TEMA 3

MODELO DE REGRESIÓN LINEAL MÚLTIPLE

REGRESIÓN MULTIPLE CON DOS VARIABLES EXPLICATIVAS

INGRESOS = !1 + !2S + !3EXPER + u

!1

INGRESOS

EXPER

Interpretación geométrica de la regresión múltiple, a traves de la modelización de los

ingresos en función de los años de estudio, S, y la experiencia, EXPER.

El modelo tiene tres dimensiones y el punto de partida para la determinar los ingresos es la
ordenada en el origen !1. Este punto surge de aquéllos que no tienen estudios ni
experiencia 2
 REGRESIÓN MULTIPLE CON DOS VARIABLES EXPLICATIVAS

INGRESOS = !1 + !2S + !3EXPER + u

efecto S
!1 + !2S
!1

INGRESOS

EXPER

El incremento de la educación, cuando la experiencia queda constante está dado por el

movimiento hacia la “derecha”: un año de estudios generaría una variación de los ingresos
en !2 pesetas, dado el nivel de experiencia. 3

REGRESIÓN MULTIPLE CON DOS VARIABLES EXPLICATIVAS

INGRESOS = !1 + !2S + !3EXPER + u

!1 + !3EXPER
efecto EXPER

!1

INGRESOS

EXPER

De la misma manera, !3 recoge el incremento de ingreso ante un aumento unitario de la

experiencia, dado el nivel de educación, S.
4
 REGRESIÓN MULTIPLE CON DOS VARIABLES EXPLICATIVAS

INGRESOS = !1 + !2S + !3EXPER + u

!1 + !2S + !3EXPER
!1 + !3EXPER efecto conjunto S y
efecto EXPER EXPER

efecto S
!1 + !2S
!1

INGRESOS

EXPER

S
Distintas combinaciones de S y EXPER dan lugar al hiperplano definido por INGRESOS = !1
+ !2S + !3EXPER. Este sería el componente no aleatorio del modelo.
IMPORTANTE: En regresión múltiple, cuando se evalúa el efecto de una variable sobre la
5
variable dependiente, es necesario discriminar el efecto propio de los efectos de las otras
variables.

REGRESIÓN MULTIPLE CON DOS VARIABLES EXPLICATIVAS

INGRESOS = !1 + !2S + !3EXPER + u

!1 + !2S + !3EXPER + u
u
!1 + !2S + !3EXPER
!1 + !3EXPER efecto conjunto S y
efecto EXPER EXPER

efecto S
!1 + !2S
!1

INGRESOS

EXPER

El elemento aleatorio del modelo, u, nace como consecuencia de que las observaciones no
coinciden con el hiperplano.
6
 REGRESIÓN MULTIPLE CON DOS VARIABLES EXPLICATIVAS

Los parámetros del modelo original son obtenidos por el método de mínimos cuadrados
ordinarios, de donde se obtienen los estimadores b1, b2, y b3.

El residuo, ei de la observación i no es más que la diferencia entre la observación actual y

la ajustada.
7

REGRESIÓN MULTIPLE CON DOS VARIABLES EXPLICATIVAS

SCR = ! e i2 = ! (Yi - b1 - b2 X 2 i - b3 X 3 i ) 2

Derivar los estimadores de los parámetros a partir

de las condiciones de primer
orden que hacen mínima la expresión anterior.

"SCR "SCR "SCR

=0 =0 =0
"b1 "b2 "b3

8
 REGRESIÓN MULTIPLE CON DOS VARIABLES EXPLICATIVAS

Obtenemos entonces tres ecuaciones para los tres parámetros. De estas ecuaciones
obtenemos los estimadores b1, b2, y b3.
9

REGRESIÓN MULTIPLE CON DOS VARIABLES EXPLICATIVAS

¿Qué sucede si la covarianza entre X2 y X3 es cero?

Interpretar
¿En este caso, de qué depende el signo que tome el parámetro?

¿Tiene sentido en economía pensar que la covarianza entre X2 y X3 sea cero?

Observar, por tanto, cómo la interrelación entre las distintas variables interactúan
entre sí para definir el estimador

¿Qué sucede si en el denominador saco como factor común las varianzas?

