MODELOS DE

PRONOSTICOS

Aspectos complementarios en el
anlisis de regresin (2 parte)

Segundo semestre 2012

 Supuestos del modelo

1. Linealidad:

El modelo es lineal en los parmetros (betas).

Si no se tiene linealidad se dice que tenemos

un sesgo de especificacin.

El diagrama de dispersin constituye una

primera aproximacin al estudio de la
linealidad (podemos completarlo con un
grfico residuos v/s valores predichos).
 Supuestos del modelo
2. El trmino de error ui es una variable
aleatoria distribuida normalmente alrededor
de la recta de regresin poblacional.
 Supuestos del modelo
3. El modelo MCO asume que la varianza en los
valores de Y es la misma para todos los
valores de X (homoscedasticidad).

ui
Supuestos del modelo

ui
 Supuestos del modelo
4. MCO se basa en que los trminos de error
son independientes uno del otro.

Es decir, el trmino de error para un valor de

Yi no se relaciona con el trmino de error de
cualquier otro valor de Yi .

Esta hiptesis puede probarse analizando el

diagrama de los errores (tipificados) de los
datos muestrales.

Si no se observa ningn patrn se asume que

los errores no se relacionan.
Supuestos del modelo
Supuestos del modelo
 Supuestos del modelo
Autocorrelacin positiva: es ms probable que
un error positivo sea seguido de por otro error
positivo, mientras que un error negativo est
relacionado con un segundo error negativo
(signos iguales se agrupan).
 Supuestos del modelo

Autocorrelacin negativa: cada error es

seguido de un error de signo opuesto.
 Supuestos del modelo

Es ms probable que la autocorrelacin ocurra

en el uso de datos de series de tiempo.

Tambin puede ocurrir cuando se elige mal la

forma funcional o cuando se omiten variables,
lo cual genera un comportamiento sistemtico
en el trmino estocstico (sesgo de
especificacin).
 Supuestos del modelo

Para detectar la presencia de autocorrelacin

en una serie de datos la prueba ms utilizada
es la de Durbin Watson.

Para este fin se define el estadstico de la

siguiente manera:

d
(u u
t t 1 ) 2

u 2
t
 Supuestos del modelo

n = tamao de la muestra
k = n de variables independientes
 Supuestos del modelo

Las hiptesis son:

H 0 : ut ,ut 1 0
H1 : ut ,ut 1 0
 Regresin a travs del origen
A veces la teora requiere que el trmino de
interseccin deba estar ausente del modelo.

La FRM de dos variables adquiere la siguiente forma:

Yi 2 X i ui
En este modelo el trmino intercepto est ausente o
es cero. Lo cual explica el nombre de regresin a
travs del origen

Cmo se estiman estos modelos y qu problemas

presentan ellos?.
 Regresin a travs del origen
Aplicando el mtodo MCO obtenemos las siguientes
frmulas:

2
X iYi
X i2 donde es estimada por
2 2
ui2

n 1
2
var 2
X i2

Es interesante observar las diferencias con las

formulas obtenidas cuando existe el coeficiente de
intercepto
 Regresin a travs del origen

Con int ercepto Sin int ercepto

2
xi yi 2
X iYi
xi2 X i2

var 2
2
var 2
2
xi2 X i2

2
ui2

2
ui2
n2 n 1

En el modelo sin interseccin hay sumas sencillas

de cuadrados y productos cruzados, en el modelo
con interseccin hay sumas de cuadrados ajustadas
(de la media) y productos cruzados
 Regresin a travs del origen
Los gl en el modelo con interseccin son n-2 y
en el modelo sin interseccin n-1 (un
parmetro menos a estimar)

A menos que haya una expectativa a priori

muy fuerte es aconsejable apegarse al modelo
convencional.

Si se ocupa la regresin con intercepto y este

resulta no significativo, entonces se tiene una
regresin por el origen, y si el modelo tiene
intercepto y se desconoce se comete error de
especificacin de modelo.
 Escalas y unidades de medicin
Consideremos la informacin dada en la tabla:

Inversin privada PIB

Inversin privada PIB (Miles de
bruta (millones (millones
Ao bruta (Miles de millones US$)
US$) US$)
millones US$)

1 Y1 Y1 X1 X1

: : : : :

n Yn Yn Xn Xn
 Escalas y unidades de medicin
Supngase que una persona utiliza la informacin en
miles de millones y otra en millones, sern iguales
sus resultados de estimacin?

De no ser as cual es la relacin?

Escalas y unidades de medicin

Yi 1 2 X i ui
luegose define
Yi* w1Yi
X i* w2 X i
Dondewi son factoresde escala
Si Yi y X i estnmedidasen milesde millonesde dlares
Yi* 1000Yi
X i* 1000X i
Se defineluegoentonces
Y * * * X * u *
i 1 2 i i
Escalas y unidades de medicin

Luego las relaciones quedan definidas :

w1
2* 2
w2
1* w11
*2 w2 2
1

var 1* w12 var 1
2
w

var 2*
1 var 2
w2
Rxy2 Rx2* y*
 Formas funcionales de los modelos de
regresin

Se ha estudiado modelos que son lineales en los

parmetros, los cuales pueden o no presentar
linealidad en las variables, consideremos los
siguientes modelos:

El modelo Log-log
El modelo Log-lineal
Modelos Lineal-log
Modelos recprocos
 Formas funcionales de los modelos de
regresin

Modelo Log-log

Considerando el siguiente modelo

Y i 1 X i2
reescrito de la forma
ln Yi ln 1 2 ln X i

ln Yi 2 ln X i , con ln 1

Yi * 2 X i* donde Yi* ln Yi
X i* ln X i
 Formas funcionales de los
modelos de regresin

Consideremos la siguiente formula conocida como inters

compuesto:
Yt Y0 1 r t

ln Yt ln Y0 t ln 1 r
considerando
1 ln Y0
2 ln 1 r
reescribiendo
ln Yt 1 2t
 Formas funcionales de los
modelos de regresin
Modelo Lin-log

Yi 1 2 ln X i ui

Lineal con respecto a la variable No-lineal con respecto a la variable

Modelos recprocos

Los modelos asi definidos se conocen como modelos

recprocos.
1
Yi 1 2 ui

Xi

Lineal con respecto a la variable No-lineal con respecto a la variable

Formas funcionales de los
modelos de regresin