Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Autores:
1
MANUAL DE APLICACIÓN DEL MODELO DE REGRESIÓN LINEAL MULTIPLE
Contenido
MULTICOLINEALIDAD ...................................................................................... 33
HETEROCEDASTICIDAD ................................................................................. 42
AUTOCORRELACION....................................................................................... 45
BIBLIOGRAFIA ..................................................................................................... 67
2
MANUAL DE APLICACIÓN DEL MODELO DE REGRESIÓN LINEAL MULTIPLE
El modelo de regresión lineal múltiple busca una función de regresión poblacional a partir
de una función de regresión muestral. La idea de la regresión es mostrar un análisis
cuantitativo los fenómenos financieros y económicos combinados con inferencia de la
variable explicada.
• Explicativa: A través de este modelo la variable explicada “y” se pueden medir los
impactos que tienen sus variables explicativas, es decir que los betas que
acompañan la regresión pueden ser positivos o negativos los cuales no dicen si
una variable explicativa ayuda a crecer o disminuir la variable dependiente.
• Predicción: por medio de la regresión y reemplazando las variables explicativas
“X” por valores numéricos, la variable dependiente “Y” puede tomar diferentes
valores.
3
MANUAL DE APLICACIÓN DEL MODELO DE REGRESIÓN LINEAL MULTIPLE
∧ ∧∧ ∧
Y = X β+U
⎡1 x 21 L x k1 ⎤
⎡ y1 ⎤ ⎡ u1 ⎤ ⎡ β1 ⎤ ⎢M M
⎢ ⎥ ⎢ ⎥ ⎢ ⎥ L M ⎥⎥
, y = ⎢ M ⎥ ,u = ⎢ M ⎥ , β = ⎢ M ⎥ , x = ⎢
⎢M M L M ⎥
⎢⎣ y n ⎥⎦ n×1 ⎢⎣u k ⎥⎦ nx1 ⎢⎣ β k ⎥⎦ kx1 ⎢ ⎥
⎣1 x 2 n L x kn ⎦ n×k
Demostración:
∧∧ ∧2
MinSCE = u ' u = y ' y − y ' y = Min ∑ u i = ∑ y i − ∑ y i = 0
2 2
∧ ∧ ∧
U 'U = (Y − Xβ )' (Y − Xβ ) = Y ' Y − Y ' Xβ + β ' X ' Y + β ' X ' X β = Y ' Y − Y ' X β =
∧ ∧ ∧∧
= Y 'Y − β ' ( X ' X ) β = Y 'Y − Y 'Y
4
MANUAL DE APLICACIÓN DEL MODELO DE REGRESIÓN LINEAL MULTIPLE
8. Uso de modelos para recomendación: se hacen los ajustes dados por los
investigadores.
5
MANUAL DE APLICACIÓN DEL MODELO DE REGRESIÓN LINEAL MULTIPLE
9. Los errores “U” siguen distribución normal. (0, σ2I). Es decir media cero y varianza
constante.
2
⎛∧ ⎞
2.- Variabilidad explicada: SCE = ∑ ⎜⎝ y i − y ⎟⎠ Sumatoria de los cuadrados de
errores
La bondad de ajuste muestra qué tan bien se ajusta la línea de regresión a los datos. El
2 2
coeficiente de determinación r para la regresión lineal simple y el R para la regresión
múltiple, es una medida que nos dice qué tan bien se ajusta la línea de regresión muestral
a los datos.
R2 = 1−
∑Uˆ i
2
= 1−
SCE
= 1−
Suma de Residuales Cuadrados
∑ (Y i −Y ) 2
SCT Suma Total de Cuadrados
2
Una propiedad importante del R es que es una función no decreciente del número de
variables explicativas o de regresores presentes en el modelo; a medida que aumenta el
2
número de regresores, el R aumenta. Es por esto que al comparar dos modelos de
regresión con la misma variable dependiente pero con un número diferente de variables
2
X, se debe tener mucho cuidado al escoger el modelo con el R más alto. Para comparar
2
dos términos R , se debe tener en cuenta el número de variables presentes en el modelo.
2
Esto puede hacerse con el coeficiente de determinación ajustado R , el cual está ajustado
por los grados de libertad asociados con las suma de los cuadrados.
R 2
= 1−
∑Uˆ /(n − k ) i
2
∑ (Y − Y ) /(n − 1)
i
2
1
La “Y” barra se refiere al promedio ponderado de la variable explicada.
6
MANUAL DE APLICACIÓN DEL MODELO DE REGRESIÓN LINEAL MULTIPLE
• La prueba estadística “F” de Fisher puede medir la significancia global del modelo
es decir que el modelo de regresión múltiple es estadísticamente significativo.
Ambos caso se busca un nivel de confianza del 95%, con un p-valor entre cero y 0,05
para que el modelo y los parámetros sean estadísticamente significativos.
es la matriz de proyección.
[ ] [ ]
E (β ) = E ( X ' X ) X ' Y = E ( X ' X ) X ' ( Xβ + u ) = β + ( X ' X ) X ' E (u ) = β / E (u ) = 0
−1 −1 −1
7
MANUAL DE APLICACIÓN DEL MODELO DE REGRESIÓN LINEAL MULTIPLE
Dependent Variable: Y
Included observations: 13
8
MANUAL DE APLICACIÓN DEL MODELO DE REGRESIÓN LINEAL MULTIPLE
En este modelo, se puede observar que la tasa de inflación esperada X2 (%), los signos
de los coeficientes de las variables explicativas son los esperados (Curva de Phillips
ampliada). El intercepto muestra que si X2 y X3 hubiese sido cero durante el periodo
muestral, la tasa promedio de inflación observada habría estado cercana al 7.19%. El
coeficiente de regresión parcial de -1.392472 significa que al mantener constante la tasa
de inflación esperada, la tasa de inflación observada en promedio se redujo en cerca del
1.4% por cada aumento del 1% de la tasa de desempleo. De igual manera, al mantener la
tasa de desempleo constante, el valor del coeficiente de 1.470032 implica que la tasa de
inflación observada en promedio, aumentó en cerca de 1.5% por cada aumento del 1%
en la tasa de inflación esperada.
El R 2 es alto, e indica que las dos variables explicativas, en su conjunto, son la causa de
cerca del 88% de la variación en la tasa de inflación observada.
9
MANUAL DE APLICACIÓN DEL MODELO DE REGRESIÓN LINEAL MULTIPLE
Ejercicios:
Yi = β 1+ β 2 Di +u i
Donde:
Y , es la variable dependiente.
WAGE = β 1+ β 2 female + u
Donde:
2
Los modelos de regresión con variable dependiente dummy, presentan comúnmente 4 enfoques de estimación: El modelo
Lineal de Probabilidad (MLP), El modelo Logit, El modelo Probit, y el Modelo Tobit. Sin embargo, para esta clase
trabajaremos con modelos de regresión con variables independientes de esta clase.
10
MANUAL DE APLICACIÓN DEL MODELO DE REGRESIÓN LINEAL MULTIPLE
female , es la variable dummy que representa el sexo de las personas, y toma los valores
de:
------------------------------------------------------------------------------
-------------+----------------------------------------------------------------
------------------------------------------------------------------------------
11
MANUAL DE APLICACIÓN DEL MODELO DE REGRESIÓN LINEAL MULTIPLE
Primero:
Segundo:
Y tercero:
∧
Ho : β2 = 0 β i −δ − 2.51
tc = = tc = = −8.3
H a : β2 ≠ 0 ⎛∧ ⎞ 0,30
Var ⎜ β i ⎟
⎝ ⎠
12
MANUAL DE APLICACIÓN DEL MODELO DE REGRESIÓN LINEAL MULTIPLE
NOTA: En general, la regresión simple con una constante y una variable dummy es una
forma directa de comparar las medidas de dos grupos; para este ejemplo, entre el salario
de las mujeres y los hombres. Geométricamente, se podría dar que:
13
MANUAL DE APLICACIÓN DEL MODELO DE REGRESIÓN LINEAL MULTIPLE
Para el caso de este modelo, se observa un cambio en intercepto. Como el beta que
acompaña la variable female es negativo ( β 2 < 0 ), se tiene un menor nivel de salario
por hora de las mujeres con respecto a los hombres.
Al correr el modelo anterior, tomando como la categoría base a las mujeres, es decir,
dando el valor de 1 a los hombres y 0 a las mujeres se obtiene:
------------------------------------------------------------------------------
-------------+----------------------------------------------------------------
------------------------------------------------------------------------------
Se puede observar, que el coeficiente estimado para la variable hom bre , presenta signo
contrario al modelo anterior estimado con la variable female . De igual forma, se
evidencia que el intercepto ha cambiado, ahora el intercepto representa el salario/hora de
las mujeres (cuando hom bre = 0 ).
Donde:
14
MANUAL DE APLICACIÓN DEL MODELO DE REGRESIÓN LINEAL MULTIPLE
hom bre , es una variable dummy que toma los valores de:
------------------------------------------------------------------------------
-------------+----------------------------------------------------------------
------------------------------------------------------------------------------
Sin embargo, es importante tener en cuenta que la practica común es asignar las
variables dicótomas de tal manera que si una variable tiene m categorías, se introducen
solamente ( m − 1 ) variables dicotómicas (Gujarati, 2001). Lo anterior, teniendo en cuenta
que al utilizar dicho enfoque se obtiene un valor usual del R 2 , mientras que con el modelo
15
MANUAL DE APLICACIÓN DEL MODELO DE REGRESIÓN LINEAL MULTIPLE
sin intercepto3, se tendría que calcular lo que se conoce como el R 2 simple. Asimismo,
cuando se considera a priori un modelo sin intercepto, se puede estar cometiendo un error
de especificación, violando así uno de los supuestos del modelo clásico de regresión
lineal.
2. Modelo de regresión múltiple con una sola variable dummy y una variable
cuantitativa.
Yi = β 1+ β 2 Di + β 3 X i +u i
Donde:
Y , es la variable dependiente.
Donde:
female , es la variable dummy que representa el sexo de las personas, y toma los valores
de:
3
Cuando se estima un modelo de regresión con intercepto cero, se habla de un modelo de regresión a través
del origen.
16
MANUAL DE APLICACIÓN DEL MODELO DE REGRESIÓN LINEAL MULTIPLE
------------------------------------------------------------------------------
-------------+----------------------------------------------------------------
------------------------------------------------------------------------------
Primero:
Por cada año de experiencia que tengan los hombres (cuando female = 0 ), su salario
promedio, aumenta en 6.64 (6.62+0.02) dólares hora
Segundo:
Por cada año de experiencia que tengan las mujeres (cuando female = 1 ), su salario
promedio, aumenta en 4.16 (6.62+0.02-2.48) dólares hora. Es decir, que las mujeres
ganan menos que los hombres, para un mismo nivel de experiencia.
Y tercero:
17
MANUAL DE APLICACIÓN DEL MODELO DE REGRESIÓN LINEAL MULTIPLE
∧
Ho : β2 = 0 β i −δ − 2.48
tc = = tc = = −8.21
H a : β2 ≠ 0 ⎛ ⎞ ∧ 0.3022
Var ⎜ β i ⎟
⎝ ⎠
Ahora:
∧
H o : β3 = 0 β i −δ 0.026
tc = = tc = = 2.42
H a : β3 ≠ 0 ⎛∧ ⎞ 0.011
Var ⎜ β i ⎟
⎝ ⎠
18
MANUAL DE APLICACIÓN DEL MODELO DE REGRESIÓN LINEAL MULTIPLE
------------------------------------------------------------------------------
19
MANUAL DE APLICACIÓN DEL MODELO DE REGRESIÓN LINEAL MULTIPLE
-------------+----------------------------------------------------------------
------------------------------------------------------------------------------
Se puede observar que los coeficientes estimados representan el salario promedio de las
mujeres y los hombres, dado un nivel de experiencia.
3. Modelo de regresión múltiple con una sola variable dummy y dos o más
variables cuantitativas
Donde:
female , es la variable dummy que representa el sexo de las personas, y toma los valores
de:
20
MANUAL DE APLICACIÓN DEL MODELO DE REGRESIÓN LINEAL MULTIPLE
------------------------------------------------------------------------------
-------------+----------------------------------------------------------------
De acuerdo con la salida en Stata, todos los betas estimados que acompañan a las
variables explicativas, son estadísticamente significativos. Se observa, que los t
calculados son caen en la región de rechazo comparado con un t tabla con 526 g.l. y
α / 2 = 0.025 igual a ± 1.96, es decir, se rechaza la hipótesis nula, por tanto se puede
decir que los betas son estadísticamente diferentes de cero.
21
MANUAL DE APLICACIÓN DEL MODELO DE REGRESIÓN LINEAL MULTIPLE
Donde:
female , es la variable dummy que representa el sexo de las personas, y toma los valores
de:
married , es la variable dummy que representa el estado civil de las personas, y toma los
valores de:
------------------------------------------------------------------------------
-------------+----------------------------------------------------------------
22
MANUAL DE APLICACIÓN DEL MODELO DE REGRESIÓN LINEAL MULTIPLE
------------------------------------------------------------------------------
El salario promedio de una mujer soltera dado un nivel de antigüedad en el trabajo, esta
dado por:
El salario promedio de una mujer casada, dado un nivel de antigüedad en el trabajo, esta
dado por:
23
MANUAL DE APLICACIÓN DEL MODELO DE REGRESIÓN LINEAL MULTIPLE
5. Modelo de regresión múltiple con varias variables dummy (con una variable
cualitativa de tres o cuatro categorías)
Donde:
female , es la variable dummy que representa el sexo de las personas, y toma los valores
de:
married , es la variable dummy que representa el estado civil de las personas, y toma los
valores de:
northcen , es la variable dummy que representa si la persona vive en el norte, y toma los
valores de:
south , es la variable dummy que representa si la persona vive en el sur, y toma los
valores de:
west , es la variable dummy que representa si la persona vive en el occidente, y toma los
valores de:
NOTA: La categoría base para el sector donde viven las personas son las personas que
viven en el oriente.
24
MANUAL DE APLICACIÓN DEL MODELO DE REGRESIÓN LINEAL MULTIPLE
------------------------------------------------------------------------------
-------------+----------------------------------------------------------------
------------------------------------------------------------------------------
25
MANUAL DE APLICACIÓN DEL MODELO DE REGRESIÓN LINEAL MULTIPLE
Con:
female , es la variable dummy que representa el sexo de las personas, y toma los valores
de:
married , es la variable dummy que representa el estado civil de las personas, y toma los
valores de:
------------------------------------------------------------------------------
-------------+----------------------------------------------------------------
26
MANUAL DE APLICACIÓN DEL MODELO DE REGRESIÓN LINEAL MULTIPLE
------------------------------------------------------------------------------
De acuerdo con la salida en Stata, todos los betas estimados que acompañan a las
variables explicativas, son estadísticamente significativos. Se observa, que los t
calculados son caen en la región de rechazo comparado con un t tabla con 526 g.l. y
α / 2 = 0.025 igual a ± 1.96, es decir, se rechaza la hipótesis nula, por tanto se puede
decir que los betas son estadísticamente diferentes de cero.
De otro lado, en este modelo esta implícito el supuesto de que el efecto diferencial de la
variable dummy female es constante a través del posible estado civil de las personas
(casado y no casado). Por ejemplo, en la salida anterior se observa que las mujeres
ganan en promedio menos que los hombres, esto se da ya sea casada o no.
En muchas aplicaciones, este supuesto puede ser imposible de mantener, una mujer
puede ganar mas cuando es casada que cuando es soltera. Con el fin de observar este
efecto dentro del modelo, se adiciona la variable femalemarr ied , que representa la
interacción entre las variables female y married .
Donde:
femalemarr ied , es la variable dummy que representa la interacción entre las variables
sexo y estado civil de las personas, y toma los valores de:
27
MANUAL DE APLICACIÓN DEL MODELO DE REGRESIÓN LINEAL MULTIPLE
------------------------------------------------------------------------------
-------------+----------------------------------------------------------------
------------------------------------------------------------------------------
Y = β1 + β 2 X 1 + β 3D1 + β 4 D1 X 1 + u
Donde:
28
MANUAL DE APLICACIÓN DEL MODELO DE REGRESIÓN LINEAL MULTIPLE
X1 Nivel de escolaridad
29
MANUAL DE APLICACIÓN DEL MODELO DE REGRESIÓN LINEAL MULTIPLE
La gráfica (b), muestra el caso en el que la intercepción de las mujeres es menor que la
de los hombres, y la pendiente de la línea de las mujeres es menor que la de los hombres.
