Sesión 18 (B) — El ejemplo de la lección 12, en Gretl: regresor concentrado frente a regresor disperso
Índice
Descripción de la práctica
La lección 12 ilustró el intervalo de confianza con una figura de dos paneles (html): dos ajustes con las mismas doce perturbaciones, los mismos parámetros y el mismo residuo, en los que lo único distinto era cuánto se separaban los valores del regresor. En uno el intervalo era \([0{,}08;\,0{,}90]\); en el otro, \([0{,}46;\,0{,}54]\).
Esta práctica rehace en Gretl los dos ajustes de esa figura, con sus 24 puntos. Es el mismo ejemplo de la lección 12, reproducido para que pueda seguir cada número y ver de dónde sale.
Los datos están construidos con parámetros conocidos: \(\beta_1=10\), \(\beta_2=0{,}5\), y doce perturbaciones dadas, las mismas en los dos ajustes. Conocer los parámetros permite, en la Actividad 3, contrastar una hipótesis que sabemos cierta, cosa imposible con datos reales, y preparar así la práctica C (html).
Objetivos
- Reproducir los dos ajustes de la figura de la lección 12 y sus dos intervalos de confianza.
- Verificar que \(\mathrm{ee}(\hat\beta_2)=\mathfrak s/\|\boldsymbol x-\boldsymbol{\mathop{\overline x}}\|_e\) y que, con el mismo residuo, toda la diferencia de precisión está en la longitud del regresor en desviaciones.
- Contrastar \(H_0\!:\beta_2=0{,}5\), que es cierta, en los dos ajustes.
- Ver qué columnas de la tabla cambian, y cuáles no, al cambiar las unidades del regresor.
Comandos nuevos de esta práctica. Seguimos usando los accesores $coeff y $rsq (actividad 3 (html) de la práctica A de la sesión 11) y $df (actividad 1 (html) de la práctica A de la sesión 16); $stderr, $sigma, critical y pvalue son los de la práctica A de hoy (actividad 2 (html)); nulldata, setobs y printf, los de las sesiones 4 y 7 (actividad 3 (html) de la práctica B de la sesión 4, actividad 1 (html) de la práctica B de la sesión 7 y actividad 4 (html) de la práctica A de la sesión 7); la barra \ al final de una línea, que indica que la instrucción continúa en la línea siguiente, la de la práctica B de la sesión 7 (actividad 3 (html)); max(x), el mayor valor de una serie, el de la práctica A de la sesión 11 (actividad 2 (html)). Lo nuevo:
index- serie interna con el número de orden de cada observación, \(1,2,\ldots,n\). Sirve para construir un regresor con valores equiespaciados.
{a, b, c}'- una lista de números entre llaves es una matriz fila; el apóstrofo la traspone a columna, y una columna con \(n\) valores puede asignarse a una serie. Así se teclean a mano los doce valores del regresando.
Actividad 1 - Regresor concentrado
Los doce valores del regresor van de \(47{,}25\) a \(52{,}75\) en pasos de \(0{,}5\); los del regresando son los del panel izquierdo de la figura (html).
El código tiene dos bloques. El primero crea un conjunto de doce observaciones de sección cruzada y las dos series: x_c, con los doce valores equiespaciados (47.25 + 0.5*(index - 1) vale \(47{,}25\) en la primera observación y sube \(0{,}5\) en cada una), e y_c, con los doce valores del regresando tecleados entre llaves. El segundo estima la regresión, guarda el valor crítico al \(5\%\) con los grados de libertad del residuo ($df) y reconstruye el error estándar como \(\mathfrak s\) ($sigma) dividido por la longitud del regresor en desviaciones, comparándolo con $stderr(x_c); después imprime el estadístico \(t\) y el intervalo.
