Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Notas de Clase Fundamentos de Econometría
Notas de Clase Fundamentos de Econometría
Fundamentos Estadísticos
Modelo de Regresión Lineal Clásico (MRLC)
Propiedades de MCO y violación de supuestos
Econometría
Clase 1
14 Marzo, 2020
Contents
1 Introducción
2 Fundamentos Estadísticos
Tipos de datos
Tipos de relaciones
Elementos básicos
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 )
Medidas de dispersión
Var (X ) = E [(X µ )2 ]
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 ]
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
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 )
b b ∑(X t X )(Y t Y )
β1 = Y β2 X , b
β2 =
∑ (X t X )2
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)
b
β = (X 0 X ) 1X 0Y
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)
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
Propiedades
P lim[ b
β] = β, P lim[s 2 ] = σ2
Violación de supuestos