Documentos de Académico
Documentos de Profesional
Documentos de Cultura
y modelos econométricos
Profesor:
3. Regresión múltiple
4. Cálculo matricial
5. Autocorrelación
6. Heteroscedasticidad
7. Multicolinealidad
𝑮 𝒚𝟏 , 𝒚𝟐 , ⋯ , 𝒚𝒏 = 𝑭(𝑿𝟏 , 𝑿𝟐 , ⋯ , 𝑿𝒏 )
𝒚 = 𝑭(𝑿𝟏 , 𝑿𝟐 , ⋯ , 𝑿𝒏 )
𝒀 = 𝒃𝟎 + 𝒃𝟏 𝑿𝟏 + 𝒃𝟐 𝑿𝟐 + ⋯ + 𝒃𝒌 𝑿𝑲 + 𝝊
Una vez encontradas las estimaciones de los parámetros del modelo, podremos hacer
predicciones acerca del comportamiento futuro de la variable Y.
• La variable u (término de error) es una variable aleatoria con esperanza nula y matriz
de covarianzas constante y diagonal (matriz escalar). Es decir que, para todo t, la
variable 𝝊 tiene media cero y varianza σ no dependiente de t, y además
𝑪𝒐𝒗 𝝊𝒊 , 𝝊𝒋 = 𝟎 para todo i y para todo j distintos entre sí. El hecho de que la
varianza de 𝝊𝒕 sea constante para todo t (que no dependa de t), se denomina
hipótesis de homoscedasticidad. El hecho de que 𝑪𝒐𝒗 𝝊𝒊 , 𝝊𝒋 = 𝟎 para todo i distinto
de j se denomina hipótesis de no autocorrelación.
El criterio de mínimos cuadrados considera que la función que mejor se ajusta a los
datos es la que minimiza la varianza del error e, lo que es equivalente a minimizar:
𝑻 𝑻
𝑇
𝜕𝑆
= 2 (𝑦𝑡 − (𝑏0 + 𝑏1 𝑥1𝑡 + 𝑏2 𝑥2𝑡 + 𝑏𝑘 𝑥𝑘𝑡 ))(−1) = 0
𝜕𝑏0
𝑡=1
𝑇
𝜕𝑆
Sistema de ecuaciones normales = 2 (𝑦𝑡 − (𝑏0 + 𝑏1 𝑥1𝑡 + 𝑏2 𝑥2𝑡 + 𝑏𝑘 𝑥𝑘𝑡 ))(−𝑋1𝑡 ) = 0
𝜕𝑏1
𝑡=1
𝑇
𝜕𝑆
= 2 (𝑦𝑡 − (𝑏0 + 𝑏1 𝑥1𝑡 + 𝑏2 𝑥2𝑡 + 𝑏𝑘 𝑥𝑘𝑡 ))(−𝑥𝑘𝑡 ) = 0
Derivando respecto de los 𝜕𝑏𝑘
𝑡=1
parámetros 𝒃𝟎 , 𝒃𝟏 , … 𝒃𝒌 e 𝑇 𝑇 𝑇
igualando a cero tenemos: 𝑦𝑡 = 𝑛𝑏0 + 𝑏1 𝑥1𝑡 + ⋯ + 𝑏𝑘 𝑥𝑘𝑡
𝑡=1 𝑡=1 𝑡=1
𝑇 𝑇 𝑇 𝑇
Estas estimaciones pueden ser también por intervalos, es decir, que podremos calcular
intervalos de confianza para los parámetros. Supongamos que disponemos ya de un
de los coeficientes. Podríamos escribir:
vector de estimaciones 𝑩
= 𝑿𝑩
𝒀 =𝒃 𝟎 + 𝒃
𝟏 𝑿𝟏 + 𝒃
𝟐 𝑿𝟐 + ⋯ + 𝒃
𝒌 𝑿𝒌
𝟎 + 𝒃
𝒕 = 𝒃
𝒀 𝟏 𝑿𝟏𝒕 + 𝒃
𝟐 𝑿𝟐𝒕 + ⋯ + 𝒃 𝒌 𝑿𝒌𝒕 𝒕 = 𝟏, 𝟐, 𝟑, … , 𝑻
Los residuos son las diferencias entre los verdaderos valores de la variable Y, y los valores
𝒕 para todo t.
ෝ 𝟏 = 𝒀𝟏 − 𝒀
estimados para 𝒀𝒕 ,. Es decir 𝒖
De aquí deducimos que , con lo que el modelo original es 𝒀 = 𝑿𝑩 + 𝒖 y el modelo
+𝒖
estimado será 𝒀 = 𝑿𝑩 ෝ.
Estadístico DW de Durbin-Watson
Sirve para realizar contrastes formales de autocorrelación y se representa de la siguiente
forma:
𝑫𝑾 ≅ 𝟐 𝒔𝒊 𝝆 = 𝟎
σ𝑻𝒕=𝟐(ෝ
𝒖𝒕 − 𝒖ෝ 𝒕−𝟏 )𝟐 𝑫𝑾 ≅ 𝟎 𝒔𝒊 𝝆 = 𝟏
𝑫𝑾 = ≅𝟐 𝟏−𝝆 →
σ𝑻𝒕=𝟏 𝒖
ෝ 𝟐𝒕 𝑫𝑾 ≅ 𝟒 𝒔𝒊 𝝆 = −𝟏
Estadístico DW de Durbin-Watson
En la tabla de DW elegimos la columna relativa a k (número de variables en el modelo) y la
fila relativa a T (tamaño muestral), lo que nos da los valores 𝒅𝑳 y 𝒅𝑼 . Se tiene:
Contraste de Glesjer
Se estiman los residuos del modelo u, por MCO y se realiza la regresión:
Entre las estructuras típicas de la varianza tenemos 𝝈𝟐𝒊 = 𝝈𝟐 𝑿𝒋𝒊 , 𝝈𝟐𝒊 = 𝝈𝟐 𝑿𝟐𝒋𝒊 , 𝝈𝟐𝒊 = 𝒂 +
𝒃𝑿𝒋𝒊 𝒚 𝝈𝟐𝒊 = 𝐞𝐱𝐩(𝒁𝒊 ´𝒂) siendo las dos primeras las más comunes y la tercera una
translación de la primera. En estos casos la regresión MCG coincide con la MCO usando
𝟏
como ponderaciones los valores 𝑿 𝑦 𝟏/𝑿𝟐𝒋𝒊 o sea los inversos de los elementos de la
𝒋𝒊
diagonal de σ .
𝑌𝑡 𝛽1 𝛽2 𝛽𝑘 𝑢𝑡
= + + ⋯+ +
𝑋𝑗𝑡 𝑋𝑗𝑡 𝑋𝑗𝑡 𝑋𝑗𝑡 𝑋𝑗𝑡
𝑢ො 𝑡 = 𝑎 + 𝑏 𝑋𝑗𝑡 + 𝑒𝑡
𝑢ො 𝑡 = 𝑎 + 𝑏𝐿𝑛𝑋𝑗𝑡 + 𝑒𝑡
1
𝑢ො 𝑡 = 𝑎 + 𝑏 + 𝑒𝑡
𝑋𝑗𝑡