Fórmulas y modelos

econométricos para el análisis

de regresión
 PÁGINA LEGAL

658.403.3-Paz-F
Paz Rodríguez, Jorge

Fórmulas y modelos econométricos para el análisis de regresión / Jorge Paz

Rodríguez, Samantha Hernández García y Leonardo Rafael Pérez Molina. -- 16
pág. -- e-ISBN 978-959-16-2355-3
1. Hernández García, Samatha
2. Pérez Molina, Leonardo Rafael
Digitalizador: Dr. C. Raúl G. Torricella Morales (eduniv@mes.edu.cu )

Jorge Paz Rodríguez, Samatha Hernández García, Leonardo Rafael

Pérez Molina,, 2014
Editorial Universitaria del Ministerio de Educación Superior, 2014

Calle 23 entre F y G, No. 564. El Vedado, Ciudad de La Habana, CP 10400, Cuba

 TABLA DE CONTENIDO
Página legal......................................................................................................................................2
Introducción......................................................................................................................................4
Análisis de regresión....................................................................................................................5
Modelos de regresión general..............................................................................................................5

Supuestos básicos del modelo de regresión................................................................................10

Verificación del cumplimiento del supuesto de no multicolinealidad................................................10
Verificación del cumplimiento del supuesto de normalidad...............................................................10
Verificación del cumplimiento del supuesto de no autocorrelación...................................................11
Verificación del cumplimiento del supuesto de homocedasticidad....................................................12
Verificación del cumplimiento del supuesto de ausencia de cambio estructural...............................12

Bibliografía.....................................................................................................................................14
Anexos y Apéndices.......................................................................................................................15
 INTRODUCCIÓN

Este formulario tiene como objetivo apoyar a los estudiantes de las carreras de Economía y
Contabilidad y Finanzas de la Universidad de Las Tunas en el desarrollo de la asignatura
Econometría. El presente material contiene un resumen de los modelos, ecuaciones y estadísticos
más utilizados para el estudio y aplicación de los procedimientos econométricos del análisis de
regresión, basados en el programa de la especialidad y constituye un soporte básico para los
profesores y estudiantes en la municipalización. Resulta necesario para la comprensión de la
econometría que se posean conocimientos básicos de estadística, estimación, prueba de hipótesis y
análisis de varianza. Este material comienza con el estudio de la herramienta básica de la
econometría: el análisis de regresión y correlación lineal, simple y múltiple, ejemplos de modelos
lineales y no lineales. También se exponen los estadísticos más utilizados en la verificación de los
supuestos básicos del modelo, pruebas de hipótesis, así como las medidas remediales, cuando se
incumple algún supuesto; además se anexa una propuesta de formulario para el uso por parte de los
estudiantes en clases y evaluaciones. Al utilizar de forma adecuada este formulario
simultáneamente con los textos docentes se logrará la comprensión y aplicación de la asignatura. En
el material se resume el contenido de la asignatura, el cual aparece disperso en varios textos entre la
bibliografía básica y complementaria. Los autores consideran que este material puede ser utilizado
para todas las modalidades de estudio.
1.- ANÁLISIS DE REGRESIÓN pág. 5 de 16

CAPÍTULO I

Análisis de regresión

Modelos de regresión general.

Modelo de Regresión (Simple)

Yt  E Y / X t   U t o Yt   0  1 x1  U t

Ecuación de Regresión

Yt  E Y / X t  o Yt   0  1 x1

Ecuación de Regresión Estimada

Yˆt  b0  b1 X 1

Y: variable dependiente

X: variable independiente

 : parámetros

U : perturbación aleatoria

b: estimadores de los parámetros 

Modelo de Regresión Lineal (Simple)

Yt   0  1 x1 t  U t
Yt   0  1 x1t   2 x 2t  U t
1
Yt   0  1 Ut
x
Yt   0  1 x12t  U t

Modelo de Regresión Lineal (Múltiple)

