You are on page 1of 7

MODELO DE ESTIMACIÓN LINEAL

PRUEBA DE CONSISTENCIA DE LOS PARÁMETROS 𝜶 𝒚 𝜷

El estimado derivado de β es:

∑𝑛𝑖=1 𝑥𝑖 𝑦𝑖 − 𝑛𝑥̅ 𝑦̅
𝛽=
∑𝑛𝑖=1 𝑥𝑖 2 − 𝑛 (𝑥̅ )2

Exponiendo el numerador se tiene

∑𝑛𝑖=1 𝑥𝑖 𝑦𝑖 − 𝑥̅ ∑𝑛𝑖=1 𝑦𝑖 ∑𝑛𝑖=1(𝑥𝑖 − 𝑥̅ )𝑦𝑖


𝛽= =
∑𝑛𝑖=1 𝑥𝑖 2 − 𝑛 (𝑥̅ )2 ∑𝑛𝑖=1 𝑥𝑖 2 − 𝑛(𝑥̅ )2

(𝑥𝑖−𝑥̅)
Si denominamos: 𝑐𝑖 = ∑𝑛
𝑖=1 𝑥𝑖 2 −𝑛(𝑥̅ )2

Entonces 𝛽 = ∑𝑛𝑖=1 𝑐𝑖 𝑦𝑖

Lo cual demuestra que β es una combinación lineal de los valores de Y.

El valor esperado de β es:

E (β)= E[𝛴𝑐𝑖 𝑦𝑖 ]=Σ𝑐𝑖 (α+β𝑥𝑖 )

E (β)=α 𝛴𝑐𝑖 +β Σ𝑐𝑖 𝑥𝑖

Y la variable de β es:

Var[𝛽]=var [𝛴𝑐𝑖 𝑦𝑖 ]= Σ𝑐𝑖2 var [𝑦𝑖 ]

2 2 2 2
𝛴 (𝑥1 − 𝑥̅ )2
𝜎𝛽= 𝑣𝑎𝑟[𝛽]= 𝜎 𝛴𝑐𝑖 = 𝜎 (∑ 𝑥𝑖 2 − 𝑛(𝑥̅ )2 )2

𝜎2
𝜎𝛽 2=∑ 𝑥 2−𝑛(𝑥̅ )2
𝑖

𝜎2
𝜎𝛽 2 = 𝑛 𝑠 2 ; y el valor de la desviación estándar
𝑥

De 𝛽 𝑒𝑠: 𝑠
𝛽=√𝜎𝛽2

Donde 𝜎 2 es la varianza de los valores de Y, dado X (la cual se asume constante).

El valor estimado de 𝜎 2 es 𝑆 2 :
1
𝑆 2= 𝜎̂ 2 = ∑[𝑦𝑖 − (𝛼 + 𝛽 𝑥𝑖 )]2
𝑛−2

∑𝐸 2
𝑆 2 = 𝑛−2
𝑖

Prueba de Hipótesis para los Parámetros α y β.

Parámetro α:

La Hipótesis Nula es 𝐻0 : α=0

La hipótesis Alterna es 𝐻1 : 𝛼 ≠ 0

Para que se pueda rechazar la Hipótesis nula el valor de α debe estar fuera del rango definido por:

-C ≤ 𝛼̂ ≤ C

Donde ≤ es el valor estimado del parámetro α verdadero de la población.

El valor de C se obtiene de la distribución de probabilidades t-student para un grado de


confianza w y n-2 grados de libertad.

El valor de w usualmente es 5-10%. Se utiliza n-2 grados de libertad ya que la estimación de α y


β reduce los valores de información independientes en 2. Para el caso de M variables
Independientes (𝛽1… 𝛽𝑗… 𝛽𝑚 ), los grados de libertad son n-(m+1).

