Академический Документы
Профессиональный Документы
Культура Документы
2016
CAPITULO 2
Contenido
2.1 Introduccin
2.1.1. El modelo econmico
2.1.2. El modelo economtrico
2.1.3. Otros modelos econmicos
2.1.4. Incorporacin del trmino error
2.1.4.1. La media del valor del trmino error, dado X, es cero
2.1.4.2. Qu comprende el error aleatorio e?
2.1.5. El supuesto de que la variable X no es aleatoria.
2.2. Descripcin del modelo.
2.2.1. Supuestos del modelo.
2.3. Estimacin de los parmetros por mnimos cuadrados ordinarios.
2.4. Supuestos con relacin al trmino error.
2.5. Propiedades de los estimadores mnimo-cuadrticos.
2.6. Anlisis de varianza en el modelo de regresin lineal simple.
2.7 Factores que afectan la precisin de los estimadores MCO de 1 y 2
2.8 El clculo de elasticidades
2.9. Coeficiente de determinacin R2.
2.9.1 El coeficiente de determinacin ajustado o R2 ajustado
2.9.2 Anlisis de correlacin y R2 en el modelo de regresin lineal
simple
2.10. Coeficiente de correlacin simple.
2.11. Pruebas de significancia e intervalos de confianza para los
parmetros.
2.12. Uso del modelo para pronosticacin.
2.13. Regresin a travs del origen
2.1 Introduccin
Un valor observado de
Y cuando x = xo Recta definida por la
ecuacin: Y= o + 1x
Trmino
error
Valor medio de Y
Pendiente cuando x igual a xo
= 1
Cambio de una
unidad de x
o
Ordenada al origen
xo
Un valor especfico de la
variable independiente x
5
Y
0
0 5 10 15 20 25 30 35
X
Y = f(X, )
Que debe leerse como que Y est en funcin de X y de un trmino error
aleatorio )
Y X
X como variable no
aleatoria
Y X
Ganancia en peso Consumo de caloras
(Fijado por el experimentador)
Tasa de crecimiento de Temperatura controlada
las plantas
Y X
Tasa de inflacin Tasa dedesempleo
Cantidad demandada Precio del maz
de maz
Calificaciones promedios Calificaciones promedios
en la universidad en la preparatoria
Regresiones espurias
Este tipo de regresiones se obtienen cuando an no existiendo relacin real alguna entre las variables
involucradas en el modelo propuesto (generalmente series temporales), la correlacin obtenida entre ellas
aparece como alta, de forma que las pruebas estadsticas y el R 2 del ajuste indican, equivocadamente, que el
modelo es estadsticamente correcto. El problema de las regresiones esprias fue analizado por primera vez
por Granger y Newbold (1974) y puede sintetizarse diciendo que cuando se llevan a cabo regresiones entre
series temporales econmicas expresadas en niveles, es muy probable encontrar relaciones con un valor
elevado del coeficiente de determinacin y valor pequeo del estadstico Durbin-Watson, lo que puede
invalidar la relacin estimada en el modelo. Ante esta situacin los estimadores mnimo cuadrticos de los
coeficientes del modelo pueden ser ineficientes y los estimadores de los errores estndar pueden resultar
inconsistentes. Si las variables de un modeo son estacionarias, se refuerza bastante la estabilidad del mismo.
Lo mismo ocurre si las variables estn excentas de estacionalidad. Por tanto convienen variables
desestacionalizadas y estacionarias en los modelos para que sean estables. (Prez, 2008).
NOTA HISTORICA
Parece que Sir Francis Dalton (1822-1911), conocido antroplogo y meteorlogo britnico
fue el responsable de la introduccin de la palabra "regresin". Originalmente Dalton
emple el trmino "reversin" en su carta no publicada "Leyes tpicas de la herencia en el
hombre" dirigida a la Institucin Real el 9 de febrero de 1877. El trmino regresin aparece
en su intervencin presidencial ante la Seccin H de la Asociacin Britnica en Aberdeen,
en 1885, publicada en Nature, Septiembre de 1885, 507-510 y tambin en su trabajo
"Regresin hacia la media en la herencia de la estatura" aparecido en el Journal of the
Anthropological Institute, 15, 1885, 246-263.
