( i' r'fTP v ... l. ... ,\).' PImSEN'rACION \ t: ,3472.4 El presente material ofrece los lineamientos generales presentados en las sesiones: 11 Estadisticas Exploratorias 11 y " Estimación Econométrica " durante el 11 CURSO SOBRE EL PAPEL DE LA SOCIOECONOMIA EN LA GENERACION DE TECNOLOGIA AGRICOLA ", realizado en CIAT, entre Septiembre 16 y Octubre 11 de 1991. Se pretende ofrecer a los usuarios una copia de los acetatos que se proyectan, con el fin de que puedan registrar en ella explicaciones adicionales, comentarios, ejemplos o cualquier elemento que contribuya a la claridad del tema considerado. De esta manera, al ser un material para uso paralelo a una explicación, permite a quien vuelva sobre sus páginas recordar un concepto o reconsiderar un ejemplo en forma directa. Debido a la diferencia entre participantes en téminos de conocimientos estadisticos, este manual debe plantear un bosquejo del tema; permitiendo detenerse o avanzar rápidamente según el grupo lo requiera. Por estas razones, no recomendamos su uso para alguien que no haya estado presente en las exposiciones. Los enunciados de los conceptos son muy generales y al no existir interacción con el expositor, no hay la posibilidad de hacer correciones, ampliaciones, o de ofrecer mayor claridad sobre puntos especificos. Esta constituye la primera versión del material y está sujeta a revisión. si usted tiene sugerencias, nos seria de mucha utilidad conocerlas. Deseamos agradecer la colaboración especial de Luis Roberto Sanint con respecto a la definición de temas, y a Marta Elena Carvajal en la transcripción.
93
Embed
,3472 - ciat-library.ciat.cgiar.orgciat-library.ciat.cgiar.org/Articulos_Ciat/Digital/T_21.D86_Estimación_ econométrica.pdfadicionales, comentarios, ejemplos o cualquier elemento
This document is posted to help you gain knowledge. Please leave a comment to let me know what you think about it! Share it to your friends and learn new things together.
Transcript
( i' r'fTP v ... l. ... ,\).'
PImSEN'rACION
\ t:
,3472.4
El presente material ofrece los lineamientos generales presentados en las sesiones: 11 Estadisticas Exploratorias 11 y " Estimación Econométrica " durante el 11 CURSO SOBRE EL PAPEL DE LA SOCIOECONOMIA EN LA GENERACION DE TECNOLOGIA AGRICOLA ", realizado en CIAT, entre Septiembre 16 y Octubre 11 de 1991.
Se pretende ofrecer a los usuarios una copia de los acetatos que se proyectan, con el fin de que puedan registrar en ella explicaciones adicionales, comentarios, ejemplos o cualquier elemento que contribuya a la claridad del tema considerado. De esta manera, al ser un material para uso paralelo a una explicación, permite a quien vuelva sobre sus páginas recordar un concepto o reconsiderar un ejemplo en forma directa.
Debido a la diferencia entre participantes en téminos de conocimientos estadisticos, este manual debe plantear un bosquejo del tema; permitiendo detenerse o avanzar rápidamente según el grupo lo requiera. Por estas razones, no recomendamos su uso para alguien que no haya estado presente en las exposiciones. Los enunciados de los conceptos son muy generales y al no existir interacción con el expositor, no hay la posibilidad de hacer correciones, ampliaciones, o de ofrecer mayor claridad sobre puntos especificos.
Esta constituye la primera versión del material y está sujeta a revisión. si usted tiene sugerencias, nos seria de mucha utilidad conocerlas.
Deseamos agradecer la colaboración especial de Luis Roberto Sanint con respecto a la definición de temas, y a Marta Elena Carvajal en la transcripción.
SIGNIFICADO DEL TERMINO LINEAL
FORMAS FUNCIONALES MAS COMUNES
MODELO DE REGRESION LINEAL CON 2 VARIABLES
Objetivo del análisis de regresión
Bases conceptuales del método
Precisión de los estimadores de cuadrado mínimos
Calidad del ajuste
I
SUPUESTOS SOBRE LOS CUALES SE APOYA EL METODO DE
REGRESION POR MINIMOS CUADRADOS
VIOLACION DE LOS SUPUESTOS, DIAGNOSTICO,
IMPLICACIONES Y MEDIDAS REMEDIALES
SUPUESTO ADICIONAL: SUPUESTO DE NORMALIDAD
•
•
•
PRUEBAS DE HIPOTESIS
PREDICCION MEDIA
REGRESION LINEAL MULTIPLE
Objetivos del análisis
Calidad del ajuste
SUPUESTOS
2
VIOLACION DE LOS SUPUESTOS, DIAGNOSTICO,
IMPLICACIONES Y MEDIDAS REMEDIALES
,.
¿QUE ES ECONOMETRrA?
Literalmente, E'cOIlOlllctrÚJ significa "medición econ6mica". Si bien es cierto que la medición es una parte importante de la econometría, el campo de acción de esta disciplina es mucho más amplio, como puede verse en las siguientes citas.
La econometría, que es el resultado de cierla posición sobre el papel de la econom (a, consiste en la aplicación de la estadistica matemática a datos económicos, para dar apoyo empfrico a los modelos construidos por la economía matemática, y para obtener rcsu Itados numéricos I _
... la econometrfa puede ser definida como el análisis cuantitativo de fenómenos econ6m icos reales basados en los desarrollos simultáneos de la observación y la teoría, relacionados mediante métodos apropiados de inferencia1 _
La econometría puede definirse como la ciencia social en la cual las herramientas de la teoría económica, las matemáticas y la inferencÍll estadística se aplican al análisis de los fenómenos económ icos) .
