Clase Nº1 y Nº2 - Analisis de Regresion Aplicado

ANALISIS DE REGRESION APLICADO FRP FRM MLG
ESTIMACION DE PARAMETROS Y TERMINO DE PERTURBACION

INFERENCIA ESTADISTICA CONSTRUCCION DE INTERVALOS
Mag. Renn Quispe LLanos
UNIVERSIDAD NACIONAL MAYOR
DE SAN MARCOS
Facultad de Ciencias Econmicas
Unidad de Postgrado

MAESTRIA EN ECONOMIA CON
MENCION EN GESTION Y POLITICA
PUBLICA
2
PREDICCION
Fuentes de prediccin
estratgica
Visin conjunta del proceso de
prediccin
Econmicos
Polticos
Tecnolgicos
Sociales

Construccin del Modelo Anlisis Estadstico
Conocimiento de la teora
Econmica
Especificacin del Modelo
Estimacin de los parmetros
Verificacin
Prediccin
Estadstica
descriptiva
Estadstica
Inferencial
3
ANALISIS DE REGRESION LINEAL
Conceptos
generales
Modelos predictivos
Naturaleza
de anlisis de
regresin
Construccin
del Modelo
Elementos
constitutivos
Conocimiento de la teora
Econmica
Especificacin del Modelo
Estimacin de los parmetros
Verificacin
Prediccin

Ecuaciones
Variables
Parmetros

Estimacin
de parmetros
Propiedad de los
estimadores
Consultoria Virgen del Carmen S.A.
4
TEORIA ECONOMICA
MODELO TERICO
Modelo Economtrico Tcnicas Estadsticas
Estadstica Matemticas
Datos refinados Estimacin del modelo Inferencia Estadstica
Anlisis Estructural Prediccin Evaluacin de polticas
Especificacin
Estimacin
Evaluacin
PROCESO DE CONSTRUCCIN DE UN MODELO
5
ANALISIS DE REGRESION

La teora de la regresin pretende hacer un anlisis sobre
la relacin que existe entre las variables explicativas
dentro de un conjunto de valores observados.

NATURALEZA DEL ANALISIS DE REGRESION
Est relacionado con el estudio de la dependencia de una
variable, la var. dependiente, est en funcin de una o
ms var. explicativas con la perspectiva de estimar y/o
predecir el valor (poblacional) medio o promedio de la
primera en trminos de valores conocidos o fijos (en
muestreos repetidos) de las segundas.
6
Ejemplo: Se efectu una encuesta de ingresos y gastos a
60 familias, que viven en un centro poblado.

Ingreso de las Familias (X)
Y 650 800 950 1100 1250 1400 1550 1700 1850 2000
Gasto de
consumo
Familiar
por mes
(S/.)
440 520 640 640 800 880 960 1080 1080 1240
480 560 680 680 920 920 1080 1120 1200 1280
520 560 720 760 840 960 1120 1080 1320 1320
560 640 680 720 960 1040 1200 1200 1400 1400
600 680 760 800 880 1080 1160 1240 1440 1440
640 920 1000 1120 1320 1480
960 1360 1560
880 1480
E(y/x) 520 600 696 795 900 1000 1104 1200 1288 1400
( )
n
y
y E

=
7
650 800 950 1100 1250 1400 1550 1700 1850 2000
Ingreso Mensual S/.
1500

1250

1000

750

500

250
X ) x / y ( E
2 1
| + | =
G
a
s
t
o

d
e

C
o
n
s
u
m
o

M
e
n
s
u
a
l

S
/
.

Diagrama de Dispersin
8
FUNCION DE REGRESION POBLACIONAL (FRP)

La regresin poblacional nos muestra cmo el valor
promedio de Y vara en relacin a las variables de X.

En el ejemplo anterior se trata de los valores promedios de
consumo en cada valor fijo del ingreso.

FRP E(y/x) = |
1
+ |
2
x
Y
i
=
1
+
2
x
i
+
i

Donde:
|
1
, |
2
son parmetros desconocidos pero fijos que se
denominan coeficiente de regresin (interseccin y
coeficiente de la pendiente)

E(y/x = 800) = 600. Valor promedio de y para x =800
9
FUNCION DE REGRESION POBLACIONAL (FRP)

La diferencia entre el valor promedio obtenido y cada
valor observado se debe al trmino de perturbacin (
i
).

La regresin poblacional para un valor particular de la
variable dependiente es:

La FRP incluye al termino de perturbacin

i i 2 1 i
X Y FRP + | + | =
10
FUNCION DE REGRESION MUESTRAL
Se obtiene a partir de una muestra de observaciones
Permite estimar los parmetros de una FRP, a partir de la
informacin proporcionada por la muestra.
Su forma estocstica tiene la siguiente forma:

Diferencias con la FRP
En la FRP los valores de los parmetros son de los datos
poblacionales
El trmino de perturbacin est referido a la diferencia de los
valores promedios poblacionales respecto a cada uno de los
valores mencionados.
i i 2 1 i
x

Y FRM + | + | =
) (
i
|
) (
i

11
FUNCION DE REGRESION MUESTRAL

Podemos afirmar lo siguiente:

es un estimador de |
1

es un estimador de |
2

es un estimador de
i

2
|
1
|
i

12
SIGNIFICADO DEL TERMINO DE PERTURBACION (
i
)

Sea modelo general:

Los valores de los parmetros (|) son referidos a la
poblacin. Si se tuviera los |, faltara contar el valor del
trmino de perturbacin (u
i
).

El u
i
se simboliza como una bolsa donde estn las otras
variables respectivas del modelo y que no estn
incluidas en el mismo. Representa efectos aleatorios de
la misma naturaleza de las u
i

i 3 3 2 2 1 i
...... X X Y + + | + | + | =
13
En el caso del consumo por ejemplo u
i
estara
representando al efecto de otras variables: riqueza,
tamao de la familia,etc.

El u
i
siempre est a partir de los residuales.

Sea el modelo:

|
1
=10; |
2
=2 u
i
~N(0, 25)
2 2 1
x Y | + | =
X
2
Valor Terico (Y
i
) Valor Emprico (Y
i)

2
5
4
6
14
20
18
22
-2
5
0
-3
12
25
18
19
i

14
Para efectos del clculo matricial:
MODELO LINEAL GENERAL
i ik k 3 i 3
2
i 2 1 i
X ...... X X Y + | + + | + | + | =
(
(
(
(
(
(
+
(
(
(
(
(
(
|
|
|
|
(
(
(
(
(
(
=
(
(
(
(
(
(
k
3
2
1
k
3
2
1
nk
k 3
k 2
k 1
2 n 1 n
33 31
23 22
13 12
n
3
2
1
.
.
.
.
x
x
.
.
x
x
x
. x x 1
. . . .
. . . .
. x x 1
. x x 1
. x x 1
Y
.
.
Y
Y
Y
Y
n1
= X
nk
|
k1
+
n1

15
1. Forma funcional de la relacin (supuesto de lineal)
2. Correcta especificacin del modelo (es decir, que X es la nica
variable explicativa)
3. Las variable Xs no son estocsticas.
4. Identificabilidad de los parmetros. (
1,

2,.
k
) se podrn
estimar de forma nica)
5. La esperanza de las perturbaciones condicionada a la
informacin dada es nula:
6. Las perturbaciones son esfricas:
7. Las perturbaciones recogidas se distribuyen de forma normal
Gaussiana
SUPUESTOS DEL MODELO
| | I ' E
2
o =
| |
1 nx i
0 E =
16
ESTIMACION DE LOS PARAMETROS

El principio bsico para estimar los parmetros es que
se debe de minimizar la suma de los cuadrados de cada
uno de los residuales.
| |
(
(
(
= =
n
2
1
n 2 1
2
i
... '
| = =
X Y Y
Y
17
Derivando respecto a | donde este es igual a cero.
(
(
(
(
(
(

(

(
(
(
(
(
(

(

(
(
(
(
(
(

(

=
(
(
(
(
(
(

(

(
(
(
(
(
(

(

=
(
(
(
(
(
(

(

k
n
Y Y Y

|
|

.
.
.

