CONTENIDO MÍNIMO

 TEMA Nº 1:INTRODUCCION A LA
ECONOMETRÍA
 TEMA Nº 2:MODELO LINEAL SIMPLE

 TEMA Nº 3:MODELO LINEAL GENERAL

 TEMA Nº 4: MULTICOLINEALIDAD

 TEMA Nº 5:AUTOCORRELACION

 TEMA Nº 6: HETEROCEDASTICIDAD

 TEMA Nº 7:MODELOS DE SERIES DE TIEMPO

MODELO CLÁSICO DE REGRESIÓN
LINEAL NORMAL

MBA. Ing. Rodrigo Ruiz Andia

4.1 Introducción
 La teoría clásica de la inferencia estadística
esta formada por dos ramas: La estimación
estadística y las pruebas de hipótesis.
 El calculo de los estimadores B1 y B2
cambiaran porque los valores de la muestra
dada cambia, por lo tanto son variables
aleatorias.
 En resumen la estimación estadística
representa la mitad del todo, las pruebas de
hipótesis representan la otra mitad.
 Por tanto como los estimadores B1, B2 y la
varianza general son variables aleatorias
necesitamos averiguar sus distribuciones de
probabilidad, ya que son conocerlas no
podremos relacionarlas con sus valores
verdaderos.
4.2 Distribución de probabilidad de las
perturbaciones Ui
 Ya que el método del MCO no hace ninguna
suposición concerniente con la naturaleza
probabilística de Ui, tenemos que asumir que esta
variable sigue una distribución de probabilidad.
 Por lo general se supone que Ui sigue una
distribución normal por lo tanto a los supuestos
clásico de regresión lineal (MCRL) añadimos el
de normalidad y se conoce como el modelo clásico
de regresión lineal normal (MCRLN).
 Algo importante en el modelo de regresión lineal
es que los estimadores están muy próximos a sus
parámetros:
4.3 Supuestos de normalidad
 La regresión lineal normal clásica supone que
cada Ui, esta normalmente distribuida con:
4.4 Porque razón debe formularse el supuesto
de normalidad
 Existen diversa razones para aplicar los
supuestos de normalidad:
a) Ui representa una gran cantidad de variables
independientes omitidas, esperamos que la
influencia de estas variables sea pequeña y
aleatoria.
b) Con los supuestos de normalidad, las
distribuciones de probabilidad de los
estimadores MCO pueden derivarse
fácilmente.
c) B1 y B2 son funciones lineales de Ui. Por
consiguiente si Ui esta normalmente
distribuida los estimadores B1 y B2 también lo
estarán, la tarea de prueba de hipótesis es mas
sencilla de desarrollar.
d) Con la distribución normal podemos derivar el
uso de estadísticas t, F y X2 para los modelos
de regresión.
ALGO IMPORTANTE
El tamaño de muestra debe ser razonablemente
grande para moderar la suposición de normalidad.
4.5 Propiedades de los estimadores MCO bajo
el supuesto de normalidad
 Los estimadores MCO siguen las
siguientes propiedades
a) Son estimadores insesgado
b) Tienen una varianza mínima, en
combinación con el anterior
c) Presentan consistencia, esto significa
que a medida que aumenta el tamaño
de la muestra, estos estimadores
convergen hacia sus verdaderos
valores poblacionales.
d) B1 al ser función lineal de Ui esta
normalmente distribuida.
e) B2 al ser función lineal de Ui esta
normalmente distribuida.
f) El valor de la varianza total esta
distribuida como distribución X2 (chi-
cuadrada), y se trabaja con dos grados
de libertad, esto nos ayuda a corregir
la inferencia respecto a la verdadera
varianza de los datos.
g) Los valores de B1 y B2 estimados se
distribuyen de manera independiente
respecto al valor estimado de la
varianza.
h) B1 y B2 estimados tienen una varianza
mínima entre toda la clase de
estimadores insesgado, lineales o no
lineales. (Se puede decir que los
estimadores de MCO son los mejores
estimadores insesgado (MEI)
h) En resumen llegamos a esta conclusión
para el análisis de la normalidad: