Capítulo 14 Pruebas de hipótesis: práctica

← Volver a la teoría

14.1 Objetivos de la práctica

Al finalizar esta práctica podrás:

  1. Estimar un modelo lineal y extraer estadísticos \(t\), valores \(p\) e intervalos de confianza.
  2. Evaluar una hipótesis individual sobre un coeficiente.
  3. Evaluar una hipótesis conjunta con una prueba \(F\).
  4. Reproducir las mismas pruebas en R, Stata y Python.

14.2 Pregunta aplicada

Queremos estudiar si el salario por hora está asociado con educación y experiencia. La pregunta aplicada es:

¿La evidencia muestral permite rechazar que educación y experiencia no estén asociadas con el salario por hora?

Estimaremos:

\[ \text{salario\_hora}_i =\beta_0+\beta_1\text{educacion}_i+\beta_2\text{experiencia}_i+\epsilon_i. \]

Evaluaremos una prueba individual para educación y una prueba conjunta para educación y experiencia.

14.3 Datos

Usaremos una base determinística para que los resultados sean reproducibles en los tres programas.

datos_hip <- data.frame(
  educacion = c(10, 10, 11, 11, 12, 12, 13, 13, 14, 14,
                15, 15, 16, 16, 17, 17, 18, 18),
  experiencia = c(1, 4, 2, 6, 3, 8, 4, 9, 5, 10,
                  6, 11, 7, 12, 8, 13, 9, 14),
  ajuste = c(-0.7, 0.1, -0.3, 0.5, -0.2, 0.4, 0.0, 0.6, -0.1, 0.5,
             0.2, 0.7, -0.2, 0.4, 0.1, 0.8, -0.1, 0.3)
)

datos_hip$salario_hora <- 4.5 +
  0.68 * datos_hip$educacion +
  0.22 * datos_hip$experiencia +
  datos_hip$ajuste

kable(datos_hip, digits = 2, caption = "Datos de práctica para pruebas de hipótesis")
Tabla 14.1: Datos de práctica para pruebas de hipótesis
educacion experiencia ajuste salario_hora
10 1 -0.7 10.82
10 4 0.1 12.28
11 2 -0.3 12.12
11 6 0.5 13.80
12 3 -0.2 13.12
12 8 0.4 14.82
13 4 0.0 14.22
13 9 0.6 15.92
14 5 -0.1 15.02
14 10 0.5 16.72
15 6 0.2 16.22
15 11 0.7 17.82
16 7 -0.2 16.72
16 12 0.4 18.42
17 8 0.1 17.92
17 13 0.8 19.72
18 9 -0.1 18.62
18 14 0.3 20.12
ggplot(datos_hip, aes(x = educacion, y = salario_hora)) +
  geom_point(color = "#2f4858", size = 2.7) +
  geom_smooth(method = "lm", se = FALSE, color = "#C0562F", linewidth = 1) +
  labs(x = "Años de educación", y = "Salario por hora") +
  theme_minimal()
Relación entre educación y salario por hora en la práctica de pruebas

Figura 14.1: Relación entre educación y salario por hora en la práctica de pruebas

14.4 Estimación en R

Estimamos el modelo no restringido y extraemos los objetos necesarios para las pruebas.

modelo_hip <- lm(salario_hora ~ educacion + experiencia, data = datos_hip)
tabla_hip <- coef(summary(modelo_hip))

beta0_hip <- unname(coef(modelo_hip)[["(Intercept)"]])
beta_educ_hip <- unname(coef(modelo_hip)[["educacion"]])
beta_exp_hip <- unname(coef(modelo_hip)[["experiencia"]])
se0_hip <- tabla_hip["(Intercept)", "Std. Error"]
se_educ_hip <- tabla_hip["educacion", "Std. Error"]
se_exp_hip <- tabla_hip["experiencia", "Std. Error"]
t_educ_hip <- tabla_hip["educacion", "t value"]
p_educ_hip <- tabla_hip["educacion", "Pr(>|t|)"]
r2_hip <- summary(modelo_hip)$r.squared
gl_resid_hip <- df.residual(modelo_hip)
ic_educ_hip <- confint(modelo_hip)["educacion", ]

modelo_hip_restr <- lm(salario_hora ~ 1, data = datos_hip)
anova_hip <- anova(modelo_hip_restr, modelo_hip)
f_global_hip <- anova_hip$F[2]
p_global_hip <- anova_hip$`Pr(>F)`[2]
src_restr_hip <- deviance(modelo_hip_restr)
src_no_restr_hip <- deviance(modelo_hip)

kable(
  data.frame(
    termino = rownames(tabla_hip),
    estimacion = tabla_hip[, "Estimate"],
    error_estandar = tabla_hip[, "Std. Error"],
    t = tabla_hip[, "t value"],
    p_valor = tabla_hip[, "Pr(>|t|)"],
    row.names = NULL
  ),
  digits = 4,
  caption = "Resultados del modelo para pruebas de hipótesis en R"
)
Tabla 14.2: Resultados del modelo para pruebas de hipótesis en R
termino estimacion error_estandar t p_valor
(Intercept) 5.0593 0.3120 16.2178 0
educacion 0.5830 0.0291 20.0398 0
experiencia 0.3516 0.0204 17.2305 0
ic_plot_hip <- data.frame(
  termino = "Educación",
  estimacion = beta_educ_hip,
  inferior = ic_educ_hip[1],
  superior = ic_educ_hip[2]
)

ggplot(ic_plot_hip, aes(x = termino, y = estimacion)) +
  geom_hline(yintercept = 0, color = "grey65", linewidth = 0.7) +
  geom_errorbar(aes(ymin = inferior, ymax = superior), width = 0.08, color = "#2f4858", linewidth = 1) +
  geom_point(color = "#C0562F", size = 3) +
  labs(x = NULL, y = "Coeficiente estimado") +
  theme_minimal()
Intervalo de confianza para el coeficiente de educación

