Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
Eduardo Rossi
Università di Pavia
Maggio 2022
Esempio
H0 : β1 = 0 e β2 = 0
l’ipotesi alternativa
H1 : o β1 ̸= 0 o β2 ̸= 0 o entrambi
H0 : β1 = 0 e β2 = 0
H1 : o β1 ̸= 0 o β2 ̸= 0 o entrambe
Un’ipotesi congiunta specifica un valore per due o più coefficienti,
ossia impone una restrizione su due o più coefficienti:
H0 : βi = βi,0 , . . . , βj = βj,0
H0 : Rβ = r
H1 : Rβ ̸= r
r (q × 1)
R (q × (k + 1))
r(R) = q ≤k+1
Dato il MRLM:
Yi = β0 + β1 X1i + . . . + βk Xki + ui
Ipotesi nulla:
H0 : β1 + β2 = 0
R = 0, 1, 1, 0, . . . , 0 r=0
β0
β1
Rβ = 0, 1, 1, 0, . . . , 0 . = β1 + β2
..
βk
Y = X1 β 1 + X2 β 2 + u
X1 (n × k1 )
X2 (n × k2 )
β 1 (k1 × 1)
β 2 (k2 × 1)
k + 1 = k1 + k2
H0 : β 1 = 0
H0 : Rβ = 0
dove
..
h i
R= Iq . 0(q×k2 )
i β
.
h
1
Rβ = Iq .. 0(q×k2 ) β2
= β1
Y = X2 β 2 + u
Statistica F
H0 : Rβ = r
è h i−1
(Rβ̂ − r)′ RΣ̂β̂ R′ (Rβ̂ − r)
F =
q
Valore critico:
α α
Fq,∞ : Pr{Fq,∞ > Fq,∞ }=α
per un livello di significatività 0 ≤ α ≤ 1.
La procedura di test consiste nel calcolare F e rifiutare H0 se il suo
valore cade nella regione critica, cioè se {F act > Fq,∞
α }, tale che abbia
E(Yi ) = β0
Statistica F quando q = 1
R (1 × (k + 1)), r (1 × 1)
h i−1
[(Rβ̂ − r)]′ RΣ̂β̂ R′ [(Rβ̂ − r)] [(Rβ̂ − r)]2
= h i = t2
1 RΣ̂β̂ R′
Statistica F - Esempio
Ellisse di confidenza (k = 2)
Yi = β1 X1i + β2 X2i + ui i = 1, 2, . . . , n
Regione di confidenza per (β1 , β2 ):
1 0 β1
Rβ =
0 1 β2
Nel caso k = 2, la forma quadratica:
b −1 (β̂ − β)
(β̂ − β)′ Σ β̂
dato
σ̂12 σ̂1,2
b −1 =
Σ β̂
σ̂1,2 σ̂22
è uguale a
(βb1 − β1 )2 σ̂12 + 2(βb1 − β1 )(βb2 − β2 )σ̂1,2 + (βb2 − β2 )2 σ̂22
Rossi MRLM Econometria - 2022 24 / 53
Statistica F
Ellisse di confidenza (k = 2)
ax2 + byx + cy 2 = K
-0,1
-0,15
0,149, -0,198
female
-0,2
-0,25
-0,3
-0,35
0,06 0,08 0,1 0,12 0,14 0,16 0,18 0,2 0,22 0,24
beauty
Distribuzione di s2
u′ MX u
s2 =
n−k−1
per la normalità condizionale di u
′
u u
MX ∼ χ2n−k−1
σu σu
quindi
s2
(n − k − 1) ∼ χ2n−k−1
σu2
σu2
s2 ∼ χ2
n − k − 1 n−k−1
Statistica t̃
Data la statistica:
β̂i − βi,0
t̃ =
SE(β̂i )
se valgono le sei assunzioni generalizzate dei minimi quadrati, la
distribuzione campionaria esatta di t̃
t̃ ∼ tn−k−1
Dimostrazione
Se
1 Z ha una distribuzione N (0, 1)
2 W ha una distribuzione χ2m
3 Z e W sono indipendentemente distribuite
allora
Z
p ∼ tm
W/m
Ora
β̂i − βi,0
t̃ =
SE(β̂i )
β̂i − βi,0
=p ′
s ei (X′ X)−1 ei
2
β̂i − βi,0
=p
s2 /σu2 σu2 e′i (X′ X)−1 ei
p
Dimostrazione
1 Sotto H0
(β̂i − βi,0 )
|X ∼ N (0, 1)
σu2 e′i (X′ X)−1 ei
p
2
s2
(n − k − 1) ∼ χ2n−k−1
σu2
Dimostrazione
Si può scrivere
Z
t̃ = p
W/(n − k − 1)
con
(β̂i − βi,0 )
Z=p ∼ N (0, 1)
σu2 e′i (X′ X)−1 ei
e
s2
W = (n − k − 1) ∼ χ2n−k−1
σu2
Dimostrazione
β̂ = β + (X′ X)−1 X′ u
u′ MX u
s2 =
n−k−1
β̂ e s2 sono indipendenti se (X′ X)−1 X′ u e u′ MX u sono indipendenti.
