UNIVERSIDAD NACIONAL AUTÓNOMA DE MÉXICO

Facultad de Economía
Semestre 2024-I

Introducción a la Econometría
UNIDAD II. MODELO DE REGRESIÓN LINEAL
Especificación del modelo de regresión lineal (1)

Mtro. Luis Sánchez

- int.econometríafe@gmail.com -

Ciudad Universitaria, 14 de Agosto de 2023

Remesas a México =

Venta de autos nuevos =

II. MODELO DE REGRESIÓN LINEAL
1) Especificación de un modelo econométrico

“El análisis de regresión trata del estudio de la dependencia de una variable

(dependiente) respecto a una o más variables (explicativas o independientes) con el
objetivo de estimar o predecir la media o un valor promedio poblacional de la primera
en términos de los valores conocidos o fijos (muestras) de las segundas” (Gujarati y
Porter, 2010)

Objetivo: Describir y evaluar una relación teóricamente sustentada entre variables

(muestras de observaciones -series de datos-), por ejemplo, una variable Y y una
variable X a través de métodos estadísticos → Análisis de Regresión.

Se plantea el supuesto de que existe una relación lineal entre Y y X: Y = f(X)

Se trata de estimar la mejor línea
recta que relacione a Y y X que
minimice las distancias verticales de
los puntos u observaciones:
Línea de regresión poblacional (LRP)

Tabla 1 Línea de regresión poblacional = Curva de

regresión poblacional = Regresión de Y sobre X

• El análisis de regresión es una manera conveniente de calcular promedios.

• El promedio simple es el “mejor representante” de un conjunto de datos.

• Sin embargo, considerar toda la información relevante ayudaría a explicar mejor

que un promedio simple.

• Es mejor reemplazar el promedio simple por un promedio (media) condicional lo

cual genera el mejor predictor.
Línea de regresión muestral (LRM)

LRM2:
(Tabla 2)
(Tabla 3) LRM1:

Tabla 2 Tabla 3
 LRM:
Objetivo del análisis de regresión:

Estimar la LRP LRP:

con base en la LRM

Un conjunto de datos que representa el comportamiento temporal (t) a la variable Y y otro
conjunto de datos para X –también para las variables W y Z- pueden expresarse como una
combinación lineal:

𝑌𝑡 = 𝛼 + 𝛽𝑋𝑡 + 𝑢𝑡 → Modelo de regresión lineal de 2 variables

Especificación
𝑌𝑡 = 𝛼 + 𝛽𝑋𝑡 + 𝛿𝑊𝑡 + 𝜑𝑍𝑡 + 𝑢𝑡 → Modelo de regresión lineal múltiple ESTÁTICA

t = 1, 2, …,∞

Donde:

• Yt = Variable dependiente (explicada o endógena)

• a = Intercepto o constante (b0)
• b, 𝛿 y 𝜑= Parámetros desconocidos (coeficientes estimados)
• Xt, Wt y Zt = Variables independientes (explicativas o exógenas)
• ut = Término de error (residuales)
En la realidad (algunas veces) los modelos estáticos son limitados para explicar el fenómeno económico
que se está analizando. Por lo tanto, frecuentemente es considerada información de periodos pasados de
las mismas variables denominados como rezagos o retardos (lags):
5 4
N Xt Xt-1 == 1BXrezago
t Xt-5 ==5Brezagos
Xt = B(B Xt )
1 4,500
2 8,085 4,500
3 9,081 8,085
4 8,703 9,081
5 9,486 8,703
6 11,497 9,486 4,500
7 9,585 11,497 8,085
8 9,385 9,585 9,081
9 9,794 9,385 8,703
10 10,246 9,794 9,486
11 10,732 10,246 11,497
12 10,993 10,732 9,585

Al incluir rezagos (información de periodos anteriores) la especificación del modelo de regresión lineal
pasa de ESTATICA a DINÁMICA:

𝑌𝑡 = 𝛼 + 𝛽1𝑋𝑡−1 + 𝛽2𝑋𝑡−2 + ⋯ + 𝛽𝑛𝑋𝑡−𝑛 + 𝑢𝑡

𝑌𝑡 = 𝛼 + 𝜆1 𝑌𝑡−1 + ⋯ + 𝜆𝑛 𝑌𝑡−𝑛 + 𝛽1 𝑋𝑡 + 𝛽2 𝑋𝑡−1 + ⋯ + 𝛽𝑛 𝑋𝑡−𝑛 + 𝛿1 𝑊𝑡 + 𝛿2 𝑊𝑡−1 + ⋯ + 𝛿𝑛 𝑊𝑡−𝑛 +

