Documentos de Académico
Documentos de Profesional
Documentos de Cultura
REGRESION LINEAL
1
Ahora todas las relaciones económicas son susceptibles de linealizarse, a través
del empleo de logaritmos, y como estamos tratando el capítulo del modelo lineal
de dos variables solo tomaremos en cuenta este tipo de relaciones, es decir
linealizando tendremos.
Todas las relaciones del (1) al (9) son ecuaciones totalmente determinísticas o
que se refieren a relaciones funcionales exactas entre las variables. Sin embargo
un análisis muy sencillo nos demuestra que a través de un muestreo aleatorio los
puntos que corresponden a las observaciones no forman exactamente una línea
recta u otra función cualquiera, razón muy importante para introducir el famoso
término de error o perturbación, en las relaciones económicas, así por ejemplo,
sí:
Yi = α + βXi (1)
2
2. EL MODELO DE REGRESIÓN LINEAL SIMPLE .- Analizando la función
de regresión poblacional (F.R.P.), o sea.
Yi = α + βXi + Ui (2)
Yi Xi
------------------------------------------- -----------------------------------------------
Variable dependiente Variable independiente
Variable endógena Variable exógena
Variable explicada Variable explicativa
Variable efecto Variable causa
Regresando observable Regresor observable
RESPUESTA Variable de control o estímulo
3
3. EXAMEN DE LOS SUPUESTOS BÁSICOS O HIPÓTESIS DEL
MODELO DE REGRESIÓN LINEAL. – Son los siguientes.
1) Y i = α + βX i + U i
2) Ui ∼ N
3) E(Ui) = 0
4) E (U i2 ) = u2
5) E(Ui, Uj) = 0 ∀i ≠ j
6) Xi es un regresor fijo
4
4. PROPIEDADES DE Yi, Y i y ei.- Por medio de los supuestos básicos del
modelo de regresión lineal simple podemos examinar las características de la
distribución probabilística de Yi.
Si Yi = α + βXi + Ui (1)
Por otro lado la varianza de una variable es una de las medidas de dispersión más
importante, que mide el grado de concentración o dispersión de los valores de
una variable aleatoria alrededor de un parámetro de posición o alrededor de una
línea de tendencia.
Yi ∼ N[(α + βXi), u2 ]
Esto significa que si tenemos “n” observaciones cada una de ellas tendrá la
siguiente distribución.
Y1 ∼ N[(α + βX1), u2 ]
Y2 ∼ N[(α + βX2), u2 ]
...................................
Yn ∼ N[(α + βXn), u2 ]
5
Su representación gráfica será:
GRÁFICO # 1
Y
P(u)
E(Yi)=α+βXi
0
X1
X2
Xn X
GRÁFICO # 2
6
Conociendo que la esperanza matemática de Yi es igual α + βXi y su varianza
u2 , se observa que es necesario estimar los parámetros α , β y u2 , la estimación
de estos tres parámetros dará origen a un estimador de Y i es decir se tiene que
reemplazar.
o
ej F.R.M.
o o
o Uj
o o o F.R.P.
o o
o o o
Y o o o Yj <
o o Ŷj
o o o E(Y j)
o
o
0 X Xj X
Por otro lado existen diversos métodos de estimación sin embargo se eligen los
métodos de acuerdo a las propiedades que poseen los estimadores obtenidos, en
este sentido para estimar los parámetros del modelo de regresión de dos
variables tomaremos en cuenta el método de los MÍNIMOS CUADRADOS, el
cual otorga estimadores lineales, insesgados y lo que es mejor tienen la menor
de las varianzas.
7
El método de los mínimos cuadrados, consiste en minimizar la sumatoria de los
cuadrados de los errores o más explícitamente minimizar lo siguiente.
2
Sí Σ℮ i = Σ(Yi – Ŷi)2 = Valor residual
min. Σ℮ i2 = min. Σ(Yi – Ŷi)2
Para lograr nuestro objetivo se debe aplicar la teoría de los extremos, que
plantea dos condiciones.
ei2
= 2Σ(Yi – ̂ – ̂ Xi)(– 1) = 0
̂
ΣYi – n ̂ – ̂ ΣXi = 0
ΣYi = n ̂ + ̂ ΣXi (4)
Segunda condición:
2 ei2
= 2Σ(Yi – ̂ – ̂ Xi)0(– 1)(– 1)
̂ 2
ei2
2
= 2Σ(1)(– 1)(– 1) = 2Σ(1) = 2n > 0
̂ 2
2 ei2
= 2n > 0 => QUE ES UN MÍNIMO
̂ 2
ei2
= 2Σ(Yi – ̂ – ̂ Xi)(– Xi) = 0
̂
Σ(Yi – ̂ – ̂ Xi)(Xi) = 0
8
Σ(Xi Yi – ̂ Xi – ̂ X i ) = 0
2
ΣXiYi – ̂ ΣXi – ̂ ΣX i = 0
2
ΣXiYi = ̂ ΣXi + ̂ ΣX i
2
(5)
Y ˆ X Y X
̂ = = – ̂ = Y – ̂ X (I)
n n n
Ahora si:
xi = Xi – X (9)
yi = Yi – Y (10)
ŷi = Ŷi – Y (11)
9
Reemplazando (9) y (11) en (8), tendremos.
Ŷi – Y = (Xi – X )
ŷi = Xi (12)
e i2
Donde: = 2Σ(yi – xi)( – xi) = 0
̂
2
Σ(xi yi – x i ) = 0
2
Σxi yi – Σx i = 0
xi y i (X i X)(Yi Y)
= = ( IV )
xi2 ( X i X ) 2
10