Dato che u|X ∼ N (0, σu2 In )
Dimostrazione
Poichè
perchè
X′ MX = 0k×n
Segue che i due vettori sono indipendenti e che β̂ e s2 sono
indipendenti.
Si può concludere che
β̂i − βi,0
t̃ = ∼ tn−k−1
SE(β̂i )
Rossi MRLM Econometria - 2022 35 / 53
Errori normali e omoschedastici
F̃ ∼ Fq,n−k−1
F̃ è la versione di Wald.
Dimostrazione
Il rapporto
W1 /n1
∼ Fn1 ,n2
W2 /n2
dove
1 W1 ∼ χ2n1
2 W2 ∼ χ2n2
3 W1 e W2 sono indipendentemente distribuite.
Verifichiamo che queste tre condizioni siano verificate nel caso che
stiamo considerando.
Dimostrazione
Sia
W1 = (Rβ̂ − r)′ [σu2 R(X′ X)−1 R′ ]−1 (Rβ̂ − r)
e
s2
W2 = (n − k − 1)
σu2
possiamo scrivere
W1 /q
F̃ =
W2 /n − k − 1
Dimostrazione
Dato che
β̂|X ∼ N (β, σu2 (X′ X)−1 )
e sotto H0 , Rβ̂ − Rβ = Rβ̂ − r
quindi
(Rβ̂ − r)′ [σu2 R(X′ X)−1 R]−1 (Rβ̂ − r) ∼ χ2q
Abbiamo già visto che
s2 χ2n−k−1
∼
σu2 n−k−1
Dimostrazione
Rβ̂ − r e s2
F̃ ∼ Fq,n−k−1
La distribuzione Fq,n−k−1
ũ = Y − Xβ̃
ũ′ ũ − û′ û n − k − 1
F̃ =
û′ û q
P 2 P 2
P 2 P 2
i ũi / i (Y i − Ȳ ) − i ûi / i (Yi − Ȳ ) n − k − 1
= P 2 P 2
i ûi / i (Yi − Ȳ ) q
2 2
(1 − Rr ) − (1 − Rur ) n − k − 1
= 2
1 − Rur q
2
R −R n−k−1 2
= ur 2 r
1 − Rur q
TestScorei = β0 + β3 PctELi + ui
Esempio
Regressione vincolata:
\ i = 644, 7 − 0, 671STRi
TestScore R2 = 0, 4149
La statistica F̃ classica-riepilogo
Yi = β0 + β1 X1i + β2 X2i + ui
Considerate l’ipotesi nulla e l’ipotesi alternativa,
H0 : β1 = β2 vs H1 : β1 ̸= β2
Yi = β0 + β1 X1i + β2 X2i + ui
Considerate l’ipotesi nulla e l’ipotesi alternativa,
H0 : β1 = β2 vs H1 : β1 ̸= β2
Yi = β0 + γ1 X1i + β2 Wi + ui
dove
γ1 = β1 − β2
Wi = (X1i + X2i )
Yi = β0 + β1 X1i + β2 X2i + ui
Yi = β0 + γ1 X1i + β2 Wi + ui
Quindi,
H0 = γ1 = 0 vs H1 : γ1 ̸= 0
corrisponde a
H0 : β1 = β2 vs H1 : β1 ̸= β2
Queste due regressioni hanno lo stesso R2 , gli stessi valori previsti e gli
stessi residui. Il problema di verifica è ora semplice: verificare se γ1 = 0
nella regressione trasformata.
Rossi MRLM Econometria - 2022 53 / 53