Semana 2 12 de Noviembre, 2011

Ejemplo Hipottico Ingresos y Gastos Nacionales

y Como es la relacin entre ingresos y gastos? Que dice

la teora?
y Cual es la poblacin? y Cual es la curva/recta de regresin poblacional?

Ingresos y Gastos del Reino Unido del 1997 2007 en millones de US$
Ano 1997 1998 1999 2000 2001 2002 2003 2004 2005 2006 2007 Adjusted net national income (constant 2000 US$) 1,151,188 1,221,842 1,245,463 1,278,650 1,328,156 1,386,065 1,430,933 1,474,586 1,495,650 1,516,511 1,574,824 Expense (current LCU) 312,572 318,755 331,111 353,542 374,508 404,763 442,320 470,633 516,307 533,838 560,299

Fuente: World Development Indicators

World Bank www.databank.worlbank.org

Descripcin de la data
Ingresos y Gastos en el Reino Unido de 1997 - 2007 en millones US$
600,000 500,000

400,000 Gasto en US$

300,000

200,000

100,000

650,000 750,000 850,000 950,000 1,050,000 1,150,000 1,250,000 1,350,000 1,450,000 1,550,000 1,650,000

Ingreso Nacional en US$2000

Ejemplo Hipottico Ingresos y Gastos Nacionales

y Como es la relacin entre ingresos y gastos? Que dice

la teora?
y Relacin positiva

y Cual es la poblacin? y Reino Unido 11 anos y Cual es la curva/recta de regresin poblacional? y Regresin de Y sobre X.

Funcin de Regresin Poblacional

y La FRP denota nicamente que el valor esperado de la

distribucin de Y dada X esta relacionada funcionalmente con X nos dice como la media o respuesta promedio de Y varia con X.
y Que forma tiene f(X)?

Forma Funcional FRP

Funcin de regresin lineal poblacional E(Y|Xi) = 0 + 1Xi donde : 0 y 1 son parmetros conocidos pero fijos que se denominan como coeficientes de regresin o interseccin y coeficiente de pendiente. Los trminos regresin, ecuacin de regresin y modelo de regresin sern considerados sinnimos.

Funcin de Regresin Muestral (FRM)

y Hasta el momento, se ha limitado la exposicin a los

valores poblacionales de Y correspondientes a valores fijos de X.

y Porque?

Practicalidad de la FRM
y Suponga que solo se tiene una muestra de valores de Y

seleccionada aleatoriamente para valores dados de X.

y Ejemplo: datos longitudinales de encuesta

y Ver tablas 2.4 y 2.5 e ilustrar.

Definicin FRM
Funcin de regresin muestral Yi* =
0* +

1*

Xi

En el libro usan Y-gorro, pero vamos a usar Y-estrella, donde Yi* = estimador de E(Y|Xi) 0* = estimador de 0*
1*

= estimador de

1*

Perturbacin estocstica
su valor esperado. ui = Yi - E(Y|Xi) Yi = E(Y|Xi) + ui Donde ui es una variable aleatoria no observable que toma valores positivos o negativos. De esta manera, ui es conocida como perturbacin estocstica o termino de error estadstico. Ver pagina 43 y describir ecuaciones
y Representa la desviacin de Yi individual alrededor de

Resumen incluyendo forma estocstica

Se halla que el objetivo principal de regresin es estimar la FRP: Yi =
0+

1 Xi

+ ui

Yi = E(Y|Xi) + ui con base a la FRM Yi* = 0* + 1* Xi + ui* Yi = Yi* + ui*

Mtodo de Mnimos Cuadrados Ordinarios (MCO)

y Como se determina en si misma la FRM? ui* = Yi* - 0* - 1* Xi

y Que se quiere hacer con la FRM?

y Se quiere que la FRM este lo mas cerca posible al Y observado.

y Se puede tomar el criterio de seleccionar la FRM de tal

manera que la suma de los residuos sea lo menor posible.

u i* = (Yi - Yi*)

y Describir y El problema es que todos los residuos se les otorga la misma importancia, sin considerar que tan cerca o que tan dispersas esten las observaciones individuales de la FRM.

Criterio de Mnimos Cuadrados

y Se evita el problema anterior adoptando el criterio de

mnimos cuadrados. ui*2 = = (Yi - Yi*)2 (Yi* 0* 1*

Xi )2

donde se busca que

ui*2 sea lo mas pequeo posible.

y Los estimadores obtenidos con este mtodo tienen

algunas propiedades estadsticas muy deseables. y Elaborar ecuaciones 3.1.4 3.1.8

Propiedades numricas de los estimadores de mnimos cuadrados

Los estimadores MCO estn expresados nicamente en trminos de las cantidades observables pueden ser fcilmente calculados. 2. Son estimadores puntales. 3. Con los estimadores MCO se puede obtener la recta de regresin muestral fcilmente dado que:
1.
i. ii. iii. iv. v.

Pasa a travs de las medias muestrales de Y y X. El valor promedio del Y estimado = Yi* es igual al valor medio del Y real (ver eq. 3.1.8) El valor de la media de los residuos es cero (desarrollar ecuaciones 3.1.11 3.1.14) Los residuos no estn correlacionados con el valor predicho de Yi (verificar mediante ecuaciones 3.1.15) Los residuos no estn correlacionados con Xi.

Supuestos del MCO

I. II.

El modelo de regresin es lineal en los parmetros.

Yi =
0

+ 1* Xi + ui

Los valores de X son fijos en muestreo repetido; es decir, X se supone no estocstica. III. El valor medio de la perturbacin ui, es igual a cero. E(ui |Xi) = 0 IV. Homoscedasticidad o igual varianza de ui; es decir, las varianzas condicionales de ui son idnticas.
var (ui |Xi) = E[ui - E(ui )|Xi]2

supuesto 3

= E[ui2|Xi]

por

Supuestos MCO (continuacin)

No existe autocorrelacin entre las perturbaciones (desarrollar ecuaciones 3.2.5). VI. La covarianza entre ui y Xi es cero (desarrollar ecuaciones 3.2.6). VII. El numero de observaciones n debe ser mayor que el numero de parmetros por estimar. VIII.Variabilidad en los valores de X. IX. El modelo de regresin esta correctamente especificado; no hay un sesgo de especificacin o error en el modelo utilizado en el anlisis emprico. X. No hay multicolinealidad perfecta; no hay relaciones perfectamente lineales entre las variables explicativas.
V.

Propiedades de los Estimadores MCO del mejor estimador lineal insesgado (MELI). y Propiedad
1. 2. 3.

Lineal Insesgado: su valor promedio E( 2*)es igual al valor verdadero, 2. Tiene varianza mnima dentro de la clase de todos los estimadores lineales insesgados; un estimador insesgado con varianza mnima es conocido como estimador eficiente.

Teorema Gauss-Markov: Dados los supuestos del modelo Gauss-Markov: clsico de regresin lineal, los estimadores de mnimos cuadrados, dentro de la clase de estimadores lineales insesgados, tiene varianza mnima, es decir, son MELI.

Coeficiente de Determinacin R2
y El coeficiente de determinacin - R2

es una medida comprendida que nos dice que tan bien se ajusta la recta de regresin muestral a los datos.
y Poder explicativo de la regresin.

y Desarrollar ecuaciones 2.6.3

3.5.14 de las paginas 79

84.

Mtodo de Mxima Verosimilitud MVun mtodo de y Es

estimacin puntual, con algunas propiedades tericamente mas fuertes que las del mtodo MCO.
y A medida que n aumenta, los estimadores de 2 tienden a ser iguales asintticamente el estimador MV de 2 es tambin insesgado.

y Si se ha supuesto ui normalmente distribuida, los estimadores MV y MCO de los coeficientes de regresin, los , son idnticos.

Laboratorio 1
y Software a usar: STATA y Abrir STATA

Abrir, Log, Import

Abrir, Log, Import

y Log: Es importante para mantener un record de las

manipulaciones que se le ha hecho al modelo.

y Import: Permite ingresar bases de datos.

Entrar Data

Ingreso data usando data editor

Ingreso de data
y NO formatear data antes de ingresarla. Entrar data sin formato

alguno para que STATA le de el formato apropiado.

y Notar que nombra las variables y La estructura de la tabla se mantiene y STATA permite MUY POCA manipulacin de la data. y Como referencia, SAS es bueno para manipulacin de data en el programa. y La pagina principal te indica que has hecho. y *(3 variables, 13 observations pasted into data editor)

Comandos importantes
y Este tipo de paquete te permite codificar/programar, pero tambin es user friendly ya que tiene mens que te permiten buscar/hacer operaciones relacionadas con la econometra y la estadstica. y Drop eliminar una variable y Gen Generate crear una variable y hacer manipulacion con una dos variables. y Reg Regress Simple

Estimar el modelo de Regresin Lineal

Crear tabla
Graphics Two-way graph Pueden jugar con la data e

intentar hacer cualquier grafico que deseen

REGRESS