Sie sind auf Seite 1von 29

Banco Central de Reserva del Per

Curso de Actualizacin y Seleccin 2010


Econometra
Prof. Juan F. Castro

Estimacin e inferencia en el Modelo Lineal


General (MLG)

Primera Sesin

1. Introduccin: nuestros objetivos y algunos


conceptos bsicos

1.1. Qu es la econometra?

>> Aplicacin de tcnicas matemticas y estadsticas para


el anlisis (medicin emprica) de las relaciones
postuladas por la teora econmica (modelos).

- Modelo: representacin simplificada de un fenmeno


real (un sistema o proceso).
- Representamos este fenmeno a travs de un modelo
con el objetivo de: (i) explicarlo (entender qu est
detrs de su ocurrencia); (ii) predecirlo (aproximar
cmo ocurrir bajo determinadas circunstancias); y/o
(iii) controlarlo (saber qu se puede hacer para que
ocurra de manera consistente con algn objetivo de
poltica).
BCRP - Curso de Actualizacin y Seleccin (2010) Econometra - Primera Sesin 2

- Trabajamos con modelos debido a que los sistemas o


procesos reales son, en general, demasiado complejos
(en especial aquellos asociados a las ciencias sociales).
- Por lo mismo, buscamos representarlo de manera
realista y, a la vez, manejable.
Realista: debe incorporar los principales elementos
del fenmeno (o sistema) representado, especificando
(de manera explcita) las relaciones existentes entre
las partes que lo conforman.
Manejable: debe dejar de lado influencias (o
relaciones) de menor importancia, de modo que el
modelo sea capaz de conducirnos hacia conclusiones
(o resultados) que no puedan ser obtenidas a partir de
la observacin directa del fenmeno.

1.2. Para qu la econometra?

>> Para qu introducimos tantos supuestos y aprendemos


tantas tcnicas de estimacin distintas?... es posible
distinguir algn objetivo primordial?

>> Confrontar la teora con los datos.


>> Escuchar lo que data nos quiere decir respecto
a las ideas que tenemos sobre la manera como
ocurren las cosas.
>> Aislar los efectos de una variable de inters sobre
el fenmeno bajo anlisis.

Prof. Juan F. Castro


BCRP - Curso de Actualizacin y Seleccin (2010) Econometra - Primera Sesin 3

Recordemos cmo hacamos esto en el colegio >>


queremos medir el efecto que tiene sobre la temperatura
de la sustancia A, el hecho de mezclarla con la sustancia B.

Cmo hacamos este experimento?

A B

>> Algunos ejemplos ms

1. Qu es ms peligroso, una pistola o una piscina?


Freakonomics, Levitt & Dubner

Consideremos a los padres de una nia de 8 aos llamada


Molly. Sus dos mejores amigas, Amy e Imani, viven cerca
de su casa. Los padres de Molly saben que los padres de
Amy tienen una pistola en casa, as que le han prohibido a
Molly que vaya a jugar all. En cambio, Molly pasa largas
horas en casa de Imani, que tiene una piscina en el patio.
Los padres de Molly se sienten contentos de haber hecho
una decisin tan acertada para proteger a su hija.

Pero, segn los datos, su decisin no ha sido para nada


acertada. En un ao, hay un nio ahogado por cada 11,000
piscinas residenciales en los Estados Unidos. ()

Prof. Juan F. Castro


BCRP - Curso de Actualizacin y Seleccin (2010) Econometra - Primera Sesin 4

Mientras tanto, hay un nio muerto por una pistola por


cada milln y pico de armas.() La probabilidad de
muerte por piscina (1 en 11,000) versus la probabilidad
de muerte por pistola (1 en 1 milln y pico) no est ni
siquiera cerca: Molly tiene una probabilidad casi 100
veces mayor de morir en un accidente de piscina en casa
de Imani que jugando con la pistola en casa de Amy.

2. Un experimento natural para medir los efectos de la


proteccin policial

18 de Julio de 1994 Ataque terrorista destruye el


principal Centro Judo de la ciudad de Buenos Aires.
25 Julio de 1994 Proteccin policial las 24 horas a
instituciones Judas y Musulmanas.
Se cuenta con informacin sobre la locacin exacta de robos
de autos en tres distritos de BBAA antes y despus del
ataque.

La proteccin policial en las instituciones Judas y


Musulmanas es exgena respecto a la distribucin del
crimen.

