Apuntes de Econometría Jorge Salgado

PONTIFICIA UNIVERSIDAD CATLICA DEL ECUADOR APUNTES DE ECONOMETRA I ECONOMISTA LINCOLN MAIGUASHCA
PRINCIPIOS ECONOMTRICOS: 1.- Anlisis de regresin con dos variables: Supongamos una comunidad hipottica con una poblacin total de 60 familias con sus ingresos (X) y sus gastos en consumo (Y) semanales. Cabe advertir que se analizar la propensin marginal de consumo (PMC), desarrollado por el economista John Maynard Keynes1 en el ao de 1935. Condiciones: Se va a construir un marco hipottico con 10 valores fijos de X y 10 subpoblaciones de Y. Ingreso Familiar (X)
80
55 60 65 70 75
100
65 70 74 80 85 88 462 77
120
79 84 90 94 98
140
80 93 95 103 108 113 115 707 101
160
102 107 110 116 118 125 678 113
180
110 112 120 130 135 140 110 750 125
200
120 136 140 144 145
220
135 137 140 152 157 160 162 1043 144
240
137 145 155 165 175 189 966 161
260
150 152 175 178 180 185 191 1211 173
Consumo Familiar (Y)

TOTAL MEDIA CONDICIONAL
325 65
445 89
685 137
Consumo Semanal
Curva de Regresin Poblacional
X Re Ingreso Semanal gr esi n 1 John Maynard Keynes (1883-1946), economista britnico. Dio lugar a una nueva escuela de pensamiento econmico Po denominada keynesianismo o nueva ciencia econmica, estas influyeron de forma determinante en el diseo de las bl polticas econmicas de muchos pases desde la finalizacin de la II Guerra Mundial dando lugar a los sistemas de aci desarrollo. on al Jorge Salgado
Pgina
-En el grfico anterior la recta representa los valores promedio de las observaciones. -Los promedios tambin son conocidos como los valores esperados condicionales. -La expectativa (esperanza de Y condicionada a X) se simboliza como: E (X/Y) - E (X\Y), en nuestro ejemplo se trata del promedio del consumo con respecto al ingreso. -Se concluye de forma sencilla que a medida que el ingreso semanal aumenta el consumo aumenta.
1.1.-El valor esperado condicional e incondicional: Para comprender las diferencias entre las categoras, vamos a relazar una contrastacin utilizando la tabla anterior. Valor esperado Incondicional
E (Y) =
7272 60
= 121,20
Valor esperado condicional
E (Y/X = 140) =
707 7
= 101
Por lo tanto, el valor esperado incondicional y condicional son respuestas a diferentes preguntas. En el caso de la media incondicional (en donde no existen condiciones) se formula la pregunta: Cul es el valor esperado del consumo de una familia? En donde, se hace alusin cualquier familia.
Por otro lado la media condicional formula la pregunta: Cul es el valor esperado de consumo de una familia cuyo ingreso semanal es de $ 140?
Jorge Salgado
Pgina
2.-Funcin de Regresin Poblacional: De lo presentado anteriormente se deduce que cada media condicional E (Y/Xi) es funcin de Xi. E (Y/Xi) = f (Xi) Esta ecuacin seala que los valores esperados de la distribucin de Y, estn relacionados funcionalmente con X. Ahora vamos a suponer el gasto est linealmente relacionado con el ingreso. E (Y/Xi) = 1 + 2Xi En donde 1 y 2 son parmetros no conocidos, denominados coeficientes de regresin, cuya estimacin es el inters del anlisis de regresin. La ecuacin anterior es la funcin de regresin lineal poblacional. Finalmente es necesario resaltar que el criterio clave que subyace en el anlisis de regresin es el de funcin de regresin poblacional (FRP). As, el objetivo del anlisis de regresin es averiguar la forma en que el valor promedio de la variable dependiente (regresada) vara de acuerdo con el valor dado de la variable explicativa (regresora). 2.1-Significado del trmino lineal: La interpretacin matemtica del trmino lineal, puede ser desarrollada por medio de dos vas. a) Linealidad en las variables: Se dice que una funcin E (Y/Xi) = f (x) es lineal en las variables si estas aparecen elevadas a una potencia uno y no estn multiplicadas ni dividas por ninguna variable. En el contexto de las matemticas puras se dice que la incgnita es el elemento de la ecuacin elevada a una potencia. b) Linealidad en los parmetros: Se dice que una funcin E (Y/Xi) = f (x) es lineal en los parmetros se estos aparecen elevados a una potencia y no estn multiplicados ni divididos por ningn otro parmetro. Ejemplos: (/ ) = 1 + 2
- Lineal en las variables. - Lineal en los parmetros.
(/ ) = 1 + 2 2
- No lineal en las variables. - Lineal en los parmetros.
Jorge Salgado
Pgina
(/ ) = 1 + 2
1/2
- Lineal en las variables.

- No lineal en los parmetros.
(/ ) = 1 + 2 1
- No lineal en las variables. - Lineal en los parmetros.
1 (/ ) = 1 + 2
- Lineal en las variables.

(/ ) = 1 + 2
2
- No lineal en las variables.

- Para nuestro propsito, la segunda interpretacin (linealidad en los parmetros) es la que ser utilizada en el desarrollo de la materia. - En una regresin lineal debemos fijarnos en los parmetros.
3.-Especificacin Estocstica de la FRP: Se ha demostrado que a medida que el ingreso familiar aumenta, el gasto de consumo familiar en promedio tambin aumenta. Sin embargo, el gasto en consumo de una familia individual no necesariamente aumenta a medida que el nivel de ingreso es mayor. Perturbacin estocstica, variables que afectan al consumo pero no es el ingreso.
Analizamos un cambio latitudinal
Son considerados otros patrones de consumo a la religin, la situacin geogrfica entre otros.
Jorge Salgado
Pgina
X1
X2
X3
X4
X5
X6
X7
-Es importante recordar que la sumatoria de las desviaciones con respecto a la media es igual a cero. En el siguiente ejemplo se examina la premisa anterior: Y1 Y2 Y3 Y4 Y5 75 70 65 60 55 + E(Y/Xi) U5
U1 U2 U3 U4
As = / , donde es una variable aleatoria que se denomina perturbacin estocstica que en trminos estadsticos son desviaciones con respecto a la media; que sustituye o representa a las variables omitidas o ignoradas que pueden afectar a Y por que no estn incluidas en el modelo de regresin. = / + = 1 + 2 +
Con el modelo anterior se puede determinar a las sesenta familias del ejercicio emprico presentado inicialmente. La ecuacin plantea que el gasto de consumo de una familia est relacionado linealmente con sus ingresos ms el trmino de perturbacin estocstica que puede ser positivo (+) o negativo (-).
En el siguiente grfico se muestra a .
Jorge Salgado
Pgina
X1
X2
X3
X4
X5
X6
X7
4.-Propiedades del Operador Expectativa: 1.-La expectativa de una constante es la constante. El promedio de una constante es la constante. = 2.-Cuando tenemos la expectativa / queremos decir: / = =

= / + = + = + = +
= + / Si tenemos el valor esperado de la ecuacin anterior: = / + ( ) = / + ( ) = / ( ) = / + +
= 0
Recordando que las expectativa de una constante es una constante. Por un lado, el promedio de las perturbaciones estocsticas es igual a cero porque son desviaciones con respecto a la media; pero por otro lado lo anterior implica que la recta de regresin pasa a travs de las medias condicionales de Y. Pgina 5.-Funcin de Regresin Muestral:
Jorge Salgado
Cambiando de perspectiva de valores poblacionales vayamos a considerar valores muestrales que es el problema de anlisis de la regresin lineal. En el ejemplo el nmero de muestras que disponemos es: La combinacin de las 60 familias, de donde podemos escoger uno de cada grupo.
60,10 =
60! 10! 50!
= 7,539402757 * 10 10 muestras.
De las cuales seleccionamos dos: Muestra 1 Y 70 65 90 95 110 115 120 140 155 150 X 80 100 120 140 160 180 200 220 240 260 Muestra 2 Y 55 88 90 80 118 120 145 135 145 175 X 80 100 120 140 160 180 200 220 240 260
Primera Muestra
Gasto en Consumo Semanal $
Segunda Muestra
Regresin basada en la segunda muestra
FRM2 FRM1
Regresin basada en la primera muestra
En general las rectas de regresin muestral, son aproximaciones a la recta poblacional
Ingreso Semanal $
Jorge Salgado
Pgina
De manera similar a la funcin de regresin poblacional (FRP), es posible definir a la funcin de regresin muestral(FRM), para representar la recta de regresin muestral. = 1 + 2 + Donde = 1 + 2 , y representa a un punto de la recta de regresin muestral.
= Estimador del promedio / 1 = Estimador de la interseccin 1 2 = Estimador de la pendiente 2 = Estimador de (residuos)
As un estimador es la aproximacin al parmetro poblacional a partir de la informacin de la muestra que se tiene a la mano, = + = Ecuacin que en trminos de la FRP son: = (/ ) + = ( / ) FRM
Gasto en Consumo Semanal $
FRP
Ingreso Semanal $
Jorge Salgado
Pgina
MODELO DE REGRESIN CON DOS VARAIBLES: PROBLEMA DE ESTIMACIN La primera tarea consiste en estimar la funcin de regresin poblacional (FRP) con fundamento en la funcin de regresin muestral(FRM) de la manera ms precisa posible. Hay dos mtodos de estimacin: 1) Los mnimos cuadrados ordinarios (MCO). 2) La mxima verosimilitud (MV). Se estudiar el primer mtodo. Mnimos Cuadrados Ordinarios: Se le atribuye a Carl Friedrich Gauss2, cuyo principio es el de minimizar la sumatoria de los residuos al cuadrado.
2 =
1 2
Considerando como incgnitas a 1 , 2
=2
( 1 2 ) 1 = 0
( 1 2 ) = 0 1 2 = 1 + 2 = 0
=2
( 1 2 ) = 0
Carl Friedrich Gauss (1777-1855), matemtico alemn conocido por sus muy diversas contribuciones a la astronoma, las matemticas y la fsica, especialmente por sus estudios del electromagnetismo. En el caso economtrico cobre relevancia por su aporte de la Curva Normal.
Jorge Salgado
Pgina
( 1 2 )( ) = 0 1 = 1 + 2 2 2 = 0
2 =
Ahora multiplicando a la segunda ecuacin normal por n y restando la primera ecuacin multiplicada por , resolvemos el sistema de ecuaciones. Adicionalmente, tenemos que tener en consideracin que 2 2 .
= 1 = 1
+ 2 + 2
2
2
La resta nos da el siguiente resultado:

2 2
= 2
2 2

2 =
Remplazando, obtenemos 1 :
1 =
2 2 2
Se deben hacer los clculos de los estimadores con el ejercicio de las muestras.
Jorge Salgado
Pgina
10
Propiedades de las desviaciones con respecto a la media: Notacin: = =
1.- La sumatoria de las desviaciones con respecto a la media es igual a cero: = ( ) = = = 2.-La varianza: 2 =
2 1
= = 0
= = =
2 2 + 2 2 2 2 2 + 2 2 = 0
3.-La covarianza:
= = = =
=0
Si en 2 se sustituyen los valores observados (maysculas) por las desviaciones con respecto a la media (minsculas), encontramos: 2 = 2 = 2 = 2 2 2
= 2
Jorge Salgado
Pgina
11
2 =
= 2
= 2
Si en la primera ecuacin normal dividimos para n, encontramos: = 1 + 2 = 2 = 1 + = 1 + 2 1 = 2 Propiedades de numricas de los operadores de los Mnimos Cuadrados Ordinarios: Son aquellas que se mantienen sin considerar la forma o la manera en que se generan los datos. 1.-Estn expresados en trminos de las cantidades observadas, por consiguiente pueden ser fcilmente calculados. 2.-Son estimadores puntuales, es decir proporcionan un solo valor poblacional pertinente. 3.-Una vez obtenidos los estimadores la recta de regresin muestral puede graficarse fcilmente.
Jorge Salgado
Pgina
12
Propiedades de la recta de regresin muestral: Nota: Estos resultados son correctos cuando el modelo de regresin incluye la interseccin 1 , en el caso de que sean excluidos estos resultados no se dan necesariamente. Sin embargo, hay c casos en donde encontramos: Y
i) Pasa a travs de las medias muetrales de Y y X.
= 1 + 2
ii) La media de () es igual a la media de Y (observada).
= 1 + 2
1 = 2
= 2 + 2 = + 2 = + 2 = + 2 = = = = 0
Jorge Salgado
Pgina
13
iii) La media de los residuos es cero:

2 = 2
=2
1 + 2
1 + 2 1 = 0 = 0
1 + 2 = = 0 Nota: = 1 + 2 + = 1 + 2 . = 2 2 + = 2 +
= 2 + = 2
Cuando se realza una regresin con respecto a la media se parte del origen.
iv) Los residuos no estn correlacionados con . Con la ecuacin obtenida anteriormente multiplicamos por y aplicamos la sumatoria: = 2
= 2
= 2
2 =
= 2
Jorge Salgado
Pgina
14
= 0 =
= , 0 estn correlacionados. Son dependientes.
= , = 0 no estn correlacionados. Son independientes.
v) Los residuos no estn correlacionados con .

