Beruflich Dokumente
Kultur Dokumente
9 de julio 2006
Y = X +
y1
y2
..
.
x
x
x
21
22
2k 2
= ..
yn
NOTA:
..
.
..
.
..
.
..
.
..
.
= (X t X)1 X t Y
En que SST =
(
yi y)2 y SSR =
P 2
.
i
t
nk
Suponiendo adems que los errores son normales: Nm (0, 2 In ), se tiene la base para hacer test de hiptesis. En este caso se tiene que:
2
= at
E(at )
= at 2 (X t X)1 a
V ar(at )
2nk
nk
at (X t X)1 a
at at
q
=
t(/2)nk
(n k)e 2
e at (X t X)1 a
/(n k)
2
F =
Fk1,nk
R2 /(k 1)
(1 R2 )/(n k)
4) Prediccin:
Un predictor natural es yn+1 = xt0 , donde la esperanza del error de prediccin yn+1 yn+1 es 0, y su varianza es 2 (1 + xt0 (X t X)1 x0 ).
Bajo la hiptesis de normalidad de los errores:
yn+1 yn+1
q
e 1 + xt0 (X t X)1 x0
t(/2)nk
6) Comparacin de modelos:
Sean:
(1)E(Y ) = 0 + 1 x1 + 2 x2 + . . . + k1 xk1
(2)E(Y ) = 0 + 1 x1 + 2 x2 + . . . + k2 xk2
SSR2 SSR1/(k1 k2)
Fk1k2,nk1
SSR1/(n k1)
El modelo lineal es un modelo ASOCIATIVO, por lo que es indispensable conocer el fenmeno estudiado si se quiere hacer una interpretacin causal.
La linealidad de un modelo viene dada por los COEFICIENTES, y
no por los regresores.
Siempre hay que gracar los datos para examinar su comportamiento,
detectando as puntos extremos, linealidad y relacin entre las variables
Un modelo lineal hace un buen ajuste de los datos si la parte explicada
por X es "mayor"que la explicada por los residuos. Es por esto mismo, que la calidad de un modelo se parte generalmente estudiando el
tamao y comportamiento de los residuos.
Muchos de los anlisis de sensibilidad, y diagnsticos en los modelos de
regresin parten del anlisis de la matriz (X t X), que es una medida de
las interacciones entre las variables.
Es til examinar la correlacin entre todas las variables, regresores y
variable dependiente, para detectar problemas de multicolinealidad, y
la relacin con la variable dependiente (ojal posteriormente al anlisis
grco).
Los coecientes (magnitud y signo) del modelo se interpretan ceteris
paribus, es decir, manteniendo lo dems constante.
En un modelo estimado por MCO, los residuos son siempre ortogonales a X t (Por construccin)
En un modelo con constante, la suma de los residuos es siempre 0.
Gracar los residuos ayuda a vericar los supuestos del modelo. Si
los supuestos son correctos, no debera encontrarse un patrn en los
residuos versus las observaciones.
5
SUERTE. EL PROFESOR