Using a Terrorist Attack to Estimate the Effect of Police on


Crime (Di Tella y Schargrodsky, 2002)

Grupo de Control: manzanas que se encuentran a ms de 2


cuadras de distancia de un centro judo o musulmn.
Tienen una incidencia de crimen promedio antes de la
intervencin.

Prof. Juan F. Castro


BCRP - Curso de Actualizacin y Seleccin (2010) Econometra - Primera Sesin 5

Grupo de Estudio (tratamiento): manzanas que se


encuentran a 2 o menos cuadras de distancia de un centro judo o
musulmn.
Tienen una incidencia de crimen promedio antes de la
intervencin.
Tienen mayor proteccin policial a raz del ataque.

Resultado: grupo de estudio exhibi 75% menos de incidencia de


robos de auto que el grupo de control.

3. Explicando el rendimiento en matemticas

Rendimiento vs. cualidades del profe.


Actividades de aprendizaje Vs. Nota final
Matemticas Bsicas
Periodo 2008
3
2.5
2
1.5
1

10 11 12 13 14
nota

p2 Fitted values

Prof. Juan F. Castro


BCRP - Curso de Actualizacin y Seleccin (2010) Econometra - Primera Sesin 6

No todos los alumnos son iguales!


Actividades de aprendizaje Vs. Nota final
Matemticas Bsicas
Periodo 2008
3
2.5
2
1.5
1

10 11 12 13 14
nota

2008 2008-1
Repitentes Fit

Refinando un poco mejor nuestro objetivo:

>> Aislar los efectos de una variable de inters sobre


el fenmeno bajo anlisistratado de aproximarnos,
lo mejor posible, a una situacin de experimento
controlado

Prof. Juan F. Castro


BCRP - Curso de Actualizacin y Seleccin (2010) Econometra - Primera Sesin 7

Cmo as se nos complica el laboratorio? >>


ciencias exactas vs. ciencias sociales:

Relacin entre el salario


En nuestro laboratorio y los aos de estudio

No creo que algo ms No creo que algo ms


afecte el cambio de afecte el salario de la
temperatura y, si fuera el Vs. persona y, si fuera el caso,
caso, no creo que est no creo que est
correlacionado con el hecho correlacionado con el
de que haga o no la mezcla nmero de aos de estudio

Para que la tcnica funcione (exhiba propiedades


deseables) tenemos, por tanto que hacer algunos supuestos
clave sobre
>> La forma funcional que explica la ocurrencia del
fenmeno.
>> La existencia de otros determinantes del fenmeno.
>> La relacin entre la variable de inters y aquellos
determinantes que no he podido observar.

1.3. La media condicional y el concepto de regresin

- Cmo tornamos operativa la estimacin de la


relacin que existe entre un conjunto de variables de
inters? Es decir, cmo tornamos operativa la
estimacin de nuestro modelo?
- En general, partamos de la existencia de un vector de
resultados yt (que contiene el valor registrado por la(s)
variable(s) cuyo comportamiento se busca explicar /

Prof. Juan F. Castro


BCRP - Curso de Actualizacin y Seleccin (2010) Econometra - Primera Sesin 8

modelar) y un vector de insumos xt (que contiene el


valor registrado por las variables a partir de las cuales se
busca explicar el comportamiento de yt).
- En el trabajo economtrico clsico nuestro inters se
centra en el primer momento de la funcin de
probabilidad condicional. Es decir, la esperanza de Y
condicionada a los valores (realizaciones) de X:
E(Y / X) .
- Suponemos que los insumos (o variables explicativas)
influyen sobre la esperanza condicional a travs de una
relacin lineal. Esto configura lo que se conoce como el
Modelo Lineal General (MLG).
y t E(y t / x t ') t
k
y t x t ' t x iti t
i 1

- Es as como hemos logrado, finalmente, representar la


realidad a travs de un modelo que sea a la vez
realista y manejable.
- Nuestro inters se centra en estimar esta esperanza
condicional. Por lo mismo, la pregunta que buscamos
responder es: cul es el valor ms probable para yt
dados los valores realizados de las xs?
- Esta esperanza (o valor ms probable para yt) es la que
buscamos capture los principales elementos del
fenmeno bajo anlisis. Por lo mismo, es cierto que nos
equivocaremos, pero (y en la medida en que logremos
una adecuada caracterizacin de esta media
condicional) no nos equivocaremos sistemticamente.

Prof. Juan F. Castro


BCRP - Curso de Actualizacin y Seleccin (2010) Econometra - Primera Sesin 9

- Para motivar lo anterior, partamos de la especificacin


ms sencilla (un modelo univariado) y veamos a qu
nos referimos con el concepto de regresin.
Modelo:
y t 0 1x1t t

23

-
22

EY_DADO_X
Y_OBS
-
21

20
4.8 5.0 5.2 5.4 5.6

- La esperanza del error es igual a cero: E( t ) 0 . En


promedio, el valor observado de Y est encima de la
recta de regresin poblacional [E(Y/X)].
- Veamos un programita para animar esta discusin!

Prof. Juan F. Castro


BCRP - Curso de Actualizacin y Seleccin (2010) Econometra - Primera Sesin 10

1.4. Parmetros, estimadores y estimados

- Modelo terico vs. modelo emprico. Un ejemplo: de


vuelta al modelo univariado.
- Propiedades deseables para nuestros estimadores; la
importancia de los supuestos que haremos sobre la
manera como son generados los datos.
- Representacin matricial del modelo terico.

2. Caracterizando el Proceso Generador de


Datos: los cinco supuestos del MLG

Por qu nos interesa hacer supuestos sobre la manera


como han sido generados los datos?

S1. X es una matriz (T x k) de rango completo.

dim Col(X) dimensin del espacio conformado por


todas las combinaciones lineales de los vectores en X
(X) dim Col(X)
(X) k

S2. El modelo puede representarse:

y X ; E() 0

Prof. Juan F. Castro


BCRP - Curso de Actualizacin y Seleccin (2010) Econometra - Primera Sesin 11

S3. Las variables explicativas no estn relacionadas o


son exgenas respecto al error.


S3F. X x jt , t 1,...,T; j 1,...,k son no
estocsticas.


S3Ei. X x jt , t 1,...,T; j 1,...,k son estocsticas e
independientes de s t,s, j .


S3Eim. X x jt , t 1,...,T; j 1,...,k son
estocsticas y s s son independientes en media de
X: E X c 0 (S2) . Este supuesto es suficiente
para garantizar el insesgamiento de MICO .


S3Enc. X x jt , t 1,...,T; j 1,...,k son
estocsticas y no presentan correlacin con t (no
presentan correlacin contempornea con el error):
E t x jt 0, t, j Cov t , x jt 0 . Este supuesto
es suficiente para garantizar la consistencia de MICO .

S4. El error presenta una matriz de varianzas-covarianzas


escalar:
E( ') 2 I
E( 2t ) Var( t ) 2
E( t s ) Cov( t , s ) 0 t s

Prof. Juan F. Castro


BCRP - Curso de Actualizacin y Seleccin (2010) Econometra - Primera Sesin 12

Este supuesto es necesario para garantizar que el


estimador MICO sea el de mnima varianza dentro del
conjunto de estimadores insesgados.

S5N. El error se distribuye normal:

N(0, 2I)

Depende alguna propiedad de MICO de este supuesto?


Por qu es til entonces? Y si no se verifica?

3. El estimador de Mnimos Cuadrados


Ordinarios y sus propiedades
3.1. Cmo computar el estimador MICO?


Min e'e Min y X ' y X

3.2. Propiedades para muestras pequeas

(i) Insesgamiento

(ii) Varianza mnima

Prof. Juan F. Castro


BCRP - Curso de Actualizacin y Seleccin (2010) Econometra - Primera Sesin 13

3.3. Propiedades para muestras grandes

(i) Algunos elementos tiles de teora asinttica


Consideremos la secuencia de variables aleatorias YT T 1 .

Tipos de convergencia

Convergencia en ECM:

YT
ECM
q si:
lim E YT q , lim Var YT 0
T T

Convergencia en probabilidad:

YT
P
q plim YT q si:
lim Pr YT q 0
T

Convergencia en distribucin:

YT
d
W si:
lim Pr YT x Pr W x x
T

Leyes de grandes nmeros

1 T
YT xi
T i 1
Chebyshev: YT
ECM
; E(x) , Var(x) 2x
Khinchine: YT
P
; E(x)

Prof. Juan F. Castro


BCRP - Curso de Actualizacin y Seleccin (2010) Econometra - Primera Sesin 14

Teorema del Lmite Central

Teorema de Lindeberg-Levy. Para una muestra i.i.d. x1, x 2 ,...x T


con media ( ) y varianza ( 2 ) finitas:

x d
W T N(0,1)

