Econometría Monetaria y Financiera

Tarea: 1
Obed Román Martínez

REPORTE DE LECTURA
Cap. 3: Modelo de regresión con dos variables: problema de estimación1

En el capítulo tres se aborda el modelo clásico de regresión lineal en primer

instancia se brindan los fundamentos del método de mínimos cuadrados ordinarios
(MCO), es decir los siete supuestos planeados por Gauss. Asimismo, se explican
las propiedades de los estimadores de MCO desde el teorema de Gauss-Markov y
se detallan las características que debe cumplir un estimador para ser considerado
el mejor estimador lineal insesgado (MELI). Finalmente se brinda una aproximación
al coeficiente de determinación 𝑟 2 señalando sus diferencias con respecto al
coeficiente de correlación 𝑟. En este sentido, el presente trabajo retomará algunos
de los principales puntos descritos en el párrafo anterior.

A efecto de lograr una mejor comprensión resulta útil tener en cuenta la siguiente
notación:

FRP: Función de Regresión Poblacional

FRM: Función de Regresión Muestral

Donde
𝑌: es la variable explicada o regresada .
𝑋: es una variable explicativa o regresora.
𝛽: son parámetros o estimadores.
𝑢: Residuos o variables no incluidas en el modelo.

En este contexto, dados n pares de observaciones de las variables Y y X, el interés

principal es determinar el FRP de manera que la estimación sea lo más cercana a
la Y observada. Por lo cual, es necesario reducir la sumatoria de los residuos.
Tomando en cuenta lo anterior, el principio de mínimos cuadrados elige los
parámetros beta de forma que para una muestra determinada dicha sumatoria sea
la más pequeña posible. Tales estimadores, se conocen como estimadores de
mínimos cuadrados, los cuales mantienen sus propiedades numéricas.
Los estimadores de MCO se expresan en términos de cantidades, son estimadores
puntuales y la línea de regresión muestral tiene las siguientes propiedades:
1. Pasa a través de las medias muestrales de Y y X.
2. El valor medio de Y estimada es igual al valor medio de Y real.
3. El valor medio de los residuos es cero.

1 Gujarati, D. N., & Porter, D. C. (2011). Econometría Básica

pág. 1
 Econometría Monetaria y Financiera
Tarea: 1
Obed Román Martínez

4. Los residuos no están correlacionados con el valor pronosticado de Y.

5. Asimismo, los residuos no están correlacionados con X.
No obstante, el modelo de MCO solamente estima los parámetros beta para la FRM.
Ahora bien, para inferir los verdaderos parámetros FRP es necesario conocer los
supuestos del modelo clásico o estándar de regresión lineal (MCRL):

 Supuesto 1. El modelo de regresión es lineal en los parámetros, aunque

puede o no ser lineal en las variables.
 Supuesto 2. Valores fijos de X, o valores de X independientes del término
de error, es decir, la covarianza de X y el término de perturbación es igual a
cero.
 Supuesto 3. El valor medio de la perturbación es igual a cero. Este supuesto,
implica que los factores no incluidos no afectan sistemáticamente el valor de
la media de Y, lo anterior debido a que los valores (+) de 𝑢 cancelan a los
valores (-).
 Supuesto 4. Homoscedasticidad o varianza constante de 𝑢, lo cual
representa que a varianza del término de error, o de perturbación, es la
misma sin importar el valor de X.
 Supuesto 5. No hay autocorrelación (correlación serial) entre las
perturbaciones, lo anterior se traduce en que las observaciones se
muestrean de forma independiente, por lo que la covarianza de 𝑢 con
respecto a cualquier observación en X es cero.
 Supuesto 6. El número de observaciones 𝑛 debe ser mayor que el número
de parámetros por estimar.
 Supuesto 7. Relativo a la naturaleza de las variables X, señala que no todos
los valores X en una muestra determinada deben ser iguales asimismo no
debe existir valores atípicos.

En este orden de ideas, se presenta una medida de confiabilidad, la cual se conoce

como el error estándar de estimación o el error estándar de la regresión (ee). Dicha
medida, es la desviación estándar de los valores Y alrededor de la línea de regresión
estimada, la cual suele servir como medida para resumir la “bondad del ajuste” de
dicha línea.

Ahora bien, se enuncian las propiedades de los estimadores de MC desde el

enfoque del teorema de Gauss-Markov, para lo cual se consideran la propiedad del
mejor estimador lineal insesgado (MELI):
1. Es lineal, es decir, función lineal de una variable aleatoria, como la variable
dependiente Y en el modelo de regresión.
2. Es insesgado, es decir, su valor promedio o esperado, es igual al valor
verdadero.

pág. 2
 Econometría Monetaria y Financiera
Tarea: 1
Obed Román Martínez

3. Tiene varianza mínima dentro de la clase de todos los estimadores lineales

insesgados; un estimador insesgado con varianza mínima se conoce como
estimador eficiente.
Las propiedades de un estimador MELI son la clave del teorema de Gauss-Markov
que enuncia lo siguiente:

“Dados los supuestos del modelo clásico de regresión lineal, los

estimadores de mínimos cuadrados, dentro de la clase de estimadores
lineales insesgados, tienen varianza mínima, en otras palabras, son
MELI”.

Finalmente, se exponen dos coeficientes denominados coeficiente de “bondad de

ajuste” y de “correlación” denotados por 𝑟 2 y 𝑟 respectivamente. Tales coeficientes,
están estrechamente relacionados, no obstante, conceptualmente son muy
diferentes. El primero, mide la proporción o el porcentaje de la variación total en Y
explicada por el modelo de regresión; mientras que el segundo, es una medida del
grado de asociación entre dos variables.
Asimismo, vale la pena indicar que el coeficiente de bondad de ajuste es un valor
“no negativo” y su valor se encuentra entre 0 y 1. Por su parte, el coeficiente de
correlación, puede ser positivo o negativo y su valor se encuentra entre -1 y 1,
indicando el sentido de la relación que guardan las variables. Sobre este último vale
la pena mencionar que es una medida de asociación lineal o dependencia, que
ningún modo puede considerarse como un determinante de independencia si su
valor es cero, o de bien atribuirle la interpretación de causalidad.

pág. 3