Documentos de Académico
Documentos de Profesional
Documentos de Cultura
YT = β1 + β 2 X 2T + β 3 X 3T + + β k X kT + uT
Y1 1 X 21 X 31 ... X k1 β1 u1
Y 1 X X 32 ... X k 2 β u
y = 2 X= 22
β = 2 u= 2
... ... ... ... ... ... ... ...
YT 1 X 2T X 3T ... X kT β k uT
Y1 1 X 21 X 31 ... X k1 β1 u1
Y 1 X X 32 ... X k 2 β 2 u2
2 = 22
+ (3)
... ... ... ... ... ... ... ...
YT 1 X 2T X 3T ... X kT β k uT
1
El regresando puede ser o bien la variable endógena directamente o bien una transformación de la
variable endógena (por ejemplo, el logaritmo de la variable endógena).
II-1
Si tenemos en cuenta las denominaciones dadas a vectores y matrices, el modelo
de regresión lineal múltiple se puede expresar de forma compacta de la siguiente forma:
y = Xβ + u (4)
ŷ = Xβˆ (5)
uˆ = y - yˆ = y - Xβˆ (6)
uˆ 1
uˆ T
S = uˆ ′uˆ = [uˆ 1 uˆ 2 ... uˆ T ] 2 = ∑ uˆt2 (7)
... t =1
uˆ T
Teniendo en cuenta (6), se obtiene
βˆ ′X′y = y′Xβˆ
2
Para la derivación de escalares, expresados mediante productos matriciales, respecto a un vector, véase el anexo 1
de Econometría aplicada.
II-2
Por tanto,
T T
T
T ∑X 2t ... ∑X kt ∑ Yt
t =1 t =1
βˆ1 t =1
T T T
ˆ T
∑ X 2t ∑X … ∑ X 2t X kt β 2 ∑ X 2tYt
2
2t
= (11)
t =1 t =1 t =1
t =1
T ˆ
T T βk T
∑ X ∑X X 2t … ∑ 2
X kt ∑ X ktYt
t =1 kt t =1
kt
t =1
t =1
Obsérvese que:
Para poder resolver el sistema (10) respecto a β̂ unívocamente, se debe cumplir que el
rango de la matriz X′X sea igual a k. Si se cumple esta condici6n, se pueden premultiplicar
ambos miembros de (10) por [ X′X ]
−1
βˆ = [ X′X ] X′y
−1
(12)
a′X′Xa = [ Xa ]′ [ Xa ]
será el producto escalar del vector [ Xa ]′ por su transpuesto, producto que no será
negativo, por ser una suma de cuadrados. Si el rango de X′X es k, entonces queda
garantizado que dicho producto es positivo. Por otra parte, al ser X′X definida positiva,
se sigue, evidentemente, que 2X′X también es definida positiva.
II-3
2. Propiedades descriptivas en la regresión lineal múltiple
Las propiedades que se exponen a continuación son propiedades derivadas
exclusivamente de la aplicación del método de estimación por mínimos cuadrados al
modelo de regresión (1) en el que se incluye como primer regresor el término
independiente.
1. La suma de los residuos mínimo-cuadráticos es igual a cero:
T
∑ uˆ
t =1
t =0 (13)
Demostración.
Por definición de residuo
Por otra parte, la primera ecuación del sistema de ecuaciones normales (11) es
igual a
T T T
T βˆ1 + βˆ2 ∑ X 2t + + βˆk ∑ X kt = ∑ Yt (16)
t =1 t =1 t =1
∑ Yt = ∑ Yˆt
t =1 t =1
Y = Yˆ (17)
Demostración.
En efecto, dividiendo la ecuación (16) por T se obtiene:
3. Los momentos de segundo orden entre cada regresor y los residuos son iguales a 0.
Para el conjunto de los regresores se puede expresar así:
X′uˆ = 0 (19)
En efecto,
II-4
X′uˆ = X′ y - Xβˆ = X′y - X′Xβˆ = X′y - X′y = 0
yˆ ′uˆ = 0 (20)
Demostración.
En efecto, si se tiene en cuenta (5) y (19) resulta que
′
yˆ ′uˆ = Xβˆ uˆ = βˆ ′X′uˆ = βˆ ′0 = 0
o, en forma matricial,
y = Xβ + u (21)
II-5
En concreto, la matriz de covarianzas del vector de perturbaciones es la
siguiente:
Para llegar a la última igualdad se ha tenido en cuenta que las varianzas de cada uno de
los elementos del vector es constante e igual a σ 2 de acuerdo con (23) y que las
covarianzas entre cada par de elementos es 0 de acuerdo con (24).
El resultado anterior se puede expresar de forma sintética:
E (uu′) = σ 2 I (25)
u ~ N (0, σ 2 I ) (26)
II-6
E ( X′u) = 0 (27)
II-7
La esperanza matemática de y, teniendo en cuenta la hipótesis II a)3, viene dada
por
E (y ) = E [ Xβ + u ] = Xβ + E (u) = Xβ (29)
y ~ N (Xβ, σ 2 I ) (31)
UU
3
Las hipótesis de los bloques III y IV se tendrán implícitamente en cuenta, aunque no se mencionen.
II-8