Universidad la Salle Morelia Direccin de posgrados

Maestra en ingeniera econmica y financiera Materia: Mercados globales e instrumentos de deuda y su cobertura

Mtodo de Mnimos Cuadrados Ordinarios

Alejandro Corona Bravo Grupo 516

Fecha de entrega: 6 de julio de 2013

METODO DE MINIMOS CUADRADOS ORDINARIOS El mtodo de mnimos cuadrados ordinarios es atribuido a Carl Friedrich Gauss Matemtico alemn. Este mtodo presenta propiedades estadsticas muy atractivas que lo han convertido en uno de los ms populares y eficaces del anlisis de regresin Este procedimiento est calculado a partir de la frmula de regresin Poblacional y muestra pero evitando los problemas que traen consigo al calcularlo de esta manera ya que estos mtodos anteriores le dan un mismo peso a los residuos, sin importar que tan cerca o dispersas se encuentran de las observaciones. Por lo que no solo es incorrecto si no que muy poco preciso. Con el criterio de mnimos cuadrados este o es un problema, la ecuacin es la siguiente

Con esto los residuos quedan elevados al cuadrado por lo que este mtodo le da ms peso a los residuos ms cercanos a las observaciones, lo que le da propiedades estadsticas muy deseables. De la formula anterior se hace evidente que los residuos estn en funcin de los estimadores b1 y b2 por lo que por cada vez que estos estimadores cambien te darn residuos diferentes

Pero para escoger los B1 y b2 correctos mediante esta forma de clculo tomara mucho tiempo por lo que el mtodo de Mnimos Cuadrados ofrece una forma ms rpida El mtodo elije b1 y b2 de manera que, para una muestra, los residuos al cuadrado son los menores posibles, porque una muestra dada proporciona valores estimados b1 y b2 nicos, que produzcan el residuo ms pequeo o ms reducido Por lo que se utilizan las siguientes ecuaciones para estimar las b

Donde n es el tamao de la muestra. Estas ecuaciones son del tipo normal Al resolverlas quedan de la siguiente manera

Donde x y y barra son las medias mustrales de x y y donde se define que xi=( xi- x barra), mismo casi con yi=(yi-y barra) Para estimar b1 quedara la formula as

Y para calcular b2 se calcula de la siguiente manera

Estos estimadores obtenidos b1 y b2 tienen propiedad estadsticas que son los siguientes 1. Se estiman en trminos de cantidad por lo que se calculan con facilidad 2. Son estimadores puntuales, ya que cada estimador proporciona un valor del parmetro poblacional pertinente 3. Una vez obtenidos los estimadores se obtienen sin problemas la lnea de regresin muestra, a. Esta lnea tiene las siguientes propiedades i. Pasa a travs de las medias mustrales

ii. El valor de y estimada yi es igual al medio de y real para

al sumar ambos lados de la igualdad sobre los valores mustrales y dividir por el tamao de n obtenemos

iii. El valor medio de los residuos es cero se eliminan de la ecuacin muestra

Dando

como

resultado

Dados estos supuestos para el mtodo de mnimos cuadrados tambin especifica ciertos Supuestos para lograr que sea aplicable este mtodo. Cada una de estas configuraciones produce las mismas frmulas y los mismos resultados, la nica diferencia es la interpretacin y los supuestos que han de imponerse a fin de que el mtodo pueda dar resultados significativos. La eleccin de la estructura aplicable depende principalmente de la naturaleza de los datos a la mano, y en la tarea de inferencia que se tiene que realizar. Una de las lneas de diferencia en la interpretacin es si tratar los represores como variables aleatorias, o como constantes predefinidas. En el primer caso los regresores de xison aleatorios y se toman muestras del conjunto con los yi de alguna poblacin, como en un estudio observacional. Este enfoque permite un estudio ms natural de las propiedades asintticas de los estimadores. En la otra interpretacin, los regresores de X se tratan como constantes conocidas establecidas por un diseo, y y se muestrea condicionalmente en los valores de X como en un experimento. A efectos prcticos, esta distincin a menudo carece de importancia, ya que la estimacin y la inferencia se llevan a cabo mientras se condiciona en X. Todos los resultados consignados en este artculo se encuentran dentro del marco de diseo aleatorio. El modelo clsico se centra en las "muestras finitas" estimacin y la inferencia, lo que significa que el nmero de observaciones n es fijo. Esto contrasta con otros enfoques, que estudian el comportamiento asinttico de OLS, y en el que el nmero de observaciones se hace tender hasta el infinito.

