Documentos de Académico
Documentos de Profesional
Documentos de Cultura
EstII Pres Lec7 Profesor
EstII Pres Lec7 Profesor
Lección 7
Modelo Lineal Simple
Video
Ahora bien, puede darse él caso de que dos variables estén
aparentemente relacionadas, pero que en realidad no lo están (lo que
se conoce en el lenguaje de la investigación como çorrelación
espuria”).
A veces la correlación entre dos variables se produce por una tercera
que afecta a las dos de forma conjunta.
Z −→ X
↘ Y
La simple correlación entre X e Y no implica ningun tipo de relación
causal entre ambas.
Ejemplo clásico: Correlación entre venta de helados y hectáreas
incendiadas (factor común: temperatura).
Yi = β0 + β1 Xi + Ui
Donde
Yi es la variable dependiente (endógena)
Xi es la variable independiente (exógena)
Ui es un variable aleatoria que cumple
E (Ui ) = 0, Var (Ui ) = σu2 y Cov (Ui , Uj ) = 0
Además se supone que Ui es Normal, por lo que Ui ∼ N(0, σu2 )
Constante (β0 )
Es el valor esperado de la Yi cuando Xi = 0, es decir
Yi
β0 = E
Xi = 0
Pendiente (β1 )
Refleja la variación de la Yi cuando la variable Xi aumenta en una
unidad
∂Yi
β1 =
∂Xi
Transformaciones: Modelo en Logaritmos
Ln(Yi ) = β0 + β1 Ln(Xi ) + Ui
∂Yi 1
= e β0 +β1 Ln(Xi )+Ui · β1 ·
∂Xi Xi
teniendo en cuenta el resultado anterior y reorganizando se obtiene que:
∂Yi
Yi
β1 = ∂Xi
Xi
Sea el modelo
Ln(Yi ) = β0 + β1 Xi + Ui
Obtenga la interpretación del parámetro β1
Sea el modelo
Yi = β0 + β1 Ln(Xi ) + Ui
Obtenga la interpretación del parámetro β1
Yi = e β0 +β1 Xi +Ui
Y derivamos respecto a Xi
∂Yi
= e β0 +β1 Xi +Ui · β1
∂Xi
∂Yi
Ahora, con Yi = e β0 +β1 Xi +Ui , la expresión queda ∂Xi = Yi · β1
Y reorganizando
∂Yi
Yi
β1 =
∂Xi
Y por lo tanto β1 se interpreta de la siguiente manera: Si la Xi aumenta en
una unidad, la Yi aumentara en β1 %.
M. León Estadistica Empresarial II 14 / 28
Modelo lineal simple - Interpretación modelo - Ejercicio -
Solución
∂Yi 1
= β1 ·
∂Xi Xi
Y reorganizando
∂Yi
β1 = ∂Xi
Xi
N = f (E )
Modelo estadı́stico
Ni = β0 + β1 Ln(Ei ) + Ui
Interpretación de β1 .
Se supone que el precio de las acciones de una empresa electrica
depende de la cantidad de lluvia:
Modelo teórico
P = f (R)
Modelo estadı́stico
Ln(Pt ) = β0 + β1 Ln(Rt ) + Ut
Interpretación de β1 (elasticidad precio-lluvia)
M. León Estadistica Empresarial II 17 / 28
Modelo lineal simple - Ejemplos
E (ri ) − rf = βi (E (rm ) − rf )
Modelo Estadı́stico
rit − rft = βi (rmt − rft )
Para poder hacer inferencia se necesita dar unos valores a los parámetros
desconocidos =⇒ Estimador =⇒ Muestra =⇒ Estimación.
Definición-Y estimada
Dada un estimación de βˆ0 y βˆ1 se define Ŷi = βˆ0 + βˆ1 Xi .
Definición-Residuo
Dada un estimación de βˆ0 y βˆ1 se define el residuo del modelo como
Ûi = Yi − Ŷi
La primera idea podria ser conseguir βˆ0 y βˆ1 de tal manera que se
minimice la suma de los residuos. Problema: Se pueden hacer muy
negativos.
La siguiente idea que nos viene a la cabeza es ponderar aquellos
valores que se van por exceso de aquellos que se van por defecto. Esto
se puede hacer elevandolos al cuadrado. Por lo tanto se debe
minimizar la suma de residuos al cuadrado.
