R: La prueba t.

Una vez que hemos aprendido a calcular los intervalos de confianza podemos definir un entorno donde pudiera vivir nuestro parámetro poblacional, sin embargo, es necesario definir un elemento que nos permita usar este entorno para determinar si el planteamiento de nuestra investigación, se ajusta a la estimación que hemos hecho.

La idea básica de las pruebas de significancia es la de definir un estadístico de prueba y su distribución muestral según la hipótesis nula. La decisión de rechazar o no rechazar la hipótesis nula se toma con base en el valor del estadístico de prueba obtenido con los datos disponibles.

También pudiera interesarte

Anuncios

Prueba de significancia de los coeficientes de regresión: la prueba t

Con el supuesto de normalidad de $u_i$ , los estimadores de MCO $\hat{\beta}_1$ y $\hat{\beta}_2$ son en sí mismos normalmente distribuidos con sus medias y varianzas correspondientes. Por consiguiente, la variable

$t = \dfrac{\hat{\beta}_i - \beta_i}{ee(\hat{\beta}_i)} = \dfrac{(\hat{\beta}_i - \beta_i) \sqrt{\sum x_i^2}}{\hat{\sigma}}$

Sigue la distribución $t$ con $n - 2$ grados de libertad. Si el valor del verdadero $\beta_i$ se especifica con la hipótesis nula, el valor $t$ se calcula fácilmente a partir de la muestra disponible y, por consiguiente, sirve como estadístico de prueba.

Y como este estadístico de prueba sigue una distribución $t$ , caben afirmaciones sobre los intervalos de confianza como la siguiente:

$P \left[ -t_{\alpha/2} \leq \dfrac{\hat{\beta}_i - \beta^*_i}{ee(\hat{\beta}_i)} \leq t_{\alpha/2} \right] = 1-\alpha$

donde $\beta^*_i$ es el valor de $\beta_i$ que se plantea en la hipótesis nula $H_0$ y $-t_{\alpha/2}$ y $t_{\alpha/2}$ son los valores de $t$ (los valores críticos de $t$ ) obtenidos de la tabla t para un nivel de significancia $(\alpha/2)$ y $n-2$ grados de libertad.

Reescribiendo la inecuación involucrada, tenemos que

$P \left[ \beta^*_i - t_{\alpha/2} ee(\hat{\beta}_i) \leq \hat{\beta}_i \leq \beta^*_i + t_{\alpha/2} ee(\hat{\beta}_i) \right] = 1-\alpha$

obteniendo así, el intervalo en el cual se encontrará $\hat{\beta}_i$ con probabilidad $1-\alpha$ , dado $\hat{\beta}_i = \beta^*_i$ .

Calculamos los valores críticos en R usando la siguiente sintaxis:

li.H0.betai <- betai - qt(alpha/2, df=length(escolaridad)-2,lower.tail=F)*ee.betai
ls.H0.betai <- betai + qt(alpha/2, df=length(escolaridad)-2,lower.tail=F)*ee.betai

En el lenguaje de pruebas de hipótesis, este intervalo de confianza a $100(1 -\alpha)\%$ se conoce como la región de no rechazo (de la hipótesis nula $H_0$ ), y la región que queda fuera del intervalo de confianza conoce como región de rechazo (de la hipótesis nula $H_0$ ) o región crítica.

Prueba de Hipótesis, estadístico t | totumat.com

Los límites de confianza dados por los puntos extremos del intervalo de confianza se llaman también valores críticos.

Ahora se aprecia la estrecha conexión entre los enfoques de intervalo de confianza y prueba de significancia para realizar pruebas de hipótesis, pues al compararlos, tenemos que:

En el enfoque de intervalo de confianza se trata de establecer un rango o intervalo que tenga una probabilidad determinada de contener al verdadero aunque desconocido $\beta_i$

$P \left[ \hat{\beta}_i - t_{\alpha/2} ee(\hat{\beta}_i) \leq \beta_i \leq \hat{\beta}_i + t_{\alpha/2} ee(\hat{\beta}_i) \right] = 1-\alpha$

En el enfoque de prueba de significancia se somete a hipótesis algún valor de $\beta_i$ y se ve si el estimador $\hat{\beta}_i$ calculado se encuentra dentro de los límites (de confianza) razonables alrededor del valor sometido a hipótesis.

$P \left[ \beta^*_i - t_{\alpha/2} ee(\hat{\beta}_i) \leq \hat{\beta}_i \leq \beta^*_i + t_{\alpha/2} ee(\hat{\beta}_i) \right] = 1-\alpha$

Sin embargo, en la práctica, no hay necesidad de estimar este intervalo explícitamente. Se calcula el valor de $t$ y se ve si cae entre los valores críticos $t$ o fuera de ellos y calculamos el valor de $t$ en R usando la siguiente sintaxis:

t.c <- (betai - H0.betai)/ee.betai

Ejemplo

Consideremos un pequeño conjunto de datos, particularmente, los datos que se encuentran en la Tabla 3.2 del libro de Econometría de Damodar N. Gujarati and Dawn Porter en su quinta edición. Este conjunto de datos proporciona los datos primarios que se necesitan para estimar el efecto cuantitativo de la escolaridad en los salarios:

Observación	Salario	Escolaridad
1	4.4567	6
2	5.77	7
3	5.9787	8
4	7.3317	9
5	7.3182	10
6	6.5844	11
7	7.8182	12
8	7.8351	13
9	11.0223	14
10	10.6738	15
11	10.8361	16
12	13.615	17
13	13.531	18

Tabla 3.2

Sabiendo que $\hat{\beta}_2 = 0.7240$ , $ee(\hat{\beta}_2) = 0.0700$ y $gl=11$ . Si consideramos $\alpha=5\%$ , entonces $t_{\alpha/2}=2.201$ .

Considerando la hipótesis nula $H_0 : \beta_2 = \beta_2^* = 0.5$ y la hipótesis alternativa $H_1:\beta_2 \neq 0.5$ , calculamos los valores críticos en R usando la siguiente sintaxis:

H0.beta2 <- 0.5
li.H0.beta2 <- H0.beta2 - qt(alpha/2, df=length(escolaridad)-2,lower.tail=F)*ee.beta2
ls.H0.beta2 <- H0.beta2 + qt(alpha/2, df=length(escolaridad)-2,lower.tail=F)*ee.beta2

Una vez ejecutadas estas instrucciones, obtenemos que

$P (0.3460 \leq \hat{\beta}_2 \leq 0.6540) = 1-\alpha$

De forma gráfica, podemos expresar esta probabilidad así

Notamos entonces, que el valor $\hat{\beta}_2 = 0.7240$ está en la región de rechazo, por lo tanto, se rechaza la hipótesis nula $H_0$ .

Veamos ahora, qué es lo que ocurre con el valor que hemos calculado de $t$ . ¿Cae entre los valores críticos $t$ o fuera de ellos? $t = \frac{0.7240 - 0.5}{0.0700} = 3.2$ . Calculamos el valor de $t$ en R usando la siguiente sintaxis:

H0.beta2 <- 0.5
t.c <- (beta2 - H0.beta2)/ee.beta2

En el siguiente gráfico, vemos con claridad que el valor se encuentra en la región crítica y la conclusión se mantiene; es decir, rechazamos $H_0$ .

En su pantalla debería aparecer:

Notas:

Observe que si el $\beta_i$ estimado es igual al $\beta_i$ hipotético, el valor $t$ será cero. Por otra parte, a la medida en que el valor de $\beta_2$ estimado se aleje del valor hipotético de $\beta_2$ , el $|t|$ será cada vez mayor. Por consiguiente, un valor grande de $|t|$ nos permite rechazar la hipótesis nula con mayor confianza.

En la práctica, se plantea la hipótesis nula $H_0 : \beta_i$ (con énfasis en $beta_2$ ) pues al rechazar esta hipótesis, podemos asegurar con cierto grado de confianza, que $beta_2 \neq 0$ y así, concluir que la variable que acompaña a $beta_2$ explica a la variable dependiente.

Un comentario en “R: La prueba t.”

R para introducir a la Econometría: La instrucción lm() – totumat dice:

30.05.2021 a las 11:29 pm

[…] este caso la prueba t plantea la hipótesis nula , por lo tanto, es importante verificar que el valor sea lo más grande […]

Me gustaMe gusta

Responder

¿Tienes alguna duda? Compártela en los comentarios. Cancelar la respuesta

Introduce aquí tu comentario...

Introduce tus datos o haz clic en un icono para iniciar sesión:

Correo electrónico (obligatorio) (La dirección no se hará pública)

Nombre (obligatorio)

Web

Estás comentando usando tu cuenta de WordPress.com. ( Salir / Cambiar )

Estás comentando usando tu cuenta de Facebook. ( Salir / Cambiar )

Cancelar

Conectando a %s

Este sitio usa Akismet para reducir el spam. Aprende cómo se procesan los datos de tus comentarios.