Especificacin Correcta. La forma funcional lineal se ha especificado correctamente. Exogeneidad estricta. Los errores en la regresin deben tener media condicionada cero

La consecuencia inmediata de la hiptesis de Exogeneidad es que los errores han significar cero: E[] = 0, y que los regresores no estn correlacionadas con los errores: E[X] = 0. El supuesto de Exogeneidad es fundamental para la teora de MCO. Si se mantiene entonces las variables regresoras se llaman exgeno. Si no es as, entonces los regresores que estn correlacionadas con el trmino de error se llaman endgenas, y luego las estimaciones MCO dejan de ser vlidas. En tal caso, el mtodo de variables instrumentales se puede utilizar para llevar a cabo la inferencia.

No hay dependencia lineal... Los regresores en X todos deben ser linealmente independientes. Matemticamente esto significa que la matriz X deber tener rango de columna completa prcticamente segura.

Por lo general, se supone tambin que los regresores tienen momentos finitos de hasta al menos segundo. En tal caso, la matriz Qxx = E [X'X / n] ser finita y positiva semi-definido. Cuando esta suposicin se viola los regresores se llama linealmente dependiente o multicollinear perfectamente. En tal caso, el valor de la coeficiente de regresin no puede aprenderse, aunque prediccin de los valores de y es posible que los nuevos valores de las variables independientes que se encuentran en el mismo subespecie linealmente dependientes.

Errores esfricos

Donde A es un n n matriz de identidad, y 2 es un parmetro que determina la varianza de cada observacin. Esta 2 se considera un parmetro molestia en el modelo, aunque por lo general, se estima. Si esta suposicin se viola entonces los estimadores MCO siguen siendo vlidos, pero ya no es eficaz. Es costumbre de dividir esta suposicin en dos partes:

Homocedasticidad :E [i2 | X] = 2, lo que significa que el trmino de error tiene la misma varianza 2 en cada observacin. Cuando este requisito se viola esto se llama heterocedasticidad, en tal caso, un estimador ms eficiente sera mnimos cuadrados ponderados. Si los errores tienen varianza infinita entonces las estimaciones MCO tambin tendr varianza infinita (aunque por la ley de los grandes nmeros que no obstante se tienden hacia los valores verdaderos, siempre que los errores tienen media cero). En este caso, tcnicas robustas de estimacin se recomiendan.

Auto correlacin no: los errores no estn correlacionados entre observaciones: E [ij | X] = 0 para i j. Este supuesto puede ser violado en el contexto de los datos de series de tiempo, datos de panel, muestras de racimo, datos

jerrquicos, datos de medidas repetidas, datos longitudinales, y otros datos con dependencias. En tales casos, mnimos cuadrados generalizados ofrece una mejor alternativa que el OLS.

Normality: A veces se supone, adems, que los errores tienen distribucin normal multivariante distribucin normal condicional en los regresores:

Este supuesto no es necesario para la validez del mtodo OLS, aunque ciertos muestra adicionales finita propiedades se pueden establecer en el caso cuando lo hace (especialmente en el rea de las pruebas de hiptesis). Tambin cuando los errores son normales, el estimador MCO es equivalente a MLE de mxima probabilidad, y por lo tanto es asintticamente eficiente en la clase de todos los estimadores regulares. e con datos de corte transversal, un supuesto adicional es impuesto - que todas las observaciones son independientes e idnticamente distribuidas (iid). Esto significa que todas las observaciones se toman de una muestra aleatoria que hace que todos los supuestos mencionados anteriormente sean ms simples y ms fciles de interpretar. Adems, este marco permite establecer resultados asintticos (como el tamao de la muestra n ), que se entiende como una posibilidad terica de ir a tener nuevas observaciones independientes de los datos en un proceso de generacin de datos. La lista de las hiptesis en este caso es:
observaciones iid: (xi, yi) son independientes entre si, y tiene la misma

distribucin, xj, yj) para todo i j;

No hay multicolinealidad perfecta: Qxx = E[xixi] es una matriz definida

positiva ;
exogeneidad: E[i|xi] = 0;

homocedasticidad: Var[i|xi] = 2