Tema 3

TEMA 3
EL MODELO DE REGRESIÓN MÚLTIPLE
María Feo y Maite Alguacil
FUNDAMENTOS DE ECONOMETRÍA TEMA 3 – EL MODELO DE REGRESIÓN MÚLTIPLE

ÍNDICE
1. REGRESIÓN MÚLTIPLE: JUSTIFICACIÓN

2. ESTIMADORES MCO
3. VALOR ESPERADO Y VARIANZA DEL ESTIMADOR
4. EFICIENCIA DEL ESTIMADOR MCO Y TEOREMA DE GAUSS-
MARKOV

ÍNDICE

2. ESTIMADORES MCO
4. EFICIENCIA DEL ESTIMADOR MCO Y TEOREMA DE GAUSS-
MARKOV

REGRESIÓN MÚLTIPLE: JUSTIFICACIÓN
MODELO DE REGRESIÓN LINEAL SIMPLE y = β0 + β1 x + u

Inconveniente principal del MRLS:
resulta difícil establecer relaciones ceteris
paribus sobre cómo X afecta a Y.
SUPUESTO ESPERANZA CONDICIONADA NULA
insesgado: el promedio coincidirá con lo que
pase en la realidad
E(u|x) = E(u) = 0
sesgo: cuando nos desviamos de lo que pasa en realidad
β1 recoge el efecto ceteris paribus β1 presenta sesgo, está incorporando

de X en Y, esto es, el efecto el efecto de otras variables
“exclusivo” de X sobre Y. (recogidas en u) sobre Y.

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

SOLUCIÓN: MODELO DE REGRESIÓN MÚLTIPLE
kids = β 0 + β1educ + β2wage + u
∆kids
= β1
∆educ ∆wage =0

MODELO DE REGRESIÓN LINEAL SIMPLE
y = β0 + β1 x1 + u
Β1 PRESENTA SESGO
y = β0 + β1 x1 + β2 x2 + u
Β1 EFECTO CETERIS PARIBUS
MODELO DE REGRESIÓN LINEAL MÚLTIPLE


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
PARÁMETRO - CONSTANTE PARÁMETROS - PENDIENTES ERROR

Recoge el valor de “y” Recogen el efecto de cada una de Todos aquellos factores distintos
cuando “x” = 0 las k variables independientes sobre de las k variables independientes
“y” cuando los demás factores que afectan a “y”
permanecen fijos

COMO EN EL CASO DEL MODELO LINEAL SIMPLE, LA VALIDEZ

DE LAS ESTIMACIONES DE LOS PARÁMETROS DE PENDIENTE
DEPENDERÁ, (ENTRE OTROS FACTORES), DE QUE SE CUMPLA EL
SUPUESTO DE ESPERANZA CONDICIONADA NULA
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

CONCLUSIÓN
EL MODELO DE REGRESIÓN MÚLTIPLE SUPONE UNA

MEJORA RESPECTO DEL MODELO DE REGRESIÓN SIMPLE
EN LA MEDIDA QUE TE PERMITE INCORPORAR DE FORMA
EXPLÍCITA EN LA FRP MAS DE UNA VARIABLE EXPLICATIVA.
SI BIEN ES MUY PROBABLE QUE SIGA EXISTIENDO ALGÚN
GRADO DE CORRELACIÓN ENTRE ALGUNA O ALGUNAS DE
LAS VARIABLES EXPLICATIVAS Y EL TÉRMINO ERROR, EL
MODELO DE REGRESIÓN MÚLTIPLE POR LO MENOS TE
GARANTIZA QUE EL PARÁMETRO βK CAPTA EL EFECTO DE
XK SOBRE Y, MANTENIENDO FIJOS X1, X2,…,XK-1.

Especificación + y = β0 + β1 x1 + u
rica
y = β0 + β1 x1 + β2 x2 + β3 x3 +…+ βk xk + u
MEJORA LA CAPACIDAD PREDICTIVA DE MI MODELO

MODELO DE REGRESIÓN LINEAL SIMPLE

Formas funcionales muy limitadas → modelos poco realistas
Única forma de paliar esas limitaciones → transformaciones
logarítmicas
cons = β0 + β1 inc + u → ∆ cons/ ∆ inc ≈ β1
MODELO DE REGRESIÓN LINEAL MÚLTIPLE

Al incorporar más de una variable explicativa, nos permite
generalizar relaciones funcionales entre variables (formas
cuadráticas e interacciones entre variables → tema 6)
cons = β0 + β1 inc + β2 inc2 + u → ∆ cons/ ∆ inc ≈ β1 + 2 β2inc Derivada parcial
precio = β0 + β1 supcasa + β2 supjard + β3 sur + β4 (supjard . sur) + u

