UNIVERSIDAD AUTÓNOMA GABRIEL RENE MORENO ECONOMÍA

FACULTAD DE CIENCIAS ECONÓMICAS ADMINISTRATIVAS Y FINANCIERAS

FORMULARIO DE ECONOMETRÍA
Tipos de Datos: Datos Transversales 𝑌𝑖 = 𝛼1 + 𝛽2 𝑋𝑖 + 𝑢𝑖

Datos de Series de Tiempo 𝑌𝑡 = 𝛼1 + 𝛽2 𝑋𝑡 + 𝑢𝑡

Parámetros:
𝛼 = 𝐴𝑙𝑓𝑎 𝛽 = 𝐵𝑒𝑡𝑎 𝛾 = 𝐺𝑎𝑚𝑚𝑎 𝛿 = 𝐷𝑒𝑙𝑡𝑎 𝜀 = 𝐸𝑝𝑠𝑖𝑙𝑜𝑛
𝜃 = 𝑍𝑒𝑡𝑎 𝜇 = 𝑀𝑢 𝜋 = 𝑃𝑖 𝜌 = 𝑅𝑜 𝜎 = 𝑆𝑖𝑔𝑚𝑎
𝜏 = 𝑇𝑎𝑢 𝜑 = 𝐹𝑖 𝜔 = 𝑂𝑚𝑒𝑔𝑎 𝜆 = 𝐿𝑎𝑚𝑏𝑑𝑎 𝜈 = 𝑁𝑖

Regresión Lineal Simple Regresión Lineal Múltiple

𝑌𝑖 = 𝛼1 + 𝛽2 𝑋𝑖 + 𝑢𝑖 𝑌𝑖 = 𝛼1 + 𝛽2 𝑋𝑖 + ⋯ + 𝛽𝑘 𝑋𝑘 + 𝑢𝑖
Error de Perturbación:
𝑢̂𝑖 = 𝑌𝑖 − 𝑌̂𝑖

1. Formulas Generales:

̅ ∑𝑋 ∑𝑌 ∑(𝑋𝑖 −𝑋̅)2 ∑(𝑌𝑖 −𝑌̅)2

Media: 𝑋 = 𝑌̅ = 2
Varianzas: 𝑆𝑋 = 𝑆𝑌2 =
𝑛 𝑛 𝑛 𝑛

∑(𝑋𝑖 −𝑋̅)(𝑌𝑖 −𝑌̅) Desviaciones respecto a la media:

Covarianza: 𝑆𝑋𝑌 = 𝑥𝑖 = 𝑋𝑖 − 𝑋̅ 𝑦𝑖 = 𝑌𝑖 − 𝑌̅
𝑛

Coeficiente de Correlación:
𝑛 ∑ 𝑋𝑖 𝑌𝑖 − ∑ 𝑋𝑖 ∑ 𝑌𝑖 Coeficiente de Determinación:
𝑟= 2 2
2
∑(𝑌̂𝑖 − 𝑌̅) 2
∑(𝑌𝑖 − 𝑌̂𝑖 )
√[𝑛 ∑ 𝑋𝑖2 − (∑ 𝑋𝑖 )2 ] ∗ [𝑛 ∑ 𝑌𝑖2 − (∑ 𝑌𝑖 )2 ] 𝑟 = 𝑟 =1−
∑(𝑌𝑖 − 𝑌̅)2 ∑(𝑌𝑖 − 𝑌̅)2

∑ 𝑋𝑖 𝑌𝑖 − 𝑛𝑋̅𝑌̅ ∑ 𝑥𝑖2 ∑(𝑋𝑖 − 𝑋̅ )2 𝑆𝑋2

𝑟= 𝑟 2 = 𝛽̂22 = ̂22
𝛽 𝑟 2 = 𝛽̂22
√[∑ 𝑋𝑖2 − 𝑛𝑋̅ 2 ] ∗ [∑ 𝑌𝑖2 − 𝑛𝑌̅ 2 ] ∑ 𝑦𝑖2 ∑(𝑌𝑖 − 𝑌̅ )2 𝑆𝑌2

2. Obtención de los Parámetros de Regresión Simple:

𝛽̂1 = 𝑌̅ − 𝛽̂2 𝑋̅𝑖 ∑𝑥 𝑦 ∑(𝑋𝑖 −𝑋̅)(𝑌𝑖 −𝑌̅)

𝛽̂2 = ∑ 𝑖 2 𝑖 = ∑(𝑋 ̅ )2
∑ 𝑋𝑖2 ∑ 𝑌𝑖 − ∑ 𝑋𝑖 ∑ 𝑋𝑖 𝑌𝑖 𝑥𝑖 𝑖 −𝑋
𝛽̂1 =
𝑛 ∑ 𝑋𝑖2 − (∑ 𝑋𝑖 )2 𝑛 ∑ 𝑋 𝑌 −∑ 𝑋𝑖 ∑ 𝑌𝑖 ∑ 𝑋 𝑌 −𝑛𝑋̅𝑌̅
𝛽̂2 = ∑ 𝑖 2𝑖 )2
𝛽̂2 = ∑ 𝑖 2𝑖 ̅ 2
𝑛 𝑋𝑖 −(∑ 𝑋𝑖 𝑋𝑖 −𝑛𝑋

3. Obtención de los Parámetros de Regresión al Origen:

∑𝑋 𝑌 𝜎 2 ∑𝑢
̂𝑖 (∑ 𝑋𝑖 ∑ 𝑌𝑖 )2
𝛽̂2 = ∑ 𝑖 2 𝑖 𝑉𝑎𝑟(𝛽̂2 ) = ∑ 𝜎̂ 2 = 𝑟 2𝑠𝑖𝑚𝑝𝑙𝑒 =
𝑋𝑖 𝑋𝑖2 𝑛−1 ∑ 𝑋𝑖2 ∑ 𝑌𝑖2

AUXILIAR: ROGER ANDY MIRANDA TARIJA

UNIVERSIDAD AUTÓNOMA GABRIEL RENE MORENO ECONOMÍA
FACULTAD DE CIENCIAS ECONÓMICAS ADMINISTRATIVAS Y FINANCIERAS

4. Análisis de Varianzas (ANOVA):

2 𝑆𝐶𝑅 ̂𝑖2
∑𝑢 2 ∑(𝑌𝑖 −𝑌̂𝑖 )2 ∑ 𝑋𝑖2
Sigma2: 𝜎̂ = = 𝜎̂ = 𝑉𝑎𝑟(𝛽̂1 ) = 2 ∗ 𝜎̂ 2
𝑛−𝑘 𝑛−𝑘 𝑛−𝑘 𝑛 ∑ 𝑥𝑖
2 ∑ 𝑋𝑖2
𝑆𝐶𝑅 = ∑ 𝑢̂𝑖2 = ∑(𝑌𝑖 − 𝑌̂𝑖 ) = ∑ 𝑦𝑖2 − 𝛽̂22 ∑ 𝑥𝑖2 𝑉𝑎𝑟(𝛽̂1 ) = ∗ 𝜎̂ 2
2 𝑛[∑ 𝑋𝑖2 − 𝑛𝑋̅ 2 ]
𝑆𝐶𝐸 = ∑ 𝑦̂𝑖2 = ∑(𝑌̂𝑖 − 𝑌̅𝑖 ) = 𝛽̂22 ∑ 𝑥𝑖2
𝑆𝐶𝑇 = ∑ 𝑦𝑖2 = ∑(𝑌𝑖 − 𝑌̅𝑖 )2 = ∑ 𝑌𝑖2 − 𝑛𝑌̅ 2 𝜎̂ 2 𝜎̂ 2
𝑉𝑎𝑟(𝛽̂2 ) = =
∑ 𝑥𝑖2 ∑ 𝑋𝑖2 − 𝑛𝑋̅ 2
Error Estándar de la estimación:

𝑒𝑒(𝛽̂0 ) = √𝑉𝑎𝑟(𝛽̂0 ) 𝐶𝑜𝑣(𝛽̂1 , 𝛽̂2 ) = −𝑋̅ ∗ 𝑉𝑎𝑟(𝛽̂2 )

5. Intervalo de Confianza:

𝑃𝑅 [𝛽̂0 − 𝑒𝑒(𝛽̂0 ) ∗ 𝑡𝑐𝑟𝑖𝑡𝑖𝑐𝑜 𝛼⁄2 , 𝑔𝑙 ≤ 𝛽0 ≤ 𝛽̂0 + 𝑒𝑒(𝛽̂0 ) ∗ 𝑡𝑐𝑟𝑖𝑡𝑖𝑐𝑜 𝛼⁄2 , 𝑔𝑙] (1 − 𝛼)𝑛. 𝑐.

