Upload
reanimator00
View
224
Download
0
Embed Size (px)
Citation preview
8/17/2019 APUNTES DE ECONOMETRIA (MODELO DE REGRESIÓN CON DOS VARIABLES)
1/34
I. EL MODELO DE REGRESIÓN CON DOS VARIABLES
1.- Introducción
En este programa se interpreta que el objetivo de la econometría es la medición de
teorías económicas. Desde este punto de vista la econometría constituye un
complemento de la economía cualitativa establecida deductivamente y trataría de dotar
a ésta de contenido empírico.
Muchas leyes económicas son simples, siendo en general la sencillez un
requisito deseable en cualquier ley cientíica. !or ejemplo "tema #, epígrae #.$%, la leyde la demanda relaciona la cantidad demandada con su precio, es decir es una ley que
implica &nicamente dos variables, cantidad y, y precio x, de manera que respondería a la
orma y = f " x%, siendo misión de la econometría especiicar la orma de dicha unción y
encontrar los valores de los par'metros implicados. (i nos decidimos por una unción
lineal, tendríamos,
y ) a + bx
siendo a y b los par'metros a estimar.
*na relación como Y t = α + β X t es una descripción inadecuada de la realidad. Es
decir no cabe esperar una relación lineal perecta entre las variables X e Y , por lo que en
el modelo anterior introducimos una variable aleatoria vt ,
Y t = α + β X t + vt "#%
Ello implica una modiicación sustancial de la naturaleza del modelo debido a
que con la consideración de vt se ha introducido e+plícitamente la probabilidad en el
mismo. !or tanto mientras que Y t = α + β X t era determinista, el modelo "#% es de
naturaleza probabilística.
a justiicación para incluir la perturbación aleatoria en "#% suele hacerse en
virtud de diversas circunstancias. En primer lugar suele citarse las variables omitidas, es
decir aunque suponemos que la variable m's importante en la determinación de Y es X
8/17/2019 APUNTES DE ECONOMETRIA (MODELO DE REGRESIÓN CON DOS VARIABLES)
2/34
hay muchas otras variables que ejercen inluencia sobre Y aunque ésta pueda ser menor.
!or ejemplo, en el caso de la teoría de la demanda, aunque se considera que el precio es
la principal variable e+plicativa, también la renta, los gustos de los consumidores o los
precios de los bienes sustitutivos deberían tomarse en consideración. En el modelo "#%
se considera que la inluencia de todas estas variables es recogida por v. -tra uente de
error proviene de que las variables económicas no suelen estar medidas con e+actitud.
!or otra parte la orma uncional "lineal% considerada, puede no ser la m's adecuada,
etc.
a inclusión de vt en el modelo convierte a Y t en una variable aleatoria al ser la
suma de X t que se considera ija, y vt que es estoc'stica. !or tanto la relación anterior es
ahora una relación estocástica. unque no podemos predecir los valores individuales de
las vt si podemos hacer proposiciones sobre las características b'sicas de su distribución
de probabilidad/
a) Es!ran"a nu#a, el eecto conjunto sobre Y de v es nulo. Matem'ticamente,
E0v1 ) 2
$) Varian"a constant!, se postula asimismo que no son de esperar varianzas
mayores "o menores% a medida que X crezca, de manera que,
cte%var" 3
==v
v σ
cuando se cumple esta hipótesis decimos que los residuos son homocedásticos y en
caso contrario que son heterocedásticos o que hay heterocedasticidad .
c) No autocorr!#ación, signiica que los valores de v se distribuyen
independientemente, es decir no hay ninguna relación entre ellos. En términos
matem'ticos diremos que la covarianza entre valores sucesivos "separados por u
intervalos, siendo u distinto de cero%, es nula,
4ov "vt , vt-u% ) E0vt -E"vt %10 vt-u-E"vt-u%1) E"vt vt-u% ) 2, para u ≠ 0
8/17/2019 APUNTES DE ECONOMETRIA (MODELO DE REGRESIÓN CON DOS VARIABLES)
3/34
d) Nor%a#idad, aunque las propiedades de los estimadores no resultarían aectadas
por el incumplimiento de esta hipótesis, es necesaria para poder eectuar
inerencias y pruebas estadísticas sobre los par'metros y el modelo de regresión.
dem's de estas cuatro hipótesis, en la ormulación del modelo probabilístico
admitimos también que las X eran ijas o no estoc'sticas, lo que implica lógicamente
que éstas son independientes del término de error, es decir/
cov " X t ,vt ) ) E0 X t vt 1 ) X t E"vt % ) 2
5inalmente, suponemos que la relación entre X e Y es lineal. (obre estas seis
hipótesis se construye el modelo probabilístico de regresión. !ara cada valor concreto
de X podemos observar dierentes valores de Y . os dierentes valores de Y para cada
valor ijo de X , seguir'n una distribución normal cuya media ser' precisamente el valor
teórico dado por la ecuación de regresión, que es el valor m's probable. a situación se
ilustra en la igura #,
&i'ura 1 Modelo probabilístico de regresión con dos variables
8/17/2019 APUNTES DE ECONOMETRIA (MODELO DE REGRESIÓN CON DOS VARIABLES)
4/34
(.- C#cu#o d! #os !sti%ador!s
os par'metros del modelo "#% son desconocidos. (u c'lculo se realiza en base al
criterio de minimizar la suma cuadr'tica de las discrepancias d , siendo éstas las
dierencias entre los valores observados de la variable dependiente o endógena Y , y los
valores teóricos obtenidos con la ecuación de regresión una vez que conocemos los
estimadores de α y β . Este criterio deine el método de los mínimos cuadrados
ordinarios "M4-%.
En resumen se trata de minimizar ∑=
N
t
t d #
3
siendo las discrepancias,
t t t t t bX aY Y Y d −−=−= 6 "3%
donde a y b son los estimadores de α yβ . !or tanto, aplicando las condiciones demínimo a la unción,
3 3
#
" % N
t t t
t
Y a bX d =
= − − =
∑ ∑"7%
donde a y b son las variables, se tiene,
( )
( )
3 2
3 2
t t
t t t
Y a bX
a
Y a bX X
b
∂= − − − =
∂
∂= − − − =
∂
∑
∑"8%
9ras algunas operaciones elementales, llegamos a,
3
":.#%
":.3%
t t
t t t t
Y na b X
Y X a X b X
= +
= +
∑ ∑
∑ ∑ ∑
8/17/2019 APUNTES DE ECONOMETRIA (MODELO DE REGRESIÓN CON DOS VARIABLES)
5/34
que constituye el sistema de ecuaciones norma!es a partir del cual podríamos estimar
los valores de los par'metros α y β .
(i multiplicamos la primera ecuación por t X ∑ y la segunda por n, tenemos,
( ) 3
3
t t t
t t t t
X Y na X b X
n Y X na X nb X
= +
= +
∑ ∑ ∑ ∑
∑ ∑ ∑
y si de la segunda restamos la primera,
( ) 33
t t t t t t n X Y Y X nb X b X − = −∑ ∑ ∑ ∑
y despejando b,
( ) 33
t t t t
t t
n X Y X Y b
n X X
−=
−∑ ∑ ∑∑ ∑
";%
dividiendo numerador y denominador por n3 se tiene inalmente,
3 3
3
t t
xy
t x
X Y XY snb
X s X
n
−= =
−
∑
∑ "$%
que permite calcular la pendiente en unción de las varianzas y covarianzas. 4onocido el
valor de b podemos utilizar la ecuación ":.#% para calcular a.
*.- Bondad d!# a+ust!
8/17/2019 APUNTES DE ECONOMETRIA (MODELO DE REGRESIÓN CON DOS VARIABLES)
6/34
atribuirse a la variable e+ógena X , y qué parte a la perturbación. *na buena ecuación de
regresión, o lo que es lo mismo, una ecuación que ayude a e+plicar una elevada
proporción de la variación de Y t , ser' aquella en la que la mayor parte de dicha variación
pueda ser atribuida a X .
!ara conocer la importancia cuantitativa de X a la hora de e+plicar las
variaciones de Y , descompondremos la variación de Y en dos partes, una atribuible a X a
la que llamaremos variación e+plicada, y otra a la perturbación aleatoria, o variación
residual o ine+plicada. =ntuitivamente es claro que cuanto menor sea la segunda mayor
ser' la capacidad e+plicativa de nuestro modelo.
a variación de Y puede representarse por la suma,
( ) 3
t "#$ Y Y = −∑
a e+presión anterior puede escribirse como,
( ) ( ) ( ) 33 6 6
t t t t "#$ Y Y Y Y Y Y = − = − + − ∑ ∑ )
) 3 36 6 6 6" % " % 3 " %" %t t t t t Y Y Y Y Y Y Y Y − + − + − −∑ ∑ ∑ pero, puesto que el <imo término del segundo miembro es nulo#, tenemos/
3 3 36 6" % " % " %
" % " % " %
t t t t Y Y Y Y Y Y
"#$ "#% "#&
− = − + −
= +∑ ∑ ∑
"$b%
de manera que la suma total de cuadrados "(49% se e+presa como la suma de cuadrados
e+plicada "(4E% m's la suma de cuadrados residual o no e+plicada "(4>%. El primero
de estos sumandos es el que mide la contribución de la variación de X a la variación
total. Dividiendo por (49 a ambos lados se tiene/
# "#% "#&
"#$ "#$ = +
El cociente "#%'"#$ es el denominado coeficiente de determinación. (e
representa por &3 y se utiliza en econometría para medir la bondad del ajuste,
# 6 6 6 6" %" % " % ?2 2t t t t t t t t t t t Y Y Y Y Y Y d Y d Y d d X d Y α β − − = − = − = + + =∑ ∑ ∑ ∑ ∑ ∑
8/17/2019 APUNTES DE ECONOMETRIA (MODELO DE REGRESIÓN CON DOS VARIABLES)
7/34
3 #"#% "#&
&"#$ "#$
= = −
De la e+presión anterior se deduce que dicho coeiciente varía entre 2 y #. *n valor nulo
implica que la suma de los cuadrados residual es igual que la suma de los cuadrados
total, de manera que la variable X no contribuye en ninguna medida a la e+plicación de
Y . !or otra parte, cuando la suma residual es nula "no hay desviaciones entre los valores
observados y los estimados%, "#% = "#$ y el ajuste es perecto.
unque puede demostrarse 'cilmente que el coeiciente de determinación
coincide con el cuadrado del coeiciente de correlación de la estadística cl'sica, su
preerencia en econometría deriva de la descomposición de la variación de Y e+presada
por la ecuación anterior. Multiplicado por #22 indicaría el porcentaje de variación de Y
que cabe atribuir a la regresión " X %. =vidiendo "$b% entre n, se tiene,
3 3 36 6" % " % " %t t t t Y Y Y Y Y Y
n n n
− − −= +∑ ∑ ∑
o bien,3 3 3
y ry ey s s s= +
de donde,
3
3
3# ry
y
s &
s= −
(e demuestra inmediatamente que el coeiciente de determinación se relaciona
con el coeiciente estimado de X , de acuerdo a,
3
3 3
36 t
t
x &
yβ = ∑
∑
una órmula que puede ser &til en el c'lculo. n'logamente, dado que el coeiciente de
correlación, r , es,
8/17/2019 APUNTES DE ECONOMETRIA (MODELO DE REGRESIÓN CON DOS VARIABLES)
8/34
3
t t
t
x yr
y= ∑
∑
puede seguirse esta vía para obtener &3
(
,.- roi!dad!s d!# %od!#o sus !sti%ador!s
(e demuestran inmediatamente las siguientes cinco propiedades/
!ropiedad #
a variable endógena Y , es una variable aleatoria. 4omo dijimos, es
consecuencia de que en el modelo probabilístico la variable endógena Y es la suma de
una parte ija a+bX , y otra estoc'stica, v. a aleatoriedad de v convierte a Y en una
variable de la misma naturaleza.
!ropiedad 3
a esperanza matem'tica de Y condicionada a X , es,
( )@ " %t t t t t % Y X % X v X α β α β = + + = +
!ropiedad 7
a varianza de Y t es igual a la varianza de vt ,
( ) [ ]3 3 3 3var" % " %t t t t t t t vY % Y % Y % X v X % vα β α β σ = − = + + − + = =
!ropiedad 8
[ ]# #... #
" % " % ... " % 2n nv v
% v % % v % vn n
+ + = = + + =
!ropiedad :
8/17/2019 APUNTES DE ECONOMETRIA (MODELO DE REGRESIÓN CON DOS VARIABLES)
9/34
a esperanza matem'tica de ( )t t t t y Y Y X X xβ β = − = − = . En eecto, si sumamos losdos miembros del modelo "#%, tenemos,
t t t Y n X vα β = + +∑ ∑ ∑ ,y dividiendo por n,
Y X vα β = + +restando esta e+presión del modelo,
" % " % " %t t t Y Y X X v vα α β − = − + − + −
y tomando esperanzas,
" % " % " % " %t t t t t % Y Y % y % X X % v v xβ β − = = − + − =
a razón de utilizar el método M4- es que con él se obtienen estimadores con
buenas propiedades. Aeamos a continuación cu'les son las propiedades de que debe
gozar un buen estimador. En primer lugar ha de ser insesgado. !uesto que Y es una
variable aleatoria, con una muestra determinada de valores obtendremos unos
estimadores para nuestros par'metros también determinados, a# y b#. (i dispusiésemos
de otra muestra dierente, entonces los estimadores serían también dierentes, digamos
a3 y b3. 4on m's muestras seguiríamos obteniendo nuevos estimadores, de manera que
queda claro que estos estimadores son también variables aleatorias.
lgunas de las características importantes a la hora de evaluar un estimador, son
las siguientes/
a% a media o valor medio del estimador, " % ib
% bn
= ∑ , que indica el promedio que
obtendríamos para el estimador b "de β %, después de aplicar repetidas veces el
proceso de muestreo. En estas condiciones se deine seso, (, del estimador,
como,
( ) E"b%Bβ
de manera que el estimador ser' insesgado si ( ) 2, o bien,
E"b% ) β
8/17/2019 APUNTES DE ECONOMETRIA (MODELO DE REGRESIÓN CON DOS VARIABLES)
10/34
b% a varianza, var "b% ) E0b-E"b%13 que mide la dispersión de b en torno a su valor
medio. 4uanto menor sea la varianza del estimador b, mayor ser' su precisión,
es decir mayor ser' la probabilidad de que, disponiendo de una sola muestra, el
estimador calculado bi esté situado cerca del verdadero par'metro poblacional,
β .
