Econometría

Regresión Múltiple
Universidad ICESI
Departamento de economía
Maestría en Finanzas
Profesor. Jhon James Mora, PhD.

Profesor: Jhon James Mora

E-mail: jjmora@[Link]
Departamento de Economía
 ECONOMETRIA
Modelo de Regresión Lineal Múltiple
CONTENIDO

1. Introducción.

2. El modelo de regresión lineal de k variables.

3. Estimación de los parámetros (o coeficientes) por MCO.

4. Ejemplo: Estimación de los coeficientes MCO’s.

Profesor: Jhon James Mora

E-mail: jjmora@[Link]
Departamento de Economía
 ECONOMETRIA
Modelo de Regresión Múltiple
Hasta ahora hemos estudiado la relación lineal entre dos variables, …… Qué?
El modelo de regresión lineal simple (MRLS)

Del MRSL sabemos hacer: (1) Especificación ; (2) Estimación y (3) Contrastes.

(1)Sabemos especificar un modelo econométrico basado en una teoría

económica y en los modelos matemáticos lineales:

(2)Sabemos estimar los parámetros por MCO:

(3)De los contrastes podemos: a. Signos +/- ; b. Significatividad individual c.

Significatividad conjunta (Bondad de ajuste). + Predecir los valores de Yi
Profesor: Jhon James Mora
E-mail: jjmora@[Link]
Departamento de Economía
 ECONOMETRIA
Modelo de Regresión Múltiple- Introducción
La realidad es mas compleja que normalmente
implica que una variable es determinada por
mas de una variable.

Por ejemplo 1: PIB = f(Capital) Dos variables. Es un MRLS

Profesor: Jhon James Mora

E-mail: jjmora@[Link]
Departamento de Economía
 ECONOMETRIA
Modelo de Regresión Múltiple- Introducción
Modelo: PIB = f(Capital) MODELO DE
REGRESIÓN
Podemos hacer un MRLS: LINEAL
MULTIPLE

Podemos incluir otros factores:

Profesor: Jhon James Mora

E-mail: jjmora@[Link]
Departamento de Economía
 ECONOMETRIA
Modelo de Regresión Múltiple- Introducción
…Otro Ejemplo de Regresión Múltiple:
• La demanda de un producto depende de

• Además de acuerdo a la teoría microeconómica

sabemos:

Profesor: Jhon James Mora

E-mail: jjmora@[Link]
Departamento de Economía
 ECONOMETRIA
Modelo de Regresión Múltiple- Introducción
…Otro Ejemplo de Regresión Múltiple:
Pero la teoría económica no nos dice nada de la
forma funcional, i.e.
1
Qx  px , pcomp , psust , I   Ap 

x 
 ln   psust    I
pcomp C
Qx  px , pcomp , psust , I    0  1 p x   2 pcomp   3 psust   4 I

Los métodos que estudiaremos aquí servirán

únicamente para estimar modelos lineales…
Profesor: Jhon James Mora
E-mail: jjmora@[Link]
Departamento de Economía
 ECONOMETRIA
Modelo de Regresión Múltiple- Introducción
• …o un modelo que se pueda “linealizar”.

• Algunas formas funcionales básicas son:

• LIN – LIN
• LOG – LIN
• LIN – LOG
• LOG – LOG
Y, cuáles son las interpretaciones de los B’tas?
Profesor: Jhon James Mora
E-mail: jjmora@[Link]
Departamento de Economía
 ECONOMETRIA
Modelo de Regresión Múltiple- Introducción

• Pero antes de continuar…

• ¿Qué es un modelo lineal?

• Un modelo es lineal si es:

1. Función lineal de los parámetros a estimar
2. El término de error es aditivo.
Profesor: Jhon James Mora
E-mail: jjmora@[Link]
Departamento de Economía
 ECONOMETRIA
Modelo de Regresión Múltiple- Introducción
• Ejemplo 1:

yi   0  1 x1i   2 x2 i   i

Los parámetros entran de forma lineal

El término de error es sumado

Profesor: Jhon James Mora

E-mail: jjmora@[Link]
Departamento de Economía
 ECONOMETRIA
Modelo de Regresión Múltiple- Introducción
• Ejemplo 1:

yi   0  1 x1i   2 x2 i   i

Los parámetros entran de forma lineal

El término de error es sumado

Este modelo es lineal !!

Profesor: Jhon James Mora

E-mail: jjmora@[Link]
Departamento de Economía
 ECONOMETRIA
Modelo de Regresión Múltiple- Introducción
• Gráficamente (parte determinística)

1
2

Profesor: Jhon James Mora

E-mail: jjmora@[Link]
Departamento de Economía
 ECONOMETRIA
Modelo de Regresión Múltiple- Introducción
• Noten que si Beta(2) es igual a cero. Entonces:

1

Profesor: Jhon James Mora

E-mail: jjmora@[Link]
Departamento de Economía
 ECONOMETRIA
Modelo de Regresión Múltiple- Introducción
• Ejemplo 2:   1
yi  1   2 ln  x1i   3     i
 x2i 

Los parámetros entran de forma lineal, i.e. representan

pendientes e intercepto!!!
El termino de error es sumado

Profesor: Jhon James Mora

E-mail: jjmora@[Link]
Departamento de Economía
 ECONOMETRIA
Modelo de Regresión Múltiple- Introducción
• Ejemplo 2:   1
yi  1   2 ln  x1i   3     i
 x2i 

Los parámetros entran de forma lineal, i.e. representan

pendientes e intercepto!!!
El termino de error es sumado

Este modelo es lineal !! (aunque no es un plano!!!)

Profesor: Jhon James Mora

E-mail: jjmora@[Link]
Departamento de Economía
 ECONOMETRIA
Modelo de Regresión Múltiple- Introducción
• Gráficamente (parte determinística)

Profesor: Jhon James Mora

E-mail: jjmora@[Link]
Departamento de Economía
 ECONOMETRIA
Modelo de Regresión Múltiple- Introducción
• Pero!!! Si le cambiamos el nombre a los
regresores (reparametrizar) tenemos
 1 
yi  1   2 ln  x1i   3     i
 x2i 
w1i  ln  x1i   1 
w2i   
 x2i 
• Entonces
yi  1   2 w1i   3 w2i   i

Profesor: Jhon James Mora

E-mail: jjmora@[Link]
Departamento de Economía
 ECONOMETRIA
Modelo de Regresión Múltiple- Introducción
• Ahora el nuevo modelo reparametrizado

yi

 1 
w2i    w1i  ln  x1i 
 x2i 

Profesor: Jhon James Mora

E-mail: jjmora@[Link]
Departamento de Economía
 ECONOMETRIA
Modelo de Regresión Múltiple- Introducción
• Ejemplo 3:
yi  1  2 x1i  3 x2 i i

Los parámetros entran de forma lineal, i.e. representan

pendientes!!!
El termino de error es multiplicativo

Profesor: Jhon James Mora

E-mail: jjmora@[Link]
Departamento de Economía
 ECONOMETRIA
Modelo de Regresión Múltiple- Introducción
• Ejemplo 3:
yi  1  2 x1i  3 x2 i i

Los parámetros entran de forma lineal, i.e. representan

pendientes!!!
El termino de error es multiplicativo

Este modelo NO es lineal !! (aunque es un plano!!!)

Profesor: Jhon James Mora

E-mail: jjmora@[Link]
Departamento de Economía
 ECONOMETRIA
Modelo de Regresión Múltiple- Introducción
• Así si el modelo requiere algún tipo de
transformación (reparametrización) el modelo se
considera un modelo inherentemente lineal.

• O sea
 1 
yi  1   2 ln  x1i   3    i
 x2i 
Es inherentemente lineal

Profesor: Jhon James Mora

E-mail: jjmora@[Link]
Departamento de Economía
 ECONOMETRIA
Modelo de Regresión Múltiple
Yi  1   2 X 2i   3 X 3i     k X ki   i

Variable Término de
Dependiente error

Variables explicativas

K – 1 , Variables explicativas

Profesor: Jhon James Mora

E-mail: jjmora@[Link]
Departamento de Economía
 ECONOMETRIA
Modelo de Regresión Múltiple
• Consideremos el siguiente modelo lineal con k-1
variables independientes y n obs.
Y1  1   2 X 21   3 X 31     k X k 1   1

Y2  1   2 X 22   3 X 32     k X k 2   2
     
Yn  1   2 X 2 n   3 X 3n     k X kn   n
Este modelo lo podemos escribir: a. de forma
concisa, b. de forma matricial…
Profesor: Jhon James Mora
E-mail: jjmora@[Link]
Departamento de Economía
 ECONOMETRIA
Modelo de Regresión Múltiple
• Una forma de escribir lo anterior de forma
concisa es
Yi  1   2 X 2 i   3 X 3i     k X ki   i i  1, , n
Propiedades:
E  i   0
 i  0, 2

Var   i    2

E  i j   0

Profesor: Jhon James Mora

E-mail: jjmora@[Link]
Departamento de Economía
 ECONOMETRIA
Modelo de Regresión Múltiple
• Una forma de escribir lo anterior de forma
matricial es:
y1  1   2 X 21   3 X 31     k X k 1   1

y2  1   2 X 22   3 X 32     k X k 2   2
     
yn  1   2 X 2 n   3 X 3n     k X kn   n

yn1  X nk  k 1   n1

Profesor: Jhon James Mora

E-mail: jjmora@[Link]
Departamento de Economía
 ECONOMETRIA
Modelo de Regresión Múltiple
 Y1  1 X 21 X 31  X k 1 
Y  1 X
 2 X 32  X k 2 
y X   22 
       
Y  1 X
 n  n1  2n X 3n  X kn  nk
 1   1 
   
  2
   2
yn1  X nk  k 1   n1
   
   
 k  k 1  n  n1
Profesor: Jhon James Mora
E-mail: jjmora@[Link]
Departamento de Economía
 ECONOMETRIA
Modelo de Regresión Múltiple
• Una forma de escribir lo anterior de forma
matricial es:

Vector columna VD Vector columna Btas

Matriz de Información Vector columna

de error

Profesor: Jhon James Mora

E-mail: jjmora@[Link]
Departamento de Economía
 ECONOMETRIA
Estimación de los parámetros, MCO
Si tenemos la siguiente ecuación de regresión
múltiple.

… de forma matricial, tenemos:

Cuantos parámetros debemos estimar???

 ECONOMETRIA
Estimación de los parámetros, MCO
Obtenemos los estimadores mínimo cuadráticos
de la regresión múltiple, por MCO:
En la regresión simple teníamos: En la regresión
MÚLTIPLE:

Vector Columna de
parámetros en nuestro
ejemplo…tres
parámetros

Profesor: Jhon James Mora

E-mail: jjmora@[Link]
Departamento de Economía
 ECONOMETRIA
Estimación de los parámetros, MCO

Matriz traspuesta de X
Matriz de información X
Matriz de Inversa de (XTX)
Vector Columna y

Profesor: Jhon James Mora

E-mail: jjmora@[Link]
Departamento de Economía
 ECONOMETRIA
Estimación de los parámetros, MCO
Como vimos anteriormente (RLS), una buena idea es tratar de minimizar el cuadrado
de la distancia (Euclidiana) entre el modelo estimado y las observaciones:

Min
ˆ      ˆ

 y  X ˆ   y  X ˆ   Min  ˆT ˆ
T

Min
ˆ  
 y T  ˆ T X T   y  X ˆ 
  
Min
ˆ


y T
y  ˆ T X T y  y T X ˆ  ˆ T X T X ˆ
 
Min  y T
y  2 ˆ T X T y  ˆ T X T X ˆ 
ˆ

Profesor: Jhon James Mora

E-mail: jjmora@[Link]
Departamento de Economía
 ECONOMETRIA
Estimación de los parámetros, MCO
Entonces el problema es:
Min
ˆ
y 
y  T
2 ˆ
 T
X T
y  ˆ
 T
X T
X ˆ
 

     2 X T
y  2 X T
X ˆ  0 Ecuación
ˆ Normal
2 X T X ˆ  2 X T y

 X X     y
1 1
T T
X X ˆ
  X T
X X T

  X X X y
1
ˆ T T Formula
 ECONOMETRIA
Ejemplo: Disponemos de la siguiente información sobre la venta de motos en ocho
sucursales de Yamaha en Cali durante todo el año 2011. La información disponible
es la siguientes: la cantidad de motos vendidas en miles (D), el ingreso promedio de
los clientes en millones $ (R) y el precio de las motos en millones $ (P).
Q R P
5 3 5
43 5 2
30 6 6
24 6 7
30 5 4
65 9 3
57 10 7
90 12 6
 ECONOMETRIA
A. Escriba correctamente el modelo econométrico.
B. Analice las estadísticas descriptivas de los datos.
C. Obtenga los estimadores MCO
D. Realice las interpretaciones suponiendo que los
coeficientes son significativos al 95%.

Profesor: Jhon James Mora

E-mail: jjmora@[Link]
Departamento de Economía
 ECONOMETRIA
1. Estimación del Modelo (cont.)
Recordemos: En todos los modelos econométricos
hay tres pasos básicos:

i. Especificación

ii. Estimación

iii. Validación (contrastes) Predicción

Profesor: Jhon James Mora
E-mail: jjmora@[Link]
Departamento de Economía
 ECONOMETRIA
1. Estimación del Modelo (cont.)

i. Especificación
a. Hipótesis / Teoría o Modelo económico
b. Modelo matemático …Ejemplo:
Los datos y la muestra ….
c. Modelo econométrico

Profesor: Jhon James Mora

E-mail: jjmora@[Link]
Departamento de Economía
 ECONOMETRIA
1. Estimación del Modelo (cont.)
ii. Estimación
- Los datos
- Estimación de los parámetros: MCO

Profesor: Jhon James Mora

E-mail: jjmora@[Link]
Departamento de Economía
 ECONOMETRIA
1. Estimación del Modelo (cont.)
ii. Estimación
Propiedades de los estimadores MCO

Además, existen otras propiedades de las que podemos

destacar: Mínima varianza posible.

Profesor: Jhon James Mora

E-mail: jjmora@[Link]
Departamento de Economía
 ECONOMETRIA
1. Estimación del Modelo (cont.)
ii. Estimación
Hay que tener en cuenta que el Teorema de
Gauss-Markov, demuestra que los
estimadores MCO son MELI.
Pero:
1. La relación entre Y y X es lineal
2. Las X’s son no estocásticas y linealmente
independientes entre sí.
Profesor: Jhon James Mora
E-mail: jjmora@[Link]
Departamento de Economía
 ECONOMETRIA
2. Inferencia sobre los estimadores MCO
iii. Validación
Después de especificar y estimar el modelo,
tenemos que:

a. Signos esperados: +/-

b. Significancia individual: Parámetros/Coef.
c. Significancia conjunta: Bondad de ajuste.

Profesor: Jhon James Mora

E-mail: jjmora@[Link]
Departamento de Economía
 ECONOMETRIA
2. Inferencia sobre los estimadores MCO
Significancia individual: Parámetros

Podemos
calcular el Variables
estadístico t. Aleatorias

Sabemos que los estimadores MCO

son una función de sumas de
variables aleatorias y que por lo
tanto podemos aplicar el TLC.

Profesor: Jhon James Mora

E-mail: jjmora@[Link]
Departamento de Economía
 ECONOMETRIA
Prueba de Hipótesis con IC
Hipótesis nula

Hipótesis alterna

Criterio de rechazo de H₀
Y aceptar la es:

Entonces

Para los grados de libertad apropiados (n-k).

Profesor: Jhon James Mora

E-mail: jjmora@[Link]
Departamento de Economía
 ECONOMETRIA
… Teniendo en cuenta lo anterior:

Zona de
Criterio de rechazo de H₀ aceptación
de H₀
Y, de aceptar la es: Zona de Zona de
rechazo H₀ rechazo H₀
Entonces

Para los grados de libertad apropiados (n-k)

Profesor: Jhon James Mora

E-mail: jjmora@[Link]
Departamento de Economía
 ECONOMETRIA
2. Inferencia sobre los estimadores MCO
Significancia individual: Parámetros

Y recordemos que al igual que en la regresión

lineal simple, aquí en la regresión lineal
múltiple también podemos hacer intervalos
de confianza, IC: (1-α)%.
Para cualquiera de
ˆ p  t sˆ los parámetros del
modelo de
,n  k p
2 regresión múltiple,
p.

Profesor: Jhon James Mora

E-mail: jjmora@[Link]
Departamento de Economía
 ECONOMETRIA
2. Inferencia sobre los estimadores MCO
• Antes habíamos visto cómo probar hipótesis
entorno a un coeficiente….
• También podemos hacer inferencia respecto a
un conjunto de parámetros…
• El problema de usar múltiples t-tests para
probar un conjunto de hipótesis, es que cada
uno de los tests implica un error Tipo I de α.

Profesor: Jhon James Mora

E-mail: jjmora@[Link]
Departamento de Economía
 ECONOMETRIA
2. Inferencia sobre los estimadores MCO
• Ahora, después de estimar el vector β, casi
siempre queremos ver el nivel de significancia
de los estimadores…

• Supongamos los siguientes resultados:

Rechazada al 95% R1
No se puede rechazar al 95% R2
Rechazada al 95% R3
 ECONOMETRIA
2. Inferencia sobre los estimadores MCO
• Si unimos todos estos resultados, tendremos
que el modelo original

• Se convierte en

• Pero noten que…

Profesor: Jhon James Mora
E-mail: jjmora@[Link]
Departamento de Economía
 ECONOMETRIA
2. Inferencia sobre los estimadores MCO
• El error tipo I para el conjunto de test es mucho
mayor que α.

• Por tal motivo, se han diseñado test (pruebas

estadísticas) que tengan en cuenta este
problema…

• En otras palabras… que no sean tan

conservadores…
Profesor: Jhon James Mora
E-mail: jjmora@[Link]
Departamento de Economía
 ECONOMETRIA
2. Inferencia sobre los estimadores MCO
• Ahora tendremos un conjunto de restricciones
que queremos probar si son ciertas o no.

H o :  2  3     k  0
• Por Ej.
H A : No H o

• O por Ej. H o :  2  3  c y  5  0
H A : No H o

Profesor: Jhon James Mora

E-mail: jjmora@[Link]
Departamento de Economía
 ECONOMETRIA
2. Inferencia sobre los estimadores MCO
• En general podemos probar la hipótesis de
cualquier restricción lineal de los parámetros,

• Es decir Rrk  k 1  Cr1

• Donde r = # de restricciones lineales (número

de iguales en la H₀. Ej: H o :  2  3  c y  5  0

Profesor: Jhon James Mora

E-mail: jjmora@[Link]
Departamento de Economía
 ECONOMETRIA
2. Inferencia sobre los estimadores MCO
• Entonces para hacer la prueba de Hipótesis
siguiente:
Rrk  k 1  Cr1
• Se ha diseñado el siguiente estadístico
 C  Rˆ   R X   C  Rˆ 
1
X R
T 1
T T
r
Fcalculado 
SSE (n  k )
SSE  ˆT ˆ
Rechazar H₀ si
F ,( r ,( nk ))  FCalculado

Profesor: Jhon James Mora

E-mail: jjmora@[Link]
Departamento de Economía
 ECONOMETRIA
2. Inferencia sobre los estimadores MCO
• Un caso especial y de gran importancia para
nosotros, es cuando la H₀ es que un grupo o
todas las pendientes son iguales a cero al
mismo tiempo…
• En este caso tenemos…
H o :  p   p 1     l  0 0 plk
H A : No H o

Profesor: Jhon James Mora

E-mail: jjmora@[Link]
Departamento de Economía
 ECONOMETRIA
2. Inferencia sobre los estimadores MCO
• Y, en este caso el F calculado se convierte en

Fcalculado 
 SSE R  SSEU  r
SSEU (n  k )
Rechazar H₀ (el modelo Restringido) si :
Región de
Rechazo
F ,( r ,( nk ))  FCalculado
Criterio de decisión

Profesor: Jhon James Mora

E-mail: jjmora@[Link]
Departamento de Economía
 ECONOMETRIA
Bondad de Ajuste
La bondad de ajuste nos dice que tan buena es la regresión
estimada:
…Deseamos saber que tan bueno es el modelo econométrico
que hemos estimado.

