Econometrics I Alejandra Oliver Rodríguez

3º ADEb. Curso 2021/22

LINEAR REGRESSION WIH MULTIPLE REGRESSORS.

Model → 𝑌𝑖 = 𝛽0 + 𝛽1 ∙ 𝑋1 + 𝛽2 ∙ 𝑋2 + ⋯ + 𝛽𝑛 ∙ 𝑋𝑛

Multicolinealidad → Estudia si 2 variables independientes están relacionadas entre sí. Existen dos tipos
de multicolinealidad, que son: Perfecta, y Aproximada.

- Multicolinealidad perfecta: Ocurre cuando la relación entre las variables 𝑅𝑋1 ,𝑋2 = ±1. Si nos
topamos con este tipo de multicolinealidad, la única solución posible será eliminar una de las
variables.
̂𝟎
𝜷 ̂𝟏
𝜷 ̂𝟐
𝜷 ̂𝟑
𝜷
𝑉𝑎𝑟(𝛽̂0 ) 𝐶𝑜𝑣(𝛽̂0 , 𝛽̂1 ) 𝐶𝑜𝑣(𝛽̂0 , 𝛽̂2 ) 𝐶𝑜𝑣(𝛽̂0 , 𝛽̂3 ) ̂𝟎
𝜷
𝑉𝑎𝑟(𝛽̂1 ) 𝐶𝑜𝑣(𝛽̂1 , 𝛽̂2 ) 𝐶𝑜𝑣(𝛽̂1 , 𝛽̂3 ) ̂𝟏
𝜷
𝑉𝑎𝑟(𝛽̂2 ) 𝐶𝑜𝑣(𝛽̂2 , 𝛽̂3 ) ̂𝟐
𝜷
Matríz de Covarianza
𝑉𝑎𝑟(𝛽̂3 ) ̂𝟑
𝜷

𝑹𝑿𝟏,𝑿𝟑 = 𝐶0𝑉(𝛽̂1 , 𝛽̂3 )/√𝑉𝐴𝑅(𝛽̂1 ) ∙ √𝑉𝐴𝑅(𝛽̂3 )

̂ 𝒊 )]𝟐
̂ 𝒊 ) = [𝑺𝑬(𝜷
𝑽𝑨𝑹(𝜷

- Multicolinealidad aproximada: - 1 < 𝑅𝑋𝐼 𝑋𝐽 <+1. Si 𝑅𝑥𝑖𝑥𝑗 = 0, No existe multicolinealidad, por lo

tanto, las predicciones de 𝑌𝑖 no serán muy acertadas.

Bondad de ajuste.

- Coeficiente de determinación ⇒ 𝑅 2 = [0,1]

- Desviación típica residual ⇒ 𝑆𝐸𝑅 = [0, ∞]
𝑛−1
- Coeficiente de determinación corregido ⇒ 𝑅̅ 2 = 1 − [𝑛−𝑘−1 ∗ (1 − 𝑅 2 )]

Debemos tener en cuenta lo siguiente:

- 𝑅̅ 2 ≤ 𝑅 2 → Aumenta si aumenta k.
- 𝑅̅ 2 ≥ 0.
- 𝑅̅ 2 NO se interpreta. Solamente interpretamos 𝑅 2. El coeficiente de determinación corregido
solamente no es útil para ver que modelo de variables es el mayor.

pág. 1
Econometrics I Alejandra Oliver Rodríguez
3º ADEb. Curso 2021/22

Intervalos de Confianza.

Para 1 valor:

- 𝜷𝟎 ; 𝐼𝐶𝛽0 = 𝛽̂0 ± 𝑍𝑐 ∗ 𝑆𝐸(𝛽̂0 ) = [𝑎, 𝑏]

- 𝜷𝟏 ; 𝐼𝐶𝛽1 = 𝛽̂1 ± 𝑍𝑐 ∗ 𝑆𝐸(𝛽̂1 ) = [𝑎, 𝑏]

- ∆Y; en este caso, nos proporcionarán el incremento de una de las variables independientes del
modelo.
𝐼𝐶∆𝑌 = ∆𝑌̂ ± 𝑍𝑐 ∗ ∆𝑋𝑖 ∗ 𝑆𝐸(𝛽̂𝑖 ) = [𝑎, 𝑏]

Nota: En el dibujo,
donde pone 𝑋𝑖 , nos
referimos el incremento.

pág. 2
Econometrics I Alejandra Oliver Rodríguez
3º ADEb. Curso 2021/22

Para 2 valores.

