Estudios de Economía Aplicada

ISSN: 1133-3197
[email protected]
Asociación Internacional de Economía
Aplicada
España

ALVARGONZÁLEZ RODRÍGUEZ, MERCEDES

Regresión mínimo cuadrática con errores relativos
Estudios de Economía Aplicada, vol. 26, núm. 2, agosto, 2008, pp. 1-16
Asociación Internacional de Economía Aplicada
Valladolid, España

Disponible en: http://www.redalyc.org/articulo.oa?id=30113187013

Cómo citar el artículo

Número completo
Sistema de Información Científica
Más información del artículo Red de Revistas Científicas de América Latina, el Caribe, España y Portugal
Página de la revista en redalyc.org Proyecto académico sin fines de lucro, desarrollado bajo la iniciativa de acceso abierto
ESTUDIOS DE ECONOMÍA APLICADA V O L . 26-2 2008 P Á G S . 1-16

Regresión mínimo cuadrática con errores

relativos
MERCEDES ALVARGONZÁLEZ RODRÍGUEZ∗
Departamento de Economía Aplicada
UNIVERSIDAD DE OVIEDO
e-mail: [email protected]

RESUMEN
El método de Mínimos Cuadrados con Errores Relativos (MCER) consiste en estimar los parámetros que carac-
terizan al modelo de regresión de manera que sea mínima la suma de los cuadrados de los errores relativos.
En este trabajo se realiza un planteamiento descriptivo del método de Mínimos Cuadrados con Errores Relativos,
se obtienen los estimadores de los parámetros para un modelo lineal simple y se propone una medida para analizar
la bondad del modelo, que tiene una interpretación similar al coeficiente de determinación. A continuación se ex-
tiende esta formulación al modelo lineal básico, derivando el vector de estimadores de mínimos cuadrados con
errores relativos. El trabajo concluye con una serie de aplicaciones del método de regresión propuesto, compa-
rando sus resultados con los proporcionados por el método de estimación mínimo cuadrática.
Palabras clave: Regresión; método de mínimos cuadrados con errores relativos; inquietud doble cuadrática.

Minimum Quadratic Regression with Relative Errors

ABSTRACT
The method of Minimum Squares with Relative Errors (MSRE) consists of estimating the parameters that charac-
terize the model of regression so that there is minimal the sum of the squares of the relative errors.
In this work there a descriptive exposition of the method of Minimum Squares with Relative Errors is realized, we
obtain the esteeming of the parameters for a linear model and we propose a measure to analyze the kindness of the
model, that admits an interpretation similar to the coefficient of determination. Later we formulate the linear basic
model, deriving the vector of esteeming from minimum squares with relative errors. The work concludes with
some applications of the method of regression proposed, comparing its results with provided by the method of
Ordinary Least Squares (OLS).
Keywords: Regression; Method of Minimum Squares with Relative Errors; Double Quadratic uncertainty involv-
ing Utilities.

Clasificación JEL: C51.

————————
Artículo recibido en julio de 2007 y aceptado para su publicación en febrero de 2008.
Artículo disponible en versión electrónica en la página www.revista-eea.net, ref. e -26212.

∗
La autora desea agradecer las interesantes sugerencias y aclaraciones realizadas por dos evaluadores
anónimos que han contribuido a mejorar la versión inicial del presente trabajo.

ISSN 1697-5731 (online) – ISSN 1133-3197 (print)

2 MERCEDES ALVARGONZÁLEZ

1. INTRODUCCIÓN

Una vez especificado un modelo econométrico, su estimación aparece estrecha-

mente ligada al análisis de regresión, para el que han sido propuestos diversos pro-
cedimientos estadísticos entre los que destaca el método de Mínimos Cuadrados
Ordinarios (MCO). El planteamiento clásico de la regresión se basa en los estudios de
Gauss y Legendre, autores entre los que existe cierta polémica sobre la autoría del
método de los mínimos cuadrados1.
Dicho procedimiento propone como estimadores de los parámetros de un mode-
lo aquellos valores que minimizan la suma de los cuadrados de los errores o resi-
duos. Si bien este procedimiento es de uso generalizado debido a sus ventajas tanto
descriptivas como inferenciales, también presenta algunas limitaciones referidas
especialmente a su sensibilidad a las observaciones atípicas. De ahí la necesidad de
considerar procedimientos alternativos de estimación, examinando en cada caso
sus ventajas y limitaciones.
Desde una perspectiva amplia, es posible considerar el problema de la estima-
ción de los parámetros como una predicción condicional, ya que observada la reali-
zación de una variable X estaremos interesados en predecir la realización de otra
variable Y. Podríamos así introducir una función de pérdida que —siguiendo el
planteamiento de Pindyck y Rubinfeld (2000) — cuantifique en qué medida el mo-
delo sujeto a estimación se desvía de la realidad, de modo que el mejor predictor
será aquél que minimice el valor esperado de una función de pérdida específica.
Así, denotando por Y e Ŷ los valores observado y estimado respectivamente
y por L la función de pérdida, el objetivo sería minimizar la pérdida esperada:
Mín P E ⎡⎣ L(Y − Yˆ ) / X ⎤⎦ (1)

La consideración de distintas funciones de pérdida conduce a los procedi-

mientos de estimación habitualmente empleados: mínimos cuadrados ordinarios,
mínimas desviaciones absolutas, método de los momentos y máxima verosimilitud.
El método de Mínimos Cuadrados con Errores Relativos (MCER) consiste en
derivar estimadores de los parámetros que minimizan la suma de los errores relati-
vos al cuadrado. Este procedimiento presenta, respecto al método de los Mínimos
Cuadrados Ordinarios la ventaja de que, a igual cuantía de error absoluto, se pena-
lizan más los errores cometidos entre valores pequeños de la variable que entre
valores elevados.
En este trabajo se realiza un planteamiento descriptivo del método de Mínimos Cua-
drados con Errores Relativos, se obtienen los estimadores de los parámetros para
un modelo lineal simple y se propone una medida para analizar la bondad del mo-
delo que tiene una interpretación similar al coeficiente de determinación.

1
Según autores como Einsenhart (1976) y Stigler (1981) las pruebas documentales y estadísticas
muestran que Gauss derivó el procedimiento antes, si bien sus aportaciones no tuvieron la difusión
de la publicación realizada por Legendre en 1805.

Estudios de Economía Aplicada, 2008: 1-16, Vol. 26-2

REGRESIÓN MÍNIMO CUADRÁTICA CON ERRORES RELATIVOS 3

A continuación se extiende esta formulación al modelo lineal básico, derivando

el vector de estimadores de mínimos cuadrados con errores relativos.
El trabajo concluye con una serie de aplicaciones del método de regresión pro-
puesto, comparando sus resultados con los proporcionados por el método de esti-
mación mínimo cuadrático.

2. MÍNIMOS CUADRADOS CON ERRORES RELATIVOS

Dada una variable bidimensional (X, Y) que toma valores (Xi, Yi), i = 1,.., n, la ex-
plicación de la variable Y a partir de la variable X puede ser llevada a cabo median-
te la función Y = f(X).
La comparación por cociente de valores teóricos y observados, siendo estos úl-
timos no nulos, conduce a la definición de errores relativos:
Yˆi
uˆ Ri = −1 (2)
Yi
Si se plantea como objetivo minimizar el valor agregado de los errores relativos
al cuadrado, la función objetivo vendrá dada por la expresión:
2
n ⎛ Yˆ ⎞
S R = ∑ ⎜ i − 1⎟ (3)
⎜Y ⎟
i =1 ⎝ i ⎠
es decir la suma de los errores relativos cuadráticos.
El método de Mínimos Cuadrados con Errores Relativos (MCER) consiste, por
tanto, en estimar los parámetros que caracterizan al modelo de regresión de manera
que sea mínima la suma de los cuadrados de los errores relativos.
Podemos observar que este procedimiento de Mínimos Cuadrados con Errores
Relativos tiene en cuenta no sólo la magnitud de los errores sino también los va-
lores de la variable a los que van referidos, de modo que, a igual cuantía de errores
absolutos, se penalizan más aquellos errores cometidos entre valores reducidos de
la variable que los asociados a valores elevados.
Esta característica es el principal rasgo diferencial con respecto a los proce-
dimientos de Mínimos Cuadrados Ordinarios (MCO) o Mínimas Desviaciones Ab-
solutas (MDA), que tienen en cuenta sólo la magnitud de los errores, con indepen-
dencia de que éstos se produzcan entre valores bajos o elevados de la variable.
Como consecuencia, el procedimiento de Mínimos Cuadrados con Errores Relati-
vos (MCER) será menos sensible a la presencia de datos elevados en la variable y
llevará asociada una función de pérdida más flexible.

Estudios de Economía Aplicada, 2008: 1-16, Vol. 26-2

4 MERCEDES ALVARGONZÁLEZ

3. REGRESIÓN LINEAL SIMPLE

En el caso de considerar una sola variable causa X y un modelo lineal que explica
la variable Y a partir de X (Y = β 0 + β1 X ) , nuestro objetivo será aproximar los pa-
rámetros que caracterizan este modelo. A continuación presentamos, desde un pun-
to de vista descriptivo, las expresiones de los estimadores de Mínimos Cuadrados
con Errores Relativos, examinamos también algunas propiedades de interés y estu-
diamos las medidas adecuadas para evaluar la bondad del modelo.

3.1. Estimadores de Mínimos Cuadrados con Errores Relativos

Si nos planteamos hacer mínima la suma de los errores relativos cuadráticos, la fun-
ción objetivo vendría dada por la expresión:
2
n ⎡ ˆ
( β + βˆ1 X i ) ⎤
S R ( βˆ0 , βˆ1 ) = ∑ ⎢ 0 − 1⎥ (4)
i =1 ⎢
⎣ Yi ⎥⎦

Derivando la función anterior respecto a βˆ0 y βˆ1 e igualando a cero dichas de-
rivadas parciales obtenemos el siguiente sistema de ecuaciones normales:
n n X n
1 1
βˆ0 ∑ 2
+ ˆ
β1∑ 2
i
= ∑
i =1 Yi i =1 Yi i =1 Yi
(5)
n Xi n X i2 n X
βˆ0 ∑ 2
+ βˆ1 ∑ =∑ i
i =1 Yi i =1 Yi 2 i =1 Yi

La solución del sistema anterior proporciona la estimación de los parámetros

del modelo:
⎛ n 1 ⎞⎛ n Xi ⎞ ⎛ n 1 ⎞⎛ n Xi ⎞
⎜⎜ ∑ 2 ⎟⎟ ⎜ ∑ ⎟ − ⎜ ∑ ⎟ ⎜⎜ ∑ 2 ⎟⎟
i =1 Yi ⎠ ⎝ i =1 Yi ⎠ ⎝ i =1 Yi ⎠ ⎝ i =1 Yi ⎠
βˆ1 = ⎝ 2
⎛ n 1 ⎞⎛ n X i2 ⎞ ⎛ n X i ⎞
⎜⎜ ∑ 2 ⎟⎜ ⎟⎜ ∑ 2 ⎟⎟ ⎜⎜ ∑ 2 ⎟⎟
−
⎝ i =1 Yi ⎠⎝ i =1 Yi ⎠ ⎝ i =1 Yi ⎠ (6)
n
1 ˆ n Xi
∑ Y − β1 ∑ Y 2
ˆ
β 0 = i =1 i n i =1 i
1
∑Y2
i =1 i

Las expresiones obtenidas para estimar los parámetros resultan más complejas
que en el método clásico, puesto que en la función a minimizar (por considerar
errores relativos) figuran valores observados de la variable Y en el denominador.

Estudios de Economía Aplicada, 2008: 1-16, Vol. 26-2

REGRESIÓN MÍNIMO CUADRÁTICA CON ERRORES RELATIVOS 5

Sin embargo si consideramos una función que normaliza los valores, las expresio-
nes son similares a las obtenidas en el método clásico.
Si definimos para toda variable X:
n
X
∑ Y 2i
i =1 i
gY ( X ) = n
(7)
1
∑Y2
i =1 i

Entonces se obtiene:
gY ( XY ) − gY ( X ) gY (Y )
βˆ1 =
gY ( X 2 ) − gY ( X )2
(8)
βˆ0 = gY (Y ) − βˆ1 gY ( X )
expresiones que presentan analogías con las obtenidas con el método de Mínimos
Cuadrados Ordinarios, considerando en este caso en lugar de la media la aplicación
definida como gY.
Como consecuencia, se observa que la línea de regresión de Mínimos Cua-
drados con Errores Relativos garantiza las siguientes propiedades:

• La suma de los errores normalizados por los cuadrados de los valores de Y es

nula, es decir:
n
1
∑ Y 2 ⎡⎣Yi − (βˆ0 + βˆ1 X i )⎤⎦ = 0 (9)
i =1 i

• La recta de regresión de Mínimos Cuadrados con Errores Relativos pasa

siempre por el punto

( gY ( X ), gY (Y ) ) .
• Si X e Y son linealmente independientes, entonces se obtiene:
n
1
∑Y
βˆ1 = 0 , βˆ0 = i =1 i
n
(10)
1
∑Y 2
i =1 i

Es decir, en el supuesto de independencia lineal el modelo se reduce a una

constante, que coincide con el promedio que minimiza la suma de los cuadra-
dos de los errores relativos.

Estudios de Economía Aplicada, 2008: 1-16, Vol. 26-2

6 MERCEDES ALVARGONZÁLEZ

• Si Y = cX, entonces se obtiene βˆ1 = c , βˆ0 = 0 , es decir, que si hay una rela-
ción lineal exacta entre las variables entonces el modelo estimado refleja esa
relación.

Puede apreciarse que en los casos extremos de independencia lineal y depen-

dencia funcional los parámetros obtenidos con el método de Mínimos Cuadrados
con Errores Relativos tienen un comportamiento similar a los del método de Míni-
mos Cuadrados Ordinarios.

3.2. Análisis de la bondad

Una vez llevada a cabo una regresión entre variables, resulta necesario disponer de
medidas adecuadas para evaluar su bondad. En este sentido, la regresión mínimo
cuadrática habitualmente utilizada proporciona también una medida de bondad, el
coeficiente de determinación, basado en la descomposición de la varianza de Y en
una varianza explicada más una varianza residual.
Diversos autores como Kvalseth (1985) y Scott y Wild (1991) han puesto de
manifiesto algunas limitaciones del coeficiente de determinación que aconsejan
prudencia en su utilización. Más concretamente, la utilización del coeficiente de
determinación debe tener en cuenta el tipo de modelo formulado (lineal o no lineal,
sobre variables originales o transformadas, con o sin término independiente,...), el
método de estimación utilizado y la finalidad para la que se calcula dicha medida.
En el caso de que la estimación de un modelo lineal realice por el método de
Mínimos Cuadrados con Errores Relativos, es posible llevar a cabo una descompo-
sición de la inquietud doble cuadrática2 asociada a la variable Y en la inquietud
doble cuadrática explicada por el modelo más la inquietud doble cuadrática resi-
dual3, es decir:

HU +*2 (Y ) = HU +*2 (Yˆ ) + HU +*2 (uˆ R ) (11)

2
La inquietud doble cuadrática ha sido definida en Alvargonzález (2003) a partir de dos indicadores
de la familia de medidas de inquietud de orden β, y ha sido empleada en la medición de la desigual-
dad de la renta (López, Alvargonzález y Pérez (2006)).
3
La inquietud doble cuadrática explicada y la inquietud doble cuadrática residual no son medidas de
inquietud en sentido estricto, sino que en realidad son respectivamente las varianzas de los valores
teóricos y de los errores, ambos normalizados por los valores de la variable Y. Puesto que esas me-
didas tienen un carácter doble cuadrático las denotamos de esa manera por simplificar la notación
y por seguir la analogía con el método de Mínimos Cuadrados Ordinarios.

Estudios de Economía Aplicada, 2008: 1-16, Vol. 26-2

REGRESIÓN MÍNIMO CUADRÁTICA CON ERRORES RELATIVOS 7

donde:
2
n ⎛Y ⎞
HU +*2
(Y ) = ∑ ⎜⎜ i − 1⎟⎟ fi
i =1 ⎝ Yi ⎠
2
n ⎛ Yˆ Y ⎞
HU +*2
( )
Yˆ = ∑ ⎜ i − i ⎟ fi
⎜ Yi ⎟⎠
(12)
i =1 ⎝ Yi
2
n ⎛ Yˆ ⎞
HU +*2
( uˆR ) = ∑ ⎜⎜ Yi − 1⎟⎟ fi
i =1 ⎝ i ⎠
1
siendo fi la frecuencia relativa del valor Yi, en general: .
n
Esta propiedad es análoga a la descomposición de la varianza de Y en una va-
rianza explicada más una varianza residual.
La descomposición de la inquietud doble cuadrática de la variable Y permite de-
finir una medida de la bondad del modelo similar al coeficiente de determinación
del método clásico. De la misma forma que el coeficiente de determinación se de-
fine a partir de la varianza de la variable Y y de la varianza residual, vamos a defi-
nir una medida de la bondad del modelo a partir de la inquietud doble cuadrática
asociada a la variable Y y de la inquietud doble cuadrática residual:
HU +*2 (uˆR )
• R2 =1− (13)
HU +*2 HU +*2 (Y )
Esta medida presenta en el caso lineal las siguientes propiedades:
HU +*2 (Yˆ )
• R2 +*2 = (14)
HU HU +*2 (Y )
La medida de bondad del modelo se puede expresar como el cociente entre la
inquietud doble cuadrática explicada por el modelo y la inquietud doble cuadrática
de la variable Y, es decir es la proporción de inquietud doble cuadrática de la va-
riable Y que es explicada por el modelo.
• 0 ≤ R2 ≤1 (15)
HU +*2

La medida de bondad del modelo está acotada entre 0 y 1, al igual que el coefi-
ciente de determinación del método clásico.
• Si Y=cX entonces:
2
RHU + *2 = 1

Estudios de Economía Aplicada, 2008: 1-16, Vol. 26-2

8 MERCEDES ALVARGONZÁLEZ

En el caso de dependencia funcional entre las variables la medida de bondad al-

canza la cota superior.
2
• RHU + *2 = 0 ⇔ Yˆi = Y i = 1, …, n (16)

La medida de bondad del modelo se anula cuando el modelo lineal es una cons-
tante igual a la media de la variable Y.

