Inferencia en el modelo simple de regresi´
on
normal.
Mauricio Olivares
ITAM
Inferencia en el modelo simple de regresi´
on normal
I Esta secci´on estableceremos las herramientas que necesitamos para hacer inferencia sobre un par´ametro.
I M´as adelante veremos la teor´ıa para hacer inferencia sobre m´ultiples par´ametros.
I Una vez m´as, nuestro modelo est´a compuesto de los siguientes supuestos: Sea {(x1,y1), . . . ,(xn,yn)} una muestra aleatoria.
I Adicionalmente
I y =α+βx+ε.
I E(ε|x) =0.
I V(ε|x) =σ2
I E(εiεj|x) =0.
Inferencia en el modelo simple de regresi´
on normal
I Esta secci´on estableceremos las herramientas que necesitamos para hacer inferencia sobre un par´ametro.
I M´as adelante veremos la teor´ıa para hacer inferencia sobre m´ultiples par´ametros.
I Una vez m´as, nuestro modelo est´a compuesto de los siguientes supuestos: Sea {(x1,y1), . . . ,(xn,yn)} una muestra aleatoria.
I Adicionalmente
I y =α+βx+ε.
I E(ε|x) =0.
I V(ε|x) =σ2
I E(εiεj|x) =0.
Inferencia en el modelo simple de regresi´
on normal
I Esta secci´on estableceremos las herramientas que necesitamos para hacer inferencia sobre un par´ametro.
I M´as adelante veremos la teor´ıa para hacer inferencia sobre m´ultiples par´ametros.
I Una vez m´as, nuestro modelo est´a compuesto de los siguientes supuestos: Sea{(x1,y1), . . . ,(xn,yn)} una muestra aleatoria.
I Adicionalmente
I y =α+βx+ε.
I E(ε|x) =0.
I V(ε|x) =σ2
I E(εiεj|x) =0.
Inferencia en el modelo simple de regresi´
on normal
I Esta secci´on estableceremos las herramientas que necesitamos para hacer inferencia sobre un par´ametro.
I M´as adelante veremos la teor´ıa para hacer inferencia sobre m´ultiples par´ametros.
I Una vez m´as, nuestro modelo est´a compuesto de los siguientes supuestos: Sea{(x1,y1), . . . ,(xn,yn)} una muestra aleatoria.
I Adicionalmente
I y =α+βx+ε.
I E(ε|x) =0.
I V(ε|x) =σ2
I E(εiεj|x) =0.
I Hasta ahora, nuestro modelo nos ha dado un principio para obtener estimadores para los coeficientes α yβ.
I Adicionalmente, hemos concluido que bajo estos supuestos nuestros estimadores son insesgados y de varianza m´ınima.
I La pregunta inmediata es c´omo decidir si estos estimadores est´an cerca del verdadero valor.
I Esta es la idea detr´as del material que hemos de cubrir.
I Recuerda que los coeficientes de regresi´on, α yβ, son caracter´ısticasdesconocidas de las relaciones poblacionales.
I Hasta ahora, nuestro modelo nos ha dado un principio para obtener estimadores para los coeficientes α yβ.
I Adicionalmente, hemos concluido que bajo estos supuestos nuestros estimadores son insesgados y de varianza m´ınima.
I La pregunta inmediata es c´omo decidir si estos estimadores est´an cerca del verdadero valor.
I Esta es la idea detr´as del material que hemos de cubrir.
I Recuerda que los coeficientes de regresi´on, α yβ, son caracter´ısticasdesconocidas de las relaciones poblacionales.
I Hasta ahora, nuestro modelo nos ha dado un principio para obtener estimadores para los coeficientes α yβ.
I Adicionalmente, hemos concluido que bajo estos supuestos nuestros estimadores son insesgados y de varianza m´ınima.
I La pregunta inmediata es c´omo decidir si estos estimadores est´ancerca del verdadero valor.
I Esta es la idea detr´as del material que hemos de cubrir.
I Recuerda que los coeficientes de regresi´on, α yβ, son caracter´ısticasdesconocidas de las relaciones poblacionales.
I Hasta ahora, nuestro modelo nos ha dado un principio para obtener estimadores para los coeficientes α yβ.
I Adicionalmente, hemos concluido que bajo estos supuestos nuestros estimadores son insesgados y de varianza m´ınima.
I La pregunta inmediata es c´omo decidir si estos estimadores est´ancerca del verdadero valor.
I Esta es la idea detr´as del material que hemos de cubrir.
I Recuerda que los coeficientes de regresi´on, α yβ, son caracter´ısticasdesconocidas de las relaciones poblacionales.
I Hasta ahora, nuestro modelo nos ha dado un principio para obtener estimadores para los coeficientes α yβ.
I Adicionalmente, hemos concluido que bajo estos supuestos nuestros estimadores son insesgados y de varianza m´ınima.
I La pregunta inmediata es c´omo decidir si estos estimadores est´ancerca del verdadero valor.
I Esta es la idea detr´as del material que hemos de cubrir.
I Recuerda que los coeficientes de regresi´on, α yβ, son caracter´ısticasdesconocidas de las relaciones poblacionales.
I Hasta ahora, nuestro modelo nos ha dado un principio para obtener estimadores para los coeficientes α yβ.
I Adicionalmente, hemos concluido que bajo estos supuestos nuestros estimadores son insesgados y de varianza m´ınima.
I La pregunta inmediata es c´omo decidir si estos estimadores est´ancerca del verdadero valor.
I Esta es la idea detr´as del material que hemos de cubrir.
I Recuerda que los coeficientes de regresi´on, α yβ, son caracter´ısticasdesconocidas de las relaciones poblacionales.
I Sin embargo, aunque no podamos conocerlas con total certidumbre, podemos hacer enunciados sobre ellas.
I En concreto, podemos hacer hip´otesis sobre ellos.
I Una vez que hemos hecho esto, podemos usar todo el instrumental de inferencia estad´ıstica para, a partir de la muestra, conocer sobre el aspecto de la poblaci´on que nos interesa.
I Anteriormente vimos que
αn|x ∼ N(α,V(αn|x))
βn|x ∼ N(β,V(βn|x))
I Vamos a usar este resultado para hacer inferencia sobre αyβ.
I Sin embargo, aunque no podamos conocerlas con total certidumbre, podemos hacer enunciados sobre ellas.
I En concreto, podemos hacer hip´otesis sobre ellos.
I Una vez que hemos hecho esto, podemos usar todo el instrumental de inferencia estad´ıstica para, a partir de la muestra, conocer sobre el aspecto de la poblaci´on que nos interesa.
I Anteriormente vimos que
αn|x ∼ N(α,V(αn|x))
βn|x ∼ N(β,V(βn|x))
I Vamos a usar este resultado para hacer inferencia sobre αyβ.
I Sin embargo, aunque no podamos conocerlas con total certidumbre, podemos hacer enunciados sobre ellas.
I En concreto, podemos hacer hip´otesis sobre ellos.
I Una vez que hemos hecho esto, podemos usar todo el instrumental de inferencia estad´ıstica para, a partir de la muestra, conocer sobre el aspecto de la poblaci´on que nos interesa.
I Anteriormente vimos que
αn|x ∼ N(α,V(αn|x))
βn|x ∼ N(β,V(βn|x))
I Vamos a usar este resultado para hacer inferencia sobre αyβ.
I Sin embargo, aunque no podamos conocerlas con total certidumbre, podemos hacer enunciados sobre ellas.
I En concreto, podemos hacer hip´otesis sobre ellos.
