Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Monografia Minimos Cuadrados
Monografia Minimos Cuadrados
i
] = 0 for all i = 1, ,
n;
o La pp matriz Q
xx
es de rango completo, y por lo tanto definida
positiva ;
o {x
i
i
} es una secuencia de diferencia martingala , con una matriz finita
de segundos momentos Q
xx
= E[
i
2
x
i
x
i
].
Estimacin
Supongamos que b es un valor de "candidato" para el parmetro . La
cantidad y
i
x
i
b se denomina residual para la i-sima observacin, mide la
distancia vertical entre el punto de datos (x
i
, y
i
) y el hiperplano y = xb, y por
lo tanto se determina el grado de ajuste entre los datos reales y el modelo.
La suma de cuadrados de los residuos (SSR) (tambin llamada la suma de
cuadrados del error (ESS) o suma residual de cuadrados (RSS))
3
es una
medida del ajuste del modelo general:
donde T denota la matriz de transposicin . El valor de b que minimiza esta
suma se llama el estimador MCO de . La funcin S (b) es cuadrtica en b
con definida positiva de Hesse , y por lo tanto esta funcin posee un mnimo
global nico en , Que puede ser dada por la frmula explcita:
4
o de manera equivalente en forma de matriz,
Despus hemos estimado , los valores ajustados (o valores previstos) de
la regresin se
donde P = X (X T X) -1 X T es la matriz de proyeccin en el espacio
generado por las columnas de X. Esta matriz P tambin a veces se llama la
matriz sombrero porque "pone un sombrero" a la variable y. Otra matriz,
estrechamente relacionado con P es el aniquilador matriz M = I n - P, se
trata de una matriz de proyeccin sobre el espacio ortogonal a X. Tanto las
matrices P y M son simtricas y idempotente (lo que significa que P 2 = P),
y se refieren a la matriz de datos X a travs de identidades PX y MX = X =
0. [7] Matriz M crea los residuos de la regresin:
El uso de estos residuos se puede estimar el valor de
2
:
El numerador, np, son los grados de libertad estadsticos . La primera
cantidad, s 2, es la estimacin OLS para 2, mientras que el segundo, \
Scriptstyle \ hat \ sigma ^ 2 , Es la estimacin MLE para 2. Los dos
estimadores son bastante similares en muestras grandes, el primero es
siempre imparcial , mientras que el segundo est sesgado, pero reduce al
mnimo el error cuadrtico medio del estimador. En la prctica s 2 se utiliza
con ms frecuencia, ya que es ms conveniente para la prueba de
hiptesis. La raz cuadrada de 2 s se denomina el error estndar de la
regresin (SER), o el error estndar de la ecuacin (VER).
5
Es comn para evaluar la bondad del ajuste de la regresin por mnimos
cuadrados mediante la comparacin de la cantidad de la variacin inicial en
la muestra se puede reducir mediante la regresin en X. El coeficiente de
determinacin R 2 se define como una proporcin de "explicado" varianza
de la varianza "total" de la variable dependiente y: [8]
donde TSS es la suma total de los cuadrados de la variable dependiente, L
= I n - 11 '/ n, y 1 es una n 1 vector de unos. (L es un "matriz de centrado",
que es equivalente a la regresin en una constante;. Simplemente resta la
media de una variable) A fin de que R2 sea significativo, la matriz X de
datos sobre regresores debe contener un vector columna de unos para
representar la constante cuyo coeficiente es el intercepto de regresin. En
ese caso, R2 siempre ser un nmero entre 0 y 1, con valores cercanos a 1
que indica un buen grado de ajuste.
Modelo de regresin simple
Si la matriz de datos X contiene slo dos variables: una constante, y un
regresor escalar x i, entonces esto se llama el "modelo de regresin
simple". [9] Este caso se considera a menudo en las clases de estadsticas
para principiantes, ya que ofrece mucho ms simple frmulas incluso
adecuados para el clculo manual. Los vectores de parmetros de tal
modelo es de 2 dimensiones, y se denota comnmente como (, ):
Las estimaciones de mnimos cuadrados en este caso vienen dadas por
frmulas simples
SOLUCION DEL PROBLEMA DE LOS MINIMOS CUADRADOS
La aproximacin mnimo cuadrtica consiste en minimizar el error cuadrtico
mencionado ms arriba, y tiene solucin general cuando se trata de un problema
de aproximacin lineal (lineal en sus coeficientes ) cualesquiera que sean las
funciones base: antes mencionadas. Por lineal se entiende que la
aproximacin buscada se expresa como una combinacin lineal de dichas
funciones base. Para hallar esta expresin se puede seguir un camino analtico,
expuesto abajo, mediante el clculo multivariable, consistente en optimizar los
coeficientes ; o bien, alternativamente, seguir un camino geomtrico con el uso
de el lgebra lineal, como se explica ms abajo, en la llamada deduccin
geomtrica. Para los Modelos estticos uniecuacionales, el mtodo de mnimos
cuadrados no ha sido superado, a pesar de diversos intentos para ello, desde
principios del Siglo XIX. Se puede demostrar que, en su gnero, es el que
proporciona la mejor aproximacin.
METODO DE LOS MINIMOS CUADRADOS
Estos mtodos s e basan en los mtodos equidistantes en el tiempo a travs de la
metodologa que se presenta a continuacin:
i x Y logY
X
2
XY XlogY
1
2
3
.
.
n
n+1
X
1
X
2
X
3
.
.
X
n
X
n+1
Y
1
Y
2
Y
3
.
.
Y
n
Y
n+1
LogY
1
LogY
2
LogY
3
.
.
LogY
n
(x
1
)
2
(x
2
)
2
(x
3
)
2
.
.
(x
N
)
2
X
1
Y
1
X
2
Y
2
X
1
Y
1
.
.
X
n
Y
n
X
1
LogY
1
X
2
LogY
1
X
3
LogY
1
.
.
X
n
LogY
n
suma X Y logY X
2
XY
XlogY
Prom. X/n Y/N ogY/n X
2
/n XY/N X logY/n
Dnde:
Y
i
=( X
i+1
-X
I
)/X
I
Y
I
=razon de crecimiento X
i
=poblacin
CRECIMIENTO ARITMETICO
Los valores de X
I
E Y
i
;varan linealmente:
El clculo de ay b realiza mediante el siguiente sistema de ecuaciones
(
) (
)
(
) (
) (
)
Y
I
=a+bX
I
Alternativamente en lugar de usar la ecuacin (2) ,se puede usar la siguiente
ecuacin:
(
) (
)
CRECIMIENTO GEOMETRICO
Los valores de X
i
e Y
i
;varan exponencialmente segn:
LogY
I
=loga+(bloga)X
I
Y=A+BX
LA DETERMINACION DE LAS CONSTANTES AY B SE HACE MEDIANTE EL
SIGUIENTE SISTEMA DE ECUACIONES:
(
) (
) (1)
(
) (
) (2)
(
) (
) (
) (3)
Ayb se determinan mediante: a=10^
b=B/loge
Y
I
=ae
bX
I
ANEXOS