Resumen Woolrdige (Cap 2)

El modelo de regresin simple.

El modelo de regresin simple puede utilizarse para estudiar la relacin
entre dos variables.
Y=B0-B1X+u
Este es el modelo de regesin simple.
A y se le conoce como Variable dependiente, Variable explicada, Variable de
respuesta, Variable Predicha o como Regresando.
Por otra parte a X se le conoce como Variable independiente, Variable
explicativa, Variable de control, Variable predictora, Regresor.
La variable u, llamada trmino de error, o de perturbacin. El trmino de error
(u) contiene variables o caractersticas no observables, y que por ende no
estamos incluyendo en el modelo; pero tenemos que tener en mente que al
igual que x podran estar explicando a y.
A B1 se le conoce como el parmetro de la pendiente; B1 capturar el efecto
de x sobre ante y cuando todos los dems factores en (u) permanecen
constantes.
A B0 se le conoce como el parmetro del intercepto.
Ejemplo:
Rendimiento del frijol de soya y el fertilizante
Rendimiento de los frijoles = B0+B1 fertilizante + u
En este caso, al investigador agrcola le interesar conocer el efecto del
fertilizante sobre el rendimiento de los frijoles; esto cuando todos los dems
factores permanecen constantes. Este efecto (el efecto del fertilizante sobre el
rendimiento de los frijoles) estar siendo capturado por parmetro B1.
Tambin es importante saber la variable u (trmino de error) en este ejemplo
contendr otras variables que no estamos incluyendo en nuestro modelo. Estas
pueden ser por ejemplo la calidad de la tierra, la cantidad de lluvia, etc.

La funcin de regresin Poblacional.

La funcin de regresin poblacional es aplicar el estimador esperanza
condicional E[Y|X] a la funcin re regresin (simple o mltiple).
Qu es importantes de la FRP?
Entender que al aplicar la Esperanza estaremos viendo como cambia el
promedio Y de acuerdo a la variacin de X. La FRP me dar una relacin entre
el promedio de Y, y diferentes valores de X.

Mnimos cuadrados Ordinarios.

MCO es una forma para estimar los parmetros B0 y B1 del modelo de
regresin simple.
Consiste en:
1. Despejar los residuos, esto es, dejar los residuos como variable dependiente
del modelo de regresin simple.
2. Establecer la funcin objetivo, esto es;
Minimizar la sumatoria de los residuos al cuadrado, donde nuestras variables
de desicin son B0 y B1.
Por qu los residuos al cuadrado?
Porque el residuo, o el valor residual es la diferencia entre cada valor verdadero
de Yi y su valor ajustado o predicho que es el valor que nosotros calculamos (

^ o +B
^ 1 xi
Y^ i=B
)
Entonces el residuo ser la diferencia del valor que nosotros calculamos
con respecto al valor real Yi.
Por qu lo queremos minimizar?

( Y^ i)

Porque mientras menor sea esta diferencia entre el verdadero valor de Yi, y
nuestro valor calculado

Y^ i , mejor ser nuestra prediccin, puesto que ms

nos estamos acercando al valor real.

Por qu es una sumatoria?
Porque debemos recordar que calcularemos un

Y^ i

para cada observacin

que tengamos en la muestra, es decir, si tenemos n=50 (50 observaciones),

esto quiere decir que calcularemos 50 valores de

Y^ i , donde el subndice nos

indica el nmero de la observacin que estamos calculando

i=1, 2, 50 .

Propiedades de Gauss Markov

Supuestos para demostrat el insesgamiento de los estimadores de MCO:

Linealidad en los parmetros

Muestreo Aleatorio
Variacin muestral de la variable explicativa
Media condicional cero ( E[u|x] = 0 )

Homocedasticidad Var (u|x) =

, el error u tiene la mism varianza

para cualquier valor de la variable explicativa.

Propiedades MCO sea MELI

Eficiencia
Consistencia
Insesgado