Академический Документы
Профессиональный Документы
Культура Документы
= 2
, , = [( ( ))( ( ))]
, , = ( ) ( )
, , = = 0 (2.8)
Modelo de regresin lineal simple
Supuestos de normalidad.
a) La perturbacin aleatoria tiene una distribucin normal
multivariante
~(0, 2 ) (2.9)
Nid significa que son normales e independientemente
distribuidas, con esperanza matemtica igual a cero y
varianza constante e igual a 2 .
Mnimos Cuadrados Ordinarios
= 2 1 2 = 0
1
= 2 1 2 = 0
2
Mnimos Cuadrados Ordinarios
= 1 + 2 (2.11)
= 1 + 2 2 (2.12)
Mnimos Cuadrados Ordinarios
Por definicin de media aritmtica:
=
y =
= 2 + 2 2
Se obtiene:
2 = (2.15)
2 2
Mnimos Cuadrados Ordinarios
Tabla 2.3
Ventas (Y) y Gastos en Publicidad (X) de
10 empresas. (muestra tomada al azar)
Y X
225 10
220 20
256 30 Con los datos de la muestra de la
258 40 Tabla 2.3, estimar los parmetros
306 50 poblacionales del modelo:
305 60 = 1 + 2 +
348 70
350 80
380 90
377 100
Propiedades algebricas de la
regresin
Propiedad 1.- La suma de los residuos es cero:
= 0
Dado que: = 1 2
= ( 1 2 )
= 1 2
= 1 2
= 1 2 2
= 1 + 2
+
=
Por la propiedad 1 = 0 por tanto:
= =
Bondad del ajuste
= +
El valor observado de Y es igual al valor estimado de Y ms el error
de estimacin
Restando la media en cada miembro, elevando al cuadrado y
aplicando sumatoria tenemos:
2
2 = +
( )
2 = ( )
( ) + 2
2 +2 ( )
Como: = = 0
Entonces:
2 + 2
2 = ( )
( )
Bondad del ajuste
El primer trmino se denomina Suma Total de Cuadrados STC,
muestra la variabilidad de Y respecto a su media
2
STC = ( )
(, )
=
2 =
2
Desarrollando la ecuacin se tiene:
( )
2 = 2 = 2 =
2
Teorema de Gauss- Markov
Dado que: = 0
(La suma de las desviaciones con respecto a la media es
igual a cero.)
Y haciendo el cambio de variable: =
2
2 =
12
= =0 2 = =
2 ( 2 )2
1 2
= =1
12 2
( )
= = = =1
2 2 2
Teorema de Gauss- Markov
Dado que: 2 =
: 2 = (1 + 2 + )
: 2 = 1 + 2 +
: 2 = 2 +
2 es una combinacin lineal de ui.
Por un tratamiento similar, se llega a la conclusin que 1
est tambin relacionada linealmente con Y y con el trmino
de perturbacin u de la siguiente forma:
Teorema de Gauss- Markov
1
)
1 = (
1
)
1 = 1 + (
Teorema de Gauss- Markov
b) Los estimadores son insesgados
: E(2 ) = (2 + )
: E(2 ) = 2 + ( )
: ) =
(
1
: E 1 = `[1 + ]
1
: E(1 ) = 1 + (
)( )
: ) =
(
Teorema de Gauss- Markov
c) La varianza de los estimadores es mnima
c.1 Obtencin de la varianza del estimador 1
Reemplazando: 2 = [2 2 ]2 = 2
Desarrollando: 2 = [ 2 2 + 2 ]
: 2 = 2 (2 ) + 2 ( )
1
Como : 2 = 2 2 = = 0
2
2
Se tiene: 2 = 2
Teorema de Gauss- Markov
c.2 Obtencin de la varianza del estimador 1
1 2
Reemplazando: 1 = [1 1 ]2 = ( )
1 2
Desarrollando: 1 =
(2 )
1
: 1 = [ 2 + 2 2 ](2 )
1
Como : 2 = 2 2 = = 0
2
1 2
Se tiene:
1 = ( + 2 2 )
Teorema de Gauss- Markov
c.3 La varianza del estimador 2 es mnima
Se propone otro estimador lineal e insesgado expresado por:
2 = donde: = +
Entonces: 2 = (1 + 2 + )
... 2 = 1 + 2 +
Si = 0 = 1
Entonces: 2 = 2 +
Reemplazando: 2 = [2 2 ]2 = 2
2 2
Desarrollando: 2 = ( ) + 2 ( )
Como : 2 = 2 ( ) = 0
Se tiene: 2 = 2 2
Pero: = +
2 2 2
entonces: = + + 2
2 1
Como: = 2
= 0
Teorema de Gauss- Markov
1 2 2 2
Entonces: 2 = 2 2
+ = 2
+ 2
2
Que se puede expresar como: 2 = (2 ) + 2
2
donde: 2 0
Por tanto
2 (2 )
La varianza de 2 es menor a la varianza de 2
Igual tratamiento se puede realizar con 1 .
2
= 2 2 2 2 2 2 ( )
+ ( )2
2 2
2 2 2 = 2 2 2 = 2
2
= 2 = 2 2
2
ESTIMADOR DE LA VARIANZA 2
1
=E u2i ( ui )2
n
= n 1 2
ESTIMADOR DE LA VARIANZA 2
Resumiendo:
2 = 2 2 2 + 1 2 = ( 2) 2
2
2 =
2
2 ( 2) 2
2 = = = 2
2 2