Capitulo 2 F

Econometra
Captulo II
Marcela Perticara
Ingeniera Comercial
2016
Marcela Perticara (Ingeniera Comercial)
Econometra
2016
1 / 48
Estructura del captulo
Introduccin: Definicin del modelo de regresin simple
Estimador de Mnimos Cuadros Ordinarios (MCO): derivacin,

interpretacin
Propiedades estadsticas de los estimadores MCO
Valores ajustados y residuos. Bondad de ajuste
Formas funcionales y cambios de escala.
Econometra
2016
2 / 48
1. Definicin del modelo de regresin simple

El modelo de regresin simple es el modelo de regresin lineal ms
sencillo. Cuando existe una nica variable regresora, el modelo se
escribe como:
(1)
yi = o + 1 xi + ui
0 : es el intercepto o constante. Se interpreta como el valor medio de

y cuando la variable x toma el valor cero, aunque en algunos casos no
tiene interpretacin econmica.
1 . 1: mide el efecto que la variable explicativa x tiene sobre la
variable explicada y.
Si un aumento de la variable explicativa x produce un aumento de la
variable explicada y entonces 1 ser positivo.
Si un aumento de la variable explicativa x produce una disminucin de
la variable explicada y entonces 1 ser negativo.
Econometra
2016
3 / 48

El valor de 1 es desconocido.
El estimador Mnimo Cuadrados Ordinarios (MCO) nos proporciona
una estimacin (valor aproximado) del coeficiente 1 .
PROBLEMA: dado que el modelo de regresin simple slo tiene en
cuenta una variable explicativa x podemos estar sobre-estimando o
sub-estimando el efecto que una variacin en la variable x causa en la
variable explicada y.
Ejemplo:
Una empresa quiere conocer el efecto que un incremento en los precios
de un producto causa en el volumen de ventas.
Para ello toma los datos de los precios y las ventas del producto en los
ltimos 10 aos:
(2)
ventasi = o + 1 precio i + ui
1 : mide el efecto que un aumento en el precio del producto tiene
sobre el volumen de ventas.
Econometra
2016
4 / 48
Cul es nuestro problema: dado que no estamos incluyendo otras

variables que afectan al volumen de ventas, cuando estimemos el valor
de 1 , el valor obtenido puede no ser correcto.
Ha cambiado el precio de la competencia en estos 10 aos de tal
forma que haya provocado un cambio en las ventas no debido a un
cambio del precio del producto? Si es as, este hecho no lo estamos
teniendo en cuenta en el modelo de regresin simple.
En la prctica rara vez encontraremos un modelo de regresin simple,
ya que el modelo de regresin debe incluir todas las variables que
creamos que su variacin puede causar una variacin en la variable
explicada.
Econometra
2016
5 / 48
2. Estimador MCO: funcionamiento e interpretacin

En el modelo de regresin simple:
(3)
yi = o + 1 xi + ui
para i=1, 2, ..., N
El objetivo es estimar los valores de los coeficientes, y en especial el de

1 .
Para ello tomamos una muestra de los datos de las variables x e y :
(xi , yi ) para i = 1, , N.
Ejemplo:
Queremos analizar si trabajar ms hace que las personas duerman
menos.
Tenemos datos de 706 individuos, minutos que duermen y trabajan.
Econometra
2016
6 / 48
Econometra
2016
7 / 48

Vamos a representar ahora los datos en un grfico denominado nube
de puntos o scatter plot.
El comando es scatter sleep totwrk. Cada punto representa una
observacin.
Econometra
2016
8 / 48

El estimador MCO es un procedimiento para determinar
aproximadamente los valores reales de los coeficientes del modelo de
regresin simple 0 y 1 a partir de los datos de una muestra de las
variables.
El estimador MCO se basa en una frmula que aplicada a los datos de
la muestra proporciona estimaciones de los coeficientes del modelo de
regresin.
El estimador MCO busca dos valores b0 y b1 tales que la recta dada
por b0 + b1 x hace mnima la suma total del cuadrado de las distancias
entre los valores de la variable yi y los valores de la recta b0 + b1 xi .
Esto es, se encuetran aquellos valores que
Min
b0 ,b1
N
X
(yi b0 b1 xi )2
(4)
i=1
Econometra
2016
9 / 48
El valor b0 es el valor estimado para 0 . Escribiremos, 0 = b0 .