Sin embargo, el mtodo de los mnimos cuadrados era conocido mucho antes de la poca de
Dalton. Existe una controversia en torno a quin fue el primero que descubri el mtodo de
los mnimos cuadrados. Parece que fue descubierto independientemente por Carl Friedrich
Gauss (1777-1855) y Adrien Marie Legendre (1752-1833) y que Gauss comenz a usarlo
antes de 1803 (el alega que fue alrededor de 1795, pero no hay corroboracin de esta fecha
tan antigua) y que el primer reporte fue hecho por Legendre en 1805. Cuando Gauss
escribi en 1809 de que el haba utilizado el mtodo antes de la fecha de la publicacin de
Legendre, comenz la discusin.
Artculos recomendados:
R. L. Plackett. Studies in the History of Probability and Statistics. XXIX. The discovery of
the method of least squares.
Biometrika, 59, 1972, 239-251. C. Eisenhart The Meaning of "Least" in Least Squares.
Journal of the Washington Academy of Sciences. 54, 1964, 24-33.
(|) = / = + (2.1)
E(Y/X)
(|) = 1 + 2
Gasto en
alimentos
(/)
(/) (/)
2 = =
X
Ingresos
Figura 2.3. El modelo econmico: relacin lineal entre el promedio del consumo en alimentos por
persona y los ingresos.
Algebraicamente:
(/) (/)
= =
= + + ( = )
X
Figura 2-4. Distribucin homocedstica de los errores.
e = y E(y/x) = y 1 2 x
y = (1 + 2 X) + e
Componente sistemtica Componente aleatoria
(/) = (|) =
Marschak (1950) ampla los temas de Haavelmo en su introduccin de la
Cowles Commission Monograph 10 y 14 observando que:
Las numerosas causas que determinan la inclusin del trmino error - no estn
enlistadas por separado, sino que su efecto conjunto est presentado por la
distribucin de probabilidad del error, una variable aleatoria que se denomina
disturbances o shocks y que puede entenderse como el efecto conjunto de numerosas
variables insignificantes que no podemos o no queremos especificar, pero suponemos
que son independientes de la variable exgena observada.
Dado que Y y e slo difieren por una constante (es decir por la
componente que no es aleatoria), sus varianzas deben ser idnticas e
igual a 2. Por lo tanto, las funciones de densidad de Y y e son idnticas
excepto por su ubicacin. Ntese que el centro de la funcin de densidad
del trmino error es cero, que es el valor esperado E(e/X) = 0.
Yi = 0 + 1Xi + i (2.2)
El modelo supone que para cada valor de X existe una poblacin de Y's,
cuyas medias estn linealmente relacionadas a X. Por esta razn el
modelo tambin se puede escribir:
e4 e7
e5
Y e1
e6
e2
e3
Entonces:
Yi = 0 + 1Xi + i (2.4)
Es el modelo y
= +
(2.5)
n es el tamao de la muestra
La sumatoria del cuadrado de estos residuos, es la funcin que hay que
minimizar para asegurar que la suma de cuadrados del error sea un
mnimo. Si reemplazamos por b0 + b1Xi en esta expresin (2.6), nos
queda:
( ) =
= =
= ( )() =
= ( )( ) =
Yi = nb0 + b1Xi
=
( )
Y la interseccin b0 se puede obtener conociendo b1 y dividiendo por n la
primera ecuacin normal, lo que de paso demuestra que la recta de
regresin pasa por el punto medio de las observaciones en X y en Y:
= +
En donde
Yy
X son las medias de Y y de X respectivamente. Por tanto:
b0 = - b1
=
b0 + b1Xi
Ejemplo 2.1
Modelo de regresin lineal simple que relaciona el costo de
mantenimiento de una casa con el valor de la misma.
2000
Mantenimiento en pesos
1500
1000
500
0
0 50 100 150 200 250 300 350
Valor de la casa (Miles de pesos)
Figura 2.6. Diagrama de dispersin
Al ajustar estos datos a una recta de regresin por medio del mtodo de
mnimos cuadrados, se obtiene la siguiente ecuacin:
= 348.578 + 7.258955 X
Ejemplo 2.2
Capacidad de ahorro en funcin del ingreso de las personas
Numerador Denominador b1
382,424 672,502,400 0.00056866
= . + .
Este ejercicio tuvo como nico objetivo aplicar las ecuaciones normales
para estimar los parmetros intercepto y pendiente de la recta que
vincula el nivel de ingreso con el porcentaje que destinan las personas al
ahorro.
En primer lugar hay que mencionar que la inclusin del trmino error en
el modelo obedece a la necesidad de dar cuenta de la aleatoriedad de la
relacin entre X y Y. No se trata de una relacin determinstica. El trmino
error es una magnitud que encierra los efectos de por lo menos tres
grandes causas:
Puesto que el modelo es una abstraccin de la realidad, hay que
contabilizar el efecto de variables importantes no incluidas.
La forma funcional especificada puede no ser la correcta, y
Error de medida o error puro.
a. Tienen una media igual a cero. No existe razn para esperar que los
errores estn inclinados hacia un valor positivo o negativo.
Matemticamente esto se escribe as:
E(i) = 0
E(i) = 2
p(Y)
X
Figura 2.7. Distribucin homocedstica de los errores
i ~ N(0,2)
= + +
() = +
Var() = 2 = Var(y)
Cov(i,j) = Cov(yi,yj) = 0
~ N(0 , 2)
Definiciones importantes
Estadistico: Funcin de una o ms variables aleatorias que no depende de ningn
parmetro desconocido. Es tambin una variable aleatoria.
Valor estimado: Cuando las variables aleatorias observables son reemplazadas por valores
muestrales observados se generan valores estimados de los parmetros.
Es importante tener presente que los valores estimados en particular, no pueden ser
evaluados como "buenos" ni como "malos".
E(bi) = i
p()
2
3
Teorema de Gauss-Markov.
Definicin: Un estimador lineal es aquel que puede escribirse como una funcin lineal de
las variables X y Y del modelo.
lim () =
nN
+ (
=
) + (
)
2.. (. .. ) = 2.. (. .. )
Entonces:
2
2 = ..2 + (. .. )2 + ( . )
=1 =1 =1
( )2
Suma de cuadrados debidos a la media
2
[ ]
Suma de Cuadrados Debidos a la Regresin 2
( )
2
Tabla ANOVA
Suma de
Fuente de Grados de Suma de cuadrados F
variacin libertad Cuadrados medios Calculada
Total n SCT
Media 1 SCM
( ) = [ ]
( )
( ) = [ ]
( )
( , ) = [ ]
( )
Factor Consecuencias
= = =
()
= =
De manera que la elasticidad del gasto medio en alimentos con respecto al
ingreso es:
()/() ()
/ = = =
/ () ()
.
= = . = .
.
Nigeria 0.786 0.927 1.328 1.319 2.166 1.088 1.363 4.030 2.038
Mongolia 0.770 0.926 1.297 1.290 1.854 1.086 1.326 3.024 1.783
Senegal 0.736 0.922 1.254 1.249 1.575 1.082 1.275 1.943 1.542
Vietnam 0.734 0.922 1.253 1.248 1.568 1.082 1.274 1.923 1.536
Paraguay 0.715 0.921 1.238 1.233 1.497 1.080 1.256 1.748 1.472
Bolivia 0.707 0.920 1.232 1.228 1.473 1.080 1.250 1.697 1.451
Ecuador 0.705 0.920 1.231 1.227 1.470 1.079 1.248 1.689 1.447
Armenia 0.701 0.920 1.229 1.225 1.460 1.079 1.246 1.668 1.439
Jordan 0.696 0.919 1.226 1.222 1.448 1.079 1.242 1.643 1.428
Indonesia 0.686 0.919 1.221 1.217 1.429 1.078 1.237 1.605 1.410
Syria 0.677 0.918 1.217 1.213 1.412 1.078 1.232 1.572 1.395
Philippines 0.658 0.917 1.209 1.205 1.386 1.077 1.223 1.522 1.371
Peru 0.655 0.917 1.208 1.204 1.382 1.076 1.222 1.515 1.367
Venezuela 0.649 0.916 1.206 1.202 1.374 1.076 1.219 1.501 1.360
Belize 0.643 0.916 1.204 1.200 1.367 1.076 1.217 1.489 1.354
Egypt 0.643 0.916 1.203 1.200 1.367 1.076 1.217 1.489 1.354
Lebanon 0.632 0.916 1.200 1.197 1.357 1.075 1.213 1.471 1.344
Brazil 0.622 0.915 1.197 1.194 1.348 1.075 1.210 1.455 1.335
Bulgaria 0.621 0.915 1.197 1.194 1.347 1.075 1.209 1.453 1.335
Russia 0.617 0.915 1.196 1.193 1.343 1.075 1.208 1.447 1.331
Fiji 0.612 0.914 1.195 1.191 1.339 1.075 1.207 1.441 1.328
Turkey 0.609 0.914 1.194 1.191 1.337 1.075 1.206 1.437 1.326
Iran 0.595 0.914 1.191 1.188 1.328 1.074 1.202 1.421 1.317
Mxico 0.592 0.914 1.190 1.187 1.326 1.074 1.201 1.418 1.315
Chile 0.586 0.913 1.189 1.186 1.322 1.074 1.200 1.412 1.311
Poland 0.580 0.913 1.187 1.184 1.318 1.074 1.199 1.406 1.308
Uruguay 0.560 0.912 1.184 1.181 1.308 1.073 1.194 1.389 1.298
Argentina 0.517 0.911 1.177 1.175 1.290 1.072 1.187 1.361 1.281
Greece 0.456 0.909 1.170 1.168 1.272 1.071 1.179 1.333 1.264
Portugal 0.444 0.908 1.169 1.167 1.269 1.071 1.178 1.328 1.261
Spain 0.442 0.908 1.169 1.166 1.268 1.071 1.178 1.328 1.261
Israel 0.399 0.907 1.165 1.163 1.259 1.070 1.174 1.315 1.252
New Zealand 0.394 0.907 1.165 1.163 1.258 1.070 1.173 1.313 1.252
Finland 0.393 0.907 1.165 1.163 1.258 1.070 1.173 1.313 1.251
Sweden 0.361 0.906 1.163 1.160 1.253 1.069 1.171 1.305 1.246
Netherlands 0.356 0.906 1.162 1.160 1.252 1.069 1.171 1.304 1.245
France 0.332 0.906 1.161 1.159 1.249 1.069 1.169 1.299 1.242
United Kingdom 0.330 0.906 1.161 1.159 1.248 1.069 1.169 1.298 1.242
Belgium 0.325 0.906 1.160 1.158 1.248 1.069 1.169 1.297 1.241
Norway 0.324 0.906 1.160 1.158 1.247 1.069 1.168 1.297 1.241
Italy 0.320 0.906 1.160 1.158 1.247 1.069 1.168 1.296 1.241
Austria 0.311 0.905 1.160 1.157 1.246 1.069 1.168 1.295 1.239
Germany 0.309 0.905 1.160 1.157 1.245 1.069 1.168 1.294 1.239
Australia 0.300 0.905 1.159 1.157 1.244 1.069 1.167 1.293 1.238
Japan 0.293 0.905 1.159 1.157 1.244 1.069 1.167 1.292 1.237
Canada 0.284 0.905 1.158 1.156 1.243 1.069 1.166 1.290 1.236
Switzerland 0.257 0.904 1.157 1.155 1.240 1.068 1.165 1.286 1.234
Iceland 0.252 0.904 1.157 1.155 1.239 1.068 1.165 1.285 1.233
United States 0.103 0.902 1.152 1.150 1.227 1.067 1.159 1.268 1.222
Fuente: USDA, Economic Research Service, 2003.
La tendencia clara es que las elasticidades para todos los rubros van de
mayor a menor de pases en desarrollo a pases desarrollados y van
creciendo de alimentos hasta bienes y servicios ms sofisticados.
El lector con una buena formacin en clculo notar que d(ln X)/dX = 1/X
o d(ln X) = dX/X, es decir, para cambios infinitesimalmente pequeos
(observe el operador diferencial d), un cambio en ln X es igual al cambio
relativo o proporcional en X. En la prctica, sin embargo, si el cambio en X
es pequeo, esta relacin se escribe como: cambio en ln X _ cambio
relativo en X, donde _ significa aproximadamente igual. As, para cambios
pequeos, (ln Xt ln Xt1) _ . (Xt Xt1)/Xt1 _ cambio relativo en X.
Carne
Pas Ingreso Precio
Argentina 0,5490 -0,4440
Brasil 0,6628 -0,5360
Chile 0,6246 -0,5051
Venezuela 0,6912 -0,5590
Mxico 0,6302 -0,5096
Estados Unidos 0,1097 -0,0887
Canada 0,3024 -0,2445
Alemania 0,3279 -0,2652
Espaa 0,4696 -0,3798
Reino Unido 0,3508 -0,2837
Nigeria 0,8434 -0,6821
Egipto 0,6848 -0,5538
Australia 0,3181 -0,2573
Vietnam 0,7840 -0,6335
China 0,4620 -0,5040
Fuente: ERS - USDA
=
+
De esta expresin se puede colegir que si la suma de cuadrados del error
es cero, o sea si el ajuste es perfecto, entonces R2 tomar el valor de 1.
Por el contrario, si la SCR decrece en relacin a la SCE entonces el R2 se
acerca a cero como lmite inferior.
SSE
Hasta aqu hemos definido el coeficiente de determinacin R2 = 1
SST
como una medida de bondad de ajuste. Este coeficiente mide la
proporcin de la variacin en la variable dependiente explicada por la
variacin en la variable explicativa. Ya que es deseable tener un modelo
que se ajuste bien a los datos, puede haber una tendencia a pensar que el
mejor modelo es el que tiene un R2 ms alto. Aunque esta lnea de
pensamiento es legtima si estamos comparando modelos con el mismo
nmero de variables explicativas, no es correcto pensar as cuando se
sacan o se meten nuevas variables. El problema es que el R2 puede crecer
al aadir ms y ms variables, incluso si las variables aadidas no tienen
ninguna justificacin. Algebraicamente, es un hecho de que a medida que
se aaden variables la suma de cuadrados del error SCE tiende a bajar, y
por lo tanto R2 tiende a crecer. Si el modelo contiene N-1 variables
entonces el R2 es igual a 1.
Ejemplo 2.3
Ejemplo numrico para ilustrar la estimacin de parmetros en el
modelo de regresin lineal simple
OBSERVACIONES CALCULOS
X Y XY X2 Y2
3 2 6 9 4
2 3 6 4 9
2 5 10 4 25
5 10 50 25 100
12 20 72 42 138
Fuente: autores
10
9
8
7
6
5
Y
4
3
2
1
0
0 1 2 3 4 5
X
Yi = 20 Xi = 12
=
( )
Remplazando valores:
=
72-60 12
b1 = = =2
42-36 6
Aprovechando que la recta de ajuste pasa por los puntos medios de las
variables:
b0 = 5 - 2*3 = 5-6 = -1
= +
Tabla ANOVA
Suma de
Fuente de Grados de Suma de cuadrados F
variacin libertad Cuadrados medios Calculada
Total 4 138
Media 1 100
Regresin 1 34 34 3.43
Error 2 14 7
Ft (0.05, 1 , 2) = 18.5
No rechazo Rechazo
3.43 18.5
4
Y
0
0 1 2 3 4 5
X
2
( )
= =
( )2
(1 )2 + (2 )2 + + (3 )2 +
Los estimadores que nos interesan son b0, b1 y i para un X dado. Como
todo estimador, constituyen variables aleatorias con sus respectivas
varianzas. A continuacin se proporcionan las varianzas de estos
estimadores:
1
1 b1 2
1 = 2 [( )2 ]
2 2
o b0 = 2 [ (
)2
]
)2
0 + 1Xi 1 (
Yi = b0 + b1Xi 2y/x = e2 [ + 2]
()
______________________________________________________________________
H0: 1 = 0 vs Ha: 1 0
(1 0)
=
1
Luego se compara este valor de t calculado con el dado por las tablas para
un valor de alfa determinado. Como se trata de una prueba de dos colas,
para rechazar la hiptesis nula el valor calculado de t debe ser mayor, en
trminos absolutos, al valor dado por la tabla. Si se rechaza la hiptesis,
entonces se puede concluir que la variable explicativa X es un buen
predictor de Y. Lo mismo se puede hacer con el parmetro b0.
