Econometría Financiera

Docente: Ronal Barrera Espinoza

Unidad
Modelo de regresión Lineal con dos
variables y múltiple.
Logro
Al finalizar la unidad, el estudiante
comprende las ideas básicas de los
modelos de regresión lineal con dos
variables y su importancia para la
predicción delos cálculos obtenidos.
Importancia
Es importante esta unidad porque en ella podemos
entender el poder explicativo y predictivo de dos o
mas variables en la solución de problema financieros y
de gestión que todo administrador y/o empresario se
ve obligado a realizar.
Unidad
Modelo de regresión Lineal con dos
variables y múltiple.
Logro
Al finalizar la unidad, el estudiante
comprende las ideas básicas de los
modelos de regresión lineal con dos
variables y su importancia para la
predicción delos cálculos obtenidos.
Contenido General
Tema 1:
Modelo de Regresión lineal Múltiple
Tema 2:
Modelo con K variables independientes
Varianzas y errores estándar de los estimadores de
mínimos cuadrados
Tema 3:
Propiedades de los estimadores de mínimos
cuadrados: teorema de Gauss-Markov Una
observación sobre los experimentos Monte Carlo
 Tema: Modelo con K variables independientes
Varianzas y errores estándar de los estimadores de
mínimos cuadrados
- Error Estándar de la Regresión.
- Error estándar de los estimadores de MCO
- Teorema Gauss-Markov
Logro Sesión:
Al término de la sesión, el estudiante resuelve ejercicios, sobre aplicación de Método de
Mínimo Cuadrados Ordinario – Regresión Lineal Múltiple, de acuerdo al esquema
desarrollado en clase, con precisión y coherencia.
5.4 Método de mínimos cuadrados ordinarios (MCO)
El Error Estándar
El error estándar mide la dispersión de los datos alrededor de la línea de Regresión. Es decir, mide la
dispersión de los errores de regresión. Donde el σ representa el error estándar de los errores de la
regresión de x en y, k representa el numero de parámetros a estimar.

Suma de residuos al
𝜇𝑖2 cuadrado (SSE)
Varianza
𝜎2 =
homosedástica 𝑛−𝑘 Número de grados
de libertad

𝜇𝑖2 𝑦𝑖 − 𝑦𝑖 2
𝜎= 𝜎=
𝑛−𝑘 𝑛−𝑘
5.4 Método de mínimos cuadrados ordinarios (MCO)
El Error Estándar de los estimadores b1 y b2
Lo que se requiere es alguna medida de “confiabilidad” o precisión de los estimadores 𝛽1 𝑦 𝛽2 . En
estadística la precisión de un valor estimado es medida por su error estándar (ee). Los errores
estándar de los MCO estimados pueden obtenerse de la siguiente manera.

𝜎2 𝜎
𝑣𝑎𝑟 𝛽2 = 𝒆𝒆 𝜷𝟐 =
𝑥𝑖 − 𝑥 2 𝑥𝑖 − 𝑥 2

𝑋𝑖2 2 𝑋𝑖2
𝑣𝑎𝑟 𝛽1 = 2
𝜎 𝒆𝒆 𝜷𝟏 = 2
×𝜎
𝑛 𝑥𝑖 − 𝑥 𝑛 𝑥𝑖 − 𝑥
5.4 Método de mínimos cuadrados ordinarios (MCO)
Matriz de Varianza y Covarianza de 𝜷
Los métodos matriciales permiten desarrollar fórmulas no sólo para la varianza de 𝛽𝑖 , cualquier
elemento dado de 𝛽, sino también para la covarianza entre dos elementos de 𝛽 cualesquiera, por
ejemplo, 𝛽𝑖 y 𝛽𝑗 . Se necesitan estas varianzas y covarianzas para fines de inferencia estadística.

