Apuntes Econometria I

UNIVERSIDAD COMPLUTENSE
MADRID
Facultad de Ciencias
Econmicas y Empresariales

ECONOMETRA I
http://www.ucm.es/info/ecocuan/ectr1

GUIN - APUNTES ADICIONALES

Jos Alberto Mauricio

Departamento de Economa Cuantitativa
http://www.ucm.es/info/ecocuan
GUIN PGINA II

COPYRIGHT 2000-2010 Jos Alberto Mauricio
http://www.ucm.es/info/ecocuan/jam

Este documento puede utilizarse exclusivamente como instrumento para la docencia ocial de la asignatura
ECONOMETRA I
que se imparte en la Facultad de Ciencias Econmicas de la Universidad Complutense de Madrid. No se permite
almacenar, reproducir o distribuir por medio alguno, ni tampoco utilizar este documento en cualquier sentido, fuera de
los trminos mencionados anteriormente. La obtencin de este documento (Ectr1-JAM-Guion.pdf) en la direccin de
Internet
http://www.ucm.es/info/ecocuan/jam/ectr1
implica la aceptacin de que su uso estar limitado a los trminos anteriores.

ltima revisin: 21 de septiembre de 2010.

CONTENIDO Y BIBLIOGRAFA
GUIN PGINA III

CONTENIDO

PRLOGO 1
Regresin Lineal: De Simple a Mltiple......................................................... 2
Notacin............................................................................................................ 6
T1 ESPECIFICACIN Y ESTIMACIN DEL MODELO LINEAL GENERAL 9
1.1 Hiptesis Clsicas ......................................................................................... 11
1.2 Mnimos Cuadrados Ordinarios ................................................................... 23
1.3 Propiedades estadsticas.............................................................................. 28
1.4 Propiedades algebraicas............................................................................... 30
1.5 Error Estndar de la Regresin.................................................................... 31
1.6 Datos en desviaciones con respecto a la media ........................................ 32
1.7 Regresin particionada y correlacin parcial ............................................. 32
GUIN PGINA IV

1.8 Normalidad ..................................................................................................... 33
1.9 Mxima Verosimilitud.................................................................................... 36
T2 CONTRASTES DE HIPTESIS Y PREVISIN 38
2.1 Contrastes de varias hiptesis..................................................................... 39
2.2 Contrastes de una nica hiptesis .............................................................. 41
2.3 Intervalos de confianza ................................................................................. 49
2.4 Restricciones lineales ................................................................................... 51
2.5 Algunos contrastes como elementos de diagnosis................................... 52
2.6 Previsin......................................................................................................... 53
T3 EXTENSIONES 55
3.1 Transformaciones lineales............................................................................ 55
3.2 Multicolinealidad............................................................................................ 56
3.3 Errores de especificacin ............................................................................. 59
3.4 Variables explicativas binarias..................................................................... 62
GUIN PGINA V

APUNTES ADICIONALES PARA EL TEMA 1 71
A.1 MCO en modelos sencillos ........................................................................... 71
A.2 Coeficientes de determinacin..................................................................... 73
Matrices inversas particionadas....................................................................... 75
A.3 Datos en desviaciones con respecto a la media ........................................ 76
A.4 Regresin particionada y correlacin parcial ............................................. 81

GUIN PGINA VI

BIBLIOGRAFA

TEMA 1
J.M. WOOLDRIDGE (2006): CAPTULOS 2 Y 3. SECCIONES 6.2 Y 6.3. APNDICES E1 Y E2.
M. VERBEEK (2004): SECCIONES 2.1, 2.2, 2.3, 2.4 Y 3.1.
F. HAYASHI (2000): SECCIONES 1.1, 1.2, 1.3 Y 1.5.
TEMA 2
J.M. WOOLDRIDGE (2006): CAPTULO 4. SECCIN 6.4. APNDICE E3.
M. VERBEEK (2004): SECCIONES 2.5, 2.9 Y 3.3.
F. HAYASHI (2000): SECCIN 1.4.
TEMA 3
VER INDICACIONES AL FINAL DE CADA APARTADO DEL GUIN.

ECONOMETRA I PRLOGO

GUIN PGINA 1

PRLOGO
The key question in most empirical studies is: Have enough other factors been held fixed to make
a case for causality? Rarely is an econometric study evaluated without raising this issue. In most
serious applications, the number of factors that can affect the variable of interest such as []
wages is immense, and the isolation of any particular variable may seem like a hopeless effort.
However, we will eventually see that, when carefully applied, econometric methods can simulate
a ceteris paribus experiment. [] As we will see throughout this text, accounting for other
observed factors, such as experience, when estimating the ceteris paribus effect of another
variable, such as education, is relatively straightforward. We will also find that accounting for
inherently unobservable factors, such as ability, is much more problematic. It is fair to say that
many of the advances in econometric methods have tried to deal with unobserved factors in
econometric models.
J.M. WOOLDRIDGE
Introductory Econometrics A Modern Approach 2006
ECONOMETRA I PRLOGO

GUIN PGINA 2

REGRESIN LINEAL: DE SIMPLE A MLTIPLE
Como se vio en la Denicin 2.2 de la Introduccin a la asignatura, una dicultad asociada
con la evaluacin del efecto causal de una variable X sobre otra variable Y utilizando
solamente datos sobre X e Y, tiene que ver con que Y puede depender de otros factores
observables relacionados con X que no se consideran explcitamente en el anlisis. Si estos
factores pudieran incluirse de forma explcita en la investigacin de una posible relacin
causal entre X e Y (en un "modelo"), entonces al menos dicha dicultad no estara presente.
Para verlo, considrese (en la lnea de la Denicin 2.2 de la Introduccin) la respuesta
total de Y ante una variacin de cuanta X en X,

X X W X V X
Y F X F W F V ,
junto con la respuesta total de Y ante una variacin de cuanta W en W,

W W X W V W
Y F W F X F V .
En la Denicin 2.2 se vieron las implicaciones de considerar individualmente tan slo la
primera de estas expresiones. Sin embargo, ambas pueden escribirse conjuntamente como
ECONOMETRA I PRLOGO

GUIN PGINA 3

[ [ [ [ [ [ [ [
X X X X
V
W W W W
Y X W F V
F
F Y X W V
l l l l
l l l l

l l l l

l l l
l l l l
XW XW XW
F Y XW V

, [A]
o bien, de manera ms compacta y explcita, como

[ [ [ [ [ [ [ [
[ [ [ [ [ [ [ [
Efectos Totales
1
Efectos Directos Efectos Indirectos
.
V
V
F
F

=
l
l
l =
l
l
l
XW XW XW
XW XW
Y XW F V
XW F XW V

,

[B]
Esta expresin (que puede considerarse una extensin de la ecuacin [4] en la Denicin 2.2
de la Introduccin) pone de maniesto que [ [ [ [ [ [
1
XW XW
XW Y F siempre que
O bien 0
V
F = , de manera que V no inuya directamente sobre Y,
O bien [ [ =
XW
V 0 , de manera que V no vare sistemticamente ni con X ni con W.
ECONOMETRA I PRLOGO

GUIN PGINA 4

Por lo tanto, si las inuencias no observables recogidas en V son independientes tanto de X
como de W, entonces el efecto causal de X sobre Y (al igual que el de W sobre Y, que
tambin podra tener cierto inters) se puede evaluar de manera able a partir de [A]-[B]
utilizando datos sobre Y, X y W, a pesar de que X y W estn relacionadas entre s.
Por el contrario, como se vio en la Denicin 2.2 de la Introduccin, el efecto causal de X
sobre Y no podra evaluarse ablemente a partir tan slo de la primera ecuacin en [A]
(incluso suponiendo que 0
X
V = ), a menos que o bien 0
W
F = , o bien 0
X
W = .
La ventaja de incluir a W en un anlisis de causalidad de X sobre Y, reside justamente
en que la inclusin de W elimina la necesidad de asumir ciertas hiptesis (como 0
W
F = , o
0
X
W = ) que pueden resultar difciles o imposibles de justicar en la prctica.
Esta conclusin sugiere que en un anlisis de causalidad sobre Y es recomendable
considerar explcitamente tantas inuencias observables como sea posible y razonable, a
pesar de que en ltima instancia quizs interese evaluar el efecto directo o causal de tan
slo una de dichas inuencias.
ECONOMETRA I PRLOGO

GUIN PGINA 5

En este sentido, el modelo RLS del Ejemplo 2.8 de la Introduccin puede ampliarse para
recoger explcitamente otras inuencias directas sobre Y adicionales a la inuencia lineal de
X. Esta ampliacin da lugar a un modelo de regresin lineal mltiple (RLM), en el que
todas las inuencias que recibe Y se resumen mediante una expresin matemtica del tipo

1 2 2 3 3
...
K K
Y X X X U = , [C]
donde
2
X ,
3
X , ...,
K
X son 1 K variables explicativas observables, posiblemente
relacionadas entre s. Por su parte, U representa todas las inuencias (observables y no
observables) sobre Y que no estn recogidas en
1 2 2 3 3
...
K K
X X X .
Observacin tcnica (prescindible): A partir de [C], las respuestas totales de Y ante variaciones de cuanta
j
X en
j
X ( 2, 3, ..., ) j K = pueden escribirse conjuntamente (en la lnea de la ecuacin [A]) como

[ [ [ [
2 2
3 3
2
2 3.2 .2 2
2.3 3 .3 3
2. 3.
K K
K X X
X X K
X X K K K K
X X X Y U
Y U X X X
Y U X X X
l l l
l l l
l l l

l l l
= l l l
l l l
l l l
l l l

l l l
l l l
X
Y XX
. . . . . .

[ [
l
l
l
l
l
l
l
l
l
l
X
U
, [D]
ECONOMETRA I PRLOGO

GUIN PGINA 6

o bien, de manera ms compacta y explcita (en la lnea de la ecuacin [B]), como

[ [ [ [ [ [
[ [ [ [ [ [
2
Efectos Totales
1
2
Efectos Directos Efectos Indirectos
.
= =
l
l
l =
l
l
l
X X
X
Y XX U
XX XX U

,

[E]
Esta expresin (que puede considerarse una extensin de [6] en el Ejemplo 2.8 de la Introduccin) indica que
[ [ [ [
1
2
=
X
XX Y siempre que [ [ =
X
U 0 , es decir, siempre que U en [C] no vare sistemticamente con
ninguna variable explicativa. Por lo tanto, si las inuencias recogidas en U son independientes de todas las variables
explicativas, entonces tanto
2
como
3
, ...,
K
pueden evaluarse de manera able a partir de [E] utilizando datos
sobre Y,
2
X ,
3
X , ...,
K
X . Por el contrario, como se vio en el Ejemplo 2.8,
2
no podra evaluarse ablemente a partir
tan slo de la primera ecuacin en [D] (incluso suponiendo que
2
0
X
U = ), a menos que
.2
0
j j
X = para todo
3, ..., j K = . La ventaja de incluir a
3
X , ...,
K
X junto con
2
X en [C] en relacin con un anlisis de causalidad de
2
X
sobre Y, reside justamente en que la inclusin de
3
X , ...,
K
X elimina la necesidad de asumir ciertas hiptesis (como
que bien 0
j
= , o bien
.2
0
j
X = , para todo 3, ..., j K = ) que pueden resultar difciles de justicar en la prctica.
NOTACIN
Las variables aleatorias (v.a.s) se representan con letras maysculas
1 12
( , , ...) Y X ; sus
valores observados se representan con las letras minsculas correspondientes
1 12
( , , ...) y x .
ECONOMETRA I PRLOGO

GUIN PGINA 7

En general, las matrices se representan con letras maysculas en negrilla ( , , , ...) X A
incluso si sus componentes no son v.a.s. Los vectores se representan con letras minsculas
en negrilla
2
( , , , ...) y x . Un vector se representa con una letra mayscula slo cuando sus
componentes son v.a.s (

, , , ..., Y Y U cuyos valores observados se representan como
, , , ... y y u ). Todos los vectores se consideran vectores columna. Se utiliza el smbolo (como
en , , , ...