𝜑1 𝑍𝑡 + 𝜑2 𝑍𝑡−1 + ⋯ + 𝜑𝑛 𝑍𝑡−𝑛 + 𝑢𝑡

Especificación DINÁMICA
 Modelos estáticos: Modelos dinámicos:
Dependent Variable: LK
Method: Least Squares
Date: 11/24/20 Time: 14:43
Sample (adjusted): 1994Q3 2020Q2
Included observations: 104 after adjustments
15.2
15.0 Variable Coefficient Std. Error t-Statistic Prob.
14.8
14.6 LK(-1) 0.826623 0.064456 12.82469 0.0000
LK(-3) -0.153291 0.052830 -2.901592 0.0047
.2 14.4 LK(-4) 0.672367 0.078400 8.576161 0.0000
.1 14.2 LK(-5) -0.690855 0.084686 -8.157883 0.0000
14.0 LK(-6) 0.231268 0.065539 3.528711 0.0007
.0
LY 1.873856 0.103081 18.17856 0.0000
-.1 LY(-1) -1.340359 0.198244 -6.761163 0.0000
-.2 LY(-4) -1.336571 0.217177 -6.154289 0.0000
-.3 LY(-5) 1.346450 0.210935 6.383239 0.0000
LY(-6) -0.440361 0.184506 -2.386707 0.0191
-.4
94 96 98 00 02 04 06 08 10 12 14 16 18 20 R -0.428438 0.049864 -8.592143 0.0000
R(-1) 0.175492 0.054463 3.222233 0.0018
Residual Actual Fitted R(-3) 0.224173 0.048090 4.661494 0.0000
R(-5) -0.102253 0.046168 -2.214818 0.0293
D983 0.128993 0.029614 4.355843 0.0000

R-squared 0.988479 Mean dependent var 14.87593

Adjusted R-squared 0.986667 S.D. dependent var 0.231141
S.E. of regression 0.026690 Akaike info criterion -4.276369
Sum squared resid 0.063398 Schwarz criterion -3.894966
Dependent Variable: DX Log likelihood 237.3712 Hannan-Quinn criter. -4.121852
Method: Least Squares Durbin-Watson stat 2.172464
Date: 01/26/21 Time: 14:43 .020

Sample (adjusted): 2000M02 2018M02 .015

Included observations: 217 after adjustments
.010

Variable Coefficient Std. Error t-Statistic Prob. .015

.005
15.4
.000
.010 15.2
C -0.112073 0.098323 -1.139839 0.2556
LOG(Y) 0.008283 0.006716 1.233400 0.2188 -.005
.005 15.0
LOG(Z) -0.007850 0.005866 -1.338184 0.1823 -.010
.000
14.8
R-squared 0.016500 Mean dependent var 0.003649 -.005
14.6
Adjusted R-squared 0.007309 S.D. dependent var 0.003498 .08
-.010
S.E. of regression 0.003486 Akaike info criterion -8.466649 14.4
-.015
Sum squared resid 0.002600 Schwarz criterion -8.419922 .04 14.2
2000 2002 2004 2006 2008 2010 2012 2014 2016
Log likelihood 921.6314 Hannan-Quinn criter. -8.447773
14.0
F-statistic 1.795167 Durbin-Watson stat 1.090797 Residual Actual Fitted
Prob(F-statistic) 0.168592 .00

-.04

-.08
1995 2000 2005 2010 2015 2020

Residual Actual Fitted

II. MODELO DE REGRESIÓN LINEAL
2) Método de Mínimos Cuadrados Ordinarios (MCO)

❖ La relación entre las variables es linealmente positiva (o negativa) de modo que, un

incremento de la variable independiente X es acompañado por un incremento o
disminución en la variable Y.

❖ La relación se puede representar a través de una línea que ajuste la evolución de los datos
que calcule los “mejores” valores estimados del intercepto (𝛼 o 𝛽0) y la pendiente (𝛽).

❖ El método de MCO es uno de los más utilizados, ya que tiene ciertas características que
contribuyen en el análisis del fenómeno económico que se está analizando.

