Documentos de Académico
Documentos de Profesional
Documentos de Cultura
MRLC - Modelos Lineales PDF
MRLC - Modelos Lineales PDF
MRLC - Modelos Lineales PDF
de Vigo
Modelo
Suposiciones
Estimadores MCO
Lugar para texto
Propiedades
Interpretación
Ejemplo Salarios-Productividad Universidade
de Vigo
y f ( X 1 ,... X k ) g ( X k 1 ,...)
f regresion error
Error
Variables Variable
indepen- Función de dependiente
dientes regresión o variable
respuesta
Universidade
de Vigo
Modelo y suposiciones
Parte A
Universidade
de Vigo
Suposiciones Universidade
de Vigo
Yt
E( ) 0 1X1t ... k X kt
X1t ...X kt
k
i X it con X 0 t 1 t
i 0
Y 0 1 X
2. Esperanza nula Universidade
de Vigo
E()=0
El valor esperado de las perturbaciones es 0.
Por tanto el efecto esperado de las variables
no introducidas en el modelo es
despreciable.
Cuando eso no ocurre, la constante asume
dicho efecto, por lo que dificulta su
interpretación.
Ejemplo de compensación salarial Universidade
de Vigo
E (Y / X ) 0 1 X
E ( ) 0
3. Homocedasticidad Universidade
de Vigo
Var(t)=s2 t
La varianza de las perturbaciones es
constante en todas las observaciones,
por tanto la variabilidad alrededor del
valor esperado de la variable respuesta,
para cada posible combinación de
valores de las variables independientes
es la misma.
El riesgo esperado de predecir el valor
de la dependiente conociendo todas las
independientes es el mismo y se
mantiene constante para todas las
observaciones.
Ejemplo de compensación salarial Universidade
de Vigo
Var (Y / X ) var( ) s 2
4. Independencia Universidade
de Vigo
E(ts)=0 ts
Cov(Yt , Yt s / X ) 0
3’. Varianza escalar Universidade
de Vigo
Var()=E(')=s2I
De esta forma aseguramos que todas las
observaciones se comportan de modo
semejante
Las covarianzas
son todas nulas
5. Normalidad Universidade
de Vigo
Error
Función de
X regresión Y
Ejemplo de compensación salarial Universidade
de Vigo
R1
Ejercicio 2.1.
Forma matricial del modelo (1) Universidade
de Vigo
32
Ejemplo de modelo matricial Universidade
de Vigo
69.5
71.4
11 65.2
67.4
71.4 1
69
.5
Donde: 1 65.2
73.8
75.6
1
1
69.9
72.5
73.8 1 67.4
69.9
1
78.4 1 75.6 75.6 1 72.5
80.1 1
78.4 1 75.6
80.1
83.3 11 78.3
80.8 0 78.3
1 85.3 1
83
.3 1 80.8
85.3
88.3
11 82.6
85.3 82.6
88.3 1
89.7 1 85.5 85.3
90.8 1
89.7 1 85.5
90.8 1 86.2
Y 95.7
89.3 86.2
92.8
X 1
1
92.4 95.7 1
92.8 1 89.3 0
97.3 1 94.8 .3 1
92.4
1
1 97 94.8
95.9
96.4 11 92.5
94.6 96.4 11
95.9 92.5
: 94.6
100
98.9
11 97.6
100 100
98.9
11 97.6
.8 1
100
100.8 1 100.5
: 100 100.5
96.4 11
99.1 1 99.3 99.1
96.4 1 98.8
99.3
24 95 1
98.8
97.3 1
95.5
97.3 11 100.7
100.9
.5 100.7
24
98.4 1
100.9
98.4 1 103.7 103.7
Resumen del modelo Universidade
de Vigo
Universidade
de Vigo
35
Método de mínimos cuadrados
ordinarios Universidade
de Vigo
precio
Residuo
{
Variabilidad
total de los
precios x observación
Variabilidad
de los
Variabilidad debida errores cantidad
a la regresión , es
decir, explicada por
37 la cantidad
Estimadores de mínimos cuadrados
ordinarios (MCO) Universidade
de Vigo
Variabilidad del
Variabilidad de la Y error 4.5050
99.073
Demostración Importancia:
b ( X ' X ) 1 X ' y DY •Permite relacionar las
propiedades de los
siendo D ( X ' X ) 1 X ' estimadores con las de la
variable dependiente. Por
T
luego bi ditYt
t 1 ejemplo, la normalidad, el
valor esperado, la varianza,
etc…
41
Insesgadez de los estimadores de MCO Universidade
de Vigo
42
Precisión de los estimadores de MCO Universidade
de Vigo
Var (b) E (b )(b )' E ( X ' X )1 X ' ' X ( X ' X ) 1
estimador y por tanto si
la aproximación es
buena o no, el grado de
( X ' X )1 X ' E ( ') X ( X ' X ) 1 ( X ' X ) 1 X 's 2 IX ( X ' X ) 1 precisión del estimador.
Debe combinarse con la
s 2 ( X ' X )1 X ' X ( X ' X )1 s 2 ( X ' X ) 1 insesgadez.
43
Eficiencia de los estimadores de MCO Universidade
de Vigo
Importancia:
•Nos indica que el valor estimado
Demostración de la dependiente es una
combinación lineal de la
dependiente
y Xb X ( X ' X ) 1 X ' y Hy
45
Propiedades de los estimadores de MCO (3) Universidade
de Vigo
Demostración
Importancia:
e y y y Hy ( I H ) y My •Nos indica que el
residuo también es una
combinación lineal de la
dependiente.
46
Comentarios Universidade
de Vigo
𝑦 = 𝑦 + 𝑒=Hy+My I=H+M
La primera se recoge en el espacio de variables independientes
mediante la matriz H. El resto se recoge en el espacio residual
mediante la matriz M.
Conclusiones Universidade
de Vigo
SUMA DE MEDIA DE
FUENTE CUADRADOS DF CUADRADOS E(CMe) F VALUE H
0
precio
Residuo
{
Variabilidad
total de los
precios x observación
Variabilidad
de los
Variabilidad debida errores cantidad
a la regresión , es
decir, explicada por
51 la cantidad
Notas y comentarios (2)
Universidade
de Vigo
( yˆ
t 1
t y )( yt y ) ( yˆt y )( yˆt y et ) ( yˆt y )( yˆt y ) ( yˆt y )et SC Re g 0
t 1 t 1 t 1
2
T
t ( ˆ
y y )( yt y ) SC Re g 2
Cor ( yˆ , y )
2 t 1
SC Re g
R2
SCY * SC Re g SCY * SC Re g SCY
Coeficiente de determinación en el
origen Universidade
de Vigo
(y
determinación SCY
t y )2
t 1
t 1
T T
SC Re g ( yˆt y ) 2
t
( e e ) 2
Cor ( yˆ , y ) 2 t 1
T
1 t 1
T
R2
t t
SCY
( y y ) 2
( y y ) 2
55 t 1 t 1
Ejercicio 2.5
Salida del OLS en Gretl Universidade
de Vigo
Análisis de Varianza:
0
residuo
-1
-2
-3
-4
-5
70 75 80 85 90 95 100
Y
Universidade
de Vigo
Universidade
de Vigo
59
Coeficientes de regresión parcial Universidade
de Vigo
60
Ejemplo 1 Universidade
de Vigo
fuera el siguiente
Ventas 20 0,4GastosPub e
64
Ejemplo 3 (continuación) Universidade
de Vigo
Estimación de máxima
verosimilitud
Parte D: Intervalos y test de hipótesis
Universidade
de Vigo
La información muestral en la
estimación de una función económica Universidade
de Vigo
ln L( y1, yT ; ; s )
2 Es el error o
perturbación
ln ( 2s )
T 1
2
( y X )(y X )
2 2s 2
ln ( 2s )
T 2 1
SCE
2 2s 2
T 1 1 Luego
( y X )( y X ) 0
2s 2
2s 4
T
s 2
2
1 et
( y X )( y X ) 0
2 2T 2 t1
1 1 ˆ
s
s ( y X )( y X ) e' e
2
T
T T
Que es similar al de MCO pero algo diferente pues se divide por
T en vez de por T-k-1
Propiedades de los estimadores Universidade
de Vigo
b es N(,s2(X'X)-1)
El estadístico
ti=(bi-i)/sbi ,
sigue una t de Student con T-k-1 grados de
libertad
El estadístico (T k 1)S2R
W 2
s
Sigue una ji cuadrado con T-k-1 grados de libertad
Matriz de varianzas covarianzas Universidade
de Vigo
X' X
0
* ˆ ˆ2
I (, s ) s
ˆ 2
0 T
2sˆ 4
Por tanto, los estimadores MV de y s2 son
asintóticamente incorrelados, lo que nos va a permitir
estimar cada uno de ellos por su lado.
