Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Clase 2 3401 PDF
Clase 2 3401 PDF
3 de junio de 2010
ˆi = yi − ŷi
= yi − β̂1 − β̂2 Xi
... es posible que la suma de los errores sea muy pequeña cercana a
0, incluso cuando la dispersión de los errores en torno a la función
de regresión muestral es alta.
Estadı́stica para la Economı́a y la Gestión IN 3401
Índice Modelo de Regresión con 2 Variables Modelo de Regresión con k Variables Bondad de Ajuste y Análisis de Varianza
∂ ˆ2i
P X X
= −2 (yi − β̂1 − β̂2 Xi ) = −2 ˆi = 0
∂ βˆ1
∂ ˆ2i
P X X
= −2 (yi − β̂1 − β̂2 Xi )Xi = −2 ˆi Xi = 0
∂ βˆ2
obtenemos... P P P
n yi Xi − Xi yi
β̂2 = P 2 P 2
n Xi − ( Xi )
El que puede ser escrito de la siguiente forma:
P
xei yei
β̂2 = P 2
xi
e
1 Pn
donde Pxei = Xi − X̄ e yei = yi − ȳ , con X̄ = n i=1 Xi e
ȳ = n ni=1 yi .
1
yi = β1 + β2 Xi
E (i |X ) = 0
donde yei = β2 e
xi + i (modelo poblacional en desviaciones con
respecto a la media).
xi + (i − ¯)
yei = β2 e
sustituyendo se obtiene...
Y = Xβ +
donde Y es un vector de dimensión n × 1, X es la matriz de
variables explicativas de dimensión n × k y es un vector
correspondiente al término de error con dimensión n × 1.
Por lo tanto:
E (0 ) = σ 2 In×n
∼ (0n×1 , σ 2 In×n )
∂SE (β̂)
= −2X 0 Y + 2X 0 X β̂ = 0
∂ β̂
β̂MCO = (X 0 X )−1 X 0 Y
X 0 (Y − X β̂) = 0 ⇒ X 0 ˆ = 0
por lo tanto:
E (β̂MCO ) = β
Teorema de Gauss-Markov
Teorema de Gauss-Markov
Demostración: Sea βe = Ay
e un estimador lineal de β, donde A
e es
0 −1 0
una matriz de k × n. Denotemos A = A − (X X ) X , de modo
e
que:
βe = [A + (X 0 X )−1 X 0 ]Y
= [A + (X 0 X )−1 X 0 ](X β + )
= AX β + β + [A + (X 0 X )−1 X 0 ]
Teorema de Gauss-Markov
yei = β̂2 e
x2i + β̂3 e
x3i + ... + β̂k e
xki + ˆi
1 − n1 − n1 . . . − n1
1
0 ii 0 −n 1 − n1 . . . − n1
M = In − = .
.. .. ..
n .. . . .
1 1
−n −n . . . 1 − n1
Análisis de Varianza
Y = Xβ +
M 0 Y = M 0 X β̂ + M 0 ˆ
Análisis de Varianza
Bondad de Ajuste: R 2 y R
e2
Bondad de Ajuste: R 2 y R
e2
Note que:
Bondad de Ajuste: R 2 y R
e2
e2 = 1 − ˆ0 ˆ/(n − k)
R
Y 0 M 0 Y /(n − 1)
o equivalentemente:
e 2 = 1 − (1 − R 2 ) (n − 1)
R
(n − k)