Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Econometría - 02 - 2022 - 1
Econometría - 02 - 2022 - 1
Ingenierı́a Comercial
Universidad del Desarrollo
• A pesar de que el análisis de regresión tiene que ver con la dependencia de una variable
respecto de otras variables, esto no implica causalidad necesariamente.
• Una relación estadı́stica, por más fuerte y sugerente que sea, nunca podrá establecer una
conexión causal por si misma.
• Las ideas de causalidad deben provenir de estadı́sticas externas y de alguna teorı́a.
• En definitiva: una relación estadı́stica por sı́ misma no puede implicar causalidad.
• Del ejemplo visto anteriormente, es claro que cada media condicional E [Y |Xi ] es función
de Xi , donde Xi es un valor dado de X.
Yi = β0 + β1 Xi (2)
• donde:
Yi = E [Y |Xi ]
Y = β0 + β1 X
• Dado que estamos estudiando el Modelo de Regresión lineal, es esencial que entendamos
este término (lineal).
• Se puede interpretar de dos formas:
• Linealidad en las Variables.
• Linealidad en los Parámetros.
• Realizada la definición de linealidad entre las variables y los parámetros podemos decir:
• Al usar el término “lineal” siempre nos referiremos a una regresión lineal en los
parámetros.
• Esto son los betas (β) los cuales solo se elevan a la primera potencia.
• En el Modelo de regresión lineal pueden o no ser lineales las variables explicativas, pero
no ası́ los parámetros.
• Notar que hasta el momento todos los componentes del modelo que hemos visto son
determinı́sticos.
• Ahora incorporaremos el concepto de componente aleatorio o término de error.
• En términos simples el componente aleatorio captura el efecto de aquellas variables que si
bien explican a la variable dependiente, no están incluidas en el modelo ya que no se
conocen o no se pueden medir.
• Volvamos al ejemplo anterior...
ui = Yi − E [Y |Xi ]
ó
Yi = E [Y |Xi ] + ui (3)
• Donde la desviación ui es una variable aleatoria no observables que adopta valores
positivos o negativos.
• Se conoce como perturbación estocástica ó término de error estocástico.
• Hasta ahora nos hemos limitado a a población de los valores de Y que corresponden a los
valores fijos de X .
• En la práctica, rara vez se tiene información para el total de la población, o es muy
costosa obtenerla.
• Por esto estimaremos la FRP con base en información muestral.
• Retomemos nuestro ejemplo. Esta vez supongamos que no tenemos toda la información
de la población, sino que se toma una muestra al azar en el cual se tiene un solo valor de
Y correspondiente a los valores de X dados.
• Con base a una muestra del ejemplo anterior, ¿Será posible predecir el consumo semanal
promedio Y de la población en su conjunto correspondiente a los valores de X
seleccionados?
• ¿Se puede estimar la FRP a partir de la muestra?
• ¿Qué tan precisa será nuestra estimación?
• ¿Cuál de las dos lı́neas de regresión representa a la lı́nea de regresión poblacional
“verdadera”?
Donde:
• Ybi : Estimador de E [Y |Xi ].
• βb0 : Estimador de β0
• βb1 : Estimador de β1
Yi = β0 + β1 Xi + ui
Con base en la FRM:
Yi = βb0 + βb1 Xi + ubi