Documentos de Académico
Documentos de Profesional
Documentos de Cultura
eCONOMETRÍAI
2.1 Planteamiento del modelo de regresión lineal simple. Estimación MCO.
2.2 Propiedades descriptivas de los estimadores MCO.
2.3 Interpretación de los coeficientes: la clausula ceteris paribus.
2.4 Formas funcionales alternativas: efecto marginal y elasticidad.
Profesor: Unidades de medida.
Marko Petrovic
Correo electrónico: marko.petrovic@uv.es 2.5 Medidas de bondad de ajuste y selección de modelos
Despacho: 3C01
Tutorías: miércoles 10.30-12.00
miércoles 16.00-17.30
online
Tabla 2. Fuente: Gujarati, D. y Porter D.C. (2010) Econometría (5ª Edición). McGraw-Hill.
Tabla 1. Fuente: Gujarati, D. y Porter D.C. (2010) Econometría (5ª Edición). McGraw-Hill.
Tema 2: Modelos de regresión 5 Tema 2: Modelos de regresión 6
Figura 1. Fuente: Gujarati, D. y Porter D.C. (2010) Econometría (5ª Edición). McGraw-Hill.
Figura 2. Fuente: Gujarati, D. y Porter D.C. (2010) Econometría (5ª Edición). McGraw-Hill.
Según el gráfico anterior está claro que, a medida que aumenta el ingreso familiar, Si tomamos el valor esperado (condicionado a las X dadas) de la ecuación en ambos
aumenta el consumo familiar promedio. Pero, ¿qué sucede con el gasto de lados, obtenemos:
consumo de una familia individual con relación a su nivel fijo de ingresos?
Tabla 3a Tabla 3b
Tabla 3. Fuente: Gujarati, D. y Porter D.C. (2010) Econometría (5ª Edición). McGraw-Hill.
donde, además de los símbolos ya definidos, ûi denota el término residual (muestral). con base en la FRM
Conceptualmente, ûi es análogo a ui y se considera una estimación de ui, que se Debido a fluctuaciones muestrales,
introduce en la FRM por las mismas razones que se introdujo ui en la FRP. la estimación de la FRP basada en la
FRM es, en el mejor de los casos,
una aproximación
En términos de la FRM, la Yi
observada se expresa como
Muestra aleatoria de
tamaño N i=1,2,…,N
¿Cómo se debe construir la FRM para que 𝛽መ1 y 𝛽መ2 estén tan “cerca” de los verdaderos
b1 y b2 como sea posible, aunque nunca se lleguen a conocer los verdaderos b1 y b2?
2.1. Planteamiento: Estimación por Mínimos Cuadrados 2.1. Planteamiento: Estimación por Mínimos Cuadrados
Ordinarios (MCO) Ordinarios (MCO)
De vuelta al tema del residuo. Este error o residuo es la diferencia entre el
valor observado de la variable endógena (dependiente) y el valor ajustado,
Por lo tanto, min σ𝑁 ො 𝑖2 es hacer mínima la suma: 𝑢ො 12 + 𝑢ො 22 + … + 𝑢ො 𝑁
𝑖=1 𝑢
2
es decir:
o lo que es lo mismo :
𝑁 𝑁
Y el criterio será hacer el ajuste de manera que todos los residuos sean lo más 2
pequeños posible.
𝑚𝑖𝑛 𝑢ො 𝑖2 = min 𝑌𝑖 − 𝑌𝑖
Y
𝑖=1 𝑖=1
û 4
2.1. Planteamiento: Estimación por Mínimos Cuadrados 2.1. Planteamiento: Estimación por Mínimos Cuadrados
Ordinarios (MCO) Ordinarios (MCO)
min L = min σ[𝑌𝑖 −( 𝛽መ1 + 𝛽መ2 𝑋𝑖 )]2 respecto a 𝛽መ1 y 𝛽2 .
De (2), X (Y − bˆ − bˆ X ) = 0
i i 1 2 i X Y i i = bˆ1 X i + bˆ2 X i2 (4)
i
La optimización implica hacer las primeras derivadas respecto a 𝛽መ1 y 𝛽መ2 e Segunda ecuación normal
igualarlas a cero. de la regresión.
L
= −2 (Yi − bˆ1 − bˆ2 X i ) = 0 (1)
Sustituyendo (3) en (4): X Y i i = (Y − bˆ2 X ) X i + bˆ2 X i2
ˆ
b1 i X Y i i = Y X i − bˆ2 X X i + bˆ2 X i2
L X Y = NY X − bˆ2 NX X + bˆ2 X i2
= −2 X i (Yi − bˆ1 − bˆ2 X i ) = 0 (2) i i
bˆ2 i
X Y − NY X = bˆ ( X
i i 2 i
2
− NX 2)
Primera ecuación
De (1), (Y − bˆ
i 1 − bˆ2 X i ) = 0 Y i = Nbˆ1 + bˆ2 X i normal de la recta de
( X i − X )(Yi − Y ) = bˆ2 ( X i − X )2
i regresión.
2.1. Planteamiento: Estimación por Mínimos Cuadrados 2.2. Propiedades descriptivas de los estimadores MCO
Ordinarios (MCO) La suma de los residuos es cero, es decir, σ𝑁
1. 𝑖=1 𝑢
ො𝑖 = 0
◼ Sumamos los N residuos
( X i − X )(Yi − Y ) σ𝑁 ො 𝑖 = σ𝑁
𝑖=1 𝑢
𝑁 𝑁 መ መ 𝑁
𝑖=1 𝑌𝑖 − σ𝑖=1 𝑌𝑖 = σ𝑖=1 𝑌𝑖 − 𝛽1 𝑁 − 𝛽2 σ𝑖=1 𝑋𝑖 = 0
bˆ1 = Y − bˆ2 X bˆ2 =
( X i − X )2 ◼ Esta suma es cero, dada la primera ecuación normal
2.2. Propiedades descriptivas de los estimadores MCO 2.2. Propiedades descriptivas de los estimadores MCO
4. La suma de los productos cruzados de los residuos con Yˆt es cero: Nota: Existen dos tipos de propiedades que no hay que
𝑁 confundir bajo ningún concepto.
𝑢ො 𝑖 𝑌𝑖 = 0
𝑖=1 Las propiedades numéricas o descriptivas: Provienen del
método de cálculo (MCO), sin considerar cómo se generan los
Demostración:
datos (2.2).
Las propiedades estadísticas: Se mantienen sólo bajo ciertos
◼ Teniendo en cuenta la propiedad 1 y 3, se tiene que
supuestos o hipótesis sobre la forma en cómo se generan los
datos.
Hipótesis Estadísticas en el método de regresión lineal. (Tema 4.1)
2.3. Interpretación de los coeficientes: la claúsula ceteris 2.3. Interpretación de los coeficientes: la claúsula ceteris paribus
paribus Ejemplo:
Ejemplo: Cálculo de MCO. Estimar por MCO los parámetros del siguiente modelo: 𝑋−𝑋ҧ (𝑌−𝑌)ҧ
Notai = β1 + β2 Horasi + ui
Calcule además la suma de cuadrados de la regresión. Por si acaso compruebe que
se satisfacen las propiedades descriptivas de los estimadores MCO del MRLS.
2.3. Interpretación de los coeficientes: la claúsula ceteris paribus 2.3. Interpretación de los coeficientes: la claúsula ceteris paribus
Ejemplo:
Ejemplo:
¿Cuánto subiría la nota si se dedica una hora más a estudiar?
¿Cómo se han calculado las estimaciones para los dos parámetros?
El efecto marginal = pendiente de la recta = 0,38: si estudia una hora más la nota
sube 0,38 puntos (aproximadamente 4 décimas)
La recta estimada es: Yi = b1 + b2 Xi + ui y eso implica en el ejemplo:
La cláusula ceteris paribus implica que se observa el efecto marginal de una hora más
Ŷi = 3, 75+ 0,38Xi de estudio sin que cambie ninguna otra variable que podría afectar el resultado (el
resto de condicionantes deben permanecer constantes): salud, nervios en el examen,
Con la estimación de los parámetros del modelo, podemos calcular los errores o
..., si son factores relevantes, y están explícitamente en el modelo:
residuos de la estimación y los valores de predicción que nos interesen.
Notai = β1 + β2 Horasi + β3 Nota selectivoi + β4 Nerviosi + ui
¿Qué nota obtendría un alumno que dedica 9 horas a estudiar (como María)? 7.17
¿Cuál es el error de estimación (de María)? 0.83
La cláusula ceteris paribus implicaría evaluar el cambio en la nota generado por una
hora adicional de estudio, sin que haya cambiado la nota del selectivo o los nervios,
el resto de variables permanecería constante.
