Regresion Ucv Econometria I

ANALISIS DE
REGRESION LINEAL
Prof. Econ. Rodolfo Medina
UCV-FACES-ECONOMIA-ECONOMETRA I
0.1
Anlisis de Regresin Lineal

UCV-Economa

Econometra I
ANALISIS DE
REGRESION LINEAL
0.2
Anlisis de
Regresin
Lineal Simple
ANALISIS DE
REGRESION LINEAL
0.3
Regresin Lineal Simple

La correlacin nos permite medir la magnitud de una
asociacin lineal entre dos variables. Sin embargo, las
variables son tratadas de forma simtrica. (ES
INDIFERENTE HABLAR DE CORRELACIN ENTRE X E
Y, O ENTRE Y E X)

Ahora estamos interesados en darle direccionalidad a
esta relacin. Nos interesa la dependencia de una
variable y otra. Queremos conocer como una variable X
incide en una variable Y.
ANALISIS DE
REGRESION LINEAL
0.4

En algunas circunstancias las
decisiones gerenciales se fundamentan
en la relacin entre dos o ms
variables...

Ejemplo: revisar la relacin entre
gastos de publicidad y las ventas, en
este sentido un gerente de marketing
podra tratar de predecir las ventas para
un determinado nivel de publicidad...

ANALISIS DE
REGRESION LINEAL
0.5

Algunos trminos utilizados en el
anlisis de regresin:

Variable dependiente: es la variable cuyo
comportamiento se va a predecir.
Variable independiente(s): es la variable
o variables que se utilizarn para
predecir el valor de la variable
dependiente.
ANALISIS DE
REGRESION LINEAL
0.6

Si seguimos con el ejemplo, el
gerente de mercadeo desea
predecir el comportamiento de las
ventas (variable dependiente),
siendo los gastos en publicidad la
variable independiente que utilizar
para predecir las ventas.

ANALISIS DE
REGRESION LINEAL
0.7

La variable dependiente se
suele representar con la letra
Y, mientras que las
independientes con la letra X.

ANALISIS DE
REGRESION LINEAL
0.8

Nuestro punto de arranque ser el tipo
ms sencillo de anlisis de regresin,
donde slo interviene una variable
independiente, a esto se le llama
regresin lineal simple. En aquel donde
interviene dos o ms variables
independientes se le llama anlisis de
regresin mltiple.
ANALISIS DE
REGRESION LINEAL
0.9

Regresin lineal simple
Tiene como objeto estudiar cmo los cambios en
una variable X afectan a una variable aleatoria Y, en
el caso de existir una relacin funcional entre
ambas variables que puede ser establecida por una
expresin lineal, es decir, su representacin
grfica es una lnea recta.

Cuando la relacin lineal concierne al valor medio
o esperado de la variable aleatoria, estamos ante
un modelo de regresin lineal simple.
ANALISIS DE
REGRESION LINEAL
0.10

El punto de partida de este proceso es
establecer o plantear un modelo para
esa relacin.

Tenemos que establecer una forma funcional
que desconocemos. Para muchos problemas
es razonable asumir un modelo lineal. Sin
embargo, debemos estar preparados para
abandonar este supuesto, si los datos lo
contradicen.
ANALISIS DE
REGRESION LINEAL
0.11

Para iniciar la explicacin del
anlisis de Regresin Lineal
Simple utilizaremos un
ejemplo
ANALISIS DE
REGRESION LINEAL
0.12

Los analistas financieros consideran que el rendimiento
de las obligaciones gubernamentales a largo plazo se
constituye en un elemento marcador de la tasa de
rendimiento de las obligaciones corporativas a largo
plazo. En este sentido los analistas pretende evaluar qu
tanta influencia tiene esta variable en los rendimientos
de las obligaciones corporativas de largo plazo, para ello
utilizan una muestra histrica que abarca los aos 1969
a 1991, a travs de la cual pretenden determinar como se
relaciona la variable dependiente (rendimiento de las
obligaciones corporativas de largo plazo) y la variable
independiente (obligaciones gubernamentales de largo
plazo).

El anlisis de regresin les permite plantear una
ecuacin que muestra esa relacin.
ANALISIS DE
REGRESION LINEAL
0.13

Los datos
Perodo
Obligaciones
Corporativas a
largo plazo
Obligaciones
gubernamentales
a largo plazo
1969 -8.09 -5.07
1970 18.37 12.11
1971 11.01 13.23
1972 7.26 5.69
1973 1.14 -1.11
1974 -3.04 4.35
1975 14.64 9.20
1976 18.65 16.75
1977 1.71 -0.69
1978 -0.07 -1.18
1979 -4.18 -1.23
1980 -2.62 -3.95
1981 -0.96 1.86
1982 43.79 40.36
1983 4.70 0.65
1984 16.39 15.48
1985 30.90 30.97
1986 19.85 24.53
1987 -0.27 -2.71
1988 10.70 9.67
1989 16.23 18.11
1990 6.78 6.18
1991 19.89 19.30
Fuente: De Stocks, Bonds, Bills and Inflation, 1992 Yearbook.
ANALISIS DE
REGRESION LINEAL
0.14

Los datos
Veamos el Diagrama de Dispersin
Diagrama de Dispersin
-20.00
-10.00
0.00
10.00
20.00
30.00
40.00
50.00
-10.00 0.00 10.00 20.00 30.00 40.00 50.00
Rendimiento OGLP
R
e
n
d
i
m
i
e
n
t
o

O
C
L
P
ANALISIS DE
REGRESION LINEAL
0.15

Qu nos dice el
diagrama de
dispersin o la nube
de puntos?

ANALISIS DE
REGRESION LINEAL
0.16

Nos sugiere que el ajuste
es adecuado.

Se evidencia una relacin
positiva entre ambas
variables, adems de que
el ajuste lineal luce como
pertinente.
ANALISIS DE
REGRESION LINEAL
0.17

Diferentes nubes de puntos y modelos de regresin para ellas.
ANALISIS DE
REGRESION LINEAL
0.18

El modelo de regresin y la ecuacin
de regresin
La ecuacin que describe cmo se
relaciona y con x con un trmino de
error se denomina MODELO DE
REGRESIN:
Y = |
O
+ |
1
x + c

Y es una funcin lineal de X (|
O
+ |
1
X)
ms un trmino de error. |
O
y |
1
son
los parmetros del modelo y c es una
variable aleatoria.
ANALISIS DE
REGRESION LINEAL
0.19

Qu nos explica
el trmino de
error?
ANALISIS DE
REGRESION LINEAL
0.20

Explica la variabilidad en
Y que no se puede
explicar a travs de la
relacin lineal entre X e Y.
ANALISIS DE
REGRESION LINEAL
0.21

La ecuacin de regresin lineal
simple:
E(Y) = |
O
+ |
1
X

Esto ser producto de uno de los
supuestos del modelo que nos
seala que el trmino de error c es
una variable aleatoria con media o
valor esperado cero.
ANALISIS DE
REGRESION LINEAL
0.22

En definitiva...
Estamos interesados en conocer el valor que
toma Y cuando la variable aleatoria X toma
un valor especfico.

La relacin entre las variables no ser
exacta.
Estaramos interesados en la media o valor
esperado.
E(Y/ X=x) = |o + |1X

Donde |o y |
1
determinan una lnea concreta.
Cmo podemos interpretar |o y |
1
?
ANALISIS DE
REGRESION LINEAL
0.23

|o es la ordenada en el origen de la
recta (es valor esperado de la variable
dependiente Y, cuando la variable
independiente toma el valor 0)
y |
1
es la pendiente y nos seala el
cambio (incremento/disminucin)
esperado de Y para un incremento
unitario de X.

E(Y) es el valor esperado o media de y
para determinado valor de X
(E(Y/X=Xo)).
ANALISIS DE
REGRESION LINEAL
0.24

La ecuacin estimada de
regresin

Cmo los parmetros |
O
y |
1
son
desconocidos es necesario estimar
los valores de esos parmetros a
travs de datos muestrales.
Los estadsticos b
O
y b
1
que
calcularemos sern los estimadores
de |
O
y |
1
.
ANALISIS DE
REGRESION LINEAL
0.25

Con esta informacin podemos
indicar que la ecuacin estimada de
regresin es la siguiente:
Y = b
O
+ b
1
x
Donde:
b
O
es la ordenada en el origen
b
1
es la pendiente
Y es el valor estimado de Y para un
valor determinado de X

^
^
ANALISIS DE
REGRESION LINEAL
0.26

Modelo de Regresin
Y = |
O
+ |
1
x + c
Ecuacin de Regresin
E(Y) = |
O
+ |
1
x
Parmetros desconocidos
|
O
y |
1

b
O
y b
1
Arrojan valores estimados
de los
Parmetros desconocidos
|
O
y |
1

Datos de la Muestra

X Y
X1 Y1
. .
. .
. .
Xn Yn

Modelo de Regresin

Y = b
O
+ b
1
x

Estadsticos de la muestra
b
O
y b
1

^
Resumiendo el procedimiento descrito con
anterioridad:

ANALISIS DE
REGRESION LINEAL
0.27

Cul es el mtodo
utilizado para llevar a
cabo la estimacin de la
recta?

ANALISIS DE
REGRESION LINEAL
0.28

Seramos capaces de determinar
como es exactamente la recta de
regresin poblacional?

Necesitamos obtener una estimacin
a partir de los datos disponibles.

Nos preguntaremos cul es la recta
que mejor se ajusta a esos datos?
Queremos estimar |o y |1
ANALISIS DE
REGRESION LINEAL
0.29

Podramos inspeccionar
directamente la nube de puntos.

Sin embargo, parece claro que
necesitamos un procedimiento
formal.
ANALISIS DE
REGRESION LINEAL
0.30

Este es:

El MTODO DE LOS
MNIMOS CUADRADOS
ORDINARIOS
ANALISIS DE
REGRESION LINEAL
0.31

Siguiendo con el ejemplo:
Tratamos de estimar a partir de los datos muestrales, la
recta poblacional.

X
1
= rendimiento de las obligaciones gubernamentales a
largo plazo.

bo= ordenada en el origen de la lnea estimada de
regresin.

b1= pendiente de la lnea estimada de regresin

yi = valor estimado de los rendimientos de las obligaciones
corporativas a largo plazo.
Y = b
O
+ b
1
x
^
ANALISIS DE
REGRESION LINEAL
0.32

Qu criterio sigue el Mtodo de los
Mnimos Cuadrados Ordinarios?

Utilizando los datos de la muestra
determina los valores bo y b1, tal que se
minimicen la SUMA DE LOS CUADRADOS
DE LAS DESVIACIONES entre los valores
observados de la variable dependiente yi,
y los valores estimados de la variable
dependiente yi.
^
ANALISIS DE
REGRESION LINEAL
0.33

Este criterio se puede expresar de la
siguiente manera:

MIN E (Yi Yi)
2

Donde:
Yi = valor observado de la variable
dependiente para la i-sima observacin
Yi = valor estimado de la variable
dependiente para la i-sima observacin.