6. Obtención de parámetros de Regresión Múltiple:

2)
(∑ 𝑦𝑖 𝑥3𝑖 ) ∗ (∑ 𝑥2𝑖 − (∑ 𝑦𝑖 𝑥2𝑖 ) ∗ (∑ 𝑥2𝑖 𝑥3𝑖 )
𝛽̂1 = 𝑌̅ − 𝛽̂2 𝑋̅2𝑖 − 𝛽̂3 𝑋̅3𝑖 𝛽̂2 = 2 2)
(∑ 𝑥2𝑖 ) ∗ (∑ 𝑥3𝑖 − (∑ 𝑥2𝑖 𝑥3𝑖 )2
2)
(∑ 𝑦𝑖 𝑥2𝑖 ) ∗ (∑ 𝑥3𝑖 − (∑ 𝑦𝑖 𝑥3𝑖 ) ∗ (∑ 𝑥2𝑖 𝑥3𝑖 )
𝛽̂2 = 2 2)
(∑ 𝑥2𝑖 ) ∗ (∑ 𝑥3𝑖 − (∑ 𝑥2𝑖 𝑥3𝑖 )2

7. Varianzas de la Regresión Múltiple:

1 𝑋̅22 ∗ ∑ 𝑥3𝑖
2
+ 𝑋̅32 ∗ ∑ 𝑥2𝑖
2
− 2 ∗ 𝑋̅2 ∗ 𝑋̅3 ∗ ∑ 𝑥2𝑖 𝑥3𝑖
̂ ) [
𝑉𝑎𝑟(𝛽1 = + ] ∗ 𝜎̂ 2
(∑ 2 ) (∑ 2 ) (∑ ) 2
𝑛 𝑥2𝑖 ∗ 𝑥3𝑖 − 𝑥2𝑖 𝑥3𝑖
2
∑ 𝑥3𝑖
𝑉𝑎𝑟(𝛽̂2 ) = 2 ) (∑ 2 ) ∗ 𝜎̂ 2
(∑ 𝑥2𝑖 ∗ 𝑥3𝑖 − (∑ 𝑥2𝑖 𝑥3𝑖 )2
2
∑ 𝑥2𝑖
𝑉𝑎𝑟(𝛽̂3 ) = 2 ) (∑ 2 ) ∗ 𝜎̂ 2
(∑ 𝑥2𝑖 ∗ 𝑥3𝑖 − (∑ 𝑥2𝑖 𝑥3𝑖 )2

𝜎̂ 2
𝑉𝑎𝑟(𝛽̂2 ) = 2 2) −𝑟23 ∗ 𝜎̂ 2
∑ 𝑥2𝑖 ∗ (1 − 𝑟23 𝐶𝑜𝑣(𝛽̂2 , 𝛽̂3 ) =
2)
(1 − 𝑟23 2 2
𝜎̂ 2 ∗ √∑ 𝑥2𝑖 ∗ √∑ 𝑥3𝑖
𝑉𝑎𝑟(𝛽̂3 ) = 2 2)
∑ 𝑥3𝑖 ∗ (1 − 𝑟23

AUXILIAR: ROGER ANDY MIRANDA TARIJA

UNIVERSIDAD AUTÓNOMA GABRIEL RENE MORENO ECONOMÍA
FACULTAD DE CIENCIAS ECONÓMICAS ADMINISTRATIVAS Y FINANCIERAS

8. Medidas de Ajuste de Bondad:

Coeficiente de determinación:
𝑆𝐶𝐸 𝛽̂2 ∑ 𝑦𝑖 𝑥2𝑖 + 𝛽̂3 ∑ 𝑦𝑖 𝑥3𝑖 2
(∑ 𝑥2𝑖 𝑥3𝑖 )2
𝑅2 = = 𝑟23 =
𝑆𝐶𝑇 ∑ 𝑦𝑖2 2
∑ 𝑥2𝑖 2
∗ ∑ 𝑥3𝑖
Coeficiente de determinación Ajustado:
𝑆𝐶𝑅
𝑛 − 𝑘 ∑ 𝑢̂𝑖2 /(𝑛 − 𝑘) 𝜎̂ 2 ∑ 𝑢̂𝑖2 /(𝑛 − 𝑘)
̅ 2
𝑅 =1− =1− 𝑅̅ 2 = 1 − =1−
𝑆𝐶𝑇 ∑ 𝑦𝑖2 /(𝑛 − 1) 𝑆𝑌2 ∑(𝑌𝑖 − 𝑌̅)2 /𝑛
𝑛−1
(𝑛 − 1)
𝑅̅2 = 1 − (1 − 𝑅2 ) ∗ 𝑅2 𝑚𝑜𝑑𝑖𝑓𝑖𝑐𝑎𝑑𝑎 = (1 − 𝑘⁄𝑛) ∗ 𝑅2
(𝑛 − 𝑘 )

9. Análisis de las varianzas de una Regresión Múltiple:

2 ̂ )= 𝜎2 1
𝑆𝑅𝐶 = ∑ 𝑢̂𝑖 = ∑ 𝑦𝑖2 − 𝛽̂2 ∑ 𝑦𝑖 𝑥2𝑖 − 𝛽̂3 ∑ 𝑦𝑖 𝑥3𝑖 𝑉𝑎𝑟 (𝛽 ∗( )
𝑗 ∑ 𝑥2 𝑗 1−𝑅2𝑗
2
𝑆𝐸𝐶 = ∑ 𝑦̂𝑖 = 𝛽̂2 ∑ 𝑦𝑖 𝑥2𝑖 + 𝛽̂3 ∑ 𝑦𝑖 𝑥3𝑖
2 2
𝑆𝑇𝐶 = ∑ 𝑦𝑖 = ∑ 𝑦̂𝑖 + ∑ 𝑦𝑖2 − 𝛽̂2 ∑ 𝑦𝑖 𝑥2𝑖 − 𝛽̂3 ∑ 𝑦𝑖 𝑥3𝑖

10. Coeficiente de Correlación Parcial:

𝑟12 −𝑟13 ∗𝑟23
𝑟12.3 = 𝑟12 = 𝐶𝑜𝑟𝑟𝑒𝑙𝑎𝑐𝑖ó𝑛 𝑒𝑛𝑡𝑟𝑒 𝑌 𝑦 𝑋2
√(1−𝑟132 )∗(1−𝑟 2 )
23
𝑟13 −𝑟12 ∗𝑟23
𝑟13.2 = 𝑟13 = 𝐶𝑜𝑟𝑟𝑒𝑙𝑎𝑐𝑖ó𝑛 𝑒𝑛𝑡𝑟𝑒 𝑌 𝑦 𝑋3
2 )∗(1−𝑟 2 )
√(1−𝑟12 23
𝑟23 −𝑟12 ∗𝑟13
𝑟23.1 = 𝑟23 = 𝐶𝑜𝑟𝑟𝑒𝑙𝑎𝑐𝑖ó𝑛 𝑒𝑛𝑡𝑟𝑒 𝑋2 𝑦 𝑋3
2 )∗(1−𝑟 2 )
√(1−𝑟12 13

11. Coeficiente de Determinación Parcial:

2 +𝑟 2 −2𝑟 ∗𝑟 ∗𝑟
𝑟12
𝑅2 = 13 12 13 23
2
2
𝑅2 = 𝑟12 2)
+ (1 − 𝑟12 2
∗ 𝑟13.2
1−𝑟23
2 2) 2
𝑅2 = 𝑟13 + (1 − 𝑟13 ∗ 𝑟12.3

