Escolar Documentos
Profissional Documentos
Cultura Documentos
Bibliografía
Econometría. D.Gujarati – páginas 13-26; 28-42; 47-54
Introducción:
Diagrama de dispersión
Una primera vía para comenzar a estudiar la relación entre las variables es la vía gráfica a
través del llamado diagrama de dispersión.
Si se fijan n valores de la variable X y se observan los valores de la variable Y se obtienen n
pares de valores ( X 1 , Y 1 ) ,..., ( X n , Y n ). Al representar dichos puntos en un sistema de
dos ejes perpendiculares con sus correspondientes escalas se obtiene un gráfico que puede
servir de guía acerca de la posible relación ó no entre las variables y las características de
esta.
Ejemplo:
X – Precio
Y – Demanda
Año Y X
2000 2.57 0.77
2001 2.50 0.74
2002 2.35 0.72
2003 2.30 0.73
2004 2.25 0.76
2005 2.20 0.75
2006 2.11 1.08
2007 1.94 1.81
2008 1.97 1.39
2009 2.06 1.20
2010 2.02 1.17
Diagrama de dispersión
2.7
2.5
2.3
Y
2.1
1.9
0.7 0.9 1.1 1.3 1.5 1.7 1.9
X
Se observa la relación ya analizada entre ambas variables (mayor precio-menor demanda),
en cuanto al tipo de relación pudiera asumirse una relación lineal o tal vez hiperbólica, de
acuerdo a la forma del conjunto de puntos, aunque la cantidad de estos es escasa.
El diagrama de dispersión puede ser útil en la detección de valores atípicos, es decir valores
de Y muy distantes de los restantes y que no se corresponden con la relación observada
entre las variables para el resto de los puntos. Su presencia puede estar dada por errores de
medición o tabulación de los datos o por la existencia de un cambio estructural es decir, un
cambio en la forma (o los parámetros) de la relación entre las variables a partir de un valor
dado de la variable independiente.
n XY X Y
r
n X 2
X
2
n Y 2
Y
2
Para el ejemplo anterior:
Y X X2 XY Y2
2.57 0.77 0.5929 1.9789 6.6049
2.50 0.74 0.5476 1.85 6.25
2.35 0.72 0.5184 1.692 5.5225
2.30 0.73 0.5329 1.679 5.29
2.25 0.76 0.5776 1.71 5.0625
2.20 0.75 0.5625 1.65 4.84
2.11 1.08 1.1664 2.2788 4.4521
1.94 1.81 3.2761 3.5114 3.7636
1.97 1.39 1.9321 2.7383 3.8809
2.06 1.20 1.44 2.472 4.2436
2.02 1.17 1.3689 2.3634 4.0804
∑ XY =23,9238
∑Y=24,27 ∑X=11,12 ∑ X2=12,5154 ∑ Y2=539905
Modelo de Regresión
Las relaciones entre variables aleatorias no tienen un carácter “determinístico”, es decir, no
puede esperarse que para un valor dado de una variable se obtenga exactamente el valor de
la otra establecido por el modelo. Están presentes siempre una serie de factores aleatorios
que conforman una variación o error aleatorio.
Así , se llama modelo de regresión a un modelo que expresa el valor esperado de una
variable aleatoria Y , llamada variable dependiente en función de una o más variables
independientes X 1 , X 2 , ..., X k.
E (Y / X 1 , X 2 , , X k ) f ( X 1 , X 2 , , X k )
Se supone que las variables independientes X 1, X2, …, Xk son variables controladas (no
aleatorias, con valores fijados), mientras que la variable dependiente Y es una variable
aleatoria cuyos valores se observan para los valores de las variables independientes fijados,
aunque realmente, sobre todo en fenómenos económicos, tal supuesto no se cumple,
teniendo las variables independientes carácter aleatorio también.
Clasificación de modelos
Según el número de variables independientes se clasifican los modelos en modelos de
regresión simple, doble o múltiple.
Según la expresión funcional f el modelo se denomina lineal o no lineal.
Esta linealidad se refiere a linealidad en los parámetros, es decir, la función f debe ser tal
que:
f 1 2 ( X 1 , X 2 , , X k ) f 1 ( X 1 , X 2 ,, X k ) f 2 ( X 1 , X 2 , , X k )
Modelo de Regresión Lineal Simple
Así, se llama Modelo de Regresión Lineal Simple al modelo
E (Y / X ) 1 2 X Y 1 2 X Yi 1 2 X i u i
Gráficamente ello significa elegir aquella recta a la cual los puntos estén más “cercanos”,
tomando como criterio de esta “cercanía” la suma de cuadrados de las distancias
perpendiculares de los puntos a la recta. Es necesaria la presencia del cuadrado, puesto que
unas diferencias podrían ser negativas y otras positivas, ambas con valores altos,
provocando un valor bajo (incluso nulo) de la suma de las diferencias Yi Yˆi .
Como resultado de la aplicación del método al modelo de regresión lineal simple se obtienen
las siguientes expresiones de cálculo para b 1 y b 2.
n XY X Y
b2 ; b1 Y b2 X
n X 2 X
2
*** Notemos que dichas fórmulas son aplicables a cualquier modelo del tipo
E (Y / X ) 1 2 f ( X ) . Bastaría el cambio de variable Z = f (X) para obtener un modelo
como el original en la variable Z; E ( Z / X ) 1 2 Z . Por tanto bastaría en las fórmulas
anteriores sustituir X por f (X)
24,27 11 .12
b1 ( 0,4795) = 2,6911
11 11
Yˆ 2,6911 0,4795 X
Por ejemplo, al fijar un precio de 80 el saco se espera una demanda media de alrededor de:
YˆX 0,80 2,6911 0,4795 0,80 2,3075 cientos de sacos semanales por empresas.
Conclusiones
Se resumen los aspectos tratados, se orienta el estudio de los contenidos tratados a través
de las notas de clase y la bibliografía.
- ¿Cómo se determina en un problema de este tipo cuál es la variable independiente y
cuál la dependiente?
- ¿Cuáles son otros términos con los que se designa a las variables independientes?
- Explicar relaciones entre precios de productos sustitutivos y complementarios y la
demanda de un producto dado ¿Qué signos se esperarían de los coeficientes b 2 en
las ecuaciones de regresión estimadas correspondientes?
Estudio Independiente:
La tienda de recaudación de divisas “La Ilusión “demostró durante los primeros 8 meses del
2010 una mejor venta de sus productos (miles de pesos), así como se muestra en los
siguientes valores observados.
a) Realice el diagrama de dispersión y diga qué observa.
b) Halle la ecuación de regresión estimada.