ECONOMETRÍA

Raúl Javier Oré Rivas

SEMESTRE 2022-I
 1 Modelo de Regresión Clásica Lineal

Agregar texto
Formulación e hipótesis del modelo
2 Estimación del modelo.

3 Método de mínimos cuadrados

4 Estimación de la varianza de la
perturbación

Característica de los residuos

5 mínimo cuadrático
Modelo de Regresión Clásica Lineal

Terminología del modelo de regresión lineal con regresor único

El modelo de regresión lineal es

donde
• el subíndice i recorre las observaciones, i = 1, ..., n;
• Yi es la variable dependiente, el regresando, o simplemente la variable de la parte izquierda;
• Xi es la variable independiente, el regresor, o simplemente la variable de la parte derecha;
• β0 + β1 X es la recta de regresión poblacional o función de regresión poblacional;
• β0 es el intercepto de la recta de regresión poblacional;
• β1 es la pendiente de la recta;
• μi es el término de error.
Diagrama de dispersión
Modelo de Regresión Clásica Lineal
El estimador de mínimos cuadrados ordinariosLin
El estimador MCO extiende esta idea al modelo de regresión lineal. Sean b0 y b1 algunos de los estimadores de b0 y b1.
La recta de regresión basada en esos estimadores es b0!b1X por lo que el valor de Yi previsto mediante esta recta es b0
+ b1Xi. Por tanto, el error cometido en la predicción de la observación i-ésima es Yi – (b0 + b1X) = Yi – b0 – b1X. La

suma de estos errores de predicción al cuadrado para las n observaciones es

El estimador MCO, valores estimados y residuos
El estimador MCO, valores estimados y residuos
 ¿Por qué utilizar el estimador MCO?

Los estimadores MCO presentan asimismo propiedades teóricas deseables. Son análogas a las propiedades
deseables, estudiadas en la Sección 3.1, de Y1 como estimador de la media poblacional. Bajo los supuestos
introducidos en la Sección 4.4, el estimador MCO es insesgado y consistente. El estimador MCO es asimismo
eficiente dentro de un cierto tipo de estimadores insesgados.
 Medidas de ajuste

Una vez estimada una regresión lineal, es posible preguntarse en qué medida
esta regresión lineal describe correctamente los datos. ¿Recoge el regresor
mucha o poca proporción de la variación de la variable dependiente? ¿Están
las observaciones muy agrupadas alrededor de la recta de regresión o se
encuentran dispersas?
 El R 2

El R2 de la regresión es la proporción de la varianza muestral de Yi explicada por (o

predicha por) Xi.
Las definiciones del valor esperado (o de predicción) y el residuo (véase el Concepto clave
4.2) nos permiten escribir la variable dependiente Yi como la suma del valor de predicción𝑌 ^
más el residuo
 El R2

Matemáticamente, el R2 puede escribirse como el cociente entre la suma explicada (de

cuadrados) y la suma total (de cuadrados). La suma explicada (SE) es la suma de las
desviaciones al cuadrado de los valores de predicción de Yi , , respecto de su media y
𝑌
la suma^total (ST) es la suma de los cuadrados de las desviaciones de Yi respecto de
su media:
El R2
El R2 es la ratio entre la suma explicada y la suma total
 El R2

Se demuestra que ST = SE + SR. Por tanto, el R2 puede expresarse

asimismo como 1 menos el cociente entre la suma de los cuadrados de
los residuos y la suma total:

Diviendo todo entre ST 𝑆𝑇 𝑆𝐸 𝑆𝑅

= +
𝑆𝑇 𝑆𝑇 𝑆𝑇
SUPUESTOS 1
La distribución condicional de ui dado Xi tiene media igual a
cero
 Supuesto 2:

El segundo supuesto de mínimos cuadrados consiste en que (Xi, Yi), i = 1, ..., n, son
independientes e idénticamente distribuidas (i.i.d.) para distintas observaciones.
Como se estudió en la Sección 2.5 (Concepto clave 2.5), este supuesto es una
condición acerca del método de extracción de la muestra. Si las observaciones se
extraen mediante muestreo aleatorio simple de una única y gran población,
entonces, (Xi, Yi), i = 1, ..., n son i.i.d. Por ejemplo, sea X la edad de un trabajador e
Y sus ingresos salariales, e imaginemos que se selecciona una persona al azar a
partir de la población de trabajadores. Esta persona extraída aleatoriamente
tendrá una edad y unos ingresos determinados (es decir, X e Y tomarán unos
valores). Si se extrae una muestra de n trabajadores de esta población, entonces
(Xi, Yi), i = 1, ..., n, necesariamente presentan la misma distribución. Si se han
seleccionado al azar, se distribuyen además de manera independiente de una
observación a otra, es decir, son i.i.d.
 Supuesto 3:

Los estimadores MCO presentan asimismo propiedades teóricas deseables. Son análogas a las propiedades
deseables, estudiadas en la Sección 3.1, de Y1 como estimador de la media poblacional. Bajo los supuestos
introducidos en la Sección 4.4, el estimador MCO es insesgado y consistente. El estimador MCO es asimismo
eficiente dentro de un cierto tipo de estimadores insesgados.
 ¿Por qué utilizar el estimador MCO?

Los estimadores MCO presentan asimismo propiedades teóricas deseables. Son análogas a las propiedades
deseables, estudiadas en la Sección 3.1, de Y1 como estimador de la media poblacional. Bajo los supuestos
introducidos en la Sección 4.4, el estimador MCO es insesgado y consistente. El estimador MCO es asimismo
eficiente dentro de un cierto tipo de estimadores insesgados.
 ¿Por qué utilizar el estimador MCO?

Los estimadores MCO presentan asimismo propiedades teóricas deseables. Son análogas a las propiedades
deseables, estudiadas en la Sección 3.1, de Y1 como estimador de la media poblacional. Bajo los supuestos
introducidos en la Sección 4.4, el estimador MCO es insesgado y consistente. El estimador MCO es asimismo
eficiente dentro de un cierto tipo de estimadores insesgados.
 ¿Por qué utilizar el estimador MCO?

Los estimadores MCO presentan asimismo propiedades teóricas deseables. Son análogas a las propiedades
deseables, estudiadas en la Sección 3.1, de Y1 como estimador de la media poblacional. Bajo los supuestos
introducidos en la Sección 4.4, el estimador MCO es insesgado y consistente. El estimador MCO es asimismo
eficiente dentro de un cierto tipo de estimadores insesgados.
MUCHAS GRACIAS