12. Predicción:
Predicción de la Media Predicción Individual
-Varianza de la predicción: -Varianza de la predicción:
1 (𝑋0 − 𝑋̅)2 1 (𝑋0 − 𝑋̅ )2
̂ 2
𝑉𝑎𝑟(𝑌0 ) = 𝜎𝜇 ∗ [ + ] ̂ 2
𝑉𝑎𝑟(𝑌0 ) = 𝜎𝜇 ∗ [1 + + ]
𝑛 ∑ 𝑥𝑖2 𝑛 ∑ 𝑥𝑖2

AUXILIAR: ROGER ANDY MIRANDA TARIJA

UNIVERSIDAD AUTÓNOMA GABRIEL RENE MORENO ECONOMÍA
FACULTAD DE CIENCIAS ECONÓMICAS ADMINISTRATIVAS Y FINANCIERAS

Intervalo de Confianza Error típico de la Predicción

𝐼𝐶: 𝑃𝑟[𝑌̂0 ± 𝑡𝛼/2,𝑔𝑙 ∗ 𝜎̂ (𝑌̂0) ] = 1 − 𝛼 𝜎̂(𝑌̂0 ) = √𝑉𝑎𝑟(𝑌̂0 )

13. Modelos de Regresión Polinomial:

𝑌𝑖 = 𝛽0 + 𝛽1 𝑋𝑖 + 𝛽2 𝑋𝑖2 + − − − + 𝛽𝑘 𝑋𝑖𝑘 + 𝑢𝑖

14. Obtención de Parámetros por medio de matrices:

∑ 𝑌𝑖 𝑛 ∑ 𝑋2𝑖 ∑ 𝑋3𝑖 … ∑ 𝑋𝑁𝑖

2
∑ 𝑌𝑖 𝑋2𝑖 ∑ 𝑋2𝑖 ∑ 𝑋2𝑖 ∑ 𝑋2𝑖 𝑋3𝑖 … ∑ 𝑋2𝑖 𝑋𝑁𝑖
∑ 𝑌𝑖 𝑋3𝑖 ∑ 𝑋3𝑖 ∑ 𝑋3𝑖 𝑋2𝑖 ∑ 𝑋3𝑖2
… ∑ 𝑋3𝑖 𝑋𝑁𝑖 [∑ 𝑌𝑖2 ]
⋮ ⋮ ⋮ ⋮ ⋱ ⋮
[∑ 𝑌𝑖 𝑋𝑁𝑖 ] 2
[∑ 𝑋𝑁𝑖 ∑ 𝑋𝑁𝑖 𝑋2𝑖 ∑ 𝑋𝑁𝑖 𝑋3𝑖 … ∑ 𝑋𝑁𝑖 ]
(X’Y) (X’X) (Y’Y)

Cálculo: 𝛽̂0 = (𝑋′𝑋)−1 ∗ 𝑋′𝑌

Comandos en Excel:
=MMULT(Matriz1|Matriz2) =MINVERSA(Matriz1)
=MMULT(TRANSPONER(Matriz1)| Matriz2) =TRANSPONER(Matriz1)
Nota: Seleccionar los espacios según el tamaño de la matriz.// CTRl + SHIFT + ENTER //

15. Análisis de Varianzas ANOVA con matrices:

Suma de Cuadrados: Matriz Var-Cov: Coeficiente de Determinación:

𝑆𝐶𝐸
𝑆𝑅𝐶 = 𝑌 ′ 𝑌 − 𝐵′𝑋′𝑌 𝑉 (𝐵) = (𝑋′𝑋)−1 ∗ 𝜎̂ 2 𝑅2 =
𝑆𝐶𝑇
2 𝑆𝐶𝑅
′ ′
𝑆𝐸𝐶 = 𝐵 𝑋 𝑌 − 𝑛𝑌 ̅2 Sigma2: 𝑅 =1−
𝑆𝐶𝑇
2 𝑆𝑅𝐶
𝑆𝑇𝐶 = 𝑌 𝑌 − 𝑛𝑌̅ 2
′
𝜎̂ =
𝑛−𝑘

16. Criterios de Información:

2 Razón de Verosimilitud:
AKAIKE: 𝐴𝐼𝐶 = ∗ (𝑘 − 𝐿)
𝑛
1
𝑛 𝑆𝐶𝑅
SCHWARZ: 𝑆𝐶 = ∗ (𝑘 ∗ 𝑙𝑛(𝑛) − 2𝐿) 𝐿 = − [1 + 𝑙𝑛(2𝜋) + 𝑙𝑛 ( )]
𝑛 2 𝑛
2
HANNAN-QUINN: 𝐻𝑄 = ∗ (𝑘 ∗ ln(𝑙𝑛 (𝑛)) − 𝐿)
𝑛

AUXILIAR: ROGER ANDY MIRANDA TARIJA

UNIVERSIDAD AUTÓNOMA GABRIEL RENE MORENO ECONOMÍA
FACULTAD DE CIENCIAS ECONÓMICAS ADMINISTRATIVAS Y FINANCIERAS
17. Prueba de Hipótesis:
Prueba Individual (T)

Tipo de H0: Hipótesis Nula H1: Hipótesis Regla de decisión:

Hipótesis Alternativa Rechazar la H0 si
Dos Colas 𝛽0 = 𝛽0∗ 𝛽0 ≠ 𝛽0∗ |𝑡| > 𝑡𝜶⁄
𝟐,𝒈𝒍
Cola Derecha 𝛽0 ≤ 𝛽0∗ 𝛽0 > 𝛽0∗ 𝑡 > 𝑡𝜶,𝒈𝒍
Cola Izquierda 𝛽0 ≥ 𝛽0∗ 𝛽0 < 𝛽0∗ 𝑡 < −𝑡𝜶,𝒈𝒍

Nota: 𝛽0∗ es el valor numérico hipotético de 𝛽0

Procedimiento:
1) Planteamiento de la H0
𝐻𝟎 : 𝛽0 = 0 𝐻1 : 𝛽0 ≠ 0
2) Estadístico de Prueba
𝛽0 −0
𝑇𝑐𝑎𝑙𝑐 = | | 𝑇𝑐𝑟𝑖𝑡𝑖𝑐𝑜 =INV.T.2C(Prob|n-k)
𝑒𝑒(𝛽0 )
3) Regla de Decisión
𝑇𝑐𝑎𝑙𝑐 > 𝑇𝑐𝑟𝑖𝑡𝑖𝑐𝑜
Se Rechaza la H0, por lo tanto, el valor de 𝛽0 es válida para el modelo.

Prueba Global (F)

Procedimiento:
1) Planteamiento de la H0
𝐻𝟎 : 𝛽0 = 𝛽𝑖 = 0 𝐻1 : 𝛽0 ≠ 𝛽𝑖 ≠ 0
2) Estadístico de Prueba
𝑅2 /(𝑘−1)
𝐹𝑐𝑎𝑙𝑐 = (1−𝑅2 )/(𝑛−𝑘) 𝐹𝑐𝑟𝑖𝑡𝑖𝑐𝑜 =INV.F.CD(Prob|k-1|n-k)
3) Regla de Decisión
𝐹𝑐𝑎𝑙𝑐 > 𝐹𝑐𝑟𝑖𝑡𝑖𝑐𝑜
Se Rechaza la H0, por lo tanto, el valor en conjunto de los 𝛽𝑖 es válida para el modelo.

