Busca en el Blog

viernes, 28 de febrero de 2014

Modelos de tres variables: notación y supuestos (I)

GEneralizando la función de regresión poblacional (FRP) de dos variables (2.4.2) se puede escribir la FRP de tres variables así:

donde Y es la variable dependiente, X2 y X3 las variables explicativas (o regresores), u es el término de perturbación estocástica, e i la iésima observación; en caso de información de series de tiempo, el subíndice t denotará la t ésima observación.

En la ecuación (7.1.1) β1 es el término del intercepto. Como es usual, este término nos da el efecto medio o promedio sobre Y de todas las variables excluidas del modelo, aunque su interpretación  mecánica sea el valor promedio de Y cuando X2 y X3 se hacen iguales a cero. Los coeficientes β2 y β3 se denominan coeficientes de regresión parcial y su significado se explicará en breve.

jueves, 27 de febrero de 2014

Análisis de Regresión Múltiple: Problema de Estimación

El modelo de dos variables, estudiado extensamente en los capítulos anteriores, con frecuencia es inadecuada en la práctica. Es el caso del ejemplo de consumo-ingreso, en donde se supuso implícitamente que solamente el ingreso X afecta al consumo Y. Pero la teoría económica rara vez es tan simple, ya que, además del ingreso, existen muchas otras variables que probablemente afectan el gasto de consumo. Un ejemplo obvio es la riqueza del consumidor. Para citar otro ejemplo, es probable que la demanda de un bien dependa no sólo de su propio precio sino también de los precios de otros bienes competitivos o complementarios, del ingreso del consumidor, de la condición social, etc. Por consiguiente, se necesita ampliar el modelo simple de regresión con dos variables para considerar modelos que contengan más de dos variables. La adición de variables conduce al análisis de los modelos de regresión múltiple, es decir, modelos en los cuales la variable dependiente, o regresada. Y depende de dos o más variables explicativas, o regresores.

El modelo de regresión múltiple más simple posible es la regresión de tres variables, con una variable dependiente y dos variables explicativas. En este capítulo y en el siguiente se estudiará este modelo y, en el capítulo 9, se generalizará a más de tres variables. Durante todo el análisis, se tratará con modelos de regresión lineal múltiple, es decir, modelos lineales en los parámetros; que pueden ser o no lineales en las variables.

miércoles, 26 de febrero de 2014

Resumen y conclusiones Extensiones del Modelo de regresión lineal (VIII)

8. Si bien el análisis hasta el momento se ha limitado a modelos de regresión con dos variables los capítulos subsiguientes mostrarán, que en muchos casos, la extensión a modelos de regresión múltiple simplemente involucran más álgebra sin introducir necesariamente más conceptos fundamentales. Por esta razón, es muy importante que el lector tenga un concepto claro del modelo de regresión de dos variables.

martes, 25 de febrero de 2014

Resumen y conclusiones Extensiones del Modelo de regresión lineal (VII)

7. Al seleccionar las diversas formas funcionales, debe prestarse gran atención al término de perturbación estocástica ui. Como se anotó en el capítulo 5, el MCRL supone explícitamente que el valor de la media del término de perturbación estocástico es cero y su varianza es constante (homoscedástica) y no está correlacionado con el(los) regresor(es). Es bajo estos constante (homoscedástica) y no está correlacionado con el(los) regresor(es). ES bajo estos supuestos que los estimadores MCO son MELI. Además najo el MCRLN, los estimadores MCO están también normalmente distribuidos. Por consiguiente, se debe verificar si estos supuestos se mantienen en la forma funcional escogida para el análisis empírico. Después, de realizar la regresión, el investigador debe aplicar pruebas de diagnóstico, tales como la prueba de la normalidad, estudiada en el capítulo 5. Este punto no puede ser sobreenfatizado, ya que las pruebas de hipótesis clásicas, tales como la t,F y X², descansan en el supuesto de que las perturbaciones están normalmente distribuidas. Esto es especialmente crítico si el tamaño de la muestra es pequeño.

lunes, 24 de febrero de 2014

Resumen y conclusiones Extensiones del Modelo de regresión lineal (VI)

6. En los modelos recíprocos, el regresado o el regresor está expresado en forma recíproca o inversa para capturar  relaciones no lineales entre variables económicas, como sucede en la conocida curva de Phillips.

domingo, 23 de febrero de 2014

Resumen y conclusiones Extensiones del Modelo de regresión lineal (V)

5. En el modelo semilog, el regresado o el(los) regresor(es) están en forma log. En el modelo semilógaritmico, en el cual el regresado es logarítmico y el regreso X es tiempo, el coeficiente de la pendiente estimado (multiplicado por 100) mide la tasa de crecimiento  (instantánea) del regresado. Tales modelos se utilizan frecuentemente para medir la tasa de crecimiento de muchos fenómenos económicos. En el modelo semilogarítmico, si el regresor es logarítmico, su coeficiente mide la tasa de cambio absoluta en el regresado por un cambio porcentual dado en el valor del regresor. 

sábado, 22 de febrero de 2014

Resumen y conclusiones Extensiones del Modelo de regresión lineal (IV)

4. En el modelo log-lineal, el regresado y el(los) regresor(es) están(n) expresados en forma logarítimica. El coeficiente de regresión asociado al log de un regresor es interpretado como la elasticidad del regresado con respecto al regresor.