El valor b1 es el valor estimado para 1 . Escribiremos, 1 = b1 .
Si por ejemplo, incluimos la recta de regresin estimada en el grfico
anterior.
Comando Stata twoway (scatter min_sleep min_trab) (lfit min_sleep
min_trab)
Econometra
2016
10 / 48
Econometra
2016
11 / 48
Si resolvemos Min
PN
b0 ,b1
0 = y 1 x
i=1 (yi
b0 b1 xi )2 , las soluciones sern

1 =
PN
y )(xi
x)
i=1 (yi
PN
x )2
i=1 (xi
Tanto a 1 como a 0 los denominados los estimadores MCO de los

parmetros 1 y0 respectivamente.
Veamos la mecnica de esta estimacin con el ejemplo anterior (del
grfico)
Econometra
2016
12 / 48
Supongamos que en vez de la muestra de 702 individuos, tenemos una

muestra de slo 14. Estos son los datos
Econometra
2016
13 / 48
Graficamente, estos puntos se ven
Econometra
2016
14 / 48

Queremos encontrar
la linea que ajusta estos puntos, mediante la
P
2
frmula Min N
(y
i=1 i b0 b1 xi ) .
b0 ,b1
Econometra
2016
15 / 48
Apliquemos
las frmulas encontradas, 0 = y 1 xy
PN
(yi
y )(xi
x)
PN
1 = i=1
.
x )2
i=1 (xi
Fijense
las distintas cosas
que calular: y,
x,
PN
PNque tenemos
2.
(y
)(x
),
(x
)
i
i=1 i
i=1 i
Si calculamos estos valores, obtenemos las siguientes estimaciones
para los coeficientes del modelo.
0 = 3570,234 y 1 = ,0624186.
Veamos en una planilla excel... y encontraremos estos valores.
Econometra
2016
16 / 48

Interpretacin de las estimaciones: 1 = ,0624186.
Por cada minuto adicional de trabajo a la semana, una persona reduce
su sueo en 0.06 minutos.
En Stata, cmo calculamos esto? Hagamoslo con las 14 observaciones

y luego, ms realisticamente, con la base de datos original.
Econometra
2016
17 / 48
Con los datos originales.
Econometra
2016
18 / 48
3. Propiedades de los estimadores MCO

Antes de establecer sus propiedades, debemos hacer algunos supuestos.
MLS1. Linealidad. Existe una relacin lineal entre la variable explicada y la
variable explicativa.
Supuesto con respecto a los parmetros y no a las variables
Ejemplos de modelos lineales
yi = o + 1 xi + ui
log yi = o + 1 xi + ui
yi = o + 1 xi2 + ui
Econometra
2016
19 / 48
Ejemplos de modelos no lineales

yi = o + xi1 + ui
yi =
o
+ ui
1 xi2
Econometra
2016
20 / 48
MLS2. La muestra tomada de las variables (xi , yi ), i = 1, ..., N, debe ser

una muestra aleatoria que sigue el modelo de regresin lineal definido por
yi = o + 1 xi + ui .
MLS3. Los valores de la variable explicativa xi , i = 1, ..., N, no pueden ser
constantes. Esto es, tienen que tener varianza.
MLS4. E (ui |xi ) = 0, para todo i = 1, ..., N. O equivalentemente
E (yi |xi ) = 0 + 1 xi . A la expresin E (yi |xi ) = 0 + 1 xi se la denomina
recta de regresin poblacional.
MLS5. Homocedasticidad: la varianza del error es constante pra todas las
observaciones de la muesetra. Esto se escribe como V (ui |xi ) = 2 , para
todo i = 1, ..., N.
Tambin asumiremos ausencia de correlacin serial: Cov (ui , uj |xi ) = 0
para todo i=1, ...,N.
Econometra
2016
21 / 48