I Una vez que hemos hecho esto, podemos usar todo el instrumental de inferencia estad´ıstica para, a partir de la muestra, conocer sobre el aspecto de la poblaci´on que nos interesa.
I Anteriormente vimos que
αn|x ∼ N(α,V(αn|x))
βn|x ∼ N(β,V(βn|x))
I Vamos a usar este resultado para hacer inferencia sobre αyβ.
I Sin embargo, aunque no podamos conocerlas con total certidumbre, podemos hacer enunciados sobre ellas.
I En concreto, podemos hacer hip´otesis sobre ellos.
I Una vez que hemos hecho esto, podemos usar todo el instrumental de inferencia estad´ıstica para, a partir de la muestra, conocer sobre el aspecto de la poblaci´on que nos interesa.
I Anteriormente vimos que
αn|x ∼ N(α,V(αn|x))
βn|x ∼ N(β,V(βn|x))
I Vamos a usar este resultado para hacer inferencia sobre αyβ.
I Sin embargo, aunque no podamos conocerlas con total certidumbre, podemos hacer enunciados sobre ellas.
I En concreto, podemos hacer hip´otesis sobre ellos.
I Una vez que hemos hecho esto, podemos usar todo el instrumental de inferencia estad´ıstica para, a partir de la muestra, conocer sobre el aspecto de la poblaci´on que nos interesa.
I Anteriormente vimos que
αn|x ∼ N(α,V(αn|x))
βn|x ∼ N(β,V(βn|x))
I Vamos a usar este resultado para hacer inferencia sobre αyβ.
Pruebas de Hip´
otesis
I En pocas palabras, probar una hip´otesis en este curso consta de tres partes.
I En primer lugar,una hip´otesis que involucre el par´ametro de inter´es.
I Recuerda que las hip´otesis son sobre los par´ametros, no sobre el valor de un estimador en una muestra particular.
I Entonces, si θˆes un estimador para θ, una expresi´on como
H0 : ˆθ=5
no tiene sing´un sentido.
Pruebas de Hip´
otesis
I En pocas palabras, probar una hip´otesis en este curso consta de tres partes.
I En primer lugar,una hip´otesis que involucre el par´ametro de inter´es.
I Recuerda que las hip´otesis son sobre los par´ametros, no sobre el valor de un estimador en una muestra particular.
I Entonces, si θˆes un estimador para θ, una expresi´on como
H0 : ˆθ=5
no tiene sing´un sentido.
Pruebas de Hip´
otesis
I En pocas palabras, probar una hip´otesis en este curso consta de tres partes.
I En primer lugar,una hip´otesis que involucre el par´ametro de inter´es.
I Recuerda que las hip´otesis son sobre los par´ametros, no sobre el valor de un estimador en una muestra particular.
I Entonces, si θˆes un estimador para θ, una expresi´on como
H0 : ˆθ=5
no tiene sing´un sentido.
Pruebas de Hip´
otesis
I En pocas palabras, probar una hip´otesis en este curso consta de tres partes.
I En primer lugar,una hip´otesis que involucre el par´ametro de inter´es.
I Recuerda que las hip´otesis son sobre los par´ametros, no sobre el valor de un estimador en una muestra particular.
I Entonces, siθˆes un estimador para θ, una expresi´on como
H0 : ˆθ=5
no tiene sing´un sentido.
Pruebas de Hip´
otesis
I En pocas palabras, probar una hip´otesis en este curso consta de tres partes.
I En primer lugar,una hip´otesis que involucre el par´ametro de inter´es.
I Recuerda que las hip´otesis son sobre los par´ametros, no sobre el valor de un estimador en una muestra particular.
I Entonces, siθˆes un estimador para θ, una expresi´on como
H0 : ˆθ=5
no tiene sing´un sentido.
Pruebas de Hip´
otesis: estad´ıstico de contraste
I En segundo lugar, un estad´ıstico de contraste,Tn.
I El estad´ıstico de contraste es una funci´on que nos relaciona el estimador y el par´ametro relativo a la hip´otesis nula.
I El estad´ıstico de contraste, al ser una funci´on del estimador, tiene una distribuci´on muestral.
I ¿Intuici´on? Considera el siguiente ejemplo.
I La hip´otesis nula (H0) dice que la media poblacional, µ, es igual a 10.
H0 : µ=10
Pruebas de Hip´
otesis: estad´ıstico de contraste
I En segundo lugar, un estad´ıstico de contraste,Tn.
I El estad´ıstico de contraste es una funci´on que nos relaciona el estimador y el par´ametro relativo a la hip´otesis nula.
I El estad´ıstico de contraste, al ser una funci´on del estimador, tiene una distribuci´on muestral.
I ¿Intuici´on? Considera el siguiente ejemplo.
I La hip´otesis nula (H0) dice que la media poblacional, µ, es igual a 10.
H0 : µ=10
Pruebas de Hip´
otesis: estad´ıstico de contraste
I En segundo lugar, un estad´ıstico de contraste,Tn.
I El estad´ıstico de contraste es una funci´on que nos relaciona el estimador y el par´ametro relativo a la hip´otesis nula.
I El estad´ıstico de contraste, al ser una funci´on del estimador, tiene una distribuci´on muestral.
I ¿Intuici´on? Considera el siguiente ejemplo.
I La hip´otesis nula (H0) dice que la media poblacional, µ, es igual a 10.
H0 : µ=10
Pruebas de Hip´
otesis: estad´ıstico de contraste
I En segundo lugar, un estad´ıstico de contraste,Tn.
I El estad´ıstico de contraste es una funci´on que nos relaciona el estimador y el par´ametro relativo a la hip´otesis nula.
I El estad´ıstico de contraste, al ser una funci´on del estimador, tiene una distribuci´on muestral.
I ¿Intuici´on? Considera el siguiente ejemplo.
I La hip´otesis nula (H0) dice que la media poblacional, µ, es igual a 10.
H0 : µ=10
Pruebas de Hip´
otesis: estad´ıstico de contraste
I En segundo lugar, un estad´ıstico de contraste,Tn.
I El estad´ıstico de contraste es una funci´on que nos relaciona el estimador y el par´ametro relativo a la hip´otesis nula.
I El estad´ıstico de contraste, al ser una funci´on del estimador, tiene una distribuci´on muestral.
I ¿Intuici´on? Considera el siguiente ejemplo.
I La hip´otesis nula (H0) dice que la media poblacional, µ, es igual a 10.
H0 : µ=10
Pruebas de Hip´
otesis: estad´ıstico de contraste
I En segundo lugar, un estad´ıstico de contraste,Tn.
I El estad´ıstico de contraste es una funci´on que nos relaciona el estimador y el par´ametro relativo a la hip´otesis nula.
I El estad´ıstico de contraste, al ser una funci´on del estimador, tiene una distribuci´on muestral.
I ¿Intuici´on? Considera el siguiente ejemplo.
I La hip´otesis nula (H0) dice que la media poblacional, µ, es igual a 10.
H0 : µ=10
Estad´ıstico de Contraste
I Entonces, lo natural es ver si la media muestral, ¯x est´a cerca de 10.
I Por lo tanto, el estad´ıstico de contraste debe relacionar ¯x con el valor de 10.
I La idea es ¿c´omo s´e que estoy cerca o lejos de 10? Parte de la teor´ıa descansa en formalizar estas ideas de cercan´ıa o lejan´ıa.
I Podr´ıamos proponer, por ejemplo, |¯x−µH0|.
I Sin embargo, la varianza en la poblaci´on podr´ıa ser muy alta o muy baja.
Estad´ıstico de Contraste
I Entonces, lo natural es ver si la media muestral, ¯x est´a cerca de 10.
I Por lo tanto, el estad´ıstico de contraste debe relacionar ¯x con el valor de 10.
I La idea es ¿c´omo s´e que estoy cerca o lejos de 10? Parte de la teor´ıa descansa en formalizar estas ideas de cercan´ıa o lejan´ıa.
I Podr´ıamos proponer, por ejemplo, |¯x−µH0|.
I Sin embargo, la varianza en la poblaci´on podr´ıa ser muy alta o muy baja.
Estad´ıstico de Contraste
I Entonces, lo natural es ver si la media muestral, ¯x est´a cerca de 10.
I Por lo tanto, el estad´ıstico de contraste debe relacionar ¯x con el valor de 10.
I La idea es ¿c´omo s´e que estoy cerca o lejos de 10? Parte de la teor´ıa descansa en formalizar estas ideas de cercan´ıa o lejan´ıa.
I Podr´ıamos proponer, por ejemplo, |¯x−µH0|.
I Sin embargo, la varianza en la poblaci´on podr´ıa ser muy alta o muy baja.
Estad´ıstico de Contraste
I Entonces, lo natural es ver si la media muestral, ¯x est´a cerca de 10.
I Por lo tanto, el estad´ıstico de contraste debe relacionar ¯x con el valor de 10.
I La idea es ¿c´omo s´e que estoy cerca o lejos de 10? Parte de la teor´ıa descansa en formalizar estas ideas de cercan´ıa o lejan´ıa.
I Podr´ıamos proponer, por ejemplo, |x¯−µH0|.
I Sin embargo, la varianza en la poblaci´on podr´ıa ser muy alta o muy baja.
Estad´ıstico de Contraste
I Entonces, lo natural es ver si la media muestral, ¯x est´a cerca de 10.
I Por lo tanto, el estad´ıstico de contraste debe relacionar ¯x con el valor de 10.
I La idea es ¿c´omo s´e que estoy cerca o lejos de 10? Parte de la teor´ıa descansa en formalizar estas ideas de cercan´ıa o lejan´ıa.
I Podr´ıamos proponer, por ejemplo, |x¯−µH0|.
I Sin embargo, la varianza en la poblaci´on podr´ıa ser muy alta o muy baja.
Estad´ıstico de Contraste
I Entonces, lo natural es ver si la media muestral, ¯x est´a cerca de 10.
I Por lo tanto, el estad´ıstico de contraste debe relacionar ¯x con el valor de 10.
I La idea es ¿c´omo s´e que estoy cerca o lejos de 10? Parte de la teor´ıa descansa en formalizar estas ideas de cercan´ıa o lejan´ıa.
I Podr´ıamos proponer, por ejemplo, |x¯−µH0|.
I Sin embargo, la varianza en la poblaci´on podr´ıa ser muy alta o muy baja.
Estad´ıstico de Contraste
I Recuerda que la media muestral no es robusta.
I Entonces, si hay poca varianza, un valor como ¯x =11 podr´ıa ser evidencia en contra deH0 =10.
I Por otro lado, si la varianza poblacional es muy grande,
¯
x =11 podr´ıa ser evidencia a favor de H0 =10.
I La manera de controlar este efecto es estandarizando la media muestral para tomar en cuenta la varianza poblacional
|x¯−µH0 | sd(¯x)
Estad´ıstico de Contraste
I Recuerda que la media muestral no es robusta.
I Entonces, si hay poca varianza, un valor como ¯x =11 podr´ıa ser evidencia en contra deH0 =10.
I Por otro lado, si la varianza poblacional es muy grande,
¯
x =11 podr´ıa ser evidencia a favor de H0 =10.
I La manera de controlar este efecto es estandarizando la media muestral para tomar en cuenta la varianza poblacional
|x¯−µH0 | sd(¯x)
Estad´ıstico de Contraste
I Recuerda que la media muestral no es robusta.
I Entonces, si hay poca varianza, un valor como ¯x =11 podr´ıa ser evidencia en contra deH0 =10.
I Por otro lado, si la varianza poblacional es muy grande,
¯
x =11 podr´ıa ser evidencia a favor de H0 =10.
I La manera de controlar este efecto es estandarizando la media muestral para tomar en cuenta la varianza poblacional
|x¯−µH0 | sd(¯x)
Estad´ıstico de Contraste
I Recuerda que la media muestral no es robusta.
I Entonces, si hay poca varianza, un valor como ¯x =11 podr´ıa ser evidencia en contra deH0 =10.
I Por otro lado, si la varianza poblacional es muy grande,
¯
x =11 podr´ıa ser evidencia a favor de H0 =10.
I La manera de controlar este efecto es estandarizando la media muestral para tomar en cuenta la varianza poblacional
|x¯−µH0 | sd(¯x)
Estad´ıstico de Contraste
I Recuerda que la media muestral no es robusta.
I Entonces, si hay poca varianza, un valor como ¯x =11 podr´ıa ser evidencia en contra deH0 =10.
I Por otro lado, si la varianza poblacional es muy grande,
¯
x =11 podr´ıa ser evidencia a favor de H0 =10.
I La manera de controlar este efecto es estandarizando la media muestral para tomar en cuenta la varianza poblacional
|x¯−µH0 | sd(¯x)
Estad´ıstico de Contraste: observaciones
I Hemos usado el valor absoluto para medir la distancia.
I Sin embargo, depender´a de la hip´otesis alternativa si la prueba es de una o dos colas.
I Para minimizar confusiones con pruebas de dos colas, evitaremos el valor absoluto si la hip´otesis alternativa es de una cola.
I El estad´ıstico de contraste que hemos postulado tiene en el denominador la desviaci´on est´andar.
I Sin embargo (recuerda la nota sobre el estimador de la varianza), rara vez se conoce el valor de σ.
Estad´ıstico de Contraste: observaciones
I Hemos usado el valor absoluto para medir la distancia.
I Sin embargo, depender´a de la hip´otesis alternativa si la prueba es de una o dos colas.
I Para minimizar confusiones con pruebas de dos colas, evitaremos el valor absoluto si la hip´otesis alternativa es de una cola.
I El estad´ıstico de contraste que hemos postulado tiene en el denominador la desviaci´on est´andar.
I Sin embargo (recuerda la nota sobre el estimador de la varianza), rara vez se conoce el valor de σ.
Estad´ıstico de Contraste: observaciones
I Hemos usado el valor absoluto para medir la distancia.
I Sin embargo, depender´a de la hip´otesis alternativa si la prueba es de una o dos colas.
I Para minimizar confusiones con pruebas de dos colas, evitaremos el valor absoluto si la hip´otesis alternativa es de una cola.
I El estad´ıstico de contraste que hemos postulado tiene en el denominador la desviaci´on est´andar.
I Sin embargo (recuerda la nota sobre el estimador de la varianza), rara vez se conoce el valor de σ.
Estad´ıstico de Contraste: observaciones
I Hemos usado el valor absoluto para medir la distancia.
I Sin embargo, depender´a de la hip´otesis alternativa si la prueba es de una o dos colas.
I Para minimizar confusiones con pruebas de dos colas, evitaremos el valor absoluto si la hip´otesis alternativa es de una cola.
I El estad´ıstico de contraste que hemos postulado tiene en el denominador la desviaci´on est´andar.
I Sin embargo (recuerda la nota sobre el estimador de la varianza), rara vez se conoce el valor de σ.
Estad´ıstico de Contraste: observaciones
I Hemos usado el valor absoluto para medir la distancia.
I Sin embargo, depender´a de la hip´otesis alternativa si la prueba es de una o dos colas.
I Para minimizar confusiones con pruebas de dos colas, evitaremos el valor absoluto si la hip´otesis alternativa es de una cola.
I El estad´ıstico de contraste que hemos postulado tiene en el denominador la desviaci´on est´andar.
I Sin embargo (recuerda la nota sobre el estimador de la varianza), rara vez se conoce el valor de σ.
Estad´ıstico de Contraste: observaciones
I Hemos usado el valor absoluto para medir la distancia.
I Sin embargo, depender´a de la hip´otesis alternativa si la prueba es de una o dos colas.
I Para minimizar confusiones con pruebas de dos colas, evitaremos el valor absoluto si la hip´otesis alternativa es de una cola.
I El estad´ıstico de contraste que hemos postulado tiene en el denominador la desviaci´on est´andar.
I Sin embargo (recuerda la nota sobre el estimador de la varianza), rara vez se conoce el valor de σ.
Estad´ıstico de Contraste: observaciones
I Entonces, nuestro estad´ıstico de contraste viene dado por
|x¯−µH0 | se(¯x)
I En este ejemplo particular, se trataba del estimador de la media.
I Sin embargo, el principio es muy general.
I De hecho, podemos definir el mismo estad´ıstico de contraste para cualquier estimador θˆdeθ:
Tn=
|θˆ−θH0 |
se(ˆθ)
I A este estad´ıstico se le conoce como Estad´ıstico-t.
Estad´ıstico de Contraste: observaciones
I Entonces, nuestro estad´ıstico de contraste viene dado por
|x¯−µH0 | se(¯x)
I En este ejemplo particular, se trataba del estimador de la media.
I Sin embargo, el principio es muy general.
I De hecho, podemos definir el mismo estad´ıstico de contraste para cualquier estimador θˆdeθ:
Tn=
|θˆ−θH0 |
se(ˆθ)
I A este estad´ıstico se le conoce como Estad´ıstico-t.
Estad´ıstico de Contraste: observaciones
I Entonces, nuestro estad´ıstico de contraste viene dado por
|x¯−µH0 | se(¯x)
I En este ejemplo particular, se trataba del estimador de la media.
I Sin embargo, el principio es muy general.
I De hecho, podemos definir el mismo estad´ıstico de contraste para cualquier estimador θˆdeθ:
Tn=
|θˆ−θH0 |
se(ˆθ)
I A este estad´ıstico se le conoce como Estad´ıstico-t.
Estad´ıstico de Contraste: observaciones
I Entonces, nuestro estad´ıstico de contraste viene dado por
|x¯−µH0 | se(¯x)
I En este ejemplo particular, se trataba del estimador de la media.
I Sin embargo, el principio es muy general.
I De hecho, podemos definir el mismo estad´ıstico de contraste para cualquier estimador θˆdeθ:
Tn=
|θˆ−θH0 |
se(ˆθ)
I A este estad´ıstico se le conoce como Estad´ıstico-t.
Estad´ıstico de Contraste: observaciones
I Entonces, nuestro estad´ıstico de contraste viene dado por
|x¯−µH0 | se(¯x)
I En este ejemplo particular, se trataba del estimador de la media.
I Sin embargo, el principio es muy general.
I De hecho, podemos definir el mismo estad´ıstico de contraste para cualquier estimador θˆdeθ:
Tn=
|θˆ−θH0 |
se(ˆθ)
I A este estad´ıstico se le conoce como Estad´ıstico-t.
Estad´ıstico de Contraste: observaciones
I Entonces, nuestro estad´ıstico de contraste viene dado por
|x¯−µH0 | se(¯x)
I En este ejemplo particular, se trataba del estimador de la media.
I Sin embargo, el principio es muy general.
I De hecho, podemos definir el mismo estad´ıstico de contraste para cualquier estimador θˆdeθ:
Tn=
|θˆ−θH0 |
se(ˆθ)
I A este estad´ıstico se le conoce como Estad´ıstico-t.
Regla de decisi´
on
I En tercer y ´ultimo lugar, una regla de decisi´on.
I Es decir, necesitamos una regla que nos diga si el tama˜no del estad´ıstico de contraste es evidencia a favor de la hip´otesis nula o no.
I La regla que usaremos siempre ser´a
Si Tn> valor cr´ıtico ⇒ rechazoH0
I Recuerda que siempre podemos cometer dos tipos de errores.
I Error tipo I: RechazarH0 cuando ´esta es correcta.
Regla de decisi´
on
I En tercer y ´ultimo lugar, una regla de decisi´on.
I Es decir, necesitamos una regla que nos diga si el tama˜no del estad´ıstico de contraste es evidencia a favor de la hip´otesis nula o no.
I La regla que usaremos siempre ser´a
Si Tn> valor cr´ıtico ⇒ rechazoH0
I Recuerda que siempre podemos cometer dos tipos de errores.
I Error tipo I: RechazarH0 cuando ´esta es correcta.
Regla de decisi´
on
I En tercer y ´ultimo lugar, una regla de decisi´on.
I Es decir, necesitamos una regla que nos diga si el tama˜no del estad´ıstico de contraste es evidencia a favor de la hip´otesis nula o no.
I La regla que usaremos siempre ser´a
Si Tn> valor cr´ıtico ⇒ rechazoH0
I Recuerda que siempre podemos cometer dos tipos de errores.
I Error tipo I: RechazarH0 cuando ´esta es correcta.
Regla de decisi´
on
I En tercer y ´ultimo lugar, una regla de decisi´on.
I Es decir, necesitamos una regla que nos diga si el tama˜no del estad´ıstico de contraste es evidencia a favor de la hip´otesis nula o no.
I La regla que usaremos siempre ser´a
Si Tn> valor cr´ıtico ⇒ rechazoH0
I Recuerda que siempre podemos cometer dos tipos de errores.
I Error tipo I: RechazarH0 cuando ´esta es correcta.
Regla de decisi´
on
I En tercer y ´ultimo lugar, una regla de decisi´on.
I Es decir, necesitamos una regla que nos diga si el tama˜no del estad´ıstico de contraste es evidencia a favor de la hip´otesis nula o no.
I La regla que usaremos siempre ser´a
Si Tn> valor cr´ıtico ⇒ rechazoH0
I Recuerda que siempre podemos cometer dos tipos de errores.
I Error tipo I: RechazarH0 cuando ´esta es correcta.
Regla de decisi´
on
I En tercer y ´ultimo lugar, una regla de decisi´on.
I Es decir, necesitamos una regla que nos diga si el tama˜no del estad´ıstico de contraste es evidencia a favor de la hip´otesis nula o no.
I La regla que usaremos siempre ser´a
Si Tn> valor cr´ıtico ⇒ rechazoH0
I Recuerda que siempre podemos cometer dos tipos de errores.
I Error tipo I: RechazarH0 cuando ´esta es correcta.
Regla de decisi´
on
I En general se considera m´as grave un error tipo I.
I Por lo tanto, el valor cr´ıtico se debe elegir de tal suerte que controlemos la probabilidad de comer el error tipo I.
I Se estila fijar el error tipo I al 5 % (0.05).
I Entonces,
P(cometer error tipo I) = P(RechazarH0|H0 es verdadera) = P(Tn>cv|H0 es verdadera)
= P |θˆ−θ| se(ˆθ) >cv
H0 es verdadera
!
= 0.05
Regla de decisi´
on
I En general se considera m´as grave un error tipo I.
