Documentos de Académico
Documentos de Profesional
Documentos de Cultura
lineal múltiple
Econometría I. Curso 2007-08
Variables
• Y: • Xj:
– Variable dependiente – Variables exógenas
– Variable endógena – Variables
– Variable explicada independientes
– Variables explicativas
Y = f ( X1, X 2 )
Tabla de datos
Ingresos (Y) Habitantes (X1) Superficie (X2)
198 70 21
209 35 26
197 55 14
156 25 10
85 28 12
187 43 20
43 15 5
211 33 28
120 23 9
62 4 6
176 45 10
117 20 8
273 56 36
Modelo de regresión lineal
Ejemplo de ilustración
yi = α + β1 xi1 + β2 xi 2
Modelo de regresión lineal (II)
Ejemplo de ilustración
yi = α + β1 xi1 + β2 xi 2 + εi
donde 1 ≤ i ≤ n
Modelo de regresión lineal (III)
Ejemplo de ilustración
donde 1 ≤ i ≤ n
Variables que no hemos considerado
Modelo de regresión lineal (IV)
Ejemplo de ilustración
yi = α + β1 xi1 + β2 xi 2 + εi
Modelo de regresión lineal (V)
Ejemplo de ilustración
yi = α + β1 xi1 + β2 xi 2 + εi
Modelo de regresión lineal (VI)
Ejemplo de ilustración
yi = α + β1 xi1 + β2 xi 2 + εi
Modelo de regresión lineal (VII)
Ejemplo de ilustración
198 = α + β1 × 70 + β 2 × 21 + ε1
209 = α + β × 35 + β × 26 + ε
1 2 2
...
273 = α + β1 × 56 + β 2 × 36 + ε13
• Este sistema de ecuaciónes:
– Consta de 13 ecuaciones y 16 incógnitas.
– Tiene infinitas soluciones.
• Podemos asignar valores arbitrarios a cualesquiera tres
incógnitas y calcular las demás.
Especificación del modelo
Ejemplo de ilustración
• Así lo haremos:
– Nuestro objetivo es que los valores de las
incógnitas ε i sean lo más pequeños posible.
– Determinaremos cuáles son los valores más
adecuados de los coeficientes del modelo para
alcanzar este objetivo.
α = a, β1 = b1, β2 = b2
– Llamaremos residuos a los valores que toman las
incógnitas ε i en la solución del sistema de
ecuaciones.
ε i = ei
Especificación del modelo(II)
Ejemplo de ilustración
min ∑ e [ 2
i ]
• Es decir, debemos encontrar los valores de los
coeficientes que minimizan la suma de los cuadrados
de los residuos.
• A este criterio se le llama de los “mínimos
cuadrados”.
Especificación del modelo(IV)
Ejemplo de ilustración
(198 − a − b1 × 70 − b2 × 21) 2 +
( 209 − a − b1 × 35 − b2 × 26) 2 +
Deseamos minimizar esta suma
...
( 273 − a − b1 × 56 − b2 × 36) 2
n 2
Min ∑ ( yi − a − b1 xi1 − b2 xi 2 )
i =1
Especificación del modelo (V)
Ejemplo de ilustración
yˆ i = a + b1 xi1 + b2 xi 2
• Los valores calculados para la variable
dependiente mediante el modelo de ajuste lineal
serán los llamados valores estimados.
Modelo de ajuste lineal (II)
Ejemplo de ilustración
ei = yi − yˆ i = yi − a − b1 xi1 − b2 xi 2
¡Cuidado!
• Es muy importante distinguir los residuos de los errores:
– Los errores son cantidades desconocidas y aleatorias. Miden el
efecto de las variables que no hemos tomado en cuenta.
εi = yi − ( α + β1 xi1 + β2 xi 2 )
– Los residuos, por el contrario, son valores conocidos. Miden las
diferencias entre los valores observados y los valores estimados de
la variable dependiente.
ei = yi − ( a + b1 xi1 + b2 xi 2 )
Estimación de los parámetros
Ejemplo de ilustración
• Recordemos:
n 2
Min ∑ ( yi − a − b1 xi1 − b2 xi 2 )
i =1
Estimación de los parámetros (II)
Ejemplo de ilustración
∂ ∑ ( yi − yˆ i )
2
=0 na + b1 ∑ xi1 + b2 ∑ xi 2 = ∑ yi
∂a
∂ ∑ ( yi − yˆ i )
2
=0 a ∑ xi 2 + b1 ∑ xi1 xi 2 + b2 ∑ xi22 = ∑ xi 2 yi
∂b2
Ecuaciones normales
(3 ecuaciones, 3 incógnitas)
Estimación de los parámetros (III)
Ejemplo de ilustración
• Empleando matrices:
n
∑x i1 ∑x i2
a ∑ yi
∑ xi1 ∑x 2
∑x x i1 i 2 b1 = ∑ xi1 yi
2 x y
i1
∑ xi 2 ∑x x i1 i 2 ∑x i2 2 ∑ i 2 i
b
−1
a n
∑x i1 ∑x i2
∑ yi
b1 = ∑ xi1 ∑x ∑x x i1 i 2 ∑ xi1 yi
2
b x 2 x y
i1
2 ∑ i2 ∑x x i1 i 2 ∑x i2 ∑ i2 i
Estimación de los parámetros (IV)
Ejemplo de ilustración
−1
a 13 452 205 2034 37,502
b1 = 452 19828 8452 82495 ≈ 1,496
b 205 8452 4343 38769 4,245
2
[ ]
min ∑ e = min[ e' e] =
2
i
= min[ ( Y − XB ) ' ( Y − XB ) ]
• Es decir, tenemos que encontrar los valores de los
coeficientes del modelo que hacen mínima la suma de
los cuadrados de los residuos.
