UNIERSIDAD ALBERTO HURTADO | INGENIERA COMERCIAL PARA PROFESIONALES

Clase 3: Econometra - ICP

Temas:

1. Ejercicio prctico
2. Escala y formas funcionales
3. Modelo de regresin mltiple

Gabriel Moraga
Primer Trimestre 2015
1

UNIERSIDAD ALBERTO HURTADO | INGENIERA COMERCIAL PARA PROFESIONALES

1. Ejercicio prctico

UNIERSIDAD ALBERTO HURTADO | INGENIERA COMERCIAL PARA PROFESIONALES

EJERCICIO PRCTICO
Hasta el momento hemos visto cmo obtener los estimadores del
modelo de regresin simple por Mnimos Cuadrados Ordinarios y
cmo obtener su varianza. Ahora vemos un ejemplo prctico de
esto:
EJERCICIO: Un granjero quiere determinar un modelo de regresin
lineal simple para ver los efectos de la produccin de leche en
relacin al peso total de sus vacas (suma del peso de todas las vacas
en la productora). Para lo anterior toma una muestra aleatoria de 6
productoras de leche y mide la produccin diaria de leche en litros
(Y) y el peso total de las vacas en toneladas (X).

UNIERSIDAD ALBERTO HURTADO | INGENIERA COMERCIAL PARA PROFESIONALES

EJERCICIO PRCTICO
Obs
1
2
3
4
5
6
SUMA

Y (Litros)
200
50
80
70
30
95
525

X (Toneladas)
9
4
5
7
2
8
35

Obtenga los coeficientes 0 y 1 de la regresin.

Obtenga el error estndar para cada uno de los coeficientes.

UNIERSIDAD ALBERTO HURTADO | INGENIERA COMERCIAL PARA PROFESIONALES

EJERCICIO PRCTICO
En la clase 1 habamos derivado expresiones para los coeficientes
1 y 0 :

x x y y
x x
i

0 y 1 x

En la clase 2 habamos derivado expresiones para la varianza de los

estimadores 1 y 0 :

2
Var 1 2 / xi x

Var 0
n

xi

x
i

UNIERSIDAD ALBERTO HURTADO | INGENIERA COMERCIAL PARA PROFESIONALES

EJERCICIO PRCTICO
Lo que debemos hacer ahora es obtener simplemente los valores
de las ecuaciones anteriores a partir de los datos entregados. Una
forma conveniente es escribir una tabla con todos los clculos:

SUMA

Y
200
50
80
70
30
95
525

X
9
4
5
7
2
8
35

( Obtengamos
)(
) primero la

3.1667
-1.8333
-0.8333
1.1667
-3.8333
2.1667
0

112.5
-37.5
-7.5
-17.5
-57.5
7.5
0

diferencia entre los valores

356.250
10.028 12656.25
observados y sus promedios.

68.750
6.250
-20.417
220.417
16.250
647.5

3.361
0.694
1.361
14.694
4.694
34.83

1406.25
56.25
306.25
3306.25
56.25
17787.5

UNIERSIDAD ALBERTO HURTADO | INGENIERA COMERCIAL PARA PROFESIONALES

EJERCICIO PRCTICO
A continuacin podemos calcular fcilmente el numerador y
denominador para 1

SUMA

Y
200
50
80
70
30
95
525

X
9
4
5
7
2
8
35

3.1667
-1.8333
-0.8333
1.1667
-3.8333
2.1667
0

112.5
-37.5
-7.5
-17.5
-57.5
7.5
0

)(

356.250
68.750
6.250
-20.417
220.417
16.250
647.5

10.028
3.361
0.694
1.361
14.694
4.694
34.83

12656.25
1406.25
56.25
306.25
3306.25
56.25
17787.5
7

UNIERSIDAD ALBERTO HURTADO | INGENIERA COMERCIAL PARA PROFESIONALES

EJERCICIO PRCTICO
Reemplazando en la expresin para 1 obtenemos el estimador
para la pendiente:

x x y y 647.5 18.6
34.83
x x
i

Obtengan el valor para 0 ?

