Documentos de Académico
Documentos de Profesional
Documentos de Cultura
k id s = β 0 + β 1 e d u c + u ¿CUÁL ES LA INFLUENCIA DE LA
FORMACIÓN ACADÉMICA SOBRE EL
s i Ε ( U e d u c )= 0 NÚMERO DE NIÑOS?
Δ k id s
β1 =
Δ educ
kids = β 0 + β1educ + u
kids = β 0 + β1educ + (α 0 + α1wage + e)
Supongamos que: kids = β 0 + β1educ + α 0 + α1(γ 0 + γ 1educ + s) + e
u=α 0 +α1wage+e
Por lo tanto,
donde,
β1 en el Modelo de Regresión
wage=γ 0 +γ1educ+s Δkids
Simple presenta sesgo. No nos
= β1 + α1γ 1 estaría recogiendo el efecto
Δeduc aislado que la formación tiene
sobre el nº de niños
Ε( U educ) ≠ 0
María Feo y Maite Alguacil
∆kids
= β1
∆educ ∆wage =0
y = β0 + β1 x1 + u
Β1 PRESENTA SESGO
y = β0 + β1 x1 + β2 x2 + u
Β1 EFECTO CETERIS PARIBUS
y = β0 + β1 x1 + β2 x2 + β3 x3 +…+ βk xk + u
en la muestra
No observables
Observables
en la muestra
VARIABLE EXPLICADA VARIABLES EXPLICATIVAS
Dependiente, de respuesta, predicha o regresando Independiente, de control, predictor, regresor
Fenómeno que queremos Variable cuya relación con Y
explicar/predecir queremos establecer
Ε(u x1, x2 , K , x k ) = 0
Ε(u) = 0
Para cada valor de X1, X2,…,Xk
Ε(x1u) = 0 en la población, el valor medio
de las variables no observadas
M es nulo.
Ε(x k u) = 0
María Feo y Maite Alguacil
CONCLUSIÓN
Especificación + y = β0 + β1 x1 + u
rica
y = β0 + β1 x1 + β2 x2 + β3 x3 +…+ βk xk + u
PENDIENTE β1:
Diferencia en la nota media universitaria
entre dos estudiantes que obtuvieron el
mismo resultado en la prueba de acceso a
la universidad, pero se diferencian en un
punto en la nota media del instituto.
María Feo y Maite Alguacil
2. ESTIMADORES MCO
3. VALOR ESPERADO Y VARIANZA DEL ESTIMADOR
4. EFICIENCIA DEL ESTIMADOR MCO Y Tª DE GAUSS-MARKOV
Modelo y = β 0 + β 1 x1 + β 2 x 2 + L + β k x k + u
( )
n n 2
min SCE = ∑ uˆ 2
i = ∑ y i − βˆ 0 − βˆ 1x1i − L − βˆ k x ki =0
βˆ 0 , β1 ,K, β k
ˆ ˆ
i =1 i =1
i − βˆ 0 − βˆ 1x1i − L − βˆ k x ki = 0 E(u)=0
i =1
∑ x (y )
n
1i i − βˆ 0 − βˆ 1x1i − L − βˆ k x ki = 0 E(X1u)=0
i =1
∑ x (y )
n
ki i − βˆ 0 − βˆ 1x1i − L − βˆ k x ki = 0 E(X2u)=0
i =1
ˆ = 2.40 + 0.0271ACT
colGPA MRLS
ˆ = βˆ 0 + βˆ 1hsGPA + βˆ 2 ACT
colGPA
¿CUANDO SERÁN IGUALES?
% = β% 0 + β% 2 ACT
colGPA β% 2 = βˆ 2 + βˆ 1δ% 2
βˆ 1 = 0
Correlación ACT y hsGPA = 0
María Feo y Maite Alguacil
n=526
ˆ
log(wage) = 0,284 + 0,092educ + 0,0041exper + 0,022tenure
Tal y como ocurre en la regresión simple, los coeficientes tienen una
interpretación porcentual. Aquí, además, tienen una interpretación ceteris
paribus. Si mantenemos fijos exper y tenure, un año más de formación predice
un incremento del salario de aproximadamente el 9,2%.
María Feo y Maite Alguacil
∆ log(wage)
ˆ = 0,0041∆ exper + 0,022∆tenure
∆ log(wage)
ˆ = 0,0261
∑Û = 0
i=1
i
∑ x uˆ = 0
i=1
ij i ∀i = 1,2K ,n ∀j = 1,2,Kk
María Feo y Maite Alguacil
∑ yˆ uˆ = 0
i=1
i i
i
i=1
Medida de la varianza muestral total en las yi. Indicador del grado de dispersión de la variable a
explicar en la muestra.