Definición de Suma Residual
SR= ni=1 Ûi2
P
Pn 2
La estrategia que seguiremos será Min SR, es decir Min i=1 Ûi
βˆ0 = Ȳ − βˆ1 X̄
M. León Estadistica Empresarial II 23 / 28
Modelo lineal simple - Estimación - Ejemplo
obs. Y X Y − Ȳ X − X̄ (Y − Ȳ )(X − X̄ ) (Y − Ȳ )2 (X − X̄ )2
1 2.74 1.2 -0.003 -0.669 0.002 0.000 0.448
2 2.36 2.3 -0.383 0.431 -0.165 0.147 0.186
3 4.32 2.6 1.577 0.731 1.153 2.488 0.534
4 3.04 1.7 0.297 -0.169 -0.050 0.088 0.029
5 2.02 1.1 -0.723 -0.769 0.556 0.522 0.591
6 2.48 1.9 -0.263 0.031 -0.008 0.069 0.001
7 1.54 1.2 -1.203 -0.669 0.805 1.447 0.448
8 2.908 2.34 0.165 0.471 0.078 0.027 0.222
9 1.84 1.45 -0.903 -0.419 0.378 0.815 0.176
10 4.18 2.9 1.437 1.031 1.482 2.066 1.063
Suma 27.428 18.69 0.000 0.000 4.230 7.669 3.696
27,428 18,69
Por lo tanto Ȳ = 10 = 2,74 X̄ = 10 = 1,87. Además:
4,230
βˆ1 = = 1,144
3,696
Y por último βˆ0 = 2,74 − 1,144 · 1,87 = 0,6
M. León Estadistica Empresarial II 24 / 28
Modelo lineal simple - Estimación - Ejemplo (cont.)
obs. Y X Ŷ Û
1 2.74 1.20 1,98 = 0,6 + 1,144 · 1,20 0,76 = 2,74 − 1,98
2 2.36 2.30 3,24 = 0,6 + 1,144 · 2,30 −0,88 = 2,36 − 3,24
3 4.32 2.60 3,58 = 0,6 + 1,144 · 2,60 0,74 = 4,32 − 3,58
4 3.04 1.70 2,55 = 0,6 + 1,144 · 1,70 0,49 = 3,04 − 2,55
5 2.02 1.10 1,86 = 0,6 + 1,144 · 1,10 0,16 = 2,02 − 1,86
6 2.48 1.90 2,78 = 0,6 + 1,144 · 1,90 −0,30 = 2,48 − 2,78
7 1.54 1.20 1,98 = 0,6 + 1,144 · 1,20 −0,44 = 1,54 − 1,98
8 2.91 2.34 3,28 = 0,6 + 1,144 · 2,34 −0,37 = 2,91 − 3,28
9 1.84 1.45 2,26 = 0,6 + 1,144 · 1,45 −0,42 = 1,84 − 2,26
10 4.18 2.90 3,92 = 0,6 + 1,144 · 2,90 0,26 = 4,18 − 3,92
Suma 27.43 18.69 27.43 0.00
Se pide
Planteé un modelo estadı́stico que permita contestar a la pregunta.
Estime dicho modelo e interprete el resultado
Calcule la inflación esperada en cada año y los residuos.
M. León Estadistica Empresarial II 26 / 28
Modelo lineal simple - Estimación - Ejercicio - Solución
Yt = β0 + β1 · Xt + Ut
Para estimar el modelo anterior se deben calcular las medias y
varianzas de las variables, ası́ como la covarianza entre ambas.
obs. Y X Y − Ȳ X − X̄ (Y − Ȳ )(X − X̄ ) (Y − Ȳ )2 (X − X̄ )2
2001 1.04 -0.25 2.339 -2.117 -4.951 5.470 4.481
2002 -3.19 3.99 -1.891 2.122 -4.014 3.577 4.504
2003 -2.28 2.75 -0.981 0.877 -0.860 0.963 0.769
2004 -0.41 1.82 0.889 -0.046 -0.041 0.790 0.002
2005 0.67 0.34 1.969 -1.526 -3.004 3.876 2.329
2006 -1.67 2.26 -0.371 0.391 -0.145 0.138 0.153
2007 -0.16 1.25 1.139 -0.615 -0.700 1.297 0.378
2008 -2.782 2.61 -1.483 0.745 -1.105 2.200 0.555
2009 -0.735 1.67 0.564 -0.195 -0.110 0.318 0.038
2010 -3.47 2.23 -2.171 0.364 -0.790 4.715 0.133
Suma -12.987 18.69 0.000 0.000 -15.721 23.342 13.341
−12,987
Con lo sumatorios anteriores, se obtiene que Ȳ = 10 = −1,299 y
que X̄ = 18,69
10 = 1,87.
La estimación de β1 se obtiene como:
−15,72
βˆ1 = = −1,178
13,34
La estimación de β0 se obtiene como
βˆ0 = −1,299 − (−1,178) · 1,87 = 0,904
La interpretación de las estimaciones es la siguiente: β1 = −1,178
significa que por cada unidad que aumenta la tasa de paro la inflación
se reduce en 1.178 unidades. β0 = 0,904 significa que si la tasa de
paro fuera 0 (pleno empleo) la tasa de inflación de esta economı́a
serı́a 0.904.
Coefficients:
(Intercept) IBE.Hi
0.08159 0.94366
Coefficients:
(Intercept) log(IBE.Hi)
-0.08103 1.02006