Análisis de regresión MCO MELI.

Presentación del tema: "Análisis de regresión MCO MELI."— Transcripción de la presentación:

1 Análisis de regresión MCO MELI

2 Mínimos cuadrados ordinarios
Es una técnica de análisis numérico enmarcada dentro de la optimización matemática, en la que, dados un conjunto de pares ordenados: (variable independiente, variable dependiente) y una familia de funciones, se intenta encontrar la función, que mejor se aproxime a los datos (un "mejor ajuste"), de acuerdo con el criterio de mínimo error cuadrático. Karl Friedrich Gauss.

3 SUPUESTOS DEL MODELO CLASICO LINEAL DE REGRESION (Insesgamiento_MCO)
TEMA II SUPUESTOS DEL MODELO CLASICO LINEAL DE REGRESION (Insesgamiento_MCO) Prof. Samaria Muñoz

4 1: Es un modelo de Regresión Lineal en los Parámetros
El modelo de regresión es lineal en los parámetros Ejemplo de modelos no lineales

5 2: Los valores de las “X” son fijos en muestras repetidas
Dado que el análisis de regresión depende de los valores de las variables exógenas estas deben ser no estocásticas. Las variables exógenas no deben cambiar de muestra en muestra.

6 3: El valor medio de las perturbaciones es igual cero
Para todos los valores de X el valor esperado de las perturbacionesves igual a cero. Los factores no incluidos en el modelo, que se encuentran incorporados en las perturbaciones aleatorias, no afectan sistemáticamente el valor de la media de Y

7

8 E(U/X) = 1, E-12

9 4: El modelo es HOMOCEDASTICO
Dado el valor de las variables exógenas, la varianza de las perturbaciones es siempre la misma. o

10 HOMOCEDASTICIDAD La varianza del consumo permanece constante para todos los niveles de ingreso

11 5: El modelo no tiene AUTOCORRELACION
Dado el valor de las variables exógenas, las perturbaciones son independientes entre si. NO HAY CORRELACION ENTRE LAS PERTURBACIONES

12 No autocorrelación

13 6: No relación entre las perturbaciones y las “X”.
Las perturbaciones no están correlacionadas con las variables exógenas.

14 7: El número de observaciones debe ser mayor que el número de parámetros a estimar.
Identificabilidad o suficiente grados de libertad N > k

15 8: Los valores de “X” deben variar
La varianza de X debe ser un número positivo que es diferente en cada observación, es necesario encontrar

16 9: El modelo de regresión esta bien especificado
No debe haber errores de especificación Se debe seleccionar las variable y la forma funcional adecuada

17 CURVA DE PHILLIPS Y= Cambios en Salario X= Tasa de Desempleo

18 10: Los errores están distribuidos normalmente
Supuesto 3 y 4 Asunción necesaria para realizar inferencia estadística sobre los parámetros.

19 10: NO HAY MULTICOLINEALIDAD PERFECTA
No hay relación perfecta entre las variables exógenas X1 X2 Y