01 Introcuddiòn A La Econometria

UNIVERSIDAD MAYOR DE SAN SIMON
FACULTAD DE CIENCIAS ECONOMICAS

CARRERA INGENIERIA FINANCIERA
ECONOMETRIA
2. MODELO LINEAL SIMPLE
Hernán Delgadillo Dorado

Dennis Andrew
Rossel Aquino
01/10/20 Econometria I 1
MODELO LINEAL SIMPLE
2.1. INTRODUCCIÓN
2.2. HIPOTESIS DEL MODELO
2.3. METODO DE MINIMOS CUADRADOS
ORDINARIOS.
2.4. PROPIEDADES DE LOS ESTIMADORES
MINIMO CUADRATICOS.
2.5 PRUEBAS DE HIPÓTESIS
2.6 ESTIMACION POR INTERVALOS
2.7 ANALISIS DE CORRELACION
2.8 ANALISIS DE LA VARIANZA
2.9 APLICACIONES
Y  fX
Yi     Xi  Ui
Y  fX Cómo estimar el Modelo?
Y    Xi  Ui
Método: Mínimos Cuadrados
 yi Variable Endogena
ˆ 
yi  ˆ   xi  ei  xi Variable Predeterminada
e  y - ŷ Resíduo
 i i i
Método: Máximo Verosimilitud

Yi     Xi  Ui
U i  Yi     X i
HIPOTESIS O POSTULADOS
DEL MODELO
SUPUESTO 1.- Linealidad
Y  fX 
Yi    Xi  Ui
SUPUESTO 2.- Promedio Esperado de U, es cero
E Ui   0
Ui  Yi    Xi 
E Ui   E Yi    Xi    E Ui   E  Yi   E   Xi 
E Ui   E  Yi   E  Yi   E Ui   0
L.R.P
En el caso de “n”observaciones Yi   Xi
Yi Xi
P(ui) Ui
Y1 X1 U1  Y1    X 1  

Y2 X2 U 2  Y2    X 2  
Y3 X3 U 3  Y3    X 3   E Ui   0 Xi
.... .....      POBLACIONAL

Xn U n  Yn    X n  
L.R.M
Yn Yi ˆ  ˆXi
ei
L.R.P.- Línea de Regresión Poblacional
L.R.M.- Línea de Regresión Muestral

MUESTRAL Xi
SUPUESTO 3.- Varianza Esperada de U constante.
Homoscedasticidad
E Ui,Uj   E Ui    2 2
u i  j
Yi L.R.P.
P(ui)
Homos = Igual
Cedasticidad = Dispersión
Xi
X1 X2 X3
Bajos Medio Altos
1000 2000 3000
SUPUESTO 4.- Covarianza de Ui, cero.
(No Autocorrelacción).
E Ui, Uj   0 i  j
Las decisiones de consumo de las familias de ingresos

bajos no afectaran las decisiones de consumo de las
familias de ingresos altos (Ejemplo 1).
Autocorrelación y No Autocorrelación Ui=f(Uj) ?
ui
ui
uj ui uj
uj
Autocorrelación Autocorrelación
Positiva Negativa
No autocorrelación
SUPUESTO 5.- Exogeneidad.
E  Xi , Ui   0
Yi     Xi  Ui
  
PROBLEMAS ECONOMETRICOS.
Aparecen, cuando no se cumplen las hipótesis o postulados.
1° Error de Especificación del Modelo.
2° Si Yi fuera una variable dicotómica, para una muestra
pequeña asumiría una distribución binomial ( Normalidad)
Yi Xi Si Yi = 1; Yi = 0
Y1 X1 U1  1    X 1   (distribución binomial),

Y2 X2 2 U  0     X 
2  no se cumple el supuesto
E Ui   0
Y3 X3U  1    X  
3 3 
.... .....
    