en línea de comandos:
nulldata 12
setobs 1 1 --cross-section
series x_c = 47.25 + 0.5*(index - 1)
series y_c = {35.045, 33.025, 34.435, 32.415, 35.365, 35.975, \
34.655, 34.055, 36.505, 35.925, 35.495, 37.105}'
ols y_c const x_c scalar tc = critical(t, $df, 0.025) printf "\n||x - xbar|| = %.4f s = %.4f ee = s/||x - xbar|| = %.4f (Gretl: %.4f)\n", sqrt(sum((x_c-mean(x_c))^2)), $sigma, $sigma/sqrt(sum((x_c-mean(x_c))^2)), $stderr(x_c) printf "t = %.2f (t_c al 5%% = %.3f)\n", $coeff(x_c)/$stderr(x_c), tc printf "IC 95%%: [%.2f ; %.2f]\n", $coeff(x_c) - tc*$stderr(x_c), $coeff(x_c) + tc*$stderr(x_c)
Modelo 1: MCO, usando las observaciones 1-12
Variable dependiente: y_c
coeficiente Desv. típica Estadístico t valor p
---------------------------------------------------------------
const 10,3427 9,20510 1,124 0,2874
x_c 0,493147 0,183992 2,680 0,0231 **
Media de la vble. dep. 35,00000 D.T. de la vble. dep. 1,374994
Suma de cuad. residuos 12,10252 D.T. de la regresión 1,100115
R-cuadrado 0,418056 R-cuadrado corregido 0,359861
F(1, 10) 7,183775 Valor p (de F) 0,023083
Log-verosimilitud -17,07831 Criterio de Akaike 38,15661
Criterio de Schwarz 39,12642 Crit. de Hannan-Quinn 37,79755
||x - xbar|| = 5,9791 s = 1,1001 ee = s/||x - xbar|| = 0,1840 (Gretl: 0,1840)
t = 2,68 (t_c al 5% = 2,228)
IC 95%: [0,08 ; 0,90]
Lo que debe observar
Son los números del panel izquierdo de la figura (html) de la lección 12: \(\hat\beta_2=0{,}4931\), error estándar \(0{,}184\), \(\vert t\vert=2{,}68\) e intervalo \([0{,}08;\,0{,}90]\). El coeficiente es significativo al \(5\%\) (el cero queda fuera) y el intervalo es tan ancho que no dice casi nada sobre cuánto vale la pendiente. El error estándar reconstruido es \(\mathfrak s\) dividido por la longitud del regresor en desviaciones: \(1{,}1001/5{,}9791=0{,}1840\). La Actividad 2 cambia ese denominador.
Actividad 2 - Regresor disperso
Ahora los valores del regresor van de \(22{,}5\) a \(77{,}5\) en pasos de \(5\), diez veces más separados alrededor del mismo centro, y el regresando es el del panel derecho (html).
El código tiene tres bloques. El primero crea el regresor disperso, con pasos de \(5\), y su regresando. El segundo repite el ajuste y las mismas comparaciones que en la Actividad 1, con el tc ya calculado. El tercero recupera las perturbaciones de cada panel restando a y la parte verdadera \(10+0{,}5x\), y con max(abs(u_c - u_d)) imprime la mayor diferencia entre las dos series: si es cero, las perturbaciones son las mismas.
en línea de comandos:
series x_d = 22.5 + 5*(index - 1)
series y_d = {22.670, 22.900, 26.560, 26.790, 31.990, 34.850, \
35.780, 37.430, 42.130, 43.800, 45.620, 49.480}'
ols y_d const x_d printf "\n||x - xbar|| = %.4f s = %.4f ee = s/||x - xbar|| = %.4f (Gretl: %.4f)\n", sqrt(sum((x_d-mean(x_d))^2)), $sigma, $sigma/sqrt(sum((x_d-mean(x_d))^2)), $stderr(x_d) printf "t = %.2f (t_c al 5%% = %.3f)\n", $coeff(x_d)/$stderr(x_d), tc printf "IC 95%%: [%.2f ; %.2f]\n", $coeff(x_d) - tc*$stderr(x_d), $coeff(x_d) + tc*$stderr(x_d)
Modelo 2: MCO, usando las observaciones 1-12
Variable dependiente: y_d
coeficiente Desv. típica Estadístico t valor p
----------------------------------------------------------------
const 10,0343 0,973234 10,31 1,20e-06 ***
x_d 0,499315 0,0183992 27,14 1,07e-10 ***
Media de la vble. dep. 35,00000 D.T. de la vble. dep. 9,062431
Suma de cuad. residuos 12,10252 D.T. de la regresión 1,100115
R-cuadrado 0,986603 R-cuadrado corregido 0,985264
F(1, 10) 736,4595 Valor p (de F) 1,07e-10
Log-verosimilitud -17,07831 Criterio de Akaike 38,15661
Criterio de Schwarz 39,12642 Crit. de Hannan-Quinn 37,79755
||x - xbar|| = 59,7913 s = 1,1001 ee = s/||x - xbar|| = 0,0184 (Gretl: 0,0184)
t = 27,14 (t_c al 5% = 2,228)
IC 95%: [0,46 ; 0,54]
en línea de comandos:
series u_c = y_c - 10 - 0.5*x_c # perturbacion del panel concentrado series u_d = y_d - 10 - 0.5*x_d # perturbacion del panel disperso printf "\nmayor diferencia entre las dos series de perturbaciones: %.6f\n", max(abs(u_c - u_d))
mayor diferencia entre las dos series de perturbaciones: 0,000000
Lo que debe observar
La \(\mathfrak s\) es la misma que en la Actividad 1: las dos tablas dan D.T. de la regresión \(1{,}100115\) y la misma suma de cuadrados de los residuos, \(12{,}10252\). La última línea lo explica: las doce perturbaciones, lo que queda al restar de cada \(y_i\) la parte verdadera \(10+0{,}5x_i\), son idénticas en los dos paneles. Como el regresor en desviaciones apunta en la misma dirección en ambos casos (es el mismo patrón, multiplicado por diez), la proyección de las perturbaciones sobre esa dirección, y con ella el residuo, coincide.