A c ), en lugar de un superndice T, como smbolo de trasposicin. Las cantidades
escalares (matrices de dimensin 1 1 ) se representan en cursiva (
2
3
, , , , ... t F ).
Los momentos muestrales (estadsticos) se representan como X (media),
2
S
X
(varianza),
S
XY
(covarianza) y R
XY
(coeciente de correlacin lineal simple); sus valores observados
(calculados) se representan con los mismos smbolos en minscula.
Las v.a.s (como estimadores y estadsticos de contraste) que dependen a su vez de una
coleccin W de v.a.s, se representan con un subndice W (
2
, , , ... F
W W
W
); sus valores
calculados a partir de una observacin (datos) w sobre W dada se representan sin dicho
subndice (
2
, , , ... F ).
El smbolo E[ ] representa la esperanza de una v.a. (escalar, vectorial o matricial). El
ECONOMETRA I PRLOGO

GUIN PGINA 8

smbolo Var[ ] representa la varianza de una v.a. cuando dicha v.a. es escalar, en cuyo caso
a veces se emplea el smbolo [ ] , o bien una matriz de varianzas-covarianzas cuando dicha
v.a. es vectorial, en cuyo caso a veces se emplea el smbolo [ ] (en negrilla). El smbolo
Cov[ , ] (Cv[ , ] ) representa la covarianza (estimada) entre dos v.a.s de cualquier tipo. Los
smbolos
[ ]
W
y
[ ]
W
representan estimadores (que dependen de W) de la varianza
correspondiente, cuyos valores observados (estimaciones) se representan como
[ ] y
[ ]
(sin el subndice W), o simplemente como Vr[ ] . El smbolo (ms grande que el smbolo
anterior) se emplea con mucha frecuencia para representar un sumatorio como
1
N
i =
.

ECONOMETRA I TEMA 1 - ESPECIFICACIN Y ESTIMACIN DEL MLG

GUIN PGINA 9

TEMA 1
ESPECIFICACIN Y ESTIMACIN DEL MODELO LINEAL GENERAL

Se pretende cuanticar una supuesta relacin estocstica unidireccional entre cierta variable
Y (variable dependiente) y 1 K variables
1 2
, , ...,
K
X X X (variables explicativas), sobre
las que se dispone de una coleccin de datos o muestra

1 11 12 1
2 21 22 2
1 2
1 2
[ , , , ..., ]
K
K
K
N N N NK
y x x x
y x x x
y x x x
l
l
l
l

l
l
l
l
w y x x x
. . . .
.
Observacin preliminar I: Con el n de simplicar el lgebra matricial que se utiliza en la denicin y el anlisis del
modelo lineal general (MLG), para especicar un modelo con trmino constante (como un modelo RLS, o un modelo
RLM como [C]) la matriz w anterior se dene de manera que
1
1
i
x ( 1, 2, ..., i N = ) (
1
[1, 1, ..., 1]
x ). En este
caso solamente hay 1 K variables explicativas "reales" (
2
X , ...,
K
X , como en el modelo RLM [C]), ya que
1
X es de
hecho una constante "articial".

GUIN PGINA 10

Las N las de datos
1 2
[ ... ]
i i i iK
y x x x ( 1, 2, ..., ) i N = en w pueden referirse a N entidades
observables en un momento dado (datos de seccin cruzada; ver Ejemplo 2.5 en la
Introduccin a la asignatura), o bien a N momentos consecutivos de la historia de una
nica entidad observable (datos de series temporales; ver Ejemplo 2.7 en la Introduccin).
La estimacin numrica de los parmetros
1 2
, , ...,
K
en un modelo como [C] es un
problema de fcil solucin prctica (Seccin 1.2).
No obstante, la cuestin central acerca de los parmetros
1 2
, , ...,
K
no reside tanto
en cmo calcular numricamente estimaciones de todos ellos, sino sobre todo en cul es el
grado de abilidad o precisin de dichas estimaciones.
Una posibilidad para calibrar ese grado de precisin (especialmente en entornos no
experimentales), consiste en plantear ciertas hiptesis acerca de los elementos del modelo en
el que guran
1 2
, , ...,
K
, y derivar las conclusiones a las que conducen dichas hiptesis.
La validez de esas conclusiones depender de si las hiptesis utilizadas son razonables,
especialmente en comparacin con las caractersticas muestrales de los datos empleados.

GUIN PGINA 11

1.1 HIPTESIS CLSICAS
H1 Linealidad con respecto a los parmetros
Los datos disponibles son una realizacin particular de una coleccin de variables aleatorias

1 11 12 1
2 21 22 2
1 2
1 2
[ , , , ..., ]
K
K
K
N N N NK
Y X X X
Y X X X
Y X X X
l
l
l
l

l
l
l
l
l
W Y X X X
. . . .

tal que

1 1 2 2
1
... ( 1, 2, ..., )
K
i i i K iK i j ij i
j
Y X X X U X U i N
=
= = = , [1]
donde
1 2
, , ...,
K
son K parmetros cuyos valores (desconocidos) son los mismos en
todos los puntos muestrales, y
i
U (1 ) i N es una perturbacin aleatoria no observable
asociada con el -simo i punto muestral.
Observacin preliminar II: Para modelos con trmino constante,
1
1
i
X ( 1, 2, ..., i N = ) (
1
[1, 1, ..., 1]
X ).

GUIN PGINA 12

La ecuacin [1] puede escribirse como
= Y X U , [2]
donde

. . . . . . .
1 11 12 1 1 1 1
2 2 2 21 22 2 2
1 1
1
1 2
, , ,
K
K
N N K N
K
N K N
N N NK
N
X X X Y U
Y U X X X
Y U
X X X
l
l
l l l
l
l
l l l
l
l
l l l
l
l
l l l
l =
l
l l l
l
l
l l l
l
l
l l l
l
l
l l l
l l
l l l
l
l
X
X
Y X U
X
,
o bien como
( 1, 2, ..., )
i i i
Y U i N
= = X , [3]
donde
1 2
[ , , ..., ]
i i i iK
X X X
X es la -sima i la de la matriz X.
Observacin 1: Una X con un subndice puede representar, segn el contexto, una columna o una la de la matriz X.
Por ejemplo,
1 2
[ , , ..., ] (1 )
j j j Nj
X X X j K
X es la -sima j columna ( 1) N de X; los subndices j y k se

emplean para representar columnas (variables) de X. Por otro lado,
1 2
[ , , ..., ] (1 )
i i i iK
X X X i N
X es un
vector columna ( 1) K cuyo traspuesto es la -sima i la (1 ) K de X (ver la ecuacin [3] anterior); los subndices i
y t se emplean para representar las (entidades observables o momentos) de X.

GUIN PGINA 13

Observacin 2: El MLG tiene trmino constante cuando
1
1 para todo 1, 2, ...,
i
X i N = . En este caso, [1] queda

1 2 2 1
2
... ( 1, 2, ..., ),
K
i i K iK i j ij i
j
Y X X U X U i N
=
= = = [1]
donde
1
es el trmino constante y
2
, ...,
K
son las pendientes del modelo. Las ecuaciones [2] - [3] siguen siendo
vlidas en este caso, redeniendo la matriz X para que su primera columna sea ahora
1
[1, 1, ..., 1]
X (de manera
que la -sima i la de X sea ahora
2
[1, , ..., ]
i i iK
X X
X ):

12 1
22 2
2
1
1

1
K
K
N NK
X X
X X
X X
l
l
l
l
l
l
l
l
l
X
. . .
.
Observacin 3 - Muy importante: El MLG es lineal porque los parmetros que guran en su lado derecho lo hacen de
forma lineal (a lo sumo, estn multiplicados por un trmino que no depende de ningn parmetro del modelo), como
en [1] y [1]. No obstante, en el MLG pueden aparecer cualesquiera transformaciones lineales y no lineales de las
variables originales de inters, como en los ejemplos siguientes (donde Q y P representan variables originales):
Modelo lineal
1 2 i i i
Q P U = . [M1]
Modelo log-log o logartmico
1 2
ln ln
i i i
Q P U = . [M2]
Modelo log-lineal o semilogartmico
1 2
ln
i i i
Q P U = . [M3]
Modelo lineal-log
1 2
ln
i i i
Q P U = . [M4]

GUIN PGINA 14

Modelo recproco
1
1 2
i
i i
P
Q U = . [M5]
Modelo cuadrtico
2
1 2 3 i i i
i
Q P P U = . [M6]
Modelo con interaccin
1 2 1 3 2 4 1 2
( )
i i i i i i
Q P P P P U = . [M7]
[M1]-[M7] son casos particulares del MLG con trmino constante [1] (como puede comprobarse deniendo
adecuadamente
i
Y ,
ij
X y K en cada caso). [M1] implica que una variacin absoluta unitaria en
i
P tiene el mismo
efecto sobre
i
Q con independencia de los valores de partida de
i
Q y de
i
P . Esto no es as en [M2]-[M7]; ver Tabla 1 y
Figura 1 (ver tambin el Apndice A en Ectr1-JAM-Intro.pdf). Los modelos [M1]-[M7] pueden combinarse entre s para
formular modelos RLM que resultan muy exibles en la prctica; ver Ejercicio n 1.
TABLA 1
Efectos "Ceteris Paribus" y Elasticidades en Diferentes Modelos de Regresin Lineal
Modelo Efecto "Ceteris Paribus" Elasticidad
[M1]
2 2
i
i
Q
i i
P
Q P
= =
2
i
i
P
Q

[M2]
2 2
% %
i i
i i
Q Q
i i
P P
Q P
=
2

[M3]
2 2
% (100 )
i
i
Q
i i i
P
Q Q P
=
2 i
P

GUIN PGINA 15

[M4]
( )
2 1
2
100
%
i
i i
Q
i i
P P
Q P
=
1
2
i
Q

[M5] ( )
2
2
1
2
100
%
i
i i
i
Q
i i
P P
P
Q P
=
1
2
i i
Q P

[M6]
2 3
2
i
i
Q
i
P
P
=

2 3
( 2 )
i
i
P
i
Q
P

[M7]
1
2 4 2
i
i
Q
i
P
P
=

1
2 4 2
( )
i
i
P
i
Q
P

Observacin 4: Modelos como
2
1 1 2
1
i i i i
Q P P U = y
1 2
0
1 2
i i
i i
Q P P U

= son no lineales con respecto a sus
parmetros (ninguno de ellos es un caso particular del MLG). Un modelo como
1 2
0
1 2
i
U
i
i i
Q P P e

= es equivalente
(tomando el logaritmo neperiano en ambos lados) a
0 1 1 2 2
ln ln ln
i i i i
Q P P U = , con
0 0
ln , que s
es lineal con respecto a los parmetros
0
,
1
y
2
. En general, un modelo de regresin es no lineal cuando ni es
lineal en su formulacin original, ni se puede convertir en un modelo lineal mediante alguna transformacin.
Observacin 5 - Muy importante: En ltima instancia, la nalidad de escoger una forma funcional concreta o de
transformar las variables de inters en un modelo de regresin, es obtener un modelo cuyas perturbaciones tengan unas
propiedades estadsticas (ver H3, H4 y H5) que garanticen la validez de los mtodos de inferencia (estimacin,
contrastes de hiptesis y previsin) que vayan a ser utilizados. Tambin deben tenerse en cuenta las implicaciones de
cada forma funcional sobre el signicado de los efectos ceteris paribus de cada variable explicativa de inters.

