Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Mco PDF
Mco PDF
Carlos Velasco1
1 Departamento de Economía
Econometría I
Máster en Economía Industrial
Universidad Carlos III de Madrid
Curso 2007/08
Objetivos
1 Propiedades del modelo de regresión simple.
2 Estimación MCO y propiedades.
3 Estimadores MCO.
Bibliografía
Wooldridge (2006). Capítulo 2.
Goldberger (2001). Capítulos 2-7.
Greene (1999). Capítulos 3, 4.2-4.3.
y = β0 + β1 x + u.
y x
Variable dependiente Variable independiente
Variable explicada Variable explicativa
Variable de respuesta Variable de control
Variable predicha Variable predictor
Regresando Regresor [covariable]
∆y = β1 ∆x si ∆u = 0.
yield = β0 + β1 fertilizer + u
u : calidad de la tierra, lluvia, etc.
wage = β0 + β1 educ + u
u : experiencia en el trabajo, habilidad innata, antigüedad en el empleo
actual, etc.
∆x = 1 =⇒ ∆y = β1 , ∀x, ∆u = 0.
Pero pueden tener otro tipo de relación (no lineal): puede haber
relación con x 2 , etc.
E (u|x) = E (u) = 0.
score = β0 + β1 attend + u,
donde score es el resultado de un examen final, que depende de las
clases a las que se ha asistido, attend y de otros factores no
observables, u, como capacidad del estudiante que acude al examen.
E (u|attend) = E (u) = 0?
E (y |x) = β0 + β1 x.
y = E (y |x) + u
= β0 + β1 x + u
Estimación de β0 y β1 .
Varias alternativas.
Usaremos los supuestos del modelo: en la población u tiene que
tener media nula y no estar correlacionado con x,
E (u) = 0
Cov (u, x) = 0.
E (y − β0 − β1 x) = 0
Cov (y − β0 − β1 x, x) = E ([y − β0 − β1 x] x) = 0,
Dados los datos, hacemos que los estimadores β̂0 y β̂1 satisfagan las
mismas ecuaciones, pero dentro de la muestra, no en la población,
n
1 X
yi − β̂0 − β̂1 xi = 0
n
i=1
n
d n y − β̂0 − β̂1 x, x
1 X
Cov = yi − β̂0 − β̂1 xi xi = 0.
n
i=1
es decir
β̂0 = ȳ − β̂1 x̄,
lo que nos permite obtener β̂0 una vez que tenemos estimado β̂1 .
y agrupando términos,
n
X n
X
(yi − ȳ ) xi = β̂1 (xi − x̄) xi .
i=1 i=1
Suponiendo que
n
X
(xi − x̄)2 > 0,
i=1
Si
n
X
(xi − x̄)2 = 0,
i=1
ŷ = β̂0 + β̂1 x,
∆ŷ
β̂1 =
∆x
o equivalentemente
∆ŷ = β̂1 ∆x.
salary = β0 + β1 roe + u.
CEOSAL1.RAW, n = 209 :
\ = 963,191 + 18,501roe.
salary
• Salario y educación,
wage = β0 + β1 educ + u.
WAGE1.RAW, n = 526.
• Resultados electorales y gastos de campaña,
voteA = β0 + β1 shareA + u.
VOTE1.RAW, n = 173.
C Velasco (MEI, UC3M) Regresión Simple UC3M, 2006 33 / 70
Notación
ŷ = β̂0 + β̂1 x
yi = ŷi + ûi ,
ȳ = ŷ .
i=1
\ = 963,191 + 18,501roe
salary
\ = 963191 + 18501roe.
salarydol
\ 100
salary = 963,191 + 18,501 roe
100
roe
= 963,191 + (18,501 ∗ 100)
100
= 963,191 + 1850,1roedec
y = β0 + β1 log (x) + u,
Significado de β1 ,
β1
∆y = %∆x.
100
E (u|x) = 0.
E (ui |xi ) = 0, i = 1, . . . , n.
Prueba para β̂0 . Usando que β̂0 = ȳ − β̂1 x̄, y usando RLS.1
math10 = β0 + β1 lnchprg + u.
E (u|x) = 0
Var (u|x) = E u 2 |x = σ 2 ,
E (y |x) = β0 + β1 x
Var (y |x) = σ 2 .
Hay factores en Var β̂1 y Var β̂0 desconocidos: σ 2 .
σ 2 se puede estimar con los datos (a partir de los residuos ûi , ya
que los errores ui no son observables).
Usando ŷi = β̂0 + β̂1 xi , tenemos que
ûi = yi − ŷi
= β0 + β1 xi + ui − β̂0 − β̂1 xi
= ui + β0 − β̂0 + β1 − β̂1 xi ,
Necesita que no todos los xi sean cero. Sólo coincide con MCO si
x̄ = 0. Estimador sesgado si β0 6= 0.
C Velasco (MEI, UC3M) Regresión Simple UC3M, 2006 70 / 70