ECONOMETRÍA I

4-10-2021

CAPÍTULO 3
I. Método de Mínimos Cuadrados Ordinarios (M.C.O)
II. Propiedades de la recta de regresión
III. Supuestos de M.C.O
IV. Medidas de precisión
V. Propiedades de los estimadores de M.C.O
VI. Coeficiente de determinación (r2 o R2)
VII. Análisis de Varianza (ANOVA)

II. Supuestos M.C.O (Modelo clásico de Regresión lineal)

Suponga la siguiente FRPE:

Y i=β 0 + β 1 X i+ U i

La ecuació n anterior representa un Modelo Lineal que intenta describir el valor observado en
una variable dependiente o respuesta a partir de los efectos de factores que se toman en
cuenta y los que no se toman en cuenta.

Es decir, los factores que se toman en cuenta se consideran dos tipos: a) los constantes y los
independientes (variables exó genas) que corresponde a las variables explícitamente incluidas
en el modelo con la intenció n de evaluar su efecto sobre la variable dependiente.

Mientras que los factores que no se toman en cuenta son las variables cuyo efecto, aun
pudiendo ser importante para describir la variable dependiente, no interesa estudiarlos o no
resulta posible hacerlo, no los puede controlar o se escapan del investigador, también implica
que hay variables que no se pueden medir con total precisió n existiendo un posible error de
medida implícito sobre el cual no se tiene control, se les denomina el término de perturbació n
o error.

Por lo anterior, el modelo lineal se puede estudiar a partir de dos componentes:

1. Componente aleatorio: se identifica con la variable dependiente del modelo y se

establece una funció n de probabilidad para ella.

1
Como señ ala Pardo y Ruiz ( ):

“Los valores que toma la variable dependiente se consideran realizaciones concretas de una
variable aleatoria que, al igual que cualquier otra variable aleatoria, tiene su propia
distribució n de probabilidad (que es exactamente la misma que la de los errores)…El valor de
los pará metros del modelo, es decir, el valor de los coeficientes β j , depende de cuál sea esa
distribució n. Y la elecció n de esa distribució n viene condicionada, bá sicamente, por la
naturaleza de la variable dependiente”

Por lo general, para variables de tipo cuantitativas (como la mayoría que se utilizan en á reas
como la economía) se asume que se distribuye como una normal con varianza constante para
cada componente de X.

2. Componente sistemá tico: se identifica con las variables independientes o predictoras

cuyos componentes son fijos en muestras repetidas; es decir, los valores de X son no
estocá sticas, recuerde el aná lisis de regresió n es condicional, está condicionado a los
valores de X.1

Considerando lo anterior, para que un modelo lineal funcione se tienen que verificar los
siguientes supuestos:

 Supuesto 1: El Modelo de Regresió n es lineal en los pará metros ( β 0 y β 1) ; es decir, no

está n elevados a ninguna potencia, mientras que las variables independientes pueden
ser lineales o no lineales.
 Supuesto 2: Los valores de los regresores son fijos en muestras repetidas, recuerde los
valores de X i , son no estocá sticos e independientes del termino de perturbació n (
n

∑ X i U^ i=0 ¿.
i=1

 Supuesto 3: El valor medio de la perturbació n U i , es igual a cero. También se

establece como que la esperanza condicional de U i es igual a cero; es decir, la media
condicional (a los valores de los regresores) es igual a cero. Lo cual significa que los
factores no incluidos en
los modelos no afectan
sistemá ticamente (los
positivos se cancelan
con los negativos):

E ( U i|X i )=0

La principal implicació n
es que no hay error o
sesgo de especificació n

1
Para mayor detalle revise nuevamente capítulo 2 de Gujarati y la presentación en Power Point clase.
2
 al no omitir variables relevantes. Es decir, el modelo está especificado correctamente,
lo cual significa principalmente que todas las variables que afectan sistemá ticamente a
Yi está n incluidas en el modelo, pero también que la forma funcional del modelo (por
ejemplo, lineal en las X, y lineal en los parámetros ) es la correcta, incluso, que los
supuestos probabilísticos (sobre Yi, Xi, ui) son adecuados. Una manera de evitar la
posible violació n de este supuesto es siempre incorporar la constante en el modelo de
regresió n, salvo en casos específicos, por ejemplo el Modelo CPM que se estima sin
constante.

 Supuesto 4: Homocedasticidad o varianza constante de las perturbaciones ( U i ¿. La

violació n de este supuesto implica heterocedasticidad o la varianza no es constante.
 Supuesto 5: Ausencia de correlació n serial o de autocorrelació n entre las
perturbaciones, lo que implica que no hay patrones sistemá ticos.

Por lo anterior, se establece:

U t =ρ U t −1 +U t
Donde:
H 0 : ρ=0 no hay autocorrelación
H 1 : ρ≠ 0 sihay autocorrelación

El estadístico Durbin-Watson (DW):

DW =2(1−ρ)
 Supuesto 6: El nú mero de observaciones (n) debe ser mayor al nú mero de parámetros
a estimar.
 Supuesto 7: La naturaleza de las variables X. No todos los valores en una muestra de la
variable X tienen que ser iguales; técnicamente la varianza tiene que ser un nú mero
positivo. Ademá s no debe haber valores atípicos, valores muy grandes o pequeñ os con
respecto a los de la muestra.