Descarga la aplicación para disfrutar aún más
Vista previa del material en texto
Econometría I- EAE250A: Modelo Regesión Lineal Multiple: Inferencia Burcu Eke 25/09/2014 Tabla de Contenidos 1. Test de hipótesis sobre un parámetro 2. Test de hipótesis sobre un conjunto de parámetros 3. Modelo restringido 2 Test de hipótesis I La forma general de las hipótesis es Rβ ∼ = q donde j es el numero de los hipótesis lineales R es una matriz de j× (k + 1) q es un vector de j× 1 I Es decir: r00 . . . r0k... . . . ... rj0 . . . rjk β0... βk = q0... qk 3 Test sobre un parámetro I Considere el modelo y=β0 + β1x1 + . . . + βkxk + ε I H0 : βj = β0j I Test de una cola: H1 : βj > β0j o H1 : βj < β 0 j I Test de dos colas: H1 : βj = β0j I Entonces ( . . . 1 . . . ) ... βj ... = ( β0j ) 4 Ejemplo 1: Fuente: Wooldridge, Cap 4. I H0 : β3 = 0 vs H1 : β3 = 0 I α = 0.5, n− k− 1 = 408− 3− 1 = 404, el valor critico es −z0.025 = −1.96. I t = −0.00020 0.00022 = −0.91 I −0.91 > −1.96 No Rechaza H0, la variable “enroll” es indivualmente no significativa 5 Ejemplo 1: (cont.) I H0 : β2 = 0.5 vs H1 : β2 < 0.5 I α = 0.5, n− k− 1 = 408− 3− 1 = 404, el valor critico es −z0.05 = −1.645. I t = 0.048− 0.5 0.04 = −11.3 I −11.3 < −1.645 Rechaza H0 6 Test de hipótesis sobre un conjunto de parámetros I Una restricción lineal I Dos o mas restricciones lineales I Modelo restringido 7 Test con un conjunto de parámetros: Una restricción lineal I Considere el modelo y = β0 + β1x1 + β2x2 + β3x3 + β4x4 + ε H0 : β1 = β2 ⇒ t = β̂1 − β̂2 se ( β̂1 − β̂2 ) H0 : β3 + β4 = 1 ⇒ t = β̂3 + β̂4 − 1 se ( β̂3 + β̂4 ) 8 Ejemplo 2: I Considere la siguiente función de producción: Ŷ = 2.37+ 0.632X1 + 0.452X2 n = 31 (0.257) (0.219) sβ̂1,β̂2 Ĉ(β̂1, β̂2) = 0.055 Y =logaritmo de producción X1 =logaritmo de trabajo X2 =logaritmo de capital 9 Ejemplo 2 (cont.) I Considere H0 : β1 + β2 = 1 (Rendimientos constantes a escala) vs H1 : β1 + β2 6= 1, con α = 0.5 I Bajo H0, t = β̂1 + β̂2 − 1 sβ̂1+β̂2 ∼ t31−1−2 with sβ̂1+β̂2 = √ V̂(β̂1 + β̂2) = √ V̂(β̂1) + V̂(β̂2) + 2Ĉ(β̂1 + β̂2) I |t| = ∣∣∣∣∣ 0.632 + 0.452− 1√(0.257)2 + (0.219)2 + 2 ∗ 0.055 ∣∣∣∣∣ = 0.177 < t0.025,28 I Por tanto, no se rechaza la hipótesis nula de rendimientos constantes a escala. 10 Test con un conjunto de parámetros: Varias restricciones lineales I Considere las siguientes hipótesis: H0 : β1 = β2 = . . . = βk = 0 H0 : β1 = 0 β2 = 1 H0 : β1 + β3 = 0 β2 = −1 β4 − 2β5 = 1 11 Varias restricciones lineales (cont) I Modelo no restringido: El modelo bajo H1 I Modelo restringido: El modelo H0 I Por ejemplo, considere el modelo siguiente: y = β0 + β1x1 + β2x2 + β3x3 + ε Dado H0 : β1 = β2 = 0 y