lvarez Garca Nohemi

Curso de STATA
1. En qu consiste el modelo de regresin lineal simple?
Tambin se llama modelo de regresin lineal, por que relaciona dos variables X e Y cuando
estn relacionadas por las variables X y Y tienen diferentes nombres que se emplean
indistintamente: y recibe el nombre de variable dependiente, de variable explicada, de variable
de respuesta, de variable predicha o de regresando; y a X se le denomina variable
independiente, variable explicativa, variable de control, variable predictor o regresor.
Es decir, el modelo de regresin ms sencillo es el Modelo de Regresin Lineal Simple que
estudia la relacin lineal entre la variable respuesta y la variable regresora, a partir de una
n
muestra
i = 1 que sigue el siguiente modelo:

Las expresiones variable dependiente y variable independiente son probablemente los mas
elocuentes. Respuesta y control en la que el investigador controla la variable X.
La variable u denominada termino de error o perturbacin en l a relacin representa factores
distintos de x que afectan a y. En el anlisis de regresin simple se tratan en efecto todos los
factores que afectan a y y que no sean x como si fueran no observados.
Podemos pensar en u como no observado.
La ecuacin muestra una respuesta al problema de la relacin funcional entre y y x si los
dems factores de u se mantienen fijos de manera que el cambio en u sea nulo u=0,
entonces x tiene un efecto lineal sobre y.
Y= 1 X si u = 0
De esta manera el cambio en y es simplemente 1 multiplicado por el cambio en x. Esto
significa que 1 es el parmetro de la pendiente en la relacin entre y y x manteniendo los
factores de u fijos; el termino constante 0 tambin se emplea en algunos casos aunque no es
esencial.
2. Derive el estimador de Mnimos Cuadrados Ordinarios para el parmetro B de la
siguiente ecuacin (note que no hay variable exgena) y= B+e
Resultado:
u2 e2
( y- )2 = e2
( y- )2 = 0

de /d = 2 (y- ) (-1) = 0
-2 (y- ) = 0
(y- ) = 0/-2
(y- )
y- n = 0
3. Suponga que la siguiente ecuacin estimada del consumo privado es: cp t=3 + .7yt
+ et (Se asume que pasa los supuestos bsicos del modelo de regresin lineal
simple). Interprete el coeficiente "y".
La funcin economtrica del consumo, plantea como hiptesis que la variable dependiente Cpt
(consumo privado) esta relacionada linealmente con la variable explicativa Yt (ingreso), pero la
relacin entre las dos no es exacta, esta sujeta a variaciones individuales et.
4. Cules son las consecuencias para el estimador de B de la violacin del
supuesto de no autocorrelacin?
Violacin del supuesto de regresin lineal clsico de errores no autocorrelacionados

E (ui, uj )=0 para todo i diferente de j

CONSECUENCIAS
MCO lineales, insesgados y consistentes, pero ineficientes (no tendrn varianza mnima)
R2 sobreestimado
Pruebas t y F pierden validez
5. Cules son las consecuencias para el estimador de B de la violacin del
supuesto de no homoscedasticidad?
Bajo el supuesto Var (u/x) = 2
Debemos insistir en que el supuesto de homoscedasticidad, difiere en gran medida de la media
condicionada nula, E (u/x) =0. El supuesto hace intervenir el valor esperado de u, mientras que el
supuesto de homoscedasticidad se refiere a la varianza de u (ambos condicionados a x).
Estableciendo la insesgadez de MCO sin el supuesto de homoscedasticidad no juega ningn
papel si se trata de demostrar que 0 1 estimadas estn insesgados. Aadimos el supuesto de
homoscedasticidad por que simplifica los clculos de las varianzas para 0 1 estimadas y
porque implica que los MCO tienen algunas propiedades de eficiencia. Si estableciramos el
supuesto de que u y x son independientes entonces la distribucin de u dado x no depender de
x y, por lo tanto, E (u/x) = E (u) =0 y Var (u/x) = 2 .

Con presencia de heteroscedasticidad, los estimadores mnimo cuadrtico seguirn siendo

insesgados dado que E(U)=0 y las variables explicativas son no estocsticas o independientes
de los errores, por lo tanto E(XU)=0, pero dado que la varianza al no ser constante se invalidan
las pruebas de significancia estadstica en especial las pruebas de la distribucin t-Student y F
de Fisher-Snedecor.
En consecuencia, los principales problemas seran:

Estimadores ineficientes.
Perdida de validez de las pruebas de contraste estadsticos.

Dado que la estimacin de la varianza estara sesgada y su estimacin no sera adems

consistente, no se puede, en consecuencia, depender de los resultados obtenidos de los
intervalos de confianza, ni de las pruebas puntuales usuales, por tanto, si se detecta su
presencia, se deben estimar los parmetros por otros medios ms adecuados como; mnimos
cuadrados ponderados u otra tcnica de estimacin. Siempre es necesario comprobar si existe o
no un problema significativo antes de proceder a corregirlo. En algunos casos la comprensin de
la forma de corregir permite comprender mejor la utilidad de los procedimientos formales de
deteccin.