Macroeconometría

Ch.1: Revisión de Conceptos de Econometría

Profesor: Juan Manuel Rivas Castillo

 Contenido

 SUPUESTOS DEL MODELO DE REGRESIÓN LINEAL

MÚLTIPLE
 MÉTODO DE ESTIMACIÓN DE MÍNIMOS
CUADRADOS CLÁSICOS
 BONDAD DEL AJUSTE Y ANÁLISIS DE VARIANZA
 PROPIEDADES DE MUESTRA FINITA
 APLICACIÓN
 SUPUESTOS DEL MODELO DE REGRESIÓN LINEAL
MÚLTIPLE

• En economía un modelo vincula a una variable que se

pretende explicar (y) con una o varias variables que la
explican (x’s).
• La variable explicada recibe el nombre de variable
dependiente.
• Las variables que explican a la variable dependiente
reciben el nombre de variables explicativas o regresores.
• El modelo se especifica a través de una serie de un
conjunto de supuestos acerca del comportamiento de la
variable dependiente y las variables explicativas.
 SUPUESTOS DEL MODELO DE REGRESIÓN LINEAL
MÚLTIPLE

Supuesto 1 (linealidad):
Sea:

Donde los B son parámetros desconocidos que deben ser

estimados y e es un componente de error no observado con
ciertas propiedades que se especificaran mas adelante.
• La parte de las variables explicativas en el modelo anterior
se denomina función de regresión poblacional o regresión
directamente.
 SUPUESTOS DEL MODELO DE REGRESIÓN LINEAL
MÚLTIPLE

• Los parámetros representan los efectos marginales o

regresores. Por ejemplo, B2 representa el cambio en la
variable dependiente cuando el segundo regresor se
incrementa en una unidad mientras que los otros
regresores se mantienen constante.
• El supuesto de linealidad implica que el efecto marginal no
depende de los regresores
 SUPUESTOS DEL MODELO DE REGRESIÓN LINEAL
MÚLTIPLE

Supuesto 2 (exogeneidad estricta):

Note que la esperanza está condicionada por los regresores

para todas las observaciones.

• El supuesto de exogeneidad estricta tiene varias

implicancias.

• Usando la ley de las expectativas iteradas, la exogeneidad

estricta implica que la esperanza no condicionada del error
es cero.
 SUPUESTOS DEL MODELO DE REGRESIÓN LINEAL
MÚLTIPLE

• Bajo exogeneidad estricta, los regresores son ortogonales

al error para todas las observaciones.

• La característica de la exogeneidad estricta es que los

regresores no solo son ortogonales al error para la misma
observación, sino también a los errores de otras
observaciones.
 SUPUESTOS DEL MODELO DE REGRESIÓN LINEAL
MÚLTIPLE

Supuesto 3 (no singularidad):

• El rango de la matriz X’X es k con probabilidad 1.

• Este supuesto equivale a asumir que X’X es una matriz

definida positiva.
SUPUESTOS DEL MODELO DE REGRESIÓN LINEAL
MÚLTIPLE

Supuesto 4 (varianza del error esférica):

Homocedasticidad:

El supuesto de homocedasticidad indica que el segundo

momento condicional es una constante.

Este supuesto puede ser escrito en términos más familiares

como:
 SUPUESTOS DEL MODELO DE REGRESIÓN LINEAL
MÚLTIPLE

Empleando la ley de expectativas iteradas el supuesto de

homocedasticidad nos dice que la varianza condicionada del
error es igual a la varianza no condicionada que es una
constante.
 SUPUESTOS DEL MODELO DE REGRESIÓN LINEAL
MÚLTIPLE

Supuesto 4 (varianza del error esférica):

Ausencia de autocorrelación serial:

Igual que el supuesto de homocedasticidad, el supuesto de

ausencia de correlación serial es equivalente a requerir que:

La covarianza condicional de los errores del modelo es cero.

 SUPUESTOS DEL MODELO DE REGRESIÓN LINEAL
MÚLTIPLE

Combinando los dos requerimientos, el supuesto 4 de

varianza de los errores esféricos establece que:
 SUPUESTOS DEL MODELO DE REGRESIÓN LINEAL
MÚLTIPLE

Caso Particular: Regresores Fijos

Si asumimos que los x son fijos o determinísticos no hay

necesidad de distinguir entre la distribución condicional del
error y la distribución marginal del error de forma tal que
los supuestos 2 y 4 pueden reescribirse como:
MÉTODO DE ESTIMACIÓN DE MÍNIMOS CUADRADOS
CLÁSICOS

• Técnicamente, el método de MCC consiste es minimizar la

suma de residuos al cuadrado (RSS):

• Las condiciones de primer orden para la minimización son:

MÉTODO DE ESTIMACIÓN DE MÍNIMOS CUADRADOS
CLÁSICOS

• Las condiciones de primer orden dan origen a las

ecuaciones normales:

• Las ecuaciones normales implican que:

Que es el estimador de MCC.

• Las ecuaciones normales implican que:

MÉTODO DE ESTIMACIÓN DE MÍNIMOS CUADRADOS
CLÁSICOS
MÉTODO DE ESTIMACIÓN DE MÍNIMOS CUADRADOS
CLÁSICOS
MÉTODO DE ESTIMACIÓN DE MÍNIMOS CUADRADOS
CLÁSICOS

Si la primera columna de X es una columna de unos, se

deducen tres soluciones:

La suma de residuos de los mínimos cuadrados es cero. Esto

se deduce de:

El hiperplano de la regresión pasa por el punto medio de los

datos:
MÉTODO DE ESTIMACIÓN DE MÍNIMOS CUADRADOS
CLÁSICOS

La media de los valores calculados por la regresión es igual

a la media de los valores reales.
MÉTODO DE ESTIMACIÓN DE MÍNIMOS CUADRADOS
CLÁSICOS

El vector de MCC es:

(1) en (2):

La matriz M es simétrica e idempotente (M = M’ y M = M2).

MÉTODO DE ESTIMACIÓN DE MÍNIMOS CUADRADOS
CLÁSICOS

Se puede interpretar M como una matriz que produce el

vector de residuos de mínimos cuadrados en la regresión de
y sobre x.
MÉTODO DE ESTIMACIÓN DE MÍNIMOS CUADRADOS
CLÁSICOS

Si la variable dependiente es igual a la variable explicativa

se obtendrá un ajuste perfecto y los residuos serán ceros:

Entonces:
La matriz P, que también es simétrica e idempotente, es una
matriz de proyección.

El resultado son los valores calculados de la regresión por

mínimos cuadrados de y sobre x.

Se cumple que ambas matrices son ortogonales:

 Bondad de Ajuste y Análisis de Varianza

La variación de la variable se define en términos de

desviaciones respecto de su media . La variación total
de y es la suma de las desviaciones al cuadrado:
 Bondad de Ajuste y Análisis de Varianza

Ahora se puede obtener una medida de la bondad del ajuste

mediante la utilización del:

El coeficiente de determinación se representa por R2.

Debe de estar comprendida entre cero y uno.

Mide la proporción del total de la variación de que es

representada por la variación de los regresores.
Aplicación