1 / 18

Análisis de Regresión Lineal

Análisis de Regresión Lineal. Curso de Verano ENCUP: Introducción al análisis cuantitativo en ciencias sociales Javier Aparicio División de Estudios Políticos, CIDE javier.aparicio@cide.edu http://publiceconomics.wordpress.com/verano2009 Julio 2009. Análisis de regresión lineal.

didier
Télécharger la présentation

Análisis de Regresión Lineal

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript

  1. Análisis de Regresión Lineal Curso de Verano ENCUP: Introducción al análisis cuantitativo en ciencias sociales Javier Aparicio División de Estudios Políticos, CIDE javier.aparicio@cide.edu http://publiceconomics.wordpress.com/verano2009 Julio 2009

  2. Análisis de regresión lineal • Ajustar una regresión lineal: • Estimar los parámetros: • Interpretación del intercepto ay la pendiente b • Bondad de ajuste • Pruebas de hipótesis

  3. Scatterplot

  4. Modelo lineal E(Y|X)

  5. Modelo de probabilidad conjunta

  6. ¿PIBMercosur PIBUruguay?

  7. 1. Ajustando una regresión lineal • Modelo probabilístico • Modelo poblacional: • Modelo muestral: • Modelo estimado: • La diferencia ente es el error estimado: • La línea de mejor ajuste minimiza la SSE: queremos que el modelo explique la mayor proporción de la varianza de Y.

  8. 2. Estimación por Mínimos Cuadrados Ordinarios (OLS) – min(SSE) Estimando el intercepto a:

  9. 2. Estimación por Mínimos Cuadrados Ordinarios (OLS) – min(SSE) • Estimando la pendiente b:

  10. 2. Estimación de a y b: ejemplo • Supongamos que queremos verificar la predicción de Mundell-Fleming sobre el efecto del PIB del resto del mundo en una economía pequeña como Uruguay.

  11. 2. Estimación de a y b: • Supongamos que queremos verificar la predicción de Mundell-Fleming sobre el efecto del PIB del resto del mundo en una economía pequeña como Uruguay.

  12. 3. Interpretando los coeficientes : es el intercepto : es la pendiente • Interpretación: • -2.391: nivel esperado del GDP de Uruguay independientemente del GDP de Mercosur, en logarítmo (no muy importante aquí). • 0.947: efecto marginal de una unidad adicional de GDP en Mercosur en el GDP de Uruguay •  Relación positiva, como lo predice la teoría de Mundell-Fleming.

  13. 4. Bondad de ajuste Mientras mayor es la proporción de la varianza de Y explicada por el modelo, mayor será la bondad de ajuste del modelo (R2)

  14. 4. Bondad de ajuste: ejemplo • Interpretación: • 82.8% de la variación del GDP en Uruguay se puede “explicar” por la variación en el GDP de Mercosur (excluyendo Uruguay)

  15. 5. Pruebas de hipótesis / significancia de los coeficientes • ¿Cómo hacer inferencias sobre la relación “poblacional” entre X y Y? Pruebas de hipótesis. • Estadístico t de Student: • Si t > t* (valor estímado > valor crítico), rechazamos la H0 y concluimos que b es signficativamente diferente de cero. • Para calcular t, necesitamos el error estándar de b:

  16. 5. Significancia estadística: ejemplo Dado que t>t*, rechazamos la hipótesis nula y concluimos que b es significativamente distinta de 0: el GDP en Mercosur afecta el GDP en Uruguay.

More Related