Introduccin a la Parte 1: Modelos de Regresin Uniecuacionales

Esta primera parte, nos introduce a los modelos de regresin uniecuacionales. Este
tipo de modelos es expresado mediante una variable a la que llamaremos
dependiente como una funcin lineal de una o ms variables a las que llamaremos
independientes o explicativas. En el captulo 1 nos habla que este tipo de modelos
existe relaciones causales entre las dos variables, y se hace una exposicin
relacionada con la interpretacin histrica y moderna, del termino regresin y se
realizan varios ejemplos para ilustrar las diferencias entre las interpretaciones.
En el captulo 2 se nos presentan los conceptos fundamentales del anlisis de
regresin con ayuda de modelos simples de dos variables, en donde una variable
dependiente se expresa como funcin lineal de una sola variable explicativa. En el
captulo 3 seguimos con los modelos de regresin simple de dos variables y nos
introducimos al modelo clsico de regresin lineal con diversos supuestos
simplificadores y con estos supuestos se presentan los mnimos cuadrados
ordinarios para la estimacin de parmetros.
Luego en el captulo 4 nos introducimos al modelo clsico de regresin lineal simple,
este modelo supone que una variable aleatoria dependiente sigue una distribucin
normal, con este supuesto los estimadores MCO adquieren algunas propiedades
estadsticas ms slidas de los modelos clsicos no lineales, estas propiedades
permiten la inferencia estadstica y las pruebas de hiptesis. En el captulo 5 nos
dedicaremos a las pruebas de hiptesis y tratamos de averiguar si los coeficientes
son compatibles con los valores hipotticos sugeridos por la teora y/o por el trabajo
emprico previo. En el captulo 6 se analizan temas como: 1) regresin a travs del
origen, 2) escalas y unidades de medicin y 3) formas funcionales de modelos de
regresin. En el captulo 7 consideramos el modelo de regresin mltiple en el cual
hay ms de una variable explicativa o independiente.
En el captulo 8 ampliamos los conceptos mostrados en el captulo 5 y se sealan
algunas complicaciones que puedan ocurrir en los modelos con varias variables
explicativas. Y por ltimo en el captulo 9 hablaremos sobre las variables
explicativas dictomas o cualitativas, en este captulo destacamos que no todas las
variables explicativas necesitan se cuantitativas.
 Captulo 1: Naturaleza del anlisis de regresin.

El trmino regresin fue acuado por Francis Galton en un ensayo sobre el que
trataba la estatura de los padres e hijos los cuales tendan a tener una altura
promedio, es decir, aquellos hijos de que a pesar de tener padres altos eran bajos
o viceversa; por ello Galton acua el trmino al afirmar que las estaturas de los hijos
regresan a un promedio.
El termino regresin en la actualidad hace referencia al estudio de la dependencia
de una variable (dependiente) respecto a una o ms variables (explicativas o
independientes) con el objeto de estimar o predecir la media o valor promedio de la
poblacin de la primera en trminos conocidos o fijos (muestras repetidas) de las
segundas.
En las relaciones estadsticas entre variables se analizan, en esencia, variables
aleatorias o estocsticas, es decir, variables con distribucin de probabilidad.
La representacin abstracta de la distribucin o rango (con respecto a un promedio
o recta de regresin) de las observaciones (variables independientes) se realiza a
travs del diagrama de dispersin.
Relaciones estadsticas:
Existen dos tipos de relaciones, una es la estadstica, constituidas por un conjunto
de variables que se acercan a la explicacin de un fenmeno pero que no pueden
predecirlo con exactitud debido a los errores propios errores de la medicin de estas
variables y otros factores (variables) que en conjunto afecta la estimacin o
prediccin que se est llevando a cabo.
El otro tipo de relacin son las determinsticas o funcionales, que implican relaciones
de variables que pueden explicar con exactitud un fenmeno.
Regresin y causalidad:
Una relacin estadstica por si misma no puede, por lgica, implicar causalidad.
Para aducir causlidad se debe acidir a consideraciones a priori o tericas.

Regresin y correlacin:
La regresin y la correlacin estn estrechamente ligadas. La tarea de la ltima
(correlacin) es medir la fuerza o el grado de asociacin lineal entre dos variables.
En cambio en el anlisis de regresin, no interesa este tipo de medida, sino estimar
o predecir el valor promedio de una variable con base a los valores fijos de otra (v.
independiente).
Terminologa y notacin:
Variable dependiente Variable
Independiente
Variable explicada Variable Explicativa
Predicha Predictoria
Regresada Regresora
Respuesta Estmulo
Resultado Covariante
Variable controlada Variable de control

Cuando se estudia la dependencia de una variable respecto a una explicativa, se le

conoce como anlisis de regresin simple, pero cuando se estudia la dependencia
de una variable respecto a ms de una variable, se le conoce como anlisis de
regresin mltiple.
El trmino estocstico o aleatorio son sinnimos y se refieren a una variable que
toma cualquier conjunto de valores, positivos o negativos, con probabilidad dada.
A menos que se indique lo contrario, la letra Y representa la variable dependiente y
X la variable independiente. Los sub ndices i o t se denotan como la observacin
o valor i-simo y t-simo respectivamente. N (o T) representa el nmero total de
observaciones o valores de una poblacin, n (o t) representan el nmero de
observaciones de una muestra. Por conveniencia se utiliza el subndice i para los
datos transversales y subndice t, para los datos de series de tiempo.
Tipos de datos:
Datos de series de tiempo: son un conjunto de observaciones sobre los
valores de una variable en diferentes momentos.
Datos transversales: consisten en datos de una o ms variables recopilados
en el mismo punto del tiempo.
Datos combinados: renen elementos de series de tiempo y transversales
Datos de panel, longitudinales o en micropanel: son datos combinados en los
que se estudian, a travs del tiempo, las mismas unidades transversales (por
ejemplos: una familia).
Escalas de medicin de variables:
Escala de nominal: su fin es identificar sujetos u objetos dentro de una
distribucin, por lo que nicamente podremos establecer relaciones de
igualdad/desigualdad entre ellos.
Escala ordinal: su fin es ordenar a los sujetos/objetos de una distribucin en
funcin de alguna caracterstica (la distancia entre unidades no tiene por qu
ser uniforme).
Escala de intervalos: en esta escala, las distancias entre las unidades de
medidas son uniformes.
 Escala de razn: similar a la de intervalo, con la nica diferencia que el cero
en esta escala s indica la ausencia de atributo, es cero absoluto.

Tipo Caractersticas Ejemplo

Nombre
Nominal Igualdad
ciudades

Ordinal Orden Llegada carrera

Op.matemticos, 0
Intervalo Centigrados
relativo

Razn 0 absoluto Altura