Las propiedades estadsticas de los estimadores MCO se derivan de la
manera en que este estimador se obtiene (su frmula) y los supuestos
que hemos hecho acerca de la estructura del modelo.
1. El estimador MCO es una variable aleatoria
Notar que que es funcin de variables aleatorias.
El estimador es la formula; la funcin de las variables; pero una vez
que lo hemos calculado con los datos disponibles, tenemos una
estimacin.
2. El estimador MCO ser insesgado. Se escribe
E (1 |x1 , x2, ..., xN ) = 1
E (0 |x1 , x2, ..., xN ) = 0
Para esta propiedad necesitamos los supuestos 1-4; noten que si el
supuesto 3 no se cumple, el estimador MCO no puede calcularse.
El supuesto 4 es importante para poder establecer que el estimador
MCO es insesgado.
Econometra
2016
22 / 48

3. La varianza de los estimadores MCO sern
V (1 |xi ) = PN
2
(N 1)Si2
x)2
PN
2
2
i=1 xi
V (0 |xi ) =
P
N N
)2
i=1 (xi x
i=1 (xi
Cuando mayor es la varianza del trmino de error 2 , mayor ser la

varianza de los estimadores.
Cuando mayor es la varianza de las xi , menor es la varianza de los
estimadores.
Mientras mayor sea N, menor ser la varianza tambin.
Econometra
2016
23 / 48
Las varianzas de 0 y 1 depende de los valores muestrales de xi y de

yi pero tambin del parmetro desconocido 2 .
Necesitamos un estimador para este parmetro desconocido; y puesto
que este parmetro es la varianza de ui podramos usar la varianza
muestral del error (o la media muestral de los errores al cuadrado ya
que la media es cero, segn el supuesto 4.
Pero no conocemos los errores... ya volveremos a esto ms adelante...
Econometra
2016
24 / 48
4. Valores Ajustados y residuos

Considere el modelo de regresin simple: yi = o + 1 xi + ui
Llamamos valores observados de la variable explicada a la variable
original: yi .
Llamamos valores ajustados de la variable explicada a los que
obtenemos al estimar el modelo: yi = 0 + 1 xi
La diferencia entre el valor observado y el valor ajustado de la variable
lo denominamos residuo de la regresin.
ui = yi yi = yi (0 + 1 xi )
Podemos ubicar a los valores observados, ajustados y residuos en un
grfico.
Econometra
2016
25 / 48
Econometra
2016
26 / 48

Si volvemos al problema de la varianza del estimador MCO
2
2
V (1 |xi ) = PN
=
(N 1)Si2
)2
i=1 (xi x
Tenemos que estimar el parmetro descocido 2 . En principio dado
que V (u) = 2 , podramos usar la varianza muestral si el error fuera
observado.
Pero no son observados y slo podemos calcular la varianza muestral
de los residuos estimados. Esto es,
2
PN
V (ui ) =
=
i2
i=1 u
N 2
La divisin por N-2 es para hacer al estimador de la varianza insesgado.

Usando este valor estimado, se obtienen las varianzas de los
estimadores.
Econometra
2016
27 / 48
Las varianzas sern

V (1 |xi ) = PN
i=1 (xi
V (0 |xi ) =
x)2
2 N
xi 2
PN i=1
N i=1 (xi x)2
Se define el error estndar de la regresin como

=
Econometra
2.
2016
28 / 48
Para cada uno de los coeficientes estimados, se define el error estandar

como la raz cuadrada de la varianza de cada estimador.
Esto es,
SE (1 |xi ) = qP
N
)2
i=1 (xi x
qP
N
2
i=1 xi
SE (0 |xi ) = q P
N N
)2
i=1 (xi x
Volvamos al excel.
Econometra
2016
29 / 48

PROPIEDADES ALGEBRAICAS DE LOS ESTIMADORES MCO
Estas propiedades se derivan de la manera de calcular los estimadores,

no de los supuestos del modelo de regresin
P
La suma de los residuos estimados es siempre cero: N
i = 0
i=1 u
La covarianza
muestral entre la variable regresora x y los residuos ues
PN
cero: i=1 xi ui = 0
La recta de regresin pasa por el punto (

x , y).
La media de los valores ajustados coincide con la media de los valores

observados
La covarianza
muestral entre los valores ajustados y los residuos es
PN
cero: i=1 yi ui = 0
P
P
P
Se satisface que: N
yi2 = N
yi2 + N
i2 o alternativamente
i=1
i=1
i=1 u
PN
P
P
)2 = N
yi y)2 + N
i2
i=1 (yi y
i=1 (
i=1 u
Econometra
2016
30 / 48
4. Bondad de Ajuste
El punto (6) ya visto nos permitir definir una medida de bondad de

ajuste, qu tan bien lo estamos haciendo al explicar la variable de
inters.
La vamos a llamar R 2 o coeficiente de determinacin.
PN
Definamos la suma total de cuadrados como: STC = i=1 (yi y)2 .
PN
Definamos la suma cuadratica explicada como: SCE = i=1 (
y y)2
PN 2 i
Definamos la suma cuadratica residual como: SCR = i=1 ui
Econometra
2016
31 / 48
4. Bondad de Ajuste
Recuerden que habiamos dicho que la siguiente igualdad siempre se
cumplia: .
N
N
N
X
X
X
(yi y)2 =
(
yi y)2 +
ui2
i=1
i=1
i=1
Tenemos entonces que STC = SCE + SCR

Si dividimos por STC, nos queda:
STC
SCE
SCR
=
+
STC
STC
STC
1=
SCR
SCE
+
STC
STC
Econometra
2016
32 / 48
4. Bondad de Ajuste
Definimos entonces el coeficiente de determinacin como:

SCE
SCR
R 2 = STC
= 1 STC
.
SCE
SCR
Si el R 2 = 0, es porque STC
= 0 o lo que es lo mismo, STC
=1
(SCR = SCT ). Esto es, la variable independiente no explica nada de la
variable dependiente.
SCE
SCR
Si el R 2 = 1, es porque STC
= 1 o lo que es lo mismo, STC
=0
(SCE = SCT ). Esto es, existe una relacin exacta entre la variable
dependiente y la independiente.
Voviendo al excel, veamos como calcular este estadstico.

R 2 = 0,014..., muy bajo! Esto es, las horas de trabajo explican muy
poco de la variacin en las horas de sueo.
Veamos todo en Stata pero con la base original.
Econometra
2016
33 / 48
4. Bondad de Ajuste
Con los datos originales.
Econometra
2016
34 / 48
5. Algunos temas de especificacin. Cambios de escala

En algunos contextos queremos cambiar la escala de las variables
dependientes e independientes, por que creemos que es mas facil
interpretar los coeficientes.
Ejemplo: en el modelo que tenemos en la transparencia anterior, el
sueo y el trabajo, estn en minutos, qu pasa si queremos
interpretarlos en horas...
No es necesario reestimar el modelo, los coeficientes pueden calcularse

de forma muy sencilla.
Consideremos el ejemplo del sueo; el modelo es
sue noi = 0 + 1 trabajoi + ui
Tanto sueo como trabajo estn medidos en minutos, qu pasa si
queremos medirlos en horas?
Econometra
2016
35 / 48
Dividamos el modelo por 60 (para pasar de minutos a horas).

Tanto sueo como trabajo estn medidos en minutos, qu pasa si
queremos medirlos en horas?
0
trabajoi
ui
sue noi
=
+ 1
+
60
60
60
60
sue no horasi = 0 + 1 trabajo horasi + ui
Econometra
2016
36 / 48
De la formula que nos queda, debiera ser evidente que

