CURSO INTERNACIONAL:

CONSTRUCCIN DE
ESCENARIOS ECONMICOS Y
ECONOMETRA AVANZADA

Instructor: Horacio Cataln Alonso

Modelo de Regresin
Lineal Simple
El modelo de regresin lineal representa un marco
metodolgico, que permite analizar la relacin entre
dos variables, asumiendo una hiptesis de
causalidad

Se define una hiptesis terica que se representa por

medio de una funcin matemtica:
= ()

Donde se la variable Y es una funcin de la variable X

Esta funcin puede ser lineal o no lineal
Las hiptesis se expresan en trminos de una ecuacin
o conjunto de ecuaciones. En este sentido los libros de
texto de economa, presentan los postulados de la
teora a travs de formular relaciones entre variables
econmicas en forma algebraica:

Ejemplos:
Relacin entre la altura y el peso
Las horas de estudio y la calificacin en un examen
El consumo privado y el ingreso
Demanda de un bien y su precio

Una pregunta relevante es Determinar el grado en

que ambas variables se relacionan?
GRFICOS DE DISPERSIN: Permite
representar la evolucin conjunta de ambas
variables
Dadas dos variables (Y, X) tomadas sobre el mismo
elemento de la poblacin, el diagrama de dispersin es
simplemente un grfico de dos dimensiones, donde en
un eje (la abscisa) se sita una variable, y en el otro eje
(la ordenada) se sita la otra variable

Si las variables estn correlacionadas, el grfico

mostrara algn nivel de correlacin (tendencia) entre
las dos variables. Si no hay ninguna correlacin, el
grfico presentara una figura sin forma, una nube de
puntos dispersos en el grfico.
 Representacin grfica de una relacin
Variable Y

Variable Y

Variable Y
Variable X Variable X Variable X

Relacin lineal positiva Sin relacin Relacin lineal negativa

 Diagrama de dispersin
Tasa de esperanza de vida vs PIB per cpita

26 pases de Amrica Latina

35 pases
 Diagrama de dispersin
Consumo de gasolina vs PIB

Variables en logaritmo natural

Una primera aproximacin, al Modelo Estadstico
General es en el marco de un modelo de regresin
entre dos variables es:
Yi X i i 1,2,..., n

Donde:
Y se denomina como la variable dependiente
X es la variable explicativa o independiente
y los parmetros del modelo a estima

El modelo establece que un cambio en una unidad

de X produce u ocasiona un cambio en la variable
Y, medido por el parmetro
Sin embargo, la media poblacional de Y es una
caracterstica desconocida de la distribucin, por lo
tanto la pendiente es desconocida. As el supuesto
bsico del modelo de regresin es que una realizacin
muestral de la variable Y puede ser expresada como
una combinacin lineal de las observaciones de X
incluyendo un el componente denominado trmino de
error:

Yi X i ui i 1,2,..., n
 Yi X i

La diferencia entre el valor observado de la variable

y la recta estimada se denomina error
Las desviaciones en cada observacin generan una serie
de errores, la cual se considera como una variable
aleatoria alrededor del cero, con valores positivos y
negativos
8

-2

-4

-6
Para cada valor de X existe una distribucin de
probabilidad del trmino de error y por consiguiente
una distribucin de probabilidad para la variable Y
Pui

Y
Probabilidad

X
X1 X2 X3
Asumiendo que el trmino de error presenta una
distribucin de probabilidad se realizan entonces
ciertos supuestos sobre dicha distribucin

1. El valor esperado del trmino de error es

igual a cero. E(ui) = 0, para todo i = 1,...N. El
trmino aleatorio tiene esperanza igual a cero para
todas las observaciones. Este supuesto implica que en
promedio la relacin entre Y y variable X es
exactamente lineal, aunque las realizaciones
particulares de los ui's pueden ser distintas de cero.
2. Homocedasticidad o varianza constante.
Var(ui) = 2; i = 1,...,N. La varianza del trmino
aleatorio es constante para todas las observaciones.
Esto se conoce como supuesto de homoscedasticidad

