Fundamentos del modelo de regresión lineal múltiple: interpretación de coeficientes, supuestos y pruebas

MatemáticasActualizado el 6,1 KB

Resumen

El documento presenta los fundamentos del modelo de regresión lineal en econometría, desde la forma poblacional simple hasta la interpretación de coeficientes en especificaciones lineal, log-log, log-lineal y lineal-log. Explica el significado del intercepto y la pendiente, el coeficiente de determinación R² y las pruebas t y F. También recoge los supuestos del modelo, del estimador MCO y de la inferencia estadística, además del uso de variables dummy.

Puntos clave

  • El modelo poblacional simple es Y = β0 + β1·X1 + u, donde u recoge los factores no observados.
  • En el modelo log-log, β1 se interpreta como elasticidad: un 1% más de X implica β1% más de Y, ceteris paribus.
  • β0 es el valor esperado de Y cuando las variables explicativas valen cero; β1 mide el cambio esperado de Y por cada unidad adicional de X.
  • R² = 1 − SC_Error / SC_Total indica el porcentaje de la varianza de Y explicado por las variables independientes.
  • La prueba t evalúa la significancia de una variable individual y la prueba F la significancia conjunta del modelo.
  • Para que los estimadores MCO sean MELI se requieren linealidad en los parámetros, muestreo aleatorio, exogeneidad estricta, ausencia de colinealidad perfecta y homocedasticidad.
  • Para la inferencia válida se añade el supuesto de normalidad del error, u ~ N(0, σ²).

Ponte a prueba

Fundamentos del Modelo de Regresión Lineal

Modelo Poblacional Simple

La estructura general del modelo de regresión lineal poblacional es:

$$Y = \beta_0 + \beta_1 X_1 + u$$

  • $Y$: Variable dependiente.
  • $X_1$: Variable independiente (explicativa).
  • $\beta_0$: Intercepto (ordenada al origen).
  • $\beta_1$: Pendiente (coeficiente de la variable explicativa).
  • $u$: Término de error estocástico (representa todos los factores no observados).

Interpretación de Coeficientes en Modelos Transformados

A continuación, se presentan ejemplos de interpretación basados en diferentes especificaciones funcionales:

  1. Modelo Lineal (Lineal-Lineal):

    $$\text{Salario} = 100 + 1.24 \cdot \text{Ventas} + u$$

    Interpretación: Un aumento de 1 unidad en las ventas provoca un aumento de 1.24 unidades en el salario, ceteris paribus (CP).

  2. Modelo Log-Log (Elasticidad):

    $$\text{Log}(\text{Salario}) = 100 + 1.24 \cdot \text{Log}(\text{Ventas}) + u$$

    Interpretación: Un aumento del 1% en las ventas provoca un aumento del 1.24% en el salario, CP.

  3. Modelo Log-Lineal (Pendiente Porcentual):

    $$\text{Log}(\text{Salario}) = 100 + 1.24 \cdot \text{Ventas} + u$$

    Interpretación: Cuando las ventas aumentan en 1 unidad (peso), el salario aumenta en un $124\%$ (multiplicado por 100), CP.

  4. Modelo Lineal-Log (Cambio Marginal):

    $$\text{Salario} = 100 + 1.24 \cdot \text{Log}(\text{Ventas}) + u$$

    Interpretación: Cuando las ventas aumentan en un 1%, el salario aumenta en 0.0124 unidades (es decir, $1.24 / 100$), CP.

Interpretación de Parámetros Estimados

  • $\beta_0$ (Intercepto): Representa el valor esperado de la variable dependiente ($Y$) cuando todas las variables explicativas son iguales a cero. Por ejemplo: "Cuando el precio (variable independiente) es 0, se venden 5 entradas (variable dependiente)".
  • $\beta_1$ (Pendiente): Indica el cambio esperado en la variable dependiente por cada aumento de una unidad en la variable explicativa correspondiente, manteniendo las demás constantes (ceteris paribus). Por ejemplo: "Por cada aumento de una unidad de tiendas (variable explicativa), se produce un aumento o disminución del ingreso (variable dependiente) de 7828 millones, CP".

Conclusión del Test de Hipótesis

Al realizar pruebas de hipótesis (como la prueba $t$ o $F$):

  • Se rechaza $H_0$: Existe evidencia estadística significativa para afirmar que el coeficiente es diferente de cero.
  • No existe evidencia que permita rechazar $H_0$: No hay suficiente evidencia para afirmar que el coeficiente es diferente de cero, utilizando un nivel de significancia $\alpha$.

Nota sobre Pruebas: Se debe distinguir entre la prueba $t$ (que evalúa la significancia de una variable individual) y la prueba $F$ (que evalúa la significancia conjunta del modelo).

Evaluación del Ajuste del Modelo ($R^2$)

Es fundamental examinar el valor del Coeficiente de Determinación ($R^2$), ya que este porcentaje indica qué tan bien el modelo explica la variabilidad total de la variable dependiente a través de las variables independientes. Un $R^2$ adecuado sugiere que el modelo proporciona predicciones razonables y que las relaciones encontradas tienen sentido económico.

Fórmula: $$R^2 = 1 - \frac{\text{SC}_{\text{Error}}}{\text{SC}_{\text{Total}}}$$

El $R^2$ mide el porcentaje de la varianza de la variable dependiente que es explicado por las variables independientes.

Término de Error ($u$)

El término de error ($u$) captura el efecto de todas las variables omitidas que afectan a la variable dependiente ($Y$) y que no han sido incluidas explícitamente en el modelo.

Supuestos Fundamentales en Regresión

Supuestos del Modelo Lineal Restringido (MRL)

Los supuestos básicos para la validez teórica del modelo son:

  1. Linealidad en los parámetros.
  2. El valor esperado del error es cero: $E(u_i) = 0$.
  3. Exogeneidad estricta: $E(u_i | x_i) = 0$.
  4. Condición Ceteris Paribus (implícita en la interpretación de coeficientes).

Supuestos del Estimador de Mínimos Cuadrados Ordinarios (MCO)

Para que los estimadores $\hat{\beta}$ sean los Mejores Estimadores Lineales Insesgados (MELI o BLUE):

  1. Existe un modelo poblacional lineal en los parámetros.
  2. El muestreo es aleatorio.
  3. Exogeneidad estricta: $E(u_i | x_1, x_2, \dots, x_k) = 0$.
  4. Las observaciones de la variable dependiente son independientes e idénticamente distribuidas (i.i.d.).
  5. Homocedasticidad: La varianza del error es constante: $V(u_i | x_i) = \sigma^2$.

Propiedades de los Estimadores MCO (Bajo Supuestos MCO)

Los estimadores obtenidos por MCO son MELI si se cumplen:

  1. Modelo lineal en los parámetros.
  2. Muestreo aleatorio.
  3. $E(u | x_1, x_2, \dots, x_k) = 0$.
  4. No existe colinealidad perfecta entre las variables explicativas.
  5. Homocedasticidad: $V(u_i | x_1, x_2, \dots, x_k) = \sigma^2$.

Supuestos para Inferencia Estadística (Test de Hipótesis)

Para realizar pruebas de hipótesis válidas (como la prueba $t$ o $F$), se requieren los supuestos MCO más el supuesto de normalidad:

  1. Linealidad del modelo.
  2. Muestreo aleatorio.
  3. $E(u | x) = 0$.
  4. No existe colinealidad perfecta.
  5. Homocedasticidad.
  6. Normalidad del error: El error es independiente de las variables explicativas y sigue una distribución normal: $u \sim N(0, \sigma^2)$.

Variables Dummy

Las Variables Dummy se utilizan para incorporar información cualitativa (categórica) como variables independientes en el modelo de regresión.

Descargar

PDF Word HTML

Preguntas frecuentes

¿Cómo se interpreta el coeficiente en un modelo log-log?

El coeficiente se interpreta como elasticidad: un aumento del 1% en la variable explicativa provoca un aumento aproximado del coeficiente en porcentaje en la variable dependiente, ceteris paribus. En el ejemplo del documento, un 1% más de ventas implica un 1.24% más de salario.

¿Qué mide el coeficiente de determinación R²?

El R² mide el porcentaje de la varianza de la variable dependiente que es explicado por las variables independientes del modelo. Se calcula como 1 menos el cociente entre la suma de cuadrados del error y la suma de cuadrados total.

¿Cuál es la diferencia entre la prueba t y la prueba F?

La prueba t evalúa la significancia estadística de una variable individual, mientras que la prueba F evalúa la significancia conjunta del modelo. Ambas se usan para contrastar hipótesis sobre los coeficientes.

¿Qué significa el término de error u en el modelo?

El término de error u captura el efecto de todas las variables omitidas que afectan a la variable dependiente y que no están incluidas explícitamente en el modelo.

Ponte a prueba

Tarjetas de repaso

Pulsa una tarjeta para ver la respuesta.

Test

1. En el modelo lineal-log, ¿qué interpretación corresponde al coeficiente 1.24 cuando la variable explicativa es Log(Ventas)?
2. ¿Qué representa el intercepto β0 en el modelo de regresión?
3. ¿Qué supuesto se añade a los supuestos MCO para realizar pruebas de hipótesis t y F válidas?
4. ¿Qué indica la homocedasticidad en el modelo?
5. ¿Cuál es la fórmula del coeficiente de determinación R² según el documento?
6. ¿Para qué se utilizan las variables dummy?

Preguntas generadas con IA a partir del documento: comprueba las respuestas con el texto.