Scribd Logo
Cargar

¡Te damos la bienvenida a Scribd!

  • 203 vistas

    Regresión Lineal

    Cargado por

    Edvar Moreno
    1) El documento describe el método de regresión lineal y el método de mínimos cuadrados ordinarios para estimar los parámetros de una ecuación de regresión lineal. 2) El método de mínimos cuadrados ordinarios minimiza la suma de los cuadrados de los errores para encontrar los valores de los parámetros que mejor se ajustan a los datos. 3) Se presenta un ejemplo ilustrativo para estimar una ecuación de regresión entre la demanda de un producto y su precio de venta utilizando el método de mín

    Copyright:

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

    Regresión Lineal

    Cargado por

    Edvar Moreno
    203 vistas16 páginas
    1) El documento describe el método de regresión lineal y el método de mínimos cuadrados ordinarios para estimar los parámetros de una ecuación de regresión lineal. 2) El método de mínimos cuadrados ordinarios minimiza la suma de los cuadrados de los errores para encontrar los valores de los parámetros que mejor se ajustan a los datos. 3) Se presenta un ejemplo ilustrativo para estimar una ecuación de regresión entre la demanda de un producto y su precio de venta utilizando el método de mín

    Descripción original:

    REGRESION

    Derechos de autor

    © © All Rights Reserved

    Formatos disponibles

    PPTX, PDF, TXT o lea en línea desde Scribd

    ¿Le pareció útil este documento?

    ¿Este contenido es inapropiado?

    1) El documento describe el método de regresión lineal y el método de mínimos cuadrados ordinarios para estimar los parámetros de una ecuación de regresión lineal. 2) El método de mínimos cuadrados ordinarios minimiza la suma de los cuadrados de los errores para encontrar los valores de los parámetros que mejor se ajustan a los datos. 3) Se presenta un ejemplo ilustrativo para estimar una ecuación de regresión entre la demanda de un producto y su precio de venta utilizando el método de mín

    Copyright:

    © All Rights Reserved
    Descargue como PPTX, PDF, TXT o lea en línea desde Scribd
    Descargar como pptx, pdf o txt
    203 vistas16 páginas

    Regresión Lineal

    Cargado por

    Edvar Moreno
    1) El documento describe el método de regresión lineal y el método de mínimos cuadrados ordinarios para estimar los parámetros de una ecuación de regresión lineal. 2) El método de mínimos cuadrados ordinarios minimiza la suma de los cuadrados de los errores para encontrar los valores de los parámetros que mejor se ajustan a los datos. 3) Se presenta un ejemplo ilustrativo para estimar una ecuación de regresión entre la demanda de un producto y su precio de venta utilizando el método de mín

    Copyright:

    © All Rights Reserved
    Descargue como PPTX, PDF, TXT o lea en línea desde Scribd
    Descargar como pptx, pdf o txt
    de 16

    Regresión Lineal

    Método de los Mínimos Cuadrados Ordinarios


    Partimos de la existencia de una relación lineal entre una
    variable endógena (Y) y k variables
    exógenas (Xi):

    Y i = b0 +b1 X1i+b2 X2i + ... +bk Xki + ei

    Nuestro objetivo consiste en estimar los parámetros b de la ecuación


    i

    anterior a partir de los datos muestrales de los que disponemos. Para


    ello utilizaremos el método de los Mínimos Cuadrados Ordinarios
    (MCO), pero antes de ver en que consiste este método debemos
    plantear ciertas hipótesis sobre el comportamiento de las variables que
    integran el modelo.
    La variable e la denominamos término de
    t

    perturbación o error, y en ella recogemos todos


    aquellos factores que pueden influir a la hora de
    explicar el comportamiento de la variable Y y que,
    sin embargo, no están reflejados en las variables
    explicativas, X .
    i

    Gran parte de los análisis en econometría


    aplicada parten de la premisa siguiente: Y y X,
    son dos variables que representan alguna
    población y se desea “explicar Y en términos
    de X” o “estudiar como varia Y cuando varia X”.
    ejemplos:
    - Y es rendimiento de cultivos de frijol de soya y “X”, la cantidad de
    fertilizante.
    - Y es salario por hora y X los anos de educación escolar.
    - Y es la tasa de delincuencia en una comunidad y X la cantidad de
    policías.
    Para establecer un modelo que “explique Y en términos de X” hay
    que tomar en consideración tres aspectos.
    - Primero, dado que entre las variables nunca existe una relación
    exacta, .como pueden tenerse en cuenta otros factores que
    afecten a y?.
    - Segundo, cual es la relación funcional entre Y y X?
    - Tercero, .como se puede estar seguro de que la relación entre Y
    y X sea una relación ceteris paribus entre Y y X (si es ese el
    objetivo buscado)?
    Y = b0 +b1 X + ui

    A esta ecuación también se le llama modelo de regresión lineal de


    dos variables o modelo de regresión lineal bivariado debido a que
    en este modelo se relacionan las dos variables x y y.

    a y se le conoce como la variable dependiente, la variable


    explicada, la variable de respuesta, la variable predicha o el
    regresando; a x se le conoce como la variable independiente, la
    variable explicativa, la variable de control, la variable predictora o
    el regresor. (Para x también se usa el termino covariada.) En
    econometría con frecuencia se usan los términos “variable
    dependiente” y “variable independiente”. Pero hay que hacer notar que
    aquí el termino “independiente” no se refiere al concepto estadístico de
    independencia entre variables aleatorias.
    Suponga que el rendimiento del frijol de soya esta
    determinado por el modelo:

    rendimiento = b0 + b1 fertilizante + u

    de manera que y rendimiento y x fertilizante. Al investigador agrícola le interesa el


    efecto del fertilizante sobre el rendimiento, cuando todos los demás factores
    permanecen constantes. Este efecto esta dado por. El termino del error u comprende
    factores como calidad de la tierra, precipitación pluvial, etc. El coeficiente mide el
    efecto del fertilizante sobre el rendimiento, cuando todos los demás factores
    permanecen constantes: Δ rendimiento = b1 Δ fertilizante.
    Un modelo en el que se relaciona el salario de una persona con la educacion observada y con
    otros factores
    no observados es:
    Salario = b0 + b1 educ + u

    Si salario se mide en dólares por hora y educ se mide en anos de educación, entonces 1 mide la
    variación
    en el salario por hora por cada ano mas de educación, cuando todos los demás factores
    permanecen constantes.
    Entre estos factores se encuentran experiencia laboral, capacidades innatas, antiguedad en el
    empleo actual, ética laboral y otra gran cantidad de cosas.
    La linealidad de la ecuación inicial implica que todo cambio de x en una unidad tiene siempre el
    mismo efecto sobre y, sin importar el valor inicial de x. En muchas aplicaciones de la economía
    esto no es muy realista. Así, en el ejemplo del salario y la educación, es deseable permitir que
    haya rendimientos crecientes: un ano mas en educación escolar debe tener un efecto mayor
    que el que tuvo el ano anterior.
    El Método de los mínimos cuadrados ordinarios
    Se trata de estudiar una ecuación o un modelo del siguiente tipo:

    Yt = a + b Xt + et

    Nuestra labor consiste en estimar los parámetros a y b de la ecuación anterior a partir de los datos muestrales
    de los que disponemos. Para ello utilizaremos el método de los Mínimos Cuadrados Ordinarios (MCO),
    pero antes de ver en que consiste este método debemos hacer ciertas hipótesis sobre el comportamiento de
    las variables que integran el modelo.

    De lo anterior se desprende que, a la hora de estimar los parámetros del modelo, resultará de vital
    importancia que dicho término de error no ejerza ninguna influencia determinante en la explicación del
    comportamiento de la variable dependiente. Por ello, cuando se aplica el método de mínimos cuadrados
    ordinarios, se realizan las siguientes hipótesis de comportamiento sobre el término de error:
    1. La esperanza matemática de et es cero, tal que E(et) = 0. Es decir, el comportamiento del término de error no
    presenta un sesgo sistemático en ninguna dirección determinada. Por ejemplo, si estamos realizando un
    experimento en el cual tenemos que medir la longitud de un determinado objeto, a veces al medir dicha longitud
    cometeremos un error de medida por exceso y otras por defecto, pero en media los errores estarán compensados.

    2. La covarianza entre ei y ej es nula para i ≠ j tal que E(ei·ej) = 0. Ello quiere decir que el error cometido en un
    momento determinado, i, no debe estar correlacionado con el error cometido en otro momento del tiempo, j, o
    dicho de otro modo, los errores no ejercen influencia unos sobre otros. En caso de existir correlación, nos
    encontraríamos ante el problema de la autocorrelación en los residuos, el cual impide realizar una estimación
    por mínimos cuadrados válida.

    3. La matriz de varianzas y covarianzas del término de error debe ser escalar tal que Var(ei) = σ2I, i=1,…,n,
    donde I es la matriz unidad. Dado que siempre que medimos una variable, se produce un cierto error, resulta
    deseable que los errores que cometamos en momentos diferentes del tiempo sean similares en cuantía. Esta
    condición es lo que se conoce como supuesto de homocedasticidad que, en caso de no verificarse, impediría
    un uso legítimo de la estimación lineal por mínimos cuadrados.
    Asimismo, las variables incluidas en el modelo deben verificar que:

    1. El comportamiento de la variable independiente Y se ajusta al modelo lineal durante todo el periodo muestral, es
    decir, no se produce un cambio importante en la estructura de comportamiento de Y a lo largo de la muestra
    considerada.

    2. Las variables explicativas, Xi, son no estocásticas, es decir, son consideradas fijas en muestreos repetidos.

    3. El número de variables explicativas, k, siempre debe ser menor que el tamaño muestral, n. Es decir, siempre
    debemos disponer de más observaciones que parámetros haya en el modelo.

    Veamos a continuación, suponiendo que se verifican los supuestos anteriores, como se realiza la estimación de los
    parámetros a y b. Gráficamente, el resultado que obtendremos al estimar dichos parámetros será una recta que se
    ajuste lo máximo posible a la nube de puntos definida por todos los pares de valores muestrales (Xi,Yi), tal y como
    se puede apreciar en el gráfico
    El término de error, ei, puede ser entendido, a la vista del gráfico anterior, como la distancia que existe entre el
    valor observado, Yi, y el correspondiente valor estimado, que sería la imagen de Xi en el eje de ordenadas. El
    objetivo de la estimación por Mínimos Cuadrados Ordinarios es, precisamente, minimizar el sumatorio de
    todas esas distancias al cuadrado; es decir:
    Ejemplo 1.1.
    Supongamos que el director de una empresa piensa que la demanda de un producto que él comercializa
    depende únicamente del precio de venta al público. Para estudiar la demanda de este producto pretende
    estimar el siguiente modelo:

    Yt = a + b Xt + et

    donde Yt es la cantidad vendida anualmente del bien Y en el año t, y Xt es el precio medio al cual se
    vendió el bien Y durante el año t. Se dispone de los siguientes datos muestrales:

    También podría gustarte