Contrastes de significacin conjunta

1 /14

APUNTES DE CLASE ECONOMETRA I. UDI ECONOMETRA E INFORMTICA

CONTRASTES DE SIGNIFICACIN CONJUNTA EN EL MBRL

Prof. Rafael de Arce y Prof. Ramn Maha
rafael.dearce@uam.es
ramon.mahia@uam.es
Revisado Nov. 2011

I. Contraste de significacin conjunta del modelo a partir de una F de Snedecor

II. Contrastes de significacin conjunta a partir del coeficiente de determinacin
lineal R2
III. Relacin entre el contraste conjunto de parmetros F Snedecor y la R2
Apndice.- Contraste de restriccin de parmetros a partir del test de Wald (e
implementacin en E-Views).
I. CONTRASTE DE SIGNIFICACIN CONJUNTA DEL MODELO A PARTIR DE
UNA F DE SNEDECOR

El objetivo que se pretende en este tipo de contraste del modelo, es poder dar una
medida numrica representativa de la capacidad global de todas las variables
explicativas para seguir la evolucin de la variable endgena. Para ello, y como es
habitual en toda contrastacin estadstica, cubriremos las siguientes etapas:
1. Crear una ratio capaz de suministrarnos informacin sobre todos los
parmetros del modelo con un solo nmero.
2. Determinar la funcin de distribucin de esta ratio.
3. Contrastar el cumplimiento o rechazo de una hiptesis nula a partir de la
utilizacin de la funcin de distribucin terica y conocida de la ratio.

En el caso del MBRL hemos planteado como hiptesis de partida la distribucin

normal Gaussiana de las perturbaciones aleatorias; por lo que lo nico que
habr que comprobar es qu distribucin siguen las normales sometidas a las
variantes matemticas que planteamos en una ratio intuitivamente comprensible
como el del valor medio estandarizado de todos los parmetros del modelo.
En nuestro caso, tiene inters conocer una ratio que englobe la informacin
contenida por todos los parmetros (k) de un modelo. Para ello, y partiendo de la

Contrastes de significacin conjunta

2 /14

notacin como vector (k x 1) que hemos dado a los parmetros del modelo escrito
en su forma matricial, podramos presentar una medida del parmetro medio
estandarizado (escritos al cuadrado para que no se compensen signos positivos y
negativos) como sigue:

][

'
/k
2
1
[ X ' X ]

donde no hemos calculado otra cosa que la suma cuadrada de los parmetros
estandarizados (a cada uno se le ha restado su media y se le ha dividido por su
desviacin tpica y la suma de un vector columna transpuesto por el mismo no es
ms que la suma de las componentes al cuadrado).
Conocer cul es la funcin de distribucin del valor medio de todos los parmetros
que intervienen en un modelo considerados de forma conjunta, como ocurre en
esta ratio, es fcilmente deducible a partir de la constancia de que los parmetros
1
estimados se distribuyen como una normal N ( ; 2 [ X ' X ] ) . Volviendo a la
ratio escrita ms arriba, para poder realizar el clculo en un modelo concreto
habr que dar un valor estimado a la varianza de la perturbacin aleatoria (2).
Realizando una serie de sustituciones matemticas (que en el desarrollo se
comentan escritas entre llaves), obtendramos la funcin de densidad de la ratio
antes escrito:

][

'

1
2
[X ' X ]

[[

] / k = [ ]' [X ' X ][ ] =

k
2

e' e
=
nk

' [ X ' X ] / k
=

e' e

nk

[[[

]]

]] ]

1 /
' [X ' X ] / 2 / k
=
=
=
2
e' e
1 /
2 /( n k )

2

N (0,1)

k2
Fk , n k

N (0,1)
nk

2
n k

Por lo que la ratio, que hemos escrito como el cociente entre dos 2 , se distribuye
como un Fk,n-k cuando se cumple la hiptesis de que las perturbaciones aleatorias
se distribuyen como una normal.
Conocida la ratio que nos engloba conjuntamente la informacin de todos los
parmetros del modelo y su funcin de distribucin, podramos ahora plantear un
modelo restringido o una hiptesis nula en la que pusiramos a prueba el
cumplimiento de lo que acabamos de demostrar. Es decir, podramos comprobar

