Función de Regresión Muestral (FRM)

• Tenemos una población de 60 familias. El gasto

promedio de ellas suma: (121.2=$7.272/60)
• En la práctica no se dispone de las observaciones
totales de la población, sino sólo de una muestra:
• Ver Tabla: ingreso familiar=X; Gasto en consumo
semanal=Y
 Recta regresión lineal de la FRP
E(Y/Xi) = β1 + β2Xi
Donde los βi , son parámetros no conocidos,
denominados coeficientes de regresión.
En la práctica, estimar los βi no conocidos ,
con base en las observaciones de Y y X
Ver dos tablas con dos muestras aleatorias: M1 y M2
M1 Tabla 2.4 M2 Tabla 2.5

• La recta de regresión muestral representa la recta

de regresión poblacional, pero debido a las
fluctuaciones muestrales sólo puede ser
considerada como una aproximación.
Rectas de Regresión 2 muestras
FRP
• La función de regresión muestral puede escribirse
como:

Yˆi  ˆ1  ˆ2 X i

Donde Ŷi es el estimador de E(Yi|Xi), ̂1 es el
estimador de 1 y ̂ 2 es el estimador de 2

Definición: un estimador es una regla, fórmula o

método que permite estimar parámetros
poblacionales a partir de una muestra disponible
(el promedio es un estimador de la media
poblacional)
La FRM también tiene una representación
estocástica:
Yi  ˆ1  ˆ2 X i  uˆi
En términos de la regresión muestral Yi puede ser
expresada como:
Yi  Yˆi  uˆi
En términos de la regresión poblacional Yi puede ser
expresada como:

Yi  E(Yi | X i )  ui
 Estimadores

Los criterios que los econometristas utilizan para

definir un “buen” estimador son los siguientes:
• Costo computacional: rutinas sistematizadas, costo,
rapidez (Eviews, Gauss, RATS, SAS, SPSS, STATA,
SHAZAM)
 Estimadores

• Mínimos cuadrados
• Mayor R2
• Insesgamiento
• Eficiencia
• Error cuadrático medio
• Propiedades asintóticas
 Propiedades de un estimador
1. Insesgamiento: ̂ es un estimador es insesgado
si:
E ( ˆ )  

Es una propiedad deseable,

pero es complicado
justificar una estimación en
base a una “esperanza
 Propiedades de un estimador

2. Eficiencia o Mínima Varianza:̂ es un estimador

eficiente si no existe ningún otro estimador insesgado con
menor varianza que ̂ .

3. Error Cuadrático Medio (ECM): incorpora los

conceptos de eficiencia e insesgamiento, y se define de
la siguiente forma:

ˆ  

ˆ 2

  
ECM   E      Var ˆ  sesgo ˆ  2

El ECM es una medida de dispersión en torno al verdadero

valor del parámetro. El sesgo de un estimador insesgado , es
cero. Existe un trade-off entre un bajo sesgo y una baja
varianza.
• Muchas veces las propiedades deseables de
insesgamiento no se cumplen en muestras
pequeñas
• Cuando esto ocurre los econometristas pueden
justificar el uso de un estimador sobre la base de
sus propiedades asintóticas.
• Si la distribución asintótica del estimador
comienza a concentrarse en un valor particular (k)
a medida que la muestra tiende a infinito, k se dice
ser la probabilidad límite del estimador.
• Surge el concepto de consistencia
f ( ˆ )100 f ( ˆ ) 70

f ( ˆ ) 40

f ( ˆ )10


4. Consistencia: el estimador ̂ es consistente si
converge (en el límite) al verdadero valor del parámetro.

Convergencia en probabilidad (plim):

 
  0 lim Pr ˆ      1
n

• plim es el equivalente al insesgamiento en muestras grandes

• Si el estimador es consistente, a medida que se incrementa
el tamaño de la muestra la distribución muestral del
estimador tenderá a una línea vertical.
• Los criterios asintóticos sólo se utilizan en situaciones en
las cuales los estimadores con las propiedades tradicionales
no pueden ser encontradas
 Ejemplo: Yi  c  ui donde ui ~ N 0,  u2 
Poblacional   E  yi   c
Considere el siguiente   Var  yi   
2
y
2
u
estimador de la
esperanza de yn Muestral
1
̂  Y   Yi
n i 1 ¿Qué propiedades
tiene este estimador?
Insesgamiento:
E ˆ   E Y 
1 n 
 E   yi 
 n i 1 
1 n
  E  yi 
n i 1
1 n
 c
n i 1
E ˆ   c   Es insesgado
Eficiencia:
Considere el siguiente estimador alternativo:
̂1  Yi

 2
ˆ  Y E ˆ    Var ˆ   u
n
ˆ1  Yi E     Var     u
ˆ ˆ 2

Para cualquier n>1, ̂ tiene menor varianza, luego

será más eficiente ese estimador (insesgado)
Error Cuadrático Medio: al ser un estimador
insesgado el error cuadrático medio es igual a la
varianza del estimador

 u2
ECM ˆ   Var ˆ  
n

Consistencia (convergencia en error cuadrático

medio):
 u2
lim ECM ˆ   lim
Es
0 consistente
n n  n