Scribd Logo
Cargar

¡Te damos la bienvenida a Scribd!

  • 80 vistas

    Supuestos

    Cargado por

    Elizabeth isn
    Este documento describe 10 supuestos clave del modelo lineal general de regresión. Estos incluyen que el término de error tiene una media de cero, varianza constante, no está autocorrelacionado, y es independiente de las variables explicativas. También incluyen que el modelo es lineal en los parámetros, los parámetros son estables, existe una relación causal unidireccional, no hay multicolinealidad, y las variables explicativas son determinísticas.

    Copyright:

    © All Rights Reserved
    Descargue como PDF, TXT o lea en línea desde Scribd

    Supuestos

    Cargado por

    Elizabeth isn
    80 vistas5 páginas
    Este documento describe 10 supuestos clave del modelo lineal general de regresión. Estos incluyen que el término de error tiene una media de cero, varianza constante, no está autocorrelacionado, y es independiente de las variables explicativas. También incluyen que el modelo es lineal en los parámetros, los parámetros son estables, existe una relación causal unidireccional, no hay multicolinealidad, y las variables explicativas son determinísticas.

    Descripción original:

    Supuestos del MLG

    Derechos de autor

    © © All Rights Reserved

    Formatos disponibles

    PDF, TXT o lea en línea desde Scribd

    ¿Le pareció útil este documento?

    ¿Este contenido es inapropiado?

    Este documento describe 10 supuestos clave del modelo lineal general de regresión. Estos incluyen que el término de error tiene una media de cero, varianza constante, no está autocorrelacionado, y es independiente de las variables explicativas. También incluyen que el modelo es lineal en los parámetros, los parámetros son estables, existe una relación causal unidireccional, no hay multicolinealidad, y las variables explicativas son determinísticas.

    Copyright:

    © All Rights Reserved
    Descargue como PDF, TXT o lea en línea desde Scribd
    Descargar como pdf o txt
    80 vistas5 páginas

    Supuestos

    Cargado por

    Elizabeth isn
    Este documento describe 10 supuestos clave del modelo lineal general de regresión. Estos incluyen que el término de error tiene una media de cero, varianza constante, no está autocorrelacionado, y es independiente de las variables explicativas. También incluyen que el modelo es lineal en los parámetros, los parámetros son estables, existe una relación causal unidireccional, no hay multicolinealidad, y las variables explicativas son determinísticas.

    Copyright:

    © All Rights Reserved
    Descargue como PDF, TXT o lea en línea desde Scribd
    Descargar como pdf o txt
    Está en la página 1de 5

    universidad

    ggg
    ECONOMETRÍA

    SUPUESTOS DEL
    MODELO LINEAL GENERAL
    Estudiante:

    UNI–LIMA
    Domingo 25 de Agosto del 2019
    Supuestos del MLG
    1) Modelo Estocástico.
    Se debe a la inclusión de un componente aleatorio en el modelo, expresado
    por el término de error (µi ).
    La inclusión del término de error se debe a omisión de variables explicativas
    que deberı́an incluirse en el modelo. Las variables independientes no pueden
    explicar totalmente la estructura o predecir exactamente el comportamiento de
    la variable dependiente, debido a que en la realidad existen otros factores que
    afectan el comportamiento de la variable explicada que no son incluidos en el
    modelo.

    2) La esperanza matemática del término de error o perturbación es cero.


    E(µi ) = 0
    Es decir, que el valor de la media del término de error para cualquier variable
    explicativa X dada, es cero. De este modo, este supuesto garantiza que las
    variables que no están incluidas en el modelo (y que están incorporadas en µi )
    se anulan, es decir, los valores negativos de µi se compensan con sus valores
    positivos. Por ello, en promedio no presentan ningún efecto sobre la variable
    dependiente del modelo.

    3) El error es homocedástico. La varianza del error es constante.


    Var(µi ) = σ 2 i = 1, 2, 3, . . . , n
    Esto implica que el término de error tiene igual(homo) dispersión(cedasticidad).
    Entonces implica que la varianza de cada una de las distribuciones de los dis-
    tintos errores aplicables para cada observación es la misma. Dados los valores
    de X, la varianza del error no cambia para distintas observaciones.

    1
    4) Ausencia de autocorrelación entre los errores.
    Cov(µi , µ j ) = 0 ∀ i 6= j
    Lo anterior implica que no existe autocorrelación o correlación serial entre
    los términos de los errores dados los diferentes x La autocorrelación es la
    correlación entre miembros de observaciones en una misma ecuación, a travez
    del tiempo.

    5) Exogeneidad. Las variables explicativas y los errores son ortogonales en-


    tre sı́.
    Cov(Xi , µi ) = 0 ∀i
    Este supuesto implica que los errores y las variables independientes no presen-
    tan correlación. En otras palabras, cuando se especifica el modelo, se supone
    que las variables exógenas y los errores son dos partes separadas y aditivas de
    la variable a explicar (Y ).
     
    Parte Aleatoria  µi
    Yi = β0 + β1 Xi + µi
    Parte Deterministica β0 + β1 Xi

    2
    6) El modelo es lineal en los parámetros.
    Un modelo tiene una especificación lineal cuando la variable endógena Y , o
    alguna transformación monotónica de la misma, se puede expresar como una
    función lineal de X o de alguna transformación de ella.
    Por ejemplo:

    (6.1) Y = β0 + β X + µ
    (6.2) Y = β0 + β1 X + β2 X 2 + β3 X 3 + µ
    p
    (6.3) Y = β0 + β12 X + β2 X + µ

    La ecuación (6.1) muestra una relación lineal simple, la (6.2) es un modelo


    lineal en parámetros, pero no en las variables. Por otro lado, la ecuación (6.3)
    no es lineal en parámetros, ni tampoco puede reducirse a una función que
    exprese una relación lineal.
    La linealidad en los parámetros es relevante para el análisis de regresión, en
    general, cuando se dice que una regresión es lineal, se referirá a una regresión
    que es lineal en los parámetros. Sin que esto necesariamente implique que
    también lo sea en las variables explicativas (X).

    7) Estabilidad Estructural. Los parámetros son constantes entre observa-


    ciones.
    Este implica que los coeficientes del modelo de regresión lineal son constantes
    en el tiempo. Igualmente, se supone que el modelo es idéntico para todas las
    observaciones de la muestra. Esto es principalmente esencial si se busca que
    el modelo realice predicciones confiables.
    Ası́, si la estructura que modela la variable dependiente se mantiene inalterada
    a lo largo de todo el intervalo de la muestra, podemos asumir que esta mis-
    ma estructura se mantiene para periodos fuera del intervalo de la muestra y
    utilizarla para predecir.

    3
    8) Causalidad unidireccional.

    X →Y

    El análisis de regresión supone la existencia de una relación causal desde las


    variables independientes (X) hacia la variable dependiente (Y ).
    Al plantear un modelo econométrico se debe tener cuidado al especificar las
    variables, y definir tanto las explicativas (consideradas fijas), como la variable
    a explicar (considerada aleatoria).

    9) No Multicolinealidad. Las variables explicativas son linealmente indepen-


    dientes.
    Este supuesto implica que ninguna de las variables explicativas involucradas
    en el modelo puede expresarse en términos de una combinación lineal exacta
    de las demás.
    Si alguna de las variables explicativas fuera una combinación lineal de otra,
    significarı́a que la primera no aporta nada adicional al modelo, o que los efec-
    tos individuales que ésta tiene sobre la variable dependiente se confunden con
    los de otra.
    Un ejemplo de una ecuación que presenta multicolinealidad:

    Y = β0 + β1 X1 + β2 X2 + β3 2X1 + β4 5X2 + β5 X3 + µ

    Donde los elementos subrayados presentan variables explicativas que son com-
    binaciones lineales de otras.

    10) Las variables independientes son fijas o determinı́sticas (no aleatorias).


    Este supuesto implica que de poderse repetir el proceso de muestreo numero-
    sas veces, los valores observados de las variables exógenas no deben cambiar.

    También podría gustarte