La econometría se refiere a la determinación empírica de las leyes econ6micas 4 _
I Gcrhard Tintncr, ¡\fe/hodn/oJO' ofMa/hcma/ica/ Economícs and Econometrics, Tilo Univcrsity of Chicago I'res>, Chkago, 1968, p. 74.
11'. A. Samuchon, T. C. Koopman!, y J. R. N. Stone, "Repon of me Evaluativo Commitlce fOI
Econometrica." é:rOllomerrica, vol. 22, No. 2, abril 1954, pp. 141-146. 3 A!lIt", S. G()ldb~rl'cr, Ecolloltleuic Thcory, ¡ohn Wilcy & Sons, Ine., Ncw York, 1964, p. l. 4 11. Theíl. ¡'rille/files "f l:'crJt/CJlllttrics, John \Vítoy & 5orl$, Ine., Ncw York, 1971, p. 1,
3
------------- ------ - - -
(1)
(2)
(3)
(4)
(5)
f
METODOLOGIA DE LA ECONOMETRIA
Teor(a económica
-1-
Modelo cconométrico ,le la teoría
~ Recolección de cifras apropiadas
~
Estimación de los parámetros del modelo j
In fcrencía estad ística
t. Aceptar la teorfa si las cifras
(datos) SOI1 compatibles con la tcoría
Rechazar la teoría sí las cifras (datos) 110 SOIl compatibles con la teoría
~
Predicción l
Revisión de la leoría o teoría nueva
l Para la verificación, seguir
los pasos (2) a (5)
4
5
SIGNIFICADO DEL TERMINO LINEAL
Q
Relación lineal p
Linealidad en las variables:
y es una función lineal de X; se refiere a que la relación tiene la
representación geométrica de una recta.
Se dice que Y es una función lineal de X si X aparece con una potencia de
1 (o sea que términos como X2, ..rx: In(X) no aparecen ).
Además X no está multiplicada ni dividida por otra variable.
y = bo + b1 X
6
linealidad en los parámetros:
y es una función lineal en los parámetros, es decir en los BI pudiendo ser
o no lineal en X
En este sentido
1.
es lineal en las variables y en los parámetros.
1
Q
• •
/'
Relación curvilínea.
Es lineal en los parámetros y no lo es en la variable
3. Y = Bo + ~ X
No es lineal en los parámetros, y si lo es en la variable.
8
CON LA EXPRESION" REGRESION LINEAL ",
SE HACE REFERENCIA A LINEALIDAD EN LOS PARAMETROS.
FORMAS FUNCIONALES MAS COMUNES
Existen modelos lineales en los parámetros que no lo son en las variables,
pero mediante algunas transformaciones pueden volverse lineales en ambos.
Algunos de ellos son:
Modelos log-Iog o modelos de elasticidad constante
y
'----------x Precio
(a)
In r
In Y. 'n/Jo -el In XI
'-----------111 X Precio
(b)
Modelos dI! cbsticidad constante.
exp = base de los logaritmos naturales = 2.718
9
In ( VI ) = In Bo + 8, In ( X¡) + U¡
8, = elasticidad de V con respecto a X
8, = cambio porcentual en Y asociado con un cambio porcentual en X
81 = (dy I y ) I ( dx Ix)
Características: Se supone que la elasticidad no cambia
80 = exp ( a.) resulta sesgado
10
Modelos semilogarítmicos
..... .r ... c:: o
'!::l !l ... o "'" e ....
¡-
L......---------x Tiempo
(a)
1" y
~
'"' e ::>
't) .;:: w ~ -t:.. ~ ~
L----------x Tirmpo
(b)
Modelo de crecimiento porcentual con!lantc
11
En ellos la variable X º la variable Y está expresada en términos
logarítmicos.
12
CASO 1
. correspondiente al modelo en variables originales:
VI = exp (ao) • exp (a, X;) . exp (U;)
-VI = A . exp(a 1 X;) . exp (UI) A = exp ( 0:0 )
VI = A. B". eU B = exp ( a, )
13
CARACTERlSTICAS
1X1 = Cambio relativo en Y / cambio absoluto en X
recibe el nombre de modelo de crecimiento constante ( por cada unidad X,
crece un porcentaje constante ).
Elasticidad de Y con respecto a X = IX 1 • X
14
CASO 2
CARACTERISTICAS
81 = Cambio absoluto en Y / cambio relativo en X
-elasticidad de Y con respecto a X = 81 / y
MODELOS INVERSOS O RECIPROCaS
,f! 1l 6 o 2' e 1;; O
U
y
CARACTERISTICAS
El valor 80 es la asíntota
Producción
elasticidad de Y con respecto a X = - ( xY )'1
15
ALGUNAS FUNCIONES DE USO COMUN y SUS ELASTICIDADES
Lineal
Cuadrática
Log-Iag
Semilog
Lag inverso
Inversa
Lag cuad.
Expon
Funciones
y = a + bx
y = a + bx + CX2
In y = a + b[ln x]
y = a + b[ln x]
In y = a + b j x
y=a+bjx
In y = a + b[ln x] + c[ln X]2
In y = a + bx
Elasticidades
e = bx j y
e = (b + 2cx) x j y
e = b
e = b j Y
e = -b j x
e = -b j xy
e = b + 2 c[ln x]
e = bx
16
17
MODELOS DE REGRESION LINEAL CON DOS VARIABLES
Existen varios métodos de estimación, pero el más usado es el de mínimos
cuadrados ordinarios por sus propiedades estadísticas y facilidad relativa
de cálculo.
YI = valor de la variable de respuesta (dependiente). Valor observable
x; = valor de la variable independiente. Valor observable
U¡ - perturbación estocástica o término de error estadístico. Valor no
observable
Variable que resume todas las variables omitidas
Bo ,B1 = parámetros desconocidos pero fijos llamados coeficientes de
regresión
BQ = intercepto. Refleja el valor promedio de Y, cuando X = O
81 = pendiente. Representa el cambio en Y por cada unidad de
incremento en X
y
(r)
A
11. U-______________ ~ __ -------------x
18
19
OBJETIVO DEL ANALlSIS DE REGRESION
Estimar la función de regresión poblacional
con base en la función de regresión muestral
donde el = error o residuo en la evaluación muestra!. Es análogo al
concepto de U1
20
BASES CONCEPTUALES DEL METODO
Hemos dicho que:
.A -'" YI = Bo + BI XI + el
A
YI == Y, + e,
Valor verdadero - valor estimado + error o residuo
error = valor verdadero - valor estimado
J' y )'
(ti)
(a) Hcgn:sióll de r sohre x; (n) regresión de .l; sobre y: ¡e) n:gresiún llrtogon:d,
DIFERENCIA ENTRE LA REGRESION DE y SOBRE X
Y
DE X SOBRE Y
y
15
• lO •
•
Regresión de le sobre 1
5 10 15 x
RecIas de regresión de )' sobre :c y :c sobre y.
21
22
Objetivo: encontrar un .. Valor estimado .. que minimice la suma de
cuadrados de los errores.
/' 2 81 = cov ( X, Y ) / S x
y
"
• •
I I I I I '. I I I ¡
FRM
L----::---!:------:':----:l:------x x, Xl X, X.
Criterio de los cuadrados mínimos
MODELO DE REGRESION A TRAVES DEL ORIGEN
el intercepto no aparece
En este caso
0'2 = E el2 I (N· 1 )
B, = E X¡ Y1 I E X¡2
Nota: E el no necesariamente = O
23
24
Una vez obtenidos los estimadores de los m[nimos cuadrados, puede
ajustarse la regresión que posee las siguientes propiedades :
1. La línea de regresión pasa por los valores X • e I Y
;::::-2. El valor promedio de Y estimado ( Y ) es igual al valor promedio de
y observado ( Y )
3. El promedio de los residuos es O
4. Los residuos no están correlacionados con el valor predicho de
'" Y¡ (Y¡)
5. Los residuos no están correlacionados con Xi
PRECISION DE LOS ESTIMADORES DE CUADRADOS MINIMOS
Estadísticament~, precisión está asociada con error eslandar.
Var ( Bo) = [ 02 III 2 ] I ( N Il (X¡ - X )2 )
Var ( B1 ) = 02 I Il ( X¡ - X )2
Si Y = BI X
a 2 = Il el2 I ( N - 1 )
Var ( B1 ) = a2 I Il X¡2
Nota: Il el puede ser diferente de O
25
MODELO GENERADOR DE lOS DATOS , 1500 + 200llXl + 3JEX2 + :500lEU DONDE U SE HA GENERADO CON RANNOR
• •• L:·:.tJL _______ .....l.!·~·!...l_ X -'------------x O
(¡) ) O
Dingrama de los residuos estimados al cuadrado, contra X.
In e2 - ct + B In X¡ + Vi
Si B =1= O hay heteroscedasticidad
61
Correlación de rango de Spearman
r1 = 1 - 6 ABS ( 1J dl2
/ N (N2 - 1) )
di = rango X¡ - rango el
N = número de individuos
Calcular t., = (r.'¡ N - 2 ) / ,¡ 1 - r/
con N-2 grados de libertad
Si este valor de t., > t entonces hay heteroscedasticidad
Pruebas de BartleH, Cochran y Hartley
MEDIDAS REMEDIALES
v
Mínimos cuadrados ponderados
r
,} , t
/lit , I , r , I , , ,
rr T
I I I I I
I I 1 I I I I I 1
"----'-------''-------L-------.r
62
Minimiza la importancia de las observaciones extremas
ponderandolas por el enverso de su varianza
63
y* = I: W¡ Y¡ I I: W¡
La precisión se calcula a partir de :
Transformacion logaritmica ( log-Iog )
Reduce considerablemente el problema debido a los cambios de
escala que realiza.
Uso de deflactores
Calcular variables, dividiendo las originales por alguna medida de
JI tamaño JI.
Puede ser convertir los valores en unidad de área, por persona, por
unidad de producción, etc.
SUPUESTO 4
Falla frecuentemente en el caso de sistemas de ecuaciones produciendo
estimadores sesgados e inconsistentes o sea, que el sesgo no desaparece
aún cuando el tamaño de muestra crezca indefinidamente.
65
SUPUESTO ADICIONAL: SUPUESTO DE NORMALIDAD:
Antes:
U = O, varianza constante, perturbaciones no correlacionadas
Si el objetivo es estimación puntual : suficiente
Si lo es hacer inferencias y obtener intervalos de confianza entonces el
supuesto adiciona!
es de gran importancia
En estas condiciones los estimadores de mínimos cuadrados son:
insesgados
tienen varianza mínima (eficientes), sean los estimadores lineales
o no
66
Si aumenta el tamaño de la muestra convergen al valor poblacional
(consistentes)
y como siempre: -;;2 == íl e¡2 / ( N - 2 )
.: 67
Bajo el supuesto adicional de normalidad de los errores podemos establecer
la formulación general siguiente:
t«/2 = valor de t para nivel de signíficancia a/2 y N-2 grados de libertad
'" Pr [-t«/2 s: B, - B, s:. t«/2] = 1 - a
"" es (B, )
• •
PRUEBAS DE HIPOTESIS DE REGRESION LINEAL SIMPLE
8ajo el supuesto de normalidad, la variable
A .A.
t = ( 8 1 - BI ) / Es ( 8 1 )
sigue una distribución t con N-2 grados de libertad
La anteior constituye una prueba de hipótesis sobre los coeficientes de
regresión.