GUIN PGINA 16

2
0
1 2
[M1]:
i i
Q P =
2
0 <
i
Q
i
P
2
1
( )
1 2 1 2
[M2]: ln ln exp ln
i i i i
Q P Q P = =
2
1 0 < <
i
Q
i
P
2
1 =
2
1 =
2
0 1 < <
FIGURA 1 A
Formas Funcionales Alternativas en Modelos de Regresin Lineal


GUIN PGINA 17

2
0 <
( )
1 2 1 2
[M3]: ln exp
i i i i
Q P Q P = =
i
Q
i
P
2
0
2
0
1 2
[M4]: ln
i i
Q P =
2
0 <
i
Q
i
P
FIGURA 1 B


GUIN PGINA 18

2
0
1
1 2
[M5]:
i
i
P
Q =
2
0 <
i
Q
i
P
3
0 <
2
1 2 3
[M6]:
i i
i
Q P P =
3
0
i
Q
i
P
FIGURA 1 C


GUIN PGINA 19

Observacin sobre terminologa: El MLG [1] se denomina a veces una regresin lineal de Y sobre
1 2
, , ...,
K
X X X . El
MLG [1] se denomina a veces una regresin lineal de Y sobre
2
, ...,
K
X X con trmino constante. Esta terminologa se
emplea especialmente cuando se considera la estimacin de un modelo dado.
H2 Ausencia de multicolinealidad exacta
rango( ) K = X . Adems, se supone que K < N (N K > 0 grados de libertad positivos).
H3 Exogeneidad estricta
E[ | ] E[ ]
i i
U U = X para todo i = 1, ..., N, o bien E[ | ] E[ ] = U X U . Adicionalmente:
H3.1 E[ ]
i
U es la misma para todo i = 1, ..., N (inuencia esperada homognea).
H3.2 E[ ] 0
i
U = para todo i = 1, ..., N, o bien E[ ] = U 0 (MLG con trmino constante).
E[ | ] 0
i
U = X para todo i = 1, ..., N, o bien E[ | ] = U X 0.
Observacin 6: La hiptesis H3 constituye un enunciado formal de la idea de independencia entre inuencias omitidas
e inuencias incluidas en un anlisis aplicado, mencionada repetidamente en la Introduccin a la asignatura y en el
Prlogo al Guin. Cuando E[ ] = U X 0, se dice que los regresores del MLG son estrictamente exgenos, en el sentido
que el valor esperado de las inuencias incluidas en cada perturbacin del modelo es independiente de lo que valga

GUIN PGINA 20

cualquier variable explicativa (regresor) en cualquier punto muestral (entidad observable o momento). En particular,
E[ ] = U X 0 implica que E[ ]
t i
U
= X 0 ( Cov[ , ] Corr[ , ]
t i t i
U U

= = X X 0 ) para todo t, i = 1, , N (ortogonalidad
entre regresores y perturbaciones). Segn los datos empleados, la exogeneidad estricta puede requerir lo siguiente:
En muchas ocasiones, puede suponerse razonablemente que una coleccin de datos de seccin cruzada procede de
una muestra aleatoria del tipo [ , ]
i i
Y

X ( 1, ..., i N = ), con cada una de sus observaciones independiente de las
dems. En este contexto, la hiptesis de que E[ ] 0
i i
U = X para todo 1, ..., i N = es suciente para garantizar H3.
En general, una coleccin de datos de series temporales suele proceder de una secuencia de variables aleatorias del
tipo [ , ]
t t
Y

X ( 1, ..., t N = ) en la que cada observacin est correlacionada con las anteriores. En este contexto, H3
no permite la presencia de variables explicativas que estn correlacionadas con valores pasados de
t
U , lo que
excluye la presencia de retardos de la variable dependiente
1 2
( , , ...)
t t
Y Y

en el lado derecho del modelo.
H4 Homoscedasticidad y ausencia de autocorrelacin
2
Var[ | ] E[( E[ | ])( E[ | ]) | ] E[ | ]

= = U X U U X U U X X UU X I
2
Var[ ] = U I
(incondicionalmente). En conjunto, de H3 y H4 se deduce que

2
1 1 2 1 1
2
2 2 1 2 2
2
1 2
0 0
Var[ ] Cov[ , ] Cov[ , ] 0
0 Cov[ , ] Var[ ] Cov[ , ]
0 0
E[ ] E , Var[ ]
0
Cov[ , ] Cov[ , ] Var[ ]
0 0
N
N
N
N N N
U U U U U U
U U U U U U
U
U U U U U
l
l l
l
l l
l
l l
l
l l
= =
l
l l
l
l l
l
l l
l
l l
l l l
l

U U

. . . . .
. . .

.
l
l
l
l
l
l
l
l
l
l


GUIN PGINA 21

Observacin 7: Var[U] es una matriz escalar (diagonal con los elementos de su diagonal principal iguales entre s).
H5 Normalidad
2
| N( , ) U X 0 I .
Observacin 8: Las hiptesis H1 - H5 caracterizan al MLG como un modelo estadstico completo que propone como
origen de unos datos observados una coleccin [ , ] W Y X de variables aleatorias tal que

2
| N( , ). Y X X I
La Figura 2 contiene una representacin grca de la expresin anterior en el caso del modelo RLS.
Observacin sobre notacin: Para abreviar, en adelante no vuelve a emplearse la notacin | X ("condicionado por
X"). No obstante, cualquier esperanza, varianza, covarianza, correlacin o, en general, cualquier distribucin de
probabilidad, debe entenderse siempre condicionada por X. Cuando una esperanza, varianza, covarianza, correlacin o
distribucin de probabilidad no depende de X, entonces tambin puede entenderse como una esperanza, varianza,
covarianza, correlacin o distribucin de probabilidad incondicional (marginal).


GUIN PGINA 22

+
1 2 2
x
+
1 2 1
x
1
x
2
x
2
y
1
0
2
0 u <
1
0 u >
X : VARIABLE EXPLICATIVA
Y

:

V
A
R
I
A
B
L
E

D
E
P
E
N
D
I
E
N
T
E
1
y
=
1 1 1
E[ | ] Y X x
=
2 2 2
E[ | ] Y X x
| = +
1 2
E[ ]
i i i
Y X X
FIGURA 2
Representacin Grfica del Modelo de Regresin Lineal Simple bajo H1 - H5


GUIN PGINA 23

1.2 MNIMOS CUADRADOS ORDINARIOS
Se pretende estimar los parmetros
1 2
, , ...,
K
de un modelo del tipo

1 1 2 2
... ( 1, 2, ..., )
i i i K iK i
Y X X X U i N = = ,
sobre cuyas variables observables se dispone de una coleccin de datos

. . . . . .
1 1 1 11 12 1
2 21 22 2 2 2
1 2
[ , ]
K
K
N N N NK
N N
y y x x x
y x x x y
y x x x
y
l
l
l
l
l
l

l
l
l = =
l
l
l
l
l
l
l

l l
l
l
x
x
w y X
x
.
Los residuos asociados con una estimacin
1 2
[ , , ..., ]
K
b b b

b de
1 2
[ , , ..., ]
K

son

1 1
1 1 1 11 2 12 1
2 2 1 21 2 22 2 2 2
1 1 2 2
( ) ( ... )
( ) ( ... )
( )
( ) ( ... )
K K
K K
N N N N K NK
N N
y
e y b x b x b x
e y b x b x b x y
e y b x b x b x
y
l
l l
l
l l
l
l l

l
l l
l = =
l l
l
l l
l
l l
l
l l

l l l
l l
l
x b
b
b x b
e b y Xb
b
x b
. .
.
.

GUIN PGINA 24

Problema:

2 2
1 1
Minimizar ( ) ( ) ( ) ( ) ( ) ( ) ( ).
N N
i i i
i i
S e y
= =

= = = b b x b e b e b y Xb y Xb
Solucin:
Condicin de primer orden:

= X X X y (ecuaciones normales)
1
( )

= X X X y .
Condicin de segundo orden:
X X denida positiva (no singular) por H2.

Estimacin MCO dado [ , ] w y X :
1
( )

= X X X y Estimador MCO para
cualquier realizacin posible de [ , ] W Y X :
1
( )

=
W
X X X Y .
Interpretacin:
y X (valores ajustados),
u y y y X (residuos). Ntese
que y y u son realizaciones particulares de

W
Y X y de

W
U Y Y Y X ,
respectivamente, asociadas con una realizacin particular w de W dada.
Distincin: = Y X U (modelo especicado),
= y X u (modelo estimado),
donde y es una realizacin particular de

= =
W
Y X U X U .

GUIN PGINA 25

= +
1 2

i i
y x
+
1 2 2

x
+
1 2 1

x
1
x
2
x
2
y
0
Y

:

V
A
R
I
A
B
L
E

D
E
P
E
N
D
I
E
N
T
E
1
y
2
0 u <
1
0 u >
2
La pendiente de
esta recta es
| = =
1 1 1 1
E[ ] y Y X x
| =
2 2 2 2
E[ ] y Y X x
| = +
1 2
E[ ]
i i i
Y X X
FIGURA 3
El Modelo de Regresin Lineal Simple Estimado


GUIN PGINA 26

Prctica: Contenido explcito de las ecuaciones normales para el clculo de
:

. . . . . . . . . .
.

1
11 21 1 11 12 1 11 21 1 1
12 22 2 21 22 2 2 12 22 2 2
1 2 1 2 1 2
N K N
N K N
K K NK N N NK K K NK N
K
x x x x x x x x x y
x x x x x x x x x y
x x x x x x x x x y
l
l l l l
l
l l l l
l
l l l l
l
l l l l
=
l
l l l l
l
l l l l
l
l l l l
l
l l l l
l
1 1
.
K N N K K K N N
X X X y [4]
Esta expresin puede escribirse de manera ms compacta como

.
. . . .
2
1 1 2 1
1 1
2
2 1 2 2 2
2
2
1 2
1 1
.
i i i iK
i i i
i i i iK i i
i
iK i
iK i iK i K
iK
K K K K
x x x x x
x y
x x x x x x y
x y
x x x x x

l l

l
l l
l
l l
l

l l
l
=
l l
l
l l
l
l l
l
l l
l
l
l l

X X X y [5]

GUIN PGINA 27

En modelos con trmino constante (
1
1
i
x para todo 1, ..., i N = ), [4] y [5] quedan:

. . . . . . . . . .
.

1
12 1 1
12 22 2 22 2 12 22 2 2
2
1 2 2 1 2
1 1 1 1 1 1 1
1
,
1
K
N K N
K K NK N NK K K NK N
K
x x y
x x x x x x x x y
x x x x x x x x y
l
l l l l
l
l l l l
l
l l l l
l
l l l l
=
l
l l l l
l
l l l l
l
l l l l
l
l l l l
l
[6]

.
. . . .
1 2
2
2 2 2 2
2
2
2
i iK
i
i i i i iK
i
iK i
iK iK i K
iK
N x x
y
x y x x x x
x y
x x x x
l l

l
l l
l
l l
l
l l
l
l l
=
l
l l
l
l l
l
l l
l
l l
l
l
l l
l l
[7]
Ej.1: Estimacin por MCO de en
i i
Y U = . (Ver A.1.)
Ej.2: Estimacin por MCO de
1
y
2
en
1 2 i i i
Y X U = (RLS). (Ver A.1.)
Ej.3: Clculo numrico de
, y y u en un modelo RLS EV.1 .


GUIN PGINA 28

f
W

f
W
1
k
2
k
1.3 PROPIEDADES ESTADSTICAS

E[ ] =
W
,
2 1

[ ] Var[ ] ( )

=
W W
X X , y Teorema de Gauss-Markov.

W
es un ELIO (BLUE) de (sin H5 esto no implica que
W
sea eciente).
FIGURA 4 A
Valor Esperado - Insesgadez


GUIN PGINA 29

1
k
2
k
f
W
f
W
FIGURA 4 B
Varianza - Eficiencia Relativa

Ej.1:
Var[ ]
W
en
i i
Y U = . (Ver M1 en A.1.)
Ej.2:
1
Var[ ]
W
,
2
Var[ ]
W
y
1 2

Cov[ , ]
W W
en
1 2 i i i
Y X U = . (Ver M2 en A.1.)
Ej.3: Continuacin Ej.3 del nal de 1.2.

