UNIVERSIDAD NACIONAL DE TUCUMAN
Facultad de Ciencias Económicas
Instituto de Investigaciones Económicas
Prof. Adjunto Carolina Ortega
MODELO LINEAL SIMPLE
Mínimos Cuadrados Ordinarios (MCO)
El modelo de regresión lineal simple es:
𝑌! = 𝛼 + 𝛽𝑋! + 𝑢!
Donde 𝑖 = 1, … , 𝑛 identifica cada observación, y 𝑢! es el término de error.
Supuestos del modelo
1) Linealidad y estabilidad de los parámetros.
2) Muestra aleatoria, independiente e idénticamente distribuida.
3) Variación en X. Luego la extenderemos a la no multicolinealidad.
4) Propiedades de los 𝑢! (aleatorio)
a. 𝐸(𝑢! |𝑋! ) = 0 no simultaneidad, X es exógeno.
b. 𝐸[ 𝑢! − 𝐸(𝑢! ) ]" = 𝐸(𝑢! ) " = 𝜎#"! = 𝜎#" ∀𝑖 (homocedasticidad).
c. 𝐸8 [𝑢! − 𝐸(𝑢! )]9𝑢$ − 𝐸:𝑢$ ;<= = 𝐸:𝑢! 𝑢$ ; = 0 ∀𝑖 ≠ 𝑗 (no autocorrelación).
Agregamos además que n > 2 (tiene que ver con la cantidad de parámetros).
Uso de los supuestos del modelo de regresión lineal simple
Estimadores Gauss-Markov Todo lo
Para plantear el anterior con
modelo por MCO
insesgados y Estimadores por muestras
necestiamos MCO eficientes pequeñas
consistentes
3) 1) Linealidad 1) Linealidad 1) Linealidad
Variabilidad en los en los en los
en X parámetros parámetros parámetros
2) Muestreo 2) Muestreo 2) Muestreo
aleatorio aleatorio aleatorio
3) 3) 3)
Variabilidad Variabilidad Variabilidad
en X en X en X
4) E(u|X)=0 4) E(u|X)=0 4) E(u|X)=0
5) 5)
Homocedastic Homocedastic
idad idad
6)
Normalidad
en los errores
1
UNIVERSIDAD NACIONAL DE TUCUMAN
Facultad de Ciencias Económicas
Instituto de Investigaciones Económicas
Estimadores
@ 𝑒!" = @(𝑌! − HI
𝑃𝑟𝑒𝑑𝑖𝑐𝑡𝑜𝑟
IIIJIII 𝑑𝑒
IK𝑌)" = @(𝑌! − 𝐸(𝑌! |𝑋! ))" = @(𝑌! − 𝛼L − 𝛽M𝑋! )"
%&! '( , -!
) *+
Para muchos problemas el mejor predictor de Y es 𝐸(𝑌! |𝑋! )
𝐸(𝑌! ) = 𝛼 + 𝛽𝑋! + 𝐸(𝑢! ) = 𝛼 + 𝛽𝑋! , ya que 𝐸(𝑢! ) = 0
Consideremos que:
@ 𝑒!" = @(𝑌! − 𝛼L − 𝛽M𝑋! )" = 𝑓:𝛼L, 𝛽M;
𝛼L y 𝛽M deben entrar en forma lineal para que sean sencillas de resolver.
Minimizando la suma de los residuos al cuadrado obtendremos los estimadores de 𝛼 y 𝛽 de MCO:
.
min S = @(𝑌! − 𝑎 − 𝑏𝑋! )"
!'/
Comenzamos derivando esta expresión con respecto a 𝑎 e igualando a 0:
.
𝑑𝑆
= 2 @(𝑌! − 𝑎 − 𝑏𝑋! )(−1) = 0
𝑑𝑎
!'/
Acomodando la expresión obtenemos:
. .
𝑑𝑆
= @ 𝑌! − 𝑛𝑎 − 𝑏 @ 𝑋! = 0 Þ 𝛼L = 𝑌W − 𝛽M𝑋W
𝑑𝑎
!'/ !'/
Derivando con respecto a 𝑏 e igualando a 0:
.
𝑑𝑆
= 2 @(𝑌! − 𝑎 − 𝑏𝑋! )(−𝑋! ) = 0
𝑑𝑏
!'/
Acomodando la expresión:
. . .
𝑑𝑆
= @ 𝑌! 𝑋! − 𝛼L @ 𝑋! − 𝛽M @ 𝑋!" = 0
𝑑𝑏
!'/ !'/ !'/
Reemplazando 𝛼L por 𝑌W − 𝛽M𝑋W obtenemos:
. . . .
@ 𝑌! 𝑋! − 𝑌W @ 𝑋! = 𝛽M @ 𝑋!" − 𝛽M𝑋W @ 𝑋!
!'/ !'/ !'/ !'/
Considerando que ∑.!'/ 𝑋! = 𝑛𝑋W, tenemos que:
. .
WWWW = 𝛽M Y@ 𝑋!" − 𝑛𝑋W " Z
@ 𝑌! 𝑋! − 𝑛𝑋𝑌
!'/ !'/
Por último,
2
UNIVERSIDAD NACIONAL DE TUCUMAN
Facultad de Ciencias Económicas
Instituto de Investigaciones Económicas
∑.!'/(𝑋! − 𝑋W)(𝑌! − 𝑌W) ∑ 𝑥! 𝑦! ∑ 𝑥! 𝑌!
𝛽M = = = = @ 𝑤! 𝑌!
∑.!'/(𝑋! − 𝑋W)" ∑ 𝑥!" ∑ 𝑥!"
Donde 𝑤! es constante porque las X son exógenas.
Se observa cómo 𝛽M = 𝑓(𝑌! ) es una función lineal en 𝑌! , de ahí que 𝛽M es un estimador lineal.
Condiciones para que el estimador sea insesgado:
∑ 𝑥!
@ 𝑤! = =0
∑ 𝑥!"
∑ 𝑥! 𝑋!
@ 𝑤! 𝑋! = =1
∑ 𝑥!"
Considerando la última expresión obtenida para 𝛽M, podemos reexpresarlo en función del
parámetro poblacional 𝛽 de la siguiente manera:
𝛽M = @ 𝑤! 𝑌! = @ 𝑤! (𝛼 + 𝛽𝑋! + 𝑢! ) = 𝛼 @ 𝑤! + 𝛽 @ 𝑤! 𝑋! + @ 𝑤! 𝑢! =
= 𝛽 + @ 𝑤! 𝑢!
Propiedades del método
a) Propiedades para muestra finita: se piden propiedades de los momentos de la distribución.
• Insesgado: Para que un estimador sea insesgado, el valor esperado del mismo para todas las
muestras posibles debe ser igual al parámetro que estima.
Si se cumplen los supuestos necesarios, entonces 𝐸:𝛽M; = 𝛽, es decir, el estimador de 𝛽 por
MCO es insesgado. Si este no fuera el caso, entonces 𝐸:𝛽M; = 𝛽 + 𝑠𝑒𝑠𝑔𝑜.
Demostramos que 𝛽M es un estimador insesgado de 𝛽:
Se sabe que:
∑.!'/(𝑋! − 𝑋W) 𝑢!
𝛽M = 𝛽 +
∑.!'/(𝑋! − 𝑋W)"
Como ∑.!'/(𝑋! − 𝑋W)" y ∑.!'/(𝑋! − 𝑋W) son funciones sólo de las 𝑋! , no son aleatorias bajo el
condicionamiento. Por lo tanto,
.
∑. (𝑋! − 𝑋W) 𝑢! 1
𝐸:𝛽M ; = 𝛽 + 𝐸 ` !'/ a = 𝛽 + @ 𝐸((𝑋! − 𝑋W)𝑢! )
∑!'/(𝑋! − 𝑋W)
. " ∑!'/(𝑋! − 𝑋W )"
.
!'/
.