Toda la diferencia está, por tanto, en el denominador del error estándar: la longitud del regresor en desviaciones es \(59{,}79\) en vez de \(5{,}98\). Con un regresor en desviaciones diez veces más largo, el error estándar es diez veces menor (\(0{,}018\) frente a \(0{,}184\)) y el intervalo, diez veces más estrecho (\([0{,}46;\,0{,}54]\)). La perturbación no ha cambiado; lo que ha cambiado es cuánto varía la variable cuyo efecto queremos medir. Para estimar bien el efecto de una variable hace falta que esa variable varíe.
El \(R^2\) sube de \(0{,}42\) a \(0{,}99\) con el mismo residuo. La suma de cuadrados de los residuos es la misma en las dos tablas, pero el regresando varía más (su desviación típica pasa de \(1{,}37\) a \(9{,}06\)), porque la parte \(0{,}5\,x_i\) recorre un rango diez veces mayor.
Actividad 3 - Contrastar la hipótesis verdadera
Con datos reales no sabemos cuánto vale \(\beta_2\). Aquí sí: vale \(0{,}5\), porque lo hemos elegido nosotros. Podemos entonces contrastar \(H_0\!:\beta_2=0{,}5\) sabiendo que es cierta, y también \(H_0\!:\beta_2=0\), que sabemos falsa, y ver el resultado del contraste en cada caso.
Reestimamos los dos ajustes con --quiet para no reimprimir las tablas y, tras cada uno, guardamos dos estadísticos \(t\): el de la hipótesis cierta, restando \(0{,}5\) al coeficiente, y el de la falsa, restando \(0\). Los printf finales los disponen en una tabla de dos columnas; el formato %6.2f reserva seis caracteres por número para que queden alineados.
en línea de comandos:
ols y_c const x_c --quiet scalar t_cierta_c = ($coeff(x_c) - 0.5)/$stderr(x_c) scalar t_falsa_c = ($coeff(x_c) - 0.0)/$stderr(x_c) ols y_d const x_d --quiet scalar t_cierta_d = ($coeff(x_d) - 0.5)/$stderr(x_d) scalar t_falsa_d = ($coeff(x_d) - 0.0)/$stderr(x_d) printf "t_c al 5%% con %d grados de libertad = %.3f\n\n", $df, tc printf " concentrado disperso\n" printf "H0: beta_2 = 0,5 (cierta) t = %6.2f t = %6.2f\n", t_cierta_c, t_cierta_d printf "H0: beta_2 = 0 (falsa) t = %6.2f t = %6.2f\n", t_falsa_c, t_falsa_d
t_c al 5% con 10 grados de libertad = 2,228
concentrado disperso
H0: beta_2 = 0,5 (cierta) t = -0,04 t = -0,04
H0: beta_2 = 0 (falsa) t = 2,68 t = 27,14
Lo que debe observar
La hipótesis cierta no se rechaza en ningún panel, y el \(0{,}5\) verdadero está dentro de los dos intervalos: dentro del ancho y dentro del estrecho. La hipótesis falsa se rechaza en los dos, pero con evidencias muy desiguales: \(2{,}68\) frente a \(27{,}14\).