Podemos utilizar la Tabla Anova (análisis de la varianza): para

analizar la variabilidad de la variable dependiente Y.

Sabemos que la Tabla Anova es un análisis completo del R².

Profesor: Jhon James Mora

E-mail: jjmora@[Link]
Departamento de Economía
 ECONOMETRIA
Análisis de Regresión
• Ahora exploremos qué tan buena es la
regresión estimada… esto se relaciona con lo
anteriormente estudiado….

• Pero antes, tenemos que estudiar como

descomponer la variabilidad de la variable
dependiente.

Profesor: Jhon James Mora

E-mail: jjmora@[Link]
Departamento de Economía
 ECONOMETRIA
Análisis de Regresión
• Como habíamos discutido, una medida de que
tan “buena” es la regresión es el R².
Fuente de Variación SS
Qué % de la variabilidad total de y
esta explicada por la regresión.
Regresión
ˆ
 X y  nY
T T 2

Residuos
T ˆ
y y X y
T T

Total
yT y  nY 2

Profesor: Jhon James Mora

E-mail: jjmora@[Link]
Departamento de Economía
 ECONOMETRIA
Análisis de Regresión
Uno de los defectos del R² es que nunca puede disminuir cuando
añadimos una nueva variable explicativa en la ecuación de
regresión.

Esto se debe a que la “suma de cuadrados de los residuos” nunca

aumenta (de hecho, normalmente suele disminuir) conforme se
van añadiendo más variables independientes.
En ocasiones, esas variables que añadimos no son
estadísticamente significativa, por lo tanto el R² no nos ayuda a
seleccionar bien entre especificaciones con diferente número
de variables explicativas (e idéntica variable dependiente).

Profesor: Jhon James Mora

E-mail: jjmora@[Link]
Departamento de Economía
 ECONOMETRIA
Análisis de Regresión
Uno de los atractivos del R²-ajustado es que
penaliza a los modelos que añaden muchas
variables explicativas, contrarrestando de ese
modo lo que ocurre con la SCR.

Profesor: Jhon James Mora

E-mail: jjmora@[Link]
Departamento de Economía
 ECONOMETRIA
Análisis de Regresión
En el modelo de regresión múltiple queremos
contrastar la siguiente hipótesis:

Estadístico de contraste:

Grados de
libertad en el
Grados de
numerador
libertad en el
denominador

Profesor: Jhon James Mora

E-mail: jjmora@[Link]
Departamento de Economía
 ECONOMETRIA
Análisis de Regresión

f(F)

No rechazo H₀

Rechazo H₀

0 F

Profesor: Jhon James Mora

E-mail: jjmora@[Link]
Departamento de Economía
 ECONOMETRIA
Análisis de Regresión
• El R² (y/o la Tabla ANOVA) también nos puede ser útil
para probar la hipótesis de que todas las pendientes
son cero.

• Así, si la H₀ es

• Entonces el Fcalculado (Fglobal) es equivalente a

Profesor: Jhon James Mora

E-mail: jjmora@[Link]
Departamento de Economía
 ECONOMETRIA
1. Análisis de Regresión (cont.)
• Algo importante para tener en cuenta es que si el
modelo estimado no tiene intercepto …

• …..entones el R2 no tiene sentido.

