Modelo de Regresi

on con k variables
Propiedades del estimador MCO
Bondad de Ajuste y An
alisis de Varianza
Ejemplo

Clases 4
Econometra I
Javiera Vasquez

Javiera V
asquez

Clases 4 Econometra I

Modelo de Regresi
on con k variables
Propiedades del estimador MCO
Bondad de Ajuste y An
alisis de Varianza
Ejemplo

Contenidos
1 Modelo de Regresi
on con k variables

Representacion Matricial del Modelo de Regresion Lineal

Estimador Mnimo Cuadrados Ordinarios
2 Propiedades del estimador MCO

Propiedad BLUE o MELI

Teorema de Gauss-Markov
3 Bondad de Ajuste y An
alisis de Varianza

Modelo de Regresion Lineal en Desvos

Analisis de Varianza
2
Bondad de Ajuste: R 2 y R
4 Ejemplo

Modelo de Capital Humano: ecuacion de Mincer

Estimacion de ecuacion de Mincer en STATA
Javiera V
asquez

Clases 4 Econometra I

Modelo de Regresi
on con k variables
Propiedades del estimador MCO
Bondad de Ajuste y An
alisis de Varianza
Ejemplo

Modelo de Regresion con k variables

Ahora abandonemos la simplificacion de solo usar dos variables, de
ahora en adelante generalizaremos el modelo de regresion lineal
para que pueda tener hasta k variables explicativas.
Aclaracion: haremos un peque
no cambio de notacion, cada
observacion i de la variable dependiente sera denotada por yi y
cada observacion i de una variable explicativa, por ejemplo X1 ,
sera denotada por x1i . Ahora las variables en min
uscula no significa
que estan en desvos.
El Modelo de Regresion Poblacional en este caso es:
yi = 1 + 2 x2i + ... + k xki + ui
Javiera V
asquez

i = 1, ..., n

Clases 4 Econometra I

Modelo de Regresi
on con k variables
Propiedades del estimador MCO
Bondad de Ajuste y An
alisis de Varianza
Ejemplo

Modelo de Regresion con k variables

El modelo con k variables explicativas puede ser expresado en
notacion matricial. En efecto, cada variable explicativa xj , con
j=1,..., k, es un vector columna de dimension n, al igual que la
variable dependiente y el termino de error. De este modo, el
modelo puede ser reescrito de la siguiente forma:

y1
1
x21
xk1
u1
y2 1
x22
xk2
u2

.. = .. 1 + .. 2 + .. +
.. k + ..
. .
.

.
.
yn

x2n

Javiera V
asquez

xkn

Clases 4 Econometra I

un

Modelo de Regresi
on con k variables
Propiedades del estimador MCO
Bondad de Ajuste y An
alisis de Varianza
Ejemplo

Modelo de Regresion con k variables

Donde las variables explicativas se pueden agrupar en una sola
matriz de dimension nk, que denotaremos simplemente como X,
de esta manera el modelo se expresa de la siguiente forma:

y1
1 x21 x31 xk1
1
u1
y2 1 x22 x32 xk2 2 u2

.. = ..
..
.. . .
.. .. + ..
. .
.
.
.
. . .
yn
1 x2n x3n xkn
k
un
Y = X + u
donde Y es un vector de dimension n1, X es la matriz de
variables explicativas de dimension nk y u es un vector
correspondiente al termino de error con dimension n1.
Javiera V
asquez

Clases 4 Econometra I

Modelo de Regresi
on con k variables
Propiedades del estimador MCO
Bondad de Ajuste y An
alisis de Varianza
Ejemplo

Modelo de Regresion con k variables

Ahora debemos expresar la distribucion del termino de error en
terminos matriciales:

E (u)

E (uu 0 )

E (u1 )
E (u2 )
..
.
E (un )

= 0
n1

E (u12 )
E (u2 u1 )
..
.
E (un u1 )

E (u1 u2 )
E (u22 )
..
.
E (un u2 )

2
0
..
.
0

..
.

0
2
..
.
0

Javiera V
asquez

0
0
..
.
2

..
.

E (u1 un )
E (u2 un )
..
.
E (un2 )

2
= I
nn

Clases 4 Econometra I

Modelo de Regresi
on con k variables
Propiedades del estimador MCO
Bondad de Ajuste y An
alisis de Varianza
Ejemplo

Modelo de Regresion con k variables

De los supuestos 3, 4 y 5, tenemos entonces que el termino de
error tiene la siguiente distribucion:

2
u 0 , I
(1)
n1

nn

El metodo de MCO, plantea que los parametros del modelo

pueden ser estimados minimizando la suma de los errores al
la que en terminos matriciales equivale a:
cuadrado (SE ()),
=
SE ()

n
X

ui2 = u0 u

i=1

Entonces el problema de minimizar la suma de

donde u = Y X .
los errores al cuadrado se expresa de la siguiente forma:
Javiera V
asquez

Clases 4 Econometra I

Modelo de Regresi
on con k variables
Propiedades del estimador MCO
Bondad de Ajuste y An
alisis de Varianza
Ejemplo

Modelo de Regresion con k variables

h
i
= mn (Y X )
0 (Y X )

mn SE ()

h
i
= mn Y 0 Y 20 X 0 Y + 0 X 0 X

SE ()
= 2X 0 Y + 2X 0 X = 0
0

= (X 0 X )1 X 0 Y

(2)

De (10) tenemos:
= 0 X 0 u = 0
X 0 (Y X )
y esta es la condicion de ortogonalidad.
Javiera V
asquez

Clases 4 Econometra I

(3)

Modelo de Regresi
on con k variables
Propiedades del estimador MCO
Bondad de Ajuste y An
alisis de Varianza
Ejemplo

Modelo de Regresion con k variables

De esta forma, el vector de parametros estimados se obtiene de
resolver el siguiente sistema de ecuaciones normales:
X 0 X = X 0 Y

..
.

x2,1 x2,2

..
..
.
.
xk,1 xk,2

1
1 x2,1 x3,1 xk,1
1 x2,2 x3,2 xk,2
x2,n

.. ..
..
..
..
..
..
. . .
.
.
.
.
xk,n
1 x2,n x3,n xk,n

1
1
1 1
x2,1 x2,2 x2,n

= .
..
..
.
..
..
. ..
.
.
xk,1 xk,2
Javiera V
asquez

Clases 4 Econometra I

xk,n

1
2
..
.

k
y1
y2
..
.
yn

Modelo de Regresi
on con k variables
Propiedades del estimador MCO
Bondad de Ajuste y An
alisis de Varianza
Ejemplo

Modelo de Regresion con k variables

Pn n
x
Pni=1 2,i
x
i=1 3,i
..
Pn .
i=1 xk,i

Pn
x2,i
Pi=1
n
x2
Pn i=1 2,i
i=1 x3,i x2,i
..
Pn .
i=1 xk,i x2,i

Javiera V
asquez

..
.

Pn

1
x
k,i
i=1
Pn

x x
2
Pni=1 2,i k,i

i=1 x3,i xk,i

3
.. ..
..
.
. .
Pn
2
k
i=1 xk,i
Pn
i=1 yi
Pn yi x2,i
Pni=1

=
i=1 yi x3,i

..

Pn .
i=1 yi xk,i
Clases 4 Econometra I

Modelo de Regresi
on con k variables
Propiedades del estimador MCO
Bondad de Ajuste y An
alisis de Varianza
Ejemplo

Modelo de Regresion con k variables

Es importante recordar que el estimador MCO esta definido solo
cuando la matriz (XX) es invertible, lo que ocurre siempre y
cuando:
1

Las k columnas de la matriz X sean linealmente

independientes.

Se disponga al menos de tantas observaciones como variables

explicativas, es decir: n k.(Supuesto 7)

Pongamos atencion en el segundo supuesto, cuando n=k la matriz

X tiene dimension kk, por lo tanto salvo que no se cumpla el
supuesto 8, X es invertible, y de esta forma (X 0 X )1 = X 1 (X 0 )1
y por lo tanto:
= (X 0 X )1 X 0 Y = X 1 (X 0 )1 X 0 Y = X 1 Y
Javiera V
asquez

Clases 4 Econometra I

(4)

Modelo de Regresi
on con k variables
Propiedades del estimador MCO
Bondad de Ajuste y An
alisis de Varianza
Ejemplo

Modelo de Regresion con k variables

el vector de residuos
u = Y X = Y X (X 1 Y ) = Y Y = 0n , de esta forma el
ajuste es perfecto, ya que todos los residuos son cero, la suma
residual de igual forma toma el mnimo valor posible, cero.
Sin embargo, esta no es una caracterstica deseable, el ajuste
perfecto ocurre porque tenemos una muestra muy reducida. Esto
trae como consecuencia poco robustez e imprecision en las
estimaciones. Que pasa con
2?
Necesitamos tener un n
umero de observaciones notablemente
superior al de las variables explicativas. La diferencia n-k se conoce
como el n
umero de grados de libertad de la estimacion.
Javiera V
asquez

Clases 4 Econometra I

Modelo de Regresi
on con k variables
Propiedades del estimador MCO
Bondad de Ajuste y An
alisis de Varianza
Ejemplo

Propiedad BLUE o MELI

Teorema de Gauss-Markov

Propiedades del estimador MCO

Notemos que el vector es un vector aleatorio, ya que depende del

vector de errores:
= (X 0 X )1 X 0 Y = (X 0 X )1 X 0 (X + u) = + (X 0 X )1 X 0 u
= E () + E [(X 0 X )1 X 0 u]
E ()
= + (X 0 X )1 X 0 E (u)

Javiera V
asquez

Clases 4 Econometra I

Modelo de Regresi
on con k variables
Propiedades del estimador MCO
Bondad de Ajuste y An
alisis de Varianza
Ejemplo

Propiedad BLUE o MELI

Teorema de Gauss-Markov

Propiedades del estimador MCO

La esperanza de es el mismo parmetro, ya que este es un
constante (valor poblacional), y por supuestos 2 y 3 el segundo
termino de la expresion anterior es cero,
=
E ()

(5)

Es decir, el estimador MCO es insesgado, tal como lo habamos

mostrado anteriormente.
Luego, podemos definir el error de estimacion como:
= (X 0 X )1 X 0 u

Javiera V
asquez

Clases 4 Econometra I

Modelo de Regresi
on con k variables
Propiedades del estimador MCO
Bondad de Ajuste y An
alisis de Varianza
Ejemplo

Propiedad BLUE o MELI

Teorema de Gauss-Markov

Propiedades del estimador MCO

Necesitamos obtener la
Ahora calculemos la varianza de :
varianza de un vector, para eso necesitamos la esperanza de la
siguiente forma cuadratica
= E [( E ())
( E ())
0]
var ()
= E [( ) ( )0 ]
= E [(X 0 X )1 X 0 uu 0 X (X 0 X )1 ]
= (X 0 X )1 X 0 E (uu 0 )X (X 0 X )1
= (X 0 X )1 X 0 ( 2 In )X (X 0 X )1
= 2 (X 0 X )1
(6)
Para poder estimar la varianza de necesitamos reemplazar 2 en
(5) por su estimador insesgado:
2asquez
Javiera V

e =

u 0 uClases 4 Econometra I

Modelo de Regresi
on con k variables
Propiedades del estimador MCO
Bondad de Ajuste y An
alisis de Varianza
Ejemplo

Propiedad BLUE o MELI

Teorema de Gauss-Markov

Propiedad BLUE
es el mejor estimador lineal insesgado (MELI o
Se dice que ,
BLUE) de si se cumple lo siguiente:
1

El lineal, es decir, es una funcion lineal de una variable

aleatoria, como la variable y en el modelo de regresion.
es igual a el
Es insesgado, es decir, su valor esperado, E (),
verdadero valor, .
Tiene varianza mnima dentro de la clase de todos los
estimadores lineales insesgados; un estimador insesgado como
varianza mnima es conocido como un estimador eficiente.

Javiera V
asquez

Clases 4 Econometra I

Modelo de Regresi
on con k variables
Propiedades del estimador MCO
Bondad de Ajuste y An
alisis de Varianza
Ejemplo

Propiedad BLUE o MELI

Teorema de Gauss-Markov

Gauss-Markov
Proposici
on: El estimador MCO es el estimador lineal insesgado
optimo, en el sentido de que cualquier otro estimador lineal e
insesgado tiene una matriz de covarianza mayor que la del
estimador MCO. Es decir, el estimador MCO es MELI (BLUE).
e un estimador lineal de , donde A
e es
Demostraci
on: Sea e = Ay
0
1
0
e
una matriz kn. Denotemos A = A (X X ) X , de modo que:
e = [A + (X 0 X )1 X 0 ]Y
= [A + (X 0 X )1 X 0 ](X + u)
= AX + + [A + (X 0 X )1 X 0 ]u
Aplicando esperanza a la expresion anterior:
Javiera V
asquez

Clases 4 Econometra I

Modelo de Regresi
on con k variables
Propiedades del estimador MCO
Bondad de Ajuste y An
alisis de Varianza
Ejemplo