18. Prueba de Conjuntas en Matriz:

1) Planteamiento de la H0
𝐻𝟎 : 𝑅𝐵 = 𝑟 𝐻1 : 𝑅𝐵 ≠ 𝑟
2) Estadístico de Prueba
′
(𝑅𝐵̂ − 𝑟) ∗ [𝑅(𝑋 ′ 𝑋)−1 ∗ 𝑅′ ]−1 ∗ (𝑅𝐵̂ − 𝑟)/𝑞
𝐹𝑐𝑎𝑙𝑐 =
𝑆𝐶𝑅/(𝑛 − 𝑘)

AUXILIAR: ROGER ANDY MIRANDA TARIJA

UNIVERSIDAD AUTÓNOMA GABRIEL RENE MORENO ECONOMÍA
FACULTAD DE CIENCIAS ECONÓMICAS ADMINISTRATIVAS Y FINANCIERAS

Donde: q= es el número de restricciones (Ecuaciones)

3) Regla de decisión
𝐹𝑐𝑎𝑙𝑐 > 𝐹𝑐𝑟𝑖𝑡𝑖𝑐𝑜 Se Rechaza la 𝐻0

19. Tabla ANOVA con dos Variables:

FUENTE DE SC Grados de SCP

VARIACIÓN libertad
Debido a la Regresión 1
∑ 𝑦̂𝑖2 = 𝛽̂22 ∑ 𝑥𝑖2 ∑ 𝑦̂𝑖2 = 𝛽̂22 ∑ 𝑥𝑖2
(SCE)
Debido a los Residuos
∑ 𝑢̂𝑖2 n-2 ∑ 𝑢̂𝑖2
(SCR) = 𝜎̂ 2
𝑛−2
SCT n-1
∑ 𝑦𝑖2

𝑆𝐶𝑃 𝑑𝑒 𝑆𝐶𝐸 𝛽̂22 ∑ 𝑥𝑖2 𝛽̂22 ∑ 𝑥𝑖2

𝐹= = =
𝑆𝐶𝑃 𝑑𝑒 𝑆𝐶𝑅 ∑ 𝑢̂𝑖2 /(𝑛 − 2) 𝜎̂ 2

20. Prueba de Normalidad (Test Jarque-Bera):

Planteamiento de la Hipótesis: Estadístico de Prueba:
𝐻0 : 𝑢𝑖 𝑠𝑒 𝑑𝑖𝑠𝑡𝑟𝑖𝑏𝑢𝑦𝑒𝑛 𝑛𝑜𝑟𝑚𝑎𝑙𝑚𝑒𝑛𝑡𝑒 𝑆2 (𝐾−3)2
𝐽𝐵 = 𝑛 [ 6 + ]
𝐻1 : 𝑢𝑖 𝑛𝑜 𝑠𝑒 𝑑𝑖𝑠𝑡𝑟𝑖𝑏𝑢𝑦𝑒𝑛 𝑛𝑜𝑟𝑚𝑎𝑙𝑚𝑒𝑛𝑡𝑒 24

Estadístico Teórico: Donde:

n= Tamaño de la muestra
𝑥 2 = 𝐶ℎ𝑖 2 = (𝛼; 𝑚)
2 2 S= Coeficiente de Asimetría
𝑥 = 𝐶ℎ𝑖 = 𝐼𝑁𝑉. 𝐶𝐻𝐼𝐶𝑈𝐴𝐷. 𝐶𝐷(𝑃𝑟𝑜𝑏|m) 𝑛 3
1 𝑌𝑖 − 𝑌̅
𝑆 = ∗ ∑( )
Regla de Decisión: 𝑛 𝜎̂
𝑖=1
𝑥 2 ≥ 𝐽𝐵 𝑁𝑜 𝑠𝑒 𝑅𝑒𝑐ℎ𝑎𝑧𝑎 𝑙𝑎 𝐻0 K= Coeficiente de Curtosis
𝑥 2 ≤ 𝐽𝐵 𝑆𝑒 𝑅𝑒𝑐ℎ𝑎𝑧𝑎 𝑙𝑎 𝐻0 1
𝑛
𝑌𝑖 − 𝑌̅
4
𝐾 = ∗∑( )
𝑛 𝜎̂
𝑃𝑟𝑜𝑏(𝐽𝐵) > 𝛼 𝑁𝑜 𝑠𝑒 𝑅𝑒𝑐ℎ𝑎𝑧𝑎 𝑙𝑎 𝐻0 𝑖=1
𝑃𝑟𝑜𝑏(𝐽𝐵) < 𝛼 𝑆𝑒 𝑟𝑒𝑐ℎ𝑎𝑧𝑎 𝑙𝑎 𝐻0 Además:
̅ )2 ] /(𝑛 − 1)
𝑠𝑑 = √[∑(𝑌𝑖 − 𝑌
𝜎̂ = 𝑠𝑑 ∗ √(𝑛 − 1)/𝑛

AUXILIAR: ROGER ANDY MIRANDA TARIJA

UNIVERSIDAD AUTÓNOMA GABRIEL RENE MORENO ECONOMÍA
FACULTAD DE CIENCIAS ECONÓMICAS ADMINISTRATIVAS Y FINANCIERAS
21. Formas funcionales de los modelos de regresión:
𝒅𝒀 𝒅𝒀 𝑿
Modelo Ecuación Pendiente(= 𝒅𝑿) Elasticidad(= 𝒅𝑿 ∗ 𝒀 )
𝑋 ∗
𝐿𝑖𝑛𝑒𝑎𝑙 𝑌 = 𝛽1 + 𝛽2 𝑋 𝛽2 𝛽2 ( )
𝑌
𝑌
𝐿𝑜𝑔 − 𝐿𝑖𝑛𝑒𝑎𝑙 𝐿𝑛𝑌 = 𝛽1 + 𝛽2 𝐿𝑛𝑋 𝛽2 ( ) 𝛽2
𝑋
𝐿𝑜𝑔 − 𝐿𝑖𝑛 𝐿𝑛𝑌 = 𝛽1 + 𝛽2 𝑋 𝛽2 (𝑌) 𝛽2 (𝑋)∗
1 1 ∗
𝐿𝑖𝑛 − 𝐿𝑜𝑔 𝑌 = 𝛽1 + 𝛽2 𝐿𝑛𝑋 𝛽2 ( ) 𝛽2 ( )
𝑋 𝑌
1 1 1 ∗
𝑅𝑒𝑐í𝑝𝑟𝑜𝑐𝑜 𝑌 = 𝛽1 + 𝛽2 ( ) −𝛽2 ( 2 ) −𝛽2 ( )
𝑋 𝑋 𝑋𝑌
1 𝑌 1 ∗
𝑅𝑒𝑐í𝑝𝑟𝑜𝑐𝑜 𝐿𝑜𝑔 𝐿𝑛𝑌 = 𝛽1 − 𝛽2 (𝑋) 𝛽2 (𝑋 2 ) 𝛽2 (𝑋)

Nota: * indica que la elasticidad es variable dependiendo los valores de X y Y

22. Tabla ANOVA para la regresión con tres variables:
Origen de la variación SC GL SCM
Debido a la Regresión 𝛽̂2 ∑ 𝑦𝑖 𝑥2𝑖 + 𝛽̂3 ∑ 𝑦𝑖 𝑥3𝑖 2 𝛽̂2 ∑ 𝑦𝑖 𝑥2𝑖 + 𝛽̂3 ∑ 𝑦𝑖 𝑥3𝑖
(SCE) 2
Debido a los Residuos ∑ 𝑢̂𝑖2 n-3 ∑ 𝑢̂𝑖2
(SCR) = 𝜎̂ 2
𝑛−3
SCT ∑ 𝑦𝑖2 n-1

𝑆𝐶𝑀 𝑑𝑒 𝑆𝐶𝐸
𝐹=
𝑆𝐶𝑀 𝑑𝑒 𝑆𝐶𝑅
Hipótesis Nula Hipótesis Alternativa Región critica
H0 H1 Se rechaza la H0 si
𝑆12
𝜎12 = 𝜎22 𝜎12 > 𝜎22 > 𝐹𝛼 , 𝑛𝑔𝑙, 𝑑𝑔𝑙
𝑆22
𝑆12
> 𝐹𝛼/2 , 𝑛𝑔𝑙, 𝑑𝑔𝑙
𝑆22
𝜎12 = 𝜎22 𝜎12 ≠ 𝜎22 0 < 𝐹(1 − 𝛼/2), 𝑛𝑔𝑙, 𝑑𝑔𝑙

23. Tabla ANOVA en términos de R2:

Origen de la variación SC GL SCM
Debido a la Regresión 𝑅2 ∗ (∑ 𝑦𝑖2 ) 2 [𝑅2 ∗ (∑ 𝑦𝑖2 )]/2
Debido a los Residuos (1 − 𝑅2 ) ∗ (∑ 𝑦𝑖2 ) n-3 [((1 − 𝑅2 ) ∗ (∑ 𝑦𝑖2 ))]
𝑛−3
SCT ∑ 𝑦𝑖2 n-1