4. EL MODELO LINEAL BÁSICO

En este apartado ampliamos nuestra óptica de análisis en un doble sentido. En pri-

mer lugar, porque muy pocas veces se puede considerar una sola variable explica-
tiva, por lo que resulta más adecuado realizar una formulación con varias variables
causa, es decir un modelo de regresión múltiple.
Por otra parte, en el análisis econométrico la especificación de un modelo se
lleva a cabo distinguiendo una parte sistemática o determinista y otra aleatoria o es-
tocástica, asociada a un término de error que denotaremos por u sobre cuyo com-
portamiento se formulan ciertas hipótesis de trabajo.
De este modo, el modelo lineal puede ser especificado como sigue:
Y = β1 + β 2 X 2 + β3 X 3 + ... + β k X k + u (17)

donde X2, X3, ..., Xk son k − 1 variables explicativas, β1 , β 2 ,..., β k son parámetros y u
es un error o perturbación aleatoria.
Con el objeto de estimar los k parámetros del modelo se considera una muestra
de tamaño n, teniéndose un sistema de ecuaciones que puede ser expresado de
forma matricial como:
y = Xβ + u (18)
donde:

⎛ Y1 ⎞ ⎛ 1 X 21 ... X k1 ⎞ ⎛ β1 ⎞ ⎛ u1 ⎞
⎜ ⎟ ⎜ ⎟ ⎜ ⎟ ⎜ ⎟
Y 1 X 22 ... X k 2 ⎟ β u
y =⎜ 2⎟ X=⎜ β=⎜ 2⎟ u=⎜ 2⎟ (19)
⎜ ... ⎟ ⎜ ... ... ... ... ⎟ ⎜ ... ⎟ ⎜ ... ⎟
⎜⎜ ⎟⎟ ⎜ ⎟ ⎜⎜ ⎟⎟ ⎜ ⎟
⎜u ⎟
⎝ Yn ⎠ ⎝ 1 X 2n ... X kn ⎠ ⎝ βk ⎠ ⎝ n⎠
El modelo básico de regresión lineal puede ser descrito como:
y = Xβ + u
E (u ) = 0
(20)
E ( uu′ ) = σ 2 I n
ρ ( X) = k < n

Estudios de Economía Aplicada, 2008: 1-16, Vol. 26-2

REGRESIÓN MÍNIMO CUADRÁTICA CON ERRORES RELATIVOS 9

obteniéndose los estimadores de Mínimos Cuadrados Ordinarios β̂ al minimizar la

expresión:

S = uˆ ′uˆ = ( y − X βˆ )′ ( y − X βˆ ) (21)
La condición necesaria de extremo conduce a la siguiente expresión habitual-
mente utilizada:
−1
βˆ MCO = ( X′ X) X ′y (22)

Por su parte, el planteamiento de Mínimos Cuadrados con Errores Relativos se

basa en una transformación del modelo anterior que puede ser expresada como:
y R = XRβ + u R
E (uR ) = 0
(23)
E ( u R u′R ) = σ 2 I n
ρ ( X) = k < n

El modelo en términos relativos y R = X R β + u R se obtiene premultiplicando el

modelo inicial por la siguiente matriz4:
⎛1 ⎞
⎜Y 0 ... 0 ⎟
⎜ 1 ⎟
⎜ 1 ⎟
⎜0 ... 0 ⎟
T=⎜ Y2 ⎟ (24)
⎜ ... ... ... ... ⎟
⎜ ⎟
⎜ 0 0 ... 1 ⎟
⎜ Yn ⎟⎠
⎝
pudiendo por tanto expresarse los errores aleatorios relativos como:
u R = I − X Rβ
sobre los que se asume las hipótesis de esperanza nula y matriz de varianzas-cova-
rianzas escalar.
El supuesto de esperanza nula resulta, al igual que en el caso de las perturba-
ciones aleatorias en términos absolutos, fácilmente justificable. Por su parte, la ma-
triz de varianzas-covarianzas vendrá dada por la expresión:

4
A diferencia de lo que ocurre en el método de mínimos cuadrados generalizados la matriz de trans-
formación tiene una componente aleatoria.

Estudios de Economía Aplicada, 2008: 1-16, Vol. 26-2

10 MERCEDES ALVARGONZÁLEZ

⎛ u12 u1u2 u1un ⎞

⎜ 2 ... ⎟
⎜ Y1 YY
1 2 YY
1 n ⎟
⎜ ⎟
⎜ u2u1 u22 u2 un ⎟
...
E ( u Ru′R ) = E ( TuuT′ ) = E ⎜ Y2Y1 Y22 Y2Yn ⎟ (25)
⎜ ⎟
⎜ ... ... ... ... ⎟
⎜ ⎟
⎜ un u1 un u2 un2 ⎟
⎜YY ...
⎝ n 1 YnY2 Yn2 ⎟⎠

para la que sería necesario asumir5:

⎛ u2 ⎞ ⎛ ui u j ⎞
E ⎜ i2 ⎟ = σ 2 ∀i; E⎜ ⎟ = 0 ∀i ≠ j (26)
⎜Y ⎟ ⎜ YiY j ⎟
⎝ i ⎠ ⎝ ⎠
En el procedimiento de Mínimos Cuadrados con Errores Relativos la función a
minimizar vendrá dada por la expresión:
ˆ ′ (I − X β)
SR = uˆ ′R uˆ R = (I − X R β) ˆ (27)
R

obteniéndose a partir de ella la expresión de los estimadores de mínimos cuadrados

con errores relativos:
−1
βˆ MCER = ( X′R X R ) X′R i (28)

donde i es un vector de dimensión n formado por unos.

Como puede apreciarse, desde un punto de vista operativo, el Método de Míni-
mos Cuadrados con Errores Relativos es equivalente al de mínimos cuadrados ge-
neralizados considerando la matriz de transformación T.
No obstante, a diferencia de las ponderaciones consideradas en el procedi-
miento de mínimos cuadrados generalizados, que van referidas a valores de las va-
riables explicativas, en el procedimiento de Mínimos Cuadrados con Errores Rela-
tivos estas ponderaciones van asociadas a los valores de Y, adoptados como refe-
rencia para el análisis de los errores.
Por lo que se refiere a la bondad del modelo, de modo análogo al caso simple es
posible definir un coeficiente de determinación que en el caso lineal viene dado
por la siguiente expresión:
HU +*2 ( u ) uˆ ′R uˆ R
R2 = 1 − =1− (29)
HU +*2
(Y) y ′Rc y cR

5
La hipótesis de homocedasticidad puede plantear problemas en este caso, como consecuencia de la
aparición de una variable aleatoria en el denominador.

Estudios de Economía Aplicada, 2008: 1-16, Vol. 26-2

REGRESIÓN MÍNIMO CUADRÁTICA CON ERRORES RELATIVOS 11

donde y cR es el vector de valores centrados relativos:

⎛ Y1 − Y ⎞
⎜ ⎟
⎜ Y1 ⎟
⎜Y −Y ⎟
⎜ 2 ⎟
y cR = ⎜ Y2 ⎟ (30)
⎜ ⎟
⎜ ........... ⎟
⎜Y −Y ⎟
⎜⎜ n ⎟⎟
⎝ Yn ⎠

5. APLICACIONES

En este apartado se plantean algunas aplicaciones del método de Mínimos Cua-

drados con Errores Relativos (MCER) comparando los resultados con los obteni-
dos por el método de Mínimos Cuadrados Ordinarios (MCO). Para ello se conside-
ran modelos lineales estimando sus parámetros a través de los dos procedimientos
y analizando su bondad a través de las correspondientes medidas.

1. En primer lugar se plantea la estimación del consumo final de los hogares (Y)
en función de la renta bruta disponible (X), a partir de la información suministrada
por la Contabilidad Regional de España (CRE) para las Comunidades Autónomas
españolas en el año 2002, considerando ambas variables expresadas en miles de eu-
ros.

Los resultados obtenidos se resumen en la Tabla 1 donde se aprecia que los dos
métodos de estimación considerados proporcionan resultados similares para las pro-
pensiones marginales al consumo, existiendo en cambio algunas diferencias en lo
que se refiere a los consumos autónomos.

TABLA 1
Estimación del consumo final de los hogares a partir de la renta bruta disponible.
2
β̂ 0 β̂1 RHU +*2 R2
Método de Mínimos
Cuadrados con 50.527,4385 0,8329 99,98% 99,44%
Errores Relativos
Método de Mínimos
390.844,632 0,8631 99,96% 99,56%
Cuadrados Ordinarios
Fuente: Elaboración propia.

Estudios de Economía Aplicada, 2008: 1-16, Vol. 26-2

12 MERCEDES ALVARGONZÁLEZ

Por lo que se refiere a las medidas de bondad de los modelos, los resultados son
similares, como corresponde a la elevada capacidad explicativa asociada a estos
datos, pudiendo apreciarse que los resultados más elevados corresponden a la me-
dida de bondad adecuada para cada método de estimación (el coeficiente de deter-
minación es superior en el modelo estimado por el método de MCO, mientras el
coeficiente basado en la inquietud es superior en el modelo estimado con errores
relativos). La representación de estos resultados aparece recogida en el Gráfico 1.

GRÁFICO 1
Consumo final de los hogares por Comunidades Autónomas. Estimaciones por Mínimos
Cuadrados con Errores Relativos y por Mínimos Cuadrados Ordinarios.

8 0 .0 0 6 .0 0 0

7 0 .0 0 6 .0 0 0

6 0 .0 0 6 .0 0 0

5 0 .0 0 6 .0 0 0

4 0 .0 0 6 .0 0 0

3 0 .0 0 6 .0 0 0 C O NS U M O FIN AL
E st im a ci ón M CE R
2 0 .0 0 6 .0 0 0
E st im a ci ón M CO

1 0 .0 0 6 .0 0 0

6 .0 0 0
7 .0 0 0 10 . 0 07 . 00 0 2 0 . 00 7 . 00 0 3 0 . 00 7 . 00 0 4 0 .0 0 7 .0 0 0 5 0 .0 0 7 .0 0 0 6 0 .0 0 7 .0 0 0 7 0 .0 0 7 .0 0 0 8 0 .0 0 7 .0 0 0 9 0 .0 0 7 .0 0 0

Fuente: Elaboración propia.

