Академический Документы
Профессиональный Документы
Культура Документы
Curso 2010-2011
Especificación de un modelo
Conductas humanas
Componente aleatoria u Errores de medida
Factores no medibles
Teorı́a Keynesiana: Ct = β1 + β2 Rt
Hipótesis: β1 > 0 , 0 < β2 < 1
Hipótesis básicas
Modelo de regresión
Lı́nea de regresión poblacional
Información estadı́stica
Muestras temporales
Muestras de corte transversal
Muestras de panel
Métodos de estimación
Método de mı́nimos cuadrados
Método de máxima verosimilitud
Método de los momentos
Estimación
Objetivos:
Estimar un modelo lineal Ŷi = β̂1 + β̂2 Xi que aproxime lo mejor posible los
valores observados de Y .
Yi Valores observados
β̂1 = Ȳ − β̂2 X̄
n
X
ûi = 0
i=1
Ȳ = β̂1 + β̂2X̄
X n
Xi ûi = 0
i=1
Xn
Ŷi ûi = 0
i=1
Ana J. López y Rigoberto Pérez (Dpto Economı́a Aplicada.
T2. ElUniversidad
modelo lineal
de simple
Oviedo) Curso 2010-2011 10 / 40
Estimación de los parámetros de regresión
2
1 1 (yi −β1 −β2 xi )
f (yi ) = f (yi , β1 , β2 , σ 2 ) = √ e− 2 σ2
2πσ
n
L(y1 , · · · , yn , β1 , β2 , σ 2 ) = f (yi , β1 , β2 , σ 2 )
Q
i=1
!
n (y −β −β x )2
− 12 i 1 2 2 i
√1 e
Q
= 2πσ
σ
i=1
n
n2 n 2 1 X (yi − β1 − β2 xi )2
ln L(y1 , . . . , yn , β1 , β2 , σ ) = − ln(2π)− ln(σ )−
2 2 2 σ2
i=1
n
ûi2
P
i=1
σ̂ 2 =
n
Ana J. López y Rigoberto Pérez (Dpto Economı́a Aplicada.
T2. ElUniversidad
modelo lineal
de simple
Oviedo) Curso 2010-2011 12 / 40
Propiedades de los estimadores
σ2
β̂2 E β̂2 = β2 Var β̂2 = n 2
(Xi −X̄ )
P
i=1
Teorema de Gauss-Markov
Estimador de la varianza
La varianza σ 2 es deconocida y por tanto también lo serán: σβ̂2 y σβ̂2
1 2
n
ûi2
P
i=1
S2 =
n−2
E (S 2 ) = σ 2
Ana J. López y Rigoberto Pérez (Dpto Economı́a Aplicada.
T2. ElUniversidad
modelo lineal
de simple
Oviedo) Curso 2010-2011 15 / 40
Propiedades de los estimadores Teorema de Gauss-Markov
n
σ2 Xi2
P
i=1
Var β̂1 = n 2
P
n Xi − X̄
i=1
n
S2 Xi2
P
i=1
Sβ̂2 = n
1 P 2
n Xi − X̄
i=1
S2
Sβ̂2 = n
2 P 2
Xi − X̄
i=1
800
700
consumo
600
500
400
300
400 500 600 700 800
renta
Ana J. López y Rigoberto Pérez (Dpto Economı́a Aplicada.
T2. ElUniversidad
modelo lineal
de simple
Oviedo) Curso 2010-2011 18 / 40
Intervalos de confianza
Análisis inferencial
β̂ − β
⇒ ≈ tn−2
Sβ̂
h i
P β̂ − kα Sβ̂ ≤ β ≤ β̂ + kα Sβ̂ = 1 − α ⇒ β̂ − kSβ̂ , β̂ + kSβ̂
0.5
Función de densidad t(n-2=13)
0.4
0.3
0.2
0.1
(n − 2)S 2 (n − 2)S 2
⇒ ,
k2 k1
0.09
Función de densidad Chi-cuadrado(n-2=13)
0.08
0.07
0.06
0.05
0.04
0.03
0.02
0.01
probabilidad en la cola derecha = 0.05
0
0 5 10 15 20 25 30 Valor crı́tico kα = 22.362
Valores
Contrastes de significación: Yi = β1 + β2 Xi + ui
Contraste básico: ¿explica X los cambios de Y?
