Análisis de Regresión

con dos variables

Econometría

Evelin Graciela Mamani Huayta

1. Ejemplo introductorio

- Valor esperado incondicional: ¿cuál es el valor esperado del consumo semanal de una familia?
- Valor esperado condicional: ¿Cuál es el valor esperado de una familia cuyo ingreso mensual es de $140?
- ¿Cuál es el mas certero?

2
Evelin Graciela Mamani Huayta
1. Ejemplo introductorio
curva de regresión
poblacional: Así, desde el
punto de vista geométrico, una
curva de regresión poblacional
es tan sólo el lugar geométrico
de las medias condicionales de la
variable dependiente para los
valores fijos de la(s) variable(s)
explicativa(s).

3
Evelin Graciela Mamani Huayta
2. Función de regresión poblacional (FRP)

• Donde ƒ(Xi) denota alguna función de la variable explicativa X.

• ¿Qué forma adopta la función ƒ(Xi)?

• Donde 𝛽1 𝑦 𝛽2 son parámetros no conocidos pero fijos que se denominan coeficientes de

regresión; 𝛽1 𝑦 𝛽2 se conocen también como coeficientes de intersección y de pendiente.

4
Evelin Graciela Mamani Huayta
3. Linealidad

El término regresión “lineal” siempre

significará, para nosotros, una
regresión lineal en los parámetros; los
β (es decir, los parámetros) se elevan
sólo a la primera potencia. Puede

5
Evelin Graciela Mamani Huayta
4. Especificación estocástica de la FRP
• Siguiendo el ejemplo de consumo • Ósea:
individual, con X 80 se expresa como:

• Por lo tanto Y se expresa como la

suma de dos componentes:
• 1) E(Y | Xi), que es simplemente la media
del consumo de todas las familias con el
mismo nivel de ingreso. Componente
sistemático, o determinista, y
• 2) 𝑢𝑖 que es el componente aleatorio, o
no sistemático.

6
Evelin Graciela Mamani Huayta
5. Término de Perturbación Estocástica, u
El término de perturbación 𝑢𝑖 es un sustituto de todas las variables que se omiten
en el modelo, pero que, en conjunto, afectan a Y. Las razones de la omisión:
• Vaguedad de la teoría
• Falta de disponibilidad de datos
• Variables centrales y variables periféricas
• Variables representantes (proxy) inadecuadas
• Principio de parsimonia
• Forma funcional incorrecta

7
Evelin Graciela Mamani Huayta
6. Función de regresión muestral

8
Evelin Graciela Mamani Huayta
6. Función de regresión muestral

෡𝑖 : 𝐸𝑠𝑡𝑖𝑚𝑎𝑑𝑜𝑟 𝑑𝑒 𝑌𝑖
•𝑌
෢1 : 𝐸𝑠𝑡𝑖𝑚𝑎𝑑𝑜𝑟 𝑑𝑒 𝛽1
•𝛽
෢2 : 𝐸𝑠𝑡𝑖𝑚𝑎𝑑𝑜𝑟 𝑑𝑒 𝛽2
•𝛽

• En su forma estocástica, la regresión muestral será:

• 𝑢ෝ𝑖 : 𝐸𝑟𝑟𝑜𝑟, 𝑟𝑒𝑠𝑖𝑑𝑢𝑜

9
Evelin Graciela Mamani Huayta
Estimación

10
Evelin Graciela Mamani Huayta
1. Mínimos Cuadrados Ordinarios

11
Evelin Graciela Mamani Huayta
1. Mínimos Cuadrados Ordinarios
Ejercicios:
i) Para 𝑌𝑖 = 𝛽2 𝑋𝑖 + 𝑢𝑖 estime 𝛽2
ii) Para 𝑌𝑖 = 𝛽2 𝑋𝑖 + 𝛽3 𝑋3 + 𝑢𝑖 estime 𝛽2 y 𝛽3

