Modelo de Regresión Lineal (Parte I)

Prof. Víctor Macías E.

Prof. Víctor Macías E. Modelo de Regresión Lineal (Parte I) 1 / 54

“It is a capital mistake to theorize before one has data. Insensibly
one begins to twist facts to suit theories, instead of theories to suit
facts”.
Sherlock Holmes

Prof. Víctor Macías E. Modelo de Regresión Lineal (Parte I) 2 / 54

Desde un punto de vista amplio, la econometría es la ciencia y el
arte de utilizar la teoría económica y las técnicas estadísticas para
analizar los datos económicos.
Los métodos econométricos son usados en economía, finanzas,
marketing y ciencia política, entre otras disciplinas.

Prof. Víctor Macías E. Modelo de Regresión Lineal (Parte I) 3 / 54

 Preguntas

Preguntas

Prof. Víctor Macías E. Modelo de Regresión Lineal (Parte I) 4 / 54

 Preguntas

1 ¿Mejora la reducción del tamaño de la clase el desempeño de los

estudiantes?
2 ¿Existe un castigo salarial a los inmigrantes?
3 ¿Cuánto reduce el consumo de cigarrillos los impuestos sobre los
cigarrillos?
4 ¿Cuál será la tasa de inflación el próximo año?

Prof. Víctor Macías E. Modelo de Regresión Lineal (Parte I) 5 / 54

 Correlación, causalidad y predicción

Correlación, causalidad y predicción

Prof. Víctor Macías E. Modelo de Regresión Lineal (Parte I) 6 / 54

 Correlación, causalidad y predicción

Efectos causales

Se dice que una acción causa un resultado si el efecto es el resultado

directo, o consecuencia, de esta acción. Por lo tanto, el resultado debe ser
atribuible a la acción y no a otros factores.
El efecto causal se define como el efecto sobre un resultado de una acción
dada o tratamiento medido en un experimento aleatorizado controlado ideal.
En dicho experimento, la única razón sistemática para la diferencia en los
resultados entre los grupos tratamiento y control es el tratamiento en sí
mismo.

Prof. Víctor Macías E. Modelo de Regresión Lineal (Parte I) 7 / 54

 Correlación, causalidad y predicción

Experimento aleatorizado controlado

Experimento en el que los participantes se asignan de manera aleatoria al

grupo de control, que no recibe tratamiento, o al grupo de tratamiento, que
sí lo recibe.
Entre las dificultades prácticas para llevar a cabo experimentos se
encuentran: problemas éticos, son caros y la implementación muchas veces
no es satisfactoria.

Prof. Víctor Macías E. Modelo de Regresión Lineal (Parte I) 8 / 54

 Correlación, causalidad y predicción

Ejemplo 1:

Diseñe un experimento aleatorizado controlado que ayude al gobierno

estimar el impacto sobre las ventas de un programa de capacitación en
técnicas de marketing dirigido a microemprendedores.

Prof. Víctor Macías E. Modelo de Regresión Lineal (Parte I) 9 / 54

 Correlación, causalidad y predicción

Ceteris paribus e interpretación causal

Las comparaciones que se establecen en términos de que todo lo demás

permanece constante o ceteris paribus son las que admiten una
interpretación causal.
La asignación aleatoria hace que el principio de que todo lo demás
permanece constante se cumpla, en promedio, para los grupos
tratamiento y control.
El arte de la econometría usa datos para conseguir condiciones en las
que el resto permanece constante.

Prof. Víctor Macías E. Modelo de Regresión Lineal (Parte I) 10 / 54

 Correlación, causalidad y predicción

Correlación vs causalidad

Para más gráficos de este tipo, se recomienda revisar la siguiente página:

http://www.tylervigen.com/spurious-correlations

Prof. Víctor Macías E. Modelo de Regresión Lineal (Parte I) 11 / 54

 Correlación, causalidad y predicción

Predicción versus causalidad

No es necesario conocer una relación causal para realizar una buena

predicción. Aunque una predicción no necesite incluir relaciones causales, la
teoría económica sugiere patrones y relaciones que pueden ser útiles para la
predicción.
Un modelo de regresión puede ser útil para la predicción, aunque ninguno
de sus coeficientes tenga una interpretación causal.

