Académique Documents
Professionnel Documents
Culture Documents
=
donde, adems de los smbolos ya definidos,
denota el trmino
residual (muestral). Conceptualmente, es anlogo a y se considera
una estimacin de , que se introduce en la FRM por las mismas razones
que se introdujo en la FRP.
As, para resumir, concluimos que el objetivo principal del anlisis de
regresin es estimar la FRP.
con base en la FRM
Debido a fluctuaciones muestrales, la estimacin
de la FRP basada en la FRM es, en el mejor de los
casos, una aproximacin.
4
Ejemplo
aos de
Nmero
escolarida Salario
de
d
promedio personas
6
4.4567
5.7700
5.9787
15
7.3317
12
10
7.3182
17
11
6.5844
27
12
7.8182
218
13
7.8351
37
14
11.0223
56
15
10.6738
13
16 tabla
10.8361
70
La
proporciona
datos sobre el nivel de estudios (medido en aos de
escolaridad),
el 24
salario promedio por hora devengado por las personas por nivel
17
13.6150
de escolaridad y el nmero de personas en un nivel de estudios.
6
18
13.5310
31
Criterio de
Mnimos
Cuadrados
Muestra
que los (los residuos) son
simplemente
las diferencias entre los
valores observados y los estimados
de Y.
Donde
son los residuos elevados al cuadrado. Al elevar al cuadrado ,
este mtodo da ms peso a los residuos como y
8
Donde
son los residuos elevados al cuadrado. Al elevar al cuadrado ,
este mtodo da ms peso a los residuos como y
9
10
Ecuaciones para
estimar :
Letras
minsculas
representan
desviaciones
respecto de los valores
medios
11
Ecuaciones para
estimar :
Letras
representan
respecto de
medios
minsculas
desviaciones
los valores
12
Estimadores de mnimos
cuadrados
I.
II.
III.
13
14
MCRL
Es un modelo clsico en el
sentido de que Gauss lo
emple por primera vez en
1821 y desde entonces
sirve como norma o patrn
con el cual comparar los
modelos de regresin que no
satisfacen los supuestos
gaussianos.
MCRL
Es un modelo clsico en el
sentido de que Gauss lo
emple por primera vez en
1821 y desde entonces
sirve como norma o patrn
con el cual comparar los
modelos de regresin que no
satisfacen los supuestos
gaussianos.
SUPUESTO
3 El valor medio de la perturbacin es igual a cero:
Dado el valor
de , la media o el valor esperado del trmino de
perturbacin
aleatoria es cero.
O, si X no es
estocstica
16
MCRL
Es un modelo clsico en el
sentido de que Gauss lo
emple por primera vez en
1821 y desde entonces
sirve como norma o patrn
con el cual comparar los
modelos de regresin que no
satisfacen los supuestos
gaussianos.
SUPUESTO
4
Homoscedasticidad
o
varianza
constante de : La varianza
del trmino de error, o de
perturbacin, es la misma sin
importar el valor de X.
Simblicamente, tenemos que
var (ui) = E[ E(|Xi)]2
= E(|Xi), por el supuesto 3
= E(), si Xi son variables no estocsticas
=
donde var significa varianza.
Supuesto de homoscedasticidad, o igual (homo)
dispersin (cedasticidad), o igual varianza. La palabra
proviene del verbo griego skedanime, que significa
dispersar o esparcir
17
HOMOCEDASTICID
AD
HETEROCEDASTIC
IDAD
18
MCRL
Es un modelo clsico en el
sentido de que Gauss lo
emple por primera vez en
1821 y desde entonces
sirve como norma o patrn
con el cual comparar los
modelos de regresin que no
satisfacen los supuestos
gaussianos.
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 muestrean de
manera independiente.
19
MCRL
Es un modelo clsico en el
sentido de que Gauss lo
emple por primera vez en
1821 y desde entonces
sirve como norma o patrn
con el cual comparar los
modelos de regresin que no
satisfacen los supuestos
gaussianos.
SUPUESTO 6
El nmero de observaciones n debe ser
mayor que el nmero
de parmetros por estimar:
Sucesivamente, el nmero de
observaciones n debe ser
mayor que el nmero de variables
explicativas.
SUPUESTO 7
La naturaleza de las variables X: No todos los
valores X en una
muestra determinada deben ser iguales.
Tcnicamente, var(X)
debe ser un nmero positivo.
Adems, no puede haber valores
atpicos de la variable X,
es decir, valores muy grandes en
relacin con el resto
de las observaciones.
20
22
23
considerar
la
propiedad
del
mejor
estimador lineal insesgado (MELI).
1.
2.
3.
Teorema de GaussMarkov
Dados los supuestos del modelo clsico de
regresin lineal, los estimadores de
mnimos cuadrados, dentro de la clase de
estimadores lineales insesgados, tienen
varianza mnima, es decir, son MELI.
25
26
27
28
29
medida de la bondad
del ajuste
Es
una cantidad no negativa. (Por qu?)
Coeficiente de correlacin
32
Coeficiente de correlacin
Patrones de correlacin
33
Coeficiente de correlacin
Patrones de correlacin
34
Ejercicio de aplicacin
35
Ejercicio de aplicacin
36