ANALISIS DE REGRESIÓN MÚLTIPLE PROBLEMA DE ESTIMACIÓN

7.1 Introducción
El modelo estudiado con dos variables suele ser muy inadecuado en la practica.
En el ejemplo clásico del consumo e ingreso, por la teoría económica es muy probable que existan
otras variables que afecten a la variable dependiente.
La adición de variables conduce a realizar un análisis múltiple.
7.2 Modelo con tres variables
Al generalizar la regresión siguiente ecuación: se tiene la
El termino B1 es el intercepto, este termino da el efecto medio o promedio sobre Y de todas las
variables excluidas del modelo. B2 y B3 se los conoce como coeficientes de regresión parcial
7.3 Interpretación de la ecuación de regresión múltiple
Lo que se obtiene es una media condicional o el valor esperado de Y condicionado por los valores de
X2 y X3.

7.4 Significado de los coeficientes de regresión parcial

Los coeficientes B2 y B3 se conocen como coeficientes parciales de pendiente.
Los coeficientes B2 y B3 proporcionan un efecto directo que tienen una unidad de cambio de X2 o X3
cuando uno de los dos es constante.
7.5 Estimadores de MCO de los coeficientes de regresión parcial
Para encontrar los estimadores de MCO, escribamos primero la función de regresión muestral:
7.6 Propiedades de los estimadores MCO

a) La primera propiedad dice que la línea de superficie de las tres variables para por las medias de Y, X2 y
X3 (promedio)
b) La segunda propiedad es que el valor medio de Yi estimado es igual al valor medio de Yi observado.
c) La tercera propiedad nos dice que la sumatoria de los errores debe ser igual a cero.
d) La cuarta propiedad nos indica que Ui no esta correlacionado con las variables X2 y X3 por tanto:
e) La quinta propiedad es que el temino residual Ui no esta correlacionado con Yi estimado.
f)La sexta propiedad es que si a medida que r23, coeficiente de correlación se acerca a 1 las varianzas de
B2 y B3 estimadas aumentan y es muy difícil estimarlas.
g)La séptima propiedad nos indica que para los valores dados de r23 las varianzas de los estimadores MCO son
directamente proporcionales a la varianza general.
h)La octava propiedad nos indica que los estimadores de MCO son coeficientes de regresión lineales, insesgado y
presentan varianza mínima los cual hace que sean MELI.
7.7 El coeficiente múltiple de determinación R2 y el coeficiente
múltiple de correlación r
• En el modelo de regresión múltiple lo que deseamos conocer es la proporción de variación de Y
explicada por las variables X2 y X3 conjuntamente.
• A este estadístico se lo conoce como coeficiente de determinación.
• INTERPRETACION
PIBPC=Si se mantiene constante la influencia del TAM, Si el PIBPC se incrementa en 1 dólar en promedio,
la mortalidad infantil disminuye en 0,0056 unidades por cada 1000 nacimientos vivos.
PIBPC=Si se mantiene constante la influencia del TAM, Si el PIBPC se incrementa en 1000 dólar en
promedio, la mortalidad infantil disminuye en 5,6 unidades por cada 1000 nacimientos vivos.
TAM=Si el PIBPC se mantiene constante, si la tasa de alfabetización se incrementa en 1%, la mortalidad
infantil se reducirá en 2,23 por cada 1000 nacimientos vivos.
El valor del intercepto se interpreta que si no se incrementa el PIBPC o el TAM en promedio existirá 263
muertes por cada 1000 nacimientos.
El valor de r2 es de 71% aproximadamente, la variación de la mortalidad infantil es explicada por el PIBPC
y TAM.
 7.8 Regresión sobre variables estandarizadas
• En el análisis de regresiones estandarizadas se puede extender a regresiones multivariadas.
• Recuerde que una variable estandarizada se
expresa como una desviación estándar.
• Para este tipo de análisis de regresión los
asteriscos representan las variables
estandarizadas, no existe el termino de
intercepto.

• La ventaja de las variables estandarizadas hace que el modelo tenga las mismas variables.
 7.10 Regresión simple en el contexto de regresión multiple:Introduccion al sesgo de especificación
Siel modelo especificado anteriormente se
detalla de las siguiente manera:

En términos generales el coeficiente dePIBPC se incremento de 0,0056 a 0,0114 casi el doble.

Los errores estándar son diferentes.
Los valores del intercepto son muy distintos.
Los valores de r2 son muy distintos, por ol general conforme aumenta el numero de regresoras en el modelo se
incrementa el r2.
7.11 Especificación de r2 y r2 ajustado
A medida que el numero de variables aumenta, el valor de r2 tiende a incrementarse.
En la ecuación de dos variables se tiene lasiguiente formula:
7.13 Función de regresión polinomial
Los modelos de regresión polinomial sonmuy aplicados en la investigación econométrica relacionada
con las funciones de costo y producción.
Si analizamos su función no es lineal entonces como ajustaríamos al modelo, tendríamos que usar
una función polinomial.
En este tipos de modelos no se viola es
l upuesto de multicolinealidad.

7.14 Coeficientes de correlación parcial

El coeficiente de correlación parcial mide el grado de asociación lineal entre dos variables como vino en capítulos
anteriores.
Para el modelo con 3 variables se puede calcular 3 coeficientes de correlación:
r12 = (Coeficiente de Y y X2) r13= (Coeficiente de Y y X3) r23=
(Coeficiente de X2 y X3)
Estos coeficientes son denominados decorrelación bruta o simple o de orden cero.
¿En realidad se puede decir que r12 mide eg
l rado verdadero de Y ; X2 cuando existe una variable X3?