Documente Academic
Documente Profesional
Documente Cultură
ORDINARIOS:
MODELO DE REGRESIÓN BIVARIADO
En este modelo la variable endógena sólo se explica mediante una variable exógena fija o no
aleatoria. Para resolver este sistema conviene plantearlo en forma matricial para luego
resolverlo utilizando para ello el método de Kramer. Estas ecuaciones son llamadas ecuaciones
normales de la línea de regresión. Como vemos es un sistema de ecuaciones donde el número
de incógnitas es igual al número de ecuacion.
Todo estimador es una función de los datos y como éstos pueden cambiar en cada muestra
tenemos que serán variables aleatorias. Alguien podría decir que si las X están fijas siempre
tendremos la misma muestra pero pensando de dicha forma se dejaría de lado la naturaleza
aleatoria de Y que, sabemos, depende del vector de errores. Estos errores no son fijos y si
tomamos una nueva muestra podrían variar lo que implicaría un nuevo valor de Y para cada
realización de la muestra. Un estimado es un valor particular de la función de los datos
(estimador) cuando utilizamos una muestra en particular.
Se dice que el estimador MCO es lineal, ya que es una función lineal de la variable
endógena (Y). β1 es una combinación lineal ponderada de Y, donde ki representa las
ponderaciones y dado que las X son fijas estas ponderaciones se pueden interpretar
como constantes.
Los estimadores βson una variable aleatoria que provienen de una distribución de
probabilidad cuya esperanza matemática es el verdadero valor del parámetro lo que
implica que es el valor con la mayor probabilidad de ocurrencia.
Es preciso disponer también de medidas de dispersión de los estimadores, de modo
que se pueda juzgar el grado en que se aproximan al verdadero valor del parámetro
que se pretende estimar. las observaciones de X, cuanto mayor sea la varianza de μ
mayor será la del estimador. Por lo tanto, para garantizar una mayor precisión en la
estimación debemos buscar que las variables explicativas presenten mucha
variabilidad. es preciso estimar mediante el método de Mínimos Cuadrados Ordinarios
el valor de la varianza del modelo, pues como se recordará, la naturaleza aleatoria de
la variable endógena proviene del término de error, por lo que la varianza de Y resulta
igual a la varianza de μ .
El cálculo de las varianzas y covarianzas de los estimadores MCO del modelo lineal simple es
indispensable para conocer el grado de dispersión que presenta nuestro estimador. Sin
embargo, si deseamos tener una mayor confiabilidad en nuestro estimador deberíamos tener
alguna certeza que dicha varianza es la menor posible.
Los estimadores obtenidos por el método de Mínimos Cuadrados Ordinarios resultan los
mejores estimadores lineales e insesgados (MELI) pues poseen la mínima varianza entre todas
las clases de estimadores lineales e insesgados. El mejor estimador será aquel que posea mayor
probabilidad de acercarse a β1, lo que se cumple cuando la distribución de probabilidad del
estimador está menos dispersa alrededor del valor de su media, es decir cuando presenta una
menor varianza.
1. La línea de regresión muestral a través del estimador MCO atraviesa los puntos que
representan las medias muestrales de X e Y.
2. En promedio, el valor estimado de la variable endógena es igual a la media del valor
observado de dicha variable. Este resultado se puede comprobar fácilmente, partiendo
de la ecuación de la función de regresión muestral y haciendo algunas operaciones
algebraicas.
3. La media de los errores estimados es nula.
4. El error estimado no está correlacionado con el valor estimado o predicho de la
variable endógena. Garantiza que el método de MCO cumple con el supuesto de
ortogonalidad entre la parte explicada del modelo de regesión lineal simple y la parte
no explicada.
ESTIMACIÓN MCO DE σμ
Hasta el momento hemos estimado únicamente los parámetros del modelo propuesto pero aún
nos queda la estimación de una última magnitud: la varianza del error. Nótese que hasta el
momento cuando obtuvimos la varianza de los estimadores el término 2μσ ésta quedó
expresado en términos teóricos. Para poder estimar la varianza de los parámetros y la propia
varianza de la variable dependiente necesitamos un estimador de esta magnitud.
CONCLUSION
En este capítulo hemos obtenido el estimador MCO para el modelo lineal simple. Este modelo
considera sólo una variable explicativa aparte del intercepto. El estimador MCO cumple con una
serie de propiedades deseables como el insesgamiento y la eficiencia lo que asegura que es el
mejor estimador lineal insesgado en el sentido que los estimados obtenidos tendrán la menor
incertidumbre asociados a ellos.
Dentro del largo camino que aún nos queda por recorrer en la exploración de las aplicaciones
del estimador MCO, este ha sido un paso importante porque nos ha permitido comprender la
lógica a partir del cual se deriva el estimador. Hasta aquí la herramienta más utilizada han sido
las sumatorias.
MATRICES
Una matriz es una forma eficiente de ordenar información en columnas y filas. El tamaño de una
matriz está determinado por el número de filas y de columnas; así, se dice que la matriz M es
una matriz de dimensiones 2´3 (2 filas por 3 columnas).
Sean dos matrices A y B , cada una de dimensiones n ´m (conformes para la suma), entonces la
adición de estas dos matrices corresponde a una matriz con dimensiones n ´m , cuyos elementos
son iguales a la suma elemento por elemento de las matrices A y B. La multiplicación de matrices
presenta varias propiedades, pero antes es importante recalcar que la propiedad conmutativa
de la multiplicación para los escalares no se cumple para las matrices (aún si este producto
cumple la condición de conformidad).
La matriz identidad es una matriz diagonal especial, cuyos elementos de la diagonal principal
son iguales a uno. La matriz de ceros, o sea una matriz cuyos elementos son iguales a cero.
Esta matriz no necesariamente debe ser cuadrada.
La matriz transpuesta de A(M*N) es una matriz cuyas filas corresponden a las columnas
de la matriz original A; o lo que es lo mismo, la transpuesta de A, es una matriz cuyas
columnas corresponden a las filas de la matriz A.
Una matriz simétrica es una matriz cuya transpuesta es igual a ella misma.
Una matriz cuadrada A se denomina idempotente si y solamente si A× A = A . Un ejemplo
de matriz idempotente es la matriz identidad.
Dos matrices A y B son matrices ortogonales si y solamente si A×B = 0.
Los Vectores serán linealmente dependientes si al menos uno de los vectores puede expresarse
como una combinación lineal de los otros, los vectores linealmente independientes es cuando
ningún vector del conjunto se puede expresar como combinación lineal de otro u otros vectores
que pertenecen al mismo conjunto.
Si el rango de una matriz A es igual al número de sus columnas, entonces se dice que la matriz
A tiene rango columna completo. En caso de que el rango de la matriz A sea igual al número de
filas, se dice que la matriz A tiene rango fila completo.
Para el caso de una matriz cuadrada, si el rango de la matriz es igual al número de filas y por
tanto al número de columnas, se dice que la matriz tiene rango completo.