2. A continuación vamos a considerar la información proporcionada por el Anua-

rio Social 2004 de La Caixa que facilita amplia información para las 50 provincias
españolas. Más concretamente, nos planteamos explicar el índice de oferta cultural y
ocio (Y) a partir del índice de nivel educativo (X1) y del índice de renta (X2)6.

En la Tabla 2 se recogen las estimaciones de los parámetros del modelo lineal

simple (considerando como variable explicativa el índice de nivel educativo)
y múltiple (teniendo también en cuenta el índice de renta), incluyendo los resulta-
dos obtenidos a través de los dos procedimientos y las medidas de bondad asocia-
das.

6
La información aparece en http://www.lacaixa.es, donde también puede consultarse la metodología
de elaboración de los distintos índices.

Estudios de Economía Aplicada, 2008: 1-16, Vol. 26-2

REGRESIÓN MÍNIMO CUADRÁTICA CON ERRORES RELATIVOS 13

TABLA 2
Estimación del índice provincial de oferta cultural y ocio.
Modelo simple 2
β̂ 0 β̂1 RHU R2
Yˆ = βˆ0 + βˆ1 X 1
+*2

Método de Mínimos
0,8722 0,3995 0,7561 0,1494
Cuadrados con Errores Relativos
Método de
3,2744 0,3865 0,2903 0,1496
Mínimos Cuadrados Ordinarios
Modelo múltiple 2
β̂ 0 β̂1 β̂ 2 RHU R2
Yˆ = βˆ0 + βˆ1 X 1 + βˆ2 X 2
+*2

Método de Mínimos
0,4309 −0,0083 0,6835 0,8561 0,4127
Cuadrados con Errores Relativos
Método deMínimos
2,2700 −0,0861 0,6825 0,6602 0,4189
Cuadrados Ordinarios
Fuente: Elaboración propia.

Como puede verse, en el caso del modelo simple el 75,61% de la inquietud do-
ble cuadrática asociada al índice de oferta cultural y ocio queda explicada por el
índice de nivel educativo mediante el método de MCER, mientras que si se Fonsi-
dera el método de MCO dicha variable sólo explica el 29,03% de la inquietud do-
ble cuadrática de Y. Así pues, el coeficiente basado en la inquietud doble cuadrá-
tica nos inclinaría a favor de MCER, mientras que el coeficiente de determinación
R2 apenas presenta diferencias entre ambos procedimientos, situándose en niveles
cercanos al 15%.
Esta situación aparece ilustrada en el Gráfico 2, donde se aprecia bastante dis-
persión entre las observaciones, quedando la recta obtenida por MCER por debajo
de la obtenida por MCO, como consecuencia del mayor peso asignado a las obser-
vaciones con valores reducidos por la medida de inquietud doble cuadrática.

Estudios de Economía Aplicada, 2008: 1-16, Vol. 26-2

14 MERCEDES ALVARGONZÁLEZ

GRÁFICO 2
Índice de oferta cultural y ocio. Estimaciones por Mínimos Cuadrados
con Errores Relativos y por Mínimos Cuadrados Ordinarios.

12

10

Índice de oferta educativa, cultural

2 y de ocio
Estimación MCER

Estimación MCO

0
0 2 4 6 8 10 12

Fuente: Elaboración propia.

Pasando a la estimación del modelo lineal múltiple, se aprecia que el 85,61% de

la inquietud doble cuadrática asociada al índice de oferta cultural y ocio queda
explicada por el índice de nivel educativo y el índice de renta mediante el modelo
de regresión lineal obtenido por el método de MCER, mientras si se considera
el modelo obtenido por el método de MCO las variables X1 y X2 sólo explican el
66,02% de la inquietud doble cuadrática de Y. Por otro lado se tiene que el 41,89%
de la varianza de Y queda explicada por X1 y X2 mediante el modelo de regresión
obtenido por el método de MCO y la explicación será del 41,27% si se considera el
método de MCER.

6. CONCLUSIONES

El método de Mínimos Cuadrados con Errores Relativos consiste en minimizar la

suma de los errores relativos al cuadrado. Este procedimiento tiene en cuenta no
sólo la magnitud de los errores sino también los valores de la variable a los que
van referidos, de modo que, a igual cuantía de errores absolutos, se penalizan más
aquellos errores cometidos entre valores reducidos de la variable que los asociados
a valores elevados.
Esta característica es el principal rasgo diferencial con respecto a los procedi-
mientos de Mínimos Cuadrados Ordinarios (MCO) o Mínimas Desviaciones Abso-
lutas (MDA), como consecuencia el procedimiento de Mínimos Cuadrados con