EJEMPLO: Análisis de los determinantes de la nota media universitaria.
Objetivo: cuantificar la relación entre la nota media de la

universidad y la nota obtenida en la prueba de acceso a la
universidad, controlando por la nota media del instituto.
colGPA = β 0 + β1hsGPA + β 2 ACT + u
Nota media Nota media Nota prueba acceso

universidad instituto universidad
(1 a 4) (1 a 4) (1 a 30)

colGPA = β 0 + β1hsGPA + β 2 ACT + u
CONSTANTE β0: PENDIENTE β2:

Nota media de la Efecto sobre la nota media de la
universidad si hsGPA y universidad de un aumento en
ACT valen cero. un punto de ACT, manteniendo
constante la nota media del
instituto.
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.

ÍNDICE
2. ESTIMADORES MCO
4. EFICIENCIA DEL ESTIMADOR MCO Y Tª DE GAUSS-MARKOV

ESTIMADORES MCO
Modelo y = β 0 + β 1 x1 + β 2 x 2 + L + β k x k + u
Estimación MCO (muestra

aleatoria)
FRM: yˆi = βˆ0 + βˆ1 x1i + βˆ2 x2i + L + βˆk x ki

Comparación de los valores
estimado de y con los
valores observados de y
Residuos: uˆ = y − βˆ0 − βˆ1 x1 − βˆ2 x2 − L − βˆk x k

Diferencia entre el valor que realmente toma y cuando x=xi (valor que observamos en
nuestra muestra) y el valor ajustado predicho por nuestro modelo para ese nivel de x.

ESTIMADORES MCO
El método de MCO elige los valores estimados de los

parámetros que minimizan la suma de los cuadrados de
los residuos:
( )
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
El método de los momentos elige los valores de los

parámetros que cumplen las versiones muestrales de las
restricciones de los momentos poblaciones:
Ε(u) = 0
Ε(x1u) = 0
M
Ε(x k u) = 0

ESTIMADORES MCO
Ecuaciones normales: k+1 ecuaciones, k+1 incógnitas

Condiciones de 1er orden
Método de los momentos

∑ (y )
n
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
yˆi = βˆ0 + βˆ1 x1i + βˆ2 x2i + L + βˆk x ki


ESTIMADORES MCO
EJEMPLO: Análisis de los determinantes de la nota media universitaria.
colGPA = β0 + β1hsGPA + β2 ACT + u

Muestra 141 estudiantes
Nota media Nota media Nota prueba acceso

Estimación MCO
universidad instituto universidad

(1 a 4) (1 a 4) (1 a 30)
ˆ PA = 1 . 29 + 0 . 453 hsGPA + 0 . 0094 ACT

col G
n = 141

ESTIMADORES MCO
colGˆPA = 1,29 + 0,453hsGPA + 0,0094 ACT
Efecto parcial de ACT

sobre colGPA: variación
Para aquellos predicha en colGPA
estudiantes cuyas notas cuando ACT aumenta en
del instituto y del una unidad,
examen ACT son 0, el manteniendo constante
modelo predice que su Efecto parcial de hsGPA hsGPA.
nota media en la sobre colGPA: variación
universidad será 1,29. ∆colGˆPA ˆ
predicha en colGPA = β 2 = 0,0094, si ∆hsGPA = 0
∆ACT
cuando hsGPA aumenta
en una unidad,
manteniendo constante
ACT.
20
∆colGˆPA ˆ
= β1 = 0.453hsGPA, si ∆ACT = 0
María Feo y Maite Alguacil ∆hsGPA
ESTIMADORES MCO
• COEFICIENTE HSGPA: Si escogemos dos estudiantes A y B con

la misma nota en el examen de acceso (ACT) pero con
diferente nota media del instituto (hsGPA), el modelo
predice que por cada punto de diferencia en la nota media
del instituto, la nota media de la universidad se
incrementará en 0,45 puntos (sobre 4).
• COEFICIENTE ACT: Para la misma nota en el instituto

(hsGPA), por cada 10 puntos de más que se obtenga en el
resultado ACT, el modelo predice que la nota media en la
universidad se incrementará en 0,09 puntos (sobre 4). 21

ESTIMADORES MCO
ˆ = 1.29 + 0.453hsGPA + 0.0094ACT

colGPA MRLM
ˆ = 2.40 + 0.0271ACT
colGPA MRLS
En el MRLS, por cada 10 puntos de mas en ACT, el modelo predice un

aumento de colGPA en 0,27 puntos.
En el MRLM, por cada 10 puntos de más en ACT, el modelo predice un
aumento de colGPA en 0,09 puntos.
Cuando tenemos en cuenta de forma explícita el efecto de hsGPA

sobre colGPA, el efecto de ACT sobre colGPA pasa a ser insignificante
En el MRLS el coeficiente de ACT me está recogiendo, además de el
efecto de esta nota sobre colGPA, el efecto de hsGPA sobre colGPA.