2 = 2
=2
1 + 2 = 0
Jorge Salgado
Pgina
15
1 + 2
1 + 2 = 0 = 0
= 0
= , 0 estn correlacionados. Son dependientes.
= , = 0 no estn correlacionados. Son independientes. Supuestos detrs de los Mnimos Cuadrados Ordinarios (MCO): Son supuestos sobre la forma como se generan los datos, los cuales fijan las propiedades estadsticas de los estimadores de los Mnimos Cuadrados Ordinarios (MCO). Si el objetivo de la econometra sera estimar 1 y 2 , solamente el mtodo de los MCO sera suficiente. Pero es necesario saber que cerca est 1 de 1 , 2 de 2 y adems se est cerca de
Jorge Salgado
Pgina
16
(/ ), para poder hacer inferencia. Por tanto, el modelo clsico de regresin lineal plantea diez supuesto. Supuesto 1: El modelo de regresin es lineal en los parmetros. = 1 + 2 + Supuesto 2: Los valores de X son fijos en muestreo repetido, es decir se suponen no estocsticos. Valores fijos en muestro repetido hace referencia a que mediante un valor de X se pueden escoger varios valores diferentes de Y en diferente s muestras. Supuesto 3: El valor medio de las perturbaciones es igual a cero.
D.P. f(u)
+ui -ui
Xi
FRP
Por un lado los valores negativos y positivos de ui se cancelan de tal manera que el efecto sobre el promedio es cero; por otro lado las ui son desviaciones con respecto a la media cuya sumatoria es igual a cero. Yi = 1 + 2 + ui Yi = E(Y/X i ) + ui E Yi = E E(Y/Xi ) + ui E Yi = E E(Y/X i ) + E ui /Xi
Jorge Salgado
Pgina
E ui /Xi = 0
17
E Y/X i = E(Y/X i ) + E ui /Xi
Supuesto 4: Homocedasticidad3 o igual varianza en las distribuciones de ui.