1
=𝛽+ @(𝑋! − 𝑋W)𝐸(𝑢! ) = 𝛽
∑.!'/(𝑋! − 𝑋W)"
!'/
En este punto es importante notar que 𝛽M será un estimador insesgado solo si 𝐸(𝑢! |𝑋! ) = 0.
Es posible demostrar también que el estimador 𝛼L es insesgado:
Partimos del hecho que 𝛼L = 𝑌W − 𝛽M𝑋W. Reemplazamos 𝑌W por 𝛼 + 𝛽𝑋W + 𝑢W. Al hacerlo se obtiene:
3
UNIVERSIDAD NACIONAL DE TUCUMAN
Facultad de Ciencias Económicas
Instituto de Investigaciones Económicas
𝛼L = 𝛼 + :𝛽 − 𝛽M;𝑋W + 𝑢W
Tomando valor esperado en ambos miembros se obtiene:
𝐸(𝛼L) = 𝛼 + 𝐸9:𝛽 − 𝛽M ;𝑋W< + 𝐸(𝑢W) = 𝛼 + 𝐸9:𝛽 − 𝛽M;𝑋W<
Como 𝐸:𝛽M ; = 𝛽, entonces, 𝐸(𝛼L) = 𝛼.
• Eficiente: Si se cumplen los supuestos necesarios, MCO produce estimadores eficientes.
Probamos a continuación dicha propiedad.
Dentro de los ELI buscamos el mejor (BLUE o MELI). Para ello consideremos un estimador 𝛽c
tal que:
𝛽c = @ 𝑐! 𝑌! @ 𝑐! = 0 @ 𝑐! 𝑋! = 1
La varianza de dicho estimador está dada por:
"
"
𝑉:𝛽c ; = 𝐸 e:𝛽c − 𝛽; f = 𝐸 gh@ 𝑐! 𝑢! i j
= 𝐸(@ 𝑐!" 𝑢!" ) + 𝐸(@ @ 𝑐! 𝑐$ 𝑢! 𝑢$ ) = 𝜎 " @ 𝑐!"
HIIJIIK
! $
!=$ 0ó23#45 78.8254 9525 :;<
Si nuestro objetivo es obtener un estimador lineal para 𝛽 que sea además el de menor varianza
dentro de los insesgados, debemos encontrar la ponderación que minimice la varianza del
estimador. Por lo tanto,
. . .
min @ 𝑐!" 𝑠. 𝑎. @ 𝑐! = 0 , @ 𝑐! 𝑋! = 1
!'/ !'/ !'/
Las restricciones vienen dadas porque por hipótesis el estimador de 𝛽 es lineal e insesgado.
Si armamos el lagrangiano obtendremos:
. .
ℒ= @ 𝑐!" + l Y1 − @ 𝑐! 𝑋! Z
!'/ !'/
Las condiciones de primer orden son:
l
2𝑐! − l𝑋! = 0 Þ 𝑐! = 𝑋!
2
Expresando lo anterior en sumatoria obtenemos:
. .
l
@ 𝑐! = @ 𝑋!
2
!'/ !'/
Multiplicando ambos miembros por 𝑋! :
. .
l
@ 𝑐! 𝑋! = @ 𝑋!"
2
!'/ !'/
4
UNIVERSIDAD NACIONAL DE TUCUMAN
Facultad de Ciencias Económicas
Instituto de Investigaciones Económicas
Como ∑.!'/ 𝑐! 𝑋! = 1, entonces:
2
l=
∑.!'/ 𝑋!"
l
Reemplazando l en 𝑐! = " 𝑥! conseguimos:
𝑋!
𝑐! = = 𝑤!
∑!'/ 𝑋!"
.
Por lo tanto, la ponderación que minimiza la varianza del estimador de 𝛽 es 𝑤! . Entonces, 𝛽M =
∑.!'/ 𝑤! 𝑌! es el Mejor Estimador Lineal Insesgado de 𝛽, ya que cumple con la propiedad de
eficiencia.
>!
