Académique Documents
Professionnel Documents
Culture Documents
Econometra I
Mg. Beatriz Castaeda
20010-1
Econometra
Modelo
Un modelo es la representacin
simplificada de cualquier fenmeno,
proceso, institucin y en general de
cualquier sistema.
Un sistema es un conjunto de elementos
que se encuentran en interaccin.
Tipos de modelo
Proceso:
Especificacin del modelo en forma matemtica.
Reunin de datos apropiados y relevantes de la
economa o sector que el modelo se propone
describir.
Con los datos se estima los parmetros del modelo
Realizar pruebas con el modelo para analizar si es
valido o si es necesario modificar la especificacin.
de regresin uniecuacionales
Modelos de simulacin o multiecuacional
Mg. Beatriz Castaeda
Mario Bunge
Mg. Beatriz Castaeda
10
Aceptacin de la
teora si es compatible
con lo datos
Rechazo de la teora
si es incompatible
con lo datos
Revisin de la teora
si es incompatible
con lo datos
Confrontacin con
nuevos datos
Mg. Beatriz Castaeda
11
Conjunto de
datos 1
Conjunto de
datos 2
Conjunto de
datos N-1
Conjunto de
datos N
Modelo economtrico 1
Modelo economtrico 2
Modelo economtrico N
Confirma eventualmente
la bondad de la teora
Rechazo
de la teora
Bsqueda de nuevos
caminos tericos
Nuevos
desarrollos
tericos
Nuevos
modelos
economtricos
y aplicacin
con nuevos
12
datos
Yt b0 b1 X t b2 Z t
b)
c)
13
MODELO ECONOMETRICO
LINEAL
Uniecuacional
NO LINEAL
Multiecuacional
Uniecuacional
Multiecuacional
14
Yi 1 2 X 2 i .... k X ki i , para i 1, n
Dada una muestra de tamao n, tenemos:
Y1 1 2 X 21 ... K X K 1 1
Y2 1 2 X 22 ... K X K 2 2
............
Yn 1 2 X 2 n ... K X Kn n
Mg. Beatriz Castaeda
15
Notacin matricial
Yi 1 2 X 2 i .... k X ki i , para i 1, n
Y1 1 2 X 21 ... K X K 1 1
Y2 1 2 X 22 ... K X K 2 2
............
Yn 1 2 X 2 n ... K X Kn n
y1 1
y 1
2
... ...
yn 1
x 21
x 22
...
x 31
x 32
...
...
...
...
xk 1
xk 2
...
x2n
x3n
...
x kn
1 1
2 2
... ...
k n
Y = X +
Mg. Beatriz Castaeda
16
E ( )
.....
E ( n ) 0
2
V ( ) E ( ) E
... 1
...
E ( 12 )
E ( 1 2 )
...
E ( 1 n )
E ( 2 1 )
...
E ( n 1 )
E ( 22 )
...
E ( n 2 )
...
...
...
E ( 2 n )
...
E ( n2 )
...
0
2
...
0
... 0
... 0
... ...
... 2
17
Propiedades de matrices y
Distribuciones de probabilidad
1. A es simtrica
2. A es idempotente
AT = A
An = A
3. A es simtrica e idempotente
4. Si AB y BA
18
Propiedades de matrices y
Distribuciones de probabilidad
5. Si X(kx1) es N(, V) y si Tpxk es una matriz de coeficientes con (T) = p
TX tiene distribucin N(T, TVT)
AB=0
19
Yi 1 2 X 2 i .... k X ki i , para i 1, n
Dado el estimador
...
Yi 1 2 X 2 i 3 X 3 i ... k X ki
y el residuo o error de estimacin
e i Yi Yi Yi ( 1 2 X 2 i 3 X 3 i ... k X ki )
Mg. Beatriz Castaeda
20
i 1
i 1
S ( ) ee e1
e2
... e n
e1
e
n
2
e2
i
...
i 1
en
Y1 Y1
Y Y
Y Y
......