Dado un conjunto de estimadores insesgados, ser' preerible aquel que
tenga varianza mínima.
c% Error cuadr'tico medio, a veces es necesario elegir entre insesgadez y varianza
mínima. !or ejemplo, puede ser preerible un estimador sesgado pero con poca
varianza, a uno insesgado pero con varianza elevada, especialmente cuando se
dispone de una sola muestra. !or ello a veces la elección se hace atendiendo al
criterio del menor error cuadr'tico medio. El error cuadr'tico medio "E4M%, se
deine como,
E4M"b% ) E"b-β %3 ) E0b-E"b%CE"b%Bβ 13 )
) E0bBE"b%13 C E0E"b%Bβ 13 ) var"b% C (3
puesto que el término 3E0"b-E"b%%"E"b%Bβ %1, se anula.
4uando el sesgo es nulo, E4M y varianza coinciden, pero si ésta es elevada,
puede que e+ista un estimador sesgado con poca varianza que tenga un E4M que un
estimador insesgado.
d% Eiciencia, decimos que un estimador insesgado es eiciente, si para un tamao
muestral dado, su varianza es menor que la de cualquier otro estimador
insesgado.
e% 4onsistencia pertenece a las denominadas propiedades asintóticas. *n
estimador se dice consistente si a medida que crece el tamao de la muestra, la
dierencia entre dicho estimador y el verdadero par'metro poblacional es cada
vez m's pequea. M's adelante veremos con m's detalle esta propiedad.
8/17/2019 APUNTES DE ECONOMETRIA (MODELO DE REGRESIÓN CON DOS VARIABLES)
11/34
% >obustez veces se habla también de estimadores robustos. En la obtención de
estimadores es recuente establecer hipótesis sobre la población objeto de
estudio, que no siempre se cumplen. a propiedad de robustez de un estimador
se reiere al hecho de que desviaciones en la hipótesis iniciales no aectan a
dicho estimador o lo hacen débilmente. ">uiz Maya y Martín !liego, p.$3%
Aeamos ahora cuales son los resultados de los estimadores M4- en relación a
estas propiedades.
!ropiedad ;. os estimadores M4- son insesgados. Ae'moslo con b. !artiendo del
modelo en desviaciones con respecto a las medias, yt = β xt + vt , tenemos,
3 3 3 3
" %t t t t t t t
t t t t
x y x Y Y x Y x Y b
x x x x
−= = = −∑ ∑ ∑ ∑
∑ ∑ ∑ ∑
pero como 2t t x Y Y x= =∑ ∑ , queda,
3
t t
t
x Y b
x= ∑
∑y haciendo 3
t t
t
x*
x=
∑ , se tiene,
t t b *Y =∑ "F%
es decir que el estimador b es una combinación lineal de los valores de Y t . !odemos
ilustrarlo con un ejemplo. (ean las variables X e Y,
X Y XY X 3 d t x y xy x y d
3 8 F 8 8.: B2.: B3 B8 F 8 #; 2.3:7 $ 3# G ;.3: 2.$: B# B# # # # 2.:;3:# 7 7 # 3.$: 2.3: B7 B: #: G 3: 2.2;3:: G 8: 3: G.$: B2.$: # # ## # # 2.:;3:G #$ #:7 F# #;.$: 2.3: : G 8: 3: F# 2.2;3:
32 82 372 #32 82 2 2 2 $2 82 #38 #.:
/a$#a 1 Ejemplo hipotético "en la <ima ila la suma de cada columna% "Hohnston%
8/17/2019 APUNTES DE ECONOMETRIA (MODELO DE REGRESIÓN CON DOS VARIABLES)
12/34
En este caso la regresión de Y sobre X , es, aplicando "$%,
333
3728?F #8:
#.$:#32 F8:
t t
t
X Y XY
nb X
X n
− −
= = = =−−
∑
∑
y seg&n "F%,
3 # 7 # : $2?8 ?$ ?7 ?G ?#$ #.$:
82 82 82 82 82 82t t b *Y = = − − − + + = =∑
a e+presión 3t
t
t
x* x
=∑ cumple,
a% 3 3 32
2t t t t t t
x x*
x x x
= = = =
∑∑ ∑ ∑ ∑ ∑ "G%
b%( ) 3 3 3
3 3 3 3
t t t t t t t
t t
t t t t
X X X x X X X X X nX * X
x x x x
− − −= = = =∑∑ ∑ ∑ ∑∑
∑ ∑ ∑ ∑como el denominador,
( ) ( )33 3 3 3 3 3 3 33 3 3t t t t t t t x X X X X XX X nX X X X nX nX = − = + − = + − = + − =∑ ∑ ∑ ∑ ∑ ∑
)3 3
t X nX −∑ , resulta que inalmente,3 3
3 3#t
t t
t
X nX * X
X nX
−= =
−∑∑ ∑ "#2%
c%( ) ( )
333
3 3 33 3
#t t t
t t t
x x*
x x x
= = =
∑∑ ∑ ∑∑ ∑"##%
!odemos ahora comprobar que los estimadores M4- son insesgados.
4omenzando por b, se tiene,
" %t t t t t t t t t t b *Y * X v * * X * vα β α β = = + + = + +∑ ∑ ∑ ∑ ∑
8/17/2019 APUNTES DE ECONOMETRIA (MODELO DE REGRESIÓN CON DOS VARIABLES)
13/34
que en virtud de "G%, "#2% y "##%, queda,
t t b * vβ = +∑ "#3%
e+presión de la que se deduce que,
t t b * vβ − =∑ "#7%
que ser' utilizada en la demostración de otras propiedades. 9omando esperanzas en "#3%
tenemos que,
E"b% ) β C E"∑*t vt % ) β C ∑*t E"vt % ) β
n'logamente puesto que,
a Y bX = −
y siendo3 Y X vα β = + + ,
" %a X v bX b X vα β α β = + + − = − − + "#8%
y tomado esperanzas,
" % " % " % " % % a % X% b % vα β = − − +
que dada la insesgadez de b y la propiedad 8, lleva a
% "a% ) α "#:%
Es decir que a es también un estimador insesgado.