Estudios de Economía Aplicada, 2008: 1-16, Vol. 26-2

REGRESIÓN MÍNIMO CUADRÁTICA CON ERRORES RELATIVOS 15

Errores Relativos (MCER) será menos sensible a la presencia de datos elevados en

la variable y llevará asociada una función de pérdida más flexible.
Considerando un modelo lineal simple, hemos comprobado que el método de
Mínimos Cuadrados con Errores Relativos conduce a estimadores de los paráme-
tros que presentan algunas analogías con los estimadores mínimo cuadráticos y sa-
tisfacen las propiedades descriptivas habitualmente exigidas. Por lo que se refiere
al análisis de la bondad, este procedimiento lleva asociado el uso de una medida
definida como la unidad menos la proporción de la inquietud doble cuadrática de la
variable dependiente que queda sin explicar a partir del modelo, que admite una
interpretación similar al coeficiente de determinación.
El planteamiento descrito ha sido ampliado al caso del modelo lineal básico,
planteando hipótesis sobre las perturbaciones relativas y derivando el vector de
estimadores de mínimos cuadrados con errores relativos.
Los resultados de las aplicaciones empíricas del procedimiento de Mínimos
Cuadrados con Errores Relativos han mostrado considerables similitudes con el
método mínimo cuadrático, tanto en lo que se refiere a los estimadores obtenidos
como a las correspondientes medidas de bondad.
El enfoque considerado en este trabajo ha sido principalmente descriptivo; sería
conveniente abordar el estudio inferencial de los estimadores de los parámetros
obtenidos con el método de Mínimos Cuadrados con Errores Relativos, obteniendo
sus valores esperados y las varianzas de los estimadores y analizando la distri-
bución asintótica de dichos estimadores, que permitirá construir intervalos de con-
fianza y realizar contrastes de significación para los parámetros del modelo.

REFERENCIAS BIBLIOGRÁFICAS

ALVARGONZÁLEZ, M. (2000): “Línea de regresión mínimo cuadrática basada en errores

relativos”, Anales de Economía Aplicada, Actas XIV, Reunión ASEPELT-España, Oviedo.
ALVARGONZÁLEZ, M. (2003): “Medidas doble cuadráticas de información. Algunas aplica-
ciones económicas”, Tesis Doctoral, Universidad de Oviedo.
ALVARGONZÁLEZ, M.; LÓPEZ, A.J. and PÉREZ, R. (2004): “The Double Quadratic Uncer-
tainty Measures and Their Economic Applications”, Soft Methodology and Random In-
formation Systems, Ed. Springer, Berlin, pp. 677-684.
AMEMIYA, T. (1985): Advanced Econometrics, Harvard University Press, pp. 70-80.
EISENHART, C. (1976): “Gauss, Friedrich”. Enciclopedia Internacional de las Ciencias So-
ciales, Ed. Aguilar, Madrid, nº 5, pp. 79-85.
Fundación La Caixa. Anuario Social de España (2004): http://www.lacaixa.es/
GIL, M. A.; PÉREZ, R. y GIL, P. (1989): “A Family of Measures of Uncertainty Involving
Utilities: Definition, Properties, Applications and Statistical Inferences”, Metrika, nº 36,
pp. 129-147.
GIL, P. (1981): Teoría matemática de la información, Ed. ICE, Madrid.
GREENE, W.H. (1993): Econometric Analysis, Ed. Princeton, New Jersey.
INE: Contabilidad Regional de España, CNE, http://www.ine.es
JOHNSTON, J. (1984): Métodos de Econometría, Ed. Vicens Vives(1987), Madrid.
2”
KVALSETH, T.O. (1985): “Cautionary Note about R , The American Statistician, vol. 39, nº
4, pp. 279-285.

Estudios de Economía Aplicada, 2008: 1-16, Vol. 26-2

16 MERCEDES ALVARGONZÁLEZ

LÓPEZ, A.J.; ALVARGONZÁLEZ, M. y PÉREZ, R. (2006): “Crecimiento y distribución de la

renta. Nuevas extensiones del proceso de Kuznets”, Estudios de Economía Aplicada, nº
24 (1), pp. 221-244.
PÉREZ, R. (1985): “Estimación de la incertidumbre. La incertidumbre útil y la inquietud en
poblaciones finitas. Una aplicación a las medidas de desigualdad”, Tesis doctoral, Uni-
versidad de Oviedo.
PINDYCK, R.S. and RUBINFELD, D.L. (1998): Econometric Models and Economic Fore-
casts Ed. McGraw-Hill, New York.
2
SCOTT, A. and WILD, C. (1991): “Transformations and R ”, The American Statistician, vol. 45,
nº 2, pp. 127-129.
SEN, A. and SRIVASTAVA, M. (1990): Regression analysis. Theory, methods, and applica-
tions, Ed. Springer, Berlin.
STIGLER, S.M. (1981): “Gauss and the invention of least squares”, The Annals of Statistics,
nº 9, pp. 465-474.

Estudios de Economía Aplicada, 2008: 1-16, Vol. 26-2