Modelo de Regresion Lineal Multiple:

Introduccion
Econometra Sec. 1
Melanie Oyarz
un W.
melanie.oyarzun@ucv.cl
Bibliografa: Wooldridge (2010), cap. 3

M. Oyarz
un

Regresi
on Multiple 1

Outline

El modelo de regresi
on lineal m
ultiple
Motivacion
Terminologa
Especificacion

M. Oyarz
un

Regresi
on Multiple 1

El modelo de regresi
on lineal m
ultiple

Motivaci
on

Motivacion
Qu
e queremos estimar con una regresi
on?
Hay (al menos) tres respuestas a esta pregunta:
Queremos encontrar la pendiente de la lnea que mejor se
ajusta a unos datos, sin preocuparnos del significad
Queremos hacer predicciones del valor de una variable Y
seg
un su valor de X.
Queremos estimar el efecto causal de un cambio en X sobre
Y.
La causalidad es un tema muy complejo
En este curso definimos un efecto causal como el efecto que se
podra medir en un experimento aleatorio controlado.

M. Oyarz
un

Regresi
on Multiple 1

El modelo de regresi
on lineal m
ultiple

Motivaci
on

Ejemplo I

peso = 0 + 1 estat + u
peso
sabemos que 1 mide estat
ceteris paribus, si los demas
factores no cambian y si E (u|estat) = 0.

Sabemos que hay otros factores en u. Debemos incluirlos en

regresion para poder aislar efectos de cada variable
peso = 0 + 1 estat + 2 edad + 3 ejercicio + u
Ahora 1 mide

peso
estat

cuando edad = 0, ejercicio = 0.

Supuesto clave: E (u|estat, edad, ejercicios) = 0.

M. Oyarz
un

Regresi
on Multiple 1

El modelo de regresi
on lineal m
ultiple

Motivaci
on

Ejemplo II

M. Oyarz
un

Regresi
on Multiple 1

El modelo de regresi
on lineal m
ultiple

Motivaci
on

Ejemplo III

M. Oyarz
un

Regresi
on Multiple 1

El modelo de regresi
on lineal m
ultiple

Motivaci
on

Ejemplo IV

M. Oyarz
un

Regresi
on Multiple 1

El modelo de regresi
on lineal m
ultiple

Terminologa

Terminologa I

Modelo general de regresi

on lineal con k variables
independientes (FRP)
y = 0 + 1 x1 + 2 x2 + + k xk + u
donde:
Donde 0 es termino constante
j es parametro de pendiente, asociado a variable
xj (j = 1, , k)
u es el termino de error

M. Oyarz
un

Regresi
on Multiple 1

El modelo de regresi
on lineal m
ultiple

Terminologa

Terminologa II

El modelo tiene k + 1 parametros (k pendientes + constante)

Supuesto clave: media condicionada nula
E (u|x1 , x2 , . . . , xj ) = 0
Implica que
E (y |x1 , x2 , , xj ) = 0 + 1 x1 + 2 x2 + + k xk

M. Oyarz
un

Regresi
on Multiple 1

El modelo de regresi
on lineal m
ultiple

Especificaci
on

Especificacion I

En una muestra:
yi = yi + ui
yi
ui

= 0 + 1 x1i + 2 x2i + + k xki + ui

= yi 0 1 x1i 2 x2i + k xki

MCO busca minimizar

2
X

ui2

i=1

M. Oyarz
un

Regresi
on Multiple 1

El modelo de regresi
on lineal m
ultiple

Especificaci
on

Especificacion II

Para las n observaciones:

u1
u2
u3
u4
..
.

= y1 0 1 x11 2 x21 k xk1

= y2 0 1 x12 2 x22 k xk2
= y3 0 1 x13 2 x23 k xk3
= y4 0 1 x14 2 x24 k xk4

un = yn 0 1 x1n 2 x25 k xkn

M. Oyarz
un

Regresi
on Multiple 1

El modelo de regresi
on lineal m
ultiple

Especificaci
on

Especificacion III

Para las n observaciones:

y1
y2
y3
y4
..
.

= 0 + 1 x11 + 2 x21 + + k xk1 + u1

= 0 + 1 x12 + 2 x22 + + k xk2 + u2
= 0 + 1 x13 + 2 x23 + + k xk3 + u3
= 0 + 1 x14 + 2 x24 + + k xk4 + u4

yn = 0 + 1 x1n + 2 x25 + + k xkn + un

M. Oyarz
un

Regresi
on Multiple 1

El modelo de regresi
on lineal m
ultiple

Especificaci
on

Especificacion IV

Podemos expresarlo matricialmente:

1 x11
0
k xk1
2 x21
u1
y1
k xk2 u2
y2 0 1 x12 2 x22

y3 x x
= 0 + 1 13 + 2 23 + + k xk3 + u3
. ..
.. . . .
.. .
. .. .. ..
un
yn
0
k xkn
1 x1n
2 x2n

M. Oyarz
un

Regresi
on Multiple 1

El modelo de regresi
on lineal m
ultiple

Especificaci
on

Especificacion V

Para las n observaciones:

y1
1
y2 1

y3 1
=
.. ..
. .
1
yn

x11 x21 x31

x12 x22 x32
x13 x23 x33
..
.
x1n x2n x3n

M. Oyarz
un

0
xk1
u1

u2
xk2 1


xk3
2 + u3
.. .. ..
. . .
xkn
un
k

Regresi
on Multiple 1

El modelo de regresi
on lineal m
ultiple

Especificaci
on

Especificacion VI

M. Oyarz
un

Regresi
on Multiple 1

El modelo de regresi
on lineal m
ultiple

Especificaci
on

Especificacion VII
Podemos definir las siguientes matrices (vectores)

y1
y2


y = y3
..
.
yn
1n
0
1


= 2
.
..
k (k+1)n

1 x11 x21 x31

1 x12 x22 x32

X = 1 x13 x23 x33

..
..
.
.
1 x1n x2n x3n

u1
u2


u = u3
..
.
un

M. Oyarz
un

nX 1

Regresi
on Multiple 1

xk1
xk2

xk3

..
.
xkn

n(k+1)

El modelo de regresi
on lineal m
ultiple

Especificaci
on

Especificacion VIII
El modelo para la muestra completa se puede expresar como:
y = X + u
y
u = y x
Notemos que MCO busca minimizar
2
X

ui2

i=1

lo podemos expresar:
min

(y X )

u0 u = (y X )
M. Oyarz
un

Regresi
on Multiple 1