ECONOMETRIA

MODULO 2

ANALISIS DE REGRESIÓN

Prof. María del Mar Ballesteros PhD

NATURALEZA DEL ANALISIS DE REGRESIÓN

Interpretación de la regresión:

El análisis de regresión trata del estudio de la dependencia de la variable

dependiente, en una o más variables (explicativas), con el objeto de estimar
y/o predecir la media o valor promedio poblacional de la primera (var.
dependiente) en términos de los valores conocidos o fijos (en muestras
repetidas) de las últimas (var. explicativas).

Relaciones estadísticas vs. Relaciones determinísticas

Regresión vs. Causalidad
Regresión vs. Correlación

Prof. M Ballesteros 2
NATURALEZA DEL ANALISIS DE REGRESIÓN

Relaciones estadísticas vs. Relaciones determinísticas

En el análisis de regresión interesa comprobar la dependencia estadística de
las variables y no aquella funcional, exacta o determinística

=> Por lo tanto siempre habrá alguna “variabilidad intrínseca” o

aleatoria en la variable dependiente.

Regresión vs. Causalidad

las ideas de la causalidad deben venir de alguna teoría.
 Una relación estadística no puede por si misma implicar en forma
lógica una causalidad
Para aducir causalidad se debe recurrir a consideraciones teóricas

Prof. M Ballesteros 3
NATURALEZA DEL ANALISIS DE REGRESIÓN

Regresión vs. Correlación

En el análisis de correlación el objetivo principal es medir la fuerza o grado

de asociación lineal entre dos variables. => se trata con dos variables
simétricas

En el análisis de regresión se busca estimar o predecir el valor promedio de

una variable sobre la base de valores fijos de otras variables. => existe
asimetría entre las variables:

La principal diferencia entre ambos es que en el análisis de correlación no

se distingue entre variable dependiente o explicativa, en cambio en el
análisis de regresión una variable es dependiente y la otra explicativa.

Prof. M Ballesteros 4
TIPOS DE VARIABLES

Terminología y Notación

Variable dependiente = Explicada = Predicha = Regresada = Endógena.

Variable explicativa = Independiente = Predictora = Regresora = Exógena.

Análisis de regresión simple = regresión con dos variables (Y vs. X).

Análisis de regresión múltiple = regresión con varias variables
(Y vs X1, X2, …, Xn)
Termino aleatorio es sinónimo a estocástico => es aquella que puede tomar
un conjunto de valores, positivos o negativos, con una probabilidad dada.

Prof. M Ballesteros 5
SELECCIÓN DE INFORMACIÓN

TODO INVESTIGADOR DEBE TENER

SIEMPRE EN PRESENTE QUE
EL RESULTADO DE LA INVESTIGACIÓN
SERÁ TAN BUENO COMO LO SEA
LA CALIDAD DE LOS DATOS

Prof. M Ballesteros 6
TIPO DE INFORMACION

1. Series de Tiempo.

Es un conjunto de observaciones de toma una variable en diferentes

momentos del tiempo.
Es recopilada en intervalos regulares (días, meses, años, etc.).
•Cuantitativa (Ingreso, precios, oferta monetaria)
•Cualitativa (masculino o femenino, empleado o desocupado, casado o
soltero, etc.) = Variables dicotómicas.

Para trabajar con series de tiempo, estas series deben ser estacionarias, es
decir, el valor de su media y varianza no deben variar sistemáticamente a
través del tiempo.

Prof. M Ballesteros 7
TIPO DE INFORMACION

2. Corte Transversal o Series Cruzadas

Consiste en datos de una o más variables recogidos en el mismo momento
del tiempo,
Ejemplo: censos, encuestas para cada región, o por estrato económico, etc.

La información de corte transversal tiene problemas de heterogeneidad, por

lo que debe tenerse en cuenta el efecto del tamaño o la escala.

