REGRESIONES

Repaso de econometría
ORIGEN DEL TÉRMINO REGRESIÓN
 Francis Galton y Karl Pearson. “Regresión a la
mediocridad”
 DIFERENCIA ENTRE REGRESIÓN Y
CORRELACIÓN

 La correlación se refiere a la medición de la fuerza o el

grado de asociación lineal de las variables (no hay
diferencia entre variables dependientes e
independientes).
 La regresión trata de estimar o predecir el valor
promedio de una variable, con respecto a valores fijos de
las otras
 DIFERENCIA ENTRE R Y R2
 R o coeficiente de correlación indica la fuerza o asociación
entre dos variables cuantitativas. Así se conoce la intensidad
de relación lineal entre variables, así como la dirección de
esa relación.
 R2 en cambio, es la bondad de ajuste mide la proporción de
varianza de una variable dependiente, explicada por la
variación de una o varias variables independientes.
 CÓMO SE PROCEDE EN LA CONSTRUCCIÓN DE
UN MODELO DE REGRESIÓN SIMPLE?
 Se determina la matriz de correlaciones para todas las
posibles variables que puedan explicar a una variable
objetivo
 IMPORTANTE: sólo se consideran las variables de
escala en la matriz y deben plantearse las hipótesis sobre
las correlaciones y declarar relaciones espúreas
 Se puede hacer un scatter matrix para observar la
linealidad de las variables o directamente un scatter
simple
CÓMO SE PROCEDE EN LA CONSTRUCCIÓN DE
UN MODELO DE REGRESIÓN SIMPLE?
 Se elige la variable que muestra mayor correlación lineal, se
observan los valores atípicos en el scatter plot y se filtran.
 Se observa la relación lineal gráfica y se analiza la línea de
tendencia y cómo mejora R2 (bondad de ajuste).
 Se determina la relación de ajuste lineal (regresión). Se evalúa
si los coeficientes son estadísticamente significativos y se
guardan los residuos. IMPORTANTE: No olvidar explicitar las
hipótesis respecto a los coeficientes.
CÓMO SE PROCEDE EN LA CONSTRUCCIÓN DE
UN MODELO DE REGRESIÓN SIMPLE?
 Se elige la variable que muestra mayor correlación lineal, se
observan los valores atípicos en el scatter plot y se filtran.
 Se observa la relación lineal gráfica y se analiza la línea de
tendencia y cómo mejora R2 (bondad de ajuste).
 Se determina la relación de ajuste lineal (regresión). Se evalúa
si los coeficientes son estadísticamente significativos y se
guardan los residuos. IMPORTANTE: No olvidar explicitar las
hipótesis respecto a los coeficientes, la ecuación e
interpretación.
CÓMO SE PROCEDE EN LA CONSTRUCCIÓN DE
UN MODELO DE REGRESIÓN SIMPLE?
 Verificar los supuestos de normalidad y homocedasticidad de
los residuos. Se deben guardar los residuos estandarizados y no
estandarizados y se observa la prueba de K-S o S-W de los
residuos (plantear hipótesis) y gráfico P-P.
 Para verificar homocedasticidad se realiza un scatter plot entre
residuos estandarizados y los estandarizados predichos y se
observa que no haya un patrón de ecuaciones en el gráfico.
CÓMO SE PROCEDE EN LA CONSTRUCCIÓN DE
UN MODELO DE REGRESIÓN MÚLTIPLE?
 Partiendo del modelo de regresión simple, se observa la
segunda o tercera variable con más correlación lineal y se
agrega a la regresión, observando si mejora el R2. Se contrata
la hipótesis de significación de los coeficientes (H1) usando la
tabla Anova, que me da la prueba F.
 Se interpretan los coeficientes de la ecuación y se observa si
las variables agregadas mejoran los estadísticos.
MODELOS LOG-LOG
 Buscan utilizar sensibilidades o elasticidades, para
observar la relación entre dos variables.
 Se calcula el logaritmo natural de las dos variables que
se quieren realizar.
 Se observan los estadísticos y se prueban las hipótesis.
VARIABLES DUMMY
 Las variables dummy, categóricas o dicotómicas
establecen un filtro de comportamiento entre variables,
respecto a variables que no son de escala. Por ejemplo:
cómo se comporta el crecimiento económico de un país,
con conflictividad social (1) o sin ella (0).
 Se incorporan al modelo y se observa si mejoran los
estadísticos.
 IMPORTANTE: la interpretación