2.4. Formas funcionales alternativas: efecto marginal o 2.4. Formas funcionales alternativas: efecto marginal o elasticidad
elasticidad. Unidades de medida
Ajuste lineal: Yi = b1 + b2Xi + ui
A veces suponer que una recta es la mejor manera de hacer el ajuste a una
nube de puntos no es lo más adecuado. Implica que el cambio en 1 ud.
de X siempre tiene el mismo
efecto en Y, con independencia
de su valor.
2.4. Formas funcionales alternativas: efecto marginal o elasticidad 2.4. Formas funcionales alternativas: efecto marginal o elasticidad
Términos, a los que se hace referencia frecuentemente: ¿Qué es el coeficiente de la pendiente b2?
• Cambio absoluto
Por tanto, el coeficiente mide el cambio relativo en Y ante un cambio relativo en X en términos
porcentuales:
2.4. Formas funcionales alternativas: efecto marginal o elasticidad 2.4. Formas funcionales alternativas: efecto marginal o elasticidad
Modelo log-lin
Modelo log-log β2 > 0 β2 < 0
β2 > 1 β2 < 0
Modelo lin-log
0 < β2 < 1 β2 > 0 β2 < 0
2.4. Formas funcionales alternativas: efecto marginal o elasticidad 2.4. Formas funcionales alternativas: efecto marginal o elasticidad
El modelo recíproco: Modelo recíproco
logarítmico:
A medida que X aumenta indefinidamente, el término β2(1/X) Al principio Y se incrementa con una tasa creciente (es decir, la curva es
se acerca a cero (nota: β2 es una constante) y Y se aproxima al convexa al inicio) y luego aumenta con una tasa decreciente (la curva se
valor límite o asintótico β1. convierte en cóncava).
2.4. Formas funcionales alternativas: efecto marginal o elasticidad 2.4. Formas funcionales alternativas: efecto marginal o elasticidad
Modelos de regresión
polinomial:
Ejemplo: log-log
2.4. Formas funcionales alternativas: efecto marginal o elasticidad 2.4. Formas funcionales alternativas: Unidades de medida
Unidades de medida
• Cambio en la escala de la explicativa: X
Si X se multiplica (divide) por un valor constante τ, el coeficiente que la acompaña, la
pendiente, β2, también se divide (multiplica) por el mismo valor:
X
Yˆi = bˆ1 + ( bˆ2 ) ( i )
Por ejemplo:
si Cons i = 2,3 + 0,67 Renta i con la renta expresada en miles de euros, será Cons i = 2,3
+ 670 Renta i cuando expresamos la renta en millones.
2.4. Formas funcionales alternativas: Unidades de medida 2.5. Medidas de bondad de ajuste y selección de modelos
Unidades de medida: El coeficiente de determinación (R2) es un indicador de la bondad del ajuste MCO.
N
Si se resta una constante τ en X, el término independiente cambia de la siguiente Partiendo de la igualdad Yi = Yˆi + uˆi Cada observación está formada por una parte
manera: explicada (parte sistemática o determinista) y una no explicada.
Yˆi = (bˆ1 + bˆ2 ) + bˆ2 ( X i − )
SUMA TOTAL DE LOS CUADRADOS (STC) σ𝑵 𝒊=𝟏 𝒀𝒊 − 𝒀
ഥ 𝟐
Medida de la varianza muestral total de las Yi. Indicador del grado de dispersión de la
Si se resta una constante τ en Y, el término independiente cambia de la siguiente variable a explicar en la muestra.
manera:
SUMA EXPLICADA DE LOS CUADRADOS (SEC) σ𝑵 ഥ 𝟐
(Yˆi − ) = (bˆ1 − ) + bˆ2 X i 𝒊=𝟏 𝒀𝒊 − 𝒀
Medida de la varianza muestral de los valores ajustados. Indicador del grado de
Por ejemplo: dispersión de las variables predichas en la muestra.