P[−𝑐 ≤ 𝛼 ≤ 𝑐 ∖𝐻0 ] = 1 − 𝑤

Utilizando la distribución t:

C=[𝑡 𝑤⁄2, 𝑛 − 2] ∗ 𝑆𝛼

La variación estimada de α es:

𝜎2 𝑥̅ 2
𝜎𝛼 2 = (1 + )
𝑛 𝑠𝑥 2

𝑠2 𝑥2
𝑆𝛼 = √𝜎𝛼 2 = √ (1 + 2 )
𝑛 𝑠𝑥

1
𝑆2 = [𝛴𝑥𝑖 2 − 𝑛(𝑥̅ )2 ]
𝑛
1
𝑆𝑥 2 = [𝛴𝑥𝑖 2 − 𝑛(𝑛̅)2 ]
𝑛

Para el Parámetro 𝛽 la primera es:

Hipótesis Nula 𝐻𝑜 : 𝛽 = 𝑂

Hipótesis Alterna 𝐻1 : 𝛽 ≠ 𝑂

El intervalo de no rechazo de la hipótesis nula

𝑤1 𝑤
-(𝑡 2 , 𝑛 − 2 ) 𝑆𝛽 ≤ 𝛽 ≤ (𝑡 2 , 𝑛 − 2 ) 𝑆𝛽

Si 𝛽 cae dentro de este rango no podemos rechazar la Hipótesis nula 𝛽 = 𝑂; por lo que
concluimos que, en base a la data disponible, Y no depende de X. Si 𝛽 esta fuera de este rango se
puede aceptar la relación entre Y y X con un grado de confianza 1-w.

Recordando que:

𝜎 2
Var(𝛽̂) = 𝑆 𝑥 𝑥

𝜎
Y 𝜎𝛽 =
√𝑠 𝑥 𝑥

El valor estimado de 𝜎 𝑒𝑠 𝑆 y de 𝜎𝛽=


̂ 𝑆𝛽

De modo que:

𝑆
𝑆𝛽 =
√𝛴𝑥𝑖 2 − 𝑛(𝑥̅ )2

Prueba de Ajuste Global del Modelo

La Hipótesis nula establece que la correlación múltiple es igual a O. La prueba se realiza


verificando la consistencia estadística de la relación entre la variable explicada (𝑌) y las variables
independientes (𝑋 )

La bondad o ajuste global del modelo se representa mediante la relación entre la variación
explicada, reflejara en el modelo, por medio de la recta de regresión y la variación total observada
en la variable dependiente menos la que toma en su cuenta la regresión ; es decir, los residuos
(términos de error).

Esta relación, al ser un cociente, toma la forma de una distribución de Probabilidades “F”.

𝑆𝑆 𝑟𝑒𝑔.⁄ 𝐾 𝑅2 /𝐾
𝐹= =
𝑆𝑆 𝑟𝑒𝑠. ⁄ (𝑁 − 𝐾 − 1) (1 − 𝑅2 )/(𝑁 − 𝐾 − 1)

Donde:

SS reg. =Suma de cuadrados de las desviaciones explicadas por la regresión.

𝑆𝑆 𝑟𝑒𝑔. = 𝛴(𝛼 + 𝛽𝑋𝑖 − 𝐺̅ )2


2
= ∑𝑛𝑖=1(𝐺̂− 𝐺̅ )

SS res: Suma de cuadrados de la variación no explicada o residual.

2
𝑆𝑆 𝑟𝑒𝑠 = ∑ 𝐸𝑖 2 = ∑(𝐺𝐼 − 𝐺̂ )

K: número de variables independientes en el modelo (𝑋𝑆 1 )

N: Tamaño de la muestra (Ej.: número de zonas).

La razón F tiene la distribución similar a la función de distribución de probabilidades “F” con K y


(N-K-1) grados de libertad.

Coeficientes de Determinación de la Regresión

SST: Suma total de desviaciones al cuadrado, con respecto al promedio.

SST=𝛴(𝑌𝑖 − 𝑌̅)2 = ∑ 𝑌𝑖 − 2𝑌̅ 𝛴𝑌𝑖 − 𝑁 ̅𝑌 2

SST=Σ𝑌𝑖 2 -N 𝑌̅ 2

(𝛴 𝑌 ) 2
𝑌̅ 2 = 𝑛2𝑖

𝛴(𝑌𝑖)2
SST=Σ 𝑌𝑖 2 − 𝑁

Y la suma de cuadrados del error (residuos) es:


𝑆𝑆𝑇 = 𝛴 𝐸𝑖 2
𝑆𝑆𝐸
La variación no explicada es: 𝑆𝑆𝑇

Y la variación explicada es: 1 − 𝑆𝑆𝐸⁄𝑆𝑆𝑇

Esta relación se define como coeficiente de determinación de la regresión.

𝑆𝑆𝐸
𝑅2 = 1 −
𝑆𝑆𝑇

Si se expresa en términos de SSR

(Suma de cuadrados de la regresión)

𝑆𝑆𝑅 = 𝑆𝑆𝑇 − 𝑆𝑆𝐸

𝑆𝑆𝑇 − 𝑆𝑆𝐸 𝑆𝑆𝑅


𝑅2 = =
𝑆𝑆𝑇 𝑆𝑆𝑇
Ejemplo:

1 2 314.28
𝑆2 = 𝛴(𝑌𝐼 − 𝑌̂) = = 31.4
𝑁−2 10

𝑆 = √𝑆 2 = √31.4 = 5.60 MODELO

𝜎 2 49.2
𝑆𝛽 2 = 𝑛 𝑆𝑥
𝑌 =
2 12∗394.1 = 0.010

𝑆
𝛽=√𝑆𝛽 2 =0.102

𝑆
𝑠2 𝑥̅ 2 31.4 73.62
𝛼=√ (1+ 2)= √ (1+ )
𝑛 𝑠𝑥 12 394.1

𝑠𝛼 = 6.21

Intervalo de Confianza:(10%) 𝑤⁄
2 = 5%

Valor de α:

𝐶 = [5%, 10] ∗ 𝑆𝛼

De la distribución t-student 𝑡5%,10 = 1.813

𝐶 = 1.813 ∗ 6.21 = 11.26

11.26 ≤ 𝛼̂ ≤ 11.26 Intervalo de no rechazo

En este caso 𝜶 = 23.31 Se rechaza la hipótesis Nula

𝜶 es significativo al 10%

Prueba para 𝜷:

𝑆𝛽= 0.102

t 5%, 10=1.813

𝑆𝛽 𝑡 5%, 10 = 0.185

Intervalo de no rechazo:

̂ ≤ 1.81
−0.185 ≤ 𝛽

Valor estimado de β=0.23 se rechaza la hipótesis nula.

Modelo: 𝑦̂ = 23.31+0.23 X
Para el modelo Global:

𝑠𝑠 𝑟𝑒𝑔./𝑘
𝐹=
𝑠𝑠 𝑟𝑒𝑠/(𝑛 − 𝑘 − 1)

𝑠𝑠 𝑟𝑒𝑔 = 227.39

K=1

𝑛 − 𝑘 − 1 = 10

𝑠𝑠 𝑟𝑒𝑠 = 314.28

227.39⁄
𝐹= 1 = 7.235
314.28⁄
10

De la distribución F con (1,10) 𝐹1 = 4.96

(95%)

𝐹 > 𝐹1 𝐿𝑎 𝑟𝑒𝑙𝑎𝑐𝑖𝑜𝑛 𝑡𝑖𝑒𝑛𝑒 𝑐𝑜𝑛𝑠𝑖𝑠𝑡𝑒𝑛𝑐𝑖𝑎 𝑒𝑠𝑡𝑎𝑑𝑖𝑠𝑡𝑖𝑐𝑎.

You might also like