El documento presenta un resumen de los temas centrales de la econometría, incluyendo modelos lineales simples y generales, multicolinealidad, autocorrelación y heterocedasticidad. Además, introduce el modelo clásico de regresión lineal normal, describiendo sus supuestos de normalidad y las propiedades de los estimadores de mínimos cuadrados ordinarios bajo este supuesto.
Descrição original:
Título original
Tema Nº4 Modelo clasico de regresion lineal normal
El documento presenta un resumen de los temas centrales de la econometría, incluyendo modelos lineales simples y generales, multicolinealidad, autocorrelación y heterocedasticidad. Además, introduce el modelo clásico de regresión lineal normal, describiendo sus supuestos de normalidad y las propiedades de los estimadores de mínimos cuadrados ordinarios bajo este supuesto.
El documento presenta un resumen de los temas centrales de la econometría, incluyendo modelos lineales simples y generales, multicolinealidad, autocorrelación y heterocedasticidad. Además, introduce el modelo clásico de regresión lineal normal, describiendo sus supuestos de normalidad y las propiedades de los estimadores de mínimos cuadrados ordinarios bajo este supuesto.
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: