 1i
i 2,3,, h
(4-73)
Ejercicios
Ejercicio 4.1 Para explicar el precio de la vivienda en una ciudad americana se formula
el siguiente modelo:
(1211)
(81)
(960)
R =0.771 n=55
(Los nmeros entre parntesis son los errores estndar de los estimadores.)
a) Interprete el significado de los coeficientes , y .
2
ln(
fruit ) = -9.768+ 2.005ln(inc) -1.205 hhsize -1.795 punder 5
(3.701)
(0.512)
(0.179)
(1.302)
R =0.728 n=40
(Los nmeros entre parntesis son los errores estndar de los estimadores.)
a) Interprete el significado de los coeficientes , y .
2
yi 1 2 xi ui
i 1,2,, n
xi 0
i 1
yi 0
i 1
yi2 E
i 1
(Recuerde que 1
xi2 B
x y
i 1
i 1
y x y x
i 1
n
i i
x
i 1
2
i
i 1
n
x xi
i 1
H1 : 2 0
(4.92)
(0.01)
R2=0.996;
(0.07)
2
t
0.196
(Los nmeros entre parntesis son los errores estndar de los estimadores.)
a) Contraste la hiptesis nula de que el coeficiente de pralim es menor que
0.
b) Obtenga un intervalo de confianza del 95% para la propensin marginal
al consumo de alimentos respecto a la renta.
c) Contraste la significatividad conjunta del modelo.
Ejercicio 4.5 Se han utilizado mnimos cuadrados ordinarios para estimar la siguiente
funcin de demanda de alquiler de viviendas:
ln(galqi)=1+2ln(palqi)+ 3ln(rentai)+i
donde galq es el gasto en alquiler de viviendas, palq es el precio de alquiler, y renta es
la renta disponible.
Utilizando una muestra de 403 observaciones, se obtienen los siguientes
resultados:
cov( ) 0
0.09 0.085
0 0.085 0.09
a) Interprete los coeficientes de ln(galq) y ln(palq).
b) Utilizando un nivel de significacin del 0.01, contraste la hiptesis nula
de que 2=3=0.
c) Contraste la hiptesis nula de que 2=0, frente a la alternativa de que
2<0.
39
(11.97)
(3.70)
R 2 0.838
(1)
SCR 8090
(33.81)
(11.61)
(1.22)
(2)
ln(
coffee) = 21.32 + 0.11ln(inc) - 1.33 ln(cprice) + 1.35ln(tprice)
(0.01)
(0.23)
R2 = 0.905
(1)
SCR = 254
ln(
coffee) = 19.9 + 0.14 ln(inc) - 1.42 ln(cprice)
(0.02)
(0.21)
(2)
SCR = 529
donde inc es la renta disponible, cprice es el precio del caf y tprice es el precio del t.
(Los nmeros entre parntesis son los errores estndar de los estimadores.)
a) Contraste la significatividad global del modelo (1)
b) El error estndar de ln(tprice) no aparece en el modelo (1), lo puede
calcular?
c) Contraste si el precio del t es estadsticamente significativo.
d) Cmo se contrastara la hiptesis de que la elasticidad del precio del
caf es igual pero con signo opuesto al de la elasticidad del precio del t?
Detalle el procedimiento.
Ejercicio 4.8 Ha sido formulado el siguiente modelo para analizar los determinantes de
la calidad del aire (airqual) en 30 reas SMSA (Standard Metropolitan Statistical Areas)
de California:
40
(10.19)
(0.0311)
(0.0055)
(0.0089)
(0.0025)
R2=0.415 n=30
(Los nmeros entre parntesis son los errores estndar de los estimadores.)
a) Interprete los coeficientes de medincm, poverty y valadd
b) Son los coeficientes de pendiente significativos al 10% de forma
individual?
c) Contraste de significacin conjunta de fueloil y valadd, sabiendo que
97.67 0.0566 popln 0.0102 medincm 0.0174 poverty
airqual
i
i
i
i
(10.41)
(0.020)
(0.0039)
(0.0078)
R 0.339 n 30
d) Si se omite en el primer modelo la variable de la pobreza se obtienen los
siguientes resultados:
82.98 0.0523 popln 0.0097 medincm
airqual
i
i
i
i
2
(0.031)
(10.02)
(0.0055)
(0.0028)
R 0.218 n 30
Son los coeficientes de pendiente significativos al 10% de forma
individual en el nuevo modelo? Considera que estos resultados son
razonables en comparacin con los obtenidos en el apartado b)?
Comparando R2 en los dos modelos estimados, cul es el papel
desempeado por la pobreza en la determinacin de la calidad del aire?
e) Si se hace una regresin para explicar airqual usando como regresores
nicamente el trmino independiente y poverty, se obtiene que R2=0.037.
Considera razonable este valor teniendo en cuenta los resultados
obtenidos en el apartado d)?
2
Ejercicio 4.9 Se han estimado por el mtodo de MCO con una muestra de 39
observaciones las siguientes funciones de produccin:
2
= a labor 1.30capital 0.32 exp(0.0055trend )
output
R = 0.9945
t
t
t
t
2
= blabor1.41capital 0.47
output
t
t
t
R = 0.9937
= g exp(0.0055trend )
output
i
t
R = 0.9549
41
0.0122
q ak l exp(u )
se ha procedido a su estimacin con datos de la economa espaola de los ltimos 20
aos, obtenindose los siguientes resultados:
ln(
q ) = 0.15 + 0.73ln(k ) + 0.47 ln(l )
i
XX
4129 95 266
3
5
95
266 5
19
SCR 0.017
y 0 1 x1 2 x2 u
Con una muestra de 33 observaciones se ha estimado este modelo por MCO,
obtenindose los siguientes resultados:
0.95 0.266
4.1
3.8
0.5
0.95
0.266 0.5
1.9
42
Ejercicio 4.13 Con una muestra de 30 empresas se han estimado las siguientes
funciones de coste:
= 172.46+ 35.72 x
a) cost
R 2 = 0.838 R 2 = 0.829 SCR = 8090
i
i
(11.97)
(3.70)
(33.81)
(11.61)
(1.22)
y 1 2 x2 3 x3 +u
Utilizando una muestra de 13 observaciones obtiene los siguientes resultados:
yi 1.00 1.82 x2i 0.36 x3i
(1)
R 2 0.50 n 13
0.25 0.01 0.04
var( ) 0.01 0.16 0.15
0.04 0.15 0.81
ln(
vabi ) = 3.87 + 0.80ln(labori ) + 1.24 ln(capitali )
(0.11)
(0.24)
1)
,
2
2
SCR = 254 R = 0.75 R = 0.72
ln(
vabi ) = 19.9 + 1.04 ln(capitali )
2)
SCR = 529 R 2 = 0.84, R 2 = 0.81
43
ln(
vino ) = 21.32 + 0.11 ln(renta ) - 1.33 ln( pvinrioj ) + 1.35 ln( pvinduer )
i
(0.01)
(0.23)
(0.233)
ln(
vinoi ) = 19.9 + 0.14 ln(rentai ) - 1.42 ln( pvinrioji )
(0.02)
(0.21)
SCR = 529
(Los nmeros entre parntesis son los errores estndar de los estimadores.)
a) Contraste la significatividad global del primer modelo.
b) Contraste si el precio del vino de Ribera de Duero tiene una influencia
significativa, aplicando dos estadsticos que no utilicen la misma
informacin. Muestre que ambos procedimientos son equivalentes
c) Cmo contrastara la hiptesis de que la elasticidad precio del vino de
Rioja es igual pero con signo contrario a la elasticidad precio del vino de
Ribera de Duero? Detalle el procedimiento que seguira.
Ejercicio 4.17 Para analizar la demanda de t de Ceyln (teceil) se ha formulado el
siguiente modelo economtrico:
ln(teceil ) 1 2 ln( renta) 3 ln( pteceil ) 4 ln( pteind ) 5 ln( pcobras) u
donde renta es la renta disponible, pteceil el precio del t de Ceiln, pteind es el precio
del t de la India y pcobras es el precio del caf de Brasil.
Con una muestra de 22 observaciones se han realizado las siguientes estimaciones:
ln(
teceil ) = 2.83 + 0.25 ln(renta ) - 1.48 ln( pteceil )
i
(0.17)
(0.98)
(0.15)
SCR=0.4277
ln(
teceili pteceil ) = 0.74 + 0.26 ln(rentai ) + 0.20 ln( pcofbrasi )
(0.16)
(0.15)
SCR=0.6788
(Los nmeros entre parntesis son los errores estndar de los estimadores.)
a) Contraste la significatividad de la renta disponible.
b) Contraste la hiptesis de que 3 1 y 4 0 , explicando el
procedimiento aplicado.
44
(0.21)
(0.25)
R 2 = 0.7474
donde renpc es la renta per cpita, tanalmuj es la tasa de analfabetismo de las mujeres y
tfec es la tasa de fecundidad (tfi).
(Los nmeros entre parntesis son los errores estndar de los estimadores.)
a) Contraste la significatividad conjunta de renta, tasa de analfabetismo y
tasa de fecundidad.
b) Contraste la significatividad de la tasa de fecundidad.
c) Cul de los dos modelos elegira? Razone la respuesta.
Ejercicio 4.19 Se ha estimado la siguiente funcin de ventas de automviles de una
determinada marca utilizando una muestra de 32 observaciones anuales:
vi 104.8 6.64 pi 2.98 gi
( 6.48)
(0.16)
(3.19)
ui2 1805.2;
(vi v )2 13581.4
(3.4)
(0.005)
(2.2)
(0.15)
cp cp
i
109.6
2
i
18.48
45
(0.60)
R 0.30
donde los valores entre parntesis son los errores estndar de los estimadores y el
coeficiente de determinacin es el corregido.
a) Es significativo el coeficiente de la variable x3?
b) Se rechaza la hiptesis de que un aumento en x2 de dos unidades
ocasiona una disminucin en y de ocho unidades?
c) Analice la significatividad conjunta del modelo.
2
y 1 2 x2 3 x3 4 x4 u
Con una muestra de 26 observaciones se han obtenido las dos siguientes
estimaciones:
yi 2 3.5 x1i 0.7 x2i 2 x3i ui
1)
R2=0.982
(1.9)
2)
(2.2)
(1.5)
(2.4)
R2= 0.876
SCRR SCRNR / r
F
F
2
(1 RNR
) / (n k )
SCRNR / (n k )
b) Contraste la hiptesis nula 2= 3.
Ejercicio 4.23 En la estimacin del modelo de Brown, realizada en el ejercicio 3.19
utilizando el fichero consumsp, se obtuvo el siguiente resultado:
7.156 0.3965 incpc 0.5771conspc
conspc
t
(84.88)
(0.0857)
(0.0903)
t 1
R2=0.997;
SCR=1891320;
n=56
Tambin se realiza la estimacin de los siguientes modelos:
conspc
t conspct 1 98.13 0.2757(incpct conspct 1 )
(84.43)
(0.0803)
R =0.1792; SCR=2199474;
n=56
conspc
t incpct 1 7.156 0.0264 incpc 0.5771( conspct 1 incpct )
(84.88)
(0.0090)
(0.0903)
R =0.6570; SCR=1891320;
n=56
(Los nmeros entre parntesis son los errores estndar de los estimadores.)
a) Contraste la significatividad de cada uno de los coeficientes del primer
modelo.
b) Contraste que el coeficiente de incpc en el primer modelo es menor que
0.5.
c) Contraste la significatividad global del primer modelo.
d) Es admisible la hiptesis de que 2 3 1?
e) Demuestre que operando en el tercer modelo puede llegar a los mismos
coeficientes que en el primer modelo.
46
Ejercicio 4.24 El siguiente modelo fue formulado para analizar los determinantes del
salario medio en dlares que se obtiene al graduarse en la clase del 2010 en las mejores
escuelas de negocios de EE.UU. (salMBAgr):
(5415)
(0.0628)
(0.1015)
R2=0.703 n=39
(Los nmeros entre parntesis son los errores estndar de los estimadores.)
a) Cules de los regresores incluidos en el modelo anterior son
individualmente significativos al 1% y el 5%?
b) Contraste la significacin global del modelo.
c) Cul es el valor predicho de salMBAgr para un estudiante de posgrado
que pag 100000 dlares de derechos de matrcula en un mster MBA de
dos aos y que anteriormente tuvo un salario de 70000 dlares anuales?
Cuntos aos de trabajo necesita el estudiante para compensar los gastos
de matrcula? Para responder a esta pregunta suponga que la tasa de
descuento es igual a la tasa esperada de aumento salarial y que el
estudiante no recibi ningn ingreso salarial durante los 2 cursos de
duracin del mster.
d) Si aadimos el regresor rank2010 (el rango de cada escuela de negocios
en 2010), se obtienen los siguientes resultados:
61320 0.1229 tuition 0.4662 salMBApr
salMBAgr
i
i
i
(8520)
(0.0626)
(0.1055)
R2=0.755 n=39
Cul de los regresores incluidos en este modelo son individualmente
significativos al 5%?
Cul es la interpretacin del coeficiente de rank2010?
e) La variable rank2010 se ha construido a partir de tres componentes:
gradpoll es una clasificacin basada en encuestas a los graduados en
MBA y contribuye con un 45 por ciento a la clasificacin final; corppoll
es una clasificacin basada en encuestas realizadas a reclutadores de los
MBA y contribuye con el 45 por ciento a la clasificacin final; e intellec
es una clasificacin basada en la revisin de la investigacin universitaria
publicada durante en un periodo de cinco aos en las 20 principales
revistas acadmicas, y en los libros universitarios revisados por The New
York Times, The Wall Street Journal y Bloomberg Businessweek en el
mismo perodo; esta ltima clasificacin aporta el 10 por ciento a
clasificacin final. En el siguiente modelo estimado rank2010 ha sido
sustituido por sus tres componentes:
47
(0.0696)
(0.107)
(61.26)
(64.09)
R2=0.797 n=39
Cul es el peso en porcentaje de cada uno de estas tres componentes en
la determinacin de salMBAgr? Compare los resultados con la
contribucin de cada una en la definicin de rank2010.
f) Son gradpoll, corppoll e intellec conjuntamente significativos al 5%?
Son individualmente significativos al 5%?
Ejercicio 4.25 (Continuacin del ejercicio 3.12). El modelo poblacional que
corresponde a este ejercicio es el siguiente:
ln(
wage) 1.565 0.0448 educ 0.0177 tenure 0.0065 age
i
(0.073)
(0.0035)
(0.0019)
(0.0016)
R2=0.337 n=800
(Los nmeros entre parntesis son los errores estndar de los estimadores.)
a) Contraste la significatividad global del modelo.
b) Es tenure estadsticamente significativa al 10%? Es age positivamente
significativa al 10%?
c) Es admisible que el coeficiente de educ sea igual al de tenure? Es
admisible que el coeficiente de educ sea el triple del de tenure? Para
responder a estas preguntas dispone de la siguiente informacin
adicional:
ln(
wage)i 1.565 0.0271educi 0.0177(educ tenure)i 0.0065 agei
(0.073)
(0.0019)
(0.0042)
(0.0016)
ln(
wage)i 1.565 0.0082 educi 0.0177(3 educ tenure)i 0.0065 agei
(0.073)
(0.0071)
(0.0019)
(0.0016)
Se puede calcular el R en las dos ecuaciones del apartado c)? Por favor,
si la respuesta es positiva, hgalo.
Ejercicio 4.26 (Continuacin del ejercicio 3.13). Tomemos el modelo poblacional de
este ejercicio como modelo de referencia. En el modelo estimado, con el fichero
housecan, los errores estndar de los coeficientes aparecen entre parntesis:
(3379)
(1207)
(1785)
(0.388)
R2=0.486 n=546
a) Contraste la significatividad global del modelo.
b) Contraste la hiptesis nula de que un bao adicional tiene la misma
influencia sobre el precio de la vivienda que 4 dormitorios adicionales.
Por otra parte, contraste si un cuarto de bao adicional tiene ms
influencia sobre el precio de la vivienda que 4 dormitorios adicionales.
(Informacin adicional: var( 2 ) =1455813, var(3 ) =3186523 y
var( , ) =-764846).
2
pricei 4010 2825 bedroomsi 17105 bathrmsi
(3603)
(1215)
(1734)
(1008)
R2=0.536 n=546
Cul es su opinin acerca del signo y magnitud del coeficiente de
stories? Es un resultado sorprendente? Cul es la interpretacin de este
coeficiente? Estime si el nmero de stories tiene una influencia
significativa sobre el precio de la vivienda.
d) Repita los contrastes del apartado b) con el modelo estimado en el
apartado c). (Informacin adicional: var( 2 ) =1475758, var(3 )
=3008262 y var( , ) =-554381).
2
ln(
salary) 4.641 0.0054 roa 0.2893ln(sales ) 0.0000564 profits 0.0122 tenure
i
(0.377)
(0.0033)
(0.0425)
(0.0000220)
(0.0032)
R2=0.232 n=447
(Los nmeros entre parntesis son los errores estndar de los estimadores.)
a) Tiene roa un efecto significativo sobre el salario? Tiene roa un efecto
positivamente significativo sobre el salario? Realice ambos contrastes
para el 10% y el 5% de nivel de significacin.
b) En el caso de que roa se incrementara en 20 puntos, en qu porcentaje
se incrementara el salario?
c) Contraste la hiptesis nula de que la elasticidad salario/ventas es igual a
0.4.
d) Si a este modelo aadimos el regresor age, se obtienen los siguientes
resultados:
ln(
salary )i 4.159 0.0055 roai 0.2903ln( salesi ) 0.0000539 profits
(0.442)
(0.0033)
(0.0423)
(0.0000220)
(0.0043)
R =0.240 n=447
Son los coeficientes estimados muy diferentes de los obtenidos en la
estimacin del modelo de referencia? Qu ocurre con el coeficiente de
tenure? Explquelo.
e) Tiene la edad (age) del director ejecutivo un efecto significativo sobre el
salario?
f) Es admisible que el coeficiente de age sea igual al coeficiente de
tenure? (Informacin adicional: var(5 ) =1.24E-05; var( 6 ) =1.82E-05 y
var( , ) =-6.09E-06).
5
(0.428)
(0.0278)
R2=0.048
n=1983
49
(0.0021)
(Los nmeros entre parntesis son los errores estndar de los estimadores.)
a) Es la variable de ventas (sales) individualmente significativa al 1%?
b) Contraste la hiptesis nula de que el coeficiente de las ventas es igual a
0.2?
c) Contraste la significatividad global del modelo de referencia.
d) Si aadimos el regresor ln(workers), - donde workers es el nmero de
trabajadores-, se obtienen los siguientes resultados:
0.480 0.08585ln(sales) 0.01049 exponsal 0.3422ln(workers)
rdintens
(0.750)
(0.0687)
(0.0021)
(0.09198)
R2=0.055 n=1983
Es la variable ventas individualmente significativa al 1% en el nuevo
modelo estimado?
e) Contraste la hiptesis nula de que el coeficiente de ln(workers) es mayor
que 0.5
Ejercicio 4.29 (Continuacin del ejercicio 3.16). Tomemos el modelo poblacional de
este ejercicio como modelo de referencia. Utilizando el fichero hedcarsp, el modelo
estimado fue el siguiente:
ln(
price) 14.42 0.000581cid 0.003823 hpweight 0.07854 fueleff
i
(0.154)
(0.0000438)
(0.0079)
(0.0122)
R2=0.830 n=214
(Los nmeros entre parntesis son los errores estndar de los estimadores.)
a) Cul de las variables explicativas incluidas en el modelo de referencia
son individualmente significativas al 1%?
b) Aada la variable volume (volumen) al modelo de referencia. Tiene
volume un efecto estadsticamente significativo sobre ln(price)? Tiene el
volumen tiene un efecto positivo estadsticamente significativo sobre el
ln(price)?
c) Es admisible que el coeficiente estimado de volume en el apartado b)
sea igual pero con signo opuesto que el coeficiente de fueloff?
d) Aada las variables length, width y height (longitud, anchura y altura) al
modelo estimado en el apartado b). Teniendo en cuenta que
volume=lengthwidthheight, hay multicolinealidad perfecta en el
nuevo modelo? Por qu? Por qu no? Estime el nuevo modelo si es
posible.
e) Aada la variable ln(volume) al modelo de referencia. Contraste la
hiptesis nula de que la elasticidad de precio/volumen es igual a 1?
f) Qu sucedera si aade al modelo estimado en el apartado e) los
regresores ln(length), ln(width) y ln(height)?
Ejercicio 4.30 (Continuacin del ejercicio 3.17). Tomemos el modelo poblacional de
este ejercicio como modelo de referencia. Utilizando el fichero timuse03, el
correspondiente modelo ajustado fue el siguiente:
141.9 3.850 educ 0.00917 hhinc 1.767 age 0.2289 paidwork
houswork
i
(23.27)
(1.621)
(0.00539)
(0.311)
(0.0229)
R2=0.1440 n=1000
(Los nmeros entre parntesis son los errores estndar de los estimadores.)
a) Cul de las variables explicativas incluidas en el modelo de referencia
son individualmente significativas al 5% y al 1%?
50
(0.584)
(0.00000617)
(0.009)
R2=0.642 n=144
(Los nmeros entre parntesis son los errores estndar de los estimadores.)
a) Cul de las variables explicativas incluidas en el modelo de referencia
son individualmente significativas al 1%?
b) Estime un modelo en el que se han aadido las variables popnosan
(porcentaje de poblacin sin acceso a servicios de saneamiento mejorado)
y gnirank (rango de la renta nacional bruta) al modelo de referencia.
Cul de los regresores incluidos en el nuevo modelo son
individualmente significativos al 1%? Interprete los coeficientes de
popnosan y gnirank.
c) Son popnosan y gnirank conjuntamente significativos?
d) Contraste la significatividad global del modelo formulado en el apartado
b).
Ejercicio 4.32 Con una muestra de 42 observaciones se ha estimado el siguiente modelo
yt 670.591 1.008xt
Para la observacin 43 se sabe que el valor de x es 1571.9.
a) Calcule el predictor puntual para la observacin 43.
b) Sabiendo que la varianza de del error de prediccin e243 y 43 y 43 es
igual a (24.9048)2, calcule un intervalo de probabilidad del 90% del valor
individual.
Ejercicio 4.33 Sobre la funcin de consumo Brown, adems de la estimacin
presentada en el ejercicio 4.23, se dispone de la siguiente estimacin:
12729 0.3965(incpc 13500) 0.5771(conspc 12793.6)
conspc
t
(64.35)
(0.0857)
(0.0903)
t 1
R2=0.997;
SCR=1891320;
n=56
(Los nmeros entre parntesis son los errores estndar de los estimadores.)
a) Obtenga el predictor puntual del consumo per cpita en 2011, sabiendo
que conspc2010=12793.6 y incpc2011=13500.
b) Obtenga un intervalo de confianza del 95% para el valor esperado del
consumo per cpita en 2011.
51
52