GUIN PGINA 30

1.4 PROPIEDADES ALGEBRAICAS

= X X X y [1]
= X u 0 [2] 0
= y u [3]

= y y y y u u.
[3] [4]

= = = u u y y y y y y X X y y X y .
En modelos con trmino constante, [1] [5]
1
0
N
i
i
u
=
= [6]
1 1
N N
i i
i i
y y
= =
= .
[7]
2 2
1
STC ( ) 0
N
i
i
Ny y y
=
= y y .
[8]
2
SEC Ny
y y . Puede ser negativa; pero en modelos con trmino constante:

[6] y y = [9]
2 2
1
SEC ( ) 0
N
i
i
Ny y y
=
= = y y .
[10]
2
1
SRC 0
N
i
i
u
=
= u u . ([3] [11] STC = SEC + SRC.)

[12]
2
SEC/ STC 1 SRC/ STC R = (por [11]; [4] frmulas alternativas.)
Propiedades del
2
R :
[13]
2
0 R slo en modelos con trmino constante (por la primera parte de [12]).

GUIN PGINA 31

[14]
2
1 R siempre (por la segunda parte de [12]).
Ej.1: Expresiones analticas para
2
R en modelos con trmino constante. (Ver A.2.)

2 2
R r =
yy
en
1 2 2

...
i i K iK i
y x x u = .

2
0 R = en
i i
y u = .

2 2
R r =
xy
en
1 2

i i i
y x u = .
[15]:
SRC/( )
2 2 1
STC/( 1)
1 1 (1 )
N K
N
N K N
R R

= .
Ej.2: Continuacin Ej.3 del nal de 1.3 EV.2 .

1.5 ERROR ESTNDAR DE LA REGRESIN

= = U MY MU, con
1
( )

M I X X X X [1]
= M M (simtrica), [2] = MM M
(idempotente), [3] traza(M) = N K = rango(M) M es singular.

E[ ] = U 0,
2 2
Var[ ] = = U M I (residuos autocorrelacionados y heteroscedsticos).


GUIN PGINA 32

Los estimadores
2

/( ) N K

=
W
U U y
2 1

[ ] ( )

=
W W
W
X X son insesgados.
Prctica: Completar Ej.2 del nal de 1.4 EV.3 Presentacin de resultados.
Prctica: Estimacin e interpretacin de varios modelos RLM EV.4 .
Prctica: Hacer Ejercicio n 1.

1.6 DATOS EN DESVIACIONES CON RESPECTO A LA MEDIA
Estudiar A.3.

1.7 REGRESIN PARTICIONADA Y CORRELACIN PARCIAL
Estudiar A.4.

GUIN PGINA 33

1.8 NORMALIDAD
Resultados auxiliares I:
[A1] N( , ) N( , )
= V Z QV q Q q Q Q , con V (v.a.s) N1, Q

(constantes) MN, q (constantes) N1.
[A2]
2
2 2 1
N( , ) ( ) Z R
= V 0 I V RV , con V (v.a.s) N1, R (constantes)

NN simtrica e idempotente con rango(R) = traza(R) = R (1 ) R N .
[A3]
2
1 2
N( , ) y Z

= = V 0 I Z QV V RV son independientes QR = 0, con
V (v.a.s) N1, Q (constantes) MN, R (constantes) NN simtrica e idempotente.
Normalidad (H5): = Y X U y
2 2
N( , ) N( , ) U 0 I Y X I por [A1].

1 2 1
( ) N[ , ( ) ]

=
W
X X X U X X por [A1].

2 2 2
2 2 1 1

( )
N K
N K

= =
W
U U U MU por [A2]
2
2 2
( )
N K
N K

W
.


GUIN PGINA 34

1
( )

=
W
X X X U y
2

( ) N K

= =
W
U U U MU son independientes por [A3]
W
y
2

W
son independientes, as como
W
y
2
2
N K
W
.
Como consecuencia de todo lo anterior:
2
[ , ]

y
2

[ , ]

W W
W

E[ ] =
W

(
W
es un estimador insesgado de ), y la matriz
Var[ ]
W
es:

4
2 1
2
1
2 2
2
1
( )
Var[ ] Cov[ , ]
Var[ ] .
Cov[ , ] Var[ ]
K
N K
K
l
l
l
l
= =
l
l
l
l
l
l
W W
W
W
W
W W
X X 0
0

La funcin de densidad (pdf) de
2
N( , ) Y X I es

1 2
2 2
( ) ( ) /
2 2
( ; ) ( ; , ) (2 ) .
N
f f e

= =
y X y X
y y

Cota de Cramr-Rao (CCR): Bajo ciertas condiciones de regularidad sobre ( ; ) f y (que
se cumplen en el MLG), la matriz de varianzas de cualquier estimador insesgado
W

de es tal que
1
Var[ ] ( )
W
I es una matriz semidenida positiva para todo ,
donde

GUIN PGINA 35

2
2
ln ( ; )
( ) E E[ ln ( ; )]
f
f
l
l

l

l
Y
I Y

se denomina matriz de informacin sobre . En el MLG,

2 2
2 2
2 2
4
2 2 2
ln ( ; ) ln ( ; )
1
1
ln ( ; ) ln ( ; )
2
1
( )
( ) E ,
f f
K
N
f f
K

l
l
l
l
l
= = l
l
l
l
l
l
l
l
Y Y
Y Y
X X 0
I
0

luego

4
2 1
1
1
2
1
( )
( ) .
K
N
K
l
l
=
l
l
l
X X 0
I
0

1
( )

=
W
X X X Y es el (nico) MVUE (no slo BLUE) de en el MLG.

4 4
2 2 2
Var[ ]
N K N

=
W
; no obstante,
2

W
es el (nico) MVUE de
2
en el MLG.

GUIN PGINA 36

1.9 MXIMA VEROSIMILITUD
Funcin de verosimilitud: ( ; ) ( ; ) L f y y (pdf de Y como funcin de con y dado).

2
[ , ]

W W
W

es un EMV de
2
[ , ]

Dada una observacin y cualquiera
sobre Y, ( ; ) ( ; ) L L y y
para cualquier valor numrico posible de .

Maximizar ( ; ) L y Minimizar ( ; ) ln ( ; ) L L
y y . En el MLG,

1 2 2
2 2 2
( ; ) ln(2 ) ln ( ) ( ) / .
N N
L

= y y X y X
Propiedades generales de los EMV:
Un EMV no siempre es insesgado.
Si (i) existe un estimador insesgado
W
de tal que
1
Var[ ] ( )
=
W
I (por lo que,
segn CCR,
W
es un MVUE de ), y (ii) el EMV
W
de satisface la condicin
[ ( ; )] L
=
= y 0

, entonces =
W W

, por lo que
W
es un MVUE de .
Bajo ciertas condiciones sobre ( ; ) f y y ( ; ) L y (que se cumplen en el MLG),
W
es
consistente y asintticamente Normal (CAN) y asintticamente eciente (AE).

GUIN PGINA 37

Condiciones de primer orden: en el MLG, de [ ( ; )] L
=
= y 0

se deduce que:

1
( )

= =
W W
X X X Y
es nico;

2 2 1 1

( ) ( )
N N

= = =
W W
W W
Y X Y X U U es nico.
Condiciones de segundo orden: en el MLG,
2
[ ( ; )] L
=
y

es denida positiva.

1
( )

= =
W W
X X X Y
Normal y MVUE (por 1.8), CAN y AE (por ser un EMV).

2 2
N K
N

=
W W

2 2 2
E[ ]
N K
N

= <
W
y
2
2( )
2 4
Var[ ]
N K
N

=
W
:

2
W
no es insesgado, pero
2 2
E[ ]
W
y
2
Var[ ] 0
W
cuando N .

2
2
( )
2 2
Var[ ] / Var[ ] 1
N K
N

= <
W W

2 2
Var[ ] Var[ ] <
W W
.

2 4
Var[ ] /[(2 / ) ] 1
N K
N
N

= <
W

4
2 2
Var[ ]
N
<
W
(CCR).
Comparar
2
2
2( )
2 4
ECM[ ]
K N K
N

=
W
con
2 4 2
ECM[ ]
N K

=
W
.

ECONOMETRA I TEMA 2 - CONTRASTES DE HIPTESIS Y PREVISIN

GUIN PGINA 38

TEMA 2
CONTRASTES DE HIPTESIS Y PREVISIN

Objetivo: Obtener informacin sobre ciertos aspectos cuantitativos de la relacin entre
la variable dependiente y las variables explicativas en el MLG.
Mtodo: Contrastar la posible existencia de relaciones entre A y c, con A ( ) M K
tal que rango(A) = M (1 ) M K y c ( 1) M dados.
Componentes de un contraste:

0
H (hiptesis nula): conjetura que se mantiene como vlida (no se rechaza)
mientras no se encuentre suciente evidencia en su contra.

1
H (hiptesis alternativa): conjetura en favor de la cual se rechaza (si procede)
0
H .
F
W
(estadstico de contraste): estadstico cuya distribucin se conoce bajo
0
H .

R
C (regin crtica): subconjunto de R tal que
R
F C rechazar
0
H .

GUIN PGINA 39

2.1 CONTRASTES DE VARIAS HIPTESIS
Resultados auxiliares II:
[A4]
1 2
N( , ) ( ( ( ) Z N
= V V V ) ) , con V (v.a.s) N1.

[A5]
2
1 2
N( , ) y Z Z

= = V 0 I V PV V QV son independientes PQ = 0,
con V (v.a.s) N1, P y Q (constantes) NN, simtricas e idempotentes.
[A6]
2
1 1
( ) V g y
2
2 2
( ) V g independientes
2 1
1
2
1 2
( , )
g V
g
V
Z F g g = .
[A7] ( ) Z t g
2
(1, ) Z F g .
Obtencin del estadstico de contraste ( , ) F F M N K
W
bajo
0
: H = A c .

1 2 1
( ) N[ , ( ) ]

=
W
X X X U 0 X X por [A1].

2 1
( ) N[ , ( ) ]

W
A 0 A X X A por [A1]
2 1
Var[ ] ( )

=
W
A A X X A .

2 1 1 2
1

[ ( )] [ ( ) ] [ ( )] ( ) Q M

=
W W
A A X X A A por [A4].

2 2 2
2 2 1 1
2

( )
N K
Q N K

= = =
W
U U U MU por [A2].

GUIN PGINA 40

1
Q y
2
Q son independientes por [A5]. [En
1
Q ,
1
( ) ( )

=
W
A A X X X U .]

1
2
( , )
Q
N K
M Q
F F M N K

=
W
por [A6], es decir,

1 1
2

[ ( )] [ ( ) ] [ ( )]
( , ),
F F M N K
M

=
W W
W
W
A A X X A A

o bien

1 1

[ ( )] [ ] [ ( )] ( , ),
M
F F M N K

=
W W W W
W
A A A
con
2 1

[ ] ( )

=
W W
W
A A X X A . [Ntese que F
W
depende de .]
Cuando
0
: H = A c es cierta, F
W
queda

1 1
2
1 1

( ) [ ( ) ] ( )

( ) [ ] ( ) ( , ).
M
F
M
F M N K
=
W W
W
W
W W W W
A c A X X A A c
A c A A c


GUIN PGINA 41

Determinacin de la regin crtica
R
C . (Ver Figura 5.)
Escoger (nivel de signicacin) y buscar
1
F

(valor crtico) en la tabla de la
( , ) F M N K tal que
1
Pr[ ( , ) ] 1 F M N K F

= .

1
[ , )
R
F C F

= rechazar
0
H (F valor calculado del estadstico F
W
).
p-value: Pr[ ( , ) ] 1 Pr[ ( , ) ] F M N K F F M N K F
= = .
Prctica: Contrastes numricos en
1 2 2 3 3 i i i i
Y X X U = EV.5 .

2.2 CONTRASTES DE UNA NICA HIPTESIS
M = 1
1 2
[ , , ..., ] (1 )
K
a a a K
= = A a y (1 1) c = c en el estadstico F
W
del
apartado 2.1 anterior, que queda:

( )

[ ]
c
t t N K
W
W
W W
a
a
por [A7],
con
1

[ ] ( )

=
W W W
a a X X a .

GUIN PGINA 42

Cuando [0, ..., 1, ..., 0]
= a
j
= a y

(1 )
j
j K
=
W W
a . Estadstico:

( ),

[ ]
j
j
c
t t N K
W
W
W W

con
2 1

[ ] [( ) ] (1 )
j jj
j K

=
W W
W
X X . Si, adems, c = 0,

( ).

[ ]
j
j
t t N K
W
W
W W

Regin crtica para
0
: H c
= a ,
1
: H c
= a (contraste de dos colas o bilateral; ver

Figura 6):
2
1
t


( ) t N K tal que
2
1
2
Pr[ ( ) ] 1 t N K t

= .

2 2
1 1
( , ] [ , )
R
t C t t

= rechazar
0
H (t valor calculado de t
W
);
esta regla es equivalente a que
2
1
t t

a es "sucientemente" distinto de c.

GUIN PGINA 43

El contraste de
0
: 0
j
H = frente a
1
: 0
j
H = es un contraste de signicacin
individual de
j
.
p-value: 2 Pr[ ( ) ] 2 (1 Pr[ ( ) ]) t N K t t N K t
= = .
Regin crtica para
0
: H c
= a
0
: H c
a ,
1
: H c
a (contraste de una sola

cola o unilateral, por la derecha; ver Figura 7):
1
t

( ) t N K tal que
1
Pr[ ( ) ] 1 t N K t

= .

1
[ , )
R
t C t

= rechazar
0
H ; esta regla es equivalente a que
1
t t

a es "sucientemente" mayor que c.

p-value: Pr[ ( ) ] 1 Pr[ ( ) ] t N K t t N K t
= = .
Regin crtica para
0
: H c
= a
0
: H c
a ,
1
: H c
< a (contraste de una sola

cola o unilateral, por la izquierda; ver Figura 8):
Escoger (nivel de signicacin) y buscar t

( ) t N K tal que Pr[ ( ) ] t N K t
= .

GUIN PGINA 44

( , ]
R
t C t
= rechazar
0
H ; esta regla es equivalente a que t t
<
a
es "sucientemente" menor que c.
p-value: Pr[ ( ) ] t N K t
= .
Prctica: Contrastes numricos en
1 2 2 3 3 i i i i
Y X X U = EV.6 .


GUIN PGINA 45

0
( , ) F M N K
f
1
F
0
Rechazar H
0
No rechazar H
0
( , ) F M N K
f
F
Prob. de obtener un valor mayor que F
= P-value
FIGURA 5
Valor Crtico y "p-value" para Contrastes basados en el Estadstico F


GUIN PGINA 46

0
2
t
( ) t N K
f
2
1
t
2

2
0
Rechazar H
0
Rechazar H
0
No rechazar H
0
| | t
( ) t N K
f
2
Prob. de obtener un valor ms extremo que | | t
| | t
= P-value
FIGURA 6
Valores Crticos y "p-value" para Contrastes de Dos Colas (Bilaterales) basados en Estadsticos t


GUIN PGINA 47

0
( ) t N K
f
1
t
0
Rechazar H
0
No rechazar H
0
( ) t N K
f
Prob. de obtener un valor mayor que t

t
= P-value
FIGURA 7
Valor Crtico y "p-value" para Contrastes de Una Cola (Unilaterales) por la Derecha basados en Estadsticos t


GUIN PGINA 48

0
t
( ) t N K
f
0
Rechazar H
0
No rechazar H
0
t
( ) t N K
f
Prob. de obtener un valor menor que t
= P-value
FIGURA 8
Valor Crtico y "p-value" para Contrastes de Una Cola (Unilaterales) por la Izquierda basados en Estadsticos t


GUIN PGINA 49

2.3 INTERVALOS DE CONFIANZA
M = 1
1 2
[ , , ..., ] (1 )
K
a a a K
= = A a en la v.a. F
W
de 2.1, que queda

( )
( )

[ ]
t t N K
W
W
W W
a
a

por [A7].

2 2
1
Pr[ ] 1 t t t

=
W
, con
2 2
1
0 t t

= < y
2
2
Pr[ ( ) ] t N K t

= :

1
Pr[ IC ( ; )] 1

= a a W , con
2
1

IC ( ; ) [ ] t

l

l
l
W W W
a W a a .
Cuando [0, ..., 1, ..., 0]
= a
2
1

IC ( ; ) [ ]
j j j
t
l

l
l
W W W
W .
Interpretacin de

[ ]
j

W W
y de

[ ] Vr[ ]
j j

W W
como medidas de la precisin del
estimador
W
o de la abilidad de la estimacin
j
(1 j K ).
Contrastes de hiptesis al 100 % e intervalos de conanza del 100(1 )% :
Rechazar
0
: H c
= a en favor de
1
: H c
= a
2

Vr[ ] c t
l

l
l
W
a a .
Rechazar
0
:
j
H c = en favor de
1
:
j
H c =
2

Vr[ ]
j j
c t

l

l
l
V
.

GUIN PGINA 50

0
2
t
( ) t N K
f
2
1
t
2

2
1
FIGURA 9
Valores Crticos para la Obtencin de Intervalos de
Confianza

Prctica: Intervalos de conanza en
1 2 2 3 3 i i i i
Y X X U = EV.7 .
Prctica: Contrastes e intervalos de conanza en varios modelos RLM EV.8 .

GUIN PGINA 51

2.4 RESTRICCIONES LINEALES
Minimizar ( ) S

b e e sobre = Ab c
1 1 1

( ) [ ( ) ] ( )

= X X A A X X A c A :
Estimador MCR:
1 1 1

( ) [ ( ) ] ( )

=
W W
W
X X A A X X A c A
=
W
A c .
= A c
E[ ]
=
W
(insesgado), pero A c
E[ ]
W
(sesgado).

2 1 2 1 1 1 1
Var[ ] ( ) ( ) [ ( ) ] ( )

=
W
X X X X A A X X A A X X siempre.
Contraste de
0
: H = A c frente a
1
: H = A c mediante sumas residuales:

2

( ) ( )
( , ),
F F M N K
M

=
W W
W W
W
W
X X

de donde puede deducirse que

2

SRC SRC
( , ).
SRC
N K
F F M N K
M
M

= =
W
W
W
W
W
U U U U

Prctica: Contrastes mediante sustitucin de restricciones (ejemplos) EV.9 .

GUIN PGINA 52

Prctica: Contraste de signicacin global en modelos con trmino constante:

2
2
( 1, )
1
1
R
N K
F F K N K
K
R

W
W
W
EV.10 .
Hacer la Pregunta 1 del Ejercicio n 4.
Prctica: Contraste de cambio estructural (test de Chow) EV.11 .

2.5 ALGUNOS CONTRASTES COMO ELEMENTOS DE DIAGNOSIS
Contraste de Normalidad (Jarque-Bera) Ver Apartado 6.4.3 (p. 185) en el manual de
M. Verbeek EV.12 .
Contraste de especicacin RESET Ver Apartado 9.1 (pp. 320-326) en el manual de
J.M. Wooldridge (2006).
Contrastes de heteroscedasticidad y de autocorrelacin Econometra II.

GUIN PGINA 53

2.6 PREVISIN
Resultados auxiliares III:
[A8]
1
V N(0, 1) y
2
2
( ) V g independientes
1
2
/
( )
V
V g
Z t g = .
Prever Estimar la distribucin de
0 0 0
Y U
= X condicionada por
0 0
= X x dado:

2
0 0
N( , ) Y
x , donde tanto
0 0
E[ ] Y

= x como
2
0
Var[ ] Y = pueden estimarse.

0 0

Y

W
x se emplea para estimar
0
E[ ] Y y
2

W
para estimar
0
Var[ ] Y .
La estimacin
0 0
y

x se denomina una previsin puntual de
0
Y (estimacin
puntual de
0
E[ ] Y ).
Error de previsin asociado con el estimador
0 0

Y

W
x :

0 0 0 0 0

( ) V Y Y U

=
W
x .

0
E[ ] 0 V = ,
2 2 1
0 0 0 0
Var[ ] Var[ ] [1 ( ) ] V

= =
W
x x X X x .

GUIN PGINA 54

Bajo la hiptesis de Normalidad, incluyendo que
2
0
N(0, ) U , por [A8]:

0 0 0 0
1
0 0 0

( ),
1 ( ) [ ]
Y Y Y
t N K
V

=

W
W W
x
x X X x

Intervalo de conanza para
0
Y :
2
1 0 0 0

IC ( ) [ ] Y t V

l
l
x .
Estimacin de probabilidades referidas a
0
Y :

0
0
0
Pr[ ] Pr ( )
[ ]
p y
Y p t N K
V
l
l
=
l
l
l
,

0
0
0
Pr[ ] Pr ( )
[ ]
p y
Y p t N K
V
l
l
=
l
l
l
.
Prctica: Previsin en
1 2 2 3 3 i i i i
Y X X U = EV.13 .
Prctica: Hacer las preguntas 2, 3 y 4 del Ejercicio n 4.
ECONOMETRA I TEMA 3 - EXTENSIONES

GUIN PGINA 55

TEMA 3
EXTENSIONES

3.1 TRANSFORMACIONES LINEALES
Ejemplo 1: [MO]
1 2

i i i
y x u = , [MT]
1 2

i i i
y x u

= , donde
i i
x x a
=
( 1, ..., ) i N = , 0 a (constante) cambio de origen en la variable explicativa:

2 2
( )( )
( )( )
2
2
( ) ( )

i
i i i
i
i
x x y y
x x y y
x x x x

= = = , porque ( ) ( )
i
x x x a x a
i

= .

1 2 2 2 1 2

( ) y x y x y x a a

= = = = , porque
2 1

y x = .

1 2 1 2 2 1 2

( ) ( )
i i i i i i i i
u y x y a x a y x u

= = = = .

2
2
2 2
( )
1
i
i
u
y y
R R

= = .
Ejemplo 2: [MO]
1 2

i i i
y x u = , [MT]
1 2

i i i
y x u

= , donde
i i
y y
= ,
i i
x x a
= ( 1, ..., ) i N = , 1 , 1 , 0 a (constantes) cambio de escala en


GUIN PGINA 56

la variable dependiente y cambio de escala y de origen en la variable explicativa:

2 2
( )( )
( )( )
2
2
( ) ( )

i i i i
i
i
x x y y
x x y y
x x x x

= = = .

2 1 2
1 2

( ) y x y x a a

= = = .

1 2 2
1 2

( ) ( )
i i i
i i i
u y x y a x a u

= = = .

2 2
2 2

2 2
( ) ( )
1 1
i i
i
i
u u
y y y y
R R
2
2

= = = .
Extensiones: varianzas de los estimadores y estadsticos de contraste; ver J.M.
Wooldridge (2006) Apartado 6.1 (pp. 202-207).

3.2 MULTICOLINEALIDAD
Multicolinealidad exacta (estricta).
Denicin: rango( ) K < X con K N < (incumplimiento de H2) Al menos una
columna de X es una combinacin lineal exacta de otra(s) (ejemplos).

GUIN PGINA 57

Consecuencias:
X X es singular No existe
1
( )
X X Las ecuaciones normales

tienen innitas soluciones y
2 1
Var[ ] ( )

=
W
X X no est denida.
Multicolinealidad aproximada.
Denicin: rango( ) K = X con K N < (no se incumple H2), pero al menos una
columna de X es una combinacin lineal aproximada de otra(s), como en

2 1 1 3 3
...
K K
a a a x x x x ,
donde al menos uno de los
1 3
, , ...,
K
a a a es distinto de cero. (Ejemplos: factores de
produccin empleados en una proporcin dada, tendencias temporales comunes, ...)
Consecuencia 1: las varianzas de los estimadores MCO pueden ser grandes, como en

2
2 2
2 2
2 1
2
(1 ) ( )
Var[ ]
N
i
i
R x x
=

=
W
,
(ver [14] en A.4), donde
2
2
R es el coeciente de determinacin de la regresin de
2
X
sobre las restantes variables explicativas. [Ntese que
2
Var[ ]
W
puede ser grande
tanto si
2
2
R es grande como si
2
2 2
1
( )
N
i
i
x x
=
es pequeo.]

