Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Yi X i i
Debemos pasar a:
Yi 0 1 X i1 2 X i 2 3 X i 3 .......... k X ik i
INGRESO 0 1 EDUCACION
Hiptesis: En promedio se espera que ms altos niveles de
educacin estn asociados con ms altos ingresos.
Pero el anterior modelo ignora el hecho de que la mayora de la
gente tiene ms altos ingresos cuando son mayores que cuando son
jvenes, independientemente de la educacin.
Yi 0 1 X i1 2 X i 2 3 X i 3 .......... k X ik i
Este supuesto no es tan restrictivo. Recurdese que hay modelos
aparentemente no lineales que s satisfacen el supuesto de linealidad
en parmetros, por ejemplo: el logartmico, el cuadrtico, el translog
y otros.
2) i se distribuye normal
3) E i 0
4) E i2 2
5) E i j 0
6) Las Xs son fijas. No estocsticas.
7) n (# de observaciones) > k (# de coeficientes, incluyendo el
intercepto)
8) Las Xs no estn linealmente relacionadas.
En notacin matricial :
Y X
Y1
Y
2
.
Y Vector de observaciones de la variable dependiente
.
.
Yn
1
2
.
Vector de residuales
.
.
n
0
1
2
Vector de coeficientes
.
.
k
1 X 11
1 X
21
.
X
.
.
1 X n1
X 12
X 22
.
.
.
.
.
.
.
.
.
.
.
.
X n2
X 1k
X 2 k
Matriz de
.
observaciones
.
de las X ' s
X nk
~ N E 0, 2 I n
En donde :
1 0 0
0 1 0
.
In
.
.
0 0 0
.
.
.
.
.
.
0
0
.
Matriz identidad
.
.
E 1 1
E
2 1
.
.
E n 1
E 1 2
E 2 2
.
.
.
.
.
.
E n 2
Por lo que :
E 1 0
E 0
2
. .
E
0
. .
. .
E n 0
E 1 n
E 2 n
.
Matriz Var - Cov
.
.
E n n
1
2
.
1 2
E E
.
.
2 0
2
0
.
. . . n
.
.
0
0
0
0
.
.
.
.
.
.
0
0
.
.
2
In
2
.
(Homocedasticidad y No Autocorrelacin)
X es una matriz no estocstica de orden (n x k), es decir, cada uno
de sus valores es no aleatorio y fijo. Adems, la matriz (XX) es no
singular y sus elementos son fijos a medida que n . Es decir:
E X X E 0
ESTIMACIN
Para el modelo mltiple, el principio Mnimo Cuadrtico Ordinario
se puede expresar como
Min Y X Y X
Y Y Y X X Y X X
Y Y 2 X Y X X
por lo que, X Y X X
En donde,
X
i0 i
i1Yi
X Y
ik i
i0
.
.
X ik X i 0
X X
X i0
i1 X i 0
i1
X
X
X
X
X
X i1
i1 X i1
i0
.
.
.
.
X ik
X
X
X ik
i1 X ik
i0
ik
i1
2
i1
X
X X
i1
ik
.
.
X ik X i1
X ik X ik
X i1
.
.
.
.
2
X
ik
0
1
ik
.
.
.
k
Si X X existe, entonces :
1
X X 1 X Y X X 1 X X X X 1 X Y
Estimador
MCO de
0 0
1 1
.
E
0 0
.
.
k k
1 1 . . . k k
E 0 0
E 1 1 0 0
.
.
.
E k k 0 0
E 0 0 1 1
2
E 1 1
E k k 1 1
Var 0
Cov 0 , 1
Cov 1 , 0
Var 1
.
.
.
Cov k , 0 Cov k , 1
Cov 0 , k
Cov 1 , k
Var k
E 0 0 k k
E 1 1 k k
E k k
1
1
Dado que X X X X X X entonces :
E E
X X
X X X X
1
E X X X X X X
1
X X X E X X X
1
X X X 2 I n X X X
1
1
1
2 X X X X X X
Estimador de la
Var - Cov de
1
2
~ N , X X
INFERENCIA ESTADSTICA
Para determinar la bondad de ajuste del modelo mltiple, se
requiere denotar la variacin en Y en Suma de Cuadrados Total
(SCT), Suma de Cuadrados Error (SCE) y Suma de Cuadrados de
la Regresin (SCR) mismas que se definen respectivamente como:
SCT Yi Y
SCR Y Y
SCE
Yi Yi
2
i
SCT Y Y
1
Y
I
X
X
X
XY
SCE
n
1
Y Y Y X X X Y
Y Y Y X
Y Y X Y
SCR SCT SCE
Y Y Y Y X Y
X Y
Recurdese que : R 2
SCR
SCE
R2 1
SCT
SCT
n 1
R 1
1 R 2 ; k # de coeficientes sin incluir el intercepto
n k 1
Si k 1 entonces R 2 R 2
2
H0 : j 0
vs.