𝑆𝐶𝑀 𝑑𝑒 𝑆𝐸𝐶
𝐹=
𝑆𝐶𝑀 𝑑𝑒 𝑆𝑅𝐶

AUXILIAR: ROGER ANDY MIRANDA TARIJA

UNIVERSIDAD AUTÓNOMA GABRIEL RENE MORENO ECONOMÍA
FACULTAD DE CIENCIAS ECONÓMICAS ADMINISTRATIVAS Y FINANCIERAS
24. Tabla ANOVA para evaluar la evaluación incremental de una o más variables:
Origen de la variación SC GL SCM
SCE debido solo a X2 𝑄1 = 𝛽̂12
2
∗ ∑ 𝑥22 1 𝑄1 /1

SCE debido a la adición 𝑄2 = 𝑄3 − 𝑄1 1 𝑄2 /1

de X3
SCE debido tanto a X2 𝑄3 = 𝛽̂2 ∗ ∑ 𝑦𝑖 𝑥2𝑖 + 𝛽̂3 ∗ ∑ 𝑦𝑖 𝑥3𝑖 2 𝑄3 /2
como a X3
SCR 𝑄4 = 𝑄5 − 𝑄3 n-3 𝑄4
Total 𝑄5 = ∑ 𝑦𝑖2 n-1 n-3
𝑄2 /𝑔𝑙 (𝑆𝐶𝐸𝑛𝑢𝑒𝑣𝑎 − 𝑆𝐶𝐸𝑣𝑖𝑒𝑗𝑎 )/𝑛ú𝑚𝑒𝑟𝑜 𝑑𝑒 𝑟𝑒𝑔𝑟𝑒𝑠𝑜𝑟𝑎𝑠 𝑛𝑢𝑒𝑣𝑎𝑠
𝐹= =
𝑄4 /𝑔𝑙 𝑆𝐶𝑅𝑛𝑢𝑒𝑣𝑎 /(𝑛 − 𝑘)𝑛𝑢𝑒𝑣𝑜

25. Prueba F con R2 para evaluar la evaluación incremental de una o más variables:
2 2 2 2
(𝑅𝑛𝑢𝑒𝑣𝑎 − 𝑅𝑣𝑖𝑒𝑗𝑎 )/𝑔𝑙 (𝑅𝑛𝑢𝑒𝑣𝑎 − 𝑅𝑣𝑖𝑒𝑗𝑎 )/𝑛ú𝑚𝑒𝑟𝑜 𝑑𝑒 𝑟𝑒𝑔𝑟𝑒𝑠𝑜𝑟𝑎𝑠 𝑛𝑢𝑒𝑣𝑎𝑠
𝐹= 2 = 2
(1 − 𝑅𝑛𝑢𝑒𝑣𝑎 )/𝑔𝑙 (1 − 𝑅𝑛𝑢𝑒𝑣𝑎 )/(𝑛 − 𝑘)𝑛𝑢𝑒𝑣𝑜

26. Prueba de igualdad de dos coeficientes de regresión:

Planteamiento de la Hipótesis:
𝐻0 : 𝛽𝑘 = 𝛽𝑘+1 o 𝐻0 : 𝛽𝑘 − 𝛽𝑘+1 = 0
𝐻1 : 𝛽𝑘 ≠ 𝛽𝑘+1 o 𝐻1 : 𝛽𝑘 − 𝛽𝑘+1 ≠ 0
Estadístico prueba:
𝛽̂𝑘 − 𝛽̂𝑘+1
𝑡_𝑐𝑎𝑙𝑐𝑢𝑙𝑎𝑑𝑎 =
√𝑣𝑎𝑟(𝛽̂𝑘 ) + 𝑣𝑎𝑟(𝛽̂𝑘+1 ) − 2 ∗ 𝑐𝑜𝑣(𝛽̂𝑘 , 𝛽̂𝑘+1 )
Estadístico tabla:
𝑡_𝑡𝑎𝑏𝑙𝑎 = 𝑖𝑛𝑣. 𝑡. 2𝑐(𝑃𝑟𝑜𝑏|𝑛 − 𝑘)
Regla de Decisión:
𝑇_𝑐𝑎𝑙 > 𝑇_𝑡𝑎𝑏 𝑅𝑒𝑐ℎ𝑎𝑧𝑎 𝑙𝑎 𝐻0
𝑇_𝑐𝑎𝑙 < 𝑇_𝑡𝑎𝑏 𝑁𝑜 𝑠𝑒 𝑅𝑒𝑐ℎ𝑎𝑧𝑎 𝑙𝑎 𝐻0
27. La Prueba de Chow:
1. Planteamiento del modelo restricto:
𝑌̂𝑡 = 𝛼̂1 + 𝛼̂2 𝑋𝑡 + 𝑢𝑡 𝑛 = (𝑛1 + 𝑛2 ) 𝑔𝑙 = (𝑛1 + 𝑛2 − 𝑘)
2. Modelo de una 1º muestra:
𝑌̂𝑡 = 𝜆̂1 + 𝜆̂2 𝑋𝑡 + 𝑢1𝑡 𝑛1 = 𝑂𝑏𝑠. 1º 𝑚𝑢𝑒𝑠𝑡𝑟𝑎 𝑔𝑙 = (𝑛1 − 𝑘)
3. Modelo de una 2º muestra:
𝑌̂𝑡 = 𝛾̂1 + 𝛾̂2 𝑋𝑡 + 𝑢2𝑡 𝑛2 = 𝑂𝑏𝑠. 2º 𝑚𝑢𝑒𝑠𝑡𝑟𝑎 𝑔𝑙 = (𝑛2 − 𝑘)
4. Suma de cuadrados residual no restringida:
𝑆𝐶𝑅𝑁𝑅 = 𝑆𝐶𝑅1 + 𝑆𝐶𝑅2 𝑔𝑙 = (𝑛1 + 𝑛2 − 𝑘)
5. Formulación de la Hipótesis:
𝐻0 : 𝑆𝐶𝑅𝑅 ≠ 𝑆𝐶𝑅𝑁𝑅 (𝐻𝑎𝑦 𝑐𝑎𝑚𝑏𝑖𝑜 𝑒𝑠𝑡𝑟𝑢𝑐𝑡𝑢𝑟𝑎𝑙)
𝐻1 : 𝑆𝐶𝑅𝑅 = 𝑆𝐶𝑅𝑁𝑅 (𝑁𝑜 ℎ𝑎𝑦 𝑐𝑎𝑚𝑏𝑖𝑜 𝑒𝑠𝑡𝑟𝑢𝑐𝑡𝑢𝑟𝑎𝑙)

AUXILIAR: ROGER ANDY MIRANDA TARIJA

UNIVERSIDAD AUTÓNOMA GABRIEL RENE MORENO ECONOMÍA
FACULTAD DE CIENCIAS ECONÓMICAS ADMINISTRATIVAS Y FINANCIERAS

Estadístico prueba:
(𝑆𝐶𝑅𝑅 − 𝑆𝐶𝑅𝑁𝑅 )/𝑘
𝐹_𝑐𝑎𝑙 =
(𝑆𝐶𝑅𝑁𝑅 )/(𝑛1 + 𝑛2 − 2𝑘)
Estadístico tabla:
𝐹_𝑡𝑎𝑏𝑙𝑎 = 𝑖𝑛𝑣. 𝑓. 𝑐𝑑(𝑃𝑟𝑜𝑏|𝑘|𝑛1 + 𝑛2 − 2𝑘)
Regla de Decisión:
𝐹_𝑐𝑎𝑙 > 𝐹_𝑡𝑎𝑏 𝑅𝑒𝑐ℎ𝑎𝑧𝑎 𝑙𝑎 𝐻0
𝐹_𝑐𝑎𝑙 < 𝐹_𝑡𝑎𝑏 𝑁𝑜 𝑠𝑒 𝑅𝑒𝑐ℎ𝑎𝑧𝑎 𝑙𝑎 𝐻0

