Modelo de minimos cuadrados ordinarios El anlisis de regresin trata de la dependencia de las variables explicativas, con el objeto de estimar y/o

predecir la media o valor promedio poblacional de la variable dependiente en trminos de los valores conocidos o fijos de las variables explicativas. Se trata de encontrar una mtodo para hallar una recta que se ajuste de una manera adecuada a la nube de puntos definida por todos los pares de valores muestrales (Xi,Yi). Este mtodo de estimacin se fundamenta en una serie de supuestos, los que hacen posible que los estimadores poblacionales que se obtienen a partir de una muestra, adquieran propiedades que permitan sealar que los estimadores obtenidos sean los mejores. Pues bien, el mtodo de los mnimos cuadrados ordinarios consiste en hacer mnima la suma de los cuadrados residuales, es decir lo que tenemos que hacer es hallar los estimadores que hagan que esta suma sea lo ms pequea posible. Los supuestos del mtodo MCO son los que se presentan a continuacin: Supuesto 1 El modelo de regresin es lineal en los parmetros: Yi = 1 + 2*Xi +i La linealidad de los parmetros se refiere a que los solamente a la primera potencia. Supuesto 2 Los valores que toma el regresor X son considerados fijos en muestreo repetido. Esto quiere decir que la variable X se considera no estocstica. Este supuesto implica que el anlisis de regresin es un anlisis condicionado a los valores dados del (los) regresores. Supuesto 3 Dado el valor de X, el valor esperado del trmino aleatorio de perturbacin i es cero. E ( i/Xi ) = 0 Cada poblacin de Y corresponde a un X dado, est distribuida alrededor de los valores de su media con algunos valores de Y por encima y otros por debajo de sta. Las distancias por encima y por debajo de los valores medios son los errores, y la ecuacin antes sealada requiere que en promedio estos valores sean cero. Supuesto 4 Homoscedasticidad. Dado el valor de X, la varianza de todas las observaciones. Var (i/Xi ) = E (i - E(i)/ Xi)2 = E (i2/Xi ) i es la misma para s son elevados

=2 Esta ecuacin seala que la varianza de las perturbaciones para cada Xi es algn nmero positivo igual a 2. Homoscedastidad significa igual dispersin, en otras palabras significa que las poblaciones Y correspondientes a diversos valores de X tienen la misma varianza. Por el contrario, se dice que existe heteroscedasticidad cuando la varianza poblacional, ya no es la misma en cada muestra. El supuesto de homoscedasticidad est indicando que todos los valores de Y correspondientes a diversos valores de X son igualmente importantes. Supuesto 5 Dados dos valores cualquiera de X, Xi y Xj ( i " j ), la correlacin entre j cualquiera ( i " j ) es cero. Cov ( i, j / Xi, Xj ) = E (i - E(i)/ Xi) (j - E (j/Xj )) = E (i/Xi ) (j/Xj ) =0 Este supuesto indica que las perturbaciones no estn correlacionadas. Esto significa que los errores no siguen patrones sistemticos. La implicancia del no cumplimiento de este supuesto (existencia de autocorrelacin) implicara que Yt no depende tan slo de Xt sino tambin de t-1, puesto que t-1 determina en cierta forma a t. Supuesto 6 La covarianza entre Cov (i/Xi ) = E (i - E(i)) (Xi - E(Xi)) = E (i (Xi - E(Xi))) = E (i Xi - E(Xi) E(i)) = E (i Xi) =0 Este supuesto indica que la variable X y las perturbaciones no estn correlacionadas. Si X y estuvieran relacionadas, no podran realizarse inferencias sobre el comportamiento de la variable endgena ante cambios en las variables explicativas. Supuesto 7 El nmero de observaciones debe ser mayor que el nmero de parmetros a estimar. Supuesto 8 Debe existir variabilidad en los valores de X. No todos los valores de una muestra dada deben ser iguales.Tcnicamente la varianza de X debe ser un nmero finito positivo. Si todos los valores de X son idnticos entonces se hace imposible la estimacin de los parmetros. i y Xi es cero, formalmente: iy

Supuesto 9 El modelo de regresin debe ser correctamente especificado, esto indica que no existe ningn en el modelo a estimar. La especificacin incorrecta o la omisin de variables importantes, harn muy cuestionable la validez de la interpretacin de la regresin estimada. Supuesto 10 No hay relaciones perfectamente lineales entre las variables explicativas. No existe multicolinealidad perfecta. Aunque todas las variables econmicas muestran algn grado de relacin entre s, ello no produce excesivas dificultades, excepto cuando se llega a una situacin de dependencia total, que es lo que se excluy al afirmar que las variables explicativas son linealmente dependientes. MTODO DE MNIMOS CUADRADOS ORDINARIOS SUPUESTOS UNIVERSIDAD SANTO TOMAS DE AQUINO FACULTAD DE COMERCIO EXTERIOR ECONOMETRA BUCARAMANGA 2004 INTRODUCCION El Mtodo de Mnimos Cuadrados Ordinarios es un modelo estadstico que hace parte de un grupo denominado Modelos de Regresin, estos explican la dependencia de una variable "Y" respecto de una o varias variables cuantitativas "X": En el Mtodo de Mnimos Cuadrados Ordinarios se estudia una nica ecuacin con solo dos variables y con una regresin lineal; se trata de estudiar una ecuacin o un modelo del siguiente tipo: BIBLIOGRAFA

Econometra

Damodar Gujarati Editorial Mac Graw Hill

Estadstica

Berenson

Estadstica

Montgomery