Esto significa que las mujerees ganan menos que los hombres en cualquier nivel de
escolaridad
30
MANUAL DE APLICACIÓN DEL MODELO DE REGRESIÓN LINEAL MULTIPLE
GRAFICAS EN STATA
WAGE = β 1+ β 2 exp er + u
Si queremos graficar los puntos de esta regresión en el plano cartesiano, donde exp er
esta representado en el eje X y WAGE en el eje Y, se utiliza el siguiente comando:
0 10 20 30 40 50
years potential experience
Ahora, si se quiere adicionar a la gráfica titulo a la gráfica y los nombres a cada uno de los
ejes, se utiliza el comando title:
31
MANUAL DE APLICACIÓN DEL MODELO DE REGRESIÓN LINEAL MULTIPLE
25
20 15
WAGE
10 5
0
0 10 20 30 40 50
A. Experiencia
twoway (scatter wage exper) (lfit wage exper), title(Salario Vs. Experiencia) xtitle(A.
Experiencia) ytitle(WAGE)
0 10 20 30 40 50
A. Experiencia
32
MANUAL DE APLICACIÓN DEL MODELO DE REGRESIÓN LINEAL MULTIPLE
MULTICOLINEALIDAD
El décimo supuesto del modelo clásico de regresión lineal (MCRL), plantea que no existe
multicolinealidad entre las variables explicativas del modelo, es decir, que no debe existir
relación perfecta o exacta entre algunas o todas las variables explicativas de un modelo
de regresión4. Existen otros supuestos que son complementarios a no la multicolinealidad,
ellos son el supuesto 7, que indica que el número de regresores debe ser menor al
número de observaciones, y el supuesto 8, que especifica que debe existir variabilidad en
los valores de los regresores.
Yi = β1 + β 2 X i + β 3 X i2 + β 4 X i3 + u i
4
Se habla de multicolinealidad cuando hay existencia de más de una relación lineal exacta, y colinealidad se
refiere a la existencia de una sola relación lineal.
33
MANUAL DE APLICACIÓN DEL MODELO DE REGRESIÓN LINEAL MULTIPLE
5
Aun cuando las variables X no están linealmente relacionadas en la población, pueden estarlo en la muestra
que se ha tomado, en dicho caso, nuestra muestra puede no ser lo suficiente rica para acomodar todas las
variables X en el análisis.
34
MANUAL DE APLICACIÓN DEL MODELO DE REGRESIÓN LINEAL MULTIPLE
Tolerancia = (1 − R 2j )
Ejemplo Práctico:
Donde:
35
MANUAL DE APLICACIÓN DEL MODELO DE REGRESIÓN LINEAL MULTIPLE
-------------+------------------------------ F( 2, 7) = 92.40
------------------------------------------------------------------------------
-------------+----------------------------------------------------------------
------------------------------------------------------------------------------
36
MANUAL DE APLICACIÓN DEL MODELO DE REGRESIÓN LINEAL MULTIPLE
-------------+---------------------------
gastoconsumo | 1.0000
ingreso = β1 + β 2 riqueza + u
-------------+------------------------------ F( 1, 8) = 3849.02
------------------------------------------------------------------------------
-------------+----------------------------------------------------------------
------------------------------------------------------------------------------
La salida muestra que existe colinealidad casi perfecta entre las variables ingreso y
riqueza . Asimismo, si realizamos la regla práctica de Klien, al comparar el R 2 obtenido
en la regresión auxiliar y el R 2 global, se tiene que el primero (0.9979) es mayor que el
segundo (0.9635); por tanto, hay un serio problema de colinealidad.
37
MANUAL DE APLICACIÓN DEL MODELO DE REGRESIÓN LINEAL MULTIPLE
1 1
FIV = = = 333,33
1 − R j 1 − 0.9970
2
Como la tolerancia esta cercana a cero, se puede decir que hay colinealidad casi perfecta
entre el ingreso y la riqueza .
Medidas Remédiales
Sin embargo, se debe tener en cuenta no caer en el sesgo de especificación del modelo,
con el fin de no violar otro de los supuestos del modelo de regresión clásico (sesgo de
especificación). Para esto, es importante tener en cuenta que dice la teoría económica
con respecto a la explicación de la variable dependiente.
