ECONOMETRÍA

Pedro Fernández de la Reguera

 INTRODUCCIÓN

Modelación econométrica
Econometría
 Formulación teórica
 Especificación del modelo
 Obtención de datos
 Estimación del modelo
 Validación estadística
 Pronósticos

La Economía postula relaciones entre variables

económicas. La Econometría modela, cuantifica
y establece si esas relaciones son válidas
para la población. Permite predicciones a
partir de datos muestrales

2
 REGRESIÓN LINEAL
Modelo de regresión

Es una ecuación matemática

que representa un hecho
o situación real.
Asocia: Variable Y (endógena)
Variable X (exógena)

3
 EJERCICIO 1.1

A un estudiante se le pide escribir el modelo de

regresión lineal con una variable predictora. El
estudiante responde así:

E[Yi] = 0 + 1X1 + i

¿Está Ud. de acuerdo con la respuesta?, ¿por qué?.

4
 EJERCICIO 1.2

Los socios de un club SPA pagan una cuota anual de

$ 300 más un cargo de $ 2 por cada visita al SPA.
Sea Y el costo anual en pesos para un socio y X el
número de visitas anuales del socio.

¿La relación entre X e Y matemáticamente, es una

relación funcional o una regresión?.

5
 REGRESIÓN LINEAL

Requisitos MCO y MV

 Y v.a. observada sujeta a error y Xj v. fijas

 Al menos una X cuantitativa (escala intervalos).
 El modelo debe ser lineal en los parámetros.
 Residuales v.a.ind. E[i] = 0 y ² idénticas.
 Obs. Y (reales) difieren del valor predicho.
 Debe existir estabilidad temporal, se supone que
el modelo poblacional no cambia en el tiempo.
 MV requiere que los residuales  normalmente.

6
 EJERCICIO 1.5

Se trata de estimar los parámetros de un modelo

simple Y = 0 + 1X usando mínimos cuadrados o
máxima verosimilitud.

¿En qué se diferencian las estimaciones por MV y

por MCO?.

7
 EJERCICIO 1.6

Una de las limitaciones del modelo de regresión

lineal es que se puede aplicar solamente a modelos
intrínsecamente lineales y no a los otros modelos.

¿Qué se entiende por modelos lineales y no lineales

en econometría? ¿Por qué no puede utilizar el
modelo de regresión en el caso de modelos no
lineales?.

8
 EJERCICIO 1.7

 Y = 0 + 1 exp{X}
Señale si se pueden
 ln(Y) = 0 + 1X
estimar los sigtes.
 Y = exp{0 + 1X}
modelos por MCO.
 Y =  0 +  13 X
 Y = 0 (X)1 (Z)2
 Y = 0 + 1X + 2X2

 Y = 1 + exp0 + 1X-1

9
 REGRESIÓN LINEAL

Estimación por MCO

Su objetivo es minimizar
la suma de los cuadrados
de los errores
b = (X’X)-1 X’y

10
 EJERCICIO 1.12
Tasa de Tasa de Un estudio realizado en el
Año
renuncia desempleo sector manufacturero,
1980 1,3 6,2 pretende encontrar un
1981 1,2 7,8 modelo que permita
1982 1,4 5,8 predecir la tasa de
1983 1,4 5,7
renuncia (Y) de una
1984 1,5 5,0
determinada industria en
1985 1,9 4,0
1986 2,6 3,2 función de la tasa de
1987 2,3 3,6 desempleo (X) de la
1988 2,5 3,3 misma (medidas en %).
1989 2,7 3,3
1990 2,1 5,6
1991 1,8 6,8
1992 2,2 5,6

11
a) Estimar el modelo e interprete sus coeficientes

b = (X’X)-1 X’y

 3,37 
  
 - 0,29

c) Calcular la correlación entre las variables

rxy 
   n  - 0,808
 2
 n  
2 2
 n 2

12
 REGRESIÓN LINEAL

Correlación de Pearson

R² = (rXY)²
Mide el grado de Coef. de determinación
asociación lineal (% variación total de Y
entre las variables que se debe a una
relación lineal con X)

rXY 
S XY

 xy 
   n
S XS Y x y
2
   n    n
2 2 2 2 2

13
 REGRESIÓN LINEAL
r = 0,85

Correlación de Pearson 5

-1
0 5 10
r=0
-4
3
-7
2 Su cálculo tiene
sentido cuando existe r = -0,80
1
una relación lineal
5
0
0 5 10 2

-1
0 5 10
-4

-7 14
 EJERCICIO 1.13

Demuestre que, en el modelo de regresión lineal

simple, la pendiente estimada es proporcional a la
correlación entre X e Y.