Prof. Víctor Macías E. Modelo de Regresión Lineal (Parte I) 12 / 54

 Datos

Datos

Prof. Víctor Macías E. Modelo de Regresión Lineal (Parte I) 13 / 54

 Datos

Tipos de datos

1 Corte transversal o sección cruzada

2 Combinación de datos de corte transversal
3 Series de tiempo
4 Panel o datos longitudinales
Estos datos pueden ser obtenidos mediante experimentos o provenir de
encuestas y registros administrativos (datos observacionales).

Prof. Víctor Macías E. Modelo de Regresión Lineal (Parte I) 14 / 54

 Datos

Ejercicio 1

Busque ejemplos para los siguientes tipos de datos:

1 Corte transversal
2 Combinación de datos de corte transversal
3 Serie de tiempo
4 Panel

Prof. Víctor Macías E. Modelo de Regresión Lineal (Parte I) 15 / 54

 Datos

Fuentes de datos

1 Experimentos
2 Datos observacionales, los cuales pueden ser recopilados mediante
encuestas o registros administrativos. Este tipo de datos son obtenidos
mediante la observación del comportamiento real fuera de un marco
experimental.

Prof. Víctor Macías E. Modelo de Regresión Lineal (Parte I) 16 / 54

 Datos

La mayor parte de la econometría está dedicada a estudiar los métodos que

existen para enfrentar los desafíos que presentan los datos observacionales
para estimar efectos causales. En el caso de datos observacionales es
difícil aislar el efecto del tratamiento del de otros factores relevantes para
explicar los resultados observados.

Prof. Víctor Macías E. Modelo de Regresión Lineal (Parte I) 17 / 54

 Modelo de regresión y estimador de MCO

Modelo de regresión y estimador de MCO

Prof. Víctor Macías E. Modelo de Regresión Lineal (Parte I) 18 / 54

 Modelo de regresión y estimador de MCO

Modelo de regresión lineal simple

El modelo de regresión simple poblacional es:

yi = β0 + β1 x1i + ui

donde i = 1, 2, ..., n denota cada una de las n observaciones

yi es la variable dependiente o regresando
xi es la variable independiente, regresor o variable explicativa
ui es el término de error o perturbación. ¿Qué incluye ui ?

Prof. Víctor Macías E. Modelo de Regresión Lineal (Parte I) 19 / 54

 Modelo de regresión y estimador de MCO

Función de regresión poblacional

La función de regresión poblacional que representa la relación entre y y x y

que se cumple en promedio para la población es igual a:

β0 + β1 xi
donde β0 se denomina término constante, valor en el origen o intercepto y
β1 es la pendiente. Tanto β0 como β1 se denominan parámetros de la
función de regresión poblacional.

Prof. Víctor Macías E. Modelo de Regresión Lineal (Parte I) 20 / 54

 Modelo de regresión y estimador de MCO

Interpretación de β0 y β1

β1 es la variación en y asociada a un cambio unitario en x

β0 es el valor de y cuando x = 0. Sin embargo, no siempre β0 tiene
una interpretación económica

Prof. Víctor Macías E. Modelo de Regresión Lineal (Parte I) 21 / 54

 Modelo de regresión y estimador de MCO

Función de regresión poblacional como una media

condicional

Si E (ui |xi ) = 0, entonces E (yi |xi ) = β0 + β1 xi y, por lo tanto, la función de

regresión poblacional, β0 + β1 xi , es una media condicional.
Demostración:
Sea yi = β0 + β1 xi + ui .
E (yi |xi ) = E (β0 + β1 xi + ui |xi ) = β0 + β1 xi + E (ui |xi ) = β0 + β1 xi

Prof. Víctor Macías E. Modelo de Regresión Lineal (Parte I) 22 / 54

 Modelo de regresión y estimador de MCO

Importancia de E (u|x ) = 0

E (u|x ) = 0 se conoce como el supuesto de media condicional igual a cero.

En un experimento aleatorizado controlado, los sujetos son asignados
al azar al grupo de tratamiento (x = 1) o al grupo de control (x = 0).
La asignación al azar hace a x y a u independientes, lo que implica que
E (u|x ) = 0. De esta manera, la comparación de resultados entre los
grupos tratamiento y control se puede realizar en términos de ceteris
paribus. Sin embargo, cabe destacar que la aleatorización no es la
única vía para generar comparaciones ceteris paribus.
En el caso de datos observacionales, lo mejor que se puede esperar es
que x sea como si fuere asignada al azar, en el sentido de que
E (u|x ) = 0. Si esto se cumple o no en una determinada aplicación
empírica con datos observacionales, debe ser evaluado.