28. Mínimos cuadrados restringidos: Pruebas de restricciones de igualdad lineales:

28.1: Enfoque de la prueba T

Planteamiento de la Hipótesis:
𝐻0 : (𝛽𝑘 + 𝛽𝑘+1 ) = 1 𝐻1 : (𝛽𝑘 + 𝛽𝑘+1 ) ≠ 1
Estadístico prueba:
(𝛽̂𝑘 − 𝛽̂𝑘+1 ) − 1
𝑡_𝑐𝑎𝑙𝑐𝑢𝑙𝑎𝑑𝑎 =
√𝑣𝑎𝑟(𝛽̂𝑘 ) + 𝑣𝑎𝑟(𝛽̂𝑘+1 ) + 2 ∗ 𝑐𝑜𝑣(𝛽̂𝑘 , 𝛽̂𝑘+1 )
Estadístico tabla:
𝑡_𝑡𝑎𝑏𝑙𝑎 = 𝑖𝑛𝑣. 𝑡. 2𝑐(𝑃𝑟𝑜𝑏|𝑛 − 𝑘)
Regla de Decisión:
𝑇_𝑐𝑎𝑙 > 𝑇_𝑡𝑎𝑏 𝑅𝑒𝑐ℎ𝑎𝑧𝑎 𝑙𝑎 𝐻0
𝑇_𝑐𝑎𝑙 < 𝑇_𝑡𝑎𝑏 𝑁𝑜 𝑠𝑒 𝑅𝑒𝑐ℎ𝑎𝑧𝑎 𝑙𝑎 𝐻0
28.2: Enfoque de la prueba F: mínimos cuadrados restringidos.
Planteamiento de la Hipótesis (Ejemplo):
𝐻0 : 𝐿𝑛(𝑌𝑖 /𝑋2𝑖 ) = 𝛽1 + 𝛽3 𝐿𝑛(𝑋3𝑖 /𝑋2𝑖 ) + 𝑢𝑖 (𝑚𝑜𝑑𝑒𝑙𝑜 𝑟𝑒𝑠𝑡𝑟𝑖𝑛𝑔𝑖𝑑𝑜)
𝐻1 : 𝐿𝑛𝑌𝑖 = 𝛽1 + 𝛽2 𝐿𝑛𝑋2𝑖 + 𝛽3 𝐿𝑛𝑋3𝑖 + 𝑢𝑖 (𝑚𝑜𝑑𝑒𝑙𝑜 𝑛𝑜 𝑟𝑒𝑠𝑡𝑟𝑖𝑛𝑔𝑖𝑑𝑜)
Dado: 𝛽2 = 1 − 𝛽3
Estadístico prueba (En términos de SCR):
(𝑆𝐶𝑅𝑅 − 𝑆𝐶𝑅𝑁𝑅 )/𝑚
𝐹_𝑐𝑎𝑙 =
(𝑆𝐶𝑅𝑁𝑅 )/(𝑛 − 𝑘)
Estadístico prueba (En términos de R ):
2
2
(𝑅𝑁𝑅 − 𝑅𝑅2 )/𝑚
𝐹_𝑐𝑎𝑙 = 2 ) (
(1 − 𝑅𝑁𝑅 / 𝑛 − 𝑘)
Nota: m=nº parámetros de diferencia entre el modelo restricto y no restricto.
Estadístico tabla:
𝐹_𝑡𝑎𝑏𝑙𝑎 = 𝐼𝑁𝑉. 𝐹. 𝐶𝐷(𝑃𝑟𝑜𝑏|𝑚|𝑛 − 𝑘)
Regla de Decisión:
𝐹_𝑐𝑎𝑙 > 𝐹_𝑡𝑎𝑏 𝑅𝑒𝑐ℎ𝑎𝑧𝑎 𝑙𝑎 𝐻0
𝐹_𝑐𝑎𝑙 < 𝐹_𝑡𝑎𝑏 𝑁𝑜 𝑠𝑒 𝑅𝑒𝑐ℎ𝑎𝑧𝑎 𝑙𝑎 𝐻0

AUXILIAR: ROGER ANDY MIRANDA TARIJA

UNIVERSIDAD AUTÓNOMA GABRIEL RENE MORENO ECONOMÍA
FACULTAD DE CIENCIAS ECONÓMICAS ADMINISTRATIVAS Y FINANCIERAS
29. La Prueba de MWD:

Formulación de la Hipótesis:
𝐻0 : 𝑀𝑜𝑑𝑒𝑙𝑜 𝐿𝑖𝑛𝑒𝑎𝑙
𝐻1 : 𝑀𝑜𝑑𝑒𝑙𝑜 𝐿𝑜𝑔 − 𝐿𝑖𝑛𝑒𝑎𝑙
Paso I: Estime el modelo lineal y obtenga los valores Y estimado “Yf”.
Paso II: Estime el modelo log-lineal y obtenga los valores LnY estimados “Lnf”.
Paso III: Obtenga Z1=(LnYf - lnf).
Paso IV: Efectué la regresión de Y sobre las X y Z1 obtenida en el paso III.
Regla de Decisión:
𝑃𝑟𝑜𝑏(𝑡) > 𝛼 𝑁𝑜 𝑠𝑒 𝑅𝑒𝑐ℎ𝑎𝑧𝑎 𝑙𝑎 𝐻0
𝑃𝑟𝑜𝑏(𝑡) < 𝛼 𝑅𝑒𝑐ℎ𝑎𝑧𝑎 𝑙𝑎 𝐻0
Paso V: Obtenga Z2=(Antilog de Lnf - Yf).
Paso VI: Efectué la regresión del Logaritmo de Y sobre los logaritmos de las X y Z2.
Regla de Decisión:
𝑃𝑟𝑜𝑏(𝑡) > 𝛼 𝑁𝑜 𝑠𝑒 𝑅𝑒𝑐ℎ𝑎𝑧𝑎 𝑙𝑎 𝐻1
𝑃𝑟𝑜𝑏(𝑡) < 𝛼 𝑅𝑒𝑐ℎ𝑎𝑧𝑎 𝑙𝑎 𝐻1

30. La Prueba de Multicolinealidad:

1) Factor Inflacionario de la Varianza 2) Tolerancia

1 1 2
𝐹𝐼𝑉𝑖𝑗 = 2 𝑇𝑂𝐿𝑖𝑗 = = (1 − 𝑅𝑖𝑗 )
(1 − 𝑅𝑖𝑗 ) 𝐹𝐼𝑉𝑖𝑗
Donde: Regla de Decisión:
R2ij= Coef. de Determinación de la Regresión de Si el TOLij está cercano a 0 indica alta
las Variables explicativas multicolinealidad
Regla de Decisión:
FIV > 10 Colinealidad Fuerte Medidas Remediables para la
FIV < 10 Colinealidad Débil Multicolinealidad
1º Paso:
3) Índice de Condición Tipificar las variables explicativas
𝑋𝑖𝑗 − 𝑋̅𝑖
𝜆 𝑀á𝑥𝑖𝑚𝑜 𝑍𝑖𝑗 =
𝐼𝐶 = √ 𝑆𝑥𝑗
𝜆 𝑀í𝑛𝑖𝑚𝑜 2º Paso:
Donde: Calcular la matriz R de las variables
λ= Valor propio explicativas
Regla de Decisión: 3º Paso:
IC < 10 Multicolinealidad Débil Calcular los valores propios y vectores
10 < IC < 30 Multicolinealidad Moderada propios de la matriz R
IC > 30 Multicolinealidad Fuerte (𝑅 − 𝜆𝐼 )𝑝 = 0
4º Paso:
Obtener la matriz de componentes
𝑌𝑖 = 𝛼1 + 𝛼2 𝐶2 + ⋯ + 𝛼𝑘 𝐶𝑘 principales
6º Paso: C=Z*P
Expresar el resultado en función de las 5º Paso:
variables originales Regresión sobre los componentes principales

AUXILIAR: ROGER ANDY MIRANDA TARIJA

 UNIVERSIDAD AUTÓNOMA GABRIEL RENE MORENO ECONOMÍA
FACULTAD DE CIENCIAS ECONÓMICAS ADMINISTRATIVAS Y FINANCIERAS

31. Mínimos Cuadrados Generalizados (MCG):

𝑌𝑖∗ = 𝛽1∗ 𝑋1𝑖
∗
+ 𝛽2∗ 𝑋2𝑖
∗
+ ⋯ + 𝛽𝑘∗ 𝑋𝑘𝑖
∗
+ 𝑢𝑖∗

𝑌𝑖 𝑋1𝑖 𝑋2𝑖 𝑋𝑘𝑖 𝑢𝑖

= 𝛽1∗ ( ) + 𝛽2∗ ( ) + ⋯ + 𝛽𝑘∗ ( ) +
𝜎𝑖 𝜎𝑖 𝜎𝑖 𝜎𝑖 𝜎𝑖
Donde: 𝑋1𝑖 = 1 y 𝜎𝑖 𝑒𝑠 𝑐𝑜𝑛𝑜𝑐𝑖𝑑𝑎

