UNIVERSIDAD

MICHOACANA DE SAN
NICOLÁS DE HIDALGO

Facultad de ingeniería química

Asignatura: Ingeniería económica

Tema: Naturaleza del análisis de regresión de

modelos uniecuacionales y tipología de
variables de datos.

Elaborado por:
 Alcaraz Guido Carlos Zareet
 Aviña García Daniel
 Cortez Neri Mariana
 Gil Cisneros Carlos Daniel
 Jiménez Ruiz Sergio Daniel
 Leco Gonzales Gustavo
Grupo: 03

Morelia mich, Febrero 19, 2019

Origen histórico del término regresión

El término regresión fue utilizado por primera vez como un concepto

estadístico en 1877 por Francis Galton quien llevó a cabo un estudio que
demostraba que la estatura de los niños nacidos de padres altos tiende a
retroceder o regresar hacia la estatura media de la población.
Los estadísticos acuñaron el término regresión para describir el proceso
mediante el cual se utilizan una variable a partir de otra.
En un famoso ensayo planteó que, a pesar de la tendencia de los padres
de estatura alta a procrear hijos altos y los padres de estatura baja, hijos
bajos, la estatura promedio de los niños de padres de una estatura
determinada tendía a desplazarse, o “regresar”, a la estatura promedio
de la población total, es decir, se trata de un fenómeno mediante el cual
los hijos altos e hijos bajos “regresan” por igual a la estatura promedio
de todos los demás. En palabras de Galton, se trata de una “regresión a
la mediocridad”.
Interpretación moderna de la regresión
El análisis de regresión trata del estudio de la dependencia de una
variable (variable dependiente) respecto de una o más variables
(variables explicativas) con el objetivo de estimar o predecir la media o
valor promedio poblacional de la primera en términos de los valores
conocidos o fijos (en muestras repetidas) de las segundas.
Ejemplo:
Considere de nuevo la ley de regresión universal de Galton. A él le
interesaba averiguar las razones de la estabilidad en la distribución de
estaturas dentro de una población. En el enfoque moderno, la
preocupación no es esta explicación, sino averiguar cómo cambia la
estatura promedio de los hijos dada la estatura de los padres. En otras
palabras, lo que interesa es predecir la estatura promedio de los hijos a
partir de la estatura de sus padres figura 1.1 diagrama de dispersión.
Relaciones estadísticas y relaciones deterministas
En las relaciones estadísticas entre variables se analizan, en esencia,
variables aleatorias o estocásticas, es decir, variables con distribuciones
de probabilidad. Por otra parte, en la dependencia funcional o
determinista también se manejan variables, pero no son aleatorias o
estocásticas.
Si tomamos por ejemplo un cultivo, este depende de algunas variables
como son el aire, el sol, el agua, la tierra, entre otras y dicha dependencia
es de naturaleza estadística porque las variables explicativas, si bien son
importantes, no permiten al agrónomo predecir en forma exacta el
rendimiento del cultivo debido a los errores propios de la medición de
estas variables y a otra serie de factores (variables) que en conjunto
afectan el rendimiento pero son difíciles de identifi car individualmente.
De esta manera, habrá alguna variabilidad “intrínseca” o aleatoria en la
variable dependiente, el rendimiento del cultivo, que no puede explicarse
en su totalidad sin importar cuántas variables explicativas se consideren.
Esto es un claro ejemplo de una variable estadística.
Por otra parte, existen las variables deteriministas implican relaciones
como la ley de la gravedad de Newton, la cual establece que toda partícula
en el universo atrae a cualquier otra partícula con una fuerza
directamente proporcional al producto de sus masas e inversamente
proporcional al cuadrado de la distancia entre ellas. En términos
matemáticos, F k (m1m2/r 2), donde F fuerza, m1 y m2 son las masas
de las dos partículas, r distancia y k constante de proporcionalidad.
Estas variables deterministas se pueden medir casi exactamente.
En el caso de lo que concierne a la economía no son muy utilizadas las
variables deterministas, ya que los mercado están en cambio constante y
lo que haga una sola persona puede afectar la economía mundial, como
es el caso de algunos presidentes los cuales por el simple hecho de hablar
de ciertos temas afectan a la economía de otros países y esto es casi
imposible de medir con variables deterministas, lo cual nos indica la
importancia de las variables estadísticas en la economía.
Regresión y causalidad
El análisis de regresión tiene que ver con la dependencia de una variable
respecto de otras variables. En palabras de Kendall y Stuart: “Una relación
estadística, por más fuerte y sugerente que sea, nunca podrá establecer
una conexión causal: nuestras ideas de causalidad deben provenir de
estadísticas externas y, en último término, de una u otra teoría”.
Lo que se debe notar es que una relación estadística por sí misma no
puede, por lógica, implicar causalidad. Para aducir causalidad se debe
acudir a consideraciones a priori o teóricas. Así, en el tercer ejemplo, es
posible recurrir a la teoría económica para afirmar que el consumo
depende del ingreso real.
Regresion y correlacion.
Un modelo de regresión es un modelo matemático que busca determinar
la relación entre una variable dependiente (Y) con respecto a otras
variables llamadas explicativas o independientes (X).
Así, por ejemplo, un economista podría estar interesado en determinar la
relación entre el ingreso de los trabajadores y su nivel de educación. Para
esto, podría llevar acabo un modelo de regresión en el cual la variable
independiente (Y) será el ingreso del trabajador. En cuanto a las variables
explicativas (X), se deben incluir todas aquellas que podrían explicar el
ingreso entre las que se encuentran por supuesto la educación, la
experiencia, la educación de los padres, etc.
La correlación se dirige sobre todo a medir la intensidad o fuerza con que
están relacionadas linealmente las variables.
Por ejemplo, si se desea encontrar la correlación entre las calificaciones
de exámenes de estadística y uno de matemáticas
Diferencia entre regresión y correlación:
 En análisis de regresión hay una asimetría en el tratamiento a las
variables dependientes y explicativas
 El análisis correlación se tratan dos variables cualesquiera en forma
simétrica; no hay distinción entre las variables dependientes y
explicativas

