GUA DOCENTE Y PRCTICA N2

ECONOMETRA - SEMESTRE OTOO 2014

Esta segunda gua ofrece conceptos y ejercicios aplicables al modelo de regresin mltiple. En la
primera parte se hace una recopilacin de conceptos y frmulas de esta parte de la materia y en la
segunda se exponen ejercicios sin resolver. La solucin ser entregada posteriormente.

PRINCIPALES CONCEPTOS Y FRMULAS DEL MODELO DE REGRESIN LINEAL

MLTIPLE

1.1. Estimadores s y sus Varianzas

Los estimadores MCO correspondientes al modelo de tres variables (Y, X 2 y X3) pueden calcularse
en forma algebraica, con ms variables no sera posible. El procedimiento es el mismo que el usado
en dos variables; primero se minimizan los errores al cuadrado y despus se determinan cada uno de
los estimadores que hacen mnimas las ecuaciones normales.
El resultado de esta operacin entrega los siguientes estimadores s:
1 = 2 2 3 3 [1]
( 2 ) 32 3 ( 2 3 )
2 = 22 32 ( 2 3 )2
[2]

( 3 ) 22 2 ( 2 3 )
3 = 22 32 ( 2 3 )2
[3]

La varianza de los estimadores s y los errores estndares son los siguientes:

2
2 = 22 (123
2 ) [4]

2
3 = 32 (123
2 ) [5]

2 ( 2 3 )2
El coeficiente de correlacin 23 = [6]
22 32

2
2 = 3 [7]
Recuerde que la notacin en las letras minsculas corresponde a las desviaciones de las variables
respecto de sus medias.
1.2. Bondad del ajuste R2
El coeficiente R2 de regresin mltiple es la medida del ajuste de la lnea de regresin muestral a los
datos. Su frmula es la siguiente:

2 = =1 [8]

SCE= Suma Cuadrado Explicada = 2 2 + 3 3

Pgina 1
SCR= Suma Cuadrado de los Residuos = 2
SCT= Suma Cuadrado Total = 2
El R2 tambin puede ser calculado mediante la aplicacin de la siguiente frmula:
2 2 +3 3 2
2 = = 1- [9]
2 2

Al comparar dos modelos de regresin con la misma variable dependiente, pero con un nmero
diferente de variables X, se debe tener mucho cuidado al escoger el modelo con la R2 ms alta. Para
comparar dos trminos R2 se debe tener en cuenta el nmero de variables X presentes en el modelo,
es decir los grados de libertad disponibles. El indicador alternativo que considera los grados de
libertad del modelo es el R2 ajustado, que es una de la formas de verificar si la incorporacin de una
variable X mejora la capacidad predictiva del modelo, ya que por definicin el R2 siempre aumenta
a medida que aumenten las variables explicativas, an cuando la incorporacin de stas no tengan
ningn asidero terico.
La frmula general del indicador R2 ajustado es:

2 2
=1
=1 [10]

1

1.3. Contraste de Hiptesis

En trminos generales, una prueba de significancia estadstica es un procedimiento que utiliza los
resultados muestrales para verificar la verdad o falsedad de una hiptesis nula H0. La decisin de
aceptar o rechazar esa H0 se toma en base al valor del estadstico de prueba de los estimadores
individuales de la regresin lineal mltiple, y se obtienen mediante siguiente frmula:

= [11]
( )
Donde gl =N-k son los grados libertad de la regresin, siendo k el nmero de estimadores, incluido
el coeficiente de posicin, y ee el error estndar del estimador que no es otra cosa que la raz
cuadrada de la varianza.
Se dice que un estimador es estadsticamente significativo si su valor cae en la regin crtica, dicho
de otro modo, se rechaza la hiptesis nula i =0. En cambio, si el valor del estadstico de prueba cae
en la regin de aceptacin de la hiptesis nula i =0, podemos afirmar que el estimador no es
estadsticamente significativo. Esta hiptesis es un mecanismo formal para establecer si variable Y
tiene relacin o no con las variables Xs.
Para probar la significancia estadstica global de la regresin se utiliza el test F

( 2 2 + 3 3 ++ )/(1)

= 1
= ~ ( 1, ) [12]
2 /()

2 (1)
= [13]
(12 ) ()

Pgina 2
Si > ( 1, ) se rechaza H0; de lo contrario, se acepta. Donde ( 1, ) es el
valor F crtico en el nivel de significancia , con (k 1) gl en el numerador y (N k) gl en el
denominador.
Otro de los usos del test F es para determinar la contribucin marginal de una variable explicativa a
la regresin. Por contribucin nos referimos al posible incremento significativo de la SCE (y por
tanto de la R2) en detrimento de la SCR. Esta contribucin puede llamarse contribucin incremental
o marginal de una variable explicativa.

( )
=
= [14]
( )
( )

Donde n= modelo nuevo y v = modelo viejo.

Si Fc>Ft rechazamos H0, lo cual implica que la variable explicativa que se incorpora al modelo
incrementa su capacidad predictiva, de lo contrario se acepta la hiptesis nula que la variable no es
parte del modelo.
De igual forma este test F tambin puede ser expresado en trminos de los R2.
( 2 2 )
= [15]
(1 2 ) ( )
Es importante tener presente que para poder aplicar los R2 en la determinacin del test F al
comparar dos modelos es necesario que la variable dependiente Y sea la misma en ambos.
Otra forma aplicar el test F es cuando hay un modelo ms grande, el modelo no restringido y un
modelo ms pequeo, el modelo restringido, que se obtuvo del modelo ms grande al eliminar
algunas de sus variables, o al colocar algunas restricciones lineales sobre uno o ms coeficientes del
modelo ms grande. Obtenemos los coeficientes de determinacin respectivos, R2NR y R2R. Se
calculan los gl en el modelo no restringido (n k) y los gl en el modelo restringido (m), en donde
m es el nmero de restricciones lineales o el nmero de regresoras omitidos del modelo. As
podemos calcular la razn F y utilizar la siguiente regla de decisin: si la Fc> Ft(m, Nk), siendo
Ft(m, Nk) el F crtico en el nivel de significancia , se rechaza la hiptesis nula, por lo que
significara que aceptamos estadsticamente el modelo no restringido como el adecuado para
explicar la variable dependiente Y; de lo contrario no se rechaza. Su expresin matemtica es
equivalente a la [15]

( 2 2 )
= [16]
(1 2 ) ( )
1.4. Variables Dicotmicas
Las variables dicotmicas o dummy son variables cualitativas que indican la presencia o ausencia
de un atributo, como es el gnero masculino o femenino, la raza negra o blanca, la religin
profesada: catlica o no catlica, la pertenencia a un partido poltico, la procedencia de regin o no,
etc. La forma de cuantificar estos atributos es a travs de variables artificiales que toman valores de
1 o 0, donde 1 indica la presencia de ese atributo y 0 su ausencia.
El efecto matemtico que provoca en las regresiones es desplazar la recta en forma paralela,
aumentando o disminuyendo el coeficiente de posicin 1. Por ejemplo, si estamos estudiando el
rendimiento acadmico de los estudiantes en la universidad nos daremos cuenta que hay factores

Pgina 3
cuantitativos que lo explican, como lo son el rendimiento en la enseanza media; pero, tambin hay
muchos otros factores cualitativos que tambin ayudan a explicar el rendimiento acadmico de los
estudiantes, como podra ser, por ejemplo, si el estudiante viene de provincia a estudiar a Santiago.
El modelo economtrico en estos casos se expresa de la siguiente manera:
= 1 + 2 2 + 3 +
Donde:
Notas U = promedio de notas en la universidad
D2 = valor de 1 si el estudiante es de Santiago y 0 en caso contrario
NEM = promedio de notas en la enseanza media
La recta de regresin con variable dummy tendr dos versiones: una para los estudiantes de
Santiago y otra para los de provincia:
( /2 = 0) = 1 + 3
( /2 = 1) = 1 + 2 + 3
En el caso de los estudiantes de Santiago el coeficiente de posicin ser 1 + 2 y en los de
provincia, como la variable dummy toma el valor de cero, ser slo 1 .
Si los resultados de la regresin fueran los siguientes:
= 1,04732 0,0458116 2 + 0,586103
Tendramos esta expresin anterior reflejara la recta de los estudiantes de Santiago, en tanto la
recta de los estudiantes de provincia, como lo muestra el grfico, estara por encima:
= 1,04732 + 0,586103
Santiago Provincia
5,5
5,0
4,5
4,0
Notas U