Intervalos de confianza de los
coeficientes Universidade
de Vigo
1 i
(bi b j )' Qij
1 b
2 bj F2,T k 1,a
2
S R
Casos posibles Universidade
de Vigo
No ortogonalidad
Ejemplo de demanda de café Universidade
de Vigo
0.25
0.0716, 0.179
0.2
RTA
0.15
0.1
Ejercicio 2.9
Test de hipótesis Universidade
de Vigo
El impacto de la variable Xi
Suposiciones: (Las del MRLN) sobre la dependiente es
Hipótesis
El impacto de la variable Xi
H0: i= sobre la dependiente no es
H1: i
Nivel de significación (prefijado a)
Mide la distancia
Estadístico de prueba estandarizada entre el
estimador del impacto de la
ti=(bi-)/sbi variable Xi y el valor de la
hipótesis nula, dado por
Por tanto la idea intuitiva del test es que si esa distancia es
muy grande en valor absoluto, se rechaza puesto que el
estimador que teóricamente es insesgado debería estar
cerca del parámetro. En caso contrario se acepta.
La ley de distribución nos permite decir cuando es muy
grande o no.
Test de hipótesis de los coeficientes
individuales (2) Universidade
de Vigo
Ley de distribución
Ya vimos que bi sigue una ley N(i,s2Xii) donde Xii es
el elemento i-ésimo de la diagonal de (X'X)-1. Por lo
tanto, el estadístico t seguirá una t de Student con T-k-1
grados de libertad Este valor, que se deduce de la ley de
distribución, es el que nos permite afirmar si la
Regla de decisión distancia es muy grande (significativa) o no
rechazamos H0 si |ti|>tT-k-1,a/2,
O lo que es equivalente:
rechazamos H0 si la cola de probabilidad o
p-Valor <a,
Cuando la probabilidad de observar los datos o algo más raro bajo H0 (suponiendo que es cierta) es muy
pequeña (menor que el riesgo que admito a). Rechazo si bajo esa hipótesis los datos son muy raros
Comparación entre las reglas de
decisión Universidade
de Vigo
P-valor o cola
de probabilidad
Nivel de
significación
a/2
a/2
tT-k-1,a/2
Valor de las
tablas T-estadístico
observado
Resultados Universidade
de Vigo
Hipótesis
H0: i =0 para todos los i=i1,..,ij SSE1 j SSE k
H1: i0 para alguno de los i=i1,..,ij j
Nivel de significación (prefijado a) Fi1 j
SSE k
Suposiciones: (Las del MRLN)
T k 1
Estadístico de prueba:
Se hace una regresión con todas las variables y se calcula
la suma de los errores (SSEk)
Se hace una regresión con todas las variables menos
aquellas que suponemos nulas en H0 y se calcula la suma
de los errores al cuadrado (SSE1j).
El estadístico es
Test de hipótesis de los coeficientes
conjuntos (2) Universidade
de Vigo
Ley de distribución
El estadístico anterior seguirá una F de Snedecor con j y T-k-1
grados de libertad respectivamente
Regla de decisión
rechazamos H0 si F>Fj,T-k-1,a/2
El test mas común es el de nulidad conjunta de todos
los coeficientes cuyos estadísticos salen en la tabla
ANOVA
Test conjuntos de todos los
coeficientes en SHAZAM Universidade
de Vigo
Análisis de Varianza:
Nos permite contrastar si todos los coeficientes de las variables son nulos o
alguno no
Test de hipótesis de restricciones
unidimensionales Universidade
de Vigo
1
H 0 : (1 1) 1
2
Ejemplo en GRETL Universidade
de Vigo