UNIVERSIDAD CENTRAL – SEDE LA PAZ Método de MCO (Mínimos Cuadrados Ordinarios)

Ingeniería Financiera Regresión poblacional:

Materia: Econometría Yt = 1 + 2 X 2t + .... + k X kt + t
Periodo: II/2022 Regresión muestral:
Prof.: Miguel V. Quisbert F.     
Yt =  1 + 2 X 2t + 3 X 3t + ..... +  k X kt + uk
 T T 
MODELO LINEAL GENERAL
min Q(  ) = min
  et2 = min


 (Yt − Yt )2
T =1  T =1
Tipos de Datos:
- Series temporales - Sección cruzada 
- Datos de panel Donde:  = ( X ' X )−1 X ' Y
Matricialmente se tiene:
✓ Modelos:
-Lineal:  
 1    Yt
−1

Yt = 1 + 2 X 2t + t  T

X 2t ....... X 

kt



 
2    X 2t X X X   Yt X 2t 
2
2t ....... 2t kt 
-Logarítmica (Log-Log):  
 .  =  . . . 
 . 
log(Yt ) = 1 + 2 log( X 2t ) + t   
 .   . . .   . 
-Logarítmica – Lineal (Log-lin):      
  k    X kt  X 2t X kt ...  X kt ( K K )   Yt X kt ( K 1)
2

log(Yt ) = 1 + 2 X 2t + t 
 ( K 1)
-Lineal – Logarítmica (Lin-Log): Donde ( 𝑇 es el tamaño de la muestra.)
Yt = 1 + 2 log( X 2t ) + t
-Reciproco: Talque:
1 SCT = SCE + SCR
Yt = 1 +  2 + t
X 2t - Suma de Cuadrados Totales (SCT)
- Suma de Cuadrados Explicados (SCE)
-Logarítmico Reciproco:
- Suma de Cuadrados Residuales (SCR)
1
log(Yt ) = 1 +  2 + t Donde:
X 2t 
✓ Efecto Marginal: - SCT = Y 'Y − TY 2 - SCE =  ´ X ' Y − TY 2
Yt
= k 2
X kt − 𝑆𝐶𝑅 = ∑(𝑌𝑖 − 𝑌̂𝑖 ) = 𝑢̂′ 𝑢̂ = 𝑌 ′ 𝑌 − 𝛽̂ 𝑋′𝑌
Si X kt aumenta en una unidad 𝑌 aumenta en 𝛽 unidades si
se mantiene constante 𝑋𝑘 . ✓ Bondad de Ajuste:

✓ Análisis de la Forma Funcional del Modelo 

SCE  ´ X ' Y − TY 2 e 'e
R =2
= = 1− =
SCT Y ' Y − TY 2
Y ' Y − TY 2
Modelo Pendiente Elasticidad(=𝑑𝑌/𝑑𝑋 ∗ 𝑋/𝑌)
Lineal 𝛽2 𝛽2 ∗ (𝑋/𝑌)∗
Interpretación: El  % de la variabilidad de la V.D. es
Log-log 𝛽2 ∗ (𝑌/𝑋) 𝛽2
explicada por las variables independientes X (1), X (2) ,.., X(n).
Log-lin 𝛽2 ∗ (𝑌) 𝛽2 ∗ (𝑋)∗
Lin-log 𝛽2 ∗ (1/𝑋) 𝛽2 ∗ (1/𝑌)∗ ✓ El 𝑹𝟐 Ajustado:
∗
Reciproco 𝛽2 ∗ (1/𝑋 2 ) 𝛽2 ∗ (1/𝑋 ∗ 𝑌) _
K −1
2 ∗ -R
2
= 1 − (1 − R 2 )( )
Log-reciproco 𝛽2 *(𝑌/𝑋 ) 𝛽2 ∗ (1/𝑋) T −K
_
Donde: R2  R2 ^ 0  R2  1