Las variables dependientes son estocásticas y las explicativas son fijas o

no estocásticas
Modelo económico
Un modelo económico es una representación simplificada de un proceso
o fenómeno económico.
Un modelo económico es una representación simplificada de la relación
entre distintas variables que explican cómo opera la economía o un
fenómeno en particular de ella.
Utilización del modelo
Los modelos económicos permiten estudiar fenómenos complejos y
hacer predicciones acerca del comportamiento futuro de las variables.
Los modelos económicos se basan en supuestos simplificadores acerca
de la relación de las variables. Sus principales usos son:
 1. Entender la relación entre las variables económicas (formular y
comprobar hipótesis)
2. Diagnóstico de una situación o fenómeno en particular
3. Predicción del comportamiento futuro de las variables
4. Diseño de políticas económicas
Terminología y notación.
Antes de proceder al análisis formal de la teoría de regresión
abordaremos brevemente la terminología y la notación. En las
publicaciones especializadas, los términos variable dependiente y
variable explicativa se definen de varias maneras; a continuación se
presenta una lista representativa:

La terminología de variable dependiente/variable explicativa, o la más

neutral de regresada y regresora. Si se estudia la dependencia de una
variable respecto de una única variable explicativa, como el consumo que
depende del ingreso real, dicho estudio se conoce como análisis de
regresión simple, o con dos variables.
Si se estudia la dependencia de una variable respecto de más de una
variable explicativa, como el rendimiento de un cultivo, la lluvia, la
temperatura, el Sol y los fertilizantes, se trata de un análisis de regresión
múltiple. En otras palabras, en una regresión de dos variables sólo hay
una variable explicativa, mientras que en la regresión múltiple hay más
de una variable explicativa.
El término aleatorio es sinónimo de estocástico. Como ya vimos, una
variable aleatoria o estocástica es la que toma cualquier conjunto de
valores, positivos o negativos, con una probabilidad dada.
A menos que se indique lo contrario, la letra Y representa la variable
dependiente, y las X (X1, X2,…, Xk), las variables explicativas, con Xk
como la k-ésima variable explicativa. Los subíndices i o t denotan la
observación o valor i-ésimo o t-ésimo. Xki (o Xkt) denota la i-ésima (o la
t-ésima) observación de la variable Xk. N (o T) representa el número total
de observaciones o valores en la población, y n (o t), el número total de
observaciones en una muestra. Por convención, se utiliza el subíndice de
observación i para los datos transversales (es decir, información
recopilada en un momento determinado), y el subíndice t, para datos de
series de tiempo (es decir, información reunida a lo largo de un periodo).
Naturaleza y fuentes de Datos
El éxito de todo análisis econométrico depende a final de cuentas de la
disponibilidad de los datos recopilados. Por consiguiente, es muy
importante dedicar algún tiempo a estudiar la naturaleza, las fuentes y
las limitaciones de los datos para el análisis empírico.
Tipos de datos
Hay tres tipos de datos disponibles para el análisis empírico: series de
tiempo, series transversales e información combinada (combinación de
series de tiempo y transversales).
Series de tiempo. Una serie de tiempo es un conjunto de observaciones
sobre los valores de una variable en diferentes momentos. Tal
información debe recopilarse en intervalos regulares, es decir, en forma
diaria (precios de acciones, informes del tiempo, etc.), semanal (como
cifras de oferta monetaria), mensual (tasa de desempleo, Índice de
Precios al Consumidor [IPC], etc.), trimestral (como el PIB), anual (como
los presupuestos del gobierno), quinquenal (como el censo de la industria
manufacturera), o decenal (como los censos de población). La mayor
parte del trabajo empírico con datos de series de tiempo supone que
éstas son estacionarias. en términos generales, una serie de tiempo es
estacionaria si su media y varianza no varían sistemáticamente con el
tiempo.
Series transversales. Los datos transversales consisten en datos de una
o más variables recopilados en el mismo punto del tiempo, como el censo
de población realizado por la Oficina del Censo de Estados Unidos cada
10 años (el último fue en 2000), las encuestas de gastos del consumidor
levantadas por la Universidad de Michigan y, sin duda, las encuestas de
opinión de Gallup y diversas empresas especializadas.
Información combinada. Los datos combinados reúnen elementos de
series de tiempo y transversales