Universidad Nacional de San Agustín de Arequipa

Facultad de Economía
Escuela Profesional de Economía
Departamento Académico de Economía

Asignatura
Estadística para Economistas 3

Guía de práctica
Medidas de ajuste

Carlos Pedro Vera Ninacondor

Arequipa–Perú
2021
Contenido

1. Medidas de ajuste de la regresión

1.1. Coeficiente de determinación (𝑅 2 )
1.2. Varianza de la regresión
1.3. El error estándar de la regresión
1.4. Caso resuelto
1.4.1. Datos
1.4.2. Especificación del modelo de regresión poblacional lineal
1.4.3. Especificación del modelo de regresión muestral lineal
1.4.4. Construcción de la matriz de sumas
1.4.5. Cálculo del estimador MCO de la pendiente 𝛽1 de la recta de regresión poblacional
1.4.6. Cálculo del estimador MCO del término constante 𝛽0 de la recta de regresión
poblacional
1.4.7. Estimación de la recta de regresión muestral MCO
1.4.8. Interpretación de los estimadores MCO de los coeficientes 𝛽0 y 𝛽1 de la recta de
regresión poblacional
1.4.9. Predicción MCO de la variable dependiente dado un valor de la variable
independiente
1.4.10. Estimación de los residuos MCO
1.4.11. Cálculo del coeficiente de determinación (𝑅2 ) de la regresión
1.4.12. Cálculo de la varianza de la regresión
1.4.13. Cálculo del error estándar de la regresión (𝐸𝑆𝑅 )

Bibliografía

2
1. Medidas de ajuste de la regresión
“El 𝑅2 y el error estándar de la regresión miden la bondad del ajuste de la recta de regresión
MCO a los datos” (Stock y Watson, 2012, p. 85).

1.1. Coeficiente de determinación (𝑹𝟐 )

- El 𝑅2 de la regresión es la proporción de la varianza muestral de 𝑌𝑖 explicada por 𝑋𝑖 .
- El 𝑅2 es el cociente de la varianza muestral de 𝑌̂𝑖 entre la varianza muestral de 𝑌𝑖 .
- El 𝑅2 puede escribirse como el cociente entre la suma explicada (de cuadrados) y la suma
total (de cuadrados).
- La suma explicada (SE) es la suma de las desviaciones al cuadrado de los valores de
predicción de 𝑌𝑖 , 𝑌̂𝑖 , respecto de su media.
- La suma total (ST) es la suma de los cuadrados de las desviaciones de 𝑌𝑖 respecto de su
media.
- Los valores de predicción de 𝑌𝑖 , 𝑌̂𝑖 , Minimizando la suma de los residuos elevados al
cuadrado
𝑛 𝑛
2 2
𝑆𝐸 = ∑ (𝑌̂𝑖 − 𝑌̂𝑖 ) = ∑(𝑌̂𝑖 − 𝑌̅)
𝑖=1 𝑖=1
𝑛

𝑆𝑇 = ∑(𝑌𝑖 − 𝑌̅)2
𝑖=1
2
- El 𝑅 es la ratio entre la suma explicada y la suma total
𝑆𝐸
𝑅2 =
𝑆𝑇
- El 𝑅 2 puede expresarse asimismo como 1 menos el cociente entre la suma de los
cuadrados de los residuos y la suma total:
𝑆𝑅
𝑅2 = 1 −
𝑆𝑇
- El 𝑅 2 de la regresión de Y sobre un único regresor X es el cuadrado del coeficiente de
correlación entre 𝑌 y 𝑋.
- El 𝑅2 toma valores entre 0 y 1.

3
- Un 𝑅 2 cercano a 1 indica que el regresor es un buen predictor de 𝑌𝑖 , mientras que un 𝑅 2
cercano a 0 indica que el regresor no es un muy buen predictor de 𝑌𝑖 .

1.2. Varianza de la regresión

La varianza de la regresión es un estimador de la varianza del error de regresión 𝑢𝑖 . Para
calcular la varianza de la regresión se utiliza la siguiente fórmula
𝑛
1 2
𝑠𝑢̂2 = × ∑(𝑢̂𝑖 − 𝑢̂ )
𝑛−2
𝑖=1

Como la media muestral de los residuos es cero ( 𝑢̂ = 0), entonces remplazando

𝑛
1
𝑠𝑢̂2 = × ∑(𝑢̂𝑖 − 0)2
𝑛−2
𝑖=1
𝑛
1
𝑠𝑢̂2 = × ∑ 𝑢̂𝑖2
𝑛−2
𝑖=1

1
𝑠𝑢̂2 = × 𝑆𝑅
𝑛−2
Donde
𝑠𝑢̂2 es la varianza de la regresión.
𝑛 es el número de observaciones en la muestra.
𝑢̂𝑖 es el residuo MCO.
𝑆𝑅 es la suma de los cuadrados de los residuos 𝑢̂𝑖 (suma residual)

1.3. El error estándar de la regresión

“El error estándar de la regresión (ESR) es un estimador de la desviación típica del error de
regresión 𝑢𝑖 . Las unidades de 𝑢𝑖 e 𝑌𝑖 son las mismas, por lo que el ESR es una medida de la
dispersión de las observaciones en torno a la recta de regresión, medida en las unidades de
la variable dependiente” (Stock y Watson, 2012, p. 86).
El error estándar de la regresión es la raíz cuadrada positiva de la varianza de la regresión,
cuya fórmula es la siguiente

4
 𝑛
1 2
𝑠𝑢̂ = √ × ∑(𝑢̂𝑖 − 𝑢̂ )
𝑛−2
𝑖=1

Como la media muestral de los residuos es cero ( 𝑢̂ = 0), entonces remplazando

𝑛
1
𝑠𝑢̂ = √ × ∑(𝑢̂𝑖 − 0)2
𝑛−2
𝑖=1

𝑛
1
𝑠𝑢̂ = √ × ∑ 𝑢̂𝑖2
𝑛−2
𝑖=1

1
𝑠𝑢̂ = √ × 𝑆𝑅
𝑛−2

Donde
𝑠𝑢̂ es el error estándar de la regresión.
𝑛 es el número de observaciones en la muestra.
𝑢̂𝑖 es el residuo MCO.
𝑆𝑅 es la suma de los cuadrados de los residuos 𝑢̂𝑖 (suma residual).

1.4. Caso resuelto

1.4.1. Datos
Considerando los datos presentados en la Tabla 1, calcular el coeficiente de determinación
(𝑅2 ) de la regresión, la varianza de la regresión, el error estándar de la regresión (𝐸𝑆𝑅 ).

5
Tabla 1. Nota lograda y horas de estudio semanal de estudiantes
Nota lograda Horas de estudio semanal
Estudiante
𝑌𝑖 𝑋𝑖
1 8 5
2 10 5
3 15 7
4 11 5
5 15 15
6 10 6
7 8 3
8 14 29
9 15 35
10 7 3
11 10 42
12 14 16
13 19 9
14 12 13
15 14 10
16 14 7
17 9 15
18 15 20
19 6 6
20 15 20
21 16 24
22 6 3
23 5 10
24 18 15
25 12 15
26 10 21
27 7 5
28 11 21
29 9 5
30 8 3
31 16 24
32 12 13
33 12 40
34 14 5
35 5 6
36 14 19
37 15 24
38 11 5
39 15 18
40 12 6
Fuente: Cuestionario aplicado a estudiantes de Métodos Cuantitativos 1, 2016.
Elaboración: Autoría propia.

6
1.4.2. Especificación del modelo de regresión poblacional lineal
Considerando lo presentado en el punto 1.1, para este caso, se especifica el modelo de
regresión poblacional lineal siguiente
𝑌𝑖 = 𝛽0 + 𝛽1 𝑋𝑖 + 𝑢𝑖
Donde
𝑌𝑖 es el valor de la nota lograda por el i-ésimo estudiante en la población.
𝑋𝑖 es el valor de las horas de estudio semanal del el i-ésimo estudiante en la población.
𝛽0 + 𝛽1 𝑋𝑖 es la función de regresión poblacional lineal.
𝛽0 es el término constante de la recta de regresión poblacional, el cual es desconocido.
𝛽1 es la pendiente de la recta de regresión poblacional, el cual es desconocido.
𝑢𝑖 es el término de error, el cual es desconocido.

