Professional Documents
Culture Documents
1 /14
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.
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
3 /14
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.
4 /14
( 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.
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
= 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)
=
i =1
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
6 /14
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.
F=
7 /14
(er' er e' e) / q
Fq ,n k
e' e /(n k )
donde :
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 :
8 /14
e' enr
(n k )
Como alternativa, tenemos el modelo que debemos estimar con la restriccin que
supone la hiptesis nula de rendimientos constantes:
log
Qi
K
= log i + log U i e'r er
Li
Li
9 /14
PARTIR
DEL
R =
2
S y2
S y2
R2 =
S y2
S y2
S y2 S e2
S y2
= 1
S e2
S y2
Partiendo de las variables en desviaciones a la media (a cada una de ellas se les habra
sustrado previamente su correspondiente media):
e = MU
10 /14
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 )
Fk 1,n k =
(Y ' Y e' e) /( k 1)
e' e /( 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 )
11 /14
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
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 )
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 )
W /q=
(e r' e r e' e) / q
Fq , n k
e' e /(n k )
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]
e' e
U'
n2 k
13 /14
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
16.09916
0.162897
-6.283916
-6.198299
10640.20
0.000000
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.
14 /14
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).