Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Clase 11.3
Clase 11.3
Yt = β 1 + β 2 X t + ut
Yˆt = b1 + b2 X t
1
PREDICCIÓN
Yt = β 1 + β 2 X t + ut
Yˆt = b1 + b2 X t
YˆT + p = b1 + b2 X T + p
Supongamos que sabemos que el valor de la variable X en algún momento futuro del
tiempo T+p será xT+p. Entonces el valor predicho para Y en ese momento lo podemos
encontrar insertando XT+p en la ecuación de regresión.
Yt = β 1 + β 2 X t + ut
Yˆt = b1 + b2 X t
YˆT + p = b1 + b2 X T + p
fT + p = YT + p − YˆT + p
3
PREDICCIÓN
Yt = β 1 + β 2 X t + ut
Yˆt = b1 + b2 X t
YˆT + p = b1 + b2 X T + p
fT + p = YT + p − YˆT + p
E ( fT + p ) = E (YT + p ) − E (YˆT + p )
= E ( β 1 + β 2 X T + p + uT + p ) − E (b1 + b2 X T + p )
= β 1 + β 2 X T + p + E ( uT + p ) − E (b1 ) − X T + p E (b2 )
= β1 + β 2 X T + p + 0 − β1 − X T + p β 2 = 0
Yt = β 1 + β 2 X t + ut
Yˆt = b1 + b2 X t
YˆT + p = b1 + b2 X T + p
fT + p = YT + p − YˆT + p
E ( fT + p ) = E (YT + p ) − E (YˆT + p )
= E ( β 1 + β 2 X T + p + uT + p ) − E (b1 + b2 X T + p )
= β 1 + β 2 X T + p + E ( uT + p ) − E (b1 ) − X T + p E (b2 )
= β1 + β 2 X T + p + 0 − β1 − X T + p β 2 = 0
Sustituimos el valor de YT+p por la expresión del modelo y el valor predicho por la ecuación
de regresión ajustada.
5
PREDICCIÓN
Yt = β 1 + β 2 X t + ut
Yˆt = b1 + b2 X t
YˆT + p = b1 + b2 X T + p
fT + p = YT + p − YˆT + p
E ( fT + p ) = E (YT + p ) − E (YˆT + p )
= E ( β 1 + β 2 X T + p + uT + p ) − E (b1 + b2 X T + p )
= β 1 + β 2 X T + p + E ( uT + p ) − E (b1 ) − X T + p E (b2 )
= β1 + β 2 X T + p + 0 − β1 − X T + p β 2 = 0
Los primeros dos términos son constantes porque β1 y β2 son constantes y estamos
tratando XT+p como dada. Esta última consideración nos permite sacar XT+p fuera de la
esperanza del último término.
6
PREDICCIÓN
Yt = β 1 + β 2 X t + ut
Yˆt = b1 + b2 X t
YˆT + p = b1 + b2 X T + p
fT + p = YT + p − YˆT + p
E ( fT + p ) = E (YT + p ) − E (YˆT + p )
= E ( β 1 + β 2 X T + p + uT + p ) − E (b1 + b2 X T + p )
= β 1 + β 2 X T + p + E ( uT + p ) − E (b1 ) − X T + p E (b2 )
= β1 + β 2 X T + p + 0 − β1 − X T + p β 2 = 0
Bajo las condiciones de Gauss-Markov el tercer término es 0 y los valores esperados de b1
y b2 son iguales a sus valores verdaderos. De modo que la expresión es igual a 0.
7
PREDICCIÓN
Yt = β 1 + β 2 X t + ut
Yˆt = b1 + b2 X t
YˆT + p = b1 + b2 X T + p
fT + p = YT + p − YˆT + p
1 ( X T + p − X )2 2
σ 2f = 1 + + σ u
n nVar( X )
T+ p
La varianza poblacional del error de predicción está dada por la expresión anterior.
Nótese que depende de la diferencia entre el valor de la media muestral de X y el valor para
el cual predecimos. La varianza es mayor cuanto más nos alejemos de la media muestral.
8
PREDICCIÓN
Yt = β 1 + β 2 X t + ut
Yˆt = b1 + b2 X t
YˆT + p = b1 + b2 X T + p
fT + p = YT + p − YˆT + p
1 ( X T + p − X )2 2
σ 2f = 1 + + σ u
n nVar( X )
T+ p
9
PREDICCIÓN
Yt
Intervalo de
confianza para YT+p
YˆT + p = b1 + b2 X T + p
YT+p
X XT+p Xt
1 ( X T + p − X )2 2
σ 2f = 1 + + σ u
n nVar( X )
T+ p
10
PREDICCIÓN
Yt Límite superior
Intervalo de
confianza para YT+p
YˆT + p = b1 + b2 X T + p
YT+p
Límite inferior
X XT+p Xt
1 ( X T + p − X )2 2
σ 2f = 1 + + σ u
n nVar( X )
T+ p
============================================================
Dependent Variable: LGHOUS
Method: Least Squares
Sample: 1959 1999
Included observations: 41
============================================================
Variable Coefficient Std. Error t-Statistic Prob.