La ordenada al origen tiene que cambiar: recordemos que nos dice
cundo duerme alguien con cero trabajo. Si ahora el sueo est medido
en horas, nos debe decir cuntas horas duerme alguien con cero
trabajo. Entonces, la nueva ordenada al origen es la anterior, dividida
por 60. Esto es, 0 = 0 /60. Su error estndar tambin cambia de
igual manera.
La pendiente no cambia: me sigue diciendo en cuantas unidades
cambia el sueo por cada unidad de cambio de trabajo; es lo mismo.
Todas las variables estan divididas por 60, y tambien el error. Las
sumas totales quedan divididas por la misma constante (602 ), pero el
coerficiente de determinacin, permanece igual.
Econometra
2016
37 / 48
Para resumir
Cuando multiplico o divido las variables dependiente y explicativa por
la misma constante, cambia la ordenada al origien, su error estndar,
pero no cambia ni la pendiente ni el coeficiente de determinacin.
En la pizarra podemos ver esto en las mismas frmulas.
Econometra
2016
38 / 48

Ahora veamos el caso que solo cambiamos la variable explicativa;
veamoslo con otro ejemplo. Supogamos que tenemos un modelo en el
que los salarios son funcin de los meses de experiencia laboral
(cunto ha trabajado este individuo).
El modelo sera: salarioi = 0 + 1 experi + ui
Si multiplicamos y dividimos por 12 el trmino de experiencia:
salarioi = 0 + 12 1 experi /12 + ui
Nos queda: salarioi = 0 + 1 experi + ui
Debiera ser evidente que cambia la variable que dividimos
(experiencia), y cambia la pendiente.
La nueva pendiente ahora ser la antigua multiplicada por 12!. Su error
estndar tambin quedar multiplicado por 12. Todo el resto se
mantiene!
Econometra
2016
39 / 48
Veamoslo con datos...
Econometra
2016
40 / 48

Si ahora hacemos lo mismo pero con la variable dependiente
solamente. Ej. tenemos salario por hora, lo queremos por da.
Multiplicamos por 8 (tiempo completo) la variable dependiente.
salarioi 8 = 0 8 + 1 8 experi + 8 ui
Razonemos.
Antes la ordenanda al origen nos deca cuanto por hora ganaba alguien
sin experiencia, ahora nos dice cunto gana por da... Queda
multiplicada por 8
La pendiente nos deca cuanto ms por hora ganaba alguien con un
ao adicional de experiencia, ahora nos dice cunto ms por cada da.
Queda tambin multiplicada por 8.
Los errores estandares de ambas quedan multiplicados por 82 (por
qu?). Como la SCR queda multiplicada y la SCT tambin, el
coeficiente de determinacin queda igual.
Econometra
2016
41 / 48
Veamoslo con el mismo ejemploVeamoslo con el mismo ejemplo
Econometra
2016
42 / 48
5. Algunos temas de especificacin. Uso de logaritmos

Se pueden aplicar a las variables dependientes e independientes.
CASO 1. TODAS LAS VARIABLESL EN NIVELES (es lo que
hemos estado viendo)
Interpretacin de 1 : en cuantas unidades cambia la variable
dependiente ante un cambio de una unidad en la variable explicativa.
CASO 2. LA VARIABLE DEPENDIENTE EN LOGARITMOS
log (sue no)i = 0 + 1 trabajoi + ui
Interpretacin de 1 : si la variable explicativa aumenta en una unidad,
la variable dependiente aumenta en un 1 %.
Econometra
2016
43 / 48
5. Algunos temas de especificacin. Uso de logaritmos

CASO 3. La variable explicativa aparece en logaritmos
sue noi = 0 + 1 log (trabajoi ) + ui
Interpretacin de 1 : si la variable explicativa se incrementa en un 1 %,
la variable dependiente aumenta en un 1 /100 unidades.
CASO 4. Ambas variables en logaritmos
log (sue noi ) = 0 + 1 log (trabajoi ) + ui
Interpretacin de 1 : si la variable explicativa se incrementa en un 1 %,
la variable dependiente aumenta en 1 %. unidades.
Veamos un ejemplo con Stata.
Econometra
2016
44 / 48
Modelo en niveles (caso I)
Interpretacin: Por cada ao adicional de educacin, el salario horario

aumenta en 0.35 dlares.
Econometra
2016
45 / 48
Modelo log-nivel (caso 2)
Interpretacin: Por cada ao adicional de educacin, el salario horario

aumenta en un 6 %.
Econometra
2016
46 / 48
Modelo nivel-log (caso 3)
Interpretacin: Cuando la educacin aumenta en 1 %, el salario horario

aumenta en 0.034 dlares. O uno puede decir, si la educacin
aumentara en 10 % el salario horario aumentara en 0.34 dlares.
Econometra
2016
47 / 48
Modelo log-log (caso 4)
Interpretacin: Cuando la educacin aumenta en 1 %, el salario horario

aumenta en 0.66 %.
Econometra
2016
48 / 48

Capitulo 2 F

Transféré par

Informations du document

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Capitulo 2 F

Transféré par

Droits d'auteur :