- 2 betas: 𝜷𝒊 , 𝜷𝒋

2 2
𝐼𝐶𝛽𝑖−𝛽𝑗 = 𝛽̂𝑖 − 𝛽̂𝑗 ± 𝑍𝑐 ∗ √[𝑆𝐸(𝛽̂𝑖 )] + [𝑆𝐸(𝛽̂𝑗 )] − 2𝐶𝑜𝑣(𝛽̂𝑖 , 𝛽̂𝑗 ) = [𝑎, 𝑏]

- 2 incrementos: nos proporcionaran el incremento de dos de las variables independientes del

modelo. ∆𝑋𝑖 , ∆𝑋𝑗 ⇒ ∆𝑌̂𝑖 = 𝛽̂𝑖 ∗ ∆𝑋𝑖 + 𝛽̂𝑗 ∗ ∆𝑋𝑗

2 2 2
𝐼𝐶∆𝑌𝑖 = ∆𝑌̂𝑖 ± 𝑍𝑐 ∗ √(∆𝑋𝑖 )2 ∗ [𝑆𝐸(𝛽̂𝑖 )] + (∆𝑋𝑗 ) ∗ [𝑆𝐸(𝛽̂𝑗 )] + 2 ∗ ∆𝑋𝑖 ∗ ∆𝑋𝑗 ∗ 𝐶𝑜𝑣(𝛽̂𝑖 , 𝛽̂𝑗 )

Contraste de Hipótesis.

Para 1 variable.

a) 𝐻0 ; 𝛽𝑖 = 0
𝐻1 ; 𝛽0 ≠ 0
b) Establecemos el alfa; α = ∎. En caso de que no nos indiquen el nivel de significación, siempre
usaremos 5% ⇒ α = 0,05.
c) Estadístico.
̂ −𝛽
𝛽
𝑖 𝑖
𝑡 = 𝑆𝐸(𝛽
̂ →A no ser que nos lo indiquen, 𝛽𝑖 será siempre 0.
𝑖)

d) Regiones. Tendremos dos curvas posibles.

1-) No estandarizada.
Buscamos donde cae “𝛽̂𝑖 ”.

pág. 3
Econometrics I Alejandra Oliver Rodríguez
3º ADEb. Curso 2021/22

2-) Curva estandarizada.

Buscamos donde cae “t”.

Para 1 incremento → ∆𝑌̂𝑖 = 𝛽̂𝑖 ∗ ∆𝑋𝑖

a) 𝐻0 ; ∆𝑌𝑖 = 0
𝐻1 ; ∆𝑌𝑖 ≠ 0
b) Establecemos el alfa; α = ∎.
c) Estadístico.
∆𝑌̂ − ∆𝑌
𝑖 𝑖
𝑡 = ∆𝑋 ∗𝑆𝐸(𝛽
̂ →A no ser que nos lo indiquen, ∆𝑌𝑖 será siempre 0.
𝑖 𝑖)

d) Regiones. Tendremos dos curvas posibles.

1-) No estandarizada.
Buscamos donde cae “∆𝑌̂𝑖 ”.

2-) Estandarizada.

Buscamos donde cae “t”.

pág. 4
Econometrics I Alejandra Oliver Rodríguez
3º ADEb. Curso 2021/22

Para 2 incrementos → ∆𝑌̂𝑖 = 𝛽̂𝑖 ∗ ∆𝑋𝑖 + 𝛽̂𝑗 ∗ ∆𝑋𝑗

a) 𝐻0 ; ∆𝑌𝑖 = 0
𝐻1 ; ∆𝑌𝑖 ≠ 0
b) Establecemos el alfa; α = ∎.
c) Estadístico.
∆𝑌̂𝑖 − ∆𝑌𝑖
𝑡= →A no ser que nos lo indiquen, ∆𝑌𝑖 será
2
√(∆𝑋𝑖 )2 ∗[𝑆𝐸(𝛽
2
̂𝑗 )]2 ± 2∗∆𝑋𝑖 ∗∆𝑋𝑗 ∗𝐶𝑜𝑣(𝛽
̂𝑖 )] +(∆𝑋𝑗 ) ∗[𝑆𝐸(𝛽 ̂𝑖 ,𝛽
̂𝑗 )

siempre 0.
d) Regiones. Tendremos dos curvas posibles.
1-) No estandarizada.
Buscamos donde cae “∆𝑌𝑖 ”.

2-) Estandarizada.
Buscamos donde cae “t”.

