Econometra Cap. 2 5a edicin Damodar N.

Gujarati

Introduccin En este captulo abordaremos el trmino del anlisis de regresin bivariable o con dos variables, en la cual la variable dependiente (Y) (la regresada) se relaciona con una sola variable explicativa (X) (la regresora).

Ejemplo hipottico
El anlisis de regresin se ocupa en gran medida de la estimacin y / o prediccin de la media ( de la poblacin) o valor promedio de la variable dependiente, sobre la base de los valores conocidos o fijos de la variable explicativa. Consideremos los datos de la tabla 2.1, que se refiere a una poblacin total de 60 familias y su ingreso semanal (X); y los gastos de consumo semanal (Y). Las 60 familias se dividen en 10 grupos de ingresos.

Ejemplo hipottico
Existe una variacin considerable en los gastos de consumo semanal en cada grupo de ingresos. Pero el panorama general que se obtiene es que, a pesar de la variabilidad de los gastos de consumo semanal en cada grupo de ingresos, en el gasto medio, el consumo semanal se incrementa a medida que aumenta el ingreso.

Ingreso familiar semanal $

Distribucin condicional del gasto en varios niveles de ingreso.

Volores medio condicionales vs valores medios incondicionales Los puntos obscuros en la figura 2.1 muestran los valores medios condicionales de Y contra los valores de X. A estos valores medios se les llama valores esperados condicionales en virtud de que dependen de los valores de la variable (condicional) X. En forma simblica se denota: E(YX) Es importante distinguir entre valores esperados condicionales y el valor esperado incondicional E(X).

Volores medio condicionales vs valores medios incondicionales

el valor esperado incondicional E(X). Si sumamos los consumos semanales de las 60 familias y dividimos este nmero entre 60, obtenemos la cantidad de 121.20$ que es el valor de la media incondicional, o esperada. Es incondicional porque no depende de los valores X (el ingreso) Como es lgico, los diferentes valores esperados condicionales de Y de la tabla 2.1, varan respecto al valor incondicional de Y.

 Estos valores medios condicionales, nos muestran lo que se conoce como la lnea de regresin de la poblacin (LRP), o ms generalmente, la curva de regresin de la poblacin.

Es la regresin de Y sobre X.
El adjetivo "poblacin" viene del hecho de que se trata, en este caso, con toda la poblacin de 60 familias. Por supuesto, en realidad una poblacin pueden tener muchas familias.

Curva de regresi y medias condicionales

Desde el punto de vista geomtrico, una curva de regresin poblacional es tan slo el lugar geomtrico de las media condicionales de la variable dependiente para los valores fijos de la(s) variable (s) explicativa (s). Esto se muestra en la siguiente grfica:

Lnea de regresin poblacional

Concepto de funcin de regresin poblacional(FRP) De la discusin anterior y las figuras. 2.1 y 2. 2, es evidente que cada media condicional E(Y | Xi) es una funcin de Xi . Simblicamente: E(Y | Xi) = f (Xi) (2.2.1)

La ecuacin (2.2.1) se conoce como funcin de esperanza condicional (FEC). La forma funcional de FEC es importante porque en una situacin real, no siempre contamos con toda la poblacin para efectuar el anlisis. Por lo tanto, la FEC genera una pregunta emprica.

Concepto de funcin de regresin poblacional(FRP) Por ejemplo, un economista puede plantear que el consumo tiene una relacin lineal con el ingreso. Por lo tanto, como primera aproximacin o hiptesis de trabajo, podemos suponer que la FRP E(Y | Xi) es una funcin lineal de Xi del tipo: E(Y | Xi) = 1 + 2Xi (2.2.2)

Donde 1 y 2 son parmetros no conocidos pero fijos que se denominan coeficientes de regresin. 1 y 2 se conocen tambin como coeficientes de interseccin y de pendiente.

Concepto de funcin de regresin poblacional(FRP)

En el anlisis de regresin, la idea es estimar las FRP como la ecuacin( 2.2.2) . E(Y | Xi) = 1 + 2Xi (2.2.2)

Es decir, estimar los valores no conocidos de 1 y 2 con base en las observaciones de Y y X.

Significado del trmino lineal

Linealidad en las variables El primer significado y tal vez el ms natural de linealidad es aquel en que la esperanza condicional de Y es una funcin lineal de Xi como en los ejemplos anteriores, geomtricamente la curva de regresin en este caso es una recta. Pero, E(Y | Xi) = 1 + 2X2i esta no es una funcin lineal porque la variable X aparece elevada a una potencia o ndice.

Significado del trmino lineal

Linealidad en los parmetros: La segunda interpretacin de linealidad se presenta cuando la esperanza condicional de Y, E(Y | Xi), es una funcin lineal de los parmetros, los s; Puede ser o no lineal en las variables X. Por ejemplo, E(Y | Xi) = 1 + 2X2i Es lineal en los parmetros pero no en las variables. Todo los modelos de la Figure 2.3 son de regresin lineal; es decir, son modelos lineales en los parmetros.

Funciones lineales en los parmetros

Funciones no lineales en los parmetros

Ahora considere el modelo: E(Y | Xi) = 1 + 22 Xi . Este modelo es un ejemplo de un modelo de regresin no lineal (en el parmetro). De ahora en adelante el trmino regresin "lineal siempre significa una regresin que es lineal en los parmetros; las s.

Hasta aqu por hoy de teora

Realizar los ejercicios de las preguntas: 2.1 a 2.12 pp. 48 y 49 D. Gujarati.