2.

1 Regresión Lineal:
Presentación e Interpretación
Augusto Orellana
1 sem 2019
1. Modelo Econométrico
• Datos de salarios y nivel de educación para una población de 90
individuos.
1. Modelo Econométrico
• Datos de salarios y nivel de educación para una población de 90
individuos.
1. Modelo Econométrico
• Datos de salarios y nivel de educación para una población de 90
individuos.
E(Y|X)
2000000
1800000
1600000
1400000
1200000
1000000
800000
600000
400000
200000
0
8 9 10 11 12 13 14 15 16 17

E(Y|X)
1. Modelo Econométrico
• Recta de regresión
1. Modelo Econométrico
• Supongamos por un momento que la relación
es lineal(*)

• Curva de regresión o función poblacional:

“Es simplemente el lugar geométrico de las medias
condicionales de la variable dependiente para los valores fijos
de la(s) variable(s) explicativa(s)”

• Def: Variable dependiente, variable explicativa

1. Modelo Econométrico
Función de Regresión Poblacional

E(W|e)

342,662 476,347 922,220

Salarios

13 15 17

Años de escolaridad
1. Modelo Econométrico
• Función de Regresión Poblacional

¿Cuál es la forma de f?

Def: Coeficientes o parámetros de regresión

1. Modelo Econométrico
Población
1. Modelo Econométrico
Muestra
1. Modelo Econométrico
Función de Regresión Muestral
Yi  ˆ1  ˆ2 X i  uˆi

(GP 2010)
 1. Modelo Econométrico

¿Qué pasa si tengo más de una muestra?

Si son aleatoreas, no tenemos de que preocuparnos

1. Modelo Econométrico
• Regresión poblacional (FRP) vs. Regresión muestral FRM

(GP 2010)
1. Modelo Econométrico
• Exemplo: Regresión poblacional (FRP) vs. Regresión
muestral FRM
400
350
300
250
200
150

150 200 250 300 350

prom_lect

prom_mat Fitted values

1. Modelo Econométrico
• Exemplo: Regresión poblacional (FRP) vs. Regresión
muestral FRM
400
350
300
250
200
150

150 200 250 300 350

prom_lect

prom_mat Fitted values

Fitted values
1. Modelo Econométrico
Volvamos a la regresión muestral

(GP 2010)
1. Modelo Econométrico
¿Cómo llegamos a esta recta?
Yi  ˆ1  ˆ2 X i  uˆi

(GP 2010)
2. Estimación por MCO
Minimizamos la suma de errores al
cuadrado
n
L   ui2
i 1
2. Estimación por MCO
Minimizamos la suma de errores al
cuadrado
n
L   ui2
i 1

Equivalente a usar 2 supuestos

E (u )  0 E (u )  0

E (u | X )  0 E ( Xu )  0
2. Estimación por MCO
Minimizamos la suma de errores al
cuadrado
n VEAMOS LO
L   ui2
i 1
EN LA
EquivalentePIZARRA!!!!
a usar 2 supuestos n

E (u )  0
 uˆ
E (u )  0  i 1
i 0
 n
E (u | X )  0 E ( Xu )  0  X iuˆi  0
i 1
2. Estimación por MCO
Condiciones de Primer Orden
n

 (Y  ˆ
i 1
i 0  ˆ1 X 1i  ˆ2 X 2i )  0
n
  X 1i (Yi  ˆ0  ˆ1 X 1i  ˆ2 X 2i )  0
i 1
n
ˆ  ˆ X  ˆ X )  0
 2i i 0 1 1i 2 2i
X (
i 1
Y  
2. Estimación por MCO
Condiciones de Primer Orden
n

 (Y  ˆ
i 1
i 0  ˆ1 X 1i  ˆ2 X 2i )  0
n
  X 1i (Yi  ˆ0  ˆ1 X 1i  ˆ2 X 2i )  0
i 1
n
ˆ  ˆ X  ˆ X )  0
 2i i 0 1 1i 2 2i
X (
i 1
Y  

Estimador de MCO
ˆ  ( X ´ X ) 1 X ´Y
2. Estimación por MCO
Estimadores de MCO con un regresor:
Yi  ˆ1  ˆ2 X i  uˆi

n n n
n X iYi   X i  Yi
ˆ2  i 1 i 1 i 1
2
n
 n 
n X i    X i 
2

i 1  i 1 

n n n n

 X Y   X  X Y
i
2
i i i i
ˆ1  i 1 i 1 i 1 i 1
2
n
  n
n X i2    X i 
i 1  i 1 