ESTIMADORES MCO
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
Las estimaciones de β% 2 y βˆ 2 serán equivalentes cuando

se cumpla alguna de estas condiciones:
βˆ 1 = 0
Correlación ACT y hsGPA = 0

ESTIMADORES MCO
EJEMPLO: Análisis de los determinantes del salario.

Objetivo: cuantificar la relación entre los salarios (en logaritmos), los
años de formación académica (educ), los años de experiencia laboral
(exper) y los años de antigüedad en la empresa actual (tenure).
log(wage) = β0 + β1educ + β2 exper + β3 tenure + u

Muestra
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%.

ESTIMADORES MCO
¿Cuál es el efecto estimado sobre el salario si el individuo

permanece en la empresa durante un año más?
∆tenure = 1 → ∆ exper = 1 ∆educ = 0
∆ log(wage)
ˆ = 0,0041∆ exper + 0,022∆tenure
∆ log(wage)
ˆ = 0,0261
El aumento de la experiencia laboral y de la antigüedad en la empresa en un

año, lleva asociado un incremento salarial del 2,61%.

ESTIMADORES MCO
PROPIEDADES NUMÉRICAS DE LA FRM

propiedades numéricas FRM ≠ propiedades
estadísticas MCO
1. La suma, y por tanto la media muestral de los residuos

es cero.
n
∑Û = 0
i=1
i
2.La covarianza muestral entre las variables explicativas y

los residuos es nula
n
∑ x uˆ = 0
i=1
ij i ∀i = 1,2K ,n ∀j = 1,2,Kk

ESTIMADORES MCO
3. El punto (x1 , x2 ,K , xk , y) siempre está sobre la FRM
4. La media de los valores ajustados es igual a la media de

la variable a explicar
ŷ = y
5. La covarianza muestral entre los residuos y los valores

ajustados es igual a cero.
n
∑ yˆ uˆ = 0
i=1
i i

ESTIMADORES MCO
BONDAD DEL AJUSTE

n 2
SUMA TOTAL DE LOS CUADRADOS (STC) → ∑(y −y )

STC
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
SUMA EXPLICADA DE LOS CUADRADOS (SEC) → ∑ ( ŷ − y )

i
SEC
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.

ESTIMADORES MCO
BONDAD DEL AJUSTE: medida de la capacidad de la relación lineal establecida

entre la variable a explicar (Y) y las variables explicativas (X) para explicar (Y)
COEFICIENTE DE DETERMINACIÓN R2: proporción de la variación explicada en

comparación con la variación total. Fracción de la variación muestral en y que
viene explicada por las X.
SEC SCE
R =
2
=1−
STC STC
Valor acotado entre 0 y 1 → 0 ≤ R2≤ 1
Si R2 = 0 → poca capacidad explicativa. La parte sistemática de mi modelo

no explica nada de la variación de Y
Si R2 = 1→ todos los puntos de la muestra se encuentran sobre la recta,
modelo perfecto.

ESTIMADORES MCO
CARACTERÍSTICAS DEL COEFICIENTE DE DETERMINACIÓN EN EL MRLM
Como en el MRLS, serán preferibles las estimaciones que

maximicen el coeficiente de determinación.
Nunca disminuye, más bien tiende a aumentar, cuando se

incorporan variables explicativas adicionales a la regresión.
Herramienta poco válida para decidir si habría que añadir una o

varias variables al modelo.

