Definición Del Modelo Clásico 040220
Definición Del Modelo Clásico 040220
Definición Del Modelo Clásico 040220
El objetivo de un modelo de regresión es tratar de explicar la relación que existe entre una
variable dependiente (variable respuesta) Y un conjunto de variables independientes (variables
explicativas) X1, ..., Xn. En un modelo de regresión lineal simple tratamos de explicar la relación
que existe entre la variable respuesta Y y una única variable explicativa X.
Mediante las técnicas de regresión de una variable Y sobre una variable X, buscamos una función
que sea una buena aproximación de una nube de puntos (xi, yi), mediante una curva del tipo:
En donde es la ordenada en el origen (el valor que toma Y cuando X vale 0), es la pendiente de
la recta (e indica cómo cambia Y al incrementar X en una unidad) y una variable que incluye un
conjunto grande de factores, cada uno de los cuales influye en la respuesta sólo en pequeña
magnitud, a la que llamaremos error. X e Y son variables aleatorias, por lo que no se puede
establecer una relación lineal exacta entre ellas.
-Es decir, sigue una tendencia lineal, dado que el modelo se sustenta en promedios, y al ser
promedios sigue una tendencia promediar
-Los X deben seguir una secuencia de carácter lógico a lo menos en un 80%, es decir, deben
guardar una relación directa o inversamente proporcional.
Supuesto 3:
-los residuos deben comportarse como una distribución normal en la que tienda al centro, es
decir, a 0.
Supuesto 4:
-El modelo debe ser homocedasico, es decir, que tiende a comportarse los residuos de manera
similar dentro de los datos. Si existe homocedasicidad se comprueba con la varianza.
Todos los residuos tienen distintas varianzas, por lo tanto, los datos variaran mucho y la predicción
que podemos hacer del futuro no será cierto.
dato1. Cómo una in/ere en la otra y como la otra in/ere en la una. (Viceversa)
Según este supuesto, se espera que las variables no estén auto correlacionadas, es decir, no se
puede tomar una extensión de la misma variable.
Perturbaciones: residuos.
Supuesto 7: el número de observaciones “n” debe ser mayor que el número de parámetros por
estimar
Ejemplo: n: de 1 año
Estimaciones: de 6 meses.
La varianza de x debe ser mayor de 0, porque los datos deben variar. “x” se debe mover porque si
no se mueve no explicaría nada, no estaríamos estudiando nada.
Para cada parámetro pueden existir varios estimadores diferentes. En general, se elige al
estimados que posea mejores propiedades que los restantes, como insesgadez, eficiencia,
convergencia y robustez (consistencia).
El valor de un estimador proporciona una eestimación puntual del valor del parámetro en estudio.
En general, se realiza la estimación mediante un intervalo, es decir, se obtiene un
intervalo(parámetro muestral +- error muetsral) dentro del cual se espera se encuentre el valor
poblacional dentro de un cierto nivel de confianza.
*Teorema de Gauss-Márkov:
Bajo las hipótesis básicas del MRL, el estimador MCO (Mínimos Cuadrados Ordinarios) de β es
óptimo entre la familia de estimadores lineales e insesgados.
Es decir, no es posible encontrar otro estimador de β que siendo lineal e insesgado tenga una
varianza menor que el estimador MCO.
Al referirnos que los estimadores “B” tienen varianza mínima, podemos decir de la forma más
simple, que presentan el menor error cuadrático comparado a otros estimadores, y hace por ello
que sean los más eficientes, todo esto con el fin de que la función de regresión muestral sea lo
más cercana posible a la función de regresión poblacional, por lo que podemos hablar de
insesgadez.