1 / 21

Modelo de regresión con dos variables: Estimación

Modelo de regresión con dos variables: Estimación. 1. MCO 2.Supuestos 3.Precisión (EE de MC estimados) 4.Propiedades (Gauss-Markov) 5.Coeficiente r²: Bondad de ajuste 6.Ejemplos. 1. MCO. Carl Friedich Gauss

sumi
Download Presentation

Modelo de regresión con dos variables: Estimación

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript


  1. Modelo de regresión con dos variables: Estimación • 1. MCO • 2.Supuestos • 3.Precisión (EE de MC estimados) • 4.Propiedades (Gauss-Markov) • 5.Coeficiente r²: Bondad de ajuste • 6.Ejemplos

  2. 1. MCO • Carl Friedich Gauss • Posee propiedades estadísticas que lo hacen muy eficaz y aceptado para el análisis de regresión. • Minimizar errores para que la ecuación muestral se aproxime a la poblacional • Ejemplo: Página58

  3. Propiedades numéricas de estimadores MCO • A. Están expresados en términos de las cantidades observables • B. Son puntuales proporcionan un valor del parámetro poblacional • C. La línea de regresión muestral se obtiene fácilmente • Pasa a través de las medias muestrales el valor medio estimado es igual al valor medio observado

  4. 2.Los 10 supuestos MCO • S1: Linealidad de parámetros • S2: Valores de X fijos en muestreos repetidos • S3:El valor medio de la perturbación es igual a cero • S4:Homocedasticidad • S5: La covarianza de errores es cero

  5. 2.Los 10 supuestos MCO cont. • S6: La covarianza de los errores y las variables explicativas es cero • S7: El tamaño de la muestra es mayor que el número de parámetros • S8: Variabilidad de los valores de X • S9: Correcta especificación • S10: Multicolinealidad no perfecta

  6. ¿Supuestos realistas? • Para que una hipótesis sea importante ... Debe ser descriptivamente falsa en sus supuestos • Veamos como referencia la competencia perfecta de microeconomía

  7. 3.Precisión (EE MC estimados) • Varianza ErrorSt Sigma Error • Analicemos la relaciones en las fórmulas de varianza de parámetros • Var(Beta2): Proporcional a la varianza de los errores

  8. 4.Propiedades (Gauss-Markov) • Un estimador es MELI si cumple las siguientes propiedades: • *Es lineal al igual que la variable dependiente • *Es insesgado su valor promedio es igual al valor verdadero • *Posee varianza mínima

  9. Teorema Gauss-Markov • Dados los supuestos del modelo clásico de regresión lineal (MCRL), los estimdores MCO dentro de la clase de estimadores insesgados, tienen varianza mínima, es decir, son MELI • Gráfica de distribución normal (amplitud del intervalo)

  10. 5.Coeficiente r²: Bondad de ajuste • Llamado coeficiente de determinación • Es el porcentaje en que las variaciones de la variable dependiente son explicadas por la variación de una (s) variable (s) independientes (s) • r² mayor 0.70 • Regresión espúrea

  11. 5.Coeficiente r²: Bondad de ajuste • Diagrama de Venn o Ballentine X X Y Y X Y

  12. Propiedades de r² y r • 1. No es cantidad negativa. ¿Why? • 2. es un valor entre cero y uno • r: Es el coeficiente de correlación que mencionamos al inicio, recordemos que mide el grado de asociación lineal entre variables, es calculado como la raíz del coeficiente de determinación (r²)

  13. Propiedades de r • 1. La covarianza (numerador) indica el signo puesto que puede ser + ó – • 2. Es un valor entre -1 y 1 • 3. Simétrico por naturaleza • 4. Si X y Y son independientes r=0; pero no siempre que r=0 las variables son independientes.

  14. Propiedades de r continuación • 5. Describe únicamente relaciones lineales. Su uso en la descripción de asociaciones no lineales no tiene significado. Si Y=X² es una relación exacta pero r=0 ¿Why? • 6. No representa como recordamos una relación causa-efecto • * r² es más importante que r en análisis de regresión y en las regresiones Múltiples r no tiene valor alguno.

  15. Ejercitemos un poco • Elabore un formulario que contenga lo siguiente cálculo: • Parámetros • Varianza de parámetros • Varianza de errores (ui) • R2

  16. Calculemos • La ecuación de pronóstico correcta para la tabla descrita a continuación • Construir tabla descrita a continuación

More Related