GUIN PGINA 58

Consecuencia 1 (1) Los estimadores MCO son poco precisos (las estimaciones
MCO son poco ables) porque los intervalos de conanza son amplios, y (2) los
valores de los estadsticos t para los contrastes de signicacin individuales son
pequeos, incluso cuando los valores del
2
R y del estadstico F para el contraste de
signicacin global son grandes.
Consecuencia 2: las estimaciones MCO son muy sensibles a pequeas modicaciones
muestrales y a la eliminacin de variables aparentemente no signicativas.
A pesar de todo, las previsiones implicadas por un modelo estimado con variables
ligadas por una relacin de dependencia lineal aproximada, pueden ser ables si
dicha relacin se mantiene en los puntos de previsin.
Deteccin:
2
j
R para cada variable explicativa, nmero de condicin de
X X, ...
Remedios: eliminar variables (ver 3.3), obtener ms y mejores datos, utilizar
informacin extramuestral (imponer restricciones sobre ; ver 2.4), ...
Ver J.M. Wooldridge (2006) pp. 103-107, M. Verbeek (2004) pp. 42-44.

GUIN PGINA 59

3.3 ERRORES DE ESPECIFICACIN
Omisin de variables relevantes (1): relacin con MCR (ver 2.4).
[BE.1]
1 2 2 3 3 i i i i
Y X X U = .
[ME.1]
1 2 2 i i i
Y X V = , donde
3 3 i i i
V X U .
[ME.1] es [BE.1] restringido por
3
0 = (falsa) El estimador MCO de
2
en
[BE.1],
2
W
, es insesgado y eciente; el estimador MCO de
2
en [ME.1],
2
, es
sesgado pero tiene menor varianza que
2
W
.
Inclusin de variables irrelevantes (1): relacin con MCR (ver 2.4).
[BE.2]
1 2 2 i i i
Y X U = .
[ME.2]
1 2 2 3 3 i i i i
Y X X U = , donde
3
0 = .
[BE.2] es [ME.2] restringido por
3
0 = (cierta) El estimador MCO de
2
en
[BE.2],
2
W
, es insesgado y eciente; el estimador MCO de
2
en [ME.2],
2
,
tambin es insesgado pero tiene mayor varianza que
2
W
.

GUIN PGINA 60

Omisin de variables relevantes (2): sesgo del estimador MCO de
2
en [ME.1].

2 2
2 2
2 2
2
i i i i
i i
X Y X Y
X X

= =
W

.
[Para obtener la expresin a la derecha de la segunda igualdad, se ha tenido en cuenta
que
2 2 2 2
( )
i i i i i i i
X Y X Y Y X Y Y X = =

, con
2 i
X

= 0.] Sustituyendo
i
Y por
1 2 2 3 3 i i i
X X U (segn [MB.1]) en la expresin anterior:

2
2 1 2 2 3 2 3 2
2
i i i i i i i
i
X Y X X X X X U =

,
por lo que

2 3
2
2
2 2 3
E[ ]
i i
i
X X
X

=
W

,
que no coincide con
2
, excepto si
3
0 =
2 3
0
i i
X X =

; el sesgo
2 2
E[ ]
W
es
tanto mayor cuanto mayor sea
2 3 i i
X X

.


GUIN PGINA 61

Omisin de variables relevantes (3): varianzas de los estimadores MCO de
2
en [BE.1]
y en [ME.1]. (Ver [14] en A.4 y ltima lnea de A.1.)

2 2
2 2 2
2 2 2
2 2
(1 )
Var[ ] , Var[ ]
i i
R X X

= =
W W

.

2 2
Var[ ] Var[ ] <

W W
, excepto si
2
2
0 R =

2
Var[ ]
W
es tanto menor que

2
Var[ ]
W
cuanto mayor sea
2
2
R .
Omisin de variables relevantes (4): omisin del trmino constante en un modelo RLS.
El estimador MCO de
2
en
2 i i i
Y X V = cuando
1 2 i i i
Y X U = es

1 2
2 2
( )
2
i i i i i
i i
X X U X Y
X X

= =
W

2
2 2 1
E[ ]
i
i
X
X

=
W
,
que no coincide con
2
, excepto si 0 0
i
X X = = .
Inclusin de variables irrelevantes (2): varianzas de los estimadores MCO de
2
en
[BE.2] y en [ME.2].

GUIN PGINA 62

2 2
2 2 2
2 2 2
2 2
(1 )
Var[ ] , Var[ ]
i i
X R X

= =
W W

.

2 2
Var[ ] Var[ ] <

W W
, excepto si
2
2
0 R =

2
Var[ ]
W
es tanto mayor que

2
Var[ ]
W
cuanto mayor sea
2
2
R .
Ver J.M. Wooldridge (2006) pp. 96-101 y 107-108, M. Verbeek (2004) pp. 55-59.

3.4 VARIABLES EXPLICATIVAS BINARIAS
Una variable explicativa binaria se utiliza para clasicar todas las observaciones de una
muestra entre dos o ms categoras exhaustivas y excluyentes de una caracterstica
determinada, como en los ejemplos siguientes:
Dividir una serie temporal en dos perodos para contrastar la estabilidad de los
parmetros de un modelo entre dichos perodos (cambio estructural).
Clasicar una seccin cruzada en dos grupos (por ejemplo hombres y mujeres) para
contrastar la homogeneidad de los parmetros de un modelo entre dichos grupos.

GUIN PGINA 63

Caso 1: trminos constantes diferentes pendientes iguales. (Ver Figura 10.)
[MR.1]
1 2 i i i
Y X U = .
[MNR.1]
1 1 2 i A Ai B Bi i i
Y D D X V = , donde:

1, si categora
,
0, en caso contrario
Ai
i A
D
'
1
1
!
1
1
+

1, si categora
.
0, en caso contrario
Bi
i B
D
'
1
1
!
1
1+

1 2
E[ 1, ]
i Ai i A i
Y D X X [ = = ,
1 2
E[ 1, ]
i Bi i B i
Y D X X [ = = .
1 ( 1, ..., )
Ai Bi
D D i N = = 1 ( 1, ..., )
Bi Ai
D D i N = = (tambin valdra
1
Ai Bi
D D = ), por lo que [MNR.1] puede escribirse como:

1 1 1 2
1 2
( )
,
i B A B Ai i i
B AB Ai i i
Y D X V
D X V

=
=
[MNR.1]
con
1 1
E[ 1, ] E[ 1, ]
AB A B i Ai i i Bi i
Y D X X Y D X X

= [ = = [ = = .


GUIN PGINA 64

El contraste de
0 1 1
: ( 0)
A B AB
H = = ,
1 1 1
: ( 0)
A B AB
H = = es
un simple contraste de signicacin individual de
AB
en el modelo anterior (que
tambin puede llevarse a cabo comparando la SRC de [MNR.1] con la de [MR.1];
ver 2.4).
Tambin vale una alternativa unilateral, como
1 1 1
: ( 0)
A B AB
H o
bien como
1 1 1
: ( 0)
A B AB
H < < .
La categora cuya variable binaria no se incluye en el modelo es la categora base o
de referencia.
En ningn caso se podran incluir en el modelo no restringido las dos variables
binarias y un trmino constante adicional (dummy variable trap).


GUIN PGINA 65

1B
0
Y

:

V
A
R
I
A
B
L
E

D
E
P
E
N
D
I
E
N
T
E
=
2
Pendiente
1A
| = +
1 2
A: E[ ]
i i A i
Y X X
| = +
1 2
B: E[ ]
i i B i
Y X X
AB
FIGURA 10
Trminos Constantes Diferentes Pendientes Iguales


GUIN PGINA 66

1
Y

:

V
A
R
I
A
B
L
E

D
E
P
E
N
D
I
E
N
T
E
=
2
Pendiente
B
| = +
1 2
A: E[ ]
i i A i
Y X X
| = +
1 2
B: E[ ]
i i B i
Y X X
=
2
Pendiente
A
0
FIGURA 11
Trminos Constantes Iguales Pendientes Diferentes


GUIN PGINA 67

1B
Y

:

V
A
R
I
A
B
L
E

D
E
P
E
N
D
I
E
N
T
E
=
2
Pendiente
A
| = +
1 2
A: E[ ]
i i A A i
Y X X
| = +
1 2
B: E[ ]
i i B B i
Y X X
=
2
Pendiente
B
0
1A
FIGURA 12
Trminos Constantes y Pendientes Diferentes


GUIN PGINA 68

Caso 2: pendientes diferentes trminos constantes iguales. (Ver Figura 11.)
[MR.1]
1 2 i i i
Y X U = .
[MNR.2]
1 2 2
( ) ( )
i A Ai i B Bi i i
Y D X D X V = .

1 2
E[ 1, ]
i Ai i A i
Y D X X [ = = ,
1 2
E[ 1, ]
i Bi i B i
Y D X X [ = = .
1 ( 1, ..., )
Ai Bi
D D i N = = 1 ( 1, ..., )
Bi Ai
1
Ai Bi

1 2 2 2
1 2
( )( )
( ) ,
i B i A B Ai i i
B i AB Ai i i
Y X D X V
X D X V

=
=
[MNR.2]
con
2 2
i i
i i
Y Y
AB A B
X X
A B

l l

l l
l l
.
El contraste de
0 2 2
: ( 0)
A B AB
H = = ,
1 2 2
: ( 0)
A B AB
H = = es
un simple contraste de signicacin individual de
AB
en el modelo anterior (que
tambin puede llevarse a cabo comparando la SRC de [MNR.2] con la de [MR.1];
ver 2.4); tambin valen alternativas unilaterales.

GUIN PGINA 69

De nuevo, la categora cuya variable binaria no se incluye en el modelo es la
categora base o de referencia.
En ningn caso se podran incluir en el modelo no restringido las tres variables
( )
Ai i
D X , ( )
Bi i
D X y
i
X .
Caso 3: trminos constantes y pendientes diferentes. (Ver Figura 12.)
[MR.1]
1 2 i i i
Y X U = .
[MNR.3]
1 1 2 2
( ) ( )
i A Ai B Bi A Ai i B Bi i i
Y D D D X D X V = .

1 2
E[ 1, ]
i Ai i A A i
Y D X X [ = = ,
1 2
E[ 1, ]
i Bi i B B i
Y D X X [ = = .
1 ( 1, ..., )
Ai Bi
D D i N = = 1 ( 1, ..., )
Bi Ai
1
Ai Bi

1 1 1 2 2 2
1 2
( ) ( )( )
( ) ,
i B A B Ai B i A B Ai i i
B AB Ai B i AB Ai i i
Y D X D X V
D X D X V

=
=
[MNR.3]
con
1 1 AB A B
y
2 2 AB A B
. Este es el modelo no restringido ms

GUIN PGINA 70

general (el menos restringido de todos), que puede utilizarse junto con alguno de los
modelos anteriores para contrastar diferentes hiptesis sobre la estabilidad o la
homogeneidad de los parmetros entre las dos categoras consideradas.

0
: ( , ) (0, 0)
AB AB
H

= ,
0
: ( , ) (0, 0)
AB AB
H

= : contraste de signicacin
conjunta de
AB
y
AB
en [MNR.3], que puede llevarse a cabo comparando la SRC
de [MNR.3] con la de [MR.1] (idntico al test de Chow del nal de 2.4).
Generalizaciones: Ms de una caracterstica Ms de dos categoras por caracterstica.
Prctica: Exmenes de cursos pasados (hacer Ejercicio n 5) EV.14 .
Ver J.M. Wooldridge (2006) Apartados 7.1-7.4 (pp. 244-267).