69
Si en una regresión lineal simple, B1 = O esto es :
La variable explicatoria no tiene influencia lineal en Y y toda la variación de
y se explica por los errores aleatorios U, , se espera que
se. debida a la regresión
grados de libertad = 1
s.e. residuos
grados de libertad = N-2
Además, si B1 =1= O, parte de la variación puede atribuirse a X, por lo tanto la
igualdad no se cumple.
Por lo tanto, la comparación de estos valores habla de la significancia de la
regresión.
suma de cuadrados explicada por la regresión F = ----------------
suma de cuadrados de residuos I ( N-2 )
sigue una distribución F con 1 y N-2 grados de libertad
NOTA: El cuadrado de t con N-K grados de libertad es un valor F con 1 y
N-K grados de libertad. Por lo tanto, en una regresión lineal simple estos
dos valores son un solo concepto.
70
PREDICCION MEDIA
Si a X se le asigna un valor, con la ayuda de los coeficientes de regresión
podemos hacer una predicción puntual del valor de Y.
El valor medio de una predicción es
y su varianza
regidos por una distribución" t " con N-2 grados de libertad.
Con estos elementos la construcción de intervalos de confianza es directa.
y
1i0
150
130
110-
90
70
Intervalo de confianza / para un }' prom.:dio /
/
/
---/'"
/ /
/' Intcr .. ;¡Jo de confianza paJa un y individual
o o':-L-L--J..----'-----'----'--"'---!--:...---.:..--"'---...L---J..-x I>U HO 100 1 :t) 1 ~O 1<>0 t I MI :UO ::0 :-10 :W
X
IlllcfYaltl! (handa5l d.: confianza pala el promedio de Y y para un Y irr~Uyidual
71
REGRESION LINEAL MULTIPLE
Generalizando lo visto anteriormente
Bo - intercepto
BI = coeficientes parciales de regresión
mide el cambio en el valor de Y por cambio de una unidad en X¡
manteniendo las demás constantes.
-!!!!! =
73
ESTIMACION
OBJETIVOS
Encontrar los valores de los parámetros desconocidos de tal manera que la
suma de residuos al cuadrado sea tan pequeña como sea posible.
Bajo este enfoque, las fórmulas de cálculo y las propiedades de los
estimadores son una extensión del caso de la regresión lineal simple.
74
CALIDAD DEL AJUSTE
Constituye básicamente una extensión del caso de la regresión lineal simple.
R2 o coeficiente de determinación múltiple representa la proporción de la
variabilidad de Y explicada conjuntamente por todas las X¡
R o coeficiente de correlación múltiple dará una medida de asociación lineal
entre Y y el conjunto de las X¡
R es un concepto de poca importancia, no asr R2
OBSERVACION
R2 es una función no decreciente del número de variables explicatorias, por
lo tanto suele calcularse el valor
R2 = 1 - [ :E el2
/ ( N-K) / :E ( YI - Y )2 / ( N - 1 ) ]
K = número de parámet,us incluyendo intercepto
N = número de datos
75
RELACION IMPORTANTE
USO:
R2 es útil para comparaciones, en ese caso Y debe ser la misma.
76
NOTAS ADICIONALES SOBRE R2
Si se requiere comparar R2 de un modelo lineal (original) con el de uno
linealizado (transformado) calcular así:
. RZ
o = 1 _ }.; ( y _ y )2 / }.; ( y _ y )2
para el transformado:
Generar los valores W y aplicar la transformación inversa para restituirlo a las
unidades originales. Con estos valores calcular R21
77
SUPUESTOS
Los mismos que en el caso de regresión lineal simple ( 1 a 4) Y el supuesto
de normalidad de U¡
SUPUESTO 5
No colinealidad
o sea:
no existe relación lineal exacta entre las variables explicatorias
No existen LI! ~ .... L., + O
tales que
Si la única forma posible es que L1 = ~ = ..... = L., = O
entonces son linealmente independientes.
Nota: Se refiere solo a relación lineal
78
VIOLACION DEL SUPUESTO
Si la colinealidad es perfecta los estimadores son indeterminados ( O/O ) Y
sus varianzas indefinidas ( (X2 / O = =)
Si la colinealidad es alta, los estimadores pueden obtenerse, pero la varianza
de ellos aumenta proporcionalmente al grado de colinealidad.
Esto causa dificultades para la estimación de intervalos de coanfianza y
pruebas de hipótesis.
Los coeficientes de regresión y sus errores estándar se vuelven muy
sensibles a pequeños cambios.
En presencia de multícolinealidad alta, se vuelve casi imposible separar los
efectos de las variables.
79
Si el objeto de la regresión es la predicción, la multicolínearidad, no es
problema serio, pues mientras más alto sea R2 mejor es la predicción,
siempre y cuando haya argumentos sólidos para pensar que esa situación
persiste en el futuro.
Si el objeto es la estimación de parámetros confiables, entonces si es
problema grave.
80
METODOS PARA DETECTARLA
1. Valor alto de R2
Ninguno o muy pocos coeficientes significativos (según prueba de t)
Aunque valores bajos de correlación ( X¡ X¡ )
NOTA: Si hay solo dos variables explicatorias, la correlación entre
Xl y X2 si sirve como indicador de colinealidad.
