Tema 2 Modelo de Regresion Simple

Outline
1 Esperanza condicional
2 Modelo de regresión simple
3 Interpretación
4 Estimación
5 Supuestos de MCO
6 Distribución muestral de MCO
7 Homoscedasticidad
8 Contraste de hipótesis
9 Intervalo de confianza
Referencias: Cap. 4 y 5 de Stock and Watson, y cap. 2 de Angrist and
Pischke.
Perticara (MPP-UDP) Introducción y Repaso de Estadística 26 de agosto de 2022 1 / 54
Esperanza condicional
La esperanza condicional E(y|x = u) es la esperanza de una
variable y en “grupos” definidos por otra variable x.
Ejemplos:
Tamaño de clase y notas
E(testscr|str = k) donde testscr es la nota en un examen
estandarizado y str es el ratio estudiantes-profesor.
Retornos de la educación
E(lwage|educ = k) donde lwage es log de salarios y educ son los
a–os de educación completados.
Discriminación racial en el mercado laboral
E(call_back|black = 1) y E(call_back|black = 0) donde call_back es
igual a 1 si el aspirante ha sido llamado para una entrevista y black
es igual a 1 para nombre asociados a personas de raza negra.

La esperanza condicional E(y|x = u) es la esperanza de una
variable y en “grupos” definidos por otra variable x.
En forma matem‡tica,
X
E(y|x = u) = t Pr(y = t|x = u),
t
donde Pr(y = t|x = u) es la función de probabilidad de y

condicional en que x asuma el valor u.

Por cada valor que puede asumir x, podemos calcular una media
poblacional distinta para y. La colección de dichas medias como
función de x se denomina la función de esperanza condicional
E(y|x).
Ejemplo
Discriminación racial en el mercado laboral: podemos escribir la
función de esperanza condicional como
E(call_back|black)
= E(call_back|black = 0)
+ [E(call_back|black = 1) − E(call_back|black = 0)] × black

notwithstanding— people with more schooling generally earn more, on average. The average earnings gain
associated with a year of schooling is typically about 10 percent.

Ejemplo: Retornos de la educación
Esperanza condicional del log salarios semanales dado el nivel educativo. La

Figure 3.1.1: Raw data and the CEF of average log weekly wages given schooling. The sample includes
muestra incluye hombres blancos entre 40 y 49 a–os de la muestra del 5 %
white men aged 40-49 in the 1980 IPUMS 5 percent …le.
del Censo 1980 (IPUMS).
An important complement to the CEF is the law of iterated expectations. This law says that an
Esperanza condicional del log salarios semanales dado el nivel educativo. La

muestra incluye hombres encuestados en NLSY en 2012.

Modelo de regresión simple
Covarianza
El modelo de regresión se relaciona con el concepto de
covarianza.
La covarianza entre y y x se define como
Cov(x, y) = E[(x − E(x))(y − E(y))].
La covarianza mide si dos variables aleatorias est‡n linealmente

relacionadas. Si Cov(x, y) > 0, la relación es positiva. Si
Cov(x, y) < 0, la relación es negativa.
Propiedades
1 Cov(x, x) = Var(x)
2 Cov(x, y) = E(xy) − E(x) E(y)
3 Si E(x) = 0 entonces Cov(x, y) = E(xy).

yi = β0 + β1 xi + ui donde E(ui ) = 0 y E(xi ui ) = 0.
Notación:
yi es la variable dependiente,
xi es la variable explicativa, regresor o variable independiente,
β0 es el intercepto,
β1 es la pendiente,
ui es el error de la regresión (inobservado).



Mejor predictor lineal: Es la función lineal β0 + β1 xi que minimiza

el error cuadr‡tico medio de predicción entre las funciones
lineales en xi , es decir
mı́n E[(yi − b0 − b1 xi )2 ]
b0 ,b1
La solución del problema anterior es
β0 = E(yi ) − β1 E(xi ),
Cov(xi , yi )
β1 = .
Var(xi )

Relación entre el modelo de regresión y la esperanza

condicional
Si la esperanza condicional es lineal entonces el modelo de
regresión coincide con la esperanza condicional.
Ejemplo
Discriminación racial en el mercado laboral: tenemos que
β0 = E(call_back|black = 0) y
β1 = E(call_back|black = 1) − E(call_back|black = 0)
El modelo de regresión es la mejor aproximación lineal a la
esperanza condicional.

Relación entre el modelo de regresión y la esperanza

condicional 3.1. REGRESSION FUNDAMENTALS
Figure 3.1.2 - A conditional expectation function and weighted regression line
31
7.2
6.8
Log weekly earnings, $2003
6.6
6.4
6.2
5.8
0 2 4 6 8 10 12 14 16 18 20+
Years of completed education
Sample is limited to white men, age 40-49. Data is from Census IPUMS 1980, 5% sample.
Regresión y esperanza condicional del log salarios semanales en el nivel

Figure 3.1.2: Regression threads the CEF of average weekly wages given schooling
educativo. La muestra incluye hombres blancos entre 40 y 49 a–os de la
muestra del 5 %should
estimates delbeCenso 1980 a(IPUMS).
interpreted. Whatever regression coe¢ cient may mean, it has a sampling distribution
that is easy to describe and use for statistical inference.3
We are interested in the distribution of the sample analog of

Regresión y esperanza condicional del log salarios semanales dado el nivel

educativo. La muestra incluye hombres encuestados en NLSY en 2012.

Interpretación
Interpretación
E(yi |xi ) = β0 + β1 xi .
Intercepto: β0 = E(yi |xi = 0).

No siempre tiene una interpretación relevante.
∆ E(yi |xi )
Pendiente: β1 = ∆xi .
Cuando xi se incrementa en una unidad, yi se incrementa en
promedio en β1 unidades.

Interpretación
Ejemplo: Tamaño de clase y notas

El modelo de regresión es
testscri = β0 + β1 stri + ui .
Interpretación
β0 = E(testscr|str = 0): No tiene interpretación relevante.
β1 = ∆ E(testscr|str)
∆str
Si el ratio estudiantes-profesor se incrementa en una unidad, la
nota se incrementa en promedio en β1 puntos.

Interpretación

Interpretación
Ejemplo: Retornos a la educación

wagei = β0 + β1 educi + ui .
Interpretación
β0 = E(wage|educ = 0): No tiene interpretación relevante.
β1 = ∆ E(wage|educ)
∆educ
Si el nivel educativo se incrementa en un año, el salario se
incrementa en promedio en β1 dólares al año.
Noten que como tengo un modelo lineal, si quiero saber cuánto
aumenta el salario cuando la educación cambia en 5 años, el
efecto será 5 ∗ β1 dólares al año.

Interpretación

Gráfico de dispersión de salarios y nivel educativo

Interpretación
Ejemplo: Discriminación racial en mercado laboral

call_backi = β0 + β1 blacki + ui .
Interpretación
β0 = E(call_back|black = 0) = Pr(call_back = 1|black = 0):
Probabilidad que una persona de raza blanca reciba una llamada
para una entrevista laboral.
Estamos utilizando que call_back es una variable Bernoulli igual 1
si la persona recibe una llamada del empleador, tenemos que
E(call_back|black = 0)
= 1 × Pr(call_back = 1|black = 0) + 0 × Pr(call_back = 0|black = 0)
= Pr(call_back = 1|black = 1).

Interpretación
Ejemplo: Discriminación racial en mercado laboral

call_backi = β0 + β1 blacki + ui .
Interpretación
β0 = E(call_back|black = 0): Probabilidad que una persona de raza
blanca reciba una llamada para una entrevista laboral.
β1 = E(call_back|black = 1) − E(call_back|black = 0) =
Pr(call_back = 1|black = 1) − Pr(call_back = 1|black = 0).
La diferencia en la probabilidad de recibir una llamada para una
entrevista laboral para una persona de raza negra y una persona
de raza blanca es de β1 ó β1 × 100 puntos porcentuales.

Estimación
Estimación
El estimador de m’nimos cuadrados ordinarios es
β̂0 = ȳ − β̂1 x̄,

1 PN
i=1 (xi − x̄)(yi − ȳ) Cov(x
d i , yi )
N
β̂1 = 1 PN
= .
2
i=1 (xi − x̄) Var(x
d i)
N
Es un estimador natural dado que
β0 = E(yi ) − β1 E(xi ),
Cov(xi , yi )
β1 = .
Var(xi )

Estimación
Ejemplo: Tamaño de clase y notas

> # Descriptive statistics
> summary(testscr)
Min. 1st Qu. Median Mean 3rd Qu. Max.
605.6 640.0 654.5 654.2 666.7 706.8
> sd(testscr)
[1] 19.05335
>
> summary(str)
14.00 18.58 19.72 19.64 20.87 25.80
> sd(str)
[1] 1.891812

Estimación

Función de densidad de notas del examen estandarizado

Estimación

Gráfico de dispersión de tamaño de clase y notas

Estimación

. * Estimate returns to education
.
> olsreg3 <- lm(testscr ~ str)
> summary(olsreg3)
Call:
lm(formula = testscr ~ str)
Residuals:
Min 1Q Median 3Q Max
-47.727 -14.251 0.483 12.822 48.540
Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) 698.9330 9.4675 73.825 < 2e-16 ***
str -2.2798 0.4798 -4.751 2.78e-06 ***
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
Residual standard error: 18.58 on 418 degrees of freedom

Multiple R-squared: 0.05124,Adjusted R-squared: 0.04897
F-statistic: 22.58 on 1 and 418 DF, p-value: 2.783e-06
Interpretación

Estimación

. * Descriptive statistics
> summary(wage)
Min. 1st Qu. Median Mean 3rd Qu. Max. NA’s
0 12000 41000 59127 74000 343830 79
> sd(wage)
[1] NA
>
> summary(educ)
3.00 12.00 12.00 13.42 15.00 20.00
> sd(educ)
[1] 2.530335

Estimación
Histograma de nivel educativo

Estimación
Gráfico de dispersión de log de salarios y nivel educativo

Estimación
> olsreg <- lm(wage ~ educ)
> summary(olsreg)
Call:
lm(formula = wage ~ educ)
Residuals:
-149314 -39585 -10449 16588 304245
Coefficients:
(Intercept) -125008.9 6991.7 -17.88 <2e-16 ***
educ 13716.1 511.8 26.80 <2e-16 ***
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
Residual standard error: 66070 on 2602 degrees of freedom

F-statistic: 718.2 on 1 and 2602 DF, p-value: < 2.2e-16
Interpretación
Estimación
Discriminación en el mercado laboral

> olsreg2 <- lm(call_back ~ black)
> summary(olsreg2)
Call:
lm(formula = call_back ~ black)
Residuals:
-0.09651 -0.09651 -0.06448 -0.06448 0.93552
Coefficients:
(Intercept) 0.096509 0.005505 17.532 < 2e-16 ***
black -0.032033 0.007785 -4.115 3.94e-05 ***
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
Residual standard error: 0.2716 on 4868 degrees of freedom

F-statistic: 16.93 on 1 and 4868 DF, p-value: 3.941e-05
Interpretación
Estimación
Medidas de ajuste: R2
Las medidas de ajuste buscan medir en que medida la regresión
lineal describe correctamente lo datos.
El R2 mide la proporción de la varianza muestral de yi explicada
por xi . El R2 se encuentra entre 0 y 1.
Definamos la predicción de yi como ŷi = β̂0 + β̂1 xi .
Definamos la predicción de ui como ûi = yi − ŷi
El R2 se define como
1 PN
(ŷi − ŷ¯i )2 1 PN 2
i=1 ûi
R = 1 Pi=1
2 N
N =1− 1
N
PN
(y − )2 − ȳi )2
N i=1 i ȳ i N i=1 (yi

Estimación

Supuestos de MCO
Supuestos de MCO
yi = β0 + β1 xi + ui
1 (yi , xi ) para i = 1, 2, ..., N son independiente e identicamente

distribuidas (i.i.d.).
2 La esperanza condicional de ui dado xi es cero: E(ui |xi ) = 0.
3 Los datos atípicos son poco probables.

Distribución muestral de MCO

Esperanza de β̂1 : E(β̂1 ) = β1
β̂1 es un estimador insesgado de β1
El supuesto más importante es independencia en media
E(ui |xi ) = 0.


E(ui |xi ) = 0.
1 Var((xi −µx )ui )
Varianza de β̂1 : Var(β̂1 ) = N (σx2 )2
.
La varianza de β̂1 disminuye cuando aumenta N
La varianza de β̂1 disminuye cuando aumenta σx2 .
Bajo los supuestos impuestos, β̂1 no es el estimador de menor
varianza, no es eficiente.


E(ui |xi ) = 0.
.
β̂1 es un estimador consistente de β1 .


E(ui |xi ) = 0.
.
β̂1 es un estimador consistente de β1 .
Distribución asintótica: t = β̂1 −β1 se distribuye aproximadamente
se(β̂1 )
como una normal estandarizada cuando N es grande.

Homoscedasticidad
Homoscedasticidad
Homoscedasticidad: La varianza de los inobservados no cambia
con las xi , Var(ui |xi ) = Var(ui ).
Una interpretación equivalente: La varianza de la variable
dependiente no cambia con las xi , Var(yi |xi ) = Var(yi ).
En la práctica es difícil que se cumpla
Bajo homoscedasticidad la varianza del estimador es
2
Var(β̂1 ) = N1 σσu2 .
x

La varianza de β̂1 aumenta cuando aumenta σu2 . La varianza de β̂1
disminuye cuando aumenta el R2 .
β̂1 es el estimador de menor varianza entre los estimadores
insesgados de β1 : β̂1 es eficiente.

Homoscedasticidad
Homoscedasticidad

Homoscedasticidad
Heteroscedasticidad

Homoscedasticidad

Gráfico de dispersión de salarios y nivel educativo

Homoscedasticidad
Ejemplo: Retornos de la educación bajo

heteroscedasticidad
> olsreg <- lm(wage ~ educ)

> summary(olsreg)
Call:
lm(formula = wage ~ educ)
Residuals:
-149314 -39585 -10449 16588 304245
Coefficients:
(Intercept) -125008.9 6991.7 -17.88 <2e-16 ***
educ 13716.1 511.8 26.80 <2e-16 ***
> coeftest(olsreg, vcov = vcovHC(olsreg, type = "HC0"))
t test of coefficients:

(Intercept) -125008.93 8931.29 -13.997 < 2.2e-16 ***
educ 13716.14 719.89 19.053 < 2.2e-16 ***
---

Homoscedasticidad
Homoscedasticidad versus Heteroscedasticidad

Errores estándar homoscedásticos: Solamente son válidos bajo
homoscedasticidad.
Errores estándar robustos a la heteroscedastidad: Son siempre
válidos ya sea que los errores sean heteroscedásticos o no.
La principal ventaja de los errores estándar homoscedásticos es
que la fórmula es más simple. La desventaja es que la fórmula
solamente es correcta bajo homoscedasticidad.

Homoscedasticidad

En la práctica
Dado que la fórmulas para calcular los s.e. difieren, se obtienen
errores estándar distintos usando las distintas fórmulas.
Los errores estándar homoscedásticos son los reportados por
default en R, Stata y programas similares. En R, para obtener los
s.e. robustos a la heteroscedasticidad se tiene instalar dos
libraries, lmtest y sandwich y luego usar el comando coeftest(m,
vcov = vcovHC(m, type="HC1")) donde m es el nombre del
modelo.
Si se utilizan la fórmula de los s.e. homoscedásticos cuando el
modelo es heteroscedástico, los errores estándar (y en
consecuencia los contrastes e intervalos de confianzas) están
mal. En general, los s.e. calculados son demasiado pequeños.

Homoscedasticidad

En resumen
Si los errores son homoscedásticos o heteroscedśticos y se
utilizan s.e. robustos a la heteroscedasticidad, los s.e. están bien
calculados.
Si los errores son heteroscedśticos y se utilizan s.e. válidos bajo
homoscedasticidad, los s.e. están mal calculados.
Ambas fórmulas dan resultados similares (cuando N es grande)
bajo homoscedasticidad.
Utilice SIEMPRE errores robustos a la heteroscedasticidad
Excepción a la regla: Los s.e. robustos a la heteroscedasticidad
son más difíciles de estimar, una buena práctica es calcular los
s.e. homoscedásticos y reportar el mayor entre ambos como un
ejercicio de robustez.

Contraste de hipótesis
Hipótesis nula: β1 = β1,0
β1,0 es un valor para β1 , el caso de mayor interés es cuando
β1,0 = 0.
Hipótesis alternativa: β1 ̸= β1,0
Estadístico t: En general,
estimador - parámetro bajo H0

t= ∼ Normal(0, 1) bajo H0 .
error estándar del estimador
Para este caso
β̂1 − β1,0
t= ∼ Normal(0, 1) bajo H0 ,
se(β̂1 )
q
donde se(β̂1 ) = Var(
d β̂1 ).

