Regresión lineal mínimos cuadrados ordinarios (MCO

12/7/2017
- VALORES AJUSTADOS: PUNTOS EN LINEA DE REGRESION, RESIDUALES: uî

PROPIEDADES ALGEBRAICAS
1) 2)
Promedio muestral de los Covarianza muestral entre Regresores y
residuales MCO = O Residuales es O
3) El punto (x￣,y￣) se encuentra siempre sobre la linea de regresion de MCO.
PROPIEDADES Yi se escribe como su valor ajustado y su

residual
MCO SUMA TOTAL DE CUADRADOS SUMA EXPLICADA DE CUADRADOS
 Con los valores de roe y salary estime

CUALQUIER los parametros.
MUESTRA DE SUMA RESIDUAL DE CUADRADOS
DATOS
COVARIANZA MUESTRAL ENTRE RESIDUALES Y
V.AJUSTADOS
COEFICIENTE DETERMINACION
Econ. Fátima Guamán Tumbaco, MSc. 32 Econ. Fátima Guamán Tumbaco, MSc. 33
 Estime la relacion entre GPA y ACT empleando MCO; es decir,

obtenga las estimaciones para la pendiente y para el intercepto en  1) Signo depende del signo del numerador (cov muestral entre 2
la ecuación variables)
 Comente la direccion de la relacion ¿tiene, en este caso, el
PROPIEDADE  2) Limites: -1≤r≤1
intercepto una interpretación util? Explique, ¿que tanto mas alto
sera el GPA predicho si ACT aumenta cinco puntos?
S DE  3) coef. Correlacion entre x y y = coef. Correlacion entre y y x
 ii) Calcule los valores ajustados y los residuales para cada COEFICIENTE  4) es independiente del origen y la escala
observacion y verifique que los residuales (aproximadamente)
sumen cero.
DE 6) Medida de asociacion lineal -no es una medida de independencia
 iii) .Cual es el valor que se predice para el GPA si ACT =20? CORRELACIO 7) Medida de asociacion lineal NO ES IGUAL a RELACION CAUSA-
EFECTO
 iv) .Que tanto de la variacion en el GPA de estos ocho estudiantes N R2= constituye una medida global del grado en que la variacion en 1
es explicada por el ACT? variable determina la variacion en la otra.
 Explique.
12/7/2017
Visión de
Ballentine de
Patrones de
r2:
correlación
a) r2 = 0;
f ) r2 =1.
Cuando no hay intersección, obviamente r 2 es cero, pero cuando la
intersección es completa, r 2 es 1, pues ciento por ciento de la variación en Y
se explica por X.
 R2 mide la proporción o el porcentaje de la variación total en Y explicada

por el modelo de regresión. No es una función lineal porque la variable X aparece elevada a la
potencia 2.------LINEALIDAD EN LAS VARIABLES
Y es una función lineal de los parámetros (B) y puede ser o no
lineal en la variable X.------LINEALIDAD EN EL PARAMETRO
 r 2 también puede calcularse como el coefi ciente de correlación
entre la Yi real y la Yi estimada, a saber, Yî, elevado al cuadrado Si B está elevada a exponente--- no existe linealidad.
LINEALIDAD
 Si todos los puntos de los datos se encuentran sobre una misma linea,
los MCO proporcionan un ajuste perfecto a los datos. En este caso, R2
= 1. Si el valor de R2 es casi igual a cero, esto indica un ajuste pobre de
la linea de MCO: muy poco de la variacion de las yi es captado por la
variacion de las yˆ i (que se encuentran, todas, sobre la linea de
regresion de MCO).
12/7/2017
 SUPUESTO 1. Modelo de regresión lineal: El modelo de regresión es lineal

en los parámetros, aunque puede o no ser lineal en las variables. Es decir, el
modelo de regresión como se muestra en la ecuación y =β1 + β2 x+ u
 B1=0.54 ---- 54 centavos aumenta el salario por hora por cada año
de educacion  Valores fijos de X, o valores de X independientes del término de error
(supuesto 2 en Gujarati): Los valores que toma la regresora X pueden
 Rendimiento CRECIENTE-- LOG(wage) = B0+ B1 educ +u considerarse fijos en muestras repetidas (el caso de la regresora fija), o haber
INCORPORACION  LOG: logaritmo natural
sido muestreados junto con la variable dependiente Y (el caso de la regresora
estocástica). En el segundo caso se supone que la(s) variable(s) X y el término
SUPUESTOS DE de error son independientes, esto es, cov(xi, ui)= O. Para todo valor de la
DE NO  Si variación de u =O entonces %de variación de wage se aproxima
INSESGAMIENTO
variable explicativa, el valor esperado del error u es cero. Es decir, E(u|x) =O---
MEDIA CONDICIONAL CERO
(100*B1)variación de educ
LINEALIDADES  Al principio suponemos que las variable(s) X son no estocásticas por las
 ^LOG(wage) = 0.584+ 0.083 educ
siguientes razones: Primera, al principio, esto sirve para simplificar el análisis e
 ^Wage incrementa 8.3% por cada año de educación (rendimiento introducir poco a poco al lector a las complejidades del análisis de regresión.
Segunda, en situaciones experimentales tal vez no sea irreal suponer que los
de 1 año mas de educación) valores de X son fijos. aunque las variables X sean estocásticas, los resultados
estadísticos de la regresión lineal basada en el caso de las regresoras fijas
también son válidos cuando las variables X son aleatorias, en tanto se
cumplan algunas condiciones; una de ellas es que la regresora X y el término
de error ui sean independientes
En series de tiempo, se tiene una falla del supuesto

de Muestreo Aleatorio. Si x varía en la población--- las muestras aleatorias muestran la variación en x (excepto si n es muy pequeña, o
No todas las muestras de corte trasversal pueden variación poblacional mínima) .
considerarse como resultado de un muestreo El supuesto se satisface si D.E. xi NO ES IGUAL a CERO
aleatorio aunque muchas pueden serlo.
En una muestra aleatoria E(ui|xi)=O para todos i = 1,….,n

Supuesto RLS.4 y RLS.2 nos ayuda a obtener las propiedades estadísticas de los ESTIMADORES MCO como
CONDICIONALES sobre los valores de xi en la muestra
Las estimaciones MCO del

intercepto y la pendiente solo están
definidas si en la MUESTRA hay Econ. Fátima Guamán Tumbaco, MSc. 42 Econ. Fátima Guamán Tumbaco, MSc. 43
VARIACION de la V.EXPLICATIVA
12/7/2017
 CONDICIONAR SOBRE LOS VALORES MUESTRALES DE LA

VARIABLE INDEPENDIENTE (xi) --- las xi se tratan como FIJAS
en MUESTRAS REPETIDAS
 Ejemplo: Elegir valores de EDUC y después muestrear
INDIVIDUOS que tengan esos niveles de EDUC. (ilógico!) B^1 : VARIABLE ALEATORIA
 Muestreo Aleatorio: los individuos se eligen de manera  La aleatoriedad de los B^1 se debe por completo a los
ALEATORIA para conocer su SALARIO y EDUC. ERRORES de la muestra
 El hecho de que estos errores en general sean distintos de
CERO es lo que hace que B^1 NO ES IGUAL a B1.
 Bô y B^1 como ESTIMADORES INSESGADOS

 Los valores esperados son condicionales sobre los valores
muestrales de la variable independiente.
 STCx y di son funciones solo de las xi, no son ALEATORIAS bajo el
condicionamiento.
12/7/2017
Hay que senalar que el supuesto de homocedasticidad es totalmente distinto al de

media condicional cero, E(u|x) 0. El supuesto RLS.4 se refi ere al valor esperado de u,
mientras que el RLS.5 esta relacionado con la varianza de u (ambos condicionales
sobre x).
 Para toda constante c,
 Si {(xi, yi): i 1, 2,…, n} es un conjunto de n pares de números, y a y b

son constantes, entonces
 APENDICES DE CONSULTA PARA ESTUDIANTES
12/7/2017
 Dados n numeros {xi: i 1,…, n}, se calcula su promedio o media

sumándolos, y después dividiendo el resultado entre n: PROPIEDADES
COVARIANZA
E(u) = 0
 E(u) = 0
 Cov(x,u) = E(xu) =0
 Propiedad COV.1: Si X y Y son independientes, entonces Cov(X,Y) Cov(x,u) = E(xu) =0
0.
 Propiedad COV.2: Para todas las constantes a1, b1, a2 y b2,
 Cov(a1X b1, a2Y b2) = a1a2Cov(X, Y).

Regresión lineal mínimos cuadrados ordinarios (MCO

Diunggah oleh

Informasi Dokumen

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Regresión lineal mínimos cuadrados ordinarios (MCO

Diunggah oleh

Hak Cipta:

Format Tersedia

12/7/2017

- VALORES AJUSTADOS: PUNTOS EN LINEA DE REGRESION, RESIDUALES: u^i

3) El punto (x￣,y￣) se encuentra siempre sobre la linea de regresion de MCO.

PROPIEDADES Yi se escribe como su valor ajustado y su

MCO SUMA TOTAL DE CUADRADOS SUMA EXPLICADA DE CUADRADOS

 Con los valores de roe y salary estime

 Estime la relacion entre GPA y ACT empleando MCO; es decir,

 R2 mide la proporción o el porcentaje de la variación total en Y explicada

 SUPUESTO 1. Modelo de regresión lineal: El modelo de regresión es lineal

En series de tiempo, se tiene una falla del supuesto

En una muestra aleatoria E(ui|xi)=O para todos i = 1,….,n

Las estimaciones MCO del

 CONDICIONAR SOBRE LOS VALORES MUESTRALES DE LA

 B^o y B^1 como ESTIMADORES INSESGADOS

Hay que senalar que el supuesto de homocedasticidad es totalmente distinto al de

 Para toda constante c,

 Si {(xi, yi): i 1, 2,…, n} es un conjunto de n pares de números, y a y b

 Dados n numeros {xi: i 1,…, n}, se calcula su promedio o media

Anda mungkin juga menyukai