You are on page 1of 5

ENFOQUE MATRICIAL PARA ENCONTRAR LOS PARAMETROS DE LA ECUACION DE REGRESION • Al ajustar un modelo de regresión múltiple es mucho más conveniente

expresar las operaciones matemáticas en forma matricial. Supongamos que existen k variables independientes y n observaciones ( X i1 ,X i2 ,X i3 ,….,X ik ,Y i ), i=1,2,3,4,…,n, y que el modelo que relaciona las variables independientes y la variable dependiente es: • Este modelo es un sistema de ecuaciones que puede expresarse en notación matricial como: ENFOQUE MATRICIAL • Donde: donde: p = k+1, número de parámetros el álgebra matricial proporciona un método compacto de manejo de los modelos de regresión l, que involucra un numero de variables una vez que el modelo de K variables ha sido formulado y resuelto en notación matricial , la solución puede aplicar a una dos tres o cualquier numero de variables.

MODELO DE REGRACION LINEAL DE K VARIABLES

interceccion perturbación estocástica

coeficientes parciales de pendientes termino de

y= vector columna n * 1 de observaciones sobre la variable dependiente y x= matriz n *K que contiene n observaciones sobre las K-1 variables X2 a a Xk la primera columna de números 1 representa el termino de la interceccion beta= vector columna K *1 de los parámetros desconocidos U= vector columna n *1 de n perturbaciones Ui en la forma mas compacta puede escribirse como; y = n*1 x n*K beta K*1 + U n*1

también puede escribirse simplemente como: Y = x beta + U

luego se aplica el valor esperado E a cada elemento de la matriz anterior se obtiene debido a los supuestos de homoscedasticidad y de no correlación serial la matriz se reduce a . es cero .Este supuesto es una forma compacta de expresar dos supuestos bajo notación escalar para ver esto se puede escribir donde U es la transpuesta del vector columna U o vector renglón efectuando la multiplicación se obtiene. mas explicita mente E(U) = 0 significa 2.Supuestos del modelo clásico de regresión lineal en la notación matricial 1. el valor esperado del vector de perturbaciones U es decir d cada uno d sus elementos.

es decir consta de números fijos.esto significa que las columnas de la matriz X son lineal mente independientes.donde I es una matriz identidad N*N 3. esto significa que el análisis de regresión es de regresión condicional es decir condicional a los valores fijos de las variables X 4.es decir no hay relación lineal exacta entre las variables X. ESTIMACION MCO para obtener el estimado MCO de beta se escribe primero la regresión muestral de k-variables esta puede ser escrita en formas mas compactas en notación matricial como : y en la forma matricial como: es un vector columna de K elementos compuesto por los estimadores de MCO de los coeficientes de regresión es un vector columna de n*1 con n residuos .Este supuesto establece que la matriz X tiene rango columna completo igual a k.es decir no hay multicolinealidad. Este supuesto establece que la matriz X de n* k no es estocástica . el numero de columnas en la matriz .

como en los modelos de dos y tres variables en el caso de K variables los estimadores de MCO se obtiene minimizando donde la sumatoria es la suma de residuos al cuadrado (SRC) en notación matricial esto equivale a minimizar puesto que luego se obtiene: por consiguiente: en forma matricial se representa de la siguiente manera: o en la forma mas compacta como: propiedades del vector MCO beta los estimadores de MCO son lineales e in sesgados y en la clase de todos los estimadores lineales e in sesgados estos tiene varianza mínima. COEFICIENTE DE DETERMINACION R2 EN NOTACION MATRICAL el coeficiente de determinación R2 ha sido definido como en el caso de dos variables: . Estos estimadores son los mejores estimadores in sesgados.

michas programas de computadora calculan mediante rutinas la matriz R. .y en el caso de tres variables. y para el caso de K variables: MATRIZ DE CORRELACION aparir de esta matriz puede obtenerse los coeficientes de correlación de primer orden y de ordenes superiores.