4.

Regresión Lineal:
Temas Adicionales
Pilar Alcalde
2 sem 2014
1. Bondad de Ajuste
• Problemas del R2
• Otros criterios de bondad de ajuste
2 n 1
R  1 (1  R 2 )
nk
 SCR 
BIC  n ln    k ln( n)
 n 
 SCR 
AIC  n ln    2k
 n 
1. Bondad de Ajuste

• Limitaciones

• ¿Qué ocurre con los supuestos si el ajuste es

malo?
1. Bondad de Ajuste
1. Bondad de Ajuste
Precio LAN Índice 1 Índice 2 Índice 3
Test Significancia 21606.90 1714.05 37.13
Coeficiente 3.716033 .2119229 1.954342
Valor p 0.000 0.000 0.000
R2 0.9128 0.4537 0.0177
R2 ajustado 0.9128 0.4534 0.0172
BIC 34246.62 38037.81 39249.99
AIC 34235.35 38026.54 39238.739
2. Unidad de Medida
2. Unidad de Medida
2. Unidad de Medida
2. Unidad de Medida
2. Unidad de Medida
3. Regresión por el Origen
ˆ0  0

(GP 2010)
3. Regresión por el Origen
4. Especificación
• Inclusión de Variables Irrelevantes
• Omisión de Variables Relevantes
• Logaritmo vs Niveles
– Variación porcentual
– Elasticidades
– Beneficios de usar logaritmo
5. Predicción

0
• ˆ
y  E ( y | x ) vs. y

• Intervalo de confianza del valor esperado

• Intervalo de confianza de la predicción
• Estudio de eventos
5. Predicción
Precio diario LAN e IPSA, 2006-2013
16000 6000

14000
5000

12000

4000
10000

8000 3000 p_lan

ipsa

6000
2000

4000

1000
2000

0 0
0 6 06 06 06 0 7 07 07 0 7 08 0 8 08 0 8 09 0 9 0 9 09 1 0 1 0 10 10 11 1 1 11 11 12 12 1 2 12 1 3 13 1 3 1 3
/20 /20 /20 /20 /20 /20 /20 /20 /20 /20 /20 /20 /20 /20 /20 /20 /20 /20 /20 /20 /20 /20 /20 /20 /20 /20 /20 /20 /20 /20 /20 /20
2 5 8 1 1 5 8 0 1 4 7 0 1 4 7 0 1 4 7 0 1 4 7 0 1 4 7 0 1 4 7 0
1 /0 3/0 2/0 1/1 1/0 2/0 1/0 1/1 0/0 0/0 0/0 9/1 8/0 9/0 9/0 8/1 7/0 8/0 8/0 7/1 6/0 7/0 7/0 6/1 5/0 5/0 5/0 4/1 3/0 4/0 4/0 3/1
0 0 0 0 3 0 0 3 3 3 3 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2
5. Predicción
Precio diario LAN e IPSA, 2006-2013, más anuncio e inicio fusión
16000 6000

14000
5000

12000

4000
10000

8000 3000 p_lan

ipsa

6000
2000

4000

1000
2000

0 0
6 6 6 6 7 7 7 7 8 8 8 8 9 9 9 9 0 0 0 0 1 1 1 1 2 2 2 2 3 3 3 3
2 00 2 00 2 00 2 00 20 0 2 00 2 00 2 00 2 00 2 00 2 00 2 00 2 00 200 2 00 2 00 2 01 2 01 2 01 2 01 2 01 2 01 201 2 01 201 2 01 2 01 201 201 2 01 201 2 01
2/ 5 / 8 / 1 / 1/ 5/ 8 / 0/ 1 / 4/ 7 / 0/ 1 / 4 / 7 / 0/ 1 / 4 / 7 / 0 / 1 / 4 / 7 / 0 / 1 / 4 / 7/ 0 / 1 / 4 / 7 / 0 /
1 /0 3/0 2/0 1/1 1/0 2/0 1/0 1/1 0/0 0/0 0/0 9/1 8/0 9/0 9/0 8/1 7/0 8/0 8/0 7/1 6/0 7/0 7/0 6/1 5/0 5/0 5/0 4/1 3/0 4/0 4/0 3/1
0 0 0 0 3 0 0 3 3 3 3 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2
5. Predicción
Precio diario LAN e IPSA, 2006-2013, más predicción pre-anuncio
16000 6000

14000
5000

12000

4000
10000

p_lan
8000 3000 p_lan_hat_2
ipsa
6000
2000

4000

1000
2000

0 0
06 06 0 6 0 6 0 7 0 7 07 07 0 8 08 0 8 0 8 0 9 0 9 09 0 9 1 0 1 0 1 0 10 11 1 1 11 1 1 1 2 12 1 2 12 13 1 3 13 1 3
/20 /20 /20 /20 /20 /20 /20 /20 /20 /20 /20 /20 /20 /20 /20 /20 /20 /20 /20 /20 /20 /20 /20 /20 /20 /20 /20 /20 /20 /20 /20 /20
2 5 8 1 1 5 8 0 1 4 7 0 1 4 7 0 1 4 7 0 1 4 7 0 1 4 7 0 1 4 7 0
1 /0 3/0 2/0 1/1 1/0 2/0 1/0 1/1 0/0 0/0 0/0 9/1 8/0 9/0 9/0 8/1 7/0 8/0 8/0 7/1 6/0 7/0 7/0 6/1 5/0 5/0 5/0 4/1 3/0 4/0 4/0 3/1
0 0 0 0 3 0 0 3 3 3 3 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2
5. Predicción
Precio diario LAN e IPSA, 2010-2011, más predicción pre-anuncio
16000 6000

14000
5000

12000

4000
10000

p_lan
8000 3000 p_lan_hat_2
ipsa

6000
2000

4000

1000
2000

0 0
10 1 0 10 1 0 10 10 1 0 10 1 0 10 10 10 10 10 10 10 10 10 10 10 10 1 0 10 1 0 10 10 1 0 10 10 10 11 11 11
/20 /20 /20 /20 /20 /20 /20 /20 /20 /20 /20 /20 /20 /20 /20 /20 /20 /20 /20 /20 /20 /20 /20 /20 /20 /20 /20 /20 /20 /20 /20 /20 /20
2 2 2 3 3 3 4 4 4 5 5 6 6 6 7 7 7 8 8 9 9 9 0 0 0 1 1 1 2 2 1 1 1
1 /0 1/0 3/0 5/0 7/0 9/0 8/0 0/0 0/0 2/0 4/0 3/0 5/0 5/0 7/0 9/0 9/0 0/0 0/0 1/0 3/0 3/0 5/1 5/1 7/1 8/1 8/1 0/1 0/1 2/1 3/0 3/0 5/0
0 1 2 0 1 2 0 2 3 1 2 0 1 2 0 1 2 1 2 0 1 2 0 1 2 0 1 3 1 2 0 1 2
 5. Predicción
Precio diario LAN e IPSA, 2006-2013, más predicción post-anuncio
16000 6000

14000
5000

12000

4000
10000

p_lan
8000 3000 p_lan_hat_3
ipsa
6000
2000

4000

1000
2000

0 0
06 06 06 06 07 0 7 07 0 7 07 0 8 08 08 08 0 9 09 0 9 0 9 09 1 0 10 1 0 1 0 11 1 1 11 1 1 12 1 2 12 1 2 12 1 3 1 3 13 13
/20 /20 /20 /20 /20 /20 /20 /20 /20 /20 /20 /20 /20 /20 /20 /20 /20 /20 /20 /20 /20 /20 /20 /20 /20 /20 /20 /20 /20 /20 /20 /20 /20 /20 /20
2 4 7 0 1 3 6 9 2 2 5 8 1 1 4 7 0 2 3 6 9 2 2 5 8 1 1 4 7 0 2 3 6 9 1
/0 /0 /0 /1 /0 /0 /0 /0 /1 /0 /0 /0 /1 /0 /0 /0 /1 /1 /0 /0 /0 /1 /0 /0 /0 /1 /0 /0 /0 /1 /1 /0 /0 /0 /1
01 2 6 1 9 11 0 3 28 2 0 12 0 5 27 2 1 13 0 5 28 22 15 07 3 0 24 1 6 08 01 23 18 1 0 02 2 5 18 1 1 03 26 20 12 04 2 7
6. Análisis del Modelo
• Test F de significancia global
• Coeficientes y desviación estándar
• Estadístico t y valor p
• Coeficiente de determinación: R2
• Elección entre modelos
• Análisis de residuos
• Evaluación de Supuestos
6. Análisis del Modelo
• Análisis de residuos:
– Residuos vs. variable independiente
– Residuos vs. variable dependiente predicha
– Histograma
– Correlaciones entre Variables
• Evaluación de Supuestos
– Test de Normalidad: Shapiro-Wilk
6. Análisis del Modelo
• Análisis de residuos:

4 2
Standardized residuals
0
-2
-4

2000 3000 4000 5000

ipsa
6. Análisis del Modelo
• Análisis de residuos:
4000
2000
Residuals
0
-2000
-4000

0 5000 10000 15000

Fitted values
6. Análisis del Modelo
• Análisis de residuos:
6. Análisis del Modelo
• Análisis de residuos:
Kernel density estimate
.4
.3
Density
.2.1
0

-4 -2 0 2 4
Standardized residuals
kernel = epanechnikov, bandwidth = 0.1858
4. Regresión Lineal:
Temas Adicionales
Pilar Alcalde
2 sem 2014