Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
Y b1 b 2 X
b1
X1
X2
X3
X4
Supongamos que una variable Y es una funcin lineal de otra variable X, con parmetros b1
and b2 desconocidos y que deseamos estimar.
1
Y b1 b 2 X
b1
X1
X2
X3
X4
Y b1 b 2 X
b1
Q1
X1
Q2
X2
Q3
X3
Q4
X4
Si la relacin fuera exacta, todas las observaciones estaran en una lnea recta, y no habra
ninguna dificultad para obtener estimaciones exactas de b1 y b2
3
Y b1 b 2 X
Q4
b1
Q1
X1
X4
De hecho en este caso bastara con disponer de dos observaciones para obtener la recta
verdadera.
3
P4
Y b1 b 2 X
P1
b1
Q1
X1
Q2
P2
X2
Q3
Q4
P3
X3
X4
En la prctica las relaciones econmicas no son exactas y los valores observados de Y son
diferentes de los que, de acuerdo con una relacin lineal exacta, le corresponderan.
4
P4
Y b1 b 2 X
P1
b1
Q1
X1
Q2
P2
X2
Q3
Q4
P3
X3
X4
P4
Y b1 b 2 X
u1 P1
b1
Q1
b1 b 2 X 1
X1
Q2
P2
X2
Q3
Q4
P3
X3
X4
Cada valor deY tiene por tanto dos componentes: uno no aleatorio, b1 + b2X, y y otro
aleatorio, u. La primera observacin ha sido descompuesta en estos dos componentes.
6
P4
P1
P2
X1
X2
P3
X3
X4
P4
Y b1 b2 X
P1
P2
b1
X1
X2
P3
X3
X4
Podemos usar los puntos P para dibujar una lnea que ser una aproximacin a la lnea
^
Y = b1 + b2X (FRP). Si escribimos esta lnea como Y = b1 + b2X, b1 (FRM) b1 es un estimador
deb1 y b2 es un estimador de b2.
8
Y (v. ajustado)
P4
Y b1 b2 X
R3
P1
R1
b1
X1
R2
P2
X2
R4
P3
X3
X4
Esta lnea se denomina modelo ajustado y los valores de Y pronosticados (por el modelo
ajustado) son los valores ajustados de Y. stos estn representados por los puntos R.
9
Y (v. ajustado)
P4
R3
e1
R2
P1
R1
b1
X1
e2
P2
X2
Y b1 b2 X
e4
Y Y e (residuo)
R4
e3
P3
X3
X4
10
Y (ajustado)
P4
Y b1 b2 X
R3
P1
b1
R1
b1
X1
R2
P2
X2
R4
Y b1 b 2 X
P3
X3
X4
Observar que los valores de los residuos no son los mismos que los del trmino de
perturbacin. El grfico muestra ahora la verdadera relacin desconocida junto con la lnea
ajustada.
11
Y (ajustado)
P4
Y b1 b2 X
Y b1 b 2 X
P1
b1
Q1
b1
X1
Q2
P2
X2
Q3
Q4
P3
X3
X4
Y (ajustado)
P4
Y b1 b2 X
R3
P1
b1
R1
b1
X1
R2
P2
X2
R4
Y b1 b 2 X
P3
X3
X4
Los residuos miden la discrepancia entre los valores observados y los ajustados.
13
Y (ajustado)
P4
Y b1 b2 X
R3
P1
b1
R1
b1
X1
R2
P2
X2
R4
Y b1 b 2 X
P3
X3
X4
Si el ajuste es bueno, los residuos y las perturbaciones sern similares, pero son
conceptualmente distintos.
14
Y (ajustado)
P4
Y b1 b2 X
u4
Y b1 b 2 X
Q4
b1
b1 b 2 X 4
b1
X1
X2
X3
X4
En el anlisis usaremos ambas lneas. Cada una permite una descomposicin de los
valores de Y. Se ilustra la de la cuarta observacin.
15
Y (ajustado)
P4
Y b1 b2 X
u4
Y b1 b 2 X
Q4
b1
b1 b 2 X 4
b1
X1
X2
X3
X4
Y (ajustado)
P4
Y b1 b2 X
u4
Y b1 b 2 X
Q4
b1
b1 b 2 X 4
b1
X1
X2
X3
X4
b1 o b2, o los
17
Y (ajustado)
P4
b1
e4
Y b1 b2 X
R4
Y b1 b 2 X
b1 b2 X 4
b1
X1
X2
X3
X4
Para obtener la lnea ajustada minimizamos la suma cuadrtica de los residuos, lo que se
conoce como criterio de mnimos cuadrados.
19
Porqu no minimizar
n
e e ... e
i 1
P4
P1
P2
X1
X2
P3
X3
X4
La respuesta es que podra obtenerse un ajuste aparentemente perfecto trazando una lnea
horizontal a la altura de la media de Y. La suma de los residuos sera cero.
21
P4
P1
P2
X1
X2
P3
X3
X4
Hay que evitar que los residuos negativos cancelen los positivos y una forma de hacerlo es
usar los cuadrados de los residuos.
22
P4
P1
P2
X1
X2
P3
X3
X4
Hay otras formas, pero el criterio MCO tiene el atractivo de que los estimadores obtenidos
tienen buenas propiedades estadsticas si se cumplen ciertas hiptesis de partida.
23
Fin
17.06.06