LINEAL MÚLTIPLE MÉTODO DE ESTIMACIÓN DE MÍNIMOS CUADRADOS CLÁSICOS BONDAD DEL AJUSTE Y ANÁLISIS DE VARIANZA PROPIEDADES DE MUESTRA FINITA APLICACIÓN SUPUESTOS DEL MODELO DE REGRESIÓN LINEAL MÚLTIPLE
• En economía un modelo vincula a una variable que se
pretende explicar (y) con una o varias variables que la explican (x’s). • La variable explicada recibe el nombre de variable dependiente. • Las variables que explican a la variable dependiente reciben el nombre de variables explicativas o regresores. • El modelo se especifica a través de una serie de un conjunto de supuestos acerca del comportamiento de la SUPUESTOS DEL MODELO DE REGRESIÓN LINEAL variable dependiente y las variables explicativas. MÚLTIPLE
Supuesto 1 (linealidad): Sea:
Donde los B son parámetros desconocidos que deben ser
estimados y e es un componente de error no observado con ciertas propiedades que se especificaran mas adelante. • La parte de las variables explicativas en el modelo anterior se denomina función de regresión poblacional o regresión directamente. SUPUESTOS DEL MODELO DE REGRESIÓN LINEAL MÚLTIPLE
• Los parámetros representan los efectos marginales o
regresores. Por ejemplo, B2 representa el cambio en la variable dependiente cuando el segundo regresor se incrementa en una unidad mientras que los otros regresores se mantienen constante. • El supuesto de linealidad implica que el efecto marginal no depende de los regresores
SUPUESTOS DEL MODELO DE REGRESIÓN LINEAL
MÚLTIPLE
Supuesto 2 (exogeneidad estricta):
Note que la esperanza está condicionada por los
regresores para todas las observaciones. • El supuesto de exogeneidad estricta tiene varias implicancias.
• Usando la ley de las expectativas iteradas, la
exogeneidad estricta implica que la esperanza no SUPUESTOS DEL MODELO DE REGRESIÓN LINEAL condicionada del error es cero. MÚLTIPLE
• Bajo exogeneidad estricta, los regresores son
ortogonales al error para todas las observaciones. • La característica de la exogeneidad estricta es que los regresores no solo son ortogonales al error para la misma observación, sino también a los errores de otras observaciones.
SUPUESTOS DEL MODELO DE REGRESIÓN LINEAL
MÚLTIPLE
Supuesto 3 (no singularidad):
• El rango de la matriz X’X es k con probabilidad 1.
• Este supuesto equivale a asumir que X’X es una matriz definida positiva.
SUPUESTOS DEL MODELO DE REGRESIÓN LINEAL
MÚLTIPLE
Supuesto 4 (varianza del error esférica):
Homocedasticidad: El supuesto de homocedasticidad indica que el segundo momento condicional es una constante.
Este supuesto puede ser escrito en términos más
familiares como:
SUPUESTOS DEL MODELO DE REGRESIÓN LINEAL
MÚLTIPLE
Empleando la ley de expectativas iteradas el supuesto de
homocedasticidad nos dice que la varianza condicionada del error es igual a la varianza no condicionada que es una constante.
SUPUESTOS DEL MODELO DE REGRESIÓN LINEAL
MÚLTIPLE
Supuesto 4 (varianza del error esférica):
Ausencia de autocorrelación serial:
Igual que el supuesto de homocedasticidad, el supuesto de ausencia de correlación serial es equivalente a requerir que:
La covarianza condicional de los errores del modelo es
cero.
SUPUESTOS DEL MODELO DE REGRESIÓN LINEAL
MÚLTIPLE Combinando los dos requerimientos, el supuesto 4 de varianza de los errores esféricos establece que:
SUPUESTOS DEL MODELO DE REGRESIÓN LINEAL
MÚLTIPLE Caso Particular: Regresores Fijos
Si asumimos que los x son fijos o determinísticos no hay
necesidad de distinguir entre la distribución condicional del error y la distribución marginal del error de forma tal que los supuestos 2 y 4 pueden reescribirse como:
MÉTODO DE ESTIMACIÓN DE MÍNIMOS CUADRADOS
CLÁSICOS • Técnicamente, el método de MCC consiste es minimizar la suma de residuos al cuadrado (RSS):
• Las condiciones de primer orden para la minimización son:
MÉTODO DE ESTIMACIÓN DE MÍNIMOS CUADRADOS
CLÁSICOS • Las condiciones de primer orden dan origen a las ecuaciones normales:
• Las ecuaciones normales implican que:
Que es el estimador de MCC.
• Las ecuaciones normales implican que:
MÉTODO DE ESTIMACIÓN DE MÍNIMOS CUADRADOS CLÁSICOS MÉTODO DE ESTIMACIÓN DE MÍNIMOS CUADRADOS CLÁSICOS MÉTODO DE ESTIMACIÓN DE MÍNIMOS CUADRADOS CLÁSICOS Si la primera columna de X es una columna de unos, se deducen tres soluciones:
La suma de residuos de los mínimos cuadrados es cero.
Esto se deduce de:
El hiperplano de la regresión pasa por el punto medio de los
MÉTODO DE ESTIMACIÓN DE MÍNIMOS CUADRADOS datos: CLÁSICOS La media de los valores calculados por la regresión es igual a la media de los valores reales.
MÉTODO DE ESTIMACIÓN DE MÍNIMOS CUADRADOS
CLÁSICOS El vector de MCC es:
(1) en (2):
La matriz M es simétrica e idempotente (M = M’ y M = M2).
MÉTODO DE ESTIMACIÓN DE MÍNIMOS CUADRADOS CLÁSICOS Se puede interpretar M como una matriz que produce el vector de residuos de mínimos cuadrados en la regresión de y sobre x.
MÉTODO DE ESTIMACIÓN DE MÍNIMOS CUADRADOS
CLÁSICOS Si la variable dependiente es igual a la variable explicativa se obtendrá un ajuste perfecto y los residuos serán ceros:
Entonces:
La matriz P, que también es simétrica e idempotente, es
una matriz de proyección. El resultado son los valores calculados de la regresión por mínimos cuadrados de y sobre x.
Se cumple que ambas matrices son ortogonales:
Bondad de Ajuste y Análisis de Varianza
La variación de la variable se define en términos de
desviaciones respecto de su media . La variación total de y es la suma de las desviaciones al cuadrado: Bondad de Ajuste y Análisis de Varianza
Ahora se puede obtener una medida de la bondad del
ajuste mediante la utilización del:
El coeficiente de determinación se representa por R2.
Debe de estar comprendida entre cero y uno.
Mide la proporción del total de la variación de que es
representada por la variación de los regresores. Aplicación