!ropiedad $ a varianza del estimador de β ,3
3
v
t
b x
σ =
∑
. En eecto,
[ ] [ ] 33 3
var" % " % t t b % b % b % b % * vβ = − = − = ∑ "por #7%
l desarrollar el sumatorio entre corchetes, encontraremos dos tipos de miembros/ por
una parte aquellos que tengan los mismos subíndices " 3 3 3 3
# # ,..., - -* v * v %, y por otra los
productos cruzados del tipo # # 3 3,..., i i - -* v * v * v * v . Istos se repetir'n dos veces, pues por
3 , " %t t t t t t Y X v Y X v n X vα β α β α β = + + = + + = + +∑ ∑ ∑ ∑ , y dividiendo por n sesigue la igualdad del te+to.
8/17/2019 APUNTES DE ECONOMETRIA (MODELO DE REGRESIÓN CON DOS VARIABLES)
14/34
cada i i - -* v * v aparecer' también - - i i* v * v que, obviamente es idéntico. De manera que
podemos poner/
3
3 3var" % 3t t i i i - i -i -
b % * v % * v * * v v≠
= = + ∑ ∑ ∑ )
)3 3 3 33 " % 3 " %i i i - i - i i i - i - % * v % * * v v * % v * * % v v + = + ∑ ∑ ∑ ∑
!ero en virtud de la hipótesis de no autocorrelación de las perturbaciones, % "viv % ) 2, y
por tanto, teniendo en cuenta "##%,
3
3 3 3 33var" % " %
vi i i v
t
b * % v * x
σ σ = = =∑ ∑ ∑ "#;%
!ropiedad F a varianza de a, es3
3
3
#var" % v
t
X a
n xσ
= +
∑. 9eniendo en cuenta "#8%, podemos
poner,
3 3var" % " % 0 " % 1a % a % b X vα β = − = − − + =
) 3 3 30" % 3" % % b X v b X vβ β − + − − 1
!ero tenemos que,
a%3
3 3 3 3 3 3
30" % 1 " % var" % v
t
% b X X % b X b X x
σ β β − = − = =
∑
b%
3
3 3##3
... #" % " ... %n n
v v % v % % v v
n n
+ += = + +
. 4omo los términos " % 2,i - % v v i = ∀ ≠ , se
tiene,
33 3 3 3
#3 3
# #" % " ... % vn v % v % v v nn n n
σ σ = + + = =
c% 3" % 2, % b X vβ − = ya que tanto " % % b β − como " % % v son nulos, y cte. X =
!or lo tanto,
8/17/2019 APUNTES DE ECONOMETRIA (MODELO DE REGRESIÓN CON DOS VARIABLES)
15/34
3 3 33 3 3
3 3
#var" % 0 " % 1 v v
v
t t
X a % b X v X
x n n x
σ σ β σ
= − − + = + = +
∑ ∑"#$%
!ropiedad G a covarianza entre a y b, es,3
3cov" , % v
t
X a b xσ = − ∑ .
[ ]cov" , % " %" % " " % %" %a b % a b % b X v bα β β β = − − = − − + − =
)3" % " % % v b X bβ β − − −
!ero [ ]" % 2 % v b β − = , al ser nulas las esperanzas tanto de v como de "b-β %, así que,
33
3cov" , % " % var" % v
t
a b % X b X b X x
σ β = − − = − = − ∑ "#F%
En el desarrollo de todas estas propiedades, hemos hecho uso permanentemente
de las hipótesis a%, b% y c%. (u incumplimiento tendr' consecuencias sobre las mismas
como tendremos ocasión de ver m's adelante.
!ropiedad #2/ 9eorema de .auss /arov. Es el teorema m's importante de los M4-.
El teorema airma que los estimadores mínimo cuadr'ticos son los de varianza menor
entre la clase de los estimadores lineales e insesgados "eiciencia%.
!ara probarlo se deine un nuevo estimador lineal e insesgado, 1, y se llega a la
conclusión de que var" 1% J var"b% siendo b el estimador M4-. (ea pues,
t t 1 c Y =∑ "#G%
donde ct son las ponderaciones que hacen a 1 una combinación lineal de Y t . (e tiene
que,
" %t t t t t t t t t t 1 c Y c X v c c X c vα β α β = = + + = + +∑ ∑ ∑ ∑ ∑
por tanto,
" % " % " % " %t t t t t t t t % 1 % c % c X % c v c c X α β α β = + + = +∑ ∑ ∑ ∑ ∑
8/17/2019 APUNTES DE ECONOMETRIA (MODELO DE REGRESIÓN CON DOS VARIABLES)
16/34
(i 1 es un estimador insesgado, ha de cumplirse que 2 y #.t t t c c X = =∑ ∑ hora podemos probar el teorema siguiendo dos vías alternativas/
a% !rueba #. 4omo,
3 3 3var" % 0 1 0 1 0 " % 1t t t t t 1 % 1 % c Y % c X vβ β α β β = − = − = + + −∑ ∑ )
)30 1t t t t t % c c X c vα β β + + −∑ ∑ ∑
que, en virtud de las condiciones de insesgadez, queda,
3 3var" % 0 1 0 1t t t t 1 % c v % c vβ β = + − =∑ ∑ )
) ( ) 3 3 3
# # ... 0 3 1n n t t i - i -i -
% c v c v % c v c c v v≠
+ + = +∑ ∑
pero el <imo término tendr' esperanza nula por la hipótesis de no autocorrelación, y
por tanto,
3 3 3 3 3 3var" % " % " %t t t t v t 1 % c v c % v cσ = = =∑ ∑ ∑ "32%
!ara comparar la varianza de este nuevo estimador 1 con la del estimador M4-, podemos escribir,
ct = *t + "ct 2 *t %
3 3 3" % 3 " %t t t t t t t c * c * * c *= + − + −∑ ∑ ∑ ∑
pero,
3t t
t t
t
c xc * x= ∑∑ ∑
y," % #
t t t t t t t c x c X X c X X c= − = − =∑ ∑ ∑ ∑
por las condiciones de insesgadez de ct . !or tanto,
3 3
#t t t t
t t
c x
c * x x= =∑∑ ∑ ∑
8/17/2019 APUNTES DE ECONOMETRIA (MODELO DE REGRESIÓN CON DOS VARIABLES)
17/34
y,
3
3 3
# #3 " % 3 3 3 3 2t t t t t t
t t
* c * * c * x x
− = − = − =∑ ∑ ∑
∑ ∑de manera que,
3 3 3" %t t t t c * c *= + −∑ ∑ ∑
o bien,
3 3 3 3 3 3" %v t v t v t t c * c *σ σ σ = + −∑ ∑ ∑
lo que conduce a,
33var" % var" % " %v t t 1 b c *σ = + −∑ "3#%
siendo el segundo término del segundo miembro necesariamente positivo o nulo, se
sigue que, o bien la varianza de 1 es mayor que la de b, o en todo caso son iguales, pero
esta <ima posibilidad implica que,
3" % 2
" % 2
, y
t t
t t
t t t t t t
c *
c *
c * c Y *Y 1 b
− =
− =
= = ⇒ =
∑
∑
∑ ∑ ∑ ∑
n'logamente se probaría que a es un estimador lineal, insesgado y de mínima varianza
"óptimo% de α .
