Professional Documents
Culture Documents
Tema 2. Regresi
on simple
Econometra I, 2015
1 / 62
Estructura
1
Tema 2. Regresi
on simple
Econometra I, 2015
2 / 62
Introduccion
Objetivo: presentar un modelo econometrico para analizar la
relacion entre dos variables: como x causa (provoca) cambios
en y .
Problemas basicos:
1
Tema 2. Regresi
on simple
Econometra I, 2015
3 / 62
(1)
Tema 2. Regresi
on simple
Econometra I, 2015
4 / 62
si
u = 0
Tema 2. Regresi
on simple
Econometra I, 2015
5 / 62
Tema 2. Regresi
on simple
Econometra I, 2015
6 / 62
(2)
wage = 0 + 1 educ 2 + u,
wage = 0 + 1 lneduc + u,
Ejemplos de modelos no lineales:
wage = 0 + educ 1 + u,
wage =
Serafima Chirkova (USACH)
0
+ u.
1 educ
Tema 2. Regresi
on simple
Econometra I, 2015
7 / 62
Tema 2. Regresi
on simple
Econometra I, 2015
8 / 62
Tema 2. Regresi
on simple
Econometra I, 2015
9 / 62
(4)
Tema 2. Regresi
on simple
Econometra I, 2015
10 / 62
Tema 2. Regresi
on simple
Econometra I, 2015
11 / 62
Tema 2. Regresi
on simple
Econometra I, 2015
12 / 62
(5)
Tema 2. Regresi
on simple
Econometra I, 2015
13 / 62
(6)
Tema 2. Regresi
on simple
(7)
Econometra I, 2015
14 / 62
1X
(yi b0 b1 xi ) = 0
n i=1
(8)
1X
xi (yi b0 b1 xi ) = 0
n i=1
(9)
Tema 2. Regresi
on simple
Econometra I, 2015
15 / 62
b1MM
b0MM = y b1MM x
Pn
(xi x) (yi y )
Sxy
= i=1
= 2
Pn
2
Sx
i=1 (xi x)
(10)
(11)
donde
1 Pn
Sxy = n1
i=1 (xi x) (yi y ) es la covarianza muestral
entre x e y ,
2
1 Pn
Sx2 = n1
i=1 (xi x) es la varianza muestral de x.
Demostracion en clase.
MM
MM
A b0
lo denominamos estimador MM de 0 y a b1
estimador MM de 1 .
Serafima Chirkova (USACH)
Tema 2. Regresi
on simple
Econometra I, 2015
16 / 62
Tema 2. Regresi
on simple
Econometra I, 2015
17 / 62
Tema 2. Regresi
on simple
Econometra I, 2015
18 / 62
b0 ,b1
i=1
= 2
s(b0 , b1 )
b1
= 2
n
X
i=1
n
X
(yi b0 b1 xi )
xi (yi b0 b1 xi )
i=1
Tema 2. Regresi
on simple
Econometra I, 2015
19 / 62
(yi b0 b1 xi ) = 0
i=1
n
X
donde
xi (yi b0 b1 xi ) = 0
i=1
Tema 2. Regresi
on simple
Econometra I, 2015
20 / 62
Estimadores MCO
Por tanto los estimadores obtenidos minimizando la funcion
objetivo (12) coinciden con los estimadores MM definidos en las
ecuaciones (10) y (11).
Los estimadores MCO en el modelo de regresion simple:
b1MCO
b0MCO = y b1MCO x
Pn
(xi x) (yi y )
Sxy
= i=1
= 2
Pn
2
Sx
i=1 (xi x)
(13)
(14)
donde
1 Pn
Sxy = n1
i=1 (xi x) (yi y ) es la covarianza muestral
entre x e y ,
2
1 Pn
Sx2 = n1
i=1 (xi x) es la varianza muestral de x.
MCO
MCO
A b0
lo denominamos estimador MCO de 0 y a b1
estimador MCO de 1 .
Serafima Chirkova (USACH)
Tema 2. Regresi
on simple
Econometra I, 2015
21 / 62
i=1
Tema 2. Regresi
on simple
Econometra I, 2015
22 / 62
Tema 2. Regresi
on simple
Econometra I, 2015
23 / 62
Tema 2. Regresi
on simple
Econometra I, 2015
24 / 62
Tema 2. Regresi
on simple
Econometra I, 2015
25 / 62
Tema 2. Regresi
on simple
Econometra I, 2015
26 / 62
ubi = 0
(15)
i=1
2
3
4
Tema 2. Regresi
on simple
Econometra I, 2015
27 / 62
Se satisface:
N
X
i=1
yi2
N
X
yi2
i=1
N
X
ui2
(18)
i=1
Demostracion en clase.
Tema 2. Regresi
on simple
Econometra I, 2015
28 / 62
Bondad de Ajuste
Necesitamos una medida que nos indique la calidad del ajuste, es
decir hasta que punto la recta de regresion MCO se ajusta bien a los
datos.
Definiciones:
Suma Total de los Cuadrados (STC ):
STC =
n
X
(yi y )2
i=1
n
X
i=1
(b
yi yb)
n
X
(b
y i y )2
como y =b
y i=1
n
X
ubi2
i=1
Serafima Chirkova (USACH)
Tema 2. Regresi
on simple
Econometra I, 2015
29 / 62
Tema 2. Regresi
on simple
Econometra I, 2015
30 / 62
Coeficiente de determinacion
Una medida de la bondad de ajuste es el coeficiente de
determinacion.
Se define el coeficiente de determinaci
on del modelo como
R2 =
SEC
SCR
=1
STC
STC
Tema 2. Regresi
on simple
Econometra I, 2015
31 / 62
Tema 2. Regresi
on simple
Econometra I, 2015
32 / 62
Tema 2. Regresi
on simple
Econometra I, 2015
33 / 62
Tema 2. Regresi
on simple
Econometra I, 2015
34 / 62
i = 1, 2, .., n
(19)
i = 1, 2, .., n
y
E (ui | x1 , x2 , .., xn ) = 0,
i = 1, 2, .., n
(20)
Tema 2. Regresi
on simple
Econometra I, 2015
35 / 62
(21)
(22)
y E (b1 ) = 1
Tema 2. Regresi
on simple
Econometra I, 2015
36 / 62
(xi x) ui
Pi=1
n
2
i=1 (xi x)
E b1 x) = 1 + E
= 1 + Pn
2
i=1 (xi x)
i=1 (xi
x)2
n
X
i=1
n
X
= 1 + Pn
x)
(xi x) ui x)
i=1
=
utilizando (20)
Utilizando (22)
E (b0 |x) = 0 + E (1 b1 )x x) + E (u| x)
n
1X
b
= 0 + 1 E 1 x) x +
E (ui | x)
n
i=1
=
utilizando E (b1 |x) = 1
Serafima Chirkova (USACH)
Tema 2. Regresi
on simple
0
y (20)
Econometra I, 2015
37 / 62
Tema 2. Regresi
on simple
Econometra I, 2015
38 / 62
Tema 2. Regresi
on simple
Econometra I, 2015
39 / 62
Tema 2. Regresi
on simple
Econometra I, 2015
40 / 62
Tema 2. Regresi
on simple
Econometra I, 2015
41 / 62
Tema 2. Regresi
on simple
Econometra I, 2015
42 / 62
2x 2
i=1 xi
n
b
Var (0 ) = Pn
2 =
(n 1)Sx2
i=1 (xi x)
Var (b1 ) = Pn
Tema 2. Regresi
on simple
Econometra I, 2015
43 / 62
Pn
2
i=1 (xi x) var (ui )
Pn
2
(xi x)2
i=1
P
n
2 i=1 (xi x)2
Pn
2 2
i=1 (xi x)
(
=
Pn
utilizando RLS.5
Tema 2. Regresi
on simple
2
Pn
2
(x
i=1 i x)
2 2
i=1 (xi x)
2 2
i=1 (xi x)
2
(n1)Sx2
Pn
(
=
Econometra I, 2015
44 / 62
Tema 2. Regresi
on simple
Econometra I, 2015
45 / 62
w=
1X 2
u
n i=1 i
como estimador de 2 .
El problema es que los errores no son observables.
Serafima Chirkova (USACH)
Tema 2. Regresi
on simple
Econometra I, 2015
46 / 62
Tema 2. Regresi
on simple
Econometra I, 2015
47 / 62
b2 =
1 X 2
ub
n 2 i=1 i
b2
(n 1)Sx2
\
y Var (b0 ) =
Tema 2. Regresi
on simple
b2 x 2
(n 1)Sx2
Econometra I, 2015
48 / 62
Errores estandar
Se define el error est
andar de la regresi
on (EER) como
b2
b=
b
se(b1 ) = p
(n 1)Sx2
se(b1 ) es un estimador de la desviacion tpica de b1 y por tanto
una medida de la precision de b1 .
