Está en la página 1de 30

BANCO CENTRAL DE RESERVA DEL PERÚ

CURSO DE ACTUALIZACIÓN
ECONOMETRÍA

EL MODELO DE REGRESIÓN LINEAL
CLÁSICO

Econometría
Agosto 2013

1

ESQUEMA

1. FUNCIÓN DE DENSIDAD NORMAL Y REGRESIÓN.

2. EL MODELO DE REGRESIÓN

3. EL TÉRMINO DE PERTURBACIÓN

4. LOS SUPUESTOS CLÁSICOS

2

1. FUNCIÓN DE DENSIDAD NORMAL Y REGRESIÓN

• Sea la función de densidad Normal conjunta bivariada:
  x    2         
2

1  1  x   x 
y

y
 
f ( x, y )  exp  
  
x
  2  y
         
y

2x  y 1    2

   
2
 2(1 )    
 x x y y

• Funciones de densidad de probabilidad marginal:

1 
 1  x  x  
2

f ( x)  exp    
2 x  2 x  
  
    
2

1  1 y
 
f ( y)  exp 
y

2 y 2    

  y   

3

FUNCIÓN DE DENSIDAD NORMAL Y REGRESIÓN • La función de densidad condicional de Y dado X: f ( x. y) f ( y | x)  f ( x) 1   1   y    2 f ( y | x)  exp  2 2  y    y   ( x   x )   2y (1   )  2 y (1   )   x   2 2 • Media y Varianza Condicionales: y  y  y E (Y | x)   y   ( x   x )    y    x    x   y| x   y| x x x  x  x Var(Y | x)  (1  2 )2y  Y2 | x 4 .1.

k regresores. xk )  u – y=variable dependiente. . regresores. . x2 . MODELO DE REGRESIÓN • El Modelo de Regresión simple y múltiple: y  E( y | x )  u y  E( y | x1 . • Término de perturbación: u  y  E( y | x1 . explicada. variables del lado derecho (right-hand-side variable). 2. variable del lado izquierdo (left-hand-side variable). regresando. xk ) 5 . explicativas. – xk = variables independientes. x2 .

MODELO DE REGRESIÓN EYi X i E (Y | i 1  2 X i X )   X i i YN  uN C Y2 B A ui Y1  X1 X2 XN 6 . 2.

MODELO DE REGRESIÓN Relación poblacional positiv a entre Y y X Relación poblacional negativ a entre Y y X 8 8 6 6 4 4 Y Y 2 2 0 0 0 1 2 3 4 0 1 2 3 4 X X 7 . 2.

xi 1 . y  E( y | x1 . xk )  u • La causalidad . . . x1 .estará determinada por la teoría económica y reforzada por pruebas estadísticas adecuadas. xi 1 . MODELO DE REGRESIÓN CAUSALIDAD EN EL MODELO DE REGRESIÓN LINEAL • Es importante tener en cuenta que un modelo de regresión no implica la existencia de causalidad entre las variables. 8 . . xk )  u xi  E( xi | y . 2.si existiera .

– Así. el término de perturbación mide los errores o fallas de la relación determinística: u  Y  1 2X 9 . 3. • La palabra estocástico proviene del griego stokhos que significa objetivo o blanco de una ruleta: – Una relación estocástica es una relación que no siempre da en el blanco. TÉRMINO DE PERTURBACIÓN O ERROR Definición • Denominado término estocástico.

TÉRMINO DE PERTURBACIÓN O ERROR • La presencia del término de perturbación se justifica por los siguientes argumentos (no mutuamente excluyentes): – Omisión de la influencia de eventos sistemáticos. – Error de medición de las variables utilizadas. muy importantes pero poco importantes para la relación. 3. – Omisión de la influencia de innumerables eventos no sistemáticos. muy importantes pero poco importantes para la relación. – Aleatoriedad del comportamiento humano ante situaciones similares. 10 .

11 .3. – Incorrecta especificación funcional: relaciones lineales vs. – Incorrecta especificación del modelo en términos de su estructura: común en datos de series de tiempo. TÉRMINO DE PERTURBACIÓN O ERROR – Omisión de variables explicativas: se excluyen variables que no se pueden medir. no lineales. Relaciones individuales pueden tener distintos parámetros. – Agregación de variables micro-económicas. la variable endógena puede depender de sus valores pasados.

3. con parámetros desconocidos β1 y β2 que deseamos estimar. 12 1 . TÉRMINO DE PERTURBACIÓN O ERROR Y Y  1  2 X 1 X1 X2 X3 X4 X Suponga que una variable Y es una función lineal de otra variable X.

TÉRMINO DE PERTURBACIÓN O ERROR Y Y  1  2 X 1 X1 X2 X3 X4 X Suponga que se cuenta con una muestra de 4 observaciones para las variables X e Y. 13 2 . 3.

14 3 . 3. TÉRMINO DE PERTURBACIÓN O ERROR Y Y  1  2 X Q4 Q3 Q2 1 Q1 X1 X2 X3 X4 X Si la relación entre X e Y fuera exacta. las observaciones estarían en la línea recta y no habría problema de obtener los valores exactos de los parámetros poblacionales β1 y β2.

TÉRMINO DE PERTURBACIÓN O ERROR Y P4 Y  1  2 X P1 Q4 Q3 Q2 1 Q1 P3 P2 X1 X2 X3 X4 X En la práctica. 3. Q) 15 4 . muchas relaciones no son exactas y los valores observados de Y son distintas de los valores que tomaría se estuvieran en la línea recta (P vs.

el término de perturbación permite justificar tal divergencia y por ello el modelo estadístico puede escribirse como Y = 1 + 2X + u. 3. 16 5 . donde u es el término de perturbación. TÉRMINO DE PERTURBACIÓN O ERROR Y P4 Y  1  2 X P1 Q4 Q3 Q2 1 Q1 P3 P2 X1 X2 X3 X4 X Así.

17 6 . 1 + 2X. TÉRMINO DE PERTURBACIÓN O ERROR Y P4 Y  1  2 X P1 Q4 u1 Q3 Q2 1 Q1 P3 P2 1  2 X1 X1 X2 X3 X4 X Cada valor de Y tiene un componente no estocástico. y un componente u. Por ejemplo. la primera observación tiene estos dos componentes. 3.

– Regresores Adecuados. • SC2: Supuesto de Regresión • SC3: Rango Completo por columnas (no multicolinealidad). 18 . • SC4: Ausencia de relación estadística entre X y perturbaciones. – Parámetros Constantes. 4. LOS SUPUESTOS CLÁSICOS • SC1: – Linealidad de la esperanza condicional. ¿Término de perturbación aditivo? Sí. • SC5: Perturbaciones esféricas: Homocedasticidad y No Autocorrelación.

LOS SUPUESTOS CLÁSICOS SC1: LINEALIDAD DE LA ESPERANZA CONDICIONAL 1. 4. Lineal en parámetros y variables: y1  1 x11   2 x12   3 x13     k x1k  u1 y2  1 x21   2 x22   3 x23     k x2 k  u2  yn  1 xn1   2 xn 2   3 xn 3     k xnk  un Notación matricial:  y1   x11 x12  x1k   1  u1  y  x  x2 k    u  y  X  u  2   21 x22  2   2                      n  ( n1)  xn1 y xn 2  xnk  ( nk )   k  ( k 1) un  ( n1) 19 .

4. LOS SUPUESTOS CLÁSICOS • Coeficientes de la Regresión y Efectos Marginales • Interpretación de los parámetros Tabla 1: Interpretación de los coeficientes del modelo de regresión X Log(X) Efecto Marginal Cambio en el nivel de Y ante un Y Cambio en el nivel de Y ante un cambio porcentual de X cambio en una unidad de X (Modelo Semilog) Semi-elasticidad de Y ante X Elasticidad de Y ante X Cambio porcentual de Y ante un Cambio porcentual de Y ante un Log(Y) cambio en una unidad de X cambio porcentual de X: () (Modelo Semilog) (Modelo Doble log) 20 .