• Porque en ese caso especial:

SST  SSR  SSE

Profesor: Jhon James Mora

E-mail: jjmora@[Link]
Departamento de Economía
 ECONOMETRIA
1. Análisis de Regresión (cont.)
• Ahora consideremos el problema de comparar los
siguientes tres modelos alternativos:
yi  1   2 X 2 i   3 X 3i   i
yi  X 2i  1*   2* X 2i   3* X 3i   i*

ln  yi   1**   2** ln  X 2i    3** ln  X 3i    i**

• ¿Podemos comparar los R2 de los tres modelos?

Profesor: Jhon James Mora

E-mail: jjmora@[Link]
Departamento de Economía
 ECONOMETRIA
1. Análisis de Regresión (cont.)
• Ahora consideremos el problema de comparar los siguientes
tres modelos alternativos:
yi  1   2 X 2 i   3 X 3i   i
yi  X 2i  1*   2* X 2i   3* X 3i   i*

ln  yi   1**   2** ln  X 2i    3** ln  X 3i    i**

• ¿Podemos comparar los R2 de los tres modelos?
NO!!!

Profesor: Jhon James Mora

E-mail: jjmora@[Link]
Departamento de Economía
 ECONOMETRIA
1. Análisis de Regresión (cont.)

• Porque en c/u de los modelos, la TSS es diferente …

yi  1   2 X 2i   3 X 3i   i
yi  X 2i  1*   2* X 2 i   3* X 3i   i*

ln  yi   1**   2** ln  X 2 i    3** ln  X 3i    i**

• Así, no podemos comparar modelos con el R2 si la variable
dependiente no es la misma.

Profesor: Jhon James Mora

E-mail: jjmora@[Link]
Departamento de Economía
 ECONOMETRIA
1. Análisis de Regresión (cont.)
• Si la variable dependiente es la misma, entonces sí
se puede emplear el R2,…

• Pero como vimos …

• el problema es que a medida que se agregan

variables independientes el R2 se va inflando

Profesor: Jhon James Mora

E-mail: jjmora@[Link]
Departamento de Economía
 ECONOMETRIA
1. Análisis de Regresión (cont.)
• Para resolver este problema….tenemos el R2
ajustado que penaliza la inclusión de más
variables en el modelo
n 1
R  1 1 R
2 2
 nk

• Noten: k 1 R2  R 2
k 1 R2  R 2
R2 Puede ser (-)
si k  R2 puede 
Profesor: Jhon James Mora
E-mail: jjmora@[Link]
Departamento de Economía
 ECONOMETRIA
2. Proyecciones

• Ahora supongamos que queremos saber el valor

promedio de la variable dependiente para unos
valores determinados de los regresores.
ˆy p  xTp ˆ

xTp   1 x1 p x2 p  xkp 

Profesor: Jhon James Mora

E-mail: jjmora@[Link]
Departamento de Economía
 ECONOMETRIA
2. Proyecciones
• Antes habíamos discutido la diferencia entre el valor
esperado de la variable dependiente (predicción media)
y…..

• … la proyección de la variable dependiente dado un

deter. valor de x (predicción individual)

• Recuerden que la segunda involucra una mayor

incertidumbre y un supuesto respecto a la distribución
del término de error

Profesor: Jhon James Mora

E-mail: jjmora@[Link]
Departamento de Economía
 ECONOMETRIA
2. Proyecciones
• La varianza de la proyección del valor esperado es

Var  y p    x X X
2 T T 1
p xp

• La varianza de la predicción individual es

Var  yˆ p    1  xp  X X  xp 

2 T T 1

 

Profesor: Jhon James Mora

E-mail: jjmora@[Link]
Departamento de Economía
 ECONOMETRIA
2. Proyecciones
• Así un (1-a )% IC para el valor esperado esta dado
por

X X
1
y p  t  x
2 T
p
T
xp
,n  k
2

• Y un (1-a)% IC para la predicción individual esta

dado por
 1  x p  X X  x p 
2 1
yˆ p  t T T

2
,n k  

Profesor: Jhon James Mora

E-mail: jjmora@[Link]
Departamento de Economía
 ECONOMETRIA
3. Extensiones / Coeficientes estandarizados

Recuerden que cuando estimamos los b´s los valores

estimados dependen de:
1. Las unidades en que se midan la variable dependiente, y
2. Las unidades de la variable independiente (relevante)

Si queremos conocer la importancia relativa de cada uno de

las variables independientes y tener coeficientes libres
de unidades …..