Hipótesis nula: β1 = β1,0
β1,0 es un valor para β1 , el caso de mayor interés es cuando
β1,0 = 0.
Hipótesis alternativa: β1 ̸= β1,0
Estadístico t:
β̂1 − β1,0
t= ∼ Normal(0, 1) bajo H0 .
se(β̂1 )
Regla de decisión: Rechazar H0 si |t| > 1,96; no rechazar H0 en

caso contrario.
Un regla equivalente. p-valor: Probabilidad de una normal en las
colas de |t|. Rechazar H0 si p − valor < 0,05; no rechazar H0 en
caso contrario.

p-valor para la media muestral


> coeftest(olsreg, vcov = vcovHC(olsreg, type = "HC0"))
t test of coefficients:

(Intercept) -125008.93 8931.29 -13.997 < 2.2e-16 ***
educ 13716.14 719.89 19.053 < 2.2e-16 ***

Intervalo de confianza
Utilizando el resultado de la distribución de t para muestras
grandes
β̂1 − β1
t= ∼ Normal(0, 1),
se(β̂1 )
obtenemos un intervalo de confianza para β1
Pr(−1,96 ≤ t ≤ 1,96) = 0,95
β̂1 − β1
⇐⇒ Pr(−1,96 ≤ ≤ 1,96) = 0,95
se(β̂1 )
⇐⇒ Pr(−1,96 × se(β̂1 ) ≤ β̂1 − β1 ≤ 1,96 × se(β̂1 )) = 0,95
⇐⇒ Pr(−β̂1 − 1,96 × se(β̂1 ) ≤ −β1 ≤ −β̂1 + 1,96 × se(β̂1 )) = 0,95
⇐⇒ Pr(β̂1 + 1,96 × se(β̂1 ) ≥ β1 ≥ β̂1 − 1,96 × se(β̂1 )) = 0,95
⇐⇒ Pr(β̂1 − 1,96 × se(β̂1 ) ≤ β1 ≤ β̂1 + 1,96 × se(β̂1 )) = 0,95
Intepretación: el intervalo
[β̂1 − 1,96 × se(β̂1 ), β̂1 + 1,96 × se(β̂1 )]
incluye a β1 el 95 % de la veces en muestras repetidas.

Las siguientes afirmaciones son equivalentes:
El intervalo de confianza de β1 al 95 % no incluye el cero.
La hipótesis β1 = 0 se rechaza al 5 %.

1. Modelo de horas de sueño y horas de trabajo


Supongamos que queremos evaluar la siguiente hipótesis
Ho : β1 = 0 vs H1 : β1 ̸= 0
Tenemos que plantear el estadístico
β̂1 − 0
t=
ds(β̂1 )
Tenemos la info que nos dio R: β̂1 = −0,15075 y ds(β̂1 ) = 0,01674.

Lo calculamos entonces
−0,15075
tobs = = −9,005
0,01674
El valor crítico para un N tan grande, es aproximadamente 1.96
para un nivel de significancia del 5 %. Ergo, rechazamos la
hipótesis nula de que el coeficiente es cero.


Ahora vamos a hacer la misma estimación pero sólo con 14
observaciones. Noten que aún podemos rechazar la hipótesis
nula pero los errores estándares son mucho más grandes.

2. Modelo inversión en investigación y desarrollo y pib

Tenemos datos per cápita para un conjunto de 88 países.
pibpci = β0 + β1 inversion − innovacióni + ui

2. Modelo inversión en investigación y desarrollo y pib
Si estimamos el modelo sacando datos extermos; se reducen los errores es-

tándares y aumentan los test t cuando tengo un mejor «ajuste»; quiere decir
que la varianza del residuo es más pequeña, y entonces los errores estánda-
res son mas chicos.

Tema 2 Modelo de Regresion Simple

Cargado por

Información del documento

Descripción original:

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Tema 2 Modelo de Regresion Simple

Cargado por

Copyright:

Formatos disponibles

Outline

Perticara (MPP-UDP) Introducción y Repaso de Estadística 26 de agosto de 2022 2 / 54

donde Pr(y = t|x = u) es la función de probabilidad de y

Perticara (MPP-UDP) Introducción y Repaso de Estadística 26 de agosto de 2022 3 / 54

Perticara (MPP-UDP) Introducción y Repaso de Estadística 26 de agosto de 2022 4 / 54

associated with a year of schooling is typically about 10 percent.