3. Los parámetros son constantes: • Para la muestra analizada: individuos o tiempo. cualidades (corte transversal). 4. Regresores adecuados: el modelo especificado es el “verdadero” • No se omiten variables importantes. • No se incluyen variables redundantes. • No hay cambio estructural o de régimen (series de tiempo). LOS SUPUESTOS CLÁSICOS 2. • Al menos que fluctúen (poco) alrededor de un valor constante. 21 .

. i  1. LOS SUPUESTOS CLÁSICOS SC2: SUPUESTO DE REGRESIÓN: • MEDIA INCONDICIONAL DEL TÉRMINO DE PERTURBACIÓN IGUAL A CERO: E( ui )  0. – Regresores son variables aleatorias y con distribución totalmente independiente del término de perturbación. 22 . • MEDIA CONDICIONAL DEL TÉRMINO DE PERTURBACIÓN DADO X ES IGUAL A CERO: E( ui X )  0. . i  1. 4. n – Regresores son variables aleatorias y con distribución independiente en media del término de perturbación. n E( u )  0 – Regresores son fijos en muestreo repetido.

LOS SUPUESTOS CLÁSICOS SC3: RANGO COMPLETO POR COLUMNAS DE X – No es posible que n<k • El número de observaciones es mayor al número de regresores: n > k (variación de los regresores). 4. – Columnas linealmente independientes • No existen relaciones lineales exactas entre regresores: Ausencia de Colinealidad o Multicolinealidad. – Implicancias: • X’X es positivo definida • la inversa de (X’X) existe! 23 .

LOS SUPUESTOS CLÁSICOS Diversas relaciones posibles Una única relación posible Y Y    X X 24 . 4.

SC4ait • Independencia en media. LOS SUPUESTOS CLÁSICOS SC4: AUSENCIA DE RELACIÓN ESTADÍSTICA ENTRE REGRESORES Y PERTURBACIONES: Se presentan dos casos: – Regresores Fijos en muestras repetidas (no estocásticos): SC4f – Regresores Estocásticos: • Independencia total. 4. SC4aim • Ausencia de relación lineal contemporánea. SC4acu 25 .

 n j  1. n j  1. 4. K • Independencia en media de las perturbaciones. E ui | X ij   E ui  i  1.. K Si se cumple SC2 E ui   0 . f ui . LOS SUPUESTOS CLÁSICOS • Independencia Total de las perturbaciones y regresores. entonces : E ui | X ij   0 26 . X ij   f ui  f X ij  i  1..

 . Cov( X i j .ui )  0 i  1. K 27 . entonces : Cov( X ik . K Si E ui   0 .ui )  E( X ik ui )  0 i  1. 4.. n k  1. LOS SUPUESTOS CLÁSICOS • Ausencia de relación lineal contemporánea entre perturbaciones y regresores. n j  1..

4. n  E [u | X ]  2 i 2 28 . • Si se cumple SC2 y SC4 (al menos independencia en media): Var( ui | X )  E [( ui  E [ ui | X ])2 | X ] i  1. LOS SUPUESTOS CLÁSICOS SC5: PERTURBACIONES ESFÉRICAS – Homocedasticidad: E [ ui2 | X ]   2 i  1. n • Supuesto sobre el segundo momento condicional. . .

29 . 4. LOS SUPUESTOS CLÁSICOS – No autocorrelación: E [ ui u j | X ]  0 i  j • Si se cumple SC2 y SC3: Cov[ ui .u j ] | X  E( [ ui  E( ui )][ u j  E( u j )] | X ) i  j Cov[ ui .u j | X ]  E( ui u j | X )  0 • En series de tiempo: ausencia de correlación serial.

• Si se cumple SC2 y SC4 (al menos independencia en media): VCov(u )  E [uu ' | X ]   2 I n 30 . 4. LOS SUPUESTOS CLÁSICOS – Perturbaciones Esféricas: Notación matricial E [ uu' | X ]   2 I n • La matriz de segundos momentos es proporcional a la identidad.