Lo que implica que:

1 T xi d
N(0,1)
T i 1

Algunos teoremas ms

Teorema de Slutsky

Dados XT, YT: plim g XT ,YT g plimXT ,plimYT

plim(X T YT ) plim X T plim YT


plim(X T YT ) plim X T .plim YT
plim(X T / YT ) plim X T / plim YT ; plim YT 0

Teorema de Cramer

Dados XT
d
X, YT
P
q :
X T YT
d
X q
X T YT
d
qX
X T / YT
d
X / q

Prof. Juan F. Castro


BCRP - Curso de Actualizacin y Seleccin (2010) Econometra - Primera Sesin 15

(ii) Propiedades asintticas de MICO

Dados:

E(x1t )
Ext
X
E(x kt )
E x t x t ' XX

podemos expresar la variable aleatoria T de la forma:

T (X 'X) 1 X ' y (X 'X) 1 X '


1
Tt 1 x t x t ' Tt 1 x t t

De lo anterior, y en ausencia de correlacin contempornea entre


el error y el conjunto de regresores, es posible demostrar que:

plim T
Cuando T :

T N , 2 (X'X)1 , al margen de la distribucin del error.

4. La geometra y el lgebra de Mnimos


Cuadrados Ordinarios

4.1. Nuestro setting

En adelante, cada vector representar todas las


observaciones para determinada variable. De modo que los
ejes correspondern a las observaciones en lugar de a las
variables mismas.

Prof. Juan F. Castro


BCRP - Curso de Actualizacin y Seleccin (2010) Econometra - Primera Sesin 16

Grfico 1: Tres observaciones de la variable dependiente (y)

El siguiente grfico muestra la manera como


representaremos los datos contenidos en y y X como
vectores. Cada columna de X es un vector. En el grfico,
la matriz X tiene dos columnas representadas por los
vectores X1 y X2.

El plano que contiene todos los vectores en X se denota


como Col(X). Formalmente: Col(X) subespacio
conformado por todas las combinaciones lineales de los
vectores en X.

Prof. Juan F. Castro


BCRP - Curso de Actualizacin y Seleccin (2010) Econometra - Primera Sesin 17

Grfico 2: Representacin vectorial de los datos

4.2. De regreso a Mnimos Cuadrados Ordinarios

Todos sabemos que Mnimos Cuadrados Ordinarios


(MICO) resuelve:

MICO arg min (y X)'(y X)


En palabras, MICO es el valor de que minimiza el


cuadrado de la distancia entre y y los posibles X .

Es posible explicar la solucin al problema planteado


como un proceso en dos etapas.

Prof. Juan F. Castro


BCRP - Curso de Actualizacin y Seleccin (2010) Econometra - Primera Sesin 18

(i) En la primera etapa se halla el vector en Col(X)


ms cercano a y. Denotamos a este vector como
.
2
Formalmente: arg min y
Col(X)

Este vector ( ) viene dado por la proyeccin


ortogonal de y sobre Col(X).

Grfico 3: Etapa 1. La proyeccin ortogonal

De hecho, si es la proyeccin ortogonal de y


sobre Col(X) y es cualquier otro vector en
Col(X), se cumple que ( )'(y ) 0 .

Tarea: A partir de la relacin anterior y el


teorema de Pitgoras
z z z z z z
1 2 1 2
2

1
2
es posible 2
2


Prof. Juan F. Castro
BCRP - Curso de Actualizacin y Seleccin (2010) Econometra - Primera Sesin 19

2 2
demostrar que y y . Es decir, que
es, por lo menos, tan cercano a y como
cualquier otro Col(X) .

(ii) En la segunda etapa se descompone como la


suma de los vectores obtenidos de multiplicar las
columnas de X por los coeficientes estimados
( ). Formalmente, encontramos como la
solucin a: X .

Grfico 4: Etapa 2. La descomposicin de

Es importante tomar en cuenta que la solucin asociada a


la primera etapa es nica mientras que pueden existir
diversas soluciones para la segunda.

Tarea: de hecho, es posible probar la unicidad de a


partir de las relaciones anteriores.