^
^
ANALISIS DE
REGRESION LINEAL
0.34

Grficamente
Xi, Yi
Y = a +bx
Error i=Yi-(a+bXi)
ANALISIS DE
REGRESION LINEAL
0.35

Utilizando el clculo diferencial se pueden
derivar los valores de bo y b1 que minimizan la
expresin sealada en lminas precedentes:

|
1

|
0

1
^ ^
ANALISIS DE
REGRESION LINEAL
0.36

Haciendo los clculos para el ejemplo:
Perodo
Obligaciones
Corporativas a
largo plazo
Obligaciones
gubernamentales
a largo plazo (X-Ux)^2 (x-Ux) (y-Uy)
1969 -8.09 -5.07 204.75 254.36
1970 18.37 12.11 8.24 24.93
1971 11.01 13.23 15.93 5.28
1972 7.26 5.69 12.60 8.61
1973 1.14 -1.11 107.10 88.44
1974 -3.04 4.35 23.90 62.22
1975 14.64 9.20 0.00 -0.19
1976 18.65 16.75 56.41 67.33
1977 1.71 -0.69 98.59 79.20
1978 -0.07 -1.18 108.56 101.65
1979 -4.18 -1.23 109.60 145.17
1980 -2.62 -3.95 173.95 162.31
1981 -0.96 1.86 54.45 78.56
1982 43.79 40.36 968.51 1061.34
1983 4.70 0.65 73.77 42.83
1984 16.39 15.48 38.95 41.84
1985 30.90 30.97 472.23 461.00
1986 19.85 24.53 233.81 155.42
1987 -0.27 -2.71 142.78 118.97
1988 10.70 9.67 0.19 0.44
1989 16.23 18.11 78.69 58.05
1990 6.78 6.18 9.36 8.89
1991 19.89 19.30 101.22 102.66
Fuente: De Stocks, Bonds, Bills and Inflation, 1992 Yearbook. 3093.60 3129.28 Sumas
Promedio de y 9.69
Promedio de X 9.24
bo 0.3404
b1 3129.28 3093.60 1.011533198
Numerador Denominador
ANALISIS DE
REGRESION LINEAL
0.37

Usando el Excel
SUMMARY OUTPUT
Regression Statistics
Multiple R 0.965373184
R Square 0.931945385
Adjusted R Square 0.928704689
Standard Error 3.317694211
Observations 23
ANOVA
df SS MS F Significance F
Regression 1 3165.372955 3165.373 287.5757 9.87649E-14
Residual 21 231.1489924 11.007095
Total 22 3396.521948
Coefficients Standard Error t Stat P-value Lower 95% Upper 95% Lower 95.0% Upper 95.0%
Intercept 0.340399798 0.88447 0.384863 0.704209 -1.498956579 2.179756 -1.49895658 2.179756174
X Variable 1 1.011533198 0.059649122 16.958057 9.88E-14 0.887486038 1.13558 0.887486038 1.135580359
ANALISIS DE
REGRESION LINEAL
0.38

Grficamente, veamos el ajuste
-20
-10
0
10
20
30
40
50
-10 0 10 20 30 40 50
rendimiento OGLP
r
e
n
d
i
m
i
e
n
t
o

O
C
L
P
Predi cci n
Real
ANALISIS DE
REGRESION LINEAL
0.39

La ecuacin estimada para el ejemplo Y:

Y = 0,340399798 + 1.011533198X
Esta ecuacin estimada la podemos utilizar para
predecir el rendimiento de las obligaciones
corporativas a largo plazo, si el rendimiento de
las obligaciones gubernamentales a largo plazo
fuera el 3%.

En este caso sera:

Y = 0,340399798 + 1,011533198 (3)= 3,374999%
^
^
ANALISIS DE
REGRESION LINEAL
0.40

Cmo evaluamos la
calidad de estimacin
de esta recta?
ANALISIS DE
REGRESION LINEAL
0.41

Para responder esta pregunta, lo primero
que tenemos que saber es que la
desviacin entre el valor observado de la
variable dependiente, yi, y el valor
estimado de la variable dependiente, yi,
se llama i-simo RESIDUAL.
Estos valores representan el error que se
comete por utilizar yi estimado para
estimar yi. Estamos hablando de yi-yi.
^
^
^
ANALISIS DE
REGRESION LINEAL
0.42

La suma de los cuadrados de esos
errores es la cantidad que minimiza el
mtodo de los mnimos cuadrados
ordinarios. Esta cantidad tambin se le
llama SSE= (siglas en ingls de la suma
del cuadrado de los errores):
SSE= E (yi-yi)
2

^
ANALISIS DE
REGRESION LINEAL
0.43

En el ejemplo que utilizamos:
Para el ao 1969, el rendimiento de las
obligaciones gubernamentales a LP es
de 5,07 (X), mientras que el rendimiento
de las obligaciones de las corporaciones
a LP es de 8,09 (Y). El valor estimado
para ese ao es 4,7880, siendo el
residual -3,30192, y su cuadrado
10,90271.
^
ANALISIS DE
REGRESION LINEAL
0.44

R Square 0.931945385
Observations 23
ANOVA
Regression 1 3165.372955 3165.372955 287.5757 9.87649E-14
Residual 21 231.1489924 11.00709487
Total 22 3396.521948
SSE
El producto que arroja el Excel nos proporciona:
ANALISIS DE
REGRESION LINEAL
0.45

El producto que arroja el Excel nos proporciona:
RESIDUAL OUTPUT
Observation Predicted Y Residuals
1 -4.788073518 -3.301926482
2 12.59006683 5.77993317
3 13.72298401 -2.712984012
4 6.096023696 1.163976304
5 -0.782402052 1.922402052
6 4.740569211 -7.780569211
7 9.646505223 4.993494777
8 17.28358087 1.36641913
9 -0.357558109 2.067558109
10 -0.853209376 0.783209376
11 -0.903786036 -3.276213964
12 -3.655156336 1.035156336
13 2.221851547 -3.181851547
14 41.16587968 2.624120317
15 0.997896377 3.702103623
16 15.99893371 0.391066292
17 31.66758295 -0.767582951
18 25.15330915 -5.303309153
19 -2.40085517 2.13085517
20 10.12192583 0.578074174
21 18.65926602 -2.42926602
22 6.591674964 0.188325036
23 19.86299053 0.027009474
ANALISIS DE
REGRESION LINEAL
0.46