Si consideramos que 𝑉𝑎𝑟:𝛽M ; = s" ∑.!'/ 𝑐!" , entonces reemplazando 𝑐! por ∑# " = 𝑤! se
!$% >!
obtiene:
"
𝑥! ∑ 𝑥!" s"
𝑉𝑎𝑟:𝛽M; = @ ` . a s"
= s"
=
∑!'/ 𝑥!" :∑ 𝑥 " ;
" ∑ 𝑥!"
!
Error medio cuadrático mínimo
Consideremos un estimador 𝛽c que no cumple con la propiedad de insesgadez. 𝛽c es tal que 𝑉:𝛽c; <
𝑉:𝛽M ;.
Se define al error cuadrático medio para 𝛽c como 𝐸𝐶𝑀 = 𝐸(𝛽c − 𝛽)" .
" "
𝐸:𝛽c − 𝛽; = 𝐸89𝛽c − 𝐸:𝛽c;< + 9𝐸:𝛽c; − 𝛽<=
" "
= 𝐸9𝛽c − 𝐸:𝛽c;< + 9𝐸:𝛽c; − 𝛽< + 2𝐸89𝛽c − 𝐸:𝛽c;<9𝐸:𝛽c ; − 𝛽<=
Como 2𝐸89𝛽c − 𝐸:𝛽c ;<9𝐸:𝛽c; − 𝛽<= = 0, entonces
" "
𝐸:𝛽c − 𝛽; = 𝐸[𝛽c − 𝐸:𝛽c;]" + 9𝐸:𝛽c; − 𝛽<
Se observa que podemos expresar al ECM como la suma de dos términos. 𝑉:𝛽c ; = 𝐸[𝛽c − 𝐸:𝛽c;]" ,
"
y 𝑆𝑒𝑠𝑔𝑜" = 9𝐸:𝛽c ; − 𝛽< .
En MCO, 𝐸𝐶𝑀 = 𝑉:𝛽M ; + 𝑠𝑒𝑠𝑔𝑜
HIJIK" = 𝑉:𝛽M ;
@
Busco que 𝑉:𝛽c ; + 𝑠𝑒𝑠𝑔𝑜" < 𝑉:𝛽M ; + 𝑠𝑒𝑠𝑔𝑜
HIJIK"
@
No utilizo un estimador sesgado cuando a medida que la muestra aumenta no tiende a ser
insesgado (no consistente).
b) Muestra grande: 𝑛 → ∞: Propiedades asintóticas
Consistencia: Se pide que el estimador del parámetro sea insesgado a medida que el tamaño de
la muestra → ∞. (𝑝𝑙𝑖𝑚𝛽M = 𝛽).
5
UNIVERSIDAD NACIONAL DE TUCUMAN
Facultad de Ciencias Económicas
Instituto de Investigaciones Económicas
La consistencia implica lo siguiente: Sea 𝛽M el estimador de MCO de 𝛽. Para cada tamaño de
muestra 𝑛, 𝛽M tiene una distribución de probabilidad. Como 𝛽M es, si se cumplen los supuestos
necesarios, un estimador insesgado, la media de la distribución es 𝛽. Si este estimador es
consistente, entonces a medida que el tamaño de muestra aumente, la distribución de 𝛽M se
estrechará cada vez más en torno a 𝛽. A medida que 𝑛 tiende a infinito, la distribución de 𝛽M
colapsa hacia un solo punto, 𝛽.
Por lo tanto, si un estimador 𝛽M es insesgado y 𝑉:𝛽M; → 0 a medida que 𝑛 → ∞ ⇒ el estimador 𝛽M
es consistente
𝜎 " /𝑛
𝑉:𝛽M; = → 0 𝑐𝑢𝑎𝑛𝑑𝑜 𝑛 → ∞
∑ 𝑥!" /𝑛
∑ >!"
Suponemos que .
⇒ 𝑆- constante.
El método de MCO produce estimadores consistentes. También se puede demostrar que los
mismos son asintóticamente eficiente ⇒ a medida que 𝑛 → ∞ la varianza asintótica MCO tiende
a ser la menor.
Criterios de convergencia: Ley de los grandes números
1) 𝑃:w𝛽M − 𝛽w < 𝜀; → 1 𝑐𝑢𝑎𝑛𝑑𝑜 𝑛 → ∞
2) 𝑃:w𝛽M − 𝛽w > 𝜀; → 0 𝑐𝑢𝑎𝑛𝑑𝑜 𝑛 → ∞
MCO: Tests de Hipótesis
Test t
Dentro de la gran variedad de pruebas de hipótesis que podemos hacer, la que más suele interesar
es la de contrastar 𝐻@ : 𝛽 = 0 con 𝐻/ : 𝛽 ≠ 0. Nos interesa testear si 𝛽 es estadísticamente distinto
de 0 o no, es decir, si X tiene algún efecto en Y o no. Por lo tanto, planteamos: 𝐻@ : 𝛽 = 0 vs.
𝐻/ : 𝛽 ≠ 0.
El estadístico de prueba es:
𝛽M − 0 𝛽M
𝑇= = ~𝑡.A"
𝜎+,
𝜎# /|∑ 𝑥!"
La distribución t depende de los grados de libertad.
Donde 𝑢! 𝑠𝑜𝑛 𝑛𝑜𝑟𝑚𝑎𝑙𝑒𝑠 (0, 𝜎 " ). Como suponemos que los 𝑢 son normales ⇒ 𝛽M se distribuye
exactamente como una normal.
𝜎" 𝜎"
𝛽M → 𝐷:𝛽M; = 𝑁 `𝛽, a ⇒ M − 𝛽; = 𝑁 `0,
𝐷:𝛽 a
∑ 𝑥" ∑ 𝑥"
Relación entre 𝒆𝒊 y 𝒖𝒊
‚C = 𝛼 + 𝛽𝑋! + 𝑢! − 𝛼L − 𝛽M𝑋! = (𝛼 − 𝛼L) + (𝛽 − 𝛽M)𝑋! + 𝑢!
𝑒! = 𝑌! − 𝑌
Vemos como 𝑒! = 𝑓(𝑢! ) es una función lineal ∴ hay un cierto parentesco entre 𝑒! y 𝑢! .
6
UNIVERSIDAD NACIONAL DE TUCUMAN
Facultad de Ciencias Económicas
Instituto de Investigaciones Económicas
𝐸(𝑒! ) = 0 Solo esto es cierto
𝐸:𝑒!" ; = 𝜎 " No es cierto
𝐸:𝑒! 𝑒$ ; = 0 No es cierto
Los errores no están correlacionados, pero los residuos si por construcción.
A continuación probamos que el estimador de la varianza del error es insesgado. Es decir,
𝐸(𝑆 " ) = 𝜎 " .
Consideremos la suma de los residuos al cuadrado:
. . .
"
@ 𝑒!" = @(𝑌! − 𝛼L − 𝛽M𝑋! ) = @:𝛼 + 𝛽𝑋! + 𝑢! − 𝛼L − 𝛽M𝑋! ;
"
!'/ !'/ !'/
.
"
= @9(𝛼 − 𝛼L) + 𝑋! :𝛽 − 𝛽M ; + 𝑢! <
!'/
Tomando valor esperado en la última expresión se obtiene:
. .
"
𝐸 Y@ 𝑒!" Z = 𝐸 Y@9(𝛼 − 𝛼L) + 𝑋! :𝛽 − 𝛽M ; + 𝑢! < Z = (𝑛 − 2)s"#
!'/ !'/
∑# "
!$% 8!
Por lo tanto, 𝐸 h .A"
i = 𝐸(𝑆 " ) = s" . Así, el estimador de la varianza del error (el ESR al
cuadrado) es insesgado.
De esto se deduce que:
∑ 𝑒!"
𝐸` a ≠ 𝜎#"
𝑛
Dado lo que encontramos, podemos escribir:
𝛽M ∑ 𝑒!"