Prof. Juan F. Castro


BCRP - Curso de Actualizacin y Seleccin (2010) Econometra - Primera Sesin 20

Con estas nociones en mente, es posible resumir la


naturaleza geomtrica de MICO de la siguiente manera:

(i) El vector de valores predichos es la


proyeccin ortogonal (nica) de y sobre Col(X).

(ii) El vector de errores (residuos) predichos y


es ortogonal a Col(X).

(iii) Si dim[Col(X)] = k entonces

MICO arg min (y X)'(y X)


tiene una solucin nica dada por:

MICO (X'X)1 X' y

De hecho, sabemos que (y ) Col(X) (el vector de


errores es ortogonal al subespacio conformado por todas
las combinaciones lineales de los vectores en X).

Por lo mismo, podemos partir de la condicin de


ortogonalidad X'(y ) 0 (primera etapa) y hallar
como la solucin a X (segunda etapa).

X '(y ) 0
X '(y X ) 0
X 'X X ' y

Prof. Juan F. Castro


BCRP - Curso de Actualizacin y Seleccin (2010) Econometra - Primera Sesin 21

El sistema anterior tiene una solucin nica ( X es


una combinacin lineal nica de las columnas de X) si y
slo si los vectores en X son linealmente independientes.

La independencia lineal de los vectores en X implica que


el espacio que stos conforman tiene una dimensin igual
al nmero de vectores: dim[Col(X)] = k (S1). Esto
garantiza que la matriz X'X sea invertible.

Por contradiccin: si X no tiene rango completo, entonces


existe un vector a (k x 1) ( a 0 ) tal que:

Xa 0 X'Xa 0 no (X'X) 1

Un ejemplo:
1 x12
N = 3, k = 2, X X1 X 2 1 x 22

1 x 32

Grfico 5 : La proyeccin de MICO en tres dimensiones

Prof. Juan F. Castro


BCRP - Curso de Actualizacin y Seleccin (2010) Econometra - Primera Sesin 22

Pueden identificar al vector de residuos y ?

Cmo representaran la regresin de y sobre un conjunto


de variables que la contiene? y la regresin de una
identidad?
Ntese que en este caso dim[Col(X)] = k = 2.

Qu pasara si incluimos un tercer vector en X de tal


forma que la dimensin de Col(X) siga siendo igual a 2?
Es decir, dim[Col(X)] = 2 < k = 3.

- Es nica la proyeccin ortogonal?


- Es nica la descomposicin del vector ?

Exploraremos este caso particular cuando abordemos el


tema de multicolinealidad exacta.

4.3. Las protagonistas: el hacedor de estimados y el


hacedor de residuos

Con todas estas nociones en mente, es ahora posible


presentar formalmente a dos matrices muy importantes.

(i) El proyector ortogonal sobre el espacio de las X (el


hacedor de estimados) si X tiene rango
completo, la transformacin lineal de y sobre Col(X)
que genera es:
PX X(X 'X) 1 X '
PX y

Para cada Z Col(X) existe un vector a tal que


Xa Z . Por lo mismo:

Prof. Juan F. Castro


BCRP - Curso de Actualizacin y Seleccin (2010) Econometra - Primera Sesin 23

PX Z PX Xa X(X'X) 1 X'Xa Xa Z PX no
modifica cualquier vector Col(X) .

Para un vector
Z Col(X) X'Z 0 X Col(X) PX Z 0
PX transforma vectores Col(X) al vector nulo.

(ii) El proyector ortogonal sobre el espacio de los errores


(el hacedor de residuos):

e y M X y
y X y PX y
(I PX )y
M X I PX

Estas matrices son ortogonales entre s, simtricas e


idempotentes.

Prof. Juan F. Castro


BCRP - Curso de Actualizacin y Seleccin (2010) Econometra - Primera Sesin 24

Grfico 6: El hacedor de estimados y el


hacedor de residuos

e = MXy

X2

= PXy

X1

Prof. Juan F. Castro


BCRP - Curso de Actualizacin y Seleccin (2010) Econometra - Primera Sesin 25

4.4. Qu nos dice la regresin particionada?

y X
X11 X 22

El sistema de ecuaciones normales:

X1 'X1 X1 'X 2 1 X1 ' y


X 'X X 'X X ' y
2 1 2 2 2 2

X1 'X1 1 X1 'X 2 2 X1 ' y


1 1
1 X1 'X1 X1 ' y X1 'X1 X1 'X 2 2

Qu nos dice esta expresin para 1 ?