Esperanza condicional del log salarios semanales dado el nivel educativo. La

Esperanza condicional del log salarios semanales dado el nivel educativo. La

Perticara (MPP-UDP) Introducción y Repaso de Estadística 26 de agosto de 2022 6 / 54

Cov(x, y) = E[(x − E(x))(y − E(y))].

La covarianza mide si dos variables aleatorias est‡n linealmente

Perticara (MPP-UDP) Introducción y Repaso de Estadística 26 de agosto de 2022 7 / 54

Modelo de regresión simple

yi = β0 + β1 xi + ui donde E(ui ) = 0 y E(xi ui ) = 0.

Perticara (MPP-UDP) Introducción y Repaso de Estadística 26 de agosto de 2022 8 / 54

Modelo de regresión simple

Perticara (MPP-UDP) Introducción y Repaso de Estadística 26 de agosto de 2022 9 / 54

Modelo de regresión simple

Perticara (MPP-UDP) Introducción y Repaso de Estadística 26 de agosto de 2022 10 / 54

Modelo de regresión simple

yi = β0 + β1 xi + ui donde E(ui ) = 0 y E(xi ui ) = 0.

Mejor predictor lineal: Es la función lineal β0 + β1 xi que minimiza

La solución del problema anterior es

Perticara (MPP-UDP) Introducción y Repaso de Estadística 26 de agosto de 2022 11 / 54

Relación entre el modelo de regresión y la esperanza

Perticara (MPP-UDP) Introducción y Repaso de Estadística 26 de agosto de 2022 12 / 54

Relación entre el modelo de regresión y la esperanza

Regresión y esperanza condicional del log salarios semanales en el nivel

that is easy to describe and use for statistical inference.3

We are interested in the distribution of the sample analog of

Regresión y esperanza condicional del log salarios semanales dado el nivel

Perticara (MPP-UDP) Introducción y Repaso de Estadística 26 de agosto de 2022 14 / 54

Intercepto: β0 = E(yi |xi = 0).

Perticara (MPP-UDP) Introducción y Repaso de Estadística 26 de agosto de 2022 15 / 54

Ejemplo: Tamaño de clase y notas

Perticara (MPP-UDP) Introducción y Repaso de Estadística 26 de agosto de 2022 16 / 54

Modelo de regresión simple

Perticara (MPP-UDP) Introducción y Repaso de Estadística 26 de agosto de 2022 17 / 54

Ejemplo: Retornos a la educación

Perticara (MPP-UDP) Introducción y Repaso de Estadística 26 de agosto de 2022 18 / 54

Modelo de regresión simple

Perticara (MPP-UDP) Introducción y Repaso de Estadística 26 de agosto de 2022 19 / 54

Ejemplo: Discriminación racial en mercado laboral

Perticara (MPP-UDP) Introducción y Repaso de Estadística 26 de agosto de 2022 20 / 54

Ejemplo: Discriminación racial en mercado laboral

Perticara (MPP-UDP) Introducción y Repaso de Estadística 26 de agosto de 2022 21 / 54

yi = β0 + β1 xi + ui donde E(ui ) = 0 y E(xi ui ) = 0.

El estimador de m’nimos cuadrados ordinarios es

β̂0 = ȳ − β̂1 x̄,

Es un estimador natural dado que

Perticara (MPP-UDP) Introducción y Repaso de Estadística 26 de agosto de 2022 22 / 54

Ejemplo: Tamaño de clase y notas

Perticara (MPP-UDP) Introducción y Repaso de Estadística 26 de agosto de 2022 23 / 54

Tamaño de clase y notas

Perticara (MPP-UDP) Introducción y Repaso de Estadística 26 de agosto de 2022 24 / 54

Tamaño de clase y notas

Perticara (MPP-UDP) Introducción y Repaso de Estadística 26 de agosto de 2022 25 / 54

Tamaño de clase y notas

Residual standard error: 18.58 on 418 degrees of freedom

Perticara (MPP-UDP) Introducción y Repaso de Estadística 26 de agosto de 2022 26 / 54

Ejemplo: Retornos de la educación

Perticara (MPP-UDP) Introducción y Repaso de Estadística 26 de agosto de 2022 27 / 54