Beruflich Dokumente
Kultur Dokumente
Modelo
CAPITULO 2
MODELO DE REGRESION DE DOS VARIABLES
1.1 Estimacin Puntual
1.1.1 Especificacin del modelo lineal
Supongamos que la teora econmica sostiene que:
Y f (X )
[2.1]
Donde:
Y
X
[2.2]
i 1,2,3,..., n
Econometra bsica
Lineal de dos variables
la relacin lineal exacta
especificacin alternativa:
Modelo
se
debe
reemplazar
Yi X i i
por
esta
otra
[2.3]
Donde:
i
[2.4]
[2.5]
[2.6]
O en forma compacta
i ~ NID (0, 2 )
NID
significa
[2.7]
Econometra bsica
Lineal de dos variables
Modelo
[2.8]
Donde:
Yi
Xi
Es el intercepto estimado
Es la pendiente estimada
El cual, reemplazando
alternativamente como
[2.9]
[2.8]
en
[2.9],
se
puede
escribir
ei Yi X i
[2.10]
Elevando al cuadrado cada error muestral y aplicando sumatorias se
tiene
n
e
i 1
2
i
(Yi X i ) 2
i 1
[2.11]
El criterio del mtodo de mnimos cuadrados ordinarios es seleccionar
y tal que se minimicen los errores muestrales al cuadrado.
Siguiendo este criterio, por la condicin de primer orden de
optimizacin, se tiene:
Econometra bsica
Lineal de dos variables
Modelo
[ ei2 ]
2 (Yi X i ) 0
i 1
i 1
[2.12]
n
[ ei2 ]
2 (Yi X i ) X i 0
i 1
i 1
[2.13]
De donde se obtiene las siguientes ecuaciones normales
n
i 1
i 1
Yi n X i
[2.14]
n
Y X
i 1
i 1
i 1
X i X i2
[2.15]
[2.14] y [2.15] definen dos ecuaciones simultneas, las cuales nos
permiten obtener las estimaciones de y , dado que el nmero de
observaciones muestrales y las respectivas sumatorias de las
variables correspondientes son conocidas.
1.1.3 Propiedades
ordinarios
del
mtodo
de
mnimos
cuadrados
(Y X
i 1
) ei 0
i 1
[2.15]
La cual al dividirla por el nmero de observaciones es igual a
e 0
[2.16]
b) La covarianza entre los errores muestrales y la variable exgena es
igual a cero.
Econometra bsica
Lineal de dos variables
Modelo
(Yi X i ) X i ei X i 0
i 1
i 1
[2.17]
Como por definicin
COV ( X i , ei )
1
( X i X )(ei e )
n
COV ( X i , ei )
1
( X i X )ei
n
1 n
1 n
X i e i X ei
n i 1
n i 1
n
1
COV ( X i , ei ) X i ei
n i 1
Dado que e 0
COV ( X i , ei )
Dado que
e
i 1
e X
i 1
[2.18]
d) La media de la variable endgena estimada es igual a la media de
la variable endgena estimada
De la funcin de regresin muestral, definida por [2.8], aplicando
sumatorias y dividindola por el nmero de observaciones se tiene
Y X
[2.19]
Como los segundos miembros de las ecuaciones [2.18] y [2.19]
son iguales se deduce que
Econometra bsica
Lineal de dos variables
Modelo
Y Y
[2.20]
[2.21]
Donde:
y i Yi Y Yi Y
xi X i X
De modo que
n
e
i 1
2
i
( y i y i ) 2 ( y i x i ) 2
i 1
ei2
i 1
2 ( y i xi ) xi 0
Econometra bsica
Lineal de dos variables
Modelo
x y
i
i 1
n
x
i 1
2
i
[2.22]
El otro parmetro de la lnea de regresin muestral se puede calcular
a partir de [2.18]
Y X
[2.23]
1.1.4 Propiedades de los estimadores mnimo cuadrticos
Los estimadores mnimo cuadrticos tienen tres propiedades: Son
funciones lineales de las observaciones reales de la variable
endgena, son insesgados y tienen varianza mnima. Estas
propiedades a continuacin los mostraremos sucesivamente.
Reemplazando (2.22) en (2.23) se obtiene
xi y i
x (Y Y )
n
x
Y X x Y
n
x
2
i
2
i
2
i
1
X
n
c Y
i
xi
)Yi
xi2
[2.24]
Donde:
ci
1
X
n
xi
xi2
[2.25]
Siendo
[2.26]
Se concluye que el estimador mnimo cuadrtico es una funcin
lineal de las observaciones reales de la variable endgena.