t n k 1
HA : j 0
S j
S j desviacin estndar de j
j S j t n k 1
Prueba de hiptesis acerca de toda la regresin :
H 0 : 1 2 3 ...... k 0
SCR k
F k , n k 1
SCE n k 1
H 0 : 1 2 3 ...... k 0
SCR k
R2 n k 1
F n k 1
; k no incluye el intercepto
2
SCE n k 1 1 R
k
SCE R SCE SR
F q, n k 1
SCE SR n k 1
q q # de restricciones bajo H
;
0
Otro caso :
Modelo sin restringir :
Y 0 1 X 1 2 X 2
Modelo restringido :
Y 0 1 X 1 X 2
H 0 : 1 2 ; q 1
SCE R SCE SR
F 1, n k 1
SCE SR n k 1
H0 : j k 0
H A : j k 0
vs.
k
En forma general : H 0 : a j j 0
t n k 1
en donde :
S
j k
HA : aj j 0
vs.
j 1
k 0
S
j k
Var 2Cov ,
Var
j
k
j
k
en general :
Sk
a j j
j 1
2
a
j Var j 2 a j ai Cov i , j
j 1
Ejemplo:
H 0 : 1 2 2 3 3 0
2
t n k 1
1
33
S *
* 1 22 33
Prueba de Chow :
1 Yi 0 1 X i1 2 X i 2 ...... k X ik i ; i 1,2,..., N
Yi 0 1 X i1 2 X i 2 ...... k X ik i ; i N 1, N 2,..., M
H 0 : 0 0 , 1 1 , ..., k k
SCE SR SCE1 SCE 2
SCE R ser la suma de cuadrados del error que resulte de correr
la siguiente regresin :
Yl 0 1 X l1 2 X l 2 ...... k X lk l ; l 1,2,..., N M
k 1
SCE1 SCE 2 N M 2k 2
ct c1 * ntc * exp ut
(1)
donde
ct = Costo promedio real por unidad de produccin en el
perodo t (ajustado por inflacin utilizando un
deflactor como el implcito del PNB).
c1 = Costo promedio inicial por unidad inicial de produccin.
nt = Produccin acumulativa hasta (pero sin incluir) el
perodo t.
c = Elasticidad de los costos unitarios con respecto a la
produccin acumulativa (tpicamente negativo).
ut = Trmino de error estocstico que refleja la aleatoriedad
en los procesos de costos de produccin.
ln ct ln c1 c ln nt ut
(1)
y A * x1 1 * x2 2 * x3 3
(3)
C k * y1 r * p1 1 r * p2 2 r * p3 3 r
(4)
donde
1
1
k r * A * *
2
2
3 1 r
3
(5)
ln C ln k 1 r * ln y 1 r * ln p1 2 r * ln p2 3 r * ln p3 (6)
Imponiendo la restriccin de homogeneidad de grado uno en precios,
se llega a:
(7)
1 2 3 r
1 r 2 r 3 r 1 2 3 r 1
ln C * 0 y * ln y 1 * ln p1* 2 * ln p2*
donde
ln C * ln C ln p3
ln p1* ln p1 ln p3
ln p2* ln p2 ln p3
0 ln k
y 1 r
1 1 r
2 2 r
(8)
At ntc
(9)
(10)
donde la descripcin de variables es semejante a la ecuacin (6)
pero el valor de k debe interpretarse de la siguiente forma:
k r * *
1
1
2
2
3 1 r
3
(11)
ln ct ln Ct ln yt ln k c r * ln nt 1 r r * ln yt ut (12)
Obsrvese que en caso de que se presenten rendimientos crecientes
a escala, el valor del parmetro r sera mayor que 1 y que por lo
tanto, (1 r)/r tomara un valor negativo.
La ecuacin (12) que muestra la estimacin de una funcin CobbDouglas con rendimientos a escala no constantes, se puede expresar
de forma compacta como:
ln ct 0 1 * ln nt 2 * ln yt ut
(13)
donde
0 ln k
1 c r
2 1 r r
ln ct 0 1 * ln nt t
(14)
ln yt 0 1 * ln nt t
(15)
1 1 1 * 2
(16)
a) 1 1 mayor que 0
r menor a 1
Existen rendimientos
decrecientes a escala
b) 1 1 igual a 0
r igual a 1
Existen rendimientos
constantes a escala
c) 1 1 menor a 0
r mayor a 1
Existen rendimientos
crecientes a escala