ESTIMADORES MCO
EJEMPLO:
n = 141 R 2 = 0,176
hsGPA y ACT conjuntamente explican un 17,6 por ciento

de la variación de la nota media universitaria para esta
muestra de estudiantes.
Conclusión: parece que existen otros factores (como

personalidad, antecedentes familiares, la calidad de la
educación, etc.) que influyen en el rendimiento de un
estudiante universitario. 31

ÍNDICE
2. ESTIMADORES MCO

4. EFICIENCIA DEL ESTIMADOR MCO Y Tª DE GAUSS-MARKOV

VALOR ESPERADO Y VARIANZA DEL ESTIMADOR
POBLACIÓN Y =β0 +β1 X1 +β2 X2 + K + βk Xk + U β0 ,β1 , β2 ,K ,βk
MUESTRA 1 MCO Ŷi =βˆ 0 +βˆ 1 X1i +βˆ 2 X 2i + K + βˆ k Xki βˆ 0 ,βˆ 1 , βˆ 2 ,K , βˆ k
MUESTRA 2 MCO Y%i =β% 0 +β% 1 X1i +β% 2 X 2i + K + β% k Xki β% 0 ,β% 1 , β% 2 ,K , β% k

….
( ( ( ( ( ( ( ( (
MUESTRA m MCO Yi =β0 +β1 X1i +β2 X 2i + K + βk Xki β0 ,β1 ,β2 ,K ,βk
Queremos conocer las propiedades estadísticas

vinculadas a las distribuciones de estos parámetros

RLM.1. LINEALIDAD EN LOS PARÁMETROS

RLM.2. MUESTREO ALEATORIO INSESGADEZ
RLM.3. MEDIA CONDICIONADA NULA E(βˆ j )=β j

RLM.4. NO COLINEALIDAD PERFECTA
+
EFICIENCIA
RLM.5. HOMOSCEDASTICIDAD MIN → var(βˆ j )
Homoscedasticidad: La varianza del error es constante y no depende de las x

RLM.1. LINEALIDAD EN LOS PARÁMETROS
La función de regresión poblacional (FRP) es lineal en los

parámetros poblacionales β0, β1,...,βκ.
Controlable por el investigador. Siempre podemos

redefinir las variables dependiente/independientes
para relajar las restricciones vinculadas a la linealidad
en los parámetros.

RLM.2. MUESTREO ALEATORIO

Obtenemos de la población una muestra aleatoria de n
observaciones:
{(x1i , x2 i , K, x ki , y i ) : i = 1,2, K, n}.
Para una observación extraída aleatoriamente de la población

tenemos:
Por el momento no nos supone un problema puesto

que consideraremos todas las muestras como
aleatorias.

RLM.3. MEDIA CONDICIONADA NULA

El valor medio de u no depende del valor que tomen las
variables explicativas.
El investigador tiene poco control sobre este supuesto, el cual puede

fallar cuando:
La relación funcional entre la variable explicada y las explicativas no
se especifica adecuadamente.
cons = β0 + β1inc + β2inc2 + u → cons = β0 + β1inc + u
Cuando omitimos factores explicativos relevantes (incluidos en u)
que están correlacionados con cualquiera de las variables
explicativas x1, x2,…,xk.


En la muestra (y, por tanto, en la población), ninguna de las
variables explicativas es constante, y no existen relaciones
lineales exactas entre las variables explicativas.
RLM.4.
RLM.3.

El supuesto RLM.4. sí que permite que las variables

independientes estén correlacionadas entre sí (ese es
justamente el atractivo del MRLM en relación con el MRLS),
lo que no permite es que exista colinealidad perfecta, esto
es, que una variable sea una combinación lineal exacta de
otra u otras variables independientes.
x 2 = ( x1 )
2
cons =β0 +β1 inc +β2 inc + u 2
pricei =β 0 +β1bedroomsi +β 2 area i +β 4 land i +β5 totali +u i
AREA + LAND = TOTAL


En la muestra (y, por tanto, en la población), ninguna de las
variables explicativas es constante, y no existen relaciones
lineales exactas entre las variables explicativas.
Relativamente controlable por el investigador (véase

ejercicio 3.5.), más aún si el tamaño de la muestra es
elevado.

TEOREMA 1: INSESGADEZ ESTIMADOR MCO
BAJO LOS SUPUESTOS RLM.1 A RLM.4:
LOS ESTIMADORES MCO SON ESTIMADORES INSESGADOS DE LOS

PARÁMETROS POBLACIONALES.

TEOREMA 1: INSESGADEZ ESTIMADOR MCO
RLM.1: Linealidad en los parámetros

RLM.2: Muestreo Aleatorio
Ε(βˆ j ) = β j
RLM.3: Media condicionada nula
RLM.4: No colinealidad perfecta
42

Ε(β j ) = β j j = 0,1,K, k INSESGADEZ

MCO
Muestra 1 yˆ = βˆ0 + βˆ1 x1 + βˆ2 x2 + L + βˆk x k βˆ0 , βˆ1 ,K , βˆk
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
m
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.

