Minimizacin:
2
1 = 2 ( 1 2 ) = 0 Condicin de primer orden.
2
2 = 2 ( 1 2 ) = 0 Condicin de primer orden.
Despejando 2 :
1
2 = 1 y 2 = 2
Igualando:
1 1 2
= 1 =
2 2 ( )2
1 = 2
2 =
2
Supuestos del modelo clsico de regresin lineal:
El modelo tiene que ser lineal en los parmetros, aunque puede o no puede ser
lineal en la variable X.
Las X tienen que ser fijas en muestras repetidas (cuando la regresora es fija) y o
tiene que haber sido muestreado con la Y (cuando la regresora es estocstica).
Adems, las variables X tienen que ser independientes del trmino de error. Es
decir que la covarianza entre la X y el error u tiene que ser 0.
( , ) = 0
Esto genera que no existe sesgo de especificacin que es que el modelo est
correctamente especificado. Lo que sostiene el supuesto es que los factores no
incluidos explcitamente en el modelo, y por consiguiente, incorporados en el error
(u) no afectan sistemticamente el valor de la media de Y; es decir, los valores
positivos del error se cancelan con los valores negativos del error de manera que el
efecto medio o promedio sobre Y es 0.
( ) = ( 0)2
( ) = (2 )
( ) = 2
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.
( , ) = 0
6.- El nmero de observaciones (n) tiene que ser mayor que el nmero de
parmetros a estimar ( ):
No pueden tener valores atpicos los valores de X, lo que quiere decir valores muy
grandes o muy pequeos del promedio, ya que esto modificar mucho la recta de
estimacin.
Donde:
( ): .
: .
Donde:
2 = 2 : .
: .
= ( )1 ( ) = ( )1 ( + ) = ( )1 + ( )1
= + ( )1
Insesgado: Por que la media del parmetro estimado debe de ser igual al
parmetro poblacional.
( ) = ( + ( )1 ) = () + ( )1 () = () + ( )1 0
( ) =
( ) = [(( )1 )(( )1 ) ] = [( )1 ( )1 ]
( ) = ( )1 ( ) ( )1
Como ( ) = 2 y ( )1 =
( ) = 2 ( )1
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.
Este teorema demuestra que no existe otro estimador lineal insesgado cuya
varianza sea menor que la de los estimadores MCO.
Esta es la grfica del estimador muestral
2 por el mtodo de MCO.