econometría tema ii regresión lineal simple parte ii
TRANSCRIPT
-
7/23/2019 Econometra Tema II Regresin Lineal Simple Parte II
1/19
Modelo de Regresin LinealSimple: Parte I
MBA. Eric Joel Caro [email protected]
-
7/23/2019 Econometra Tema II Regresin Lineal Simple Parte II
2/19
Objetivo de Aprendizaje
Al finalizar el captulo, los estudiantes estarn en capacidadde interpretar los coeficientes de un modelo de regresinlineal con una variable explicativa.
-
7/23/2019 Econometra Tema II Regresin Lineal Simple Parte II
3/19
Contenido
I. Modelo de Regresin Lineal Simple
1. Covarianza y correlacin
2. Mtodo de Mnimos Cuadrados Ordinarios
3. Supuestos Clsicos
4.Derivacin de los estimadores
5. Unidades de medicin y forma funcional
6. Valores Esperados y Varianzas de los Estimadores MCO
7. Regresin a travs del origen
-
7/23/2019 Econometra Tema II Regresin Lineal Simple Parte II
4/19
Incorporacin de No Linealidades Hasta ahora todo ha sido lineal
Formas logartmicas son bastante comunes en ciencias sociales
Ejemplo 1:
= 0.90 + 0.54
N=526
Donde Wage es medido en $/hora y Educ en aos de educacin.
INTERPRETACION: Por cada ao adicional en educacin, el salario porhora aumentar 54 centavos de dlar.
Debido a que la relacin es lineal, 54 centavos es el aumento ya seapor el 1er o 20mo ao de educacin lo cual no es razonable.
Sera ms razonable si por cada ao adicional en educacin, el salarioaumentara en un porcentaje constante.
-
7/23/2019 Econometra Tema II Regresin Lineal Simple Parte II
5/19
Incorporacin de No Linealidades
Modelo:
= + +
Si = 0 entonces % 100
Esto implica un rendimiento creciente de la educacin.
Sacando exponencial a ambos lados de la ecuacintenemos:
= exp( + + )
-
7/23/2019 Econometra Tema II Regresin Lineal Simple Parte II
6/19
Incorporacin de No Linealidades
-
7/23/2019 Econometra Tema II Regresin Lineal Simple Parte II
7/19
Incorporacin de No Linealidades
Por MCO estimamos
= 0.584 + 0.083
N = 526 ; R2 = 0.186
INTERPRETACION: Wage aumenta un 8.3% por cada ao
adicional en educacin. OJO: No es Log (Wage) aumenta.
INTERPRETACION R2 = 0.186 : Educ explica cerca del 18.6%de la variacin en log(wage). OJO no en Wage.
-
7/23/2019 Econometra Tema II Regresin Lineal Simple Parte II
8/19
Incorporacin de No Linealidades
Ejemplo 2: Sueldo de los CEOs y Ventas de la empresa
= 4.822 + 0.257
N = 209 ; R2 = 0.211
INTERPRETACION: Por cada aumento en 1% en las ventas
de la empresa, hay un aumento de aproximadamente0.257% en el sueldo de los CEOs.
Es una medida de elasticidad.
-
7/23/2019 Econometra Tema II Regresin Lineal Simple Parte II
9/19
Incorporacin de No Linealidades
Ejemplo 3: Salario y Educacin
= 0.6 + 75
N = 458 ; R2 = 0.356
INTERPRETACION: Wage aumenta en 0.75 unidades por
cada aumento en 1% en la educacin. Es una medida de semi elasticidad.
-
7/23/2019 Econometra Tema II Regresin Lineal Simple Parte II
10/19
Resumen Formas Funcionales
-
7/23/2019 Econometra Tema II Regresin Lineal Simple Parte II
11/19
Supuestos Gauss Markov
RLS 1: Linealidad de los parmetros
= + + donde son lineales, X e Y nonecesariamente
RLS 2: Muestreo aleatorio
Muestra de tamao n: , ; = 1,2,3, . ,
= + + para i = 1,2,3,, n
RLS 3: Variacin Muestral de la Variable Explicativa
No todos los valores muestrales de X ; = 1,2,3, . , tienenel mismo valor.
RLS 4: Media Condicional Cero
= 0
-
7/23/2019 Econometra Tema II Regresin Lineal Simple Parte II
12/19
Insesgadez de MCO
TEOREMA: Con los supuestos RLS 1 al RLS 4, se puede demostrar la insesgadezde MCO.
DEMOSTRACION EN CLASE
-
7/23/2019 Econometra Tema II Regresin Lineal Simple Parte II
13/19
Supuestos Gauss Markov RLS 5: Homocedasticidad
=
Es decir, el trmino de error tiene la misma varianza paracualquier valor de X.
-
7/23/2019 Econometra Tema II Regresin Lineal Simple Parte II
14/19
Varianza muestral de estimadores MCO
Bajo los supuestos RLS 1 al RLS 5 se puede demostrar que :
=
DEMOSTRACION EN CLASE
CONCLUSIONES:
Si la relacin original tiene un comportamiento muy disperso ( grande),entonces la ser grande. En otras palabras, una mayor variabilidad en
los factores no observables aumentar la varianza de la pendiente estimada. Mientras ms dispersa est la variable independiente de su media, menor ser
la . Es por esto que se prefiere mayor variabilidad en la variable
explicativa.
-
7/23/2019 Econometra Tema II Regresin Lineal Simple Parte II
15/19
Tarea 2.d
Demostrar que
=
Qu sucede si la media de la variable independiente esigual a cero?
-
7/23/2019 Econometra Tema II Regresin Lineal Simple Parte II
16/19
Estimacin de
En la mayora de los casos es desconocida, por lo que hay que estimarla.
Pero primero puntualicemos la diferencia entre .
= + +
= o = +
= + +
se denomina error o perturbacin.
se lo llamda residuo.
Los errores reales nunca los vamos a conocer, los residuales se calculan a partirde los datos.
Estimador de
= =
-
7/23/2019 Econometra Tema II Regresin Lineal Simple Parte II
17/19
Tarea 2.e
Demostrar que es un estimador insesgado de , bajolos supuestos RLS 1 al RLS 5.
-
7/23/2019 Econometra Tema II Regresin Lineal Simple Parte II
18/19
Regresin a travs del origen En ciertos casos se impone restriccin de que cuando X = 0
entonces Y = 0.
Por ejemplo cuando se trabaja con el impuesto a la renta y elingreso:
Modelo: = + +
Es lgico suponer que = 0 por lo que el modelo estimadoquedara:
=
Modelo General: = +
No lo vamos a demostrar pero el de MCO ser igual a:
=
-
7/23/2019 Econometra Tema II Regresin Lineal Simple Parte II
19/19
FIN PARTE II