Prof. Víctor Macías E. Modelo de Regresión Lineal (Parte I) 23 / 54

 Modelo de regresión y estimador de MCO

Ejemplo 2: Relación entre gasto en alimentos e

ingresos

Usando datos de consumo e ingresos de 40 hogares, se quiere estimar el

siguiente modelo de regresión simple poblacional:

GastoAlimentosi = β0 + β1 IngresoHogar1i + ui

Prof. Víctor Macías E. Modelo de Regresión Lineal (Parte I) 24 / 54

 Modelo de regresión y estimador de MCO

La línea roja describe la función de regresión muestral:

\
GastoAlimentos = 83.41 + 10.21IngresoHogar
Prof. Víctor Macías E. Modelo de Regresión Lineal (Parte I) 25 / 54
 Modelo de regresión y estimador de MCO

La siguiente tabla muestra el ingreso del hogar, gasto en alimentos

observado y predicho, así como los residuos del modelo para 10 hogares:

IngresoHogar GastoAlimentos PredGasto Residuo

3.69 115.22 121.09 -5.87
4.39 135.98 128.24 7.74
4.75 119.34 131.91 -12.57
6.03 114.96 144.98 -30.02
12.47 187.05 210.73 -23.68
12.98 243.92 215.94 27.98
14.20 267.43 228.39 39.04
14.76 238.71 234.11 4.60
15.32 295.94 239.83 56.11
16.39 317.78 250.75 67.03

Prof. Víctor Macías E. Modelo de Regresión Lineal (Parte I) 26 / 54

 Modelo de regresión y estimador de MCO

La función de regresión muestral es la versión estimada de la

función de regresión poblacional que es algo fijo, pero desconocido
de la población:

E (GastoAlimentos|IngresoHogar ) = β0 + β1 IngresoHogar

donde E (u|IngresoHogar ) = 0 que se denomina supuesto de media

condicional igual a cero
Dado E (u|IngresoHogar ) = 0, se tiene que β0 + β1 IngresoHogar que
representa E (GastoAlimentos|IngresoHogar ), se le llama parte
sistemática de GastoAlimentos, es decir, es la parte de GastoAlimentos
explicada por IngresoHogar y a u se le llama la parte no sistemática, o
la parte de GastoAlimentos que no es explicada por IngresoHogar .
Como se pudo ver anteriormente, la estimación de los parámetros β0 y
β1 son β̂0 = 83.41 y β̂1 = 10.21, respectivamente. ¿Cómo se
obtuvieron dichas estimaciones?

Prof. Víctor Macías E. Modelo de Regresión Lineal (Parte I) 27 / 54

 Modelo de regresión y estimador de MCO

Mínimos Cuadrados Ordinarios (MCO)

Los estimadores del término constante y la pendiente que minimizan la

suma de los cuadrados de los residuos, se denominan estimadores de
mínimos cuadrados ordinarios de β0 y β1 .
El problema a resolver es:
(a) Dados n pares (xi , yi )
(b) Encontrar los valores β̃0 y β̃1 que minimizan ni=1 (yi − β̃0 − β̃1 xi )2
P

Prof. Víctor Macías E. Modelo de Regresión Lineal (Parte I) 28 / 54

 Modelo de regresión y estimador de MCO

Matemáticamente,
n
X
min (yi − β̃0 − β̃1 xi )2 (1)
β̃0 ,β̃1 i=1

Las condiciones de primer orden de este problema son:

n
X
−2 (yi − β̂0 − β̂1 xi ) = 0 (2)
i=1

n
X
−2 xi (yi − β̂0 − β̂1 xi ) = 0 (3)
i=1

donde (2) y (3) son denominadas ecuaciones normales y son equivalentes a

Pn Pn
i=1 ûi = 0 y i=1 xi ûi = 0, respectivamente.

Prof. Víctor Macías E. Modelo de Regresión Lineal (Parte I) 29 / 54

 Modelo de regresión y estimador de MCO

Estimadores MCO

Resolviendo el sistema de ecuaciones compuesto por (1) y (2), se obtiene:

Pn
i=1 (xi − x )(yi − y)
β̂1 = Pn 2
(4)
i=1 (xi − x )

β̂0 = y − β̂1 x (5)

cov (x ,y )
donde β̂1 también puede ser escrita como: β̂1 = var (x )

El valor de la predicción de ŷi y los residuos ûi son:

ŷi = β̂0 + β̂1 xi (6)

ûi = yi − ŷi (7)

Prof. Víctor Macías E. Modelo de Regresión Lineal (Parte I) 30 / 54

 Modelo de regresión y estimador de MCO

Ejercicio 2

1 Muestre que:
Pn
(a) i=1 (xi − x) = 0
Pn Pn
(b) i=1 (xi − x )2 = i=1 (xi − x )xi
2 Derive los estimadores de MCO obtenidos en (4) y (5)
3 Muestre que y = ŷ
4 Muestre que los estimadores de MCO y método de momentos del
modelo de regresión lineal simple son los mismos

Prof. Víctor Macías E. Modelo de Regresión Lineal (Parte I) 31 / 54

 Modelo de regresión y estimador de MCO

Linealidad en los parámetros

Cuando se habla de modelo de regresión lineal, nos referimos a linealidad

en los parámetros, β’s. El modelo puede o no ser lineal en los regresores.

Prof. Víctor Macías E. Modelo de Regresión Lineal (Parte I) 32 / 54

 Modelo de regresión y estimador de MCO

Ejercicio 3

¿Son modelos de regresión lineal los siguientes? ¿Por qué?

(a) Yi = e β0 +β1 Xi +ui
(b) Yi = β0 + β1 Xi + β2 Xi2 + ui
(c) Yi = β0 + β1 X1i + ui
(d) lnYi = β0 + β1 lnXi + ui
(e) Yi = e β0 +β11 Xi +ui

Prof. Víctor Macías E. Modelo de Regresión Lineal (Parte I) 33 / 54

 Modelo de regresión y estimador de MCO

Regresión lineal múltiple

El modelo de regresión múltiple poblacional es:

yi = β0 + β1 x1i + β2 x2i + ... + βk xki + ui

donde i = 1, 2, ..., n denota cada una de las n observaciones

Prof. Víctor Macías E. Modelo de Regresión Lineal (Parte I) 34 / 54

 Modelo de regresión y estimador de MCO

Ejercicio 4

¿Cómo formularía el supuesto de media condicional igual a cero en el

contexto del modelo de regresión lineal múltiple? ¿Cuál es su significado?

Prof. Víctor Macías E. Modelo de Regresión Lineal (Parte I) 35 / 54

 Modelo de regresión y estimador de MCO

MCO regresión lineal múltiple

n
X
min (yi − β̃0 − β̃1 x1i − β̃2 x2i − ... − β̃k xki )2 (8)
β̃0 ,β̃1 ,...,β̃k i=1

Las condiciones de primer orden de este problema son:

n
X
−2 (yi − β̂0 − β̂1 x1i − ... − β̂k xki ) = 0 (9)
i=1

n
X
−2 x1i (yi − β̂0 − β̂1 x1i − ... − β̂k xki ) = 0 (10)
i=1
................................................

n
X
−2 xki (yi − β̂0 − β̂1 x1i − ... − β̂k xki ) = 0 (11)
i=1

Prof. Víctor Macías E. Modelo de Regresión Lineal (Parte I) 36 / 54

 Modelo de regresión y estimador de MCO

Efectos parciales o ceteris paribus

En el modelo de regresión lineal múltiple, las estimaciones β̂1 , β̂2 , ..., β̂k se
denominan efectos parciales o ceteris paribus.

yˆi = β̂0 + β̂1 x1i + β̂2 x2i + ... + β̂k xki

∆yˆi = β̂1 ∆x1i + β̂2 ∆x2i + ... + β̂k ∆xki
Si ∆x2i = 0, ∆x3i = 0, ..., ∆xki = 0, entonces ∆yˆi = β̂1 ∆x1i y β̂1 mide el
cambio en ŷ por un aumento de x1 de una unidad, manteniendo constantes
todas las demás variables independientes. Por tanto, las variables
x2 , x3 , ..., xk han sido controladas al estimar el efecto de x1 sobre y . Los
demás coeficientes tienen una interpretación similar.

Prof. Víctor Macías E. Modelo de Regresión Lineal (Parte I) 37 / 54

 Modelo de regresión y estimador de MCO

Ejercicio 5

Modelo 1:
wi = β0 + β1 educi + β2 experi + ui
donde w es el salario por hora, educ son los años de educación y exper
son los años de experiencia laboral.
Modelo 2:

wi = γ0 + γ1 educi + γ2 experi + γ3 experi2 + vi

(a) Calcule el efecto de un año adicional de educación sobre el salario por

hora en los modelos 1 y 2.
(b) Calcule el efecto de un año adicional de experiencia laboral sobre el
salario por hora en los modelos 1 y 2.