Yn Yn
S ( ) ee (Y Y )(Y Y ) (Y X )(Y X )
21
Para minimizar S ( )
respecto a cada
e igualamos a 0
n
S ( )
2 (Yi ( 1 2 X 2 i 3 X 3 i ... k X ki ) ( 1) 0
i 1
1
n
S ( )
2 (Yi ( 1 2 X 2 i 3 X 3 i ... k X ki ) ( X 2 i ) 0
i 1
2
.
n
S ( )
2 (Yi ( 1 2 X 2 i 3 X 3 i ... k X ki )( X ki ) 0
k
i 1
22
i 1
i 1
i 1
i 1
Yi n1 2 X 2 i 3 X 3i ... k X ki
n
Y
i 1
X 2i
i 1
i 1
i 1
i 1
1 X 2 i 2 X 22i 3 X 2 i X 3 i ... k X 2 i X ki
.
n
i 1
i 1
i 1
i 1
i 1
Yi X ki 1 X ki 2 X ki X 2i 3 X ki X 3 i ... k X ki2
1 1 1
x x x
21 22 23
... ... ...
xk 1 xk 2 xk 3
... 1
... x2 n
... ...
... x kn
y1 n
y x
2 2i
... ...
yn xki
XY = (XX)
Mg. Beatriz Castaeda
x
x
2i
2
2i
...
x2i xki
x
x x
3i
2i 3i
...
...
...
...
x3i xki ...
x
x x
1
2 i ki 2
... ...
2
x ki k
ki
( X X ) 1 X Y
23
S ( ) ee (Y X )(Y X ) (Y X ) (Y X )
Y Y X Y Y X X X
Y Y 2 X Y X X
S ( )
2 X Y 2( X X ) 0
X Y ( X X )
( X X ) 1 X Y
24
E ( )
( X X ) 1 X Y ( X X ) 1 X ( X ) ( X X ) 1 X
Funcin lineal de las obs. Y
E ( ) [( X X ) 1 X ]E ( )
2)
V ( ) 2 ( X X ) 1
( X X ) 1 X
1
1
V ( ) E[( )( )] E[( X X ) X X ( X X ) ]
( X X ) 1 X E ( ) X ( X X ) 1 ( X X ) 1 X ( 2 I ) X ( X X ) 1
2 ( X X ) 1
Mg. Beatriz Castaeda
25
Teorema de Gauss-Markov
El estimador MCO es el estimador lineal insesgado ptimo, en el sentido de
que cualquier otro estimador lineal insesgado tiene una matriz de
covarianzas mayor que la del estimador MCO
Demostracin
~ ~
~
Sea A Y un estimador lineal de y sea A A ( X X ) 1 X ; matriz kxT , de mod o que
~
[ A ( X X ) 1 X ]Y [ A ( X X ) 1 X ] ( X ) AX [( X X ) 1 X ]
~
Luego E ( ) AX
~
as ser insesgado slo si A es tal que AX 0
~
[ A ( X X ) 1 X ]
~
La matriz de convarianzas de ser
~
~
~
V ( ) E[( )( )] E ([ A ( X X ) 1 X ] )([ A ( X X ) 1 X ] )
2 AA 2 ( X X ) 1 2 ( X X ) 1 V ( MCO )
Mg. Beatriz Castaeda
26
Estimador de 2
e Y X X X ( X X ) 1 X Y
X X ( X X ) 1 X ( X )
X ( X X ) 1 X
[ I X ( X X ) 1 X ] M
M es simtrica e idempotent e
M [ I X ( X X ) 1 X ] I X ( X X ) 1 X M
MM [ I X ( X X ) 1 X ][ I X ( X X ) 1 X ]
I X ( X X ) 1 X X ( X X ) 1 X X ( X X ) 1 X X ( X X ) 1 X
I X ( X X ) 1 X M
Mg. Beatriz Castaeda
27
S ( ) ei2 ee ( M )( M ) M M M
E ( e ) E ( M ) E
2
i
a
i 1
ii
2
i
a ij i j
i j
a ii 2 a ij E ( i j )
2 Traza ( M ) 2 ( n k )
Traza ( M ) Traza ( I nxn X ( X X ) 1 X )
Traza ( I ) Traza ( X ( X X ) 1 X )
n Traza (( X X ) 1 X X ) n Traza ( I kxk ) n k
2
e
i
ee
nk nk
2
Es un estimador insesgado de
28
Clculo de
S
2
2
e
2
e
i
ee
nk nk
2
ee Y Y 2 X Y X X
ee Y Y 2 X Y X X [( X X ) 1 X Y ]
ee Y Y X Y
Y Y ( X Y )
S
nk
2
2
e
29
Yi 1 2 X 2 i 3 X 3 i 4 X 4 i i , para i 1, n
Obtenemos los estimadores de los parmetros con la siguiente informacin
resumida de la data obtenida para una muestra:
Y`Y = 10 X Y
3
3
2 0
( X X ) 1 X Y
4 2 0
8
X `X
10
4
0.52
0.64
0.16
0.38
0
0
( X `X ) 1
0.0455
0.0227
0.1818
0
0
0
0.125
Y Y ( X Y ) 10 4,9205
S
0,8466
nk
6
2
2
e
30
Yi 1 2 X 2 i 3 X 3 i 4 X 4 i i , para i 1, n
Modelo:
Modelo estimado
V ( ) S ( X `X )
2
e
0.0455
S e 0,9201
0.019 0.1539
0
0
0
0
0.1058
31
Coeficiente de determinacin R2
Yi 1 2 X i
y
yi
Yi y
(Y
SCR
R2
SCT
i 1
( y y )
(Y y )
(Y y
Y )
i 1
SCT
Variacin
no explicada
error
SCE
( y i y )
Variacin
explicada por
la regresin
( y
i 1
Y )2
SCR
SCE
R2 1
1
SCT
Mg. Beatriz Castaeda
(Yi y i )
Variacin
Total
xi
(Y
2
i
y )2
32
SCE
R 1
1
SCT
2
R2
2
2
(
Y
Y
)
e
i
i
(Yi Y )
(Y
2
i
y )2
2
2
Y
n
Y
(Y Y X Y )
i
2
2
Y
n
Y
i
n
Y
R2
Y Y n Y 2
33
(Y
2
i
y )2
R 1
[ SCE /( n k )]
n1
1
(1 R 2 )
[ SCT /( n 1)]
nk
34
entonces:
1
1
1) ( X X ) X Y ( X X ) X
tiene
dist
.
( n k )
2
2
35
3)
( )[V ( )] ( )
2
[ X ( )] [ X ( )] ( N )( N ) N
2
2
X ( ) X X Y (Y ) (Y Y )
M ( I M ) ( X ( X X ) 1 X ) N
Traza(N) = K
Mg. Beatriz Castaeda
36
( n k ) S e2 M
2
tiene
dist
.
( n k )
2
2
N
1
2
( )[V ( )] ( )
tiene
dist
.
(k )
2
MN M ( I M ) M MM 0
Entonces las dos formas cuadrticas son independientes
Luego
[( ) X X ( )] / k
F
tiene dist . F( k , n k )
2
Se
37
Como i es N ( i , 2 a ii )
y
( n k ) S e2
tiene dist . (2n k )
2
( i i )
t 1 / 2
- t1-/2
t1-
t(n-k)
a ii
( n k ) S e2
( n k ) 2
( i i )
es t ( n k )
S e a ii
( i i )
T
t 1 / 2
S e a ii
Obtenemos
L i t1 / 2 S
38
Prueba de Hiptesis
H 0 : i i*
H 1 : i i*
Estadstica de la Prueba
( i i* )
T
es t ( n k ) si H 0 es cierta
S e a ii
Decisin
Rechazar la H0 a favor de H1 si
T t 1 / 2 o
- t1-/2
t1-
t(n-k)
T t 1 / 2
39
2. Para
( n k ) S e2
2
tiene
dist
.
( n k )
2
1-
2
/2
Obtenemos
12 / 2
(2n k )
( n k ) S e2
Li
12 / 2
2
/2
( n k ) S e2
2
1 / 2
2
( n k ) S e2
Ls
2 / 2
40
10
0
2
0
....
0
k
Prueba de Hiptesis
H0 : 0
H1 : 0
Estadstica de la Prueba
[( 0 )[ X X ]( 0 )] / k
F
tiene dist . F( k , n k ) si H 0 es cierta
2
Se
Decisin
Rechazar la H0 a favor de H1 si
F > F1-
F1-
F(k ,n-k)
41
Yi 1 2 X 2 i .... 5 X 5 i i , para i 1, n
Para el cual se formula las siguientes hiptesis
1.
3 3 5 8
H 0 : 4 4 1 0
3 2
5 2
Restricciones lineales
H 0 : R r
1
0 0 3 0 1 2
1 0 0 4 0
0 1 0 0 3 4
R
Mg. Beatriz Castaeda
8
0
2
r
42
H 0 : R r
H 0 : R r
Rqxk ; q k
Rango( R ) = q (las restriciones son
linealmente independientes)
es N ( , 2 ( X X ) 1 )
E ( R r ) R E ( ) r R r 0
V ( R r ) R[V ( )]R
( R r ) es N (0, R[V ( )] R)
W ( R r )[ 2 R ( X X ) 1 R]1 ( R r ) es (2q )
W ( R r )[ S e2 R ( X X ) 1 R]1 ( R r ) (2q )
Mg. Beatriz Castaeda
12
(2n k )
43
2. Prueba F
H 0 : R r
H 0 : R r
Rqxk ; q k
{( R r )[ R ( X X ) 1 R]1 ( R r )} / q
F
es F( q ,n k )
ee /( n k )
F1
F( q ,n k )
W ( R r )[ 2 R ( X X ) 1 R]1 ( R r ) es (2q )
( n k ) S e2 ee
2
tiene
dist
.
