MODELO LINEAL DE REGRESIÓN MULTEPLE

La ecuación lineal de regresión poblacional:

Especificación econométrica con k=3:

Y t =β 1+ β2 X 2 t + β 3 X 3 t +ut , u N (0 , σ 2 I ) , t=1,2,3,…,T

Su forma matricial

[ ] [ ][ ] [ ]
Y1 1 X 21 X 31 u1
Y2 1 X 22 X 32 β1 u2
Y3 = 1 X 23 X 33 β2 + u3
Y4 1 X 24 X 34 β 3 u4
Y5 1 X 25 X 35 u5

Su forma matricial compacto

Y 5∗1= X 5∗3 β3∗1+u 5∗1

Y T∗1=X T∗k β k∗1+ uT∗1

Ecuación de regresión lineal

Y = Xβ+u β : Parámetro
Y − Xβ=u Error

La ecuación muestral

Y = Xb+e b: Estimador

Y − Xb=e Residuo

Y −Y^ =e
SUMA DE RESIDUOS AL CUADRADO
'
e e=(Y − Xb) ' (Y −Xb)
'
e e=Y ' Y −2b ' X ' Y + b ' X ' Xb
Minimización de errores (OLS)

−2 X ' Y +2 X ' Xb=0

Despejado b

b=( X ' X )−1 X ' Y b: Estimador del β : Parámetro

Se usa para la inferencia la distribución:

b−B
t= con n-k grados de libertad.
es (b)
1.1. MODELO CON DATOS PANEL
Un conjunto de datos longitudinales o de panel es aquel que sigue una muestra dada de los
individuos a lo largo del tiempo, y por lo tanto proporciona múltiples observaciones sobre cada
individuo de la muestra. (Hsiao, 2003, página 2)

La ecuación:

Y ¿ =β 1+ β2 X 2¿+β 3 X 3¿+ α + u ¿ ¿
¿
i

Para todo: i=1,2,3,…,N y t=1,2,3,…,T

Micro panel: T<<N

Macro panel: T>=N

Sesgo por heterogeneidad no observable.

Ecuación con una variable X.

Y ¿ =β 1+ β2 X 2¿+α +u ¿
i ¿

Algunas suposiciones relevantes

Los efectos individuales no observables están representados por parámetros fijos α i

El término de error idiosincrásico u¿ es iid (0 , σ 2 )

Las variables explicativas en X son independientes del término de error idiosincrásico Cov ¿ ,
pero no son independientes de los efectos fijos individuales Cov ¿ .

Si se cumple supuestos señalados, se estima el modelo de efectos fijos (FE).

Otras suposiciones relevantes

Los efectos individuales no observables α i son iid ¿ )

El término de error idiosincrásico u¿ es iid (0 , σ 2 )

Las variables explicativas en X son independientes del término de error idiosincrásico Cov ¿ ,
pero no son independientes de los efectos fijos individuales Cov ¿ .

Si se cumple estos otros supuestos, es tima el modelo de efectos aleatorios (RE).

ELECIÓN DE MODELO: EFECTOS FIJOS O EFECTOS ALEATORIOS

Prueba de Hausman: es una prueba de endogeneidad.

La hipótesis nula es que la covarianza entre las X y alfa es cero: Cov ¿

Si este es el caso, entonces se prefiere RE sobre FE.

Si la hipótesis nula no es cierta, debemos optar por el modelo FE.

1.2 Modelos básicos de regresión espacial

Durante la primera mitad de este curso, examinamos los mínimos cuadrados ordinarios (OLS).
Aquí , veremos algunos modelos de regresión espacial básicos que incluyen: X retrasada
espacialmente: variable(s) explicativa(s), modelo de retraso espacial y modelo de error
espacial. Además, discutiremos los modelos anidados de error de Durbin espacial y Durbin
espacial.

1.2.1 Variable(s) X rezagada espacialmente

En un modelo OLS no espacial, y=Xβ+ε, examinamos la relación entre una o más variables
independientes y una variable dependiente. Con un modelo espacialmente rezagado o SLX,
vemos una adición de un componente espacial a la ecuación que representa el valor promedio
de los valores vecinos de X.

y=Xβ+WXθ+ε , donde WXθ es el valor promedio de la(s) variable(s) independiente(s)

vecina(s)

Entonces, la ecuación SLX examina si las variables que afectan a nuestros vecinos también nos
afectan a nosotros. Esto se considera un modelo local ya que solo hay una interacción
unidireccional entre nuestros vecinos y nosotros.

1.2.2 Modelo de retraso espacial

En el modelo de retraso espacial, perdemos los valores X retrasados que se usaron en el

modelo SLX y, en su lugar, agregamos un valor Y retrasado espacialmente.

y=ρWy+Xβ+ε, donde ρWy es el valor de y retrasado espacialmente de nuestros vecinos

En este modelo global la variable dependiente entre nuestros vecinos influye en nuestra
variable dependiente. Por lo tanto, hay un ciclo de retroalimentación que ocurre donde los
efectos en nuestro(s) vecino(s) y afectan nuestra variable y y nuestra(s) vecina(s) y.

1.2.3 Modelo de error espacial

El modelo de error espacial no incluye variables dependientes o independientes rezagadas,

sino que incluye una función de nuestro error no explicado y el de nuestros vecinos.
y=Xβ+u, u=λWu+ε, donde λWu+ε es la función de nuestro error no explicado
(residuales) y los valores residuales de nuestros vecinos

Este es un modelo global donde los valores residuales más altos de lo esperado sugieren que
falta una variable explicativa que está correlacionada espacialmente. Esto daría lugar a grupos
inexplicables de valores correlacionados espacialmente dentro de nuestro vecindario que no
se incluyeron como variable predictora.

1.3 Modelos de regresión espacial anidados

Además de los modelos discutidos anteriormente, también podemos examinar un enfoque

moderno para las especificaciones del modelo. Estos modelos anidados contienen algunos
valores retrasados y/o de error y pueden ser modelos locales o globales. Estos pueden verse
como análisis exploratorios que usan pruebas de razón de verosimilitud para ayudar a inferir el
modelo más apropiado para nuestros datos. Sin embargo, debe comenzar por comprender si
las relaciones en sus datos son de naturaleza local o global.

1.3.1 Modelo espacial de Durbin

El modelo Spatial Durbin incluye valores de y retrasados y de x retrasados. Este modelo se

puede simplificar en modelos globales SLX, Spatial Lag, Spatial Error u OLS.

y=ρWy+Xβ+WXθ+ε
Debido a la inclusión de la y retrasada, este modelo se usaría si las relaciones en sus datos son
globales, lo que significa que, si la variable y se ve afectada en una región, ese impacto se
extenderá a todas las regiones del conjunto de datos.

1.3.2 Modelo de error de Durbin espacial

Este modelo anidado no contiene una y retrasada y se puede simplificar en un modelo local de
error espacial, SLX u OLS.

y=Xβ+WXθ+u , u=λWu+ε

Este modelo anidado se usaría si las relaciones en sus datos son locales, lo que significa que los
cambios en una región solo afectarán a los vecinos inmediatos de la región y no a todas las
regiones del conjunto de datos.