SESGADEZ
RLM.1. LINEALIDAD EN LOS PARÁMETROS Ε(βˆ j ) ≠ β j
RLM.2. MUESTREO ALEATORIO
RLM.3. MEDIA CONDICIONADA NULA
Si falla cualquiera se produce sesgadez, pero se ha señalado uno
OMITIMOS FACTORES EXPLICATIVOS RELEVANTES (INCLUIDOS EN U)

QUE ESTÁN CORRELACIONADOS CON CUALQUIERA DE LAS VARIABLES
EXPLICATIVAS X1, X2,…,XK.

A LA HORA DE ESPECIFICAR UN MODELO PODEMOS INCURRIR EN 2 TIPOS DE ERRORES
SOBRESPECIFICACIÓN : inclusión de una o más variables irrelevantes en el modelo.
y =β0 +β1 x1 +u Incluyo en mi especificación la variable X2,

cuando en realidad dicha variable, una vez
tenido en cuenta el efecto de X1 sobre Y, no tiene
ŷ =βˆ 0 +βˆ 1 x1 + βˆ 2 x 2 ningún efecto parcial sobre Y.
SUBESPECIFICACIÓN: omitimos en el modelo una variable relevante.
y =β0 +β1 x1 +β2 x 2 + u En el modelo real X2 tiene un efecto parcial

relevante sobre Y. Sin embargo nuestra
especificación no incluye dicha variable, bien
porque no hemos sido capaces de obtener datos
y% =β% 0 +β% 1 x1 sobre los niveles que toma en la muestra o
simplemente porque no la hemos considerado.

INCLUSIÓN VARIABLE IRRELEVANTE → SOBRESPECIFICACIÓN

¿Qué ocurre si incluimos variables irrelevantes en el modelo?
Una vez tenida en cuenta el efecto del resto

de variables, no tienen ningún impacto
parcial sobre la variable explicada.
EJEMPLO:
pricei = β 0 + β1bedrooms i + β 2areai + β 3colouri + ui
- Si la variable colour es irrelevante: β3 = 0.

- ¿Són insesgados los estimadores de MCO de este modelo?
estimadores: son los Betas

INCLUSIÓN VARIABLE IRRELEVANTE (CONT.)

y =β0 +β1 x1 +β2 x 2 + β3 x 3 + u Con
β3=0
y =β0 +β1 x1 +β2 x 2 + u
ŷ =βˆ 0 +βˆ 1 x1 +βˆ 2 x 2 + βˆ 3 x 3 + u

SI SE CUMPLE RLM.1. A RLM.4, MCO ES UN ESTIMADOR INSESGADO:
Ε(βˆ0 ) = β 0 Ε(βˆ1 ) = β1 Ε(βˆ2 ) = β 2 Ε(βˆ3 ) = 0
La inclusión de una o más variables irrelevantes en un modelo de regresión

no afecta a la insesgadez de los estimadores MCO.
¿Quiere decir esto que no causa ningún problema la inclusión de variables
irrelevantes en nuestro modelo de regresión? No, incluir variables
irrelevantes puede tener efectos adversos sobre las varianzas
(agrandándolas).
OMISIÓN VARIABLE RELEVANTE → SUBESPECIFICACIÓN

Supongamos que el modelo poblacional es:
y = β 0 + β 1 x1 + β 2 x 2 + u MODELO
“VERDADERO”
Que cumple el supuesto RLM.3: Ε(u x1 , x2 ) = 0

Y los otros supuestos necesarios para la insesgadez de los estimadores de MCO
(RLM.1, RLM.2 y RLM.4).
Por consiguiente, si estimamos este modelo por MCO obtendremos
estimadores insesgados de los coeficientes:
Ε(βˆ0 ) = β 0 Ε(βˆ1 ) = β 1 Ε(βˆ2 ) = β 2
Pero, ¿qué ocurre si omitimos la influencia de x2 sobre y y estimamos los

parámetros del siguiente modelo (subespecificado)?

y =β0 +β1 x1 +β2 x 2 + u

MODELO RLM.1. A RLM.4
“VERDADERO” ŷ =βˆ +βˆ x +βˆ x ( )
E βˆ 1 =β1
0 1 1 2 2
MODELO y =β0 +β1 x1 + u

sub ESPECIFICADO
y% =β% 0 +β% 1 x1
( ) ( )
¿E β% 1 = E βˆ 1 =β1 ?

VERDADERO ŷ =βˆ 0 +βˆ 1 x1 +βˆ 2 x2

ESTIMADO y% =β% +β% x
0 1 1
%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
COVARIANZA ENTRE X1 Y X2 SOBRE LA VARIANZA DE X1.

PENDIENTE DE LA REGRESIÓN DE LA VARIABLE OMITIDA (X2) SOBRE LA VARIABLE X1
→ EFECTO QUE LA VARIACIÓN DE X1 TIENE SOBRE X2.


El valor esperado de nuestro parámetro de interés es:
( )
E β~1 = β1 + β 2δ 1 Sesgo
El sesgo será nulo, β2 δ% 1 = 0 y E(β% 1 ) = β1 , si:
Mi modelo estaba bien especificado, no he omitido ninguna variable

“relevante” puesto que las variaciones de X2 no tienen ningún efecto
sobre Y
X1 y X2 no están correlacionadas en la muestra y por tanto el hecho de

pasar a incluir X2 en el término error no supone un incumplimiento de
RLM.3.


E(β% 1 ) = β1 + β2δ% 1 β2δ% 1 ≠ 0 ¿SIGNO DEL SESGO?
¿Correlación entre x1 y x2?

Corr(x1, x2) = 0 Corr(x1, x2) > 0 Corr(x1, x2) < 0
β2 = 0 Sesgo = 0 Sesgo = 0 Sesgo = 0
Signo de β2 → β2 > 0 Sesgo = 0 Sesgo > 0 Sesgo < 0
β2 < 0 Sesgo = 0 Sesgo < 0 Sesgo > 0
E(β% 1 ) > β1 SESGO AL ALZA

E(β% ) < β
1 1 SESGO A LA BAJA

EJEMPLO:
Supongamos que el salario (wage) está determinado por la siguiente expresión:
log(wage) = β 0 + β1educ + β 2abil + u
Sin embargo, puesto que la habilidad (abil) es difícil de cuantificar, estimamos el

siguiente modelo (subespecificado):
log(wage ) = β 0 + β1educ + v
Donde v = β2abil + u
log(wage) = β~0 + β~1educ
¿Bajo qué condiciones es insesgado el estimador de la pendiente en el modelo

subespecificado?

Consideremos las dos regresiones:
log(waˆge) = βˆ0 + βˆ1educ + βˆ2abil
log(wa~ge) = β~0 + β~1educ
De antes, sabemos que la relación entre ambas es:
β~1 = βˆ1 + βˆ2δˆ1

donde
Cov(x1 , x2 ) Cov(educ , abil )
δˆ1 = =
Var (x1 ) Var (educ)

Tomando esperanzas condicionadas, tenemos:
β~1 = βˆ1 + βˆ2δˆ1
Ε(β~1 ) = β1 + β 2δ 1
El sesgo será:
Ε(β~1 ) − β1 = β 2δ 1
El estimador de β1 en el modelo subestimado será insesgado cuando:
∗ si x2 (abil ) es irrelevante : β 2 = 0, o
∗ si x2 (abil ) y x1 (educ) no están correlacionados : δ 1 = 0
56

Hasta ahora nos hemos centrado en lo relativo a la esperanza

de los estimadores MCO.
VARIANZA DE LOS ESTIMADORES MCO → medida de la dispersión

de su distribución muestral.
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”

Para poder obtener las varianzas

RLM.5. HOMOSCEDASTICIDAD del estimador MCO, añadimos el
siguiente supuesto:
La varianza condicional del término de error no depende de los

valores que tomen las variables explicativas. σ 2es una constante
desconocida.
Var (u x1 ,K, xk ) = σ 2 Var ( y x1 ,K , xk ) = σ 2
Para todas las posibles

combinaciones de valores de las HETEROSCEDASTICIDAD
variables explicativas, la varianza del
término de error es la misma.
HOMOSCEDASTICIDAD
La varianza de u depende del nivel de
María Feo y Maite Alguacil educación

EJEMPLO:
log(wage) = β 0 + β1educ + β 2abil + u
La homoscedasticidad requiere que la varianza del error no

observado u no dependa de la educación o de la habilidad del
trabajador.
Var (u educ , abil) = σ 2
Si la varianza cambia con educ o con abil, entonces existe

heteroscedasticidad.

