Documentos de Académico
Documentos de Profesional
Documentos de Cultura
(2017-2018)
Asignatura: Econometra Financiera
Prof. Fabian Chahin
3. Modelo de Regresin Lineal Mltiple
1. Motivacin
2. Representacin
3. Estimacin
4. Evaluacin
5. Aplicacin
Histogramas:
Variable Female (mujer) es una dummy (dictoma), 1 para mujeres, 0 para varones
(-0.25 indica que las mueres ganan menos que los hombres)
Variable Female (mujer) es una dummy (dictoma), 1 para mujeres, 0 para varones
(-0.25 indica que las mueres ganan menos que los hombres)
Respuesta:
Es decir, las mujeres ganan en promedio 22% menos que los varones
Maestra en Banca, Finanzas e inversiones-Asignatura: Econometra Financiera-Prof. Fabian Chahin
Introduccin
Mltiples factores explicativos
Ahora consideramos (lo cual es muy plausible) que el salario (wage) depende de
otros factores como la edad, nivel de educacin y trabajos a medio tiempo (part-
time)
Las regresiones simples dan:
Mujeres (females): misma edad, baja educacin, con ms frecuencia trabajo a medio
tiempo
Maestra en Banca, Finanzas e inversiones-Asignatura: Econometra Financiera-Prof. Fabian Chahin
Introduccin
Diferencias de gnero en educacin
Nivel de educacin
Educacin
Conteo
Porcentaje
Las mujeres tienen en promedio menor nivel de educacin que los hombres
Trabajos Part-time
Conteo
Porcentaje
Ya que varios factores tienen efecto en el salario (wage) es de inters investigar los
efectos parciales
Efecto parcial: si todas las dems variables permanecen fijas (ceteris paribus)
Ejercicio
(A) Utilice el conjunto de datos ejercicio 3 para regresar el log-salario en una constante
y la dummy de gnero 'Female' y compruebe el Resultado presentado en la
presentacin, que log (Salario) = 4.73 - 0.25*Female + e.
(B) Sea e la serie de residuos de la regresin en la parte (a). Realice dos regresiones:
(i) e sobre una constante y la educacin;
(ii) e sobre una constante y dummy de trabajo part-time.
C) Comentar los resultados de las regresiones i) y ii) de la parte b).
Donde:
Wage (salario): salario anual (ndice, mediana=100)
Female (mujeres): dummy gnero (1 para mujeres, 0 para varones)
Age (edad): edad en aos
Educ : educacin (4 niveles, desde 1 para bajo a 4 para alto)
Parttime (medio tiempo): dummy trabajo part-time (1 para trabajo 3 das o menos por
semana, 0 ms de 3 das por semana)
(Con x1i=1)
Sea la base de datos que contiene n observaciones para todas las variables
y = Xb + e
Respuesta:
y = Xb donde X es (n x k) con rango(X)=r
-> r<=k y r<=n siempre
->Si r=n=k; y= Xb tiene solucin nica
->Si r=n<k; y= Xb tiene mltiples soluciones
->Si r<n; y= Xb (en general) NO tiene solucin
Casi siempre n>k y la X tiene rango columna completo igual a k (si no la tuviera, una de las x
sera combinacin lineal de las otras, entonces se las pueda sacar).
y = Xb en general no tendr solucin exacta, as que la vamos a estimar (sol. Aproximada)
Modelo:
En la prctica, las x dependen entre si generalmente (en el ejemplo, no podemos no podemos fijar la
educacin, ya que las mujeres y hombres tienen diferentes niveles de educacin. En consecuencia, se
realiza un experimento (ceteris paribius, se supone que todo lo dems se supone que no vara)
Maestra en Banca, Finanzas e inversiones-Asignatura: Econometra Financiera-Prof. Fabian Chahin
Representacin
Descomposicin del efecto total:
Si el el j-esimo valor explicativo x vara, tiene 2 efectos en y: primero el directo dado por el beta j, luego
el efecto dado por un cambio en el factor j que hace variar el efecto de las dems (efecto indirecto):
El efecto total si los factores son mutuamente excluyentes (y adems x1i=1, con lo cual esta nunca cambia):
y/o
Respuesta:
Si, en el sentido de que xj no tiene efecto parcial en y
(suponiendo que todas las dems se mantienen constantes)
No, en el sentido de que xj puede tener un efecto indirecto en y
(mediante los otros factores xj -> xh -> y)
Ejemplo:
Modelo
Objetivo:
Estimar b por un vector b (k x 1) tal que Xb es muy cercano a y
Minimizar
Donde:
R cuadrado
1. Modelo lineal
4. Errores homocedsticos
5. Errores no correlacionados
Luego es positivo semi definido (con lo cual la varianza es mayor en modelos alternativos).
Como b tiene la menor varianza de todos los estimadores lineales insesgados, el de MCO es eficiente
(se trata de construir el modelo que tenga las variables explicativas ms relevantes, de manera que las que no
lo fueran, se pueden eliminar (uno por uno t-test o varias a la vez F-test) para aumentar la eficiencia
Es elemento
Entonces
contra
Dado que
Reordenar los factores k, tal que las ltimas g son removidas (partimos X):
Reordenar y
Luego
contra
si Se acepta,
MCO en el modelo
Modelo
MCO da
Izquierda: log-wage observados contra log-wage ajustados por el modelo (buen ajuste; el ajuste perfecto se
dara en un lnea de 45)
Trabajo part-time
Respuesta:
Otra extensin es permitir que el efecto de la educacin vare por nivel de educacin
contra No es verdad
Todos los factores son significativos, excepto por Female (pvalue 0.206)
No es verdad
Sea ei los residuos del modelo al principio de la aplicacin, donde log-wage se regresa
con una constante y variables Female, Age, Educ y Parttime. Si los residuos se regresan
sobre una constante y tres dummies de educacin, los doeficientes dan: