Documentos de Académico
Documentos de Profesional
Documentos de Cultura
“Y en función de X”
“Explicar a Y en términos de X”
V. Dependiente=salario. V. Independiente=educ
Bo= Valor del salario cuando educ =0
B1= El efecto sobre Y ante un cambio de x.
Por cada año adicional de educación recibida, su
salario aumentará $bi adicionales al actual.
U=otros factores que afectan al salario: horas de
trabajo, situación económica país…
Consideraciones adicionales de y, x, u
1. X , u son variables aleatorias.
2. Media de residuos
Media (u)=0
E(u)=0 Σ ui=0
3. Independencia entre X y u .
Correlación (x,u)=Cov(X,u)/[desv(x)*desv(u)]
Cov(X,u)=0
=E[(X-mediax)(U-mediau)]
=E[(X-mediax)(U)]
=E(X*U-Mediax*u)
0
=E(X*U)-Mediax *E(u)
=E(X*U)Σ xi*ui=0
Estimación de parámetros β 0 , β1
Mínimos Cuadrados Ordinarios (MCO)
Realiza la estimación de β 0 , β1 minimizando el
término de u. Y=bo+b1X
Ofrece la mejor recta de regresión lineal.
Y Recta MCO
X
Estimación parámetros MCO
Al despejar los parámetros:
2 ( Yi ) 2 SSxy
SSy Yi
n Pendiente= b1
SSx
( X i ) 2 Intercepto = Ybarra-Pendiente*
SSx X i
2
n
Xbarra
( X i )( Yi )
SSxy X iYi
n ESTADISTICA I
Y=Bo+B1X
Ejemplo
Y=Valor real
=Valor estimado o ajustado de Y
=residuo, diferencia entre el valor Y estimado y real
Suponga que la estimación MCO de los
parámetros fue : =11,36 ; =5,5 entonces:
X: Horas
Individuo Estudio Y: Notas ui=Y–Y^
semanal Y^=11.36+5,5X
1 2 20 =11,36+5,5*
2=22 20-22=-2
2 5 45 =11,36+5,5*
5=39 45-39=6
3 10 60 66 6
4 12 78 77 1
5 15 96 94 2
Salary*(unidades)=bo*+b1* roe*(decimal)
Unidades de medición
Intercepto*=1000*963.19=963190
Pendiente*=(1000/0,01)*18,50=1850000
Salario_unid=963190+1850000Roe_dec
Transformando las variables de la base de
datos Ceosal 1 y realizando la regresión.
Se crearon las variables:
Salario_unidades=1000*salary
Roe_decimal=0,01*Roe
Se realizó la regresión lineal:
^salario_unid = 963000 + 1850000*Roe_decimal
Ejercicio
Si X = gastos en publicidad (cientos de dólares),
Y= ingresos por ventas (miles de dólares) para
una tienda deportiva durante cinco meses, la
regresión resultó.
Ŷ=1 + 1.2X
a) Interprete los coeficientes estimados
Si gasto en publicidad es cero (x=0), el ingreso por
ventas será de 1mil.
Si el gasto en publicidad aumenta 1 unidad de x(un
ciento), el ingreso por ventas aumenta 1,2 unidades de
y(1,2 miles)
Ejercicio
Si X = gastos en publicidad (cientos de dólares),
Y= ingresos por ventas (miles de dólares) para
una tienda deportiva durante cinco meses, la
regresión resultó.
Ŷ=1 + 1.2X
Calcule las siguientes regresiones:
a) Y(unidades $), X(unidades $)
b) Y(cientos), X(unidades)
c) Y(unidades), X(miles)
Ejercicio
Si X (cientos de dólares), Y (miles de dólares)
Ŷ=1.0 + 1.2X
a) Y(unidades), X(unidades)
Y*unid=w1 Ymil
= Ymil * w1=1000
X*unid=w1 X cientos
= X cientos * w2=100
B1*=1000*1=1000, B2=(1000/100)*1,2=12
Yunid=1000+12Xunid
Y mil cientos
Ymil * * w1=10
Y
Ejercicio
Si
X (cientos de dólares), Y(miles de dólares)
Ŷ=1.0 + 1.2X
b) Y(cientos), X(unidades)
Y*cientos=w1 Y miles
encontrar w1
Y*cientos=w1 Ymiles * *
w1=10
X*unid=w2 Xcientos
w2 Xcientos*
w2=100
B1*=w1*b1 =10*1=10
B2*=(w1/w2)*b2=(10/100)*1,2=0,12
Ycientos=10+0,12Xunid
Ejercicio
Si X (cientos de dólares), Y (miles de dólares)
Ŷ=1.0 + 1.2X
c) Y(unidades), X(miles)
Forma Funcional
Incorporación de no linealidades en las variables de la regresión
lineal.
30
Modelos de regresión en Logaritmos
Caso I Modelo Nivel-Log
31
Modelos de regresión logaritmica
Caso II: Modelo Log-Nivel (Y en logaritmos, X no)
32
Modelos de regresión logarítmica
Caso III: Modelo Log-Log.
33
Modelo Interpretación
Y=bo+b1 X Si x incrementa una unidad entonces Y varía
b1 unidades de y
Y=bo+b1 LogX Si x incrementa 1% entonces Y varía
0,01*B1 unidades de Y
Log Y=bo+b1X Si x incrementa una unidad entonces Y varía
(100*b1)%
Log Y=bo+B1 Log X Si x incrementa 1% entonces Y varía b1%
Ejercicio
A partir de las siguientes regresiones de las variables : Calificación
(puntos) y renta (miles $), responda:
35
Ejercicio
a) ¿Cuántos puntos aumentará la calificación ante un incremento
de $1000 en la renta?
Y unid original cuando renta unid(mil)
Y=bo+b1X
36
c) ¿Cuál es el impacto (%) sobre la calificación,
si el incremento de la renta es 1,5%?
Y% x% logy=bo+b1 logx
muestra.
Estime los siguientes modelo de regresión simple e
Las
variables dependiente e independiente pueden
estar expresadas en logaritmos (no lineales).
Para desarrollar la estimación por MCO se debe
garantizar la linealidad de los coeficientes no
necesariamente de las variables.
Por ejemplo el modelo log Y=bo+b1 X aunque no es
lineal en variables , sí lo es en parámetros por tanto
es posible estimarlo por MCO.
En el siguiente modelo Y= los betas no son lineales
por tanto no es posible estimarlos por MCO.
Propiedades de metodología
MCO
var( 1 )
i
X 2
2
var( 2 )
2
n * SSx SSx
Propiedades de los estimadores
MCO
Y=β 1 + β2 X Y=β2 X
Para estimar Para estimar
parámetros se utilizan parámetros se utilizan
sumas cuadráticas SSX, sumas de cuadrados
SSy, SSXY. simples Σx2, Σy2 , Σxy.
Grados de libertad=n-2. Grados de libertad=n-1
Σ ui=0 No siempre Σ ui=0
r2 no negativo r2 puede resultar
negativo y por tanto
incorrecto.
Ejercicio
Utilice el archivo CEOSAL2 que contiene información sobre
directores generales (CEO) Salary es el sueldo anual (miles
de dólares) y ceoten son los años de antigüedad como CEO.
Estime los siguientes modelos de regresión simple e