0 évaluation0% ont trouvé ce document utile (0 vote)
45 vues41 pages
Este capítulo analiza el modelo de regresión simple y múltiple. Explica los métodos de mínimos cuadrados ordinarios (MCO) para estimar los parámetros, los supuestos del modelo de regresión lineal, y cómo calcular la precisión de los estimadores MCO. También cubre el coeficiente de determinación r2 como medida de bondad de ajuste, y los intervalos de confianza y pruebas de hipótesis sobre los parámetros.
Este capítulo analiza el modelo de regresión simple y múltiple. Explica los métodos de mínimos cuadrados ordinarios (MCO) para estimar los parámetros, los supuestos del modelo de regresión lineal, y cómo calcular la precisión de los estimadores MCO. También cubre el coeficiente de determinación r2 como medida de bondad de ajuste, y los intervalos de confianza y pruebas de hipótesis sobre los parámetros.
Este capítulo analiza el modelo de regresión simple y múltiple. Explica los métodos de mínimos cuadrados ordinarios (MCO) para estimar los parámetros, los supuestos del modelo de regresión lineal, y cómo calcular la precisión de los estimadores MCO. También cubre el coeficiente de determinación r2 como medida de bondad de ajuste, y los intervalos de confianza y pruebas de hipótesis sobre los parámetros.
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
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
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