Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Modelo de Regresion Lineal SimpleFinal
Modelo de Regresion Lineal SimpleFinal
HUAMANGA
1
ESQUEMA
3. EL TÉRMINO DE PERTURBACIÓN
2
1. FUNCIÓN DE DENSIDAD NORMAL Y REGRESIÓN
2x y 1 2
2
2(1 )
x x y y
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
1. FUNCIÓN DE DENSIDAD NORMAL Y REGRESIÓN
f ( x, y)
f ( y | x)
f ( x)
1
1 y
2
f ( y | x) exp 2 2
y y ( x x )
2y (1 ) 2 y (1 ) x
2 2
y y y
E (Y | x) y ( x x ) y x x y| x y| x x
x x x
4
2. MODELO DE REGRESIÓN SIMPLE
y E( y | x ) u
• Término de perturbación: u y E ( y | x)
5
2. MODELO DE REGRESIÓN SIMPLE
EYi X i E
(Y |
i
1 2 X i
X ) X
i i
YN
uN
Y2 B
A
ui
Y1
X1 X2 XN
6
2. MODELO DE REGRESIÓN SIMPLE
y E ( y | x) u x E ( x | y) u
7
2. MODELO DE REGRESIÓN SIMPLE
(1) C f (Y ) (2) C 1 2Y
(3) C g (Y ) u (4) C 1 2Y u
8
2. MODELO DE REGRESIÓN SIMPLE
9
3. TÉRMINO DE PERTURBACIÓN O ERROR
Definición
• Denominado término estocástico.
• 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.
– Así, el término de perturbación mide los errores o fallas de
la relación determinística: u Y 1 2X
10
3. TÉRMINO DE PERTURBACIÓN O ERROR
11
3. TÉRMINO DE PERTURBACIÓN O ERROR
12
3. TÉRMINO DE PERTURBACIÓN O ERROR
Y 1 2 X
1
X1 X2 X3 X4 X
13
1
3. TÉRMINO DE PERTURBACIÓN O ERROR
Y 1 2 X
1
X1 X2 X3 X4 X
14
2
3. TÉRMINO DE PERTURBACIÓN O ERROR
Y 1 2 X
Q4
Q3
Q2
1 Q1
X1 X2 X3 X4 X
15
3
3. TÉRMINO DE PERTURBACIÓN O ERROR
Y P4
Y 1 2 X
P1 Q4
Q3
Q2
1 Q1 P3
P2
X1 X2 X3 X4 X
16
4
3. TÉRMINO DE PERTURBACIÓN O ERROR
Y P4
Y 1 2 X
P1 Q4
Q3
Q2
1 Q1 P3
P2
X1 X2 X3 X4 X
17
5
3. 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
18
6
4. LOS SUPUESTOS CLÁSICOS
• SC1:
– Linealidad de la esperanza condicional. ¿Término de perturbación
aditivo? Sí.
– Regresores Adecuados.
– Parámetros Constantes.
19
4. LOS SUPUESTOS CLÁSICOS
SC1: LINEALIDAD DE LA ESPERANZA CONDICIONAL
1. Lineal en parámetros y variables: en general para k
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 ( n1) xn1
y xn 2 xnk ( nk ) k ( k 1) un ( n1)
20
4. LOS SUPUESTOS CLÁSICOS
21
4. LOS SUPUESTOS CLÁSICOS
22
4. LOS SUPUESTOS CLÁSICOS
23
4. LOS SUPUESTOS CLÁSICOS
24
4. LOS SUPUESTOS CLÁSICOS
25
4. LOS SUPUESTOS CLÁSICOS
26
4. LOS SUPUESTOS CLÁSICOS
Si E ui 0 , entonces :
27
4. LOS SUPUESTOS CLÁSICOS
Var( ui | X ) E [( ui E [ ui | X ])2 | X ]
i 1, , n
E [u | X ]
2
i
2
28
4. LOS SUPUESTOS CLÁSICOS
– No autocorrelación:
E [ ui u j | X ] 0 i j
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
29
4. LOS SUPUESTOS CLÁSICOS
E [ uu' | X ] 2 I n
Var( u ) E [ uu' | X ] 2 I n
30
ESTIMACIÓN POR MÍNIMOS
CUADRADOS ORDINARIOS (MCO)
31
ESQUEMA
4. Regresión Ortogonal.
6. Aplicaciones
32
1. METODOLOGÍA DE ESTIMACIÓN MCO: MRLC2
ei Yi Yˆi Yi (b1 b2 X i )
33
1. METODOLOGÍA DE ESTIMACIÓN MCO: MRLC2
Y P4
P1
P3
P2
X1 X2 X3 X4 X
34
7
1. METODOLOGÍA DE ESTIMACIÓN MCO: MRLC2
Y P4
Ŷ b1 b2 X
P1
P3
P2
b1
X1 X2 X3 X4 X
Podemos usar los puntos P para dibujar una línea recta que sea una
aproximación de Y = 1 + 2X. Esta línea estimada será Y = b1 + b2X, donde b1
es un estimador de 1 y b2 es un estimador de 2.
35
8
1. METODOLOGÍA DE ESTIMACIÓN MCO: MRLC2
Y P4
Ŷ b1 b2 X
R3 R4
R2
P1
R1 P3
P2
b1
X1 X2 X3 X4 X
36
9
1. METODOLOGÍA DE ESTIMACIÓN MCO: MRLC2
Y P4
e4 Ŷ b1 b2 X
R3 R4
R2
e1 P1 e3
e2
R1 P3
P2
b1
X1 X2 X3 X4 X
37
10
1. METODOLOGÍA DE ESTIMACIÓN MCO: MRLC2
Y P4
Ŷ b1 b2 X
R3 R4 Y 1 2 X
R2
P1
1 R1 P3
P2
b1
X1 X2 X3 X4 X
38
11
1. METODOLOGÍA DE ESTIMACIÓN MCO: MRLC2
Y P4
Ŷ b1 b2 X
Y 1 2 X
P1 Q4
Q3
Q2
1 Q1 P3
P2
b1
X1 X2 X3 X4 X
39
12
1. METODOLOGÍA DE ESTIMACIÓN MCO: MRLC2
Y P4
Ŷ b1 b2 X
R3 R4 Y 1 2 X
R2
P1
1 R1 P3
P2
b1
X1 X2 X3 X4 X
40
13
1. METODOLOGÍA DE ESTIMACIÓN MCO: MRLC2
Y P4
Ŷ b1 b2 X
R3 R4 Y 1 2 X
R2
P1
1 R1 P3
P2
b1
X1 X2 X3 X4 X
41
14
1. METODOLOGÍA DE ESTIMACIÓN MCO: MRLC2
Y P4
u4 Ŷ b1 b2 X
Y 1 2 X
Q4
1 Y4 1 2 X 4
b1
X1 X2 X3 X4 X
42
15
1. METODOLOGÍA DE ESTIMACIÓN MCO: MRLC2
Y P4
u4 Ŷ b1 b2 X
Y 1 2 X
Q4
1 Y4 1 2 X 4
b1
X1 X2 X3 X4 X
43
16
1. METODOLOGÍA DE ESTIMACIÓN MCO: MRLC2
Y P4
u4 Ŷ b1 b2 X
Y 1 2 X
Q4
1 Y4 1 2 X 4
b1
X1 X2 X3 X4 X
44
17
1. METODOLOGÍA DE ESTIMACIÓN MCO: MRLC2
Y P4
e4 Ŷ b1 b2 X
R4 Y 1 2 X
Ŷ4 b1 b2 X 4
1
b1 Yˆ valor ajustado
Y valor observado
X1 X2 X3 X4 X
e
i 1
i 0 xe
i 1
i i 0
46
1. METODOLOGÍA DE ESTIMACIÓN MCO: MRLC2
SCR
0 2 Yi b1 b2 X i 0
b1
X X i
Y b n b X
n
i 1 2 i 0
X i nX
b1 Y b2 X
- Segunda condición de primer orden:
SCR
0 2 Yi b1 b2 X i X i 0
b2
23
1. METODOLOGÍA DE ESTIMACIÓN MCO: MRLC2
SCR
0 2 Yi b1 b2 X i X i 0
b2
Y b b X X 0
i 1 2 i i
Y X b X b X 0
i i 1 i 2 i
2
Y X Y b X X b X 0
i i 2 i 2 i
2
Y X Y X b X X b X 0
i i i 2 i 2 i
2
Y X nYX b nX b X 0
i i 2
2
2 i
2
Y X nY X X X Y Y
b i
i i i
X nX X X
2 2 2 2
i i
23
1. METODOLOGÍA DE ESTIMACIÓN MCO: MRLC2
Análogamente:
X i X 2
i
X 2
2 XX i X 2
i
X 2
2 nX 2
nX 2
X i2 nX 2
34
1. METODOLOGÍA DE ESTIMACIÓN MCO: MRLC2
Y Y
2
i i
b2 i 1
b2 rYX i 1
SC 3 : X i X 0
n
X i X
2 n n
i
2
2
i 1
X X
i 1 i 1
50
1. METODOLOGÍA DE ESTIMACIÓN MCO: MRLC2
beta1 y beta2.
1 n 2
ˆ 2
MCO s
2
n 2 i 1
ei
51
2. METODOLOGÍA DE ESTIMACIÓN MCO: MRLCK
Yi 1 2 xi 2 3 xi 3 k xik ui
1
y X u
k
y el modelo de regresión estimado:
Yˆi b1 b2 xi 2 b3 xi 3 bk xik
Yˆi ˆ1 ˆ2 xi 2 ˆ3 xi 3 ˆk xik
52
2. METODOLOGÍA DE ESTIMACIÓN MCO: MRLCK
y X u Y1 X 11 X 12 X 1k 1 u1
Y X X 22 X 2 k u
2
21 2
2
n ( n1) X n1
Y X n2 X nk ( nk ) k ( k 1) u n ( n1)
y ŷ e Xb e
53
2. METODOLOGÍA DE ESTIMACIÓN MCO: MRLCK
54
2. METODOLOGÍA DE ESTIMACIÓN MCO: MRLCK
55
2. METODOLOGÍA DE ESTIMACIÓN MCO: MRLCK
56
2. METODOLOGÍA DE ESTIMACIÓN MCO: MRLCK
Estimador de la Varianza s2.
e y Xb
e y X(X' X) 1 X' y
e (I n X(X' X) 1 X' ) y
e My
e My M ( Xβ u) MXβ Mu
e Mu
• Elevando al cuadrado los residuos:
58
2. METODOLOGÍA DE ESTIMACIÓN MCO: MRLCK
E (e' e ) u2 (n k )
e' e
E u
2
nk
• Así, el estimador de la varianza del término de perturbación,
y de la regresión, es:
e' e
s ˆ u2
2
nk
• El error estándar de la estimación o error estándar de la
60
3. CARACTERÍSTICAS MUESTRALES DE MCO
Y b1 b2 X 2 b3 X 3 b3 X k y Xb
El promedio observado es igual al promedio estimado: i ' y i ' yˆ
La correlación muestral de los regresores con los residuos es
cero. X' e 0
Los valores estimados de la variable dependiente no están
61
6. REGRESIÓN ORTOGONAL
x y x x y x
2i i
2
3i 3i i x
2 i 3i
b2 i 1 i 1 i 1 i 1
2
n n
n
i 1
x 2 i 3i
2
i 1
x 2
i 1
x 2 i 3i
x
n n n n
x y x x y x
3i i
2
2i 2i i x
2 i 3i
b3 i 1 i 1 i 1 i 1
2
n n
n
i 1
x2i x3i x2i x3i
2
i 1
2
i 1
62
4. REGRESIÓN ORTOGONAL
i 1 i 1
• Además:
n n n n
x y x x y x
2i i
2
3i 3i i 2 i 3i x
ˆ 12 ˆ 13ˆ 32
b12,3 i 1 i 1 i 1 i 1
n n
n
2
1 r232
i 1
x 2 i 3i
2
i 1
x 2
i 1
x 2 i 3i
x
63
5. ESTIMACIÓN MCO COMO PROYECCIÓN
ŷ Xb Py
64
5. ESTIMACIÓN MCO COMO PROYECCIÓN
• Además, PM = MP = 0.
• Entonces, la estimación por MCO particiona y en dos
componentes ortogonales:
y yˆ e
y Py My
65
5. ESTIMACIÓN MCO COMO PROYECCIÓN
• Geometría de MCO:
66
5. ESTIMACIÓN MCO COMO PROYECCIÓN
• Geometría de MCO:
X1
67
5. ESTIMACIÓN MCO COMO PROYECCIÓN
• Geometría de MCO:
X2
X1
68
5. ESTIMACIÓN MCO COMO PROYECCIÓN
• Geometría de MCO:
X2
X1
69
5. ESTIMACIÓN MCO COMO PROYECCIÓN
• Geometría de MCO:
X2
Xb
X1
70
5. ESTIMACIÓN MCO COMO PROYECCIÓN
• Geometría de MCO:
X2
Xb
X1
71
5. ESTIMACIÓN MCO COMO PROYECCIÓN
• Geometría de MCO: y*
X2
Xb
X1
72
5. ESTIMACIÓN MCO COMO PROYECCIÓN
• Geometría de MCO: y*
X2
Xb
Xb*
X1
73
5. ESTIMACIÓN MCO COMO PROYECCIÓN
• A través del uso de matrices : caso de dos variables
1000
950
Se obtiene una
línea de regresión
900
log (Circulante)
850 Estimado
Observado
800
750
460 470 480 490 500 510 520 530 540
log (PBI)
74
6. APLICACIÓN: Estimación del salario por hora
EARNINGS vs. S
200
Earnings: salario por hora
S: años de educación
160
Mayores observaciones
para eduación básica y
EARNINGS
40
0
6 8 10 12 14 16 18 20 22
S
1
6. APLICACIÓN: Estimación del salario por hora
Dependent Variable: EARNINGS
Method: Least Squares
Date: 07/31/11 Time: 22:59
Sample: 1 540
Included observations: 540
1
6. APLICACIÓN: Estimación del salario por hora
Dependent Variable: EARNINGS