ˆ   xy   xy  y 2

 rXY
SY
   
1 2
x x 2
y 2
x 2
SX

15
 EJERCICIO 1.16

Horas de La tabla de datos muestra

Estudiante Calificación
estudio resultados de una
1 100 16 investigación realizada en
2 70 15 la Univ. que relacionan las
3 65 16
4 40 10 calificaciones obtenida en
5 90 13 la asignatura de
6 20 8 Econometría con las horas
7 85 14 de estudio dedicadas a ella.
8 72 13
9 48 9
10 67 12
11 59 10
12 35 8

16
a) Estimar el modelo e interprete sus coeficientes

ˆ    n
b 1  1   6,67
   n
2 2

b   ˆ    ˆ   - 17,46
0 0 1

ˆ  b 0  b1 X  - 17,46  6,67X
 

b) Calcular errores estándar de los estimadores

 2
ˆ ) 
Var(  1,94
   n
1 2 2

 Sˆ  1,94  1,39
1

17
  2   2
Var(ˆ 0 )   295,48
n(    n  )
2 2

 Sˆ  295,48  17,19
0

c) Establecer intervalos de confianza al 95% para los

estimadores de 0 y 1

1  ˆ 1  t 0,975 ; 10 Sˆ  6,67  2,228·1,39  (3,57 ; 9,77)

1

 0  ˆ 0  t 0,975 ; 10 Sˆ  - 17,46  2,228·17,19  (-55,76 ; 20,84)

0 18
d) Docime si los coeficientes individuales 0 y 1 son
significativos para el modelo

H0 : 0 = 0 b 0  0 - 17,46  0
E    - 1,02
Ha : 0  0 Var (b 0 ) 17,19

H0 : 1 = 0 b1  1 6,67  0
E    4,79
Ha : 1  0 Var (b1 ) 1,39

 t n - 2 ; 1 - /2  t 0, 975 ; 10  2,228

19
 REGRESIÓN LINEAL

Análisis de la varianza
Determina un
estimador insesgado
de la varianza residual

20
 EJERCICIO 1.17

Precio Los datos son

Trimestre Import.(Y)
promed.(X) importaciones textiles
1-1985 7,96 9,5 trimestrales con su
2-1985 7,79 9,7 respectivo precio
3-1985 7,73 10,0 promedio (en dólares).
4-1985 8,33 10,0
1-1986 8,94 10,4 Además, los datos
2-1986 8,96 10,5 arrojaron una
3-1986 9,98 11,2 correlación lineal de
4-1986 10,16 12,0 0,9437.

21
a) Estimar el modelo e interprete sus coeficientes

ˆ  b 0  b1X  - 2,529  1,0814X

 

b) Construir la tabla ANOVA

SCE SC(error)
R  1
2
 0,1094   SCE  0,6937
SCT 6,3409
SCT = SCE + SCR  SCR = 5,6472

ANOVA g.l SC CM F
Regresión 1 5,6472 5,6472 48,8442
Error 6 0,6937 0,1156
Total 7 6,3409

22
c) Docimar la hipótesis del ANOVA

H0 : 1 = 0 CMR 5,6472
E    48,8442
Ha : 1  0 CME 0,1156

 F p ; n - 2 ; 1 -   F 1 ; 6 ; 0, 95  5,99

d) Docimar si la pendiente difiere de 1

H0 : 1 = 1 b1  1 1,0814  1
E    0,5261
Ha : 1  1 Var (b1 ) 0,1547

 t n - 2 ; 1 - /2  t 0, 975 ; 6  2,447

23
e) Entre que valores espera que varíe el promedio de
las Importaciones correspondientes al 1º trim. de
1987 si el precio promedio es 10.

