Beruflich Dokumente
Kultur Dokumente
MTODOS
CUANTITATIVOS
Profesor: Pablo Tapia Grin
MTODOS CUANTITATIVOS
REGRESIN LINEAL
1
MAE
OBJETIVOS DE LA UNIDAD
TEMAS A DISCUTIR
2
MAE
REGRESIONES LINEALES
Todos los das, las personas deben tomar decisiones personales y/o
profesionales basadas en predicciones de sucesos futuros. Para hacer estas
predicciones, se apoyan en la relacin (intuitiva y calculada) entre lo que ya se
sabe y lo que se debe estimar. Si los responsables de la toma de decisiones
pueden determinar cmo lo conocido se relaciona con el evento futuro,
pueden ayudar considerablemente al proceso de toma de decisiones. se es el
objetivo de este captulo: cmo determinar la relacin entre variables.
TIPOS DE RELACIONES
3
MAE
TIPO DE VARIABLE
En el modelo ms sencillo existen dos tipos de variables, que definiremos como
X e Y, las cuales pueden tener la siguiente denominacin.
Y X
Dependiente Independiente
Explicada Explicativa
Predicha Predictora
Endgena Exgena
4
MAE
MODELO LINEAL
Debido a que no conocemos a priori la forma de la causalidad entre X e Y,
supondremos la forma ms bsica de expresar esta relacin, que es por medio
de una lnea recta, de la forma:
Y a b X e
Donde a es una constante, que representa el efecto promedio, mientras que b
es la pendiente de la recta, pero que en nuestro caso sera la evidencia que se
necesita para demostrar empricamente que existe una relacin entre X e Y. El
trmino e, conocido como trmino de error, representa la diferencia entre el
valor real y el predicho por el modelo.
Y
Grficamente, una lnea yi
recta se representa como se ei a b X
ve en la figura, donde a es yi
la interseccin con el eje Y,
mientras que b es el grado
de inclinacin de la recta.
xi X
Y b 0 b1 X 1 b 2 X 2 b k X k e
Variables explicativas
MODELO
Donde los coeficientes son los factores que definen la variacin promedio de Y,
para cada valor de X. Estimada esta funcin terica a partir de los datos, cabe
preguntarse qu tan bien se ajusta a la distribucin real.
Existe el elemento fortuito que no puede ser predicho por el investigador, por
lo que es llamado trmino de error idiosincrtico o shock, del que esperamos
un comportamiento normal, es decir, que algunas veces nos afecte
positivamente, y otras negativamente, pero en promedio nos deje igual.
5
MAE
Modelo estimado
X
Modelo estimado
Y Modelo
verdadero Distorsin por efecto de
exceso de diversidad en los
errores fortuitos o relacin
con las variables
explicativas.
Modelo verdadero
Y
Distorsin por efecto de
que los errores fortuitos
que se potencian entre s,
lo cual denominamos como
dependencia entre los
Modelo estimado errores.
X
6
MAE
CONCLUSIN
Para que nuestra estimacin del modelo lineal sea confiable, se deben cumplir
algunas propiedades, como
1. No existen diferencias importantes entre los errores.
2. No existe mucha variedad entre los errores, ni relacin con las
variables explicativas.
3. No debe existir relacin entre los errores.
La razn para utilizar una regresin, es buscar una relacin de causalidad, y que
en el mejor de los casos se pueda establecer la magnitud de esta relacin.
Ahora, si el instrumento a utilizar es una regresin, se deben seguir los
siguientes pasos:
7
MAE
EJEMPLO
Supongamos que deseamos probar que la publicidad influye positivamente en la
demanda, es decir, a mayor publicidad mayor demanda.
Cmo medir la publicidad?
Al no existir una variable directa asociada a esto (primer mejor), utilizaremos una
variable indirecta, la cantidad de dinero invertida en la publicidad.
Diremos que
Y : Representar la cantidad de unidades en que aumento la demanda
X : La inversin realizada en publicidad en miles de pesos [$M]
MODELO
Y a b X e
a : Representa el efecto promedio de todas la variables no registradas en el
modelo. No sera posible sealar el signo que tendra.
b : Corresponde a la cantidad de unidades que aumenta la demanda por cada
$100.000 invertidos en publicidad. El signo debera ser positivo.
e : Establece el efecto aleatorio de todo lo no observable.
Una vez instalado, podemos proceder a realizar una regresin, siguiendo los
siguientes pasos:
Datos
Anlisis de datos
Regresin (ver figura)
8
MAE
ANLISIS DE VARIANZA
Grados de Suma de Promedio de los Valor crtico
F
libertad cuadrados cuadrados de F
Regresin 1 20541209,91 20541209,91 85,6765 0,0000
Residuos 58 13905679,06 239753,08
Total 59 34446888,98
Anlisis particular
ANLISIS GENERAL
Estadsticas de la regresin
Coeficiente de correlacin mltiple 0,7722
Coeficiente de determinacin R^2 0,5963
R^2 ajustado 0,5894
Error tpico 489,6459
Observaciones 60
ANLISIS DE VARIANZA
Grados de Suma de Promedio de los Valor crtico
libertad cuadrados cuadrados F de F
Regresin 1 20541209,91 20541209,91 85,6765 0,0000
Residuos 58 13905679,07 239753,09
Total 59 34446888,98
9
MAE
ANLISIS PARTICULAR
PROBLEMAS EN EL PARAISO
Algunos problemas a los cuales un investigador se puede exponer en estos
casos, son:
10
MAE
Donde
Salud : Cantidad de dinero gastada en salud en miles de pesos [M$]
Edad : Edad del entrevistado
Ingreso : Ingresos declarados por el entrevistado en [M$]
Casado : Es una variable dicotmica (dummy) que toma el valor 1 si el
entrevistado es casado y 0 si no.
OUTPUT DE EXCEL
Estadsticas de la regresin
Coeficiente de correlacin mltiple 0,3600
Coeficiente de determinacin R^2 0,1296
R^2 ajustado 0,1198
Error tpico 28,1886
Observaciones 271
ANLISIS DE VARIANZA
Grados de Suma de Promedio de los Valor crtico
libertad cuadrados cuadrados F de F
Regresin 3 31589,6212 10529,8737 13,2519 0,0000
Residuos 267 212157,1537 794,5961
Total 270 243746,7749
11
MAE
12
MAE
PRESENTACIN DE RESULTADOS
MODELOS
VARIABLES
I II III IV
0,1422 0,1452 0,1442 0,1750
Edad [Aos]
(0,2003) (0,1993) (0,1997) (0,1999)
0,0267*** 0,0245*** 0,0244*** 0,0204***
Ingreso [M$]
(0,0055) (0,0055) (0,0056) (0,0060)
6,8976* 6,96116* 7,8008**
Casado [ S = 1 ]
(3.5273) (3,5505) (3,5745)
0,6788 0,9020
Gnero [Mujer =0]
(3,6598) (3,6502)
0,0972*
Escolaridad [ Aos ]
(0,3882)
20,1595*** 16,2219*** 18,2238*** 15,6721***
Constante
(5,6439) (5,4084) (6,0281) (6.2007)
Observaciones 271 271 271 271
R^2 0,1171 0,1296 0,1297 0,1387
F 17,7785 13,2519 9,9115 8,5360
Estadstico F 0,0000 0,0000 0,0000 0,0000
13
MAE
Modelo MAL [1] : Cuando los investigadores tienen poca experiencia, suelen
hacer una regresin con todas las variables explicativas, sin discriminacin
alguna, llegando a resultados poco intuitivos y sin sustento lgico. Esto se
conoce como hacer regresiones por deporte.
CONCLUSIONES
14
MAE
MUCHAS GRACIAS
15