Profesor: Jhon James Mora

E-mail: jjmora@[Link]
Departamento de Economía
 ECONOMETRIA
3. Extensiones / Coeficientes estandarizados

• ….podemos usar los Coeficientes Estandarizados:

sX j
ˆ  ˆ j
E j  2,3, , k
j
sy

• El Coeficientes Estandarizados para el término

constante no esta definido (no existe)

Profesor: Jhon James Mora

E-mail: jjmora@[Link]
Departamento de Economía
 ECONOMETRIA
3. Extensiones / Coeficientes estandarizados

• Los Coeficientes Estandarizados no tienen

unidades……

• Por Ej. un Coeficientes Estandarizados de 0.8

significa:

• Cuál es la interpretación?

Profesor: Jhon James Mora

E-mail: jjmora@[Link]
Departamento de Economía
 ECONOMETRIA
3. Extensiones / Coeficientes estandarizados

• Los Coeficientes Estandarizados no tienen unidades……

• Por Ej. un Coeficientes Estandarizados de 0.8 significa:

• Que un cambio de una desviación estándar en la

variable independiente provocará un cambio de 0.8
desviaciones estándar de la var. dep.

Profesor: Jhon James Mora

E-mail: jjmora@[Link]
Departamento de Economía
 ECONOMETRIA
3. Extensiones / Elasticidades
• Recordemos que los Coeficientes estimados de un
modelo lineal representan pendientes y un intercepto.

• Sólo en casos muy especiales esas pendientes

coinciden con elasticidades. (Fn. Cobb-Douglas con
término de error multiplicativo linealizada)

• Pero los economistas siempre estamos interesados en

estimar elasticidades.

Profesor: Jhon James Mora

E-mail: jjmora@[Link]
Departamento de Economía
 ECONOMETRIA
3. Extensiones / Elasticidades
• Recuerden que una elasticidad mide el efecto de un
cambio del 1% en la var. indep. sobre la var. dep.

• En general una elasticidad está definida como

y x1
 x1 
x1 y
• Recuerden que las elasticidades dependen del punto
de la fn donde nos encontremos!!!

Profesor: Jhon James Mora

E-mail: jjmora@[Link]
Departamento de Economía
 ECONOMETRIA
3. Extensiones / Elasticidades

• Si queremos estimar la elasticidad media a partir de

un coeficiente de una pendiente, entonces….

ˆ Xj
Ej   j
y
• Si Ej=1.5 ,

• Cuál es la interpretación?

Profesor: Jhon James Mora

E-mail: jjmora@[Link]
Departamento de Economía
 ECONOMETRIA
3. Extensiones / Elasticidades

• Si queremos estimar la elasticidad media a partir de

un coeficiente de una pendiente, entonces….

ˆ Xj
Ej   j
y
• Si Ej=1.5 , entonces podemos decir que cerca a la
media de la variable un cambio del 1% en Xj
provocará un aumento del 1.5% en y.

Profesor: Jhon James Mora

E-mail: jjmora@[Link]
Departamento de Economía
1.- Abrir macro.wf1

2.- Generar las siguientes series

dspread = baa aaa spread - baa aaa spread(-1)

dcredit = consumer_credit – consumer_credit(-1)
dprod = industrial_production – industrial_production(-1)
rmsoft = 100*dlog(microsoft)
rsandp = 100*dlog(sandp)
dmoney = m1money_supply - m1money_supply(-1)
inflation = 100*dlog(cpi)
term = ustb10y - ustb3m
dinflation = inflation - inflation(-1)
mustb3m = ustb3m/12
rterm = term - term(-1)
ermsoft = rmsoft - mustb3m
ersandp = rsandp - mustb3m

3. Realizar la siguiente regresión:

ERMSOFT C ERSANDP DPROD DCREDIT DINFLATION DMONEY DSPREAD RTERM

4.- Analizar la regresión y explicar

5.- Es posible eliminar variables?