06/09/2016

ECONOMETRA I

Prof. Manuel J. Angulo Burgos

mangulob@upao.edu.pe

EMNI - ECFI

ECONOMETRA I

EL MTODO DE MNIMOS
CUADRADOS ORDINARIOS

EMNI - ECFI

ECONOMETRA I
CAPACIDADES:
- Explica la Econometra como ciencia, su objeto, su mtodo de
estudio y sus etapas, as como los diferentes tipos de datos
que se usan en cada una de ellas.
- Formula modelos economtricos reconociendo los elementos
que los componen.
- Usa el anlisis de regresin como herramienta de la
econometra.
- Utiliza el software economtrico Eviews 8 como herramienta
para el anlisis y desarrollo de las etapas de la Econometra.

EMNI - ECFI
3

06/09/2016

MNIMOS CUADRADOS ORDINARIOS

Carl Friedrich Gauss: matemtico alemn
Consiste en encontrar el valor de los parmetros
que minimizan la suma de los cuadrados de las
desviaciones entre los puntos observados y la
lnea de regresin.
Permite ajustar la lnea recta optima a la muestra
de las observaciones Tanto la Y como la X.

Regresin Lineal Simple

Yi = b0 + b1Xi + ui
EMNI - ECFI 4

MNIMOS CUADRADOS ORDINARIOS

donde Y es:

Y = b0 + b1X + u

mientras que X es:

Variable dependiente
Variable explicada
Variable de lado
izquierdo
Regresando

u es:
Residual
Trmino de error

Variable independiente
Variable explicativa
Covariable
Variable de control
Regresor
Variable de lado derecho

b0 y b1: parmetros o
coeficientes a estimar

EMNI - ECFI 5

MNIMOS CUADRADOS ORDINARIOS

Consiste en hacer mnima la

suma
de
los
cuadrados
residuales, es decir debemos
hallar los estimadores que hagan
que esta suma sea lo ms
pequea posible.
EMNI - ECFI 6

06/09/2016

MNIMOS CUADRADOS ORDINARIOS

Este mtodo de estimacin se

fundamenta en una serie de supuestos,
los que hacen posible que los
estimadores poblacionales que se
obtienen a partir de una muestra,
adquieran propiedades que permitan
sealar que los estimadores obtenidos
sean los mejores.
EMNI - ECFI 7

ALGUNOS SUPUESTOS
El valor promedio de u, el trmino de error, en
la
poblacin
es
=
0.
Es
decir,
E(u) = 0
Este supuesto no es muy restrictivo puesto
que siempre podemos ajustar el intercepto b0
para normalizar E(u) = 0

EMNI - ECFI 8

MEDIA CONDICIONAL = 0
Hay un supuesto crucial sobre la relacin entre
el
error
y
la
variable
explicativa:
cov(X, u)
Queremos que la informacin contenida en X
sea independiente de la informacin contenida
en u (que no estn relacionados), de modo que:
E(u|x) = E(u) = 0, lo cual implica:
E(Y|X) = b0 + b1X
EMNI - ECFI 9

06/09/2016

E(Y|X) es una funcion lineal de X: para cada X,

la prediccin de Y es E(Y|X)
Y
f(Y)

.
X1

. E(Y|X) = b + bX
0

X2
EMNI - ECFI 10

Mnimos Cuadrados Ordinarios (MCO)

La idea bsica es estimar parmetros
poblacionales a partir de una muestra.
Sea {(Xi,Yi): i=1, ,n} una muestra aleatoria de
tamao n de una poblacin.
Para cada observacin en la muestra, tenemos:
Yi = b0 + b1Xi + ui

EMNI - ECFI 11

Derivacin de estimadores MCO /OLS

El supuesto E(u|X) = E(u) = 0 implica que
Cov(X,u) = E(Xu) = 0
Por qu? En probabilidad bsica sabemos que:
Cov(X,u)
=
E(Xu)

E(X)E(u)
y dado que E(u)=0 Cov(X,u) = E(Xu) = 0

EMNI - ECFI 12

06/09/2016

continuacin MCO/OLS
El doble supuesto E(Xu) = E(u) = 0 se traduce en
dos restricciones.
Y dado que: u = Y b0 b1X,
podemos reescribir estas dos restricciones en
trminos de X, b0 y b1:
E(u) = E(Y b0 b1X) = 0
E(Xu) = E[X(Y b0 b1X)] = 0
Conocidas como las restricciones de
momentos
EMNI - ECFI 13

Derivacin de MCO / OLS

La idea es buscar parmetros que nos aseguren que las

restricciones de momentos se cumplan en la muestra.
Las restricciones muestrales son (el gorrito denota
parmetros estimados):
n

n 1 yi 0 1 xi 0
i 1
n

n 1 xi yi 0 1 xi 0
i 1

(1)