=
n 2
i=1
Medida de la varianza muestral de los valores ajustados. Indicador del grado de dispersión de
las variables predichas en la muestra.
+
n
SUMA DE LOS CUADRADOS DE LOS RESIDUOS (SCE) → 2
∑i
û
SCE
i=1
Medida de la varianza muestral de los residuos. Indicador del grado de dispersión de los
residuos en la muestra.
SEC SCE
R =
2
=1−
STC STC
EJEMPLO:
colGˆPA = 1,29 + 0,453hsGPA + 0,0094 ACT
n = 141 R 2 = 0,176
2. ESTIMADORES MCO
( ( ( ( ( ( ( ( (
MUESTRA m MCO Yi =β0 +β1 X1i +β2 X 2i + K + βk Xki β0 ,β1 ,β2 ,K ,βk
RLM.4.
RLM.3.
x 2 = ( x1 )
2
cons =β0 +β1 inc +β2 inc + u 2
42
Muestra 2 y&& = β&&0 + β&&1 x1 + β&&2 x2 + L + β&&k x k β&&0 , β&&1 ,K, β&&k
...
( ( ( ( ( ( ( (
Muestra m y = β 0 + β 1 x1 + β 2 x 2 + L + β k x k β 0 , β1 ,K , β k
∑ βˆ k ,h
h =1
= βk
María Feo y Maite Alguacil
m
FUNDAMENTOS DE ECONOMETRÍA TEMA 3 – EL MODELO DE REGRESIÓN MÚLTIPLE
VALOR ESPERADO Y VARIANZA DEL ESTIMADOR
Densidad de β2
Estimaciones de β2
β2
Estimadores insesgados: la media de la distribución de densidad del
estimador coincide con el verdadero valor del parámetro.
María Feo y Maite Alguacil
SESGADEZ
RLM.1. LINEALIDAD EN LOS PARÁMETROS Ε(βˆ j ) ≠ β j
RLM.2. MUESTREO ALEATORIO
RLM.3. MEDIA CONDICIONADA NULA
RLM.4. NO COLINEALIDAD PERFECTA
Si falla cualquiera se produce sesgadez, pero se ha señalado uno
EJEMPLO:
y = β 0 + β 1 x1 + β 2 x 2 + u MODELO
“VERDADERO”
( ) ( )
¿E β% 1 = E βˆ 1 =β1 ?
%β = βˆ + βˆ ∑ ( x i1 − x1 ) x i2
Nuestro estimador de
pendiente también
−
1 1 2 2
puede expresarse como:
∑ i1 1
(x x )
β% 1 = βˆ 1 + βˆ 2δ% 1
( )
E β~1 = β1 + β 2δ 1 Sesgo
EJEMPLO:
Supongamos que el salario (wage) está determinado por la siguiente expresión:
log(wage) = β 0 + β1educ + β 2abil + u
log(wage ) = β 0 + β1educ + v
Donde v = β2abil + u
Ε(β~1 ) = β1 + β 2δ 1
El sesgo será:
Ε(β~1 ) − β1 = β 2δ 1
∗ si x2 (abil ) es irrelevante : β 2 = 0, o
∗ si x2 (abil ) y x1 (educ) no están correlacionados : δ 1 = 0
56
La desviación típica de un
Desviación estimador mide la precisión
típica de β2 del mismo: “lo concentrada
que está su distribución
alrededor del verdadero
valor del parámetro”
HOMOSCEDASTICIDAD
La varianza de u depende del nivel de
María Feo y Maite Alguacil educación
EJEMPLO:
log(wage) = β 0 + β1educ + β 2abil + u
SUPUESTOS DE GAUSS-MARKOV
RLM.1: Linealidad en los parámetros
RLM.2: Muestreo Aleatorio
RLM.3: Media condicionada nula
RLM.4: No colinealidad perfecta
RLM.5: Homoscedasticidad
Para que el modelo sea eficiente se
tienen que cumplir los 5 supuestos
STC j (1 − R 2j )
j
STC j (1 − R 2j )
j
UNA CORRELACIÓN ALTA (PERO NO PERFECTA) ENTRE DOS O MÁS VARIABLES EXPLICATIVAS
SE DENOMINA MULTICOLINELIDAD.
CASOS EXTREMOS:
• RJ2=0: LA CORRELACIÓN MUESTRAL DE XJ CON EL RESTO DE LAS EXPLICATIVAS ES NULA
SE OBTIENE LA VARIANZA MÁS PEQUEÑA.
IMPLICACIÓN:
SI PODEMOS ASUMIR ESTOS SUPUESTOS, NO ES NECESARIO BUSCAR ESTIMADORES
INSESGADOS ALTERNATIVOS: NINGUNO ES MEJOR QUE LOS MCO.
María Feo y Maite Alguacil