TEMA 3: Contrastes de Hipótesis en el MRL

Tamaño: px
Comenzar la demostración a partir de la página:

Download "TEMA 3: Contrastes de Hipótesis en el MRL"

Transcripción

1 TEMA 3: Contrastes de Hipótesis en el MRL Econometría I M. Angeles Carnero Departamento de Fundamentos del Análisis Económico Curso Econometría I (UA) Tema 3: Contrastes de Hipótesis Curso / 39

2 Contrastes de Hipótesis en el MRL Contrastes sobre un único coeficiente: Supongamos primero que queremos contrastar a) H 0 : β j = β 0 j b) H 0 : β j = β 0 j c) H 0 : β j = β 0 j H 1 : β j 6= β 0 j H 1 : β j > β 0 j H 1 : β j < β 0 j El estadístico de contraste es el mismo para los tres casos, lo que varía dependiendo de cuál sea la hipótesis alternativa es la región crítica. Sabemos que h i bβ j N β j, σ 2 (X 0 X) 1 jj donde (X 0 X) 1 jj es el elemento (j, j) de la matriz (X 0 X) 1. Econometría I (UA) Tema 3: Contrastes de Hipótesis Curso / 39

3 Bajo H 0 h i bβ j N β 0 j, σ2 (X 0 X) 1 jj Podemos estandarizar bβ j restando la media y dividiendo por la desviación tipica z = bβ j β 0 j q N(0, 1) bajo H 0 σ 2 (X 0 X) 1 jj Nótese que z sólo nos serviría como estadístico de contraste si σ 2 fuese conocida, lo que no suele ocurrir en la práctica. Si σ 2 es desconocida, para construir el estadístico de contraste, tenemos que combinar z con otro estadístico que también dependa de σ 2 de forma que al combinarlos obtengamos un estadístico que no dependa de σ 2. Econometría I (UA) Tema 3: Contrastes de Hipótesis Curso / 39

4 Puesto que bσ 2 (T k) σ 2 χ 2 (T k) y como bσ 2 y bβ j son independientes definimos el estadístico de contraste: t = bβ j β 0 j q σ 2 (X 0 X) 1 jj r (T k)bσ 2 σ 2 (T k) = bβ j β 0 j bβ j β 0 j q = bσ 2 (X 0 X) 1 SE(bβ jj j ) t T k bajo H 0 Para un nivel de significación α, las regiones críticas son: a) fjtj > t T k,α/2 g b) ft > t T k,α g c) ft < t T k,α g Econometría I (UA) Tema 3: Contrastes de Hipótesis Curso / 39

5 Ejemplo 1: Consideremos un modelo simple que relaciona el número anual de delitos en los campus universitarios (crime) con el número de alumnos matriculados (enroll) log(crime) = β 1 + β 2 log(enroll) + u Notese que este es un modelo de elasticidad constante ya que es lineal en logarítmos. β 2 mide la elasticidad de los delitos repecto al número de alumnos matriculados. En base a una muestra de 97 universidades americanas se han obtenido los siguientes resultados log(crime) \ = 6,63 + 1,27 log(enroll) (1,03) (0,11) donde los números entre paréntesis son los errores estándar. Econometría I (UA) Tema 3: Contrastes de Hipótesis Curso / 39

6 Vamos a contrastar si existe suficiente evidencia para afirmar que un aumento de un 1 % en el número de alumnos matriculados supone un aumento de más del 1 % en el número de delitos. Primero tenemos que determinar la hipótesis nula y la hipótesis alternativa. Puesto que el incremento porcentual en el número de delitos ante un aumento de un 1 % en la matricula viene dado por la elasticidad β 2, tenemos que contrastar si hay evidencia suficiente para afirmar que β 2 > 1. Es decir tenemos que contrastar H 0 : β 2 = 1 H 1 : β 2 > 1 El estadístico de contraste es t = b β 2 1 SE(bβ 2 ) t 95 bajo H 0 El valor del estadístico de contraste para esta muestra es t = (1,27 1)/0,11 = 2,45. Como t = 2,45 > t 95,0,05 = 1,66, podemos rechazar H 0 al 5 %. Econometría I (UA) Tema 3: Contrastes de Hipótesis Curso / 39

7 Hay suficiente evidencia para afirmar que un aumento de un 1 % en el número de alumnos matriculados supone un aumento de más del 1 % en el número de delitos. Caso Particular: Contraste de significatividad individual El estadístico de contraste es: H 0 : β j = 0 H 1 : β j 6= 0 t = bβ j SE(bβ j ) t T k bajo H 0 Este estadístico t se denomina t ratio. Econometría I (UA) Tema 3: Contrastes de Hipótesis Curso / 39

8 Contrastes de una restricción lineal: Supongamos que ahora queremos contrastar una restricción lineal cualquiera a) H 0 : Rβ = r H 1 : Rβ 6= r b) H 0 : Rβ = r H 1 : Rβ > r c) H 0 : Rβ = r H 1 : Rβ < r donde R es un vector 1 k y r es un escalar. El estadístico de contraste es el mismo para los tres contrastes, lo que varía dependiendo de cuál sea la hipótesis alternativa es la región crítica. Dado que bβ N(β, σ 2 (X 0 X) 1 ) Rbβ N(Rβ, σ 2 R(X 0 X) 1 R 0 ) Econometría I (UA) Tema 3: Contrastes de Hipótesis Curso / 39

9 Bajo H 0 Rbβ N(r, σ 2 R(X 0 X) 1 R 0 ) y puesto que Rbβ es un escalar podemos estandarizar su distribución restando la media y dividiendo por la desviación típica Rbβ r z = p N(0, 1) Bajo H σ 2 R(X 0 X) 1 R 0 0 Nótese que z sólo nos serviría como estadístico de contraste si σ 2 fuese conocida, lo que no suele ocurrir en la práctica. Si σ 2 es desconocida, para construir el estadístico de contraste, tenemos que combinar z con otro estadístico que también dependa de σ 2 de forma que al combinarlos obtengamos un estadístico que no dependa de σ 2. Econometría I (UA) Tema 3: Contrastes de Hipótesis Curso / 39

10 Puesto que (T k)bσ 2 σ 2 χ 2 T k y que bσ 2 y bβ son independientes definimos el estadístico de contraste: t = Rbβ Rβ p σ 2 R(X 0 X) 1 R r (T k)bσ 2 σ 2 (T k) = Rbβ r = qbσ 2 R(X 0 X) 1 R 0 Rbβ r qr var(bβ)r [ t T k 0 bajo H 0 Para un nivel de significación α, las regiones críticas son: a) fjtj > t T k,α/2 g b) ft > t T k,α g c) ft < t T k,α g Econometría I (UA) Tema 3: Contrastes de Hipótesis Curso / 39

11 Ejemplo 2: Consideremos el modelo para el gasto en vestido y calzado que ya vimos en el Tema 1. gvest = β 1 + β 2 renta + β 3 nad + β 4 nhijos + u El modelo estimado en base a una muestra de 7038 hogares españoles es [gvest t = 1,2 + 0,064 renta t + 0,132 nad t + 0,159 nhijos t \ var(bβ) = (0,0033) (0,0419) (0,0391) 0, , , , , , , ,471e 07 0, , Econometría I (UA) Tema 3: Contrastes de Hipótesis Curso / 39

12 donde gvest es el gasto anual del hogar en vestido y calzado (en miles Euros), renta es la renta anual del hogar (en miles de Euros), nad es el número de adultos en el hogar y nhijos es el número de hijos menores de 18 años, y los números entre paréntesis son los errores estándar. Vamos a contrastar si un aumento en el número de hijos tiene el mismo efecto sobre el gasto en vestido y calzado que un aumento en el número de adultos. Es decir, vamos a contrastar H 0 : β 3 = β 4 H 1 : β 3 6= β 4 El vector R es en este caso R = (0, 0, 1, 1) y r = 0, por tanto Rbβ r = bβ 3 bβ 4 R [ var(bβ)r 0 = \ var(bβ 3 ) + \ var(bβ 4 ) 2 cov(bβ \ 3, bβ 4 ) Econometría I (UA) Tema 3: Contrastes de Hipótesis Curso / 39

13 El estadístico de contraste es bβ 3 bβ q 4 var( \ bβ 3 ) + var(bβ \ 4 ) 2 cov(bβ \ 3, bβ 4 ) t 7034 ' N(0, 1) Bajo H 0 Utilizando \ var(bβ) : var(bβ \ 3 ) + var(bβ \ 4 ) 2 cov(bβ \ 3, bβ 4 ) = 0, , , = 0, y el valor del estadístico de contraste en la muestra es t = (0,132 0,159)/ p 0, = 0,56. Puesto que jtj = 0,56 z 0,025 = 1,96, no podemos rechazar H 0 al 5 % y por tanto concluimos que un aumento en el número de hijos tiene el mismo efecto sobre el gasto en vestido y calzado que un aumento en el número de adultos. Econometría I (UA) Tema 3: Contrastes de Hipótesis Curso / 39