Econometra bsica
Lineal de dos variables
Modelo
ci ci X i ci i
Como
1
c (n X
i
xi
)
xi2
Y adems
c X
i
c X
i
c X
i
1
( X
n
(
Xi
xX
X i i2 )
n
xi
X X
ci X i X X
c X
i
xi
)Xi
xi2
xi X i
xi2
x
x
2
i
2
i
Entonces
ci i
[2.27]
E ( ) E ( ) E ( ci i )
E ( ) ci E ( i )
Siendo
E ( i ) 0
Se deduce que
E ( )
[2.28]
Es decir, el estimador mnimo cuadrtico, , es insesgado
Econometra bsica
Lineal de dos variables
Modelo
Var ( ) E ( ci i ) 2
Siendo
E( i j ) 0
E ( i2 ) 0
Entonces
Var ( ) c12 2 c 22 2 c 32 2 ... c n2 2
Var ( )
2
i
[2.29]
El cual considerando [2.25] es
Xxi 2 2
1
Var ( ) (
)
n xi2
x nXx
Var ( ) (
n x
2
i
2
i
) 2 2
Var ( )
n ( x )
2
2 2
i
n( x ) 2n x X x i n X
2 2
i
Var ( )
2
i
n ( x )
2
x nX
n x
( X X ) nX
Var ( )
n x
Var ( )
2
i
2 2
i
2
i
Var ( )
Var ( )
2nX 2 nX 2 nX 2
2
i
X
n x
n xi2
2
i
2
i
2
i
2
i
Econometra bsica
Lineal de dos variables
Modelo
aY
i
[2.30]
a 1
a X 0
i
a i i
E ( ) 2 E (
a
i
2
Var ( ) E ( ai i )
Siendo
E( i j ) 0
E ( i2 ) 0
Entonces
Var ( ) a12 2 a 22 2 a 32 2 ... a n2 2
Var ( )
a 2 2
[2.31]
Si este estimador tiene varianza mnima, dentro de todos los posibles
estimadores lineales e insesgados Cul es la expresin
correspondiente a las ponderaciones a i ? Para tal fin, utilizando los
multiplicadores de Lagrange, es posible plantear la siguiente funcin
de optimizacin:
Econometra bsica
Lineal de dos variables
Modelo
Z a i2 2 1 ( a i 1) 2 a i X i
[2.32]
[2.33]
Z
ai 1 0
1
[2.34]
Z
ai X i 0
2
[2.35]
De [2.33] despejando ai se obtiene
1
1 2 X i
2 2
ai
[2.36]
Aplicando el operador de sumatorias a [2.36] y tomando en
consideracin la expresin [2.34] se tiene
1
n1 2 X i 1
2 2
[2.37]
Multiplicando [2.36] por X i , aplicando el operador de sumatorias y
tomando en consideracin la expresin [2.35] se tiene
a X
i
1
1 X i 2 X i2 0
2
2
[2.38]
Despejando 1 en [2.37] y [2.38] e igualando ambas expresiones se
tiene
2 X i
1
2 2 2 X i
n
Xi
Despejando 2
Econometra bsica
Lineal de dos variables
2 X 2 2
2
i
X Xi
Modelo
2 X 2
2
i
( X i ) 2
n
2 X 2
2
i
[2.39]
Reemplazando [2.39] en [2.37] se tiene
1
2 2
n1
2 X 2
2
i
1
X2
2
n xi
1 2 2
[2.40]
2
1
X 2 2 X
Xi
2
2
n xi xi
[2.41]
XX i
1
X2
ai
2
n xi xi2
ai
1
2 2
ai
X X
1
X i 2
n
xi
ai
1
X
n
2
2
xi
xi2
[2.42]
Finalmente, como ci ai debido a [2.25] y [2.42], entonces el
estimador lineal, insesgado y de varianza mnima, solo puede ser el
estimador mnimo cuadrtico .
Mediante un procedimiento similar, a partir de [2.22] se puede
obtener que
Econometra bsica
Lineal de dos variables
Modelo
k i Yi
[2.43]
Donde:
ki
xi
xi2
[2.44]
Por lo cual
k1Y1 k 2Y2 k 3Y3 ... k nYn
[2.45]
Es tambin funcin lineal de las observaciones reales de la variable
endgena
Si reemplazamos [2.3] en [2.43] se obtiene
k i ( X i i )
k i k i X i k i i
[2.46]
Dado que
k
k
[2.47]
i
Xi 1
[2.48]
Entonces
E ( )
[2.49]
Es decir, tambin resulta ser un estimador insesgado
Reemplazando [2.47] y [2.48] en [2.46] se tiene
k i i
k i i
[2.50]
E ( ) 2 E ( k i i ) 2
Econometra bsica
Lineal de dos variables
Modelo
VAR ( ) E ( k i i ) 2
Var ( ) E ( k1 1 k 2 2 k 3 3 ... k n n ) 2
Var ( ) E ( k12 12 k 22 22 k 32 32 ... k n2 n2 2k1 k 2 1 2 2k1 k 3 1 3 ... k n 1 k n 1 n n )
Var ( ) k12 E ( 12 ) k 22 E ( 22 ) k 32 E ( 32 ) ... k n2 E ( n2 ) 2k1 k 2 E ( 1 2 ) ... k n 1 k n 1 E ( n n )
Siendo
E( i j ) 0
E ( i2 ) 0
Entonces
Var ( ) k12 2 k 22 2 k 32 2 ... k n2 2
Var ( )
k 2 2
[2.51]
El cual considerando [2.44] es
2
Var ( )
xi2
[2.52]
Nuevamente, siguiendo un procedimiento similar, al adoptado para el
caso del estimador , se puede mostrar que posee una varianza
mnima. Es decir, el estimador , es lineal, insesgado y tiene una
varianza mnima.
1.1.5 Varianza de la regresin
Nuevamente considerando el modelo de regresin de dos variables
Yi X i i
Se supone que
E ( i ) 0
E( i j ) 0
E ( i2 ) 2
Econometra bsica
Lineal de dos variables
Modelo
[2.53]
Ahora, aplicando sumatoria y
observaciones a [2.3] se obtiene
dividiendo
por
el
nmero
de
Y X
[2.54]
Restando [2.3] y [2.54] miembro a miembro el modelo de regresin
de dos variables queda planteado como
y i xi i
[2.55]
Dado [2.21] y [2.55], los errores muestrales definido en [2.53]
alternativamente corresponde a
ei x i i xi
ei2
i2 n 2 2 i ( ) 2 xi2 2( ) i xi 2 ( ) xi
ei2 i2 n 2 2 i ( ) 2 xi2 2( ) i xi
Econometra bsica
Lineal de dos variables
Modelo
Como
2
2
2
2
2
a) E[ i ] E[ 1 2 3 ... n ]
E[ i2 ] E ( 12 ) E ( 22 ) E ( 32 ) ... E ( n2 )
E[ i2 ] 2 2 2 ... 2
E[ i2 ] n 2
2
2
Dado que E ( i )
[2.56]
b) nE ( 2 ) nE[ i ] 2
n
n
nE ( 2 ) 2 E[ i ] 2
n
1
E[ 1 2 3 ... n ] 2
n
1
nE ( 2 ) E[ 12 22 32 ... n2 2 1 2 2 1 2 ... 2 n 1 n ]
n
1
nE ( 2 ) [ E ( 12 ) E ( 22 ) E ( 32 ) ... E ( n2 ) 2 E ( 1 2 ) 2 E ( 1 2 ) ... 2 E ( n 1 n )]
n
1 2
2
2
2
nE ( ) [ 2 2 ... 2 ]
Dado que E ( i )
n
nE ( 2 ) 2
nE ( 2 )
[2.57]
c) 2 E[ i ] 2 E[ i
n
2
E[ i ] 2
n
2
2 E[ i ] [n 2 ]
n
2 E[ i ] 2 2
2 E[ i ]
Por [2.56]
[2.58]
d)
2
i
E ( ) 2
x Var ( )
2
i
2
2
2
)2
x
E
(
x
i
i x2
i
2
i
E ( ) 2 2
Por [2.52]
Econometra bsica
Lineal de dos variables
Modelo
2 E[( ) i xi 2 xi2 E ( ) 2
2 E[( ) i xi 2 xi2Var ( )
2 E[( ) i xi 2 xi2
2 E[( ) i xi 2 2
2
i
Reemplazando se tiene
E[ ei2 ] n 2 2 2 2 2 2 2
E[ ei2 ] ( n 2) 2
Despejando
2
E[ ei2 ]
n2
[2.59]
El cual para una muestra particular ser
2
i
n2
( y
2
i
ei ) 2
ei2 2 y i e
Econometra bsica
Lineal de dos variables
Modelo
Puesto que
y e x e
i
y e x e
i
y e 0
Dado que
x e
i
Entonces
2
i
2
i
ei2
[2.60]
y
y
2
i
2
i
y
y
1 r2
e
y
2
i
2
i
e
y
2
i
2
i
2
i
2
i
Donde:
r
2
i
2
i
[2.61]
Econometra bsica
Lineal de dos variables
r 2 2
x
y
Modelo
2
i
2
i
[2.62]
Puesto que
y i xi
2
2 SX
r 2
SY
[2.63]
2
Donde:
SX
2
i
SY
2
i
xi y i
r 2
yi2
[2.64]
Puesto que
x y
x
r
2
2
i
x y
i
x y
x y
r
2
i
2
i
nS X S Y
Donde:
r
x y
i
nS X S Y
[2.65]
Inferencia Estadstica
Econometra bsica
Lineal de dos variables
Modelo
Econometra bsica
Lineal de dos variables
Modelo
Econometra bsica
Lineal de dos variables
Modelo
Yi X i i
[2.66]
[2.68]
[2.67]
Econometra bsica
Lineal de dos variables
Modelo
~ N ( ,
X i2 u2
2
i
[2.69]
u2
~ N ( ,
)
xi2
[2.70]
X i2 u2
x
~ N (0,1)
2
i
[2.71]
u2
xi2
~ N (0,1)
[2.72]
Adicionalmente, es posible mostrar que
e
u2
u2
(n 2) 2 ~ n2 2
u
[2.73]
Z1
Z2
~ tk
[2.74]
Econometra bsica
Lineal de dos variables
Modelo
X
x
2
i
2
u
2
i
(n 2) 2
X
x
2
i
2
n2
2
u
2
i
2
2
2
2
X i2 u2
2
i
X i2 2
~ tn 2
S ( )
[275]
2
i
u2
xi2
u2
xi2
(n 2) 2
2
2
n2
2 u2
2 xi2
u2
xi2
~ tn 2
S ( )
[2.76]
Por consiguiente,
frente a la imposibilidad inicial de utilizar la
distribucin normal, podemos ahora utilizar la distribucin t de
student, para construir intervalos de confianza, de la forma,
Pr( t / 2
t / 2 ) 1
S ( )
[2.77]
Pr(t / 2
t / 2 ) 1
S ( )
[2.78]
El cual tambin se puede escribir como,
t / 2 S ( )
[2.79]
t / 2 S ( )
[2.80]
1.2.2 Prueba de Hiptesis
Para contrastar la hiptesis la hiptesis nula de que es igual a un
valor dado 0 . Es decir
Econometra bsica
Lineal de dos variables
Modelo
0
Contra la hiptesis alternativa de que es igual a un valor
cualquiera distinto de 0 . Es decir
Ha : 0
Introducimos 0 en [2.76] y llegamos a la siguiente afirmacin
condicional. Si la hiptesis es cierta
Ho :
0
~ tn 2
u2
xi2
[2.81]
t ] 1
2
2
2
xi
Donde:
t es el valor de crtico de t de tablas para un nivel de significancia
2
xi2
t
2
[2.82]
Econometra bsica
Lineal de dos variables
Modelo
0
u2
t
2
2
i
[2.83]
La hiptesis nula que con mayor frecuencia se contrasta es
Ho :
X i2 2
n xi2
~ tn 2
[2.84]
viene
dado por
Pr( t / 2
t / 2 ) 1
S ( )
Y la hiptesis
H0 :
si
n xi2
[2.85]
1.2.3 Anlisis de Varianza
La prueba de significancia de la variable exgena tambin se puede
obtener mediante el anlisis de varianza.
Econometra bsica
Lineal de dos variables
Modelo
~ N (0,1)
u2
xi2
[ ]2
~ 12
2
u
xi2
[2.86]
De acuerdo a [2.73]
Z2
2
i
2
u
~ n2 2
[2.87]
[ ]2
u2
xi2
[ ]2 xi2
~ F1, n 2
ei2 /(n 2)
ei2
u2
n2
[2.87]
Si consideramos que 0 entonces
Econometra bsica
Lineal de dos variables
F
Modelo
2 xi2
~ F1, n 2
ei2
n2
[2.88]
SCE / 1
SCR / n 2
[2.89]
SCE / 1
F[1 ][1, n 2]
SCR / n 2
[2.90]
Prediccin
[2.91]
Sin embargo, como Y0 es una variable aleatoria no podremos conocer
nunca su valor a priori aun en el caso de que se conocieran los
parmetros poblacionales. Es decir, solo se puede estimar su valor
esperado.
E (Y0 ) X 0
[2.92]
En realidad, como tampoco es posible conocer E( Y0 ) tenemos que
estimarla. Su estimador es el punto correspondiente sobre la recta de
la FRM,
Econometra bsica
Lineal de dos variables
Modelo
Y0 X 0
[2.93]
Es importante considerar que el valor real de Y0 casi siempre es
distinto a Y0 por las siguientes razones:
a) El valor de Y0 no es igual a E( Y0 )
b) La FRM no es igual a la FRP debido a la existencia del error
muestral.