Los dos estadísticos de la hipótesis cierta son el mismo número, \(-0{,}04\). Coinciden porque, al pasar del regresor concentrado al disperso, el error de estimación y el error estándar se dividen los dos por diez: \(-0{,}0069/0{,}184\) y \(-0{,}00069/0{,}0184\). En estos dos ajustes, la dispersión del regresor cambia el estadístico de la hipótesis falsa y deja igual el de la cierta.
Que el intervalo contenga al verdadero \(\beta_2\) esta vez es el resultado de una muestra. Lo que la lección 12 (html) garantiza es una propiedad del procedimiento: el suceso ``el intervalo contiene a \(\beta_2\)'', con los extremos como variables aleatorias, tiene probabilidad \(0{,}95\). Una probabilidad no se comprueba con una sola muestra: hay que repetir el experimento muchas veces, con nuevas perturbaciones cada vez, y contar. Eso es la actividad 1 (html) de la práctica C.
Actividad 4 - Cambiar las unidades del regresor
Midamos el regresor disperso en centésimas (multiplicamos x_d por cien) y reestimemos.
Creamos x_d100, el regresor multiplicado por cien, y estimamos dos veces con --quiet, una con cada versión. Tras cada ajuste, un printf imprime el coeficiente, el error estándar, el estadístico \(t\) y el valor \(p\) del regresor; el último imprime el \(R^2\) del segundo ajuste.
en línea de comandos:
series x_d100 = 100*x_d ols y_d const x_d --quiet printf "x en unidades originales : coef = %.6f ee = %.6f t = %.2f p = %.3g\n", $coeff(x_d), $stderr(x_d), $coeff(x_d)/$stderr(x_d), 2*pvalue(t, $df, abs($coeff(x_d)/$stderr(x_d))) ols y_d const x_d100 --quiet printf "x multiplicado por 100 : coef = %.6f ee = %.6f t = %.2f p = %.3g\n", $coeff(x_d100), $stderr(x_d100), $coeff(x_d100)/$stderr(x_d100), 2*pvalue(t, $df, abs($coeff(x_d100)/$stderr(x_d100))) printf "R2 del segundo ajuste : %.4f\n", $rsq
x en unidades originales : coef = 0,499315 ee = 0,018399 t = 27,14 p = 1,07e-10 x multiplicado por 100 : coef = 0,004993 ee = 0,000184 t = 27,14 p = 1,07e-10 R2 del segundo ajuste : 0,9866
Lo que debe observar
El coeficiente y su error estándar se dividen los dos por cien; el estadístico \(t\), el valor \(p\) y el \(R^2\) no cambian (el \(R^2\) del primer ajuste es el de la tabla de la Actividad 2, \(0{,}9866\)). Es la pregunta 10 de la lección 12 con números: las dos primeras columnas de la tabla están en las unidades del problema y las dos últimas son adimensionales. Por eso \(t\) y \(p\) sirven para comparar la precisión relativa con que se han estimado dos coeficientes y no sirven para valorar la magnitud de un efecto, y por eso el coeficiente hay que leerlo siempre sabiendo en qué unidades está.
Compare este resultado con el de la Actividad 2. Allí el regresor en desviaciones también se multiplicó, por diez, y el estadístico \(t\) pasó de \(2{,}68\) a \(27{,}14\). La diferencia es que en la Actividad 2 cambió también el regresando: la pendiente siguió siendo \(0{,}5\) por unidad, el coeficiente estimado pasó de \(0{,}4931\) a \(0{,}4993\) y el error estándar se dividió por diez. Aquí el regresando es el mismo: el coeficiente y el error estándar se dividen los dos por cien, y su cociente \(t\) no cambia. Un cambio de unidades no añade variación al regresor; solo cambia la unidad en que se mide.
Preguntas de interpretación para la clase
- Los dos paneles tienen el mismo residuo. ¿Por qué? ¿Seguiría siendo así si, en lugar de multiplicar por diez la separación de cada valor del regresor respecto de 50, los hubiéramos sorteado de nuevo?
- En la Actividad 1, el intervalo \([0{,}08;\,0{,}90]\) no contiene al cero. ¿Diría usted que ese ajuste ``demuestra'' que la pendiente es positiva? ¿Y que ``demuestra'' que vale \(0{,}5\)?
- Los dos ajustes tienen el mismo \(\mathfrak s\) y errores estándar que difieren en un factor diez. Escriba la fórmula que lo explica y diga qué cantidad de la lección 4 aparece en ella.