12
Evelin Graciela Mamani Huayta
1. Mínimos Cuadrados Ordinarios
Implicaciones algebraicas
i) σ 𝑢ෝ𝑖 = 0
ii) σ 𝑋𝑖 𝑢ෝ𝑖 = 0
iii) 𝑌ത෠ = 𝑌ത

13
Evelin Graciela Mamani Huayta
2. Modelo Clásico de Regresión Lineal

𝐶𝑜𝑣 (𝑋, 𝑢)
𝛽መ2 = 𝛽2 +
𝑉𝑎𝑟(𝑋)
14
Evelin Graciela Mamani Huayta
2. Modelo Clásico de Regresión Lineal

15
Evelin Graciela Mamani Huayta
2. Modelo Clásico de Regresión Lineal

16
Evelin Graciela Mamani Huayta
2. Modelo Clásico de Regresión Lineal

17
Evelin Graciela Mamani Huayta
2. Modelo Clásico de Regresión Lineal

18
Evelin Graciela Mamani Huayta
3. Precisión o errores estándar de las estimaciones
de mínimos cuadrados
Donde:
• σ 𝑥𝑖2 = σ(𝑋𝑖 −𝑋)
ത
• 𝑒𝑒 𝛽෡𝑗 = 𝑒𝑟𝑟𝑜𝑟 𝑒𝑠𝑡á𝑛𝑑𝑎𝑟
• 𝜎 2 = 𝑣𝑎𝑟𝑖𝑎𝑛𝑧𝑎 ℎ𝑜𝑚𝑜𝑐𝑒𝑑á𝑠𝑡𝑖𝑐𝑎 𝑑𝑒 𝑢𝑖

σ ෢2
𝑢 𝑖
𝜎ො 2 =
𝑛−2

19
Evelin Graciela Mamani Huayta
4. Propiedades de los estimadores de mínimos
cuadrados: teorema de Gauss-Markov
Dados los supuestos del modelo clásico de regresión lineal, el
Método de MCO ofrece los Mejores Estimadores Lineales
Insesgados (MELI) o BLUE por sus siglas en inglés.
1. Es lineal, es decir, función lineal de una variable aleatoria,
como la variable dependiente Y en el modelo de regresión.
2. Es insesgado, es decir, 𝐸 𝛽 ෢2 = 𝛽2 .
3. Tiene varianza mínima dentro de la clase de todos los
estimadores lineales insesgados; un estimador insesgado
con varianza mínima se conoce como estimador eficiente.

20
Evelin Graciela Mamani Huayta
5. Coeficiente de determinación 𝑹𝟐 : una medida de
la “bondad del ajuste”
෠ + 𝑉𝑎𝑟(𝑢)
𝑉𝑎𝑟 𝑌 = 𝑉𝑎𝑟(𝑌) ො

ത 2 = ෍(𝑌
෍(𝑌𝑖 − 𝑌) ෡𝑖 − 𝑌)
ത 2 + ෍(𝑌𝑖 − 𝑌෡𝑖 )2

𝑆𝐶𝑇 = 𝑆𝐶𝐸 + 𝑆𝐶𝑅

Donde: SCT = suma de cuadrados totales; SCE = suma de cuadrados explicada; SCR = suma de
cuadrados de la residuos.

Entonces, 𝑅2 que expresa cuán “bien” se ajusta la línea de regresión a los datos será:
𝑆𝐶𝐸
𝑅2 =
𝑆𝐶𝑇

21
Evelin Graciela Mamani Huayta
 22
Evelin Graciela Mamani Huayta
Ejemplo
Yi 86 79 76 69 65 62 52 51 51 48
Xi 3 7 12 17 25 35 45 55 70 120

Con los siguientes datos muestrales:

a) Estimar el modelo: 𝑌 = 𝛽0 + 𝛽1 𝑋1 + 𝑢
b) Hallar las varianzas y errores estándar de los estimadores
c) Hallar el coeficiente de bondad de ajuste

23
Evelin Graciela Mamani Huayta
 24
Evelin Graciela Mamani Huayta