Scribd Logo
Cargar

¡Te damos la bienvenida a Scribd!

  • 14 vistas

    Regresion Lineal Múltiple: Parte II

    Cargado por

    JOSE FRANCISCO JAVIER OLIVOS VALENZUELA
    Este documento resume los conceptos clave de la inferencia estadística en modelos de regresión múltiple. Explica cómo realizar pruebas de hipótesis e intervalos de confianza para coeficientes individuales, así como pruebas conjuntas de hipótesis sobre múltiples coeficientes usando el estadístico F. También cubre temas como homoscedasticidad y la relación entre el estadístico F y el coeficiente de determinación R2.

    Copyright:

    © All Rights Reserved
    Descargue como PDF, TXT o lea en línea desde Scribd

    Regresion Lineal Múltiple: Parte II

    Cargado por

    JOSE FRANCISCO JAVIER OLIVOS VALENZUELA
    14 vistas34 páginas
    Este documento resume los conceptos clave de la inferencia estadística en modelos de regresión múltiple. Explica cómo realizar pruebas de hipótesis e intervalos de confianza para coeficientes individuales, así como pruebas conjuntas de hipótesis sobre múltiples coeficientes usando el estadístico F. También cubre temas como homoscedasticidad y la relación entre el estadístico F y el coeficiente de determinación R2.

    Título original

    Untitled

    Derechos de autor

    © © All Rights Reserved

    Formatos disponibles

    PDF, TXT o lea en línea desde Scribd

    ¿Le pareció útil este documento?

    ¿Este contenido es inapropiado?

    Este documento resume los conceptos clave de la inferencia estadística en modelos de regresión múltiple. Explica cómo realizar pruebas de hipótesis e intervalos de confianza para coeficientes individuales, así como pruebas conjuntas de hipótesis sobre múltiples coeficientes usando el estadístico F. También cubre temas como homoscedasticidad y la relación entre el estadístico F y el coeficiente de determinación R2.

    Copyright:

    © All Rights Reserved
    Descargue como PDF, TXT o lea en línea desde Scribd
    Descargar como pdf o txt
    14 vistas34 páginas

    Regresion Lineal Múltiple: Parte II

    Cargado por

    JOSE FRANCISCO JAVIER OLIVOS VALENZUELA
    Este documento resume los conceptos clave de la inferencia estadística en modelos de regresión múltiple. Explica cómo realizar pruebas de hipótesis e intervalos de confianza para coeficientes individuales, así como pruebas conjuntas de hipótesis sobre múltiples coeficientes usando el estadístico F. También cubre temas como homoscedasticidad y la relación entre el estadístico F y el coeficiente de determinación R2.

    Copyright:

    © All Rights Reserved
    Descargue como PDF, TXT o lea en línea desde Scribd
    Descargar como pdf o txt
    de 34

    Regresion Lineal Múltiple

    Parte II

    Jorge Rodríguez

    Econometría, Abril 2021


    Outline

    1. Inferencia en el modelo de regresion múltiple (cap 7)


    1.1 Test de hipótesis e intervalos de confianza sobre βj .
    1.2 Tests de hipótesis conjuntos.
    1.3 Presentación resultados y análisis de regresión
    Tests de hipótesis e intervalos de confianza sobre βj
    Tests de hipótesis sobre βj

    Yi = β0 + β1 X1i + β2 X2i + · · · + βk Xki + ui


    Test de hipótesis:

    H0 : βj = βj,o
    H1 : βj 6= βj,0

    Necesitamos:
    I Estadístico (t)
    I Nivel de significancia α
    I Comparar con valor crítico
    I p-value.
    Distribución muestral y errores standar (SE(βbj ))

    0  
    I Sea β
    b = βb0 βb1 . . . βbk y
    0 
    Xi = 1 X1i . . . Xki
    I En muestras grandes, podemos aproximar la distribución de β:
    b
    b ∼ N (β, Σ b)
    β β

    I Σβb: matrix de varianzas y covarianzas (k + 1) × (k + 1)


    h  0
    i−1  0
    h  0
    i−1
    Σβb = E X i X i E u2i X i X i E X i X i

    I Diagonal (j, j): varianza estimada de βbj


    I Fuera de diagonal (j, s): covarianza estimada de βbj y βbs .
    Tests de hipótesis sobre βj

    Estadístico t:

    βbj − βj,0
    t=
    b
    SE(βbj )
    Se puede demostrar:
    d
    t → X ∼ N (0, 1)
    b

    En muestras grandes, podemos usar probabilidades de una normal


    estándar para inferencia estadística.
    Tests de hipótesis sobre βj

    Dos opciones:
    1. Comparar b
    t con tcritico que depende de α.
    2. Calcular p-value.
    p-value = 2Φ(− b
    t )
    p-value para t = 0.9

    .4
    .3
    Densidad
    .2
    .1
    0

    -1.96 -0.9 0.9 1.96


    p-value para t = −3.1

    .4
    .3
    Densidad
    .2
    .1
    0

    -3.1 -1.96 1.96 3.1


    Tests de hipótesis de una cola sobre β1 : α = 5%, N (0, 1)

    .4
    .3
    Densidad
    .2

    95%
    .1
    0

    -1.645 0
    Ejemplo: Test Scores y Class Size

    En SW, los resultados incluyendo SEs son:

    \ = 698.9 − 2.28 × ST R
    T estScore
    (10.4) (0.52)

    \ = 698.9 − 1.10 × ST R − 0.650 × P ctEL


    T estScore
    (8.7) (0.43) (0.031)

    Suponga:

    H0 : β1 = 0
    H1 : β1 6= 0
    Ejemplo: Test Scores y Class Size

    βb1 − β1,0 2.28


    t=
    b =− = −4.4 < −1.96 (valor critico de N (0, 1))
    SE(β1 )
    b 0.52

    βb1 − β1,0 1.10


    t=
    b =− = −2.55 < −1.96 (valor critico de N (0, 1))
    SE(βb1 ) 0.43
    Intervalos de confianza sobre βj

    βbj − βj
    t= ∼ N (0, 1)
    SE(βbj )

    P rob(−tα/2 < t < tα/2 ) = 1 − α

    P rob(−tα/2 × SE(βbj ) < βbj − βj < tα/2 × SE(βbj )) = 1 − α

    Luego, un intervalo de confianza para βj :

    P rob(βbj − tα/2 × SE(βbj ) < βj < βbj + tα/2 × SE(βbj )) = 1 − α


    Ejemplo: Test Scores y Class Size
    En SW, los resultados incluyendo SEs son:

    \ = 698.9 − 2.28 × ST R
    T estScore
    (10.4) (0.52)

    \ = 698.9 − 1.10 × ST R − 0.650 × P ctEL


    T estScore
    (8.7) (0.43) (0.031)

    Intervalo de confianza: [βb1 − 1.96 × SE(βb1 ), βb1 + 1.96 × SE(βb1 )]

    [−2.28 − 1.96 × 0.52, −2.28 + 1.96 × 0.52] = [−3.2992, −1.2608]


    [−1.10 − 1.96 × 0.43, −1.10 + 1.96 × 0.43] = [−1.9428, −0.2572]

    Rechazamos H0 si β1,0 cae fuera de este intervalo, dado


    α = 5%.
    Tests de hipótesis conjuntos
    Ejemplo: Test Scores y Class Size

    \ = 698.9 − 1.10 × ST R − 0.650 × P ctEL


    T estScore
    (8.7) (0.43) (0.031)

    I H0 : β1 = 0 vs H1 : β1 =
    6 0: bt1 = −1.1/0.43 = 2.56 ⇒
    Rechazo
    I H0 : β2 = 0 vs H1 : β2 =6 0: b
    t2 = −0.650/0.031 = 20.9 ⇒
    Rechazo

    Podemos afirmar que β1 6= 0 y β2 6= 0 con α = 5%?


    Por qué no testeamos un coeficiente a la vez?

    I H0 : β1 = 0 y β2 = 0.
    I Supongamos que estadísticos t1 y t2 son independientes
    I ¿Cual es la probabilidad de que rechacemos la nula cuando
    esta es cierta (α)?

    t2 ≤ 1.96) = 0.952 = 0.9025



    t1 ≤ 1.96 y b
    P r( b

    I Luego, α = 1 − 0.9025 = 9.75%


    I Intuitivamente: ante muchos tests, probabilidad de rechazar
    (por suerte) va aumentando

    I Si estadísticos t1 y t2 son dependientes, problema podría ser


    peor.
    Tests de hipótesis conjunto

    H0 : βj = βj,0 , βm = βm,0 , ...para un total de q restricciones


    H1 : al menos una restricción no se cumple bajo H0

    I q restricciones: imponemos un valor específico a un coeficiente.


    I Método:
    1. Estadístico con cierta distribución.
    2. p-values o valores críticos.
    Estadístico F con q restricciones

    I H0 : βj = βj,0 , βm = βm,0 , ... puede escribirse como:

    Rβ = r

    I R: matriz que selecciona qué coeficiente están restringidos


    I β: vector de pendientes
    I r: vector con valores βj,0 .
    I Estadístico F :
    0
    h i−1
    F = (Rβb − r) RΣ b b R0 (Rβb − r)/q
    β

    I También acomoda tests individuales, con varios coeficientes:


    H0 : β1 + 2β2 = −β3 .
    Estadístico F con q restricciones

    I Distribución F (Fq,n−k−1 ) es la distribución de una variable


    aleatoria definida como (W/q)/(V /(n − k − 1)) donde
    W ∼ χq y V ∼ χn−k−1 .
    I Para ello, necesitamos que u
    bi ∼ N
    I Resultado para muestras grandes (independiente de
    distribución de errores):
    d
    F → χ2q /q ≡ Fq,∞

    I Valores críiticos (ver appendix de Stock & Watson):