(
n k )
2
2
Mg. Beatriz Castaeda
W qF
44
File
New
workfile
File
New
workfile
45
2. Frequency
anual
Range
OK
46
3. Ingreso de datos:
Quick
Empty group
47
Aparece una planilla en blanco en la que se asigna nombre a las variables y se ingresa los
datos como en una planilla excel
48
3. Estimacin de la ecuacin:
Quick
Estimate equation
49
50
51
Modelo estimado
Coefficient
Std. Error
t-Statistic
Prob.
5.228449
29.00686
0.180249
0.8587
PNB
0.213205
0.011921
17.88539
0.0000
-0.828817
3.239046
-0.255883
0.8005
R-squared
0.941937
41.13333
Adjusted R-squared
0.936407
20.97122
S.E. of regression
5.288459
6.285400
587.3238
Schwarz criterion
6.432656
F-statistic
170.3368
Prob(F-statistic)
0.000000
Log likelihood
Durbin-Watson stat
Mg. Beatriz Castaeda
-72.42479
0.787335
52
Se escribe el nombre
OK
Se escribe la especificacin
53
Yi 1 2 X 2 i .... k X ki i , para i 1, n
1) Anlisis de significancia de la variable Xi
H0 : i 0
H1 : i 0
Estadstica de la Prueba
i
T
S
es t ( n k ) si H 0 es cierta
i
- t1-/2
t1-
t(n-k)
54
q 1
q 2
H0 :
.....
R 0 qxs I sxs
sx 1
0
0
...
0
0
0
...
...
...
...
1
...
sx 1
...
...
sxk
q 1
q 2
...
k
0
0
...
sx 1
kx 1
1 X 21
1 X
22
X
... ...
1 X 2 n
Mg. Beatriz Castaeda
X1
X X1 X 2
...
X q1
X q 1 1
...
...
...
...
X q2
...
X qn
X q 1 2
...
X q 1 n
...
...
...
X2
X k1
X k 2
...
X kn
55
X X1 X 2
B1
B2
Y X1 X 2
H 0 : B2 0
B1
B X 1 B1 X 2 B2
2
H 1 : B2 0
H 0 : R 0 sxq I sxs
A11
R ( X X ) R 0 I
A21
1
B1
B B2 0
2
A12 0
A22
A22 I
56
B11
X X
B21
B12
B22
A11
( X X )
A21
1
A12
A22
1
A11 ( B11 B12 B22
B21 ) 1
1
A12 B11
B12 A22
1
A21 B22
B21 A11
X 1'
X X
'
2
X1
X 1' X 1
X 1' X 2
'
X 2 X1
X 2' X 2
X2
Y X 1 B1 1
57
H 0 : B2 0
H 1 : B2 0
H 0 : R 0 sxq I sxs
B1
B B2 0
2
Entonces la estadstica
{( R r )[ R ( X X ) 1 R]1 ( R r )} / q
F
es F( q ,n k )
ee /( n k )
Se reduce a:
2' [ X 2' M 1 X 2 ] 2 / s
F
es F( s , n k )
2
Se
Mg. Beatriz Castaeda
58
H 1 : B2 0
Modelo restringido
Y X1 X 2
e MY
Modelo restringido
(MR)
B1
B2
B1
B X 1 B1 X 2 B2
2
SCE ( MSR ) ee Y M Y
Y X 1 B1 1
SCE ( MR ) e1e1 Y M 1 Y
e1 M 1Y
59
En el MSR
Y X 1 B 1 X 2 B 2 e
M 1Y M 1 X 1 B 1 M 1 X 2 B 2 M 1e M 1 X 2 B 2 e
M 1 X 1 1 [ I X 1 ( X 1' X 1 ) 1 X 1' ] X 1 1 0
X Y ( X X )
Luego
X 1'
X 1' e
0
e '
'
X2
X 2 e 0
X (Y X ) X e 0
M 1e [ I X 1 ( X 1' X 1 ) 1 X 1' ]e e
60
M 1Y M 1 X 2 B 2 e
( M 1Y )( M 1Y ) ( M 1 X 2 B 2 e )( M 1 X 2 B 2 e )
Y M 1Y B 2 X 2 M 1 M 1 X 2 B 2 B 2 X 2 M 1 e e M 1 X 2 B 2 ee
2 X 2 M 1e 2 X 2 e 0
e M 1 X 2 2 [ 2 X 2 M 1e ] 0
Y M 1Y B 2 X 2 M 1 X 2 B 2 ee
SCE(MR)
Luego
SCE(MSR)
SCR(MSR)
Mg. Beatriz Castaeda
SCR(MR)
61
H 0 : B2 0
H 1 : B2 0
Estadstica de la prueba
2' [ X 2' M 1 X 2 ] 2 / s
F
es F( s , n k )
2
Se
Equivale a:
es F( s , n k )
SCE ( MSR ) /( n k )
SCE ( MSR ) /( n k )
[ X Y 1 X 1Y ] / s
F
[Y Y X Y ] /( n k )
Mg. Beatriz Castaeda
62
Fuente de variacin
Suma de cuadrados
G.L.
C.M.
Razn F
SCR
K 1
SCR / k 1
SCE / n k
SCR2
kr
SCR2 / k r
SCE / n k
SCR2
k2 / a kk
SCE / n k
SCE
nk
Debido a X2, , XK
SCR X Y nY 2
k-1
Debido a X2, , Xr
SCR1 1 X 1 Y nY 2
r-1
Debido a Xr+1, , XK
SCR2 X Y 1 X 1 Y
SCR1 X Y nY 2 k / a kk
Debido a XK
SCR2 k2 / a kk
k-r
k-2
Debido al error
SCE Y Y X Y
n-k
Total
Y Y nY
n-1
63
Yi 1 2 X 2 i .... k X ki e i , para i 1, n
Y 1 2 X 2 .... k X k ya que
1 Y ( 2 X 2 .... k X k )
Yi Y 2 ( X 2 i X 2 ) .... k ( X ki X k ) ei
yi 2 x 2 i .... k x ki ei
y xB 2 e
x:
64
Yi 1 2 X 2 i .... k X ki ei , para i 1, n
Modelo en desviaciones
y xB 2 e
B 2 ( x x ) 1 x y
E ( B 2 ) B2
1 Y ( 2 X 2 .... k X k )
V ( B 2 ) 2 ( x x ) 1
2
V ( 1 )
2 X 2 ( x x ) 1 X 2
n
V ( 1 ) V [Y ( 2 X 2 .... k X k )] V [Y X 2 B 2 ] V (Y ) X 2 V ( B 2 ) X 2
cov( 1 , B 2 ) Cov[Y X 2 B 2 , B 2 ] X 2 V ( B 2 ) 2 X 2 ( x x ) 1
Mg. Beatriz Castaeda
65
y xB 2 e
ee
y y B 2 x y
nk nk
nk
2
i
e y xB 2
SCE
y y B 2 x y
R 1
1
SCT
y y
2
ee y y B 2 x y
B 2 x y
R
y y
2
66
Yi 1 2 X 2 i .... k X ki i , para i 1, n
Yi 1 2 X 2 i 3 X 3 i ... k X ki X 'i
Si i es N (0, 2 )
T
Yi E (Yi )
2
e
'
i
S X ( X X ) X i
es t ( n k )
L Yi t1 / 2 S e2 X i' ( X X ) 1 X i
67
Yi 1 2 X 2 i .... k X ki i
Yi 1 2 X 2 i 3 X 3 i ... k X ki X 'i
E (ei ) 0
e i Yi Yi X i' i X i'
Si i es N (0, 2 )
T
V (ei ) 2 X 'i V ( ) X i
Yi Yi
1
S (1 X ( X X ) X i )
2
e
'
i
es t ( n k )
L Yi t1 / 2 S e2 (1 X i' ( X X ) 1 X i )
Mg. Beatriz Castaeda
68
Coeficientes estandarizados
Yi 1 2 X 2 i .... k X ki i , para i 1, n
Yi Y 2 ( X 2 i X 2 ) .... k ( X ki X k ) i
Yi Y
SX2
2 S
SY
Y
j j
*
X 2i X 2
SX j
S X2
....
S Xk
SY
X 2i X 2
S X2
Variables en su nivel
Variables en
desviaciones de media
Variables estandarizadas
SY
69
Correlacin Parcial
En el modelo de regresin mltiple interesa medir cun relacionada est la
variable dependiente con cada una de las variables independientes, luego de
eliminar completamente el efecto de las otras variables independientes en el
modelo.
Ejemplo
Sea el modelo:
Yi 1 2 X 2 i 3 X 3 i i
1) Yi 1 2 X 3 i
2) X 2 i 1 2 X 3 i
de 1) Y * Yi Yi
de 2) X *2 i X 2 i X 2 i
70
y X2
y X3
y X3
rYX 2 rYX 3 rX 2 X 3
2
1 rX22 X 3 1 rYX
3
X2
Y
X3
y X 2 ( controlada por X 3
SY .3
2 rY 2.3
S 2.3
71
72
Problema de Multicolinealidad
MCO ( X X ) 1 X Y
Si alguna variable X es combinacin lineal de las otras, entonces
( X X ) K
No existe ( X X ) 1
Por lo tanto no podramos obtener los estimadores de los coeficientes del modelo,
lo que nos llevara a reformular el modelo en funcin de las otras variables
teniendo en cuenta la relacin lineal.
Si no existe colinealidad perfecta pero las correlaciones son muy altas, esto
implicara distorsiones en las estimaciones de los coeficientes, pues su varianza
sera muy grande (estimadores poco precisos).
73
Problema de Multicolinealidad
Sea el modelo
Ejemplo:
S 22
x x ( n 1)
S 23
Yi 1 2 X 2 i 3 X 3 i i
S 23
( n 1)
2
S3
r23 S 2 S 3
S 32
S 22
r23 S 2 S 3
S 32
1
( x x )
r23 S 2 S 3
S 22
V ( 2 )
S 32 2
2
( n 1) S 22 S 32 (1 r232 ) ( n 1) S 22 (1 r232 )
Si r23
V ( 3 )
S 22 2
2
( n 1) S 22 S 32 (1 r232 ) ( n 1) S 32 (1 r232 )
Si r23
1
FIV
1 r232
u
V ( 21 )
( n 1) S 22
Yi 1 21 X 2 i ui
En cambio para el modelo sin restriccin
2
2
1
V ( 2 )
(1 r232 ) ( n 1) S 22 u2
En general
Donde
2
1
2
u
V ( 2 ) V ( 21 )
Si r23 = 0
As FIV
Yi 1 2 X 2 i 3 X 3 i i
1
1 r232
FIV
1
1 Ri2
2
i
R :
Si t ii FIV ( X i )
Tolerancia = 1- R2i
1
10
1 Ri2
76
IC
10 IC 30
IC < 10
77
2
calc
k2( k 1) / 2
2
calc
n 1 ( 2 k6 5 ) ln R
K: n de variables explicativas
R: matriz de correlaciones simples
p
2
calc
2( k ( k 1) / 2 )
R.C.
Mg. Beatriz Castaeda
78
ii) Test F
Para determinar que regresor se encuentra ms colineado con las dems
variables.
Se obtiene la regresin de cada variable en funcin del resto de variables
y se calcula el R2 para el modelo de cada variable.
2
H 0 : Rmax
0
2
H 1 : Rmax
0
Estadstica
2
Rmax
/( k 1)
Fi
F( k 1, n k )
2
(1 Rmax ) /( n k )
K: n de variables explicativas
F( k ,n k )
Fi
R.C
Mg. Beatriz Castaeda
79
iii) Test t
Para determinar que regresor se encuentra ms correlacionado con una de
las otras variables
2
H 0 : rmax
0
2
H 1 : rmax
0
Estadstica
rmax
n 2
2
1 rmax
Rmax es el coeficiente de
correlacin simple mximo
t n 2
- t1-/2
R.C.
Mg. Beatriz Castaeda
t1-
t(n-k)
R.C
80
Tratamiento
1. Eliminar o excluir regresores del modelo, eligiendo aquellos que tengan mayor
multicolinealidad con las otras variables, es decir, FIV > 10
2. Incluir informacin externa a los datos de manera que se rompa el problema
de multicolinealidad (Se considera que este problema es un problema de la
muestra a mano)
3. Utilizar un modelo multiecuacional
4. Estimar los coeficientes utilizando el mtodo de regresin cresta, el cual es
un mtodo exploratorio que consiste en utilizar una modificacin a la matriz
(XX)
Eligiendo desde 0.01 hasta obtener resultados estables, es
( X X ) I
decir, tales que las varianzas de los estimadores no cambien
significativamente al cambiar algunos datos
5. Utilizar restricciones lineales para los coeficientes
6. Utilizar un modelo de componentes principales
Mg. Beatriz Castaeda
81