Ejemplo 2.4
Relacin entre el salario mensual en miles de pesos y la edad de las
personas.
Se plantea la hiptesis de que el salario tiene una relacin directa con la
edad de las personas. La base de datos es la siguiente:
Salario Salario
Mensual Edad Mensual Edad
M$ Aos M$ Aos
14.3 28 33.7 40
15.8 27 34.0 41
17.8 28 34.6 43
20.1 29 34.9 44
23.4 31 38.0 43
25.6 32 38.4 45
26.0 30 38.9 44
27.1 29 39.0 43
28.4 32 39.5 56
28.9 33 39.8 57
30.1 31 40.0 54
31.0 36 40.6 56
32.0 37
Fuente: Autores
60
50
Salario mensual
40
30
20
10
0
0 10 20 30 40 50
Edad
Figura 2-11. Diagrama de dispersin de salarios segn edad.
Tabla ANOVA
Sum of Mean
Fuente DF Squares Square F Value Pr > F
Modelo 1 1197.82946 1197.82946 80.47 < 0.0001
Error 23 342.35614 14.88505
Total Corr 24 1540.18560
Root MSE 3.85811 R-cuadrado 0.7777
Media dependiente 30.87600 Adj. R-Sq 0.7681
Coeff. Var. 12.49551
Estimacin de parmetros
Error
Variable DF Estimate Estandar Valor t Pr > t
Intercepto 1 2.31829 3.27565 0.71 0.1862
Edad 1 0.73678 0.08213 8.97 < 0.0001
= + 1 + 2 +
Tabla ANOVA
Sum of Mean
Fuente DF Squares Square F Value Pr > F
Modelo 2 1391.2801 695.64005 102.78 < 0.0001
Error 22 148.9055 14.88505
Total Corr 24 1540.1856
5Una regla general para rechazar la hiptesis nula de que el parmetro es igual a 0 es que el valor del
estimador sea mayor que el doble de su error estndar, o lo que es lo mismo que el valor de t calculado
sea ms de dos.
Ntese las diferencias entre el modelo lineal y el modelo cuadrtico
ajustados. Este ltimo es mucho mejor porque el lineal con base en el R2
que es mucho ms alto. El diagrama de dispersin lo refleja.
Estimacin de parmetros
Error
Variable DF Estimate Estandar Valor t Pr > t
Intercepto 1 -5334493 10.64356 -5.01 < 0.0001
EDAD 1 3.57553 0.53387 6.7 < 0.0001
EDAD2 1 -0.03418 0.00639 -5.35 < 0.0001
Ejemplo 2.5
Ejercicio modelo de regresin lineal simple
Ingreso Gasto
31602 26467
4740 8005
8797 11261
12151 13832
15078 16132
18766 18726
22711 21065
28603 24696
36173 30010
50954 39905
118051 81034
Fuente: ENIGH 2014
Con esta informacin se intenta estimar el modelo Yi = 0 + 1 Xi + i en
donde:
Yi = Gasto
Xi = Ingreso
0 1 son los parmetros intercepto y pendiente a estimar
= error aleatorio
Una vez que se ha pegado la base de datos, nos vamos al men principal y
seleccionamos Quick en la opcin Estimate Equation. Se abre una nueva
ventana y en el mdulo de Equation Specification se escribe la ecuacin
que se quiere estimar, en nuestro caso se escribe:
SER02 C SER01
En donde SER01 es el ingreso y SER02 es el gasto, la C indica que se
quiere el intercepto. Antes de aceptar hay que elegir el mtodo de
estimacin en Estimation setting, en nuestro caso se elige el LS Least
Square (NLS and ARMA). Finalmente al pulsar aceptar se despliega el
cuadro de salida tpico de EViews.
= b0 + b1Xt
Las curvas que marcan los lmites superiores e inferiores de los intervalos
de confianza se denominan bandas de confianza y se pueden apreciar en
la Figura 2-7.
Banda superior
Y Lmite superior
Recta de ajuste
Banda inferior
Lmite inferior
Xo X
_________________________________________________________________
Ejemplo 2.6
Inferencia estadstica sobre los parmetros y proyecciones.
Con los datos del Ejemplo 2.2 haremos inferencia estadstica sobre los
parmetros estimados y las proyecciones de Y. Lo primero que hay que
calcular son los errores estndar de los estimadores de los parmetros.
Los errores estndar de los estimadores b0 y b1 son los siguientes:
= [ ]
( )
Remplazando valores:
= [ ] = .
Y dado que el error estndar es la raz cuadrada de la varianza, por lo
tanto su error estndar es 3.5. Para calcular el error estndar de la
pendiente b1 se aplica la frmula ya vista anteriormente:
2
1 = [ ]= = .
)
(
tc = 2/1.08 = 1.8
Y = -1 + 2(6) = 11
)
( ( )
2
/ = [ + ]=[ + ] = .
)
(
[-4.06, 26.06].
Ejemplo 2.7
Pronsticos con el modelo de regresin lineal simple. El modelo de
tendencia.
329,943
2012 1,352,106 20,536 1,187,134 1,517,077
330,442
2013 1,374,296 21,031 1,209,075 1,539,517
330,955
2014 1,396,486 21,529 1,231,009 1,561,964
1,600,000
Forecast: SER02F
Actual: SER02
1,200,000 Forecast sample: 1 62
Included observations: 62
Root Mean Squared Error 78576.77
800,000 Mean Absolute Error 64916.77
Mean Abs. Percent Error 16.60560
Theil Inequality Coefficient 0.051265
400,000
Bias Proportion 0.000000
Variance Proportion 0.009601
0
Covariance Proportion 0.990399
-400,000
5 10 15 20 25 30 35 40 45 50 55 60
SER02F 2 S.E.
Ejemplo 2.8
Anlisis de la relacin entre el ingreso de las familias y el gasto en el
consumo de alimentos
= + +
Dependent variable Y
Method: Least Squares
Date: 02/07/16 Time: 12:07
Sample: 1 114
Included observations: 114
Coefficien
Variable t Std. Error t-Statistic Prob.
= . .
La recta ajustada es la siguiente:
60
Gasto alimentos por ingreso
Porcentaje en alimentos
50
40
30
20
10
0
0 20 40 60
Nivel de ingresos
Se aplica el mismo modelo del punto anterior pero solamente con la base
de datos de pases de bajos ingresos. El resultado obtenido con E-Views es
el siguiente:
Dependent Variable: Y
Method: Least Squares
Date: 02/03/16 Time: 12:56
Sample (adjusted): 1 37
Included observations: 37 after adjustments
Coefficien
Variable t Std. Error t-Statistic Prob.
Dependent Variable: Y
Method: Least Squares
Date: 02/03/16 Time: 13:00
Sample: 1 44
Included observations: 44
Coefficien
Variable t Std. Error t-Statistic Prob.
Coefficien
Variable t Std. Error t-Statistic Prob.
Resumen
N Intercepto Pendiente R2
Todos los pases 114 52,8 -54,8965 0.67674
Bajos ingresos 37 66,3 -1,7512 0,23142
Ingresos medios 44 48,4 -0,5507 0,22036
Altos ingresos 32 33,3 -0,2424 0,30387
En contadas ocasiones, nos interesa que nuestra linea de ajuste pase por
el origen, vale decir, cuando X = 0, el valor esperado de Y sea tambin
cero. Esto paece razonable como en el caso de que el ingreso de las
personas sea cero y el impuesto ISR sea tambin cero. Formalmente la
funcin a estimar sera:
Luego: ) =
=(
Ejemplo 2.9.
Regresin a travs del origen
Model Y = X; noint;
Bibliografa del capitulo 2