Serafima Chirkova (USACH)
Tema 2. Regresi
on simple
Econometra I, 2015
49 / 62
b
x2
se(b0 ) = p
(n 1)Sx2
se(b0 ) es un estimador de la desviacion tpica de b0 y por tanto
una medida de la precision de b0 .
se(b1 ) es una variable aleatoria que, dados los valores de las xi ,
toma valores distintos para distintas muestras de y . Para una
muestra concreta el error estandar se(b1 ) es un numero como
tambien es un numero b1 cuando lo calculamos para una
muestra concreta. Lo mismo ocurre con se(b0 ).
Los errores estandar juegan un papel fundamental a la hora de
hacer inferencia, es decir a la hora de contrastar restricciones
sobre los parametros del modelo o a la hora de construir
Serafima
Chirkova (USACH)
Econometra I, 2015
50 / 62
intervalos
de confianza.Tema 2. Regresion simple
n = 526,
Tema 2. Regresi
on simple
(0,053)
R 2 = 0,164
Econometra I, 2015
51 / 62
Unidades de medida
Es importante tener en cuenta las unidades de medida de las
variables a la hora de interpretar los resultados de la regresion.
Cambio en las unidades de medida de la variable dependiente
y = cy implica
yb = c b0 + c b1 x = b0 + b1 x
donde b0 = c b0 y b1 = c b1
los nuevos coeficientes estimados seran iguales a los coeficientes
estimados que tenamos anteriormente multiplicados por c.
Tema 2. Regresi
on simple
Econometra I, 2015
52 / 62
b
b
donde 0 = c 0
la pendiente estimada no cambia y la nueva constante estimada
es igual a la constante estimada que tenamos anteriormente
dividida por c.
c2
Tema 2. Regresi
on simple
Econometra I, 2015
53 / 62
Tema 2. Regresi
on simple
Econometra I, 2015
54 / 62
Tema 2. Regresi
on simple
Econometra I, 2015
55 / 62
1
roe
100
Tema 2. Regresi
on simple
Econometra I, 2015
56 / 62
Tema 2. Regresi
on simple
Econometra I, 2015
57 / 62
Forma funcional
Cuando establecemos una relacion lineal entre y y x estamos
suponiendo que el efecto sobre y de un cambio en una unidad en
x no depende del nivel inicial de x. Este supuesto no es muy
realista en algunas aplicaciones.
Por ejemplo, el modelo de salario estimado predice que un ano
adicional de educacion aumenta el salario por hora en 54
centavos tanto para el primer ano de educacion, como para el
quinto, el decimosexto, etc., y esto no es del todo razonable.
Si suponemos que cada ano adicional de educacion supone un
aumento constante en el salario pero en terminos porcentuales,
tenemos que cambiar el modelo inicial por el modelo modelo
log-nivel.
Tema 2. Regresi
on simple
Econometra I, 2015
58 / 62
Modelo log-nivel
El modelo en el que la variable dependiente esta en logaritmos y
la variable explicativa esta en niveles se denomina modelo
log-nivel.
log(wage) = 0 + 1 educ + u,
tenemos que 1 100 % mide el cambio porcentual de salario
wage por un a
no adicional de educaci
on educ.
Tema 2. Regresi
on simple
Econometra I, 2015
59 / 62
Modelo log-log
Como podemos utilizar la transformacion logartmica para
conseguir un modelo de elasticidad constante.
El modelo en el que tanto la variable dependiente como la
explicativa estan en logaritmos se denomina modelo log-log.
log(salary ) = 0 + 1 log (sales) + u,
tenemos que 1 mide la elasticidad del salario de los directores
generales respecto de las ventas de la empresa.
R 2 = 0,281
Tema 2. Regresi
on simple
Econometra I, 2015
60 / 62
Modelo nivel-log
El modelo en el que la variable dependiente esta en niveles y la
explicativa en logaritmos. Este modelo se denomina modelo
nivel-log
salary = 0 + 1 log (sales) + u,
tenemos que 1 /100 mide el cambio salarial salary por un
aumento de un 1 % en las ventas sales.
Tema 2. Regresi
on simple
Econometra I, 2015
61 / 62
Forma funcional
El modelo que hemos estado estudiando en este tema se
denomina modelo de regresion lineal simple aunque hemos visto
que este modelo tambien permite establecer algunas relaciones
no lineales entre variables.
El termino linealse debe que el modelo es lineal en los
parametros 0 y 1 .
Las variables y y x pueden ser transformaciones cualesquiera de
otras variables.
Tambien podramos considerar en el contexto del modelo de
regresion simple otras transformaciones como
y = 0 + 1 x 2 + u
y = 0 + 1 x + u
Las variables sean transformaciones de otras, no afecta al
metodo de estimacion pero s afecta a la interpretacion de los
parametros.
Serafima Chirkova (USACH)
Tema 2. Regresi
on simple
Econometra I, 2015
62 / 62