Me-Regresion Con Dos Variables-Piaggio-Esco-Grupo 4

UNIVERSIDADNACIONAL
UNIVERSIDAD NACIONALJORGE
JORGEBASADRE
BASADREGROHMANNN
GROHMANN
ESCUELA
ESCUELA PROFESIONAL
PROFESIONAL DE
DE INGENIERÍA
CAPITULO 2 COMERCIAL
INGENIERÍA COMERCIAL
METODOS
ECONOMETRICOS
Docente:
Miguel Piaggio
Canivillo
ANÁLISIS DE
REGRESIÓN CON DOS
VARIABLES
INTEGRANTES:
 Esthefani Mullo Limachi
2016-106031
 Mónica Delgado Caljaro
2016-106063
 Jorge Limache FACULTAD DE CIENCIAS JURIDICAS Y EMPRESARIALES
2016-106004 ESCUELA ACADEMICA PROFESIONAL DE INGENIERIA COMERCIAL 1
TACNA – 2019
 Aaron Castro Málaga
2016-106080
UNIVERSIDAD NACIONAL JORGE BASADRE GROHMANNN
ESCUELA PROFESIONAL DE INGENIERÍA
INDICE:
2. ANÁLISIS DE REGRESIÓN CON DOS VARIABLES .................................................... 3

2.1 EJEMPLO HIPOTÉTICO........................................................................................... 3
2.2 CONCEPTO DE FUNCIÓN DE REGRESIÓN POBLACIONAL (FRP) .............. 7
2.3 SIGNIFICADO DEL TÉRMINO LINEAL................................................................ 8
2.3.1 LINEALIDAD EN LAS VARIABLES………………………………………………………8
2.3.2 LINEALIDAD EN LOS PARÁMETROS .................................................... 8
2.4 ESPECIFICACIÓN ESTOCÁSTICA DE LA FRP ................................................. 10
2.5 IMPORTANCIA DEL TÉRMINO DE PERTURBACIÓN
ESTOCÁSTICA…………………………………………………………………………………………………………………..12
2.6 FUNCION DE REGRESION MUESTRAL (FRM) ................................................ 14
2.7 EJEMPLO DE FUNCIÓN DE REGRESIÓN MUESTRAL ........................................ 15
2.8 EJEMPLO DE FUNCIÓN DE REGRESIÓN POBLACIONAL ................................. 17
2.9 BIBLIOGRAFIA .......................................................................................................... 19
FACULTAD DE CIENCIAS JURIDICAS Y EMPRESARIALES

ESCUELA ACADEMICA PROFESIONAL DE INGENIERIA COMERCIAL
TACNA – 2019
2
2. ANÁLISIS DE REGRESIÓN CON DOS VARIABLES
En este trabajo abordaremos más formalmente. De manera específica, introducir

a la teoría básica del análisis de regresión lo más sencillo posible, es decir, la
regresión bi variable o con dos variables, en la cual la variable dependiente (la
regresada) se relaciona con una sola variable explicativa (la regresora).
Consideremos primero este caso no necesariamente por su adecuación práctica,
sino porque presenta las ideas fundamentales del análisis de regresión de la
manera más sencilla posible, y algunas de estas ideas pueden ilustrarse con
diagramas bidimensionales. Además, como veremos, el análisis de regresión
múltiple, más general, en el que la regresada se relaciona con más de una
regresora, es, en muchos sentidos, una extensión lógica del caso de dos variables.
2.1 EJEMPLO HIPOTÉTICO
Como se señaló en la sección 1.2, el análisis de regresión se relaciona en gran

medida con la estimación o predicción de la media (de la población) o valor
promedio de la variable dependiente, con base en los valores conocidos o fijos de
las variables explicativas.2 Para entender esto, consideremos los datos de la tabla
2.1. Estos datos se refieren a la población total de 60 familias de una comunidad
hipotética, así como a su ingreso semanal (X) y su gasto de consumo semanal (Y),
en dólares. Las 60 familias se dividen en 10 grupos de ingresos (de 80 dólares a
260); asimismo, aparecen los gastos semanales de cada familia de los diversos
grupos. Por consiguiente, hay 10 valores fijos de X y los correspondientes valores
Y para cada valor X; así, hay 10 subpoblaciones Y. Se observa una variación
considerable en el consumo semanal de cada grupo de ingreso, lo cual se aprecia
con claridad en la fi gura 2.1. No obstante, el panorama general es que, a pesar de
la variabilidad del consumo semanal en cada nivel de ingreso considerado, en
promedio, el consumo semanal se incrementa a medida que aumenta el ingreso.
Para verificar lo anterior, en la tabla 2.1 se proporciona la media, o promedio, del
consumo semanal que corresponde a cada uno de los 10 niveles de ingresos.

TACNA – 2019
3
Así, al nivel de ingreso de 80 dólares le corresponde una media de consumo igual

a 65 dólares, pero para el nivel de 200, la media es de 137. En total hay 10 valores
medios para las 10 subpoblaciones de Y. A estos valores medios se les llama
valores esperados condicionales, en virtud de que dependen de los valores de la
variable (condicional) X. En forma simbólica, se denotan con E (Y | X ), lo cual
se lee como el valor esperado de Y, dado el valor de X (ver también la tabla 2.2).

TACNA – 2019
4
tabla 2.1 varían respecto del valor esperado incondicional de Y, igual a 121.20
dólares. Cuando se plantea la pregunta “¿cuál es el valor esperado del consumo
semanal de una familia?”, la respuesta es 121.20 dólares (la media incondicional).
Pero si se pregunta “¿cuál es el valor esperado del consumo semanal de una
familia cuyo ingreso mensual es de 140 dólares?”, la respuesta es 101 (la media
condicional). En otras palabras, a la pregunta “¿cuál es la mejor predicción
(media) del gasto semanal de las familias con un ingreso semanal de 140
dólares?”, la respuesta es 101 dólares. Por consiguiente, conocer el nivel de
ingreso permite predecir mejor el valor medio del consumo que si se ignora esa
información.4 Tal vez sea ésta la esencia del análisis de regresión, como lo
descubriremos a lo largo de este libro.
Los puntos oscuros dentro de círculos de la fi gura 2.1 muestran los valores
medios condicionales de Y, graficados en función de los diferentes valores de X.
Al unir esos valores obtenemos la línea de regresión poblacional (LRP), o, más
general, la curva de regresión poblacional (CRP).5 Con palabras más sencillas, es
la regresión de Y sobre X. El adjetivo “poblacional” se debe a que en este ejemplo
trabajamos con la población total de 60 familias. Por supuesto, en realidad una
población tendría más familias.
Así, desde el punto de vista geométrico, una curva de regresión poblacional es tan
sólo el lugar geométrico de las medias condicionales de la variable dependiente
para los valores fijos de la(s) variable(s) explicativa(s). En palabras más simples,
es la curva que conecta las medias de las subpoblaciones de Y que corresponden
a los valores dados de la regresora X. Lo anterior se ve de manera gráfica en la fi
gura 2.2.
Esta figura muestra que para cada X (es decir, el nivel de ingresos) existe una
población de valores Y (consumo semanal) que se distribuyen alrededor de la
media (condicional) de dichos valores Y.

TACNA – 2019
5
Por simplicidad, suponemos que tales valores Y están distribuidos simétricamente

alrededor de sus respectivos valores medios (condicionales). Asimismo, la recta
(o curva) de regresión pasa a través de los mencionados valores medios
(condicionales). Con estos antecedentes, es útil para el lector leer de nuevo la
definición de regresión de la sección 1.2.

TACNA – 2019
6
2.2 CONCEPTO DE FUNCIÓN DE REGRESIÓN POBLACIONAL
(FRP)
De la anterior exposición, y en especial de las figuras 2.1 y 2.2, es claro que cada
media condicional E(Y | Xi) es función de Xi, donde Xi es un valor dado de X.
Simbólicamente,
E( Y / Xi ) = f (Xi ) (2.2.1)
donde ƒ(Xi) denota alguna función de la variable explicativa X. En el ejemplo,

E(Y | Xi) es una función lineal de Xi. La ecuación (2.2.1) se conoce como función
de esperanza condicional (FEC), función de regresión poblacional (FRP) o
regresión poblacional (RP), para abreviar.
Dicha función sólo denota que el valor esperado de la distribución de Y dada Xi

se relaciona funcionalmente con Xi. En otras palabras, dice cómo la media o
respuesta promedio de Y varía con X.
¿Qué forma adopta la función ƒ(Xi)? Esta pregunta es importante porque en una
situación real no disponemos de toda la población para efectuar el análisis. La
forma funcional de la FRP es por consiguiente una pregunta empírica, aunque en
casos específicos la teoría tiene algo que decir. Por ejemplo, un economista puede
plantear que el consumo manifiesta una relación lineal con el ingreso.
Por tanto, como primera aproximación o hipótesis de trabajo, podemos suponer

que la FRP E(Y | Xi) es una función lineal de Xi, del tipo
E( Y / Xi ) = β1 + β2Xi (2.2.2)
donde β1 y β2 son parámetros no conocidos pero fijos que se denominan

coeficientes de regresión; β1 y β2 se conocen también como coeficientes de
intersección y de pendiente, respectivamente.
La ecuación (2.2.1) se conoce como función de regresión poblacional lineal. En

la bibliografía aparecen otras expresiones, como modelo de regresión poblacional
lineal o sólo regresión poblacional lineal. En lo sucesivo, consideraremos
sinónimos los términos regresión, ecuación de regresión y modelo de regresión.

TACNA – 2019
7
2.3 SIGNIFICADO DEL TÉRMINO LINEAL
Ecuación de segundo grado. Donde x es la variable, y a, b y c constantes; a es el

coeficiente cuadrático (distinto de 0), b el coeficiente lineal y c es el término
independiente. Este polinomio se puede interpretar mediante la gráfica de una
función cuadrática, es decir, por una parábola.
El término lineal se interpreta de dos formas:
2.3.1 LINEALIDAD EN LAS VARIABLES
Geométricamente, la curva de regresión en este caso es una recta. En esta

interpretación, una función de regresión como E(Y | Xi ) β1 + β2X2 i no es una
función lineal porque la variable X aparece elevada a una potencia
2.3.2 LINEALIDAD EN LOS PARÁMETROS
Linealidad en los parámetros La segunda interpretación de linealidad se presenta

cuando la esperanza condicional de Y, E(Y | Xi), es una función lineal de los
parámetros, los β; puede ser o no lineal en la variable X. 7 De acuerdo con esta
interpretación, E(Y | Xi) β1 + β2X2 i es un modelo de regresión lineal (en el
parámetro). Para ver lo anterior, supongamos que X tiene un valor de 3. Por tanto,
E(Y | X 3) β1 + 9β2, ecuación a todas luces lineal en β1 y β2. En consecuencia,
todos los modelos de la fi gura 2.3 son de regresión lineal; es decir, son modelos
lineales en los parámetros. Ahora consideremos el modelo E(Y | Xi) β1 + β2 2
Xi. Supongamos también que X 3; así obtenemos E(Y | Xi) β1 + 3β2 2, que es
no lineal respecto del parámetro β2. El anterior es un ejemplo de modelo de
regresión no lineal (en el parámetro).

TACNA – 2019
8
Analizaremos dichos modelos en el capítulo 14. De las dos interpretaciones de
linealidad, la linealidad en los parámetros es pertinente para el desarrollo de la
teoría de regresión que presentaremos en breve.
Por consiguiente, en adelante, el término regresión “lineal” siempre significará

una regresión lineal en los parámetros; los β (es decir, los parámetros) se elevan
sólo a la primera potencia. Puede o no ser lineal en las variables explicativas X.
Esquemáticamente tenemos la tabla 2.3. Así, E(Y | Xi) β1 + β2 Xi, lineal en los
parámetros igual que en las variables, es un modelo de regresión lineal (MRL),
lo mismo que E(Y | Xi) β1 + β2X2 i , lineal en los parámetros pero no lineal en
la variable X.