Frecuentemente hay que homogeneizar las escalas

3. Información combinada. Es una mezcla de ambas.

Ejemplo: Encuesta CASEN

Prof. M Ballesteros 8
PROBLEMAS DE PRECISIÓN DE DATOS

1. La calidad de la información disponible no siempre es

buena
2. Información no experimental => errores de observación
3. Errores de medición, debido a aproximación o redondeo
4. Sesgo de selectividad (muestral) => cuando en las encuestas
se omiten algunas respuestas
5. Los métodos de muestreo pueden variar
6. Alguna información esta disponible a nivel altamente
agregado (PIB, empleo, inflación, etc.)
7. La información puede ser confidencial y de difícil acceso

Prof. M Ballesteros 9
ANALISIS DE REGRESIÓN CON DOS VARIABLES

POBLACIÓN

Población = Conjunto de todos los resultados posibles de

una medición.

El análisis de regresión está condicionado por la la estimación o

predicción de la media (de la población) o valor promedio de la
variable dependiente, con base en valores conocidos o fijos de
las variables explicativas o independientes

Prof. M Ballesteros 10
ANALISIS DE REGRESIÓN CON DOS VARIABLES

Ejemplo
Un país compuesto por 60 familias
10 Grupos clasificados por nivel de Ingreso Semanal
Se asume relación Ingreso Semanal vs Consumo Semanal
Objetivo: Predecir el Consumo Promedio Semanal conociendo el Ingreso
Semanal por familia.

Prof. M Ballesteros 11
ANALISIS DE REGRESIÓN CON DOS VARIABLES

Prof. M Ballesteros 12
ANALISIS DE REGRESIÓN CON DOS VARIABLES
Para cada una de las distribuciones de probabilidad condicional de Y se calcula
su media o valor promedio, conocido como media condicional o esperanza
condicional = E (Y/X=Xi)
Valor esperado de Y, cuando X adquiere el valor especifico de Xi => E (Y/Xi).

Prof. M Ballesteros 13
ANALISIS DE REGRESIÓN CON DOS VARIABLES

Función de regresión poblacional

La media condicional E(Y/Xi) es función de Xi => E(Y/Xi) = f(Xi) = Función de
regresión poblacional (FRP) en dos variables
=> Nos dice como varia la media o respuesta promedio de Y con X.

Se puede suponer que existe una relación lineal entre Y y X (Ejemplo,

Consumo e Ingreso) => Nuestra hipótesis supone que la FRP es del tipo:

E(Y/Xi) = β1 + β2 Xi => FRP

Donde β1 y β2 son los parámetros no conocidos pero fijos que se

denominan Coeficientes de regresión. Uno es el Intercepto y el otro la
pendiente.

Prof. M Ballesteros 14
ANALISIS DE REGRESIÓN CON DOS VARIABLES

En el Análisis de regresión el objetivo es estimar las FRP como

E(Y/Xi) = β1 + β2 Xi

=> siendo β1 y β2 parámetros desconocidos y

=> tomando como base las observaciones de Y y X

Prof. M Ballesteros 15
ANALISIS DE REGRESIÓN CON DOS VARIABLES

Consideraciones de Linealidad

• Linealidad en las variables => Esperanza condicional de Y es

función lineal de Xi
Ejemplo: E(Y/Xi) = β1 + β2 Xi => geométricamente es lineal.
E(Y/Xi) = β1 + β2 Xi2 => No es una función lineal

• Linealidad en los parámetros => Esperanza condicional de Y es

lineal en los parámetros => puede ser lineal en la variable X o no serlo.
Ejemplo: E(Y/Xi) = β1 + β2 Xi2 => regresión lineal (en los parámetros).
E(Y/Xi) = β1 + √(β2) Xi => regresión no lineal (en los parámetros).

Prof. M Ballesteros 16
ANALISIS DE REGRESIÓN CON DOS VARIABLES

 la linealidad relevante es la de los parámetros

 los βetas tienen siempre grado 1
(son elevados solamente a la primera potencia)

Prof. M Ballesteros 17