1.4.3. Especificación del modelo de regresión muestral lineal

Considerando lo presentado en el punto 1.2, para este caso, se especifica el modelo de
regresión muestral lineal siguiente
𝑌𝑖 = 𝛽̂0 + 𝛽̂1 𝑋𝑖 + 𝑢̂𝑖
Donde
𝑌𝑖 es el valor de la nota lograda por el i-ésimo estudiante en la muestra.
𝑋𝑖 es el valor de las horas de estudio del el i-ésimo estudiante en la muestra.
𝛽̂0 es el estimador del término constante 𝛽0 de la recta de regresión poblacional.
𝛽̂1 es el estimador de la pendiente 𝛽1 de la recta de regresión poblacional, y se espera que
sea positivo.
𝑢̂𝑖 es el residuo, es el estimador del término de error 𝑢𝑖 .

1.4.4. Construcción de la matriz de sumas

7
Tabla 2. Matriz de sumas
𝑛𝑖 𝑌𝑖 𝑋𝑖 𝑌𝑖 𝑋𝑖 𝑋𝑖2 𝑌𝑖2
1 8 5 40 25 64
2 10 5 50 25 100
3 15 7 105 49 225
4 11 5 55 25 121
5 15 15 225 225 225
6 10 6 60 36 100
7 8 3 24 9 64
8 14 29 406 841 196
9 15 35 525 1 225 225
10 7 3 21 9 49
11 10 42 420 1 764 100
12 14 16 224 256 196
13 19 9 171 81 361
14 12 13 156 169 144
15 14 10 140 100 196
16 14 7 98 49 196
17 9 15 135 225 81
18 15 20 300 400 225
19 6 6 36 36 36
20 15 20 300 400 225
21 16 24 384 576 256
22 6 3 18 9 36
23 5 10 50 100 25
24 18 15 270 225 324
25 12 15 180 225 144
26 10 21 210 441 100
27 7 5 35 25 49
28 11 21 231 441 121
29 9 5 45 25 81
30 8 3 24 9 64
31 16 24 384 576 256
32 12 13 156 169 144
33 12 40 480 1 600 144
34 14 5 70 25 196
35 5 6 30 36 25
36 14 19 266 361 196
37 15 24 360 576 225
38 11 5 55 25 121
39 15 18 270 324 225
40 12 6 72 36 144
𝑛 𝑛 𝑛 𝑛 𝑛

Suma ∑ 𝑌𝑖 = 469 ∑ 𝑋𝑖 = 553 ∑ 𝑌𝑖 𝑋𝑖 = 7 081 ∑ 𝑋𝑖2 = 11 753 ∑ 𝑌𝑖2 = 6 005

𝑖=1 𝑖=1 𝑖=1 𝑖=1 𝑖=1
Fuente: Tabla 1.
Elaboración: Autoría propia.

8
1.4.5. Cálculo del estimador MCO de la pendiente 𝜷𝟏 de la recta de regresión
poblacional
Para calcular se utiliza la fórmula estimada en el punto 1.3
𝑛 𝑛 𝑛

𝑛 ∑ 𝑌𝑖 𝑋𝑖 − ∑ 𝑌𝑖 ∑ 𝑋𝑖
𝑖=1 𝑖=1 𝑖=1
𝛽̂1 =
𝑛 𝑛 2

𝑛 ∑ 𝑋𝑖2 − (∑ 𝑋𝑖 )
𝑖=1 𝑖=1

Remplazando
40(7 081) − (469)(553)
𝛽̂1 =
40(11 753) − (553)2
283 240 − 259 357
𝛽̂1 =
470 120 − 305 809
23 883
𝛽̂1 =
164 311
𝛽̂1 = 0,145352411