....x x x 1
.
.
.
....x x x 1
Y
.
.
.

Y

.
.
.

Y
.
.
.

.
.
.
1
nk n3 n2
1k 13 12
n
1
n
1
n
1 1
( ) ( )
| | |
| | | |
| |

2 Y

Y

' ' ' ' '
' ' ' ' '
'
'
X X Y X Y
X X Y X X Y Y
X Y X Y

+ =
+ =
=
( )
' X X'

* * X

0

X 2 2X -

1
' '
' '
'
Y
X
Y X X
X Y
d

d

=
=
= + =
|
|
|
|
18
ESTIMACION DE LA VARIANZA DEL TERMINO DE
PERTURBACION

Un estimador del trmino de perturbacin sera el residual.
La varianza residual podra utilizarse como estimador de la
varianza del trmino de perturbacin.
Sin embargo la esperanza del transpuesto es
insesgada.
Se expresa como la suma de las diferencias cuadrticas
entre el valor observado (Y) y el estimado().
2 n
2 n
) Y
Y (
S
2
i
2
i i 2 2
= o =


19
Familia
Gasto alimentacin
(nuevos soles)
Ingreso Total
(nuevos soles)
1 830 2100
2 510 1100
3 420 900
4 560 1600
5 1250 3200
6 840 2300
7 720 1800
8 490 700
9 690 1300
10 850 2400
11 550 1200
12 780 1700
Ejercicio Ilustrativo de Estimacin de Parmetros en un Modelo Lineal
Simple (MCO)
Se dispone de informacin de los ingresos totales y gastos en alimentacin
de 12 familias
20
Familia
1 830 2,100 1,743,000 4,410,000 830.22 -0.22
2 510 1,100 561,000 1,210,000 529.69 -19.69
3 420 900 378,000 810,000 469.58 -49.58
4 560 1,600 896,000 2,560,000 679.95 -119.95
5 1,250 3,200 4,000,000 10,240,000 1160.80 89.20
6 840 2,300 1,932,000 5,290,000 890.32 -50.32
7 720 1,800 1,296,000 3,240,000 740.06 -20.06
8 490 700 343,000 490,000 409.48 80.52
9 690 1,300 897,000 1,690,000 589.79 100.21
10 850 2,400 2,040,000 5,760,000 920.37 -70.37
11 550 1,200 660,000 1,440,000 559.74 -9.74
12 780 1,700 1,326,000 2,890,000 710.00 70.00
Totales 8,490 20,300 16,072,000 40,030,000 8,490 0
i
Y
i
X i i
Y X
2
X
i
Y
i i i
Y
=
21
Solucin
Como los parmetros a estimar son |
1
y |
2
se establece las ecuaciones
normales siguientes:

Y reemplazando, se tiene:

En (1)

En (2)

Si se despeja de la primera ecuacin el intercepto y se reemplaza dicho
valor en le segunda se obtienen los siguientes estimadores:

= 199.108 = 0.301

) 2 ( X X YX
) 1 ( X n Y
2
i 2 i 1
i 2 1

| + | =
| + | =
2 1

20300
12 8490 | + | =
2 1

40030000
20300 16072000 | + | =
1
|
2
|
22
La funcin de regresin muestral, es decir la regresin de
Y con respecto a X:

Sustituyendo las observaciones muestrales de X en la
ecuacin anterior se obtiene la columna 6 de la tabla.

Comparando estos valores con aquellos observados para la
variable dependiente hallamos los errores
correspondientes a cada observacin de la muestra. Se
verifica que la suma de errores estimados es 0. (Columna
i
)
i
Y
i
X 301 . 0 108 . 199 + =
23
MTODO MATRICIAL:

Familia
1 830 2,100 1,743,000 4,410,000 830.22 -0.22
2 510 1,100 561,000 1,210,000 529.69 -19.69
3 420 900 378,000 810,000 469.58 -49.58
4 560 1,600 896,000 2,560,000 679.95 -119.95
5 1,250 3,200 4,000,000 10,240,000 1160.80 89.20
6 840 2,300 1,932,000 5,290,000 890.32 -50.32
7 720 1,800 1,296,000 3,240,000 740.06 -20.06
8 490 700 343,000 490,000 409.48 80.52
9 690 1,300 897,000 1,690,000 589.79 100.21
10 850 2,400 2,040,000 5,760,000 920.37 -70.37
11 550 1,200 660,000 1,440,000 559.74 -9.74
12 780 1,700 1,326,000 2,890,000 710.00 70.00
Totales 8,490 20,300 16,072,000 40,030,000 8,490 0
i
Y
i
X i i
Y X
2
X
i
Y
i i i
Y
=
24
(
(
(
(
(
(
(
(
+
(
(
(
(
(
(
(
(
|
|
(
(
(
(
(
(
(
(
=
(
(
(
(
(
(
(
(
n
2
1
2
1
k 2
22
21
n
2
1
.
.
.
.
.
.
. X 1
. . . .
. . . .
.
. X 1
. X 1
Y
.
.
Y
Y
+ | = X Y
La ecuacin matricial se escribe de la siguiente forma:

O simplemente:
25
) Y X (
) X X (
' '
= |
( )
|
|
.
|
\
|
=
|
|
.
|
\
|
=
Y X
Y
Y X' y
X X
X n
X ' X
i i
i
2
i i
i
( )
|
.
|
\
|
=
(
=
16072000
8490
Y X' y
40030000 20300
20300 12
X ' X
( )
(
07 E 75773 . 1 000297349 . 0
000297349 . 0 586348323 . 0
X ' X
1
(
=
(

= |
0.3005273
199.10795
16072000
8490

07 E 75773 . 1 000297349 . 0
000297349 . 0 586348323 . 0
|
Para el caso de 2 variables:
Los
son los mismos obtenidos que el mtodo anterior.
26
Ejercicio Ilustrativo de Estimacin de Parmetros en un Modelo Lineal
General (MCO)

El director de una agencia de viajes quiere estudiar el sector turstico en Per.
Para ello dispone de informacin relativa al grado de ocupacin hotelera (Y),
nmero medio de turistas (X2), medido en miles de turistas, y estancia media
(X3), medida en das.
OBSERVACIN N DE OCUPACIN
HOTELERA
TURISTAS
(MILES)
DAS DE
ESTANCIA
1 5 2 3
2 8 3 4
3 8 5 6
4 9 4 5
5 9 6 7
6 13 2 6
7 6 3 4
8 9 4 5
9 4 5 4
10 3 6 3
27
i 3 3 2 2 1 i
X X Y + | + | + | =
(
(
(
=

2
3 i 3 i 2 i 2 i
3 i 2 i
2
2 i 2 i
3 i 2 i
'
X x X X
X X X X
X X n
) X X (
(
(
(
i 3 i
i 2 i
1
'
Y X
Y X
Y
Y X
Solucin

En este caso se tienen 2 variables independientes, por lo que ser conveniente
hacer uso de la forma matricial, por lo tanto:
Modelo Lineal General:
, donde n =10; k=3

28
los coeficientes del modelo sern:

(
(
= =
(
(
(
|
|
|
= |

9608 . 1
0821 . 1
5529 . 2
Y X ) X X (
' 1 '
3
2
1
Luego, el modelo estimado es:
3 2 3 3 2 2 1 i
X 9608 . 1 X 0821 . 1 5529 . 2 X
X

Y
+ = | + | + | =
OPERACIONES CON MATRICES
En este seccin se presentarn las nociones bsicas del lgebra
matricial.

Dado los siguientes datos hipotticos (Periodo 1991-1995)

AO Y X1 X2
1991 3 3 5
1992 1 1 4
1993 8 5 6
1994 3 2 4
1995 5 4 6
30

Se desea estimar el siguiente modelo de regresin lineal:

Y
t
=
1
+
2
X
1t
+
3
X
2t
+
t

Donde:

Yt es la variable dependiente o endgena.
X
1
, X
2
son variables independientes o exgenas.

1
,
2
y
3
son parmetros desconocidos. A
1
se le conoce con el
nombre de intercepto, a los
2
y
3
se les llaman coeficientes de
regresin.

t
es una variable aleatoria no correlacionada y no observable.
31
A partir de los datos se crean las siguientes matrices:

En este caso:
n = 5 (numero de observaciones)
k = 3 (numero de parmetros del modelo)
(
(
(
(
(
(
=
5
3
8
1
3
Y
(
(
(
(
(
(
=
6 4 1
4 2 1
6 5 1
4 1 1
5 3 1
X

32
Matriz.- es un arreglo de nmeros o elementos en filas y en
columnas. Cuando se habla del orden de una matriz se
refiere a la cantidad de elementos ordenados en filas y
columnas, por ejemplo las matrices X es una matriz de orden
(3x5), mientras que la matriz Y es de (5x1).

Para estimar el modelo se har uso de

Por lo que para encontrar esos valores ser necesario
realizar ciertos clculos matriciales previos tales como:
( ) Y ' X X ' X
1
.
= |
33
TRANSPUESTA DE UNA MATRIZ
La transpuesta de una matriz X de orden (5x3) la cual se denota por X, es
una matriz de orden (3x5), la cual es obtenida a partir de cambiar las filas
por las columnas, es decir que por ejemplo la primera fila de X se
convierte la primera columna de X.
Las transpuestas de X e Y sern:
(
(
(
=
6 4 6 4 5
4 2 5 1 3
1 1 1 1 1
' X
| | 5 3 8 1 3 ' Y =
34
MULTIPLICACIN DE MATRICES
Cada elemento de esta nueva matriz se obtiene sumando los valores
que resultan de multiplicar los elementos de una fila de la matriz
(por ejemplo de X) por su columna correspondiente de la otra
matriz (por ejemplo Y), lo que originar que se forme una matriz de
orden (3x1) la cual proviene de que la primera matiz tenga 3 filas y
la segunda 5 columnas.
(
(
(
=
(
(
(
+ + + +
+ + + +
+ + + +
=
(
(
(
(
(
(
(
(
(
=
109
76
20
5 6 3 4 8 6 1 4 3 5
5 4 3 2 8 5 1 1 3 3
5 1 3 1 8 1 1 1 3 1
5
3
8
1
3

6 4 6 4 5
4 2 5 1 3
1 1 1 1 1
Y ' X
35
En el Excel:
Aplicar la funcin: =mmult(matriz1,matriz2)
Sombrear el rea de la matriz resultante y con las teclas control +
(shif), posicionndose en la barra de funciones, teclear (enter)
36
De manera similar se calcula:

(
(
(
=
(
(
(
(
(
(
(
(
(
=
129 81 25
81 55 15
25 15 5
6 4 1
4 2 1
6 5 1
4 1 1
5 3 1

6 4 6 4 5
4 2 5 1 3
1 1 1 1 1
X ' X
| | | | 108 5 5 3 3 8 8 1 1 3 3
5
3
8
1
3
5 3 8 1 3 Y ' Y = + + + + =
(
(
(
(
(
(
=
37
INVERSA
La inversa de una matriz origina otra matriz la cual se podr
calcular solamente cuando tenga la misma cantidad de filas y
columnas, adems su determinante debe ser diferente de cero.

Para el calculo de los parmetros se debe calcular la inversa de:
La inversa de una matriz puede ser halla por medio de calculadoras matriciales, esto resulta
til para el ahorro de tiempo en los clculos.
(
(
=
129 81 25
81 55 15
25 15 5
X ' X
38
En el Excel:
Aplicar la funcin: =minv(matriz)
Sombrar el rea de la matriz resultante y con las teclas control +
(shif), posicionndose en la barra de funciones, teclear (enter)
39
Utilizando la frmula , se obtiene:
(
(
(
=
(
(
(
(
(
(
= |
5 . 1
5 . 2
4
109
76
20

5 . 2 5 . 1 8
5 . 1 1 5 . 4
8 5 . 4 7 . 26
( ) Y ' X X ' X
1
.
= |
CALCULO DE LOS PARAMETROS
40
Valor estimando de la varianza de los trminos de perturbacin

En el modelo de regresin lineal se obtiene a partir de:

2
o
) k n /( ) Y ' X ' Y ' Y (
2
| = o
.
.
| | 5 . 1 5 . 2 4 ' = |
.
41
| | 5 . 106
109
76
20
5 . 1 5 . 2 4 Y ' X ' =
(
(
(
= |
.
75 . 0
3 5
5 . 106 108
k n
) Y ' X ' Y ' Y (
2
=
|
= o
.
.
42
Estimacin de la matriz de varianzas y covarianzas de los B:
1
2
) X ' X ( )
var(

.
o = |
(
(
(

=
(
(
(
= |
875 . 1 125 . 1 6
125 . 1 75 . 0 375 . 3
6 375 . 3 025 . 20
5 . 2 5 . 1 8
5 . 1 1 5 . 4
8 5 . 4 7 . 26
75 . 0 )
var(
43
INFERENCIA ESTADISTICA
44
INTERVALO DE CONFIANZA PARA LOS
PARAMETROS

A fin de establecer los intervalos de confianza para los
coeficientes de regresin (|
I
) y teniendo la varianza
poblacional desconocida se construye un intervalo
asumiendo que esta variable tiene una distribucin
estadstica t a partir de las estimaciones de los
parmetros y sus varianzas por ejemplo: para |
n

o
o o
= s s 1 ) t t t ( ob Pr
2 / 2 /
o = s
o
| |
s
o
|
o
1 ) t
t ( ob Pr
2 /
1
1 1
2 /
45
Multiplicando por 1
Despejando:
Sumando:
o o | | o |
o | o |
= + s s 1 )
( Pr
2 / 1 1 1 2 / 1 1
t t ob
1
|
o = >
o
| |
>
o
|
o
1 ) t
t ( ob Pr
2 /
1
1 1
2 /
o = o > | + | > o
| o o |
1 )
( ob Pr
1 2 / 1 1 2 / 1
o = o o | > | > o + |
| o | o |
1 )
( ob Pr
1 2 / 1 1 1 2 / 1 1
| | o o | o | |
o | o |
cin significa de nivel un con t
, t
2 / 1 1 2 / 1 1 1
+ e
46
Ejemplo:
Ingreso : X
Consumo : Y
: Donde
| + = X Y

Nmero de
familia
Ingreso
X
Consumo
Y
1
2
3
4
5
6
7
8
9
10
80
100
120
140
160
180
200
220
240
260
70
65
90
95
110
115
120
140
155
150
47
(
(
(
(
(
(
(
(
(
+
(
(
(
(
(
(
(
(
(
(
=
(
(
(
(
(
(
(
(
(
10
3
2
1
2
1
.
.
.
260 1
. .
. .
. .
120 1
100 1
80 1
150
.
.
.
90
65
70
|
|
y x x x ' ) ' (
1
= |
=
|
|
.
|
\
|
=
|
|
.
|
\
|
=
(
(
(
(
(
(
(
(
(
|
|
|
|
|
|
|
|
|
.
|
\
|
|
|
.
|
\
|
=