Formats disponibles

Econometra

Marcela Perticara (Ingeniera Comercial)

Estructura del captulo

Introduccin: Definicin del modelo de regresin simple

Estimador de Mnimos Cuadros Ordinarios (MCO): derivacin,

Propiedades estadsticas de los estimadores MCO

Valores ajustados y residuos. Bondad de ajuste

Formas funcionales y cambios de escala.

Marcela Perticara (Ingeniera Comercial)

1. Definicin del modelo de regresin simple

0 : es el intercepto o constante. Se interpreta como el valor medio de

1. Definicin del modelo de regresin simple

1. Definicin del modelo de regresin simple

Cul es nuestro problema: dado que no estamos incluyendo otras

Marcela Perticara (Ingeniera Comercial)

2. Estimador MCO: funcionamiento e interpretacin

El objetivo es estimar los valores de los coeficientes, y en especial el de

Marcela Perticara (Ingeniera Comercial)

2. Estimador MCO: funcionamiento e interpretacin

Marcela Perticara (Ingeniera Comercial)

2. Estimador MCO: funcionamiento e interpretacin

Marcela Perticara (Ingeniera Comercial)

2. Estimador MCO: funcionamiento e interpretacin

Marcela Perticara (Ingeniera Comercial)

2. Estimador MCO: funcionamiento e interpretacin

El valor b0 es el valor estimado para 0 . Escribiremos, 0 = b0 .

Marcela Perticara (Ingeniera Comercial)

2. Estimador MCO: funcionamiento e interpretacin

Marcela Perticara (Ingeniera Comercial)

2. Estimador MCO: funcionamiento e interpretacin

b0 b1 xi )2 , las soluciones sern

Tanto a 1 como a 0 los denominados los estimadores MCO de los

Marcela Perticara (Ingeniera Comercial)

2. Estimador MCO: funcionamiento e interpretacin

Supongamos que en vez de la muestra de 702 individuos, tenemos una

Marcela Perticara (Ingeniera Comercial)

2. Estimador MCO: funcionamiento e interpretacin

Graficamente, estos puntos se ven

Marcela Perticara (Ingeniera Comercial)

2. Estimador MCO: funcionamiento e interpretacin

Marcela Perticara (Ingeniera Comercial)

2. Estimador MCO: funcionamiento e interpretacin

Marcela Perticara (Ingeniera Comercial)

2. Estimador MCO: funcionamiento e interpretacin

En Stata, cmo calculamos esto? Hagamoslo con las 14 observaciones

Marcela Perticara (Ingeniera Comercial)

2. Estimador MCO: funcionamiento e interpretacin

Con los datos originales.

Marcela Perticara (Ingeniera Comercial)

3. Propiedades de los estimadores MCO

Marcela Perticara (Ingeniera Comercial)

3. Propiedades de los estimadores MCO

Ejemplos de modelos no lineales

Marcela Perticara (Ingeniera Comercial)

3. Propiedades de los estimadores MCO

MLS2. La muestra tomada de las variables (xi , yi ), i = 1, ..., N, debe ser

Marcela Perticara (Ingeniera Comercial)

3. Propiedades de los estimadores MCO

3. Propiedades de los estimadores MCO

Cuando mayor es la varianza del trmino de error 2 , mayor ser la

Marcela Perticara (Ingeniera Comercial)

3. Propiedades de los estimadores MCO

Las varianzas de 0 y 1 depende de los valores muestrales de xi y de

Marcela Perticara (Ingeniera Comercial)