D.P. f(u)
FRP:
La homocedasticidad es una caracterstica de las series de tiempo, en donde existen distribuiones varianzas y medias iguales. f(u)
D.P.
2 1 2 2 2 3
FRP:
En griego Homo = igual y Cedasticidad = Dispersin
Jorge Salgado
Pgina
As como la homocedasticidad es la caracterstica de las series de tiempo, la heterocedasticidad es la caracterstica de la informacin de corte transversal.
18
Nota: La varianza de una variable X:
2 =
=
= 0
= 2
Supuesto 5: No existe autocorrelacin entre las distribuciones de ui. El problema de la autocorrelacin est presente en series de tiempo, que en trminos generales se manifiesta de dos maneras: = 1 + 2 Xt + ut
f (u)
= 1
D.P.
FRP:
Jorge Salgado
Pgina
19
1 , 0
= 1 + 2 Xt + ut
f (u)
= + 1 1
D.P.
FRP:
1 , 0
Nota:
Cov X, Y = = 1 n
1 n
1 = n
Cov ui , uj \X i Xj 1 = / / n
Jorge Salgado
Pgina
20
Supuesto 6: La varianza entre la distribucin ui y Xi es cero. Las dos distribuciones no estn correlacionadas. Si la funcin de regresin poblacional es = 1 + 2 + y si existiera correlacin entre las perturbaciones de ui, y la variable Xi, la Cov(ui, Xi) 0, entonces Xi = f (ui). La influencia de cada una de las dos sobre Yi, no seran independientes y lo que se requiere es que sean separadas e individuales. , = = 0
, = , = , = , =
La expectativa de ui est condicionada.
, = = 0 =
Supuesto 7: El nmero de observaciones n debe ser mayor que el nmero de variables explicativas. Este supuesto quiere asegurar los suficientes grados de libertad. En la prctica si solo poseemos diez observaciones no debemos hacer una regresin, los grados de libertad son reducidos, por lo que la hiptesis no pasa y la inferencia poblacional estara errada. n - k = Grados de libertad En donde, n es el nmero de observaciones y k es el nmero de regresores. As, lo ptimo es: El nmero de observaciones n debe ser mayor que el nmero de variables explicativas. Este supuesto quiere asegurar los suficientes grados de libertad.
Supuesto 8: Variabilidad de los valores de X (Los valores de las variables explicativas tiene que tener diferentes valores). No todos los valores de X en una muestra dada deben ser iguales. Si todos los valores de X son idnticos, = y la varianza sera cero. La varianza de X debe ser un nmero positivo finito. Por lo tanto, cuando la varianza es igual a cero no existe distribucin.
Jorge Salgado
Pgina
21
Supuesto 9: El modelo de regresin est correctamente especificado. Una investigacin economtrica empieza con la especificacin de un modelo de base para explicar el fenmeno de inters. En este proceso surgen dos preguntas esenciales:
A) Cules son las variables que deben ser incluidas? Las tcnicas estadsticas probabilsticas, la teora econmica usada, solventan a este cuestionamiento. B) Cul es la forma funcional del modelo? A nivel nacional aplicar un modelo puede tener mltiples dificultades, se suelen usar variables proxy.
Respecto al primer cuestionamiento se debe seguir alguna teora que explique el fenmeno econmico y an as, en la prctica eleconometrista tiene que usar su juicio para escoger cuantas y cuales variables. Con relacin al segundo cuestionamiento analizamos a la Curva de Phillips.
= 1 + 2 1 + (Hiprbole)
Haramos mal en proponer un modelo lineal, porque solo hay dos puntos en contacto con la realidad. La hiprbole por el contrario se funde con la realidad.
% Salarios
= 1 + 2 +
% Desempleo
Jorge Salgado
Pgina
22
Si proponemos a = 1 + 2 + , una lnea recta, apenas coincidir en dos puntos con las observaciones y ser una mala propuesta. Si proponemos a = 1 + 2 1 + , entonces es una hiprbole, coincidir con las observaciones y ser una buena propuesta.
Supuesto 10: No existe multicolinealidad perfecta. Este supuesto est destinado a la regresin mltiple y se discutir ms adelante.
Nota: Propiedades de ki: 2 = 2 es un estimador lineal Yi, es decir un promedio ponderado de Yi en donde ki son las ponderaciones. = 2 = = 2 2 1 + 2 1 2 2 + + 2 2 2 = 2
1.-
= 0 = 2 = 2
2
= 2
2 2
=0 2
2 2 2
2.-
= 2
2 2
2
2 2
1 2
3.-
= = =
= 1 = 2 = 2 2 =1 2 = 2 2
Jorge Salgado
Pgina
23
2 2 2 + 2
2 = 2 2 + 2 =
2 2 2 2 + 2
2 2 =1 2 2
Nota: Propiedades del operador varianza: 1.-Var(a) = 0 No existe 2.-Var (aXi)=a2Var(X) 3.-Var = 2 () 4.- Var = () Cuando las variables son independientes (no correlacionadas) 5.- Var = + + 6.- Var = 2 + 2 + 2 Cuando las variables son dependientes (correlacionadas) 7.- Var = + + 2 , 2 , 2 , 8.- Var = 2 + 2 + 2 2 , 2 , 2 ,
Varianza y errores estndar estimadores de MCO Si en nuestro ejemplo hipottico hay 7,54*1010 muestras quiere decir que se puede obtener 7,54*1010 regresiones o lneas rectas 1 (para hacer cumplir los MCO) y 2 , valores con los cuales se pueden obtener dos distribuciones normales. 2 =
2 2 1/2
2 = 2 1 =
2
En donde 2 es la varianza homocedstica de las distribuciones de las perturbaciones ui y que se estima de la siguiente manera:
2 = 2
2 2
1/2
1 = 1
Donde n es el nmero de observaciones y k es el nmero de regresores.
Jorge Salgado
Pgina
24
Recordando de esta manera que (n-k) son los grados de libertad, n es el nmero total de observaciones y k es el nmero de restricciones lineales (nmero de 1 ) para una muestra(n-2).
2 As, los son denominados suma de residuos cuadrados (SRC). Adems, la raz cuadrada de 2 es el error estndar de la regresin.
Por otro lado, en una muestra dada 1 y 2 pueden estar correlacionados entre si:
1 , 2 = 2 Varianza de : 2 = = 2 2 = 1 2
2 =
= = 2 Reemplazando: 2 = Nota: 2 2
Considerando a = 1 + 2 + 2 = 2 = 1 2 = 2 + 2 2 = 1 + 2 + + 2 = 2 + =0 + = 0 y =1
2 = 2 + 2 = 2
Jorge Salgado
Pgina
Se cumple de esta forma la premisa de que el promedio de las muestras es igual al valor poblacional.
25
Estimados de :
= 1 + 2 +
__
= 1 + 2 +
Suma de cero
Desviaciones con respecto a la media de las perturbaciones estocsticas.
= 2 2 + = 2 +
= 2 + Recordando que = 2 + 2 + = 2 + = + 2 2 = + (2 2 )
2 =
(2 2 )
2
2 =
**
2
2
2 2 + (2 2 )2 2 2 + (2 2 )2 2
2 =
2 2
Con los dos primeros trminos: *

2
+
2 2
+ 2
Teniendo en cuenta: = =
1
= =
2 22 + 2 2 2
Jorge Salgado
Pgina
26
PONTIFICIA UNIVERSIDAD CATLICA DEL ECUADOR APUNTES DE ECONOMETRA I ECONOMISTA LINCOLN MAIGUASHCA 2
= 2 2 = ( 1) 2
* = 2 = 2 k i ui
x i ui u xi xi = 0
k i xi u2 i
Remplazando en **
2 = ( 1) 2 2
k i xi u2 + (2 2 )2 i
2 2 2
2 = ( 1) 2 2 2 = ( 1) 2 2
k i xi u2 + (2 2 )2 i k i xi E(u2 ) + (2 2 )2 i
2 = 2 2 2 2 + 2 2 = 2 2
Considerando: 2 = 2 2 =
2 = 2 E 2 2 n2
Covarianza entre y : 1 , 2 = 1 1 2 2
Jorge Salgado
Pgina
27
1 , 2 = 1 1
2 2
= 1 + 2 1 = 2 1 = 2 = 2 1 = 2 1 , 2 = 2 + 2 2 2 = 2 2
2
= 2 2
= (2 )
1 , 2 = (2 ) Propiedades Estadsticas de los MCO: Son aquellas que adquieren los MCO a raz de los supuestos del modelo clsico de regresin lineal. 1.- Son lineales con la variable dependiente: 2 = 2 = =
2
1 2 1 2 2 + 2 + + 2
2 es lineal con la variable Y, y adems es un promedio ponderado de Y, donde ki son las ponderaciones. 2.- Son insesgados:
2 = 2 = 1 2 = 1 + 2
= + 2 +
1 + 2 + + = 2 + = 0 = 1
= 0
2 = 2 + 2 = 2 + = 2 +
Jorge Salgado
Pgina
28
3.- Son eficientes, es decir tienen varianza mnima. Es el teorema de Gauss Markov: 2 = ,donde =
2
Definamos un estimador lineal alterno de 2 y veamos si es insesgado.

2 =
Donde son tambin ponderaciones.

2 = 2 =
1 + 2
2 = 2 = 1 Para que 2 sea insesgado:
1 + 2 + 2
= 0
= 1
= En el caso de la varianza: = = 2
2 = 2
Suponiendo que no son necesariamente iguales a .

2 = 2 2 = 2 2 = 2 2 = 2
+ +
2
+ 2 + 2 2 + 2
Tomando al trmino intermedio:
Jorge Salgado
Pgina
+2
29
2 = 2 = 2 =2
2
1 2
1 2 2
1 2
=0
2
2 = 2 2 = 2
2 2 2 2
+ 2
2
2 = 2
2 = 2
+ 2
> De esta manera la nica manera en que las dos varianzas sean iguales es que =
Jorge Salgado
Pgina
30
El Coeficiente de Determinacin: Mide la bondad del ajuste, es decir, que tan bien se ajusta la recta e regresin a los datos, o tambin mide el porcentaje de la variacin total en Y explicado por el modelo de regresin. 2 = 2 = Por un lado; = + 2 = +
2
2 2 = 2 + 2 +
2 = 2 =
2 2 + 2 +
2 +
= +
Por otro lado; = + = + = + 2 = +

2 2 = 2 + 2 +
= +
Recordando Pgina = 2
2 = 2 2
Jorge Salgado
31
PONTIFICIA UNIVERSIDAD CATLICA DEL ECUADOR APUNTES DE ECONOMETRA I ECONOMISTA LINCOLN MAIGUASHCA 2 = 2 2 2 = 2
2
2
2 +
= FRM
SEC r2 = = STC
= 0 = 0 <
yi2 = yi2
Yi Y Yi Y
2 2
2 = 1 2 < 1
0 2 1 Cabe advertir que el grado de ajuste debe ser multiplicado por cien.
Jorge Salgado
Pgina
yi2 = 2 2
xi2 y 2 =
32
Recordando:
2 2 = 2
2 = 2 2 = 2
2 2 2 2 2 2
2 2 = 2
2 2 = 2
2 2 2 2 = 2 = 2 2 2
De la definicin:
r2 =
SEC STC SRC = = 1 =1 STC STC
As mismo, la raz cuadrada del coeficiente de determinacin (r2) se denomina Coeficiente de Correlacin (r), que mide el grado de asociacin entre dos variables.
r=
xi2
xi yi Cov X, Y 2 = Var X Var Y yi
El Coeficiente de Correlacin (r) puede ser positivo o negativo dependiendo del signo del numerador que no es ms, que la covarianza entre las dos variables, resulta de este modo entre: 1 0
MODELO CLSICO DE REGRESIN LINEAL NORMAL La teora clsica de la inferencia estadstica consta de dos partes, la estimacin y la prueba de hiptesis. La primera se analiz en la seccin anterior y la segunda se desarrolla a continuacin.
Distribucin de probabilidades de las perturbaciones ui: Recordando que: 2 =

En donde , 1 , 2 son fijas, entonces 2 , es una funcin lineal de ui, que es una variable aleatoria por hiptesis. Por tanto, se asume que ui sigue un distribucin normal.
2 =
1 + 2 +
Jorge Salgado
Pgina
33
= 1 + 2 +
Supuesto de Normalidad: La regresin lineal clsica supone que cada distribucin de las perturbaciones ui, estn normalmente distribuidas con: Media: = 0 Varianza: E [ui E (ui) ]2 = 2 = 2 Cov (ui, uj): E { [ (ui E (ui)] [uj E (uj ) ] } = E (ui, uj ) = 0 Propiedades de los estimadores de los Mnimos Cuadrados Ordinarios (MCO) bajo el supuesto de normalidad:
1.-Son lineales con la variable Y. 2.-Son insesgados. 3.-Son eficientes es decir tienen varianza mnima. 4.- Son consistentes a medida que el tamao de la muestra aumenta, los estimadores convergen hacia sus verdaderos valores poblacionales. 5.- 1 al ser funcin lineal de ui est normalmente distribuida con: Media: 1 = 1
2 1 : 1 = 2 2 1 ~ 1 , 1 2
2
Valores que luego del proceso de estandarizacin dan lugar a la obtencin de la distribucin normal estndar. 1 =
1 1 2
1
1 ~(0,1) Nota: =

Media: 2 = 2
Jorge Salgado
Pgina
2 al ser una funcin lineal de ui, est normalmente distribuido con:
34
2 6.- 2 ~ 2 , 2
2 2 : 2 = 2 2 ~ 2 , 2
2
2
Estandarizacin: 2 =
2 2 2
2
2 ~(0,1)
1 1
2 2
1 1 1 0 1 = 1 +1 1 0 2 = 2 +1
2 2
7.- 2
2 2
sigue una distribucin 2 , n-2 grados de libertad.
8.-1 y 2 se distribuyen de manera independiente a 2 .
Distribuciones relacionadas con la normal: Teorema 1: Si Z1, Z2,, Zn son variables aleatorias que estn distribuidas normalmente y de manera independiente, tales que ~( , 2 ) entonces la suma = , donde son constantes no todas
nulas, est tambin normalmente distribuida y tiene una media y una varianza 2 2 .
2 2
Ejemplo: Con la variable peso, los seiscientos alumnos de Economa, los novecientos de Derecho y los quinientos de Ciencias Humanas, se distribuyen: ~ 130,10
= 600 + 900 + 500 = 2000
~ 138,14
~ 126,12
Jorge Salgado
Pgina
35
= 0.3
= 0.45
= 0.25
= 0.3 130 + 0.45 138 + 0.25 126 = 132.6 2 = 0.2 2 10 + 0.45 2 14 + 0.25 2 12 = 3.9 ~ 132.6, 3.9 Teorema 2: Si Z1, Z2,, Zn estn normalmente distribuidas, pero no son independientes la suma
= , donde son constantes y no todas igual cero, tambin est normalmente distribuida con una media y una varianza 2 2 + , .
2 2 +
Ejemplo: Con la variable peso, los seiscientos alumnos de Economa y los novecientos de Derecho:
~ 130,10
~ 138,14
, = 0.8
= 600 + 900 = 1500 = 0.4 = 0.6
= 0.4 130 + 0.6 138 = 134.8 2 = 0.4 2 10 + 0.6 2 14 + 2 0.4 0.6 0.8 2 = 7.02 ~ 134.8, 7.02
Teorema 3: Si Z1, Z2,, Zn son variables aleatorias que estn distribuidas de manera normal e independiente de tal manera que cada ~ 0, 1 , es decir son variables estandarizadas, 2 2 2 entonces 2 = 1 + 2 + + sigue una distribucin 2 con n grados de libertad. Teorema 4: Si Z1, Z2,, Zn son variables distribuidas independientemente y cada una sigue una distribucin 2 con ki grados de libertas (g de l) entonces la suma = 1 + 2 + + tambin sigue una distribucin 2 con = grados de libertad.
Jorge Salgado
Pgina
36
Teorema 5: Si Z1 es una variable normal estandarizada 1 ~ 0, 1 y otra variable Z2 sigue la distribucin 2 con k grados de libertad y es independiente de Z1 entonces se define la distribucin t de Student. = 1 2
1/2
Variable normal estandarizada 2 1/2
Teorema 6: Si Z1 y Z2 son variables 2 independientemente distribuidas con 1 2 grados de libertad respectivamente. 1 1 = 2 2

