Documentos de Académico
Documentos de Profesional
Documentos de Cultura
SEMESTRE 2022-I
1 Modelo de Regresión Clásica Lineal
Agregar texto
Formulación e hipótesis del modelo
2 Estimación del modelo.
4 Estimación de la varianza de la
perturbación
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
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 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