(*) Indica que el coeficiente de elasticidad es variable, dependiendo del valor tomado por X o por Y, o por ambas. En la práctica, cuando no se especifican
los valores de X y de Y , es muy frecuente medir estas elasticidades por sus valores medios
✓ Matriz de Varianzas y Covarianzas de los 𝐻0 : 𝛽2 = 𝛽3 = ⋯ = 𝛽𝑘 ; 𝐻1 : 𝛽𝑖 ≠ 0 (Algún
estimadores : regresor es significativo)

Var − Cov( ) =  2 ( X ' X )−1
𝑇−𝐾 𝑅2
Matricialmente: 𝐹𝑐 = ( )( ) ~ 𝐹(1−𝛼, 𝐾−1, 𝑇−𝐾)
𝐾 − 1 1 − 𝑅2
 a11 a1k 

 
Var − Cov(  ) =  u  2
 Regla de decisión: Si Fcal > Ftab se RHo, y si
a akT ( K  K )
 k1 Fcal < Ftab no RHo
Por tanto:
CONTRASTE GENERAL DE
o Varianzas
 
RESTRICCIONES LINEALES
Var ( 1 ) =  2 a11 , Var ( 2 ) =  2 a22 ……….,
 • TEST RB
Var ( k ) =  2 akk
 En general:
Entonces:   =  aii (Desviación Típica)
2
i 𝐻0 : 𝑅𝐵 = 𝑟 ; 𝐻1 : 𝑅𝐵 ≠ 𝑟
o Covarianzas Donde:
Cov(1 , 2 ) =  2 a12 , Cov(1 , 3 ) =  2 a13 ,………, 𝑅𝑞×𝐾 𝐵𝐾×1 = 𝑟𝑞×1
K: Numero de parámetros
Cov( i ,  j ) =  2 aij / i  j
q: Numero de restricciones ≥ 1
✓ Varianza poblacional

SCR Estadístico de contraste de Wald:
 u2 =
T −K
1 ′ −1
INFERENCIA EN EL MODELO LINEAL 𝑊= (𝑅𝛽̂ − 𝑟) [𝜎̂2 𝑅(𝑋 ′ 𝑋)−1 𝑅′ ] (𝑅𝛽̂ − 𝑟) ~
𝑞
GENERAL.
• Prueba de significancia individual
𝐹(1−𝛼, 𝑞, 𝑇−𝐾)

Dado el modelo: 𝑌𝑡 = 𝛽1 + 𝛽2 𝑋2𝑡 + ⋯ + 𝛽𝑘 𝑋𝑘𝑡 + 𝑢𝑡

Regla de decisión: Si W< Ftab no rechazamos Ho
Donde:
𝐻0 : 𝛽𝑖 = 𝛽 ∗ ; 𝐻1 : 𝛽𝑖 ≠ 𝛽 ∗ (Prueba de 2 colas)

𝛽̂𝑖 − 𝛽 ∗
𝑡𝑐 = ~ 𝑡(𝛼,𝑇−𝐾)
𝜎̂√𝑎𝑖𝑖 2

Reglas de decisión:
Tipo de Hipótesis Ho: Hip. Nula Ha: Hip. Alt. Regla de desc.
:Rech Ho si:
Dos Colas 𝛽2 = 𝛽 ∗ 𝛽2 ≠ 𝛽 ∗ |𝑡| > 𝑡𝛼⁄2
Cola Izquierda 𝛽2 ≥ 𝛽 ∗ 𝛽2 < 𝛽 ∗ 𝑡 < −𝑡𝛼⁄2
Cola Derecha 𝛽2 ≤ 𝛽 ∗ 𝛽2 > 𝛽 ∗ 𝑡 > −𝑡𝛼⁄2

• Prueba de significancia global

Realizado por: Miguel V. Quisbert
Dedicado a: AAB
Dado el modelo: 𝑌𝑡 = 𝛽1 + 𝛽2 𝑋2𝑡 + ⋯ + 𝛽𝑘 𝑋𝑘𝑡 + 𝑢𝑡
Donde: