Sesión 3

Maestra en Banca, Finanzas e Inversiones
(2017-2018)
Asignatura: Econometra Financiera
Prof. Fabian Chahin
3. Modelo de Regresin Lineal Mltiple
Maestra en Banca, Finanzas e inversiones-Asignatura: Econometra Financiera-Prof. Fabian Chahin

Regresin Lineal Mltiple
1. Motivacin
2. Representacin
3. Estimacin
4. Evaluacin
5. Aplicacin

Introduccin
Sup. Queremos comparar salario de mujeres y varones
Pueden diferir por ejemplo por diferencias en el nivel de educacin
Pregunta 1: cual es el efecto total en el salario incluyendo diferencias en educacin?
Pregunta 2: cul es el efecto parcial en el salario excluyendo las diferencias en

educacin?

Introduccin
Para qu pregunta se debe incluir la educacin en el anlisis?

Para cul se debe excluir?
Efecto total del gnero, incluyendo efectos de educacin:

La educacin se debe excluir del modelo!
Efecto parcial del gnero excluyendo los efectos de la educacin:

La educacin se debe incluir en el modelo!
Resultado Sorpresivo??? Lo vamos a desarrollar

Introduccin
Datos de salarios de 500 empleados (Indizados, mediana=100)

Muestra aleatoria de una poblacin mucho ms grande de empleados de un
mismo rubro
Histogramas:
Salario (nivel) es ms sesgada que en logaritmo

Introduccin
Box plots:
Las mujeres ganan menos que los varones (en promerio)

Preguntas de investigacin:
Cun grande es esta diferencia?
Cuales son las causas de la misma?
Introduccin
Como primer paso:
Regresin simple:
Variable Female (mujer) es una dummy (dictoma), 1 para mujeres, 0 para varones
(-0.25 indica que las mueres ganan menos que los hombres)
Cul es la diferencia de gnero estimada en el nivel de salarios?

Introduccin
Como primer paso:
Regresin simple:
Variable Female (mujer) es una dummy (dictoma), 1 para mujeres, 0 para varones
(-0.25 indica que las mueres ganan menos que los hombres)
Pregunta: Cul es la diferencia de gnero estimada en el nivel de salarios?
Respuesta:
Es decir, las mujeres ganan en promedio 22% menos que los varones
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
Introduccin
Diferencias de gnero en educacin
Nivel de educacin
Educacin
Conteo
Porcentaje
Las mujeres tienen en promedio menor nivel de educacin que los hombres

Introduccin
Diferencias de gnero trabajos part-time
Trabajos Part-time
Conteo
Porcentaje
45% de las mujeres tienen trabajo parttime

Introduccin
Efectos Parciales
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)
Pregunta de investigacin: Cul es el efecto parcial del gnero en el salario?
Entonces, se necesita: la diferencia de gnero en salario, luego de corregir por

(controlando por) diferencias en educacin y trabajos part-time
Respuesta obtenida por una regresin mltiple, que veremos a continuacin

Introduccin
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).

Representacin
Ejemplo previo: varios factores tienen un efecto en el salario
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)

Representacin
Notacin
Sea xi un vector (5 x 1) con los componentes (x1i,,x5i)

Sea beta vector (5 x 1) con los componentes
Luego la ecuacin de educacin puede ser escrita como (forma de vector):
Donde el smbolo (prima): transposicin

Representacin
Notacin matricial
Escribimos para 500 observaciones:
Sea y: (500 x 1) un vector con componentes yi

X: (500 x 5) una matriz con filas
: (500 x 1) un vector con componentes
Luego la ecuacin para las 500 observaciones se convierte:

Representacin
Modelo de regresin mltiple
Generalizando: Modelo con k variables explicativas:
(Con x1i=1)
yi es la variable dependiente o explicada (el regresando)

x1i,,xki son las variables explicatorias (regresores)
El primer factor explicativo es la constante x1i=1

Representacin
Modelo de regresin mltiple
Sea la base de datos que contiene n observaciones para todas las variables
Como antes, sea:
y: vector (n x 1) con los componentes yi

X: matriz (n x k) con elementos xji
b: vector (k x 1) con los componetnes de bj
e: vector (n x 1) con los componentes de e
Con n= nmero de observaciones
y k= nmero de factores explicativos
El modelo se puede escribir como:

y = Xb + e
Representacin
Conjunto de ecuaciones lineales
El propsito de la regresin mltiple es explicar y en trminos da las variables
explicativas x
y = Xb + e
-> Xb es la parte explicada de y

-> e es la parte no explicada de y
X explica buena parte de y si y ~ Xb para alguna eleccin de b
y = Xb + e es un conjunto de n ecuaciones con k parmetros desconocidos b

Representacin
Pregunta:
Sea X una matriz (n x k) con rango (X) =r
Cul es el nmero de soluciones de las ecuaciones y = Xb + e ?

