ANLISIS DE REGRESIN

Naturaleza

Termino de regresin

Fue introducido por Francis Galton (1886) Ley de regresin universal

La

estatura de los hijos inusualmente altos o padres inusualmente bajos tiende a moverse hacia la estatura promedio de la poblacin total

Lo confirmo su amigo Karl Pearson (1903)

Prof. Robles Huaranga Salazar

Distribucin hipottica de la estatura de los hijos dadas la de los padres

Prof. Robles Huaranga Salazar

Observaciones sobre el grafico

Para cualquier estatura dada de un padre existe un rango(distribucin) de estatura de los hijos El promedio de esa distribucin se incrementa en las misma medida que se incremente la de los padres

Prof. Robles Huaranga Salazar

Interpretacin moderna de la regresin

El anlisis de regresin trata del estudio de la dependencia de la variable dependiente, respecto a una o mas variables independientes (explicativas), con el objeto de estimar y/o predecir el valor promedio poblacional de la primera en trminos de los valores conocidos o fijos (en muestras repetidas) de los ltimos
Se esta interesado en manera en que cambia las estatura promedio de los hijos, dada la de los padres.
Prof. Robles Huaranga Salazar

FUNCION DE REGRESION POBLACIONAL

Modelo de dos variables

Temas:

Valores esperados condicionales Recta de regresin poblacional Funcin de regresin poblacional determinista (FRPD) Funcin de regresin poblacional Estocstica (FRPE) La perturbacin estocstica Linealidad en los parmetros
Prof. Robles Huaranga Salazar

Valores esperados condicionales

E(Y/X): Se lee como el valor esperado de Y condicionado al valor de X La esencia del anlisis de regresin consiste en que conocer el nivel de ingreso nos permite predecir con mayor probabilidad el valor medio del gasto del consumo, que si no supiramos esta informacin

Prof. Robles Huaranga Salazar

Gasto Familiar (Y) e Ingreso Familiar (X)

Prof. Robles Huaranga Salazar

Recta de regresin poblacional

Si se unen los valores medios condicionales se obtiene la Curva de Regresin Poblacional Es un lugar geomtrico de las medias condicionales de la variable dependiente para los valores fijos de la(s) variable(s) explicativas Es la curva que conecta las medias de las sub poblaciones de Y correspondiente a los valores dados del regresor X
Prof. Robles Huaranga Salazar

Distribucin del gasto de consumo condicionado a niveles de ingreso

Prof. Robles Huaranga Salazar

Recta de regresin poblacional

Prof. Robles Huaranga Salazar

Funcin de Regresin Poblacional Deterministica (FRPD)

E(Y\Xi)=f(Xi)
Cada media condicional E(Y\Xi), es funcin de Xi, donde Xi es un valor dado de X El valor esperado de la distribucin de Y dada X, esta relacionado funcionalmente con X La media del gasto de consumo de todas las familias con el mismo nivel de ingresos F(Xi): es una funcin lineal de X E(Y\Xi)=B1 + B2Xi FRP deterministica

En el anlisis de regresin el objeto es estimar la FRP en base a los datos de Y y X

Prof. Robles Huaranga Salazar

Funcin de Regresin Poblacional Estocstica (FRPE)

Ui

= Yi E(Y\Xi)
Desviacin de un Yi individual alrededor de su valor esperado

Yi = E(Y\Xi) + Ui
El gasto medio de una familia dado su nivel de ingreso Yi, es igual a la suma del gasto medio de todas las familias con el mismo nivel de ingreso E(Y\Xi) mas un gasto que no es explicado que no es explicado por el nivel de ingresos Ui Yi = B1 + B2Xi + Ui FRP Estocstica

Ui: es la perturbacin estocstica

Prof. Robles Huaranga Salazar

Perturbacin estocstica (u )
i

Es un sustituto de todas las variables que son omitidas en el modelo, pero que colectivamente afectan a Y. Razones para incluir ui

Vaguedad de la teora No disponibilidad de informacin Variables relevantes Vs Irrelevantes Aleatoriedad en el comportamiento humano Errores de medicin en las variables Parsimonia Forma funcional incorrecta

Por estas razones las perturbaciones estocsticas asumen un papel extremadamente critico en el anlisis de regresin

Prof. Robles Huaranga Salazar

linealidad en los parmetros

Prof. Robles Huaranga Salazar

FUNCION DE REGRESION MUESTRAL

Modelo de dos variables

Funcin de regresin muestra

i= b1 + b2Xi
i :

FRM Deterministica

estimador de E(Y\Xi) b1: estimador de B1 b2: estimador de B2

Yi= b1 + b2Xi + i
i :

FRM Estocastica

residuos i: es un estimador de Ui

Prof. Robles Huaranga Salazar

Dos muestras aleatorias

Prof. Robles Huaranga Salazar

Rectas de regresin de las dos muestras

Prof. Robles Huaranga Salazar

Prof. Robles Huaranga Salazar

Resumen

El objetivo principal del anlisis de regresin es estimar: Yi = B1 + B2Xi + Ui, a partir de Yi= b1 + b2Xi + i Para cada X=Xi, se tiene una observacin muestra de Y=Yi En termino de la FRM la Yi observada puede ser expresada como: Yi = i + i En termino de la FRP la Yi observada puede ser expresada como: Yi = E(Y\Xi) + Ui
Prof. Robles Huaranga Salazar

Prof. Robles Huaranga Salazar

MODELO DE REGRESIN CON DOS VARIABLES

Estimacin

Temas:

Mininos cuadrados ordinarios (MCO) Propiedades numricas de los estimadores MCO Modelo clsico de regresin lineal (MCRL). Supuestos Propiedades estadsticas de los estimadores MCO

Prof. Robles Huaranga Salazar

Mininos cuadrados ordinarios (MCO)

Tiene propiedades estadsticas muy atractivas, razn por el cual es uno de los mas eficaces y populares del anlisis de regresin
La idea es calcular los estimadores b1 y b2, reduciendo al mnimo la suma de los errores al cuadrado

Prof. Robles Huaranga Salazar

Criterio de mnimos cuadrados

Prof. Robles Huaranga Salazar

Propiedades numricas de los estimadores MCO

Estn expresados nicamente en trminos de la cantidades de X e Y observables Son estimadores puntuales Propiedades de la recta de regresin:
Pasa a travs de la media mustrales de X e Y El valor medio de Y estimado es igual al valor medio de Y observado El valor medio de los residuos es igual a cero Los residuos no estn correlacionados con los Y estimados los residuos no estn correlacionados con X

Prof. Robles Huaranga Salazar