322000 1700
1700 10
x
x
260 1
. .
. .
. .
120 1
100 1
80 1
60 .........2 120 100 80
....1 .......... 1 1 1
' ) ' (
1
2
1
1
1
1
i
x
n
y x x x
Y X

48
|
|
.
|
\
|
=
|
|
.
|
\
|
0.0000303 0.005152 -
0.005152 - 975757 . 0
10 1700 -
1700 - 322000
330000
1
|
|
.
|
\
|
=
|
|
|
|
|
|
|
|
.
|
\
|
|
|
.
|
\
|
=
205500
1110
150
.
.
.
65
70
80....260
1 .......... 1
' y x
|
|
.
|
\
|
=
|
|
.
|
\
|
=
|
|
.
|
\
|
|
|
.
|
\
|
=
2
1
50909 . 0
4545 . 24
205500
1110
0.0000303 0.005152 -
0.005152 - 0.975757
|
|
|
49
ESTIMACION DE LA VARIANZA DEL TERMINO DE
PERTURBACION
132100
' ' '
) (
'
2
=
=
k n
Y X Y Y
k n
e e |
o
( ) 132100
150
.
.
.
65
70
50 .........1 65 70 ' =
|
|
|
|
|
|
|
|
.
|
\
|
= y y
( ) 5 . 131764
205500
1110
.5091 0 * 4545 . 24 ' ' =
|
|
.
|
\
|
= y x |
132,100-131,764
10-2
50
Calculando Varianza
( )
|
|
.
|
\
|
=
0.0000303 0.005152 -
0.005152 - 0.975757
9375 . 41
1
| Var
( )
( )
0356 . 0

3969 . 6

00127 . 0 0000303 . 0 9375 . 41
9209 . 40 975757 . 0 9375 . 41
2
1
2
2
2
1
=
=
= =
= =
|
|
|
|
o
o
o
o
Reemplazando en la frmula tenemos:
51
CONSTRUCCION DE INTERVALOS PARA |
I

Para un nivel de significacin del 5% observando en la
tabla t de student:

t
(n-k)o/2
= t
(10-2)0.05/2
= t
(8)0.025
= 2.306
| | 0.05 con 5919 . 0 , 4268 . 0
2
= e o |
| |
2 / i 1 , 2 / i 1 I
t
e
o | o |
o + | o | |
( ) ( ) | | 2306 0356 . 0 5091 . 0 , 2306 0356 . 0 5091 . 0
2
+ e |
52
Otra forma de expresarlo con prob.:
Dado un coeficiente de confianza del 95% en el
I.p si se construye cien intervalos repetidos con
los lmites siguientes 0.4268 y 0.919, en el 95%
de ellos estaran verdadero parmetro
poblacional.
P(0.4268s|
2
s0.5919)=1-0.05=0.95
Contrastes de hiptesis
53
Econometra U. de Sevilla
Objetivos del tema
Conocer el proceso para contrastar hiptesis

Diferenciar entre hiptesis nula y alternativa

Nivel de significacin

Significacin

Toma de decisiones, tipos de error y cuantificacin del
error.
Contrastes de hiptesis 54
Econometra U. de
Sevilla
Contrastando una hiptesis
Creo que la edad
media es 40 aos...
Son
demasiados...
aos 20 = X
Gran
diferencia!

Rechazo la
hiptesis
Muestra
aleatoria
55
Identificacin de hiptesis
Hiptesis nula H
o
La que contrastamos

Los datos pueden refutarla

No debera ser rechazada sin una buena
razn.
Hiptesis alternativa H
1
Niega a H
0

Los datos pueden mostrar evidencia a
favor

No debera ser aceptada sin una gran
evidencia a favor.
: H
: H
1
0
% 50 = p
% 50 = p
> s = , ,
> < = , ,
Econometra U. de
Sevilla
Razonamiento bsico
40 =
20 = X
Si supongo que H
0
es cierta...
... el resultado del experimento sera improbable.
Sin embargo ocurri.
qu hace un
cientfico cuando su
teora no coincide
con sus
predicciones?