Si hay más de dos variables explicatorias, la correlación no es una
buena guia para detectar multicolinearidad.
81
MEDIDAS REMEDIALES
A veces se utiliza como solución, la eliminación de variables que estén
causando problemas. Esta solución a veces es peor que la enfermedad,
pues puede caerse en sesgo de espicífícación y con ello en estimaciones
sesgadas de los coeficientes.
Hay otras soluciones:
Regresión con componentes ortogonales y regresión de borde, que suelen
mitigar el efecto del problema.
82
INFERENCIA ESTADISTICA EN REGRESION LINEAL MULTIPLE
Por extensión del caso de la regresión lineal simple pueden construirse
intervalos de confianza y efectuarse pruebas de hipótesis.
El número de grados de libertad = N - K
La prueba F, mencionada anteriormente constituye una forma de verificar
significancia global
su nueva formulación es
F = (N - K ) s. de c. explicada / ( k-1 ) s. de c. de residuos
y tiene una distribución F con K-1 y N-K grados de libertad
K = número de parámetros a estimar, incluido el intercepto
83
RELACION ENTRE F, R2 Y t
F == O
F tiende a infinito
Si R2 aumenta F aumenta
F prueba global de la regresión de una prueba para R2
. R2 aumenta al incluir una variable si ella tiene un valor de t (en valor
absoluto) mayor que 1
84
R2
I i
BI
1. signifL todos significo Si los signos son correctos
posiblemente ya terminó su
, trabajo. i
2. signifi. algunos signif. Frecuentemente, sobre todo si
el número de variables es
grande. Se eliminan? Cuáles
eliminar?
3. signifi. ninguno Frecuente. Posible multicoli-
nearidad.
4: no todos signif. Escaso. Suelo presentarse si
las correlaciones (YI X¡ ) son
bajas y correl (X¡, )<)) < O
5. no algunos Buscar eliminar las variables
no significativas y revisar qué
puede faltar por incluir .
6. no I ninguno No insista
85
RESUMEN SOBRE VIOtACION DE SUPUESTOS
I Violación de supuesto
I Efecto
I 1. Incorrecta especificación
Omisión Sesgo
Inclusión de variables !
irrelevantes !
Ineficiencia ~~
2. COY ( U¡, Uj ) == O Ineficiencia, inestabilidad
Subestimación de las varianzas
3. Homoscedasticidad Ineficiencia, estimación falsa de
las varianzas
4. Cov ( U¡, ~) = O Sesgo
Inconsistencia
:
i
5. Colinearidad Varianza alta
!I Sensibilidad
BEHAR, G. R., 1990, Métodos para la validación de los supuestos del modelo de regresión. En Memorias del I Simposio de Estadística-Análisis de Regresión. Mayo 3i-Junio 2 de 1990. Universidad Nacional de Colombia.
DRAPER, N.A. And H. SMITH, 1981. "Applied regression Analysis" John Wiley and sonso New York.
FLURY B. And H. RIEDWYL, 1988, Multivariate Statistics, a practical approach. Chapman and Hall. London-New York. 126 pp.
GUJARATI, D., 1981. Econometría Básica Me Graw-Hil/ Latinoamericana S.A. Bogotá, Colombia.
HABER A, A.P. RUNYON, 1972. Estadística General. Fondo Educativo Interamericano S.A. Bogotá. 371 pp.
MADDALA, G.S., 1985. Econometría Mc Graw-HiII Latinoamericana SA Bogotá, Colombia.
PINDYCK A.S. y D.L. RUBINFELD, 1976. Econometric Models and Economic Forecasts. Mc Graw-Hill Koga Kusha Ud. Tokyo, Japón.
SHAO, S.P., 1975. Estadística para economistas y administradores de empresas. Henero Hermanos, SUCS., S.A. Mexico. 786 pp.
STEEL A.G.D., J.H. TORRIE, 1985. Bioestadística: Principios y Procedimientos 2a Ed., 1 a en español, Mc Graw-Hill Latinoamericana S.A. Bogotá, Colombia. 622 pp.
1.
).
, 1.
5.
6.
l.
9.
JI.
12.
13.
IILHlllNl I!l~ LlI UlI UGllllf I(IIS
flBRnlln!'1St. n.p.l. fln¡j n. S. LOllTfll.119711. On il .... ew lest 101 ,lUloconrlalion in leiJ\I squares re!jrI'Hiun. OIl't>1EIIIIKn. 5U. 55-6U.
ADJlflllflHSL n.r.s. flnd J. KOEnJS. 119711. Nl'UO p\lill!clur ~ 01 11isIUlhanc.e~ in legreBiun anaJ!.Iii~. J. Ilnn ~lilll~1. IlHOL (¡b. ¡ ,. 7-1.
Illl. M. '-1. II tJlj-ll. nll dllproui!lltl!ion lo 111t: I/uli UI~II¡{nIIIU(1 1I1l
poule! uf Ihe [Juloin-U!ohon. Slalislil5. UIUHlIlIlKll, 71. 253-261.
nHH·l!\'A. r. l1977L n nole on a helero¡eÚil,tn n¡¡ji]"L düiijihll o f [LOllUme I1 íu. 6. 30 5- 3 70.
flNUflEUlS. D.f. GNflNflOESIKflN n. Anó urnflNEIl. J. L. 119731. "Method~ tO! aHe'oll1g mulliuariate nOllllalillj" In: P. Il. vnICt, .. tnIO •• r~ .4 •••• ; •. -._; ..... ,.... .... _ ..... ,~ ....... "1 nr~ .. "",,,,,,,~;,,, n .. ·_...,,, t>.IIIJUI'uHnll tu. I....-HJltlUOfIOl~ 01101':1).'> llL f1l.aU~flHl. rle~3~
New York. Y5-11 tí. ANS[UHElL F.J. And J.W. TUKEV. (1967/. Topin in inuestiqalíon or
lineal leltlliofH. rilled tlll lile method or leosl sQuares. J. /10(/. Sto(is{ SOL 0-29. 1-29. Oi1Cu"ion 20)-52.