1.- ANÁLISIS DE REGRESIÓN pág. 6 de 16

Yt   0  1 x1   2 x2  ...   nt xnt  U t

Ecuación de Regresión

Yt   0  1 x1   2 x2  ...   nt xnt

Ecuación de Regresión Estimada

Yˆt  b0  b1 x1  b2 x2  ...  bnt xnt

Modelos no lineales
Función de Producción de Cobb Douglas

Yt   0 x1t 1 x 2t 2U t
Exponencial
 0  1x1t Ut
Yt  ℓ
Recíproco

1
Yt 
 0  1 x1t  U t
a) Modelo Potencial
y   0 x  1u

Método de los Mínimos Cuadrados Ordinarios

Yt   0  1 x1

b1 
 X  X Y  Y    XY  ( X )( Y ) / n
i i

 X  X   X   X  / n
2 2 2
i i

b0  Y  b1 X

Yˆ  b0  b1 X 1

Ŷ : recta de regresión mínimo cuadrática

b0 : indica el valor que tendrá Y cuando sea X=0

b1 : indica que por cada unidad de variación de X, entonces Y tendrá una variación (+ o -) en b1
unidades.
 1.- ANÁLISIS DE REGRESIÓN pág. 7 de 16

Análisis de la varianza de la regresión

FUENTE SUMA DE GRADO CUADRADO ESTADÍSTICO

CUADRADO LIBERTAD MEDIO

Explicada SC yˆ   Yˆ  Y 2 p - 1 SC yˆ
CM yˆ   S y2ˆ
p 1

S y2ˆ
Del error
 Y  Yˆ  n-p SCe
2
SCe  i CM e   S e2 F0 
n p S e2

Total  Y  n-1
2
SCT  i Y

Tabla 1. ANOVA. Elaboración propia.

SCT = SCe + SC yˆ
Coeficiente de Determinación
Mide la bondad del ajuste realizado, se representa por “R2”, cantidad comprendida entre 0 y 1.
Generalmente se acostumbra a presentar el R2 en por ciento. Se considera que un R2 >70% el ajuste
es significativo. Por lo que las variables independientes X explican de forma conjunta el
comportamiento de Y en un R2%.
n 2 n 2

  yˆ  y 
i   y  yˆ 
i i
SCE SC yˆ
R 
2 i 1
n
 1 i 1
n
 1 
 y  y   y  y
2 2 SCT SCT
i i
i 1 i 1

Coeficiente de Correlación
Es un valor comprendido entre –1 y 1 que indica la relación lineal que existe entre dos variables.

r
 xy   x  y / n
o r=(signo b1 ) R 2
 x   x  / n  y   y 
2 2 2 2
/n

-1: existe una relación lineal inversa

0: no hay relación lineal entre las variables
1: existe una relación lineal directa

0 No hay

0<r≤0.3 Poca

0.3<r≤0.5 Considerable
1.- ANÁLISIS DE REGRESIÓN pág. 8 de 16

0.5<r≤0.7 Moderada

0.7<r≤0.9 Fuerte

0.9<r<1 Muy fuerte

1 Perfecta

Tabla 2. Intensidad de la relación lineal. Elaboración propia.

Validez del modelo
Hipótesis para el modelo de regresión simple
H0:1= 0 el modelo no es linealmente significativo
H1:1 0 el modelo sí es linealmente significativo
Hipótesis para el modelo de regresión múltiple
H0: 1 = 2 = 0
H1: 1 ≠ 2 ≠ 0 o Alguna j  0
Región crítica:
( k 1; n  k )
W= F0  F1  Se rechaza H0
W= p <  Se rechaza H0
k: cantidad de parámetros
n: cantidad de observaciones
p: probabilidad de F0
Pruebas parciales
Hipótesis para X 2
H0: 2  1 0 el aporte adicional que le hace la variable x 2 a Y estando x1 en el modelo
previamente ajustada no es significativo.
H1: 2  1 0 el aporte adicional que le hace la variable x2 a Y estando x1 en el modelo
previamente ajustada sí es significativo.
Hipótesis para X 1
H0: 1  2 0 el aporte adicional que le hace la variable x 1 a Y estando x2 en el modelo
previamente ajustada no es significativo.
H1: 1  2 0 el aporte adicional que le hace la variable a x 1 Y estando x2 en el modelo
previamente ajustada sí es significativo.
Región crítica:
nk
W=  t j  t1  Se rechaza H0
2
1.- ANÁLISIS DE REGRESIÓN pág. 9 de 16

k: cantidad de parámetros
n: cantidad de observaciones
tj : valor de t-statistic de la variable adicional
Intervalos de confianza
H0: 1 = 0 el modelo no es linealmente significativo
H1: 1  0 el modelo sí es linealmente significativo
Región crítica:

 t1 ˆ bj  Se rechaza H0
nk
W=  bj
2

n  k 
W=  b j  t1 / 2 ˆ bj  Se rechaza H0 para intervalos que incluyan el 0
k: cantidad de parámetros
n: cantidad de observaciones
b j : valor del coeficiente correspondiente

ˆ bj : valor del error estándar del coeficiente correspondiente

2.- SUPUESTOS BÁSICOS DEL MODELO DE REGRESIÓN pág. 10 de 16

CAPÍTULO II

Supuestos básicos del modelo de regresión

Incumplimiento de hipótesis estructurales Incumplimiento de hipótesis sobre la

perturbación aleatoria

1. Muestras pequeñas 6. Media nula

2. Especificación errónea 7. No autocorrelación

3 La no existencia de relación lineal exacta entre 8. Heterocedasticidad

las variables “ X i ” (No multicolinealidad)

4. Regresores estocásticos 9. Normalidad

5. Cambio estructural

Tabla 3. Cuadro de supuestos del modelo. Fuente: Antonio Pulido.

Verificación del cumplimiento del supuesto de no multicolinealidad

Prueba o contraste para detectarla
Matriz de correlación
x1 x2>0.80 Se rechaza H0
H0: no hay multicolinealidad entre las variables independientes.
H1: hay multicolinealidad entre las variables independientes.
Medida remedial
- Eliminar alguna variable independiente.

Verificación del cumplimiento del supuesto de normalidad

Prueba o contraste para detectarla
Chi-Cuadrado, Kolmogorov-Smirnov, Jarque y Bera, Simetría y Kurtosis
H0: ui  N
H1: ui no sigue una normal
2.- SUPUESTOS BÁSICOS DEL MODELO DE REGRESIÓN pág. 11 de 16

Estadístico Jarque y Bera

nk 2 1 2
J-B =  S   K  3 
6  4 
p: probabilidad de J-B
 22 

W= JB   1 Se rechaza H0

W= p <  Se rechaza H0
Medida remedial
- No tiene medida remedial.

Verificación del cumplimiento del supuesto de no autocorrelación

Prueba o contraste para detectarla
Durbin-Watson
Ho:  = 0 no hay autocorrelación en los residuos de orden 1
H1:   0 hay autocorrelación en los residuos de orden 1
k: cantidad de variables independientes
n: cantidad de observaciones
 : tabla de Durbin-Watson (dl y dv)
2

Autocorrelación + Autocorrelación -
Rechazar Ho Z. Duda No rechazar Ho Z. Duda Rechazar Ho

0 dl dv 2 4-dv 4-dl 4
Figura 1. Esquema de Durbin-Watson. Elaboración propia.
Prueba o contraste para detectarla
Breusch-Godfrey
H0: 1 = 2 = 3 =... = p = 0 No hay autocorrelación en los residuos de orden p
H1: alguna i  0 Hay autocorrelación en los residuos de orden p

2 p 
W= nR  1 Se rechaza H0
2

p nR 2
W=  <  Se rechaza H0
2
nR 2 : observaciones del R
p nR 2 2
: probabilidad de las observaciones del R
p: número de retardos
2.- SUPUESTOS BÁSICOS DEL MODELO DE REGRESIÓN pág. 12 de 16

Medida remedial
- Especificar nuevamente el modelo agregándole otra variable independiente.
- Método iteractivo Cochrane-Orcutt: transformar el modelo agregándole un AR(1).