Econometra U. de
Sevilla
Razonamiento bsico
40 =
20 = X
Si supongo que H
0
es cierta...
... el resultado del experimento sera improbable.
Sin embargo ocurri.
Rechazo que H
0
sea
cierta.

Econometra U. de
Sevilla

Razonamiento bsico
40 =
38 = X
Si supongo que H
0
es cierta...
... el resultado del experimento es coherente.
No hay evidencia contra H
0

No se rechaza H
0

El experimento no es
concluyente

El contraste no es significativo
Si una teora hace
predicciones con
xito, queda
probado que es
cierta?

59
Regin crtica y nivel de
significacin
Regin crtica
Valores improbables si...
Es conocida antes de realizar el
experimento: resultados experimentales
que refutaran H
0

Nivel de significacin: o
Nmero pequeo: 1% , 5%
Fijado de antemano por el
investigador
Es la probabilidad de rechazar H
0

cuando es cierta

No rechazo H0

Reg. Crit. Reg. Crit.
o=5%
H
0
: =40
Regin aceptacin (1-
)
Econometra U. de
Sevilla
Contrastes: unilateral y bilateral
La posicin de la regin crtica depende de la hiptesis alternativa
Unilateral
Unilateral
Bilateral
H
1
: <40 H
1
: >40
H
1
: =40
Econometra U. de
Sevilla
Significacin: p
H
0
: =40
o
Econometra U. de
Sevilla
Significacin: p
43 = X
No se rechaza
H
0
: =40
H
0
: =40
o
Econometra U. de
Sevilla
Significacin : p
P
o
P o
50 = X
Se rechaza H
0
: =40

Se acepta H
1
: >40
El contraste es estadsticamente significativo cuando p<o
Es decir, si el resultado experimental discrepa ms de lo tolerado a priori.
El p-valor es el menor nivel de significacin al que rechazaramos H
0

64
Resumen: o, p y criterio de rechazo
Sobre o
Es nmero pequeo,
preelegido al disear el
experimento

Conocido o sabemos
todo sobre la regin
crtica
Sobre p
Es conocido tras
realizar el experimento

Conocido p sabemos
todo sobre el resultado
del experimento
Sobre el criterio de rechazo
Contraste significativo p menor que o
Econometra U. de
Sevilla
Tipos de error al contrastar
hiptesis
Realidad
H
0
cierta H
0
Falsa
No Rechazo H
0
Correcto
Probabilidad 1-
Error de tipo II
Probabilidad

Rechazo H0

Acepto H
1
Error de
tipo I
Probabilidad
Correcto
Probabilidad 1-
.
66
Conclusiones
Las hiptesis no se plantean despus de observar los datos.

En ciencia, las hiptesis nula y alternativa no tienen el mismo papel:

H
0
: Hiptesis cientficamente ms simple.
H
1
: El peso de la prueba recae en ella.

debe ser pequeo

Rechazar una hiptesis consiste en observar si p<

Rechazar una hiptesis no prueba que sea falsa. Podemos cometer error de tipo I

No rechazar una hiptesis no prueba que sea cierta. Podemos cometer error de
tipo II

Si decidimos rechazar una hiptesis debemos mostrar la probabilidad de equivocarnos.

Clase Nº1 y Nº2 - Analisis de Regresion Aplicado

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Clase Nº1 y Nº2 - Analisis de Regresion Aplicado

Transféré par

Droits d'auteur :

Formats disponibles

ANALISIS DE REGRESION APLICADO FRP FRM MLG

ESTIMACION DE PARAMETROS Y TERMINO DE PERTURBACION

Consultoria Virgen del Carmen S.A.

Consultoria Virgen del Carmen S.A.

Consultoria Virgen del Carmen S.A.

Consultoria Virgen del Carmen S.A.

Vous aimerez peut-être aussi