X 2 'X1 1 X 2 'X 2 2 X 2 ' y


X 2 'X1 (X1 'X1 ) 1 X1 ' y X 2 'X1 (X1 'X1 ) 1 X1 'X 2 2
X 'X X ' y
2 2 2 2

X 2 ' I X1 (X1 'X1 ) 1 X1 ' X 2 ' 2 X 2 ' I X1 (X1 'X1 ) 1 X1 ' y

X 2 'M1X 2 2 X 2 'M1y
1
2 X 2 'M1X 2 X 2 'M1y

Qu nos dice esta expresin para 2 ?


Qu ocurre cuando el modelo incluye intercepto?

>> Un ejemplo desde la ecuacin de Mincer.

Prof. Juan F. Castro


BCRP - Curso de Actualizacin y Seleccin (2010) Econometra - Primera Sesin 26

Ingreso

Educacin

Edad

MICO utiliza la informacin en el rea azul para


estimar el beta de Edad y la informacin en el rea
verde para estimar el beta de Educacin.

BetaEducacin: rea verde (variacin en Y que responde


nicamente a la variacin en educacin)
Blanco + verde = M Edad Ingreso
Celeste + verde = M Edad Educacin

Qu ocurrira si no controlamos por Edad? Tendramos


una estimacin sesgada del efecto de Educacin. Este
beta recogera tambin el efecto de Edad.

Prof. Juan F. Castro


BCRP - Curso de Actualizacin y Seleccin (2010) Econometra - Primera Sesin 27

4.5. El trade-off sesgo varianza

(i) Omisin de una variable relevante:

Supongamos: y X11 X22 y se plantea el


estimador 1 (X1 'X1 )1 X1 ' y en lugar de
1 (X1 'M 2X1 ) 1 X1 'M 2 y .

Verifiquemos lo siguiente: el estimador 1 presenta sesgo


(siempre?) pero una menor varianza.

(ii) Inclusin de una variable redundante:

Supongamos: y X11 y se plantea el estimador


1 (X1 'M 2X1 ) 1 X1 'M 2 y en lugar de
1 (X1 'X1 )1 X1 ' y .

Verifiquemos lo siguiente: el estimador 1 no presenta


sesgo pero tiene una mayor varianza.

Cmo concilian estos resultados con lo que sabemos


acerca de la eficiencia del estimador minimocuadrtico?

En el caso (i), donde 1 presenta menor varianza, cundo


es 1 el MELI de 1 ?...si y X11 ?, si X1 'X 2 0 ?

Cul es la implicancia prctica de esta discusin?

Prof. Juan F. Castro


BCRP - Curso de Actualizacin y Seleccin (2010) Econometra - Primera Sesin 28

5. Breve repaso del concepto de inferencia

Se acuerdan de la prueba de diferencia de medias?


Cmo es que evaluamos la hiptesis nula?

Para poblaciones normales, varianzas desconocidas pero


iguales, nuestra estrategia es como sigue:

Ho : 1 2
Ha : 1 2
Dos muestras: n1,n 2 ,x1, x 2 ,S12 ,S22
S12 (n1 1) S22 (n 2 1)
S
2
n1 n 2 2
Recordemos que: x ~ N(,2 /n)
(x x 2 ) (1 2 )
Bajo la Ho: 1 ~ t(n1 n 2 2)
S 1/ n1 1/ n 2

Dado lo anterior, necesitamos un criterio de decisin para


determinar cuando el estadstico en cuestin NO se
distribuye como sabemos lo hace bajo la Ho.
Por qu nos interesa buscar evidencia en contra de que se
distribuya como sabemos lo hace bajo la Ho.?
Cul es este criterio de decisin? Cmo se relaciona con
el concepto de significancia o tamao (size) de una
prueba?....veamos un programita para motivar la
discusin!!
Y la potencia de la prueba?

Prof. Juan F. Castro


BCRP - Curso de Actualizacin y Seleccin (2010) Econometra - Primera Sesin 29

Recordemos ahora la prueba ms general en el contexto


del MLG (la prueba F para un conjunto de j restricciones)
partiendo de que MICO ~N , 2 (X'X) 1 y recordando
e'e
que ~ 2
(N k) .
2

Qu hemos supuesto para llegar hasta la expresin que


todos conocemos?

Prof. Juan F. Castro

Das könnte Ihnen auch gefallen