Hacerlo e interpretar
10
 REGRESIÓN MULTIPLE CON DOS VARIABLES EXPLICATIVAS

. reg INGRESOS S EXPER

Source | SS df MS Number of obs = 570

---------+------------------------------ F( 2, 567) = 39.98
Model | 4745.74965 2 2372.87483 Prob > F = 0.0000
Residual | 33651.2874 567 59.3497133 R-squared = 0.1236
---------+------------------------------ Adj R-squared = 0.1205
Total | 38397.0371 569 67.4816117 Root MSE = 7.7039

------------------------------------------------------------------------------
INGRESOS | Coef. Std. Err. t P>|t| [95% Conf. Interval]
---------+--------------------------------------------------------------------
S | .7390366 .1606216 4.601 0.000 .4235506 1.054523
EXPER | .1545341 .0429486 3.598 0.000 .0701764 .2388918
_cons | -4.624749 2.0132 -2.297 0.022 -8.578989 -.6705095
------------------------------------------------------------------------------

ˆ
ingresos = - 4.62 + 0.74 S + 0.15 Exper

11
 RELACIONES MULTIVARIANTES

. reg ingresos S hábil

Source | SS df MS Number of obs = 570

---------+------------------------------ F( 2, 567) = 39.98
Model | 4745.74965 2 2372.87483 Prob > F = 0.0000
Residual | 33651.2874 567 59.3497133 R-squared = 0.1236
---------+------------------------------ Adj R-squared = 0.1205
Total | 38397.0371 569 67.4816117 Root MSE = 7.7039

------------------------------------------------------------------------------
ingresos | Coef. Std. Err. t P>|t| [95% Conf. Interval]
---------+--------------------------------------------------------------------
S | .7390366 .1606216 4.601 0.000 .4235506 1.054523
hábil | .1545341 .0429486 3.598 0.000 .0701764 .2388918
_cons | -4.624749 2.0132 -2.297 0.022 -8.578989 -.6705095
------------------------------------------------------------------------------

Este resultado surge de hacer la regresión de ingresos, medido en pesetas por hora, frente
a años de educación, S, y el resultado de un test de habilidad o aptitud hábil.

Pero supongamos que lo que nos interesa es la relación entre ingresos y S: si observamos
únicamente este gráfico para extraer conclusiones, éstas podrían estar equivocadas dado
que sabemos que la habilidad afecta al ingreso, pero también a la educación. 12

Relaciones Multivariantes

. correlación S hábil
(obs=570)
| S hábil
--------+------------------
S| 1.0000
hábil | 0.5779 1.0000

Existe una relación positiva fuerte entre S y hábil, y también entre hábil e ingresos. Es por
ello que mirar únicamente la relación entre S e ingreso podría llevarnos a conclusiones
equivocadas. 13
 Relaciones Multivariantes

. reg ingresos hábil

Source | SS df MS Number of obs = 570

---------+------------------------------ F( 1, 568) = 56.78
Model | 3489.30726 1 3489.30726 Prob > F = 0.0000
Residual | 34907.7298 568 61.4572708 R-squared = 0.0909
---------+------------------------------ Adj R-squared = 0.0893
Total | 38397.0371 569 67.4816117 Root MSE = 7.8395

------------------------------------------------------------------------------
ingresos | Coef. Std. Err. t P>|t| [95% Conf. Interval]
---------+--------------------------------------------------------------------
hábil | .2687432 .035666 7.535 0.000 .1986898 .3387966
_cons | -.359883 1.818571 -0.198 0.843 -3.931829 3.212063
------------------------------------------------------------------------------

Para eliminar el efecto de la habilidad, lo que debería hacerse es limpiar de ingresos y S el

efecto que se debe a hábil y después graficar ambas variables. Para ello, es necesario
regresar, por separado, ingresos y estudios frente a hábil y quedarnos con los residuos de
estas regresiones.
14

Relaciones Multivariantes

. reg S hábil

Source | SS df MS Number of obs = 570

---------+------------------------------ F( 1, 568) = 284.89
Model | 1153.80864 1 1153.80864 Prob > F = 0.0000
Residual | 2300.43873 568 4.05006818 R-squared = 0.3340
---------+------------------------------ Adj R-squared = 0.3329
Total | 3454.24737 569 6.07073351 Root MSE = 2.0125

------------------------------------------------------------------------------
S | Coef. Std. Err. t P>|t| [95% Conf. Interval]
---------+--------------------------------------------------------------------
hábil | .1545378 .0091559 16.879 0.000 .1365543 .1725213
_cons | 5.770845 .4668473 12.361 0.000 4.853888 6.687803
------------------------------------------------------------------------------

15
 Relaciones Multivariantes

Una vez que hemos hecho eso, graficamos los residuos de ambas regresiones. Esta gráfica
nos muestra la relación entre el ingreso y S, una vez depurado el efecto de la habilidad. La
recta oscura es la regresión entre los residuos y la más clara es la regresión original entre
16
ingresos y estudios.

Relaciones Multivariantes
. reg Res-ingresos res-estudios
Source | SS df MS Number of obs = 570
---------+------------------------------ F( 1, 568) = 21.21
Model | 1256.44239 1 1256.44239 Prob > F = 0.0000
Residual | 33651.2873 568 59.2452241 R-squared = 0.0360
---------+------------------------------ Adj R-squared = 0.0343
Total | 34907.7297 569 61.3492613 Root MSE = 7.6971
------------------------------------------------------------------------------
Resin | Coef. Std. Err. t P>|t| [95% Conf. Interval]
---------+--------------------------------------------------------------------
RS | .7390366 .1604802 4.605 0.000 .4238296 1.054244
_cons | -5.99e-09 .3223957 0.000 1.000 -.6332333 .6332333
------------------------------------------------------------------------------

Regresión de los residuos.

¿POR QUÉ LA ESTIMACIÓN DE LA CONSTANTE EN ESTE MODELO ES PRÁCTICAMENTE
IGUAL A 0?

17
 Relaciones Multivariantes
. reg Res-ing RS
Source | SS df MS Number of obs = 570
---------+------------------------------ F( 1, 568) = 21.21
Model | 1256.44239 1 1256.44239 Prob > F = 0.0000
Residual | 33651.2873 568 59.2452241 R-squared = 0.0360
---------+------------------------------ Adj R-squared = 0.0343
Total | 34907.7297 569 61.3492613 Root MSE = 7.6971
------------------------------------------------------------------------------
Resin | Coef. Std. Err. t P>|t| [95% Conf. Interval]
---------+--------------------------------------------------------------------
RS | .7390366 .1604802 4.605 0.000 .4238296 1.054244
_cons | -5.99e-09 .3223957 0.000 1.000 -.6332333 .6332333
------------------------------------------------------------------------------

Regresión multiple:
------------------------------------------------------------------------------
ingresos | Coef. Std. Err. t P>|t| [95% Conf. Interval]
---------+--------------------------------------------------------------------
S | .7390366 .1606216 4.601 0.000 .4235506 1.054523
exper | .1545341 .0429486 3.598 0.000 .0701764 .2388918
_cons | -4.624749 2.0132 -2.297 0.022 -8.578989 -.6705095
------------------------------------------------------------------------------

Es importante observar que el procedimiento seguido anteriormente da lugar al mismo

estimador que la regresión multiple. ¿Entonces, cuál es la interpretación del estimador del
coeficiente? 18

EJERCICIO

Vamos a descomponer el estimador:

para demostrar que este estimador surge de la regresión entre

los residuos obtenidos de regresar Y frente X3, frente a los
residuos obtenidos de regresar X2 frente X3

19
 PRECISIÓN DE LOS ESTIMADORES

! u2 2 1
Varianza poblacional b2 = ! = b2
!
nVar ( X 2 ) 1 - rX22 , X 3

Observar que la varianza se compone de dos elementos:

El primero es idéntico al caso de regresión simple: depende de la

varianza de la perturbación, del número de observaciones en la muestra y
de la varianza de la variable explicativa de interés.

El segundo componente está relacionado con la correlación que existe

entre las dos variables explicativas del modelo: observar que cuanto
mayor sea la correlación entre estas dos variables, mayor será la
varianza del estimador.

Cuanto mayor sea la correlación entre las dos variables explicativas, más
difícil será discriminar entre el efecto que dichas variables producen en la
Y y, por lo tanto, menos precisa será la estimación. 20

PRECISIÓN DE LOS ESTIMADORES

! u2 2 1
Varianza poblacional b2 = ! = b2
!
nVar ( X 2 ) 1 - rX22 , X 3

! u2 1
Desviación típica b2 = !
nVar ( X 2 ) 1 - rX22 , X 3

21
 Veremos ahora un ejemplo utilizando dos muestras de salarios: una,
de trabajadores sindicalizados, cuyo salario ha sido fijado a través de
negociación colectiva y otra de trabajadores no sindicalizados.

El objetivo es analizar las diferencias en la precisión de la estimación

de los parámetros de ambas muestras, tratando de discernir las
causas de estas diferencias

22

Precisión de los estimadores

. reg SALARIOS S HABIL (NO SINDICALIZADO)

Source | SS df MS Number of obs = 507

---------+------------------------------ F( 2, 504) = 40.31
Model | 4966.96516 2 2483.48258 Prob > F = 0.0000
Residual | 31052.2066 504 61.6115211 R-squared = 0.1379
---------+------------------------------ Adj R-squared = 0.1345
Total | 36019.1718 506 71.184134 Root MSE = 7.8493

------------------------------------------------------------------------------
SALARIOS | Coef. Std. Err. t P>|t| [95% Conf. Interval]
---------+--------------------------------------------------------------------
S | .8891909 .1741617 5.106 0.000 .5470186 1.231363
HABIL | .1398727 .0461806 3.029 0.003 .0491425 .2306029
_cons | -6.100961 2.15968 -2.825 0.005 -10.34404 -1.857877
------------------------------------------------------------------------------

RESPONDER:
¿El signo del estimador del parámetro de HABIL es el esperable ?
¿Es significativo el efecto de HABIL en el salario?
¿Hay rendimientos constantes a escala en HABIL y S?¿qué
significa esto y cómo lo constrastaría?
¿El modelo ajusta bien?

23
 Precisión de los estimadores

. reg SALARIOS S HABIL (SINDICALIZADO)

Source | SS df MS Number of obs = 63

---------+------------------------------ F( 2, 60) = 2.58
Model | 172.902083 2 86.4510417 Prob > F = 0.0844
Residual | 2012.88504 60 33.5480841 R-squared = 0.0791
---------+------------------------------ Adj R-squared = 0.0484
Total | 2185.78713 62 35.2546311 Root MSE = 5.7921

------------------------------------------------------------------------------
SALARIOS | Coef. Std. Err. t P>|t| [95% Conf. Interval]
---------+--------------------------------------------------------------------
S | -.3872787 .3530145 -1.097 0.277 -1.093413 .3188555
HABIL | .2309133 .1019211 2.266 0.027 .0270407 .4347858
_cons | 8.291716 4.869209 1.703 0.094 -1.448152 18.03158
------------------------------------------------------------------------------

24

Precisión de los estimadores

Descomposición del error standard de S

Componente su n Var(S) rS, HABIL s.e.

No-sindic 0.1742

Sindic 0.3530

Factor

No-sindic

Sindic

Descompondremos la desviación típica.

25
 Precisión de los estimadores

. reg SALARIOS S HABIL (NO SINDICALIZADO)

Source | SS df MS Number of obs = 507

---------+------------------------------ F( 2, 504) = 40.31
Model | 4966.96516 2 2483.48258 Prob > F = 0.0000
Residual | 31052.2066 504 61.6115211 R-squared = 0.1379
---------+------------------------------ Adj R-squared = 0.1345
Total | 36019.1718 506 71.184134 Root MSE = 7.8493

------------------------------------------------------------------------------
SALARIOS | Coef. Std. Err. t P>|t| [95% Conf. Interval]
---------+--------------------------------------------------------------------
S | .8891909 .1741617 5.106 0.000 .5470186 1.231363
HABIL | .1398727 .0461806 3.029 0.003 .0491425 .2306029
_cons | -6.100961 2.15968 -2.825 0.005 -10.34404 -1.857877
------------------------------------------------------------------------------

1
su2 = SCR
n- k

Por tanto, SCR/(n-k) es 61.6115, por lo que, la raíz cuadrada es 7.8493.

26

Precisión de los estimadores

. reg SALARIOS S HABIL (SINDICALIZADO)

Source | SS df MS Number of obs = 63

---------+------------------------------ F( 2, 60) = 2.58
Model | 172.902083 2 86.4510417 Prob > F = 0.0844
Residual | 2012.88504 60 33.5480841 R-squared = 0.0791
---------+------------------------------ Adj R-squared = 0.0484
Total | 2185.78713 62 35.2546311 Root MSE = 5.7921

------------------------------------------------------------------------------
SALARIOS | Coef. Std. Err. t P>|t| [95% Conf. Interval]
---------+--------------------------------------------------------------------
S | -.3872787 .3530145 -1.097 0.277 -1.093413 .3188555
HABIL | .2309133 .1019211 2.266 0.027 .0270407 .4347858
_cons | 8.291716 4.869209 1.703 0.094 -1.448152 18.03158
------------------------------------------------------------------------------

De la misma manera, calculamos para la muestra de trabajadores sindicalizados 33.54808,

con raíz cuadrada 5.7921. El número de observaciones es 63.
27
 Precisión de los estimadores

Descomposición del error standard de S

Componente su n Var(S) rS, HABIL s.e.

No-sindic 7.8493 507 6.0645 0.1742

Sindic 5.7921 63 6.0136 0.3530

Factor

No-sindic

Sindic

La varianza de S se calcula a partir de los datos de la muestra para cada una de las
submuestras
28

Precisión de los estimadores

. cor S HABIL (NO SINDICALIZADO)

(obs=507)

| S HABIL
--------+------------------
S| 1.0000
HABIL | 0.5826 1.0000

. cor S HABIL (SINDICALIZADO)

(obs=63)

| S HABIL
--------+------------------
S| 1.0000
HABIL | 0.5380 1.0000

Se calcula el coeficiente de correlación.

29
 Precisión de los estimadores

Descomposición del error standard de S

Componente su n Var(S) rS, HABIL s.e.

No-sindic 7.8493 507 6.0645 0.5826 0.1742

Sindic 5.7921 63 6.0136 0.5380 0.3530

Factor product

No-sindic 7.8493 0.0444 0.4061 1.2304 0.1741

Sindic 5.7921 0.1260 0.4078 1.1863 0.3531

30

! u2
2 1
Varianza poblacional b2 = ! = b2
!
nVar ( X 2 ) 1 - rX22 , X 3

¿Qué ocurriría si la correlación entre las variables explicativas fuese

perfecta (es decir, igual a 1 o -1? .... MULTICOLINEALIDAD

31
 CONTRASTE F DE BONDAD DEL AJUSTE

H 0 : ! 2 = ... = ! k = 0
H 1 : al menos un ! ! 0

Observar:
- hay k-1 variables explicativas
- la hipótesis nula se pregunta si estas variables explican la variabilidad
de la variable dependiente.
PREGUNTA ¿Cómo interpreta la hipótesis nula?

32

CONTRASTE F DE BONDAD DEL AJUSTE

H 0 : ! 2 = ... = ! k = 0
H 1 : al menos un ! ! 0

SCE ( k - 1)
F ( k - 1, n - k ) =
SCR ( n - k )
SCE
( k - 1)
SCT R 2 ( k - 1)
= =
SCR - (1 - R 2 ) (n - k )
(n k )
SCT

33
 CONTRASTE F DE BONDAD DEL AJUSTE

. reg S ASVABC SM SF

Source | SS df MS Number of obs = 570

---------+------------------------------ F( 3, 566) = 110.83
Model | 1278.24153 3 426.080508 Prob > F = 0.0000
Residual | 2176.00584 566 3.84453329 R-squared = 0.3700
---------+------------------------------ Adj R-squared = 0.3667
Total | 3454.24737 569 6.07073351 Root MSE = 1.9607

------------------------------------------------------------------------------
S | Coef. Std. Err. t P>|t| [95% Conf. Interval]
---------+--------------------------------------------------------------------
ASVABC | .1295006 .0099544 13.009 0.000 .1099486 .1490527
SM | .069403 .0422974 1.641 0.101 -.013676 .152482
SF | .1102684 .0311948 3.535 0.000 .0489967 .1715401
_cons | 4.914654 .5063527 9.706 0.000 3.920094 5.909214
------------------------------------------------------------------------------

34

CONTRASTE F DE BONDAD DEL AJUSTE

SCR1
SCR2

Otra utilización del contraste de bondad de ajuste: analizar la capacidad

predictiva de un subconjunto de variables explicativas

35
 CONTRASTE F DE BONDAD DEL AJUSTE

SCR1
SCR2

H0 : !3 = !4 = 0
H1 : ! 3 ! 0 o ! 4 ! 0 o !3 y !4 ! 0

36

CONTRASTE F DE BONDAD DEL AJUSTE

SCR1
SCR2

H0 : !3 = !4 = 0
H1 : ! 3 ! 0 o ! 4 ! 0 o !3 y !4 ! 0

mejora coste
F(coste, gl ) =
remanente gl
no explicado

Mejora: es la reducción de la suma de los cuadrados residuales cuando agregamos las nuevas
variables explicativas.
Coste: es la disminución de grados de libertad por añadir nuevas variables. En este caso es
igual al número de variables explicativas añadidas, dado que éste es el número de parámetros
a estimar adicionales. Los grados de libertad pasarían de n-2 a n-4 cuando X3 y X4 se agregan
Remanente no explicado: la suma de los cuadrados residuales en la estimación después
de introducir las nuevas variables
gl: grados de libertad que quedan después de realizar los cambios 37
 CONTRASTE F DE BONDAD DEL AJUSTE

. reg S ASVABC

Source | SS df MS Number of obs = 570

---------+------------------------------ F( 1, 568) = 284.89
Model | 1153.80864 1 1153.80864 Prob > F = 0.0000
Residual | 2300.43873 568 4.05006818 R-squared = 0.3340
---------+------------------------------ Adj R-squared = 0.3329
Total | 3454.24737 569 6.07073351 Root MSE = 2.0125

------------------------------------------------------------------------------
S | Coef. Std. Err. t P>|t| [95% Conf. Interval]
---------+--------------------------------------------------------------------
ASVABC | .1545378 .0091559 16.879 0.000 .1365543 .1725213
_cons | 5.770845 .4668473 12.361 0.000 4.853888 6.687803
------------------------------------------------------------------------------

38

CONTRASTE F DE BONDAD DEL AJUSTE

. reg S ASVABC SM SF

Source | SS df MS Number of obs = 570

---------+------------------------------ F( 3, 566) = 110.83
Model | 1278.24153 3 426.080508 Prob > F = 0.0000
Residual | 2176.00584 566 3.84453329 R-squared = 0.3700
---------+------------------------------ Adj R-squared = 0.3667
Total | 3454.24737 569 6.07073351 Root MSE = 1.9607

------------------------------------------------------------------------------
S | Coef. Std. Err. t P>|t| [95% Conf. Interval]
---------+--------------------------------------------------------------------
ASVABC | .1295006 .0099544 13.009 0.000 .1099486 .1490527
SM | .069403 .0422974 1.641 0.101 -.013676 .152482
SF | .1102684 .0311948 3.535 0.000 .0489967 .1715401
_cons | 4.914654 .5063527 9.706 0.000 3.920094 5.909214
------------------------------------------------------------------------------

39
 CONTRASTE F DE BONDAD DEL AJUSTE

SCR1
SCR2

H0 : !3 = !4 = 0
H1 : ! 3 ! 0 o ! 4 ! 0 o !3 y !4 ! 0

mejora coste
F(coste, gl ) =
remanente gl
no explicado

( SCR1 - SCR2 ) 2 ( 2300.4 - 2176.0) / 2 =16.18

F ( 2,570 - 4) = = = 16.18
SCR2 (570 - 4) 2176.0 / 566
Fcrit,0.1% ( 2,120) = 7.32

40

CONTRASTE F DE BONDAD DEL AJUSTE

SCR1
SCR2

Para concluir este análisis del contraste de bondad de ajuste, haremos una
reinterpretación del contraste t: básicamente, este contraste t es equivalente
al contraste F cuando se agrega una sola variable al modelo.
Es decir, el contraste t mide la capacidad explicativa de una variable, dadas
todas las demás. Ahora lo veremos.

41
 CONTRASTE F DE BONDAD DEL AJUSTE

SCR1
SCR2

mejora coste
F(coste, d.f. ) =
remanente gl
no explicado

Suponga que el modelo original es Y en función de X2 y X3, y que el modelo

revisado es aquel en el que se incluye X4 .
42

CONTRASTE F DE BONDAD DEL AJUSTE

. reg S ASVABC SM

Source | SS df MS Number of obs = 570

---------+------------------------------ F( 2, 567) = 156.81
Model | 1230.2039 2 615.101949 Prob > F = 0.0000
Residual | 2224.04347 567 3.92247526 R-squared = 0.3561
---------+------------------------------ Adj R-squared = 0.3539
Total | 3454.24737 569 6.07073351 Root MSE = 1.9805

------------------------------------------------------------------------------
S | Coef. Std. Err. t P>|t| [95% Conf. Interval]
---------+--------------------------------------------------------------------
ASVABC | .1381062 .0097494 14.166 0.000 .1189567 .1572556
SM | .154783 .0350728 4.413 0.000 .0858946 .2236715
_cons | 4.791277 .5102431 9.390 0.000 3.78908 5.793475
------------------------------------------------------------------------------