𝑣𝑎𝑟 𝛽1 𝑐𝑜𝑣 𝛽1 , 𝛽2 ⋯ 𝑐𝑜𝑣 𝛽2 , 𝛽𝑘

⋯ 𝑐𝑜𝑣 𝛽2 , 𝛽𝑘
𝑣𝑎𝑟 − 𝑐𝑜𝑣 𝛽 = 𝑐𝑜𝑣 𝛽2 , 𝛽1 𝑣𝑎𝑟 𝛽2
⋯
⋯ ⋯ ⋯
𝑐𝑜𝑣 𝛽𝑘 , 𝛽1 𝑐𝑜𝑣 𝛽𝑘 , 𝛽2 ⋯ 𝑣𝑎𝑟 𝛽𝑘

𝑣𝑎𝑟 − 𝑐𝑜𝑣 𝛽 = 𝜎 2 𝑋 ′ 𝑋 −1
5.4 Método de mínimos cuadrados ordinarios (MCO)
Ejemplo 3
Con los datos del ejercicio 2, se pide calcular el coeficiente de Determinación:
Reemplazamos la formula Error Estándar (σ)

𝑦𝑖 − 𝑦𝑖 2 378.39
𝜎= =
10 − 2
𝜎 = 6.8774
𝑛−𝑘
Calculando el error del b 1

𝑋𝑖2 4,694.00
𝒆𝒆 𝜷𝟏 = ×𝜎 = × 6.8774
𝑛 𝑥𝑖 − 𝑥 2 10(284)2

𝒆𝒆 𝜷𝟏 = 8.8416

Calculando el error del b 2

𝜎 6.8774
𝒆𝒆 𝜷𝟐 = 𝒆𝒆 𝜷𝟐 = 0.40809
𝑥𝑖 − 𝑥 2 =
284
5.4 Método de mínimos cuadrados ordinarios (MCO)
Ejemplo 3
Otra forma de calcular los errores es a travez de la matriz de varianza y Covarianza:
Reemplazamos la formula de la matriz de Varianza y Covarianza

𝑣𝑎𝑟 − 𝑐𝑜𝑣 𝛽 = 𝜎 2 𝑋 ′ 𝑋 −1

2 1.6528169 −0.0739436
𝒗𝒂𝒓 − 𝒄𝒐𝒗 𝜷 = 6.8774
−0.0739436 0.003521127

𝟕𝟖. 𝟏𝟕𝟓𝟔𝟐𝟎 −3.4974180

𝒗𝒂𝒓 𝜷𝟏 = 𝝈𝟐 = 78.175620
𝑣𝑎𝑟 − 𝑐𝑜𝑣 𝛽 =
−3.4974180 𝟎. 𝟏𝟔𝟔𝟓𝟒𝟑𝟕
𝒗𝒂𝒓 𝜷𝟐 = 𝝈𝟐 = 0.1665437
5.3 Propiedad de los Estimadores MCO: Teorema Gauss-Markov
Definición:
Para entender este teorema necesitamos considerar la propiedad del mejor
estimador lineal insesgado. el estimador de MCO 𝛽2 , es el mejor estimador
lineal insesgado (MELI) de 𝛽2 si se cumple lo siguiente:
Es lineal, es decir, función lineal de una variable
aleatoria, como la variable dependiente Y en
el modelo de regresión.

Es insesgado, es decir, su valor promedio o

esperado, E(βˆ2), es igual al valor verdadero, β2.

Tiene varianza mínima dentro de la clase de

todos los estimadores lineales insesgados; un
estimador insesgado con varianza mínima se
conoce como estimador eficiente.
Unidad
Modelo de regresión Lineal con dos
variables y múltiple.
Logro
Al finalizar la unidad, el estudiante
comprende las ideas básicas de los
modelos de regresión lineal con dos
variables y su importancia para la
predicción delos cálculos obtenidos.
Conclusiones
1. La regresión Múltiple utiliza mas de una variable independiente.
2. Para hallar la FRP esta se basa en información muestral, para lo
cual se toma en cuenta n muestras, de las cuales no
necesariamente son iguales(FRM).
3. El término de perturbación 𝜇𝑖 es un sustituto de todas las
variables que se omiten .
 Gracias
Docente: Ronal Barrera