UNIVERSIDAD TCNICA PARTICULAR DE LOJA

DESARROLLO ESPIRITUAL ll
TAREA EXTRACLASE

NOMBRES: Paula Fernanda Jijn Solorzano, Mnica Carolina Campos

Salinas.
TUTOR: Msc. Ronny Correa
FECHA: 21 de Junio del 2015
INFORME
7.7 Regresin simple en el contexto de regresin mltiple:
introduccin al sesgo de especificacin.
El anlisis de regresin mltiple: el problema de estimacin abarca en su
contexto, la Regresin simple en el contexto de regresin mltiple:
introduccin al sesgo de especificacin.
Partiremos del ejemplo 7.6 Mortalidad infantil en relacin con el PIB per
cpita y la tasa de alfabetizacin de las mujeres para entender mejor el
tema. El ejemplo da una oportunidad para entender la importancia del
supuesto en el cual se plante que el modelo est especificado
correctamente y a su vez nos permite aclarar el significado del
coeficiente de regresin parcial y presentar una introduccin formal al
tema del sesgo de especificacin.
Suponemos entonces que

M i= 1+ PIBPC i + 3 TAM i +ui

es el modelo

verdadero que explica el comportamiento de la mortalidad infalntil en

relacin con el PIB per cpita y la tasa de alfabetizacn de las mujeres
(TAM). Tambin suponemos que se hace caso omiso de la TAM y que se
estima la siguiente regresin simple:
Y i= i + 2 X 2 i +uli

Y= MI
X 2=PIBPC

Como se considera que

modelo, Al estimar

M i= 1+ PIBPC i + 3 TAM i +ui

Y i= i + 2 X 2 i +uli

es el verdadero

se cometera un error de

especificacin, puesto que se estara omitiendo la variable

X3

(tasa de

alfabetizacin de las mujeres).

En general

no ser un estimador insesgado del verdadero

MI i=253.64160.0056 PIBPC i2.2316 TAM i + i

ee= (11.5932)

(0.0019)

(0.2099)

R2= 0.7077
R2=

0.6981*

TM i= 157.4244-0.00114 PIBPC i
ee= (9.8455)

(0.0032)

r = 0.1662

Se puede observar varias cosas de esta regresin en comparacin con la

regresin mltiple verdadera.
1. En trminos absolutos el coeficiente del PIBPC se increment.
2. Los errores estndar son diferentes.
3. Los valores del intercepto son distintos.

r2

4. Los valores

son muy distintos. Aunque, por lo general conforme

aumenta el nmero de regresoras en el modelo, se incrementan los

valores

Procederemos hacer la regresin de la moralidad infantil respecto de la tasa de

analfabetismo de las mujeres sin tener en cuenta la influencia del PIBPC.

TM i=263.86352.3905 TAM i
ee= (21.2249)

(0.2133)

r = 0.6696

7.8

R y R ajustada

Una propiedad importante de

R2

es que es una funcin no decreciente del

numero de variables explicativas o de regresoras presentes en el modelo; a

medida que aumenta el nmero de regresoras,

aumenta casi

invariablemente y nunca disminuye.

R2=

SCE
SCT

R2=1

SCR
SCT

R2=1

2i
y 2i

A medida que aumenta el nmero de variables X, es ms probable que

disminuya

2i

; por tanto,

Para comparar dos trminos

R2 aumenta.
R2

se debe tener en cuenta el nmero de

variables X presentes en el modelo. Esto se verifica con facilidad si

consideramos un coeficiente de determinacin alterno, que es el siguiente:

R2=1

2i /( nk )
y 2i /(n1)

K= es el nmero de parmetros en el modelo incluyendo el trmino de

intercepto.
2

R =

definida como

ajustada significa ajustado por los gl

asociados a las sumas de cuadrados que se consideran en la ecuacin.

La ecuacin tambin puede escribirse como:

R2=1

2=

2
S2y
varianza residual, un estimador insesgado de la

verdadera

S 2y

= varianza muestral de Y

Es fcil ver que el

y el

estn relacionados porque: al incluir

2
i

R =1
y 2i
2

2i /( nk )

R =1
y 2i /(n1)
2

En

Obtenemos:
2

R =1(1R )

n1
nk

Se comprende que:

R2 <

1. Para k > 1,

R2 , lo cual implica que a medida que aumenta el

nmero de variables X,
2.

ajustada aumenta menos que

R2 , puede ser negativa, aunque

R2 , es necesariamente no

negativa.

Cul

R2 debe utilizarse enla practica ?

Theil
Es una buena costumbre utilizar

R2

en lugar

R2 de por que R2

tiene a dar una imagen demasiado optimista del ajuste de la regresin,

Goldberger
Argumenta que la siguiente

, denominada

modificada, servir

igual.

k 2
2
R modificada=( 1 ) R
n
Adems de

ajustada como medidas de bondad de ajuste, a

menudo se utilizan otros criterios para juzgar la bondad de un modelo de

regresin.

Criterio de informacin de Akaike

Criterio de prediccin de Amemmiya