TACNA – 2019
9
2.4 ESPECIFICACIÓN ESTOCÁSTICA DE LA FRP
En la figura 2.1 es claro que, a medida que aumenta el ingreso familiar, el consumo
familiar, en promedio, también aumenta. Pero, ¿qué sucede con el consumo de
una familia en relación con su nivel de ingreso (fijo)? Es obvio, por la tabla 2.1 y
la fi gura 2.1, que el consumo de una familia en particular no necesariamente
aumenta a medida que lo hace el nivel de ingreso.
Por ejemplo, en la tabla 2.1 se observa que en el nivel de ingreso de 100 dólares
existe una familia cuyo consumo, de 65, es menor que el consumo de dos familias
cuyo ingreso semanal es sólo de 80 dólares. Sin embargo, hay que advertir que el
consumo promedio de las familias con ingreso semanal de 100 es mayor que el
consumo promedio de las familias con un ingreso semanal de 80 dólares (77 y
65). Entonces, ¿qué se puede decir sobre la relación entre el consumo de una
familia y un nivel determinado de ingresos? En la fi gura 2.1 se ve que, con el
nivel de ingresos de Xi, el consumo
de una familia en particular se agrupa alrededor del consumo promedio de todas

las familias en ese nivel de Xi, es decir, alrededor de su esperanza condicional.
Por consiguiente, expresamos la desviación de un Yi en particular alrededor de su
valor esperado de la manera siguiente: ui Yi − E(Y | Xi) o Yi E(Y | Xi) + ui (2.4.1)
donde la desviación ui es una variable aleatoria no observable que adopta valores
positivos o negativos. Técnicamente, ui se conoce como perturbación estocástica
o término de error estocástico. ¿Cómo se interpreta la ecuación?
Se puede decir que el gasto de una familia en particular, según su nivel de ingreso,
se expresa como la suma de dos componentes: 1) E(Y | Xi), que es simplemente
la media del consumo de todas las familias con el mismo nivel de ingreso. Este
componente se conoce como componente sistemático, o determinista, y 2) ui que
es el componente aleatorio, o no sistemático.

TACNA – 2019
10
Examinaremos en breve la naturaleza del término de perturbación estocástica,

pero por el momento supondremos que es un término que sustituye o representa a
todas las variables omitidas o ignoradas que puedan afectar a Y pero que no se
incluyen (o no pueden incluirse) en el modelo de regresión.
Si suponemos que E(Y | Xi) es lineal en Xi, como en (2.2.2), la ecuación (2.4.1)
se escribe como Yi E(Y | Xi) + ui β1 + β2Xi + ui (2.4.2) La ecuación (2.4.2)
plantea que el consumo de una familia se relaciona linealmente con su ingreso
más el término de perturbación. Así, el consumo individual, con X 80 (ver la tabla
2.1), se expresa como Y1 55 β1 + β2(80) + u1 Y2 6β1 + β2(80) + u2 Y3 65 β1
+ β2(80) + u3 Y4 70 β1 + β2(80) + u4 Y5 75 β1 + β2(80) + u5 (2.4.3) Ahora, si
tomamos el valor esperado de (2.4.1) en ambos lados, obtenemos E(Yi | Xi) E[E(Y
| Xi)] + E(ui | Xi) E(Y | Xi) + E(ui | Xi) (2.4.4) donde se aprovecha que el valor
esperado de una constante sea la constante misma.8
Observe con atención que en la ecuación (2.4.4) se tomó la esperanza condicional,

condicionada a las X dadas. Como E(Yi | Xi) es lo mismo que E(Y | Xi), la
ecuación (2.4.4) implica que E(ui | Xi) 0 (2.4.5)
Así, el supuesto de que la línea de regresión pasa a través de las medias

condicionales de Y (ver la fi gura 2.2) implica que los valores de la media
condicional de ui (condicionados al valor dado de X ) son cero. De la exposición
anterior es claro que (2.2.2) y (2.4.2) son formas equivalentes si E(ui | Xi) 0.9 Pero
la especificación estocástica (2.4.2) tiene la ventaja que muestra claramente otras
variables, además del ingreso, que afectan el consumo, y que el consumo de una
familia no se explica en su totalidad sólo por la(s) variable(s) en el modelo de
regresión.

TACNA – 2019
11
2.5 IMPORTANCIA DEL TÉRMINO DE PERTURBACIÓN
ESTOCÁSTICA
Concepto:
Sustituto de todas aquellas variables que son omitidas por el modelo, pero que
efectivamente afectan a la variable dependiente (Y)
La pregunta obvia es:
¿POR QUÉ NO SE INTRODUCEN EXPLÍCITAMENTE ESTAS VARIABLES

EN EL MODELO?
LAS RAZONES SON MUCHAS:
1. VAGUEDAD DE LA TEORÍA:
De existir una teoría que determine el comportamiento de Y, podría estar

incompleta, y con frecuencia lo está. Se tendría quizá la certeza de que el ingreso
semanal X afecta el consumo semanal Y, pero también ignoraríamos, o no
tendríamos la seguridad, sobre las demás variables que afectan a Y. Por
consiguiente, ui sirve como sustituto de todas las variables excluidas u omitidas
del modelo.
2. FALTA DE DISPONIBILIDAD DE DATOS:
Aunque se conozcan algunas variables excluidas y se considerara por tanto una

regresión múltiple en lugar de una simple, tal vez no se cuente con información
cuantitativa sobre esas variables. Es común en el análisis empírico que no se
disponga de los datos que idealmente se desearía tener. Por ejemplo, en principio
se puede introducir la riqueza familiar como variable explicativa adicional a la
variable ingreso para explicar el consumo familiar. Pero, por desgracia, la
información sobre riqueza familiar por lo general no está disponible. Así, no
habría más que omitir la variable riqueza del modelo a pesar de su gran relevancia
teórica para explicar el consumo.

TACNA – 2019
12
3. VARIABLES CENTRALES Y VARIABLES PERIFÉRICAS:
Suponga en el ejemplo consumo-ingreso que además del ingreso X1 hay otras

variables que afectan también el consumo, como el número de hijos por familia
X2, el sexo X3, la religión X4, la educación X5 y la región geográfica X6. Pero
es muy posible que la influencia conjunta de todas o algunas de estas variables
sea muy pequeña, o a lo mejor no sistemática ni aleatoria, y que desde el punto
de vista práctico y por consideraciones de costo no se justifique su introducción
explícita en el modelo. Cabría esperar que su efecto combinado pueda tratarse
como una variable aleatoria ui.
4. ALEATORIEDAD INTRÍNSECA EN EL COMPORTAMIENTO

HUMANO:
Aunque se logre introducir en el modelo todas las variables pertinentes, es posible

que se presente alguna aleatoriedad “intrínseca” en Y que no se explique, a pesar
de todos los esfuerzos que se inviertan. Las perturbaciones, u, pueden reflejar
muy bien esta aleatoriedad intrínseca.
5. VARIABLES REPRESENTANTES (PROXY) INADECUADAS:
A pesar de que el modelo clásico de regresión (que veremos en el capítulo 3)

supone que las variables Y y X se miden con precisión, en la práctica, los datos
pueden estar plagados de errores de medición. Consideremos, por ejemplo,

TACNA – 2019
13
2.6 FUNCION DE REGRESION MUESTRAL (FRM)
Esta parte es muy importante porque para poder hacer un modelo de regresión
muestral partimos de un modelo de regresión poblacional, pero como sabemos
que a través de un estudio nosotros no podemos trabajar con la población, si
queremos levantar información acerca del consumo en nuestro departamento
dependiendo del numero de habitantes, no vamos a levantar 200 000 o 300 000
encuestas, sino lo que hacemos es calcular una muestra.
 Estimación de la regresión de función poblacional en base a

información muestral
 La estimación no va a ser tan precisa, debido a las fluctuaciones
muestrales
 Al tomar valores muestrales y graficarlos obtenemos las rectas de
regresión muestrales

