ECONOMETRÍA I

Clase # 13
Enfoque Matricial del Modelo de Regresión

Toda información aquí presentada, ha sido recabada del Libro Econometría de

Damodar N. Gujarati, 5ta. Edición Mc Graw Hill.

INTRODUCCION
El modelo de regresión lineal simple no es adecuado para modelizar muchos
fenómenos económicos, ya que para explicar una variable económica se requiere en
general tener en cuenta más de un factor. Veamos algunos ejemplos:

- En la función keynesiana clásica el consumo se hace depender de la renta

disponible como única variable relevante:
consum o i=β 1+ β 2 renta+ μi

Sin embargo, hay otros factores que pueden considerarse relevantes en el

comportamiento del consumidor. Uno de esos factores podría ser la riqueza.
Con la inclusión de este factor se tendrá un modelo con dos variables
explicativas:
consum o i=β 1+ β 2 ingreso+ β 3 riqueza+ μi

- En el análisis de la producción se utilizan a menudo las funciones potenciales,

que con una especificación adecuada pueden ser transformadas (tomando
logaritmos naturales, en este caso) en modelos lineales en los parámetros.
Utilizando un solo input (trabajo), un modelo para explicar el output se
específica del siguiente modo:
ln ( outpu t i )=β 1+ β2 ln ( trabajo )+ μ i

- El modelo anterior es claramente insuficiente para el análisis económico. Sería

mejor utilizar el conocido modelo de Cobb-Douglas, en el que se consideran
dos inputs primarios (trabajo y capital):
ln ( outpu t i )=β 1+ β2 ln ( trabajo )+ β3 ln ( capital ) + μi

- De acuerdo con la teoría microeconómica, los costes totales (costot) se

expresan como una función de la cantidad producida (cantprod). Una primera
aproximación para explicar el coste total podría ser un modelo con un único
regresor:
cos t ot=β 1+ β2 cantprod + μi

- Sin embargo, es muy restrictivo considerar que, como sería el caso del modelo
anterior, el coste marginal permanece constante, independientemente de la
cantidad producida. En la teoría económica se propone, una función cúbica, lo
que conduce al siguiente modelo econométrico:
2 3
cos t ot =β 1+ β2 cantprod + β 3 cantpro d + β 4 cantpro d + μi

En este caso, a diferencia de los anteriores, en el modelo sólo hay una variable
explicativa, pero que da lugar a tres regresores.

- Los salarios se determinan por diferentes factores. Un modelo relativamente

simple para explicar los salarios en función de los años de educación y de los
años de experiencia es el siguiente:
salarios=β 1+ β 2 educacion+ β 3 exp e riencia+ μ i

1
 De todos modos, otros factores importantes para explicar los salarios pueden
ser variables cuantitativas tales como el tiempo de formación y la edad, o
variables cualitativas, como el sexo, la rama de actividad, etc.

- Por último, para explicar los gastos en consumo de pescado los factores
relevantes pueden ser su precio, el precio de un producto sustitutivo como la
carne, y la renta disponible. Es decir:
gastopescado=β1 + β 2 preciopescado+ β 3 preciocarne+ β 4 renta + μi

Por lo tanto, los ejemplos anteriores han puesto de relieve la necesidad de utilizar
modelos de regresión múltiple. El tratamiento econométrico del modelo de regresión
lineal simple se hizo utilizando álgebra ordinaria. El tratamiento de un modelo
econométrico de dos variables explicativas mediante el uso de álgebra ordinaria es
tedioso y engorroso; por otra parte, un modelo con tres variables explicativas es
prácticamente intratable con esta herramienta. Por esta razón, el modelo de regresión
se va a presentar utilizando álgebra matricial

MODELOS DE REGRESIÓN DE MÚLTIPLE

y i=β 1 + β 2 X 2i + β 3 X 3 i+ μ i

E ( Y i / X 2 i , X 3 i )=β 1 + β 2 X 2i + β 3 X 3 i+ μ i

Se busca obtener la media condicional o el valor esperado de Y condicionado a los

valores dados o fijos de las variables X 2 y X 3

En el caso de los Modelos de Regresión Múltiple, los coeficientes de regresión de β 2 y

β 3se conocen como los coeficientes de regresión parcial o coeficientes parciales
de pendiente.

“ β 2mide el cambio en el valor de la media deY , Ε ( Y ) por una unidad de cambio en X 2 ,

permaneciendo X 3 constante”.

Ejemplos:
- Buenos Aires es una empresa dedicada a la fabricación de ventiladores,
habiendo tenido resultados relativamente aceptables en los últimos años. Los
directivos consideran, sin embargo, que los resultados habrían sido mejores si
el absentismo en la empresa no fuera tan alto. Para este propósito, el modelo
que se propone es el siguiente:
absent =β1 + β 2 edad + β 3 antiguedad + β 4 salario+ μ

donde la ausencia “absent” se mide en días por año, el salario en miles de

bolivianos al año; los años trabajados en la empresa “antigüedad” y la edad se
expresan en años.