Prof. Víctor Macías E. Modelo de Regresión Lineal (Parte I) 38 / 54

 Modelo de regresión y estimador de MCO

Ejercicio 6

Usted dispone de los siguientes datos para una muestra aleatoria de 220
viviendas vendidas en una comunidad:

Variable Descripción
Precio precio de venta (en millones de pesos)
DORM número de dormitorios
Baños número de baños
Ctam superficie de la vivienda (en metros cuadrados)
PTam superficie del terreno (en metros cuadrados)
Edad edad de la vivienda (en años)
Pobre =1, si el estado general de la vivienda es “pobre”;
=0, en otro caso

Prof. Víctor Macías E. Modelo de Regresión Lineal (Parte I) 39 / 54

 Modelo de regresión y estimador de MCO

La estimación de la regresión entrega los siguientes resultados:

\ = 119, 2 + 0, 485DORM + 23, 4Baños + 1, 679Ctam+

Precio
0, 022PTam + 0, 090Edad − 48, 8Pobre

Nota: Asuma que todas las variables son estadísticamente significativas.

(a) Suponga que un propietario añade un nuevo baño a la casa, lo que
aumenta el tamaño de la casa en 9 metros cuadrados. ¿Cuál es el
aumento o disminución esperada en el valor de la casa?
(b) Si el precio de venta de una casa que fue construida hace 5 años y que
tiene un dormitorio, un baño, 200 metros cuadrados, 400 metros
cuadrados de terreno y que se encuentra en muy buena condición es
$350 millones ¿Recomendaría comprar la casa? Justifique su respuesta.

Prof. Víctor Macías E. Modelo de Regresión Lineal (Parte I) 40 / 54

 Modelo de regresión y estimador de MCO

Incorporando no linealidades

Caso 1: y = β0 + β1 ln x + u
Un 1% de cambio en x está asociado con un cambio en y de 0, 01β1

Caso 2: ln y = β0 + β1 x + u
Un cambio en x de una unidad está asociado con un cambio en y de
100β1 %. En este caso, 100β1 se denomina semielasticidad.

Caso 3: ln y = β0 + β1 ln x + u
Un 1% de cambio en x está asociado con un cambio en y de β1 %, por lo
que β1 es la elasticidad de y respecto a x .

Prof. Víctor Macías E. Modelo de Regresión Lineal (Parte I) 41 / 54

 Modelo de regresión y estimador de MCO

Ejercicio 7

La función de demanda de dinero estándar como las que utilizan los

macroeconomistas tiene la forma ln(m) = β0 + β1 ln(PIB) + β2 R, donde m
es la cantidad de saldos reales, PIB es el valor del Producto Interno Bruto
(real) y R es el tipo de interés nominal medido en porcentaje anual.
Supóngase que β1 = 1 y β2 = −0, 02.
(a) ¿En qué magnitud se verá afectado m si el PIB aumenta en un 2%?
(b) ¿En qué magnitud se verá afectado m si R aumenta del 4% al 5%?

Prof. Víctor Macías E. Modelo de Regresión Lineal (Parte I) 42 / 54

 Bondad de ajuste

Bondad de ajuste

Prof. Víctor Macías E. Modelo de Regresión Lineal (Parte I) 43 / 54

 Bondad de ajuste

STC, SEC y SRC

STC = SEC + SRC

donde:
Pn
STC = i=1 (yi − y )2 (suma total de cuadrados)

Pn
SEC = i=1 (ŷi − y )2 (suma explicada de cuadrados)

Pn Pn
SRC = i=1 (yi − ŷi )2 = 2
i=1 ûi (suma de residuos al cuadrado)

Prof. Víctor Macías E. Modelo de Regresión Lineal (Parte I) 44 / 54

 Bondad de ajuste

2
R 2, R

SEC SRC
R2 = STC =1− STC
El R 2 muestra la proporción de la varianza muestral de y que es explicada
por los x ’s.
El R 2 también puede ser calculado como el cuadrado del coeficiente de
correlación entre los valores observados de yi y los ajustados, ŷi .

2 (1−R 2 )(n−1)
R =1− n−k−1

El R 2 -ajustado, también denominado R 2 -corregido, penaliza por la adición

de regresores al modelo.

