Académique Documents
Professionnel Documents
Culture Documents
Tarea - Examen
Laboratorista: Curtis Huffman Espinosa
Alumno: Alfredo Snchez Vega
2) Mostrar que SCR (RSS) puede ser expresado como en la lnea de cdigo
que lo calcula.
Para corroborar la lnea de cdigo, se estimar el modelo de regresin y se
contrastar la sumatoria resultante con el resultado de la lnea de cdigo dada:
clear
set obs 10
set seed 14170
gen x1 = invnorm(uniform())
gen x2 = invnorm(uniform())
gen cons = 1
gen y = cons + x1 + x2 + 0.1 * invnorm(uniform())
mkmat x1 x2 cons, matrix(X)
mkmat y, matrix(y)
matrix list X
. matrix list X
X[10,3]
r1
r2
r3
r4
r5
r6
r7
r8
r9
r10
x1
-1.5950224
-.64034599
-.40134594
-.60476726
-.26287591
-.36271504
1.7407799
-.03460691
1.4960148
.48152903
x2
.20092869
-.60358793
2.3590989
.11293815
-.71784866
-1.9359163
1.1414782
2.2267995
1.4628167
-1.2280046
cons
1
1
1
1
1
1
1
1
1
1
. matrix list y
. matrix list y
y[10,1]
r1
r2
r3
r4
r5
r6
r7
r8
r9
r10
y
-.51445419
-.36395639
2.8763378
.4611274
-.05183486
-1.1868565
3.9082623
3.0423636
4.0944958
.25329247
reg y x1 x2
. reg y x1 x2
Source
SS
df
MS
Model
Residual
35.9448572
.037107247
2
7
17.9724286
.005301035
Total
35.9819644
3.99799605
Coef.
x1
x2
_cons
1.071956
.9700549
.978702
Std. Err.
.0249121
.0172059
.0236335
t
43.03
56.38
41.41
Number of obs
F( 2,
7)
Prob > F
R-squared
Adj R-squared
Root MSE
=
10
= 3390.36
= 0.0000
= 0.9990
= 0.9987
= .07281
P>|t|
0.000
0.000
0.000
1.013048
.9293694
.9228177
1.130864
1.01074
1.034586
1%
5%
10%
25%
Percentiles
-1.186857
-1.186857
-.8506553
-.3639564
50%
.3572099
75%
90%
95%
99%
3.042364
4.001379
4.094496
4.094496
Smallest
-1.186857
-.5144542
-.3639564
-.0518349
Largest
2.876338
3.042364
3.908262
4.094496
matrix SCR=beta_ols'*X'*y-r(N)*r(mean)^2
matrix list SCR
Obs
Sum of Wgt.
10
10
Mean
Std. Dev.
1.251878
1.999499
Variance
Skewness
Kurtosis
3.997996
.3487128
1.456123
di e(mss)
. di e(mss)
35.944857
symmetric SCE[1,1]
y
y .03710725
di e(rss)
. di e(rss)
.03710725
El resultado coincide con la suma obtenida con la regresin, por lo tanto la frmula
es correcta.
4) Mostrar que SCT puede ser expresado como en la lnea del cdigo que le
calcula.
Al igual que el caso anterior, con los resultados de regresin ya estimados se
calcula la misma sumatoria con la frmula:
matrix SCT=y'*y-r(N)*r(mean)^2
matrix list SCT
Obs
Mean
10
1.251878
Std. Dev.
1.999499
Min
Max
-1.186857
4.094496
di (r(N)-1)*r(Var)
. di (r(N)-1)*r(Var)
35.981964
Lo que comprueba que la frmula es correcta.
Clase 2: Multicolinealidad
5) Demostrar que es posible expresar el error estndar de los estimadores de
MCO de la siguiente manera
Se estima de nuevo el modelo de regresin, enmarcndose los errores
correspondientes a los dos estimadores calculados:
reg y x1 x2
. reg y x1 x2
Source
SS
df
MS
Model
Residual
35.9448572
.037107247
2
7
17.9724286
.005301035
Total
35.9819644
3.99799605
Coef.
x1
x2
_cons
1.071956
.9700549
.978702
Std. Err.
.0249121
.0172059
.0236335
t
43.03
56.38
41.41
Number of obs
F( 2,
7)
Prob > F
R-squared
Adj R-squared
Root MSE
=
10
= 3390.36
= 0.0000
= 0.9990
= 0.9987
= .07281
P>|t|
0.000
0.000
0.000
1.013048
.9293694
.9228177
1.130864
1.01074
1.034586
SS
df
MS
Model
Residual
.638096004
8.54161239
1
8
.638096004
1.06770155
Total
9.17970839
1.0199676
x1
Coef.
x2
_cons
.1820936
-.0733042
Std. Err.
.2355465
.334404
t
0.77
-0.22
Number of obs
F( 1,
8)
Prob > F
R-squared
Adj R-squared
Root MSE
P>|t|
0.462
0.832
=
10
=
0.60
= 0.4617
= 0.0695
= -0.0468
= 1.0333
.7252649
.6978327
. summ x1
Variable
Obs
Mean
x1
10
-.0183356
Std. Dev.
1.009934
Min
Max
-1.595022
1.74078
. di x1_se
.0249121
El error estndar del primer parmetro estimado coincide con el obtenido del
anlisis de regresin, por lo tanto la frmula es correcta. anlogamente, para el
segundo parmetro estimado:
Ahora, lo mostramos para el error estndar del parmetro b2.
reg x2 x1
. reg x2 x1
Source
SS
df
MS
Model
Residual
1.33768439
17.9063675
1
8
1.33768439
2.23829593
Total
19.2440518
2.13822798
x2
Coef.
x1
_cons
.3817354
.3088696
Std. Err.
.4937923
.4731929
t
0.77
0.65
Number of obs
F( 1,
8)
Prob > F
R-squared
Adj R-squared
Root MSE
P>|t|
0.462
0.532
=
10
=
0.60
= 0.4617
= 0.0695
= -0.0468
= 1.4961
1.520422
1.400055
. summ x2
Variable
Obs
Mean
x2
10
.3018703
Std. Dev.
1.462268
Min
Max
-1.935916
2.359099
. di x2_se
.01720587
Si
y
estn correlacionados y
es excluida de la ecuacin, entonces
estar correlacionada con el trmino de error, lo que viola uno de los supuestos
principales del teorema de Gauss-Markov.
Por lo que ya no se cumplir que,
, se obtiene por,
Si sustituimos
, obtenemos,