Contrastes de significacin conjunta

3 /14

si el clculo de esta ratio sigue comportndose como una F de Snedecor cuando

imponemos alguna caracterstica a los parmetros del modelo.
A partir de las tablas de esta distribucin, podemos saber entre que valores se
sita una variable aleatoria de las caractersticas de la ratio que hemos construido
con un 95% de probabilidad. Si el clculo de esta ratio en un caso concreto,
aplicando las caractersticas a los parmetros que queramos (es decir;
contrastando una hiptesis nula), deja de estar comprendido entre los valores en
los que lo estara una Fk, n-k, podremos decir que, con un 95% de probabilidades, la
condicin que hemos impuesto a los parmetros es falsa.
Podemos plantear, por ejemplo, una hiptesis nula en la que sostengamos que el
valor real de todos los parmetros es igual a cero, lo que nos servira para decir
que ninguna de las variables incluidas como explicativas en el modelo es
realmente vlida para explicar la endgena. La hiptesis a aplicar a la ratio
formulada sera entonces H 0 ( 1 = 2 = .... = k = 0) , que es lo mismo que decir
todo el vector de parmetros de las beta reales es igual a ceros, con lo que la ratio
anterior se podra escribir como:

0 ' [X ' X ] 0 ' [X ' X ]

PR 0 <
=
< Fk; n k = 1
2
2
k
k

En principio esta ratio debiera seguir comprendido entre los valores tabulados para
la F si la restriccin impuesta es cierta; es decir, si aceptamos la hiptesis nula. En
el caso en el que la imposicin de esta hiptesis nos determinara un valor fuera de
la F tabulada, estaramos diciendo que dicha hiptesis no es compatible con lo
que conocemos a ciencia cierta del modelo (ya para su demostracin no habamos
hecho ninguna hiptesis adicional), luego deberamos rechazarla. Esto sera lo
mismo que admitir la hiptesis alternativa lgica: por lo menos alguna de las
variables explicativas elegidas s sirve para explicar el comportamiento de la
endgena con un 95% de probabilidades.
Evidentemente, la hiptesis de nulidad de todos los parmetros del modelo es
demasiado pesimista en cuanto la especificacin del modelo se haya realizado
con un mnimo cuidado. Evidentemente, la hiptesis alternativa ser muy fcil de
lograr (que por lo menos alguna de los parmetros sea significativamente distinto
de cero). Adems, el trmino independiente presente en el modelo recogera una
alta carga de explicacin de la endgena si el resto de las variables especificadas
no fueran significativas1, por lo que, por lo menos ste, s sera significativo en
este peor de los casos. Dicho esto, el contraste de esta ratio difcilmente se
1

Cuando no existe informacin distinta para explicar una variable, es fcil demostrar que el mejor
valor de estimacin de la misma que se puede dar sera el de su media, valor que recogera el
trmino independiente del modelo o constante en el caso de que el resto de las variables no
sirvieran en absoluto para definir el comportamiento de la endgena.

Contrastes de significacin conjunta

4 /14

cumplira con la hiptesis manejada, ya que el parmetro de la constante sera

significativo. En definitiva, este contraste es prcticamente intil si, al realizarlo, se
plantea un hiptesis nula que contenga el trmino independiente del modelo.
Para poder realizar esta misma ratio sobre un modelo sin trmino independiente,
es necesario escribir dicho modelo en lo que se conoce como desviaciones a la
media que no es si no una combinacin lineal de las n ecuaciones anteriores, del
siguiente modo:

( y i y ) = 1 (x1i x1 ) + 2 (x 2i x 2 ) + 3 (x 3i x 3 ) + ..... + k (x ki x ki ) + ui
dado que la variable x1i es un vector que slo incluye unos para dar lugar a ese
trmino independiente, su media tambin ser uno y la resta planteada en la
ecuacin superior har que el parmetro 1 est multiplicado por cero en esta
reescritura equivalente del modelo inicial.
El clculo de la ratio anterior sera ahora (sin incluir ese trmino constante) igual a:

' [X ' X ]
Fk 1,n k
2 (k 1)
donde todas las variables empleadas estaran en desviaciones a la media (hecho
que mantendremos de ahora en adelante, a pesar de que sigamos llamando a las
variables X e Y). En esta ratio se podra presentar una hiptesis nula a contrastar
ms razonable, que sera la nulidad de todos los parmetros menos el del trmino
independiente H 0 ( 2 = .... = k = 0) , siendo de aplicacin todo lo dicho
anteriormente.
La expresin de la ratio manejada hasta el momento se puede escribir de forma
rpida de otro modo por una simple, aunque algo tediosa, sustitucin de los
valores estimados de los parmetros por su frmula de clculo MCO
= [X ' X ]1 X ' Y , de donde obtendramos la siguiente expresin2:

Ntese nuevamente que las frmulas entre llaves tan slo son recordatorios de las operaciones
aplicadas para obtener los resultados presentados en la demostracin.

Contrastes de significacin conjunta

5 /14

' [X ' X ] ([X ' X ]1 X ' Y )' [X ' X ]([X ' X ]1 X ' Y )
=
=
2 ( k 1)
2 ( k 1)
y = X + U

Y ' X [X ' X ] X ' Y

= M = ( I n X [X ' X ]1 X ' ) =
2

( k 1)

e' e = U ' MU

Y ' Y e' e 2
e' e
= 2
= =
=
nk
( k 1)
=

(Y ' Y e' e) /(k 1)

e' e /(n k )

(Y ' Y e' e) /( k 1) (Y ' Y ) (n k )

=
1
Fk 1, n k
e' e /( n k )
e' e
(k 1)
Esta ltima expresin del contraste F es especialmente intuitiva si se analiza
cuidadosamente cada uno de los elementos que la componen.
Recordemos que el producto YY es la suma cuadrtica de la variable endgena
en desviaciones a la media, es decir:
2
Y& ' Y& = (Yi Y )
n

i =1

Observemos ahora que la media de Y, puede entenderse como la estimacin de

un modelo de regresin en el que slo utilicemos como explicativa el trmino
independiente
Yi = c + U i Yi = Y

Por lo tanto, la expresin Y& ' Y& representa la suma cuadrtica del error de un
modelo ingenuo en el que no utilicemos ninguna exgena; o dicho de otro modo,
un modelo en el que suponemos la restriccin de que cualquier variable exgena
adicional no resultara significativa (2= 3=. =k). Si volvemos entonces a la
expresin de la F, observamos que, en el numerador de la expresin, se est
comparando el error de este modelo restringido con el error de nuestro modelo
n

i =1

i =1

Yi = C + U i Yi = C S = ei2 = (Yi C ) 2
3

n
S
= 0................2 (Yi C )(1) = 0 Yi nC = 0
C
i =1
i =1
n

C =

Y
i =1

Contrastes de significacin conjunta

6 /14

original, en el que s aparecen las exgenas o, dicho de otro modo, irrestricto, en

el que no se impone ninguna restriccin sobre la significatividad de las exgenas
incluidas. El denominador de la expresin permite expresar esa diferencia de
errores en trminos porcentuales; adicionalmente, se incorporan en el numerado y
denominador los grados de libertad correspondientes utilizados en ambos
clculos4.
Es evidente entonces, que la ratio F as entendida, se aproximar a cero en la
medida en que el error del modelo restringido Y& ' Y& (sin exgenas) sea similar al el
error del modelo sin restringir ee (con exgenas). Cuando eso ocurre, es evidente
que la restriccin supuesta es verosmil, es decir, es estadsticamente verosmil
que todos los parmetros (salvo el trmino independiente) de todas las exgenas
sean estadsticamente nulos:

H 0 : 2 = 3 = ....... = k = 0
En el caso contrario, es decir, cuando el error de nuestro modelo es claramente
inferior al que cometemos imponiendo la restriccin de que todos los parmetros
(salvo el t. independiente) sean nulos, debemos rechazar la anterior hiptesis nula.
Como se ver en el apartado siguiente, esta forma de entender el contraste de
nulidad conjunta F es la ms cercana a la idea general que en econometra
existe del contraste F. En trminos generales, el contraste F permite comparar
dos modelos, uno que impone alguna restriccin en los parmetros (por ejemplo la
hiptesis anterior de que todos ellos eran nulos) frente a otro que no impone esa
restriccin. El contraste se construye siempre del mismo modo, comprando los
errores obtenidos en ambos modelos: si los errores son similares, las restricciones
sern verosmiles.
Evidentemente, un modelo con estricciones siempre cometer mayores errores (la
restriccin resta libertad a la estimacin paramtrica) pero si las restricciones que
se imponen son verosmiles, el modelo estimado restringido tendr un error
similar, slo algo mayor, que el modelo libre en el que no se tienen en cuenta.
Por supuesto, para comprobar si esa diferencia entre dos valores del error es
significativamente distinta de cero, necesitamos comparar el valor obtenido con
valores estadsticos crticos predeterminados, y es por ello por lo que recurrimos a
una expresin de clculo que, adems de entenderse de forma intuitiva, se
distribuya como algo conocido, en nuestro caso, una ratio F.

Para el numerador, los grados de libertad utilizados en el modelo restringido son n-1 (n datos y un nico
parmetro estimado: el trmino independiente) y los grados de libertad del modelo no restringido son, como
ya se sabe, n-k; de ese modo, los grados de libertad del numerador son (n-1)-(n-k)=k-1. Para el
denominador, los grados de libertad son los utilizados en el modelo sin restringir.

Contrastes de significacin conjunta

F=

7 /14

(er' er e' e) / q
Fq ,n k
e' e /(n k )

donde :

e'r er es la suma cuadrtica del error del modelo restringido

e' e es la suma cuadrtica del error del modelo sin restringir
q es el nmero de restricciones5

Partimos de un modelo general con tres variables explicativas (ms la constante)

del tipo:
Mod. Sin restringir
Yt = 0 + 1 X1t + 2 X 2t + 3 X 3t + t
Podemos imponer una restriccin al modelo, por ejemplo:

1 + 2 = 1
Incorporando dicha restriccin al modelo tenemos:
Mod. restringido
Yt = 0 + 1 X1t + (1 1)X 2t + 3 X 3t + t
Operando y despejando:

(Yt X 2t ) = 0 + 1 ( X 1t X 2t ) + 3 X 3t + t
generando las nuevas variables que impone la restriccin que hemos impuesto,
obtendremos el modelo a estimar:

Z1t = (Yt X 2t )
Z 2t = (X1t X 2t )
Z1t = 0 + 1Z 2t + 3 X 3t + t
Este sera ahora el modelo restringido, que puede ser estimado por MCO al igual
que la primera ecuacin que habamos planteado.
Una forma general para contrastar la validez de restricciones lineales sobre los
parmetros es construir el estadstico F :

El nmero de restricciones es, en realidad, el nmero de parmetros que se dejan de estimar en

el modelo restringido por el hecho de imponer la restriccin, por ello, ese nmero de restricciones
coincide con el clculo matemtico sencillo de restar los grados de libertad de ambos modelos. Por
ejemplo, en el caso de la F aplicada al contraste de nulidad conjunta, esta hiptesis supone en
realidad k-1 restricciones, o sea, el nmero de parmetros que dejamos de estimar al considerar
la restriccin.

Contrastes de significacin conjunta

8 /14

(e' er e' enr )

F=

e' enr

(n k )

El estadstico se distribuye como una F con (q grados de libertad en el numerador

y (n-k) en el denominador. Esta versin general del test F puede utilizarse para
cualquier restriccin que implique una combinacin lineal de parmetros.