Sea X i  10
 1 (    ) 2
  1 (10  10, 4125 ) 2

ˆ i )  S2  
Var ( i
  0,1156     0,0185
n 2 
    n 
2
8 4,82875 

ˆ i  - 2,529  1,0814·10  8,285



ˆ i  t 6 ; 0,975 Var (
i   ˆ i )  8,285  2,447 0,0185  (7,952 ; 8,618)

24
 EJERCICIO 1.19

¿Qué diferencia hay entre las dócimas t de Student

y la tabla de Análisis de varianza?, ¿para qué sirven
una y otra?, ¿tienen la misma utilidad o no?,
¿tienen los mismos requisitos o supuestos?,
¿cuándo usaría una o la otra?.

25
 EJERCICIO 1.20

Utilizando datos anuales en base a dólares de 1972.

Suponga que la regresión de la balanza comercial
con un determinado país es:

Ŷ = 100.000 + 0,6 X

Si los números cambiaron de base y se refirieron a

dólares de 1982 mediante la multiplicación por
0,74. ¿Cómo habrían cambiado la pendiente y la
constante?
26
 EJERCICIO 1.22

Qué importancia tiene estimar el modelo

Y = 0 + 1X1 + 2X2

Si se sabe que E[Y | X1,X2] = 1X1 + 2X2

27
 EJERCICIO 1.23
Escriba un modelos econométrico que está forzado
a pasar por el origen y un modelo trasladado para
que pase por el origen.

 Modelo forzado a pasar por el origen: Y = X.

 Modelo trasladado para que pase por el origen: Si

el modelo original es Y = 0 + 1X, y se aplican las
transformaciones Yi* = Yi - Y , Xi* = Xi – X ,
entonces Y* = X* es el nuevo modelo trasladado al
origen
28
 EJERCICIO 2.5

Se analiza la entrada de 20 embarques de químicos a una

bodega. Sea Y el nº de minutos en que opera el embarque, X1
el nº de tambores y X2 el peso total del embarque en
centenares de libra. La ANOVA tiene asociada un vaor-p =
0,00

Predictor Coef. Desv.típica Estadígrafo Valor-p

Constante 3,3243 3,1108 1,07 0,30
X1 3,7681 0,6142 6,13 0,00
X2 5,0796 0,6655 7,63 0,00

ANOVA g.l SC CM F
Regresión 2 40496,48 20248,24 641,64
Error 17 536,47 32,56
Total 19 41033,95 29
a) Interprete los coeficientes del modelo

b) Realice las dócimas respecto a los parámetros

H0 : 1 = 2 = 0 CMR
E   641,64
Ha : Algún i  0 (i=1,2) CME

H0 : i = 0 Predictor Estadígrafo Valor-p

Constante 1,07 0,30
Ha : i  0 (i=0,1,2)
X1 6,13 0,00
X2 7,63 0,00
30
c) Calcular coef. correlación múltiple y parciales

SCR
R 2
 0,9869  rXY  0,99
SCT
2
E 6,132

R 2 Y1,2  2 1   0,69  rY1,2  0,83

E1  gl 6,13  17
2

E 22 7,632
R 2 Y2,1  2   0,77  rY2,1  0,88
E 2  gl 7,63  17
2

d) La gerencia desea saber si un embarque de 20

tambores, que pesan 500 libras, se puede operar
adecuadamente según el modelo. Justifique su
respuesta con in IC.
31
Sea X '  (1 20 5)
0
Var estimada (Ŷ/X )  S2 (1  X ' (X' X) 1 X )  90,615
0  0 0
ˆ i  3,324  3,7681·20  5,0796·5  104,08


ˆ t
i   i
Var ( ˆ / X )  (83,995 ; 124,165)

17 ; 0,975 0

32
 EJERCICIO 2.6

Una teoría extendida entre profesores de una

facultad es que las mejores calificaciones
académicas son obtenidas por mujeres. Suponiendo
que tiene acceso a la siguiente información:

 Calificaciones de Econometría (de 0 a 10)

 Número de horas de estudio
 Si ha asistido o no regularmente a las clases
 Sexo del estudiante

a) ¿Cómo docimaría si la teoría es cierta?

33
  Definir variable sexo: 1 mujer y 0 hombre
 Estimar modelo: C = 0 + 1H + 2A + 3S
 Si la teoría es cierta se debe cumplir: 3 > 0
 Docimar la hipótesis: H0 : 3 > 0
Ha : 3  0

b) ¿Cómo docimaría que el aprovechamiento de horas

estudio es superior en las mujeres que en los
hombres?, especificar para cada caso.

