Professional Documents
Culture Documents
Estimació
Sx j
ˆ
bj*
= bˆ j
Sy
y i = b1 + b 2 x i, 2 + ! + b k x i,k + e i
Y = Xb + e
La linealitat fa referència a la forma en que els
paràmetres i la pertorbació formen part de l’equació i
no necessàriament a la relació entre les variables (la
potència a la que s’eleva Xj)
Exemples linealitat en els paràmetres
y = b0 + b1x + e
y = b 0 + b1·(1 / x) + e Model
recíproc
y = b0 + b1x + b2 x 2 + e
y = b 0 + b1 x1 + b 2 x2 + b3 x1 x2 + e
K
y = eb1 x b22 x b3 3 ···x bkk e e = eb1 Õ
k =2
x bkk e e
ln y = b1 + b 2 ln x 2 + b3 ln x 3 +···+b k ln x k + e
¶y y ¶ ln y
= = bj Elasticitat constant, no varia davant
¶x j x j ¶ ln x j canvis a x
¶y y x jb j
= ¹ bj Això no succeeix al model lineal
¶x j x j x ' b + e
El model logístic
Nivel-nivel y x Dy = b1Dx
%Dy = b1 %Dx
log( y) = 256 + 0.25 log( x)
Criteris selecció forma funcional
l La teoria subjacent
l Conèixer tant la pendent com l’elasticitat
l Els coeficients han de satisfer les expectatives
l Les comparances de R2 obliguen a la presència de la
mateixa exògena
l No s’ha de sobrevalorar el criteri basat en R2
Funcions del terme de pertorbació estocàstic
e i = y - E( y / X = x i )
æ1 x11 ! x k1 ö
ç ÷
Y = Xb + e X = ç" " ÷
ç1 x ! x ÷
è 1n kn ø
é y1 ù é b1 ù é e1 ù
êy ú êb ú êe ú
Y = ê 2ú b=ê 2ú e = ê 2ú
ê! ú ê ! ú ê!ú
ê ú ê ú ê ú
ëyn û ëb K û ëe n û
Hipòtesis bàsiques del MRLM
[ (
COV(ei , e j / X) = E (ei - E(ei )) e j - E(e j ) )]
davant E (e i / X ) = 0
COV (e i , e j / X ) = E (e i ·e j ) = 0
Pertorbacions esfèriques
ei ~ N(0, se2 ·I n )
Hipòtesis sobre les variables exògenes
y ei = yi - ŷi = yi - bˆ 0 - bˆ 1·x i
yi
û i
ŷi
xi x
Metodologia MQO
å
2
min e i2 = y i - bˆ 0 - bˆ 1 ·x i
i =1
ï
å
ì ¶ e i2
å
= -2 ( y i - bˆ 0 - bˆ 1 ·x i ) = 0 åy i = nbˆ 0 +bˆ 1 åx i
ï ¶bˆ 0
í
ï ¶å e 2
å ˆ - bˆ ·x ) = 0
å x i yi = bˆ 0 å x i + bˆ 1 å
i
ï ¶bˆ = -2 x i ( y i - b 0 1 i x i2
î 1
å yi nbˆ 0 ˆ å xi y = bˆ 0 + bˆ 1 ·x
= + b1
n n n
bˆ 0 = y - bˆ 1 ·x
Estimació puntual del paràmetre - tendència
n åy i
bˆ 1 =
å x åx y
i i i
=
n å x y - å x å y = å x y - nxy
i i i i i i
n åx i
n å x - (å x )
2
i i å x - nx
2 2
i
2
åx åx i
2
i
bˆ 1 =
(å x y n ) - xy S
i i
=
xy
= rxy
Sy
(å x n )- x S
2
i
2 2
x Sx
Notació matricial
¶SQE (bˆ )
= -2X' y + 2X' Xbˆ = 0
¶bˆ
Obtenció de les estimacions
¶ 2SQE (bˆ )
= 2X ' X
¶bˆ ¶bˆ '
Forma de càlcul matricial
é n n n
ù é n ù
ê n åx 2i åx 3i ... å x ki ú ê å y i ú
ê i =1 i =1 i =1 ú ê i =1 ú
ê n n n n
ú ê n
ú
å
ê x 2i å x 22i åx 2 i x 3i ... å x 2i x ki ú ê å x y
2i i ú
ê i =1 i =1 i =1 i =1 ú ê i =1 ú
X' X = ê n n n n
ú X' y = ê n ú
å
ê x 3i åx 3i x 2i åx 2
3i ... å x 3i x ki ú ê å x y
3i i ú
ê i =1 i =1 i =1 i =1 ú ê i =1 ú
ê n ... n
...
n
... ...
n
... ú ê n ... ú
ê ú ê ú
å
ê x ki
ë i =1
åx
i =1
ki x 2i åx
i =1
ki x 3i ... å i =1
x 2ki ú
û
ê å
ë i =1
x y
ki i ú
û
l Linealitat
l No esbiaixament
l Eficiència
l Consistència
(P1) Linealitat
Individualment
bˆ ~ N(E[bˆ ], V[bˆ ])
bˆ j ~ N(E[bˆ j ], V[bˆ j ])
Teorema de Gauss-Markov
ˆ ˆ ˆ
EQM(b) = V(b) + [biaix(b)]2
[ ]
lim n®¥ EQM ( bˆ ) = lim n®¥ V ( bˆ ) = lim n®¥ s e2 ( X ' X ) -1 =
és e2 æ X ' X ö -1 ù
= lim n®¥ ê ç ÷ ú=0
êë n è n ø úû
Estimadors MQO
ˆb ~ N[b, s 2 (X' X) -1 ]
e
Individualment
bˆ j - b j
bˆ j ~ N(b j , sb2ˆ ) "j = 1,..., k z= ~ N(0,1)
j sb j
Anàlisi dels residus (I)
ˆ -1
e = y - ŷ = y - Xb = y - X(X' X) (X' y) =
(1)
= [I n - X(X' X ) -1 X' ]y = My
Propietats de M
(2) e = My = M ( Xb + e ) = MXb + Me = Me
A partir de (1) i (2)
2
e~ N[0 n , se M]
Estimació variància del terme de
pertorbació (s e2 )
e' e SQE
ˆs e2 = = 2
~ c n -k
n-k n-k
ˆ 2
V(b) = se (X' X) -1 ˆ 2
V̂(b) = se (X' X)
ˆ -1
Obtenció de SQE (e’e)
SQE=124228-124150’45=77’541
e' e 77'541
sˆ e2 = = = 12'923 sˆ e = 12'923 = 3'59
n-k 6
Estadístic dels paràmetres bj
bˆ j - b j
bˆ j ~ N(b j , se2a jj ) ~ N(0,1) ~ ?
sˆ b j
sˆ b2 = sˆ e2 (X' X) -1
( bˆ j - b j )· åx 2
i s
=
( bˆ j - b j )· åa jj s
=
( bˆ j - b j )· åa jj s
~
N (0,1)
= tn-k
S s
2 2
S (n - k ) (s (n - k ))
2 2
e' e (s (n - k ))
2
c 2
n-k n-k
Errors estàndard dels paràmetres
sˆ b2 = sˆ e2 (X' X) -1
é 44'796 - 0'208 - 0'199ù
(X' X )-1 = êê- 0'208 0'001 0'0003 úú
êë - 0'199 0'0003 0'001 úû
sˆ b2 j = sˆ e2 a jj
bˆ j - b j
sˆ b j
~ t n -k [
P - ta 2 £ t £ ta 2 =1- a ]
é bˆ j - b j ù
P ê- t a 2 £ £ ta 2 ú = 1- a
ê Sbˆ ú
ë j û
[bˆ ± t
j a / 2 ·Sbˆ j
] sˆ b21 = 578'9 sˆ b22 = 0'0129 = sˆ b23
[bˆ 2 ]
± t 6,0'05 ·Sbˆ = [1'3642 ± 2'447·0'1136] = [1'0862,1'6422]
2
[bˆ ± t
3 6,0'05 ·Sbˆ 3 ]= [0'1139 ± 2'447·0'1136] = [- 0'1641,0'3919]
Estimació per interval per a s2
[ ]
P c 21-a 2 £ c 2 £ c 2a 2 = 1 - a
é (n - k )sˆ 2 ( n - k )sˆ 2ù
ê 2 < s 2
< 2 ú=
êë ca 2,n - k c1-a 2,n -k úû
é 6·12,92 6·12,92 ù
ê 2 <s < 2
2
ú
êë ca 2,n - k c1-a 2,n -k úû
Estimació màxim versemblant (MV)
1 ì 1 2ü
f (e i ) = exp í- 2 e i ý
2ps e2 î 2s e þ
Funció densitat conjunta
n
ì 1 n
2ü
f (e i ) = Õ 2 -n / 2
f (e i ) = (2ps e ) exp í- 2 å ei ý
i =1 î 2s e i =1 þ
Estimador MV
Funció de versemblança
-n / 2 ì 1 ü
L( y; b, se2 ) = (2p) (se2 ) - n / 2 exp í- 2 ( y - Xb)' ( y - Xb)ý
î 2s e þ
én - k 2ù
lim n ®¥ ê sˆ e ú = s e2
ë n û
Estimació MQ no lineal (MQNL)
Introducció a la lliçó 3
Sumant i restant
2 2
y' y - ny = ŷ' ŷ - ny + e' e
Descomposició SQT
n n n n
SQT = å
i =1
2
( y i - y) = å
i =1
y i2 - ny 2
SQR = å ( yˆ i - y ) = å yˆ i2 - ny 2
i =1
2
i =1
n n
SQR = å ( yˆ i - y ) 2 = å yˆ i2 - ny 2
i =1 i =1
2 SQE e' e
R =1- =1-
å (y
2
SQT - y)
i
Amb dades de secció creuada un valor de R2=0,5 pot ser elevat. Per sèries
temporals, els valors són superiors. A dades individuals, un valor de 0,2 és digne
Qualsevol comparança necessita que les grandàries mostrals siguin les mateixes
SQT = å å
y2 = Y 2 - nY 2 = 1260'89
SQR 1183'459
2
R = = = 0'9385
SQT 1261
Coeficient de determinació corregit
2 n -1
R =1- (1 - R 2 )
n-k
Als models ennierats (“anidados”) és el coeficient a emprar.
Dos models es consideren ennierats si el conjunt de regressors
d’un dels models és un subconjunt de l’altre
Anàlisi de la variància
SQE
R2 R2 =1-
SQT
ANOVA: exemple numèric
Total 1261 8
R2 0’9385
Aproximació a R2
(å (y - y )(ŷ - ŷ ))
i i
2
é s (k - 3) 2 ù 2
JB = n ê + ú ~ ck
ë6 24 û
Asimetria i Curtosi
y = Xb + e = X1b1 + X 2b 2 + e
Coeficients del MRLS vers MRLM
~ ~ ~
MRLS y = b0 + b1x1
MRLM ˆ +b
ŷ = b ˆ x +b
ˆ x
0 1 1 2 2
~ ˆ
b1 ¹ b 1
Excepte:
• b̂ 2=0 (sense efecte parcial)
• x1 i x2 es troben incorrelacionats a la mostra
Coeficients de regressió parcials
bˆ 1 =
å r̂ y
i1 i
å r̂ 2
i1