Contraste para la Regresión.

a) 𝐻0 ; 𝛽1 = 𝛽2 = 𝛽𝑛 = 0
𝐻1 ; 𝑁𝑜𝑡 𝑎𝑙𝑙 𝛽𝑖 𝑎𝑟𝑒 𝑒𝑞𝑢𝑎𝑙
b) Establecemos el alfa; α = 0,05.
c) Estadístico (Modelo HOMOCEDÁSTICO).
𝑅2
𝐹= 1−𝑅2
~𝜒 2 𝑞/𝑞
[𝑛−𝑘−1]

- 𝐾 se refiere a la cantidad de β que encontramos en el modelo.

- 𝑞 se refiere a la cantidad de “=” que hay en 𝐻0 . Siempre 1 menos que K.

pág. 5
Econometrics I Alejandra Oliver Rodríguez
3º ADEb. Curso 2021/22

- Cuando q = 1 ⇒ 𝜒 21/1 = 3,84.

Cuando q = 2 ⇒ 𝜒 2 2/2 = 3.

Cuando q = 3 ⇒ 𝜒 2 3/3 = 2,6.

Cuando q = 4 ⇒ 𝜒 2 4/4 = 2,37.

Cuando q = 5 ⇒ 𝜒 2 5/5 = 2,21.

A partir de q = 5, 𝜒 2 𝑞/𝑞 valdrá siempre 2,21

d) Este modelo, solamente tiene curva Estandarizada. (homo)

Buscamos donde cae “F”.

e) En el modelo HETEROCEDASTICO, ya nos darán la “F” calculada en Gretl.

f) Al igual que en el modelo Homocedástico, solamente tenemos curva estandarizada.

Para 2 variables. “Hay dos modelos, Homo y Heterocedástico).

Dentro del modelo Heterocedástico, encontramos Jointly significant, e igual efecto.

- Jointly significant.
a) 𝐻0 ; 𝛽1 = 𝛽2 = 0 → Not jointly significant.
𝐻1 ; 𝐴𝑡 𝑙𝑒𝑎𝑠𝑡 1 𝛽 ≠ 0 → Jointly significant.
b) Establecemos el alfa; α = 0,05. En este caso, alfa solo podrá ser 0,05.
c) Estadístico.
(𝑡1 )2 +(𝑡2 )2 −2∗𝜌
̂ 𝑡1 𝑡2 ∗𝑡1 ∗𝑡2 ̂ ,𝜷
𝑪𝒐𝒗(𝜷
𝒊 𝒋
̂ )
𝐹= 2 ~𝜒 2 𝑞/𝑞 ̂ 𝒕𝟏𝒕𝟐 =
[𝝆 ̂ )]
̂ )∗𝑺𝑬(𝜷
𝑺𝑬(𝜷
̂ 𝑡1 𝑡 2 ) )
𝑠(1−(𝜌 𝒊 𝒋

pág. 6
Econometrics I Alejandra Oliver Rodríguez
3º ADEb. Curso 2021/22

d) Región. En este modelo, solo usaremos la curva Estandarizada.

- Igual efecto (curva estandarizada)

a) 𝐻0 ; 𝛽1 = 𝛽2 → Tienen igual efecto.
𝐻1 ; 𝛽1 ≠ 𝛽2 → No tienen igual efecto.
b) Establecemos el alfa; α = ∎.
c) Estadístico.
̂1 −𝛽
𝛽 ̂2
𝑡= ~𝑁(0,1)
2
√[𝑆𝐸(𝛽 ̂𝑗 )]2 −2𝐶𝑜𝑣(𝛽
̂𝑖 )] +[𝑆𝐸(𝛽 ̂𝑖 ,𝛽
̂𝑗 )

d) Región. En este modelo usaremos tanto la curva estandarizada, como la no estandarizada.

1-) No estandarizada.
Buscaremos donde cae “𝛽̂1 − 𝛽̂2 ”.

2-) Estandarizada.
Buscamos donde cae “t”.

pág. 7
Econometrics I Alejandra Oliver Rodríguez
3º ADEb. Curso 2021/22

Dentro del modelo Homocedástico, encontramos Jointly significant.

- Jointly significant.
a) 𝐻0 ; 𝛽1 = 𝛽2 = 0 → Not jointly significant.
𝐻1 ; 𝐴𝑡 𝑙𝑒𝑎𝑠𝑡 1 𝛽 ≠ 0 → Jointly significant.
b) Establecemos el alfa; α = 0,05. En este caso, alfa solo podrá ser 0,05.
c) Estadístico.
𝑅2 −𝑅̅2
( )
𝑞
𝐹= 1−𝑅 2
( )
𝑛−𝑘−1

d) Región. Encontraremos la curva estandarizada.

Buscamos donde cae “F”.

pág. 8