si Cons i = 2300 + 670 Renta i y hay una reducción en la renta constante e igual en 5
unidades, entonces Cons i = 5650 + 670(Renta i-5). SUMA DE LOS CUADRADOS DE LOS RESIDUOS (SCR) σ𝑵 ෝ 𝟐𝒊
𝒊=𝟏 𝒖
Medida de la varianza muestral de los residuos. Indicador del grado de dispersión de
los residuos en la muestra
Tema 2: Modelos de regresión 45 Tema 2: Modelos de regresión 46
2.5. Medidas de bondad de ajuste y selección de modelos 2.5. Medidas de bondad de ajuste y selección de modelos
El coeficiente de determinación (R2) es un indicador de la bondad del ajuste MCO. STC = SCR + SEC
Bondad de Ajuste:
𝑁 𝑁
2
ሜ
ሜ 2 = 𝑌𝑖 − 𝑌𝑖 + (𝑌𝑖 − 𝑌)
(𝑌𝑖 − 𝑌)
𝑖=1 𝑖=1
𝑁
2
ሜ
= 𝑢ො 𝑖 + (𝑌𝑖 − 𝑌)
𝑖=1
𝑁 𝑁 𝑁
= (𝑢ො 𝑖 )2 + 2 (𝑌𝑖 − 𝑌)
ሜ 𝑢ො 𝑖 + (𝑌𝑖 − 𝑌)
ሜ 2
𝑖=1 𝑖=1 𝑖=1
𝑁
= 𝑆𝐶𝑅 + 2 (𝑌𝑖 − 𝑌)
ሜ 𝑢ො 𝑖 + 𝑆𝐸𝐶
𝑖=1
Visión de Ballentine de R2: a) R2=0 ; f) R2=1
2.5. Medidas de bondad de ajuste y selección de modelos 2.5. Medidas de bondad de ajuste y selección de modelos
El coeficiente de determinación (R2) es un indicador de la bondad del ajuste MCO. El coeficiente de determinación (R2) es un indicador de la bondad del ajuste MCO.
(Y − Y )
i =1
i
2
(Y − Y ) i
2
i =1
2.5. Medidas de bondad de ajuste y selección de modelos 2.5. Medidas de bondad de ajuste y selección de modelos
El coeficiente de determinación (R2) es válido, en general, para cualquier modelo
lineal o no lineal (si se considera como varianza explicada con la que se obtiene R2 es el cuadrado del coeficiente de correlación entre X e Y , rXY (sólo en el
después de haber hecho el ajuste correspondiente). Sólo puede comparar modelos modelo de regresión lineal simple).
con la misma endógena.
2
N
N
R2 Está acotado entre 0 y 1. (Yˆi − Yˆ ) 2 (Yi − Y )( X i − X )
• Si el ajuste es perfecto, todas las observaciones pasarán por la recta de regresión, R 2 = iN=1 = N i =1 N
= r2
XY
i =1
2
i =1
N N N
• Si la varianza explicada es nula (Yˆ − Yˆ )
i =1
i
2
=0 , (Y − Y ) = (uˆ )
i =1
i
2
i =1
i
2
y por R2 no es adecuado cuando el modelo no tiene término constante. En este caso, no se
tanto , R2=0.
puede garantizar , por tanto Yi Yˆ y R2 puede ser negativo.
eCONOMETRÍAI Prácticas 2 y 3
- Tema 2-
Profesor:
Marko Petrovic
Correo electrónico: marko.petrovic@uv.es
Despacho: 3C01
Tutorías: miércoles 10.30-12.00
miércoles 16.00-17.30
online
Ejercicio 1 3
Ejercicio 2 4
Con la información que se muestra en la siguiente tabla: Dados los siguientes modelos de regresión:
Dados los siguientes modelos de regresión: En un modelo de regresión lineal simple, ¿cuál es el efecto de
multiplicar tanto el dependiente como los variables independientes
por la misma constante?
Ejercicio 5 7
Ejercicio 6 8
Si se suma/resta una constante τ en X, y/o Y, como se verá afectada la 1. Deduzca la fórmula para estimar el parámetro b.
pendiente y la constante de la regresión.
2. En este modelo, ¿a qué es igual ?
Ejercicio 7
Aplicar el modelo de mínimos cuadrados ordinarios para estimar en el
Un zoólogo cree que existe una relación lineal entre el peso y la a. Especifique un modelo de regresión lineal simple que relacione el
longitud de ciertos mamíferos. Para estudiar esta relación se dispone peso con la longitud de los animales
de la siguiente muestra de veinte animales: b. Estime este modelo con una computadora
c. Interpreta la estimación de la pendiente
d. ¿Cuánto pesará un animal si mide 45 centímetros de largo?
e. Si un animal mide tres centímetros más que otro, ¿qué diferencia
de peso se puede esperar?
f. Si el peso se expresa en gramos y la longitud en centímetros, ¿qué
estimación se obtiene?
g. Si el peso se expresa en kilogramos y la longitud en metros, ¿qué
estimación se obtiene?
h. Interpreta R cuadrado y explica como se puede calcular utilizando
la tabla de los resultados de Gretl.
donde PESO se expresa en kilogramos y LONGITUD en centímetros.
Ejercicio 9 11