- En la Actividad 3 la hipótesis cierta no se rechaza. ¿Podría haberse rechazado? ¿Con qué frecuencia cabría esperar que eso ocurriera si repitiéramos el experimento con nuevas perturbaciones?
- Tras la Actividad 4, ¿qué columnas de una tabla de resultados usaría para comparar la precisión relativa con que se han estimado dos coeficientes medidos en unidades distintas? ¿Y para comparar sus magnitudes?
Para profundizar
- Lección 12 (lección 12), secciones ``El error estándar, y el precio de estimar \(\sigma\)'' (html) y ``El intervalo de confianza'' (html), cuya figura se ha reproducido aquí.
- Wooldridge, J. M. (2020). Introductory Econometrics, cap. 2, sección 2.5 (varianza de los estimadores MCO: el papel de la variación del regresor) y cap. 4, sección 4.3.
Código completo de la práctica
| Enlace al guión: | S18-Prct-B-regresor-disperso.inp |
Respuestas
- El mismo residuo. El residuo es lo que queda de \(\boldsymbol y\) tras quitarle su proyección sobre \(\mathcal L(\boldsymbol 1,\boldsymbol x)\) (lección 6), y ese subespacio es el mismo en los dos paneles: multiplicar por diez el regresor en desviaciones, sin mover su centro, no cambia el plano que generan \(\boldsymbol 1\) y \(\boldsymbol x\), solo sus generadores. En cada panel \(\boldsymbol y\) es la suma de \(10\cdot\boldsymbol 1+0{,}5\,\boldsymbol x\), que está en ese plano, y de las perturbaciones, que son las mismas. El residuo, la parte de \(\boldsymbol y\) ortogonal al plano, es entonces la parte de las perturbaciones ortogonal al plano, idéntica en los dos paneles. Si hubiéramos sorteado de nuevo los valores del regresor, el plano sería otro y el residuo, en general, distinto.
- Qué ``demuestra'' el intervalo ancho. Ninguna de las dos cosas. Que el cero quede fuera dice que datos como estos serían raros si la pendiente fuese nula (ocurrirían menos del \(5\%\) de las veces): es una afirmación sobre probabilidades, que no excluye que la pendiente sea nula. Y sobre el valor \(0{,}5\) no dice nada especial: el intervalo lo contiene, pero contiene también al \(0{,}2\) y al \(0{,}8\). Un intervalo ancho deja sin descartar muchos valores distintos, y esa es su información: que los datos no permiten precisar más.
- La fórmula. \(\mathrm{ee}(\hat\beta_2)=\mathfrak s/\|\boldsymbol x-\boldsymbol{\mathop{\overline x}}\|_e\). El denominador es la norma del vector en desviaciones del regresor, el vector que la lección 4 definió y cuya norma estadística es la desviación típica (allí con el producto escalar estadístico; aquí con el euclídeo, sin el factor \(1/n\), porque así es como aparece en la varianza de \(\hat\beta_2\) de la lección 11 (html)). Con el mismo \(\mathfrak s\) en el numerador, dos regresores cuyas longitudes en desviaciones están en razón \(1:10\) dan errores estándar en razón \(10:1\).
- ¿Podría haberse rechazado la hipótesis cierta? Sí. El contraste al \(5\%\) rechaza una hipótesis cierta, por construcción, el \(5\%\) de las veces: es lo que significa el nivel de significación. En esta muestra concreta no ha ocurrido (los estadísticos son \(-0{,}04\)), pero en cada repetición del experimento con nuevas perturbaciones el \(0{,}5\) quedaría fuera del intervalo con probabilidad \(0{,}05\): al repetirlo muchas veces, en alrededor de una de cada veinte. Esa frecuencia no se puede ver con una muestra; se ve repitiendo, y eso hace la actividad 1 (html) de la práctica C.
- Precisión relativa y magnitud. Para la precisión relativa, el estadístico \(t\) (o el valor \(p\)), porque son adimensionales: dicen a cuántos errores estándar está cada coeficiente de cero, sea cual sea su unidad. Para la magnitud, solo sirve el coeficiente en las unidades del problema; y para compararla entre variables medidas en unidades distintas hay que reexpresarlas en una escala común (por ejemplo, el efecto de un cambio de una desviación típica en cada regresor), cosa que las columnas de la tabla no hacen por sí solas.