Valor muestral:
β̂2
dβ̂∗ =
H0 : β 2 = 0 2 Sβ̂2
H1 : β2 6= 0
Conclusión
Se rechaza la nulidad del coeficiente de la renta y por tanto ésta es una
variable relevante para explicar el consumo
n
X 2
VT = Yi − Ȳ n 2 n
ûi2
P P
i=1 VE = Ŷi − Ȳ ; VNE =
i=1 i=1
Ana J. López y Rigoberto Pérez (Dpto Economı́a Aplicada.
T2. ElUniversidad
modelo lineal
de simple
Oviedo) Curso 2010-2011 24 / 40
Contrastes asociados a un modelo ANOVA
Yi − Ȳ = Ŷi − Ȳ + Yi − Ŷi
n n 2 n 2
X 2 X X
Yi − Ȳ = Ŷi − Ȳ + Yi − Ŷi
i=1 i=1 i=1
ANOVA en Gretl
Análisis de Varianza:
n n
β̂22 (Xi − X̄ )2 ûi2
P P
VE
1 i=1 1 2VNE i=1
VNE
= ≈ Fn−2 ; R =1− =1− n
S2 VT P 2
n−2 Yi − Ȳ
i=1
Contraste F
Yi = β1 + β2 Xi + ui
Contraste
n
β̂22 (Xi − X̄ )2
P
H0 : β2 = 0
H1 : β2 6= 0 i=1 1
≈ Fn−2
S2
Si el modelo propuesto es adecuado la variación explicada será muy
superior a la no explicada, con lo que el ratio F adoptará un valor elevado
y su nivel crı́tico será reducido.
En el modelo lineal simple este contraste es equivalente al de la t de
Student ya que se cumple: Fn−2 1 = (tn−2 )2
Acotación: 0 ≤ R 2 ≤ 1
Predicción
Predicciones condicionadas
Los modelos econométricos estimados permiten obtener predicciones
condicionadas a determinados valores de la variable explicativa.
Horizonte de predicción
En modelos temporales, considerando horizontes de predicción 1, 2, 3...T
las predicciones se obtendrán sustituyendo en el modelo estimado los
correspondientes valores de la variable X en esos periodos.
Predicción Estática
Período muestral
Predicción Dinámica
Elaboración de predicciones
Predicción de Y para un valor X0
Ŷ0 = β̂1 + β̂2 X0
Error de predicción
eŶ0 = Y0 − Ŷ0 = Y0 − E (Y /X0 ) + E (Y /X0 ) − Ŷ0
| {z } | {z }
Error poblacional Error muestral
Elaboración de predicciones
Evaluación de predicciones
T
1 P
Error medio (EM) Yt − Ŷt
T t=1
1 PT 2
Error cuadrático medio (ECM) Yt − Ŷt
T t=1
Raiz del error cuadrático medio s
1 P T 2
(RECM) Yt − Ŷt
T t=1
1 P T
Error absoluto medio (EAM) Yt − Ŷt
T t=1
PT Y t − Ŷt
Porcentaje de error medio 100
t=1 TYt
T Yt − Ŷt
P
Porcentaje de error absoluto medio 100
t=1 TYt
Índice de Theil
v !2
u
−1 Y
u 1 TP
u t+1 − Ŷt+1
u T t=1 Yt
u
U de Theil U=u 2
t 1 TP−1 Y
t+1 − Yt
u
T t=1 Yt
El ı́ndice de Theil puede ser interpretado como el ratio entre las raı́ces del
error cuadrático medio asociadas al modelo propuesto y a un modelo
”naive”
o ingenuo
que asignase como predicción el valor actual
Ŷt+1 = Yt .
Índice de Theil
Además Theil propone una descomposición de los errores cuadráticos de
predicción en tres términos, denominados respectivamente de sesgo, de
regresión y de perturbación:
2
Ŷ¯ − Ȳ
Proporción de sesgo
ECM
2
SŶ − rY Ŷ SY
Proporción de regresión
ECM
1 − rY2 Ŷ SY2
Proporción de error
ECM