Académique Documents
Professionnel Documents
Culture Documents
ESQUEMA DE CONTENIDOS
________________________
Estimacin MV
Estimacin MCO
INTRODUCCIN
___________________
Todo estudio economtrico se centra en dos pilares bsicos: la teora y los hechos. La teora permite derivar un modelo (el modelo econmico) que sintetiza la incgnita relevante sobre el fenmeno (la variable endgena) objeto del anlisis y del cual deriva el modelo economtrico que permite medirlo y contrastarlo empricamente. Los hechos se concretan en una serie de datos que denominaremos informacin muestral. La muestra, a su vez, consiste en una lista ordenada de valores numricos de las variables objeto de estudio. En una muestra de corte transversal, diversos agentes econmicos de una naturaleza similar proporcionan informacin solicitada en un mismo instante de tiempo. Alternativamente, el investigador econmico trabaja en ocasiones con datos de series temporales, en las que se dispone de informacin acerca de Proyecto e-Math Financiado por la Secretara de Estado de Educacin y Universidades (MECD)
Modelo de Regresin Lineal Mltiple unidad econmica, como puede ser un pas, una empresa, a lo largo de tiempo; estas muestras pueden tener frecuencia diaria, mensual, anual, segn frecuencia de observacin de los datos. Una vez que se especifica el modelo y se dispone de la informacin estadstica convenientemente tratada, se llega a la etapa siguiente del trabajo economtrico: la etapa de estimacin. Los resultados de esta etapa de estimacin permiten medir y contrastar las relaciones sugeridas por la teora econmica. En este math-block postularemos una serie de hiptesis bsicas de un modelo de regresin mltiple (MRLM) y consideremos los principales mtodos de estimacin bajo dichas hiptesis. Veremos que los estimadores obtenidos mediante el mtodo de mnimos cuadrados ordinarios (MCO) son insesgados, eficientes y consistentes. Adems, utilizaremos la inferencia basada en los contrastes de hiptesis para apreciar estadsticamente una cierta evidencia emprica. Finalmente, conoceremos la importancia del MRLM en la prediccin y pronstico de un cierto fenmeno comprendido por la variable endgena.
OBJETIVOS
________________________
Conocer la estructura del MRLM. Familiarizarse con las hiptesis bsicas del MRLM y entender su importancia. Conocer los mtodos de estimacin del MRLM, el mtodo de mnimos cuadrados ordinarios (MCO) y el de mxima verosimilitud (MV). Introducirse en el uso de Minitab para estimar el MRLM mediante el MCO. Saber cuantificar e interpretar bondad del ajuste del modelo. Evaluar la contribucin de cada variable exgena en explicar el comportamiento de la variable endgena; contrastar la significacin individual de un parmetro y la global del modelo. En base de la estimacin de MRLM, realizar predicciones puntuales y por intervalo de la variable endgena.
CONOCIMIENTOS PREVIOS
___________________________________
Aparte de estar iniciado en el uso del paquete estadstico Minitab, resulta muy conveniente haber ledo con profundidad los siguientes math-blocks relacionados con Estadstica: Intervalos de confianza y contraste de hiptesis para 1 y 2 poblaciones Anlisis de regresin y correlacin lineal Correlacin y regresin lineal mltiple
CONCEPTOS FUNDAMENTALES
______________________________
Y = 1 + 2 X 2 + ... + k X k + U
Para determinar el modelo anterior, es necesario hallar (estimar) el valor de los coeficientes 1, 2, ..., k. La linealidad en parmetros posibilita la interpretacin correcta de los parmetros del modelo. Los parmetros miden la intensidad media de los efectos de las variables explicativas sobre la variable a explicar y se obtienen al tomar las derivadas parciales de la variable a explicar respecto a cada una de as variables explicativas:
j =
Y ; j = 1,..., k . X j
Nuestro objetivo es asignar valores numricos a los parmetros 1, 2, ..., k. Es decir, trataremos de estimar el modelo de manera que, los valores ajustados de la variable endgena resulten tan prximos a los valores realmente observados como sea posible. A fin de poder determinar las propiedades de los estimadores obtenidos al aplicar distintos mtodos de estimacin y realizar diferentes contrastes, hemos de especificar un conjunto de hiptesis sobre el MRLM que hemos formulado. Existen tres grupos de hiptesis siguientes: las hiptesis sobre el trmino de perturbacin, las hiptesis sobre las variables explicativas, y las hiptesis sobre los parmetros del modelo.
Hiptesis sobre el trmino de perturbacin: Para una muestra de n observaciones (cada observacin estar formada por una tupla con los valores de X2, X3, ..., Xk y el valor de Y asociado), tendremos el siguiente sistema de n ecuaciones lineales:
En estas condiciones, las hiptesis del MRLM se resumen en la esfericidad del trmino de perturbacin, i.e.: a) El valor esperado de la perturbacin es cero:
E [u i ] = 0
i = 1,..., n
b) Homoscedasticidad: todos los trminos de perturbacin tienen la misma varianza (varianza constante):
Var [u i ] = Var u j = 2
[ ]
i j
Por tanto, todos los trminos de la diagonal principal de la matriz de varianzas y covarianzas sern iguales:
2 Var [U ] = ...
...
...
c) No Autocorrelacin: los errores son independientes unos de otros, i.e.: la matriz de varianzas y covarianzas es una matriz diagonal (fuera de la diagonal principal todo son ceros):
1 2 0 Var [U ] = ... 0
22
... 0
2 ... n 0 0 ...
Observar que, bajo las hiptesis de homoscedasticidad y no autocorrelacin, la matriz de varianzas y covarianzas tendr la forma siguiente:
2 0 Var [U ] = ... 0
... 0
U N 0 n , 2 I n
Hiptesis sobre las variables explicativas:
a) Las variables explicativas son fijas o deterministas. b) La variables explicativas estn no correlacionadas con la perturbacin aleatoria.
Modelo de Regresin Lineal Mltiple c) Las variables explicativas no presentan relacin lineal exacta entre si. d) Adems, supondremos que las variables explicativas son medidas sin error. e) En el modelo no se excluyen las variables relevantes y que tampoco no se incluyen las variables irrelevantes, a la hora de explicar el comportamiento de la variable endgena.
a) La nica hiptesis que haremos acerca de los parmetros del modelo es la hiptesis de permanencia estructural, lo cual quiere decir que los parmetros poblacionales, j, se mantienen constantes a lo largo de toda la muestra.
Estimacin por mnimos cuadrados ordinarios: Sea un modelo en forma matricial Y = XB + U. Supongamos que el modelo ha sido estimado, obtenindose , vector de valores de la variable dependiente implicado por el modelo. La
=Y X B , la diferencia entre los valores observados y los valores estimados, e = Y Y denominaremos vector de residuos. Ahora bien, nuestro problema consiste en minimizar la suma de los cuadrados de residuos, ee con respecto del vector de parmetros estimados, B. De este problema de optimizacin se deduce la siguiente expresin de mnimos cuadrados ordinarios del MRLM [7]:
= ( X X )1 X Y B
cuya varianza viene dada por:
= 2 ( X X )1 Var B
[]
e e nk
donde n es el nmero de observaciones y k es el nmero de elementos del vector B. Bajo la hiptesis de perturbaciones esfricas, el estimador MCO del vector B cumple una serie de propiedades que le convierten en un insesgado (el valor esperado del estimador coincide con el valor real del parmetro), eficiente (de varianza mnima), y consistente [4].
Modelo de Regresin Lineal Mltiple Adems, bajo la hiptesis de esfericidad, el estimador MCO de la varianza del trmino de error,
2 u , es tambin insesgado.
