1

UNIVERSIDAD NACIONAL "SAN LUIS GONZAGA" DE ICA

FACULTAD DE CIENCIAS ECONMICAS Y NEGOCIOS INTERNACIONALES
Escuela Acadmico Profesional de Economa

CURSO : ECONOMETRA
CAPITULO : V. EL MODELO LINEAL GENERAL (MLG)
PROFESOR : Jorge Luis Hernndez Napa FECHA: Setiembre
2015

1.- DEFINICIN.- Llamaremos Modelo Lineal General (MLG), a la estructura matricial de

representacin, para una ecuacin de regresin no bivariable. (dos variables = bivariable)

2.- REPRESENTACIN.- Sea la relacin funcional:

Y t = (X1 t , X2 t , X3 t ,.........,X k t , t )

Explicitada como:
Modelo Poblacional: Y t = 1 + 2 X2 t + 3 X3 t + , ......... , + k X k t + t
Modelo Muestral : Y t = b1 + b2 X2 t + b3 X3 t + , ......... , + b k X k t + e t
Modelo Estimado : t = b1 + b2 X2 t + b3 X3 t + , ......... , + b k X k t

Donde:
Y t = variable endgena t = variable aleatoria poblacional
X k = variables pre determinadas e t = error muestral
t = variable endgena estimada k = nmero de parmetros
k = parmetros poblacionales t = tiempo histrico
b k = parmetros muestrales X1 t = 1, por intercepto

para cada ao el modelo poblacional, se representa de la siguiente forma:

Y 1 = 1 + 2 X2 1 + 3 X3 1 + , ........... , + k X k 1 + 1
Y 2 = 1 + 2 X2 2 + 3 X3 2 + , ........... , + k X k 2 + 2
Y 3 = 1 + 2 X2 3 + 3 X3 3 + , ........... , + k X k 3 + 3
.
.
Y n = 1 + 2 X2 n + 3 X3 n + , ........... , + k X k n + n

El modelo lineal general (MLG), se representa en forma matricial y vectorial como sigue:

Y1 1 X2 1 X3 1.......... , X k 1 1 1
Y2 1 X2 2 X3 2 ........... X k 2 2 2
Y3 = 1 X2 3 X3 3 ........... X k 3 3 + 3
. . . . .
. . . . .
Yn 1 X2 n X3 n ........... X k n k n
Y X U
(nx1) (nxk) (kx1) (nx1)

Representacin en forma condensada:

Modelo Poblacional: Y = X U
Modelo Muestral : Y = X be
Modelo Estimado : = X b
Donde:
Y = vector de variable endgena X = matriz de variables predeterminadas
 2
vector de parmetros poblacionales b = vector de parmetros muestrales
U = vector de variable aleatoria poblacional e = vector de error muestral

3.- ESPECIFICACIN DE HIPTESIS PARA APLICACIN DE MINIMOS CUA-

DRADOS ORDINARIOS (MCO)

A. HIPTESIS RELATIVAS A LAS VARIABLES ALEATORIAS

1. Toda perturbacin aleatoria tiene media nula, por existir errores positivos y negati-vos,
que tienden a anularse, si se toman en promedio.
1 E( 1) 0
2 E( 2) 0
3 E( 3) 0
E . = . = . =
. . .
n E( n) 0

2. Todas las perturbaciones aleatorias tienen las mismas variancias (2 ) ; o sea tienen
variancia finita y constante
Var (U ) = E (UU') = 2 In
Es conocido como el postulado o hiptesis de Homocedasticidad, su abandono implica
reemplazarlo, por la hiptesis de Heterocedasticidad (cuando la variancia es finita y
variable). Se detecta y se corrige.
3. La variable aleatoria no est autocorrelacionada, implica la independencia de los
valores sucesivos de (u t); el abandono de este supuesto da lugar a la introduccin de la
hiptesis de Autocorrelacin.
Cov ( t j ) = E ( t j ) = 0 ; t j
De la hiptesis 2 y 3, podemos obtener la matriz de variancia y covariancia:
1 12 1 2 1 3 . . . . 1 n
2 1 2 22 2 3 . . . . 2 n
3 1 3 2 3 32 . . . . 3 n
E (UU') = E . 1 2 3 . . . . n = E . . . .
. . . . .
2
n 1 n 2 n 3 n . . . . . n

E( 12) E( 1 2 ) E( 1 3) . . . . E( 1 n)
E( 1 2) E( 22) E( 2 3) . . . . E( 2 n)
E( 1 3) E( 2 3) E( 32) . . . . E( 3 n)
E (UU') = . . . .
. . . .
E( 1 n) E( 2 n) E( 3 n). . . . . E( n2 )

Var( 1) Cov( 1 2 ) Cov ( 1 3) . . . . Cov ( 1 n)

Cov( 1 2) Var( 2) Cov ( 2 3) . . . . Cov ( 2 n)
Cov( 1 3) Cov ( 2 3) Var( 3) . . . . Cov ( 3 n)
E (UU') = . . . .
. . . .
Cov( 1 n) Cov ( 2 n) Cov ( 3 n). . . . . Var( n )

12 0 0 . . . . 0 1 0 0 . . . 0
0 22 0 . . . . 0 0 1 0 . . . 0
0 0 32 . . . . 0 0 0 1 . . . 0
E (UU') = . . . . = 2 . . . .
 3
. . . . . . . .
0 0 0 . . . . . n 2 0 0 0 . . . 1

En forma simplificada:
E (UU') = 2 I n
4. La variable aleatoria t es independiente de todas las variables exgenas.
E ( t X k t ) = E ( t ) E (X k t ) = 0
Si la variable aleatoria, no es independiente de las variables exgenas, entonces los
EMC, son sesgados y no consistentes: Es decir el sesgo no se corrige, con el aumento
del tamao de la muestra
5. La variable aleatoria t , se distribuye aproximadamente en forma normal con media
cero y variancia finita y constante (u2), es decir:

1 (UU)
2
U ~ N ( 0, In ) (U ) = ---- ____- e 2 2
2

Que es la frmula, de la funcin de densidad de una u t en el muestreo. A partir de esta

formula se pueden obtener Estimadores de Mxima Verosimilitud (EMV).

B. HIPTESIS RELATIVAS A LAS VARIABLES

6. Las variables predeterminadas Xkt no es aleatoria; o sea es una variable fija en el
muestreo
7. La variable endgena Yt , es evidentemente una variable aleatoria, cuyos parmetros
(en virtud de la Ho. 1, 2, y 6) son:
Media:E (Y) = E (X U) = X E (U)
E (Y) = X

Variancia: Y2 = E [ Y E (Y ) ] 2
Y2 = E [X U X ] 2
Y2 = E [ U2 ] = E (UU)
Y2 = 2 I n
8. La variables X t ^ Y t , se obtienen sin errores de observacin, o sea no existen errores
de medida, el abandono de esta hiptesis, crea el problema de Errores en las Variables.
X t ^ Y t = son sin errores de observacin
9. La matriz de coeficientes de variables predeterminadas X, tiene rango K, donde K < N
R [XX] = K < N; k = Rango de matriz X ; N = nmero de var. predeterminadas
1
Garantiza (XX) . El abandono de esta hiptesis, genera un problema en la
econometra, denominado Multicolienalidad.

C. HIPTESIS RELATIVAS A LOS PARAMETROS

10. Los parmetros estructurales son constantes, para todas las unidades de la muestra.
Sobre ellos no se emite a priori ninguna restriccin.

4.- SOLUCIN DEL MODELO

Modelo objetivo a solucionar y desarrollar:

Y t = b1 + b2 X2 t + b3 X3 t + , ......... , + b k X k t + e t
(S b1Sb2) Sb3Sbk)
[t b1] [t b2[t b3] [t bk
Donde:
 4
S2 , S Sbk = Desviacin Standard de k parm.
R2 , R tbk t Student de k parm.
F S2 , S = Varian. y D.S. del modelo
Dw R2 , R = Coef. correlacin y det. modelo
Vn F = Prueba de Fisher- Snedecor
Dw, Vn = Prueba de Durbin- Watson, y Von Neuman

Partimos del modelo muestral, y aplicamos el Mtodo de los Mnimos Cuadrados:

e2t = ee = min., y las condiciones de mnimo
Del modelo muestral: Y = X be ; e = Y - X b
Reemplazando : ee = (Y - X b) (Y - X b) = YY YXb bXY + bXXb
ee = YY 2 bXY + bXXb
) [ee] / b = - 2 XY + 2 XX b = 0 ; ) 2 [ee] / [b] 2 = 2 (XX) > 0

1). FORMA CONDENSADA DE LOS PARAMETROS

-1
Despejando b = ( XX ) XY

2) FORMA MATRICIAL DE LOS PARAMETROS

N X 2t X 3t . . . X kt -1 Yt
X 2t X2t2 X 2tX 3t . . . X 2tX kt X2t Yt
X 3t X 2tX 3t X3t2 . . . X 3tX kt X 3t Yt
b = ( XX ) -1 XY = . . . . .
(kx1) . . . . .
X kt X 2tX kt X 3t X kt . . . . Xkt2 X kt Yt

(kxk) (kx1)

1). Tratamiento matricial de las observaciones o valores reales observados (VRO):

a. Para ( XX ) -1:

1 X 21 X 31 . . . . X k1 1 1 1 . . . . 1
1 X 22 X 32 . . . . X k2 X 21 X 22 X 23 . . . . X 2n
1 X 23 X 33 . . . . X k3 X 31 X 32 X 33 . . . . X 3n
X = . . . . X = . . . .
. . . . . . . .
1 X 2n X 3n . . . . X kn (nxk) X k1 X k2 X k3 . . . . X kn

1 1 1 . . . . 1 1 X 21 X 31 . . . . X k1
X 21 X 22 X 23 . . . . X 2n 1 X 22 X 32 . . . . X k2
X 31 X 32 X 33 . . . . X 3n 1 X 23 X 33 . . . . X k3
X X = . . . . . . . .
(kxk) . . . . . . . .
X k1 X k2 X k3 . . . . X kn 1 X 2n X 3n . . . . X kn
(kxn) (nxk)

N X 2t X 3t . . . X kt -1
 5
X 2t X2t2 X 2tX 3t . . . X 2tX kt
X 3t X 2tX 3t X3t2 . . . X 3tX kt
( XX ) -1 = . . . .
. . . .
X kt X 2tX kt X 3t X kt . . . . Xkt2 (kxk)

b. Para XY:

1 1 1 . . . . 1 Y1 Yt
X 21 X 22 X 23 . . . . X 2n Y2 X2t Yt
X 31 X 32 X 33 . . . . X 3n Y3 X 3t Yt
XY = . . . . . = .
. . . . . .
X k1 X k2 X k3 . . . . X kn Yn X kt Yt (kx1)

5). TABULACIN DE LOS VALORES REALES OBSERVADOS (VRO):

Pasos a seguir:
1. Se apertura columnas: para N observaciones, total de aos.
2. Se apertura columnas: para la variable endgena (Yt), y k variables pre-determinadas
(Xk), se suman ().
3. Se eleva al cuadrado todas las variables (endgenas y predeterminadas) y se suman.
4. Se multiplica la variable endgena Yt, por cada una de las k variables predeterminada, y
se suman.
5. Se multiplica cada una de las variables predeterminada, por el resto de las variables
predeterminadas.
6. Se obtienen el valor estimado t . y se suman
7. Se obtienen las desviaciones e t, la suma es igual a cero.
8. Se elevan al cuadrado las desviaciones e t2 , y se suman.

TABULACION PARA SOLUCIONAR EL MODELO LINEAL GENERAL

OBSE AOS Yt X2t X3t .... Xkt Yt 2 X2t 2 . . Xkt2

1 1,950
2 1,951
3 1,952
. .
. .
. .
. .
. .
. .
N 2,013

Yt X2t X3t .... Xkt Yt 2 X2t 2 Xkt2

Sumatorias
(=)

X2t Yt .... Xkt Yt X2t X3t . . X3t X4t . . .... X(k-1)t Xkt t et e t2
 6
.
.
.
.
.
.
.
.
.
.

X2t Yt .... Xkt Yt X2t X3t X3t X4t .... X(k-1)t t et = 0 e t2

Xkt (=)

6). PROPIEDADES DE LOS ESTIMADORES

a. La Media de los parmetros:
Parmetro es lineal
b = [ ( XX ) -1 X ] Y
Se muestra la media o insesgabilidad: E (b) =
b = [ ( XX ) -1 X ] (X U)
b = ( XX ) -1 X X ( XX ) -1 X U
b = ( XX ) -1 X U (*)
E (b) = ( XX ) -1 X E (U)
E (b) =

b. Propiedades del estimador de mnimos cuadrados ordinarios

Todo estimador tiene como requisito para lograr buenas estimaciones, el contar con una
serie de propiedades ptimas, como: lineal, insesgado, varianza mnima, consistencia,etc
Al respecto, el estimador b de MCO cuenta con dichas propiedades, en virtud de las
cuales Gauss y Markov han demostrado la gran capacidad estimativa del mismo:

c. Varianza y desviacin standard de los parmetros (Sb2) :

Definicin: V (b) = Sb2 = E ( b - b
De (*): ( b - = ( XX ) -1 X U
Reemplazando Sb2 = E [ ( XX ) -1 X U ]( XX ) -1 X U ]
S b2 = E [ ( XX ) -1 X U ]U X ( XX ) -1 ]
S b2 = ( XX ) -1 X E (UU) X ( XX ) -1
Sb = 2 In ( XX ) -1 XX ( XX ) -1
2