Verificación del cumplimiento del supuesto de homocedasticidad

Prueba o contraste para detectarla
White
H 0 :  i  0 Hay homoscedasticidad en los residuos

H1 :  i  0 para i  2,3,..., k No hay homoscedasticidad en los residuos o hay heteroscedasticidad

en los residuos
 2 p 
W= nR  1 Se rechaza H0
2

p nR 2
W=  <  Se rechaza H0
2
nR 2 : observaciones del R
p nR 2 2
: probabilidad de las observaciones del R
p: número de coeficientes en la ecuación de regresión, sin considerar el término independiente
Medida remedial
- Especificar nuevamente el modelo realizando transformaciones según las posibles causa que
⌢
provocó la heterocedasticidad (dividir por X i ; X i ; Y o hacer una transformación logarítmi-
ca al modelo)

Verificación del cumplimiento del supuesto de ausencia de cambio

estructural
Prueba o contraste para detectarla
Chow

  1   1 
H 0 :      Las regresiones 1 y 2 son las mismas (no hay cambio estructural)
  2   2 
    
H 1 :  1    1 
  2   2  Las regresiones 1 y 2 son diferentes (hay cambio estructural)
2.- SUPUESTOS BÁSICOS DEL MODELO DE REGRESIÓN pág. 13 de 16

Estadístico Chow
S 5 /k SCRR−SCRN /k
F0 = ≡
S 4 / ( n1 + n2 −2 k ) SCRN / ( n−k )
n: cantidad total de observaciones
n1: observaciones antes del período especial
n2: observaciones después del período especial
k: cantidad de parámetros
W= { F0 >F1−α ( k; n-2k )} Se rechaza H0

W=  pF <  Se rechaza H0
Bibliografía 14

BIBLIOGRAFÍA

Colectivo de Autores (2000). Selección Tablas Estadísticas. Ciudad de La Habana: Editorial

Universitaria.
Damodar, G (2003). Econometría. Cuarta Edición. McGraw-Hill.
Espallargas, D & Solís, M. (2005). Conferencias y Clases Prácticas de Econometría y Series
Temporales. Material digital, Ciudad de La Habana: Editorial Universitaria.
Espallargas, D., Piña, L. & Solís, M. (2010) Guía de Estudio Econometría y Series Temporales.
Carrera de Contabilidad y Finanzas. Ciudad de La Habana: Editorial Universitaria.
Espallargas, D & Solís, M. (2012). Econometría y Series Temporales. Aplicaciones. Ciudad de La
Habana: Editorial Universitaria.
González, E., Neninger, D. & González, J. (2005). Análisis de Regresión y Series de Tiempo.
Ciudad de La Habana: Editorial Félix Varela.
Pulido, A. (2001). Modelos Econométricos. Ediciones Pirámides.
 Anexos y Apéndices 15

ANEXOS Y APÉNDICES

Formulario
∑ ( X i − X̄ )(Y i−Ȳ ) ∑ XY −( ∑ X )(∑ Y )/n
b1 = =
∑ ( X i − X̄ )2 2
∑ X 2i −(∑ X ) /n
b0 =Ȳ −b1 X̄
Y^ =b 0 +b 1 X 1

FUENTE SUMA DE GRADO CUADRADO ESTADÍSTICO

CUADRADO LIBERTAD MEDIO

Explicada SC =∑ ( Y^ −Y )2 p - 1 SC ^y
^y CM ^y= =S2^y
p−1

Del error 2 SC e S 2^y

SC e=∑ ( Y i−Y^ ) n - p CM e = =S2e F0 =
n− p S 2e

2
Total SC T =∑ (Y i−Y ) n - 1

( k−1 ;n−k )
F0  F1−α
n−k
|t j |  t 1−α
2
n−k
|b j |  t 1− α σ^ bj
2
( n−k )
( b j ± t 1−α /2 σ^ bj )
(2)
JB> χ 21−α

nR 2 > χ 21−α
(p)

F0 > F 1−α ( k; n-2k )