Descarga la aplicación para disfrutar aún más
Vista previa del material en texto
ˇˇ Econometrı́a I EAE2510 Clase 3 Estimación del Modelo de Regresión Lineal Miriam Artiles Instituto de Economı́a Pontificia Universidad Católica de Chile Segundo Semestre 2021 Introducción Modelo de regresión lineal simple Modelo de regresión lineal múltiple Resumen En la última clase • Datos de sección cruzada o corte transversal • Término de error o perturbación u ◦ Componente aleatorio no observado ◦ Representa todos los factores no incluidos como variables explicativas (x1, ..., xk) en el modelo que pueden afectar a y • Una interpretación causal de β1 requiere que todos los factores distintos de x1 que pueden afectar a y sean constantes ◦ Estos factores pueden estar omitidos en el término de error u o incluidos en el modelo como variables explicativas distintas de x1 • Sólo ası́ puedo saber sin ambiguedad que variaciones en y se deben a variaciones en x1 y no a variaciones en otras variables (omitidas o incluidas en el modelo) 1 / 14 Introducción Modelo de regresión lineal simple Modelo de regresión lineal múltiple Resumen En la clase de hoy1 • Estimación de (β0,β1) siguiendo el criterio de Mı́nimos Cuadrados Ordinarios ◦ Caso 1: modelo de regresión lineal simple ◦ Caso 2: modelo de regresión lineal múltiple (notación matricial) ——– 1 Wooldridge, capı́tulos 2 y 3 2 / 14 Introducción Modelo de regresión lineal simple Modelo de regresión lineal múltiple Resumen Modelo de regresión lineal simple El problema a resolver • Considera una muestra aleatoria de tamaño n obtenida de la población {(yi, xi) : i = 1, ..., n} • Para cada observación i = 1, ..., n de la muestra se tiene la siguiente ecuación yi = β0 + β1xi + ui • Nuestro objetivo consiste en obtener estimaciones (β̂0, β̂1) de los parámetros poblacionales (β0,β1) (desconocidos) • Seguiremos el criterio de mı́nimos cuadrados ordinarios (MCO) 3 / 14 Introducción Modelo de regresión lineal simple Modelo de regresión lineal múltiple Resumen Modelo de regresión lineal simple El problema a resolver • Considera una muestra aleatoria de tamaño n obtenida de la población {(yi, xi) : i = 1, ..., n} • Para cada observación i = 1, ..., n de la muestra se tiene la siguiente ecuación yi = β0 + β1xi + ui • Nuestro objetivo consiste en obtener estimaciones (β̂0, β̂1) de los parámetros poblacionales (β0,β1) (desconocidos) • Seguiremos el criterio de mı́nimos cuadrados ordinarios (MCO) 3 / 14 Introducción Modelo de regresión lineal simple Modelo de regresión lineal múltiple Resumen Modelo de regresión lineal simple Definiciones: valores ajustados y residuos • Para cada observación i, se define el valor predicho o ajustado ŷi como ŷi = β̂0 + β̂1xi • Vamos a definir el residuo ûi para la observación i como la diferencia entre el valor verdadero yi y el valor ajustado ŷi ûi = yi − ŷi = yi − (β̂0 + β̂1xi) 4 / 14 Introducción Modelo de regresión lineal simple Modelo de regresión lineal múltiple Resumen 5 / 14 Introducción Modelo de regresión lineal simple Modelo de regresión lineal múltiple Resumen Modelo de regresión lineal simple Estimación: Mı́nimos Cuadrados Ordinarios • El criterio MCO encuentra (β̂0, β̂1) tal que se minimiza la suma de los residuos al cuadrado: β̂0, β̂1 = argmin {β̂0,β̂1} 1 n n∑ i=1 û2i = argmin {β̂0,β̂1} 1 n n∑ i=1 (yi − β̂0 − β̂1xi)2 • Las condiciones de primer orden del problema de optimización son β̂0 : − 2 n n∑ i=1 (yi − β̂0 − β̂1xi) = 0←→ n∑ i=1 ûi = 0 (1) β̂1 : − 2 n n∑ i=1 xi(yi − β̂0 − β̂1xi) = 0←→ n∑ i=1 xiûi = 0 (2) • Las condiciones de primer orden también reciben el nombre de ecuaciones normales. Las ecuaciones (1) y (2) forman el sistema de ecuaciones normales. 6 / 14 Introducción Modelo de regresión lineal simple Modelo de regresión lineal múltiple Resumen Modelo de regresión lineal simple Estimación: Mı́nimos Cuadrados Ordinarios • El criterio MCO encuentra (β̂0, β̂1) tal que se minimiza la suma de los residuos al cuadrado: β̂0, β̂1 = argmin {β̂0,β̂1} 1 n n∑ i=1 û2i = argmin {β̂0,β̂1} 1 n n∑ i=1 (yi − β̂0 − β̂1xi)2 • Las condiciones de primer orden del problema de optimización son β̂0 : − 2 n n∑ i=1 (yi − β̂0 − β̂1xi) = 0←→ n∑ i=1 ûi = 0 (1) β̂1 : − 2 n n∑ i=1 xi(yi − β̂0 − β̂1xi) = 0←→ n∑ i=1 xiûi = 0 (2) • Las condiciones de primer orden también reciben el nombre de ecuaciones normales. Las ecuaciones (1) y (2) forman el sistema de ecuaciones normales. 6 / 14 Introducción Modelo de regresión lineal simple Modelo de regresión lineal múltiple Resumen Modelo de regresión lineal simple Estimación: Mı́nimos Cuadrados Ordinarios • Siguiendo las propiedas del operador ∑ , de la primera ecuación se obtiene: β̂0 = ȳ − β̂1x̄ Donde ȳ = n−1 ∑n i=1 yi es la media muestral de las yi y análogamente x̄ = n−1 ∑n i=1 xi corresponde a la media muestral de las xi • Trabajando en la segunda ecuación obtenemos: n∑ i=1 xi(yi − (ȳ − β̂1x̄︸ ︷︷ ︸ β̂0 )− β̂1xi) = 0 Reordenando, n∑ i=1 xi(yi−ȳ) = β̂1 n∑ i=1 xi(xi−x̄)↔ β̂1 = ∑n i=1(xi − x̄)(yi − ȳ)∑n i=1(xi − x̄)2 = Cov(x, y) V ar(x) Donde, 1) ∑n i=1 xi(yi − ȳ) = ∑n i=1(xi − x̄)(yi − ȳ) 2) ∑n i=1 xi(xi − x̄) = ∑n i=1(xi − x̄)2 7 / 14 Introducción Modelo de regresión lineal simple Modelo de regresión lineal múltiple Resumen Modelo de regresión lineal simple Estimación: Mı́nimos Cuadrados Ordinarios • Siguiendo las propiedas del operador ∑ , de la primera ecuación se obtiene: β̂0 = ȳ − β̂1x̄ Donde ȳ = n−1 ∑n i=1 yi es la media muestral de las yi y análogamente x̄ = n−1 ∑n i=1 xi corresponde a la media muestral de las xi • Trabajando en la segunda ecuación obtenemos: n∑ i=1 xi(yi − (ȳ − β̂1x̄︸ ︷︷ ︸ β̂0 )− β̂1xi) = 0 Reordenando, n∑ i=1 xi(yi−ȳ) = β̂1 n∑ i=1 xi(xi−x̄)↔ β̂1 = ∑n i=1(xi − x̄)(yi − ȳ)∑n i=1(xi − x̄)2 = Cov(x, y) V ar(x) Donde, 1) ∑n i=1 xi(yi − ȳ) = ∑n i=1(xi − x̄)(yi − ȳ) 2) ∑n i=1 xi(xi − x̄) = ∑n i=1(xi − x̄)2 7 / 14 Introducción Modelo de regresión lineal simple Modelo de regresión lineal múltiple Resumen Modelo de regresión lineal simple Ejercicio • Muestre que los estimadores MCO (β̂0, β̂1) efectivamente minimizan la suma de los residuos al cuadrado 8 / 14 Introducción Modelo de regresión lineal simple Modelo de regresión lineal múltiple Resumen Modelo de regresión lineal múltiple Forma matricial • Para cada observación i = 1, ..., n de la muestra se tiene la ecuación yi = β0 + β1xi1 + β2xi2 + β3xi3 + . . .+ βkxik + ui • Donde k denota el número de variables explicativas • En forma matricial, el modelo de regresión lineal para el individuo i puede escribirse como: yi = x > i β + ui Donde, xi = 1 xi1 ... xik ((k+1)×1) , β = β0 β1 ... βk ((k+1)×1) 9 / 14 Introducción Modelo de regresión lineal simple Modelo de regresión lineal múltiple Resumen Modelo de regresión lineal múltiple Forma matricial • Para una muestra de n observaciones, el modelo puede escribirse como y = Xβ + u Donde, y = y1 ... yn (n×1) , X = x>1 ... x>n (n×(k+1)) = 1 x11 · · · x1k ... . . . · · · ... 1 xn1 · · · xnk , u = u1 ... un (n×1) , β = β0 ... βk ((k+1)×1) 10 / 14 Trini Correa Introducción Modelo de regresión lineal simple Modelo de regresión lineal múltiple Resumen Modelo de regresión lineal múltiple Estimación: Mı́nimos Cuadrados Ordinarios • La suma de los residuos al cuadrado (SRC) es: SRC(β̃) = n∑ i=1 (yi − x>i β̃)2 =(y −Xβ̃)>(y −Xβ̃) =(y> − β̃>X>)(y −Xβ̃) (∗) =y>y − β̃>X>y − y>Xβ̃ + β̃>X>Xβ̃ =y>y − 2y>Xβ̃ + β̃>X>Xβ̃ (∗∗) Donde β̃> = (β̃0 . . . β̃k) denota valores hipotéticos de β ——– (∗) Nota: [(ab)> = b>a>] y [(a+ b)> = a> + b>] (∗∗) Usando (β̃>X>y) = (β̃>X>y)> = (y>Xβ̃) 11 / 14 Introducción Modelo de regresión lineal simple Modelo de regresión lineal múltiple Resumen Modelo de regresión lineal múltiple Estimación: Mı́nimos Cuadrados Ordinarios • Las condicionesde primer orden del problema de minimización de SRC(β̃) vienen dadas por: ∂SRC(β̃) ∂β̃ ∣∣ β̂ = 0 Esto es, ∂(y>y − 2y>Xβ̂ + β̂>X>Xβ̂) ∂β̂ = 0 (∗) ↔ 0− �2X>y + �2X>Xβ̂ = 0 ↔ (X>X)β̂ = (X>y) (∗∗) ↔ β̂ = (X>X)−1(X>y) ——– (∗) Nota: si a es un vector y A una matriz simétrica, entonces ∂a>β ∂β = a y ∂β >Aβ ∂β = 2Aβ (∗∗) Notar que (X>X) tiene dimensión (k + 1)× (k + 1) y β̂ es un vector de (k + 1)× 1 12 / 14 Introducción Modelo de regresión lineal simple Modelo de regresión lineal múltiple Resumen Modelo de regresión lineal múltiple Ejercicio • Muestre que (X>X) es invertible 13 / 14 Introducción Modelo de regresión lineal simple Modelo de regresión lineal múltiple Resumen En la clase de hoy • Derivamos el estimador MCO para el modelo de regresión lineal • El estimador MCO minimiza la suma de los residuos al cuadrado • En las proximas clases vamos a ver las propriedades de este estimador 14 / 14 Introducción Modelo de regresión lineal simple Modelo de regresión lineal múltiple Resumen
Compartir