1

6. PREDICCIN Y ESTIMACIN POR INTERVALO.

Clase Prcticas Econometra
Profesora: Lina M. Gmez
Universidad Autnoma de Barcelona
Noviembre de 2010

Objetivo: Prediccin en el modelo de regresin mltiple y estimacin por intervalo.
Datos: Ecuacin de salarios. Submuestra para el ao 2006. Encuesta Estructura Salarial.

1) Prediccin en el modelo de salarios:


Estimamos el modelo de regresin:

EQUATION EQ1.LS LOG(BRUTOH) C ESCOLA EXPER EXPER2


Dependent Variable: LOG(BRUTOH)
Method: Least Squares
Date: 11/17/10 Time: 09:19
Sample: 1 4993
Included observations: 4993


Variable Coefficient Std. Error t-Statistic Prob.


C 1.086761 0.031062 34.98727 0.0000
ESCOLA 0.069345 0.001540 45.02268 0.0000
EXPER 0.031310 0.001982 15.79847 0.0000
EXPER2 -0.000313 3.77E-05 -8.290745 0.0000


R-squared 0.297733 Mean dependent var 2.253854
Adjusted R-squared 0.297311 S.D. dependent var 0.505629
S.E. of regression 0.423852 Akaike info criterion 1.121934
Sum squared resid 896.2749 Schwarz criterion 1.127154
Log likelihood -2796.909 Hannan-Quinn criter. 1.123764
F-statistic 705.0459 Durbin-Watson stat 1.958017
Prob(F-statistic) 0.000000




Obtenemos

i
Y (que en este caso corresponde a la prediccin del logaritmo del
salario), para un individuo con 8 aos de educacin y 17 aos de experiencia:

Dado que:

1 2 2 3 3 4 4

i i i i
Y X X X = + + +

i
Y = [ | ]
i ji
E Y X c = j=2,3,4


( ) T
Y

=
1 2 2 3 3 4 4

T T T
X X X
+ + +
+ + +

donde
jT
X
+
sera: X
2
=8, X
3
=17 y X
4
=17
2
.

2

Para hacer la prediccin debemos recuperar los valores estimados de los coeficientes.
Una forma fcil de hacerlo es sobre la ecuacin estimada ir a:

VIEW / REPRESENTATIONS

Y copiar la tercera lnea que aparece en el recuadro, que contiene el valor de los
coeficientes estimados:

LOG(BRUTOH) = 1.08676147434 + 0.069345108*ESCOLA + 0.03130972*EXPER -0.00031274*EXPER2

A partir de esta informacin generamos:

SCALAR LBRUTOHF_1=1.08676147434+0.0693451082463*8 + 0.0313097232524*17
- 0.000312743705114*(17^2)


Otra forma, es operando a travs de matrices para lo cual debemos:

- Crear un vector con los coeficientes estimados del modelo
VECTOR BETA= EQ1.@COEFS

- Crear un vector (matriz) con valores de X para la prediccin:
MATRIX(4,1) X_TL
X_TL(1,1) = 1
X_TL(2,1) = 8
X_TL(3,1) = 17
X_TL(4,1) = 289

- Crea el vector con los valores predichos de Y:
VECTOR Y_TL = @TRANSPOSE(X_TL)*BETA


Verifique que la prediccin ha quedado bien hecha.

Primero abra ESCOLA, EXPER y EXPER2 como un grupo (dando click derecho sobre
las variables seleccionadas), y verifique que el primer individuo de la muestra tiene 8
aos de escolaridad y 17 aos de experiencia.

Ahora, vaya de nuevo a la regresin y seleccione:

FORECAST

Y escoja: Series to forecast: LOG(BRUTOH)
Forecast name: LBRUTOHF

Eviews genera una nueva variable llamada LBRUTOHF, con la prediccin del logaritmo
del ingreso individuo por individuo de acuerdo con sus caractersticas personales. La
prediccin para el primer individuo debe coincidir con el valor generado en la variable
LBRUTOHF_1


3

2) Construccin de un intervalo de confianza para la prediccin.

Dado que:
IC
(1- )
T
Y
+
=
( ) ( )

2
T n k
f
Y t

donde:
( )

T T
Y X
+
=



Ya sabemos que:
( ) T
Y

Y =
2
2 3 4
[ | 8, 17, 17 ]
T
E Y X X X
+
= = =

= 2.083405

Necesitamos por tanto, conocer el error de la prediccin que viene dado por:

( ) ( )
( )

( )

( )
2
1/ 2
2

1/ 2
2

/ 2 / 2 1/ 2
2

( ) ( ) 0, cov( )
( )
(0,1)

cov( )
( )

cov( )
( )
1

cov( )
T T l T T l T l u T l T l
T
u T l T l
T
T k
u T l T l
T l T
u T l T l
e l Y Y l X u N X X
e l
N
X X
e l
t
X X
Y Y l
prob t t
X X
L