I Por lo tanto, el valor cr´ıtico se debe elegir de tal suerte que controlemos la probabilidad de comer el error tipo I.
I Se estila fijar el error tipo I al 5 % (0.05).
I Entonces,
P(cometer error tipo I) = P(RechazarH0|H0 es verdadera) = P(Tn>cv|H0 es verdadera)
= P |θˆ−θ| se(ˆθ) >cv
H0 es verdadera
!
= 0.05
Regla de decisi´
on
I En general se considera m´as grave un error tipo I.
I Por lo tanto, el valor cr´ıtico se debe elegir de tal suerte que controlemos la probabilidad de comer el error tipo I.
I Se estila fijar el error tipo I al 5 % (0.05).
I Entonces,
P(cometer error tipo I) = P(RechazarH0|H0 es verdadera) = P(Tn>cv|H0 es verdadera)
= P |θˆ−θ| se(ˆθ) >cv
H0 es verdadera
!
= 0.05
Regla de decisi´
on
I En general se considera m´as grave un error tipo I.
I Por lo tanto, el valor cr´ıtico se debe elegir de tal suerte que controlemos la probabilidad de comer el error tipo I.
I Se estila fijar el error tipo I al 5 % (0.05).
I Entonces,
P(cometer error tipo I) = P(RechazarH0|H0 es verdadera) = P(Tn>cv|H0 es verdadera)
= P |θˆ−θ| se(ˆθ) >cv
H0 es verdadera
!
= 0.05
Regla de decisi´
on
I En general se considera m´as grave un error tipo I.
I Por lo tanto, el valor cr´ıtico se debe elegir de tal suerte que controlemos la probabilidad de comer el error tipo I.
I Se estila fijar el error tipo I al 5 % (0.05).
I Entonces,
P(cometer error tipo I) = P(RechazarH0|H0 es verdadera) = P(Tn>cv|H0 es verdadera)
= P |θˆ−θ| se(ˆθ) >cv
H0 es verdadera
!
= 0.05
Pruebas de Hip´
otesis: resumen
I Probar una hip´otesis en este curso consta de tres partes.
I 1. Una hip´otesis.
I 2. Un estad´ıstico de contraste, Tn.
I 3. Una regla de decisi´on:
Si Tn> valor cr´ıtico ⇒ rechazoH0
I donde el valor cr´ıtico depender´a de la distribuci´on de Tn bajo H0.
Pruebas de Hip´
otesis: resumen
I Probar una hip´otesis en este curso consta de tres partes.
I 1. Una hip´otesis.
I 2. Un estad´ıstico de contraste, Tn.
I 3. Una regla de decisi´on:
Si Tn> valor cr´ıtico ⇒ rechazoH0
I donde el valor cr´ıtico depender´a de la distribuci´on de Tn bajo H0.
Pruebas de Hip´
otesis: resumen
I Probar una hip´otesis en este curso consta de tres partes.
I 1. Una hip´otesis.
I 2. Un estad´ıstico de contraste, Tn.
I 3. Una regla de decisi´on:
Si Tn> valor cr´ıtico ⇒ rechazoH0
I donde el valor cr´ıtico depender´a de la distribuci´on de Tn bajo H0.
Pruebas de Hip´
otesis: resumen
I Probar una hip´otesis en este curso consta de tres partes.
I 1. Una hip´otesis.
I 2. Un estad´ıstico de contraste, Tn. I 3. Una regla de decisi´on:
Si Tn> valor cr´ıtico ⇒ rechazoH0
I donde el valor cr´ıtico depender´a de la distribuci´on de Tn bajo H0.
Pruebas de Hip´
otesis: resumen
I Probar una hip´otesis en este curso consta de tres partes.
I 1. Una hip´otesis.
I 2. Un estad´ıstico de contraste, Tn. I 3. Una regla de decisi´on:
Si Tn> valor cr´ıtico ⇒ rechazoH0
I donde el valor cr´ıtico depender´a de la distribuci´on de Tn bajo H0.
Pruebas de Hip´
otesis: resumen
I Probar una hip´otesis en este curso consta de tres partes.
I 1. Una hip´otesis.
I 2. Un estad´ıstico de contraste, Tn. I 3. Una regla de decisi´on:
Si Tn> valor cr´ıtico ⇒ rechazoH0
I donde el valor cr´ıtico depender´a de la distribuci´on de Tn bajo H0.
De regreso al modelo simple de regresi´
on normal
I Proposici´on 6: Sea {(x1,y1), . . . ,(xn,yn)}una muestra
aleatoria. Bajo los supuestos
I y =α+βx+ε.
I E(ε|x) =0.
I V(ε|x) =σ2
I E(εiεj|x) =0.
I εes independiente dex, yε∼ N(0, σ2).
entonces
I
αn−αH0 se(αn)
∼ tn−2 βn−βH0
se(βn)
De regreso al modelo simple de regresi´
on normal
I Proposici´on 6: Sea {(x1,y1), . . . ,(xn,yn)}una muestra
aleatoria. Bajo los supuestos
I y =α+βx+ε.
I E(ε|x) =0.
I V(ε|x) =σ2
I E(εiεj|x) =0.
I εes independiente dex, yε∼ N(0, σ2).
entonces
I
αn−αH0 se(αn)
∼ tn−2 βn−βH0
se(βn)
Observaciones
I Este notable resultado es el insumo que necesitamos para poder hacer pruebas de hip´otesis sobre un par´ametro.
I Nota que se distribuye como una t.
I Ojo, no confundir estad´ıstico t con distribuci´on t.
I En nuestro marco te´orico, la distribuci´on-t proviene del hecho que en el denominador hemos reemplazado la desviaci´on est´andar por el error est´andar.
Observaciones
I Este notable resultado es el insumo que necesitamos para poder hacer pruebas de hip´otesis sobre un par´ametro.
I Nota que se distribuye como una t.
I Ojo, no confundir estad´ıstico t con distribuci´on t.
I En nuestro marco te´orico, la distribuci´on-t proviene del hecho que en el denominador hemos reemplazado la desviaci´on est´andar por el error est´andar.
Observaciones
I Este notable resultado es el insumo que necesitamos para poder hacer pruebas de hip´otesis sobre un par´ametro.
I Nota que se distribuye como una t.
I Ojo, no confundir estad´ıstico t con distribuci´on t.
I En nuestro marco te´orico, la distribuci´on-t proviene del hecho que en el denominador hemos reemplazado la desviaci´on est´andar por el error est´andar.
Observaciones
I Este notable resultado es el insumo que necesitamos para poder hacer pruebas de hip´otesis sobre un par´ametro.
I Nota que se distribuye como una t.
I Ojo, no confundir estad´ıstico t con distribuci´on t.
I En nuestro marco te´orico, la distribuci´on-t proviene del hecho que en el denominador hemos reemplazado la desviaci´on est´andar por el error est´andar.
Observaciones
I Este notable resultado es el insumo que necesitamos para poder hacer pruebas de hip´otesis sobre un par´ametro.
I Nota que se distribuye como una t.
I Ojo, no confundir estad´ıstico t con distribuci´on t.
I En nuestro marco te´orico, la distribuci´on-t proviene del hecho que en el denominador hemos reemplazado la desviaci´on est´andar por el error est´andar.
Hip´
otesis de significancia
I Una hip´otesis es un enunciado sobre el valor del par´ametro.
I Hay una hip´otesis que es de particular relevancia, la llamada
hip´otesis de significancia.
I La hip´otesis de significancia descansa en probar la hip´otesis nula
H0 :β=0
I Es muy importante entender el significado de esta hip´otesis en concreto.
I Recuerda que
β= ∂
Hip´
otesis de significancia
I Una hip´otesis es un enunciado sobre el valor del par´ametro.
I Hay una hip´otesis que es de particular relevancia, la llamada
hip´otesis de significancia.
I La hip´otesis de significancia descansa en probar la hip´otesis nula
H0 :β=0
I Es muy importante entender el significado de esta hip´otesis en concreto.
I Recuerda que
β= ∂
Hip´
otesis de significancia
I Una hip´otesis es un enunciado sobre el valor del par´ametro.
I Hay una hip´otesis que es de particular relevancia, la llamada
hip´otesis de significancia.
I La hip´otesis de significancia descansa en probar la hip´otesis nula
H0 :β=0
I Es muy importante entender el significado de esta hip´otesis en concreto.
I Recuerda que
β= ∂
Hip´
otesis de significancia
I Una hip´otesis es un enunciado sobre el valor del par´ametro.
I Hay una hip´otesis que es de particular relevancia, la llamada
hip´otesis de significancia.
I La hip´otesis de significancia descansa en probar la hip´otesis nula
H0 :β=0
I Es muy importante entender el significado de esta hip´otesis en concreto.
I Recuerda que
β= ∂
Hip´
otesis de significancia
I Una hip´otesis es un enunciado sobre el valor del par´ametro.
I Hay una hip´otesis que es de particular relevancia, la llamada
hip´otesis de significancia.
I La hip´otesis de significancia descansa en probar la hip´otesis nula
H0 :β=0
I Es muy importante entender el significado de esta hip´otesis en concreto.
I Recuerda que
β= ∂
Hip´
otesis de significancia
I Es decir,β mide el efecto que tiene un cambio en x sobre el valor esperado de y una vez que hemos mantenido todo lo dem´as constante.
I Entonces, H0 :β =0 nos estar´ıa indicando que despu´es de
controlar (mantener fijo el resto) otros factores, x no tiene un efecto sobre (el valor esperado de)y.
I Esta hip´otesis es muy interesante en nuestros modelos pues en caso de rechazarla estar´ıamos concluyendo, baso en la
Hip´
otesis de significancia
I Es decir,β mide el efecto que tiene un cambio en x sobre el valor esperado de y una vez que hemos mantenido todo lo dem´as constante.
I Entonces, H0 :β =0 nos estar´ıa indicando que despu´es de
controlar (mantener fijo el resto) otros factores, x no tiene un efecto sobre (el valor esperado de)y.
I Esta hip´otesis es muy interesante en nuestros modelos pues en caso de rechazarla estar´ıamos concluyendo, baso en la
Hip´
otesis de significancia
I Es decir,β mide el efecto que tiene un cambio en x sobre el valor esperado de y una vez que hemos mantenido todo lo dem´as constante.
I Entonces, H0 :β =0 nos estar´ıa indicando que despu´es de
controlar (mantener fijo el resto) otros factores, x no tiene un efecto sobre (el valor esperado de)y.
I Esta hip´otesis es muy interesante en nuestros modelos pues en caso de rechazarla estar´ıamos concluyendo, baso en la
Observaciones
I Bajo la hip´otesis de significancia, el estad´ıstico-t puede escribirse simplemente como
Tβn =
βn−βH0 se(βn)
= βn
se(βn)
I Cuando no haya confusi´on, escribiremosT o simplemente estad´ıstico-t en vez de Tβn.
Observaciones
I Bajo la hip´otesis de significancia, el estad´ıstico-t puede escribirse simplemente como
Tβn =
βn−βH0 se(βn)
= βn
se(βn)
I Cuando no haya confusi´on, escribiremos T o simplemente estad´ıstico-t en vez de Tβn.
Observaciones
I Bajo la hip´otesis de significancia, el estad´ıstico-t puede escribirse simplemente como
Tβn =
βn−βH0 se(βn)
= βn
se(βn)
I Cuando no haya confusi´on, escribiremos T o simplemente estad´ıstico-t en vez de Tβn.
Comentarios
I ¿Por qu´e insistimos tanto en un estad´ıstico como
Tβn =
βn−βH0 se(βn)
para probar hip´otesis sobreβ?
I Como ya hemos dicho, el estad´ıstico t es una forma sensata de concetar el estimadorβn con el valor hipotetizado deβ. I En el contexto de la hip´otesis de significancia, es prudente
insistir en el hecho que βn nuncaser´a exactamente 0,
independientemente de la veracidad (o falsedad) de H0.
I La pregunta es ¿qu´e tan lejos de cero?
I Valores muy grandes de Tβn son evidencia en contra de
H0 :β=0.
Comentarios
I ¿Por qu´e insistimos tanto en un estad´ıstico como
Tβn =
βn−βH0 se(βn)
para probar hip´otesis sobreβ?
I Como ya hemos dicho, el estad´ıstico t es una forma sensata de concetar el estimadorβn con el valor hipotetizado deβ.
I En el contexto de la hip´otesis de significancia, es prudente insistir en el hecho que βn nuncaser´a exactamente 0,
independientemente de la veracidad (o falsedad) de H0.
I La pregunta es ¿qu´e tan lejos de cero?
I Valores muy grandes de Tβn son evidencia en contra de
H0 :β=0.
Comentarios
I ¿Por qu´e insistimos tanto en un estad´ıstico como
Tβn =
βn−βH0 se(βn)
para probar hip´otesis sobreβ?
I Como ya hemos dicho, el estad´ıstico t es una forma sensata de concetar el estimadorβn con el valor hipotetizado deβ. I En el contexto de la hip´otesis de significancia, es prudente
insistir en el hecho queβn nuncaser´a exactamente 0,
independientemente de la veracidad (o falsedad) de H0.
I La pregunta es ¿qu´e tan lejos de cero?
I Valores muy grandes de Tβn son evidencia en contra de
H0 :β=0.
Comentarios
I ¿Por qu´e insistimos tanto en un estad´ıstico como
Tβn =
βn−βH0 se(βn)
para probar hip´otesis sobreβ?
I Como ya hemos dicho, el estad´ıstico t es una forma sensata de concetar el estimadorβn con el valor hipotetizado deβ. I En el contexto de la hip´otesis de significancia, es prudente
insistir en el hecho queβn nuncaser´a exactamente 0,
independientemente de la veracidad (o falsedad) de H0.
I La pregunta es ¿qu´e tan lejos de cero?
I Valores muy grandes de Tβn son evidencia en contra de
H0 :β=0.
Comentarios
I ¿Por qu´e insistimos tanto en un estad´ıstico como
Tβn =
βn−βH0 se(βn)
para probar hip´otesis sobreβ?
I Como ya hemos dicho, el estad´ıstico t es una forma sensata de concetar el estimadorβn con el valor hipotetizado deβ. I En el contexto de la hip´otesis de significancia, es prudente
insistir en el hecho queβn nuncaser´a exactamente 0,
independientemente de la veracidad (o falsedad) de H0.
I La pregunta es ¿qu´e tan lejos de cero?
I Valores muy grandes de Tβn son evidencia en contra de
H0:β=0.
Comentarios
I ¿Por qu´e insistimos tanto en un estad´ıstico como
Tβn =
βn−βH0 se(βn)
para probar hip´otesis sobreβ?
I Como ya hemos dicho, el estad´ıstico t es una forma sensata de concetar el estimadorβn con el valor hipotetizado deβ. I En el contexto de la hip´otesis de significancia, es prudente
insistir en el hecho queβn nuncaser´a exactamente 0,
independientemente de la veracidad (o falsedad) de H0.
