Ensayo sobre introducción a la econometría capítulo 3 de Jeffrey M. Wooldridge.

Análisis de regresión múltiple: estimación

Autor:
BRAYAN STIVEN CARVAJAL MONTOYA

Programa Administración Financiera

Instituto de Educación a Distancia
Universidad del Tolima
Ibagué – Tolima
2022
El análisis de regresión “Es una de las técnicas que más se utilizan en estadística y es
utilizado para indagar, investigar o poder estimar la relación que puede existir entre
variable dependiente y el conjunto de variables independientes”, estas variables son
llamadas comúnmente como X(Variables independientes) y Y(Variables dependientes), en
las cuales siempre debe existir una variable dependiente y varias independientes o una
variable dependiente y una independiente, nunca varias dependientes con una o varias
independientes.
El método de regresión también permite poder separar de forma matemática a través de
diferentes cuestionamientos como, ¿Qué factores son los de mayor importancia?, ¿Qué
factores se podrían obviar o excluir del análisis de una data especifica?, ¿Cuál es la
relación que tienen entre las diferentes variables que se estén analizando?, este puede ser
positivo o negativo y en base a eso se debe tomar decisiones y un cuestionamiento final
pero no menos importante, es preguntarse qué tan seguro se siente uno con todos los
factores que se están analizando, la suma de todos estos cuestionamientos realizados al
momento de aplicar esta técnica(análisis de regresión), ayudara a mostrar un resultado lo
más exacto posible y a través del mismo apoyar a une organización, comunidad, región a
tomar la decisión más certera que ayudara al rendimiento de lo que se esté analizando.
Sabiendo que el análisis de regresión permite identificar qué factores son los más
importantes y qué relación tiene una variable con otra y sabiendo que existes dos tipos de
variables describiremos brevemente cada una de ella. Variable o variables dependiente (y)
también denominadas como “variables de respuesta o resultados” y es el factor más
importante, el cual se está tratando de comprender o predecir, adicional en un
experimento no son controladas, Variables independientes(x), también denominadas
como “variables predictivas o explicativas” estas son las que se consideran que pueden
impactar negativa o positivamente a una variable dependiente y generalmente
controladas en un experimento.

En el análisis de regresión múltiple veremos la motivación para la regresión múltiple

mecánica e interpretación de métodos cuadrados ordinarios valores esperados de los
estimadores MCO y la varianza de los estimadores de MCO

El análisis de regresión múltiple estimación permite controlar más factores que afectan a
las variables dependientes que es Y también nos permite de manera efectiva mantener
otros valores constantes mientras se examina el exceso de una determinada variable
independiente.
Motivación para la regresión múltiple

La motivación para la regresión múltiple tendremos el modelo de dos variables

independientes y el modelo Con k variables independientes en el modelo de dos variables
independientes pueden presentarse en general cómo la siguiente fórmula

Y=β0 + β1 X1 β2 X2 +µ

En el modelo con dos variables independientes el supuesto clave acerca de cómo está
relacionado u X1 con Y X2 es

E (u X1, X2) = 0

La interpretación de dicha condición es similar a la del supuesto regresión lineal simple

esta condición significa que para cualquier valor de x1 y x2 en la población el promedio del
efecto de los factores no observables es igual a cero.
Cómo en la regresión simple la parte importante de este valor supuesto es el valor
esperado de un Excel mismo para todas las combinaciones de x1 y x2; este valor común es
0 por lo tanto no es ningún supuesto siempre que el intercepto beta sin incluya en el
modelo.

Modelo con k variables independientes

También llamado modelo de regresión múltiple poblacional puede expresarse como:

Y = β0 + β1 x1 + β2 x2+ β3 x3 +…. +Bk Xk +µ

Cómo hay k variables independientes y un intercepto, la ecuación presentada contiene k +
1 parámetros poblacionales (desconocidos).
En la regresión múltiple la terminología es similar a la de la regresión simple y se presenta
en la siguiente tabla

Cómo es la regresión simple la variable u es el término de error o perturbación este

término contiene este término contiene los otros factores distintos de x1 x2..... Xk que
afectan a Y.
Es decir no importa cuántas variables explicativas x incluye el modelo ya que siempre
habrá factores que no se pueden incluir pero estarán dentro o estará contenido con las u
o las perturbaciones

El supuesto clave en el modelo general de regresión múltiple se establece

con facilidad en términos de una esperanza condicional.

E (u IX1, X2,… Xk) = 0

La presente ecuación requiere que ninguno de los factores en el término de error no

observada este correlacionado con las variables explicadas

Mecánica e interpretación de los mínimos cuadrados ordinarios

Primero se considera la estimación del modelo con dos variables independientes la
ecuación estimada de MCO se escribe de manera similar a la de regresión simple

Y˄ = β0˄ +β1˄x1 + β2˄ x2

Está ecuación muestra que los residuos son las diferencias entre los valores observados y
los estimados de Y se interesa determinar la función de regresión muestra de tal manera
que este lo más cerca posible de la Y observada

Valores ajustados y residuales de MCO

Después de obtener la línea de regresión de MCO para la observación puede obtenerse el

valor ajustado o valor predicho para la observación el valor ajustado es

Al obtener los
valores ajustados no debe olvidarse el intercepto de no ser así el resultado puede ser
erróneo

El residual de la observación i está definiendo cómo en el caso de la regresión simple

Hay un residual para cada observación sí U > 0, entonces Y estimada es menor que Yi lo
que significa que, para estar servación el valor predicho para Yi es mayor que el valor de
lastimada

Bondad de ajuste (R^2)

Comunicarse de regresión simple se definen la suma total de cuadrados (STC), las sumas
picada de (SEC) la suma residual de cuadrados o suma de residuales cuadrados (SRC) como
:

Empleando el mismo argumento qué en el caso de regresión simple se puede mostrar

qué:

STC= SEC + SRC