TACNA – 2019
14
2.7 EJEMPLO DE FUNCIÓN DE REGRESIÓN MUESTRAL
Aplicación de un modelo de regresión lineal simple a fin de modelar la

distribución conjunta de las variables “Estrategias de afrontamiento” y “Estrés”.
En este ejemplo concreto, el modelo de regresión se concreta en el ajuste a los
datos de la siguiente ecuación de regresión (también conocida como recta de
regresión):

TACNA – 2019
15

TACNA – 2019
16
2.8 EJEMPLO DE FUNCIÓN DE REGRESIÓN POBLACIONAL
Calificaciones de matemáticas en el examen SAT según ingreso familiar
En la tabla 2.10 del ejercicio 2.17 hay datos sobre el promedio de calificaciones
del examen de aptitud académica (SAT, Scholastic Aptitude Test) de lectura
crítica, matemáticas y redacción de 947 347 estudiantes que solicitaron su
admisión a licenciatura en 2007. Se representó gráficamente la calificación
promedio de matemáticas en función del ingreso familiar promedio para obtener
la ilustración de la fi gura 2.7. Nota: En virtud de los intervalos abiertos de
ingreso para la primera y última categorías de la tabla 2.10, se supone que el
ingreso promedio familiar más bajo es de 5 000 dólares, y el más alto, de 150
000 dólares.

TACNA – 2019
17
Como muestra la fi gura 2.7, la calificación promedio de matemáticas aumenta

conforme lo hace el ingreso familiar. Como el número de estudiantes que
presentaron el examen SAT es muy grande, es probable que represente a toda la
población de estudiantes que presentaron el examen. Por tanto, también es
probable que la línea de regresión trazada en la fi gura 2.7 represente la línea de
regresión poblacional. Puede haber varias razones para la relación positiva entre
ambas variables. Por ejemplo, se puede argumentar que los estudiantes con un
mayor ingreso familiar están en mejores condiciones de costear clases privadas
para el examen. Además, es más probable que los estudiantes de mayores
ingresos tengan padres con educación superior. También es posible que los
estudiantes con calificaciones más altas de matemáticas procedan de mejores
escuelas.

TACNA – 2019
18
2.9 BIBLIOGRAFIA
 ECONOMETRÍA Quinta edición (Damodar N. Gujarati)

 http://wpd.ugr.es/~bioestad/guia-de-r/practica-3/
 http://www.dm.uba.ar/materias/estadistica_Q/2011/1/clase%20regresion%20si
mple.pdf
 http://ocw.uv.es/ciencias-de-la-salud/pruebas-1/1-3/t_09nuevo.pdf

TACNA – 2019
19

Me-Regresion Con Dos Variables-Piaggio-Esco-Grupo 4

Загружено:

Сведения о документе

Исходное описание:

Оригинальное название

Авторское право

Доступные форматы

Поделиться этим документом

Поделиться или встроить документ

Параметры публикации

Этот документ был вам полезен?

Это неприемлемый материал?

Авторское право:

Доступные форматы

Me-Regresion Con Dos Variables-Piaggio-Esco-Grupo 4

Загружено:

Авторское право:

Доступные форматы

UNIVERSIDADNACIONAL

2. ANÁLISIS DE REGRESIÓN CON DOS VARIABLES .................................................... 3

FACULTAD DE CIENCIAS JURIDICAS Y EMPRESARIALES

2. ANÁLISIS DE REGRESIÓN CON DOS VARIABLES

En este trabajo abordaremos más formalmente. De manera específica, introducir

2.1 EJEMPLO HIPOTÉTICO

Como se señaló en la sección 1.2, el análisis de regresión se relaciona en gran

FACULTAD DE CIENCIAS JURIDICAS Y EMPRESARIALES

Así, al nivel de ingreso de 80 dólares le corresponde una media de consumo igual

FACULTAD DE CIENCIAS JURIDICAS Y EMPRESARIALES

FACULTAD DE CIENCIAS JURIDICAS Y EMPRESARIALES

Por simplicidad, suponemos que tales valores Y están distribuidos simétricamente

FACULTAD DE CIENCIAS JURIDICAS Y EMPRESARIALES

donde ƒ(Xi) denota alguna función de la variable explicativa X. En el ejemplo,

Dicha función sólo denota que el valor esperado de la distribución de Y dada Xi

Por tanto, como primera aproximación o hipótesis de trabajo, podemos suponer

donde β1 y β2 son parámetros no conocidos pero fijos que se denominan

La ecuación (2.2.1) se conoce como función de regresión poblacional lineal. En

FACULTAD DE CIENCIAS JURIDICAS Y EMPRESARIALES

2.3 SIGNIFICADO DEL TÉRMINO LINEAL

Ecuación de segundo grado. Donde x es la variable, y a, b y c constantes; a es el

El término lineal se interpreta de dos formas:

2.3.1 LINEALIDAD EN LAS VARIABLES

Geométricamente, la curva de regresión en este caso es una recta. En esta

2.3.2 LINEALIDAD EN LOS PARÁMETROS

Linealidad en los parámetros La segunda interpretación de linealidad se presenta

FACULTAD DE CIENCIAS JURIDICAS Y EMPRESARIALES

Por consiguiente, en adelante, el término regresión “lineal” siempre significará

FACULTAD DE CIENCIAS JURIDICAS Y EMPRESARIALES

2.4 ESPECIFICACIÓN ESTOCÁSTICA DE LA FRP

de una familia en particular se agrupa alrededor del consumo promedio de todas

FACULTAD DE CIENCIAS JURIDICAS Y EMPRESARIALES

Examinaremos en breve la naturaleza del término de perturbación estocástica,

Observe con atención que en la ecuación (2.4.4) se tomó la esperanza condicional,

Así, el supuesto de que la línea de regresión pasa a través de las medias

FACULTAD DE CIENCIAS JURIDICAS Y EMPRESARIALES

La pregunta obvia es:

¿POR QUÉ NO SE INTRODUCEN EXPLÍCITAMENTE ESTAS VARIABLES

LAS RAZONES SON MUCHAS:

De existir una teoría que determine el comportamiento de Y, podría estar

2. FALTA DE DISPONIBILIDAD DE DATOS:

Aunque se conozcan algunas variables excluidas y se considerara por tanto una

FACULTAD DE CIENCIAS JURIDICAS Y EMPRESARIALES

3. VARIABLES CENTRALES Y VARIABLES PERIFÉRICAS:

Suponga en el ejemplo consumo-ingreso que además del ingreso X1 hay otras

4. ALEATORIEDAD INTRÍNSECA EN EL COMPORTAMIENTO

Aunque se logre introducir en el modelo todas las variables pertinentes, es posible

5. VARIABLES REPRESENTANTES (PROXY) INADECUADAS:

A pesar de que el modelo clásico de regresión (que veremos en el capítulo 3)

FACULTAD DE CIENCIAS JURIDICAS Y EMPRESARIALES

2.6 FUNCION DE REGRESION MUESTRAL (FRM)

 Estimación de la regresión de función poblacional en base a

FACULTAD DE CIENCIAS JURIDICAS Y EMPRESARIALES

2.7 EJEMPLO DE FUNCIÓN DE REGRESIÓN MUESTRAL

Aplicación de un modelo de regresión lineal simple a fin de modelar la

FACULTAD DE CIENCIAS JURIDICAS Y EMPRESARIALES

FACULTAD DE CIENCIAS JURIDICAS Y EMPRESARIALES

2.8 EJEMPLO DE FUNCIÓN DE REGRESIÓN POBLACIONAL

Calificaciones de matemáticas en el examen SAT según ingreso familiar

FACULTAD DE CIENCIAS JURIDICAS Y EMPRESARIALES

Como muestra la fi gura 2.7, la calificación promedio de matemáticas aumenta

FACULTAD DE CIENCIAS JURIDICAS Y EMPRESARIALES