SUPUESTOS DEL MRL

Econometra 1.
Fundamentos bsicos
Seydyss Garay Rodrguez
Docente
Supuestos
Para utilizar la inferencia en la regresin, los datos
deben satisfacer el insesgamiento mediante la
comprobacin de los siguientes supuestos, para el
mtodo de MCO.

Comprobar uno a uno:

ALEATORIEDAD DE LOS DATOS
LINEALIDAD
INDEPENDENCIA
NORMALIDAD
HOMOCEDASTICIDAD
MULTICOLINEALIDAD
 Aleatoriedad de los datos

Se debe garantizar que en el levantamiento

y recoleccin de datos garantice la
aleatoriedad de los datos.

Aplicar tcnicas de muestreo

Que las preguntas no se encuentre
relacionadas
 LINEALIDAD
Se realiza una grfica de la variable independiente vrs la variable
dependiente.
Cmo se comprueba ?
Mediante la grafica, esta relacin visualmente debe comportarse
lineal.
 INDEPENDENCIA

Cmo se comprueba?

Desde la recoleccin de los datos

se debe garantizar que los datos de la
variable independiente no depende de
los dems valores.

Es decir, la linealidad como la

independencia se deben garantizar
desde la recoleccin de la
informacin.
 NORMALIDAD
Existen (2) opciones :

1. El grfico histograma y el QQ plot, se realizan con los

residuos. En el histograma se espera que los residuos se
ajusten a una distribucin normal y el qq plot se espera que los
residuos se ajusten a la recta de normalidad.
Otra manera de comprobar la normalidad
son mediante pruebas no
paramtricas:

Shapiro-wilk
Kolmomogorov
Anderson Dailing

*Pruebas no paramtricas una prueba de hiptesis que no requiere que la distribucin de la

poblacin se caracterice en funcin de determinados parmetros. Es decir que sigue una
distribucin normal con los parmetros y
 HOMOCEDASTICIDAD
La varianza es constante a lo largo del modelo.

Cmo comprobar?, a travs del grfico de residuos vrs la variable

independiendiente o vrs lo valores ajustados.

homocedasticidad heterocedasticidad
Otra manera de comprobar la
homocedasticidad es mediante pruebas,
hay muchas ms, se recomiendan las
siguientes no paramtricas:

Test Levene
Bartliett (los residuos se ajustan a la
normalidad)
 MULTICOLINEALIDAD
El supuesto plantea que no existe dependencia entre
las variables predeterminadas (regresoras) que
componen el modelo.
Si la relacin es FUERTE entre variables se dice que
hay multicolinealidad, MODERADA se dice
colinealidad o multicolinealidad moderada

Cmo se idntica?,
i. con errores estndar grandes
ii. R2 alto, es decir por encima de 80% pruebas t poco
significativas y prueba F estadsticamente
significativas.
iii. Altas correlaciones entre algunas de las variables
predeterminadas.
Se recomiendan las siguientes pruebas:

Factor de inflacin de varianza

Matriz de correlaciones
EJEMPLO:
El cuarteto de Anscombe comprende cuatro conjuntos de datos que tienen las mismas
propiedades estadsticas, pero que evidentemente son distintas al inspeccionar sus
grficos respectivos.

Cada conjunto consiste de once puntos (x, y) y fueron construidos por el estadstico
F. J. Anscombe. El cuarteto es una demostracin de la importancia de mirar grficamente
un conjunto de datos antes de analizarlos.
Para los cuatro conjuntos de datos:

Propiedad Valor
Mediade cada una de las variablesx es 9.0
Varianzade cada una de las variablesx es 11.0
Media de cada una de las variablesy es 7.5
Varianza de cada una de las variablesy es 4.12
Correlacin entre cada una de las
0.816
variablesxey es
Recta de regresin es
http://www.sjsu.edu/faculty/gerstman/StatPrimer/anscombe1
973.pdf
 X1 Recta de regresin aparentemente normal
X2 especificacin funcional errnea, probablemente es un
ajuste de forma cuadrtica
X3 Caso palanca, presencia de valores atpicos influyentes
X4 Es un caso en el que la variablexes prcticamente
constante (excepto en una observacin atpica e influyente
como en el caso anterior).

Por supuesto hay muchos ms problemas potenciales en la aplicacin "a

ciegas" de tcnicas de estimacin estadstica que invalidaran o limitaran
el alcance de cualquier conclusin que pretendamos dar por vlida
(heterocedasticidad, multicolinealidad, no-normalidad, problemas de
especificacin funcional, aplicacin de tcnicas incorrectas dada la naturaleza
de los datos... ).
Errores de especificacin

Pueden ser :
1.Por inclusin de variables relevantes
2.Omisin de variables
3.Errores de medicin en la varianza