1.3.1 Prediccin individual
Formalmente, el error de pronstico individual se puede escribir
como,
Y0 Y0 [Y0 E (Y0 )] [ E (Y0 ) Y0 ]
E[Y0 Y0 ] X 0 E ( 0 ) E ( ) X 0 E ( )
E[Y0 Y0 ] 0
Por tanto,
E[Y0 Y0 ] 2 E{[Y0 E (Y0 )] [ E (Y0 ) Y0 ]}2
E[Y0 Y0 ] 2 E[Y0 E (Y0 )] 2 E[ E (Y0 ) Y0 ] 2 2 E[Y0 E (Y0 )][ E (Y0 ) Y0 ]
Siendo,
Econometra bsica
Lineal de dos variables
Modelo
De modo que,
E[Y0 Y0 ] 2 E[Y0 E (Y0 )]2 E[ E (Y0 ) Y0 ] 2
E[Y0 Y0 ]2 E[ 0 ]2 E[( ) ( ) X 0 ]2
E[Y0 Y0 ]2 u2 E ( ) 2 X 02 E ( ) 2 2 X 0 E[( )( )]
2
X2 2
1
2
2
2 u
E[Y0 Y0 ] u
X
2X0
u
0
n xi2
xi2
2
2
X
2
X
X
X
1
2
0
0
E[Y0 Y0 ] 1
2
u
n
x
1 ( X 0 X )2 2
E[Y0 Y0 ] 1
u
n
xi2
1 ( X 0 X )2 2
Y20 Y0 1
u
n
xi2
[2.94]
En resumen,
X
u2
xi2
Econometra bsica
Lineal de dos variables
Modelo
(Y0 Y0 ) ~ N (0, Y2 Y )
0
Por tanto,
Y0 Y0
Z1
1 1 (X 0 X )
n
xi2
~ N (0,1)
u2
[2.95]
Siendo,
V1
(n 2) u2
~ n2 2
2
u
Entonces,
Y0 Y0
Z1
V1
n2
2
1 1 ( X 0 X ) u2
n
xi2
(n 2) u2
u2
n2
~ t n2
Simplificando se obtiene,
t n2
Y0 Y0
2
1 1 ( X 0 X ) u2
n
xi2
[2.96]
Finalmente, la expresin anterior se puede utilizar para realizar
afirmaciones de tipo probabilstico acerca de los pronsticos.
Concretamente, es posible establecer intervalos de confianza con una
determinada probabilidad de que contenga el valor real de Y0 .
Considerando que el nivel de significancia es el 5%, entonces,
P (t n 2,0.025
Y0 Y0
1 1 ( X 0 X ) u2
n
xi2
De donde obtenemos,
t n 2,0.025 ) 0.95
Econometra bsica
Lineal de dos variables
1 (X 0 X )2
Y0 t n 2, 0.025 1
n
xi2
[2.97]
Modelo
u2
VAR (Y0 ) E[ ) ( ) X 0 ]2
O alternativamente,
VAR (Y0 ) VAR [ X 0 ] VAR ( ) X 02VAR ( ) 2 X 0COV ( , )
u2
X2 2
1
2
VAR (Y0 )
X
2X 0
u
0
n xi2
xi2
X
u2
xi2
Econometra bsica
Lineal de dos variables
Modelo
2
(
X
X
)
1
2
0
VAR (Y0 )
2
u
n
x
En resumen,
1 (X X )
Y0 ~ N ( X 0 ,[ 0 2 ] u2 )
n
xi
Por tanto,
2
Y0 E (Y0 )
Z2
1 (X 0 X )2 2
u
2
n
x
i
~ N (0,1)
Siendo,
V1
(n 2) u2
~ n2 2
2
u
Entonces,
Y0 E (Y0 )
Z2
V1
n2
1 (X 0 X )2 2
u
2
n
x
i
(n 2) u2
u2
n2
~ t n 2
Simplificando se obtiene,
t n 2
Y0 E (Y0 )
1 ( X 0 X )2 2
u
2
n
x
i
Econometra bsica
Lineal de dos variables
P(t n 2,0.025
Modelo
Y0 E (Y0 )
1 ( X 0 X )2
n
xi2
t n 2, 0.025 ) 0.95
u2
[2.98]
De donde obtenemos,
1 ( X X )2
Y0 t n 2, 0.025 0 2
n
xi
[2.99]
u2
Econometra bsica
Lineal de dos variables
Modelo