    I χ2q /q
    I Fq,∞
    Distribución Fq,n

    .8
    .6
    Densidad
    .4
    .2
    0

    0 1 2 3 4

    F4,10 F4,25
    F4,50 F4,100
    Estadístico F con 2 restricciones

    I Suponga H0 : β1 = 0, β2 = 0 (q = 2). Entonces


    !
    1 t21 + t22 − 2bρt1 ,t2 t1 t2
    F =
    2 1 − ρb2t1 ,t2

    I Si unos de los tests individuales se rechaza, no implica


    necesariamente que la hipótesis conjunta tambiíen.
    I Si q = 1, entonces F = t2 .
    I Cuando tests están correlacionados, estadístico F ajusta por
    ρbt1 ,t2 .
    Homoscedasticidad versus Heteroscedasticidad

    I Al igual que el modelo simple, problema se remite a cálculo de


    SEs.
    I Robusta:
    h  0
    i−1  0
    h  0
    i−1
    Σβb = E X i X i E u2i X i X i E X i X i

    I Bajo homoscedasticidad:
    h  0
    i−1
    Σβb = σ 2 E X i X i

    I En ambos casos:
    0
    h i−1
    F = (Rβb − r) RΣ b b R0 (Rβb − r)/q
    β
    F y R2

    I Qué tan importante son las q restricciones para explicar


    V ar(Y )?
    I Al relajar q restricciones (ej., incluyendo más variables en la
    regresión), SSR baja
    I Sube R2
    I Luego, F y R2 están relacionados
    I Al incluir variables, si R2 sube “mucho”, puede ser señal de que
    coeficientes asociados a variables incluidas son conjuntamente
    significantivos
    F y R2

    Si hay homoscedasticidad :

    (SSRrestricted − SSRunrestricted ) /q
    F =
    SSRunrestricted /(n − kunrestricted − 1)

    2 2
    
    Runrestricted − Rrestricted /q
    F = 2
    (1 − Runrestricted )/(n − kunrestricted − 1)
    Ejemplo: Test Scores y Class Size

    \ = 649.6 − 0.29 × ST R − 0.656 × P ctEL + 3.87 × Expn, R2 = 0.4366


    T estScore
    (15.5) (0.48) (0.032) (1.59)

    \ = 664.7 − 0.671 × P ctEL,


    T estScore R2 = 0.4149
    (1.0) (0.032)

    Bajo homoscedasticidad, q = 2.
    (0.4366 − 0.4149)/2
    F = = 8.01
    (1 − 0.4366)/(420 − 3 − 1)

    ⇒Rechazo al 1% (valor critico es 4.61).


    Ejemplo: Test Scores y Class Size

    I Bajo heteroscedasticidad: F = 5.43.

    Asumir erróneamente homoscedasticidad tiene altos costos


    Presentación de resultados y análisis de regresión
    Cómo escribir un informe/estudio econométrico

    I El objetivo final: estudio de efectos causales


    I Mejor presentado en forma de pregunta (ver ejemplo abajo).

    1. Un estudio econométrico empieza detallando marco


    institucional y datos
    2. Enunciamos “estrategia de identificación”
    I Identificación: estrategia para obtener un estimador de
    efectos causales
    I Para nuestros efectos, el efecto causal no está identificado
    cuando E[u | X] 6= E[u]
    I Esta sección puede referirse también a “metodología”,
    “estrategia empírica”, etc; en mi opininón, si alude a efectos
    causales es mejor.
    Cómo escribir un informe/estudio econométrico

    3. Resultados
    I Presentación estimaciones
    I Discusión de números e implicancias.
    4. Conclusiones
    I Volver a pregunta original.
    Ejemplo: Colegios y Salarios

    I Objetivo del estudio


    I Aumentan tus salarios futuros asistir a un colegio privado?
    I Datos en Contreras, Rodriguez y Urzua (2020)
    I Tipo de colegio, II medio.
    I Escolaridad padres e ingreso familiar
    I Salarios ~10 años después
    I Marco institucional: Chile
    I Contexto: marcadas diferencias en calidad de educación.
    Estrategia de identificación

    Asumiremos independencia condicional: al incluir controles, variable


    de interés es independiente de errores

    Salariosi = β0 + βppag Di + Xi0 β + ui

    Donde
    (
    1 estudio en colegio privado-pagado
    Di =
    0 en cualquier otro caso

    Xi0 β = βesc EscM adre + βing IngF am

    E[ui | Di , EscM adre, IngF am] = E[ui | EscM adre, IngF am]
    Resultados

    Table: Efecto de asistir a colegio privado sobre salarios


    (1) (2) (3)
    Asiste a privado (Di ) 233.6*** 102.2*** 86.6***
    (6.8) (6.7) (8.0)
    Escolaridad madre X X
    Ingreso familiar X
    R2 1.1% 1.2% 2.1%
    N obs 11,395 11,395 11,395
    Notas: *, **, *** indican significancia el 10, 5, y 1%.
    Ejercicios

    Ejercicios.
    I Del libro Stock & Watson: Review the Concepts (todos),
    7.1, 7.2, 7.3(a), 7.4(a), 7.6, 7.8, 7.10.

    También podría gustarte