Scribd
Cargar
12 vistas

Icoaf001 U1 C3 C

Este documento describe las propiedades de los estimadores de mínimos cuadrados ordinarios, incluido cómo cambiar las unidades de medición afecta los resultados y las propiedades algebraicas de los estadísticos. También explica cómo probar hipótesis sobre los coeficientes y descomponer la variabilidad a través del análisis de varianza.

Cargado por

Mayerlin Altamirano
Derechos de autor
© © All Rights Reserved
Formatos disponibles
Descarga como PDF, TXT o lee en línea desde Scribd
12 vistas

Icoaf001 U1 C3 C

Este documento describe las propiedades de los estimadores de mínimos cuadrados ordinarios, incluido cómo cambiar las unidades de medición afecta los resultados y las propiedades algebraicas de los estadísticos. También explica cómo probar hipótesis sobre los coeficientes y descomponer la variabilidad a través del análisis de varianza.

Cargado por

Mayerlin Altamirano
Derechos de autor
© © All Rights Reserved
Formatos disponibles
Descarga como PDF, TXT o lee en línea desde Scribd
Está en la página 1/ 24

ECONOMETRÍA Y PRONÓSTICO

Clase 3: Propiedades mínimos cuadrados ordinarios


Contenido
1. Unidades de medición y su forma funcional.
2. Unidades de medición.
3. Propiedades de MCO en cualquier muestra de datos.
4. Regresión lineal betas conjuntos.
5. Regresión lineal.
Resultado de aprendizaje
Infiere las propiedades y supuestos de los estimadores mínimos
cuadrados ordinarios para interpretar la variable explicativa.
¿Alguna duda sobre la
clase anterior?
Propiedades mínimos cuadrados ordinarios

Introducción

Anteriormente se dedujeron las fórmulas para las


estimaciones, por MCO, del intercepto (B0) y de la
pendiente (B1).
En esta clase se verán algunas otras propiedades
algebraicas de la línea de regresión ajustada de MCO.
Adicionalmente, se analizará un tema importante en
economía aplicada: entender cómo el cambiar las
unidades de medición de la variable dependiente o de la
variable independiente va a afectar las estimaciones de
MCO.
Propiedades mínimos cuadrados ordinarios

Unidades de medición y su forma funcional

Unidades de medida

1. Cambio de unidades de medida (cambio de escala) en 𝑥𝑥:


Si 𝑥𝑥 es multiplicada/dividida por una constante 𝑐𝑐 ≠ 0, entonces la pendiente de MCO
queda dividida/multiplicada por la misma constante, 𝑐𝑐. Así:
Propiedades mínimos cuadrados ordinarios

Unidades de medición

Si ahora se expresa la renta en euros (multiplicando por


Ejemplo
1000) y se designa por rentae, el modelo ajustado a las
Supongamos la siguiente función
nuevas unidades de medida de la renta será la siguiente:
del consumo estimado que
depende de niveles de renta, en
la que ambas variables se miden
en miles de euros.
Como puede verse, el cambio de las unidades de
medida de la variable explicativa no afecta al término
independiente.
Propiedades mínimos cuadrados ordinarios

Propiedades de MCO en cualquier muestra de datos

Propiedades algebraicas de los estadísticos de MCO

P(1). La suma y por tanto, el promedio muestra de los


residuales de MCO, es 0. Matemáticamente:

Lo residuales (errores) están definidos por

Las estimaciones de MCO se eligen de manera que


las suma de los residuales sea 0.
Propiedades mínimos cuadrados ordinarios

Propiedades de MCO en cualquier muestra de datos

P(2). La covarianza muestral entre los regresores y los residuales


de MCO es 0. Esto es consecuencia de la condición de primer
orden (ecuación vi), que en términos de los residuales puede
expresarse como:

El promedio muestral de los residuales de MCO es 0, por lo


que el lado izquierdo de la ecuación (iii) es proporcional a la
covarianza entre las
Propiedades mínimos cuadrados ordinarios

Propiedades de MCO en cualquier muestra de datos

Se define la suma total de cuadrados (STC): la


suma explicada de cuadrados (SEC) y la suma
residual de cuadrados (SRC) (conocida también
como la suma de residuales cuadrados).
Propiedades mínimos cuadrados ordinarios

Propiedades de MCO en cualquier muestra de datos

SCT

La SCT es una medida de la variación muestral total en las 𝑦𝑦ⅈ, es


decir, esta mide qué tan dispersos están las 𝑦𝑦ⅈ en la muestra. De
manera similar, la SCM mide la variación muestral de las ŷⅈ (donde
se usa el hecho que y la SCE mide la variación muestra de los
ûⅈ.
La variación total de 𝑦𝑦 puede expresarse como la suma de la
variación explicada más a la variación no explicada SCE. Por tanto,
Propiedades mínimos cuadrados ordinarios

Propiedades de MCO en cualquier muestra de datos


Probar la ecuación (iii) no es difícil, pero se requiere el uso de las propiedades de la sumatoria:

Elaboración propia.
Propiedades mínimos cuadrados ordinarios

Propiedades de MCO en cualquier muestra de datos

Ahora, la ecuación (iii) es verdadera si se muestra que:

Como la covarianza muestral entre los residuales y los valores


ajustados es 0, queda validada la ecuación.
Propiedades mínimos cuadrados ordinarios

Propiedades de MCO en cualquier muestra de datos

Bondad de ajuste

.
Propiedades mínimos cuadrados ordinarios

Propiedades de MCO en cualquier muestra de datos

.
Propiedades mínimos cuadrados ordinarios

Propiedades de MCO en cualquier muestra de datos


𝑹𝑹² está siempre entre 0 y 1. Al interpretar 𝑅𝑅², se acostumbra multiplicarla por 100 para
transformarla en un porcentaje: 100 ∗𝑅𝑅² es el porcentaje de la variación muestra de 𝑦𝑦 que es
explicada por 𝑥𝑥.

Si todos los puntos de los datos se encuentran sobre la misma línea, los MCO proporcionan un ajuste
perfecto a los datos. En este caso,𝑅𝑅²=1. Si el valor de 𝑅𝑅²= 0, esto indica un ajuste pobre de la línea de MCO:
muy poco de la variación de las ŷⅈ es captado por la variación de las ŷⅈ (que se encuentran, todas, sobre la
línea de regresión de MCO). Se puede mostrar 𝑅𝑅² que es igual al cuadrado del coeficiente de correlación
muestral entre 𝑦𝑦ⅈ y ŷⅈ , pero solo para regresión simple y no múltiple.
Propiedades mínimos cuadrados ordinarios

Regresión lineal betas conjuntos

Si ya conocemos los betas, ¿ahora qué?

Se debe saber estadísticamente si son o no significativos, por lo tanto,


ahora se probarán las hipótesis.

Nota: se realiza una prueba estadística calculando un pivote (estadístico) para los
betas y contrastando con una distribución “t” de probabilidad, esta prueba arrojará
si los coeficientes betas son significativos o no.
Propiedades mínimos cuadrados ordinarios

Regresión lineal betas conjuntos

¿Cómo se concluye?

Si aceptamos la hipótesis nula, concluimos Si rechazamos la hipótesis nula, concluimos


que no hay evidencias de que haya una que el modelo lineal es apropiado. Puede que
relación lineal entre las variables y el exista una relación NO-LINEAL, pero los datos
modelo, en principio, no es apropiado. son también consistentes con un modelo
Puede haber una relación lineal en la lineal.
población pero la muestra elegida no la
detecta.
Propiedades mínimos cuadrados ordinarios

Regresión lineal betas conjuntos

Definiciones para contrastar hipótesis

P- Valor: probabilidad correspondiente al estadístico de ser posible bajo la hipótesis nula. Por ejemplo:

P- Valor, quiere simplemente decir que es poco probable que la H0 sea cierta, luego la
rechazamos para abrazar la alternativa, pero siempre tenemos cierta probabilidad de
cometer lo que se denomina un error de tipo 1 Alpha “α”. ¿Qué es el error de tipo 1 o α?

En general, trabajaremos con , es decir, dejaremos un 5% de probabilidad de


equivocarnos en rechazar cuando sea verdadera.
Propiedades mínimos cuadrados ordinarios

Regresión lineal
Si ya conocemos los betas, ahora ¿qué?

Aprenderemos a ver lo robusto del modelo, mediante el análisis de la varianza o ANOVA.

Variabilidad de Y respecto a su promedio

Descomposición de la variabilidad
Elaboración propia.

Suma cuadrado total (SCT) Suma cuadrado del modelo (SCM) Suma cuadrado del error (SCE)
Propiedades mínimos cuadrados ordinarios

Regresión lineal

Tabla ANOVA (análisis de varianza)

Elaboración propia.
Propiedades mínimos cuadrados ordinarios

Resumen de la clase

• Se introdujeron las principales propiedades de los


estimadores MCO.

• Nos adentramos en el concepto y la interpretación de la


bondad de ajuste del modelo y se presenta a grandes rasgos
cómo poder determinar si es un modelo adecuado o no.

• Por otro lado, se introdujo el tema de la descomposición de


la varianza, la cual ayudará a inferir los resultados desde la
tabla de análisis de varianza ANOVA.
Propiedades mínimos cuadrados ordinarios

Bibliografía

Gujarati, D., Porter, D. (2010). Econometría (5ª ed.). México: McGraw-Hill.

Stock, J., Watson, M. (2012). Introducción a la econometría (3ª ed.). España: Pearson Educación.

Wooldridge, J. (2015). Introducción a la econometría (5ª ed.). México: Cengage Learning.

También podría gustarte