1.

Interpretación moderna de regresión

El análisis de regresión trata del estudio de la dependencia de la variable dependiente, en una o más
variables, las variables explicativas, con el objetivo de estimar y/o predecir la media o valor promedio
poblacional de la primera en términos de los valores conocidos o fijos (en muestras repetidas) de las
últimas.

La trascendental importancia de este enfoque del análisis de regresión se hará más claro a medida que
avanzamos, pero algunos ejemplos sencillos aclararán este concepto básico.

2. 9 supuestos de método de minimos cuadrados ordinarios

1. El modelo es lineal en los parámetros (los betas).

2. Las variables explicativas toma valores fijos en muestreo repetitivo.

3. La esperanza del error es nula es de decir,

4. No hay autocorrelaciones en los errores, es decir que la esperanza de la covarianzas entre los errores
es nula. para todo

5. Homocedasticidad:, que significa que la varianza de los errores es constante. Var (u) = σ2 I nxn

6. El modelo esta correctamente especificado.

7. No hay relación lineal perfecta entre las variables explicativas.

8. El número de observaciones es mayor que los parámetros estimados.

9. Los errores “U” siguen distribución normal. (0, σ2I). Es decir media cero y varianza constante.

10. Las Variables explicativas “X” son exogenas.

3.