+ + + + +
+ +

+ +
+
+ +

= = + +

+
+



< < + =
`

+

)

( )

( )

( )
1/ 2
2
/ 2 / 2
1/ 2
2
/ 2 / 2
1/ 2
2

( ) cov( ) ( )

( ) cov( ) ( )
Finalmente destacar que si T es elevado:

cov( )
T u T l T l T f
T u T l T l T f
u T l T l u
S Y l t X X Y l t
LI Y l t X X Y l t
X X





+ +
+ +
+ +
= + + = +
= + =
+


Por lo tanto, si queremos construir
f
a partir de la notacin matricial, dado:

2
( )
( )
f T
Var e =

=
2

cov( )
T T u
X X
+ +
+




necesitamos recuperar la matriz de varianzas y covarianzas de los coeficientes
estimados

cov( ) . Eviews guarda la memoria de los resultados del modelo estimado.

Entonces generamos:

- La matriz

cov( )
MATRIX COVB= EQ1.@COV

4

- El error estndar de la regresin

y su varianza:
MATRIX SIGMA_U = EQ1.@SE
MATRIX VARU = (SIGMA_U)*(SIGMA_U)

- Construimos
( )
var( )
T
Y

cov( )
T T
X X
+ +


:
MATRIX VARY_TL = @TRANSPOSE(X_TL)*COVB*X_TL
MATRIX SIGMAY_TL = @SQRT (VARY_TL)

- Para calcular el error de la prediccin
f
, nos queda por tanto, sumar las dos
varianzas y obtener su raz cuadrada:
MATRIX SIGMAE_TL = @SQRT (VARY_TL+ VARU)

Es SIGMAE_TL muy diferente de SIGMA_U? A qu cree que se debe este
comportamiento? Si quiere verifique el valor de SIGMAY_TL.


Clculo del intervalo de confianza al 70%. Estadstico t=1

- El lmite inferior:
MATRIX LI_LWHF = Y_TL - SIGMAE_TL*1

- El lmite superior:
MATRIX LS_LWHF = Y_TL + SIGMAE_TL*1

Consideraciones:
En el ejemplo desarrollado se predijo el logaritmo del salario segn las
caractersticas del primer individuo de la muestra. No obstante, un ejercicio con
mayor inters prctico, sera preguntarse cual sera el logaritmo del salario por
hora si los aos de educacin medio de la poblacin aumentaran (ceteris
paribus) de 9.5 en 2006 a 10.5 en el tiempo, y la experiencia se mantiene en 23
aos, por ejemplo.
Adems, el inters real est sobre el salario ms que sobre el logaritmo del
salario. No obstante, si el error estndar del modelo es grande (como en este
caso, 0.42), debe aplicarse una correccin para convertir de manera adecuada los
valores logartmicos a lineales, y predecir correctamente.


Nota:
Si vemos el error de la prediccin como si te tratara de una combinacin lineal, su
clculo se podra desarrollar tambin partiendo de:

f
=
( )
var( ) var( )
T T
Y u
+
+

=
2
1 2 2 3 3 4 4

var( )
T T T u
X X X
+ + +
+ + + +

(1)

Por lo tanto,

f
=
4 4
2 2

1 , 1

var( ) cov( , )
i iT i j iT jT u
i i j
X X X
+ + +
= =
+ +

i j
5


Es decir,

2 2 2
1 2 2 3 3 4 4 1 2 2 1 3 3

var( ) var( ) var( ) var( ) 2 cov( , ) 2 cov( , ) ...
f
X X X X X = + + + + + +

2
1 4 4 2 3 2 3 2 4 2 4 3 4 3 4

... 2 cov( , ) 2 cov( , ) 2 cov( , ) 2 cov( , )
u
X X X X X X X + + + + +


Entonces, necesitamos conocer la matriz de varianzas y covarianzas:

VIEW / COVARIANCE MATRIX

C ESCOLA EXPER EXPER2


C 0.000965 -3.39E-05 -4.79E-05 7.33E-07
ESCOLA -3.39E-05 2.37E-06 6.31E-07 -4.62E-09
EXPER -4.79E-05 6.31E-07 3.93E-06 -7.17E-08
EXPER2 7.33E-07 -4.62E-09 -7.17E-08 1.42E-09

Reemplazo los valores de la frmula para calcular:

- La varianza de la prediccin:

SCALAR VAR_EF =( 0.000965+ 2.37E-06*(8^2)+ 3.93E-06*(17)^2+ 1.42E-09*((17^2)^2)+2*(-
3.39E-05)*8+2*(-4.79E-05)*17+2*( 7.33E-07)*(17^2)+2*( 6.31E-07)*8*17+2*(-4.62E-09)*8*(17^2)+2*(-
7.17E-08)*17*(17^2)+ (0.423852^2)

- El error estndar de la prediccin:

SCALAR SIGMA_EF=( VAR_EF)^0.5


Es posible verificar que el valor del error de la prediccin coincide por ambas vas.