Estimacin por mxima verosimilitud: El mtodo de estimacin por MCO consiste en asignar valores numricos a los parmetros desconocidos de manera que la suma cuadrtica de errores sea mnima y slo requiere que la matriz XX sea invertible. A continuacin veremos un mtodo de estimacin alternativo, el mtodo de mxima verosimilitud. El mtodo de mxima verosimilitud (MV), en cambio, propone como un estimador el valor que maximiza la probabilidad de obtener la muestra ya disponible. El mtodo MV se basa, prcticamente, en la distribucin que sigue el trmino de error. A tales efectos, se suele suponer que las perturbaciones aleatorias se distribuyen con una distribucin Normal que, adems de cumplir las propiedades de una muestra grande, es una aproximacin cmoda y fcil de tratar. El modelo que utilizaremos es Y = XB + U, y supondremos que el trmino aleatorio sigue la distribucin Normal con la siguiente funcin de densidad:
f (u i ) =
u2 exp i 2 , i = 1,..., N . 2 2 1
Maximizar la probabilidad de obtener la muestra ya disponible equivale maximizar la funcin de densidad conjunta del vector aleatorio, u. Para ello, hemos de suponer homoscedasticidad y ausencia de autocorrelacin. Por tanto, la expresin de la funcin de densidad conjunta es la siguiente:
f (U ) = f (u i ) =
i =1
(2 )
2 n2
2 ui exp 2 2
Como U sigue una distribucin Normal Multivariante de orden k, la variable Y, al ser una combinacin lineal de las perturbaciones aleatorias, tambin se distribuir con una distribucin Normal Multivariante. As pues, para que la funcin de densidad conjunta sea una funcin de verosimilitud, el vector aleatorio U ha de expresarse en funcin del vector Y, es decir:
L(Y ; , 2 ) =
(2 )
2 n2
(Y X )' (Y X ) exp 2 2
Se trata, por tanto, de maximizar la funcin de verosimilitud. Como la expresin anterior resulta complicada, aplicaremos una transformacin montona; en concreto, una funcin logartmica:
(Y X )' (Y X ) n n ln L(Y ; , 2 ) = ln (2 ) ln (2 2 ) 2 2 2 2
Derivando la funcin de verosimilitud con respecto de B y 2, e igualando las derivadas a cero, obtenemos los resultados:
MV = ( X X ) 1 X Y B
cuya varianza es la siguiente:
MV ] = 2 ( X X )1 . Var [B
e e , n
donde n es el nmero de observaciones y k es el nmero de elementos del vector B. Observamos que el estimador de MV de B coincide con el MCO, con lo que tendr las mismas propiedades: ser lineal, insesgado, ptimo y consistente. Es fcil ver que el estimador de MV de 2, en cambio, resulta diferente del MCO y no es insesgado aunque s es asintticamente insesgado.
Medidas del bondad del ajuste Las estimaciones por MCO y MV que hemos realizado todava no nos permite evaluar la calidad de ajuste del modelo. Para ello, de aqu a delante iremos viendo las medidas de bondad de ajuste. Comenzaremos por la suma de los cuadrados de errores, SCE, que puede expresarse de varias formas:
Yi 2 = Yi 2 + ei2 .
i =1 i =1 i =1
2 (Yi Y )2 = (Yi Y ) + ei2 .
n Y , obtenemos:
n n n
i =1
i =1
i =1
La parte izquierda representa suma de cuadrados totales (SCT) y no es sino la suma de cuadrados de las desviaciones respecto a su media aritmtica. Por otra
2
parte,
n i =1
si
el
modelo
tiene
trmino
independiente,
la
cantidad
'Y n Y Y
En resumen, la variabilidad total de la variable endgena (SCT) puede descomponerse en dos partes: la parte que podemos explicar mediante el modelo especificado (SCR) y la parte que no podemos explicar, la suma de cuadrados de los errores (SCE).
