El documento describe el método de mínimos cuadrados ordinarios para encontrar los parámetros beta 0 y beta 1 en un modelo de regresión lineal. Explica que este método minimiza la suma de los cuadrados de los residuos para encontrar los mejores estimadores lineales insesgados. También discute los tipos de funciones de regresión como lineales, de segundo grado, exponenciales y de potencia, y la necesidad de linealizar las ecuaciones para aplicar el método de mínimos cuadrados.
0 calificaciones0% encontró este documento útil (0 votos)
37 vistas4 páginas
El documento describe el método de mínimos cuadrados ordinarios para encontrar los parámetros beta 0 y beta 1 en un modelo de regresión lineal. Explica que este método minimiza la suma de los cuadrados de los residuos para encontrar los mejores estimadores lineales insesgados. También discute los tipos de funciones de regresión como lineales, de segundo grado, exponenciales y de potencia, y la necesidad de linealizar las ecuaciones para aplicar el método de mínimos cuadrados.
El documento describe el método de mínimos cuadrados ordinarios para encontrar los parámetros beta 0 y beta 1 en un modelo de regresión lineal. Explica que este método minimiza la suma de los cuadrados de los residuos para encontrar los mejores estimadores lineales insesgados. También discute los tipos de funciones de regresión como lineales, de segundo grado, exponenciales y de potencia, y la necesidad de linealizar las ecuaciones para aplicar el método de mínimos cuadrados.
El documento describe el método de mínimos cuadrados ordinarios para encontrar los parámetros beta 0 y beta 1 en un modelo de regresión lineal. Explica que este método minimiza la suma de los cuadrados de los residuos para encontrar los mejores estimadores lineales insesgados. También discute los tipos de funciones de regresión como lineales, de segundo grado, exponenciales y de potencia, y la necesidad de linealizar las ecuaciones para aplicar el método de mínimos cuadrados.
Descargue como DOCX, PDF, TXT o lea en línea desde Scribd
Descargar como docx, pdf o txt
Está en la página 1/ 4
Laguna Roque Mónica Itzel
42217263-3 SUAyED Hacer el desarrollo matemático para encontrar los parámetros (Beta 0 y Beta1) por el método de mínimos cuadrados ordinarios. El método de los mínimos cuadrados ordinarios consiste en la obtención de un hiperplano de forma que se minimice la suma de los cuadrados de las distancias entre cada una de las observaciones de la variable y dicho hiperplano (residuos). Uno de los puntos determinantes en la econometría se basa en el procesamiento estadístico y para ello el método de Mínimos Cuadrados Ordinarios MCO permite encontrar los Mejores Estimadores Lineales Insesgados.
Este método presenta muchas ventajas en cuanto a lo fácil de su uso y por lo
adecuado del planteamiento estadístico matemático que permite adecuarse a los supuestos para los modelos econométricos. El término de MCO esta vinculado con la regresión y la correlación, ambas determinan la existencia de relación entre dos o mas variables (siempre una dependiente y una o varias independientes).
La diferencia radica en que le regresión se expresa en una función o relación
funcional mediante una ecuación con su uso predictivo, y la correlación es un valor que mide la intensidad con que están relacionadas linealmente las variables, se esta hablado de una regresión o correlación simple cuando se relacionan 2 variables, si existen mas se habla de una correlación múltiple (el alcance de este curso se limita a la simple).
Las funciones regresivas principalmente pueden ser de cuatro tipos:
Lineales
De la forma matemática Y(x) = a+ bXi Y su expresión Regresiva Yi = β1+ β2Xi + υi
De segundo grado
De la forma matemática Y(x) = a+ bXi+cXi2 Y su expresión Regresiva Yi = β1+
De la forma matemática Y(x) = abx Y su expresión econométrica log F(x) = log a +
x log b + υi
De potencia
De la forma matemática Y(x) = aXin Y su expresión Regresiva log Yi = log a + b
log X + υi
Nota: la variable υi se refiere al término de perturbación o de error, se le conoce
como una variable aleatoria estocástica y se utiliza para recoger todos aquellos elementos que afectan a las variables del modelo de manera externa, es decir mejora la predicción del modelo en la medida que captura los efectos de variables no relacionadas con el modelo. En la mayoría de casos y cuando se cuenta con la suficiente información el valor que toma esta variable es aproximadamente igual a cero y por lo tanto es un valor descartable, siempre y cuando sea un valor cercano a cero.
Para trabajar con una ecuación no importando el tipo (exponencial, logarítmica o
de potencia), es necesario en primer lugar linealizar la ecuación, que no es más que llevar a potencia 1 la variable explicativa o independiente y para ello se puede valer de distintos métodos algebraicos que permiten llevar efectuar este procedimiento.
La paternidad de este método se reparte entre Legendre que lo publicó en 1805 y
Gauss que lo utilizó en 1795 y lo publicó en 1809. Obviamente, cuanto menores son los residuos, mejor es el ajuste. De todos los posibles valores de los Bj, el método de los mínimos cuadrados selecciona aquellos que minimizan. Laguna Roque Mónica Itzel 42217263-3 SUAyED
En el caso de la regresión lineal simple:
De modo que derivando e igualando a cero, se obtienen los estimadores MC,
(mínimo cuadráticos) ó LS (Least squares).
También se puede considerar el modelo centrado, que consiste en centrar los
datos de la variable represora.
Con las estimaciones de los para ́metros, podemos proceder al cálculo de
predicciones yˆ i y residuos ei Como consecuencia resulta que lo que no ocurre en un modelo sin β0. Laguna Roque Mónica Itzel 42217263-3 SUAyED Finalmente, si queremos una medida del ajuste de la regresión podemos pensar en la suma de cuadrados, pero es una medida que depende de las unidades de yi al cuadrado. Si β0 ̸= 0, la medida que se utiliza es el coeficiente de determinación.
Sabemos que 0≤R2 ≤1 y cuando R2 ≈1 el ajuste es bueno.
En el caso Bo=0, el coeficiente de determinación es:
de modo que los modelos que carecen de término independiente no se pueden