 Definir modelos: CM = 0 + 1H + 2A

CH = 0 + 1H + 2A
 Estimar ambos modelos
 Si la teoría es cierta se debe cumplir: 1 > 1
 Docimar la hipótesis: H0 : 1 > 1
Ha : 1  1 34
 EJERCICIO 2.10

Variable Coeficiente Desv. Estándar Descripción

Ŷ Respuesta: Ingreso total
b0 37,07 Intercepto
SP 0,403 (0,062) Salario (fijo) principal
Raza – 90,06 (24,470) 0 = Blanco; 1 = no blanco
Urbano 75,51 (21,600) 0 = No urbano; 1 = si urbano
Licenc 47,33 (23,420) 0 = No graduado superior; 1 = si
Resid 113,64 (27,620) 0 = No occidental; 1 = si
Edad 2,26 (0,940) Edad, en años

35
 CONSTRUCCIÓN MODELOS

Método todas las regresiones posibles

 Mayor SCR
 Menor SCE
 Varianza mínima
 Cp  nº var. pred.
 Mayor R²
 Modelo menor cantidad de variables

36
 CONSTRUCCIÓN MODELOS

Método paso a paso

Descendente
Elimina variables
del modelo
Ascendente
Incorpora variables
al modelo

Mixto
Parte con paso a paso ascendente y
continúa con paso a paso descendente
37
EJERCICIO 3.1

38
a) Seleccione un modelo por el método de T.R.P.

Mayor SCR  (X2X3), (X1X2X3), (X2X3X4), (X1X2X3X4)

Menor SCE  (X2X3), (X1X2X3), (X2X3X4), (X1X2X3X4)
Varianza mínima  (X2X3), (X1X2X3)
Modelo menor variables pred.  (X2X3)

 Modelo seleccionado: Y = 0 + 2X2 + 3X3

39
b) Seleccione un modelo por el método de P.P.A.

Supongamos Y = 0 + 1X1 + 2X2

Candidatos a ingresar: X3 ó X4

E3 = SCR(123) - SCR(12) = 318,2503 - 312,0172 = 10,42

CME(123) 0,5979

E4 = SCR(124) - SCR(12) = 312,0221 - 312,0172 = 0,00265

CME(124) 1,8436

 F p* ; n-p-1 ; 1- = F1 ; 5 ; 0,95 = 6,61

40
c) Seleccione un modelo por el método de P.P.D.
Supongamos Y = 0 + 1X1 + 2X2 + 3X3
Candidatos a salir: X1 ó X2 ó X3

E1 = SCR(123) - SCR(23) = 318,2503 - 318,2036 = 0,078

CME(123) 0,5979

E2 = SCR(123) - SCR(13) = 318,2503 - 317,4555 = 1,329

CME(123) 0,5979

E3 = SCR(123) - SCR(12) = 318,2503 - 312,0172 = 10,42

CME(123) 0,5979
41
d) Se desea saber si X1 y X2 se pueden incorporar
conjuntamente al modelo que tiene a X3 incluida

E = {SCR(123) - SCR(3)}/2 = {318,2503 - 186,1065}/2 = 110,51

CME(123) 0,5979

 F p* ; n-p-1 ; 1- = F2 ; 5 ; 0,95 = 5,786

42
 DIAGNÓSTICO REGRESIÓN

Observaciones atípicas
Aquella que no se
ajusta al modelo,
tiene un | |
muy grande

Matriz de proyección
M = X (X’X)-1 X’

43
 EJERCICIO 4.1 y 4.2
Obs. Atípicas:
12
Obs. 5:  = 8,640
8

4 Obs. 8:  = -10,184
Residuales

0
0 2 4 6 8 10
-4
3
-8

Res. estandarizados
2
-12
1
Tiempo
0
0 2 4 6 8
Obs. Atípicas: -1
-2
Obs. 5:  estandarizado = 2,73
-3
Obs. 6:  estandarizado = -2,23 Observaciones
44
 EJERCICIO 4.3 y 4.5
Obs. Atípicas:
3
Obs. 9:  estudentizado = 2,3
2
Res. estudentizados

0
3
0 2 4 6 8 10
-1
2

Res. estandarizados
-2
1
-3
0
Observaciones
0 2 4 6 8 10 12 14 16
-1

Obs. Atípicas: -2

-3
Obs. 8:  estandarizado = 1,89 Observación
45
 DIAGNÓSTICO REGRESIÓN

Observaciones influyentes

Aquella que al no incluirla

en el modelo, cambia
Criterio de Cook significativamente
algún coef. j
Dh = h2 mhh
(p+1) S2 (1- mhh) 2

 Dh  Fp+1 ; n-p-1 ; 1-

 Yh influyente
 Dh  1  Yh influyente
 Dh  4/(n-p-1)  Yh influyente

46
 EJERCICIO 4.3
 D9,10  F2 ; 8 ; 0,95 = 4,46
mhh h2 Dh  Y9,10 influyentes
0,3455 0,065025 0,4677579
0,2485 0,589824 2,3147436  D2  1
0,1758 0,052900 0,1221016  Y2 influyente
0,1273 0,047524 0,0708473
0,1030 0,042849 0,0489221
0,1030 0,037636 0,0429702  D7  4/(n-p-1) = 0,5
0,1273 0,669124 0,9975096  Y7 influyente
0,1758 0,028900 0,0667058
0,2485 1,340964 5,2625662
0,3455 0,731025 5,2586348  Obs. 9, 10, 2
influyentes

47
 EJERCICIO 4.4
 Ningún Dh  4,46
mhh h2 Dh
 no hay obs.
0,3455 0,0000109 0,0027473 influyentes
0,2485 0,0028322 0,3894416
0,1758 0,0004464 0,0361017
0,1273 0,0002548 0,0133091  Ningún Dh  4/(n-p-1)
0,1030 0,0025055 0,1002298  no hay obs.
0,1030 0,0030410 0,1216519 Influyente
0,1273 0,0002632 0,0137478
0,1758 0,0003359 0,0271652
0,2485 0,0023602 0,3245393  Obs. normales
0,3455 0,0008697 0,2192039

48
 DIAGNÓSTICO REGRESIÓN

Normalidad en residuales

Requisito necerario
para inferir por MCO y
Dócima de Shapiro y Wilk estimar el modelo
por MV
 Utilizar los Zi (estandarizar los i)
 Ordenar los Zi de menor a mayor
 Determinar E(Zi) = -1( (i-3/8)/(n+1/4) )
 Calcular r = corr(Zi , E(Zi))
 Si la corr es alta  i  normales

49
 EJERCICIO 4.3

i-3/8
Zi = i/S E(Zi)
n+1/4 La Corr(Zi , E[Zi]) =
-1,2767 0,0609 -1,5466
r = 0,9081 es lo
-1,2214 0,1585 -1,0004
-1,1467 0,2560 -0,6554
suficientemente
0,2538 0,3536 -0,3754 alta para, a priori,
0,2896 0,4512 -0,1225 establecer que los
0,3090 0,5487 0,1225 residuales se 
0,3255 0,6463 0,3754
0,3434 0,7439 0,6554 normalmente.
0,3807 1,8414 1,0004
1,7291 0,9390 1,5466

50
H0 :  = 0 r n2
Ha :   0 E   6,13
1  r2

E > t n-2 ; 1-/2 = t 8 ; 0,975 = 2,306

 Rechazar H0
   0
  normalidad en los i 3

Res. estandarizados
1

0
-2 -1 0 1 2
-1

-2

-3
E[Zi]

51
 EJERCICIO 4.4

i-3/8
Zi = i/S E(Zi)
n+1/4
-1,32371 0,0609 -1,5466 La Corr(Zi , E[Zi]) = r
-1,20926 0,1585 -1,0004 = 0,9795 la cual es
-0,73401 0,2560 -0,6554 lo suficientemente
-0,52501 0,3536 -0,3754 alta para establecer
0,4512 -0,1225
-0,08211 a priori que los
0,39811 0,5487 0,1225
0,40309 0,6463 0,3754 residuales se 
0,45534 0,7439 0,6554
1,24658 1,8414 normalmente.
1,0004
1,37099 0,9390 1,5466

52
H0 :  = 0 r n2
Ha :   0 E   13,75
1r 2

E > t n-2 ; 1-/2 = t 8 ; 0,975 = 2,306

 Rechazar H0
   0
  normalidad en los i 3

Res. estandarizados
1

0
-2 -1 0 1 2
-1

-2

-3
E[Zi]

53
 DIAGNÓSTICO REGRESIÓN

Residuales independientes

Independientes o
aleatorios, que no
Dócima paramétrica de rachas ocurren según un orden
Una racha es una sucesión de temporal
símbolos idénticos

 Sea r = Nº de rachas
 N⁺ = Nº de rachas + en cuanto al signo
 N⁻ = Nº de rachas - en cuanto al signo

54
 EJERCICIO 4.4

H0 : los residuales son independientes

Ha : los residuales no son independientes

 r = Nº de rachas = 3 (--- +++++ --)

 N⁺ = Nº de rachas + en cuanto al signo = 5
 N⁻ = Nº de rachas - en cuanto al signo = 5

r  (2 ; 10)
 No rechazar H0
 los residuales son indep.

55
 EJERCICIO 4.5

H0 : los residuales son independientes

Ha : los residuales no son independientes

 r = Nº de rachas = 12 (- + - + - + - + - + --- ++)

 N⁺ = Nº de rachas + en cuanto al signo = 7
 N⁻ = Nº de rachas - en cuanto al signo = 8

r  (4 ; 13)
 No rechazar H0
 los residuales son indep.

56
 EJERCICIO 4.6
Aplicando rachas: como la mediana de MA1 es 66,
el signo será + si  66, – si  66 y nulo si = 66.
H0 : Obs. MA1 son independientes
Ha : Obs. MA1 no son independientes

 r = Nº de rachas = 10 (- + - + - + - + -- 0 - +++)
 N⁺ = Nº de rachas + en cuanto al signo = 7
 N⁻ = Nº de rachas - en cuanto al signo = 7

r  (3 ; 13)
 No rechazar H0
 las observaciones de MA1 son indep.
57
 DIAGNÓSTICO REGRESIÓN

Heterocedasticidad

Violación importante
a los requerimientos de
estimación. Invalida
resultados.
Los i no tienen i2
constante e igual.
Sus causas son:

 Propia de la muestra
 Datos promedios
 Omisión de variables

58
 DIAGNÓSTICO REGRESIÓN
300

Heterocedasticidad 250

Residuales
200

150
2

100
1 15 16 17 X2 18 19 20
Residuales

0
0 2 4 6 8 10 12 14 16 40

-1
20

Residuales
-2
0
Vvariable X
0 2 4 6 8 10 12

-20

-40 59
Variable X
 DIAGNÓSTICO REGRESIÓN

Dócimas de heterocedasticidad

Dócima de White

 No supone modelo
 Calcular los i2 del modelo estimado
 Formular mod. auxiliar 2 = iXi + comb. variables
 Estimar modelo auxiliar
 Calcular R2auxiliar

60
 DIAGNÓSTICO REGRESIÓN

Dócimas de heterocedasticidad

Dócima de Spearman

 Supone modelo: i2 = CZi (Zi var.heterocedástica)

 Calcular los i
 Asignar rangos a i (desde 1 hasta n)
 Asignar rangos a Z (desde 1 hasta n)
 Calcular rS (coef. corr. por rangos de Spearman)

61
 DIAGNÓSTICO REGRESIÓN

Dócimas de heterocedasticidad

Dócima de Bartlett

 Dócima de igualdad de varianzas, es global

 Requiere niveles para la variables Xi
 Calcular la varianza de cada nivel (Si2)
 Calcular la varianza total S2 =  (ni - 1)·Si2
n-k

62
 DIAGNÓSTICO REGRESIÓN

Dócimas de heterocedasticidad

Dócima de Goldfeld-Quandt

 Supone modelo: i2 = CXi2

 Goldfeld-Quandt censura observaciones centrales
 Ordenar Xi de menor a mayor (con su respectivo Y)
 Omitir c observaciones centrales (max. un 10% es OK)
 Grupo 1 (1º ni obs.) iguales al grupo 2 (últimas nj obs.)
 Calcular CME para el grupo 1 y grupo 2

63
 DIAGNÓSTICO REGRESIÓN

Remedios a la heterocedasticidad

 Determinar la forma en que se ha identificado la heter.

 Si modelo: i2 = CXi2  dividir por X
 Si modelo: i2 = CXi  dividir por la raíz de X
 Si Var(i) = i2 se conoce  dividir cada fila de X por i2

64
 DIAGNÓSTICO REGRESIÓN

Comparación de regresiones

Se quiere analizar si
Dócima de Chow dos o más regresiones
son iguales
 Requiere i homoc., indep. y  normal
 Identificar los modelos involucrados
 Calcular SCE de cada modelo identificado

65