Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Tema 3
Tema 3
Ε( U educ) 0
María Feo, Jordi Ripollés y Maite Alguacil
kids
1 Esto se recoge en B1
educ wage0
Lo que hace variar educ a kids, siendo wage 0
y = β0 + β1 x1 + u
Β1 PRESENTA SESGO
No mediria el efecto de la variable explicativa en la explicada
y = β0 + β1 x1 + β2 x2 + u
Β1 EFECTO CETERIS PARIBUS
y = β0 + β1 x1 + β2 x2 + β3 x3 +…+ βk xk + u
en la muestra
No observables
Observables
en la muestra
VARIABLE EXPLICADA VARIABLES EXPLICATIVAS
Dependiente, de respuesta, predicha o regresando Independiente, de control, predictor, regresor
Fenómeno que queremos Variable cuya relación con Y La U
explicar/predecir queremos establecer
B1,B2...
PARÁMETRO - CONSTANTE PARÁMETROS - PENDIENTES ERROR
Recoge el valor de “y” Recogen el efecto de cada una de Todos aquellos factores distintos
cuando “x” = 0 las k variables independientes sobre de las k variables independientes
“y” cuando los demás factores que afectan a “y”
permanecen fijos
(u x1, x2 , , x k ) 0
(u) 0
Para cada valor de X1, X2,…,Xk
( x1u) 0 en la población, el valor medio
La U no está correlacionada de las variables no observadas
con ninguna de las variables
del modelo es nulo.
( x k u) 0
María Feo, Jordi Ripollés y Maite Alguacil
CONCLUSIÓN
y = β0 + β1 x1 + u
Especificación +
rica
y = β0 + β1 x1 + β2 x2 + β3 x3 +…+ βk xk + u
PENDIENTE 1:
Diferencia en la nota media universitaria
entre dos estudiantes que obtuvieron el
mismo resultado en la prueba de acceso a
la universidad, pero se diferencian en un
punto en la nota media del instituto.
María Feo, Jordi Ripollés y Maite Alguacil
2. ESTIMADORES MCO
3. VALOR ESPERADO Y VARIANZA DEL ESTIMADOR
4. EFICIENCIA DEL ESTIMADOR MCO Y Tª DE GAUSS-MARKOV
Modelo y 0 1 x1 2 x2 k xk u
Residuos:
n n 2
min
ˆ ˆ ˆ
SCE
0 , 1 ,, k
ˆ
u 2
i
i 1
y i
i 1
ˆ ˆ x ˆ x 0
0 1 1i k ki
i ˆ 0 ˆ 1x1i ˆ k x ki 0 E(u)=0
i 1
x y
n
1i i ˆ 0 ˆ 1x1i ˆ k x ki 0 E(X1u)=0
i 1
x y
n
ki i ˆ 0 ˆ 1x1i ˆ k x ki 0 E(Xku)=0
i 1
ˆ 2.40 0.0271ACT
colGPA MRLS
ˆ ˆ 0 ˆ 1hsGPA ˆ 2 ACT
colGPA
colGPA 0 2 ACT
n=526
ˆ
log(wage) 0,284 0,092educ 0,0041exper 0,022tenure
Tal y como ocurre en la regresión simple, los coeficientes tienen una
interpretación porcentual. Aquí, además, tienen una interpretación ceteris
paribus. Si mantenemos fijos exper y tenure, un año más de formación predice
un incremento del salario de aproximadamente el 9,2%.
María Feo, Jordi Ripollés y Maite Alguacil
log(wage)
ˆ 0,0041 exper 0,022tenure
log(wage)
ˆ 0,0261
𝑢ො 𝑖 = 0
𝑖=1
x uˆ 0
i1
ij i i 1,2 ,n j 1,2, k
María Feo, Jordi Ripollés y Maite Alguacil
yˆ uˆ 0
i 1
i i
i
i1
Medida de la varianza muestral total en las yi. Indicador del grado de dispersión de la variable a
explicar en la muestra.
=
n 2
i1
Medida de la varianza muestral de los valores ajustados. Indicador del grado de dispersión de
las variables predichas en la muestra.
+
n
SUMA DE LOS CUADRADOS DE LOS RESIDUOS (SCE) →
i
û2
SCE
i 1
Medida de la varianza muestral de los residuos. Indicador del grado de dispersión de los
residuos en la muestra.
SEC SCE
R
2
1
STC STC
EJEMPLO:
colGˆPA 1,29 0,453hsGPA 0,0094ACT
n 141 R 2 0,176
2. ESTIMADORES MCO
MUESTRA 1 MCO Ŷi ˆ 0 ˆ 1 X1i ˆ 2 X2i ˆ k Xki ˆ 0 ,ˆ 1 ,ˆ 2 , ,ˆ k
MUESTRA 2 MCO Yi 0 1 X1i 2 X2i k Xki 0 ,1 ,2 , ,k
….
MUESTRA m MCO Yi 0 1 X1i 2 X2i k Xki 0 ,1 ,2 , ,k
EFICIENCIA
RLM.5. HOMOSCEDASTICIDAD MIN var(ˆ j )
María Feo, Jordi Ripollés y Maite Alguacil
𝑦 = 𝛽0 + 𝛽1 𝑥1 + 𝛽2 𝑥2 + ⋯ + 𝛽𝑘 𝑥𝑘 + 𝑢,
El investigador tiene poco control sobre este supuesto, el cual puede fallar cuando:
La relación funcional entre la variable explicada y las explicativas no se
especifica adecuadamente. Ejemplos:
Modelo poblacional (verdadero) Modelo especificado
𝑐𝑜𝑛𝑠 = 𝛽0 + 𝛽1 𝑖𝑛𝑐 + 𝛽2 𝑖𝑛𝑐 2 + 𝑢 𝑐𝑜𝑛𝑠 = 𝛽0 + 𝛽1 𝑖𝑛𝑐 + 𝑢
log 𝑤𝑎𝑔𝑒 = 𝛽0 + 𝛽1 log 𝑒𝑑𝑢𝑐 + 𝑢 𝑤𝑎𝑔𝑒 = 𝛽0 + 𝛽1 𝑒𝑑𝑢𝑐 + 𝑢
RLM.4.
RLM.3.
El supuesto RLM.4. sí que permite que las variables explicativas estén correlacionadas
entre sí (ese es justamente el atractivo del MRLM en relación con el MRLS), lo que no
permite es que estén perfectamente correlacionadas.
42
INSESGADEZ: ( ˆ j ) j j 0,1, , k
MCO
Muestra 1 yˆ ˆ0 ˆ1 x1 ˆ2 x2 ˆk x k ˆ0 , ˆ1 ,, ˆk
Muestra 2 y 0 1 x1 2 x2 k x k 0 , 1 ,, k
...
Muestra m y 0 1 x1 2 x 2 k x k 0 , 1 ,, k
ˆ k ,h
h 1
k
María Feo, Jordi Ripollés y Maite Alguacil
m
FUNDAMENTOS DE ECONOMETRÍA TEMA 3 – EL MODELO DE REGRESIÓN MÚLTIPLE
VALOR ESPERADO Y VARIANZA DEL ESTIMADOR
INSESGADEZ
Densidad de 2
Estimaciones de 2
2
Estimadores insesgados: la media de la distribución de densidad del
estimador coincide con el verdadero valor del parámetro.
María Feo, Jordi Ripollés y Maite Alguacil
SESGADEZ: (ˆ j ) j
EJEMPLO:
y 0 1 x1 2 x2 u MODELO
“VERDADERO”
EJEMPLO:
Supongamos que el salario (wage) está determinado por la siguiente expresión:
donde v = 2abil + u
~ age) ~ ~ educ
log(w 0 1
~ ~
( 1 ) 1 21
El sesgo será:
~ ~
( 1 ) 1 21
56
La desviación típica de un
Desviación estimador mide la precisión
típica de 2 del mismo: “lo concentrada
que está su distribución
alrededor del verdadero
valor del parámetro”
HOMOSCEDASTICIDAD EJEMPLO:
La homoscedasticidad implica que, para todas las posibles 𝑤𝑎𝑔𝑒 = 𝛽0 + 𝛽1 𝑒𝑑𝑢𝑐 + 𝛽2 𝑎𝑏𝑖𝑙 + 𝑢
combinaciones de valores de las variables explicativas, la varianza del La homoscedasticidad requiere que la varianza del error
término de error es la misma. u no dependa de la educación o de la habilidad del
trabajador, lo que es lo mismo que suponer que
Var(wage|educ, habil) = 𝜎 2 .
Densidad f(y|x)
x1
x2
x3 𝐸 𝑦 𝑥 = 𝛽0 + 𝛽1 𝑥
8
12
16 𝐸 𝑤𝑎𝑔𝑒 𝑒𝑑𝑢𝑐 = 𝛽0 + 𝛽1 𝑒𝑑𝑢𝑐
SUPUESTOS DE GAUSS-MARKOV
RLM.1: Linealidad en los parámetros
RLM.2: Muestreo Aleatorio
RLM.3: Media condicionada nula
RLM.4: No colinealidad perfecta
RLM.5: Homoscedasticidad
𝑛
𝜎2
Entonces, Var 𝛽መ1 |𝑥𝑖1 = 𝑆𝑇𝐶 siendo 𝑆𝑇𝐶1 = (𝑥𝑖1 − 𝑥ҧ1 )2
1
𝑖=1
UNA CORRELACIÓN ALTA (PERO NO PERFECTA) ENTRE DOS O MÁS VARIABLES EXPLICATIVAS
SE DENOMINA MULTICOLINELIDAD.
CASOS EXTREMOS:
• RJ2=0: LA CORRELACIÓN MUESTRAL DE XJ CON EL RESTO DE LAS EXPLICATIVAS ES NULA
SE OBTIENE LA VARIANZA MÁS PEQUEÑA.
IMPLICACIÓN:
SI PODEMOS ASUMIR ESTOS SUPUESTOS, NO ES NECESARIO BUSCAR ESTIMADORES
INSESGADOS ALTERNATIVOS: NINGUNO ES MEJOR QUE LOS MCO.
María Feo, Jordi Ripollés y Maite Alguacil