Figura 14.2: Intervalo de confianza para el coeficiente de educación

La prueba conjunta se calcula comparando el modelo restringido con el no restringido:

kable(
  data.frame(
    prueba = "H0: educación = 0 y experiencia = 0",
    SRC_restringida = src_restr_hip,
    SRC_no_restringida = src_no_restr_hip,
    F = f_global_hip,
    p_valor = p_global_hip
  ),
  digits = 4,
  caption = "Prueba F conjunta calculada en R"
)
Tabla 14.3: Prueba F conjunta calculada en R
prueba SRC_restringida SRC_no_restringida F p_valor
H0: educación = 0 y experiencia = 0 125.2848 0.6306 1482.458 0

14.5 Interpretación

La pendiente de educación es 0.583, con estadístico \(t\) igual a 20.040 y valor \(p\) igual a 0.0000. El intervalo de confianza va de 0.521 a 0.645.

La prueba conjunta de \(H_0:\beta_{\text{educacion}}=\beta_{\text{experiencia}}=0\) entrega un estadístico \(F\) igual a 1482.458 y un valor \(p\) igual a 0.0000.

Rechazar una hipótesis de coeficiente cero no convierte automáticamente la asociación en causal. La interpretación causal depende de la exogeneidad y del diseño empírico.

14.6 Estimación en Stata

El mismo ejercicio puede correrse en Stata:

clear
input educacion experiencia ajuste
10 1  -0.7
10 4   0.1
11 2  -0.3
11 6   0.5
12 3  -0.2
12 8   0.4
13 4   0.0
13 9   0.6
14 5  -0.1
14 10  0.5
15 6   0.2
15 11  0.7
16 7  -0.2
16 12  0.4
17 8   0.1
17 13  0.8
18 9  -0.1
18 14  0.3
end

gen salario_hora = 4.5 + 0.68 * educacion + 0.22 * experiencia + ajuste
reg salario_hora educacion experiencia
test educacion
test educacion experiencia

Los resultados esperados son los mismos coeficientes que Stata debe reproducir si usa la misma base y especificación:

Término Estimación aproximada Error estándar aproximado
Constante 5.059 0.312
Educación 0.583 0.029
Experiencia 0.352 0.020
\(R^2\) 0.995

14.7 Estimación en Python y Google Colab

Para correr esta práctica en Google Colab, abre un cuaderno nuevo y ejecuta:

!pip -q install pandas numpy statsmodels

Luego reproduce el modelo y las pruebas:

import pandas as pd
import statsmodels.api as sm

datos_hip = pd.DataFrame({
    "educacion": [10, 10, 11, 11, 12, 12, 13, 13, 14, 14,
                  15, 15, 16, 16, 17, 17, 18, 18],
    "experiencia": [1, 4, 2, 6, 3, 8, 4, 9, 5, 10,
                    6, 11, 7, 12, 8, 13, 9, 14],
    "ajuste": [-0.7, 0.1, -0.3, 0.5, -0.2, 0.4, 0.0, 0.6, -0.1, 0.5,
               0.2, 0.7, -0.2, 0.4, 0.1, 0.8, -0.1, 0.3]
})

datos_hip["salario_hora"] = (
    4.5 + 0.68 * datos_hip["educacion"] +
    0.22 * datos_hip["experiencia"] +
    datos_hip["ajuste"]
)

X = sm.add_constant(datos_hip[["educacion", "experiencia"]])
y = datos_hip["salario_hora"]
modelo = sm.OLS(y, X).fit()
print(modelo.summary())
print(modelo.t_test("educacion = 0"))
print(modelo.f_test("educacion = 0, experiencia = 0"))

Los resultados esperados son los mismos coeficientes que Python debe reproducir si usa la misma base y especificación:

Término Estimación aproximada Error estándar aproximado
Constante 5.059 0.312
Educación 0.583 0.029
Experiencia 0.352 0.020
\(R^2\) 0.995

14.8 Comparación R, Stata y Python

R, Stata y Python entregan los mismos coeficientes y las mismas pruebas si usan la misma base, la misma especificación y la misma hipótesis nula. Las diferencias están en la sintaxis: test en Stata, anova() o contrastes en R, y t_test()/f_test() en Python.

Tarea R Stata Python
Modelo MCO lm() reg sm.OLS()
Prueba individual coef(summary()) test educacion t_test()
Prueba conjunta anova(restringido, no_restringido) test educacion experiencia f_test()
Intervalo de confianza confint() estat/salida de reg conf_int()

14.9 Errores frecuentes en la práctica

  • Probar el estimador en vez del parámetro. La hipótesis se formula sobre \(\beta\), no sobre \(\hat{\beta}\).
  • Cambiar de muestra entre modelos. La prueba \(F\) con modelos restringidos y no restringidos requiere la misma muestra.
  • Reportar solo significancia. También interpreta magnitudes, unidades y relevancia económica.
  • Confundir prueba individual y conjunta. Dos coeficientes pueden no ser significativos individualmente y sí serlo conjuntamente, o al revés.

14.10 Ejercicios computacionales

  1. Evalúa \(H_0:\beta_{\text{educacion}}=0.5\) en R, Stata y Python.
  2. Calcula manualmente el estadístico \(t\) de educación usando el coeficiente y su error estándar.
  3. Estima un modelo restringido sin experiencia y compara su SRC con la del modelo completo.
  4. Cambia el nivel de significancia de 5% a 10%. ¿Cambia alguna decisión?
  5. Verifica en Python que la prueba \(F\) de una sola restricción coincide con el cuadrado del estadístico \(t\).