Академический Документы
Профессиональный Документы
Культура Документы
Yi 1 2 X 2i 3 X 3i ... k X ki i
i 1 : Y1 1 2 X 21 3 X 31 ... k X k1 1
i 2 : Y2 1 2 X 22 3 X 32 ... k X k 2 2
.................................................................
i n : Yn 1 2 X 2n 3 X 3n ... k X kn n
3
En terminos matriciales:
Y1 1 2 X 21 3 X 31 ... k X k1 1
Y2 1 2 X 22 3 X 32 ... k X k 2 2
.................................................................
Yn 1 2 X 2 n 3 X 3n ... k X kn n
Y 1 X 2 ,1 ... X k,1 1 1
Y1 1 X
... X k,2 2
2 = 2 ,2
+ 2
. 1 ... ... ... . .
Yn n*1 1 X 2,n ... X k ,n n*k k n n*1
k *1
Y X u
y en forma compacta:
Y X ……….....(2)
4
2. La estimación MCO para el modelo
de regresión lineal general
Con el fin de estimar los coeficientes del modelo de
regresión y el intercepto, debemos re-escribir la
ecuación (1) de modo que para la observación i
tendríamos un valor observado de Y y un valor
estimado de la forma:
Yˆ ˆ ˆ X ˆ X ...
ˆ X
i 1 2 2i 3 3i k ki
Recordemos que el residuo o término de error (e) es:
ei Yi Yˆi
Valor observadode la
Variable endógena
Y X e
y en forma compacta:
Y ˆ1 ˆ 2 X 2 ˆ3 X 3 ... ˆ K X K e Xˆ e ...(3)
6
La ecuacion (3) es la funcion de
regresion muestral Y X̂ e ...(3)
Donde:
Y 1 X 2 ,1 ... X k,1
Y1 1 X ... X k,2
Y 2 X
2 ,2
Matriz de variables explicativ as de orden n * k
. 1 ... ... ...
Yn 1 X 2,n ... X k ,n
ˆ 1
ˆ
ˆ 2 Vector de coeficient es de k elementos
...(3.1)
.
ˆ k
e1
e
e 2 Vector de residuos
.
en
7
utilizaremos el criterio del método de estimación MCO
para obtener los estimadores: minimizar la suma de
cuadrados de los residuos (SRC = ei2 ). Se denota
matricialmente como ee =SRC:
e1
e
ee e1 e2 ..... en . 2 e12 e22 ... en2 ei2 SRC
.
en
e Y - Xˆ
ee ( Y - Xˆ )' ( Y - Xˆ )
8
Operando: ee ( Y - Xˆ )' ( Y - Xˆ ) ( Y' - ˆ ' X' ) ( Y - Xˆ )
ee Y' Y - Y' Xˆ - ˆ ' X' Y ˆ ' X' Xˆ
En la expresión anterior Y'X y X'Y son escalares y por tanto
son iguales(uno es el transpuesto del otro), por tanto la
expresion queda como:
ee Y' Y - 2 ˆ ' X' Y ˆ ' X' Xˆ
Asimismo, si se reemplazan los valores muestrales para X e Y
la SRC es una función del vector de coeficientes:
ˆ)
ee f (
De esta manera, el problema de minimización respecto a ̂
es el siguiente:
ˆ X
ˆ X X ...
ˆ X2 X Y
1 ki 2 ki 2i k ki ki i
10
Nota:
Yi
1 1 ... 1 Y1 Y1 Y2 ... Yn X Y
X 2 i i
X 2 ,2 ... X 2,n Y2 X 2 ,1Y1 X 2 ,2Y2 ... X 2 ,nYn
( X Y )
2 ,1
* ( X Y ) X 3iYi
... ... ... ... . . ... .... ......
.
X k,1 X k,2 ... X k ,n Yn X k,1Y1 X k,2Y2 ... X k,nYn X kiYi
i 1
X
i 1
2i X 3i ... i1 2i ki
X X
( X X ) n n n n
X 3i
i 1
X 3i X 2 i
i 1
3i
X 2
i 1
... i1 X 3i X ki
... ... ... ... ...
n n n n
2
X
i 1
ki X
i 1
ki X 2i X
i 1
ki X 3i ... i1 X ki
12
o en términos matriciales,
n X X 2i 3i ... X ki
ˆ 1 Yi
ˆ X Y
X 2i X X X 2
2i 2i 3i ... X X
2 i ki 2 2 i i
X 3i X X X
3i 2i
2
3i ... X X
3i ki
ˆ 3 = X Y
3i i
. .
... ... ... ... ...
2 X kiYi
X ki X ki X 2i X ki X 3i ... ki
X ˆ k
X ' e X ' (Y Xˆ ) X ' Y X ( X X ) 1 X ' Y ) X ' Y X ' X ( X ' X ) 1 XY X ' Y X ' Y 0
19
3.2. Muestras Grandes: (Propiedades
Asintóticas)
Primera propiedad: Consistencia
Un parámetro es consistente si se cumple que:
Indica que conforme aumente
el tamaño de la muestra la
media de la distribución del
estimador se aproximará más
al verdadero valor del
parámetro. Es decir, si se
cumple esta propiedad
resulta la media de tal
distribución.
Si un estimador resulta sesgado utilizando un tamaño muestral reducido, el
investigador puede eliminar dicho sesgo aumentando el número de observaciones
de la muestra. Por lo tanto, para garantizar que el estimador MCO sea insesgado
20
se debe utilizar muestras grandes .
Segunda propiedad: Insesgamiento asintótico
La idea detrás de esta propiedad es analizar si el sesgo
tiende a desaparecer en la medida que el tamaño
muestral tiende a infinito. Tiene cierta relación con la
propiedad anterior pero no son equivalentes. En este
caso se analiza el comportamiento del sesgo, mientras
que en la consistencia se analiza el punto hacia el cual
converge la distribución del estimador.