Utilizando una muestra de tamaño 48, se ha estimado la siguiente ecuación:

absent =14,413−0,096 edad−0,078 antiguedad−0,036 salari oi

( 1,603 ) ( 0,048 ) ( 0,067 ) ( 0,007 )

2
R =0,694 n=48

La interpretación de β́ 2es la siguiente: manteniendo fijo el salario y los años

trabajados en la empresa, si la edad se incrementa en un año, el absentismo
laboral se reducirá en 0.096 días al año. La interpretación de β́ 3es como sigue:

2
 manteniendo fijo el salario y la edad, si los años trabajados en la empresa se
incrementan en un año, el absentismo laboral se reducirá en 0.078 días al año.
Finalmente, la interpretación de β́ 4 es la siguiente: manteniendo fija la edad y
los años trabajados en la empresa, si el salario se incrementa en 1000
bolivianos al año, el absentismo laboral se reducirá en 0.036 días por año.

- Para explicar la demanda de servicios hoteleros se formuló el siguiente

modelo:
ln ( h ostel )= β1 + β 2 ln (inc )+ β3 hh ¿ ¿
donde “hostel” es el gasto en servicios hoteleros e “inc” es la renta disponible;
ambas variables están expresadas en bolivianos por mes. La variable “hhize”
es el número de miembros del hogar.
La ecuación estimada con una muestra de 40 hogares es la siguiente
ln ( h ostel i ) =−27 , 36+ 4,442 ln ( ¿ ci ) −0,523 hh siz ei
2
R =0,738 n=40
A la vista de estos resultados, podemos decir que los servicios hoteleros son
un bien de lujo, ya que la elasticidad de la demanda/renta para este bien es
muy alta (4.44). Esto significa que si la renta se incrementa en un 1%, el gasto
en servicios hoteleros se incrementará un 4.44%, manteniendo fijo el tamaño
de la familia. Por otro lado, si el tamaño del hogar aumenta en un miembro,
entonces el gasto en servicios hoteleros disminuirá en un 52%.

ESTIMACIÓN DE LOS COEFICIENTES DE REGRESIÓN PARCIAL

Y i= β^ 1 + ^β 2 X 2i + β^ 3 X 3 i + ^μi ^β =Ȳ − ^β X̄ − β^ X̄
1 2 2 3 3

^β = ( ∑
y i x2 i ) ( ∑ x23 i ) −( ∑ y i x 3i )( ∑ x 2i x 3i )
2
(∑ x 22i )(∑ x23 i )−( ∑ x 2 i x 3 i )
2

^β = ( ∑
y i x 3i ) ( ∑ x 22i ) −( ∑ y i x 2i )( ∑ x 2i x 3i )
3
(∑ x 22i )(∑ x32i )−( ∑ x 2 i x 3 i )
2

2 β^ 2 ∑ y i x 2 i + β^ 3 ∑ y i x 3 i
R=
∑ y 2i
¿Qué pasa con R2cuando aumenta el número de regresores X i ?
2
R : Coeficiente de Determinación.
2
R̄ : Coeficiente de Determinación Ajustada (estudiar punto 7.8 página 201 Libro Guía)
A medida que aumenta el número de regresoras, R2aumenta casi invariablemente y
nunca disminuye.

Como se pudo observar anteriormente, los cálculos de estimación se vuelven más

complejos en la medida que aumentan las variables.

Enfoque Matricial en el Modelo de Regresión Lineal

FRP :Y i =β1 + β 2 X 2 i+ β3 X 3 i +....+ β k X ki + μi i=1 ,2 , 3 ,... , n

3
β 1=¿La Intersección; β 2a β k =¿ Coeficientes parciales de pendiente; i=¿ i - ésima
observación; n=¿tamaño de la población

Es decir, la anterior ecuación es la versión abreviada de:

Y 1=β 1 + β 2 X 21+ β 3 X 31+...+ β k X k 1 + μ1Y 2=β 1 + β 2 X 22+ β 3 X 32+...+ β k X k2 + μ2

−−−−−−−−−−−−−−−−−−−−−−−¿Y n= β1 + β 2 X 2 n+ β3 X 3 n +...+ β k X kn + μn

En forma matricial:

[ ][ ][ ] [ ]
Y1 1 X 21 X 31 … X k1 β1 μ1
Y2 1 X 22 X 32 … X k2 β2 μ2
= + y= X β+ μn∗1 n∗k k∗1 n∗1
⋮ ⋮ ⋮ ⋮ ⋱ ⋮ ⋮ ⋮
Yn 1 X2n X3n … X kn β k μn

Representación Matricial del Modelo de Regresión Lineal General (de k variables),

donde:

y= Vector Columna de observaciones sobre la variable dependiente Y; X =¿matriz de

información; β=¿ vector columna de beta; μ=¿vector columna de las perturbaciones

En forma más sencilla:

y= X β+ μn∗1 n∗k k∗1 n∗1

y= Xβ+ μ