Representacin
Pregunta:
Sea X una matriz (n x k) con rango (X) =r
Cul es el nmero de soluciones de las ecuaciones 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)

Representacin
Interpretacin de los coeficientes
Modelo:
Qu le pasa a y, si xj aumenta por una unidad mientras todas las dems

variables x permanecen fijos?
Efecto parcial (Si xh permanece fijo para todo h distinto de j)
Supuesto de ceteris paribus
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)
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):
Efectos indirectos combinados:
As: Efecto Total = Efecto Parcial + Efecto Indirecto
En el ejemplo, si los trabajos part-time son ms comunes para la educacin alta:
Directo: Educ sube -> Salario sube

Indirecto: Educacin sube -> Trabajo parttime sube -> Salario baja
Total: Suma de los efectos de subida y bajada (se necesitan las magnitudes)

Representacin
Test de restricciones del modelo:
Se desea saber si el factor xj tiene un efecto relevante en y
Test para una sola variable j: contra la alternativa
Test para dos factores j y h: contra la alternativa:
y/o
Test General: contra Cualquier conjunto de restricciones lineales
R est dado (g x k) matriz de rango (R)=g

r esta dado (g x 1) vector

Representacin
Pregunta: si , esto significa que xj no tiene efecto en y?

Representacin
Pregunta: si , esto significa que xj no tiene efecto en y?
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:
An si y entonces un nivel mayor de educacin

contina teniendo efecto indirecto en el salario si la variable trabajos
part-time se relacionan con el nivel (mayor) de educacin
Estimacin
Criterio de Mnimos Cuadrados Ordinarios
Modelo
Dimensiones: Datos observados
No observados (efectos marginales)
Objetivo:
Estimar b por un vector b (k x 1) tal que Xb es muy cercano a y
Suponemos que la matriz X (n x k) tiene rango (X) = k (completo)

Estimacin
Criterio de Mnimos Cuadrados Ordinarios (ordinarios para distinguir de los otros mtidos)
Estimacin mnimo cuadrtica:
Minimizar
Condiciones de primer orden para
Donde:
Entonces Porque el rango de X es k (completo), entonces XX es invertible

Estimacin
Estimacin de la varianza del error
Estimar el valor desconocido por los residuos
La varianza muestral de los residuos:
R cuadrado
Donde cor es el coeficiente de correlacin y

R cuadrado elevado significa mejor ajuste de Xb a los datos observados y
Si el modelo contiene constante (intercepto (x1i=1, para todo 1=1,n):

Evaluacin
Los 6 supuestos del modelo
1. Modelo lineal
2. Regresores fijos: X no aleatorio
3. Trmino de error aleatorio con media cero
4. Errores homocedsticos
5. Errores no correlacionados
6. Parmetros beta y varianza fijos y conocidos (modelo postulado es correcto)

Evaluacin: b insesgado y matriz de varianzas y covarianzas
Bajo 1,2,3 y 6; el estimador MCO es insesgado: Luego, la varianza de b ser:
Como fue visto:
Sea ajh el (j, h)-esimo elemento de la matriz de (k x k).

Luego y
(varianzas en la diagonal y covarianzas en elementos fuera de ella)
Evaluacin
Eficiencia
Ya que b es nico (no podemos pedir a las personas cambiar de sexo o su nivel de educacin), necesitamos
maximizar que b se acerque al verdadero PGD b (que su varianza sea mnima, es decir que sea eficiente)
Bajo A1-A6: el estimador MCO de b es el mejor estimador lineal insesgado (MELI)
Esto es lo que se llama el Teorema de Gauss Markov
Si es un estimador lineal, A una matriz no aleatoria (k x n) y si es insesgado,
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

Evaluacin- Tests estadsticos
Test de una restriccin, test-t
Bajo los supuestos 1 a 6:
Y por 7, el error tiene distribucin normal
(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

Test de una restriccin, test-t
Test de relevancia de un simple factor j:
contra
Es elemento
Entonces
Reemplazamos x raz cuadrada de
Test estadstico: con
(aproximadamente normal, salvo que n-k sea pequea)

Test de mltiples restricciones: Test F
Test de mltiples restricciones lineales:
contra
->La matriz R (g x k) es dada con rango (R)=g es

el nmero de restricciones
->El vector r (g x 1) est dado
A1 a A7 implica

Test de mltiples restricciones: Test F
Luego:
Dado que
F se puede computar como la suma de residuos al cuadrado:
Suma de residuos modelo restringido (Ho)

Suma de residuos modelo no restringido (H1)

Test para remover un conjunto de variables explicativas
Modelo restringido: remover un conjunto g de variables explicativas
Reordenar los factores k, tal que las ltimas g son removidas (partimos X):
Reordenar y
Las ultimas g columnas de X (factores removidos en el modelo restringido)

Variables a
ser Los ltimos g elementos de beta
removidas
Los ltimos g elementos de b
Luego

Test F
contra
si Se acepta,
Suma de residuos al cuadrado modelo restringido
MCO en el modelo
Suma de residuos al cuadrado del modelo no restringido

MCO en el modelo
Aplicacin: Ecuacin de salario (wage)
Datos de salarios del acpite anterior
Modelo
MCO da
Datos aleatorios de una poblacin de empleados

Los resultados MCO dependen de los datos, entonces tambin son aleatorios
Resultados de la regresin

Scatters
Izquierda: log-wage observados contra log-wage ajustados por el modelo (buen ajuste; el ajuste perfecto se
dara en un lnea de 45)
Derecha: Residuos contra log-wage ajustados

Age, educ. y parttime son significativos (p-values 0.000)

Female no es significativo al 5% (p-value 0.097)
Interpretacin en trminos del efecto de salarios promedio:

Ao extra de edad:
Ao extra de educacin
Trabajo part-time
Luego de controlar por edad, educacin y part-time; el efecto (parcial)

de gnero de -4% para mujeres no es significativo
En la introduccin vimos: efecto significativo de 25% para mujeres:

efecto total, incluyendo educacin y part time

Modelo con efectos absolutos (en vez de relativos)
Si la variable explicada es log-wage, los parmetros
Miden los efectos relativos en el salario de cada factor (o variable)
Si la variable explicada es wage (en vez de log-wage), los parmetros

Miden los efectos en los salarios en niveles
MCO en este modelo da:

Wage o log-wage?
Age, educ. y parttime son significativos (p-values 0.000)

Female es no significativo al 5% (p-value 0.501)
Porqu no se puede elegir entre ambos modelos basados en R cuadrado y s?
Respuesta:
El R cuadrado y la desviacin estndar del error se basan en la suma de cuadrados de y y

e=y-Xb, y la variable y difiere en ambos modelos (tenemos diferente variable explicativa)
Lo que se puede hacer es chequear un grfico de los supuestos de la regresin:
Scatter de los residuos versus valores ajustados

Scatters
Wage o log-wage?
Izquierda wage: no lineal y heterocedastico
Derecha para log-wage: no hay indicacin de violacin a los supuestos de regresin

Testeando efectos constantes de la educacin
Otra extensin es permitir que el efecto de la educacin vare por nivel de educacin
Si el empleado i tiene educacin de nivel 2

Si el empleado i tiene educacin 1, 3 o 4
(similares definiciones de DE3 y DE4)
Efecto de educacin es constante si
contra No es verdad

Resultado de la regresin

Salidas
Resultados:
MCO en el modelo irrestricto (bajo H0) da:
Todos los factores son significativos, excepto por Female (pvalue 0.206)
Test de efectos constates en educacin:
No es verdad

Computando el Test F
Valor crtico al 5% de F(2, 493) es 3.0

Como F=10.4 > 3.0, se rechaza Ho (al 5%)
Conclusin: los efectos en el salario de un ao ms de educacin difiere

significativamente entre niveles de educacin
Efecto en el salario de la educacin extra
Coeficientes de dummies educacin:

Nivel 1: 0.171
Nivel 2: 0.380
Nivel 3: 0.767
Aumento del salario por aumento en el nivel de educacin:
Efecto mucho mayor para la transicin al nivel ms alto de educacin

Efecto en el salario de la educacin extra
Ejercicio: Datos en el archivo ejercicio5
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:
a) Otorgue una interpretacin intuitiva de los resultados de la regresin

b) Testee si los tres coeficientes de las tres dummies son en conjunto significativas por
medio del test F
c) De una interpretacin econmica al resultado b)

Maestra en Banca, Finanzas e Inversiones
(2017-2018)
Asignatura: Econometra Financiera
Prof. Fabian Chahin

Sesión 3

Cargado por

Información del documento

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Sesión 3

Cargado por

Copyright:

Formatos disponibles

Maestra en Banca, Finanzas e Inversiones

Maestra en Banca, Finanzas e inversiones-Asignatura: Econometra Financiera-Prof. Fabian Chahin

Maestra en Banca, Finanzas e inversiones-Asignatura: Econometra Financiera-Prof. Fabian Chahin

Sup. Queremos comparar salario de mujeres y varones

Pueden diferir por ejemplo por diferencias en el nivel de educacin

Pregunta 1: cual es el efecto total en el salario incluyendo diferencias en educacin?