• A este criterio se le da el nombre de “criterio de los
mínimos cuadrados”.
Modelo de ajuste lineal
Caso general
ˆ = XB
Y Modelo de ajuste lineal
Modelo de ajuste lineal (III)
Caso general
1
• Con:
xi1
X i = xi 2
...
x
ik
Estimación de los parámetros
Caso general
• Recordemos:
[ ]
min ∑ ei2 = min[ e' e] = min[ (Y − XB)' (Y − XB)]
Estimación de los parámetros (II)
Caso general
∑e 2
i = Y' Y − 2B' X' Y + B' X' XB
• Derivando respecto a B:
∂∑ e 2
i
= −2 X' Y + 2 X' XB
∂B
Estimación de los parámetros (III)
Caso general
X' XB = X' Y
B = ( X' X ) X' Y
−1
Estimación de los parámetros (IV)
Caso general
~e ' ~e ≥ e' e
Datos centrados
Modelo de ajuste
Datos centrados
ˆ ( X) = Y
Y
y = a + b1 x1 + b2 x2 + ... + bk xk
• Es decir, el hiperplano del modelo de ajuste pasa por
la media de las variables.
Modelo de ajuste (II)
Datos centrados
• O empleando matrices:
~ ~
Y = XB + e
Modelo de ajuste (III)
Datos centrados
• Con:
• Recordemos:
[ ] [ ~ ~ ~ ~
min ∑ ei2 = min[ e' e] = min (Y − XB)' (Y − XB) ]
Estimación de los parámetros (II)
Datos centrados
• Dervando respecto a B:
∂∑ e 2
i ~ ~ ~ ~
= −2 X' Y + 2 X' XB
∂B
Estimación de los parámetros (III)
Datos centrados
~ ~ ~ ~
X' XB = X' Y
~ ~
• Si la matriz X' X es no singular:
(
~ ~ −1 ~ ~
B = X' X X' Y )
Modelo de ajuste lineal
Datos centrados
(
~ ~ −1 ~ ~
B = X' X X' Y )
• y:
~ˆ ~
Y = XB
Modelo de ajuste lineal (II)
Datos centrados
• Con:
y = a + b1 x1 + b2 x2 + ... + bk xk
• Por lo tanto:
a = y − b1 x1 − b2 x2 − ... − bk xk
Datos centrados
• Trabajar con datos centrados supone una
gran ventaja:
– Con datos originales, la dimensión de X' X es
(k+1, k+1).
~ ~
– Con datos centrados, la dimensión de X' X es
(k,k).
• Por lo tanto, el cálculo de la matriz inversa
~ ~
es más sencillo en el caso de la matriz X' X .
Matriz de varianzas y
covarianzas
Matriz de varianzas y covarianzas
n n n
∑ ( xi1 − x1 ) 2
∑ ( xi1 − x1 )( xi 2 − x2 ) ( x − x )(
∑ i1 1 ik k
x − x )
i =1 i =1
... i =1
n n n
n n n
∑ ( xi 2 − x2 )( xi1 − x1 ) (
∑ i2 2 ) ∑ ( xi 2 − x2 )( xik − xk )
2
x − x
VXX = i =1 i =1
... i =1
n n n
... ... ... ...
n n n
∑ ( xik − xk )( xi1 − x1 ) ∑( x − xk )( xi 2 − x2 ) ∑ ( xik − xk ) 2
ik
i =1 i =1
... i =1
n n n
Matriz de varianzas y covarianzas
n n n
∑ ( xi1 − x1 ) 2 ∑ ( xi1 − x1 )( xi 2 − x2 ) ... ( x − x )(
∑ i1 1 ik k
x − x )
i =1 i =1 i =1
n n n
~ ~ ∑ ( xi 2 − x2 )( xi1 − x1 ) ∑( x i 2 − x2 )
2
... ∑ ( xi 2 − x2 )( xik − xk )
X' X = i =1
i =1 i =1
n ... ... ... ...
n n
( x − x )( x − x ) ( xik − xk ) 2
∑ ik
i =1
k i1 1 ∑( x
i =1
ik − xk )( xi 2 − x2 ) ... ∑
i =1
~ ~
X' X = nVXX
Modelo de ajuste lineal
Matriz de varianzas y covarianzas
( )
~ ~ −1 ~ ~
B = X' X X' Y = ( nVXX ) ( nVXY ) = VXX VXY
−1 −1
−1
B = VXX VXY
Modelo de ajuste
Datos centrados
n n
Pero, como se puede demostrar
1' X( X' X ) X' = 1'
−1
Por lo tanto
Y ( X ) = 1' Y = Y
ˆ 1
n