Академический Документы
Профессиональный Документы
Культура Документы
Lunes 8 de octubre
Carmen Le Foulon
1. Varios
1
Varios
Reprogramación
2
Lo que veremos el resto del semestre
3
Métodos de Mı́nimos Cuadrados
Ordinarios
¿Cuál es la relación entre mortalidad infantil y
libertad de expresión?
4
Buscamos encontrar una recta que explique la relación
5
Buscamos encontrar una recta que explique la relación
• Definimos como mejor aquella que pasa más cerca de todos los
puntos
• ¿Cómo definimos cerca?
• Diferencia entre el valor predicho por la recta y el valor observado
6
Residuo: diferencia entre el predicho y observado
7
Método para encontrar la mejor recta
8
Método mı́nimos cuadrados ordinarios
9
Método mı́nimos cuadrados ordinarios
a = ȳ − bx̄
Pn
(x − x̄)(yi − ȳ )
b= Pn i
i=1
2
i=1 (xi − x̄)
10
MCO: Propiedades algebraicas
11
Volviendo al ejemplo de la clase anterior
Pn
(x − x̄)(yi − ȳ ) 37
b= Pn i
i=1
2
= = 1,383
i=1 (xi − x̄) 26,75
12
Bondad de ajuste
13
Bondad de ajuste
Definimos:
Pn
Suma Cuadrados Totales: SCT = i=1 (yi − ȳ )2
Pn
Suma Cuadrados Explicados: SCE = i=1 (ŷi − ȳ )2
Pn
Suma Cuadrados Residuales: SCR = i=1 (ŷi − yi )2
Por lo tanto:
SCE SCR
R2 = =1−
SCT SCT
14
Bondad de ajuste
15
Supuestos modelo clásico de
regresión
Explicar relación variables cuantitativas en la población
16
Función poblacional
17
Función poblacional
18
Función poblacional vs estimada
19
Implicancias supuestos
• ¿Pero para qué nos sirven esos supuestos, o más bien, por qué
necesitamos asumir que el mundo se comporta de esa manera?
• Necesitamos derivar las PROPIEDADES de los estimadores de β0 y
β1 .
• En particular, queremos poder realizar afirmaciones sobre su
esperanza - para determinar sesgo, y sobre su varianza - para
determinar la eficiencia del estimador.
• Para ello, recurrimos a algunos de los supuestos.
20
Propiedad insesgadez
21
Supuestos para insesgadez
1. Linealidad: yi = β0 + β1 ∗ xi + µi
2. Rango completo:
3. Media condicional 0:E (µ|x) = 0
4. Muestra aleatoria
22
Supuestos para eficiencia: varianza estimadores MCO
23
Supuestos para eficiencia: varianza estimadores MCO
24
Varianza estimadores MCO
Supuesto homocedasticidad
25
Teorema Gauss-Markov
26
Supuestos Gauss-Markov
27
Varianza estimador MCO
σ2
Var (βˆ1 ) = Pn 2
i=1 (xi − x̄)
Pero no conocemos la varianza del error, por lo que debemos estimarla:
Pn 2
r
σ̂ 2 = i=1 i
(n − 2)
28
Inferencia
29
Supuestos del Modelo Clásico de Regresión
30
Inferencia bajo supuestos del Modelo Clásico de Regresión
31
Ejemplo: Efecto fractionalization etnolinguı́stica en la provisión
de bienes públicos
Siguiendo a la literatura:
32
Efecto ELF en Porcentaje hogares con Agua potable
33
Estimamos por MCO
Variable explicada:
Porcentaje hogares con agua potable
ELF −21.132∗∗∗
(3.169)
Constant 81.723∗∗∗
(2.059)
Observations 31
R2 0.605
Adjusted R2 0.592
Residual Std. Error 4.437 (df = 29)
F Statistic 44.456∗∗∗ (df = 1; 29)
∗ ∗∗ ∗∗∗ 34
Note: p<0.1; p<0.05; p<0.01
Estimamos por MCO
35
Estimamos por MCO
36
Estimamos por MCO
37