38
MANUAL DE APLICACIÓN DEL MODELO DE REGRESIÓN LINEAL MULTIPLE
-------------+------------------------------ F( 1, 8) = 202.87
------------------------------------------------------------------------------
-------------+----------------------------------------------------------------
------------------------------------------------------------------------------
-------------+------------------------------ F( 1, 8) = 176.67
------------------------------------------------------------------------------
-------------+----------------------------------------------------------------
------------------------------------------------------------------------------
39
MANUAL DE APLICACIÓN DEL MODELO DE REGRESIÓN LINEAL MULTIPLE
Sin embargo, como se menciono anteriormente, es importante tener claro lo que dice la
teoría económica, con el fin de no caer en el sesgo de especificación del modelo.
gastoconsumo = β 1 + β 2 X + u
-------------+------------------------------ F( 1, 8) = 191.20
------------------------------------------------------------------------------
-------------+----------------------------------------------------------------
------------------------------------------------------------------------------
40
MANUAL DE APLICACIÓN DEL MODELO DE REGRESIÓN LINEAL MULTIPLE
41
MANUAL DE APLICACIÓN DEL MODELO DE REGRESIÓN LINEAL MULTIPLE
HETEROCEDASTICIDAD
Homocedasticidad: E ( Ui 2 ) = σ 2
Heterocedasticidad: E ( Ui 2 ) ≠ σ 2
4. Los estimadores dejan de ser EFICIENTES ya que no son los de minina varianza.
42
MANUAL DE APLICACIÓN DEL MODELO DE REGRESIÓN LINEAL MULTIPLE
• Existe una metodología a través de los gráficos, la cual consiste en hacer una
regresión bajo el supuesto de la homocedasticidad y luego examinar los errores
“u” con la variables regresoras y observamos comportamiento de los gráficos.
SEC2/n-k
43
MANUAL DE APLICACIÓN DEL MODELO DE REGRESIÓN LINEAL MULTIPLE
5. Ho α2 = α3 =. ... = 0
Si n R2 > χ2 (k-1),α
Soluciones a la Heterocedasticidad
Mínimos Cuadrados Generalizados : Consiste en dividir cada término por σ i.
Modelo transformado
Este modelo satisface los supuestos de MCO, pero se puede presentar el inconveniente
de no conocer σi.
La Var (Ui transformado) = σ2.(porque se nos elimina Z2) , de esta manera nos queda un
modelo Homocedastico.
44
MANUAL DE APLICACIÓN DEL MODELO DE REGRESIÓN LINEAL MULTIPLE
AUTOCORRELACION
E (u i u j ) = 0 para todo i ≠ j
Causas de la Autocorrelación
Trabajo con datos de serie temporal: cuando se trabaja con datos de corte longitudinal
(p.e.: una variable explicativa cuyas observaciones correspondan a valores
1. Omisión de variables relevantes: en tal caso, las variables omitidas pasan a formar
parte del término de error y, por tanto, si hay correlación entre distintas observaciones de
las variables omitidas, también la habrá entre distintos valores de los términos de
perturbación.
Trabajo con modelos dinámicos: cuando se trabaja con series temporales suele ser
habitual considerar modelos de regresión que incluyan no sólo los valores actuales sino
también los valores retardados (pasados) de las variables explicativas. Es el caso de un
modelo de retardos distribuidos de orden s o RD(s):
Yt = α + β 0 X t + β1 X t −1 + β 2 X t − 2 + ... + β s X t − s + u t
6
Novales, A. (1993): “Econometría”. McGraw-Hill. ISBN 84-481-0128-6
45
MANUAL DE APLICACIÓN DEL MODELO DE REGRESIÓN LINEAL MULTIPLE
Otro tipo de modelo dinámico que presentaría problemas de autocorrelación sería aquel
que incluyese entre sus variables explicativas uno o más valores retardados de la variable
dependiente. Este otro tipo de modelo dinámico se conoce como modelo autorregresivo
de orden s o AR(s):
Consecuencias de la Autocorrelación:
5. Los β MCO son lineales, insesgados, pero ineficientes (no tienen varianza
mínima).
Detección de la Autocorrelación:
46
MANUAL DE APLICACIÓN DEL MODELO DE REGRESIÓN LINEAL MULTIPLE
regresión por MCO), y (2) los contrastes de hipótesis específicos (test de Durbin-Watson,
test h de Durbin, test de Breusch-Godfrey, test Q de Box-Pierce, etc.).
Análisis Gráfico:
Al realizar la regresión por MCO, se pueden graficar los residuos (o, alternativamente, los
residuos estandarizados, es simplemente dividir u t por el error estandar de la estimación
σ̂ ) frente al tiempo. Dado que los residuos MCO son estimadores consistentes de los
términos de perturbación, si se aprecian en el gráfico anterior patrones de
comportamiento sistemático (no aleatorio) podremos afirmar que los términos de
perturbación presentan algún tipo de autocorrelación.
Contrastes:
Test de Durbin-Watson
Es válido para autocorrelación serial de 1° orden en los residuos, no aplica para modelos
con variable dependiente rezagada como variable explicativa, las variables explicativas
son no estocásticas (son fijas en muestreo repetido), el modelo de regresión lineal debe
incluir el intercepto, y no hay observaciones faltantes en los datos.
d=
∑ (u − u t t −1 )2
≅ 2(1 − ρˆ )
∑u 2
t
Una vez hallado DW, es posible usar su valor para estimar el coeficiente de
autocorrelación simple ρ mediante la expresión:
d
ρˆ ≅ 1 −
2
Tabla de decisión:
47
MANUAL DE APLICACIÓN DEL MODELO DE REGRESIÓN LINEAL MULTIPLE
Un inconveniente que presenta este contraste es que a veces puede no ser concluyente,
por lo que hay que considerar, utilizando otros criterios, si existe o no autocorrelación.
Ejemplo en Stata:
tsset year
48
MANUAL DE APLICACIÓN DEL MODELO DE REGRESIÓN LINEAL MULTIPLE
------------------------------------------------------------------------------
-------------+----------------------------------------------------------------
------------------------------------------------------------------------------
Una vez estimada la regresión, se procede a ejecutar el siguiente comando con el cual se
obtiene el estadístico Durbin-Watson:
Si se quiere estimar el Durbin-Watson por las ventanas en Stata 9, la ruta a seguir es:
49
MANUAL DE APLICACIÓN DEL MODELO DE REGRESIÓN LINEAL MULTIPLE
50
MANUAL DE APLICACIÓN DEL MODELO DE REGRESIÓN LINEAL MULTIPLE
Este estadístico es muy sencillo de calcular y resuelve los problemas del contraste de
Durbin-Watson; por ejemplo, los regresores incluidos en el modelo pueden contener
valores rezagados de la variable dependiente, es decir, Yt −1 , Yt − 2 , etc. Pueden aparecer
como variables explicativas.
u t = θ1u t −1 + θ 2 u t − 2 + ... + θ p u t − p + ε t
Ha : Hay autocorrelacion
1. Estimación por MCO del modelo de regresión y obtención de los residuos MCO
(uˆ t ) .
2. Estimación de una regresión auxiliar de los residuos ût sobre p retardos de los
mismos, uˆ t −1 , uˆ t − 2 ,..., uˆ t − p .
(n − p) * Raux
2
se distribuye con χ 2 con p g.l.
51
MANUAL DE APLICACIÓN DEL MODELO DE REGRESIÓN LINEAL MULTIPLE
Ejemplo en Stata:
---------------------------------------------------------------------------
-------------+-------------------------------------------------------------
1 | 18.472 1 0.0000
---------------------------------------------------------------------------
Si se quiere estimar la prueba Breusch – Godfrey por las ventanas en Stata 9, la ruta a
seguir es:
52
MANUAL DE APLICACIÓN DEL MODELO DE REGRESIÓN LINEAL MULTIPLE
53
MANUAL DE APLICACIÓN DEL MODELO DE REGRESIÓN LINEAL MULTIPLE
d
Cuando ρˆ ≅ 1 − es conocido:
2
1. se tiene:
Yt = β1 + β 2 X t + u t (a)
Yt −1 = β 1 + β 2 X t −1 + u t −1 (b)
4. Se resta (a)-(c):
5. Yt − ρYt −1 = β1 − ρβ1 + β 2 X t − ρβ 2 X t −1 + u t − ρu t −1
Yt − ρYt −1 = β 1 (1 − ρ ) + β 2 ( X t − ρX t −1 ) + (u t − ρu t −1 )
Yt − ρYt −1 = β 1 (1 − ρ ) + β 2 ( X t − ρX t −1 ) + ε t (d)
Donde ε t = (u t − ρu t −1 )
Cuando ρ̂ desconocida:
Yt = β1 + β 2 X t + u t (e)
u t = ρu t −1 + ε t
54
MANUAL DE APLICACIÓN DEL MODELO DE REGRESIÓN LINEAL MULTIPLE
Ejemplo en Stata:
------------------------------------------------------------------------------
-------------+----------------------------------------------------------------
55
MANUAL DE APLICACIÓN DEL MODELO DE REGRESIÓN LINEAL MULTIPLE
-------------+----------------------------------------------------------------
rho | .7740512
------------------------------------------------------------------------------
Gráficamente se tiene:
Si se quiere ejecutar el algoritmo por las ventanas en Stata, la ruta a seguir es:
Statistics/time-series/tests/prais-winsten regression
56
MANUAL DE APLICACIÓN DEL MODELO DE REGRESIÓN LINEAL MULTIPLE
57
MANUAL DE APLICACIÓN DEL MODELO DE REGRESIÓN LINEAL MULTIPLE
El usuario debe verificar que la información cargada esta completa; para esto se debe
entrar a la hoja de SPSS “vista de variables” y revisar que en la columna “tipo”, todos
los datos aparezcan como “numérico”.
Si algún dato aparece con otro nombre, es porque hay errores en el archivo de Excel,
por tanto hay que corregirlos y cargar el archivo nuevamente.
58
MANUAL DE APLICACIÓN DEL MODELO DE REGRESIÓN LINEAL MULTIPLE
Para generar el Stepwise en SPSS el usuario debe entrar por el menú de la parte superior
“Analizar” a la opción “Regresión logística binaria”, la cual corresponde a los modelos tipo
“LOGIT”
59
MANUAL DE APLICACIÓN DEL MODELO DE REGRESIÓN LINEAL MULTIPLE
Generación STEPWISE
60
MANUAL DE APLICACIÓN DEL MODELO DE REGRESIÓN LINEAL MULTIPLE
Las variables independientes son: Los indicadores financieros, las variables dummies y
las variables combinadas. La variable dependiente es el indicador de Default. Se
seleccionan las variables independientes y con la tecla con le signo flecha a la derecha
las paso al campo de las variables covariables y luego se selecciona la variable Default y
se pasa al otro lado ál item dependiente.
61
MANUAL DE APLICACIÓN DEL MODELO DE REGRESIÓN LINEAL MULTIPLE
Se debe elegir el modelo (Paso) con mayor Hosmer Lemeshow. La siguiente tabla
muestra la prueba de Hosmer Lemeshow para cada paso o modelo generado por el
sistema.
62
MANUAL DE APLICACIÓN DEL MODELO DE REGRESIÓN LINEAL MULTIPLE
Ahora que se tiene el paso o modelo se debe ver que variables lo definieron Se debe
buscar la siguiente tabla:
Variables en la ecuacióng
Paso
c
C1PACID ,779 ,323 5,818 1 ,016 2,180
3 D5ROTACT 1,540 ,386 15,945 1 ,000 4,665
D11MGNET ,630 ,211 8,928 1 ,003 1,877
Constante -1,750 ,398 19,346 1 ,000 ,174
Paso
d
VTAS_ACT ,003 ,004 ,471 1 ,492 1,003
4 C1PACID ,802 ,324 6,122 1 ,013 2,229
D5ROTACT 1,652 ,401 17,001 1 ,000 5,217
D11MGNET ,616 ,211 8,513 1 ,004 1,852
Constante -1,866 ,413 20,373 1 ,000 ,155
Ahora que se conoce el modelo, se debe correr únicamente este, bajo la metodología
Logit por el método Introducir como se muestra a continuación.
63
MANUAL DE APLICACIÓN DEL MODELO DE REGRESIÓN LINEAL MULTIPLE
64
MANUAL DE APLICACIÓN DEL MODELO DE REGRESIÓN LINEAL MULTIPLE
De esta forma el sistema procesa la información, genera el reporte del modelo. Con los
resultados se debe evaluar la significancia individual de las variables, es decir, si las
variables son significativas.
eZ
F (Z ) =
1+ eZ
Donde: F(z) es la variable dependiente en función de la Z. F(z) es la Probabilidad de
incumplimiento.
Los betas Bo, B1….Bn, representan la ponderación de cada variable dentro del modelo.
SPSS calcula las probabilidades de incumplimiento (PI) de los clientes que pertenecen a
la muestra del modelo. Para los demás clientes , que no pertenecen a la base de datos,
es necesario aplicar la formula de F(Z) o probabilidad de incumplimiento de forma manual
o a través de un archivo de excel.
65
MANUAL DE APLICACIÓN DEL MODELO DE REGRESIÓN LINEAL MULTIPLE
66
MANUAL DE APLICACIÓN DEL MODELO DE REGRESIÓN LINEAL MULTIPLE
BIBLIOGRAFIA
67