UNIERSIDAD ALBERTO HURTADO | INGENIERA COMERCIAL PARA PROFESIONALES

EJERCICIO PRCTICO

Para obtener la varianza de los coeficientes, primero hay que

calcular a partir de los residuos al cuadrado :

1
2

y
i i
n2

La suma de residuos la obtenemos de los valores observados

de y menos los valores predichos y mediante el modelo
de regresin lineal simple = 0 + 1 :

UNIERSIDAD ALBERTO HURTADO | INGENIERA COMERCIAL PARA PROFESIONALES

EJERCICIO PRCTICO
De este modo tenemos:

SUMA

Y
200
50
80
70
30
95
525

X
9
4
5
7
2
8
35

0
-20.94
-20.94
-20.94
-20.94
-20.94
-20.94

1
18.6
18.6
18.6
18.6
18.6
18.6

146.46
53.46
72.06
109.26
16.26
127.86

2866.532
11.9716
63.0436
1541.348
188.7876
1079.78
5751.462

10

UNIERSIDAD ALBERTO HURTADO | INGENIERA COMERCIAL PARA PROFESIONALES

EJERCICIO PRCTICO
Reemplazando en la expresin para obtenemos:

1
1
2

yi yi 5751.5 = 1437.9

n2
4

37.92

Donde el error estndar para 1 se obtiene como:

ee 1

x
i

37.92
6.43
34.83

11

UNIERSIDAD ALBERTO HURTADO | INGENIERA COMERCIAL PARA PROFESIONALES

2. Escala y Formas Funcionales

12

UNIERSIDAD ALBERTO HURTADO | INGENIERA COMERCIAL PARA PROFESIONALES

ESCALA Y FORMAS FUNCIONALES

Es posible utilizar distintas medidas o escalas para las variables sin
que estas afecten las estimaciones del modelo de regresin lineal
simple.
Por ejemplo, en el ejercicio de produccin de leche podramos
medir el peso de las vacas en kilos en vez de toneladas y obtener
los parmetros del modelo. Lo cual, debido a la caracterstica lineal
del modelo, se podran obtener fcilmente multiplicando por la
constante de cambio entre kilos y toneladas.
Notar que una tonelada es equivalente a mil kilos.

13

UNIERSIDAD ALBERTO HURTADO | INGENIERA COMERCIAL PARA PROFESIONALES

ESCALA Y FORMAS FUNCIONALES

El modelo medido en toneladas queda expresado de la siguiente
forma:
y 20.94 18.6 x
Ahora para expresar el modelo en trminos de kilos deberamos
dividir 1 en 1000. Por tanto, nuestro nuevo modelo quedara
expresado como:

y 20.94 0.0186 x
Un caso similar ocurre con la variable dependiente y al cambiar la
escala pero esto afectara tambin a la pendiente.

14

UNIERSIDAD ALBERTO HURTADO | INGENIERA COMERCIAL PARA PROFESIONALES

ESCALA Y FORMAS FUNCIONALES

Adicional a los temas de escala existen algunas modificaciones que
podran introducirse en los modelos para mejorar el ajuste de la
regresin en funcin de capturar efectos no lineales.
Ojo: recuerde que el modelo siempre es lineal en los parmetros y
por ende deberamos realizar cambios en las variables.
Es comn utilizar logaritmos para medir elasticidades y formas
polinmicas en los modelos, tambin podemos incluir variables de
interaccin.

15

UNIERSIDAD ALBERTO HURTADO | INGENIERA COMERCIAL PARA PROFESIONALES

ESCALA Y FORMAS FUNCIONALES

El caso ms clsico es cuando tenemos aumentos a tasas crecientes
de la variable dependiente (y) respecto a la variable independiente
(x). Esto se puede ver grficamente como:

y exp 0 1 x , 1 0

Para capturar de mejor

forma este tipo de no
linealidad utilizamos la
variable dependiente en
logaritmos:

ln( y ) 0 1 x

16

UNIERSIDAD ALBERTO HURTADO | INGENIERA COMERCIAL PARA PROFESIONALES

ESCALA Y FORMAS FUNCIONALES: INTERPRETACIN

CASO 1: Cuando tenemos la variable independiente medida en
logaritmo, estamos en el caso de un modelo log-nivel:

ln( y ) 0 1 x
Interpretacin: ante un aumento en la variable X en una unidad se
espera que la variable Y cambie en 1 *100%.

Ejemplo:

ln( salario ) 55 0,10 educ

Ante un aumento en un ao de educacin se espera que los salarios

aumenten en 10%.
17

UNIERSIDAD ALBERTO HURTADO | INGENIERA COMERCIAL PARA PROFESIONALES

ESCALA Y FORMAS FUNCIONALES: INTERPRETACIN

CASO 2: Cuanto tenemos logaritmos en la variable independiente,
estamos en el caso de un modelo nivel-log:

y 0 1 ln( x)
Interpretacin: Si la variable X aumenta en un 1% se espera que la
variable y cambie en 1 /100.

Ejemplo:

consumo 55 2000 ln(ingresos )

Ante un aumento en un 1% en los ingresos se espera que el gasto

en consumo se incremente en 20.
18

UNIERSIDAD ALBERTO HURTADO | INGENIERA COMERCIAL PARA PROFESIONALES

ESCALA Y FORMAS FUNCIONALES: INTERPRETACIN

CASO 3: Cuanto tenemos logaritmos en las variables dependiente e
independiente, estamos en el caso de un modelo nivel-log:

ln( y ) 0 1 ln( x)
En este caso 1 se interpreta como la elasticidad. Es decir, si la
variable x aumenta 1% se espera que la variable y cambie en 1 %.