Propiedad BLUE o MELI

Teorema de Gauss-Markov

Gauss-Markov
e = AX + + [A + (X 0 X )1 X 0 ]E (u)
E ()
= AX +
El estimador e sera insesgado solo si la matriz A es tal que
AX=0kk . De esta forma:
e = + [A + (X 0 X )1 X 0 ]u
y su matriz de covarianza sera:
e = E [(e )(e )0 ]
cov ()
= E {([A + (X 0 X )1 X 0 ]u)([A + (X 0 X )1 X 0 ]u)0 }
= 2 AA0 + 2 (X 0 X )1
| {z }

cov ()
Javiera V
asquez

Clases 4 Econometra I

Modelo de Regresi
on con k variables
Propiedades del estimador MCO
Bondad de Ajuste y An
alisis de Varianza
Ejemplo

Propiedad BLUE o MELI

Teorema de Gauss-Markov

Gauss-Markov

Como la matriz AA0 es semidefinida positiva, se concluye la

diferencia entre la covarianza de e y es una matriz semidefinida
positiva, con lo que la covarianza de e es mayor o igual a la
covarianza de

Javiera V
asquez

Clases 4 Econometra I

Modelo de Regresi
on con k variables
Propiedades del estimador MCO
Bondad de Ajuste y An
alisis de Varianza
Ejemplo

Modelo de Regresi
on Lineal en Desvos
An
alisis de Varianza
2
Bondad de Ajuste: R 2 y R

Modelo de Regresion Lineal en Desvos

Sea el modelo poblacional usual con k variables:
yi = 1 + 2 x2i + 3 x3i + + k xki + ui

(7)

donde i = 1 . . . n y cuya contraparte estimada es:

yi = 1 + 2 x2i + 3 x3i + + k xki + ui

(8)

Luego, si sumamos para todas las observaciones y dividimos a

ambos lados por el tama
no muestral n, tenemos:
Y = 1 + 2 x2 + 3 x3 + + k xk

(9)

1 = Y 2 x2 + 3 x3 + + k xk

(10)

por lo cual:

Javiera V
asquez

Clases 4 Econometra I

Modelo de Regresi
on con k variables
Propiedades del estimador MCO
Bondad de Ajuste y An
alisis de Varianza
Ejemplo

Modelo de Regresi
on Lineal en Desvos
An
alisis de Varianza
2
Bondad de Ajuste: R 2 y R

Modelo de Regresion Lineal en Desvos

La ecuacion (11) muestra que la constante de una regresion queda
determinado por el resto de los k-1 coeficientes involucrados.
Finalmente, note que restando las ecuaciones (9) y (10)
obtenemos:
yi Y = 2 (x2i x2 ) + 3 (x3i x3 ) + + k (xki xk ) + ui
la cual es una expresion similar a (9), excepto por dos importantes
diferencias. Primero, el modelo no posee constante y segundo, las
variables se encuentran expresadas en desvos con respecto a la
media. A pesar de ello, note que los coeficientes y los residuos son
los mismos en ambos modelos.

Javiera V
asquez

Clases 4 Econometra I

Modelo de Regresi
on con k variables
Propiedades del estimador MCO
Bondad de Ajuste y An
alisis de Varianza
Ejemplo

Modelo de Regresi
on Lineal en Desvos
An
alisis de Varianza
2
Bondad de Ajuste: R 2 y R

Modelo de Regresion Lineal en Desvos

Sea i un vector de unos de 1 n y M 0 una matriz de n n,
definida como:

M0 = I
nn

ii 0

=
n

1 0 0
1

0 1 0
1 1
.. .. . .
.. ..
. . n .
. .
0 0 1
1

1
1
n
1 n
1
1
n1

n
= .
..
..
.
n1
Javiera V
asquez

n1

1
1
.. . .
.
.
1

..
.

Clases 4 Econometra I

1
1
..
.
1

n1
n1

..
.
1

1
n

Modelo de Regresi
on con k variables
Propiedades del estimador MCO
Bondad de Ajuste y An
alisis de Varianza
Ejemplo

Modelo de Regresi
on Lineal en Desvos
An
alisis de Varianza
2
Bondad de Ajuste: R 2 y R

Modelo de Regresion Lineal en Desvos

Dicha matriz es singular, simetrica (M 0 =M 0 ) e idempotente
(M 0 M 0 =M 0 ). En general, M 0 es conocida como matriz de
desvos, ya que resta a cada columna de la matriz involucrada,
media aritmetica. Por ejemplo, es facil comprobar que:

Pn
y1 Y
y1
i=1 yi
P
n

1 0
i=1 yi
y2 1
y2 Y
0
M Y = Y ii Y = .
=
..
..
n

.. n
.
Pn .
yi
yn Y
yn
i=1

Javiera V
asquez

Clases 4 Econometra I

su

Modelo de Regresi
on con k variables
Propiedades del estimador MCO
Bondad de Ajuste y An
alisis de Varianza
Ejemplo

Modelo de Regresi
on Lineal en Desvos
An
alisis de Varianza
2
Bondad de Ajuste: R 2 y R

Modelo de Regresion Lineal en Desvos

Por lo tanto, nuestro modelo expresado en matrices, puede ser

expresado en terminos de desvo con respecto a la media como:
M 0Y = M 0X + M 0u

Javiera V
asquez

Clases 4 Econometra I

(11)

Modelo de Regresi
on con k variables
Propiedades del estimador MCO
Bondad de Ajuste y An
alisis de Varianza
Ejemplo

Modelo de Regresi
on Lineal en Desvos
An
alisis de Varianza
2
Bondad de Ajuste: R 2 y R

Analisis de Varianza
Suponga entonces el siguiente modelo poblacional:
Y = X + u
Buscamos entonces definir la variacion de la variable dependiente
(Suma de los cuadrados totales = TSS) como:
TSS =

n
X
(Yi Y )2

(12)

i=1

Para encontrar entonces una expresion para (13), de la ecuacion

(12) tenemos que nuestro modelo estimado en desvos con
respecto a la media es:
M 0 Y = M 0 X + M 0 u
Javiera V
asquez

Clases 4 Econometra I

Modelo de Regresi
on con k variables
Propiedades del estimador MCO
Bondad de Ajuste y An
alisis de Varianza
Ejemplo

Modelo de Regresi
on Lineal en Desvos
An
alisis de Varianza
2
Bondad de Ajuste: R 2 y R

Analisis de Varianza
con lo cual, al particionar nuestra matriz X en X = [i X2 ],
nuestro vector de parametros en 0 = [1 2 ] y considerando que
M 0 i = 0 y que M 0 u = u, tenemos que:
M 0 Y = M 0 i 1 + M 0 X2 2 + M 0 u
= M 0 X2 2 + u

(13)

Luego, para formar la TSS de la ecuacion (13), multiplicamos por

Y la ecuacion (14):
Y 0 M 0 Y = Y 0 (M 0 X2 2 + u)
= (X + u)0 (M 0 X2 2 + u)
= 0 X 0 M 0 X2 2 + 0 X 0 u + u0 M 0 X2 2 + u0 u
Y 0M 0Y
TSS

= 2 X20 M 0 X2 2 + u0 u

(14)

= ESS + RSS

(15)

Javiera V
asquez

Clases 4 Econometra I

Modelo de Regresi
on con k variables
Propiedades del estimador MCO
Bondad de Ajuste y An
alisis de Varianza
Ejemplo

Modelo de Regresi
on Lineal en Desvos
An
alisis de Varianza
2
Bondad de Ajuste: R 2 y R

2
Bondad de Ajuste: R 2 y R
Definimos entonces la bondad de ajuste del modelo a traves del
siguiente estadgrafo llamado tambien coeficiente de determinacion:
R2 =

ESS
TSS

(16)

es decir, como la proporcion de la varianza de Y que es explicada

por la varianza de la regresion. Alternativamente:
R2 = 1

Javiera V
asquez

RSS
TSS

Clases 4 Econometra I

(17)

Modelo de Regresi
on con k variables
Propiedades del estimador MCO
Bondad de Ajuste y An
alisis de Varianza
Ejemplo

Modelo de Regresi
on Lineal en Desvos
An
alisis de Varianza
2
Bondad de Ajuste: R 2 y R

2
Bondad de Ajuste: R 2 y R
Note que:
1

El coeficiente de determinacion es siempre menor a 1. Ello

RSS
porque RSS TSS y por lo tanto TSS
1.

El analisis de varianza anterior fue derivado bajo el supuesto

que el modelo inclua una constante (por ello utilizabamos la
matriz M 0 ). En dicho caso, necesariamente R 2 0. En caso
de que el modelo no incluya una constante, se debe utilizar la
formula (17) utilizando TSS=YY (sin desvos).

Al agregar regresores al modelo, el R 2 nunca decrecera (se

mantendra constante o aumentara)

No es claro cuan bueno sea como predictor de ajuste.

Javiera V
asquez

Clases 4 Econometra I

Modelo de Regresi
on con k variables
Propiedades del estimador MCO
Bondad de Ajuste y An
alisis de Varianza
Ejemplo

Modelo de Regresi
on Lineal en Desvos
An
alisis de Varianza
2
Bondad de Ajuste: R 2 y R

2
Bondad de Ajuste: R 2 y R
Por que sucede esto?, ya que al incluir regresores, la suma de los
residuos necesariamente decrece (o en el mejor de los casos se
mantiene), mientras que la suma de los cuadrados totales
permanece constante. Por esta razon se creo que coeficiente de
determinacion ajustado el que corrige el R 2 original por los grados
de libertad del numerador y denominador. Entonces, definimos
2
R 2 -ajustado (R ) como:
2

R =1

u0 u/(n k)
Y 0 M0 Y /(n 1)

Javiera V
asquez

Clases 4 Econometra I

Modelo de Regresi
on con k variables
Propiedades del estimador MCO
Bondad de Ajuste y An
alisis de Varianza
Ejemplo

Modelo de Capital Humano: ecuaci

on de Mincer
Estimaci
on de ecuaci
on de Mincer en STATA

Ejemplo: Capital Humano

La teora de capital humano predice que los individuos con mayor
capital humano seran mas productivos, con lo cual recibiran
mayores ingresos. En los a
nos 60, Jacob Mincer derivo la siguiente
ecuacion:
log (ingreso) = 0 + 1 esc + 2 exp + 3 exp 2 + u

(18)

donde esc es la escolaridad de la persona medida en a

nos y exp es
la experiencia laboral de la persona. Esta es una de las ecuaciones
mas estimadas en la literatura emprica.

Javiera V
asquez

Clases 4 Econometra I

Modelo de Regresi
on con k variables
Propiedades del estimador MCO
Bondad de Ajuste y An
alisis de Varianza
Ejemplo

Modelo de Capital Humano: ecuaci

on de Mincer
Estimaci
on de ecuaci
on de Mincer en STATA

Ejemplo: Capital Humano

Estimaremos esta ecuacion de Mincer utilizando los datos de la
Encuesta de Proteccion Social (2004), que hasta el momento es la
u
nico encuesta de representatividad nacional que permite construir
experiencia laboral efectiva (desde 1980) a traves de modulo de
historia laboral. Las encuesta que no tienen este tipo de
informacion (por ejemplo la Encuesta CASEN) deben aproximar
experiencia a traves de:
exp = edad escolaridad 6
lo que se conoce como experiencia potencial. Se puede utilizar
simplemente la edad de la persona.

Javiera V
asquez

Clases 4 Econometra I

Modelo de Regresi
on con k variables
Propiedades del estimador MCO
Bondad de Ajuste y An
alisis de Varianza
Ejemplo

Modelo de Capital Humano: ecuaci

on de Mincer
Estimaci
on de ecuaci
on de Mincer en STATA

Estimacion en STATA

Javiera V
asquez

Clases 4 Econometra I

Modelo de Regresi
on con k variables
Propiedades del estimador MCO
Bondad de Ajuste y An
alisis de Varianza
Ejemplo

Modelo de Capital Humano: ecuaci

on de Mincer
Estimaci
on de ecuaci
on de Mincer en STATA

Relacion predicha entre lyph y esc

5.5

p_exp_5
6.5

7.5

Dado un nivel de experiencia se puede graficar la relacion entre

escolaridad y logaritmo del salario por hora predicho por el modelo

Javiera V
asquez

10
esc04

15

20

Clases 4 Econometra I

Modelo de Regresi
on con k variables
Propiedades del estimador MCO
Bondad de Ajuste y An
alisis de Varianza
Ejemplo

Modelo de Capital Humano: ecuaci

on de Mincer
Estimaci
on de ecuaci
on de Mincer en STATA

Relacion predicha entre lyph y experiencia

6.4

p_esc_10
6.5
6.6

6.7

Dado un nivel de educacion (10 a

nos) se puede graficar la relacion
entre experiencia y logaritmo del salario por hora predicho por el
modelo

10

15

20

exp

Javiera V
asquez

Clases 4 Econometra I

25