UNIVERSIDAD TCNICA DE MACHALA

UNIDAD ACADMICA DE CIENCIAS EMPRESARIALES

ECONOMA CON MENCIN GESTIN EMPRESARIAL

ENSAYO
IMPORTANCIA DE LOS SUPUESTOS DEL MODELO CLSICO DE
REGRESIN LINEAL EN EL ANLISIS ECONOMTRICO

ESTUDIANTES:

REDROVAN ORTIZ VIVIANA GISSELA.

ARMIJOS GARCIA VANESSA SELMIRA

CARRERA:
ECONOMA CON MENCIN EN GESTIN EMPRESARIAL.

ASIGNATURA:
ECONOMETRIA II.

DOCENTE:
ECON. JHON CAMPUZANO

CURSO:
QUINTO A.

MACHALA EL ORO ECUADOR

2016 2017
El modelo clsico de regresin lineal es un modelo empleado por primera vez por Gauss en
1821, dicho modelo sirve como pauta para comparar los modelos de regresin que no satisfacen
los supuestos gaussianos.
Segn (Gonzalez & Soler, 2011) indic que el modelo de regresin lineal es importante porque
refleja los elementos explicativos de un fenmeno por medio de las relaciones funcionales
probabilsticas entre variables. En este modelo las variables son normalmente cuantitativas.
Segn (Gujarati & Porter, 2010) indic que el modelo clsico de regresin lineal es el origen de
donde parte la teora economtrica en donde se plantean supuestos o guas para determinar el
anlisis de regresin.
En la econometra el modelo clsico de la regresin lineal es importante para determinar la
funcin, ecuacin o lnea de regresin lineal mediante el mtodo de los mnimos cuadrados
ordinarios reduciendo errores para as explicar el comportamiento de la poblacin porqu este
modelo nos permite lograr una interpretacin valida de los valores estimados de la regresin
plateando guas o supuestos.
Segn (Wooldridge, 2010) plante siete supuestos para saber si se est trabajando de manera
correcta en un estudio cualquiera a investigar.
El primer supuesto explica que los parmetros son el punto de partida de un modelo de
regresin lineal ya que estos de por si tienen que ser lineales a excepcin de las variables que
pueden o no ser lineales, como ejemplo tenemos el ingreso en funcin del consumo, es decir
mientras exista un aumento en el ingreso, las familias tendern a consumir ms por cada dlar
que se aumente en el ingreso.
El segundo supuesto, la variable exgena (independiente) toma valores fijos en muestro repetido
puesto que no existe ninguna relacin en y ; (el termino error) es independiente de
porque no guarda relacin de variacin y la covarianza es igual a 0. Por ejemplo, un propietario
de hectreas de cacao podr invertir en cada cosecha un monto diferente para ver el efecto en el
rendimiento de la cosecha si obtiene es perdida o ganancia.
El tercer supuesto, el valor medio de la perturbacin

i es igual cero puesto que no hay error

de especificacin en el modelo de regresin escogido, es decir que los valores positivos de

i se cancelan con los valores negativos de

i de manera que el efecto medio sobre es

cero. Por ejemplo, cuando se desea realizar la compra de una casa se supone que nada afectar
la compra y esta se realizar con xito es decir que sucesos como la subida de precio de la casa,
la venta de la casa a otra persona no van a afectar.
El cuarto supuesto, la varianza del trmino error es la misma sin importar el valor de X, es decir
que las poblaciones Y correspondientes a diversos valores de X tiene la misma varianza en otras

palabras la variacin alrededor de la lnea de regresin es la misma para todos los valores de X.
Por ejemplo, la demanda de un producto (insulina) respecto a su precio, a pesar de que el precio
de la insulina pueda variar la demanda no tendr variaciones porque es un producto que
necesitan las personas diabticas para contralar su enfermedad.
El quinto supuesto, manifiesta que no debe existir autocorrelacin (dependencia) entre las
observaciones, y si esto llega a suceder existira un alto porcentaje de aceptar cualquiera de los
dos tipos de errores, y por consecuente el modelo pierde capacidad de estimar. Existen dos tipos
de autocorrelacin, positiva (se acepta el error tipo I) y negativa (se acepta el error tipo II). Por
ejemplo, cuando en una empresa renen a un grupo de trabajadores para que realicen un trabajo
en conjunto, pero estos no se conocen porque son de diferentes reas, entonces estos darn lo
mejor porque solo se dedicaran al trabajo ya que no tienen ningn tipo de relacin no se
distraern.
El sexto supuesto, expresa que el nmero de observaciones debe ser mayor que el nmero de
parmetros, si el nmero fuera menor no habra manera de estimar los parmetros por eso
mientras mayores observaciones existan el modelo se fortalece y se hace ms confiable. Por
ejemplo, la cosecha de banano que est determinada por agua y fertilizantes (dos variables
dependientes), para estimar los valores es necesario tener un par de dos observaciones debido a
que si es menor no se podr.
El sptimo supuesto, explica que debe existir variabilidad en los valores de X, y la no existencia
de valores atpicos (valores muy grandes o pequeos) de X. La variabilidad de los valores de X
proporciona que la estimacin se puede realizar de manera exitosa, y la no existencia de valores
atpicos sirve para que los resultados no estn sujetos a estos valores. Por ejemplo, el nmero de
cursos de ingls que han realizados los estudiantes de quinto economa, en estos pueden existir
valores atpicos (algn estudiante pudo no haber realizado al curso o ya haber realizado todos) y
tambin pueden seguir su naturaleza (diferentes cada uno, pero cercano a la media).
Haciendo una comparacin en el supuesto uno, tres y cinco, a simple vista se puede decir que
cuando los parmetros no son lineales existe error de especificacin, mientras que en el tercer
supuesto no hay error de especificacin puesto que tanto la sumatoria de los residuos como la
media son igual a 0. En cambio, en el supuesto dos y cinco, las variables no estn relacionadas
puesto que son aleatorias y se mueven en diferentes formas, con el supuesto siete los valores
repetidos dan problemas, en cambio en el supuesto dos los valores repetidos se los estima como
fijos en la variable independiente.
Finalmente se puede decir que sin los supuestos del modelo de regresin lineal no se podra
estimar los parmetros, ya que cada uno de estos aporta en algo para que se pueda realizar una
interpretacin valida, tambin se puede decir que los supuestos son una manera de evitar que se
pueda caer en algn error y nos permite explicar el comportamiento de la poblacin. Es

importante aclarar que todos estos supuestos solo se refieren FRP y no a la FRM. Los mnimos
cuadrados son los que explican la FRM y se expresan en trminos de cantidades observables.

Bibliografa
Gonzalez, E., & Soler, M. (2011). Analisis de datos con el modelo lineal generalizado, Una
aplicacion con R. Revista Espaola de Pedagoga, 59.
Gujarati, D., & Porter, D. (2010). Econometria. Mexico: Mc Graw Hill .
Wooldridge, J. (2010). Introduccin a la econometra. Un enfoque moderno . Mexico:
CENGAGE Learning.