Introducción

Fundamentos Estadísticos
Modelo de Regresión Lineal Clásico (MRLC)
Propiedades de MCO y violación de supuestos

Econometría
Clase 1

Pérez Rojo, Flavio

14 Marzo, 2020

Pérez Rojo, Flavio Econometría

 Introducción
Fundamentos Estadísticos
Modelo de Regresión Lineal Clásico (MRLC)
Propiedades de MCO y violación de supuestos

Contents

1 Introducción

2 Fundamentos Estadísticos

3 Modelo de Regresión Lineal Clásico (MRLC)

4 Propiedades de MCO y violación de supuestos

Pérez Rojo, Flavio Econometría

 Introducción
Fundamentos Estadísticos
Modelo de Regresión Lineal Clásico (MRLC)
Propiedades de MCO y violación de supuestos

Tipos de datos

Se reconocen tres tipos:

Corte transversal. Observación de muchos individuos o
entidades en un momento del tiempo.
Series de tiempo. Observación de un individuo o entidad a
lo largo del tiempo.
Panel. Observación de muchos individuos o entidades a lo
largo del tiempo.

Pérez Rojo, Flavio Econometría

 Introducción
Fundamentos Estadísticos
Modelo de Regresión Lineal Clásico (MRLC)
Propiedades de MCO y violación de supuestos

Tipos de relaciones

Pueden darse dos tipos

Determinística. El azar no está involucrado en el desarrollo
de los estados. Un modelo determinístico producirá siempre la
misma salida a partir del mismo estado inicial.
Estadística/empírica.

Pérez Rojo, Flavio Econometría

 Introducción
Fundamentos Estadísticos
Modelo de Regresión Lineal Clásico (MRLC)
Propiedades de MCO y violación de supuestos

Elementos básicos

Una variable aleatoria (v .a.) es aquella que toma un valor

númerico que será determinado por un experimento y cuya
naturaleza es incierta. La v .a. se presenta con una letra
mayúscula y la realización de la v .a. se presenta con una letra
minúscula.
Una función de distribución de probabilidad (f .d.p.)
asigna probabilidades a las realizaciones de la v .a.
Una función de masa de probabilidad es la distribución de
probabilidad para v .a. discretas. Existe una probabilidad para
un valor espéci…co, o un conjunto de valores.
Una función de densidad de probabilidad es la distribución
de probabilidad para v .a. continuas. Existe una probabilidad
para un rango de valores.

Pérez Rojo, Flavio Econometría

 Introducción
Fundamentos Estadísticos
Modelo de Regresión Lineal Clásico (MRLC)
Propiedades de MCO y violación de supuestos

Elementos básicos
Una función de distribución conjunta especi…ca la
probabilidad conjunta de observar realizaciones de dos o más
variables aleatorias: fX ,Y (X = x, Y = y )
Una función de distribución condicional especi…ca la
probabilidad de observar una variable dado que otra se ha
realizado: fY (Y jX = x )
Una función de distribución marginal especi…ca la
probabilidad de observar una v .a : fX (X )
La relación entre estas distribuciones es

fX ,Y (X = x, Y = y )
fY ( Y j X = x ) =
fX ( X j Y = y )

Pérez Rojo, Flavio Econometría

 Introducción
Fundamentos Estadísticos
Modelo de Regresión Lineal Clásico (MRLC)
Propiedades de MCO y violación de supuestos

Medidas de tendencia central

Indican hacia que valor tienden con más frecuencia las
realizaciones de una v .a. en múltiples experimentos
La media equivale al promedio ponderado por las
probabilidades de todos los posibles valores de una v .a.. Esta
es la medida sugerida para una muestra simétrica.
E (X ) = µ

La moda es el valor que se observa con mayor frecuencia.

Esta es medida más apropiada para variables nominales o
categóricas.
La mediana equivale al valor medio que separa en dos a la
distribución. Esta medida es la más adecuada para
información asimétrica o categórica. Asimismo, se sugiere
emplear esta medida cuando existen outliers.
Pérez Rojo, Flavio Econometría
 Introducción
Fundamentos Estadísticos
Modelo de Regresión Lineal Clásico (MRLC)
Propiedades de MCO y violación de supuestos

Medidas de dispersión

Indican como se alejan los datos respecto de la media

La varianza mide la dispersión o distancia de la información
con respecto a la valor esperado de la v .a

Var (X ) = E [(X µ )2 ]

La desviación estándar es la raíz cuadrada de la varianza.

El rango intercuantil equivale a la distancia entre los
cuantiles 25% y 75% de la muestra.

Pérez Rojo, Flavio Econometría

 Introducción
Fundamentos Estadísticos
Modelo de Regresión Lineal Clásico (MRLC)
Propiedades de MCO y violación de supuestos

Medidas de asociación
Indican el grado de asociación entre dos o más v .a.
La covarianza equivale a la asociación entre los desvios de
cada variable respecto de su media. Si las variables no tienen
a coindicir en sus desvíos respecto de la media, la covarianza
será baja

Cov (X , Y ) = E [X µX ][Y µY ]

El coe…ciente de correlación estandariza los desvíos de la

media de las variables aleatorias.