1/2 1/2
Donde encontramos a la distribucin F con 1 grados de libertad del numerador y 2 grados de libertad del denominador, 1 , 2 . Teorema 7: El cuadrado de la variable t de Student, con k grados de libertad tiene una distribucin F con 1 = 1 grados de libertad del numerador y 2 = grados de libertad en el denominador. 1, = 2
Relacin que se aplica solamente a una regresin simple, donde se cuenta con una variable explicativa y k observaciones.
Jorge Salgado
Pgina
37

Apuntes de Econometría Jorge Salgado

Cargado por

Información del documento

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Apuntes de Econometría Jorge Salgado

Cargado por

Copyright:

Formatos disponibles

PONTIFICIA UNIVERSIDAD CATLICA DEL ECUADOR APUNTES DE ECONOMETRA I ECONOMISTA LINCOLN MAIGUASHCA

Consumo Familiar (Y)

Curva de Regresin Poblacional

Valor esperado condicional

- No lineal en las variables. - Lineal en los parmetros.

- Lineal en las variables.

- No lineal en las variables. - Lineal en los parmetros.

- Lineal en las variables.

- No lineal en las variables.

Analizamos un cambio latitudinal

En el siguiente grfico se muestra a .

= + / Si tenemos el valor esperado de la ecuacin anterior: = / + ( ) = / + ( ) = / ( ) = / + +

60! 10! 50!

Gasto en Consumo Semanal $

Regresin basada en la segunda muestra

Regresin basada en la primera muestra

En general las rectas de regresin muestral, son aproximaciones a la recta poblacional

= Estimador del promedio / 1 = Estimador de la interseccin 1 2 = Estimador de la pendiente 2 = Estimador de (residuos)

Gasto en Consumo Semanal $

Considerando como incgnitas a 1 , 2

La resta nos da el siguiente resultado:

Propiedades de las desviaciones con respecto a la media: Notacin: = =

i) Pasa a travs de las medias muetrales de Y y X.

ii) La media de () es igual a la media de Y (observada).

iii) La media de los residuos es cero:

= , 0 estn correlacionados. Son dependientes.

= , = 0 no estn correlacionados. Son independientes.

v) Los residuos no estn correlacionados con .

= , 0 estn correlacionados. Son dependientes.

E Y/X i = E(Y/X i ) + E ui /Xi

Supuesto 4: Homocedasticidad3 o igual varianza en las distribuciones de ui.

En griego Homo = igual y Cedasticidad = Dispersin

Nota: La varianza de una variable X:

Donde n es el nmero de observaciones y k es el nmero de regresores.

Con los dos primeros trminos: *

Definamos un estimador lineal alterno de 2 y veamos si es insesgado.

Donde son tambin ponderaciones.

2 = 2 = 1 Para que 2 sea insesgado:

Suponiendo que no son necesariamente iguales a .

Tomando al trmino intermedio:

Por otro lado; = + = + = + 2 = +

SEC STC SRC = = 1 =1 STC STC

xi yi Cov X, Y 2 = Var X Var Y yi

Distribucin de probabilidades de las perturbaciones ui: Recordando que: 2 =

2 al ser una funcin lineal de ui, est normalmente distribuido con:

sigue una distribucin 2 , n-2 grados de libertad.

8.-1 y 2 se distribuyen de manera independiente a 2 .

= 600 + 900 + 500 = 2000

= 600 + 900 = 1500 = 0.4 = 0.6

Variable normal estandarizada 2 1/2

Teorema 6: Si Z1 y Z2 son variables 2 independientemente distribuidas con 1 2 grados de libertad respectivamente. 1 1 = 2 2

También podría gustarte