Ejemplo:

ln(consumo) 2 0.6 ln(ingresos )

Ante un aumento en un 1% en los ingresos se espera que el gasto

en consumo se incremente en 0.6%.
19

UNIERSIDAD ALBERTO HURTADO | INGENIERA COMERCIAL PARA PROFESIONALES

3. Modelo de Regresin Mltiple

(motivacin)

20

UNIERSIDAD ALBERTO HURTADO | INGENIERA COMERCIAL PARA PROFESIONALES

MODELO DE REGRESIN MLTIPLE

El supuesto RLS.4 no es un supuesto muy realista en el modelo de
regresin simple, ya que es probable dejar variables fuera del
modelo que sean relevantes para explicar Y y que adems estn
correlacionadas con X.
Otra desventaja del modelo lineal simple es que no permite
identificar efectos de otras variables relevantes que permitan
adems mejorar el ajuste del modelo.
Debido a lo anterior, es preferible pensar en trminos de un modelo
ms general. Este modelo se conoce como Modelo de Regresin
Mltiple.
21

UNIERSIDAD ALBERTO HURTADO | INGENIERA COMERCIAL PARA PROFESIONALES

MODELO DE REGRESIN MLTIPLE

El modelo de regresin mltiple poblacional se expresa a travs de
la siguiente ecuacin:

yi 0 1 x1i 2 x2i 3 x3i ... k xki ui

Ahora tenemos una variable explicada o dependiente y k
variables explicativas. Cada parmetro beta es el coeficiente
asociado a cada variable X.
Ahora en vez de una lnea de regresin tendremos un hiperplano.

22

UNIERSIDAD ALBERTO HURTADO | INGENIERA COMERCIAL PARA PROFESIONALES

MODELO DE REGRESIN MLTIPLE:

EJEMPLO GRFICO PARA DOS VARIABLES EXPLICATIVAS

y
1
0

x2

x1
yi 0 1 x1i 2 x2i ui
23

UNIERSIDAD ALBERTO HURTADO | INGENIERA COMERCIAL PARA PROFESIONALES

MODELO DE REGRESIN MLTIPLE

Veamos un ejemplo: supongamos un modelo lineal simple para
estimar el salario en base a los aos de educacin.

salarioi 0 1educi ui
El modelo anterior puede estar sesgando el valor estimado para los
betas, por ejemplo, al no incluir la variable aos de experiencia en
dentro del modelo. Donde aos de educacin esta correlacionada
con la experiencia de forma negativa. Por tanto, va a existir una
correlacin de X con el termino de error.

24

UNIERSIDAD ALBERTO HURTADO | INGENIERA COMERCIAL PARA PROFESIONALES

MODELO DE REGRESIN MLTIPLE

El problema anterior se puede resolver simplemente utilizando un
modelo de regresin lineal mltiple. Lo nico que deberamos
hacer es incluir en la estimacin la variable experiencia.

salarioi 0 1educi 2 exp i ui

Ahora la experiencia ya no va a pertenecer al trmino de error y
adems el modelo se ajustar mejor a los datos pudiendo
identificar el efecto de los aos de educacin y el efecto de la
experiencia en los salarios en forma separada.

25

UNIERSIDAD ALBERTO HURTADO | INGENIERA COMERCIAL PARA PROFESIONALES

MODELO DE REGRESIN MLTIPLE

Otro punto a favor de los modelos de regresin mltiple es que
podemos incluir una forma funcional ms precisa para la
experiencia (o cualquier otra variable). En general sabemos que los
aos de experiencia deberan aumentar con los ingresos, pero en
cierto punto la experiencia disminuye los salarios en a medida que
las personas van envejeciendo.
Por tanto, tenemos un efecto lineal positivo y uno con tasas
decrecientes, ms similar a una forma cuadrtica. Lo anterior podra
ajustarse simplemente incluyendo un termino cuadrtico para la
variable experiencia dentro de modelo de regresin:

salarioi 0 1educi 2 exp i 3 exp i ui

2

26

UNIERSIDAD ALBERTO HURTADO | INGENIERA COMERCIAL PARA PROFESIONALES

MODELO DE REGRESIN MLTIPLE:

MNIMOS CUADRADOS ORDINARIOS

Al igual que en el modelo de regresin simple, podemos utilizar el

mtodo de Mnimos Cuadrados Ordinarios para la estimacin de los
parmetros del modelo de regresin mltiple.

1 1

1 1

1 = 0

=1

CPO:

0 :

(1)

=1

1 = 0

(K)

=1
27