Este documento presenta los objetivos, especificación y estimación de un modelo de regresión lineal clásico en EViews. Explica que el modelo estima los coeficientes de las variables regresoras usando mínimos cuadrados ordinarios y muestra los estadísticos de la estimación como el error estándar, t-statistic, R-cuadrado y F-statistic. También describe cómo ver las representaciones del objeto ecuación y realizar procedimientos con la regresión estimada en EViews.
1. UNIVERSIDAD NACIONAL DE SAN ANTONIO ABAD DEL CUSCO
FACULTAD DE CIENCIAS ADMINISTRATIVAS, CONTABLES, ECONOMICAS Y TURISMO
ESCUELA PROFESIONAL DE ECONOMIA
Curso: Economía Monetaria
Profesor: José Oros Calderón (joseoros@gmail.com)
Jefe de práctica: Yelsin Felio Ferro Surco (130856@unsaac.edu.pe)
3. Objetivos de la Sesión
• Entender los principales supuestos teóricos del modelo de regresión
lineal para su aplicación práctica en EViews.
Sesión 5: Especificación y estimación de un
modelo de regresión lineal clásico
4. • Presentación.
• Especificación del modelo de regresión lineal clásico.
• Estimación del modelo.
- Estadísticos de la estimación.
- Representaciones del objeto ecuación.
- Procedimientos del objeto ecuación.
Sesión 5: Especificación y estimación de un
modelo de regresión lineal clásico
5. • El modelo de regresión lineal clásico se basa en la existencia de la relación entre la variable
dependiente (Y) y la variable regresora (X), tiene la siguiente forma:
𝑌 = 𝛽𝑋 + 𝜀
Donde:
• 𝑌: Variable dependiente.
• 𝑋: Variable independiente o regresora.
• 𝛽: Estimador de la variable dependiente (representa el cambio de la variable dependiente
cuando la regresora varia en una unidad).
• 𝜀: Término de error del modelo de regresión (término no observado en el modelo).
Sesión 5: Especificación y estimación de un
modelo de regresión lineal clásico
6. Estimación del modelo
• La estimación mas común del modelo de regresión lineal es usando el método de mínimos
cuadrados ordinarios (MCO).
• Para la estimación por MCO la cuestión está en minimizar los errores del modelo, es decir,
minimizar la suma de cuadrados.
Sesión 5: Especificación y estimación de un
modelo de regresión lineal clásico
7. • Este modelo estima los coeficientes de las variables regresoras usando matrices, y el valor del
estimador de los coeficientes tiene la siguiente forma:
• Para estimar una ecuación de regresión lineal en EViews, se va al menú Object>New
Object>Equation y se le asigna un nombre de manera opcional a la ecuación.
Sesión 5: Especificación y estimación de un
modelo de regresión lineal clásico
YXXX
1
ˆ
9. • Una vez aceptada la opción aparecerá un cuadro de diálogo donde se deberá indicar la forma
de la ecuación, es decir, se debe indicar la variable dependiente seguido del término ”C”, que
representa la constante y la variable regresora.
Sesión 5: Especificación y estimación de un
modelo de regresión lineal clásico
10. • Con todas las especificaciones hechas, se tendrá el cuadro de resultados.
Sesión 5: Especificación y estimación de un
modelo de regresión lineal clásico
11. Sesión 5: Especificación y estimación de un
modelo de regresión lineal clásico
Estadísticos de la estimación
En cuadro de resultados de la regresión se mostrarán diversos estadísticos, los cuales son:
• STD.Error: Error estándar de los coeficientes estimar.
• t-Statistic: Valor del estadístico t, bajo la hipótesis individual que las variables (H0: βi =0).Con t-k
grados de libertad, Indica que la variable contribuye a explicar la variable endógena.
• Prob: Si los Valores son superiores al 5% (α=5%) no se rechaza la hipótesis nula y la variable
exógena no sirve para explicar el modelo.
• R squared: Es el R cuadrado de la ecuación y representa el porcentaje de la variabilidad de la
variable dependiente explicad por la variable independiente.
• Adjusted R-squared: Permite medir el incremento neto de R cuadrado, cuando se incluye un
nuevo regresor.
• SE. Of regression:
• Sum squared resid (error):
• Log likelihood: Representa el valor de la función de verosimilitud en los parámetros, útil para la
interpretación del ratio de verosimilitud.
ˆˆˆˆ XYXYSCR
ˆˆ XYXYYYSCE
12. Sesión 5: Especificación y estimación de un
modelo de regresión lineal clásico
• Durbin-Watson stat: Sirve para contrastar la hipótesis de incorrelación entre perturbaciones
aleatorias frente a la presencia de autocorrelación.
• Mean depent var: Representa la media la variable dependiente.
• S.D depent var: Representa la cuasidesviación típica de la muestra.
• F-statistic: Es el estadístico que esta asociado a la hipótesis conjunta de que los parámetros
asociados son iguales a cero ( excepto el intercepto). H0 : β1 =β2 =β3 =βi
• Prob(F-statistic): Mide la probabilidad de cometer el erro tipo I . Se calcula con la distribución F de
Snedecor Fk-1;T-k-1.
• Criterios de Información: Son el Akaike info criterion y Schwarz criterion, estos criterios nos dan
información de la capacidad explicativa del modelo y permite realizar comparaciones de los
modelos analizados.
13. Representaciones de objeto ecuación
• Una vez hecha la regresión, EViews permite observar las diversas representaciones de la regresión
que se ha estimado. Se va al menú View>Representations
Sesión 5: Especificación y estimación de un
modelo de regresión lineal clásico
Esta muestra el comando
para ser regresionado
directamente en el cuadro
de comandos.
14. Procedimientos del objeto ecuación
• EViews permite también realizar múltiples procedimientos con la regresión estimada. Se va al
menú Proc y aparecerán diversas opciones.
Sesión 5: Especificación y estimación de un
modelo de regresión lineal clásico