Otros clculos que tenemos que llevar a cabo,
involucran otras sumas de cuadrados.
El primero de ellos, tiene que ver con la diferencia entre
el valor observado de Y y su valor promedio.
Esta suma de cuadrados se denomina como SST (cifras
en ingls de suma total de cuadrados)
SST = E (yi-yi)
2

Tambin tenemos que realizar un clculo similar
utilizando el valor estimado de Yi. En este caso, este se
denominar SSR (cifras en ingls de la suma de los
cuadrados de la regresin):
SSR = E (yi-yi)
2

^
ANALISIS DE
REGRESION LINEAL
0.47

Grficamente:
-20
-10
0
10
20
30
40
50
-10 0 10 20 30 40 50
rendimiento OGLP
r
e
n
d
i
m
i
e
n
t
o

O
C
L
P
P redi c c i n
Real
P rom edi o Y
Residual
Yi-y
Yi-y
^
ANALISIS DE
REGRESION LINEAL
0.48

Con toda la informacin anterior
podemos establecer una relacin entre
las tres sumas de cuadrados:

SST = SSR + SSE
SST= suma total de cuadrados.
SSR= suma de cuadrados debida a la
regresin.
SSE= suma de cuadrados debida al error.
ANALISIS DE
REGRESION LINEAL
0.49

A partir de esta relacin podemos
calcular un indicador de la bondad de
ajuste para la ecuacin de la regresin:
COEFICIENTE DE DETERMINACIN.

R
2
= SSR
SST
ANALISIS DE
REGRESION LINEAL
0.50

Tambin lo puedo expresar de la
siguiente forma:

R
2
= 1- (SSE/SST)

Este es la proporcin de variabilidad de
la variable dependiente explicada por
su relacin lineal con la variable
independiente.

ANALISIS DE
REGRESION LINEAL
0.51

El COEFICIENTE DE
DETERMINACIN se ubica entre
cero y uno.
Un coeficiente de determinacin
cercano a cero seala ajustes
menos adecuados, mientras que
cercanos a uno muestra un ajuste
de calidad.

ANALISIS DE
REGRESION LINEAL
0.52

El COEFICIENTE DE
DETERMINACIN para el ejemplo:

SUMMARY OUTPUT
R Square 0.931945385
Observations 23
Coeficiente
de
correlacin
ANALISIS DE
REGRESION LINEAL
0.53

El COEFICIENTE DE
DETERMINACIN para el ejemplo:

ANOVA
Regression 1 3165.372955 3165.372955 287.5757 9.87649E-14
Residual 21 231.1489924 11.00709487
Total 22 3396.521948
ANALISIS DE
REGRESION LINEAL
0.54

Cmo interpretamos al
Coeficiente de Determinacin?

El 93,1945 % de la variacin en los
rendimientos de las obligaciones
corporativas de LP se puede explicar
por el rendimiento de las obligaciones
gubernamentales de LP.

ANALISIS DE
REGRESION LINEAL
0.55

Relacin entre el coeficiente de
correlacin y el coeficiente de
determinacin:

r
x,y
= (signo de b1) * \ R
2

ANALISIS DE
REGRESION LINEAL
0.56

Pruebas de Significancia
Estimado de o
2

A partir de los supuestos del modelo,
podemos concluir que la varianza del trmino
de error, c, tambin representa la varianza de
los valores de y respecto a la lnea de
regresin. Esta diferencia, la habamos
definido antes como RESIDUALES.
Por ende SSE, es una medida de la
variabilidad de las observaciones reales
respecto a la lnea de regresin.
ANALISIS DE
REGRESION LINEAL
0.57

Pruebas de Significancia
Estimado de o
2

El estimado de o
2
(S
2
) est
relacionado con esa suma de
cuadrados de la siguiente manera:
S
2
= SSE/n-2

ANALISIS DE
REGRESION LINEAL
0.58

En la hoja de calculo la
identificamos:
SUMMARY OUTPUT
R Square 0.931945385
Observations 23
ANALISIS DE
REGRESION LINEAL
0.59

Prueba t
Si X e Y tienen relacin lineal, debe suceder
que |
1
= 0. Necesitamos entonces una prueba
que nos permita verificar si esta afirmacin es
vlida.
Ho: |
1
= 0
H1: |
1
= 0
Si se rechaza Ho, podramos sealar que
existe una relacin estadsticamente
significativa entre las dos variables.

ANALISIS DE
REGRESION LINEAL
0.60

Las propiedades de b1, es decir, el estimador de |
1
por el
mtodo de los mnimos cuadrados ordinarios, son la base
de esta prueba de hiptesis.
Debe quedar claro que bo y b1, son estadstico de la
muestra que tienen sus propias distribuciones muestrales.
Distribucin muestral de b1.
Valor esperado E(b1) = |
1

Desviacin estndar :
Sb1

= S

E Xi
2
( E Xi)
2
/n
Forma de la distribucin: Normal
\
Como no
conocemos
o
ANALISIS DE
REGRESION LINEAL
0.61

Intervalos de confianza para la pendiente
de la recta de regresin

Un intervalo de confianza de 100(1-o)% para la pendiente | de la
recta de regresin poblacional es el siguiente:

b (t
n-2, o/2
) Sb1 < |1 < b + (t
n-2, o/2
) Sb1

Por su parte, el contraste bilateral correspondiente ser:
Ho: |
1
= |o
H1: |
1
= |o
Regla de Decisin:
Rechazar Ho si [(b1-|o) /Sb] > t
n-2, o

Rechazar Ho si [(b1-|o) /Sb] < - t
n-2, o

ANALISIS DE
REGRESION LINEAL
0.62

Realice el contraste
para el ejemplo que
venimos trabajando
Use un =0,05
ANALISIS DE
REGRESION LINEAL
0.63

Ejemplo:
Coefficients Standard Error t Stat
Intercept 0.340399798 0.88447 0.384863023
X Variable 1 1.011533198 0.059649122 16.95805693
Observe estos valores

Qu concluye
ANALISIS DE
REGRESION LINEAL
0.64

Obtenga los
intervalos de
confianza (95%)
ANALISIS DE
REGRESION LINEAL
0.65

Ejemplo:
Observe estos valores

Qu concluye
Coefficients Standard Error t Stat P-value Lower 95% Upper 95%
Intercept 0.340399798 0.88447 0.384863023 0.704209 -1.498956579 2.179756
X Variable 1 1.0115 0.059649122 16.95805693 9.88E-14 0.887486038 1.13558
ANALISIS DE
REGRESION LINEAL
0.66

Los contrastes unilaterales sern los siguientes:
Ho: |1 = 0 o Ho: |1 s 0
H1: |1 > 0
Regla de Decisin:
Rechazar Ho si [(b-|1) /Sb1] > t
n-2, o

Ho |1= 0 o Ho: |1> 0
H1: |1 < 0
Regla de Decisin:
Rechazar Ho si [(b-|o) /Sb1] < -t
n-2, o
ANALISIS DE
REGRESION LINEAL
0.67
Qu es la prueba F?

Es una prueba que tambin nos permite
probar si la regresin es significativa.
Para ello utiliza la Distribucin F de
probabilidades.
Esta prueba ser de mayor utilidad en el
caso de la regresin mltiple, ya que en
el caso de la regresin lineal simple slo
existe una variable independiente.
ANALISIS DE
REGRESION LINEAL
0.68
La lgica que est detrs de esta prueba es la
determinacin de dos estimados independientes
de o
2
.
Una de las formas de estimar o
2
involucraba a
la SSE dividida entre n-2 grados de libertad.

Otra forma sera involucrar a la SSR con sus
respectivos grados de libertad, que en este caso
vienen representados por el nmero de variables
independientes (En este caso 1, excluyendo al
trmino independiente)
ANALISIS DE
REGRESION LINEAL
0.69

Slo para recordar
Estimado de o
2

El estimado de o
2
(S
2
) est
relacionado con esa suma de
cuadrados de la siguiente manera:
S
2
= SSE/n-2

ANALISIS DE
REGRESION LINEAL
0.70

A continuacin presentamos el
Contraste:
Ho: |1 = 0
H1: |1 = 0
Estadstico experimental:
SSR
Nmero de Variables independientes
SSE
n-2
F =
Numerador
Denominador
ANALISIS DE
REGRESION LINEAL
0.71

Regla de rechazo:
Rechazar Ho, si F > Fo
Donde Fo, se basa en una
distribucin F con 1 grado de
libertad en el numerador (EN ESTE
CASO) y n-2 grados de libertad en
el denominador.
ANALISIS DE
REGRESION LINEAL
0.72

Apliquemos, la prueba al
ejemplo que venimos
trabajando.
As aprendemos a usar la tabla
correspondiente...

ANALISIS DE
REGRESION LINEAL
0.73

En la hoja de calculo la
identificamos:
ANOVA
Regression 1 3165.372955 3165.372955 287.5757 9.87649E-14
Residual 21 231.1489924 11.00709487
Total 22 3396.521948
Qu es esto?
y esto?
y esto?
ANALISIS DE
REGRESION LINEAL
0.74

Estimaciones

Una vez que se ha obtenido una
relacin estadsticamente significativa
entre X e Y, y el ajuste que proporciona
la regresin parece bueno...podramos
usar la ecuacin estimada para hacer
predicciones.

ANALISIS DE
REGRESION LINEAL
0.75

Estimacin Puntual
A partir de la recta de regresin estimada
en este caso la siguiente:

Y = 0,340399798 + 1.011533198X

Podemos determinar el valor puntual de y
estimado para un determinado valor de X, es
decir, podemos predecir el rendimiento de las
obligaciones corporativas a LP, para un
rendimiento de las obligaciones
gubernamentales a LP.

^
ANALISIS DE
REGRESION LINEAL
0.76
Anlisis de
Regresin
Mltiple.
ANALISIS DE
REGRESION LINEAL
0.77
El Modelo de Regresin
Mltiple

Hasta ahora habamos estudiado el
comportamiento de una nica
variable independiente para explicar
el comportamiento de una variable
dependiente.
Regresin Mltiple
ANALISIS DE
REGRESION LINEAL
0.78
Mltiple

A partir de ahora el objetivo sigue siendo
el mismo, construir un modelo que
explique lo mejor posible la variabilidad
de una variable dependiente. Sin
embargo, ahora admitimos la posibilidad
de que hayan diversas variables
independientes (mltiples influencias).

Regresin Mltiple
ANALISIS DE
REGRESION LINEAL
0.79
Mltiple

y = |
o
+ |
1
X
1
+ |
2
X
2
+ |
3
X
3
+...+|
n
X
n
+c

|
o
,|
1
,|
2
,|
3
,....,|
n
son los parmetros y c es una variable
aleatoria.

El modelo tal y como est planteado seala que y es
una funcin lineal de X
1
,X
2
, ...X
n
.

El trmino c explica la variabilidad en Y que no puede
explicar el efecto lineal de las n variables
independientes.
Regresin Mltiple
ANALISIS DE
REGRESION LINEAL
0.80

La ecuacin de regresin mltiple

E(y) = |
o
+ |
1
X1+ |
2
X
2
+ |
3
X
3
+...+|
n
X
n

La ecuacin estimada de regresin mltiple

Y = b
o
+ b
1
X1+ b
2
X
2
+ b
3
X
3
+...+b
n
X
n

Donde: b
0,
b
1, ...
b
n
son los parmetros
estimados de los betas, e Y es el valor
estimado de la variable dependiente.
Regresin Mltiple
^
^
ANALISIS DE
REGRESION LINEAL
0.81

Para estimar esta ecuacin utilizaremos el
mtodo de los mnimos cuadrados.

