Documentos de Académico
Documentos de Profesional
Documentos de Cultura
1. Ejercicio prctico
2. Escala y formas funcionales
3. Modelo de regresin mltiple
Gabriel Moraga
Primer Trimestre 2015
1
1. Ejercicio prctico
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).
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
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
2
Var 1 2 / xi x
Var 0
n
xi
x
i
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
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
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
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
EJERCICIO PRCTICO
1
2
y
i i
n2
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
EJERCICIO PRCTICO
Reemplazando en la expresin para obtenemos:
1
1
2
yi yi 5751.5 = 1437.9
n2
4
37.92
ee 1
x
i
37.92
6.43
34.83
11
12
13
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
15
y exp 0 1 x , 1 0
ln( y ) 0 1 x
16
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:
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:
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:
20
22
y
1
0
x2
x1
yi 0 1 x1i 2 x2i ui
23
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
25
26
1 1
1 1
1 = 0
=1
CPO:
0 :
(1)
=1
1 = 0
(K)
=1
27