❖ El método de MCO considera las distancias verticales de cada punto de la línea de ajuste
que se definen como desviaciones o errores (ut).
• “Estimar o predecir la media o valor promedio poblacional de la variable dependiente en
función de los valores conocidos o fijos (muestras) de las variables independientes”

• "Minimizar la suma vertical de las desviaciones cuadráticas a partir de la recta ajustada”:

መ 𝑡 + 𝑢ො 𝑡
𝑀𝑖𝑛 σ𝑛𝑡=1(𝑢𝑡 )2 donde, 𝑢𝑡 = 𝑌𝑡 − 𝛼 −𝛽𝑋𝑡 → 𝑌𝑡 = 𝛼ො + 𝛽𝑋

• Geométricamente: “Minimizar la suma de las áreas de cuadrados definida por la distancia

de cada observación respecto a la recta estimada”
Y
25

20

15

10

0 X
0 5 10 15 20
Cálculo de 𝛼ො y 𝛽෠ mediante MCO para un modelo con 2
variables (una dependiente “Y” y una independiente “X”):

መ 𝑡
𝑌෠ 𝑡 = 𝛼ො + 𝛽𝑋
➢ Intercepto (Constante):

𝛼ො = 𝑌ത − 𝛽 𝑋ത

➢ Pendiente:

σ𝑛𝑡=1(𝑋𝑡 𝑌𝑡 )
𝛽መ =
σ𝑛𝑡=1 𝑋𝑡2
Por ejemplo:

𝛼ො 𝛽መ
𝛼ො = 3 𝑦 ෡𝛽 = 1.0)
 Ejemplo: 𝑃𝐼𝐵𝑡 = 𝛼 + 𝛽 ∗ 𝑀2𝑅𝑡 + 𝑢𝑡

VARIABLES:
Y Y_est
Y = LOGARITMO NATURAL DEL PIB (INGRESO) 21.40

X = LOGARITMO NATURAL DE LOS SALDOS MONETARIOS REALES M2R (M2/INDICE DE PRECIOS AL CONSUMIDOR)
21.30

años Y X años y=Y-YM x=X-XM años y*x x^2 Y_est ut 21.20

2009 20.93 16.79 2009 -0.21 -0.30 2009 0.06 0.09 21.00 -0.07
21.10
2010 20.98 16.78 2010 -0.16 -0.31 2010 0.05 0.09 20.99 -0.01
2011 21.05 16.86 2011 -0.09 -0.23 2011 0.02 0.05 21.03 0.01 21.00

2012 21.09 16.96 2012 -0.05 -0.12 2012 0.01 0.02 21.08 0.01
20.90
2013 21.13 17.02 2013 -0.01 -0.07 2013 0.00 0.00 21.11 0.03
2014 21.20 17.07 2014 0.06 -0.02 2014 0.00 0.00 21.13 0.07 20.80

2015 21.19 17.17 2015 0.05 0.08 2015 0.00 0.01 21.18 0.02
20.70
2016 21.20 17.22 2016 0.06 0.13 2016 0.01 0.02 21.20 0.00

2009

2010

2011

2012

2013

2014

2015

2016

2017

2018

2019
2017 21.22 17.30 2017 0.08 0.21 2017 0.02 0.04 21.24 -0.02
2018 21.26 17.35 2018 0.12 0.26 2018 0.03 0.07 21.27 -0.01
2019 21.29 17.45 2019 0.15 0.37 2019 0.05 0.13 21.31 -0.03 0.08
ut

MEDIA 21.14 17.09 SUMA 0.00 0.00 SUMA 0.25 0.53

0.06

0.04

0.02
COEFICIENTE BETA (b) b = suma y*x / suma x^2 0.476 Y_est = 12.998 + 0.476*X 0.00

COEFICIENTE ALFA (a) a = YM - b*XM 12.998 2009 2010 2011 2012 2013 2014 2015 2016 2017 2018 2019

-0.02

-0.04

-0.06

-0.08
UNIVERSIDAD NACIONAL AUTÓNOMA DE MÉXICO
Facultad de Economía
Semestre 2024-I

Introducción a la Econometría
UNIDAD II. MODELO DE REGRESIÓN LINEAL
Especificación del modelo de regresión lineal (1)

Mtro. Luis Sánchez

- int.econometríafe@gmail.com -

Ciudad Universitaria, 14 de Agosto de 2023