32. Pruebas de Heteroscedasticidad:

1) Prueba de Park 2) Prueba de Glejser

Regresión Auxiliar: Regresión Auxiliar:
𝐿𝑛(𝑢̂𝑖2 ) = 𝛼1 + 𝛽2 𝐿𝑛(𝑋𝑖 ) + 𝜈𝑖 |𝑢̂𝑖 | = 𝛽1 + 𝛽2 𝑋𝑖ℎ + 𝜈𝑖

Planteamiento de la Hipótesis: Donde: -2 ≤ h ≤ 2

𝐻0 : 𝛽2 = 0 𝐻1 : 𝛽2 ≠ 0 Planteamiento de la Hipótesis:
𝐻0 : 𝛽2 = 0 𝐻1 : 𝛽2 ≠ 0
𝐻0 : 𝐸𝑥𝑖𝑠𝑡𝑒 𝐻𝑜𝑚𝑜𝑐𝑒𝑑𝑎𝑠𝑡𝑖𝑐𝑖𝑑𝑎𝑑
𝐻1 : 𝐸𝑥𝑖𝑠𝑡𝑒 𝐻𝑒𝑡𝑒𝑟𝑜𝑠𝑐𝑒𝑑𝑎𝑠𝑡𝑖𝑐𝑖𝑑𝑎𝑑 𝐻0 : 𝐸𝑥𝑖𝑠𝑡𝑒 𝐻𝑜𝑚𝑜𝑐𝑒𝑑𝑎𝑠𝑡𝑖𝑐𝑖𝑑𝑎𝑑
Regla de Decisión: 𝐻1 : 𝐸𝑥𝑖𝑠𝑡𝑒 𝐻𝑒𝑡𝑒𝑟𝑜𝑠𝑐𝑒𝑑𝑎𝑠𝑡𝑖𝑐𝑖𝑑𝑎𝑑
𝑇_𝑐𝑎𝑙 > 𝑇_𝑡𝑎𝑏 𝑅𝑒𝑐ℎ𝑎𝑧𝑎 𝑙𝑎 𝐻0 Regla de Decisión:
𝑇_𝑐𝑎𝑙 < 𝑇_𝑡𝑎𝑏 𝑁𝑜 𝑠𝑒 𝑅. 𝑙𝑎 𝐻0 𝑇_𝑐𝑎𝑙 > 𝑇_𝑡𝑎𝑏 𝑅𝑒𝑐ℎ𝑎𝑧𝑎 𝑙𝑎 𝐻0
𝑇_𝑐𝑎𝑙 < 𝑇_𝑡𝑎𝑏 𝑁𝑜 𝑠𝑒 𝑅. 𝑙𝑎 𝐻0
𝑃𝑟𝑜𝑏(𝑇) > 𝑛. 𝑠. 𝑁𝑜 𝑠𝑒 𝑅. 𝑙𝑎 𝐻0
𝑃𝑟𝑜𝑏(𝑇) < 𝑛. 𝑠. 𝑅𝑒𝑐ℎ𝑎𝑧𝑎 𝑙𝑎 𝐻0 𝑃𝑟𝑜𝑏(𝑇) > 𝑛. 𝑠. 𝑁𝑜 𝑠𝑒 𝑅. 𝑙𝑎 𝐻0
𝑃𝑟𝑜𝑏(𝑇) < 𝑛. 𝑠. 𝑅𝑒𝑐ℎ𝑎𝑧𝑎 𝑙𝑎 𝐻0

3) Prueba de Correlación de Orden de Spearman

Procedimiento:
1. Obtenga los residuos por MCO.
2. En valores absolutos dar el valor del orden a ui y sigma.
3. Sacar la diferencia del orden de ambas variables.
Estadístico de prueba:
∑ 𝑑𝑖 𝑟𝑠√𝑛 − 2
𝑟𝑠 = 1 − 6 [ ] 𝑇_𝑐𝑎𝑙 = 𝑇_𝑡𝑎𝑏𝑙𝑎 = 𝑖𝑛𝑣. 𝑡. 2𝑐(𝑝𝑟𝑜𝑏|𝑛 − 2)
𝑛 (𝑛 2 − 1) √1 − 𝑟𝑠 2
Planteamiento de la Hipótesis:
𝐻0 : 𝐸𝑥𝑖𝑠𝑡𝑒 𝐻𝑜𝑚𝑜𝑐𝑒𝑑𝑎𝑠𝑡𝑖𝑐𝑖𝑑𝑎𝑑 𝐻1 : 𝐸𝑥𝑖𝑠𝑡𝑒 𝐻𝑒𝑡𝑒𝑟𝑜𝑠𝑐𝑒𝑑𝑎𝑠𝑡𝑖𝑐𝑖𝑑𝑎𝑑
Regla de Decisión:
𝑇_𝑐𝑎𝑙 > 𝑇_𝑡𝑎𝑏 𝑅𝑒𝑐ℎ𝑎𝑧𝑎 𝑙𝑎 𝐻0
𝑇_𝑐𝑎𝑙 < 𝑇_𝑡𝑎𝑏 𝑁𝑜 𝑠𝑒 𝑅𝑒𝑐ℎ𝑎𝑧𝑎 𝑙𝑎 𝐻0

AUXILIAR: ROGER ANDY MIRANDA TARIJA

 UNIVERSIDAD AUTÓNOMA GABRIEL RENE MORENO ECONOMÍA
FACULTAD DE CIENCIAS ECONÓMICAS ADMINISTRATIVAS Y FINANCIERAS

4) Prueba de Goldfeld-Quandt 5) Prueba de Breusch-Pagan-Godfrey

Procedimiento: Procedimiento:
1. Ordenar las variables a partir de la 1. Obtener los residuos del modelo.
variable Xi sospechosa, de menor a mayor. 2. Obtenga: 𝜎̃ 2 = ∑ 𝑢̂𝑖2 /𝑛
2. Omitir las observaciones centrales “c” y 3. Obtener la variable pi: 𝑝𝑖 = 𝑢̂𝑖2 /𝜎̃ 2
dividir en 2 grupos (n-c)/2. Regresión Auxiliar:
Para n=30 un c=4 𝑝𝑖 = 𝛼1 + 𝛼2 𝑍2𝑖 + ⋯ + 𝛼𝑚 𝑍𝑚𝑖 + 𝜈𝑖
n=60 un c=16
Donde: Zi= variables explicativas
3. Obtener la SCR de las regresiones del
grupo de valores menores (SCR1) y mayores Planteamiento de la Hipótesis:
(SCR2). 𝐻0 : 𝐸𝑥𝑖𝑠𝑡𝑒 𝐻𝑜𝑚𝑜𝑐𝑒𝑑𝑎𝑠𝑡𝑖𝑐𝑖𝑑𝑎𝑑
Planteamiento de la Hipótesis: 𝐻1 : 𝐸𝑥𝑖𝑠𝑡𝑒 𝐻𝑒𝑡𝑒𝑟𝑜𝑠𝑐𝑒𝑑𝑎𝑠𝑡𝑖𝑐𝑖𝑑𝑎𝑑
𝐻0 : 𝐸𝑥𝑖𝑠𝑡𝑒 𝐻𝑜𝑚𝑜𝑐𝑒𝑑𝑎𝑠𝑡𝑖𝑐𝑖𝑑𝑎𝑑 Estadístico de prueba:
𝐻1 : 𝐸𝑥𝑖𝑠𝑡𝑒 𝐻𝑒𝑡𝑒𝑟𝑜𝑠𝑐𝑒𝑑𝑎𝑠𝑡𝑖𝑐𝑖𝑑𝑎𝑑 1
Θ= ∗ 𝑆𝐶𝐸
Estadístico de prueba: 2
𝑆𝐶𝑅2 /(𝑛2 − 𝑘) 𝑥 2 = 𝐶ℎ𝑖 2 = 𝐼𝑁𝑉. 𝐶𝐻𝐼𝐶𝑈𝐴𝐷. 𝐶𝐷(𝑃𝑟𝑜𝑏|m-1)
𝜆=
𝑆𝐶𝑅1 /(𝑛1 − 𝑘) Regla de Decisión:
𝐹𝑡𝑎𝑏𝑙𝑎 = 𝐼𝑁𝑉. 𝐹. 𝐶𝐷(𝑃𝑟𝑜𝑏|𝑛2 − 𝑘|𝑛1 − 𝑘) Θ > 𝑥 2 𝑅𝑒𝑐ℎ𝑎𝑧𝑎 𝑙𝑎 𝐻0
Regla de Decisión: Θ < 𝑥 2 𝑁𝑜 𝑠𝑒 𝑅. 𝑙𝑎 𝐻0
𝜆 > 𝑇_𝑡𝑎𝑏 𝑅𝑒𝑐ℎ𝑎𝑧𝑎 𝑙𝑎 𝐻0
𝜆 < 𝑇_𝑡𝑎𝑏 𝑁𝑜 𝑠𝑒 𝑅. 𝑙𝑎 𝐻0