Este mtodo como vimos en regresin
simple, hace que la suma de los residuos
elevados al cuadrado, es decir, las
desviaciones entre los valores
observados de la variable dependiente y
los valores estimados sea mnima.

Regresin Mltiple
ANALISIS DE
REGRESION LINEAL
0.82
La deduccin de las frmulas de
los distintos parmetros
estimados requiere lgebra
matricial, lo cual sale de los
propsitos del curso.
Regresin Mltiple
ANALISIS DE
REGRESION LINEAL
0.83

Para explicar el anlisis de regresin
mltiple utilizaremos el siguiente ejemplo:

Los datos que se presentan a continuacin estn
referidos a entidades de ahorro y crdito en los
Estados Unidos en los ltimos 25 aos.
Un grupo de analistas financieros de este sector
est interesado en establecer una posible relacin
entre el margen de beneficio porcentual obtenido
por estas instituciones y el nmero de oficinas y los
ingresos netos por dlar depositado.
Regresin Mltiple
ANALISIS DE
REGRESION LINEAL
0.84
Los datos:
Regresin Mltiple
Ao
Margen de
beneficio
porcentual de las
entidades de
ahorro y prstamo
Ingresos Netos por
dlar depsitado
Nmero de
oficinas
1 0.75 3.92 7298
2 0.71 3.61 6855
3 0.66 3.32 6636
4 0.61 3.07 6506
5 0.7 3.06 6450
6 0.72 3.11 6402
7 0.77 3.21 6368
8 0.74 3.26 6340
9 0.9 3.42 6349
10 0.82 3.42 6352
11 0.75 3.45 6361
12 0.77 3.58 6369
13 0.78 3.66 6546
14 0.84 3.78 6672
15 0.79 3.82 6890
16 0.7 3.97 7115
17 0.68 4.07 7327
18 0.72 4.25 7546
19 0.55 4.41 7931
20 0.63 4.49 8097
21 0.56 4.7 8468
22 0.41 4.58 8717
23 0.51 4.69 8991
24 0.47 4.71 9179
25 0.32 4.78 9318
ANALISIS DE
REGRESION LINEAL
0.85

Lo primero que
haremos ser obtener la
regresin estimada...

Regresin Mltiple
ANALISIS DE
REGRESION LINEAL
0.86

Cmo lo hacemos?

Vaya al comando anlisis, luego
presione regresin y aparecer
una ventanatrabajemos con
ella

Regresin Mltiple
ANALISIS DE
REGRESION LINEAL
0.87

Detengmonos por un momento a
analizar la cuarta tabla obtenida en el
reporte...La tabla relacionada con los
coeficientes
Regresin Mltiple
Coefficients
a
1.564 .079 19.705 .000 1.400 1.729
.237 .056 .987 4.269 .000 .122 .352
-2.49E-04 .000 -1.797 -7.772 .000 .000 .000
(Constant)
INGRESOS
OFICINAS
Model
1
B Std. Error
Unstandardi zed
Coeffi ci ents
Beta
Standardi
zed
Coeffi ci en
ts
t Si g. Lower Bound Upper Bound
95% Confi dence Interval for B
Dependent Vari abl e: MARGEN
a.
ANALISIS DE
REGRESION LINEAL
0.88

Tenemos que preguntarnos como se
interpreta estos coeficientes:

Estos coeficientes estimados de las betas
se interpretan con el impacto (positivo o
negativo) que se espera en la variable
dependiente, al incrementar la variable Xi
respectiva en una unidad, MIENTRAS EL
RESTO DE LAS VARIABLES
PERMANECEN CONSTANTES.
Regresin Mltiple
ANALISIS DE
REGRESION LINEAL
0.89

En el ejercicio que estamos
trabajando:

El coeficiente correspondiente a X1, es
decir, b1, seala que al incrementar en
una unidad los ingresos netos (en 1$) se
producira un aumento de 0.237 en el
margen porcentual de beneficio de las
entidades de ahorro y crdito, siempre
que el nmero de oficinas permanezca
constante.

Regresin Mltiple
ANALISIS DE
REGRESION LINEAL
0.90

trabajando:

El coeficiente correspondiente a X2, es
decir, b2, indica que manteniendo los
ingresos netos fijos, un incremento de
una oficina de ahorro y crdito,
producira una reduccin esperada en el
margen porcentual de beneficio de
0,000249.
Regresin Mltiple
ANALISIS DE
REGRESION LINEAL
0.91

Estos coeficientes reciben el
nombre de COEFICIENTES DE
REGRESIN PARCIAL.
Las razones por lo cual reciben este
nombre tiene que ver con que los
mismos proporcionan medidas
separadas de influencias de las
variables independientes en la
variable dependiente.
Regresin Mltiple
ANALISIS DE
REGRESION LINEAL
0.92
La capacidad explicativa de una
ecuacin de regresin mltiple.

Recordemos lo que habamos visto
para la regresin lineal simple:
SST = SSR + SSE

Variabilidad Total de la muestra =
Variabilidad explicada + Variabilidad
No explicada
Regresin Mltiple
ANALISIS DE
REGRESION LINEAL
0.93
La capacidad explicativa de una
ecuacin de regresin mltiple.