Por ejemplo, puede tener inters comprobar si una determinada funcin de

produccin presenta rendimientos constantes a escala, es decir, si la suma de los
parmetros del capital y al trabajo son iguales a uno:
Qi = K i Li U i
H0 : + = 1

En este ejemplo, el modelo sin restricciones, estimado linealmente, sera el

siguiente:
log Qi = log K i + log Li +log U i
Modelo sin restricciones : log Q = log K + log L e' e
i

Como alternativa, tenemos el modelo que debemos estimar con la restriccin que
supone la hiptesis nula de rendimientos constantes:

H 0 : + = 1 log Qi = log K i + (1 ) log Li +log U i

log Qi log Li = (log K i log Li ) +log U i
Modelo con restricciones :

log

Qi
K
= log i + log U i e'r er
Li
Li

El nmero de restricciones es, en este caso, igual a 1, porque al suponer que

+=1 basta con estimar con nico parmetro (), ya que el otro (), ser la resta
a 1. En todo caso, si no somos capaces de aplicar este razonamiento, podemos
recurrir a la simple matemtica: los grados de libertad del modelo a estimar
necesario para obtener erer son n-1 (slo hay un parmetro a estimar, ),
mientras que para el modelo sin restricciones, los grados de libertad son n-2 (hay
que estimar y ), luego los grados de libertad de erer-ee son (n-1)-(n-2)=1.
En el apndice de esta nota, se recoge cmo realizar un contraste de este tipo
directamente en e-views, sin necesidad de realizar a mano los dos modelos
(restringido y sin restringir).

Contrastes de significacin conjunta

9 /14

II. CONTRASTES DE SIGNIFICACIN CONJUNTA

COEFICIENTE DE DETERMINACIN LINEAL R2

PARTIR

DEL

La R2 representa la proporcin de la varianza de la variable endgena real (y) que

viene explicada por la varianza de la variable estimada. Es decir:

R =
2

S y2
S y2

Sabiendo que en el Modelo Bsico de Regresin Lineal se cumple que la varianza

de la endgena coincide con la suma de la varianza de la estimada ms la
varianza del error6: S y2 = S y2 + S e2 , la expresin de la R2 se suele expresar del
siguiente modo:

R2 =

S y2
S y2

S y2 S e2
S y2

= 1

S e2
S y2

Expresin de la que se pueden extraer las siguientes conclusiones:

Partiendo de las variables en desviaciones a la media (a cada una de ellas se les habra
sustrado previamente su correspondiente media):

' = [X ' X ]1 X ' Y

e' e = (Y X )' (Y X ) = Y ' Y Y ' X ' X ' Y + ' X ' X =

=

Y ' X = ' X ' Y
Y = X + e
1
= Y ' Y 2 ' X ' Y + ' X ' X `[X ' X ] X ' Y = Y ' Y ' X ' Y =
=

e = MU

Y ' Y ' X ' ( X + e) = Y ' Y ' X ' X + ' X ' e =

=
1
M = I n X [X ' X ] X '
' X ' ( I n X [X ' X ]1 X ' )U = ' X 'U ' X ' X [X ' X ]1 X 'U = 0

Y ' Y ' X ' X + ' X ' MU =

=

Y ' Y ' X ' X = Y ' Y Y ' Y

En definitiva, llegamos a que

e' e = Y ' Y Y ' Y ei2 = y i2 + y i2 , donde, si dividimos

ambos lados de la igualdad por el nmero de datos y despejamos, obtenemos:

S y2 = S y2 + S e2 , ya que las variables estaban en desviaciones a la media, luego las resultantes

6

tendran media cero .

Contrastes de significacin conjunta

10 /14

En el mejor de los casos posibles, la varianza de la endgena coincidira

con la varianza de la estimada, caso en que el valor de la varianza del error
sera igual a cero y la R2 tomara el valor igual a uno.
A medida que la varianza de la estimada sea ms diferente de la varianza
de la endgena real, ir aumentando el valor de la varianza del error,
siendo el punto mximo que sta pueda tomar S y2 = 0 + S e2 , donde la R2
valdra cero.
En definitiva, la segunda expresin de la R2 se puede interpretar como el
porcentaje de la varianza real recogida por la estimada ya que, de ste, se
deduce el porcentaje que supone el error.

En cualquier caso, este porcentaje de la varianza explicada de la endgena estar

claramente condicionado por el nmero de explicativas empleadas en el modelo.
Atenindonos al principio de parquedad estadstica, parece adecuado que para
comparar entre dos modelos con distinto nmero de variables se tenga en cuenta
este hecho, penalizando aqul que cuenta con un mayor nmero de explicativos.
Por esta razn se emplea habitualmente la R2 ajustada, calculada dividiendo cada
valor estimado por sus grados de libertad en la frmula anterior:

R 2 = 1

S e2 /(n k )
S e2 ( n 1)

(n 1)
=
1

= 1 (1 R 2 )
2
2
( n k )
S y /(n 1)
S y (n k )

A partir de esta expresin, es fcil determinar que el valor de la R cuadrado

siempre ser superior al de la R cuadrado ajustada.

III. RELACIN ENTRE EL CONTRASTE DE NULIDAD CONJUNTA DE

PARMETROS F SNEDECOR Y LA R2
Partiendo de la penltima expresin analizada para el contraste de nulidad
conjunta de parmetros F-Snedecor:

Fk 1,n k =

(Y ' Y e' e) /( k 1)
e' e /( n k )

y si tenemos en cuenta, como decamos antes, que la varianza no es sensible a

los cambios de origen, si dividimos numerador y denominador por el nmero de
observaciones en la expresin anterior:
Fk 1,n k =

2
2
(Y ' Y / n e' e / n ) /( k 1) ( S y S e ) /(k 1)
=
e' e / n /( n k )
S e2 /(n k )

Contrastes de significacin conjunta

11 /14

Si dividimos ahora denominador y numerador por la varianza de la endgena:

Fk 1,n k =

(( S y2 S e2 ) / S y2 ) /( k 1)
( S e2 / S y2 ) /(n k )

((1 S e2 / S y2 ) /(k 1)

( S e2 / S y2 ) /(n k )

A partir de la expresin de R 2 :
R2 = 1

S e2
S y2

S e2
= 1 R2
S y2

La F se podra escribir como:

Fk 1,n k =

((1 S e2 / S y2 ) /(k 1)
( S e2 / S y2 ) /(n k )

R 2 /( k 1)
(1 R 2 ) /(n k )

poniendo as en relacin ambos contrastes de significacin conjunta.

La relacin entre la F y la R2 no es slo un divertimento matemtico, sino que
esconde una conexin terica interesante: contrastar la hiptesis de que todos los
parmetros del modelo son nulos es estadsticamente equivalente a contrastar la
hiptesis de nulidad de la R2.

APNDICE.- CONTRASTE DE RESTRICCIN DE PARMETROS A PARTIR

DEL TEST DE WALD

La propuesta de Wald no es, en realidad, distinta al contrate F general propuesto

ms arriba; su aportacin consiste en realidad en ofrecer un procedimiento
matemtico sencillo para elaborar el contraste de restricciones sin necesidad de
estimar los dos modelos por separado.
La ratio de Wald se propone verificar la hiptesis nula H 0 ( R r = 0) , donde R es
una matriz de q x k que recoge las caractersticas que exigimos a los parmetros
del modelo (p.e., que la suma de todos ellos sea igual a uno)7.

En ese ejemplo, podramos escribir matricialmente la restriccin del siguiente modo:

Contrastes de significacin conjunta

12 /14

Siguiendo los mismo pasos que antes, propone la siguiente ratio de la suma
cuadrada de los parmetros estandarizados sujetos a la restriccin impuesta:
W=

( R r )' [ X ' X ]( R r )

Lo que se distribuira como una 2 con q grados de libertad (siendo q el nmero

de restricciones exigidas al modelo).
Demostrando que, si se mantiene la hiptesis de que las perturbaciones aleatorias
se distribuyen como una normal en el caso del MBRL, entonces8:

W /q=

(e r' e r e' e) / q
Fq , n k
e' e /(n k )

donde e r' e r es la suma de los residuos al cuadrado de la regresin restringida

(aquella que incorpora las restricciones sobre los parmetros).
En principio, se est contrastando la diferencia entre los residuos de una regresin
a la que se le han impuesto restricciones, frente a la original. Si las restricciones
son asumibles en el modelo, debe haber una diferencia muy pequea entre los
errores al cuadrado estimados en uno u otro caso, por lo que el valor de la F
calculada deber seguir siendo pequeo y estar comprendido entre los valores
tabulados para una confianza del 95% y los grados de libertad especificados.
Ntese que esta ltima expresin es muy similar a la obtenida finalmente como
contraste conjunto de parmetros F-Snedecor

1

[1 1 ... 1] 2 [1] = [0]
.

k
con una restriccin (q=1):que los k parmetros sumen uno.
R = [1 1 ... 1]
r = [1]

Como ya se demostr ee=UMU, donde

U N (0; 2 I n ) , por lo que

e' e

U'

n2 k

Contrastes de significacin conjunta

13 /14

Utilizacin del test de Wald en E-views

Una vez obtenido el resultado de una regresin en e-views, segn los

procedimientos habituales, el programa ofrece la posibilidad de realizar contrastes
del tipo del de Wald dentro de las opciones (una vez realizada una regresin):
View - Coefficient Test Wald Coefficient Restrictions.
Como ejemplo de aplicacin, intentaremos estimar las elasticidades del consumo
privado (gasto nacional de los hogares o (GTOHOGNAC)) ante los precios de dicho
consumo (LOG(PRECI_CONS)) y la renta disponible de los hogares destinada al
consumo (LOG(RENTA)), para lo cual realizamos la regresin de dichas variables en
logaritmos, obtenindose as con los parmetros las elasticidades.
Dependent Variable: LOG(GTOHOGNAC)
Method: Least Squares
Sample: 1980:1 2001:2
Included observations: 86
Variable

Coefficient

Std. Error

t-Statistic

Prob.

C
LOG(PRECI_CONS)
LOG(RENTA)

-1.627612
-0.078593
1.065902

0.358055
0.009919
0.021373

-4.545698
-7.923505
49.87053

0.0000
0.0000
0.0000

R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat

0.996115
0.996021
0.010275
0.008763
273.2084
0.069931

Mean dependent var

S.D. dependent var
Akaike info criterion
Schwarz criterion
F-statistic
Prob(F-statistic)

16.09916
0.162897
-6.283916
-6.198299
10640.20
0.000000

Estimada la elasticidad precio y renta del consumo, se plantea si la suma de

ambas es igual a uno, hecho que debe cumplirse para que se mantenga el
principio de que toda la renta destinada al consumo efectivamente se gasta en
este fin. La restriccin sera entonces que los parmetros de las variables
explicativas (todos menos la constante) han de sumar uno. En el modelo que
hemos estimado, y segn lo representa e-views, la restriccin que debemos
contrastar sera
C(2)+C(3)=1

Donde:
LOG(GTOHOGNAC)= C(1)+C(2)* LOG(PRECI_CONS)+C(3)* LOG(RENTA)
Para obtener los resultados del test de Wald, seguiremos los pasos antes citados
(View - Coefficient Test Wald Coefficient Restrictions.) que se encuentran en la
ventana de la salida de regresin; abrindose entonces el cuadro de dilogo que
se observa en la figura de ms abajo.

Contrastes de significacin conjunta

14 /14

En este cuadro habr que incluir la restriccin paramtrica a contrastar; en nuestro

caso: C(2)+C(3)=1 y pulsar OK; obtenindose la siguiente salida:
Wald Test:
Equation: Untitled
Null Hypothesis: C(2)+C(3)=1
F-statistic
Chi-square

1.077667
1.077667

Probability
Probability

0.302235
0.299220

Podemos afirmar esta restriccin del modelo (C(2)+C(3)=1) como cierta con un 30%
de probabilidad (a sensu contrario, slo podramos rechazarla con un 70% de
probabilidades que, como no llega al 95%, no es suficiente).