Está en la página 1de 23

Estimacin mediante Minimos

Cuadrados Ordinarios de una


Regresin Lineal Simple
yi = 0 + 1xi + ui
Preparado por: Ph.D. David Sabando Vera
Universidad Federico Santa Maria Campus Guayaquil
Mayo, 2014

Objetivo

Estimar los parmetros poblacionales


de una regresin lineal, a travs del
Mtodo
de
Mnimo
Cuadrado
Ordinarios.

Indice.
1.

2.

3.

Recordando algunos aspectos importantes


de la regresin lineal.
Desarrollo del Mtodo de Mnimo Cuadrado
Ordinarios MCO
Ejemplo de aplicacin.

1. Recordando algunos aspectos importantes.

La relacin funcional de la regresin lineal simple

yi = 0 + 1xi + ui

El valor promedio de ui, el trmino de error,


en la poblacin es = 0. Es decir,
E(u) = 0

Este supuesto no es muy restrictivo puesto


que siempre podemos ajustar el intercepto 0
para normalizar E(u) = 0

Hay un supuesto crucial sobre la relacin


entre el error y la variable explicativa:
cov(x, u)

Es decir, que la informacin contenida en x sea


independiente de la informacin contenida en u (ie, que no
estn relacionados), de modo que:

E(u|x) = E(u) = 0, lo cual implica:


E(y|x) = 0 + 1x,
implica que la funcin de regresin poblacional
es una funcin lineal.
7

E(y|x) es una funcion lineal de x: para cada x,


la prediccin de y es E(y|x)
y
f(y)

.
x1

. E(y|x) = + x
0

x2
8

Lnea de regresin, observaciones y errores


y

E(y|x) = 0 + 1x
.{
u4

y4

y3
y2

y1

u2 {.

.} u3

} u1

x1

x2

x3

x4
9

Fuente: Wooldridge, J. 2010

10

Cmo estimar los


parmetros 0 y 1?

11

Mnimos Cuadrados Ordinarios


(MCO)

La idea bsica es estimar parmetros


poblacionales a partir de una muestra.
Sea {(xi,yi): i=1, ,n} una muestra aleatoria
de tamao n de una poblacin.
Para cada observacin en la muestra,
tenemos:
yi = 0 + 1xi + ui

12

Derivacin de estimadores MCO


/OLS

El supuesto E(u|x) = E(u) = 0 implica que


Cov(x,u) = E(xu) = 0

Por qu?

En probabilidad bsica sabemos que:

Cov(x,u) = E(xu) E(x)E(u)


y dado que E(u)=0 Cov(x,u) = E(xu) = 0
13

yi 0 1 xi ui

Las variables explicativa son no estocsticas


E (u) = 0
Var (u) constante (homocedasticidad)
E(ui, uj) = 0 para todo i=j (no autocorrelacin)

Estimacin de los
parmetros
Mnimos Cuadrados Ordinarios

Aquellos que minimizan la suma de los residuos al cuadrado.


El error cometido en la estimacin (residuo), es el estimador
de la perturbacin, y por tanto el objetivo a minimizar.

yi 0 1 xi ui
y i 0 1 xi
yi 0 1 xi ui y i ui
residuoi ui yi y i

Media condicional poblacional


muestral
Media condicional muestral

Deduccin de los
estimadores MCO

Se busca la recta que minimiza la suma al cuadrado de


los residuos

S .R. i 1 u i 1 yi 0 1 x
n

2
i

17

Deduccin de los
Ecuaciones
Normales
estimadores
MCO

n
S .R.
2i 1 yi 0 1 xi (1) 0
0
n

i 1 yi n 0 1 i 1 xi 0
n

n
S .R.
2i 1 yi 0 1 xi ( xi ) 0
1
n
2

y
x

x
i1 i i 0 i 1 i 1 i 0
n

Deduccin de los
Despejando
se obtienen los estimadores
MCO
estimadores
MCO

0 y 1 x
1

y x nx y

x nx
i

2
i

Clculo de la ecuacin de regresin lineal simple


suj1
suj2
suj3
suj4

X
120
100
90
110

Y
10
9
4
6

XY
1200
900
360
660

X2
14400
10000
8100
12100

SUMA
3120

SUMA
44600

PROMEDIO PROMEDIO
105
7.25
N
4

3120 4 *105 * 7.25

1
0.15
2
44600 4 *105
0 7.25 0.15 *105 8.5

Luego

3. Ejemplo de aplicacin Prctica


(Modelo simple)

Algunos gerentes de ventas reunieron


informacin sobre el nmero de las
ventas de las llamadas realizadas y el
nmero de fotocopiadoras vendidas en
una muestra aleatoria de 10
representantes de ventas. Utilizar el
mtodo de mnimos cuadrados
ordinarios para determinar una
ecuacin lineal para expresar la
relacin entre las dos variables.
Cul es el nmero esperado de
fotocopiadoras vendidas por un
representante que hizo 20 llamadas?

21

Ejemplo:

The regression equation is :


^

Y 0 1 X

Y 18.9476 1.1842(20)
^

Y 18.9476 1.1842 X

22

Y 42.6316

Grfico del Ejemplo

23

También podría gustarte