3. Normalidad. Los errores se distribuyen como

una funcin de densidad de probabilidad normal,
con media cero y varianza constante
4. Ausencia de autocorrelacin. Cov(ui,uj) = 0,
para todo i j. Las covarianzas del trmino aleatorio
entre dos observaciones distintas son iguales a cero

5. Forma funcional es lineal. Se asume que la

funcin que relaciona ambas variables del modelo es
lineal

6. Parmetros constantes. Los parmetros del

modelo no cambian de valor a lo largo de la muestra
7. La media condicional del error respecto a
la variable explicativa es igual a cero.
E(ui/Xi) = 0; i = 1,...,N

Este supuesto indica que los factores que no estn

incluidos en el modelo, estn incorporados en el
trmino de error, no afectan sistemticamente el
valor de la media de Y.

Los supuestos sobre el trmino de error permiten

entonces obtener un marco terico desde el punto de
vista de la teora de la probabilidad y la estadstica lo
que permite obtener una estimacin de los valores de
los parmetros poblacionales
Mtodo de estimacin de
Mnimos Cuadrados
Ordinarios (MCO)
Se puede observar que la mayora de los puntos no
pasan por la lnea recta, lo cual se identifica como el
trmino de error
La forma de obtener una estimacin de los parmetros
del modelo es por medio del MTODO DE MNIMOS
CUADRADOS ORDINARIOS (MCO)
Y
25

20

15

10

0 X
0 5 10 15 20

Cada desviacin de la recta (error) se puede calcular una

distancia, elevando al cuadrado cada trmino de error
Modelo lineal
(1) Yi X i ui
Se despeja el trmino de error
(2) ui Yi X i
La distancia esta definida como el trmino de error al
cuadrado, y la distancia total como la suma de los
errores al cuadrado (SEC)
N N
(3) i Yi X i
2 2
u
i 1 i 1
La ecuacin (3) representa la funcin objetivo a
minimizar, dado que la funcin depende de los
parmetros poblacionales, que son desconocidos.

As, dada una muestra de la variable dependiente y,

el mtodo de mnimos cuadrados ordinarios (MCO),
considera los valores muestrales de los parmetros,
los cuales se definen como los estimadores de MCO

S u Yi X i
N
2
(4)
min u i 1
Se resuelve como un problema de optimizacin,
mediante un sistema de dos ecuaciones y dos
incgnitas. Donde las incgnitas son los valores de
y , y dada la informacin muestra se obtienen
los valores estimados

S u
2 Yi X i 1 0
N

i 1

S u
2 Yi X i X i 0
N

i 1
 S u N N N
2 Yi 2 2 X i 0
i 1 i 1 i 1

S u N N N
2 Yi X i 2X i 2 X i 0
2

i 1 i 1 i 1

Es un sistema de dos ecuaciones con dos

incgnitas. Despejando de la primera ecuacin,
se obtiene el siguiente resultado

=
Sustituyendo en la segunda ecuacin

2 Yi X i 2 Y X X i 2 X i2 0
N N N

i 1 i 1 i 1

Yi X i Y X X i X i 0
N N N
2

i 1 i 1 i 1

Reordenando la ecuacin
N N N N
Yi X i Y X i XX i X i 0
2

i 1 i 1 i 1 i 1
Agrupando trminos semejantes:

N

N N N

Yi X i Y X i X i X X i 0
2

i 1 i 1 i 1 i 1

El estimador se puede calcular como:

N N N

Y X i i Y Xi Y Y X
i i X
Cov(YX )
i 1 i 1
i 1

N

N N
i
Var ( X )
Xi X Xi
2 2
X X
i 1 i 1 i 1
El modelo de regresin lineal establece que puede
ser aproximada por una funcin lineal de , y el
trmino de error es la discrepancia entre la variable
observada y el modelo

Los valores de y permiten proyectar o estimar

los valores de la variable dependiente a partir de
valores de la variable explicativa

Los errores del modelo generan una serie con un

comportamiento determinado
 CURSO INTERNACIONAL:
CONSTRUCCIN DE
ESCENARIOS ECONMICOS Y
ECONOMETRA AVANZADA

Instructor: Horacio Cataln Alonso