3 Aea4257 C9 Apunteacademico
3 Aea4257 C9 Apunteacademico
3 Aea4257 C9 Apunteacademico
Recordemos uno de los estudios científicos que hemos usado de ejemplo en las
clases anteriores:
Los valores entre paréntesis indican la desviación estándar de cada variable. Los
valores t-student calculados sugieren que, al nivel de significancia de 2%, todos los
coeficientes estimados son estadísticamente significativos.
𝑌𝑖 = 𝛽0 + 𝛽1 𝑋1𝑖 + 𝛽2 𝑋2𝑖 + 𝑢𝑖
Donde,
1
Sin problemas de multicolinealidad, tema que se tratará en la clase 10: “Inferencia y selección”.
Los supuestos del modelo son los siguientes (Gujarati & Porter, 2010):
𝐶𝑜𝑣(𝑋1𝑖 , 𝑢𝑖 ) = 0
𝐶𝑜𝑣(𝑋2𝑖 , 𝑢𝑖 ) = 0
𝑉𝑎𝑟(𝑢𝑖 ) = 𝜎 2
𝐶𝑜𝑣(𝑢𝑖 , 𝑢𝑗 ) = 0 con 𝑖 ≠ 𝑗
7. Debe haber variación en los valores de las variables X, no debe ser un valor fijo
pues la denominamos variables.
2
Homoscedasticidad se tratará en la clase 11: “Perturbaciones en el Modelo de Regresión Múltiple”.
3
Autocorrelación residual se tratará en la clase 11: “Perturbaciones en el Modelo de Regresión Múltiple”.
9. No hay sesgo de especificación. El modelo está especificado correctamente.
𝑟 2 = 0,9613
El modelo de regresión lineal múltiple resulta que explica en un 96,13% los cambios
en el Imacec mediante variaciones en el comercio de bienes y servicios (CBS) y
total de ingresos (TI). Más adelante se retomará el ejemplo para desarrollarlo en
mayor profundidad.
En los siguientes párrafos iremos desarrollando la idea del funcionamiento del MCO
en el caso de las regresiones lineales múltiples en la determinación de los
parámetros.
Uso del MCO en la determinación de los coeficientes de la
regresión lineal múltiple
𝜕𝑆𝐶𝑅 𝜕𝑆𝐶𝑅
=0 𝑦 =0
𝜕𝛽̂1 𝜕𝛽̂0
2
(∑ 𝑦𝑖 𝑥2𝑖 )(∑ 𝑥1𝑖 ) − (∑ 𝑦𝑖 𝑥1𝑖 )(∑ 𝑥1𝑖 𝑥2𝑖 )
𝛽̂2 = 2 )(∑ 2 ) 2
(∑ 𝑥1𝑖 𝑥2𝑖 − (∑ 𝑥1𝑖 𝑥2𝑖 )
Con,
∑ 𝑢̂𝑖2
𝜎̂ 2 =
𝑛−𝑘
𝑌̅̂𝑖 = 𝑌̅𝑖
∑ 𝑢̂𝑖 𝑌𝑖 = 0
Comercio de
Total
Periodo Imacec bienes y
ingresos
servicios
3,20645139 21,3614809
Intercepción 68,49455041 5 6 2,4266E-08 61,10046 75,88864
Comercio de
bienes y 0,00010185 -
servicios -0,00044274 8 -4,34663165 0,00245638 -0,000678 0,000208
Se obtienen los coeficientes estimados para el modelo con sus respectivos errores
típicos, los que colaboran en el cálculo del valor crítico de la t-student en la
determinación del valor-p para medir significancia de los parámetros y si debido
intervalo de confiabilidad al 95%.
𝑛−1
𝑅̅ 2 = 1 − (1 − 𝑟 2 )
𝑛−𝑘
Donde,
Estadísticas de la regresión
Observaciones 11
Predicciones
Se espera una tasa de Imacec anual de 64,09 con los valores para las explicativas.
Conclusiones
Notamos que la regresión del análisis de datos de Excel, nos colabora en las salidas
rápidas de una masa de datos, sin embargo, debemos tener en cuenta el
procedimiento para lograr que la información nos permita interpretar bajo la teoría
económica y utilizarla en toma de decisiones.
Bibliografía
▪ Cerda, A., Lobos, G., Kufferath, E., & Sánchez, F. (2004). Elasticidades de
demanda por manzanas chilenas en el mercado de la Unión Europea: una
estimación econométrica. Agricultura técnica, 64(4), 399-408.