Académique Documents
Professionnel Documents
Culture Documents
LINEAL SIMPLE
(Supuestos)
Supuesto 1
Modelo de Regresin Lineal.
El modelo de regresin es lineal en los parmetros, aunque
no sea lineal en las variables. Es decir, el modelo de
regresin como se muestra en la ecuacin:
Yi = 1 + 2Xi + ui
Los modelos de regresin lineal en los parmetros son el
punto de partida del Modelo Clsico de Regresin Lineal.
Supuesto 2
Valores fijos de X o valores de X independientes del
trmino del error.
Los valores que toma la independiente X pueden
considerarse fijos en muestras repetidas (el caso de la
independiente fija), o haber sido muestreados junto con las
variable dependiente Y (el caso de la independiente
estocstcia). En el segundo caso se supone que la(s)
variable(s) X y el trmino de error son independientes, esto
es, cov(Xi,ui) = 0.
Supuesto 3
El valor medio de la perturbacin ui, es igual a cero.
Dado el valor de Xi, la media o el valor esperado del trmino
de perturbacin aleatoria ui es cero. Simblicamente,
tenemos que:
E(ui|Xi) = 0
O si X no es estocstica,
E(ui) = 0
Supuesto 4
Homoscedasticidad o varianza constante de ui.
La varianza del trmino del error, o de la perturbacin, es la
misma sin importar el valor de X. Simblicamente, tenemos
que:
Var(ui) = 2
Homoscedasticidad: Las poblaciones Y correspondientes a
diversos valores de X tienen la misma varianza.
La variacin alrededor de la lnea de regresin (La lnea de la
relacin promedio entre X y Y) es la misma para todos los
valores de X; no aumenta ni disminuye conforme vara X.
Supuesto 4
Supuesto 5
No hay Autocorrelacin entre las Perturbaciones.
Dados dos valores cualesquiera de X: Xi y Xj (i j), la
correlacin entre dos ui y uj cualesquiera (i j) es cero. En
pocas palabras, estas observaciones se muestran de manera
independientes. Simblicamente:
cov(ui,uj|Xi, Xj) = 0
cov(ui,uj) = 0, si X no es estocstica
Donde i y j son dos observaciones diferentes
Supuesto 5
Posible diagramas de errores:
AUTOCORRELACI
N
Positiva
AUTOCORRELACI
N
Negativa
CORRELACIN
Cero
AUTOCORRELACIN
A veces los diagramas residuales nunca son tan obvios o tan
fciles de leer, como se mostraron en los grficos anteriores.
Existe una forma ms confiable para detectar la
autocorrelacin con base a la prueba de Durbin-Watson.
Estadstico de Durbin Watson:
AUTOCORRELACIN
No obstante, estos valores (0, 2 y 4) son lmites extremos que
deben matizarse estableciendo regiones ms amplias
Durbin y Watson hallaron unos lmites superior (dU) e
inferior (dL) que permiten tomar decisiones acerca de la
presencia o ausencia de autocorrelacin:
Grficamente se pueden sealar las regiones del contraste
en el siguiente segmento:
Autocorrelacin Zona de
Indecisin
Positiva
dL
Regin de No Rechazo
No Autocorrelacin
dU
4-dU
Zona de
Indecisin
4-dL
Autocorrelacin
Negativa
AUTOCORRELACIN
Esto es:
0 < Dw < dL se rechaza H0, existe autocorrelacin positiva
4 - dL < Dw < 4 se rechaza H0, existe autocorrelacin negativa
dU < Dw < 4-dU no se rechaza H0, no existe autocorrelacin
dL < Dw < dU el contraste no es concluyente
4-dU < Dw < 4-dL el contraste no es concluyente
Ejemplo: Para una muestra de n = 15 y k = 1 (Var. Independiente),
entonces los valores de dL = 0.81 y dU = 1.07 y el estadstico Dw =
2.48. Considerar un = 1%
0
dL=0.81
dU=1.07
4-dU =2.93
4-dL=3.19
Dw = 2.48
AUTOCORRELACIN
Tabla de Valores Crticos de Durbin Watson
AUTOCORRELACIN
Caso: Se proporciona los datos en la tabla siguiente: