CAPTULO 3

ANALISIS DE
REGRESION SIMPLE

21/02/17 MSc. Caroll Antonio Siero Pereira 1

Modelo de regresin con dos
variables: Estimacin
1. MCO
2.Supuestos
3.Precisin (EE de MC estimados)
4.Propiedades (Gauss-Markov)
5.Coeficiente r: Bondad de ajuste
6.Ejemplos

21/02/17 MSc. Caroll Antonio Siero Pereira 2

1. MCO
Carl Friedich Gauss
Posee propiedades estadsticas que lo
hacen muy eficaz y aceptado para el
anlisis de regresin.
Minimizar errores para que la ecuacin
muestral se aproxime a la poblacional
Ejemplo: Pgina58
21/02/17 MSc. Caroll Antonio Siero Pereira 3
Propiedades numricas de
estimadores MCO
A. Estn expresados en trminos de las
cantidades observables
B. Son puntuales proporcionan un valor del
parmetro poblacional
C. La lnea de regresin muestral se
obtiene fcilmente
-Pasa a travs de las medias muestrales el
valor medio estimado es igual al valor
medio observado
21/02/17 MSc. Caroll Antonio Siero Pereira 4
2.Los 10 supuestos MCO
S1: Linealidad de parmetros
S2: Valores de X fijos en muestreos
repetidos
S3:El valor medio de la perturbacin es
igual a cero
S4:Homocedasticidad
S5: La covarianza de errores es cero
21/02/17 MSc. Caroll Antonio Siero Pereira 5
2.Los 10 supuestos MCO cont.
S6: La covarianza de los errores y las
variables explicativas es cero
S7: El tamao de la muestra es mayor
que el nmero de parmetros
S8: Variabilidad de los valores de X
S9: Correcta especificacin
S10: Multicolinealidad no perfecta
21/02/17 MSc. Caroll Antonio Siero Pereira 6
Supuestos realistas?
Para que una hiptesis sea
importante ... Debe ser
descriptivamente falsa en sus
supuestos
Veamos como referencia la
competencia perfecta de
microeconoma

21/02/17 MSc. Caroll Antonio Siero Pereira 7

 3.Precisin (EE MC estimados)

Varianza ErrorSt Sigma Error

Analicemos la relaciones en las
frmulas de varianza de parmetros
Var(Beta2): Proporcional a la varianza
de los errores

21/02/17 MSc. Caroll Antonio Siero Pereira 8

4.Propiedades (Gauss-Markov)
Un estimador es MELI si cumple las
siguientes propiedades:
*Es lineal al igual que la variable
dependiente
*Es insesgado su valor promedio es
igual al valor verdadero
*Posee varianza mnima
21/02/17 MSc. Caroll Antonio Siero Pereira 9
Teorema Gauss-Markov
Dados los supuestos del modelo
clsico de regresin lineal (MCRL), los
estimdores MCO dentro de la clase de
estimadores insesgados, tienen
varianza mnima, es decir, son MELI
Grfica de distribucin normal (amplitud
del intervalo)

21/02/17 MSc. Caroll Antonio Siero Pereira 10

5.Coeficiente r: Bondad de ajuste

Llamado coeficiente de determinacin

Es el porcentaje en que las variaciones
de la variable dependiente son
explicadas por la variacin de una (s)
variable (s) independientes (s)
r mayor 0.70
Regresin esprea
21/02/17 MSc. Caroll Antonio Siero Pereira 11
5.Coeficiente r: Bondad de ajuste

Diagrama de Venn o Ballentine

X Y X Y

Y X

21/02/17 MSc. Caroll Antonio Siero Pereira 12

Propiedades de r y r
1. No es cantidad negativa. Why?
2. es un valor entre cero y uno
r: Es el coeficiente de correlacin que
mencionamos al inicio, recordemos que
mide el grado de asociacin lineal entre
variables, es calculado como la raz del
coeficiente de determinacin (r)

21/02/17 MSc. Caroll Antonio Siero Pereira 13

Propiedades de r
1. La covarianza (numerador) indica el
signo puesto que puede ser +
2. Es un valor entre -1 y 1
3. Simtrico por naturaleza
4. Si X y Y son independientes r=0;
pero no siempre que r=0 las variables
son independientes.
21/02/17 MSc. Caroll Antonio Siero Pereira 14
Propiedades de r continuacin
5. Describe nicamente relaciones lineales.
Su uso en la descripcin de asociaciones no
lineales no tiene significado. Si Y=X es una
relacin exacta pero r=0 Why?
6. No representa como recordamos una
relacin causa-efecto
* r es ms importante que r en anlisis de
regresin y en las regresiones Mltiples r no
tiene valor alguno.
21/02/17 MSc. Caroll Antonio Siero Pereira 15
Ejercitemos un poco
Elabore un formulario que contenga lo
siguiente clculo:
Parmetros
Varianza de parmetros
Varianza de errores (ui)
R2
(Nota esto est a partir de pgina 59)
21/02/17 MSc. Caroll Antonio Siero Pereira 16
Calculemos
La ecuacin de pronstico correcta
para la tabla 3.1 de la pgina 58
Construir tabla descrita a continuacin

21/02/17 MSc. Caroll Antonio Siero Pereira 17

 X Y x y x*y xcuad ycuad Yest Uest Uestcuad Xcuad
55 80
65 100
70 85
80 110
79 120
84 115
98 130
95 140

21/02/17 MSc. Caroll Antonio Siero Pereira 18

 Xmed
Ymed
n
Beta2
Beta1 R
ErrorCuad Rcuad
Sigma Cuad 0 Var(beta1)
Var(beta2) EE(beta1)
EE(beta2) CovBetas

21/02/17 MSc. Caroll Antonio Siero Pereira 19

 X Y x y x*y xcuad ycuad Yest Uest Uestcuad Xcuad
55 80 -23.25 -30 697.50 540.56 900 79.29 0.71 0.50 3025
65 100 -13.25 -10 132.50 175.56 100 92.50 7.50 56.26 4225
70 85 -8.25 -25 206.25 68.06 625 99.10 -14.10 198.90 4900
80 110 1.75 0 0.00 3.06 0 112.31 -2.31 5.34 6400
79 120 0.75 10 7.50 0.56 100 110.99 9.01 81.17 6241
84 115 5.75 5 28.75 33.06 25 117.59 -2.59 6.73 7056
98 130 19.75 20 395.00 390.06 400 136.09 -6.09 37.04 9604
95 140 16.75 30 502.50 280.56 900 132.12 7.88 62.04 9025
626 880 0 0 1970 1491.50 3050 0.00 448 50476

21/02/17 MSc. Caroll Antonio Siero Pereira 20

Xmed 78.25
Ymed 110
n 8
Beta2 1.32
Beta1 6.65 R 0.924
ErrorCuad 447.99 Rcuad 0.85312
Sigma Cuad 74.66 74.66 Var(beta1) 315.85
Var(beta2) 0.05 EE(beta1) 17.77
EE(beta2) 0.224 CovBetas -3.91721

21/02/17 MSc. Caroll Antonio Siero Pereira 21

 CAPTULO 5 AMPLIADO

Prueba de Hiptesis
Individual de los
parmetros

21/02/17 MSc. Caroll Antonio Siero Pereira 22

Aplicacin de las distribuciones
Distribucin t student: P.H.Individual
Distribucin F: P.H. Conjunta
Ambas sobre los parmetros
Distribucin : Intervalo de confianza

21/02/17 MSc. Caroll Antonio Siero Pereira 23

Estimacin de intervalos y
prueba de hiptesis
...entre ms se torturen los datos, ms
probable es que ellos confiesen, pero la
confesin obtenida bajo presin puede
no ser admisible en la corte de la
opinin cientfica.( Stephen Stigler)
La estimacin y la prueba de hiptesis
son fundamentales en la estadstica
clsica
21/02/17 MSc. Caroll Antonio Siero Pereira 24
La estimacin puede ser:
1. Puntual 2. Por intervalos
Conceptos importantes de recordar:
Probabilidad, Distribuciones de
probabilidad,errores tipo I y II, nivel
de significancia e intervalos de
confianza.

21/02/17 MSc. Caroll Antonio Siero Pereira 25

Recordemos que:
La confiabilidad de un estimador
puntual depende de su error estndar,
por tal razn en lugar de depender
estrictamente del valor puntual,
depende de un intervalo de construir un
intervalo alrededor del estimador
puntual, usualmente en econometra
se emplea un estimacin por intervalos
al 95% de probabilidad de incluir el
verdadero valor del parmetro
21/02/17 MSc. Caroll Antonio Siero Pereira 26
Estimacin de intervalos y
prueba de hiptesis
1. Intervalo de confianza para los Betas
2. Intervalo de confianza para
3. Prueba de hiptesis: Comentarios