𝑇D = 𝑠 ~𝑡.A" ; 𝑠 = … ;
𝑛−2
|∑ 𝑥!"
𝐸:𝛽M, 𝑠; = 0 𝑒𝑠 𝑑𝑒𝑐𝑖𝑟, 𝛽M 𝑦 𝑠 𝑠𝑜𝑛 𝑖𝑛𝑑𝑒𝑝𝑒𝑛𝑑𝑖𝑒𝑛𝑡𝑒𝑠
Para usar la distribución normal tomo un 𝑛 grande.
∑ 𝑒!"
𝜎L#" = 𝑠 " = 𝐸(𝑠 " ) = 𝜎 " 𝑝𝑎𝑟𝑎 𝑚𝑢𝑒𝑠𝑡𝑟𝑎 𝑝𝑒𝑞𝑢𝑒ñ𝑎
𝑛−2
"
∑ 𝑒!"
𝜎L = 𝑝𝑎𝑟𝑎 𝑚𝑢𝑒𝑠𝑡𝑟𝑎 𝑔𝑟𝑎𝑛𝑑𝑒
𝑛
Intervalos de confianza para 𝜷
Si la distribución muestral de un estimador es normal para un tamaño de muestra lo
suficientemente grande, se puede construir un intervalo de confianza del 1-a% dado por
7
UNIVERSIDAD NACIONAL DE TUCUMAN
Facultad de Ciencias Económicas
Instituto de Investigaciones Económicas
𝛽M − 𝛽@
𝑃 `−𝑡a⁄",.A" ≤ ≤ 𝑡a⁄",.A" a = 1 − a
Š :𝛽M;
𝑆𝐸
𝑃 h𝛽M − 𝑡a⁄",.A" 𝑆𝐸
Š :𝛽M; ≤ 𝛽 ≤ 𝛽M + 𝑡a⁄",.A" 𝑆𝐸
Š :𝛽M;i = 1 − a
𝛽M ± 𝑡a⁄",.A" 𝑆𝐸
Š :𝛽M;
Si 0 no pertenece al intervalo de confianza para 𝛽, entonces podemos rechazar la hipótesis nula
que dice que 𝛽 = 0 con un nivel de significación del a%.
Test F
Si bien el test F se vuelve más útil cuando consideramos un modelo de regresión lineal con más
de una variable independiente, en el modelo de RLS podemos utilizarlo como una alternativa al
test t para probar la significancia de la variable independiente. Para hacerlo, regresamos Y en X
bajo la hipótesis nula 𝐻@ : 𝛽 = 0. El modelo bajo 𝐻@ es, entonces, 𝑌! = 𝛼 + 𝑢! , donde 𝛼L = 𝑌Œ; 𝑌Œ =
𝑌W y 𝑒!∗ = 𝑌! − 𝑌W = 𝑦.
Por lo tanto, ∑ 𝑒!"∗ = ∑ 𝑦!" . (𝑛 − 1) grados de libertad.
∑ 𝑦!" mide la variabilidad total de la variable dependiente.
Luego, corremos la regresión de Y en X bajo la hipótesis alternativa 𝐻/ : 𝛽 ≠ 0. El modelo es,
entonces, 𝑌! = 𝛼 + 𝛽𝑋! + 𝑢! .
Al calcular ∑ 𝑒!" (𝑛 − 2 grados de libertad), notaremos que ∑ 𝑒!" ≤ ∑ 𝑒!"∗ . Esto se debe a que a
medida que vamos agregando variables, la suma de los residuos al cuadrado debe bajar.
Podemos usar este hecho para probar la significancia de X en el modelo. La lógica que se sigue
es que, si X es significativa, la suma de los errores al cuadrado del modelo que incluye dicha
variable debe ser significativamente más chica que la del modelo que no la incluye. El estadístico
F capta esta idea:
/
:∑ 𝑦!" − " Ž• •••••• •••
∑ 𝑒! ;⁄[(𝑛 − 1) − (𝑛 −•‘
2)] (∑ 𝑦!" − ∑ 𝑒!" )
𝐹(1, 𝑛 − 2) = " =
∑ 𝑒! ⁄(𝑛 − 2) ∑ 𝑒!" /(𝑛 − 2)
El numerador y el denominador se distribuyen como 𝜒 " y son independientes.
