Análisis de Regresión Múltiple

I yi = β0 + β1 x1 + β2 x2 + .... + βk xk + u
I Temas adicionales.
I Por Hebert Suarez Cahuana.

Hebert Suarez Cahuana

Redefinición de las variables

I Cambiando la escala de la vatiable y origina un cambio

correspondiente en la escala de los coeficientes y los errores
estándar pero ningún cambio en la significancia o
interpretación.
I Cambiando la escala de un variabla x origina un cambio en la
escala de este coeficiente y el error estándar pero ningún
cambio en la significancia o interpretación.

Hebert Suarez Cahuana

Coeficentes beta

I Ocasionalmente se menciona en la literatura losçoeficientes

estandarizados.o çoeficientes beta”, que tienen un significado
especifico.
I La idea es remplazar y y cada variable x con una versipon
estandar -es decir restarle la media y dividirla por la desviación
estandar.

Hebert Suarez Cahuana

Forma funcional

I Los MCo pueden utilizarse para estimar relaciones que no son

estrictamente lineales en x y u utilizanco funciones no lineales
de x e y utilizando funciones no lineales de x e y -que son
lineales en los parámetros.
I Podemos utilizar el logaritmo de x, y o ambos.
I Tambien usar formas cuadráticas.
I Asimismo utilizar interacciones de las variables x.

Hebert Suarez Cahuana

Interpretación de los modelos logarı́tmicos

I Si el modelo es ln(y ) = β0 + β1 ln(x) + u

I β1 es la elasticidad de y con respecto a x.
I Si el modelo es ln(y ) = β0 + β1 x + u.
I β1 es aproximadamente el cambio porcentual en y cuando x
tiene un cambio unitario.
I Si elmodelo es y = β0 + +β1 ln(x) + u
I β1 es aproximadamente el cambio en y para un cambio de
100 % en x.

Hebert Suarez Cahuana

¿Porqué usar modelos logarı́tmicos?

I Los modelos logaritmicos son invariantes a la escal de las

variables, puesto que miden cambios porcentuales.
I Proporcionan un estimado directo de la elasticidad.
I Para modelos con y > 0, la distribución condicional de y , es a
menudo heteroscedástica o leptokurica, mientras que ln(y )
atenua este comportamiento.
I La distribución de ln(y ) es más concentrada, reduciendo el
efecto de los valores extremos.

Hebert Suarez Cahuana

Algunos principios para yuilizar modelos logaritmicos

I ¿Qué tipos de variables se usan a menudo en la forma

logaritmica?
I Las cantidades monetarias que deberian ser poditivas.
I Variables muy grandes, como la población,
I Variables mididas en años.
I Variables que son proporciones o porcentajes.

Hebert Suarez Cahuana

Modelos Cuadráticos

I Para un modelo de la forma y = β0 + β1 x + β2 x 2 + u no

podemos interpretar a β! como el cambio en y con respecto s
x, necesitamos tomar en cuenta a 0 beta2 tambien, ası́:

∆ŷ ≈ (β̂1 + 2β̂2 x)∆x

Ası́:
∆ŷ
≈ β̂1 + 2β̂2 x
∆x

Hebert Suarez Cahuana

Más sobrre los modelos cuadráticos

I Suponga que el coeficiente de x es positivo y el coeficiente de

x 2 es negativo.
I Entonces y es creciente en x al inicio, pero finalmente
empezara a ser decreciente en x.
I para β̂1 > 0 y β̂2 < 0 el punto de quiebre sera
 
 β̂ 
 1 
X∗ =  
 (2β̂2 

Hebert Suarez Cahuana

Más sobre los modelos cuadráticos
I Suponga que el coeficiente de x es negativo y el coeficiente de
x 2 es positivo.
I Entonces y es decreciente en x al inicio, pero finalmente
empezara a ser creciente en x.
I para β̂1 > 0 y β̂2 < 0 el punto de quiebre sera
 
 β̂ 
 1 
X∗ =  
 (2β̂2 

o y el coeficiente de x 2 es negativo.
I Entonces y es creciente en x al inicio, pero finalmente
empezara a ser decreciente en x.
I Para β̂1 > 0 y β̂2 < 0 el punto de quiebre sera
 
 β̂ 
 1 
X∗ =  
 (2β̂2 

Hebert Suarez Cahuana

Términos de interacción

I Para un modelo de la forma y = β0 + β1 x1 + β2 x2 + β3 x1 x2

no podemos interpretar a β1 como el cambio en y con
respecto a x1 necesitamos tener en cuenta a β3 tambien , ası́
∆y
= β1 + β3 x2
∆x1
para encontrar el efecto de x1 en y normalmente evaluamos
alrededor de x̄2

Hebert Suarez Cahuana

R cuadrado ajustado

I Recuerde que el R 2 siempre crece cuando se agregan más

variables al modelo.
I El R 2 ajustado, toma en cuenta el número de variables en el
modelo, y podrı́a disminuir:
SRC
n−k−1 σ2
R̄ 2 ≡ 1 − STC
≡1− STC
n−1 n−1

Hebert Suarez Cahuana

R cuadrado ajustado (continuación)

2
I Es fácil observar que el R 2 ajustado es: 1 − Rn−k−1
(n−1)
, y casi
todos los programas econométricos los calculan R 2 y R̄ 2
I Puede comparar el ajuste de dos modelos (con la misma
variable y comparando los R̄ 2 ajustados.
I No se puede utilizar el R̄ 2 ajustados.
I No se puede utilizar el R 2 para comparar modelos con
diferentes y 0 s.(Por ejemplo y vs ln(y )

Hebert Suarez Cahuana

Error estándar para las predicciones

I Suponga que deseamos utilizar nuestros estimadores para

obtener una predicción especı́fica.
I Primero, suponga que queremos un estimado de
E (y /x1 = c1 , ..., xk = ck ) = Θ0 = β0 + β1 c1 + ... + βk ck .
I Esto es fácil de rrealizar sustituyendo las x 0 s en nuestro
modelo estimado con las c 0 s pero ¿Cómo calculamos el error
estándar?
I El procedimiento es el mismo que el utilizado para probar
combinaciones lineales.

Hebert Suarez Cahuana

Predicciones (continuación)

I Podemos reescribir la expresión anterior como

β0 = Θ0 − β1 c1 − ... − βk ck
I Sustituyendo, obtenemos
y = Θ0 + β1 (x1 − c1 ) + ... + βk (x, − ck )u
I Asi, si regresionamos y en (xij − cij ) el intercepto será el valor
predicho y su error estándar.
I Observe que los errores estándar serán más pequeños cuando
las c 0 s son iguales a la media de las x 0 s.

Hebert Suarez Cahuana

Predicciones (cont)

I El error estándar de un valor esperado no es lo mismo que el

error estándar de un resultado de y
I Necesitamos considerar la varianza del error no observado.
Sea el error de predicción dado por

ê 0 = y 0 − ŷ 0 = (β0 + β1 x10 + ...βk xk0 ) + u 0 − ŷ0

E (ê 0 ) = 0 y Var (ŷ 0 ) + var (u 0 ) = var (ŷ 0 ) + σ 2

asi
1
[ee[(ê 0 )]2 + σ̂ 2 ] 2

Hebert Suarez Cahuana

Prediccion por intervaalos

ê 0
I ∼ tn−k−1 ası́ tenemos que ê 0 = y 0 − ŷ 0 tenemos un
ee(ê 0 )
intervalo de predicción al 95 % para y 0 , ŷ 0 ± t0,25 ee(ê 0 )
I Generalment el estimador de σ 2 es mayor que la variaznza de
la predicción, asi:
I El intervalo de prediccipon sera más amplio que el intervalo de
confianza simple para la predicción.

Hebert Suarez Cahuana