Desarrolla un mapa mental aterrizando lo más importante relacionado a la Unidad 4 (Capítulo 3) del libro de Gujarati pág. 55 – 84 Materia: Econometría. Docente: Arango Herrera Eduardo. Alumno: Anaya Silvestre Esther. Periodo: Agosto-Diciembre Grupo: E-203 SUPUESTO 1 Modelo de regresión lineal: el modelo de regresión como se muestra en la ecuación El coeficiente de determinación r 2 (caso de dos variables) o R2 (regresión múltiple) es una medida comprendida que dice cuán bien se ajusta la línea de regresión muestral a los datos. Coeficiente de determinación r2: una medida de la “bondad del ajuste” SUPUESTO 2 Valores fijos de X, o valores de X independientes del término de error: SUPUESTO 3 El valor medio de la perturbación ui es igual a cero: Modelo clásico de regresión lineal: fundamentos del método de mínimos cuadrados SUPUESTO 4 Homoscedasticidad o varianza constante de ui: SUPUESTO 4 Homoscedasticidad o varianza constante de ui: Dados los supuestos del modelo clásico de regresión lineal, los estimadores de mínimos cuadrados, dentro de la clase de estimadores lineales insesgados, tienen varianza mínima, es decir, son MELI. Precisión o errores estándar de las estimaciones de mínimos cuadrados Modelo de regresión con dos variables: problema de estimación 1. Es lineal, es decir, función lineal de una variable aleatoria, como la variable dependiente Y en el modelo de regresión. 2. Es insesgado, es decir, su valor promedio o esperado, E(βˆ 2), es igual al valor verdadero, β2. 3. Tiene varianza mínima dentro de la clase de todos los estimadores lineales insesgados; un estimador insesgado con varianza mínima se conoce como estimador eficiente. propiedades de muestras finitas: estas propiedades se mantienen sin importar el tamaño de la muestra en que se basen los estimadores Precisión o errores estándar de las estimaciones de mínimos cuadrados SUPUESTO 5 No hay autocorrelación entre las perturbaciones SUPUESTO 6 El número de observaciones n debe ser mayor que el número de parámetros por estimar: SUPUESTO 7 La naturaleza de las variables X: se requiere alguna medida de “confiabilidad” o precisión de los estimadores βˆ 1 y βˆ 2. En estadística, la precisión de un valor estimado se mide por su error estándar Se conoce como el error estándar de estimación o el error estándar de la regresión. No es más que la desviación estándar de los valores Y alrededor de la línea de regresión estimada, la cual suele servir como medida para resumir la “bondad del ajuste” de dicha línea