Yn Xn
3° Heteroscedasticidad, o dispersión desigual, o varianza
distinta del término estocástico.  2   2
ui uj
 u2   u2   u2
i j k
Yi Yi
P(ui) P(ui)
X1 X2 X3 Xi X1 X2 X3 Xi
Bajos Medio Altos Horas de Práctica
1000 2000 3000 10 20 30
Yi Errores
4° Autocorrelación
Que las decisiones de consumo de las familias con
ingresos bajos afectan a las decisiones de consumo de
las familias de los ingresos altos.
5° El problema de exogeneidad
E Ui, Xi   0
Yi
    Xi  Ui
Variable Variable
Endogena Predeterminada
Xi  f Ui   Variable Aleatoria

MINIMOS CUADRADOS
ORDINARIOS O CORRIENTES
Deseamos estimar el modelo lineal simple:
Yi    Xi  Ui
El modelo estimado es:

Debemos Minimizar los residuos
Yî  ˆ  ˆX i
  ei2
El Resíduo es  ei  Yi  Yî
ˆ
 
 2 Yi  ˆ  ˆX i  0

ei  Yi  ˆ  ˆX i i  1, n   ei2
 
 2 X i Yi  ˆ  ˆX i  0
ˆ
Ecuaciones mínimo cuadráticas
1  Yi  nˆ    X i
 ˆ

 2 
  i iY X  ˆ  i  i
X  ˆ
 X 2
Dos ecuaciones y dos incógnitas. Resolver por

determinantes u otro método:
 Yi  Xi
ˆ 
 YiXi  Xi 2
 ˆ 
 Yi  Xi 2
  YiXi  Xi
 Xi n  Xi    Xi 
2
n 2
          
 Xi  Xi 2
Estimador Minimo Cuadratico de 
n  Yi
ˆ 
 Xi  XiYi ˆ
 
n  YiXi   Xi  Yi
 Yi n  Xi 2    Xi 
2
n
 Xi  Xi 2
Estimador Mínimo Cuadratico de 
Con desviaciones.
Gráficamente se expresa
yi  Yi  Y
Yi Xi yi LRM
xi  Xi  X
xi
yi
Y 
 Yi ; X 
 Xi xi
n n Y Yi
Analíticamente
1  Yi  nˆ ˆ Xi Dividiendo (1)/nX
0
Xi

 Yi 
nˆ
ˆ  Xi
n n n
ˆ  ˆX
Y 
El Modelo Estimado con Desvíos se obtiene:
Yî  ˆ  ˆX i
ˆ  ˆX
Y 
Yˆ  Y   ˆ X
i X
   i
î
y xi
ˆ i  ˆxi
y Modelo Estimado con Desvíos
Yi     X i  U i
Y    X  U
Y  Y    X
i  X   U  U 
   i
   i
yi xi ui
yi   xi  ui Modelo Lineal con Desvíos

ESTIMADORES MINIMO CUADRATICOS CON
DESVIOS.
yi
Residuos ei  yi  yˆ i
 e    y  yˆ 
i i i ei
 e    y  yˆ  P(ui)
2 2
i i i yi
ŷi
 e   2
i y  ˆx 
 i i
2
xi
 e
 2 x   y  ˆx 
2
i
ˆ
i i i
Para ˆ , despejar de Y.
ˆ  Y  ˆX
 i i
x y  ˆ
  i
x 2
ˆ
   x y i i
Estimador Mínimo
Cuadratico de  con desvíos
01/10/20
x 2
i
Econometria I 18
PROPIEDADES DE LOS ESTIMADORES
MINIMO CUADRATICOS.
1. LINEALIDAD
Linealidad del Estimador Beta.
Es constante

  wi  0
 yx xi 

i i
A partir de ˆ   w  2  wi xi  1
x 
2 i
i xi 
 w2  1
  i
 xi2

ˆ  y w i i yi  Yi  Y
ˆ   Yi  Y w i
ˆ   Yiw Y  w i i pero w  0
i
ˆ   Yiw i desarrollamos 
ˆ  Y1w1  Y2 w2  Y3 w3  ........  Yn wn
 ˆ  f lineal  Yi  ˆ es función lineal de Yi

Linealidad del Estimador Alfa.
Su Formula : ˆ  Y  ˆX r
vY y ˆ
ˆ 
 Yi  y x
 *X
i i
wi 
xi
n x 2
i  xi2
ˆ 
 Yi
 Xy w i i
r
v yi  Yi  Y
n
ˆ 
 Yi
 X  Yiw i Factorizar  Yi
n
Es Constante

1  1 
ˆ   Yi   Xwi 
n 

Ti   Xwi  Ti 1
n 

 TiXi  O
*ˆ   YiTi desarrollamos

ˆ  Y1T1  Y2T2  Y3T3  ........  YnTn
ˆ  f
01/10/20 lineal  Yi  Êconometria
es funciónI lineal de Yi 21
2.INSESGABILIDAD
Insesgabilidad del Estimador Beta
ˆ 
y x i i
x 2
i
* ˆ  y w i i Yi    Xi  Ui r
v
ˆ     Xi  Ui w i
ˆ    w  Xiw   Uiw
0 1
i i i
* *ˆ     Uiw i Aplicamos E
E  ˆ   E     Uiw  i
 E Ui   0 Por Hipoteis

E     E      w E  Ui  
ˆ 0
 E      Por ser Corriente

i
 
E ˆ   ˆ es un estimador insesgado de 
Insesgabilidad del Estimador Alfa
ˆ  Y  ˆX
*ˆ   YiTi Pero Yi    Xi  Ui
ˆ     Xi  Ui Ti
ˆ    Ti    XiTi   UiTi
1 0
* *ˆ     UiTi Aplicamos E
E ˆ   E     Ti E Ui 
0
E ˆ    ˆ es un estimador insesgado de 
3 CONSISTENCIA
Se dice que un estimador es consistente, cuando a
medida que se aumenta el tamaño de la muestra, el valor
del estimador tiende al valor del parámetro.
 
Prn  N ˆ    1 Prn N ˆ     1
4. EFICIENCIA
Eficiencia del Estimador Beta
ˆ 
 yxi i
x 2
i
ˆ     wiUi
ˆ     wi u i Aplicar E y elevar al cuadrado

ˆ 
E     E   wiUi 
2
Desarrollar 
  E  w1U1  w2U 2  .....  wnU n  Resolver Polinomios Cuadrados
2 2
ˆ
 2ˆ  E  w12U12  w22U 22  .....  2w1U1w2U 2  .....  2wn 1U n 1wnU n 

 2ˆ  E   w12U12  2 wi w jU iU j 
   w E U   2 wi w j E U iU j  Por Hipótesis
2
2 2 2 u 0
ˆ i i
i j
 u2
 2ˆ  Varianza del Estimador ˆ
 xi2
Suponemos Otro Estimador Beta
ˆ
ˆ 
y x i
Pero c 
i
w  di
x 2  i i
i Conocido
 w d  0 i i

 c  0

ˆ
    c U
i
ˆ 
 c X  1
i i
i i


 d X  0 i i
ˆ
ˆ     c U i i
  E  c U 
2
 ˆ
ˆ  2
E  i i
 
  E   c U  2 c c U U 
2
ˆ
ˆ
2
i i
2
i j i j

  2 u
 
2
 2
ˆ  ci2 E Ui 2 ci c j E  U iU J 0
ˆ
i j
 2
ˆ
ˆ
  u2 w i  di 2
1
 2
ˆ
ˆ
  u2
 x 2
i
  u2
  d i
2
    k
 2
ˆ
ˆ ˆˆ
 2ˆˆ   2ˆ K   es mas eficiente que 

VARIANZA DEL TERMINO ESTOCASTICO
Yi    Xi  Ui
Y i    X  Ui
u  u i  u

yi  xi  u 
 ˆ
y  ˆx

 i
Residuos - -  ei  yi  yˆ
e  x  u  ˆx
i i i
 
ei   ˆ   xi  U i  U  Aplicar  y al cuadrado
 e  ˆ  
2
i    x   U  U   2ˆ    x U  U  Aplicar E
2
2
i i
2
i i
  
  
 
   
 
E  ei2   xi2 E ˆ    E  U i2  nU 2  2U  U i   2 E  wi U i   xiU i  U  xi 
2
      
 u2       nU 
 
xi
 xi
2
  nU    xi
2
 
E    ei2  u2 E  U i2 
 nU  2 E 

xi
x 2
Ui  xiU i 

 i 
 
E  e   
2
i
2
u E  
U i2  nU  2 E 

x
xi
2
Ui *  xiU i 

 i 
 

ei2   u2  E 
  U i 
2
  x U  2 
 U i  n   2E  
2 i i
E



n 




 x 2
i


E  2 2 2 1
 2 2
 2
ei   u  nE U i  E U 1  U 2  ...  U n  2 E


xiU i
2
   
  
 u2
n        
U i2  2U iU j


x 2
i


     

 xi2ui2  2 xi x jU iU j
 xi
2
E  
ei2   u2  n u2
1
  1

 nE U i2  2 nE U iU j  2    xi2 E U i2
 2 x x E U U 
x 2 i j i j
n n i
   
0
E  e   
2
i
2
u  n u2   u2  2 u2
E  e   
2
i
2
u  n  2
 u2  i
e 2
Varianza del termino estocástico

n2
EFICIENCIA DE LOS ESTIMADORES. De otra manera:
Yi Xi
n1 Yˆ1  ˆ1  ˆ1 X 1   2ˆ
1 
 2 2

 ˆ1 : :  ˆ 2
n2 ˆ ˆ 2 
Y2   2   2 X 2   ˆ 
ˆ
2 
Cual de los estimadores son más eficientes?
1). Si  2
  2
 ˆ es mas eficiente que ˆ

ˆ
1 ˆ
2 1 2
2). Si  2
  2
 ˆ es mas eficiente que ˆ

ˆ 2 ˆ1 2 1
 2ˆ1 

 u2 X i2
 2ˆ2 

 u2 X i2
n x 2
i n x 2
i
Cuál gráfico es incorrecto?
L.R.P L.R.M
Yi   Xi  Ui yi yˆ  ˆ  ˆxi
P(ui)
Xi xi
L.R.P L.R.M
Yi   Xi  Ui Yi yˆ  ˆ  ˆxi
P(ui) P(ui)
Xi Xi
ESTIMACIÓN POR INTERVALOS
Estimación por Intervalos de Beta
 
 
Pr  ˆ  t  ˆ    ˆ  t  ˆ   1 
    2    2   Probabilidad
 Limite Inferior Limite Superior 
Suponemos que: ˆ es N  ,  ˆ
1    Nivel de Confianza 95% 1    0.95
  0.05
  0.025
2
t  
Pr  t  t  t   1  
t t t  2 2 
2 2
Distribución t Estimación por intervalos
Pruebas de Hipótesis
r/v de t
ˆ    
t  t ˆ   ˆ     1
 ˆ Pr  t   t
 2  ˆ 2

 
Resolver Inecuaciones
ˆ   ˆ  
t   t
2  ˆ  ˆ 2
 t  ˆ  ˆ   ˆ    t  ˆ
2 2
  ˆ  t  ˆ ˆ  t  ˆ  
2 2
Limite Superior Limite Inferior
Estimación por Intervalos de Alfa
 Xi  X
z 
   Si
Pr ˆ  t  ˆ    ˆ  t  ˆ   1 
 2 2  t  X  X
 x

Limites de Confianza 95%
ˆ  t  ˆ
2

ˆ  t  ˆ 
2 ˆ  t  ˆ ˆ  t  ˆ
Ejemplo: 2 2
0.30 0.75
Y Consumo
Y    X i  U i  Pr  0.50    0.75
X Ingreso
PRUEBA DE HIPOTESIS NULA
MLS Y    X i  U i
Ho :   0 "
 Relación entre Yi y X i "
H1 :   0 "  Relación entre Yi y X i "
Muestra n  X i Yi 

Supongamos que ˆ es N  ,  ˆ 
Calcular t:  v,  
ˆ ˆ Valor Critico t %  t  
  0
  2 
t ˆ   Nivel de Significación   0.05
 ˆ  ˆ
Grados de Libertad v  n  2
Contrastar t % : : t Región Critica o 1 Región Critica o
Zona de Rechazo Zona de Rechazo
Si t   t %  Rechazar H o  
2 2
Caso Contrario No Rechazar H o 
-t% t%
Si rechazamos H o   relación lineal entre X i y Yi
ˆ es estadísticamente significativo al   0.05  5%
Ho :  0
Para el Estimador Alfa
Hi :  0
Ingresar al Programa SPSS
Abrir Employee Data
Para el Modelo:
Yi    X i  U i
a) Estimar Por Intervalos
b) Probar hipótesis
Para realizar la aplicación del modelo en el programa,
ingresar a Statistics, luego a Regresión y a su vez ingresar a
Linear y abrir una ventana para recolección de datos de Y(
V. dependiente) “salary” y X(V. Independiente) “EducationalLevel (Years)”.
Current Salary
Educational Level
(years)
Model Summary
Adjusted Std. Error of

Model R R Square R Square the Estimate
1 ,661a ,436 ,435 $12,833.54
a. Predictors: (Constant), Educational Level (years)
Coefficientsa
Standardi
zed
Unstandardized Coefficien
Coefficients ts 95% Confidence Interval for B
Model B Std. Error Beta t Sig. Lower Bound Upper Bound
1 (Constant) -18331,2 2821,912 -6,496 2,096 -23876,242 -12786,114
Educational Level (years) 3909,907 204,547 ,661 19,115 1.362 3507,971 4311,842
a. Dependent Variable: Current Salary
ANALISIS DE CORRELACIÓN EN EL MLS
Correlación Simple.
Análisis de
Correlación Coeficiente de Determinación.
Correlación Simple.- Mide la asociación lineal entre dos
variables.
Yi yi
 I . y i x i  0   y i x i  0
xi
 II . yi xi  0
yi
xi  III . yi xi  0  yi xi  0
 IV . yi xi  0
Xi y x i i 0
y x i i  0  Asociación lineal Positiva entre yi xi .
y x i i  0  Asociación lineal Negativa entre yi xi .
y x i i  0  Asociación lineal  - entre yi xi .

Coeficiente de Correlación de Pearson; es una medida
del grado de asociación lineal entre dos variables cuantit.
Escala: r
2
-1 0 1 r R
r 1  Asociación lineal perfecta positiva yi xi .
r  1  Asociación lineal perfecta negativa yi xi .
r0  Asociación lineal  - yi xi .
Donde:
S x   i
 x 2
r
 yi xi 

n
nS x S y 
S 
 iy 2
 y
 n
r S ,S
v y x
r
 yi xi

n

n

n

n  x 2
i  y 2
i
n n  n  2
n

n n
r
 yi xi
 i  i
x 2
y 2
Y Y Y
r = +1 r = -1 r = cercano +1
X X X
Y Y Y
r = cercano -1 r = positivo pero
cercano a Cero.
X X X
Y Y
r=0 Y=X²
pero r = 0
X X
Relación del Estimador ß con el coeficiente r
ˆ 
 yi xi 
 yi xi  i
y 2
x 2
i  i
x 2
 i
x 2
 i
y 2
y 2
i
ˆ  r n  r Sy
 i
x 2 Sx
n
ˆ Sy ˆ Sx
 r Despejar r  
Sx Sy
Coeficiente de Determinación
Es el porcentaje de explicación del

modelo.
Es la bondad de ajuste lineal de los
datos.
Es el porcentaje de explicación de X a Y.
R2  1
i
e 2
yi  xi  ui Lineal
 i
y 2
En que grado explica la variable “x” a la variable “y”
Escala:
0 1 R2
R 2 *100
0 100%
Ejemplo 1 : R  0.98  R  98% 1  R 2  0.02

2 2
 2
Ejemplo 2 : R  0.10  R  10%1  R  0.90
2 2
Inexplicado por xi
Demostración:
Resíduos ei  yi  yˆ i
2
 
Aplicar  de Cuadrados  e    yi  yˆ i 
2
i
 despejar 
yi  ei  yˆ i
 i    ei  yî 
2 2
y
 y   e   yi  2 yi ei
2 2 2 0
i
ˆ i
ˆ
 i  i i
y 2
 ˆ
y 2
 e 2
Suma de Cuadrados STC  SCE  SCNE

STC = Suma Total de cuadrados
SCE = Suma de Cuadrados Explicados por Xi
SCNE=Suma de Cuadrados No Explicados o “Residuales de Cuadrados”.
r2
 i
y 2

 i
y 2

 i
ˆ
y 2
y 2
i y 2
i  i
y 2
ˆ 2  i
2
x
 i
ˆ
y 2

 ˆ 2 x2
 i

S 2
n  ˆ 2 x  r 2
 yi  y i
2 2
 i
y 2
S y2
n
Se define R 2 como :
i
e 2
  ˆ
y  y  2
 ˆ
y 2
SCE
R  1
2
 R2   R  2
 i
y 2
  y  y  2
y 2
STC
En forma alterna definimos a r 2
1 R 2 i
e 2
 R  1
SCNE 2
 yi
2
STC
Y yi eî  Debido al Residuo
Yi Y  Yî
Total
Y Yˆ  Y 
i
Debido a la Regresión
X X
Componentes de
la variación de Yi
ANALISIS DE VARIANZA.
“ANOVA”
La suma de cuadrados tiene la siguiente

representación: STC = SEC + SRC, y que
en el desarrollo hicimos la expresión
matemática de la siguiente forma:
 y   yˆ   e    xi   ei
2
i
2
i
ˆ 2 2 2
i
2
Tabla ANOVA para el modelo de regresión en el
cual se representan la suma de cuadrados.
Fuente de Suma de Grados de Media de
variación Cuadrados Libertad Cuadrados
Debido a xi  yˆ i2  ˆ 2  xi2 1 ˆ 2  xi2
 eˆ 2
e 2
i 2
Residuos i
n-2 n2
 ˆ
Total  y 2
i n-1
Prueba F, representa la distribución que genera las
condiciones de aceptación lineal.
F
 yˆ i2
 Donde la hipotesis es H o :  2   3  .....   k  
e 2
i Prueba de Hipotesis Conjunta
 n  2
Solo en el Modelo Lineal Simple


2 ˆ   0

t  
 ˆ

2
t  2
ˆ 2 
 2
F  t 

ˆ x 2
i
F
 yˆ i2
 ˆ   2
ei e2
i
ˆ 2
  n  2  n  2
2  
t  2 
u 
 2
xi 

Buscar el F% Crítico en la tabla F:
Nivel de Significación 1 gl num y n-2 gl den
v Numero P(F) F % :: F
Variable 1
d
e
n
o
m
13 F% 0 F% F
F
Decisión:
Si F > F% rechazar   relación lineal “conjunta” de xs
respecto a y.
Ingresar al SPSS y Abrir Employee Data (realizar
procedimiento anterior).
Yi : Salario Corriente
MLS Yi    X i  ui 
 X i : Nivel de Educación
Estimar el Modelo:
1) Analisis de 2) Analisis de 3) Analisis de
Regresión Correlación Varianza
̂ y Por Intervalos r Lineal Suma de
Cuadrados
ˆ
R 2 Lin eal Prueba F lineal
ˆ ˆ
, ˆ ˆ
ˆ u
Prueba t lineal
Model Summary
Adjusted Std. Error of

Model R R Square R Square the Estimate
1 ,661a ,436 ,435 $12,833.54
a. Predictors: (Constant), Educational Level (years) F
R²
0 R² =43.6 100%
Cuadro Anova
Suma de Grados de
Fuente Cuadrados Libertad Mean Square Prueba F Sig
Educación 6017821760,30 1,00 6,02 365,38 1,36
Residuos 7730276776,30 472,00 164699740,80
Total 13748098536,60 473,00
Ingresar al Programa de Excel
Estimar el Modelo: M.L.S. Yi    X i  U i
Yi Xi yi xi yixi xi2 ÿi ei
70 80 -41 -90 3690 8100 -45,9 4,9
65 100 -46 -70 3220 4900 -35,7 -10,3
90 120 -21 -50 1050 2500 -25,5 4,5
95 140 -16 -30 480 900 -15,3 -0,7
110 160 -1 -10 10 100 -5,1 4,1
115 180 4 10 40 100 5,1 -1,1
120 200 9 30 270 900 15,3 -6,3
140 220 29 50 1450 2500 25,5 3,5
155 240 44 70 3080 4900 35,7 8,3
150 260 39 90 3510 8100 45,9 -6,9
1110 1700 0 0 16800 33000 0 0
A). Graficar Nube de Puntos B). Estimar el modelo con
Desvíos.
Y
300
250
media deY 111
200 170
media deX
150
100
con desvios
50
beta 0,509091
0
alfa 24,45455
0 50 100 150 200
X
aux. 86,54545
C).Estimar ˆ ˆ , ˆ ˆ , ˆ u D). Graficar Residuos ei=(ei-1)

10
Varianzas 5
beta 0,001277652 0
alfa 41,14037879 e i-1 -15 -10 -5 0 5 10
-5
errores 42,1625
-10
aux. 13576325 -15

ei
aux.2 330000
ei-1 ei2 Xi2 yi2 ÿi2 por intervalos
24,01 6400 1681 2106,81
4,9 106,09 10000 2116 1274,49 superior inferior
-10,3 20,25 14400 441 650,25 beta 0,5915172 0,4266647
4,5 0,49 19600 256 234,09
-0,7 16,81 25600 1 26,01 alfa 39,245406 9,6636848
4,1
-1,1
1,21
39,69
32400
40000
16
81
26,01
234,09 G).Estimar el coeficiente de
-6,3
3,5
12,25
68,89
48400
57600
841
1936
650,25
1274,49
Correlación.
8,3 47,61 67600 1521 2106,81 coeficiente de correlacion 0,980847
6,9 337,3 322000 8890 8583,3
aux. 1 181,659
F).Prueba de Hipótesis Nula aux. 2 94,2868
(Prueba t) aux.1-2 17128,05
desviacion tipica H).Estimar el coeficiente de
beta 0,0357443 Determinación.
alfa 6,4140766
coeficiente de determinacion 0,9620585
aux...beta 0,082426244
aux...alfa 14,79086067 aux 0,037942
J).Realizar Análisis de Varianza.
analisis de varianza 203,57664
aux. 42,1625
Resumen
Estadísticas de la regresión
Coeficiente de correlación múltiple 0,493721815
Coeficiente de determinación R^2 0,243761231
R^2 ajustado 0,118761231
Error típico 5,418770236
Observaciones 9
ANÁLISIS DE VARIANZA
Grados de libertad Suma de cuadrados Promedio de los cuadrados F Valor crítico de F
Regresión 1 75,71765527 75,71765527 2,5786695 0,152347772
Residuos 8 234,904567 29,36307087
Total 9 310,6222222
Coeficientes Error típico Estadístico t Probabilidad Inferior 95% Superior 95% Inferior 95%Superior 95%
Intercepción 0
Variable X 1 -0,520176741 0,318371354 -1,633867915 0,14092801 -1,254342875 0,213989394 -1,2543429 0,21398939
K).Graficar La Nube de Puntos de Yˆ
60
45,9
40
35,7
25,5
20
15,3
5,1
0
-5,1
0 2 4 6 8 10 12
-15,3
-20
-25,5
-35,7
-40
-45,9
-60
UNIVERSIDAD MAYOR DE SAN SIMON
FACULTAD DE CIENCIAS ECONOMICAS
CARRERA INGENIERIA FINANCIERA
ECONOMETRIA
3. OTROS ASPECTOS DEL
Hernán Delgadillo Dorado
Dennis Andrew
Rossel Aquino
OTROS ASPECTOS DEL MODELO LINEAL
SIMPLE.
1). Regresión a través del origen.
Yi   X i  ui Yî  ˆX i ei  Yi  Yî
Aplicación teoría del Portafolio
2). Escalas y Medidas de Medición.
Yi : Salario ($us / Año) 5700
Yi    X i  U i 
 X i : Educación (Años).
En SPSS Correr la Regresión
Yî  ˆ  ˆX i  Yˆ  18331  3910 X i
Ejemplo.- Forma de medición
Salario Actual Salario
57000 57
40000 40
32000 32
Procedimiento: transform/compute para cambios en el
Salario y volverlo el Salario/1000.
Yi     X i  ui
Yˆ  ˆ  ˆX

i i
Yˆ  18,33  3,91X
i i
3). El tiempo como regresor.
Yi     t  ut t No es variable
económica
Aplicación: La tasa de crecimiento representa
lo que es la forma de medida tendencial.
yi tiempo t t
y1 1986 -5 -3
y2 1987 -4 -2
y3 1988 -1 -1
  1 0
  3 1
  5 2
01/10/20  2005 3 I 1
Econometria 64

01 Introcuddiòn A La Econometria

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

01 Introcuddiòn A La Econometria

Cargado por

Copyright:

Formatos disponibles

UNIVERSIDAD MAYOR DE SAN SIMON

FACULTAD DE CIENCIAS ECONOMICAS

Hernán Delgadillo Dorado

Método: Máximo Verosimilitud

L.R.M.- Línea de Regresión Muestral

Las decisiones de consumo de las familias de ingresos

Xi  f Ui   Variable Aleatoria

El modelo estimado es:

Dos ecuaciones y dos incógnitas. Resolver por

yi   xi  ui Modelo Lineal con Desvíos

 ˆ  f lineal  Yi  ˆ es función lineal de Yi

*ˆ   YiTi desarrollamos

* *ˆ     Uiw i Aplicamos E

 E Ui   0 Por Hipoteis

 E      Por ser Corriente

* *ˆ     UiTi Aplicamos E

E ˆ    ˆ es un estimador insesgado de 

Eficiencia del Estimador Beta

 2ˆ  E  w12U12  w22U 22  .....  2w1U1w2U 2  .....  2wn 1U n 1wnU n 

Varianza del termino estocástico

Cual de los estimadores son más eficientes?

Adjusted Std. Error of

y x i i  0  Asociación lineal Negativa entre yi xi .

y x i i  0  Asociación lineal  - entre yi xi .

Es el porcentaje de explicación del

Ejemplo 1 : R  0.98  R  98% 1  R 2  0.02

Suma de Cuadrados STC  SCE  SCNE

La suma de cuadrados tiene la siguiente

Adjusted Std. Error of

C).Estimar ˆ ˆ , ˆ ˆ , ˆ u D). Graficar Residuos ei=(ei-1)

aux. 13576325 -15

Yˆi  ˆ  ˆX i  Yˆ  18331  3910 X i

También podría gustarte