Aplicando el mismo concepto
tenemos que el Coeficiente de
Determinacin Mltiple:

R
2
= SSR/SST = 1- (SSE/SST)
0s

R
2
s

1
Regresin Mltiple
ANALISIS DE
REGRESION LINEAL
0.94
Regresin Mltiple
Model Summary
b
.930
a
.865 .853 5.330E-02
Model
1
R R Square
Adj usted
R Square
Std. Error of
the Esti mate
Predi ctors: (Constant), OFICINAS, INGRESOS
a.
b.
Verifiquemos este valor en los resultados
obtenidos, busquen la tabla No.2 del reporte

Este resultado seala que en esta muestra, el 86,5% de la
variabilidad en los mrgenes de beneficio de las EAYC, se
explica por su asociacin lineal con los ingresos netos y
el nmero de oficinas

ANALISIS DE
REGRESION LINEAL
0.95
Regresin Mltiple
Todava en esta tabla nos falta por
identificar dos valores...

Model Summary
b
.930
a
.865 .853 5.330E-02
Model
1
R R Square
Adj usted
R Square
Std. Error of
the Esti mate
a.
b.
ANALISIS DE
REGRESION LINEAL
0.96
Regresin Mltiple
Empecemos con el error estndar de la
estimacin, como vimos en REGRESIN
LINEAL SIMPLE ste tiene que ver con la
estimacin de la varianza del error.

S
2
= SSE
n-K-1

Donde K es el nmero de variables
independientes, excluyendo el
intercepto.

ANALISIS DE
REGRESION LINEAL
0.97
Regresin Mltiple
Qu pasa con el otro valor?

El llamado Coeficiente de
Determinacin Ajustado o
Corregido.

Para qu sirve?
ANALISIS DE
REGRESION LINEAL
0.98
Regresin Mltiple
La utilidad principal del
coeficiente de
determinacin, R
2
, es como
estadstico descriptivo del
xito de las variables
independientes, para
explicar el comportamiento
de la variable dependiente.
ANALISIS DE
REGRESION LINEAL
0.99
Regresin Mltiple
Su uso puede criticarse, cuando el
nmero de variables explicativas no
es una porcin pequea de n
(nmero de observaciones).
En efecto cuando esto sucede, el
modelo podra sugerir que se ajusta
bien a los datos, y sin embargo las
variables independientes, no tienen
un vnculo fuerte con la variable
dependiente.
ANALISIS DE
REGRESION LINEAL
0.100
Regresin Mltiple
Aqu surge la necesidad de tener un
indicador que me indique la vinculacin
entre las variables independientes y la
dependiente de una manera ms
adecuada, es decir, una medida
modificada de la fuerza de la relacin de
la regresin.
Se est tratando de incluir una
compensacin por la inclusin en el
modelo de ms variables
independientes (relevantes o no).
ANALISIS DE
REGRESION LINEAL
0.101
Regresin Mltiple
Para ello utilizamos el llamado
Coeficiente de Determinacin Ajustado o
Corregido:

R
2
= 1

En nuestro ejercicio este valor es 0.853. Es muy
parecido al Coeficiente de Determinacin.
En este caso particular, el ajuste es muy
pequeo, debido que el nmero de variables
independientes es un nmero pequeo en
relacin con el tamao de la muestra.
SSE/(n-k-1)
SST/(n-1)
ANALISIS DE
REGRESION LINEAL
0.102
Regresin Mltiple
Otro aspecto que tenemos que evaluar
se encuentra en la tabla No.2

Model Summary
b
.930
a
.865 .853 5.330E-02
Model
1
R R Square
Adj usted
R Square
Std. Error of
the Esti mate
a.
b.
Este es el coeficiente de Correlacin
Mltiple y nos proporciona una medida de la
potencia total de la regresin, recuerden
que es la raz cuadrada del coeficiente de
determinacin
ANALISIS DE
REGRESION LINEAL
0.103
Regresin Mltiple
Intervalos de Confianza y
Contrastes de hiptesis para
parmetros individuales de la
regresin

Como ya habamos dicho en
regresin simple, estos
estadsticos tendrn validez si
se mantienen los supuestos del
modelo...
ANALISIS DE
REGRESION LINEAL
0.104
Regresin Mltiple
Intervalos de Confianza para los
coeficientes de regresin parcial
Si se cumplen los supuestos asumidos por
el modelo, los intervalos de confianza del
100(1-o)% para los coeficientes de
regresin parcial son de la forma:
bi (t
n-K-1;o/2
) Sbi < |i < bi + (t
n-K-1;o/2
) Sbi
La variable t
n-K-1
tiene una distribucin t de
student con n-k-1 grados de libertad

ANALISIS DE
REGRESION LINEAL
0.105
Regresin Mltiple
Verifiquemos en los productos
arrojados por el programa
Coefficients
a
1.564 .079 19.705 .000 1.400 1.729
.237 .056 .987 4.269 .000 .122 .352
-2.49E-04 .000 -1.797 -7.772 .000 .000 .000
(Constant)
INGRESOS
OFICINAS
Model
1
B Std. Error
Unstandardi zed
Coeffi ci ents
Beta
Standardi
zed
Coeffi ci en
ts
a.
Estn calculados para el 95% de confianza
ANALISIS DE
REGRESION LINEAL
0.106
Regresin Mltiple
Interpretacin de los intervalos de
confianza:

Para |1
El intervalo de confianza del 95% para el
incremento esperado de los mrgenes de
beneficios resultante de un aumento en
los ingresos netos, DADO UN NMERO
FIJO DE OFICINAS, va desde 0.122 a
0.352.

ANALISIS DE
REGRESION LINEAL
0.107
Regresin Mltiple
Interpretacin de los intervalos de
confianza:

Para |2

El intervalo de confianza del 95% para la
reduccin esperada en los mrgenes de
beneficios resultante de un aumento en
mil oficinas, para un nivel fijo de
ingresos netos va desde 0,1826 a 0,3155.
ANALISIS DE
REGRESION LINEAL
0.108
Regresin Mltiple
Contrastes de Hiptesis sobre los
coeficientes de regresin parcial.
Contraste Bilateral:
Ho: |
i
= |
i0

H1: |
i
= |
i0

Regla de Decisin:
Rechazar Ho si [(bi-|io) /Sbi] > t
n-k-1, o/2

Rechazar Ho si [(bi-|io) /Sbi] < - t
n-k-1, o/2
Ud. puede derivar el resto de los contrastes

ANALISIS DE
REGRESION LINEAL
0.109
Regresin Mltiple
Un caso especial es aquel en que el valor
que se quiere contrastar para un parmetro
es cero.

Con esta conjetura Ud. estara sealando
que el valor esperado de la variable
dependiente no se ver afectado por un
cambio en la correspondiente variable
independiente.
Recuerden lo que les haba mencionado en
regresin simple con respecto a los signos
esperados.
ANALISIS DE
REGRESION LINEAL
0.110
Regresin Mltiple
Esto implicara que la si el resto de
las variables explicativas va a ser
utilizado en el modelo, la que se
esta considerando, por ejemplo X
1
,
no aporta nueva informacin, en un
contexto lineal, para explicar el
comportamiento de la variable
dependiente.
ANALISIS DE
REGRESION LINEAL
0.111
Regresin Mltiple
trabajando:
Una conjetura vlida para el coeficiente
vinculado al incremento en los ingresos netos
provoque un aumento de los mrgenes de
beneficio. Por ello, la hiptesis que estaramos
interesados en contrastar sera la siguiente:
Ho: |
1
= 0
H1: |
1
>0
Regla de Decisin:
Rechazar Ho si [(b1-0) /Sb1] > t
n-k-1, o

ANALISIS DE
REGRESION LINEAL
0.112
Regresin Mltiple
En el ejercicio que estamos trabajando:
Regla de Decisin:
[(b1-0) /Sb1]={(0,237-0)/ 0,055}
=4,27
t
n-k-1, o
=t
22;0,05
= 2,819

Por ende, se rechaza Ho, es decir, rechazamos la
hiptesis nula de que los ingresos netos no contribuyen a
la explicacin del comportamiento de los mrgenes de
beneficio, dado que el nmero de oficinas se utiliza
tambin como variable explicativa.
ANALISIS DE
REGRESION LINEAL
0.113
Regresin Mltiple
Veamos que nos proporciona el
programa
Coefficients
a
1.564 .079 19.705 .000 1.400 1.729
.237 .056 .987 4.269 .000 .122 .352
-2.49E-04 .000 -1.797 -7.772 .000 -.0003155 -.00018261
(Constant)
INGRESOS
OFICINAS
Model
1
B Std. Error
Unstandardi zed
Coeffi ci ents
Beta
Standardi
zed
Coeffi ci en
ts
a.
Qu significa
esto?

ANALISIS DE
REGRESION LINEAL
0.114
Regresin Mltiple
RECUERDEN LA
HIPTESIS QUE
PLANTEA EL
PROGRAMA ES LA
BILATERAL
ANALISIS DE
REGRESION LINEAL
0.115
Regresin Mltiple
En el ejercicio que estamos trabajando,
tambin podramos plantear la siguiente
conjetura:
Otra conjetura que podramos hacer est relacionada
con que si todo lo dems permanece constante, un
incremento en el nmero de oficinas debera provocar
una cada en el margen de beneficio (al aumentar la
competencia)
En este caso, lo que estaramos contrastando sera lo
siguiente:

Ho: |
2
= 0
H1: |
2
<0
Regla de Decisin:
Rechazar Ho si [(b1-0) /Sb1] < t
n-k-1, o

ANALISIS DE
REGRESION LINEAL
0.116
Regresin Mltiple
Ho: |
2
= 0
H1: |
2
<0
Regla de Decisin:
Rechazar Ho si [(b1-0) /Sb1] < t
n-k-1, o
b2-0/Sb2 = -0,000249-0/0,000032 = -7.78
Si se compara este valor con el T terico =
-2,819, vemos que rechazamos Ho, con lo cual
estaramos sealando que el nmero de oficinas
si contribuye a explicar el comportamiento de
los mrgenes de beneficios, suponiendo que los
ingresos netos tambin son utilizados como
variable explicativa.

ANALISIS DE
REGRESION LINEAL
0.117
Regresin Mltiple
Un contraste sobre todos los
parmetros de la regresin

Ho:|1=|2=....=|n = 0
H1: al menos un |i=0
Se rechaza Ho si:
SSR/k > F
k,n-k-1, o

SSE/(n-k-1)

y la variable F
k,n-k-1, o

Sigue una distribucin F con K grados de
libertad en el numerador y (n-k-1) en el
denominador.
ANALISIS DE
REGRESION LINEAL
0.118
Regresin Mltiple
El contraste anterior puede
basarse directamente en R
2
,
dado que:

SSR/K = n-k-1 R
2

SSE/(n-k-1) K 1- R
2

ANALISIS DE
REGRESION LINEAL
0.119
Regresin Mltiple
ANOVA
b
.402 2 .201 70.661 .000
a
6.250E-02 22 2.841E-03
.464 24
Regressi on
Resi dual
Total
Model
1
Sum of
Squares df Mean Square F Si g.
a.
b.
Realicemos este contraste para el
ejercicio que venimos trabajando

Qu concluye al respecto?

ANALISIS DE
REGRESION LINEAL
0.120
Regresin Mltiple
Se rechaza la hiptesis nula tanto al 1%
como al 5% de significancia. Con ello,
estamos sealando que tanto los
ingresos netos y el nmero de oficinas
tienen una influencia lineal en el margen
porcentual de beneficios de las
entidades de ahorro y crdito.

Este contraste, ser de mucha
importancia para detectar problemas de
multicolinealidad en Econometria.

Regresion Ucv Econometria I

Transféré par

Informations du document

Description originale:

Titre original

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

Regresion Ucv Econometria I

Transféré par

Droits d'auteur :

Formats disponibles

ANALISIS DE

Vous aimerez peut-être aussi