============================================================
C -0.298460 0.194922 -1.531173 0.1340
LGDPI 1.036576 0.006497 159.5366 0.0000
LGPRHOUS -0.423765 0.045451 -9.323628 0.0000
============================================================
R-squared 0.998595 Mean dependent var 6.301605
Adjusted R-squared 0.998521 S.D. dependent var 0.414822
S.E. of regression 0.015955 Akaike info criter-5.367763
Sum squared resid 0.009673 Schwarz criterion -5.242380
Log likelihood 113.0392 F-statistic 13500.87
Durbin-Watson stat 0.745307 Prob(F-statistic) 0.000000
============================================================
Estos son los resultados de la regresión logarítmica del gasto en vivienda sobre la renta y
los precios relativos, utilizando datos de 1959-1999, que es el periodo muestral. Vamos a
evaluar hasta qué punto este modelo permite predecir bien los valores de LGHOUS
correspondientes a los años 2000-2003. 12
PREDICCIÓN
13
PREDICCIÓN
En este ejemplo, el error más grande se produjo en el año 2000. Revisaremos si el valor
real se encuentra en el intervalo de confianza del 95%.
14
PREDICCIÓN
15
PREDICCIÓN
============================================================
Dependent Variable: LGHOUS
Sample: 1959 2003
============================================================
Sum squared resid 0.009673
============================================================
23
PREDICCIÓN
============================================================
Sample: 1959 1999
============================================================
Variable Coefficient Std. Error t-Statistic Prob.
============================================================
C -0.298460 0.194922 -1.531173 0.1340
LGDPI 1.036576 0.006497 159.5366 0.0000
LGPRHOUS -0.423765 0.045451 -9.323628 0.0000
============================================================
Yˆ2000 1959
============================================================
Sample:
= −02003
.2985 + 1.0366 LGDPI − 0.4238 LGPRHOUS
============================================================
Variable Coefficient Std. Error t-Statistic Prob.
============================================================
C -0.298460 0.194922 -1.531173 0.1340
LGDPI 1.036576 0.006497 159.5366 0.0000
LGPRHOUS -0.423765 0.045451 -9.323628 0.0000
D2000 -0.041629 0.017210 -2.418867 0.0205
D2001 -0.027473 0.017436 -1.575655 0.1234
=
Y2000D2002
D2003
− 0 . 2985 +
-0.022256
1 . 0366
-0.030428
−
0.017788 -1.251167
LGDPI 0 . 4238
0.017893 -1.700556
− 0.0416
0.2185
LGPRHOUS
0.0972
============================================================
El hecho de que los valores predichos para los años 2000-2003 sean idénticos a los valores
reales significa que los coeficientes de D2000-D2003 deben ser iguales a los errores de
predicción para los años 2000-2003. 24
PREDICCIÓN
============================================================
Sample: 1959 1999
============================================================
Variable Coefficient Std. Error t-Statistic Prob.
============================================================
C -0.298460 0.194922 -1.531173 0.1340
LGDPI 1.036576 0.006497 159.5366 0.0000
LGPRHOUS -0.423765 0.045451 -9.323628 0.0000
============================================================
Yˆ2000 1959
============================================================
Sample:
= −02003
.2985 + 1.0366 LGDPI − 0.4238 LGPRHOUS
============================================================
Variable Coefficient Std. Error t-Statistic Prob.
============================================================
C -0.298460 0.194922 -1.531173 0.1340
LGDPI 1.036576 0.006497 159.5366 0.0000
LGPRHOUS -0.423765 0.045451 -9.323628 0.0000
D2000 -0.041629 0.017210 -2.418867 0.0205
D2001 -0.027473 0.017436 -1.575655 0.1234
=
Y2000D2002
D2003
− 0 . 2985 +
-0.022256
1 . 0366
-0.030428
−
0.017788 -1.251167
LGDPI 0 . 4238
0.017893 -1.700556
− 0.0416
0.2185
LGPRHOUS
0.0972
============================================================
A su vez, esto implica que el error estándar del coeficiente de D2000 es el error estándar del
error de predicción para ese año.
25
PREDICCIÓN
26