MODELO DE REGRESION CON

DOS VARIABLES: PROBLEMA DE

ESTIMACION
DOCENTE: MONTERO OBLEA YARITZA M.

INTEGRANTES:
ALEMAN HUAMAN Angel
BENITES RIVAS Jeanpier
INFANTE GOMEZ José
MASIAS LLOCLLA Yusselfi
VILLAR MALMACEDA Diego

ECONOMETRIA I
 3.1 Método de mínimos cuadrados ordinarios
Puntos a tratar (MCO)
3.2 Modelo clásico de regresión lineal:
fundamentos del método de mínimos cuadrados

3.3 Precisión o errores estándar de las

estimaciones de mínimos cuadrados

3.4 Propiedades de los estimadores de mínimos

cuadrados: teorema de Gauss-Markov
 3.1 Método de mínimos cuadrados
ordinarios (MCO)
¿EN QUE CONSISTE?, ¿CUAL ES SU OBJETIVO?

El método de mínimos cuadrados presenta propiedades estadísticas muy atractivas que lo han convertido en uno
de los más efi caces y populares del análisis de regresión.
Encontrar los valores de los coeficientes de la regresión que minimizan la suma de los cuadrados de
las diferencias

FUNCION DE REGRESION POBLACIONAL (FRP) FUNCION DE REGRESION MUESTRAL (FRM)

Esta función se utiliza para modelar cómo una Se utiliza para modelar la relación entre una
variable dependiente, está relacionada con variable independiente (X) y una variable
una o más variables independientes. de una dependiente (Y) en una muestra de datos
población de interés. específica.
 B2 es la pendiente que
B1 es el intercepto . determina
la tendencia de la
recta.

Variable Dependiente : Es la variable que se está

tratando de predecir (Y).
Variables Independientesse utilizan para predecir o
explicar la variable dependiente (X).
Los parámetros del modelo: cuantifican la relación
entre ambas variables
Error o Término de Residuo (ui): Representa las
diferencias entre los valores reales de la variable
dependiente y los valores predichos por el modelo.
 MODELO DE REGRESION LINEAL SIMPLE

Nota: La diferencia entre la FRP y la FRM se debe a los errores que se cometen
en la estimación de los coeficientes de la regresión.
ECUACIONES
NORMALES
ESTIMADOR B2
ESTIMADOR B1
se derivan
del
Son ecuaciones simultaneas ,
principio
con las que podemos obtener
de mínimos
cuadrados
PROPIEDADES NUMERICAS DE LOS ESTIMADORES DE MINIMOS CUADRADOS
ORDINARIOS (MCO).

1 2 3
SE EXPRESAN LOS UNA VEZ
ÚNICAMENTE ESTIMADORES OBTENIDOS LOS SE
EN TÉRMINOS PUNTUALES DAN OBTIENE SIN
DE LAS UNA ÚNICA PROBLEMAS LA
CANTIDADES ESTIMACIÓN LÍNEA DE
REGRESIÓN
ESPECÍFICA MUESTRAL.

Nota: Los supuestos de FRM y FRP comparten supuestos clave, como la linealidad, la independencia de
errores, la homocedasticidad y la normalidad de los errores. En su mayoría son similares pero varían
en su aplicación.
 La línea de regresión obtenida tiene las
siguientes propiedades:
1. Pasa a través de las medias muestrales 2. El valor medio de Y estimada es igual
al valor medio de Y real. (homogeneidad)
de Y y X

Este supuesto implica que, en promedio, las predicciones

del modelo de regresión lineal (Ŷᵢ) son iguales a los valores
reales de la variable dependiente (Yᵢ) en el conjunto de
datos.
El modelo considera el centro de masas de los datos, y la Nota: La homogeneidad se refiere a la igualdad de
línea de regresión representa una relación que pasa a través varianzas entre diferentes grupos o categorías en un
de ese punto central. conjunto de datos.
 3.2 Modelo clásico de regresión lineal:
fundamentos del método de mínimos
cuadrados
El modelo de Gauss, modelo clásico o
estándar de regresión lineal (MCRL), es
el cimiento de la mayor parte de la
teoría econométrica y plantea siete
supuestos

LINEALIDAD
La relación entre las variables independientes (predictoras) y la variable
dependiente (la que se está tratando de predecir) es lineal, lo que significa que se
puede describir mediante una función lineal
AUTOCORRELACION
Existe una especie de patrón en
los errores que se repite en
diferentes momentos o en
diferentes datos.
Su presencia puede complicar la
interpretación y la estimación de
un modelo de regresión.

Nota: ¡La autocorrelación es

un problema!
 Homocedasticidad
La homocedasticidad es
importante en la regresión
lineal porque, cuando esta
suposición se cumple, los
estimadores de los
coeficientes de regresión
son los estimadores de
mínimos cuadrados
ordinarios (MCO) más
eficientes y no sesgados.
HOMOCEDASTICIDAD VS HETEROCEDASTICIDAD
normalidad
Esta suposición asume que los
errores (residuos) del modelo siguen
una distribución normal o gaussiana.
se relaciona con la distribución de
probabilidad de los errores o
diferencias entre el modelo y los
datos reales.

La normalidad exacta de los residuos suele ser

suposición idealizada y rara vez se cumple de
manera perfecta.
 VALORES ATIPICOS
Son observaciones en un (OUTLIERS)
conjunto de datos que son
significativamente diferentes
de la mayoría de las otras
observaciones.

CONCLUCION DE LOS SUPUESTOS

3.3 Precisión o errores estándar
de las estimaciones de mínimos
cuadrados
En estadística, la precisión de un valor ee: No es otra cosa que la desviación
estimado se mide por su error estándar (ee) estándar de la distribución muestral del
estimador
PARA ENTENDER LA RELACION ENTRE PRECISION Y ERRORES
ESTANDAR ES IMPORTANTE TENER EN CUENTA:
Cuando los errores estándar de los coeficientes son pequeños, las estimaciones de los
coeficientes son más precisas. Por el contrario, si los errores estándar de los coeficientes
son grandes, las estimaciones de los coeficientes son menos precisas.
 CÁLCULO DE LOS ERRORES ESTANDAR (EE)
La desviación
estándar se La varianza es se calcula tomando la
deriva de la una medida de la media de las
varianza. dispersión o diferencias al
variabilidad de un cuadrado entre cada
conjunto de datos valor de datos y la
media de los datos.

La desviación estándar (σ) es simplemente la raíz cuadrada positiva de la varianza.

USO DE LOS ERRORES ESTANDAR ¿Como permiten las varianzas y los errores estandar de los
¿Por qué usar la desviacion estandar y no la varianza? coeficientes estimados de regresion evaluar la confiabilidad de
 3.4 Propiedades de los estimadores de mínimos
cuadrados: teorema de gauss-Markou
1. LINEALIDAD 2. ES INSESGADO

Valor esperado Valor verdadero del

coeficiente de regresión
(esperanza matemática)
en la población.
del estimador MCO.

su valor promedio o esperado,

E(βˆ2), es igual al valor verdadero,
β2.
Es decir, función lineal de una variable
un estimador insesgado con
aleatoria, como la variable dependiente
Y en el modelo de regresión.
varianza mínima se conoce como
estimador efi ciente.
 3. MINIMA VARIANZA

Se busca que el estimador sea eficiente en

términos de precisión y que tenga la menor
dispersión posible en sus estimaciones.

En el contexto de los MCO y el

Teorema de Gauss-Markov, se
establece que los estimadores
de mínimos cuadrados ordinarios
(MCO) son los Mejores
Estimadores Lineales
insesgados se le denomina
MELI.
 Gracias
por su
atención