Modelo de Regresin Lineal Mltiple A partir de la descomposicin anterior de la SCT, definiremos el coeficiente de determinacin, R2, el cual ser la primera medida de bondad de ajuste:
R 2 = 1
SCE . SCT
Si el modelo tiene trmino independiente, entonces se cumple la igualdad SCT = SCR + SCE, y el coeficiente de determinacin podr expresarse de la siguiente manera alternativa:
R2 =
SCR . SCT
El coeficiente de determinacin indica que proporcin de variabilidad total queda explicada por la regresin. Si el modelo tiene trmino independiente, entonces R2 toma valores entre 0 y 1. En prctica, el uso de R2 presenta algunas limitaciones a la hora de comparar varios modelos desde la perspectiva de bondad del ajuste. En efecto, cuanto ms variables explicativas incorporamos al modelo, mayor ser el coeficiente de determinacin, pues la SCR disminuye conforme aumenta el nmero de variables explicativas. Por tanto, cuando queremos llevar a cabo un anlisis comparativo entre varios modelos, utilizamos R2 corregido:
R 2 = 1
n 1 ( 1 R 2 ) nk
Este estadstico es inmune ante la incorporacin de extra variables va interaccin de dos efectos: el efecto que permite aumentar R2, y el efecto opuesto que surge al descontar un mayor nmero de las variables explicativas,
n 1 [7]. nk
Significacin de los parmetros del modelo Distinguiremos entre dos distintas dimensiones de significacin: significacin econmica y significacin estadstica.
Significacin econmica Significacin econmica nos permite comprobar si las estimaciones obtenidas son coherentes con la teora econmica. Segn especificacin del modelo, la interpretacin y significacin de los parmetros puede variar. Si el modelo est especificado en niveles, el parmetro refleja el efecto medio que tiene una variacin unitaria de la variable explicativa sobre la variable endgena:
j =
Y . X j
En cambio, si el modelo est especificado en logaritmos neperianos, los parmetros pueden interpretarse como una elasticidad, como es el caso de la funcin de produccin de CobbDouglas:
j =
ln Y . ln X j
Significacin estadstica El anlisis economtrico pretende analizar, por medio una serie de contrastes, la significacin (o significatividad) estadstica individual y conjunta de los parmetros del modelo. En concreto, para contrastar las hiptesis de significatividad individual, tenemos: H0 : j = 0 HA : j 0. El estadstico t-Student que se utiliza para realizar el test es el siguiente:
tj =
2 u a jj
l
2 u a jj
~ t nk .
donde
diagonal principal de la matriz (XX)-1. Dado un nivel de significacin , las tablas de distribuciones nos proporcionan la cantidad tnk,/2 que es el valor asociado a una t-Student con n-k grados de libertad que deja a su derecha un rea de /2 (o, equivalentemente, deja a su izquierda un rea de 1 - /2). La regla de decisin que utilizaremos para determinar si el parmetro asociado a la variable Xj es individualmente significativo o no es la siguiente: Si |tj| tn-k,/2, el estadstico cae fuera de la regin de aceptacin, por lo que rechazamos la hiptesis nula. Concluimos, por tanto, que el parmetro es significativamente diferente de cero. Si |tj| < tn-k,/2, el estadstico cae dentro de la regin de aceptacin, por lo que no podemos rechazar la hiptesis nula. Por tanto, el parmetro no es individualmente significativo.
Nota: si en vez de realizar el contraste bilateral deseamos hacer un contraste unilateral (en el cual la hiptesis alternativa sera H1 : j > 0 H1 : j < 0), deberemos sustituir en la frmula anterior /2 por (ya que ahora trabajaremos con una nica cola de la distribucin). En cambio, si queremos contrastar la significacin conjunta, las hiptesis especificamos de la manera siguiente: H0 : 2 = 3 = ... = k =0 HA : No H0. Nota: el trmino independiente no contribuye en explicar la variabilidad de la variable endgena, con lo cual no lo incluimos en la restriccin. El estadstico F de Snedecor que se utiliza para realizar el test es el siguiente:
F0 =
nk R2 ~ Fk 1,n k . 2 1 R n 1
Modelo de Regresin Lineal Mltiple El estadstico se distribuye bajo la hiptesis nula con una distribucin F de Snedecor con k-1 grado de libertad en el numerador y n-k grados de libertad en el denominador. La regla de decisin utilizada para contrastar la significacin global del modelo es la siguiente: Si F0 Fk-1,N-k;, el estadstico de contraste cae fuera de la regin de aceptacin, con lo que rechazamos la hiptesis nula. Por tanto, el modelo es globalmente significativo. Si F0 < Fk-1,N-k;, el estadstico de contraste cae dentro de la regin de aceptacin, de modo que ahora la hiptesis nula no la rechazamos. En consecuencia, podemos afirmar que el modelo no es globalmente significativo.
Prediccin Una vez hemos especificado, estimado y validado un modelo, podemos utilizarlo con objetivos diferentes. Cuando trabajamos con una serie temporal, podemos estar interesados en predecir el comportamiento futuro de la variable endgena. Si, por otro lado, trabajamos con un corte transversal (o una seccin cruzada), podemos utilizar el modelo ajustado para predecir el comportamiento de un individuo (o una unidad) no incluido en la muestra. No obstante, para realizar las predicciones, hemos de suponer que todas las hiptesis que hemos formulado sobre X, B y U se mantendrn tambin para las observaciones fuera de la muestra. En particular, es fundamental suponer que se cumple la hiptesis de permanencia estructural del modelo. Cuando realizamos predicciones, podemos optar por predecir el valor puntual que tomar la variable endgena, o bien, determinar un intervalo de posibles valores. El primer caso se denomina prediccin puntual, y el segundo prediccin por intervalo.
Prediccin puntual Supongamos que la variable endgena ajustada para una determinada observacin i es igual a:
1 + 2 X 2i + ... + k X ki . i = Y
Si queremos predecir el valor de la variable endgena, para una observacin n + h, podemos utilizar la siguiente expresin:
1 + 2 X 2,n + h + ... + k X k ,n + h . n + h = Y
Prediccin por intervalo La fiabilidad de prediccin se caracteriza por el intervalo de prediccin. Distinguimos entre la prediccin por intervalo sobre Yn+h y la prediccin por intervalo sobre su valor esperado, E(Yn+h). En primer lugar, para obtener el intervalo del valor esperado de la variable endgena para la observacin n+h, E(Yn+h), utilizaremos la siguiente expresin:
10
1 2 n + h < t Pr ob E (Y n + h ) Y u X n + h ( X ' X ) X n + h nk , 2
] = 1 ,
1 2
donde tn-k,/2 es el valor de las tablas de una t de Student de nk grados de libertad. La expresin sirve para indicar que la probabilidad de que E(YN+h) quede dentro del intervalo de
n + h t Y
a
nk ,
X n + h ( X ' X ) X n + h
2 u
]
]
1 2
n + h + t Y
nk ,
X n + h ( X ' X ) X n + h
2 u 1
1 2
es (1 - ), siendo el nivel de significacin. Nota: el intervalo de prediccin para E(YN+h) coincide con el intervalo de confianza. Es decir, el intervalo de prediccin del valor esperado no es sino el intervalo de confianza del parmetro Xn+hB. En segundo lugar, para obtener la prediccin por intervalo del valor observado de la variable endgena para la observacin n + h, Yn+h, utilizaremos la siguiente expresin:
1 n + h < t Pr ob Y n + h Y u 1 + X n + h ( X ' X ) X n + h n k , 2
] = 1
1 2
De forma anloga al caso anterior, la expresin indica que la probabilidad de que Yn+h se encuentre dentro del intervalo de
n + h t Y
a
nk ,
u 1 + X n + h ( X ' X ) X n + h
1
1 2
n + h + t Y
n k ,
[1 + X
1 2 n + h ( X ' X ) X n + h ] 1
es (1 - ), siendo el nivel de significacin. Nota: A la hora de realizar las predicciones, se puede ver que el intervalo de prediccin para el valor observado de la variable endgena resulta ms grande que el intervalo de prediccin para el valor esperado de la variable endgena. El caso es que, al predecir E(Yn+h), pretendemos prever slo componente explicada por Xn+h, y la componente puramente aleatoria, un+h, no forma parte del objetivo de prediccin. En cambio, cuando el objetivo es predecir Yn+h, hemos de prever tambin la perturbacin aleatoria un+h la cual incrementa la varianza del trmino de error.
11