Cov (X , Y )
ρX ,Y =
σX σY
Pérez Rojo, Flavio Econometría
 Introducción
Fundamentos Estadísticos
Modelo de Regresión Lineal Clásico (MRLC)
Propiedades de MCO y violación de supuestos

Supuestos
Sea el siguiente modelo

Y = β1 + β2 X1 + ... + βN XN + e = X β + e

Los supuestos del MRLC son

Lineal en parámetros
Regresores no estocásticos
Exogeneidad: E (ejX ) = 0
Perturbaciones esféricas:

E (e2t jX ) = σ2 , 8t = 1, ..., N (Homocedasticidad)

Cov (ei , ej jX ) = 0, 8i 6= j (No autocorrelación)

Pérez Rojo, Flavio Econometría

 Introducción
Fundamentos Estadísticos
Modelo de Regresión Lineal Clásico (MRLC)
Propiedades de MCO y violación de supuestos

Supuestos

Rango completo
Modelo correctamente especi…cado
Forma funcional correcta
No omisión de variables relevantes
No inclusión de variables irrelevantes
Normalidad en las perturbaciones:

e jX N (0, σ2 )

Pérez Rojo, Flavio Econometría

 Introducción
Fundamentos Estadísticos
Modelo de Regresión Lineal Clásico (MRLC)
Propiedades de MCO y violación de supuestos

Estimación por Mínimos Cuadrados Ordinarios

Considerando el modelo bivariado Y = β1 + β2 X + e, los

estimadores obtenidos por MCO son

b b ∑(X t X )(Y t Y )
β1 = Y β2 X , b
β2 =
∑ (X t X )2

Con valor esperado y varianza

σ2 ∑ X t 2
E (b
β1 ) = β1 , Var (b
β1 ) = n ∑ (X t X )2
σ2
E (b
β2 ) = β2 , Var (b
β2 ) = n ∑ (X t X )2

e2t /(N
Y con el estimador de la varianza s 2 = ∑ b 2)

Pérez Rojo, Flavio Econometría

 Introducción
Fundamentos Estadísticos
Modelo de Regresión Lineal Clásico (MRLC)
Propiedades de MCO y violación de supuestos

Estimación por Mínimos Cuadrados Ordinarios

Considerando el modelo multivariado Y = βX + e, los

estimadores obtenidos por MCO son

b
β = (X 0 X ) 1X 0Y

Con valor esperado y varianza

E (b
β) = β, Var (b
β ) = σ 2 (X 0 X ) 1

e0b
Y con el estimador de la varianza s 2 = b e / (N K)

Pérez Rojo, Flavio Econometría

 Introducción
Fundamentos Estadísticos
Modelo de Regresión Lineal Clásico (MRLC)
Propiedades de MCO y violación de supuestos

Descomposición de suma de cuadrados (K=2)

La suma al cuadrado total es SST = ∑(Yt Y )

2
La suma al cuadrado explicada es SSE = b
β2 ∑(Xt X)
e2t
La suma al cuadrado residual es SSR = ∑ b
El ajuste del modelo es

SSE SSR
R2 =
=1
SST SST
El ajuste del modelo penalizando regresores es

2 SSR/(T K) T 1
R =1 =1 (1 R2)
SST /(T 1) T K
Si hay intercepto entonces: R 2 = ρ2X ,Y

Pérez Rojo, Flavio Econometría

 Introducción
Fundamentos Estadísticos
Modelo de Regresión Lineal Clásico (MRLC)
Propiedades de MCO y violación de supuestos

Propiedades

El teorema de Gauss-Markov sostiene que los estimadores de

MCO tienen la menor varianza dentro de la clase de los
estimadores lineales e insesgados. Por ello se dice que el estimador
MCO es el mejor estimador linealmente insesgado: MELI
La consistencia de los estimadores se da cuando a medida que
aumenta la muestra el estimador tiende al parámetro que pretende
estimar

P lim[ b
β] = β, P lim[s 2 ] = σ2

La normalidad asintótica de los estimadores sostiene que cuando

la muestra tienda a valores muy grandes el los estimadores de
MCO presentan una distribución normal.

Pérez Rojo, Flavio Econometría

 Introducción
Fundamentos Estadísticos
Modelo de Regresión Lineal Clásico (MRLC)
Propiedades de MCO y violación de supuestos

Violación de supuestos

Problemas MCO Sesgado Ine…ciente Inconsistente

1. Modelo Incorrectamente especi…cado
1.1. Omisión de variable relevante x x
1.2. Inclusión de variable irrelevante x
2. Multicolinealidad (imperfecta) x
3. Residuos no esféricos
3.1. Heterocedasticidad x
3.2. Autocorrelación x
4. Endogeneidad x x
5. Regresores no estocásticos
5.1. X y e dependientes x
5.2. Correlación parcial x
5.3. Correlación contemporánea x x
Pérez Rojo, Flavio Econometría