Prof. Víctor Macías E. Modelo de Regresión Lineal (Parte I) 45 / 54

 Bondad de ajuste

Bondad de ajuste: algunos comentarios

2
Un aumento en el R 2 o en el R no significa necesariamente que una
variable que se haya añadido sea estadísticamente significativa.
2
Un R 2 o R elevados no significa que los regresores sean una verdadera
causa de la variable dependiente
2
Un elevado R 2 o R no quiere decir que no haya sesgo de variable
omitida.
2
Un R 2 o R elevados no significa necesariamente que se disponga del
2
conjunto de variables explicativas más adecuadas, ni un R 2 o un R
bajos necesariamente significa que se disponga de un conjunto
inadecuado de regresores.
R 2 nunca disminuye y, en general, aumenta cuando se agrega otra
variable independiente a la regresión. Por lo tanto, el R 2 es poco
confiable para decidir si agregar una o varias variables al modelo.

Prof. Víctor Macías E. Modelo de Regresión Lineal (Parte I) 46 / 54

 Bondad de ajuste

Datos + Visualización

En las cuatro figuras que se presentan a continuación, el modelo estimado

por MCO es: ŷ = 3 + 0, 5x y el R 2 = 0, 67

Anscombe, F. J. 1973. Graphs in Statistical Analysis. The American Statistician. Vol. 27, No. 1, pp. 17-21.

Prof. Víctor Macías E. Modelo de Regresión Lineal (Parte I) 47 / 54

 Bondad de ajuste

Ejercicio 8

(a) ¿Por qué el R 2 nunca disminuye y, en general, aumenta cuando se

agrega otra variable independiente a la regresión?
(b) ¿Puede el R 2 ser negativo? Justifique su respuesta.
2
(c) ¿Puede el R ser negativo? Justifique su respuesta.

Prof. Víctor Macías E. Modelo de Regresión Lineal (Parte I) 48 / 54

 Bondad de ajuste

Error estándar de la regresión (EER)

El error estándar de la regresión estima la desviación típica del término de

error ui . Por lo tanto, es una medida de dispersión de la distribución de y
alrededor de la recta de regresión.

s P
n 2
i=1 ûi
EER =
n−k −1

Prof. Víctor Macías E. Modelo de Regresión Lineal (Parte I) 49 / 54

 MCO usando matrices

MCO usando matrices

Prof. Víctor Macías E. Modelo de Regresión Lineal (Parte I) 50 / 54

 MCO usando matrices

Regresión lineal múltiple (forma matricial)

Expresando el modelo de regresión múltiple en forma matricial, se tiene:

      
y1 1 x11 x21 · · · xk1 β0 u1
y2  1 x12 x22 · · · xk2  β1  u2 
      
 .  = . .. .. ..  .  +  . 
..     
 .  .
 .  . . . . .   ..   .. 
yn 1 x1n x2n ... xkn βk un

esto es,
Y = Xβ + u

Prof. Víctor Macías E. Modelo de Regresión Lineal (Parte I) 51 / 54

 MCO usando matrices

Estimadores de MCO (forma matricial)

El problema a resolver es el siguiente:

min(Y − X β̃)0 (Y − X β̃) (12)

β̃

Las condiciones de primer orden de este problema son:

(X 0 X )β̂ = X 0 Y (13)

Despejando β̂, se obtiene:

β̂ = (X 0 X )−1 X 0 Y (14)

Prof. Víctor Macías E. Modelo de Regresión Lineal (Parte I) 52 / 54

 MCO usando matrices

Regresión lineal simple (forma matricial)

El modelo de regresión lineal simple poblacional es:

yi = β0 + β1 x1i + ui

donde i = 1, 2, ..., n denota cada una de las n observaciones

Expresando el modelo de regresión lineal simple en forma matricial, se tiene:
     
y1 1 x11 u1
" #  
y2  1 x12  β0  u2 
  
 .  = .
 β +  .. 
..   
 .  .
 .  . .  1 .
yn 1 x1n un

Prof. Víctor Macías E. Modelo de Regresión Lineal (Parte I) 53 / 54

 MCO usando matrices

Ejercicio 9

Muestre que en el modelo de regresión lineal simple:

" # "P #" P #
n 2 Pn n
β̂0 1 i=1 xi − i=1 xi i=1 yi
= Pn
n i=1 xi2 − ( ni=1 xi )2 − ni=1 xi
P Pn
n i=1 xi yi
P
β̂1

Prof. Víctor Macías E. Modelo de Regresión Lineal (Parte I) 54 / 54