1

ALGUNOS CONCEPTOS BÁSICOS

•POBLACIÓN
– Recolección completa de todas la observaciones de
interés para el investigador.
•MUESTRA
– Una parte representativa de la población que se
selecciona para ser estudiada.
POBLACIÓN

MUESTRA
 DEFINICIONES BÁSICAS
• PARÁMETRO
– Es una cantidad numérica (medida descriptiva) calculada sobre
una población
• La idea es resumir toda la información que hay en la población
en unos pocos números (parámetros).
• ESTADÍSTICO
– Es una cantidad numérica (medida descriptiva) calculada sobre
una muestra.

Si un estadístico se usa para aproximar un parámetro también se le

suele llamar estimador.

Normalmente nos interesa conocer un parámetro, pero por la

dificultad que conlleva estudiar a toda la población, calculamos un
estimador sobre una muestra y “confiamos” en que sean próximos.
Más adelante veremos como elegir muestras para que el error sea
“confiablemente” pequeño.
 Estimar la función de regresión poblacional
(FRP) con base en la función de regresión
muestraL (FRM) en la forma más precisa
posible.
 Dos métodos de estimación frecuentes:
1) Mínimos cuadrados ordinarios (MCO) y
2) Máxima verosimilitud (MV).
En resumen...

El método de mínimos cuadrados ordinarios

consiste en obtener los estimadores de i
minimizando la suma de cuadrados de los
errores

ˆ
b2 =
å c i yi
å i
c 2
c i =Xi - X
yi =Yi - Y
Y =bˆ1 + b̂2 X
 Características de los estimadores

 Se expresan únicamente en términos de las cantidades (es decir X

y Y) observables (es decir, muestras)  Se calculan con facilidad.
 Son estimadores puntuales.
 Características de la línea de regresión

1. Pasa a través de las medias muestrales de X y

Y.
2. El valor medio de Y estimada es igual a valor
medio de Y real.
Yi =Y
3. El valor medio de los residuos ui es cero.
4. Los residuos ui no están correlacionados con el
valor estimado de Yi.
5. Los residuos ui no están correlacionados con Xi.
Modelo de Gauss  modelo clásico o estándar de
regresión lineal (MCRL)*, es el cimiento de la
mayor parte de la teoría econométrica y plantea
siete supuestos.

Antes de pasar a los 7 supuestos, se debe

considerar:
MCRL (regresora “X” fija/no aleatoria) Modelo
Clásico de Regresión Lineal.
MNRL (“X” es estocástica) Modelo Neoclásico
de regresión lineal.
 Precisión de los MCO

Se aproxima a través de la desviación o del error

estándar de la regresión:

Y de la covarianza:
Precisión de los MCO
 Teorema de Gauss-Markov Estimadores MELI

Un estimador de MCO, es el mejor estimador lineal

insesgado si cumple:
1. Es lineal (una función lineal de una variable
aleatoria).
2. Es insesgado (su valor esperado es igual al valor
verdadero).
3. Tiene varianza mínima (entre todos los
estimadores lineales insesgados), estimador eficiente.
Teorema de Gauss-Markov Estimadores MELI
(1) ES UN MODELO DE REGRESIÓN LINEAL.
(2) LOS VALORES DE LAS X SON FIJOS EN MUESTRAS
REPETIDAS.
(3) EL VALOR MEDIO DE LAS PERTURBACIONES µi ES IGUAL A
CERO.
(4) EL MODELO ES HOMOCEDÁSTICO.
(5) EL MODELO NO TIENE AUTOCORRELACIÓN.
(6) EL NÚMERO DE OBSERVACIONES “n” DEBE SER MAYOR
QUE EL NÚMERO DE PARÁMETROS A ESTIMAR.
(7) LOS VALORES DE X DEBEN VARIAR.
(8) EL MODELO NO TIENE MULTICOLINEALIDAD.
(9) EL MODELO ESTÁ BIEN ESPECIFICADO.
(10) LOS ERRORES ESTÁN DISTRIBUIDOS NORMALMENTE.
(1) ES UN MODELO DE REGRESIÓN LINEAL.
(2) LOS VALORES DE LAS X SON FIJOS EN
MUESTRAS REPETIDAS.
(3) EL VALOR MEDIO DE LAS
PERTURBACIONES µi ES IGUAL A CERO.
(4) EL MODELO ES HOMOCEDÁSTICO.
(5) EL MODELO NO TIENE AUTOCORRELACIÓN. Problemas para
estimar el Modelo
(6) EL NÚMERO DE OBSERVACIONES “n” DEBE
SER MAYOR QUE EL NÚMERO DE
PARÁMETROS A ESTIMAR.
(7) LOS VALORES DE X DEBEN VARIAR.
(8) EL MODELO NO TIENE
MULTICOLINEALIDAD.
(9) EL MODELO ESTÁ BIEN ESPECIFICADO.
(10) LOS ERRORES ESTÁN DISTRIBUIDOS
NORMALMENTE.
(1) ES UN MODELO DE REGRESIÓN LINEAL.
(2) LOS VALORES DE LAS X SON FIJOS EN
MUESTRAS REPETIDAS.
(3) EL VALOR MEDIO DE LAS
PERTURBACIONES µi ES IGUAL A CERO.
(4) EL MODELO ES HOMOCEDÁSTICO.
(5) EL MODELO NO TIENE AUTOCORRELACIÓN.
(6) EL NÚMERO DE OBSERVACIONES “n” DEBE
SER MAYOR QUE EL NÚMERO DE
PARÁMETROS A ESTIMAR.
No es esencial para estimar, si
(7) LOS VALORES DE X DEBEN VARIAR. para inferir.
(8) EL MODELO NO TIENE Los estimadores MCO siguen
MULTICOLINEALIDAD. siendo MELI y distribuidos
(9) EL MODELO ESTÁ BIEN ESPECIFICADO. normalmente.

(10) LOS ERRORES ESTÁN DISTRIBUIDOS La violación de este supuesto es

NORMALMENTE. importante para la prueba de
hipótesis y la predicción en
muestras pequeñas.
(1) ES UN MODELO DE REGRESIÓN LINEAL.
(2) LOS VALORES DE LAS X SON FIJOS EN
MUESTRAS REPETIDAS.
(3) EL VALOR MEDIO DE LAS
PERTURBACIONES µi ES IGUAL A CERO.
(4) EL MODELO ES HOMOCEDÁSTICO.
(5) EL MODELO NO TIENE AUTOCORRELACIÓN.
PROBLEMAS
(6) EL NÚMERO DE OBSERVACIONES “n” DEBE
SER MAYOR QUE EL NÚMERO DE ECONOMÉTRICOS
PARÁMETROS A ESTIMAR.
(7) LOS VALORES DE X DEBEN VARIAR. Evaluación
Econométrica del
(8) EL MODELO NO TIENE Modelo
MULTICOLINEALIDAD.
(9) EL MODELO ESTÁ BIEN ESPECIFICADO.
(10) LOS ERRORES ESTÁN DISTRIBUIDOS
NORMALMENTE.