Scribd
Cargar
187 vistas16 páginas

Modelo Lineal General con Múltiples Variables

Este documento presenta un modelo de regresión lineal general con más de dos variables dependientes. Explica cómo representar este modelo de forma matricial y estimar los coeficientes usando el método de mínimos cuadrados ordinarios. También discute medidas de bondad de ajuste y pruebas de hipótesis para este tipo de modelo.

Cargado por

cesarcalle
Derechos de autor
© © All Rights Reserved
Nos tomamos en serio los derechos de los contenidos. Si sospechas que se trata de tu contenido, reclámalo aquí.
Formatos disponibles
Descarga como PPTX, PDF, TXT o lee en línea desde Scribd
187 vistas16 páginas

Modelo Lineal General con Múltiples Variables

Este documento presenta un modelo de regresión lineal general con más de dos variables dependientes. Explica cómo representar este modelo de forma matricial y estimar los coeficientes usando el método de mínimos cuadrados ordinarios. También discute medidas de bondad de ajuste y pruebas de hipótesis para este tipo de modelo.

Cargado por

cesarcalle
Derechos de autor
© © All Rights Reserved
Nos tomamos en serio los derechos de los contenidos. Si sospechas que se trata de tu contenido, reclámalo aquí.
Formatos disponibles
Descarga como PPTX, PDF, TXT o lee en línea desde Scribd

Modelo Lineal

General
Modelos con mas de dos variables dependientes

Fernando Gonzales Fernández


Agenda

1. Introducción
2. Modelos de regresión lineal de k variables
3. Supuestos del MCRL
4. Estimación MCO
5. Medidas de bondad de Ajuste
6. Pruebas de Hipótesis
7. Predicción
8. Modelos no Lineales
1. Introducción

 El modelo de regresión de dos variables es frecuentemente


inútil en la práctica.
 La forma matricial para representar modelos de regresión,
proporciona una forma simple y compacta para el manejo
de modelos de regresión con cualquier número de variables
 En este tema, veremos pocos conceptos nuevos, a
excepción de la notación matricial
2. Modelos de regresión lineal de k variables

 FRP
Y t =  1   2 X 2i +  3 X 3i   4 X 4i  ...   k X ki  i
PLANTEAMIENTO:
El primer problema que debemos plantearnos es el de la determinación de las
variables que debemos incluir en el mismo, es decir, una vez definida la
variable objetivo (Explicada), debemos identificar cuál son los factores que
condicionan su evolución en un sentido u otro.
Para abordar esta primera etapa debemos acudir necesariamente a los
planteamientos y desarrollos de la teoría económica entendiendo esta en un
sentido amplio de análisis de las interrelaciones entre los fenómenos
económicos.
2. Modelos de regresión lineal de k variables
Y1 = 1 + 2X21 + 3X31+…+ k Xk1 + u1
Y2 = 1 + 2X22 + 3 X32+… + k Xk2 + u2
Y3 = 1+ 2X23 + 3 X33+… + k Xk3 + u3
……………………………………
Yn = 1+ 2X2n + 3X3n+… + kXkn + un

 Y1   1 X 21 X 31 ... X k1   1   u1 
Y   1 X 22 X 32 ... X k 2    u 
 2   2  2
Y3    1 X 23 X 33 ... X k3   3   u3  y = X + u
       
   ... ... ... ... ...  ...   
Yn   1 X 2n X 3n ... X kn    k  un 

y = X  + u
nx1 nxk kx1 nx1
3. Supuestos del MCRL

1. El valor esperado del vector de pertubaciones U (de cada


uno de sus elementos) es cero.
2. El valor esperado de la transpuesta de U por U es una
constante (no hay autocorrelación ni heterocedasticidad)
3. La matriz X (de orden n x k) es no estocástica.
4. El rango de la matriz X es completo
ui ~ Normal[o,   I ]
2
5. Residuos normales.
4. Estimación MCO
 FRM

Yi = ˆ1  ˆ2 X 2i  ˆ3 X 3i + ...  ˆk X ki  ˆi


y = X ˆ  


N
2
Min ˆ ,ˆ ,ˆ ...., ˆ   ui 
1 2 3 n
 t 1 
4. Estimación MCO

ˆ  y  X ˆ

 ˆ 
ˆ´ˆ  y  X  y  X ˆ 
ˆ´ˆ  yy  2ˆ  X y  ˆ  X X ˆ
Para minimizar la suma cuadrática de perturbaciones respecto a , igualaremos a
0 la derivada de la expresión anterior respecto a los coeficientes .

 
2
ˆ ˆ ˆ
      yy  2 yX     X X 
  2 X y  2 X X ˆ
ˆ ˆ
4. Estimación MCO
Igualando a 0 la derivada obtendremos:

2 X Y  2 X X ˆ  0   X Y  X X ˆ  0  X X ˆ  X Y
Pre-multiplicando por la inversa (X’X)-1:

 X X   X X     X X  X Y
1 1
 ˆ 

   X X  X Y
1
ˆ

Obteniéndose finalmente la expresión del ESTIMADOR DE MINIMOS


CUADRADOS ORDINARIOS de los coeficientes del modelo
4. Estimación MCO

Matriz varianza y covarianza

 var ˆ1

  
cov ˆ1 , ˆ2  
... cov ˆ1 , ˆk 


 
var  cov ˆ  

 cov ˆ , ˆ
2 1   
var ˆ2  
... cov ˆ2 , ˆk 
 ... ... ... ... 
 
 
cov ˆ , ˆ
k 1  
cov ˆk , ˆ2  ...  
var ˆk 

ˆ ˆ
 
var  cov ˆ   2 ( X ´ X )1 ˆ  2

nk
4. Propiedades del Vector de coeficiente
estimados

 Esta es la propiedad mas importante de la econometría


(aunque ya existen voces que dicen que no es para tanto.
a) Los estimadores MCO son estimadores lineales.
b) Los estimadores MCO son estimadores insesgados
c) Los estimadores MCO, tienen varianza minima
Teorema Gauss-Markov: Dados los supuestos del modelo
clásico de regresión lineal. Los estimadores MCO dentro la
clase de estimadores lineales e insesgados, tienen varianza
mínima, es decir son MELI
5. Medidas de bondad de Ajuste

ˆ
  X y  nY 2
R 
2

yy  nY 2

El problema de R² es que si se añaden variables a la regresión, este no puede


reducirse (probar). Por ello, se necesita una medida de ajuste que penalice el
exceso de regresores. El R² ajustado es dicha medida:

  X y  nY /  n  k 
ˆ 2
R adj 
2

yy  nY /  n  1
2
5. Medidas de bondad de Ajuste

 Matriz de correlación

 1 r1, 2 ... r1,k 


r 1 
... r2,k 
R
2 ,1

 ... ... ... ... 


 
 rk ,1 rk ,2 ... 1 
6. Pruebas de Hipótesis

ui ~ Normal[o,  u I ] 2

ˆ
 ~ N[ , ( X ´X ) ]
2 1

R / k 1
2
F
(1  R ) / n  k
2
7 Prediccion
8. Modelos no lineales

Y  AW  K  eu
LogY  LogA  LogW   log K  u log e
y  X  u

También podría gustarte