ANÁLISIS DE REGRESIÓN :
i :
÷ :* :*
o Estudio de dependencia , _
CUANDO es
2 -
°
0B :
Estimar Y/o predecir el PROMEDIO POBLACIONAL de la variable dependiente cY , i -
°
í × :
Nóíinoues
REGRESIÓN CAUSALIDAD
↳ CORRELACIÓN
variables7CO.si
: Medida de asociación lineal entre dos
l
-
-
: t A
!
= -
ao
i.si//::0i!::ieiii.ii :
si !
!
iiximm in
.
i
¡ p n
Teórico Condicional
! !
↳ El YI Xi ) : Media
!
.
FI É té
.
Muestral Yi
.
.
° : -
-
.
÷
.
↳ -
ÉIYIXI ) -
x
Observable explicar )
o
§ :
variable aleatoria no .
Toma valores positivos o
negativos .
( lo que no , es posible
El YI Gi Yi pr Xi
}
ELYIX ) = DETERMINISMO Yi = Xi ) t I =
p ,
t t Eei
Ee =
ALEATORIO
°
APLICANDO VALOR ESPERADO : Yi =
ECYIXI ) t
Gi / El / Xi )
El Yil Xi ) =
EFEHIXIII Xi ) t El Gil Xi )
÷
la recta de regresión pase través de las
* El Gil Xi ) =
O → Asegura que
a
medias condicionales de Y .
• En la mayoría de los fenómenos económicos a estudiar no disponemos de las observaciones totales de la poblacion .
°
Debemos estimar la función de regresión poblacional en base a informacion muestral .
ALEATORIA
°
La muestra debe ser .
• PÍ
, n
É ESTIMADORES
ESTIMADORES & SUS PROPIEDADES
-
it
'
= valor medio * Eficiencia IMPLICA lnsesgamilnto .
.
.
Equipo )
=
fsesoolpi )) t V (B)
-
= media / promedio para poder comparar varianzas NECESITAMOS QUE EN
iiiliiihi
EL ESTIMADOR
EL LÍMITE
= Valor esperado es necesario que
los estimadores SEAINSESOADO
los ( 0) tambien
* Insesgamiento Implica que en 0 pts es más eficiente , ya que ,
o converger a
y su
ti
"üi
)
I i
'
i i
'
1- -
is
Elpit -
-
Elf ) =p pi p
-
PROPIEDADES DE * VARIANZA O
MUESTRA PEQUEÑA ^
1- → N
L
"
: ÷::::
:p
÷:÷÷:÷÷÷÷÷:÷÷÷÷÷÷÷ 1
de muestra pequeña ,
en este caso se debe recurrir a
_
las propiedades de muestras P
grandes .
i. Debe ser 0 .
crece ( → N ) V = 0 .
✓ =
f (E) no
PROPIEDAD DE MVETRA
GRANDE
DERIVALIOÑ DE ESTIMADORES
⑦ MÉTODO DE MOMENTOS
Yi =
Xt BXI t Ei con El E.) = O
M POBLACIONAL M MUESTRA
COV ( Xi ,
Gil =
El Xi Ei ) -
El Xi ) t } EIE ;) = O
=ElXiE
.
. ,
El Xi ) → [ xi COVLXI ,
Ei ) → ERROR ORTOGONAL
-
A X
ERROR
-
.
M * DESPEJAR
Etxil Ei =
Yi -
X -
BXI / El ) NO COVARÍAN
→
Exin El Ei ) =
El Yi -
× -
BXI ) / El E.) = O
Elyi -
X -
BXI ) = O
EJEMPLOS CONDICIÓN DE mm
MOMENTO n n n
①
n
Yi = Xt Ei con El Ei ) = O i .
ZIYi-d-B-0-zEYi-EX-ZBXi-e.co
M n
DESPEJAR EL ERROR
*
I
n n
I á BI O
¥1 pi =
Yi Xt Ei
-
- -
= -
Ei =
Yi -
a / El )
Elcil = El Yi -
x ) Elyi -
a) = o f-
á=J-p
A VOLVER A COV REEMPLAZAR Ei n á
M.vn ,
I)
i .
-214in =
O [ ( Yi -
= O
Efxi -
lyi -
a -
Bxi ) ) = O *
n [ xilyi -
J trsx -
pixilfn = O
ZI m2 pilxi I ))
[ Yi -
= O EYI =
Zxillyi -
J) - -
= O
-
Exi Mi -
T ) -
ÍBEXI lxi -
I ) = O
fax
=
T / § =
Eximir = ElXi-xlH
)
?
- zxilxi -
I Elxi -
I )
-
¡ AI Cuarto de la variación
COTI x. y ) muéstrales
AX de Y se explica por la _
variación de X. DERIVADA var ( x )
PARCIAL
hírrlxil
VVARIXIVARIYIVARIXIVARIY
) CÓVLXMI CÓRRIXM )
=u
=
* ¥-07 x
) = sxsy
La covarianza mide la relación lineal entre dos variables
La correlación mide tanto la fuerza El valor de una relación lineal perfecta depende de los datos .
como la dirección de la relación lineal Es difícil determinar la fuerza de la relación entre las variables
o ARGUMENTO :
Qian .
E? } Éi =
Yi - á -
pixi = M C. O .
Éi Yi I píxi
Él
*
-
= -
Yi -
J -
BXIT E?
'
* =
lyi - i -
rixil
) dEE
YÍ
i c.ro :
o O
=
finai .
= =
si
-
1 .
2 Éi = O
2 ( Yi -
J -
B Xi ) = O
/ # SUMATORIA
-
2 [ ( Yi -
J -
B Xi ) =
O
ülcroi
%i =
o
jf.dz?aii=' zpi =
o
Xi . 2 ( Ii ) = O
-
2. Xi ( Yi -
Ñ -
p Xi ) = O
/ * SUMATORIA
J
"
-
2 Zxilyi - -
Bxi ) = O
* Simplificando obtenemos :
sistema de ecuaciones :
111 [ ( Yi -
J -
ÍBXI ) = O (3) ná = [ Yi -
pízxi
"
}
¥ : III. EE , »
"
in
I = 5- BI
tiiiiiiie
[ XIYI =
¡ ÷!:} :÷!! .
[ Xi
www.a-m-ixir-o
( Yi J t BI B - -
Xi ) = O
Zxi Hi -
T -
B lxi -
I )) = O
[ Xi Mi -
T ) -
pis [ Xilxi -
I ) = O
[ Xi Mi -
5) =
PJZXI ( Xi -
I )
§ =
[ Xi ( Yi
-
-
T)
=
El Xi -
F) ( Yi
-
-
T)
* Función de pérdida :
I ) I )
[ Xi ( Xi -
Elxi -
E) lxi -
① L ( ) E?
}
Ee = PROBLEMA : Yi = Xt P Xi t Ei PROMEDIO
¡
→ Encontrar á ,
Ñs tal que Min Ez Ei
'
=
2- Mi - x -
px ;)
'
^ Pinediana
→ Encontrar si B tal
que
1¥ Él Yi -
x -
pxil
" " " " " " " " " "
/
.nl?:::i:::::i::i::::::i::i- pin
Sta i REG Ys QREG
-
② MÁXIMA VEROSIMILITUD
° Calcular los parámetros É tal que la muestra es la más verosímil posible
° MÉTODO PARAMÉTRICO se asume conocida la distribución de los datos .
IDENTIFICACIÓN
Dtf : IDENTIFICACIÓN : se relaciona con la DETERMINACIÓN de los parámetros ( fundamentales ) a
partir de los datos observables .
° Es un concepto asintótico
o Es un
problema anterior a la estimación I PROBLEMA TEORICO ( no muestral )
D :
EQUIVALENCIA OBSERVACIONAL
DATO
PARÁMETRO
si 7 Q ,
Oz tal que
PIXIQ ) = PIXIE ) f x tw
IDENITFICACIOÑ
DEI :
* ÷ :* :* : :c : :* : : : : :* : : :* : :*
|
-
El problema de identificación existe cuando la naturaleza matemática
µ ,
ALTURA GRANDE
• •
no altera la probabilidad relativa de diferentes muestras potenciales
1
.
GORRO PEQUEÑO I
,
"
YÍÍFÍÍÍÍSÜÍÍÍÍÍÍÍ !
" " " " " " " " " " "
" " " " " " " "
I
I
I
1
|
|
I
I I
I I
-
MA MATMS
IDENTIFICACION EN OLS
2 xi
LASO : Yi
ó.
- - :
'
Zlxi Il IT > O
[ ( Xi
-
X TIENE VARIANZA
Yt = Xt Xt P t Et
Yt - i
= Xt Xt -
i Rt Et -
s
} ZEI
C. P O.
:
=
-
Ely
[ 2 (
_
Yi
por
-
B Xi ) Xi = O
IDENTIFICACIÓN
i. § =
Eli :
Exí Zxiz 20
/
- ' '
Y XP B ( ZG ?
'
CA GENERAL ) E q
'
= t Ee = x x x Y → min =
"
i. IDENTIFICACION X
'
EXISTE LX
'
Xl I X '
XI # O
X ES INVERTIBLE n
'
XX IX. xl M Ixia ( Exit # O
({
= = - _
TE a) ?
× . n [ ( Xi -
I ) Es INVERTIBLE
( OLINEALIDAD