60
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
SUPUESTOS DE GAUSS-MARKOV para datos de corte

transversal
60

60
Los SUPUESTOS RLM.1 A RLM.5 se conocen como los SUPUESTOS DE

GAUSS-MARKOV para datos de corte transversal
TEOREMA 2: VARIANZAS ESTIMADORES MCO DE LAS

PENDIENTES
BAJO LOS SUPUESTOS RLM.1 A RLM.5 (GAUSS-MARKOV):
σ 2
Var ( βˆ j ) =
STC j (1 − R 2j )
DONDE:
σ2 ES LA VARIANZA DEL ERROR
STCJ ES LA VARIANZA MUESTRAL TOTAL DE XJ
R2J ES EL R-CUADRADO DE LA REGRESIÓN DE XJ SOBRE EL RESTO DE VARIABLES
INDEPENDIENTES.

¿DE QUÉ DEPENDE LA VARIANZA DE LOS ESTIMADORES MCO Y

POR TANTO SU PRECISIÓN? Var ( βˆ ) = σ 2
STC j (1 − R 2j )
j
LA VARIANZA DEL TÉRMINO DE ERROR (σ2):

CUÁNTO MAYOR ES LA VARIABILIDAD DE LOS FACTORES DESCONOCIDOS QUE AFECTAN A Y
(“RUIDO”), MENOR SERÁ LA PRECISIÓN DE LOS ESTIMADORES.
ESTE TÉRMINO PODRÍA REDUCIRSE INTRODUCIENDO VARIABLES EXPLICATIVAS ADICIONALES
(AUNQUE NO ES SIEMPRE POSIBLE NI DESEABLE).
LA VARIACIÓN MUESTRAL DE LAS VARIABLES EXPLICATIVAS (STCJ):

CUANTO MAYOR VARIABILIDAD PRESENTEN LAS EXPLICATIVAS, MÁS PRECISA SERÁ LA
ESTIMACIÓN.
AL AUMENTAR EL TAMAÑO MUESTRAL, N, PODREMOS AUMENTAR ESTA VARIABILIDAD.
EL SUPUESTO RLM.4 (NO COLINEALIDAD PERFECTA) SE INCUMPLE SI ALGUNA DE LAS
EXPLICATIVAS MUESTRA UNA VARIABILIDAD NULA (STCJ = 0).

¿DE QUÉ DEPENDE LA VARIANZA DE LOS ESTIMADORES MCO Y

POR TANTO SU PRECISIÓN? Var ( βˆ ) = σ 2
STC j (1 − R 2j )
j
RELACIONES LINEALES ENTRE LAS VARIABLES INDEPENDIENTES (RJ2):

CUANTO MAYORES SEAN LAS RELACIONES LINEALES ENTRE LAS EXPLICATIVAS, MAYORES
SERÁN LAS VARIANZAS DE LAS ESTIMACIONES MCO DE LAS PENDIENTES.
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.
• RJ2=1: XJ ES UNA COMBINACIÓN LINEAL PERFECTA DE LAS OTRAS VARIABLES

EXPLICATIVAS (MULTICOLINEALIDAD PERFECTA). SE INCUMPLE EL SUPUESTO RLM.4

TEOREMA 3: TEOREMA DE GAUSS-MARKOV

BAJO LOS SUPUESTOS RLM.1 A RLM.5 (GAUSS-MARKOV):
βˆ0 , βˆ1 ,K, βˆk
SON LOS ESTIMADORES INSESGADOS ÓPTIMOS (ELIO) β 0 , β1 ,K, β k , DE

RESPECTIVAMENTE
IMPLICACIÓN:
SI PODEMOS ASUMIR ESTOS SUPUESTOS, NO ES NECESARIO BUSCAR ESTIMADORES
INSESGADOS ALTERNATIVOS: NINGUNO ES MEJOR QUE LOS MCO.

Tema 3

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Tema 3

Cargado por

Copyright:

Formatos disponibles

TEMA 3

EL MODELO DE REGRESIÓN MÚLTIPLE

María Feo y Maite Alguacil

FUNDAMENTOS DE ECONOMETRÍA TEMA 3 – EL MODELO DE REGRESIÓN MÚLTIPLE

1. REGRESIÓN MÚLTIPLE: JUSTIFICACIÓN

FUNDAMENTOS DE ECONOMETRÍA TEMA 3 – EL MODELO DE REGRESIÓN MÚLTIPLE

1. REGRESIÓN MÚLTIPLE: JUSTIFICACIÓN

FUNDAMENTOS DE ECONOMETRÍA TEMA 3 – EL MODELO DE REGRESIÓN MÚLTIPLE

MODELO DE REGRESIÓN LINEAL SIMPLE y = β0 + β1 x + u

β1 recoge el efecto ceteris paribus β1 presenta sesgo, está incorporando

FUNDAMENTOS DE ECONOMETRÍA TEMA 3 – EL MODELO DE REGRESIÓN MÚLTIPLE

FUNDAMENTOS DE ECONOMETRÍA TEMA 3 – EL MODELO DE REGRESIÓN MÚLTIPLE

SOLUCIÓN: MODELO DE REGRESIÓN MÚLTIPLE

kids = β 0 + β1educ + β2wage + u

María Feo y Maite Alguacil

FUNDAMENTOS DE ECONOMETRÍA TEMA 3 – EL MODELO DE REGRESIÓN MÚLTIPLE

MODELO DE REGRESIÓN LINEAL SIMPLE

MODELO DE REGRESIÓN LINEAL MÚLTIPLE

FUNDAMENTOS DE ECONOMETRÍA TEMA 3 – EL MODELO DE REGRESIÓN MÚLTIPLE

PARÁMETRO - CONSTANTE PARÁMETROS - PENDIENTES ERROR

María Feo y Maite Alguacil

FUNDAMENTOS DE ECONOMETRÍA TEMA 3 – EL MODELO DE REGRESIÓN MÚLTIPLE

COMO EN EL CASO DEL MODELO LINEAL SIMPLE, LA VALIDEZ

FUNDAMENTOS DE ECONOMETRÍA TEMA 3 – EL MODELO DE REGRESIÓN MÚLTIPLE

EL MODELO DE REGRESIÓN MÚLTIPLE SUPONE UNA

FUNDAMENTOS DE ECONOMETRÍA TEMA 3 – EL MODELO DE REGRESIÓN MÚLTIPLE

MEJORA LA CAPACIDAD PREDICTIVA DE MI MODELO

María Feo y Maite Alguacil

FUNDAMENTOS DE ECONOMETRÍA TEMA 3 – EL MODELO DE REGRESIÓN MÚLTIPLE

MODELO DE REGRESIÓN LINEAL SIMPLE

MODELO DE REGRESIÓN LINEAL MÚLTIPLE

FUNDAMENTOS DE ECONOMETRÍA TEMA 3 – EL MODELO DE REGRESIÓN MÚLTIPLE

EJEMPLO: Análisis de los determinantes de la nota media universitaria.

Objetivo: cuantificar la relación entre la nota media de la

colGPA = β 0 + β1hsGPA + β 2 ACT + u

Nota media Nota media Nota prueba acceso

María Feo y Maite Alguacil

FUNDAMENTOS DE ECONOMETRÍA TEMA 3 – EL MODELO DE REGRESIÓN MÚLTIPLE

colGPA = β 0 + β1hsGPA + β 2 ACT + u

CONSTANTE β0: PENDIENTE β2:

FUNDAMENTOS DE ECONOMETRÍA TEMA 3 – EL MODELO DE REGRESIÓN MÚLTIPLE

1. REGRESIÓN MÚLTIPLE: JUSTIFICACIÓN

María Feo y Maite Alguacil

FUNDAMENTOS DE ECONOMETRÍA TEMA 3 – EL MODELO DE REGRESIÓN MÚLTIPLE

Estimación MCO (muestra

FRM: yˆi = βˆ0 + βˆ1 x1i + βˆ2 x2i + L + βˆk x ki

Residuos: uˆ = y − βˆ0 − βˆ1 x1 − βˆ2 x2 − L − βˆk x k

FUNDAMENTOS DE ECONOMETRÍA TEMA 3 – EL MODELO DE REGRESIÓN MÚLTIPLE

El método de MCO elige los valores estimados de los

El método de los momentos elige los valores de los

FUNDAMENTOS DE ECONOMETRÍA TEMA 3 – EL MODELO DE REGRESIÓN MÚLTIPLE

Ecuaciones normales: k+1 ecuaciones, k+1 incógnitas

Método de los momentos

yˆi = βˆ0 + βˆ1 x1i + βˆ2 x2i + L + βˆk x ki

FUNDAMENTOS DE ECONOMETRÍA TEMA 3 – EL MODELO DE REGRESIÓN MÚLTIPLE

EJEMPLO: Análisis de los determinantes de la nota media universitaria.

colGPA = β0 + β1hsGPA + β2 ACT + u

Nota media Nota media Nota prueba acceso

universidad instituto universidad

ˆ PA = 1 . 29 + 0 . 453 hsGPA + 0 . 0094 ACT

María Feo y Maite Alguacil

FUNDAMENTOS DE ECONOMETRÍA TEMA 3 – EL MODELO DE REGRESIÓN MÚLTIPLE

colGˆPA = 1,29 + 0,453hsGPA + 0,0094 ACT