0 calificaciones0% encontró este documento útil (0 votos)
36 vistas20 páginas
Este documento presenta un resumen de los conceptos clave del análisis de regresión múltiple, incluyendo el modelo con tres variables, la interpretación de la ecuación de regresión, el significado de los coeficientes de regresión parcial, la estimación de mínimos cuadrados ordinarios de los coeficientes, y la detección y corrección de la multicolinealidad entre variables explicativas.
Este documento presenta un resumen de los conceptos clave del análisis de regresión múltiple, incluyendo el modelo con tres variables, la interpretación de la ecuación de regresión, el significado de los coeficientes de regresión parcial, la estimación de mínimos cuadrados ordinarios de los coeficientes, y la detección y corrección de la multicolinealidad entre variables explicativas.
Este documento presenta un resumen de los conceptos clave del análisis de regresión múltiple, incluyendo el modelo con tres variables, la interpretación de la ecuación de regresión, el significado de los coeficientes de regresión parcial, la estimación de mínimos cuadrados ordinarios de los coeficientes, y la detección y corrección de la multicolinealidad entre variables explicativas.
problema de estimación Modelo con tres variables: notación y supuestos Supuestos Interpretación de la ecuación de regresión múltiple
se obtiene la media condicional o el valor esperado de Y condicionado a los
valores dados o fijos de las variables X2 y X3. Por consiguiente, como en el caso de dos variables, el análisis de regresión múltiple es el análisis de regresión condicional sobre los valores fijos de las variables explicativas, y lo que obtenemos es el valor promedio o la media de Y, o la respuesta media de Y a los valores dados de las regresoras X. Significado de los coeficientes de regresión parcial los coeficientes de regresión β2 y β3 se conocen como coeficientes de regresión parcial o coeficientes parciales de pendiente. El significado del coeficiente de regresión parcial es el siguiente: β2 mide el cambio en el valor de la media de Y, E(Y), por unidad de cambio en X2, con X3 constante. Expresado de otra forma, proporciona el efecto “directo” o “neto” que tiene una unidad de cambio de X2 sobre el valor medio de Y, neto de cualquier efecto que X3 pueda ejercer en la media Y. Estimación de MCO de los coeficientes de regresión parcial Varianzas y errores estándar de los estimadores de MCO
Propiedades de los estimadores de MCO
El coeficiente múltiple de determinación R2 y el coeficiente múltiple de correlación R (t 7,1) Modelos de regresión polinomial Ahora consideraremos una clase de modelos de regresión múltiple, los modelos de regresión polinomial, de amplio uso en la investigación econométrica relacionada con funciones de costo y de producción. Al introducir estos modelos, ampliamos la gama de modelos a todos los que se aplica fácilmente el modelo clásico de regresión lineal. Tenga en cuenta que, en estos tipos de regresiones polinomiales, sólo hay una variable explicativa al lado derecho, pero aparece elevada a distintas potencias, convirtiéndolas en modelos de regresión múltiple. A propósito, observe que si se supuso que Xi es fi ja o no estocástica, los términos de Xi elevados a alguna potencia también se hacen fijos o no estocásticos. Prueba de significancia general de la regresión muestral El método del análisis de varianza en las pruebas de significancia general de una regresión múltiple observada: la prueba F Multicolinealidad: ¿qué pasa si las regresoras están correlacionadas? El supuesto 8 del modelo clásico de regresión lineal (MCRL) plantea que no existe multicolinealidad entre las regresoras incluidas en el modelo de regresión. 1. ¿Cuál es la naturaleza de la multicolinealidad? 2. ¿Es la multicolinealidad realmente un problema? 3. ¿Cuáles son sus consecuencias prácticas? 4. ¿Cómo se detecta? 5. ¿Qué medidas pueden tomarse para aliviar el problema de multicolinealidad? Naturaleza de la multicolinealidad Existen diversas fuentes de multicolinealidad. Como afirman Montgomery y Peck, la multicolinealidad puede deberse a los siguientes factores: factor inflacionario de la varianza (FIV)