Pregunta 2: cul es el efecto parcial en el salario excluyendo las diferencias en

Maestra en Banca, Finanzas e inversiones-Asignatura: Econometra Financiera-Prof. Fabian Chahin

Para qu pregunta se debe incluir la educacin en el anlisis?

Efecto total del gnero, incluyendo efectos de educacin:

Efecto parcial del gnero excluyendo los efectos de la educacin:

Resultado Sorpresivo??? Lo vamos a desarrollar

Maestra en Banca, Finanzas e inversiones-Asignatura: Econometra Financiera-Prof. Fabian Chahin

Datos de salarios de 500 empleados (Indizados, mediana=100)

Salario (nivel) es ms sesgada que en logaritmo

Maestra en Banca, Finanzas e inversiones-Asignatura: Econometra Financiera-Prof. Fabian Chahin

Las mujeres ganan menos que los varones (en promerio)

Cul es la diferencia de gnero estimada en el nivel de salarios?

Maestra en Banca, Finanzas e inversiones-Asignatura: Econometra Financiera-Prof. Fabian Chahin

Pregunta: Cul es la diferencia de gnero estimada en el nivel de salarios?

Maestra en Banca, Finanzas e inversiones-Asignatura: Econometra Financiera-Prof. Fabian Chahin

45% de las mujeres tienen trabajo parttime

Maestra en Banca, Finanzas e inversiones-Asignatura: Econometra Financiera-Prof. Fabian Chahin

Pregunta de investigacin: Cul es el efecto parcial del gnero en el salario?

Entonces, se necesita: la diferencia de gnero en salario, luego de corregir por

Respuesta obtenida por una regresin mltiple, que veremos a continuacin

Maestra en Banca, Finanzas e inversiones-Asignatura: Econometra Financiera-Prof. Fabian Chahin

Maestra en Banca, Finanzas e inversiones-Asignatura: Econometra Financiera-Prof. Fabian Chahin

Maestra en Banca, Finanzas e inversiones-Asignatura: Econometra Financiera-Prof. Fabian Chahin

Sea xi un vector (5 x 1) con los componentes (x1i,,x5i)

Luego la ecuacin de educacin puede ser escrita como (forma de vector):

Donde el smbolo (prima): transposicin

Maestra en Banca, Finanzas e inversiones-Asignatura: Econometra Financiera-Prof. Fabian Chahin

Escribimos para 500 observaciones:

Sea y: (500 x 1) un vector con componentes yi

Maestra en Banca, Finanzas e inversiones-Asignatura: Econometra Financiera-Prof. Fabian Chahin

Generalizando: Modelo con k variables explicativas:

yi es la variable dependiente o explicada (el regresando)

Maestra en Banca, Finanzas e inversiones-Asignatura: Econometra Financiera-Prof. Fabian Chahin

Como antes, sea:

y: vector (n x 1) con los componentes yi

El modelo se puede escribir como:

-> Xb es la parte explicada de y

X explica buena parte de y si y ~ Xb para alguna eleccin de b

y = Xb + e es un conjunto de n ecuaciones con k parmetros desconocidos b

Maestra en Banca, Finanzas e inversiones-Asignatura: Econometra Financiera-Prof. Fabian Chahin

Sea X una matriz (n x k) con rango (X) =r

Cul es el nmero de soluciones de las ecuaciones y = Xb + e ?

Maestra en Banca, Finanzas e inversiones-Asignatura: Econometra Financiera-Prof. Fabian Chahin

Maestra en Banca, Finanzas e inversiones-Asignatura: Econometra Financiera-Prof. Fabian Chahin

Qu le pasa a y, si xj aumenta por una unidad mientras todas las dems

Efecto parcial (Si xh permanece fijo para todo h distinto de j)

Supuesto de ceteris paribus

Efectos indirectos combinados:

As: Efecto Total = Efecto Parcial + Efecto Indirecto

En el ejemplo, si los trabajos part-time son ms comunes para la educacin alta:

Directo: Educ sube -> Salario sube

Maestra en Banca, Finanzas e inversiones-Asignatura: Econometra Financiera-Prof. Fabian Chahin

Se desea saber si el factor xj tiene un efecto relevante en y

Test para una sola variable j: contra la alternativa

Test para dos factores j y h: contra la alternativa:

Test General: contra Cualquier conjunto de restricciones lineales

R est dado (g x k) matriz de rango (R)=g

Maestra en Banca, Finanzas e inversiones-Asignatura: Econometra Financiera-Prof. Fabian Chahin