43
 CONTRASTE F DE BONDAD DEL AJUSTE

. reg S ASVABC SM SF

Source | SS df MS Number of obs = 570

---------+------------------------------ F( 3, 566) = 110.83
Model | 1278.24153 3 426.080508 Prob > F = 0.0000
Residual | 2176.00584 566 3.84453329 R-squared = 0.3700
---------+------------------------------ Adj R-squared = 0.3667
Total | 3454.24737 569 6.07073351 Root MSE = 1.9607

------------------------------------------------------------------------------
S | Coef. Std. Err. t P>|t| [95% Conf. Interval]
---------+--------------------------------------------------------------------
ASVABC | .1295006 .0099544 13.009 0.000 .1099486 .1490527
SM | .069403 .0422974 1.641 0.101 -.013676 .152482
SF | .1102684 .0311948 3.535 0.000 .0489967 .1715401
_cons | 4.914654 .5063527 9.706 0.000 3.920094 5.909214
------------------------------------------------------------------------------

44

CONTRASTE F DE BONDAD DEL AJUSTE

SCR1
SCR2

mejora coste
F(coste, d.f. ) =
remanente gl
no explicado

( SCR1 - SCR2 ) 1 ( 2224.0 - 2176.0) / 1

F (1,570 - 4) = = = 12.49
SCR2 (570 - 4) 2176.0 / 566

Observación importante: siempre que agregamos variables disminuye

la suma de los cuadrados de los residuos
¿Qué pasa entonces con el R-cuadrado cuando agregamos variables? 45
¿Qué pasa con el contraste t de dos colas?
 CONTRASTE F DE BONDAD DEL AJUSTE

. reg S ASVABC SM SF

Source | SS df MS Number of obs = 570

---------+------------------------------ F( 3, 566) = 110.83
Model | 1278.24153 3 426.080508 Prob > F = 0.0000
Residual | 2176.00584 566 3.84453329 R-squared = 0.3700
---------+------------------------------ Adj R-squared = 0.3667
Total | 3454.24737 569 6.07073351 Root MSE = 1.9607

------------------------------------------------------------------------------
S | Coef. Std. Err. t P>|t| [95% Conf. Interval]
---------+--------------------------------------------------------------------
ASVABC | .1295006 .0099544 13.009 0.000 .1099486 .1490527
SM | .069403 .0422974 1.641 0.101 -.013676 .152482
SF | .1102684 .0311948 3.535 0.000 .0489967 .1715401
_cons | 4.914654 .5063527 9.706 0.000 3.920094 5.909214
------------------------------------------------------------------------------

Este resultado muestra que el contraste t es un test sobre la importancia marginal de una
variable, después de que todas las otras variables fueran incluidas en la ecuación. Si la
correlación de esta nueva variable con las otras ya incluidas fuera muy alta, entonces su 46
poder explicativo sería muy bajo y probablemente no rechazaríamos la hipótesis nula.

CONTRASTE F DE BONDAD DEL AJUSTE

. reg S ASVABC SM SF

Source | SS df MS Number of obs = 570

---------+------------------------------ F( 3, 566) = 110.83
Model | 1278.24153 3 426.080508 Prob > F = 0.0000
Residual | 2176.00584 566 3.84453329 R-squared = 0.3700
---------+------------------------------ Adj R-squared = 0.3667
Total | 3454.24737 569 6.07073351 Root MSE = 1.9607

------------------------------------------------------------------------------
S | Coef. Std. Err. t P>|t| [95% Conf. Interval]
---------+--------------------------------------------------------------------
ASVABC | .1295006 .0099544 13.009 0.000 .1099486 .1490527
SM | .069403 .0422974 1.641 0.101 -.013676 .152482
SF | .1102684 .0311948 3.535 0.000 .0489967 .1715401
_cons | 4.914654 .5063527 9.706 0.000 3.920094 5.909214
------------------------------------------------------------------------------

Si la correlación entre todas las variables incluidas fuera alta, cada variable tendría un
efecto explicativo marginal muy pequeño, por lo que su t sería bajo. Sin embargo, es
posible que en conjunto, el modelo explique bien y por lo tanto, el valor del contraste F 47
fuera relevante.