ECONOMETRA I APUNTES ADICIONALES PARA EL TEMA 1

GUIN PGINA 71

APUNTES ADICIONALES PARA EL TEMA 1

A.1 ESTIMACIN POR MCO EN MODELOS LINEALES SENCILLOS
M1
i i
Y U = K = 1, [1, 1, ..., 1]
= X N
= X X ,
1 1
( )
N
= X X ,
i
Y
= X Y
1
( )
i
Y
N
Y

= = =
W
X X X Y (media muestral de Y),
2
2 1
Var[ ] ( )
N
= =
W
X X
(varianza de la media muestral de Y).
M2
1 2 i i i
Y X U = (modelo RLS) K = 2. En este caso:

2 2
2
1 1
2
( )
, ( ) ,
i
i
i
i
i
i
N x x
i i
i i
i
N x
y
x x
x y
x x x N

l l
l

l l
l

= = =
l l
l

l l l
l
l l
X X X X X y .
El determinante de
X X [el denominador en
1
( )
X X ] puede escribirse como:

2 2 2 2 2 2 2 2 2
( ) ( ) ( ) )
i i i i
N x x N x Nx N x Nx N x x N s
i
= = = ( =
x
,

GUIN PGINA 72

donde
1 2 2
)
i
N
s x x (
x
es la varianza muestral (calculada) de
1
, ...,
N
x x . Por otro lado,
como
1
1 2

[ , ] ( )

= = X X X y , el numerador de
2
(pendiente) queda

2 2
)( )
i i i i i i
N x y x y N x y N xy N x x y y N s
i i
= = ( =
xy
,
donde
1
( )( )
i i
N
s x x y y
xy
es la covarianza muestral (calculada) entre
1
, ...,
N
x x e
1
, ...,
N
y y . Por lo tanto,
2
2
/
s
s
s s r = =
y
x
xy x xy
, donde
s
s s
r
xy
x y
xy
es el coeciente de
correlacin lineal simple muestral (calculado) entre
1
, ...,
N
x x e
1
, ...,
N
y y . Por su parte, el
numerador de
1
(trmino constante) queda

2 2
i i i i i
x y x x y Ny x Nx x y
i i i
= ,
donde
2 2 2
i
x Ns Nx =
x
y
i y
x y Ns Nxy =
xy
; sustituyendo esto en la expresin
anterior y recordando que el determinante de
X X es
2 2
N s
x
,
1
queda

2 2 2 2
2 2
2 2 2
2 2
( ( )
1
2
.
N y s x N x s x y
N s
ys y x xs x y s
s s
y x y x
)

=
= = =
x xy
x
x xy xy
x x


GUIN PGINA 73

En consecuencia, los estimadores correspondientes a las estimaciones obtenidas de
1
y
2

son los siguientes:
1 2

Y X =
W W
,
2
2
S S
S
S
R = =
XY Y
X
X
W XY
. Por ltimo, a partir de
1
( )
X X se obtienen las varianzas de

1
W
y de
2
W
, y la covarianza entre
1
W
y
2
W
:

2
2 2
2 2 2
2 2 2 2 2
2 2
2 2 2 2
2 2
1
2
2 1 2
Var[ ] ,

Var[ ] , Cov[ , ] .
i
i
x
Ns N x
x
N
N s N s Ns
x
x
Ns N s Ns

= = =
= = =
x
x x x
x x x
W
W W W

A.2 COEFICIENTES DE DETERMINACIN EN MODELOS CON TRMINO CONSTANTE
[1]
2 2 2 2 2 2
1 1 1
SEC ( ) 2
N N N
i i i
i i i
y y y Ny Nyy y Ny Ns
= = =
= = =
y
(solamente
en modelos con trmino constante; ver [6] en 1.4).
[2]
2 2 2 2
1 1
STC ( )
N N
i i
i i
y y y Ny Ns
= =
= =
y
(siempre).
[3]
2
1 1
( )
N N
i i i
i i
y y y
= =

= = = = y y y y u y y (siempre; ver [2] en 1.4]).

GUIN PGINA 74

[4] [1]-[3]
2 2

1 1
SEC ( )( )
N N
i i i i
i i
y y Ny y y y y Ns s s
= =
= = = =
yy yy
y
.
[5]
2
2
2 2
2 2 SEC SEC
STC SEC STC

s
s s
R r

= = = =
yy
y
y
yy
(coeciente de correlacin lineal simple al
cuadrado entre y (valores ajustados) e y (valores observados).
M1
i i
y u =
i
y y = = para todo i = 1, ..., N (ver M1 en A.1)
1
1
( )( ) 0
N
i i
i
N
s y y y y
=
= =
yy

2
R = 0 (no se explica en absoluto la variacin
observada en y alrededor de y , sino tan slo los valores contenidos en y).
M2
1 2 i i i
Y X U =
1 2 2

( )
i i i
y x y x x = = (ver M2 en A.1). Entonces:

2
2
1 1
2 2 2
1 1

[ ( )][ ] ( )( )
s
N N
i i i i
i i
N N
s
s y x x y y x x y y s
= =
= = = =
xy
x
yy xy
,

2
2
1 1 2 2 2 2 2 2
2
1 2 1 2

[ ( ) ] ( )
s
N N
i i
i i
N N
s
s y x x y x x s
= =
= = = =
xy
x
x
y
.
Por lo tanto, en el modelo RLS ocurre que
2
2
2 2 2 2
2 2
s
s
s s s s
R r

= = =
yy xy
y x y
y
xy
(coeciente de
correlacin lineal simple al cuadrado entre x e y).

GUIN PGINA 75

El resultado que se enuncia a continuacin sobre la inversin de matrices particionadas es
fundamental para el desarrollo de los dos apartados siguientes. Si

11 12
21 22
l
l
=
l
l
l
A A
A
A A
,
entonces

1
11 11 12
22
1
1 1 1 1
21 11 21 11 12
22 22 22 22
l
=
l
l
l
B B A A
A
A A B A A A B A A
,
donde
1 1
11 11 12 21
22
( )

B A A A A , o bien

1 1 1 1
12 22 21 12 22
11 11 11 11
1
1
22 21 22
11

l

l
=
l
l
l
A A A B A A A A B
A
B A A B
,
donde
1 1
22 22 21 12
11
( )

B A A A A .

GUIN PGINA 76

A.3 ESTIMACIN POR MCO CON DATOS EN DESVIACIONES CON RESPECTO A LA MEDIA
En el MLG con trmino constante, la matriz X puede particionarse como [ , ] = X i X
``
, donde
i es un vector columna de N unos y
2
[ , ..., ]
K
X x x
``
es la matriz ( 1) N K de
observaciones sobre
2
, ...,
i iK
X X ; de acuerdo con esta particin,
, ,
Ny
N N
N
l
l l
l
l
l l
l

= = = =
l
l l
l
l
l l l
l
l l
l
i i i X i y
x
X X X y
X y
X i X X X y
x X X
``
``
`` `` `` ``
`` ``

donde
2
[ , ..., ]
K
x x

x es el vector ( 1) 1 K que contiene las medias muestrales o
aritmticas de
2
, ...,
K
x x . Usando la segunda de las dos expresiones anteriores para invertir
matrices particionadas, puede comprobarse que

1 1
1
1
1 1
( ) ( )
( )
( ) ( )
N
N N
N N

l

l
=
l
l

l
l
x X X xx x x X X xx
X X
X X xx x X X xx
`` `` `` ``
`` `` `` ``
,
o bien

GUIN PGINA 77

1 1 1
1
1 1
( ) ( )
( )
( ) ( )
N

l

l
=
l
l
l
x X DX x x X DX
X X
X DX x X DX
`` `` `` ``
`` `` `` ``
,
donde
1
( )

D I i i i i es una matriz simtrica e idempotente; por lo tanto, deniendo
2
[ , ..., ] [ ( 1)]
K
N K = X DX Dx Dx
`` ``
,
1
( )
X X tambin puede escribirse como

1 1 1
1
1 1
( ) ( )
( )
( ) ( )
N

l

l
=
l
l
l
x X X x x X X
X X
X X x X X

`` `` `` ``

`` `` `` ``
. [1]
En consecuencia, la estimacin MCO de
1 2
[ , ]

= , donde
1
es el trmino constante y
2 2
[ , ..., ]
K

es el vector ( 1) 1 K de pendientes, puede escribirse como

1
1
1
1
2
( ) ( )
( )
( ) ( )
y N y
N y
l l

l l

= = =
l l
l l

l l
x X X X y x
X X X y
X X X y x

`` `` ``

`` `` ``
,
de donde resulta que

GUIN PGINA 78

1 2

y

= x , [2]

1
2
( )

= X X X y

`` `` ``
, [3]
donde ( 1) N y Dy . Teniendo en cuenta que
2
[ , ..., ]
K
= X DX Dx Dx
`` ``
,

1
1
( 2, ..., )
j
j j
j j j j
N
x
Nj j
x x
j K
x x
l
l
l
= = =
l
l
l
l
x Dx x i i x .
, y

1
1
,
N
y
N
y y
y y
l
l
l
= =
l
l
l
l
y Dy y i i y .

la estimacin por MCO del MLG con trmino constante puede llevarse a cabo utilizando
datos en desviaciones con respecto a sus medias correspondientes, estimando primero el
vector de pendientes segn [3] y luego el trmino constante segn [2].

GUIN PGINA 79

Si
ij ij j
x x x e
i i
y y y , el contenido explcito de la matriz
X X

`` ``
y del vector
X y

``

que guran en [3] es el siguiente:

`` `` . . . . . .
. . .

2
2 3 2
12 22 2 12 13 1 2
2
13 23 3 22 23 2
3 2 3
3
1 2 2 3
2
i i i iK
N K i
N K
i i i iK
i
K K NK N N NK
iK i
x x x x x
x x x x x x
x x x x x x
x x x x x
x x x x x x
x x x

l l
l l
l l

l l
= =
l l
l l
l l
l l

l l
l l
X X

2
3
( 1) ( 1) ( 1) ( 1)
,
iK i
iK
K N N K K K
x x

l
l
l
l
l
l
l
l
l

`` . . . . .

12 22 2 1 2
3 13 23 3 2
1 2
( 1) 1 ( 1) 1
,
N i i
i i N
iK i K K NK N
K N N K
x x x y x y
x y x x x y
x y x x x y

l l l
l l l
l l l
l l l
= =
l l l
l l l
l l l
l l l
l l l
l l l
X y

de manera que el elemento ( , ) k j -simo de
X X

`` ``
es el numerador de la covarianza muestral

GUIN PGINA 80

entre
k
x y
j
x ( , 2, 3, ..., ) k j K = , y elemento -simo k de
X y

``
es el numerador de la
covarianza muestral entre
k
x e y ( 2, 3, ..., ) k K = ; adems,
2
en [3] tambin puede escribirse

como
( ) ( )
1
1 1
2
N N

= X X X y

`` `` ``
, donde
1
N

X X

`` ``
es la matriz de covarianzas muestrales
entre las variables explicativas , y
1
N

X y

``
es el vector de covarianzas muestrales entre las
variables explicativas y la variable dependiente.
Utilizando [1] y el hecho de que
2 1
Var[ ] ( )

=
W
X X , resulta que

1 1 1
1 1 2
2
1 1
2 1 2

Var[ ] Cov[ , ]
( ) ( )
Var[ ] .

Cov[ , ] Var[ ] ( ) ( )
N

l l

l l
= =
l l
l l

l l
W W W
W
W W W
x X X x x X X
X X x X X

`` `` `` ``

`` `` `` ``

Los datos en desviaciones con respecto a la media tambin pueden utilizarse para calcular
las sumas de cuadrados asociadas con la estimacin por MCO:

2 2
1 1
STC ( )
N N
i i
i i
y y y
= =

= = y y , [4]

1
2 2

SRC [ ( ) ] SEC

= = = = u u y y X y y y X y y I X X X X y X y

`` `` `` `` `` ``
, [5]

GUIN PGINA 81

ya que

y y X y =
1 2

Ny

y y X y
``
=
2 2

( ) y Ny

y y x X y
``
=
2
Ny
y y
2
( ) N y

X y x
``
=
2

y y X y

``
. Por ltimo, dado que los residuos MCO suman cero (ver
[5] en 1.4), = Du u, por lo que dichos residuos pueden calcularse (ver 1.5) como:

1
1
2
[ ( ) ]
( ) ,

= = =

= = =
u DMy D DX X X X y Dy DX
y X y X X X X y My

`` `` `` `` ``
[6]
donde
1
( )

M I X X X X

`` `` `` ``
es una matriz simtrica e idempotente.