b% !rueba 3. !artimos de "#G%,
t t 1 c Y =∑
y an'logamente hacemos,
8/17/2019 APUNTES DE ECONOMETRIA (MODELO DE REGRESIÓN CON DOS VARIABLES)
18/34
t t 3 d Y =∑
lleg'ndose a,
3 3 3 3var" % , y var" %v t v t
1 c 3 d σ σ = =∑ ∑
!robaremos ahora que cuando var" 1% es mínima, entonces 1 coincide con b, el
estimador mínimo cuadr'tico. K an'logamente con 3.
a var" 1% ser' mínima cuando lo sea la e+presión3
t c∑ dado que 3vσ esconstante. !or tanto nuestro problema se reduce a minimizar dicha e+presión sujeta a las
condiciones de insesgadez,
2 y #.t t t c c X = =∑ ∑
a unción au+iliar de agrange a minimizar, es/
( )3 3 # 3t t t t 4 c c X cλ µ = − − −∑ ∑ ∑
de donde7,
3 3 3 2,t t t t t
4 c X c X c
λ µ λ µ ∂ = − − = ⇒ = +∂ ∑ "33%
(umando,
2, por 2t t t c X n cλ µ = + = =∑ ∑ ∑ "insesgadez%
n'logamente multiplicando "33% por X t y sumando,
3
3 #, por # "insesgadez%t t t t
t t t t t t
c X X X c X X X c X
λ µ λ µ
= += + = =∑ ∑ ∑ ∑
9enemos pues el sistema,
3
2
#
t
t t
X n
X X
λ µ
λ µ
+ =
+ =∑∑ ∑
7 9éngase en cuenta que 3 3 3# 3 # # #
" ... % 3 " ... #% 3 " ... %n n n n
4 c c c c X c X c cλ µ = + + + − + + − − + + y
derivando respecto a cada ci, , # ##
3 3 3 2L ... 3 3 3 2n nn
4 4
c X c X c cλ µ λ µ ∂ ∂
= − − = = − − =∂ ∂ , de donde se
deduce la del te+to.
8/17/2019 APUNTES DE ECONOMETRIA (MODELO DE REGRESIÓN CON DOS VARIABLES)
19/34
o bien,
3
2
#t t
X
X X
λ µ
λ µ
+ =
+ =
∑ ∑de la primera ecuación se deduce que X µ λ = − , y sustituyendo en la segunda,
3 3
# #
" %t t X X xλ = =
−∑ ∑
(ustituyendo estos resultados en "33%, tenemos,
3 3 3 3
t t t
t t t t t
X X X x X c
x x x x
−
= − = =∑ ∑ ∑ ∑
!ero la <ima e+presión, 3t
t
x
x∑ coincide con *t , es decir con las ponderaciones delestimador mínimo cuadr'tico, quedando así probado el teorema.
En eecto, el estimador M4- quedó deinido como,
t t b *Y =
∑hemos deinido un nuevo estimador lineal e insesgado t t 1 c Y =∑ y cuando hemosminimizado su varianza, hemos llegado a la conclusión de que,
t t t t 1 c Y *Y b= = =∑ ∑
a introducción del término de perturbación aleatoria en el modelo, transormó a
Y t en una variable aleatoria "propiedad #%. !uesto que postulamos que las vt seguían una
distribución normal "proposición 8%, ésta ser' también la distribución de Y t . (iendo los
estimadores a y b combinaciones lineales de las Y t , su distribución de probabilidad ser'
asimismo normal. emos calculado sus respectivas medias y varianzas "propiedades ;,$
y F% de orma que,
8/17/2019 APUNTES DE ECONOMETRIA (MODELO DE REGRESIÓN CON DOS VARIABLES)
20/34
33
3
3
3
#, "37%
, "38%
v
t
v
t
X a N
n x
b N
x
α σ
σ β
→ +
→
∑
∑
4on estos resultados estaríamos en condiciones de poder contrastar hipótesis
sobre ambos estimadores. ntes repasaremos brevemente los principios b'sicos de la
contrastación de hipótesis.
0.- Contrastación d! iót!sis
os resultados establecidos en "37% y "38% nos permitirían en principio seguir un
procedimiento an'logo al descrito en el epígrae anterior para contrastar hipótesis acerca
de los valores de los par'metros. !or ejemplo, si estimamos una unción de consumo
Neynesiana y obtenemos 5 t ) 3.: C 2.F t , puesto que b es una normal, podríamos
eectuar un contraste estadístico acerca del verdadero valor del par'metro poblacional.
El estadístico de contraste sería,
3
vb
t
b b
x
β β
σ σ
− −=
∑"3:%
que sigue una distribución normal tipiicada al estar b corregido por su media "β % y su
desviación típica.
El problema es que no conocemos la varianza de las perturbaciones aleatorias.
*na solución lógica es sustituirla por la varianza muestral, pero éste no es un estimador
insesgado "aunque sí m'+imo verosímil%. -btendremos ahora un estimador insesgado de
la varianza de las perturbaciones aleatorias.
!ropiedad ##. *n estimador insesgado de la varianza de las perturbaciones aleatoriasviene dado por la e+presión,
8/17/2019 APUNTES DE ECONOMETRIA (MODELO DE REGRESIÓN CON DOS VARIABLES)
21/34
3
3
3t d s
n=
−∑ "3;%
!uesto que Y t = α + β X t + vt , y Y X vα β = + +
, restando se obtiene,
" % " %,
" %
t t t
t t t
Y Y X X v v
y x v v
β
β
− = − + −
= + −
siendo 6t t y bx= , queda,
6 " % " % " %t t t t t t t t d y y x v v bx b x v vβ β = − = + − − = − − + −
Elevando al cuadrado y sumando,
3 3 3 3" % " % 3" % " %t t t t t d b x v v b x v vβ β = − + − − − −∑ ∑ ∑ ∑
como 2,t x v =∑ se tiene,3 3 3 3" % " % 3" %t t t t t d b x v v b x vβ β = − + − − −∑ ∑ ∑ ∑
y tomado esperanzas,
E0 3 3 3 31 E0" % " % 3" %t t t t t d b x v v b x vβ β = − + − − −∑ ∑ ∑ ∑ 1 "3$%
!ero,
a%3
3 3 3 3 3 3 3
30" % 1 " % var" % vt t t t v
t
% b x x % b x b x x
σ β β σ − = − = = =∑ ∑ ∑ ∑ ∑
b% dem's
3 3
" % " #%t v % v v n σ − = − ∑ . En eecto,3 3 3" % " 3 %
t t t % v v % v v v v− = + − ∑ ∑ . !ero 3 3v nv=∑ y 33 3 3t t
vv v vn nv
n= =∑∑ . !or
tanto,3 3 3" %
t t % v v % v nv− = − ∑ ∑ . 4omo
3 3
3 3#
3
..." % n v
v
v v nn% v n% n
n n
σ σ
+ += = =
. K
inalmente,3 3 3 3 3 3 3 3" % " % " % " #%
t t t v v v % v v % v nv % v n% v n nσ σ σ − = − = − = − = − ∑ ∑ ∑ ∑
8/17/2019 APUNTES DE ECONOMETRIA (MODELO DE REGRESIÓN CON DOS VARIABLES)
22/34
c% !or <imo,( )
3
3 33 " % 3 3
t t t t
t t t t
t t
x v x v % b x v % x v %
x xβ
− − = − = −
∑∑∑ ∑∑ ∑ )
) ( ) 3
3
3t t
t
% x v
x
− ∑∑
. !ero ( ) ( )3 3 3 3 33t t i i i - i - i i
i -
% x v % x v x x v v % x v≠
= + =
∑ ∑ ∑ ∑)
) ( )3 3 3 3t t v t x % v xσ =∑ ∑ , de manera que,3 3
3 3
3 3
33" % 3v t
t t v
t t
x % x v
x x
σ σ
−−= = −∑∑∑ ∑
>esumiendo, los resultados anteriores permiten poner "3;% de la orma,
3 3 3 3 3 3" #% 3 0# " #% 31 " 3%t v v v v v % d n n nσ σ σ σ σ = + − − = + − − = − ∑
de aquí se sigue que,
( )3 33
3 3
t t
v
% d d %
n nσ
= = − −
∑ ∑"3F%
de manera que la e+presión3
3
t d
n −∑ es un estimador insesgado de la varianza de las
perturbaciones aleatorias en el modelo de regresión simple lineal.
hora podríamos sustituir este valor en la e+presión "3:% y proceder así a la
contrastación de hipótesis. Es decir, utilizaríamos el estadístico de prueba/
3
v
t
b s
x
β −
∑"3G%
(urge sin embargo un nuevo problema. 4uando se sustituye la varianza de las
perturbaciones aleatorias por su estimador insesgado, la e+presión "3G% ya no sigue unadistribución normal sino otra dierente.
>ecordando que el cociente entre una variable aleatoria
8/17/2019 APUNTES DE ECONOMETRIA (MODELO DE REGRESIÓN CON DOS VARIABLES)
23/34
3
3
33
3
v t
v vt
vt
t
b
xb b s sd n
x x
β
σ β β
σ
−
− −= =
−
∑∑
∑∑
En el numerador tenemos ahora una distribución
8/17/2019 APUNTES DE ECONOMETRIA (MODELO DE REGRESIÓN CON DOS VARIABLES)
24/34
!ara construir intervalos de conianza, seguimos un proceso an'logo. Elegido el
nivel de signiicación α , se tiene/
3 3!r #
b
bt t sα α
β α
−− ≤ ≤ = −
o bien,
3 3
!r #b bb s t b s t α α β α
− ≤ ≤ + = −
donde t α ' 3 es el valor en tablas para el nivel de signiicación elegido. En resumen, con un
nivel de conianza de #Bα , el verdadero par'metro poblacional estar' comprendido en el
intervalo,
( )@ 3 @ 3 @ 3, ob b bb s t b s t b s t α α α − + ±
a ausencia de relación entre las e+plicativas "en este caso sólo la X % y la
e+plicada puede contrastarse también por medio de otro estadístico que no emplea la
distribución t . (i 2 es cierta, es decir si no e+iste relación entre X e Y , la variación en Y
no se ver' aectada por los cambios en X y la suma de los cuadrados de la regresión ser'
distinta de cero sólo porque estamos observando una muestra en vez de la población
total. Ello es evidente si tenemos en cuenta que la suma de los cuadrados e+plicada por
la regresión, (4E es,
( ) ( )3 36
t t "#% Y Y a bX Y = − = + −∑ ∑como , ,Y a bX a Y bX = + = − y,
( ) ( )
( )
3 3
3 3 3 3" % "73%
t t
t t t
"#% a bX Y Y bX bX Y
b X X bx b x
= + − = − + − =
− − = − =
∑ ∑
∑ ∑ ∑
si β ) 2, b sólo ser' dierente de cero por las variaciones muestrales, pero en el segundo
miembro de la descomposición "$b%,
"#$ = "#% + "#&
8/17/2019 APUNTES DE ECONOMETRIA (MODELO DE REGRESIÓN CON DOS VARIABLES)
25/34
la pr'ctica totalidad de la variación corresponder' a la suma de los cuadrados residual,
o lo que es lo mismo, el cociente "#%'"#& sólo es dierente de cero como consecuencia
del muestreo. (i corregimos por los respectivos grados de libertad,
@#
@" 3%
"#%
"#& n −"77%
obtenemos el cociente de dos distribuciones χ3 ponderadas por sus grados de libertad
respectivos, es decir una distribución 6 #, nB3, con la que podemos llevar a cabo el
contraste 2/ β ) 2/ calculado el cociente anterior, si el valor obtenido es superior al
tabulado, se rechaza 2. De hecho se demuestra inmediatamente que t 3 ) 6 .
En las aplicaciones puede resultar m's cómodo para el c'lculo, e+presar el
cociente anterior en términos del coeiciente de determinación/
3
3
@#
"# % @" 3%
&
& n− −
5inalmente puesto que
3
3
" 3% v
v
n s
σ
− se distribuye seg&n una
3
3n χ − podemos utilizar
el cociente anterior para contratar hipótesis o construir intervalos de conianza, para el
valor de la varianza de las perturbaciones aleatorias.
E+!%#o 1
Aeamos todo ello con un ejemplo concreto. a tabla siguiente recoge los datos de
desempleo e inlación correspondientes a la economía espaola en el periodo de
reerencia. (e trata de contrastar la hipótesis de !hillips seg&n la cual e+istiría una
relación inversa entre inlación y desempleo
Trimestre Y t
Tasa paro X t
Inflación
1982:1 15.67000 3.874580
1982:2 15.49000 3.773178
1982:3 16.12000 2.098483
1982:4 16.79000 3.5816041983:1 17.47000 2.829077
1983:2 17.04000 2.388231
8/17/2019 APUNTES DE ECONOMETRIA (MODELO DE REGRESIÓN CON DOS VARIABLES)
26/34
1983:3 17.36000 2.519127
1983:4 18.07000 3.967965
1984:1 19.70000 2.766106
1984:2 19.83000 1.720613
1984:3 20.17000 2.445152
1984:4 21.30000 1.814615
1985:1 21.71000 3.2273601985:2 21.68000 1.182143
1985:3 21.50000 1.829362
1985:4 21.67000 1.705918
/a$#a 1. Datos b'sicos de paro e inlación
a matriz de varianzas y covarianzas, es/
Y X
Y 5.106165 1.197381
X 1.197381 0.714318
!e"ias 18.84813 2.607720
/a$#a (. Aarianzas, covarianzas y medias
Estimamos en primer lugar la ecuación,
t t t Y X vα β = + +
obteniéndose,
# #
3
#; 8#.$38 72#.:$
8#.$38 #32.373 $;$.3:3
n X Y a
X X XY b
− − = = ∑ ∑∑ ∑ ∑ )
3
#32.373 8#.$38 72#.:$ 37.33:#
8#.$38 #; $;$.:3: #.;F8#32.373O#; 8#.$38
− = − −−
El signo del par'metro es negativo como postula la hipótesis teórica.
El ajuste vendría dado por el coeiciente de determinación, ser'
3 3 3 3 33
3 3" #.;F8% 2.$#87#F 2.7G;$
:.#2;#;:t x
t y
b x b s"#% &"#$ y s
−= = = = =∑∑
l mismo resultado se llega calculando el coeiciente de correlación,
#.#G$7F#2.;3$
? 2.$#87?:.#2;3 xy
x y
sr
s s
−= = = −
y elevando al cuadrado este valor.
9ambién podría calcularse a partir de,
8/17/2019 APUNTES DE ECONOMETRIA (MODELO DE REGRESIÓN CON DOS VARIABLES)
27/34
3
3
3# ry
y
s &
s= −
donde sr
es la varianza residual que podemos obtener a partir de,3
3 t
ry
d s
n= ∑
El ajuste no es e+cesivamente bueno aunque esto es habitual cuando se trabajacon tasas de variación.
Aeamos ahora el contraste de hipótesis.
a% 4ontraste de la hipótesis 2/ β ) 2 El estadístico de contraste es,
3n
b
bt
s
β −
−=
de manera que necesitamos conocer sb. (abemos que,
3 3 33
3 3 3
v v vb
t t x
s s s
x x ns
σ = = =
∑ ∑
y el estimador insesgado de la varianza de las perturbaciones aleatorias, es/
3
3
3t
v
d s
n=
−∑
a suma cuadr'tica de los residuos puede obtenerse de distintas ormas. De ladeinición se deduce que,
( ) ( ) ( )33 3 3 3 3 3 3 3#;":.#2; " #.;F8% ?2.$#87 8G.3G
t t t t t y xd y bx y b x n s b s= − = − = − = − − =∑ ∑ ∑ ∑
y por tanto,
3
3 8G.3G 7.:33 #; 3t
v
d s
n= = =
− −∑
lo que proporciona,
3 33
3 3
7.:32.72F, 2.72F 2.:::
#;?2.$#87v v
b b
t x
s s s y s
x ns= = = = = =
∑
8/17/2019 APUNTES DE ECONOMETRIA (MODELO DE REGRESIÓN CON DOS VARIABLES)
28/34
de manera que ya tenemos todos los datos del estadístico de contraste. (i la hipótesis
nula es cierta, entonces " % @ bb sβ − , se distribuye como una t de (tudent con #8 grados
de libertad. !ara un nivel de signiicación del :P "puede elegirse el que se quiera%,
sabemos por las tablas de dicha distribución, que el G: P de la masa de probabilidadest' comprendido en el intervalo "B3.#8:, 3.#8:%. !or tanto si el valor que obtengamos
est' uera del mismo, tenemos una evidencia empírica en contra de la hipótesis nula. Es
decir, rechazaremos dicha hipótesis si el valor que obtengamos es mayor en valor
absoluto que 3.#8:. os c'lculos para nuestro ejemplo concreto arrojan,
#.;F8 27.27
2.:::b
b
s
β − − −= = −
que es en eecto mayor "en valor absoluto% que el valor crítico tabulado. (e rechaza por
tanto 2.
(i se considera que el contraste debe ser de una cola "es decir, si pensamos que
la evidencia en contra sólo ha de buscarse en la cola negativa de la distribución%, el
valor en tablas es menor en valor absoluto/ B #.$;#, de manera también se rechaza la
hipótesis en este caso.
b% 4ontraste de la hipótesis 2/ β ) B # os c'lculos son idénticos, pero no el
resultado,
#.;F8 " #%#.373
2.:::b
b
s
β − − − −= = −
es decir, en este caso no podría rechazarse la hipótesis nula al no ser el valor obtenido
superior en valor absoluto al tabulado.
c% 4onstrucción de un intervalo de conianza del G:P. En este caso sabemos que,
2.23: 2.23:
#.;F8!r 3.#8: 3.#8: 2.G:
2.:::b
bt t
s
β β − − − − ≤ ≤ = − ≤ ≤ =
es decir,
( )!r #.;F8 2.:::?3.#8: #.;F8 2.:::?3.#8: 2.G:β − − ≤ ≤ − + =
8/17/2019 APUNTES DE ECONOMETRIA (MODELO DE REGRESIÓN CON DOS VARIABLES)
29/34
de manera que con un nivel de conianza del G:P,
" 3.F$8, 2.8G7:%β ∈ − − ó B #.;F8 ±2.:::?3.#8:
d% 4ontraste de la signiicatividad global de la regresión. En el caso de la regresión
simple, no hay dierencia entre este contraste y el que se reiere al par'metro β, es
decir si β es signiicativo, lo ser' también la regresión ya que ésta sólo tiene una
variable e+plicativa. a situación es dierente en el caso de la regresión m<iple
como veremos en u momento. De todas ormas ilustramos aquí este contraste.
*saríamos el estadístico dado por "77%, que puesto en unción del coeiciente de
determinación, queda/
3
#,#8 3
@# 2.7G;$G.32;
"# % @#8 2.287#
& 6
&= = =
−
siendo superior al valor tabulado al :P "8.;2%, se rechazaría la hipótesis nula. (e
comprueba que 6 = t 3.
e% =ntervalo de conianza para la varianza de las perturbaciones aleatorias. !uesto
que,
33
#83
" 3% v
v
n s χ
σ
−→
para un nivel de conianza del G:P se tiene,
3
3
#8!r 2.G:v
v
s 3 1
σ
≤ ≤ =
3
3
#8!r :.;3G 3;.##G 2.G:v
v
s
σ
≤ ≤ =
8/17/2019 APUNTES DE ECONOMETRIA (MODELO DE REGRESIÓN CON DOS VARIABLES)
30/34
3
3
#8?7.:3!r :.;3G 3;.##G 2.G:
# #
!r 2.G:3;.##G 8G.3F :.;3G
v
v
σ
σ
≤ ≤ =
≤ ≤ =
( )3!r #.FF;$ F.$:8$ 2.G:vσ ≤ ≤ =
que es el intervalo de conianza del G:P.
continuación se muestran los resultados obtenidos con EBvieQs "en negrilla los
que hemos calculado en los epígraes anteriores%/
#epen"ent $aria%le: &'()
!et*o": +east ,-ares
#ate: 04/20/03 Time: 13:28
,ample: 1982:1 1985:4
Incl"e" o%serations: 16
$aria%le oefficient ,t". rror t,tatistic &ro%.
23.21934 1.526001 15.21581 0.0000
T& -1.676258 0.556678 -3.011179 0.0093
(s-are" 0.393078 !ean "epen"ent ar 18.84812
'"ste" (s-are" 0.349726 ,.#. "epen"ent ar 2.333790
,.. of reression 1.881958 'aie info criterion 4.218971
,m s-are" resi" 49.58474 ,c*ar criterion 4.315545
+o lieli*oo" 31.75177 statistic 9.067200
#r%inatson stat 1.056185 &ro%statistic; 0.009342
2.- r!dicción
Estimada la ecuación "#%, puede interesarnos eectuar pronósticos sobre los valores
uturos de la variable dependiente Y t . !or ejemplo queremos conocer cu'l ser' el valor Y 2 asociado a un X 2 determinado "predicción condicionada%. a predicción lleva
implícito el supuesto de que la relación estimada se mantendr' en el uturo.
(e pueden hacer dos tipos b'sicos de predicción, por 7untos o por interva!os, de
la misma orma que puede darse una estimación puntual o por intervalos del par'metro
poblacional β ( !ero en la pr'ctica la predicción es de poca utilidad si no va acompaada
de una medida de su precisión, por lo que lo habitual es eectuar una predicción por intervalo. Es pues necesario conocer el error del pronóstico.
8/17/2019 APUNTES DE ECONOMETRIA (MODELO DE REGRESIÓN CON DOS VARIABLES)
31/34
a predicción puntual ser',
2 26Y a bX = +
en tanto que el verdadero valor de Y 2 es,
2 2 2Y X vα β = + +
de manera que el error del pronóstico, ser',
2 2 2 2 2 2 2 26 " % " %e Y Y X v a bX v a b X α β α β = − = + + − − = − − − − "78%
Es inmediato que,
2 2 2
" % " % " % " % 2 % e % v % a X % bα β = − − − − =
ya que a y b son estimadores insesgados de α y β , y que la esperanza de v2 es nula por
hipótesis. !or tanto,
2 26" % % Y Y =
y el predictor 26Y es por tanto un estimador insesgado del verdadero valor Y 2.
En cuanto a la varianza del error, vendr' dada por,
[ ]33
2 2 2 2var" % " % " % " %e % e % v a b X α β = = − − − − =
)3 3 3 3
2 2 2 2 2 2" % " % 3 " %" % 3 " % 3 " % % v a X b X a b v a v X bα β α β α β + − + − + − − − − − −
!ero puesto que % 0v2"a-α %1 y % 0v2"b-β %1 son nulas, se tiene/
3 3 3 32 2 2 2var" % " % " % 3 " %" %e % v a X b X a bα β α β = + − + − + − − 3
) 3 3 3 32 2 2" % " % " % 3 0" %" %1 % v % a X % b X % a bα β α β + − + − + − − =
) 32 2 2var" % var" % var" % 3 cov" , %v a X b X a b+ + +
(ustituyendo estas e+presiones por los valores obtenidos en las propiedades "$%,"F% y "G%, se llega a/
33
3 3 3 32 22 3 3 33#var" % v v v v
t t t
X X X X en x x x
σ σ σ σ = + + + − ∑ ∑ ∑
)
8/17/2019 APUNTES DE ECONOMETRIA (MODELO DE REGRESIÓN CON DOS VARIABLES)
32/34
)3 33
3 32 2 2
3 3 3 3
3 " %# ## #v v
t t t t
X X X X X X
n x x x n xσ σ
−+ + + − = + +
∑ ∑ ∑ ∑"7:%
De la e+presión anterior se deduce que la varianza del error ser' mínima cuando
2 X X = y crecer' en la medida en que se aleje de dicho valor.
De "78% se deduce que e2 ser' una normal con media nula y varianza dada por
"7:%, de manera que,
2 2
3
2
3
" %
"2,#%" %##v
t
e % e
N X X
n xσ
−
→ −+ +
∑
(ustituyendo vσ por su estimador insesgado sv, se tiene,
2 2
3 3
2 2
3 3
2 2
3 33 3
2
3
" % " %# ## #" %
" %##
3 33
v
t t
t t t
t
v
e e
X X X X
n x n xe % e
d d d X X n nn n x
σ
σ
− −+ + + +−
= = −
+ + − −−
∑ ∑∑ ∑∑
∑
a <ima e+presión es el cociente de una
8/17/2019 APUNTES DE ECONOMETRIA (MODELO DE REGRESIÓN CON DOS VARIABLES)
33/34
(i el interés radica en pronosticar no Y 2 sino % "Y 2%, la &nica dierencia estriba en
que el error de predicción ser' menor, al haber desaparecido una uente de variación,
2 2 2 2 2 26R " % " % " %e % Y Y X a bX a b X α β α β = − = + − − = − − − − "7$%
a dierencia con "78% es que ahora no aparece el término v2. Ello tiene su
correspondiente relejo en la varianza,
3 333 3 3 32 2 2
2 3 3 3 3
3 " %# #var" R %
v v v v
t t t t
X X X X X X e
n n x x x xσ σ σ σ
−= + + − = +
∑ ∑ ∑ ∑"7F%
El predictor sigue siendo un estimador insesgado ya que 2" R % 2 % e = , pero su
varianza es ahora menor.
n'logamente,
2 2 2
33 33 3
2 2
3 3
6R " %
" % " %# #
3 3
n
t t
t t
e % Y Y t
d d X X X X
n n n nd d
−
−= =
− −+ +
− −∑ ∑
∑ ∑"7G%
(iguiendo con el ejemplo de la curva de !hillips, si queremos una predicción por
intervalos de la tasa de paro para #GF;/#, suponiendo que la inlación uese del
3P, tendremos que la predicción ser' simplemente,
#GF;.#6 37.33 #.;FO3 #G.F;Y = − =
es decir que, si la inlación es del 3P, el paro ser' del #G.F; P.
!ara construir el intervalo de conianza utilizamos las e+presión "7% de la que ya
hemos calculado pr'cticamente todos los valores. 4omo el intervalo es del G:P hemos
de buscar en las tablas de la t (tudent con #8 g.l., los valores entre los que est'
comprendida el G:P de la masa de probabilidad. Dichos valores resultan ser B3.#8: y
3.#8:. !or tanto,
8/17/2019 APUNTES DE ECONOMETRIA (MODELO DE REGRESIÓN CON DOS VARIABLES)
34/34
2 2
3 3
2
3
6!r 3.#8: 3.#8: 2.G:
" %##
3
t
t
Y Y
d X X
n n x
÷ ÷−
− < < = ÷ ÷−
+ + ÷ ÷−
∑
∑
y sustituyendo,
2
3
#G.F;!r 3.#8: 3.#8: 2.G:
# "3 3.;#%7.:3 #
#; ##.83G
Y
÷
− ÷− < < = ÷
− ÷+ + ÷
de manera que el intervalo queda inalmente,
#G.F; 3.#8:?#.G;77±