S b2 = 2 ( XX ) -1

o tambien Sb2 = S2 ( XX ) -1

7. VARIANZA Y DESVIACIN STANDARD DEL MODELO (S2 ):

Definicin: V no E e2t e e YY bXY

2
S = --------- = -------- = ------- = -----------------
Nk N-k Nk Nk

Yt 2 b1 Yt b2 X2t Yt b3 X3t Yt bk Xkt Yt

2
S = ------------------------------------------------------------------------------------
Nk

Sustentacin:
a. ee = (Y - X b) (Y - X b) = YY YXb bXY + bXXb
ee = YY 2 bXY + bXX [ b ]
 7
ee = YY 2 bXY + bXX [ ( XX ) -1 XY ]
ee = YY 2 bXY + b (XX) ( XX ) -1 XY
ee = YY 2 bXY + b XY
ee = YY bXY ()

b. b XY:
b XY = b1 Yt + b2 X2t Yt b3 X3t Yt + + bk Xkt Yt
por lo siguiente :

Yt
X2t Yt
X3t Yt
b XY = [ b1 b2 b3 . . . . b k ] .
(1x1) (1xk) .
X kt Yt

(kx1)

8. COEFICIENTE DE CORRELACIN DEL MODELO (R2):

1). Sin corregir

VE ( t ) 2 2 bXY
2
R* = ------ = ------------------ = -------- = -----------
VT ( Yt ) 2 y2 YY

2). Corregido por el intercepto

VE ( t ) 2 2 bXY 1/N ( Yt ) 2
2
R = ------ = ------------------ = -------- = -----------------------------
VT ( Yt ) 2 y2 YY 1/N ( Yt ) 2

b1 Yt + b2 X2t Yt b3 X3t Yt + + bk Xkt Yt 1/N ( Yt ) 2

2
R = -----------------------------------------------------------------------------------------------
YY 1/N ( Yt ) 2

Sustentacin: Relaciones a cumplirse en la solucin de los modelos

Variancia Total = Variancia Explicada + Variancia no Explicada VT = VE + V no E

( Yt ) 2 = ( t ) 2 + e t2 y 2 = 2 + e t2

)VT = y 2 = ( Yt ) 2 = Yt 2 1/N ( Yt ) 2 = YY 1/N ( Yt ) 2

)VE = 2 = y 2 e t2
2 = YY e e 1/N ( Yt ) 2
2 = bXY 1/N ( Yt ) 2 por ()

3). Corregido del Intercepto y los Grados de Libertad

N1
2
= 1 --------- ( 1 R2 ) =1
 8
N-K

4). Relacin que debe cumplirse:

R*2 > R2 > 2

Ica, Septiembre del 2014

 9

UNIVERSIDAD NACIONAL SAN LUIS GONZAGA DE ICA

FACULTAD DE CIENCIAS ECONOMICAS Y NEGOCIOS INTERNACIONALES

CURSO ECONOMETRIA
INVERSA DE MATRIZ (de cualquier orden)
METODO DE GAUSS-JORDAN ADAPTADO

OPERACIONES FILAS MATRIZ (XX) a Ik MATRIZ Ik a (XX) 1 SUMA FILAS = SUMA VERIFICACION
a 11 12 13 14 1 0 0 0 1
b 21 22 23 24 0 1 0 0 2
c 31 32 33 34 0 0 1 0 3
d 41 42 43 44 0 0 0 1 4
a 11 e 1 12 13 14 a 11 0 0 0 5 = 1 11
b 21 ( e ) f 0 22 23 24 a 21 1 0 0 6 = 2 21 ( 5)
c 31 ( e ) g 0 32 33 34 a 31 0 1 0 7 = 3 31 ( 5)
d 41 ( e ) h 0 42 43 44 a 41 0 0 1 8 = 4 41 ( 5)
e 12 ( j ) i 1 0 13 14 b 11 b 12 0 0 9 = 5 12 ( 10 )
f 22 j 0 1 23 24 b 21 b 22 0 0 10 = 6 22
g 32 ( j ) k 0 0 33 34 b 31 b 32 1 0 11 = 7 32 ( 10 )
h 42 ( j ) l 0 0 43 44 b 41 b 42 0 1 12 = 8 42 ( 10 )
i 13 ( o ) m 1 0 0 14 c 11 c 12 c 13 0 13 = 9 13 ( 15 )
j 23 ( o ) n 0 1 0 24 c 21 c 22 c 23 0 14 = 10 23 ( 15 )
k 33 o 0 0 1 34 c 31 c 32 c 33 0 15 = 11 33
l 43 ( o ) p 0 0 0 44 c 41 c 42 c 43 1 16 = 12 43 ( 15 )
m 14 ( t ) q 1 0 0 0 d 11 d 12 d 13 d 14 17 = 13 14 ( 20 )
n 24 ( t ) r 0 1 0 0 d 21 d 22 d 23 d 24 18 = 14 24 ( 20 )
o 34 ( t ) s 0 0 1 0 d 31 d 32 d 33 d 34 19 = 15 34 ( 20 )
p 44 t 0 0 0 1 d 41 d 42 d 43 d 44 20 = 16 44

Ica, Septiembre del 2014