A.4 REGRESIN PARTICIONADA Y CORRELACIN PARCIAL
En el MLG = Y X U con trmino constante, consideramos una particin de
[ , ] [ , , ]
a b
= = X i X i X X
``
, donde
a
X es de orden
a
N K y
b
X es de orden
b
N K , con
1
a b
K K K = ; en particular, pude ocurrir que 1
a
K = (en referencia a una variable
explicativa dada) y 2
b
K K = (en referencia a las restantes variables explicativas).
Haciendo la particin correspondiente de
1
[ , ]
a b

= , , el MLG = Y X U puede

GUIN PGINA 82

escribirse como
1 a a b b
= Y i X X , donde
a
es el vector ( 1)
a
K que contiene los
parmetros asociados con las
a
K variables explicativas recogidas en
a
X , y
b
es el vector
( 1)
b
K que contiene los parmetros asociados con las
b
K variables explicativas recogidas
en
b
X . La estimacin por MCO de las pendientes
a
y
b
puede llevarse a cabo de acuerdo
con [3] en el apartado anterior (A.3); dada una observacin y sobre Y, teniendo en cuenta
que
, ,
a a a b a
b a b b b
l l
l l

= =
l l

l l
l l
X X X X X y
X X X y
X X X X X y

`` `` ``

y (usando la primera de las dos expresiones anteriores para invertir matrices particionadas)
que

1 1 1
1
1 1 1 1 1 1
( ) ( ) ( )
( ) ,
( ) ( ) ( ) ( ) ( ) ( )
a b a a b a a b bb b
b b b a a b a b b b b b a a b a a b b b

=
l

l
l
X M X X M X X X X X
X X
X X X X X M X X X X X X X X M X X X X X

`` ``

donde
1
( )
b b b b b

M I X X X X

es simtrica e idempotente, las estimaciones MCO de
a
y
b
son (despus de algunas lneas de lgebra) las siguientes:

GUIN PGINA 83

1
( )
a a b a a b

= X M X X M y

, [7]

1

( ) ( ).
b bb b b a a

= X X X y X

[8]
Como
b
M
es simtrica e idempotente, la estimacin MCO
a
de
a
en [7] tambin puede
escribirse como
1
[( ) ( )] ( ) ( )
a b a b a b a b

= M X M X M X M y

, que coincide con la estimacin
MCO habitual del vector completo de parmetros en la regresin del vector
b
M y
( 1) N
sobre la matriz
b a
M X

( )
a
N K ; en dicha regresin (ver [6] al nal de A.3),
b
M y
es, a su
vez, el vector de residuos MCO de la regresin con trmino constante de y sobre
b
X ,
mientras que cada columna de
b a
M X

contiene, a su vez, los residuos MCO de la regresin
con trmino constante de cada columna de
a
X sobre
b
X . Por lo tanto,
b
M y
y
b a
M X

pueden interpretarse como lo que queda de y y de
a
X , respectivamente, despus de eliminar
tanto de y como de
a
X la inuencia lineal de
b
X . En consecuencia, si se desea estimar el
MLG con trmino constante de y sobre
a
X , eliminando previamente tanto de y como de
a
X la posible inuencia lineal de
b
X , tan slo es necesario estimar la regresin de y sobre
[ , , ]
a b
= X i X X y jarse en la estimacin
a
del vector de parmetros asociado con las
variables explicativas contenidas en
a
X .

GUIN PGINA 84

Por ltimo, si las covarianzas (o las correlaciones lineales simples) muestrales entre las
variables explicativas contenidas en
a
X y las contenidas en
b
X son todas iguales a cero, de
manera que
a b
= X X 0

(
a b a

= X M X

y
b a
= X X 0

), entonces [7] y [8] quedan

1
( )
a a a a

= X X X y

,

1
( )
b bb b b

= X X X y

,
que coinciden con las estimaciones MCO de las pendientes en las regresiones con trmino
constante de y sobre
a
X y de y sobre
b
X , respectivamente.

Aplicaciones
AP1 Cuando 1
a
K = (en referencia a una variable explicativa cualquiera dada, por ejemplo
la nmero j con 2 j K ), la estimacin MCO de
j
puede escribirse segn [7] como

1
( )
j j
j j j
j j j j j j

= =
x M y
x M x
x M x x M y

, [9]

GUIN PGINA 85

donde
1
( )
j j j j j

M I X X X X

con
2 1, 1
[ , ..., , ]
j j j K
X x x x x
; por otro lado, de

acuerdo con la expresin para
1
( )
X X

`` ``
obtenida al principio de A.4, la varianza del
estimador MCO de
j
es

2
Var[ ]
j j j
j

=
W
x M x

. [10]
En [9] y [10], el denominador
j j j
x M x
es igual (ver [5] en A.3) a la SRC de la regresin

con trmino constante de
j
x sobre
2 1, 1
[ , ..., , ]
j j j K
X x x x x (las restantes variables
explicativas del modelo), que puede escribirse (ver 1.4) como

1 2
( )( ) ( ) (1 )
j j j j j j j j j j j j j
j
R

= = x M x x x x X X X X x x x

, [11]
donde
2
j
R es el coeciente de determinacin de la regresin con trmino constante de
j
x
sobre las restantes variables explicativas.
Por otro lado, el numerador
j j
x M y
de
j
en [9] puede escribirse como

1
( )( ) ( )
j j j j j j j j

= x M y x y x X X X X y

, [12]

GUIN PGINA 86

que depende de:
la correlacin lineal simple (covarianza) muestral entre
j
x e y (a travs de
j
x y ),
las correlaciones lineales simples (covarianzas) muestrales entre
j
x y cada una de las
restantes variables explicativas (a travs de
j j
x X
),
las correlaciones lineales simples (covarianzas) muestrales entre cada par de las
j j
X X

), y
las correlaciones lineales simples (covarianzas) muestrales entre y y cada una de las
j j
X y
).
En resumen, [9] y [10] quedan

1
1
( )( ) ( )
( )( ) ( )
j j j j j j
j j j j j j j j
j
=
x y x X X X X y
x x x X X X X x

, [13]

2 2
2 2 2
1
(1 ) (1 ) ( )
Var[ ]
N
j j ij j
j j i
j
R R x x

= =
W
x x
. [14]

GUIN PGINA 87

En particular, [13] implica que en cualquier MLG con trmino constante y 3 K : (1) la
estimacin
j
puede ser distinta de cero aunque 0
j
= x y , es decir, aunque la correlacin

lineal simple (covarianza) muestral entre
j
x e y sea igual a cero, y (2) si las correlaciones
lineales simples (covarianzas) muestrales entre
j
x y cada una de las restantes variables
explicativas son iguales a cero (de manera que
j j
= x X 0
), entonces
/
j j j j

= x y x x , que
coincide con la estimacin de la pendiente de la regresin lineal simple de y sobre
j
x .
AP2 El coeciente de correlacin lineal parcial (CCP) muestral entre y y
j
x se dene como
el coeciente de correlacin lineal simple (CCS) muestral entre: (1) los residuos MCO de la
regresin con trmino constante de y sobre
j
X y(2) los residuos MCO de la regresin con
trmino constante de
j
x sobre
j
X . Por lo tanto, el CCP entre y y
j
x mide su grado de
asociacin lineal una vez se ha extrado tanto de y como de
j
x la posible inuencia lineal
del resto de variables explicativas del modelo. Los residuos mencionados en (1) y (2) se
pueden calcular, respectivamente, como (ver [6] al nal de A.4)
j
M y
y
j j
M x
(cuya
media muestral en ambos casos es 0), de manera que el CCP entre y y
j
x es


GUIN PGINA 88

( ) ( )
( ) ( ) ( ) ( )
( )
j j j j j
j
j j j j j j j j j j
j
r

=
M x M y x M y
yx
M x M x M y M y x M x y M y
X

. [15]
mientras que el CCS entre y y
j
x es

j
j
j j
r

x y
yx
x x y y

, [16]
por lo que, en general ( )
j j
j
r r

yx yx
X . Por ltimo,
j
en [9] puede escribirse como:

( ) ( )
( ) ( )
j j j
j j j j
j
=
M x M y
M x M x

. [17]
que coincide con la estimacin de la pendiente de la regresin lineal simple de los residuos
j
M y
sobre los residuos

j j
M x
.
De [15] y [17] se deduce que en cualquier MLG con trmino constante y 3 K : (3) si el
CCP entre y y
j
x es igual a cero, entonces la estimacin
j
tambin es igual a cero, y (4)
j
coincide con la estimacin de la pendiente de la regresin lineal simple de los residuos
j
M y
sobre los residuos

j j
M x
, por lo que
j
mide el grado de asociacin lineal entre y y

GUIN PGINA 89

j
x una vez se ha extrado tanto de y como de
j
x la posible inuencia lineal del resto de
variables explicativas del modelo.

Problemas
1 Utilizando la frmula [13] anterior, comprobar en
1 2 2 3 3 i i i i
Y X X U = que:

2 3 3 2 3 3 2 2 3 3
2 2
2
2 2 3 3 2 3
2 3
( )( ) ( )( )
2
( )( ) ( ) 1
r r r s
s
r

= =
yx x x yx y
x
x x
x y x x x x x y
x x x x x x

,

3 2 2 2 3 2 3 3 2 2
2 2
3
2 2 3 3 2 3
3 2
( )( ) ( )( )
3
( )( ) ( ) 1
r r r s
s
r

= =
yx x x yx y
x
x x
x y x x x x x y
x x x x x x

.
2 Utilizando las frmulas [15], [12] y [11] anteriores, comprobar en el mismo modelo que:

1
2 2 3 3 3 3 2 2 3 3
2
2 2 2 2
2 2
2 3 3 2 3 3
( ) ( )( ) ( )
3
(1 )( ) (1 )( ) (1 ) (1 )
( )
r r r
r r r r
r

= =
yx x x yx
x x yx x x yx
x y x x x x x y
yx
x x y y
x

,

1
3 3 2 2 2 2 3 3 2 2
3
2 2 2 2
3 3
3 2 2 3 2 2
( ) ( )( ) ( )
2
(1 )( ) (1 )( ) (1 ) (1 )
( )
r r r
r r r r
r

= =
yx x x yx
x x yx x x yx
x y x x x x x y
yx
x x y y
x

.

Apuntes Econometria I

Uploaded by

Document Information

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Apuntes Econometria I

Uploaded by

Copyright:

Available Formats

UNIVERSIDAD COMPLUTENSE

X es la -sima j columna ( 1) N de X; los subndices j y k se

X X denida positiva (no singular) por H2.

, y y u en un modelo RLS EV.1 .

y y . Puede ser negativa; pero en modelos con trmino constante:

= u u . ([3] [11] STC = SEC + SRC.)

Var[ ] = = U M I (residuos autocorrelacionados y heteroscedsticos).

= V Z QV q Q q Q Q , con V (v.a.s) N1, Q

= V 0 I V RV , con V (v.a.s) N1, R (constantes)

para cualquier valor numrico posible de .

Normal y MVUE (por 1.8), CAN y AE (por ser un EMV).

= V V V ) ) , con V (v.a.s) N1.

= a (contraste de dos colas o bilateral; ver

(valor crtico) en la tabla de la

a (contraste de una sola

a es "sucientemente" mayor que c.

< a (contraste de una sola

(valor crtico) en la tabla de la

Prob. de obtener un valor mayor que F

Prob. de obtener un valor mayor que t

Prob. de obtener un valor menor que t

= ( 1, ..., ) i N = , 1 , 1 , 0 a (constantes) cambio de escala en

X X Las ecuaciones normales

Var[ ] Var[ ] <

es tanto menor que

Var[ ] Var[ ] <

es tanto mayor que

X X ] puede escribirse como:

(trmino constante) queda

X X se obtienen las varianzas de

STC SEC STC

X X tambin puede escribirse como

en [3] tambin puede escribirse

es simtrica e idempotente, la estimacin MCO

; por otro lado, de

es igual (ver [5] en A.3) a la SRC de la regresin

= x y , es decir, aunque la correlacin

sobre los residuos

sobre los residuos

You might also like