MODELOS DE

REGRESION
MG. KARIN DE LA CRUZ INCHICAQUI
MODELOS DE REGRESIÓN

Modelos de regresión

Regresión lineal múltiple

Regresión logística

Regresión de Poisson
ANALISIS DE REGRESION

• Consiste en usas técnicas estadísticas para estudiar la

relación entre:
• Variable dependiente
• Variable independiente
• Se utiliza para el análisis de datos que se utilizan en
un método de investigación cualitativo
EJEMPLO:

LLUVIA COCECHA
ANALISIS DE REGRESION – OBJETIVO

• Explicar y pronosticar el comportamiento de la o las

variables independientes
• ¿es la lluvia un buen predictor del volumen de las
cosechas?
• ¿hay mas predictores que debemos incluir?
• ¿si el próximo año esperamos 10cm/m2, cuanto será la
cosecha?
ANALISIS DE REGRESION

• Permite clasificar matemáticamente a través de

diferentes preguntas como:
• ¿Qué factores importan más?
• ¿Qué factores se pueden ignorar?
• ¿Cómo interactúan estos factores entre sí?,
• ¿Qué tan seguro te sientes de todos estos factores?
ANALISIS DE REGRESION

• Regresión y correlación: están relacionadas pero son

distintos
• Correlación: analiza el sentido y la fuerza de
asociación entre dos variables, que son tratadas en
forma simétrica
• El análisis de regresión asume una relación de
dependencia entre las variables. Por eso, las variables
son tratadas en forma asimétrica: una depende de otra.
ANALISIS DE REGRESION

• Es útil en econometría cuando queda

definido el sentido de la relación causal.
• Si no hay relación causal, el análisis de
regresión solo muestra asociación entre
variables: genera una regresión espuria.
REGRESION ESPURIA

• . Numero de ahogados y venta de helados

• Estas variables pueden presentar cierta
asociación, pero no existe una relación causal

Venta de helado
Temperatura
Ahogados
ANALISIS DE REGRESION

• Permite determinar con confianza cuáles

son los factores más importantes,
cuáles se pueden ignorar y cómo
influyen entre sí.
MODELO DE REGRESIÓN LINEAL CON
DOS VARIABLES
 REGRESION LINEAL CON DOS
VARIABLES
• Explicar la variable endógena Y mediante un
regresor X

Parte explicada por X

Comportamiento
Y
Parte no
explicada por X

Llamemos a la parte explicada como:

FUNCION DE REGRESION POBLACIONAL (FRP)
La parte no explicada es la “perturbación” o “error”
SUPUESTOS DEL MRL CON 2 VARIABLES

SUPESTO 1

• La relación entre X e Y es una relación lineal en

parámetros

• La FRP es lineal en los parámetros

 SUPUESTOS DEL MRL CON 2 VARIABLES

Diagrama de
dispersión
• La relación ente X e Y
puede verse mediante
un diagrama de
dispersión
SUPUESTOS DEL MRL CON 2 VARIABLES

SUPESTO 2

• La esperanza condicional de es igual a cero.

• Este supuesto es de suma importancia en el

análisis de regresión.
SUPUESTOS DEL MRL CON 2 VARIABLES

SUPESTO 2.

• La esperanza condicional:

• El supuesto implica:
SUPUESTOS DEL MRL CON 2 VARIABLES

SUPESTO 2.

• La esperanza condicional:

• El supuesto implica:
SUPUESTOS DEL MRL CON 2 VARIABLES
SUPESTO 3.

• Las perturbaciones son esféricas

• Homocedasticidad significa que la varianza de es constante

dado cada
SUPUESTOS DEL MRL CON 2 VARIABLES
SUPESTO 4

• La variable aleatoria X se encuentra fija en

muestras repetidas
• La muestras de datos es una muestra aleatoria
obtenida de la población
• Normalmente, los valores X e Y deberían de
cambiar si se toman diferentes muestras
ESTIMACIÓN POR MÍNIMOS
CUADRADOS ORDINARIOS
Función de regresión muestral

• La función de regresión poblacional

• Definamos la Función de Regresión Muestral (FRM) como:

•
^ ^ ^
𝑌 𝑖= 𝛽1 + 𝛽 2 𝑥 i
❑
Donde:
• es un estimador de FPR
• Es un estimador del parámetro
• Es un estimador del parámetro
Función de regresión muestral

• Con una muestra de datos se pueden obtener las

estimaciones de estos parámetros y se puede
graficar en el plano (x,y) a la FRM como una recta
estimada
• Existen diversos métodos:
• Mínimos cuadrados ordinarios
• Máxima verosimilitud
• Método de los momentos
• Vamos a ver el MCO
 ^ ^ ^
𝑒 𝑖= 𝑌 𝑖 − 𝑌 𝑖 =𝑌 𝑖 − 𝛽 1 − 𝛽 2 𝑥i
❑
ESTIMACION POR MINIMOS
CUADRADOS ORDINARIOS
• Busca trazar una recta que minimice las distancias de las
observaciones de la recta, es decir que los residuos en
conjunto sean lo mas pequeños posibles.

• Para evaluar esto se minimiza la suma de todos los residuos

elevados al cuadrado
ESTIMACION POR MINIMOS
CUADRADOS ORDINARIOS
• ¿Por qué sumamos los residuos al cuadrado?
• Si sumamos solo los residuos, no
tendríamos las distancias hacia la recta.
• En el diagrama de dispersión de la recta
estimada FFRM pasara por entre los puntos
.
ESTIMACION POR MINIMOS
CUADRADOS ORDINARIOS
• Definimos la suma de cuadrados de los
residuos: SCR como:
SCR =

• El MCO consiste en escoger los valores de los

parámetros estimados que minimice la SCR.
 ESTIMACION POR
MINIMOS CUADRADOS
ORDINARIOS
• Derivamos:
= -2

= -2
 ESTIMACION POR
MINIMOS CUADRADOS
ORDINARIOS
• Obtenemos:
^
𝛽 1=𝑌 − ^
𝛽2 𝑥
 PROPIEDADES
NUMERICAS DE LA
ESTIMACION DE MCO
• Los estimadores, están expresados en
términos de las observaciones
PROPIEDADES
NUMERICAS DE LA
ESTIMACION DE MCO
 PROPIEDADES
NUMERICAS DE LA
ESTIMACION DE MCO
• Los residuos son ortogonales a las
variables
 PROPIEDADES
NUMERICAS DE LA
ESTIMACION DE MCO
• Los residuos son ortogonales a la recta
estimada
PROPIEDADES NUMERICAS
DE LA ESTIMACION DE MCO
• La recta de regresión estimada pasa por el
punto de los promedios
MODELO ECONOMÉTRICO VS.
MODELO ESTIMADO
MODELO EN DESVIACIONES
EL MODELO EN DESVIACIONES

• Una forma alternativa de trabajar el modelo es

modificando las variables a su versión en
desviaciones respecto a las medias
• Definimos las desviaciones respecto a sus promedios
PROPIEDADES DE LAS
DESVIACIONES

=
=
PROPIEDADES DE LAS
DESVIACIONES

=
=
PROPIEDADES DE LAS
DESVIACIONES

=
CONVERTIMOS EL
MODELO EN
DESVIACIONES
𝑌 𝑖= ^
𝛽1 + ^
𝛽 2 𝑋 i +𝑒 i
 PROPIEDADES
ESTADISTICAS DE
MCO
• Trabajamos con muestras finitas
= tamaño de muestra
• Tres propiedades: media,
varianza y distribución de
propiedades
 MEDIA DE LOS
ESTIMADORES
• Los estimador son insesgados
 VARIANZA
ESTADISTICA DE LOS
ESTIMADORES
• Empezamos con la pendiente, por
definición de varianza sabemos:
E(