Scribd Logo
Cargar

¡Te damos la bienvenida a Scribd!

  • 22 vistas

    04 Intro

    Cargado por

    Carolina Becerra
    El documento presenta los conceptos fundamentales de la regresión lineal múltiple. Explica que la regresión estima los parámetros b0, b1, b2 que ayudan a entender la influencia de las variables explicativas X1, X2 sobre la variable dependiente Y. También descompone la varianza total en varianza explicada y residual, y presenta las matrices y supuestos algebraicos clave de la regresión.

    Copyright:

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

    04 Intro

    Cargado por

    Carolina Becerra
    22 vistas14 páginas
    El documento presenta los conceptos fundamentales de la regresión lineal múltiple. Explica que la regresión estima los parámetros b0, b1, b2 que ayudan a entender la influencia de las variables explicativas X1, X2 sobre la variable dependiente Y. También descompone la varianza total en varianza explicada y residual, y presenta las matrices y supuestos algebraicos clave de la regresión.

    Descripción original:

    Econometria

    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?

    El documento presenta los conceptos fundamentales de la regresión lineal múltiple. Explica que la regresión estima los parámetros b0, b1, b2 que ayudan a entender la influencia de las variables explicativas X1, X2 sobre la variable dependiente Y. También descompone la varianza total en varianza explicada y residual, y presenta las matrices y supuestos algebraicos clave de la regresión.

    Copyright:

    © All Rights Reserved
    Descargue como PDF, TXT o lea en línea desde Scribd
    Descargar como pdf o txt
    22 vistas14 páginas

    04 Intro

    Cargado por

    Carolina Becerra
    El documento presenta los conceptos fundamentales de la regresión lineal múltiple. Explica que la regresión estima los parámetros b0, b1, b2 que ayudan a entender la influencia de las variables explicativas X1, X2 sobre la variable dependiente Y. También descompone la varianza total en varianza explicada y residual, y presenta las matrices y supuestos algebraicos clave de la regresión.

    Copyright:

    © All Rights Reserved
    Descargue como PDF, TXT o lea en línea desde Scribd
    Descargar como pdf o txt
    de 14

    María Teresa González Valencia

    Luis Alejandro Villacorta Devoto


    b1 , b2

    Y= b0 + b1 X1 + b2 X2 + e
    • Características principales: Los b1 y b2 (estimadores) nos ayudaran a
    entender como influyen las variables explicativas
    con a la variable Y.

    – Están expresados en términos absolutos


    – Puntuales: brindan un solo valor estimado del parámetro
    – El estimador es lineal
    – Al estar en función de la variable endógena, adquiere
    características de su aleatoriedad (por el término "e" de la función Y, pues este
    término "e" es aleatorio o componente de
    b estimado = (( X'X)^-1)*X'Y error)
    • Implicancias algebraicas:
    el termino aleatoriedad (e) no tiene que ver nada con la variable X,
    no tiene relación.
    𝑛 El termino aleatorio si afecta a Y, pero no a X.

    ෍ 𝑒𝑖 𝑋𝑗𝑖 = 0 , 𝑗 = 1, … , 𝑘
    𝐼=1

    𝑛
    e1 + e2 + e3 + ... = 0

    Importancia de la inclusión de intercepto ෍ 𝑒𝑖 = 0 (intercepto)


    𝑖=1 y = b0 + b1x1 + b2x2 + e
    Para que este punto de partida (intercepto), se
    cumpla, la suma de las "e" tiene que ser 0.
    𝑛
    Y -> Y estimado ෍ 𝑌෠𝑖 𝑒𝑖 = 0
    𝑖=1
    Cuando hagamos la regresión, debemos hacer todo lo posible para que todo el valor explicativo este en
    b0, b1, b2 ... , y casi nada en el factor aleatorio "e". El Y estimado, tiene que tener la mínima relación
    posible con "e". -> ambos no tienen una relación, o llegando a ser nula
    • Descomposición de la varianza:
    "y" que yo estimo con mis "x"
    y poblacional
    𝑦𝑖 = 𝑦ො𝑖 + 𝑒𝑖 perturbación
    *Le resto el Y promedio (de toda la estimación de y), a ambos lados ...

    𝑦𝑖 − 𝑌ത = 𝑦ො𝑖 − 𝑌ത + 𝑒𝑖 Y=y
    SCT = SCE + SR
    *Luego, elevo ambos lados al cuadrado

    ത 2 = (𝑦ෝ𝑖 − 𝑦തො + 𝑒)2


    (𝑦𝑖 − 𝑦)
    *Le aplico la sumatoria

    തො 2 + ෍ 𝑒𝑖2 + 2 ෍ 𝑒𝑖 (𝑦ො𝑖 − 𝑦)
    ത 2 = ෍(𝑦ො𝑖 − 𝑦)
    ෍(𝑦𝑖 − 𝑦) തො
    por el supuesto de
    implicancias algebraicas

    ෍(𝑦𝑖 − 𝑦) തො 2 + ෍ 𝑒𝑖2
    ത 2 = ෍(𝑦ො𝑖 − 𝑦) y = promedio de la
    y = Valor real estimacion
    y = valor estimado con
    Suma de Cuadrados Estimados regresión. Son varios
    valores, por los múltiples
    SCT = SCE + SCR puntos del tiempo.
    Suma de Cuadrados Totales Suma de Cuadrados de los Residuos
    • Descomposición de la varianza:

    A nivel de varianza, dividimos entre n

    തො 2 σ 𝑒𝑖2
    ത 2 σ(𝑦𝑖 − 𝑦)
    σ(𝑦𝑖 − 𝑦)
    = +
    𝑛 𝑛 𝑛

    𝑉𝑎𝑟𝑖𝑎𝑛𝑧𝑎 𝑡𝑜𝑡𝑎𝑙 = 𝑉𝑎𝑟𝑖𝑎𝑛𝑧𝑎 𝑒𝑥𝑝𝑙𝑖𝑐𝑎𝑑𝑎 + 𝑉𝑎𝑟𝑖𝑎𝑛𝑧𝑎 𝑟𝑒𝑠𝑖𝑑𝑢𝑎𝑙

    Importancia de la inclusión del intercepto


    Matrices generadora de residuos

    • Matrices P y M: simétricas, idempotentes y ortogonales

    𝑃 = 𝑋 𝑋′𝑋 −1
    𝑋′ 𝑦 𝑀 = 𝐼 − 𝑋 𝑋′𝑋 −1
    𝑋′
    Matriz Cuadrada de nxn Matriz Cuadrada de nxn

    𝑦ො = 𝑋 𝑋 ′ 𝑋 −1 𝑋 ′ y = Py

    e= 𝐼 − 𝑋 𝑋 ′ 𝑋 −1 𝑋 ′ 𝑦 = 𝑀𝑦

    𝑀𝑒 = 𝑀𝑀𝑒 = 𝑀𝑦 = 𝑒

    𝑀𝑋 = 𝐼 − 𝑃 𝑋 = 𝑋 − 𝑃𝑋 = 𝑋 − 𝑋 = 0
    Sale cero, porque no tiene por qué haber
    residuos en una variable independiente
    • Matriz de varianzas y covarianzas

    𝐸 𝑢 − 𝐸(𝑢) 𝑢 − 𝐸(𝑢) ′
    El esperado (E) de todos los residuos (U) va ser igual a 0.

    𝐸 𝑢−0 𝑢−0 ′ =𝐸 𝑢 𝑢 ′
    𝑢1
    𝑢2 𝑢12 𝑢1 𝑢2 … 𝑢1 𝑢𝑛
    .. 𝑢22 … 𝑢1 𝑢𝑛
    𝐸 𝑢1 𝑢2 … 𝑢3 = 𝐸 𝑢2.𝑢1 . … .
    .
    𝑢𝑛 𝑢𝑛 𝑢1 𝑢𝑛 𝑢2 … 𝑢𝑛2

    Le aplicamos el esperado... por el supuesto de no autocorrelación se hacen 0.

    𝐸(𝑢12 ) 𝐸(𝑢1 𝑢2 ) . . . 𝐸(𝑢1 𝑢𝑛 ) 𝜎2 0 … 0


    = 𝐸(𝑢2. 𝑢1 ) 𝐸(𝑢22 ) .. . 𝐸(𝑢2 𝑢𝑛 ) = 0 𝜎2 …
    … 0.
    . .. . . . .
    𝐸(𝑢𝑛 𝑢1 ) 𝐸(𝑢𝑛 𝑢2 ) .. . 𝐸(𝑢𝑛2 ) 0 0 … 𝜎2

    principio de homocedacidad
    𝐸(𝑢12 ) 𝐸(𝑢1 𝑢2 ) . . . 𝐸(𝑢1 𝑢𝑛 ) 𝜎2 0 … 0
    = 𝐸(𝑢2. 𝑢1 ) 𝐸(𝑢22 ) . . . 𝐸(𝑢2 𝑢𝑛 ) = 0 𝜎2 …
    … 0.
    . .. . . . .
    𝐸(𝑢𝑛 𝑢1 ) 𝐸(𝑢𝑛 𝑢2 ) . . . 𝐸(𝑢𝑛2 ) 0 0 … 𝜎2

    𝐸 𝑢𝑢′ = 𝜎 2 I

    Matriz de varianzas y covarianzas de la perturbación.


    «Matriz escalar»
    • Varianza desconocida:

    𝜎 2 → 𝜎ො 2

    e= 𝑦 − 𝑋𝛽መ = 𝑦 − 𝑋 𝑋 ′ 𝑋 −1
    𝑋′𝑦

    = 𝐼 − 𝑋 𝑋′𝑋 −1
    𝑋′ 𝑦 = 𝑀𝑦
    • Además:

    e= 𝐼 − 𝑋 𝑋 ′ 𝑋 −1 𝑋′ 𝑦

    = 𝐼 − 𝑋 𝑋′𝑋 −1 𝑋′ 𝑋𝛽 + 𝑢

    = 𝑋𝛽 − 𝑋 𝑋 ′ 𝑋 −1 𝑋 ′ 𝑋𝛽
    + 𝑢 − 𝑋 𝑋 ′𝑋 −1 𝑋 ′ 𝑢
    • Además:

    = 𝑋𝛽 − 𝑋𝛽 + 𝐼 − 𝑋 𝑋 ′ 𝑋 −1
    𝑋′ 𝑢

    𝐼 − 𝑋 𝑋′𝑋 −1 𝑋′ 𝑢

    = 𝑀𝑢
    NO MIREN ESTA

    𝑒 ′ 𝑒 = 𝑢′ 𝑀′ 𝑀𝑢 = 𝑢′ 𝑀𝑢

    𝐸 𝑒 ′ 𝑒 = 𝐸 𝑢′ 𝑀𝑢 = 𝑡𝑟𝐸 𝑢′ 𝑀𝑢 = E 𝑡𝑟(𝑢′ 𝑀𝑢)

    = E 𝑡𝑟(𝑢′ 𝑀𝑢) = 𝑡𝑟𝑀𝐸 𝑢𝑢′ = 𝑡𝑟𝑀𝜎 2 𝐼

    = 𝜎 2 𝑡𝑟𝑀 = 𝜎 2 (𝑛 − 𝑘)

    𝑡𝑟𝑀 = 𝑡𝑟 𝐼𝑛𝑥𝑛 − 𝑋 𝑋 ′ 𝑋 −1 𝑋′ = 𝑡𝑟𝐼𝑛𝑥𝑛 − 𝑡𝑟𝑋 𝑋 ′ 𝑋 −1 𝑋′

    = 𝑡𝑟𝐼𝑛𝑥𝑛 − tr𝐼𝑘𝑥𝑘 = 𝑛 − 𝑘
    • Entonces:

    𝐸[𝑒 ′ 𝑒] 𝑒 ′𝑒
    𝜎2 = 𝜎ො 2 =
    𝑛−𝑘 𝑛−𝑘
    (𝒌 𝒊𝒏𝒄𝒍𝒖𝒚𝒆 𝒍𝒂 𝒄𝒐𝒏𝒔𝒕𝒂𝒏𝒕𝒆)

    • Toda vez que

    2
    𝑒 ′𝑒 𝐸(𝑒 ′ 𝑒) 𝜎 2 (𝑛 − 𝑘)
    𝐸 𝜎ො =𝐸 = = = 𝜎2
    𝑛−𝑘 𝑛−𝑘 𝑛−𝑘

    También podría gustarte