14 Para realizar este contraste de forma más sencilla podemos reparametrizar el modelo de la siguiente forma. Sea θ 3 = β 3 β 4, la hipótesis que tenemos que contrastar es ahora H 0 : θ 3 = 0 H 1 : θ 3 6= 0 Dado que β 3 = θ 3 + β 4 podemos escribir el modelo como gvest = β 1 + β 2 renta + (θ 3 + β 4 )nad + β 4 nhijos + u gvest = β 1 + β 2 renta + θ 3 nad + β 4 (nad + nhijos) + u gvest = β 1 + β 2 renta + θ 3 nad + β 4 tfam + u donde tfam = nad + nhijos. En base a la misma muestra se obtiene [gvest t = 1,2 + 0,064 renta t 0,027nad t + 0,159 tfam t (0,0033) (0,048) (0,0391) El valor del estadístico de contraste es t = 0,027/0,048 = 0,56 que (salvo errores de redondeo) coincide con el resultado que obtuvimos antes. Econometría I (UA) Tema 3: Contrastes de Hipótesis Curso / 39

15 Contrastes de un conjunto de restricciones lineales: Supongamos ahora que queremos contrastar q (q < k) restricciones lineales H 0 : Rβ = r H 1 : Rβ 6= r donde R es ahora una matriz q k de rango q (que la matriz R tenga rango q quiere decir que las restricciones lineales son independientes) y r es un vector q 1 Dado que bβ N(β, σ 2 (X 0 X) 1 ) Multiplicando por la izquierda por R Rbβ N(Rβ, σ 2 R(X 0 X) 1 R 0 ) Econometría I (UA) Tema 3: Contrastes de Hipótesis Curso / 39

16 Bajo H 0 Rbβ N(r, σ 2 R(X 0 X) 1 R 0 ) dado que ahora Rbβ es un vector q 1 y no un escalar, no podemos estandarizar su distribución como hicimos en el apartado anterior, sin embargo, utilizando el Teorema 6 del tema 3 χ = (Rbβ r) 0 (σ 2 R(X 0 X) 1 R 0 ) 1 (Rbβ r) χ 2 q bajo H 0 Nótese que χ sólo nos serviría como estadístico de contraste si σ 2 fuese conocida, lo que no suele ocurrir en la práctica. Si σ 2 es desconocida, para construir el estadístico de contraste, tenemos que combinar χ con otro estadístico que también dependa de σ 2 de forma que al combinarlos obtengamos un estadístico que no dependa de σ 2. Econometría I (UA) Tema 3: Contrastes de Hipótesis Curso / 39

17 Puesto que (T k)bσ 2 σ 2 χ 2 T k y como bσ 2 y bβ son independientes definimos el estadístico de contraste: F = (R bβ r) 0 (σ 2 R(X 0 X) 1 R 0 ) 1 (Rbβ r)/q (T k)bσ 2 σ 2 (T k) = (Rbβ r) 0 (bσ 2 R(X 0 X) 1 R 0 ) 1 (Rbβ r)/q = (Rbβ r) 0 (R \ var(bβ)r 0 ) 1 (Rbβ r)/q F q,t k bajo H 0 para un nivel de significación α, la región crítica es ff > F q,t k,α g. Econometría I (UA) Tema 3: Contrastes de Hipótesis Curso / 39

18 Ejemplo 3: Consideremos el modelo para los salarios estimado en base a una muestra de 935 individuos que ya vimos en el Tema 1. \salario t = 7,92 + 0,605educ t + 0,357edad t 0,0022edad2 t \ var(bβ) = (0,056) (1,000) (0,015) 271,88 0, , , , , , , , , donde salario es el salario mensual en cientos de dolares, educ es el nivel de educación en años, edad es la edad en años y edad2 es la edad al cuadrado Econometría I (UA) Tema 3: Contrastes de Hipótesis Curso / 39

19 Vamos a contrastar si el efecto marginal de la edad sobre el salario es cero. Si β 3 y β 4 son los coeficientes poblacionales de edad y edad2, el efecto marginal es β β 4 edad y el efecto marginal será cero si y solo si β β 4 edad = 0 para todo valor de edad. Por tanto, tenemos que contrastar: H 0 : β 3 = 0, β 4 = 0 H 1 : β 3 6= 0 y/o β 4 6= 0 La matriz R y el vector r son R = , r = 0 Econometría I (UA) Tema 3: Contrastes de Hipótesis Curso / 39

20 El estadístico de contraste es 2 F = (bβ 3, bβ 4 ) 4 var(bβ \ 3 ) cov(bβ \ 3, bβ 3 ) cov(bβ \ 3, bβ 3 ) var(bβ \ 4 ) bβ 3 bβ 4! /2 F 2,931 bajo H 0 El valor del estadístico de contraste en la muestra es: F = 1 1 1, , ,357 2 (0,357, 0,0022) 0, , ,0022 = 1 639, ,269 0,357 2 (0,357, 0,0022) 42557, ,9 0,0022 = 1 28,40 = 14,2 2 Puesto que F = 14,2 > F 2,931,0,05 = 3 podemos rechazar H 0 al 5 % y por tanto concluimos que los salarios dependen de la edad. Nota: Los estadísticos de contraste t y F no varían ante un cambio de unidades de medida en las variables explicativas y/o en la variable dependiente. Econometría I (UA) Tema 3: Contrastes de Hipótesis Curso / 39

21 Estimación con restricciones lineales Si sabemos que los coeficientes del modelo satisfacen una o más restricciones lineales podemos imponer dichas restricciones para mejorar la eficiencia. El método de estimación por mínimos cuadrados imponiendo restricciones lineales en los parámetros del modelo se denomina Estimación de Mínimos Cuadrados Restringidos. Consideremos un conjunto de q restricciones lineales Rβ = r, donde R es una matriz q k y r es un vector q 1. El estimador de Mínimos Cuadrados Restringidos se obtiene como solución del problema de minimización con restricciones m«ın b T t=1 e 2 t = m«ın e 0 e sujeto a Rb = r b donde e = Y Xb. Econometría I (UA) Tema 3: Contrastes de Hipótesis Curso / 39

22 La solución al problema de minimización es: bβ r = bβ h (X 0 X) 1 R 0 R X 0 X i 1 1 R 0 Rbβ r No es necesario utilizar la fórmula general para calcular el estimador de Mínimos Cuadrados Restringidos. Lo que se hace en la práctica es imponer las restricciones en el modelo y calcular el estimador MCO del modelo restringido. Econometría I (UA) Tema 3: Contrastes de Hipótesis Curso / 39

23 Ejemplo 2 (Continuación): Consideremos de nuevo el modelo gvest = β 1 + β 2 renta + β 3 nad + β 4 nhijos + u (1) Si imponemos la restricción que contrastamos anteriormente de que un aumento en el número de hijos tiene el mismo efecto sobre el gasto en vestido y calzado que un aumento en el número de adultos (β 3 = β 4 ) obtenemos el modelo gvest = β 1 + β 2 renta + β 3 (nad + nhijos) + u (2) y el estimador de Mínimos Cuadrados Restringidos del modelo (1) imponiendo la restricción β 3 = β 4 es el estimador MCO del modelo (2). Econometría I (UA) Tema 3: Contrastes de Hipótesis Curso / 39

24 Propiedades del estimador bβ r : h 1 E[bβ r ] = β + (X 0 X) 1 R 0 R (X 0 X) 1 R 0i 1 (r Rβ) Entonces E b β r = β cuando las restricciones Rβ = r son ciertas Demostración E[bβ r ] = E bβ h (X 0 X) 1 R 0 R X 0 X i 1 1 R 0 Rbβ r = = β Ya que E[bβ]=β h (X 0 X) 1 R 0 R X 0 X i 1 1 R 0 (Rβ r) = Si Rβ=r h i h 2 Var b β r = σ 2 (X 0 X) 1 σ 2 (X 0 X) 1 R 0 R (X 0 X) 1 R 0i 1 R (X 0 X) 1 h i h i Nótese que Var b β r Var b β con independencia de Rβ = r o no. Econometría I (UA) Tema 3: Contrastes de Hipótesis Curso / 39

25 El contraste F: Se puede demostrar que h ere 0 r = e 0 e + r i 0 Rbβ hr(x 0 X) 1 R 0i 1 h r i Rbβ Por tanto, el estadístico de contraste F para contrastar Rβ = q se puede escribir como: h (Rbβ r) 0 R (X 0 X) 1 R 0i 1 (R bβ r) q F = bσ 2 = (e 0 = r e r e 0 e) q (e 0 e) (T k) F q,t k bajo H 0 Econometría I (UA) Tema 3: Contrastes de Hipótesis Curso / 39

26 Si no cambia la variable dependiente como consecuencia de la restricción, entonces, de la definición de coeficiente de determinación se deduce que: (e 0 F = r e r e 0 e) q R 2 (e 0 e) (T k) = R 2 r q (1 R2 ) (T k) F q,t k bajo H 0 Gracias a estas fórmulas es posible calcular los estadísticos de contraste utilizando sumas cuadráticas residuales de modelos estimados por MCO. Econometría I (UA) Tema 3: Contrastes de Hipótesis Curso / 39

27 Ejemplo 2 (Continuación): Consideremos de nuevo el modelo gvest = β 1 + β 2 renta + β 3 nad + β 4 nhijos + u y la restricción de que un aumento en el número de hijos tiene el mismo efecto sobre el gasto en vestido y calzado que un aumento en el número de adultos (β 3 = β 4 ) Los resultados para la estimación del modelo no restringido y del modelo restringido son [gvest t = 1,2 + 0,064 renta t + 0,132 (0,0033) (0,0419) SCR = e 0 e = 85138,162 [gvest t = 1,2 + 0,064 renta t + 0,147 tfam t, (0,0033) (0,0326) SCR = e 0 re r = 85141,9863 nad t + 0,159 nhijos t, (0,0391) donde tfam = nad + nhijos. El valor del estadístico en esta muestra es F = (85141, ,162)/(85138,162/7034) = 0,3154 y como F = 0,3154 < F 1,7034 no podemos rechazar H 0 al 5 %. Econometría I (UA) Tema 3: Contrastes de Hipótesis Curso / 39

28 Nótese que este contraste es equivalente al contraste t que vimos anteriormente para este ejemplo ya que, cuando estamos contrastando una única restricción, t 2 = F. En este ejemplo obtuvimos t = 0,56 y por tanto t 2 = 0,3136 que no coincide exactamente con el valor que hemos obtenido para F por los errores de redondeo. Supongamos que en el modelo del Ejemplo 2 queremos contrastar la hipótesis de que un aumento en el número de hijos tiene un efecto mayor sobre el gasto en vestido y calzado que un aumento en el número de adultos. La hipótesis que tenemos que contrastar es ahora H 0 : β 3 = β 4 H 1 : β 3 < β 4 Econometría I (UA) Tema 3: Contrastes de Hipótesis Curso / 39

29 Supongamos que sólo disponemos de información sobre las sumas cuadráticas residuales del modelo restringido y sin restringir. A partir del estadístico F, sólo podemos realizar contrastes bilaterales. Sin embargo, a partir del estadístico F podemos obtener el estadístico t, puesto que t = p F = 0,5616 Para saber si debemos coger la raíz positiva o negativa, debemos saber el signo del estadístico de contraste t. El estadístico t para este contraste es: ˆβ t = 3 ˆβ 4 SE ˆβ 3 ˆβ 4 y por lo tanto, puesto que el error estándard siempre es positivo, t es positivo si ˆβ 3 ˆβ 4 > 0 y es negativo si ˆβ 3 ˆβ 4 < 0. Dadas las estimaciones del modelo: ˆβ 3 ˆβ 4 = 0,132 0,159 = 0,0270 y por lo tanto concluimos que el estadístico t de contraste que debemos utilizar es t = 0,5616. Econometría I (UA) Tema 3: Contrastes de Hipótesis Curso / 39

30 La región crítica para este contraste unilateral es: ft < t 7034,0,05 g ' ft < z 0,05 g = ft < 1,645g Puesto que el estadístico de contraste no pertenece a la región crítica, no hay suficiente evidencia para afirmar que un aumento en el número de hijos tiene un efecto mayor sobre el gasto en vestido y calzado que un aumento en el número de adultos. Econometría I (UA) Tema 3: Contrastes de Hipótesis Curso / 39

31 Ejemplo 3 (Continuación): Consideremos de nuevo el modelo para los salarios estimado en base a una muestra de 935 individuos \salario t = 7,92 + 0,605educ t + 0,357edad t 0,0022edad2 t, R 2 = 0,8690 (0,056) (1,000) (0,015) Vamos a contrastar utilizando ahora el modelo restringido si el efecto marginal de la edad sobre el salario es cero, es decir H 0 : β 3 = 0, β 4 = 0 H 1 : β 3 6= 0 y/o β 4 6= 0 donde β 3 y β 4 son los coeficientes poblacionales de edad y edad2. Los resultados de la estimación imponiendo las restricciones son: \salario t = 1,47 + 0,602educ t, R 2 = 0,8651 (0,057) Econometría I (UA) Tema 3: Contrastes de Hipótesis Curso / 39

32 El valor del estadístico de contraste para esta muestra es F = [(0,8690 0,8651)/2] / [(1 0,8690)/931] = 13,86 > F 2,931,0,05 Puesto que F = 13,86 > F 2,931,0,05 podemos rechazar H 0 al 5 % y por tanto concluimos que los salarios dependen de la edad. Nótese que el valor de F no coincide exactamente con el que calculamos anteriormente para este mismo ejemplo debido a los errores de redondeo. Econometría I (UA) Tema 3: Contrastes de Hipótesis Curso / 39

33 Caso Particular: Contraste de significatividad global de la regresión. Este contraste analiza la hipótesis nula de que todos los coeficientes del modelo, excepto el término constante, son iguales a cero H 0 : β 2 = β 3 =... = β k = 0 Utilizando la expresión que acabamos de ver para el estadístico F en función del R 2 tenemos R 2 R 2 r q F = (1 R2 ) (T k) = R 2 /(k 1) (1 R 2 )/(T k) F k 1,T k bajo H 0 ya que el coeficiente de determinación del modelo restringido es 0 en este caso. Econometría I (UA) Tema 3: Contrastes de Hipótesis Curso / 39

34 Intervalos de confianza La estimación por intervalos consiste en proponer un intervalo cuyos límites sean estadísticos, y que contendrán al verdadero valor del parámetro con una probabilidad determinada. Para una muestra concreta el intervalo contendrá o no el verdadero valor del parámetro y no tiene sentido hablar de la probabilidad de que contenga al verdadero parámetro. Si obtuviésemos sucesivas muestras aleatorias de un determinado tamaño muestral y calculásemos los intervalos cada vez, el porcentaje de intervalos que contendrían el verdadero valor del parámetro sería en torno al 100(1 α). Econometría I (UA) Tema 3: Contrastes de Hipótesis Curso / 39

35 Intervalos de confianza para β j Puesto que h i bβ j N β j, σ 2 (X 0 X) 1 jj Podemos estandarizar bβ j restando la media y dividiendo por la desviación tipica bβ j β j z = q N(0, 1) bajo H 0 σ 2 (X 0 X) 1 jj Sabemos que bσ 2 (T k) σ 2 χ 2 (T k) y puesto que bσ 2 y bβ j son independientes t = bβ j β q j σ 2 (X 0 X) 1 jj r (T k)bσ 2 σ 2 (T k) = bβ j β j bβ j β j q = bσ 2 (X 0 X) 1 SE(bβ jj j ) t T k Econometría I (UA) Tema 3: Contrastes de Hipótesis Curso / 39

36 Por tanto bβ j β j Prob t T k,α/2 < SE(bβ j ) < t T k,α/2! = 1 α Manipulando esta expresión tenemos Prob t T k,α/2 SE(bβ j ) < bβ j β j < t T k,α/2 SE(bβ j ) Prob b β j t T k,α/2 SE(bβ j ) < β j < bβ j + t T k,α/2 SE(bβ j ) = 1 α = 1 α y el intervalo de confianza para β j al 100(1 α) % de confianza es [bβ j t T k,α/2 SE(bβ j ), bβ j + t T k,α/2 SE(bβ j )] Econometría I (UA) Tema 3: Contrastes de Hipótesis Curso / 39

37 Ejemplo 1 (Continuación): Consideremos de nuevo el modelo log(crime) = β 1 + β 2 log(enroll) + u En base a una muestra de 97 universidades americanas se han obtenido los siguientes resultados log(crime) \ = 6,63 + 1,27 log(enroll) (1,03) (0,11) Como t 95,0,025 = 1,98, el intervalo de confianza al 95 % para la elasticidad de los delitos repecto al número de alumnos matriculados (β 2 ) es [1,27 0,11 1,98, 1,27 + 0,11 1,98] = [1,0522, 1,4878] Existe una relación entre los intervalos de confianza y los contraste de hipótesis: Se rechaza a nivel α la hipótesis nula H 0 : β j = β 0 j frente a la alternativa H 1 : β j 6= β 0 j si y sólo si β 0 j no pertenece al intervalo de confianza para β j al 100(1 α) % de confianza. Econometría I (UA) Tema 3: Contrastes de Hipótesis Curso / 39

38 Intervalos de confianza para una combinación lineal de los β j Sea R un vector 1 k, puesto que bβ N hβ, σ 2 (X 0 X) 1i Rbβ N hrβ, σ 2 R(X 0 X) 1 R 0i Podemos estandarizar restando la media y dividiendo por la Rbβ Rβ desviación tipicaz = p N(0, 1) bajo H 0 σ 2 R(X 0 X) 1 R 0 Sabemos que bσ 2 (T k) σ 2 χ 2 (T k) y puesto que bσ 2 y bβ son independientes t = Rbβ Rβ p σ 2 R(X 0 X) 1 R 0 r (T k)bσ 2 σ 2 (T k) = Rbβ Rβ q = Rbβ Rβ bσ 2 R(X 0 X) 1 R 0 SE(Rbβ) t T k Econometría I (UA) Tema 3: Contrastes de Hipótesis Curso / 39

39 Por tanto Prob t T k,α/2 < R bβ Rβ SE(Rbβ) < t T k,α/2! = 1 α Manipulando esta expresión tenemos Prob t T k,α/2 SE(Rbβ) < Rbβ Rβ < t T k,α/2 SE(Rbβ) Prob Rbβ t T k,α/2 SE(Rbβ) < Rβ < Rbβ + t T k,α/2 SE(Rbβ) = 1 α = 1 α y el intervalo de confianza para Rβ con nivel de confianza 100(1 α) % es [Rbβ t T k,α/2 SE(Rbβ), Rbβ + t T k,α/2 SE(Rbβ)] Existe una relación entre los intervalos de confianza y los contraste de hipótesis: Se rechaza a nivel α la hipótesis nula H 0 : Rβ = r frente a la alternativa H 1 : Rβ 6= r si y sólo si r no pertenece al intervalo de confianza para Rβ al 100(1 α) % de confianza. Econometría I (UA) Tema 3: Contrastes de Hipótesis Curso / 39

TEMA 2: Propiedades de los estimadores MCO

TEMA 2: Propiedades de los estimadores MCO TEMA 2: Propiedades de los estimadores MCO Econometría I M. Angeles Carnero Departamento de Fundamentos del Análisis Económico Curso 2011-12 Econometría I (UA) Tema 2: Pdades de los estimadores MCO Curso

Más detalles

GUIÓN TEMA 2. PROPIEDADES DE LOS ESTIMADORES MCO 2.1 PROPIEDADES ESTADÍSTICAS DEL ES- TIMADOR MCO DE.

GUIÓN TEMA 2. PROPIEDADES DE LOS ESTIMADORES MCO 2.1 PROPIEDADES ESTADÍSTICAS DEL ES- TIMADOR MCO DE. ECONOMETRIA I. Departamento de Fundamentos del Análisis Económico Universidad de Alicante. Curso 011/1 GUIÓN TEMA. PROPIEDADES DE LOS ESTIMADORES MCO Bibliografía apartados.1,. y.3: Greene, 6.6.1, 6.6.3

Más detalles

Regresión múltiple. Demostraciones. Elisa Mª Molanes López

Regresión múltiple. Demostraciones. Elisa Mª Molanes López Regresión múltiple Demostraciones Elisa Mª Molanes López El modelo de regresión múltiple El modelo que se plantea en regresión múltiple es el siguiente: y i = β 0 + β 1 x 1i + β 2 x 2i +...+ β k x ki +

Más detalles

Estadística y sus aplicaciones en Ciencias Sociales 5. Estimación. Facultad de Ciencias Sociales, UdelaR

Estadística y sus aplicaciones en Ciencias Sociales 5. Estimación. Facultad de Ciencias Sociales, UdelaR Estadística y sus aplicaciones en Ciencias Sociales 5. Estimación Facultad de Ciencias Sociales, UdelaR Índice 1. Repaso: estimadores y estimaciones. Propiedades de los estimadores. 2. Estimación puntual.

Más detalles

Ejemplo 6.2. Pilar González y Susan Orbe. Dpto. Economía Aplicada III (Econometría y Estadística)

Ejemplo 6.2. Pilar González y Susan Orbe. Dpto. Economía Aplicada III (Econometría y Estadística) Ejemplo 6.2 Inferencia en el Modelo de Regresión Lineal General Pilar González y Susan Orbe Dpto. Economía Aplicada III (Econometría y Estadística) Pilar González y Susan Orbe OCW 2013 Ejemplo 6.2 Inferencia

Más detalles

TODO ECONOMETRIA. Bondad del ajuste Contraste de hipótesis

TODO ECONOMETRIA. Bondad del ajuste Contraste de hipótesis TODO ECONOMETRIA Bondad del ajuste Contraste de hipótesis Índice Bondad del ajuste: Coeficiente de determinación, R R ajustado Contraste de hipótesis Contrastes de hipótesis de significación individual:

Más detalles

Estadística II Tema 4. Regresión lineal simple. Curso 2009/10

Estadística II Tema 4. Regresión lineal simple. Curso 2009/10 Estadística II Tema 4. Regresión lineal simple Curso 009/10 Tema 4. Regresión lineal simple Contenidos El objeto del análisis de regresión La especificación de un modelo de regresión lineal simple Estimadores

Más detalles

ESTIMACIÓN Y PRUEBA DE HIPÓTESIS INTERVALOS DE CONFIANZA

ESTIMACIÓN Y PRUEBA DE HIPÓTESIS INTERVALOS DE CONFIANZA www.jmontenegro.wordpress.com UNI ESTIMACIÓN Y PRUEBA DE HIPÓTESIS INTERVALOS DE CONFIANZA PROF. JOHNNY MONTENEGRO MOLINA Objetivos Desarrollar el concepto de estimación de parámetros Explicar qué es una

Más detalles

Tema 8: Contraste de hipótesis

Tema 8: Contraste de hipótesis Tema 8: Contraste de hipótesis 1 En este tema: Conceptos fundamentales: hipótesis nula y alternativa, nivel de significación, error de tipo I y tipo II, p-valor. Contraste de hipótesis e IC. Contraste

Más detalles

Hoja de Ejercicios 3 El modelo de regresión lineal múltiple

Hoja de Ejercicios 3 El modelo de regresión lineal múltiple Hoja de Ejercicios 3 El modelo de regresión lineal múltiple Nota: En aquellos ejercicios en los que se incluyen estimaciones y referencia al archivo de datos utilizado, el estudiante debería comprobar

Más detalles

TEMA 4 Modelo de regresión múltiple

TEMA 4 Modelo de regresión múltiple TEMA 4 Modelo de regresión múltiple José R. Berrendero Departamento de Matemáticas Universidad Autónoma de Madrid Análisis de Datos - Grado en Biología Estructura de este tema Modelo de regresión múltiple.

Más detalles

Análisis de Regresión Múltiple: Inferencia

Análisis de Regresión Múltiple: Inferencia Análisis de Regresión Múltiple: Inferencia Carlos Velasco 1 1 Departamento de Economía Universidad Carlos III de Madrid Econometría I Máster en Economía Industrial Universidad Carlos III de Madrid Curso

Más detalles

ESTADÍSTICA. Tema 4 Regresión lineal simple

ESTADÍSTICA. Tema 4 Regresión lineal simple ESTADÍSTICA Grado en CC. de la Alimentación Tema 4 Regresión lineal simple Estadística (Alimentación). Profesora: Amparo Baíllo Tema 4: Regresión lineal simple 1 Estructura de este tema Planteamiento del

Más detalles

Estadística y sus aplicaciones en Ciencias Sociales 6. Prueba de hipótesis. Facultad de Ciencias Sociales, UdelaR

Estadística y sus aplicaciones en Ciencias Sociales 6. Prueba de hipótesis. Facultad de Ciencias Sociales, UdelaR Estadística y sus aplicaciones en Ciencias Sociales 6. Prueba de hipótesis Facultad de Ciencias Sociales, UdelaR Índice 1. Introducción: hipótesis estadística, tipos de hipótesis, prueba de hipótesis 2.