(2 )

EMNI - ECFI 14

Estimador MCO / OLS: intercepto

Dada la definicin de media muestral y las propiedades de
la sumatorias, podemos reescribir la primera restriccin
como sigue:

y
n

i 1

0 1 xi 0

y 0 1 x ,
o bien
y x
0

EMNI - ECFI 15

06/09/2016

Derivacin de MCO / OLS

Y ahora, sustituyendo b0 en la segunda restriccin, tenemos:

n 1 xi yi 0 1 xi 0
i 1

x y y x x 0
n

i 1

1 i

x y y x x x
i 1

i 1

Aqu hay un paso mgico, revisar bibliografa.

2
xi x yi y 1 xi x
i 1

i 1

EMNI - ECFI 16

estimador
MCO
/ OLS: pendiente b1
n
n
2

1 xi x xi x yi y
i 1

i 1

x x y
i

i 1

x x
i 1

cov( x, y )
var( x)

toda vez que x tenga varianza :

x x
i 1

EMNI - ECFI 17

Sobre el estimador MCO de b1

b1, es la covarianza muestral entre X y Y, dividida entre
la varianza muestral de X.
Si X y Y estn correlacionados positivamente, b1 ser
positivo (pues la varianza del denominador siempre es
positiva).
Si X y Y estn correlacionados negativamente, b1 ser
negativo.
Si X y Y no tienen correlacin alguna, b1 no ser
estadsticamente distinto de cero.
Obviamente, requerimos que X tenga cierta varianza
en la muestra.
EMNI - ECFI 18

06/09/2016

MCO / OLS
Intuitivamente, MCO ajusta una lnea a travs
de los datos muestrale, de modo que la suma
de residuales al cuadrado (SRC) sea la mnima
posible: de ah el trmino mnimos
cuadrados.
El residual, , es un estimado del trmino de
error entre lo observado y lo predicho, es decir,
la diferencia entre la lnea de regresin y el
dato observado.
Ver grfica...
EMNI - ECFI 19

LNEA DE REGRESIN MUESTRAL,

y OBSERVACIONES y RESIDUALES ESTIMADOS

y4

4{ y x
0
1

y3
y2

2 { .

.} 3

.} 1

y1

x1

x2

x3

x4

EMNI - ECFI 20

Un enfoque alternativo:
Minimizar residuales al cuadrado
Siguiendo la idea de ajustar una lnea de regresin,
podemos plantear un problema de minimizacin.
Es decir, buscar parmetros btales que minimicen la
siguiente expresin:

ui yi 0 1xi
n

i 1

i 1

EMNI - ECFI 21

06/09/2016

...continuacin
Usando clculo para resolver un problema de
minimizacin con dos parmetros resulta en
dos condiciones de primer orden:

y
n

i 1

0 1 x i 0

x y
n

i 1

0 1 x i 0

EMNI - ECFI 22

Utilizando el clculo diferencial se pueden derivar los

valores de ^
0 y ^
1 que minimizan la expresin sealada
en diapositivas anteriores:

0 y 2 x
1
1

y *x y x
x x x
( X x )( Y y )
(X x)
i

2
i

EMNI - ECFI 23

Lnea de regresin muestral, observaciones,

y residuales estimados
y
y4

4{ y x
0
1

y3
y2

y1

{.

.} 3

.} 1
x1

x2

x3

x4

EMNI - ECFI 24

06/09/2016

Propiedades algebraicas de MCO / OLS

Al minimizar los residuales cuadrados:
La suma de los residuales de MCO ser igual a cero.
Por ende, la media muestral de los residuales ser
cero tambin.
La covarianza muestral entre las variables explicativas
y los residuales ser cero.
La lnea de regresin de MCO siempre cruzar la
media de la muestra: la media de X y la media de Y.
EMNI - ECFI 25

Propiedades algebraicas
(matemticamente)
n

u
i 1

0 por tanto,

x u

i i

i 1

u
i 1

0 por tanto, cov (x,u) 0

y 0 1 x

EMNI - ECFI 26

Suma de cuadrados: Terminologa

Podemos separar cada observacin en un componente
explicado (sistemtico) y un componente no explicado :
yi y i ui

De modo que podemos definir lo siguiente :

y y es la Suma Total de Cuadrados : STC

y y es la Suma Explicada de Cuadrados : SEC
u es la Suma Residual de Cuadrados : SRC
2

2
i

Lo cual implica que STC SEC SRC

STC es la suma de desviaciones al cuadrado de las

observaciones de la muestra: es proporcional, ms no igual, a
VAR(Y).

EMNI - ECFI 27

06/09/2016

Demostracin: STC = SEC + SRC

STC yi y yi y i y i y
2

ui y i y

ui2 2 ui y i y y i y

SRC 2 ui y i y SEC

y como sabemos que ui y i y 0

SRC SEC
EMNI - ECFI 28

Haciendo regresiones con EVIEWS

Hemos visto como derivar las frmulas para
calcular estimadores MCO de nuestros
parmetros de inters b.
Podemos calcularlos a mano (muy tedioso), o
aplicar estas frmulas en una hoja de clculo
como excel (algo tedioso), o bien usar un
paquete estadstico estndar como Eviews
(muy fcil)
Para correr una regresin de Y en X en Eviews:
LS Y c X.
EMNI - ECFI 29

Estimacin
Perodo

Obligaciones
Corporativas a
largo plazo

Obligaciones
gubernamentales
a largo plazo

1969
-8.09
-5.07
1970
18.37
12.11
1971
11.01
13.23
1972
7.26
5.69
1973
1.14
-1.11
1974
-3.04
4.35
1975
14.64
9.20
1976
18.65
16.75
1977
1.71
-0.69
1978
-0.07
-1.18
1979
-4.18
-1.23
1980
-2.62
-3.95
1981
-0.96
1.86
1982
43.79
40.36
1983
4.70
0.65
1984
16.39
15.48
1985
30.90
30.97
1986
19.85
24.53
1987
-0.27
-2.71
1988
10.70
9.67
1989
16.23
18.11
1990
6.78
6.18
1991
19.89
19.30
Fuente: De Stocks, Bonds, Bills and Inflation, 1992 Yearbook.
Promedio de y
Promedio de X

9.69
9.24

bo
b1

0.3404
3129.28
Numerador

3093.60
Denominador

(X-Ux)^2
204.75
8.24
15.93
12.60
107.10
23.90
0.00
56.41
98.59
108.56
109.60
173.95
54.45
968.51
73.77
38.95
472.23
233.81
142.78
0.19
78.69
9.36
101.22
3093.60

(x-Ux) (y-Uy)
254.36
24.93
5.28
8.61
88.44
62.22
-0.19
67.33
79.20
101.65
145.17
162.31
78.56
1061.34
42.83
41.84
461.00
155.42
118.97
0.44
58.05
8.89
102.66
3129.28

Sumas

1.011533198

EMNI - ECFI 30

10

06/09/2016

Estimacin: Usando Eviews

EMNI - ECFI 31

Estimacin: Grfica del ajuste Usando Eviews

EMNI - ECFI 32

Estimacin: Representacin de la ecuacin de regresin

EMNI - ECFI 33

11

06/09/2016

Estimacin: Valores observados y estimados de OCLP

EMNI - ECFI 34

ESTIMACIN
La ecuacin estimada para el ejemplo:
Y = 0,340399798 + 1.011533198X
Esta ecuacin estimada la podemos utilizar para predecir
el rendimiento de las obligaciones corporativas a largo
plazo, si el rendimiento de las obligaciones
gubernamentales a largo plazo fuera el 3%.
En este caso sera:
Y = 0,340399798 + 1,011533198 (3)= 3,374999%

EMNI - ECFI 35

Sesgo y eficiencia de MCO

Dos caractersticas deseables de cualquier estimador
estadstico son:
Insesgamiento: que el parmetro estimado sea, en
promedio,
igual
al
verdadero
parmetro
poblacional.
Eficiencia: que la varianza del estimador sea mnima
(mxima precisin).
As, buscamos estimadores con sesgo mnimo y
mxima eficiencia (mnima varianza).
MCO cuenta con ambas propiedades bajo ciertas
condiciones: supuesto Gauss-Markov.
EMNI - ECFI 36

12

06/09/2016

Supuesto Gauss-Markov:
Insesgamiento de MCO/OLS

1. El modelo poblacional es lineal en sus parmetros:

Y = b0 + b1X + u
2. Muestra
aleatoria
de
tamao
n,
{(xi, yi): i=1, 2, , n}, representativa de la
poblacin, de modo que el modelo muestral es: Yi
= b0 + b1Xi + ui
3. Media condicional cero: E(u|X) = 0 y por tanto
E(ui|Xi) = 0
4. Varianza(Xi ) > 0
EMNI - ECFI 37

Insesgamiento de MCO
Para analizar el sesgo del estimador, necesitamos
reescribirlo en trminos del parmetro poblacional.
De modo que reescribimos la frmula para b1 como:

xi x yi , donde
1
sx2
sx2 xi x

EMNI - ECFI 38

Insesgamiento de MCO (cont.)

Sustituyendo para Yi, el numerador de la expresin
anterior puede descomponerse como sigue:

x x y x x x u
x x x x x x x u
x x x x x x x u
i

desviaciones de x

n*var(x)

1 i

1 i

n*cov(x,u)

EMNI - ECFI 39

13

06/09/2016

Insesgamiento de MCO (cont.)

Por estadstica bsica, sabemos que :

x x 0, y
x x x x x
i

s x2

de modo que el numerador puede reescribirse as :

1s x2 xi x ui , y por lo tanto

xi x ui
1 1
s x2

EMNI - ECFI 40

Insesgamiento de MCO (cont.)

Finalmente, si definimos d i xi x , de modo que

i 1 1 2 d i ui , y aplicamos valor esperado :

s
x

E 1 1 1 2 d i E ui 1
s
x
El operador E(.) aplica a ui, el nico componente
aleatorio de la expresin.
El valor esperado de la b1 estimada es el verdadero
parmetro poblacionaltoda vez que los 4 supuestos
Gauss-Markov se cumplan.
EMNI - ECFI

41

Insesgamiento: resumen
Los estimadores MCO de b1 y b0 son
insesgados.
La demostracin de esto depende de los 4
supuestos Gauss-Markov: si alguno de ellos no
se cumple, MCO no necesariamente ser
insesgado.
El insesgamiento es una propiedad del
estimador muestral: dada cierta muestra, ste
puede estar cerca o lejos del verdadero
parmetro poblacional.
EMNI - ECFI

42

14

06/09/2016

Varianza de los estimadores MCO

Ya vimos que la distribucin muestral de
nuestro estimador est centrada en torno al
verdadero parmetro.
Qu tan dispersa ser la distribucin del
estimador?
Para analizar esto, requerimos un supuesto
Gauss-Markov adicional (el 5): var(u|x)=s2
conocido como homoscedasticidad: varianza
constante.
EMNI - ECFI

43

Varianza de MCO (cont.)

Por
estadstica
sabemos
que:
s2 = Var(u|x) = E(u2|x)-[E(u|x)]2
Y
como
E(u|x)
=
0,
entonces:
s2 = E(u2|x) = E(u2) = Var(u)
De modo que s2 es la varianza no condicional de los
residuales, tambin llamada varianza del error.
s, la raz cuadrada de la varianza del error, se conoce
como la desviacin estndar del error.
Con lo cual podemos decir que:
E(y|x)=b0 + b1x
Var(y|x) = s2
EMNI - ECFI

44

HOMOSCEDASTICIDAD
y
f(y|x)

. E(y|x) = b + bx
0

.
x1
EMNI - ECFI

x2
45

15

06/09/2016

HETEROSCEDASTICIDAD
f(y|x)

.
x1

x2

E(y|x) = b0 + b1x

x3

EMNI - ECFI

46

Varianza de MCO: (Cont.)

Var 1 Var 1 1 2 d i ui
s
x

1 2 Var d i ui 1 2
sx
sx

1 2
sx

d
2
i

2 1 2
sx

d Var u
2
i

2
i

2 1 2 s x2 2 Var 1
sx
sx

EMNI - ECFI

47

Varianza de MCO: resumen

A mayor varianza del error, s2, mayor
varianza del estimador de b1.
A mayor varianza en xi, menor varianza
del estimador de b1.
Por ende, a mayor tamao de muestra, n,
menor varianza del estimador de b1.
Pero la varianza del error es
desconocida: necesitamos estimarla
tambin.
EMNI - ECFI

48

16

06/09/2016

Estimacin de la varianza del error

No conocemos la varianza del error, s2, porque no
observamos los errores de la poblacin, ui
Lo que observamos son los residuales (estimados)
del modelo muestral:

ui yi 0 1 xi
Pero podemos usar los residuales estimados para
construir un estimador de la varianza del error.
EMNI - ECFI

49

Estimacin de la varianza del error

ui yi 0 1 xi , y sustituyendo para yi
0 1 xi ui 0 1 xi
ui 0 0 1 1 xi

por insesgamiento, ambos parntesisse eliminan...

de modo que un estimadorinsesgadode 2 es :
2

n 2

ui2

SRC

n 2

EMNI - ECFI

50

Estimacin de la varianza del error

2 error estndar de la regresin
recordemos que : es
sx
si sustituimos en vez de , entonces tenemos
el error estndar de 1 :
es1

x x
2

Una vez que conocemos el error estndar de b1 estimado, podemos

calcular su intervalo de confianza y hacer pruebas de hiptesis.
EMNI - ECFI

51

17

06/09/2016

PREGUNTAS?

GRACIAS

EMNI - ECFI

52

TAREA

DETERMINAMOS LA
CONFIABILIDAD DE LOS
ESTIMADORES Y EXPLICAMOS LAS
PROPIEDADES DE LOS
ESTIMADORES MCO.
EMNI - ECFI
53

18