ANS[IlH!lE. / .• J. Ilnd J W. IUKE .... J ItJ63J. [Hamillill,Ofl1 ilud ani.llll~j~ nf resj¡luoh. le(/mornel';ts 5. 1-11-1 oU.
IIN~l.lJHUl. 1.,1. r 19611. EllilfllÍfl<ltiofl of I é\ltJUdl~. I'IOC ¡ ourlh Belkl!.'!) ~IJI!lII. tv1.111l S\i1!isl. 1'1 oh. 1. 1- ,,(,.
!:!flN!lfMt!f; 11. 114111 l. I'-le1tlOtls for (IH?lKlIllj ilHUfllptlOllS in retJle~\iO/l mOI!els. UIOI'-HIII? J. 23, -11 Y··12.'
UllfllHJ. 119371. "Prner \Ies uf suftitíenclj and st¿¡ti~li(ill lesls·. ProL n. ~oc. n. I GO, 2GB-2U2.
U 1111 N f. ll. (l. I I 9 7') 1. .. l' r n o tl tJ i!i t ti p J Illli n 9 Hl e 1Il(1 ¡j ~ () fl ¡j o r ti e I \1011\11(5·'. Ilppl. Statlsl. 2~. )'i lIJB.
UECKMIlN, 11. J. Ilnu TIlUS'íEl 1197·11. lite dhlrilJUllUn 01 illl
14.
15.
0(,1)(6 I 7.
10.
19.
20.
" L l.
22.
n. , . l. -..
2b.
n. 28.
29.
'í I}.
31,
32.
33.
34.
35.
~!hl,rflnf ,llIllpllfi7Prj rp~it1IlAI A/1I1 Ihp pllprl\ nI 1II11filfinn _ - -:::1 -"---- .. -;:-- ._-._-- --.- ... - _ .. __ .. _. -,..------:1 ... ~ ~.·I.~ ..... f ... y ..... ~""'" ... "'............. I n .............. _ c ...... ;"". n .............. t::n .no "lli 1(1 trlU tfJ.1lt' I t'yr e,'HtJfJ. t,J. 11111&: •• )tOU3ct. J1)')Vl.. Ü". , 'j~-L.U l.
BEIINKEN. U.W. lIild N.B. Uflflf'EfI 11972/. lIe~iúufll~ dUÓ thelf LI o r i íl U (e p u tt l' r Il \. Te ( 11110 lile Ir in I ·1. I nI - I I 1.
U!:NNlIL 0.,"1. 119ón. Use 01 IIalu¡.lIle-Slllílll test jl¡ elliHlIlIIllIg ¡ andornness of residuols. Hellon.26 No. 3-·t, ,- 3.
!:IIlUltlN, fU.: UUflBlo..¡ el. Ilnd HlflN'> J.H. 11975!. "le(!lIlillue" ilii ! P \ (ing Ihp (om t dl)( 'j 1) f 11r>IJI e~)IOf1 He!;:! jif)mhip~ l.!Loer limE''' luoilh !liHu~~ionl. Jaulnol of lile floyol stati~li(ill s (J (f e t Ij S e 1. Il. 5 '(. 1·1 9 - 1 92.
(UIIHllfIlS. J.~. W,). UH'ElIlNU, B. KU1N[R Ilnrt p.n. TUKE'/ 111J!J"'S1. 'jI aphícill Melltod~ lor doto Hnalysis. UUHUUI y pi ess. boston N.n. UIIlN. "<. N. 11I1IJ 1.1<. MIlK I t9fHI. lleleloHeuilstl1 '!IH)f in a
liueal IUllctiolliJllelatiollship. BIUHElIlIKIl 71. 212-.'1'). UlfIllEIlJlL S. I1l1lj n. I'llllf 11977U unP1l' p\swn ill"!"J\'~ lJl;
CUlIIIIIIN, \lI.u. II'HII.'llre dl~\IIUulí!J1l uf Ihr lilllJl'\¡ 01 d ,el Uf eslilllateó U6liilf1lflS as a Ittlctiun of Ilteil lolal". flnn F.lJllpníl ~ l Vllr!. 11. .. 17-52
UIOK. n.tI. IInrJ UlEI\IIEllu 11'}U'I1. Úl(lfjllUSUl> 101 twtelul('{ja\lilÍlu in !'?(jl e~~IOIl. [JIUI-1I:.lfllkll, 7U, 1-1 U.
COUK. n.u. filió ' .. l, T'Ifll II 9USI. fle~iúuats in llunllnE'iJl ¡eíl/essiuil. flIU~E7fll/(fL 72,23-29.
LOI!. tUL 1¡'),¡íJl. It!?llle\~ioll me!tw(J,. note, Uli ~rrllll' Ll\pell\ .' l' ,,·t:'!pc· .... •• " .. ·~j¡í~·I, In (',,,,.',''' (,,~'" t,,,,, ,-rt i..'H J' '{ c_.,n u' eYIC).>IUII fJIIUI'1}) u.tl. )\(J( ')( JUl.l'Uf. lJI ''fu. J. LV) r ';J
lti.
H.
.....
.JO.
0) 40.
-11.
-I2.
.-r /:1.: ,1
+1.
45.
..; f¡.
47.
49.
·.0 ..,,, .
50.
52.
54.
55.
C~ JU.
r:rlll .. I! 1.1 ROl! l!! \NF) ,_ f I Q711. no I.~~f. ~t~I.i.~nf:~ f:,:I.~I~I.':.I.~~ ~ ............... • ........ ..-t ..... l .. nlnt..ÁrTOlvn Cn C'nn en.t IfUIII ,elIUUQI). OIUI"'I(fnll',n JU, JO-'-J':1""1.
COll, O.R. And LJ. SNHl IIlJ6BJ. A general d!!finítion of resi¡Juo/s. .l. BOl] Statí~tic SOCo EJ-30. 2-.0-265. lIí:!Cuníun ¿(¡'j-275.
",or'HT"'o n n n~-' nrn"r" .. r r '19'2) "Tn'ls "or d"partuI'e u nUUlI11"fU. 0.0, fllfU rt.nlL)UI'Ij r • .). \ f • 1(;;> , e
110111 norrnallty. Empírical resuJls for Ihe Lli~lr¡bulions of b2 dll ..¡ b, U/OMOnIKA 60,613-622.
OflN 1 [L, C. find UJO(}[] II 98U 1 "F i t t.ing EqlJ<)UI)f\) 1.0 Q.)l (l" .John IIIfle'l dial $Ofl$. New York.
nEMI'SH L 11.1'.; r,nSKIHíl![[N M. !19UII. "Nelll lool~ 101 ii''>I¡JU,¡1 illialtj,ís". lile annills of slalíslío. Poi!) No. 5, íj·15-9SCJ.
DlJfHlIN, J. ¡linO). ílu allelllalille lo Ihe IJOl/nrts test for lestínl] fo! sellill correlllllon lea~t ~q[liJles leljleHlolI. Ecunolllelrico 30. -122-,129.
OUR01N, J. finó /J.S. WIlTSflN '1951 J. Test fOI sen.]1 (OITeldtilJll in leas\ SQlHne~ ler¡ression 11. BIOtv1EHIIKfI, 33, lS(}-1f3.
1- J O. Tlllnn'*,i I I ftll:tl\ ........ , ~ .... _ ",,~ ... ; .... I " ............... t ..... ; ..... ""' .............. __ ,,.._,; ..... "" uunOJ¡', {j. "':JU:1J. le~l ¡Uf ~t:'IIOI LU,lelollon JII ft:tjle~);JUII
ilnallJSIS IJd~e¡J on lile períorlgrom 01 leasl squdles resíUUdls. DIOHEfIllKfl 56. t 15.
HLfNOHIG, J.!!. f I 9731. lje joínt di~hibutioo ot lile sf¡lIIdilrdizerJ leasl H¡Uil/eS resirlui1ls from il generBI linear regreHion. J. flm slotist HHOC 60, 1J41-CJ-l3.
ENGLf 11902). "fluloreylessilJe condítional heleroscedilsticity wilh estirnales of lile uariilnce 01 united kingdorn íntlatíoo'. Economelticil 50,907-1lJ07.
EPPS. U1J. fiad l'-1.L EPrS 119771. Tlw robll!.ln¡¡u ot ~Ilm¡;. ,. • _ ""'" ,,-4 ...... -..-4 ,. "" .... ,. ~ ,... ",' ...... , .... ., "" ~ ...... t -.. ,¡. :,...... ._ .... ...f ~, ..... , ;".,.. ... '" ., ..... ~ .. -.. ~ ,~ ...... 1 t tlll U a I u 1 t:' ) t I U I o U tUL U J I t: I a ti u JI \JII U U t: l t: fU') l e u o ~ t HA ty IJIllen uoth prolJlellls ole ¡lIesent. [(onomellíca, 47, ",110 1 f n LU':1-LIH.
t!!!l!:!J!!Of!!E!l, fl.W. {i 9791. 1: fllOUjJIIlIJ lest fOI rniss[lecificotíOIl5. Econornelríco, 47, 20C) 21 u.
HUEIl, 1'.1. ¡ 19741. "fírJplmul lechniQlles in statistícol data d(¡,illl~¡S-t()ol> fUI eHlrilttillt¡ ill!OIIll<llioll 110m !Ialu". lechnofJIetllC'í.. I tí. 2n7-29!J.
normal snfTlples 01 r;lea..".tH!H 01 úeih111ure 110m flOllllillítlJ". Proc. floy SOCo n, 13U-1 JO.
S7.
58.
59.
60.
61.
C:~ UL.
63.
64.
65.
68.
69.
7U.
71.
72.
73.
74,
75.
llJ.
77.
16.
-'0 , 'j,
30.
GllLE, UUl. Hnó f'r!EGIBON, O. 119031. fin eBpert ~t¡stell1 for rEíji eSSiUii ail¡;lysis. Cüm¡.;ul Er ,tiEílte anu s til fi511c s: Prar. 1 ~ tll. SymposiulI1 on tilp interface edited by Ilemer. Silther.
. olld W¡IIdll,oll. 5prínQer llerlog. N.Y. lilllPIN, J.S. flnd U.M. HIIWKINS (1984/ lhe use 01 I ['(Uniue
re~iduol~ in rl1ecldng model fiI in lineol regression. fino stoti\t 39. 94-1U5.
lUnNl Y. '.tII. flnd (iUllfnc,[, LlI. I 19B51'lJst:' of Ihe cOITelalion loelliuenl IJIlth normal probilbllílll plol s, Ihe IlmencaIl ~1<1t!~II(ldn 3lJ. 75 79.
lO'l'N[ 'l. n.M. II'J('91. Un (011 on ')nelr~ I¡enel ól Iletiliull 01 re)ltludls, .Lltn!j ~IJtí~I ~()C U-ji, 111) ¡ti!.
~1flli[, fU. 11 IJU21. 'fin 00 jetille !Jrophi( al 11Iellrods lor lesling , llOlrnéllitlJ. OistnhutlOllol ilssurnplions, llslIlg prolJabilillJ
plols", lhe Am. SIa!. 56, 116-120. MIIlKl1I11L11. J.F. Illld nflrl. n,f]. 11973I.·ún tests tor
Illtlllil!tl! iilte nor rnalittj" J. Am. ':ltdl. f1s~o(. 6A, 176- 179. MnOOllJ. IUI. I f 9801. Test for uflilHlIiate (lnd fTlUltillilriate
PIlIUIPS. {j.lI.Il. ¡¡nI! IHlnliE'/, A.e. {19741 "fl simple le,1 for ~erjal conelaliun in flegreHion allall1sis" Joumal of Ihe Americon Stt1ti~ti((Jf tlssotiolion 69. 935-939.
PIlEGlllON. [JAflYL IllJB3l. "Cornent(jno~ al ortitulo de PAGflN V 1I11L.l119(l'S1 235- 339.
PUnEn. J. 119671 [JllhollOI mal bases 01 en 11/ <,pa( es JflÚ Illel/ u~e fOI inllPstítlillinQ Ihe normalily ane ¡¡afiaíiCe oí reslduals. J. flrn ~ atisf f1SS0c. 62. 1l/22-1 l/3o,
IlflM SE \' .• 1.0. 11969/ lest fo! specifi(aliull e!Jors in (lil~si(ill IIne,H leilSl-,qtJdles I!~ljlessíon antllr¡SIS, J. lIuy \lJt!<.t ~o( B-31,350-';71.
nflHHY .• LU, 11 9U31 "(ornelll[Hi()~ di ¡llllUllo de PlthllN Y flflll
n 11 i'J (11 l ." 11, 11. I I oJ!H l. O 11 I e s 1 s iJ P P 1I e d \u I l' SI' 1 u d h. ,111 '> 11. 79, )-19 35-1.
RilO. LH. 119731, "llllP.cJr) totis tical inl el eíll e onú Ih " r p I í ( (J t ion ~. <'" d. [(1. II f 1I e IJ . .... e w l' () r k .
S e 11 o I l, I L I I \) 'í f) 1. . ¡ 11 e ti n illlp í s n ( ti J lId 11 ( El" .j () 1111 111 iI e lJ BIl d 'Oll~. :"PliJ ','011:.
104,
105,
1 U6.
, 07.
108.
109.
11 U.
I I 1.
, 12.
113.
I 15.
117.
I I O.
1 19.
120.
121.
122.
, 23.
125.
SEII~I,~~ .•. s,n. \ 19711. "linear rnodels" John Wiley and ~uns, NeUJ T Uf ".
SEBE!! r.;.fU f 1 Q77t,'Unel'll Regression anolysis ", John Uf;ley ilIHI <;nn~."Ptl' 'r o 11' ,
SNEE. n.u, f 1977/. llolidalion of regression model~: Hrlhod~ (lIlÓ eHumllles. rNhno!lletli(~. 19. -115-420. le(hnolllrtlt(~. 1~. 450-·D7,
SNEE, n.o. 1197!:, "note un lile use af residuals for '::'Hdmilllllll fhe d'iurf!¡JlíOIl5 oí (Ollalitlllet? analgsis. -
Sapflf"'S. "'HU!. 11;17--11. 'Eur ~lati~lj(~ tOI g!lndl.llPH al tit <lllrJ
~OH)t? (ornp;:n 1 ~ ni",;" vnüi nü~ '01 oín~i ii un ;: ti t, ') iiLÜ: iHsutiatiun·. oí!. 73U-73 7.
'iZ0E1HI. J. Il97!)!. n (Ioss of pürmIletlH lest 101 lJete/flHeda~tility ¡nlineol ecoJlomj( /IIoúel~, hUflOmel!i!<1. 16,1311 /327.
lllEIL. H. 11 9651.'1111' aflt]ly~is of UístUl biHH es ill ¡leyl eS\lOfl analtjsis" Joulllal of lile ameliLilll slatislital f1ssociüliol1. 60.1U67-1079.
111 E Il, 11. l' 9 7 1 l. PI í Il ( í pie s o f E ( o no lJl e 1I i ( s " Jo h n W í I e lJ ¡) Il tJ \ons. NeUJ ','01 k.
HIEllo 11. Rlld r-.flGflfl 119611. "iestíng Ihe indepelldellly 01 leqlp.s<;wfl r1isturuillHes" J. 11m Slo\. aHOC, 56, 7Q'7., BOb.
11'1\/tI1 ,. { ,. n-''l'l T ........ ~ ....... ... 1' ; •••• ; .. ;" •• .-, ""##,.."'., ~ ............ 4, ..... 1 ... ~ UJUUU, r. ,. (t ':j t JI. flit= fJ't: Uf IlrUfl1tUU(J1 er It"l ') ·jll''': f ~:)IUljnl,} II}
ti t f ¡ n!l p n 11 il I in n" ! n 11 ill n. 1 PI h n n 111 P 1I i f ~, 1 ':i, fj 7 7 I} 1.)5, 2'¡')Kl~ÚJ rJ.-fl!~d P~fl.·J¡Ú!Ñ5iüN ií973i' iJ-n a zelu Il?siÚUi11s SUIIl il! refJle~,ioll. 11m 'ltutt\\ 21,·13 .J4.