UNIERSIDAD ALBERTO HURTADO | INGENIERA COMERCIAL PARA PROFESIONALES

Clase 2: Econometra - ICP

Temas: 0. Breve repaso clase anterior
1.Modelo de regresin simple (parte 2)

Gabriel Moraga
Primer Trimestre 2015
1

UNIERSIDAD ALBERTO HURTADO | INGENIERA COMERCIAL PARA PROFESIONALES

1.Modelo de regresin simple

(parte 2)

UNIERSIDAD ALBERTO HURTADO | INGENIERA COMERCIAL PARA PROFESIONALES

PROPIEDADES ALGEBRAICAS DE LOS MCO

La suma de los residuos de MCO es cero. Por tanto, el promedio
muestral de los residuos tambin es cero


 = 0,



=0


La covarianza muestral entre los regresores y los residuos es cero



  = 0


La lnea de regresin siempre pasa por los promedios muestrales

y = + x
0

UNIERSIDAD ALBERTO HURTADO | INGENIERA COMERCIAL PARA PROFESIONALES

DESCOMPOSICIN DE LA VARIANZA
Podemos expresar cada observacin de la variable dependiente
en trminos de una parte explicada y una parte no explicada:
 =  + 

 

Suma Total de Cuadrados (STC)

 

Suma Explicada de Cuadrados (SEC)

 

Suma Residual de Cuadrados (SRC)

UNIERSIDAD ALBERTO HURTADO | INGENIERA COMERCIAL PARA PROFESIONALES

QU ES LA ECONOMETRA?
Se cumple que: STC = SEC + SRC, veamos
2

(
)
[
(
)
(
)
]
y

y
=
y

y
+
y

y
i
i i
i
2

= [u i + ( y i y )]
2
= u i2 + 2 u i ( y i y ) + ( y i y )
2

= SRC + 2 u i ( y i y ) + SEC
y sabemos

que : u i ( y i y ) = 0
5

UNIERSIDAD ALBERTO HURTADO | INGENIERA COMERCIAL PARA PROFESIONALES

BONDAD DE AJUSTE
Qu tan bien se ajusta el modelo (lnea de regresin) a los datos
observados?
Esto se logra midiendo la variabilidad total en  explicada por el modelo (en
base a  ) en relacin a la variabilidad total de 

 =  + 

 
1=
+
 

1
/





 =
  = 1




UNIERSIDAD ALBERTO HURTADO | INGENIERA COMERCIAL PARA PROFESIONALES

Insesgamiento de los Estimadores

UNIERSIDAD ALBERTO HURTADO | INGENIERA COMERCIAL PARA PROFESIONALES

INSESGAMINETO DE LOS ESTIMADORES MCO

SUPUESTOS:
RLS.1: (Linealidad de los parmetros) Asumimos que el modelo
poblacional es lineal en los parmetros:  =  +  + 
RLS.2: Disponemos de una muestra aleatoria de tamao n,
extrada de la poblacin:  ,  :  = 1, ,  . Por tanto podemos
escribir el modelo muestral como:  =  +   + 
RLS.3: (variacin muestral de la variable explicativa) la variable no
debe ser constante en la muestra.
RLS.4: (Media condicional cero) Para todo valor de la variable
explicativa, el valor esperado del error  es cero. Es decir: E | =
0 y por tanto E  |  = 0

UNIERSIDAD ALBERTO HURTADO | INGENIERA COMERCIAL PARA PROFESIONALES

INSESGAMINETO DE LOS ESTIMADORES MCO

Para pensar en el insesgamiento de los estimadores necesitamos
reescribir los estimadores en trminos de los parmetros
poblacionales.
Comencemos reescribiendo la siguiente frmula:

1 =

(x x ) y
i

STC

2
x

, donde

STC x2 ( xi x )

UNIERSIDAD ALBERTO HURTADO | INGENIERA COMERCIAL PARA PROFESIONALES

INSESGAMINETO DE LOS ESTIMADORES MCO

Operando en el numerador de la expresin anterior

(x

x ) y i = ( x i x )( 0 + 1 x i + u i ) =

(x

x ) 0 + ( x i x ) 1 x i + ( x i x )u i =

0 ( x i x ) + 1 ( x i x )x i + ( x i x )u i

10

UNIERSIDAD ALBERTO HURTADO | INGENIERA COMERCIAL PARA PROFESIONALES

INSESGAMINETO DE LOS ESTIMADORES MCO

Sabemos que:

(x
(x

x ) = 0,

x )x i =

(x i

x)

Entonces el numerador podra reescribirse como:

1STC x2 + (xi x )ui

Volviendo al estimador tendramos:

(xi x )ui

1 = 1 +
STC x2
11

UNIERSIDAD ALBERTO HURTADO | INGENIERA COMERCIAL PARA PROFESIONALES

INSESGAMINETO DE LOS ESTIMADORES MCO

Denotemos

d = (x i x )

Entonces tenemos que: 1 = 1 +

1
STC x2

du

Tomado el valor esperado de :

E ( 1 ) = 1 +

1
STC x2

d E (u ) =
i

Sabiendo que # es insesgado y    = 0 es fcil demostrar

que # tambin es insesgado.

12

UNIERSIDAD ALBERTO HURTADO | INGENIERA COMERCIAL PARA PROFESIONALES

INSESGAMINETO DE LOS ESTIMADORES MCO

Bajo los supuestos RLS.1 al RLS.4 los estimadores # y # son
insesgados.
Es importante considerar que el insesgamineto se obtiene del valor
esperado de los estimadores. Es decir, en promedio esperamos que
los parmetros # y # tiendan a ser iguales a los verdaderos
parmetros poblacionales  y  a medida que se tomen ms
muestras para estimar los parmetros.
De este modo existe un error de estimacin propio del muestreo
particular que tengamos disponible para la estimaciones.

13

UNIERSIDAD ALBERTO HURTADO | INGENIERA COMERCIAL PARA PROFESIONALES

VARIANZA DE LOS ESTIMADORES MCO

Sabemos que la distribucin muestral del estimador # es centrada
alrededor del verdadero parmetro poblacional.
Pero nos gustara saber cun dispersa es esta distribucin. Para
simplificar el computo de la varianza vamos a realizar un supuesto
adicional:
RLS.5: (Homocedasticidad) Vamos a suponer que la varianza de los
errores condicional en X es Homocedastica (constante para cada X):

Var (u | x) = 2
14

UNIERSIDAD ALBERTO HURTADO | INGENIERA COMERCIAL PARA PROFESIONALES

VARIANZA DE LOS ESTIMADORES MCO

La varianza de u condicional en x se puede expresar como:

Var(u|x) = E(u2|x)-[E(u|x)]2
E(u|x) = 0, so 2 = E(u2|x) = E(u2) = Var(u)
Entonces 2 es tambin la varianza incondicional, llamada la
varianza del error.
es la raz cuadrada de la varianza del error y la
denominaremos como desviacin estndar del error.
E(y|x)=0 + 1x

Var(y|x) = 2
15

UNIERSIDAD ALBERTO HURTADO | INGENIERA COMERCIAL PARA PROFESIONALES

HOMOCEDASTICIDAD
Cmo lucen las distribuciones?

&(| )

.
x1

.
x2

.
(| ) =  + 

x3
16

UNIERSIDAD ALBERTO HURTADO | INGENIERA COMERCIAL PARA PROFESIONALES

HETEROCEDASTICIDAD
Cmo lucen las distribuciones?

&(| )

.
x1

.
x2

.
(| ) =  + 

x3
17

UNIERSIDAD ALBERTO HURTADO | INGENIERA COMERCIAL PARA PROFESIONALES

VARIANZA DE LOS ESTIMADORES MCO

Obtengamos la varianza para el parmetro # :

( )

Var 1 = Var
1

STC

1 + 1
STC

2
x

1
=
STC

Var

2
x

2 1
STC

2
x

1
d i u i ) =
STC

d i u i =

2
i

1
=
STC
2

2 STC
x

2
x

2
x

STC

2
x

2
x

d i2Var (u i )

d i2 =

( )

= Var 1

18

UNIERSIDAD ALBERTO HURTADO | INGENIERA COMERCIAL PARA PROFESIONALES

VARIANZA DE LOS ESTIMADORES MCO

De la ecuacin anterior podemos distinguir que a mayor varianza
del error, mayor es la varianza de #
Mientras ms grande es la variabilidad de las X la varianza del
estimador # es menor (ms preciso)
Por tanto, es esperable que mientras mayor sea el n de la
muestra, la varianza del estimador # sea menor.
El nico problema para estimar la varianza de # es que
desconocemos la varianza del error.
19

UNIERSIDAD ALBERTO HURTADO | INGENIERA COMERCIAL PARA PROFESIONALES

VARIANZA DE LOS ESTIMADORES MCO

Como pueden notar, desconocemos la varianza del error puesto
que no observamos los errores  y solo observamos los residuos

 . De este modo utilizaremos los residuos para estimar la

varianza de los errores.

Para entender mejor la diferencia entre los errores y los

residuos note que:

u i = y i 0 1 xi
u i = ( 0 + 1 xi + u i ) 0 1 xi
u = u
i

) (

20

UNIERSIDAD ALBERTO HURTADO | INGENIERA COMERCIAL PARA PROFESIONALES

VARIANZA DE LOS ESTIMADORES MCO

Finalmente es posible estimar la varianza del error como:

2 =

1
2

i = SRC / (n )
(n )

Sin embargo, el estimador anterior es sesgado debido a que

impusimos dos restricciones a los errores, por ende, es necesario
quitar 2 grados de libertad a la estimacin.

2 =

1
2

i = SRC / (n 2 )
(n 2)
21

UNIERSIDAD ALBERTO HURTADO | INGENIERA COMERCIAL PARA PROFESIONALES

VARIANZA DE LOS ESTIMADORES MCO

Entonces la varianza para # se puede expresar como:

( )

2
Var 1 = 2 / ( xi x )

Para # va a ser:

2

Var 0 =
n

( )

xi

2
(
)
x

x
i

Para obtener los errores estndar de los estimadores simplemente

se debe tomar la raz cuadrada de su varianza.

22