6) Prueba de White (Términos cruzados)

Regresión Auxiliar:
𝑢̂𝑖2 = 𝛼1 + 𝛼2 𝑋2𝑖 + 𝛼3 𝑋3𝑖 + 𝛼4 𝑋2𝑖 2 + 𝛼5 𝑋3𝑖 2 + 𝛼6 𝑋2𝑖 𝑋3𝑖 + 𝜈𝑖

Obtener el R2 de la regresión auxiliar.

Planteamiento de la Hipótesis:
𝐻0 : 𝐸𝑥𝑖𝑠𝑡𝑒 𝐻𝑜𝑚𝑜𝑐𝑒𝑑𝑎𝑠𝑡𝑖𝑐𝑖𝑑𝑎𝑑 𝐻0 : 𝛼2 = 𝛼3 = 𝛼4 = 𝛼5 = 𝛼6 = 0
𝐻1 : 𝐸𝑥𝑖𝑠𝑡𝑒 𝐻𝑒𝑡𝑒𝑟𝑜𝑠𝑐𝑒𝑑𝑎𝑠𝑡𝑖𝑐𝑖𝑑𝑎𝑑 𝐻1 : 𝛼2 ≠ 𝛼3 ≠ 𝛼4 ≠ 𝛼5 ≠ 𝛼6 ≠ 0
Estadístico de prueba:
𝜃 = 𝑛 ∗ 𝑅2 𝑥 2 = 𝐶ℎ𝑖 2 = 𝐼𝑁𝑉. 𝐶𝐻𝐼𝐶𝑈𝐴𝐷. 𝐶𝐷(𝑃𝑟𝑜𝑏|k-1)
Regla de Decisión:
𝜃 > 𝑥 2 𝑅𝑒𝑐ℎ𝑎𝑧𝑎 𝑙𝑎 𝐻0 𝜃 < 𝑥 2 𝑁𝑜 𝑠𝑒 𝑅𝑒𝑐ℎ𝑎𝑧𝑎 𝑙𝑎 𝐻0

7) Prueba de Koenker-Basset (KB)

Regresión Auxiliar:
2
𝑢̂𝑖2 = 𝛼1 + 𝛼2 (𝑌̂𝑖 ) + 𝜈𝑖
Planteamiento de la Hipótesis:
𝐻0 : 𝐸𝑥𝑖𝑠𝑡𝑒 𝐻𝑜𝑚𝑜𝑐𝑒𝑑𝑎𝑠𝑡𝑖𝑐𝑖𝑑𝑎𝑑 𝐻0 : 𝛼2 = 0
𝐻1 : 𝐸𝑥𝑖𝑠𝑡𝑒 𝐻𝑒𝑡𝑒𝑟𝑜𝑠𝑐𝑒𝑑𝑎𝑠𝑡𝑖𝑐𝑖𝑑𝑎𝑑 𝐻1 : 𝛼2 ≠ 0
Regla de Decisión:
𝑇_𝑐𝑎𝑙 > 𝑇_𝑡𝑎𝑏 𝑅𝑒𝑐ℎ𝑎𝑧𝑎 𝑙𝑎 𝐻0
𝑇_𝑐𝑎𝑙 < 𝑇_𝑡𝑎𝑏 𝑁𝑜 𝑠𝑒 𝑅𝑒𝑐ℎ𝑎𝑧𝑎 𝑙𝑎 𝐻0

AUXILIAR: ROGER ANDY MIRANDA TARIJA

 UNIVERSIDAD AUTÓNOMA GABRIEL RENE MORENO ECONOMÍA
FACULTAD DE CIENCIAS ECONÓMICAS ADMINISTRATIVAS Y FINANCIERAS

Medidas Remediables para la Heteroscedasticidad

Cuando se conoce 𝜎𝑖2 :
𝑌𝑖 1 𝑋2𝑖 𝑋𝑘𝑖 𝑢̂𝑖
= 𝛽̂1∗ ( ) + 𝛽̂2∗ ( ) + ⋯ + 𝛽̂𝑘∗ ( ) + ( )
𝜎𝑖 𝜎𝑖 𝜎𝑖 𝜎𝑖 𝜎𝑖
Cuando no se conoce 𝜎𝑖2 :
1º Supuesto: La varianza del error es proporcional a 𝑋𝑖2 : 𝐸 (𝑢𝑖2 ) = 𝜎 2 𝑋𝑖2
𝑌𝑖 1 𝑋2𝑖 𝑋𝑘𝑖
= 𝛽1 ( ) + 𝛽2 ( ) + ⋯ + 𝛽𝑘 ( ) + 𝜈𝑖
𝑋2𝑖 𝑋2𝑖 𝑋2𝑖 𝑋2𝑖
2º Supuesto: La varianza del error es proporcional a 𝑋𝑖 : 𝐸 (𝑢𝑖2 ) = 𝜎 2 𝑋𝑖
𝑌𝑖 1 𝑋2𝑖 𝑋𝑘𝑖
= 𝛽1 ( ) + 𝛽2 ( ) + ⋯ + 𝛽𝑘 ( ) + 𝜈𝑖
√𝑋2𝑖 √𝑋2𝑖 √𝑋2𝑖 √𝑋2𝑖
3º Supuesto: La varianza del error es proporcional al cuadrado del valor medio de 𝑌𝑖 :
𝐸 (𝑢𝑖2 ) = 𝜎 2 [𝐸 (𝑌𝑖 )]2
𝑌𝑖 1 𝑋2𝑖 𝑋𝑘𝑖
= 𝛽1 ( ) + 𝛽2 ( ) + ⋯ + 𝛽𝑘 ( ) + 𝜈𝑖
𝐸 (𝑌𝑖 ) 𝐸(𝑌𝑖 ) 𝐸 (𝑌𝑖 ) 𝐸 (𝑌𝑖 )

"La calidad de nuestras vidas la determina la calidad de nuestro pensamiento. La calidad de nuestro
pensamiento, a su vez, la determina la calidad de nuestras preguntas, ya que las preguntas son la
maquinaria, la fuerza que impulsa el pensamiento. Sin las preguntas, no tenemos sobre qué pensar. Sin las
preguntas esenciales, muchas veces no logramos enfocar nuestro pensar en lo significativo y sustancial"
(Elder y Paul, 2002, pg. 2).

AUXILIAR: ROGER ANDY MIRANDA TARIJA

UNIVERSIDAD AUTÓNOMA GABRIEL RENE MORENO ECONOMÍA
FACULTAD DE CIENCIAS ECONÓMICAS ADMINISTRATIVAS Y FINANCIERAS

AUXILIAR: ROGER ANDY MIRANDA TARIJA

UNIVERSIDAD AUTÓNOMA GABRIEL RENE MORENO ECONOMÍA
FACULTAD DE CIENCIAS ECONÓMICAS ADMINISTRATIVAS Y FINANCIERAS

AUXILIAR: ROGER ANDY MIRANDA TARIJA