3,5
3,0
2,5
2,0
1,5
1,0
1,0 1,5 2,0 2,5 3,0 3,5 4,0 4,5 5,0 5,5 6,0 6,5 7,0
NEM

1.5. Flexibilizacin de los supuestos del modelo clsico de regresin lineal (MCRL)
Multicolinealidad: Si existe multicolinealidad perfecta entre las variables independientes los
coeficientes de regresin sern indeterminados y sus errores estndares infinitos. Esto implica que
no es factible identificar los efectos individuales de cada variable explicativa X sobre la variable a
explicar Y.
Cuando se presenta la multicolinealidad perfecta es necesario corregir el modelo porque de lo
contrario no pueden determinarse los estimadores, por ejemplo, sea:
Y= 1+2X2+3X3+u

Pgina 4
Tal que X2= 2X3, entonces no ser posible estimar el modelo con las 2 variables explicativas. Lo
que si podemos estimar es el modelo reducido con una de las variables explicativas:
Y= 1+22X3+3X3+u = 1 + (22+3)X3+u
Con multicolinealidad imperfecta los estimadores MCO seguirn siendo MELI, insesgados con
varianza mnima. Sin embargo, esto no significa que en una muestra determinada la varianza de los
estimadores sea pequea. De hecho, siendo un problema muestral, la multicolinealidad provoca
varianzas grandes y, en consecuencia, dificultades para hacer inferencia estadstica. Esto queda
reflejado en el factor inflacionario de la varianza, que es directamente proporcional al aumento de la
correlacin mltiple entre las variables independientes.
2 1
= 2 , =
(1 2 )
Donde 2 es el R2 de la regresin de Xj sobre las dems l-variables independientes. En la medida
que aumenta la correlacin entre las variables explicativas, el FIV aumentar, y de esta forma
crecen las varianzas de los parmetros. Como regla prctica se seala que valores FIV>10 pueden
indicar colinealidad. Otro indicador de la posible existencia de multicolinealidad es cuando R2 es
muy alto, pero ninguno de los coeficientes de regresin es estadsticamente significativo con base a
la prueba t student.
Heteroscedasticidad: Si la varianza de los errores no es constante, como asume el MCRL, entonces
tendremos heteroscedasticidad. En estudios de corte transversal, cuando se analiza a los agentes
econmicos de una poblacin, sean estos consumidores individuales o familias, empresas, industrias
o subdivisiones geogrficas, es habitual encontrar que la varianza del fenmeno econmico
estudiado vare entre los subgrupos definidos. Los estimadores MCO siguen siendo lineales,
insesgados y consistentes, sin embargo, dejan de tener varianza mnima, porque la varianza
estimada de los errores ya no ser un estimador insesgado de su valor poblacional, por lo que los
estimadores MCO dejan de ser MELI.
Para detectar la presencia de heteroscedasticidad se utilizan mtodos informales, como el examen
de los residuos, y mtodos ms formales como las pruebas de Park, Glejser, White, entre muchos
otros. En la prueba de Park se realiza una regresin auxiliar 2 = + + ; en la que si
resulta estadsticamente significativa, se concluye que hay heteroscedasticidad. La prueba de
Glejser es similar slo cambia la variable dependiente por el valor absoluto de los residuos y en que
la regresin auxiliar adopta diferentes formas funcionales. Por su parte, la prueba de White
regresiona los residuos al cuadrado contra los polinomios de las variables independientes y
construye indicador N*R2 que se distribuye como una 2, que una vez calculado si supera el valor
tabla seala la presencia de heteroscedasticidad.
Si se conoce 2, el mtodo ms directo para corregir la heteroscedasticidad es aplicando mnimos
cuadrados generalizados (MCG), tambin llamados ponderados (MCP), los estimadores obtenidos
as sern MELI.
Autocorrelacin: La autocorrelacin de los errores significa que el trmino de perturbacin
relacionado con una observacin cualquiera recibe influencia del trmino de perturbacin
relacionado con cualquier otra observacin, por lo que se viola el supuesto que Cov (ui,uj) =0.
La autocorrelacin en los errores es un fenmeno ms propio de las series de tiempo y, al igual que
en la heteroscedasticidad, los estimadores MCO usuales, a pesar de ser lineales, insesgados y
consistentes, dejan de tener varianza mnima entre todos los estimadores lineales insesgados.

Pgina 5
El test ms usado para detectar la presencia de autocorrelacin en los errores es a travs del
estadgrafo Durbin-Watson:
1 1
2(1 ) donde significa aproximadamente igual y = ( ) que mide la
2 2
autocorrelacin muestral de primer orden.
Si = 1 indica correlacin positiva exacta d=0
Si = 1 indica correlacin negativa exacta d=4
Si = 0 indica que no hay correlacin serial d=2

Reglas de Decisin del estadgrafo DW

Econometra Semestre Otoo 2014 Pgina 6