Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Modelo de
Regresión Simple
y Método de
Mínimos
Cuadrados
Ordinarios
Econometría
Página 1 de 20
Introducción
Los objetivos del análisis de regresión son predecir, analizar y medir efectos que las
variables tienen sobre la variable dependiente y conocer si estas son significativas.
Aquí, aprenderemos a estimar los parámetros y conoceremos los supuestos detrás de
ellos.
Así, desde el punto de vista geométrico, una curva de regresión poblacional es el lugar
geométrico de las medias condicionales de la variable dependiente para los valores fijos
de la o las variables independientes. Es decir, es la curva que conecta las medias de las
subpoblaciones de Y que corresponden a los valores dados de X.
Página 3 de 20
Fuente: Gujurati, D. y Porter, D.(2010). Econometría. Ciudad de México: Mc Graw Hill. Recuperado
de: https://fvela.files.wordpress.com/2012/10/econometria-damodar-n-gujarati-5ta-ed.pdf
• Predecir el valor poblacional medio de Y dado los valores fijos de las variables X.
• Analizar los efectos de políticas que alteren las variables X.
• Saber si las variables X tienen efectos o no sobre las variables dependientes (Y) y si
estas son significativas.
Para derivar los estimadores ˆ1 y ̂ 2 no se realizaron supuestos sobre la forma en que
se obtuvo la muestra, sí sobre la distribución de probabilidad de los errores.
Los supuestos son necesarios para verificar las propiedades estadísticas que tienen los
estimadores. Para lograrlo, podemos seguir el siguiente paso a paso:
Página 5 de 20
2. E(ei/Xi)=0 i, los errores pueden ser positivos o negativos pero no existe razón a
priori para esperar que sistemáticamente sean positivos o negativos.
COV ( i , j ) = 0
3. No autocorrelación, ,ij
COV ( i , j ) = E i − E ( i ) j − E ( j ) = E i j = 0
VAR ( i / X j ) = 2
4. Homoscedasticidad, . Las perturbaciones se distribuyen
con la misma dispersión (varianza) respecto a la media. Esto podría ser
representado en el siguiente gráfico:
Homocedasticidad Heterocedasticidad
normal,
~ N (0, 2
).
Página 6 de 20
Gráfico de intuición
ei = Yi − Yˆi = Yi − ˆ1 − ˆ 2 X
Donde , son los errores.
e
2
i
errores sea mínima. Es decir, se busca minimizar, .
Página 7 de 20
L = Min i ei = i (Yi − 1 − 2 X ) 2
2
1 , 2
L =0 L =0
1 2
2L 0 2L 0
1 2
2 2
ˆ 2 =
X Y i i − N X Y
X −NX2
2
i
Página 8 de 20
Lo anterior se puede ver reflejado en el siguiente gráfico. Considerando lo que sucede con
grandes empresas.
P/BEjemplo:
vs ROE P/B vs ROE
3,5
Falabella
3,0
Andina SQM Enel
2,5
2,0
P/B
Entel AES
1,5
Latam Copec Cencosud
1,0 Colbún Engie
CMPC
0,5 y = 0,12x + 0,63
Cap R² = 0,51
0,0
-2 0 2 4 6 8 10 12 14 16 18
ROE
Fuente: Elaboración propia.
Página 9 de 20
• Si se cumple que:
1. E(ei/Xi)=0 i,
VAR ( i ) = 2
2.
3.
cov( et , et +k ) = 0 , k
4.
cov( et + k , xt ) = 0 , k, t
Los estimadores de MCO de una regresión lineal simple serán MELI (o BLUE), es decir los
mejores estimadores lineales insesgados.
Yt = Yˆt + et Yˆt = ˆ + ˆ xt
A partir de la ecuación típica , donde
podemos llegar a una expresión ordenada por desviaciones al cuadrado:
SCE SCR
1= +
Alternativamente, SCT SCT
Página 11 de 20
SCE SCR
R2 = = 1−
SCT SCT
X −
t= ~ t ( n−1)
S
estadístico N
P(− t 2 t t 2 ) = 1 −
Página 12 de 20
Distribución t-student
1.10. Predicción
ˆ 2 − 2
~ t n−2
ˆ ˆ2
Previamente sabemos que , entonces 1- de esta distribución t
− t t
con N-2 grados de libertad estará entre 2 y 2 .
Página 13 de 20
P − t t n − 2 t = 1 −
2 2
ˆ 2 − 2
P − t t = 1 −
2 ˆ ˆ2 2
P − ˆ 2 − t ˆ ˆ2 − 2 − ˆ 2 + t ˆ ˆ2 = 1 −
2 2
P ˆ 2 − t ˆ ˆ2 2 ˆ 2 + t ˆ ˆ2 = 1 −
2 2
2 = ˆ2 t ˆ ˆ 2
2
Si b I.C. Rechazo H0
Página 14 de 20
ˆ 2 − 2 ˆ 2 − b
~ t n−2 ~ t n−2
ˆ ˆ ˆ ˆ
Sabemos que 2
, entonces bajo la hipótesis nula 2
Así,
ˆ 2 − 2
~ t n−2
ˆ ˆ
2
Bajo H0,
Semilogarítmi
cos
Recíproco
Recíproco
logarítmico
• Supone que estás a cargo de la autoridad monetaria y que posees los siguientes
datos históricos sobre la cantidad de dinero e ingreso nacional (ambos en
millones de dólares).
1. Grafica las variables
2. Estima el siguiente modelo: Ingreso = + M1
M1 Ingreso Disponible
(promedios en miles -y(miles de millones
Años
de millones de de pesos
pesos) encadenados)
2005 6.946 88.967
2 i 1 2 i i
L = −2 (Y − ˆ − ˆ X )X = 0
Pendiente: ˆ
= − X iYi + 1 X i + ˆ 2 X i = 0
2
ˆ 2 =
X iYi − N X Y
Xi − N X 2
2
2
∑
L𝑋 =15047129,3
= −2 (Yi − ˆ1 − ˆ 2 X i ) = 0
1
= − Yi + ˆ1 + ˆ 2 X i = 0
Nˆ1 = Yi − ˆ 2 X i
L = −2 (Y −ˆˆ − ˆ X )X = 0
ˆα= 2 Y − i 21 X2 i i
1 =
= − X Y + ˆ X + ˆ X 53634 =0
2
α= i i 1 i 2 i
ˆ 2 =
X Y − N X Y
i i
X −NX
2 2
i
β= 80,657
Página 18 de 20
Respuesta al ejercicio
Relación PIB/M1
250.000
200.000
150.000 Año
2020
PIB
100.000
PIB = 80,657xM1 + 53634
R² = 0,8278
50.000
0
0,0 500,0 1000,0 1500,0 2000,0
Dinero
Conclusiones
En esta unidad, revisamos la importancia del modelo de regresión lineal clásico y podemos
estimar los parámetros de una regresión simple.
También conocimos los supuestos detrás del modelo de regresión. Ellos nos permitirán
hacer inferencia con lo que validamos estadísticamente la relación entre una variable y
otra.
Una vez estimados los parámetros, podemos realizar pruebas de hipótesis para evaluar la
significancia estadística de los valores encontrados. Estos nos permitirán realizar un
análisis estadístico más eficaz y fiable.
Para finalizar, realizamos un ejemplo aplicando los modelos vistos. Considera que el apoyo
de Excel en el desarrollo de gráficos y análisis estadístico es vital para comprender los
modelos propuestos.
Página 20 de 20
Referencias bibliográficas