1. ¿Cómo especificar un modelo de regresión?

Rpta: la especificación es el proceso de convertir la teoría en un modelo de regresión. Este

proceso consiste en seleccionar una forma funcional apropiada para el modelo y la elección de las
variables a incluir. Los datos técnicos del modelo es uno de los primeros pasos en el análisis de
regresión. Si está mal especificado un modelo estimado, será sesgado e inconsistente.

2. ¿Cuáles son los supuestos del modelo lineal general?

Rpta: Hipótesis del modelo de regresión lineal general (I) H1: Linealidad en los parámetros:
Establece la linealidad en los parámetros en la relación entre la variable endógena (a explicar) y las
exógenas (explicativas). Por ejemplo, en la relación entre Consumo y Renta: Los parámetros que
definen esta relación son y No hay que confundir esta hipótesis de linealidad en los parámetros
con una relación lineal entre las variables. Por ejemplo, en las relaciones siguientes, sólo la
primera es formalmente lineal. Sin embargo, las tres cumplen la hipótesis de linealidad en los
parámetros: donde ln x denota el logaritmo neperiano de x.

H2: Especificación correcta. Esta hipótesis supone que las variables explicativas “x” del modelo son
aquellas variables relevantes que explican a la endógena, “y”. Y que están todas. No existe ninguna
variable “x” que no explique nada de la “y”. El modelo está bien planteado o especificado. Esto
supone admitir que siempre existe una teoría económica que nos dicta los todos y cada uno de los
factores que explican a otra variable. También supone que siempre disponemos de datos
coherentes de todas las variables explicativas a introducir.

H3: Grados de libertad positivos: Los grados de libertad (gl )de un modelo se definen como la
diferencia entre el número de datos ( n) y el número de variables explicativas ( k ). Es decir, Esta
hipótesis supone que, como mínimo, es necesario disponer de tantos datos como parámetros a
estimar. No obstante, es preferible disponer de más datos que parámetros a estimar. En el
ejemplo de la función de consumo keynesiana hay que estimar dos parámetros. Con un único
dato, no sería posible estimar de forma única ambos parámetros. ¿Por qué? Con dos datos, se
tiene una estimación única de ambos parámetros.

H4: Parámetros constantes. Esta hipótesis supone que los parámetros no cambian con el tiempo
(con datos temporales) o con el individuo (en secciones cruzadas). Si trabajamos con n datos en la
función de consumo keynesiana, suponer que la propensión marginal a consumir es constante en
el tiempo, implica que se obtiene una estimación que ha de interpretarse como la propensión
marginal a consumir media en ese período de tiempo considerado. Si el período muestral con el
que se trabaja es muy amplio y heterogéneo (por ejemplo, incluye períodos de crisis y de auge), es
más difícil mantener esta hipótesis que si la muestra es homogénea.

¿Defina al estimador de mínimos cuadrados ordinarios(MCO)?

Rpta:  El parámetro resultante puede expresarse a través de una fórmula sencilla,
especialmente en el caso de un único regresionador.

El método MCO, siempre y cuando se cumplan los supuestos clave, será consistente cuando
los regresionadores sean exógenos y no haya perfectamulticolinealidad, este será óptimo en
la clase de parámetros lineales cuando los errores sean homocedásticos y además no
haya autocorrelación. En estas condiciones, el método de MCO proporciona un estimador
insesgado de varianza mínima siempre que los errores tengan varianzas finitas. Bajo la
suposición adicional de que los errores se distribuyen normalmente, el estimador MCO es el
de máxima verosimilitud.

¿Qué es el modelo de regresión lineal múltiple?

Rpta: La regresión lineal permite trabajar con una variable a nivel de intervalo o razón. De la
misma manera, es posible analizar la relación entre dos o más variables a través de
ecuaciones, lo que se denomina regresión múltiple o regresión lineal múltiple.

Constantemente en la práctica de la investigación estadística, se encuentran variables que de

alguna manera están relacionadas entre sí, por lo que es posible que una de las variables
puedan relacionarse matemáticamente en función de otra u otras variables.

Maneja varias variables independientes. Cuenta con varios parámetros. Se expresan de la

forma:6

(13)

donde   es el error asociado a la medición   del valor   y siguen los supuestos de modo
que   (media cero, varianza constante e igual a un  y   con  ).

¿Cuáles son las medidas de bondad de ajuste?

Rpta: Las medidas de bondad de ajuste son:

a) Error estándar del modelo o error estándar de la regresión.
Mide la precisión o el ajuste el obtenido por la recta de regresión estimada por
MCO a los datos de la muestra (o la nube de puntos de la muestra). El ajuste es
mejor a medida que el porcentaje es menor y este error estándar vendría a ser la
desviación estándar ∂ que equivale a la raíz cuadrada de la varianza del
2
modelo ∂ :

2
EER=√ ∂
n

EER=
√
∑i =1
n−2
ε 2i

b) Coeficiente de determinación r2.

Otro estimador que mide el ajuste de la línea de estimación muestral.

c) Coeficiente de correlacion muestral.

Mide el grado de asociación entre dos variables x e y, y viene a ser en el caso de
la regresión lineal simple igual a la raíz cuadrada del coeficiente de determinación
r2.
2
r =± √ r
TEOREMA DE FRISCH- WAUGH
Rpta: En la econometría, la Frisch-Waugh-Lovell (FWL) teorema lleva el nombre de los
econometristas Ragnar Frisch, Federico V. Waugh, y Michael C. Lovell.
El teorema Frisch-Waugh-Lovell afirma que si la regresión que nos interesa es:

donde   y   están   y   respectivamente, y donde   y   

son conformable, entonces la estimación de   será la misma que la estimación de la
misma a partir de una regresión modificado de la forma:

donde   proyectos sobre el complemento ortogonal de la imagen de la matriz de

proyección   . De manera equivalente, M  X 1 proyectos  sobre
el complemento ortogonal del espacio columna de X   Específicamente,
1.

Este resultado implica que todas estas regresiones secundarias son innecesarios:
el uso de matrices de proyección para que las variables explicativas ortogonales
entre sí dará lugar a los mismos resultados que correr la regresión con todas
explanators no ortogonales incluido.

TEOREMA DE GAUSS-MARKOV

Rpta: En estadística, el Teorema de Gauss-Márkov, formulado por Carl Friedrich

Gauss y Andréi Márkov, establece que en un modelo lineal general (MLG) en el que se
establezcan los siguientes supuestos:

 Correcta especificación: el MLG ha de ser una combinación lineal de los parámetros (

) y no necesariamente de las variables: 
 Muestreo aleatorio simple: la muestra de observaciones del
vector   es una muestra aleatoria simple y, por lo tanto, el

vector   es independiente del vector 

 Esperanza condicionada de las perturbaciones nula: 
 Correcta identificación: la matriz de regresoras (X) ha de tener rango completo:
rg(X)=K<=N
 Homocedasticidad: