Professional Documents
Culture Documents
SUBESTIMA
𝛽0 𝛽1
𝛽መ0 𝛽መ1
𝛽መ0 𝛽መ1
RESIDUOS: las
diferencias entre
los valores
observados
y los estimados
de Y.
𝛽መ0 𝛽መ1
SUMATORIA DE LOS
RESIDUALES AL
CUADRADO
𝛽መ1
𝛽መ0
𝛽መ0 𝛽መ1
CARACTERÍSTICAS DE LOS
ESTIMADORES:
• Los estimadores de MCO se expresan únicamente
en términos de las cantidades (es decir, X y Y )
observables (es decir, muestras). Por
consiguiente, se calculan con facilidad.
• Son estimadores puntuales: dada la muestra,
cada estimador proporciona un solo valor
(puntual) del parámetro poblacional pertinente.
PROPIEDADES FRM
• Pasa a través de las
medias muestrales de Y
yX
• El valor medio de Y
𝛽መ0 𝛽መ1
estimada 𝑌𝑖 es igual al
valor medio de Y real 𝛽መ1 𝛽መ1
𝛽መ1
• El valor medio de los 𝛽መ0 𝛽መ1
residuos 𝜇ො𝑖 es cero.
• Los residuos 𝑢ො 𝑖 no están correlacionados con Xi; es
decir:
SUPUESTOS MCRL
1. El modelo de regresión 𝛽መ1
es lineal en los
parámetros, aunque
puede o no ser lineal
en las variables.
2. Los valores que toma la
regresora X pueden
considerarse fijos en
muestras repetidas (el
caso de la regresora
fija), o haber sido
muestreados junto con
la variable dependiente
Y (el caso de la regresora
estocástica).
3. Dado el valor de Xi, la
media o el valor
esperado del término
de perturbación
aleatoria ui es cero
4. La varianza del término
de error, o de
perturbación, es la
misma sin importar el
valor de X.
• Igual dispersión o igual
varianza
• la varianza condicional de
la población Y varía con X.
Esta situación se conoce
apropiadamente como
heteroscedasticidad, o
dispersión desigual, o
varianza desigual.
5. Dados dos valores cualesquiera de X, Xi y Xj (i ≠ j),
la correlación entre dos ui y uj cualesquiera (i ≠j)
es cero. En pocas palabras, estas observaciones se
muestrean de manera independiente
AUTOCORRELACIÓN AUTOCORRELACIÓN NO
POSITIVA NEGATIVA AUTOCORRELACIÓN
6. El número de • Se necesitan por lo
observaciones n debe menos dos pares de
ser mayor que el observaciones para
número de variables estimar los parámetros
explicativas.
• No todos los valores X en • Si todos los valores de X
una muestra determinada ത el
son idénticos, Xi =𝑋y
• deben ser iguales. denominador de esa
Técnicamente, var(X) ecuación será cero, lo que
debe ser un número imposibilita la estimación
positivo. Además, no de β2 y, por consiguiente,
puede haber valores de β1.
atípicos de la variable X,
es decir, valores muy
grandes en relación con el
resto de las
observaciones.
• Los valores cambian de
una muestra a otra. constante o
varianza
Para ello se requiere homoscedásti
una medida de ca de ui
confiabilidad o
precisión de los
estimadores.
• La precisión de un valor
estimado se mide por
su error estándar (ee).
GRADOS DE LIBERTAD.
el número total de
observaciones en la
muestra
( n) menos el número de
restricciones (lineales)
independientes o de
restricciones que se les
impusieron
𝜎ො 2 es el estimador de
MCO de la verdadera
pero desconocida 𝜎 2
• Para calcular el error estándar de la estimación o error
estándar de la regresión
2 ෝ2
σ𝑢 σ(𝑦𝑖 −𝑦ො 𝑖 )
• 𝜎ො = =
𝑛−𝑘 𝑛−𝑘
error estándar de estimación o el
error estándar de la regresión
(ee).
la desviación estándar de los
valores Y alrededor de la línea de
regresión estimada
también se denomina desviación
estándar (condicional) de ui
y Yi
1. La varianza de 𝛽መ1 es directamente proporcional a 𝜎 2 pero
2
inversamente proporcional a σ(𝑋 − 𝑋) , es decir, etre mayor
sea la variación de los valores de x, menor será la varianza de
𝛽መ1 y por lo tanto, mayor será la precisión con la cual estimar
𝛽መ1 .
• Si 𝑋ത es positiva, la
covarianza es negativa.
COEFICIENTE DE DETERMINACIÓN:
BONDAD DE AJUSTE
• El coeficiente de determinación:
• 𝟎 ≥ 𝒓𝟐 ≤ 𝟏
DIAGRAMA DE VENN O DE BALLENTINE
• si r² = 0 → no hay relación alguna entre la variable regresada y
la variable regresora, es decir que β1 = 0.
2
• σ 𝑌𝑖 = σ 𝑌𝑖 − 𝑌ത
2
2 2
• σ 𝑌 = σ 𝑌𝑖
− 𝑌ത
2
2 = σ 𝑌𝑖 − 𝑌𝑖
• σ 𝑢𝑖
• Cuando r²= 0 se dice que no hay relación entre las variables. (Β₂ = 0) la
línea de regresión será horizontal al eje X
• Ejemplo: y = x²
• 𝑌ത = 446
𝑛 σ 𝑋𝑌− σ 𝑋 σ 𝑌
• 𝛽መ2 = σ 𝑋2 − σ 𝑋 2
= 3,95
𝟐
= 𝟑𝟎𝟖, 𝟖𝟎 + 𝟑, 𝟗𝟓𝜷
• 𝒀
HALLANDO LOS VALORES DE LA
VARIANZA Y EL ERROR ESTANDAR
2 ෝ2
σ𝑢
σ(𝑌 − 𝑌)²
• 𝜎ො = = = 2474,568438
𝑛−𝑘 𝑛−𝑘
• 𝜎ො 2 = 𝜎ො = 49,7450
σ 𝑋2
• 𝑒𝑒 𝛽መ1 = 𝜎ො = 46,9528
𝑛 σ(𝑋𝑖 − 𝑋)²
ෝ
𝜎
• 𝑒𝑒 𝛽መ2 = 2
= 1,275
𝑋𝑖 − 𝑋ത
• CALCULAMOS LA VARIANZA DE LOS
PARÁMETROS:
σ 𝑋𝑖 2
• 𝑉𝐴𝑅 𝛽መ1 = 𝜎ො 2 = 𝟐𝟐𝟎𝟓, 𝟎𝟏𝟕𝟓
𝑛 σ 𝑋𝑖 − 𝑋ത 2
ෝ2
𝜎
• 𝑉𝐴𝑅 𝛽መ1 = σ 𝑋𝑖 − 𝑋ത 2
= 1,6257