21/02/17 MSc. Caroll Antonio Siero Pereira 27

1. Intervalo de confianza para los
Betas
Pr(est-est+)=1 -
Este intervalo es el de confianza; a 1- se le
conoce como coeficiente de confianza; y
(0< < 1). Los puntos extremos del intervalo
de confianza se les conoce como lmites de
confianza inferior (est- ) y superior
(est+ )
El I.C.= 95%
= 5%
21/02/17 MSc. Caroll Antonio Siero Pereira 28
1.Intervalo de confianza para los
Betas
Aspectos estimacin por intervalos
La ecuacin indica que la probabilidad de
construir un intervalo que contenga a es 1-
Es un intervalo aleatorio Why?
En el L/P en promedio tales intervalos
contendrn en 1 - de los casos, el valor
verdadero del parmetro.
Una vez calculado el parmetro de una
muestra la probabilidad es 0 1 no 1-

21/02/17 MSc. Caroll Antonio Siero Pereira 29

2. Intervalo de confianza para

Pr[((n-2) est/ /2 ) ((n-2)

est/ 1-/2 )]=1 -
Si establecemos lmites de confianza al
95% sobre y si afirmamos a priori
que entre estos lmites caer el
verdadero . Se aceptar en el L/P el
95% de veces

21/02/17 MSc. Caroll Antonio Siero Pereira 30

3. Prueba de hiptesis:
Comentarios
El problema de prueba de hiptesis
estadstica puede plantearse de la
siguiente manera: es compatible una
observacin dada con algunas hiptesis
planteadas o no?
Compatible significa si la observacin
es cercana al valor hipottico de tal forma
que no se rechaza la hiptesis planteada
21/02/17 MSc. Caroll Antonio Siero Pereira 31
Trminos utilizados

Hiptesis nula (H0): hiptesis planteada

Hiptesis alterna(H1): lo contrario a la
hiptesis planteada

21/02/17 MSc. Caroll Antonio Siero Pereira 32

Regla de decisin prueba de dos
colas
Ho: =0
H1: 0
Si el valor l t statisticl >2 Entonces
Rechcese la Ho, Caso contrario acptese
Si rechaza la Ho entonces se concluye que el
parmetro evaluado es estadsticamente
significativo y viceversa.

21/02/17 MSc. Caroll Antonio Siero Pereira 33

Prueba de significancia

Es un procedimiento mediante el cual

se utilizan los resultados muestrales
para verificar la verdad o falsedad de
una Ho.
La frmula: t = est /ee(est)
La probabilidad calculada en Eviews
debe ser inferior a 5% (0.0500)

21/02/17 MSc. Caroll Antonio Siero Pereira 34

Formas funcionales de los
modelos de regresin
Los modelos pueden ser:
1. Lin-Lin
2. Lin-Log
3. Log-Lin
4. Log-Log
5. Recprocos

21/02/17 MSc. Caroll Antonio Siero Pereira 35

Recordemos que:
Y= 1 + 2 *X + Ui
Y= Variable dependiente
X= Varible independiente
s = Parmetros
Ui = Variable de error estocstico

21/02/17 MSc. Caroll Antonio Siero Pereira 36

1. Lin-Lin
Cuando tanto la variable dependiente
como la independiente se expresan en
forma lineal, es decir, a los valores
observados de X e Y, no se les aplica
ninguna transformacin.

21/02/17 MSc. Caroll Antonio Siero Pereira 37

2. Lin-Log
Cuando la variable dependiente se
expresa en forma lineal, es decir, a los
valores observados de Y, no se les
aplica ninguna transformacin. Pero la
variable independiente se expresa en
trminos logartmicos, es decir, a los
valores observados de X se les aplica
logaritmo natural
21/02/17 MSc. Caroll Antonio Siero Pereira 38
3.Log-Lin
Cuando la variable independiente se
expresa en forma lineal, es decir, a los
valores observados de X, no se les
aplica ninguna transformacin. Pero la
variable dependiente se expresa en
trminos logartmicos, es decir, a los
valores observados de Y se les aplica
logaritmo natural
21/02/17 MSc. Caroll Antonio Siero Pereira 39
4.Log-Log
Cuando tanto la variable dependiente
como la independiente se expresan en
forma logartmica, es decir, a los
valores observados de X e Y, se les
aplica logaritmo natural

21/02/17 MSc. Caroll Antonio Siero Pereira 40

5. Recprocos
Cuando la variable dependiente se
expresa en forma lineal, es decir, a los
valores observados de Y, no se les
aplica ninguna transformacin. Pero la
variable independiente se expresa en
trminos recprocos, es decir, a los
valores observados de X se les aplica
1/X
21/02/17 MSc. Caroll Antonio Siero Pereira 41