1.4.6. Cálculo del estimador MCO de la constante 𝜷𝟎 de la recta de regresión

poblacional
Para calcular se utiliza la fórmula estimada en el punto 1.3
𝑛 𝑛

∑ 𝑌𝑖 ∑ 𝑋𝑖
𝑖=1 𝑖=1
𝛽̂0 = − 𝛽̂1
𝑛 𝑛

Remplazando
469 553
𝛽̂0 = − (0,145352411) ( )
40 40
𝛽̂0 = 11,725 − 2,009497082
𝛽̂0 = 9,715502918

9
1.4.7. Estimación de la recta de regresión muestral MCO
Los valores calculados en el punto 1.6.5 y en el punto 1.6.6 se remplazan en la recta de
regresión muestral MCO presentada en el puto 1.4, con lo cual se obtiene
𝑌̂𝑖 = 9,715502918 + 0,145352411𝑋𝑖
Donde
La recta de regresión estimada muestra una relación positiva entre la nota lograda
y las horas de estudio semanal del estudiante. Si las horas de estudio semanal
aumenta en una hora, la regresión estimada predice que la nota lograda aumentará
en 0,145352411 puntos.

1.4.8. Interpretación de los estimadores MCO de los coeficientes 𝜷𝟎 y 𝜷𝟏 de la recta

regresión poblacional
𝛽̂0 = 9,715502918
El término constante de 9,715502918 significa que es el valor de la nota lograda por
el estudiante cuando las horas de estudio semanal es cero.
𝛽̂1 = 0,145352411
La pendiente de 0,145352411 significa que un aumento en las horas de estudio
semanal en una hora del estudiante está, en promedio, asociado a un aumento en
la nota lograda de 0,145252411 puntos. La pendiente positiva indica que cuantas
más horas de estudio semanal, mayor nota lograda.

1.4.9. Predicción MCO de la variable dependiente dado un valor de la variable

independiente
Para ello, se utiliza la recta de regresión muestral MCO estimada en el punto 1.6.7, la cual
es la siguiente
𝑌̂𝑖 = 9,715502918 + 0,145352411𝑋𝑖

10
Tabla 3. Predicción de la nota lograda dado un valor de las horas de estudio semanal
𝑛𝑖 𝑌𝑖 𝑋𝑖 𝑌̂𝑖 = 9,715502918 + 0,145352411𝑋𝑖 𝑌̂𝑖
1 8 5 9,715502918 + 0,145352411(5) 10,442264973
2 10 5 9,715502918 + 0,145352411(5) 10,442264973
3 15 7 9,715502918 + 0,145352411(7) 10,732969795
4 11 5 9,715502918 + 0,145352411(5) 10,442264973
5 15 15 9,715502918 + 0,145352411(15) 11,895789083
6 10 6 9,715502918 + 0,145352411(6) 10,587617384
7 8 3 9,715502918 + 0,145352411(3) 10,151560151
8 14 29 9,715502918 + 0,145352411(29) 13,930722837
9 15 35 9,715502918 + 0,145352411(35) 14,802837303
10 7 3 9,715502918 + 0,145352411(3) 10,151560151
11 10 42 9,715502918 + 0,145352411(42) 15,820304180
12 14 16 9,715502918 + 0,145352411(16) 12,041141494
13 19 9 9,715502918 + 0,145352411(9) 11,023674617
14 12 13 9,715502918 + 0,145352411(13) 11,605084261
15 14 10 9,715502918 + 0,145352411(10) 11,169027028
16 14 7 9,715502918 + 0,145352411(7) 10,732969795
17 9 15 9,715502918 + 0,145352411(15) 11,895789083
18 15 20 9,715502918 + 0,145352411(20) 12,622551138
19 6 6 9,715502918 + 0,145352411(6) 10,587617384
20 15 20 9,715502918 + 0,145352411(20) 12,622551138
21 16 24 9,715502918 + 0,145352411(24) 13,203960782
22 6 3 9,715502918 + 0,145352411(3) 10,151560151
23 5 10 9,715502918 + 0,145352411(10) 11,169027028
24 18 15 9,715502918 + 0,145352411(15) 11,895789083
25 12 15 9,715502918 + 0,145352411(15) 11,895789083
26 10 21 9,715502918 + 0,145352411(21) 12,767903549
27 7 5 9,715502918 + 0,145352411(5) 10,442264973
28 11 21 9,715502918 + 0,145352411(21) 12,767903549
29 9 5 9,715502918 + 0,145352411(5) 10,442264973
30 8 3 9,715502918 + 0,145352411(3) 10,151560151
31 16 24 9,715502918 + 0,145352411(24) 13,203960782
32 12 13 9,715502918 + 0,145352411(13) 11,605084261
33 12 40 9,715502918 + 0,145352411(40) 15,529599358
34 14 5 9,715502918 + 0,145352411(5) 10,442264973
35 5 6 9,715502918 + 0,145352411(6) 10,587617384
36 14 19 9,715502918 + 0,145352411(19) 12,477198727
37 15 24 9,715502918 + 0,145352411(24) 13,203960782
38 11 5 9,715502918 + 0,145352411(5) 10,442264973
39 15 18 9,715502918 + 0,145352411(18) 12,331846316
40 12 6 9,715502918 + 0,145352411(6) 10,587617384
𝑛 𝑛
1 1 1 1
𝑛 = 40 𝑌̅ = × ∑ 𝑌𝑖 = × 469 = 11,725 𝑌̂ = × ∑ 𝑌̂𝑖 = × 469 = 11,725
𝑛 40 𝑛 40
𝑖=1 𝑖=1
Fuente: Tabla 1, ítem 1.4.d.
Elaboración: Autoría propia.

11
1.4.10. Estimación de los residuos MCO
Tabla 4. Residuos y residuos elevados al cuadrado MCO
𝑛𝑖 𝑌𝑖 𝑌̂𝑖 𝑢̂𝑖 = 𝑌𝑖 − 𝑌̂𝑖 𝑢̂𝑖2
1 8 10,442264973 -2,442264973 5,964658198
2 10 10,442264973 -0,442264973 0,195598306
3 15 10,732969795 4,267030205 18,207546770
4 11 10,442264973 0,557735027 0,311068360
5 15 11,895789083 3,104210917 9,636125417
6 10 10,587617384 -0,587617384 0,345294190
7 8 10,151560151 -2,151560151 4,629211083
8 14 13,930722837 0,069277163 0,004799325
9 15 14,802837303 0,197162697 0,038873129
10 7 10,151560151 -3,151560151 9,932331385
11 10 15,820304180 -5,820304180 33,875940748
12 14 12,041141494 1,958858506 3,837126647
13 19 11,023674617 7,976325383 63,621766615
14 12 11,605084261 0,394915739 0,155958441
15 14 11,169027028 2,830972972 8,014407968
16 14 10,732969795 3,267030205 10,673486360
17 9 11,895789083 -2,895789083 8,385594413
18 15 12,622551138 2,377448862 5,652263091
19 6 10,587617384 -4,587617384 21,046233262
20 15 12,622551138 2,377448862 5,652263091
21 16 13,203960782 2,796039218 7,817835309
22 6 10,151560151 -4,151560151 17,235451687
23 5 11,169027028 -6,169027028 38,056894472
24 18 11,895789083 6,10421917 37,261390919
25 12 11,895789083 0,104210917 0,010859915
26 10 12,767903549 -2,767903549 7,661290057
27 7 10,442264973 -3,442264973 11,849188144
28 11 12,767903549 -1,767903549 3,125482959
29 9 10,442264973 -1.442264973 2,080128252
30 8 10,151560151 -2.151560151 4,629211083
31 16 13,203960782 2,796039218 7,817835309
32 12 11,605084261 0,394915739 0,155958441
33 12 15,529599358 -3,529599358 12,458071628
34 14 10,442264973 3,557735027 12,657478522
35 5 10,587617384 -5,587617384 31,221468030
36 14 12,477198727 1,522801273 2,318923717
37 15 13,203960782 1,796039218 3,225756873
38 11 10,442264973 0,557735027 0,311068360
39 15 12,331846316 2,668153684 7,119044081
40 12 10,587617384 1,412382616 1,994824654
𝑛 𝑛

𝑛 = 40 Suma ∑ 𝑢̂𝑖 = −0,000000003 ∑ 𝑢̂𝑖2 = 419,188709216

𝑖=1 𝑖=1
Fuente: Tabla 1, Tabla 3.
Elaboración: Autoría propia.

12
1.4.11. Cálculo del coeficiente de determinación (𝑹𝟐 ) de la regresión
Primera forma
Para calcular el coeficiente de determinación (𝑅2 ) se sigue los siguientes pasos:
Primero, se calcula la media aritmética de los valores de predicción de la variable
dependiente (𝑌̂𝑖 ), lo que se presenta en la Tabla 3.
𝑛
1 1
𝑌̂ = 𝑌̅ = × ∑ 𝑌̂𝑖 = × 469 = 11,725
𝑛 40
𝑖=1

Segundo, se calcula la suma explicada (SE), que es la suma de los cuadrados de las
desviaciones de los valores de predicción 𝑌̂𝑖 respecto de su media, lo que se presenta en la
Tabla 5.
𝑛
2
∑(𝑌̂𝑖 − 𝑌̅) = 86,786290812
𝑖=1

Tercero, se calcula la media aritmética de la variable dependiente (𝑌𝑖 ) lo que se presenta

en la Tabla 3.
𝑛
1 1
𝑌̅ = × ∑ 𝑌𝑖 = × 469 = 11,725
𝑛 40
𝑖=1

Cuarto, se calcula la suma total (ST), que es la suma de los cuadrados de las desviaciones de
la variable dependiente 𝑌𝑖 respecto de su media, lo que se presenta en la Tabla 5.
𝑛

∑(𝑌𝑖 − 𝑌̅ )2 = 505,975000
𝑖=1

Quinto, se calcula el coeficiente de determinación (𝑅2 ) con la fórmula dada en el punto

1.6.1.
Fórmula
𝑆𝐸
𝑅2 =
𝑆𝑇
Remplazando
86,786290812
𝑅2 = = 0,171522883
505,975

13
Segunda forma
Para calcular el coeficiente de determinación (𝑅2 ) se sigue los siguientes pasos:
Primero, se calcula la suma residual (SR), que es la suma de los cuadrados de los residuos
𝑢̂𝑖 , lo que se presenta en la Tabla 4.
𝑛 𝑛 𝑛
2
∑(𝑢̂𝑖 − 𝑢̂𝑖 ) = ∑(𝑢̂𝑖 − 0 )2 = ∑ 𝑢̂𝑖 2 = 419,188709216
𝑖=1 𝑖=1 𝑖=1

Segundo, se calcula la media aritmética de la variable dependiente (𝑌𝑖 ) lo que se presenta

en la Tabla 3.
𝑛
1 1
𝑌̅ = × ∑ 𝑌𝑖 = × 469 = 11,725
𝑛 40
𝑖=1

Tercero, se calcula la suma total (ST), que es la suma de los cuadrados de las desviaciones
de la variable dependiente 𝑌𝑖 respecto de su media, lo que se presenta en la Tabla 5.
𝑛

∑(𝑌𝑖 − 𝑌̅ )2 = 505,975000
𝑖=1

Cuarto, se calcula el coeficiente de determinación (𝑅2 ) con la fórmula dada en el punto

1.6.1.
Fórmula
𝑆𝑅
𝑅2 = 1 −
𝑆𝑇
Remplazando
419,188709216
𝑅2 = 1 − = 0,171522883
505,975
Interpretación del coeficiente de determinación (𝑹𝟐 ) de la regresión
𝑅2 = 0,171522883
Significa que el 17,1522883 % (100 × 0,171522883) de los cambios en la nota
lograda es explicado por las horas de estudio semanal del estudiante.

14
Tabla 5. Suma explicada (SE) y suma total (ST)
2
𝑛𝑖 𝑌𝑖 𝑌̂𝑖 (𝑌𝑖 − 𝑌̅)2 (𝑌̂𝑖 − 𝑌̅)
1 8 10,442264973 13,875625 1,645409150
2 10 10,442264973 2,975625 1,645409150
3 15 10,732969795 10,725625 0,984123928
4 11 10,442264973 0.525625 1,645409150
5 15 11,895789083 10,725625 0,029168911
6 10 10,587617384 2,975625 1,293639215
7 8 10,151560151 13,875625 2,475712959
8 14 13,930722837 5,175625 4,865213233
9 15 14,802837303 10,725625 9,473082463
10 7 10,151560151 22,325625 2,475712959
11 10 15,820304180 2,975625 16,771516326
12 14 12,041141494 5,175625 0,099945444
13 19 11,023674617 52,925625 0,491857293
14 12 11,605084261 0,075625 0,014379784
15 14 11,169027028 5,175625 0,309105946
16 14 10,732969795 5,175625 0,984123928
17 9 11,895789083 7,425625 0,029168911
18 15 12,622551138 10,725625 0,805598045
19 6 10,587617384 32,775625 1,293639215
20 15 12,622551138 10,725625 0,805598045
21 16 13,203960782 18,275625 2,187324994
22 6 10,151560151 32,775625 2,475712959
23 5 11,169027028 45225625 0,309105946
24 18 11,895789083 39,375625 0,029168911
25 12 11,895789083 0,075625 0,029168911
26 10 12,767903549 2,975625 1,087647812
27 7 10,442264973 22,325625 1,645409150
28 11 12,767903549 0,525625 1,087647812
29 9 10,442264973 7,425625 1,645409150
30 8 10,151560151 13,875625 2,475712959
31 16 13,203960782 18,275625 2,187324994
32 12 11,605084261 0.075625 0,014379784
33 12 15,529599358 0,075625 14,474976274
34 14 10,442264973 5,175625 1,645409150
35 5 10,587617384 45,225625 1,293639215
36 14 12,477198727 5,175625 0,565802925
37 15 13,203960782 10,725625 2,187324994
38 11 10,442264973 0,525625 1,645409150
39 15 12,331846316 10,725625 0,368262451
40 12 10,587617384 0,075625 1,293639215
40 40
2
∑(𝑌𝑖 − 𝑌̅)2 ∑(𝑌̂𝑖 − 𝑌̅)
𝑛 = 40 𝑌̅ = 11,725 𝑌̂ = 11,725 𝑖=1 𝑖=1
505,975000 86,786290812
Fuente: Tabla 3.
Elaboración: Autoría propia.

15
1.4.12. Cálculo de la varianza de la regresión
Para calcular la varianza de la regresión (𝑠𝑢̂2 ) se utiliza la fórmula dada en el punto 1.6.2.
Fórmula
𝑛
1
𝑠𝑢̂2 = × ∑ 𝑢̂𝑖2
𝑛−2
𝑖=1

Remplazando
1
𝑠𝑢̂2 = × 419,188709216 = 11,031281822
40 − 2

1.4.13. Cálculo del error estándar de la regresión (ESR)

Para calcular el error estándar de la regresión (𝑠𝑢̂ ), que es la raíz cuadrada positiva de la
varianza de la regresión, se utiliza la fórmula presentada en el punto 1.6.3.
Fórmula

𝑛
1
𝑠𝑢̂ = √ × ∑ 𝑢̂𝑖2
𝑛−2
𝑖=1

Remplazando

1
𝑠𝑢̂ = √ × 419,188709216 = 3,3213373544
38 − 2

16
Bibliografía

Gujarati, D. N., y Porter, D. C. (2010). Econometría. México, D. F., México: McGRAW-HILL/

INTERAMERICANA EDITORES, S. A. de C. V.
Stock, J. H., y Watson, M. M. (2012). Introducción a la Econometría. Madrid, España:
PEARSON EDUCACIÓN, S. A.

17