Más detalles

Tema 5. Muestreo y distribuciones muestrales

Tema 5. Muestreo y distribuciones muestrales 1 Tema 5. Muestreo y distribuciones muestrales En este tema: Muestreo y muestras aleatorias simples. Distribución de la media muestral: Esperanza y varianza. Distribución exacta en el caso normal. Distribución

Más detalles

Contraste de hipótesis Tema Pasos del contraste de hipótesis. 1.1 Hipótesis estadísticas: nula y alternativa. 1.3 Estadístico de contraste

Contraste de hipótesis Tema Pasos del contraste de hipótesis. 1.1 Hipótesis estadísticas: nula y alternativa. 1.3 Estadístico de contraste 1 Contraste de hipótesis Tema 3 1. Pasos del contraste de hipótesis 1.1 Hipótesis estadísticas: nula y alternativa 1.2 Supuestos 1.3 Estadístico de contraste 1.4 Regla de decisión: zona de aceptación y

Más detalles

Prácticas Tema 2: El modelo lineal simple

Prácticas Tema 2: El modelo lineal simple Prácticas Tema 2: El modelo lineal simple Ana J. López y Rigoberto Pérez Departamento de Economía Aplicada. Universidad de Oviedo PRACTICA 2.1- Se han analizado sobre una muestra de 10 familias las variables

Más detalles

Econometría. Auxiliar 4. Profesor : Mattia Makovec Semestre : Otoño 2010 Auxiliar : Gonzalo Viveros A.

Econometría. Auxiliar 4. Profesor : Mattia Makovec Semestre : Otoño 2010 Auxiliar : Gonzalo Viveros A. Econometría Auxiliar 4 Profesor : Mattia Makovec Semestre : Otoño 2010 Auxiliar : Gonzalo Viveros A. Pregunta 1 El archivo salarios.xls contiene observaciones mensuales en US$ del salario (Wage) de 935

Más detalles

Tema 1. El Modelo de Regresión Lineal con Regresores Aleatorios.

Tema 1. El Modelo de Regresión Lineal con Regresores Aleatorios. ema El Modelo de Regresión Lineal con Regresores Aleatorios Introducción En este tema vamos a analizar las propiedades del modelo de regresión lineal con regresores aleatorios Suponer que los regresores

Más detalles

2 Introducción a la inferencia estadística Introducción Teoría de conteo Variaciones con repetición...

2 Introducción a la inferencia estadística Introducción Teoría de conteo Variaciones con repetición... Contenidos 1 Introducción al paquete estadístico S-PLUS 19 1.1 Introducción a S-PLUS............................ 21 1.1.1 Cómo entrar, salir y consultar la ayuda en S-PLUS........ 21 1.2 Conjuntos de datos..............................

Más detalles

ECONOMETRÍA II Prof.: Begoña Álvarez TEMA 1 INTRODUCCIÓN. Estimación por máxima verosimilitud y conceptos de teoría asintótica

ECONOMETRÍA II Prof.: Begoña Álvarez TEMA 1 INTRODUCCIÓN. Estimación por máxima verosimilitud y conceptos de teoría asintótica ECONOMETRÍA II Prof.: Begoña Álvarez 2007-2008 TEMA 1 INTRODUCCIÓN Estimación por máxima verosimilitud y conceptos de teoría asintótica 1. ESTIMACIÓN POR MÁXIMA VEROSIMILITUD (MAXIMUM LIKELIHOOD) La estimación

Más detalles

Tema 3.2: Modelo lineal general: inferencia y predicción. Universidad Complutense de Madrid 2013

Tema 3.2: Modelo lineal general: inferencia y predicción. Universidad Complutense de Madrid 2013 Tema 3.2: Modelo lineal general: inferencia y predicción Universidad Complutense de Madrid 2013 Contraste de hipótesis paramétricas en el MLG (I) Necesitamos añadir a la lista de hipótesis del MLG, la

Más detalles

Contrastes de restricciones lineales y predicción

Contrastes de restricciones lineales y predicción Tema 4 Contrastes de restricciones lineales y predicción Contenido 4.1. Contrastes de restricciones lineales................. 78 4.2. Contrastes utilizando Gretl..................... 80 4.3. Estimación

Más detalles

TEMA 4: Variables binarias

TEMA 4: Variables binarias TEMA 4: Variables binarias Econometría I M. Angeles Carnero Departamento de Fundamentos del Análisis Económico Curso 2011-12 Econometría I (UA) Tema 4: Variables binarias Curso 2011-12 1 / 51 Variables

Más detalles

Contrastes de hipótesis paramétricos

Contrastes de hipótesis paramétricos Estadística II Universidad de Salamanca Curso 2011/2012 Outline Introducción 1 Introducción 2 Contraste de Neyman-Pearson Sea X f X (x, θ). Desonocemos θ y queremos saber que valor toma este parámetro,

Más detalles

T2. El modelo lineal simple

T2. El modelo lineal simple T2. El modelo lineal simple Ana J. López y Rigoberto Pérez Dpto Economía Aplicada. Universidad de Oviedo Curso 2010-2011 Curso 2010-2011 1 / 40 Índice 1 Planteamiento e hipótesis básicas 2 Estimación de

Más detalles

INTERPRETACIÓN DE LA REGRESIÓN. Interpretación de la regresión

INTERPRETACIÓN DE LA REGRESIÓN. Interpretación de la regresión INTERPRETACIÓN DE LA REGRESIÓN Este gráfico muestra el salario por hora de 570 individuos. 1 Interpretación de la regresión. regresión Salario-Estudios Source SS df MS Number of obs = 570 ---------+------------------------------

Más detalles

Se permite un folio escrito por las dos caras. Cada problema se realiza en hojas diferentes y se entregan por separado.

Se permite un folio escrito por las dos caras. Cada problema se realiza en hojas diferentes y se entregan por separado. NORMAS El examen consta de dos partes: 0.0.1. Diez Cuestiones: ( tiempo: 60 minutos) No se permite ningún tipo de material (libros, apuntes, calculadoras,...). No se permite abandonar el aula una vez repartido

Más detalles

Tema 10: Introducción a los problemas de Asociación y Correlación

Tema 10: Introducción a los problemas de Asociación y Correlación Tema 10: Introducción a los problemas de Asociación y Correlación Estadística 4 o Curso Licenciatura en Ciencias Ambientales Licenciatura en Ciencias Ambientales (4 o Curso) Tema 10: Asociación y Correlación

Más detalles

INFERENCIA ESTADISTICA

INFERENCIA ESTADISTICA 1 INFERENCIA ESTADISTICA Es una rama de la Estadística que se ocupa de los procedimientos que nos permiten analizar y extraer conclusiones de una población a partir de los datos de una muestra aleatoria,

Más detalles

Ejemplos Resueltos Tema 4

Ejemplos Resueltos Tema 4 Ejemplos Resueltos Tema 4 2012 1. Contraste de Hipótesis para la Media µ (con σ conocida) Dada una muestra de tamaño n y conocida la desviación típica de la población σ, se desea contrastar la hipótesis

Más detalles

Tribunal de la Oposición al Cuerpo Superior de Estadísticos del Estado

Tribunal de la Oposición al Cuerpo Superior de Estadísticos del Estado Tribunal de la Oposición al Cuerpo Superior de Estadísticos del Estado Pruebas selectivas para el ingreso en el Cuerpo Superior de Estadísticos del Estado. Orden ECC/1517/2015, de 16 de Julio (BOE 27/07/2015).

Más detalles

1 Introducción. 2 Modelo. Hipótesis del modelo MODELO DE REGRESIÓN LOGÍSTICA

1 Introducción. 2 Modelo. Hipótesis del modelo MODELO DE REGRESIÓN LOGÍSTICA MODELO DE REGRESIÓN LOGÍSTICA Introducción A grandes rasgos, el objetivo de la regresión logística se puede describir de la siguiente forma: Supongamos que los individuos de una población pueden clasificarse

Más detalles

Gráfico 1: Evolución del exceso de rentabilidad de la empresa y de la cartera de mercado

Gráfico 1: Evolución del exceso de rentabilidad de la empresa y de la cartera de mercado Caso 1: Solución Apartado a) - 2 0 2 4 6 0 2 0 4 0 6 0 8 0 1 0 0 p e r i o d E x c e s s r e t u r n, c o m p a n y a e x c e s s r e t u r n m a r k e t p o r t f o l i o Gráfico 1: Evolución del exceso

Más detalles

Tema 8: Regresión y Correlación

Tema 8: Regresión y Correlación Tema 8: Regresión y Correlación Estadística. 4 o Curso. Licenciatura en Ciencias Ambientales Licenciatura en Ciencias Ambientales (4 o Curso) Tema 8: Regresión y Correlación Curso 2008-2009 1 / 12 Índice

Más detalles

Economía Aplicada. Regresión Lineal. Basado en Stock y Watson (cap.4-6), Wooldridge (cap.3-5)

Economía Aplicada. Regresión Lineal. Basado en Stock y Watson (cap.4-6), Wooldridge (cap.3-5) Economía Aplicada Regresión Lineal Basado en Stock y Watson (cap.4-6), Wooldridge (cap.3-5) Outline 1 Modelo de Regresión Lineal Simple Introducción Supuestos Interpretación de los coeficientes Estimación

Más detalles

Conceptos del contraste de hipótesis

Conceptos del contraste de hipótesis Análisis de datos y gestión veterinaria Contraste de hipótesis Departamento de Producción Animal Facultad de Veterinaria Universidad de Córdoba Córdoba, 14 de Diciembre de 211 Conceptos del contraste de

Más detalles

CONTRASTE DE HIPÓTESIS

CONTRASTE DE HIPÓTESIS CONTRASTE DE HIPÓTESIS Antonio Morillas A. Morillas: Contraste de hipótesis 1 CONTRASTE DE HIPÓTESIS 1. Introducción 2. Conceptos básicos 3. Región crítica óptima i. Teorema de Neyman-Pearson ii. Región

Más detalles

Estadística para la Economía y la Gestión IN 3401 Clase 5

Estadística para la Economía y la Gestión IN 3401 Clase 5 Estadística para la Economía y la Gestión IN 3401 Clase 5 Problemas con los Datos 9 de junio de 2010 1 Multicolinealidad Multicolinealidad Exacta y Multicolinealidad Aproximada Detección de Multicolinealidad

Más detalles

Estadística I Tema 7: Estimación por intervalos

Estadística I Tema 7: Estimación por intervalos Estadística I Tema 7: Estimación por intervalos Tema 7: Estimación por intervalos Ideas a transmitir Definición e interpretación frecuentista. Intervalos de confianza para medias y varianzas en poblaciones

Más detalles

Estadística y sus aplicaciones en Ciencias Sociales 7. El modelo de regresión simple. Facultad de Ciencias Sociales - UdelaR

Estadística y sus aplicaciones en Ciencias Sociales 7. El modelo de regresión simple. Facultad de Ciencias Sociales - UdelaR Estadística y sus aplicaciones en Ciencias Sociales 7. El modelo de regresión simple Facultad de Ciencias Sociales - UdelaR Índice 7.1 Introducción 7.2 Análisis de regresión 7.3 El Modelo de Regresión

Más detalles

SOLUCIÓN EXAMEN IV Nombres: Apellidos: C.I.: Firma: Fecha: 19/11/2004

SOLUCIÓN EXAMEN IV Nombres: Apellidos: C.I.: Firma: Fecha: 19/11/2004 Nombres: Apellidos: C.I.: Firma: Fecha: 19/11/004 MÉTODOS ESTADÍSTICOS I EXAMEN IV PARTE I: Encierre con un círculo la respuesta correcta (0,5 puntos c/u): 1. (V F) Los contrastes de hipótesis de dos muestras

Más detalles

MODELO DE RESPUESTAS Objetivos 2, 3, 4, 5, 6, 7, Y 8.

MODELO DE RESPUESTAS Objetivos 2, 3, 4, 5, 6, 7, Y 8. UNIVERSIDAD NACIONAL ABIERTA ESTADÍSTICA GENERAL 745) VICERRECTORADO ACADÉMICO INTEGRAL ÁREA DE MATEMÁTICA Fecha: 17/ 01 /009 MODELO DE RESPUESTAS Objetivos, 3, 4, 5, 6, 7, Y 8. OBJ. 1 PTA 1 Una compañía

Más detalles

ECONOMETRIA. Tema 5: ERRORES DE ESPECIFICACIÓN. César Alonso UC3M. César Alonso (UC3M) ECONOMETRIA. Tema 5 1 / 35

ECONOMETRIA. Tema 5: ERRORES DE ESPECIFICACIÓN. César Alonso UC3M. César Alonso (UC3M) ECONOMETRIA. Tema 5 1 / 35 ECONOMETRIA Tema 5: ERRORES DE ESPECIFICACIÓN César Alonso UC3M César Alonso (UC3M) ECONOMETRIA. Tema 5 1 / 35 Introducción Hemos visto que el estimador MCO tiene buenas propiedades bajo los supuestos

Más detalles

Examen de Introducción a la Econometría 8 de septiembre de 2008

Examen de Introducción a la Econometría 8 de septiembre de 2008 NOMBRE DNI: GRUPO Firma: MODELO 1: SOLUCIONES Examen de Introducción a la Econometría 8 de septiembre de 008 Sólo una respuesta es válida. Debe justificar la respuesta de cada pregunta en el espacio que

Más detalles

Econometría III Examen. 29 de Marzo de 2012

Econometría III Examen. 29 de Marzo de 2012 Econometría III Examen. 29 de Marzo de 2012 El examen consta de 20 preguntas de respuesta múltiple. El tiempo máximo es 1:10 minutos. nota: no se pueden hacer preguntas durante el examen a no ser que sean

Más detalles

Pronósticos, Series de Tiempo y Regresión. Capítulo 4: Regresión Lineal Múltiple

Pronósticos, Series de Tiempo y Regresión. Capítulo 4: Regresión Lineal Múltiple Pronósticos, Series de Tiempo y Regresión Capítulo 4: Regresión Lineal Múltiple Temas Modelo de regresión lineal múltiple Estimaciones de Mínimos Cuadrados Ordinarios (MCO); estimación puntual y predicción

Más detalles

Caso particular: Contraste de homocedasticidad

Caso particular: Contraste de homocedasticidad 36 Bioestadística: Métodos y Aplicaciones 9.5.5. Caso particular: Contraste de homocedasticidad En la práctica un contraste de gran interés es el de la homocedasticidad o igualdad de varianzas. Decimos

Más detalles

ENUNCIADOS DE PROBLEMAS

ENUNCIADOS DE PROBLEMAS UNIVERSIDAD CARLOS III DE MADRID ECONOMETRÍA I 22 de Septiembre de 2007 ENUNCIADOS DE PROBLEMAS Muy importante: Tenga en cuenta que algunos resultados de las tablas han podido ser omitidos. PROBLEMA 1:

Más detalles

Teorema Central del Límite (1)

Teorema Central del Límite (1) Teorema Central del Límite (1) Definición. Cualquier cantidad calculada a partir de las observaciones de una muestra se llama estadístico. La distribución de los valores que puede tomar un estadístico

Más detalles

Econometría de series de tiempo aplicada a macroeconomía y finanzas

Econometría de series de tiempo aplicada a macroeconomía y finanzas Econometría de series de tiempo aplicada a macroeconomía y finanzas Series de Tiempo Estacionarias (Multivariadas) Carlos Capistrán Carmona ITAM 1 Principios de Pronóstico. 2 Pruebas de Hipótesis. 3 Estimación

Más detalles

El modelo Lineal General

El modelo Lineal General El Lineal General Román Salmerón Gómez Universidad de Granada RSG El lineal uniecuacional múltiple 1 / 68 Estimación del Validación del Explotación del Estimación del Validación del Explotación del RSG

Más detalles

Tema 9: Contraste de hipótesis.

Tema 9: Contraste de hipótesis. Estadística 84 Tema 9: Contraste de hipótesis. 9.1 Introducción. El objetivo de este tema es proporcionar métodos que permiten decidir si una hipótesis estadística debe o no ser rechazada, en base a los

Más detalles

TEMA 2: Estimadores y distribuciones en el muestreo. Alfredo García Hiernaux. Grupos 69 y 73 Estadística I. Curso 2006/07

TEMA 2: Estimadores y distribuciones en el muestreo. Alfredo García Hiernaux. Grupos 69 y 73 Estadística I. Curso 2006/07 TEMA 2: Estimadores y distribuciones en el muestreo 1) Introducción 2) Tipos de muestreos 3) Estadísticos INDICE 4) Estimadores y propiedades 5) Distribución muestral 6) Teorema Central del Límite 7) Distribuciones

Más detalles

Funciones de Regresión No Lineales (SW Cap. 6)

Funciones de Regresión No Lineales (SW Cap. 6) Funciones de Regresión No Lineales (SW Cap. 6) Todo anteriormente ha sido lineal en las X s La aproximación de que la función de regresión es lineal puede ser satisfactoria para algunas variables pero

Más detalles

Tema 7. Contrastes de Hipótesis

Tema 7. Contrastes de Hipótesis 7.1. Conceptos básicos Tema 7. Contrastes de Hipótesis Uno de los problemas comunes en inferencia consiste en contrastar una hipótesis estadística. Ejemplo: El fabricante de un determinado tipo de piezas

Más detalles

Multicolinealidad. Universidad de Granada. RSG Incumplimiento de las hipótesis básicas en el modelo lineal uniecuacional múltiple 1 / 17

Multicolinealidad. Universidad de Granada. RSG Incumplimiento de las hipótesis básicas en el modelo lineal uniecuacional múltiple 1 / 17 Román Salmerón Gómez Universidad de Granada RSG Incumplimiento de las hipótesis básicas en el modelo lineal uniecuacional múltiple 1 / 17 exacta: aproximada: exacta: aproximada: RSG Incumplimiento de las

Más detalles

Ejercicio Heterocedasticidad_2

Ejercicio Heterocedasticidad_2 Ejercicio heterocedasticidad 2. 1 Ejercicio Heterocedasticidad_2 Tengamos los siguientes datos de los beneficios (B i ) y ventas (V i ) de 20 empresas: obs B V 1 13,2 61 2 15 78 3 22,2 158 4 15,2 110 5

Más detalles

Práctica 4. Contraste de hipótesis

Práctica 4. Contraste de hipótesis Práctica 4. Contraste de hipótesis Estadística Facultad de Física Objetivos Ajuste a una distribución discreta uniforme Test χ 2 Comparación de muestras Ajuste a una distribución normal 1 Introducción

Más detalles

Introducción a la Inferencia Estadística

Introducción a la Inferencia Estadística Introducción a la Inferencia Estadística Prof. Jose Jacobo Zubcoff Universidad de Alicante 2008 1 Introducción En este tema explicaremos los contrastes para la media de una población normal. e estudiarán

Más detalles

Contrastes de hipótesis. 1: Ideas generales

Contrastes de hipótesis. 1: Ideas generales Contrastes de hipótesis 1: Ideas generales 1 Inferencia Estadística paramétrica población Muestra de individuos Técnicas de muestreo X 1 X 2 X 3.. X n Inferencia Estadística: métodos y procedimientos que

Más detalles

CONTRASTE SOBRE UN COEFICIENTE DE LA REGRESIÓN

CONTRASTE SOBRE UN COEFICIENTE DE LA REGRESIÓN Modelo: Y =! 1 +! 2 X + u Hipótesis nula: Hipótesis alternativa H 1 :!!! 2 2 Ejemplo de modelo: p =! 1 +! 2 w + u Hipótesis nula: Hipótesis alternativa: H :!! 1 2 1. Como ilustración, consideremos un modelo

Más detalles

INFERENCIA ESTADISTICA

INFERENCIA ESTADISTICA INFERENCIA ESTADISTICA ESTIMACION 2 maneras de estimar: Estimaciones puntuales x s 2 Estimaciones por intervalo 2 ESTIMACION Estimaciones por intervalo Limites de Confianza LCI

Más detalles

Estructura de este tema. Tema 3 Contrastes de hipótesis. Ejemplo

Estructura de este tema. Tema 3 Contrastes de hipótesis. Ejemplo Estructura de este tema Tema 3 Contrastes de hipótesis José R. Berrendero Departamento de Matemáticas Universidad Autónoma de Madrid Qué es un contraste de hipótesis? Elementos de un contraste: hipótesis,

Más detalles

Tema 7: Introducción a la Teoría sobre Estimación

Tema 7: Introducción a la Teoría sobre Estimación Tema 7: Introducción a la Teoría sobre Estimación Estadística. 4 o Curso. Licenciatura en Ciencias Ambientales Licenciatura en Ciencias Ambientales (4 o Curso) Tema 7: Introducción a la Teoría sobre Estimación

Más detalles

INTERVALOS DE CONFIANZA Julián de la Horra Departamento de Matemáticas U.A.M.

INTERVALOS DE CONFIANZA Julián de la Horra Departamento de Matemáticas U.A.M. 1 Introducción INTERVALOS DE CONFIANZA Julián de la Horra Departamento de Matemáticas U.A.M. En este capítulo, vamos a abordar la estimación mediante Intervalos de Confianza, que es otro de los tres grandes

Más detalles

Tests de Hipótesis basados en una muestra. ESTADÍSTICA (Q) 5. TESTS DE HIPÓTESIS PARA LA MEDIA DE UNA POBLACIÓN NORMAL CON VARIANZA CONOCIDA

Tests de Hipótesis basados en una muestra. ESTADÍSTICA (Q) 5. TESTS DE HIPÓTESIS PARA LA MEDIA DE UNA POBLACIÓN NORMAL CON VARIANZA CONOCIDA 2 5. TESTS DE HIPÓTESIS PARA LA MEDIA DE UNA POBLACIÓN NORMAL CON VARIANZA CONOCIDA 5. Desarrollo de un ejemplo Interesa saber si el método de absorción atómica de vapor frío para determinar mercurio introduce

Más detalles

TEMA 5. Modelos para Datos de Conteo

TEMA 5. Modelos para Datos de Conteo TEMA 5. Modelos para Datos de Conteo Profesor: Pedro Albarrán Pérez Universidad de Alicante. Curso 2010/2011. Contenido 1 Datos de Conteo 2 Regresión de Poisson 3 Extensiones Datos de Conteo Variable de

Más detalles

Técnicas de Muestreo Métodos

Técnicas de Muestreo Métodos Muestreo aleatorio: Técnicas de Muestreo Métodos a) unidad muestral elemental: a.1) muestreo aleatorio simple a.2) muestreo (seudo)aleatorio sistemático a.3) muestreo aleatorio estratificado b) unidad

Más detalles

ENUNCIADO y SOLUCIONES. Problema 1

ENUNCIADO y SOLUCIONES. Problema 1 Ingeniería Industrial Métodos estadísticos de la Ingeniería Examen Junio 007. ENUNCIADO y SOLUCIONES Problema La memoria RAM para un ordenador se puede recibir de dos fabricantes A y B con igual probabilidad.

Más detalles

Estadística para la Economía y la Gestión IN 3401

Estadística para la Economía y la Gestión IN 3401 Estadística para la Economía y la Gestión IN 3401 3 de junio de 2010 1 Modelo de Regresión con 2 Variables Método de Mínimos Cuadrados Ordinarios Supuestos detrás del método MCO Errores estándar de los

Más detalles

Tema 5: Introducción a la inferencia estadística

Tema 5: Introducción a la inferencia estadística Tema 5: Introducción a la inferencia estadística 1. Planteamiento y objetivos 2. Estadísticos y distribución muestral 3. Estimadores puntuales 4. Estimadores por intervalos 5. Contrastes de hipótesis Lecturas

Más detalles

Contraste de hipótesis paramétricas

Contraste de hipótesis paramétricas Contraste de hipótesis paramétricas Prof, Dr. Jose Jacobo Zubcoff Departamento de Ciencias del Mar y Biología Aplicada Proceso de la investigación estadística Etapas PROBLEMA HIPÓTESIS DISEÑO RECOLECCIÓN

Más detalles

Podemos definir un contraste de hipótesis como un procedimiento que se basa en lo observado en las muestras y en la teoría de la probabilidad para

Podemos definir un contraste de hipótesis como un procedimiento que se basa en lo observado en las muestras y en la teoría de la probabilidad para VII. Pruebas de Hipótesis VII. Concepto de contraste de hipótesis Podemos definir un contraste de hipótesis como un procedimiento que se basa en lo observado en las muestras y en la teoría de la probabilidad

Más detalles

Capítulo 13. Contrastes sobre medias: Los procedimientos Medias y Prueba T. Medias

Capítulo 13. Contrastes sobre medias: Los procedimientos Medias y Prueba T. Medias Capítulo 13 Contrastes sobre medias: Los procedimientos Medias y Prueba T La opción Comparar medias del menú Analizar contiene varios de los procedimientos estadísticos diseñados para efectuar contrastes

Más detalles

Errores de especificación

Errores de especificación CAPíTULO 5 Errores de especificación Estrictamente hablando, un error de especificación es el incumplimiento de cualquiera de los supuestos básicos del modelo lineal general. En un sentido más laxo, esta

Más detalles

4. Prueba de Hipótesis

4. Prueba de Hipótesis 4. Prueba de Hipótesis Como se ha indicado anteriormente, nuestro objetivo al tomar una muestra es extraer alguna conclusión o inferencia sobre una población. En nuestro interés es conocer acerca de los

Más detalles

Objetivos del tema. Qué es una hipótesis? Test de Hipótesis Introducción a la Probabilidad y Estadística. Contrastando una hipótesis

Objetivos del tema. Qué es una hipótesis? Test de Hipótesis Introducción a la Probabilidad y Estadística. Contrastando una hipótesis Objetivos del tema Conocer el proceso para contrastar hipótesis y su relación con el método científico. Diferenciar entre hipótesis nula y alternativa Nivel de significación Test de Hipótesis Introducción

Más detalles

INFERENCIA ESTADÍSTICA: CONTRASTES DE HIPÓTESIS

INFERENCIA ESTADÍSTICA: CONTRASTES DE HIPÓTESIS INFERENCIA ESTADÍSTICA: CONTRASTES DE HIPÓTESIS Autor: Clara Laguna 6.1 INTRODUCCIÓN En el tema anterior estudiamos cómo a partir de una muestra podemos obtener una estimación puntual o bien establecer

Más detalles

Métodos Estadísticos Multivariados

Métodos Estadísticos Multivariados Métodos Estadísticos Multivariados Victor Muñiz ITESM Victor Muñiz (ITESM) Métodos Estadísticos Multivariados Agosto-Diciembre 2011 1 / 20 Victor Muñiz (ITESM) Métodos Estadísticos Multivariados Agosto-Diciembre

Más detalles

Tema 5. Contraste de hipótesis (I)

Tema 5. Contraste de hipótesis (I) Tema 5. Contraste de hipótesis (I) CA UNED de Huelva, "Profesor Dr. José Carlos Vílchez Martín" Introducción Bienvenida Objetivos pedagógicos: Conocer el concepto de hipótesis estadística Conocer y estimar

Más detalles

Hipótesis Alternativa H 1 : ϑ Θ 1

Hipótesis Alternativa H 1 : ϑ Θ 1 INFERENCIA ESTADÍSTICA Tema 3.3: Contrastes de signicación Objetivos Dominar el esquema conceptual y el lenguaje propios de los contrastes de hipótesis. Construir contrastes de hipótesis para los parámetros

Más detalles

Econometría de Económicas

Econometría de Económicas Econometría de Económicas Caso 2.- Función de Producción Cobb- Douglas Prof. Amparo Sancho El objetivo de este ejercicio es practicar los primeros conocimientos básicos de econometría con la función de

Más detalles

1 Introducción. 2 Modelo. Hipótesis del modelo. MODELO DE REGRESIÓN MÚLTIPLE Julián de la Horra Departamento de Matemáticas U.A.M.

1 Introducción. 2 Modelo. Hipótesis del modelo. MODELO DE REGRESIÓN MÚLTIPLE Julián de la Horra Departamento de Matemáticas U.A.M. MODELO DE REGRESIÓN MÚLTIPLE Julián de la Horra Departamento de Matemáticas U.A.M. 1 Introducción Abordaremos en este capítulo el modelo de regresión lineal múltiple, una vez que la mayor parte de las

Más detalles

Econometría II Grado en finanzas y contabilidad

Econometría II Grado en finanzas y contabilidad Econometría II Grado en finanzas y contabilidad Variables aleatorias y procesos estocásticos. La FAC y el correlograma Profesora: Dolores García Martos E-mail:mdgmarto@est-econ.uc3m.es Este documento es

Más detalles

INDICE 1. Qué es la Estadística? 2.Descripción de Datos: Distribuciones de Frecuencia y Presentación Gráfica

INDICE 1. Qué es la Estadística? 2.Descripción de Datos: Distribuciones de Frecuencia y Presentación Gráfica INDICE 1. Qué es la Estadística? 1 Introducción 2 Qué significa estadística? 2 Por qué se estudia la estadística? 4 Tipos de estadística 5 Estadística descriptiva 5 Estadística inferencial 6 Tipos de variables

Más detalles

Estimación MC2E, MVIL en Modelos de Ecuaciones Simultáneas

Estimación MC2E, MVIL en Modelos de Ecuaciones Simultáneas Estimación MC2E, MVIL en Modelos de Ecuaciones Simultáneas Economía Aplicada III (UPV/EHU) OCW 2013 Contents 1 Mínimos Cuadrados en 2 Etapas 2 Mínimos Cuadrados en 2 Etapas El método de Mínimos Cuadrados

Más detalles

Análisis de la Varianza (ANOVA) y Correlación

Análisis de la Varianza (ANOVA) y Correlación Universidad de Chile Rodrigo Assar FCFM MA34B Andrés Iturriaga DIM Víctor Riquelme Análisis de la Varianza (ANOVA) y Correlación Resumen El test ANOVA analiza la relación entre una variable numérica y

Más detalles

Universidad de Salamanca - Escuela de Educación y Turismo

Universidad de Salamanca - Escuela de Educación y Turismo Universidad de Salamanca - Escuela de Educación y Turismo ! " # $ % $ & ' ( ) * ( +(, + ' -. '. ' - % $ / %.! '. " # $ % & & $ % # # $( #. 0 # (/ $. # % 0 1 # % ( # 0 # 0 1 # 0. (, (! " # # #. $ ($ ' 0

Más detalles

ESTADÍSTICA. Población Individuo Muestra Muestreo Valor Dato Variable Cualitativa ordinal nominal. continua

ESTADÍSTICA. Población Individuo Muestra Muestreo Valor Dato Variable Cualitativa ordinal nominal. continua ESTADÍSTICA Población Individuo Muestra Muestreo Valor Dato Variable Cualitativa ordinal nominal Cuantitativa discreta continua DISTRIBUCIÓN DE FRECUENCIAS Frecuencia absoluta: fi Frecuencia relativa:

Más detalles

Ejercicio 1(10 puntos)

Ejercicio 1(10 puntos) ESTADISTICA Y SUS APLICACIONES EN CIENCIAS SOCIALES. Segundo Parcial Montevideo, 4 de julio de 2015. Nombre: Horario del grupo: C.I.: Profesor: Ejercicio 1(10 puntos) La tasa de desperdicio en una empresa

Más detalles

Estadística e Introducción a la Econometría Curso Ejercicios del Tema 9. Soluciones

Estadística e Introducción a la Econometría Curso Ejercicios del Tema 9. Soluciones 1 Estadística e Introducción a la Econometría Curso 2012-13 Ejercicios del Tema 9 Soluciones 1.- Considere el siguiente modelo para el peso de un bebé al nacer log(bwght) = 0 + 1 cigs + 2 log(faminc) +

Más detalles

Prácticas Tema 6. Modelos de ecuaciones simultáneas

Prácticas Tema 6. Modelos de ecuaciones simultáneas Prácticas Tema 6. Modelos de ecuaciones simultáneas Ana J. López y Rigoberto Pérez Dpto. Economía Aplicada, Universidad de Oviedo PRÁCTICA 6.1- La oferta agregada de determinado producto agrícola (QS)

Más detalles

Inferencia. Mauricio Olivares. 19 de junio de 2015 ITAM

Inferencia. Mauricio Olivares. 19 de junio de 2015 ITAM Inferencia Mauricio Olivares ITAM 19 de junio de 2015 Recuerda de nuestra clase anterior que m(x) = α + βx. Recuerda de nuestra clase anterior que m(x) = α + βx. Esta es una relación poblacional, no hay

Más detalles

1 Introducción. 2 Modelo. Hipótesis del modelo. MODELO DE REGRESIÓN SIMPLE Julián de la Horra Departamento de Matemáticas U.A.M.

1 Introducción. 2 Modelo. Hipótesis del modelo. MODELO DE REGRESIÓN SIMPLE Julián de la Horra Departamento de Matemáticas U.A.M. 1 Introducción MODELO DE REGRESIÓN SIMPLE Julián de la Horra Departamento de Matemáticas U.A.M. Los modelos de regresión sirven, en general, para tratar de expresar una variable respuesta (numérica) en

Más detalles

ECONOMETRIA. Tema 3: El modelo de regresión lineal múltiple. César Alonso. Universidad Carlos III de Madrid

ECONOMETRIA. Tema 3: El modelo de regresión lineal múltiple. César Alonso. Universidad Carlos III de Madrid ECONOMETRIA Tema 3: El modelo de regresión lineal múltiple César Alonso Universidad Carlos III de Madrid César Alonso (UC3M) ECONOMETRIA. Tema 3 1 / 101 Introducción En la mayoría de las relaciones económicas

Más detalles

478 Índice alfabético

478 Índice alfabético Índice alfabético Símbolos A, suceso contrario de A, 187 A B, diferencia de los sucesos A y B, 188 A/B, suceso A condicionado por el suceso B, 194 A B, intersección de los sucesos A y B, 188 A B, unión

Más detalles

ESTADISTICA II. INGENIERIA INFORMATICA, 3 ER Curso

ESTADISTICA II. INGENIERIA INFORMATICA, 3 ER Curso ESTADISTICA II INGENIERIA INFORMATICA, 3 ER Curso 22 - Diciembre - 2.006 Primera Parte - Test Apellidos y Nombre:... D.N.I. :... Nota : En la realización de este examen sólo esta permitido utilizar calculadoras

Más detalles

Tema 6. Inferencia estadística

Tema 6. Inferencia estadística Cuestiones de Verdadero/Falso Tema 6. Inferencia estadística 508 Estadística. ETDI. Curs 2002/03 1. La Estimación puntual supone obtener un único valor como estimación del parámetro desconocido. 2. La

Más detalles

EJERCICIOS DE SELECTIVIDAD

EJERCICIOS DE SELECTIVIDAD EJERCICIOS DE SELECTIVIDAD INFERENCIA 1998 JUNIO OPCIÓN A Un fabricante de electrodomésticos sabe que la vida media de éstos sigue una distribución normal con media μ = 100 meses y desviación típica σ

Más detalles