BANCO CENTRAL DE RESERVA DEL PER

CURSO DE ACTUALIZACIN
ECONOMETRA

EL MODELO DE REGRESIN LINEAL

CLSICO

Econometra
Agosto 2013

1
 ESQUEMA

1. FUNCIN DE DENSIDAD NORMAL Y REGRESIN.

2. EL MODELO DE REGRESIN

3. EL TRMINO DE PERTURBACIN

4. LOS SUPUESTOS CLSICOS

2
1. FUNCIN DE DENSIDAD NORMAL Y REGRESIN

Sea la funcin de densidad Normal conjunta bivariada:

x 2
2

1 1 x x
y

y

f ( x, y ) exp

x
2 y

y

2x y 1 2


2
2(1 )
x x y y

Funciones de densidad de probabilidad marginal:

1
1 x x
2

f ( x) exp
2 x 2 x


2

1 1 y

f ( y) exp
y

2 y 2

y

3
1. FUNCIN DE DENSIDAD NORMAL Y REGRESIN

La funcin de densidad condicional de Y dado X:

f ( x, y)
f ( y | x)
f ( x)

1
1 y

2

f ( y | x) exp 2 2
y y ( x x )
2y (1 ) 2 y (1 ) x
2 2

Media y Varianza Condicionales:

y y y
E (Y | x) y ( x x ) y x x y| x y| x x
x x x

Var(Y | x) (1 2 )2y Y2 | x

4
 2. MODELO DE REGRESIN

El Modelo de Regresin simple y mltiple:

y E( y | x ) u y E( y | x1 , x2 , , xk ) u

y=variable dependiente, regresando, explicada, variable del lado

izquierdo (left-hand-side variable).

xk = variables independientes, regresores, explicativas, variables

del lado derecho (right-hand-side variable). k regresores.

Trmino de perturbacin: u y E( y | x1 , x2 , , xk )

5
 2. MODELO DE REGRESIN

EYi X i E
(Y |
i
1 2 X i
X ) X
i i

YN
uN

Y2 B

A
ui
Y1

X1 X2 XN

6
 2. MODELO DE REGRESIN

Relacin poblacional positiv a entre Y y X Relacin poblacional negativ a entre Y y X

8 8

6 6

4 4

Y
Y

2 2

0 0
0 1 2 3 4 0 1 2 3 4

X X

7
 2. MODELO DE REGRESIN

CAUSALIDAD EN EL MODELO DE REGRESIN LINEAL

Es importante tener en cuenta que un modelo de regresin no
implica la existencia de causalidad entre las variables.

y E( y | x1 , , xk ) u

xi E( xi | y , x1 , , xi 1 , xi 1 , , xk ) u

La causalidad - si existiera - estar determinada por la teora

econmica y reforzada por pruebas estadsticas adecuadas.

8
 3. TRMINO DE PERTURBACIN O ERROR

Definicin
Denominado trmino estocstico.
La palabra estocstico proviene del griego stokhos que
significa objetivo o blanco de una ruleta:
Una relacin estocstica es una relacin que no siempre
da en el blanco.
As, el trmino de perturbacin mide los errores o fallas de
la relacin determinstica: u Y 1 2X

9
 3. TRMINO DE PERTURBACIN O ERROR

La presencia del trmino de perturbacin se justifica por los

siguientes argumentos (no mutuamente excluyentes):
Omisin de la influencia de eventos sistemticos, muy
importantes pero poco importantes para la relacin.
Omisin de la influencia de innumerables eventos no
sistemticos, muy importantes pero poco importantes para
la relacin.
Error de medicin de las variables utilizadas.
Aleatoriedad del comportamiento humano ante situaciones
similares.

10
3. TRMINO DE PERTURBACIN O ERROR

Omisin de variables explicativas: se excluyen variables que

no se pueden medir.
Agregacin de variables micro-econmicas. Relaciones
individuales pueden tener distintos parmetros.
Incorrecta especificacin del modelo en trminos de su
estructura: comn en datos de series de tiempo, la variable
endgena puede depender de sus valores pasados.
Incorrecta especificacin funcional: relaciones lineales vs.
no lineales.

11
 3. TRMINO DE PERTURBACIN O ERROR

Y 1 2 X

X1 X2 X3 X4 X

Suponga que una variable Y es una funcin lineal de otra variable X,

con parmetros desconocidos 1 y 2 que deseamos estimar.

12
1
 3. TRMINO DE PERTURBACIN O ERROR

Y 1 2 X

X1 X2 X3 X4 X

Suponga que se cuenta con una muestra de 4 observaciones para las

variables X e Y.

13
2
 3. TRMINO DE PERTURBACIN O ERROR

Y 1 2 X

Q4
Q3
Q2
1 Q1

X1 X2 X3 X4 X

Si la relacin entre X e Y fuera exacta, las observaciones estaran en

la lnea recta y no habra problema de obtener los valores exactos de
los parmetros poblacionales 1 y 2.

14
3
 3. TRMINO DE PERTURBACIN O ERROR

Y P4

Y 1 2 X

P1 Q4
Q3
Q2
1 Q1 P3
P2

X1 X2 X3 X4 X

En la prctica, muchas relaciones no son exactas y los valores

observados de Y son distintas de los valores que tomara se
estuvieran en la lnea recta (P vs. Q)

15
4
 3. TRMINO DE PERTURBACIN O ERROR

Y P4

Y 1 2 X

P1 Q4
Q3
Q2
1 Q1 P3
P2

X1 X2 X3 X4 X

As, el trmino de perturbacin permite justificar tal divergencia y por

ello el modelo estadstico puede escribirse como Y = 1 + 2X + u,
donde u es el trmino de perturbacin.

16
5
 3. TRMINO DE PERTURBACIN O ERROR

Y P4

Y 1 2 X

P1 Q4
u1 Q3
Q2
1 Q1 P3
P2
1 2 X1

X1 X2 X3 X4 X

Cada valor de Y tiene un componente no estocstico, 1 + 2X, y un

componente u. Por ejemplo, la primera observacin tiene estos dos
componentes.

17
6
 4. LOS SUPUESTOS CLSICOS
SC1:
Linealidad de la esperanza condicional. Trmino de perturbacin
aditivo? S.
Regresores Adecuados.
Parmetros Constantes.

SC2: Supuesto de Regresin

SC3: Rango Completo por columnas (no multicolinealidad).

SC4: Ausencia de relacin estadstica entre X y perturbaciones.

SC5: Perturbaciones esfricas: Homocedasticidad y No Autocorrelacin.

18
 4. LOS SUPUESTOS CLSICOS

SC1: LINEALIDAD DE LA ESPERANZA CONDICIONAL

1. Lineal en parmetros y variables:
y1 1 x11 2 x12 3 x13 k x1k u1
y2 1 x21 2 x22 3 x23 k x2 k u2

yn 1 xn1 2 xn 2 3 xn 3 k xnk un
Notacin matricial:
y1 x11 x12 x1k 1 u1
y x x2 k u
y X u 2 21
x22 2 2


n ( n1) xn1
y xn 2 xnk ( nk ) k ( k 1) un ( n1)

19
 4. LOS SUPUESTOS CLSICOS

Coeficientes de la Regresin y Efectos Marginales

Interpretacin de los parmetros

Tabla 1: Interpretacin de los coeficientes del modelo de regresin

X Log(X)
Efecto Marginal
Cambio en el nivel de Y ante un
Y Cambio en el nivel de Y ante un
cambio porcentual de X
cambio en una unidad de X
(Modelo Semilog)
Semi-elasticidad de Y ante X Elasticidad de Y ante X
Cambio porcentual de Y ante un Cambio porcentual de Y ante un
Log(Y)
cambio en una unidad de X cambio porcentual de X: ()
(Modelo Semilog) (Modelo Doble log)

20
 4. LOS SUPUESTOS CLSICOS

2. Regresores adecuados: el modelo especificado es el verdadero

No se omiten variables importantes.

No se incluyen variables redundantes.

3. Los parmetros son constantes:

Para la muestra analizada: individuos o tiempo.

Al menos que flucten (poco) alrededor de un valor constante.
No hay cambio estructural o de rgimen (series de tiempo), cualidades
(corte transversal).

21
 4. LOS SUPUESTOS CLSICOS

SC2: SUPUESTO DE REGRESIN:

MEDIA INCONDICIONAL DEL TRMINO DE PERTURBACIN IGUAL

A CERO:
E( ui ) 0, i 1, , n E( u ) 0
Regresores son fijos en muestreo repetido.
Regresores son variables aleatorias y con distribucin totalmente
independiente del trmino de perturbacin.

MEDIA CONDICIONAL DEL TRMINO DE PERTURBACIN DADO X

ES IGUAL A CERO: E( ui X ) 0, i 1,, n

Regresores son variables aleatorias y con distribucin independiente en

media del trmino de perturbacin.

22
 4. LOS SUPUESTOS CLSICOS

SC3: RANGO COMPLETO POR COLUMNAS DE X

No es posible que n<k
El nmero de observaciones es mayor al nmero de
regresores: n > k (variacin de los regresores).
Columnas linealmente independientes
No existen relaciones lineales exactas entre regresores:
Ausencia de Colinealidad o Multicolinealidad.
Implicancias:
XX es positivo definida
la inversa de (XX) existe!

23
 4. LOS SUPUESTOS CLSICOS

Diversas relaciones posibles Una nica relacin posible

Y Y

X X

24
 4. LOS SUPUESTOS CLSICOS

SC4: AUSENCIA DE RELACIN ESTADSTICA ENTRE

REGRESORES Y PERTURBACIONES:

Se presentan dos casos:

Regresores Fijos en muestras repetidas (no estocsticos): SC4f

Regresores Estocsticos:
Independencia total. SC4ait
Independencia en media. SC4aim
Ausencia de relacin lineal contempornea. SC4acu

25
 4. LOS SUPUESTOS CLSICOS

Independencia Total de las perturbaciones y regresores.

f ui , X ij f ui f X ij i 1, n j 1,, K

Independencia en media de las perturbaciones.

E ui | X ij E ui i 1, n j 1,, K

Si se cumple SC2 E ui 0 , entonces : E ui | X ij 0

26
 4. LOS SUPUESTOS CLSICOS

Ausencia de relacin lineal contempornea entre perturbaciones

y regresores.

Cov( X i j ,ui ) 0 i 1, n j 1,, K

Si E ui 0 , entonces :

Cov( X ik ,ui ) E( X ik ui ) 0 i 1, , n k 1,, K

27
 4. LOS SUPUESTOS CLSICOS

SC5: PERTURBACIONES ESFRICAS

Homocedasticidad: E [ ui2 | X ] 2 i 1, , n

Supuesto sobre el segundo momento condicional.

Si se cumple SC2 y SC4 (al menos independencia en media):

Var( ui | X ) E [( ui E [ ui | X ])2 | X ]
i 1, , n
E [u | X ]
2
i
2

28
 4. LOS SUPUESTOS CLSICOS

No autocorrelacin:
E [ ui u j | X ] 0 i j

Si se cumple SC2 y SC3:

Cov[ ui ,u j ] | X E( [ ui E( ui )][ u j E( u j )] | X )
i j
Cov[ ui ,u j | X ] E( ui u j | X ) 0

En series de tiempo: ausencia de correlacin serial.

29
 4. LOS SUPUESTOS CLSICOS

Perturbaciones Esfricas: Notacin matricial

E [ uu' | X ] 2 I n

La matriz de segundos momentos es proporcional a la identidad.

Si se cumple SC2 y SC4 (al menos independencia en media):

VCov(u ) E [uu ' | X ] 2 I n

30