H1 : β1 6= 0 y/o β2 6= 0 (o H1 : βj 6= 0 para algún j = 1, 2) Modelo no restringido: y = β0 + β1x1 + β2x2 + β3x3 + ε Modelo restringido: y = β0 + β3x3 + ε 12 Varias restricciones lineales (cont) I Se define: Modelo Modelo no restringido restringido Coeficiente de determinación: R2nr R2r Suma de cuadrados de los residuos: SSRnr SSRr I Se define q =el número de las restricciones lineales en H0 13 Varias restricciones lineales (cont) I Bajo H0; F = (SSRr − SSRnr) /q SSRnr/(n− k− 1) ∼ Fq,n−k−1 I Equivalentemente; F = ( R2nr − R2r ) /q (1− R2nr) /(n− k− 1) ∼ Fq,n−k−1 I Nota que (SSRr − SSRnr) /q SSRnr/(n− k− 1) = ( R2nr − R2r ) /q (1− R2nr) /(n− k− 1) 14 Ejemplo 3: I Considere los siguientes modelos: ̂ln(ingreso) = 11.10+ 0.0689yrs+ 0.0126gamesyr (0.29) (0.0121) (0.0026) + 0.00098bavg+ 0.144hrunyr+ 0.0108rbisyr (0.0011) (0.0161) (0.0072) n = 353, SSR = 183.186, R2 = 0.6278 ̂ln(ingreso) = 11.22+ 0.0713yrs+ 0.0202gamesyr (0.11) (0.0125) (0.0013) n = 353, SSR = 198.311, R2 = 0.5971 15 Ejemplo 3 (cont.) I H0 : β3 = β4 = β5 = 0 vs H1 : βj 6= 0 para algún j = 3, 4, 5 I SSRr = 198.311, SSRnr = 183.186, F = (198.311− 183.186/3 183.186/(353− 5− 1) = 9.55 I R2r = 0.5971, R2nr = 0.6278, F = (0.6278− 0.5971)/3 (1− 0.6278)/(353− 5− 1) = 9.55 I Con α = 0.05, F3,347 = 2.60 I 9.55 > 2.60, Rechaza la H0, las 3 variables son conjuntamente significativas al α = 5%. 16 Ejemplo 3 (cont.) I Considere el modelo no restringido para tests de significancia indivudual ̂ln(ingreso) = 11.10+ 0.0689yrs+ 0.0126gamesyr (0.29) (0.0121) (0.0026) + 0.00098bavg+ 0.144hrunyr+ 0.0108rbisyr (0.0011) (0.0161) (0.0072) n = 353, SSR = 183.186, R2 = 0.6278 I α = 5%, t0.025,347 ≈ 1.96 17 Ejemplo 3 (cont.) I H0 : β3 = 0 vs. H1 : β3 6= 0 t = 0.00098 0.0011 = 0.89 < 1.96 no rechaza H0, no significativa I H0 : β4 = 0 vs. H1 : β4 6= 0 t = 0.144 0.0161 = 8.94 > 1.96 rechaza H0, significativa I H0 : β5 = 0 vs. H1 : β5 6= 0 t = 0.0108 0.0072 = 1.5 < 1.96 no rechaza H0, no significativa 18 Significación Global I Considere el modelo y=β0 + β1x1 + . . . + βkxk + ε I Test de significación global H0 : β1 = . . . = βk = 0 ⇒ La hipótesis nula es que el modelo no explica y El modelo restringido: y=β0 + ε, con R2r = 0, ¿Por qué? I Test de F: F = R2nr/q (1− R2nr)/(n− k− 1) ∼ Fk,n−k−1 19 Ejemplo 3 (cont.) I Considere el modelo no restringido para test de significancia global: H0 : β1 = . . . = β5 = 0 ̂ln(ingreso) = 11.10+ 0.0689yrs+ 0.0126gamesyr (0.29) (0.0121) (0.0026) + 0.00098bavg+ 0.144hrunyr+ 0.0108rbisyr (0.0011) (0.0161) (0.0072) n = 353, SSR = 183.186, R2 = 0.6278 I α = 5%, F5,347 F = 0.6278/5 (1− 0.6278)/347 = 117.35 20
Compartir