Si F es grande, se rechazará 𝐻@ .
Se puede probar que el estadístico F para un modelo de RLS es igual al cuadrado del estadístico
T.
Se sabe que el estadístico T bajo 𝐻@ : 𝛽 = 0 es:
𝛽M 𝛽M" ∑ 𝑥!" (∑ 𝑦!" − ∑ 𝑒!" )
𝑇= ⇒ 𝑇" = = = 𝐹(1, 𝑛 − 2)
∑ 𝑒!" /(𝑛 − 2) ∑ 𝑒!" /(𝑛 − 2)
∑ 𝑒!"
…` ∑ "
𝑛 − 2a / 𝑥!
"
Podemos además expresar al estadístico F como una función de 𝑟%- (coeficiente de
determinación). Para ello consideramos:
8
UNIVERSIDAD NACIONAL DE TUCUMAN
Facultad de Ciencias Económicas
Instituto de Investigaciones Económicas
∑ 𝑦!" − ∑ 𝑒!" 1 − ∑ 𝑒!" ⁄∑ 𝑦!"
𝐹(1, 𝑛 − 2) = (𝑛 − 2) = (𝑛 − 2)
∑ 𝑒!" ∑ 𝑒!" ⁄∑ 𝑦!"
Además,
"
∑ 𝑒!"
𝑟%- =1−
∑ 𝑦!"
Indica cuánto me ayuda X para explicar la variabilidad de Y. Fluctúa entre 0 y 1.
Por lo tanto,
"
𝑟%-
𝐹= "
(𝑛 − 2) = 𝑡 "
1 − 𝑟%-
𝑆𝑖 𝑟 " = 0 → @ 𝑒!" = @ 𝑦!" → 𝑋 𝑛𝑜 𝑒𝑥𝑝𝑙𝑖𝑐𝑎 𝑛𝑎𝑑𝑎
Coeficiente de correlación lineal de Pearson
𝜎>H
𝜌(𝑋, 𝑌) =
𝜎> 𝜎H
Si x e y son independientes → 𝜌 = 0.
∑ 𝑥! 𝑦! ⁄𝑛
𝜌L%- = 𝑟%- = 𝐸(𝑟%- ) ≠ 𝜌 ⇒ 𝑛𝑜 𝑒𝑠 𝑖𝑛𝑠𝑒𝑠𝑔𝑎𝑑𝑜
" "
|∑ 𝑥! ∑ 𝑦!
𝑛 𝑛
Sabemos además que
"
(∑ 𝑥𝑦)" 𝛽M" ∑ 𝑥 " ∑ 𝑦!" − ∑ 𝑒!" ∑ 𝑒!"
𝑟%- = = = = 1 −
∑ 𝑥" ∑ 𝑦" ∑ 𝑦" ∑ 𝑦!" ∑ 𝑦!"
2" "
Como 𝐹(1, 𝑛 − 2) = /A2 " (𝑛 − 2) = 𝑡 , entonces se sabe que
&'
&'
𝛽M 𝑟"
𝑡+, = = …(𝑛 − 2) %- "
𝑠+, 1 − 𝑟%-
𝑠𝑖 𝑡 𝑒𝑠 𝑎𝑙𝑡𝑜 → 𝑟 " 𝑒𝑠 𝑎𝑙𝑡𝑜 𝑐𝑜𝑛 𝑢𝑛𝑎 𝑠𝑜𝑙𝑎 𝑣𝑎𝑟𝑖𝑎𝑏𝑙𝑒 (𝑛𝑜 𝑐𝑜𝑛 2 𝑣𝑎𝑟𝑖𝑎𝑏𝑙𝑒𝑠)
Con una sola variable hacer el test t es suficiente para decir que X es relevante.