I La pregunta es ¿qu´e tan lejos de cero?
I Valores muy grandes de Tβn son evidencia en contra de
H0:β=0.
Pruebas de una cola
I Para poder derivar nuestra regla de decisi´on (componente 3 de pruebas de hip´otesis)
Si Tn> valor cr´ıtico ⇒ rechazoH0
I necesitamos saber el valor cr´ıtico y para ello, lahip´otesis alternativa relevante.
I Primero, consideremos hip´otesis alternativas de la forma
Ha :β >0
I ¿C´omo escogemos el valor cr´ıtico?
I Recuerda que nosotros controlamos la probabilidad de cometer el error tipo I.
Pruebas de una cola
I Para poder derivar nuestra regla de decisi´on (componente 3 de pruebas de hip´otesis)
Si Tn> valor cr´ıtico ⇒ rechazoH0
I necesitamos saber el valor cr´ıtico y para ello, lahip´otesis alternativa relevante.
I Primero, consideremos hip´otesis alternativas de la forma
Ha :β >0
I ¿C´omo escogemos el valor cr´ıtico?
I Recuerda que nosotros controlamos la probabilidad de cometer el error tipo I.
Pruebas de una cola
I Para poder derivar nuestra regla de decisi´on (componente 3 de pruebas de hip´otesis)
Si Tn> valor cr´ıtico ⇒ rechazoH0
I necesitamos saber el valor cr´ıtico y para ello, lahip´otesis alternativa relevante.
I Primero, consideremos hip´otesis alternativas de la forma
Ha:β >0
I ¿C´omo escogemos el valor cr´ıtico?
I Recuerda que nosotros controlamos la probabilidad de cometer el error tipo I.
Pruebas de una cola
I Para poder derivar nuestra regla de decisi´on (componente 3 de pruebas de hip´otesis)
Si Tn> valor cr´ıtico ⇒ rechazoH0
I necesitamos saber el valor cr´ıtico y para ello, lahip´otesis alternativa relevante.
I Primero, consideremos hip´otesis alternativas de la forma
Ha:β >0
I ¿C´omo escogemos el valor cr´ıtico?
I Recuerda que nosotros controlamos la probabilidad de cometer el error tipo I.
Pruebas de una cola
I Para poder derivar nuestra regla de decisi´on (componente 3 de pruebas de hip´otesis)
Si Tn> valor cr´ıtico ⇒ rechazoH0
I necesitamos saber el valor cr´ıtico y para ello, lahip´otesis alternativa relevante.
I Primero, consideremos hip´otesis alternativas de la forma
Ha:β >0
I ¿C´omo escogemos el valor cr´ıtico?
I Recuerda que nosotros controlamos la probabilidad de cometer el error tipo I.
Pruebas de una cola
I Para poder derivar nuestra regla de decisi´on (componente 3 de pruebas de hip´otesis)
Si Tn> valor cr´ıtico ⇒ rechazoH0
I necesitamos saber el valor cr´ıtico y para ello, lahip´otesis alternativa relevante.
I Primero, consideremos hip´otesis alternativas de la forma
Ha:β >0
I ¿C´omo escogemos el valor cr´ıtico?
I Recuerda que nosotros controlamos la probabilidad de cometer el error tipo I.
I Como hemos mencionado antes, el nivel de significancia que m´as se estila es 5 %.
I La manera formal de determinar si βn est´a cerca (o lejos) de βH0 =0 al 5 % de significancia es el percentil 95 en una distribuci´on t con n-2 grados de libertad.
I Entonces, el valor cr´ıtico, cv, lo encontramos a partir de:
P( βn
se(βn)
>cv|H0 es verdadera) =0.05
I entonces, para encontar el valor de cv lo ´unico que necesitamos es
1. El nivel de significancia.
I Como hemos mencionado antes, el nivel de significancia que m´as se estila es 5 %.
I La manera formal de determinar si βn est´a cerca (o lejos) de βH0 =0 al 5 % de significancia es el percentil 95 en una distribuci´on t con n-2 grados de libertad.
I Entonces, el valor cr´ıtico, cv, lo encontramos a partir de:
P( βn
se(βn)
>cv|H0 es verdadera) =0.05
I entonces, para encontar el valor de cv lo ´unico que necesitamos es
1. El nivel de significancia.
I Como hemos mencionado antes, el nivel de significancia que m´as se estila es 5 %.
I La manera formal de determinar si βn est´a cerca (o lejos) de βH0 =0 al 5 % de significancia es el percentil 95 en una distribuci´on t con n-2 grados de libertad.
I Entonces, elvalor cr´ıtico, cv, lo encontramos a partir de:
P( βn
se(βn)
>cv|H0 es verdadera) =0.05
I entonces, para encontar el valor de cv lo ´unico que necesitamos es
1. El nivel de significancia.
I Como hemos mencionado antes, el nivel de significancia que m´as se estila es 5 %.
I La manera formal de determinar si βn est´a cerca (o lejos) de βH0 =0 al 5 % de significancia es el percentil 95 en una distribuci´on t con n-2 grados de libertad.
I Entonces, elvalor cr´ıtico, cv, lo encontramos a partir de:
P( βn
se(βn)
>cv|H0 es verdadera) =0.05
I entonces, para encontar el valor de cv lo ´unico que necesitamos es
1. El nivel de significancia.
Ejemplo
I A un nivel de significancia del 5 % y n-2=28, el valor cr´ıtico es
cv =1.701.
Ejemplo
I A un nivel de significancia del 5 % y n-2=28, el valor cr´ıtico es
cv =1.701.
Ejemplo: continuaci´
on
I Entonces, si el valor del estad´ıstico de contraste, Tβn es mayor
que este valor cr´ıtico rechazamos H0:β =0.
I En otras palabras
Si Tn>1.701⇒ rechazoH0 :β=0
I es decir, basado en mi muestra tengo evidencia en contra de
H0.
Ejemplo: continuaci´
on
I Entonces, si el valor del estad´ıstico de contraste, Tβn es mayor
que este valor cr´ıtico rechazamos H0:β =0.
I En otras palabras
Si Tn>1.701⇒ rechazoH0 :β=0
I es decir, basado en mi muestra tengo evidencia en contra de
H0.
Ejemplo: continuaci´
on
I Entonces, si el valor del estad´ıstico de contraste, Tβn es mayor
que este valor cr´ıtico rechazamos H0:β =0.
I En otras palabras
Si Tn>1.701⇒ rechazoH0 :β=0
I es decir, basado en mi muestra tengo evidencia en contra de
H0.
Ejemplo: continuaci´
on
I Entonces, si el valor del estad´ıstico de contraste, Tβn es mayor
que este valor cr´ıtico rechazamos H0:β =0.
I En otras palabras
Si Tn>1.701⇒ rechazoH0 :β=0
I es decir, basado en mi muestra tengo evidencia en contra de
H0.
I Por lo tanto, rechazo la hip´otesisH0 :β=0.
Ejemplo: continuaci´
on
I Entonces, si el valor del estad´ıstico de contraste, Tβn es mayor
que este valor cr´ıtico rechazamos H0:β =0.
I En otras palabras
Si Tn>1.701⇒ rechazoH0 :β=0
I es decir, basado en mi muestra tengo evidencia en contra de
H0.
I ¿C´omo procedemos en caso de una h´ıp´otesis de la siguiente forma?:
Ha:β <0
I La idea es exactamente la misma, este ejemplo es como un espejo del anterior.
I De hecho, podemos usar el hecho que la distribuci´on t es sim´etrica alrededor del 0.
I Entonces, si cv viene dado por
P( βn
se(βn)
>cv|H0 es verdadera) =0.05
I entonces la regla de decisi´on es
I ¿C´omo procedemos en caso de una h´ıp´otesis de la siguiente forma?:
Ha:β <0
I La idea es exactamente la misma, este ejemplo es como un espejo del anterior.
I De hecho, podemos usar el hecho que la distribuci´on t es sim´etrica alrededor del 0.
I Entonces, si cv viene dado por
P( βn
se(βn)
>cv|H0 es verdadera) =0.05
I entonces la regla de decisi´on es
I ¿C´omo procedemos en caso de una h´ıp´otesis de la siguiente forma?:
Ha:β <0
I La idea es exactamente la misma, este ejemplo es como un espejo del anterior.
I De hecho, podemos usar el hecho que la distribuci´on t es sim´etrica alrededor del 0.
I Entonces, si cv viene dado por
P( βn
se(βn)
>cv|H0 es verdadera) =0.05
I entonces la regla de decisi´on es
I ¿C´omo procedemos en caso de una h´ıp´otesis de la siguiente forma?:
Ha:β <0
I La idea es exactamente la misma, este ejemplo es como un espejo del anterior.
I De hecho, podemos usar el hecho que la distribuci´on t es sim´etrica alrededor del 0.
I Entonces, si cv viene dado por
P( βn
se(βn)
>cv|H0 es verdadera) =0.05
I entonces la regla de decisi´on es
I ¿C´omo procedemos en caso de una h´ıp´otesis de la siguiente forma?:
Ha:β <0
I La idea es exactamente la misma, este ejemplo es como un espejo del anterior.
I De hecho, podemos usar el hecho que la distribuci´on t es sim´etrica alrededor del 0.
I Entonces, si cv viene dado por
P( βn
se(βn)
>cv|H0 es verdadera) =0.05
I entonces la regla de decisi´on es
Pruebas de dos colas
I Finalmente, nuestra hip´otesis alternativa podr´ıa ser de la forma
Ha:β6=0
I Esta es la hip´otesis alternativa cuando el signo relevante deβ
no es claro desde la teor´ıa.
I A veces es m´as prudente usar una prueba de dos colas para evitar formular las hip´otesis basados en el valor del estimador.
I Por ejemplo, podemos estar tentados a decir Ha :β <0 si el
valor del estimador es βn=−6.179.
Pruebas de dos colas
I Finalmente, nuestra hip´otesis alternativa podr´ıa ser de la forma
Ha:β6=0
I Esta es la hip´otesis alternativa cuando el signo relevante deβ
no es claro desde la teor´ıa.
I A veces es m´as prudente usar una prueba de dos colas para evitar formular las hip´otesis basados en el valor del estimador.
I Por ejemplo, podemos estar tentados a decir Ha :β <0 si el
valor del estimador es βn=−6.179.
Pruebas de dos colas
I Finalmente, nuestra hip´otesis alternativa podr´ıa ser de la forma
Ha:β6=0
I Esta es la hip´otesis alternativa cuando el signo relevante deβ
no es claro desde la teor´ıa.
I A veces es m´as prudente usar una prueba de dos colas para evitar formular las hip´otesis basados en el valor del estimador.
I Por ejemplo, podemos estar tentados a decir Ha :β <0 si el
valor del estimador es βn=−6.179.
Pruebas de dos colas
I Finalmente, nuestra hip´otesis alternativa podr´ıa ser de la forma
Ha:β6=0
I Esta es la hip´otesis alternativa cuando el signo relevante deβ
no es claro desde la teor´ıa.
I A veces es m´as prudente usar una prueba de dos colas para evitar formular las hip´otesis basados en el valor del estimador.
I Por ejemplo, podemos estar tentados a decir Ha :β <0 si el
valor del estimador es βn=−6.179.
Pruebas de dos colas
I Finalmente, nuestra hip´otesis alternativa podr´ıa ser de la forma
Ha:β6=0
I Esta es la hip´otesis alternativa cuando el signo relevante deβ
no es claro desde la teor´ıa.
I A veces es m´as prudente usar una prueba de dos colas para evitar formular las hip´otesis basados en el valor del estimador.
I Por ejemplo, podemos estar tentados a decir Ha :β <0 si el
valor del estimador es βn=−6.179.
Pruebas de dos colas
I En este caso, la regla de decisi´on ser´a
Si|Tn|>cv⇒ rechazo H0
I la diferencia, est´a en el valor absoluto.
I Entonces, el valor cr´ıtico (cv) se escoge de tal forma que el ´
area en cada cola sume 5 %.
I En otras palabras, cv es el percentil 97.5 en la distribuci´on t con n-2 grados de libertad.
Pruebas de dos colas
I En este caso, la regla de decisi´on ser´a
Si|Tn|>cv⇒ rechazo H0
I la diferencia, est´a en el valor absoluto.
I Entonces, el valor cr´ıtico (cv) se escoge de tal forma que el ´
area en cada cola sume 5 %.
I En otras palabras, cv es el percentil 97.5 en la distribuci´on t con n-2 grados de libertad.
Pruebas de dos colas
I En este caso, la regla de decisi´on ser´a
Si|Tn|>cv⇒ rechazo H0
I la diferencia, est´a en el valor absoluto.
I Entonces, el valor cr´ıtico (cv) se escoge de tal forma que el ´
area en cada cola sume 5 %.
I En otras palabras, cv es el percentil 97.5 en la distribuci´on t con n-2 grados de libertad.
Pruebas de dos colas
I En este caso, la regla de decisi´on ser´a
Si|Tn|>cv⇒ rechazo H0
I la diferencia, est´a en el valor absoluto.
I Entonces, el valor cr´ıtico (cv) se escoge de tal forma que el ´
area en cada cola sume 5 %.
I En otras palabras, cv es el percentil 97.5 en la distribuci´on t con n-2 grados de libertad.
Pruebas de dos colas
I En este caso, la regla de decisi´on ser´a
Si|Tn|>cv⇒ rechazo H0
I la diferencia, est´a en el valor absoluto.
I Entonces, el valor cr´ıtico (cv) se escoge de tal forma que el ´
area en cada cola sume 5 %.
I En otras palabras, cv es el percentil 97.5 en la distribuci´on t con n-2 grados de libertad.
Hip´
otesis diferentes a la de significancia
I Aunque la hip´otesis de significancia es la m´as importante en el an´alisis econom´etrico, lo que hemos establecido aplica para hip´otesis diferentes a la de significancia.
I La idea ser´a la misma. Si queremos contrastar
H0 :β =k vsHa :β 6=k
para una constante k.
I el estad´ıstico de contraste viene dado por
Tβn =
|βn−βH0 | se(βn)
= |βn−k |
se(βn) I y la regla de decisi´on
Si|Tn|>cv⇒ rechazo H0
Hip´
otesis diferentes a la de significancia
I Aunque la hip´otesis de significancia es la m´as importante en el an´alisis econom´etrico, lo que hemos establecido aplica para hip´otesis diferentes a la de significancia.
I La idea ser´a la misma. Si queremos contrastar
H0 :β =k vsHa :β 6=k
para una constante k.
I el estad´ıstico de contraste viene dado por
Tβn =
|βn−βH0 | se(βn)
= |βn−k |
se(βn) I y la regla de decisi´on
Si|Tn|>cv⇒ rechazo H0