Resumen capitulos 3,4,5 microeconomia.

...

[pic 15]

Dónde:

- Y= cantidad demandada (numero promedio percapita mensuales)

- A= valor constante o intersección de Y

- X1= precio promedio

- X2,3,4= variables independientes o explicativas

- B1,2,3,4= coeficientes de las variables que X que miden el impacto de las variables en la demanda.

Evaluación estadística de los resultados de la regresión

La prueba básica de la significancia estadística de cada uno de los coeficientes estimados de regresión se llama prueba- t. se lleva a cabo mediante el computo del valor-t o estadística-t para cada uno de los coeficientes estimados, esto se hace mediante la división del coeficiente estimado entre su error estándar

[pic 16]

Mediante la regla 2, podemos decir que el coeficiente estimado es estadísticamente significativo si el valor absoluto del coeficiente dividido entre su error estándar es mayor que o igual a 2. Otro indicador importante utilizado para evaluar los resultados de regresión es el coeficiente de determinación o , la cual muestra el porcentaje de variación en una variable dependiente que se explica por la variación en todas las variables explicativas en la ecuación de regresión. Esta medida no puede ser tan baja como 0 y tan alta como 1.0[pic 17]

Paso para el análisis de resultados de regresión

- Revisión de signos y magnitudes

- Calculo de coeficientes de elasticidad

- Determinación de la significancia estadística

Modelo de regresión simple

[pic 18]

Donde

- Y= variable dependiente

- X= variable independiente

- A= Intersección

- B= pendiente

- U= Factor aleatorio

Este análisis busca la mejor relación lineal entre la variable dependiente y la variable independiente.

Datos usados en el análisis de regresión

- De corte transversal

Proporcionan información de una variable en un punto determinado en el tiempo, los diferentes valores de la variable representan un corte cruzado de las observaciones de entidades tales como individuos.

- De series de tiempo

Los datos de series de tiempo proporcionan información de una entidad a lo largo del tiempo.

Estimación de la ecuación de regresión

Implica una búsqueda de la mejor relación lineal entre la variable dependiente y la independiente, así la ecuación de regresión que buscamos para estimar se expresa como

Y=a + bX

Donde

- Y= variable dependiente

- X= variable independiente

- A= intercepción de la línea con eje Y

- B= pendiente de la línea

La intercepción y la pendiente generalmente se denominan como parámetros o coeficientes de la ecuación de regresión. En el análisis de regresión la forma más común de estimar la relación se llama método de los mínimos cuadrados ordinarios (MCO)

Coeficiente de determinación

[pic 19]

Los valores son estimados mediante el empleo de un conjunto de datos muéstrales.

La desviación de un valor muestra de Y a partir de su media puede dividirse en dos componentes separados: AB y BC. Mas formalmente, podemos afirmar lo siguiente[pic 20]

Si la ruptura entre los componente explicados e inexplicados se midiera para cada observación y los valores resultantes se elevaran al cuadrado y después se sumaran, llegaríamos a las siguientes relaciones[pic 21]

Las abreviaciones STC, SCR y SCE se utilizan comúnmente en los libros de econometría para estas relaciones, asi que aquí los utilizaremos en referencia a los componentes totales, explicados y no explicados, respectivamente, de la variación de los v alores de la muestra respecto a su medida. Para poder resumir decimos que STC= SCR+ SCE. A partir de estas relaciones, podemos construir una medición del poder explicativo de la ecuación de regresión. La medición del poder explicativo de la ecuación de regresión que se utiliza mas comúnmente se llama coeficiente de determinación. El símbolo utilizado para esta medición de . Definimos esta medición de la forma Siguiente:[pic 22]

[pic 23]

Si SCR es igual a STC, significa que la desviación total de Y respecto a su media muestra puede ser implicada por la ecuación. Implica que es igual a 1 y asumirá valor entre los dos valores extremos de cero y uno, mientras más cercano este a la unidad, mayor será el poder explicativo de la ecuación de regresión. El que un valor se considere alto o bajo o aceptable en el análisis estadístico depende del tipo de datos que se estén utilizando, los estándares particulares del investigador y la típica calculada en los estudio de naturaleza, para compensar por el hecho de que las ecuaciones de regresión con más variables independientes tiendes a tener valores de más altos, podemos utilizar una medición llamada coeficiente de determinación corregido y se define como: [pic 24][pic 25]

[pic 26]

Una prueba para la significancia estadística de los coeficientes de regresión estimados

La prueba utilizada para establecer que los coeficientes de regresiones timados a partir de los datos muéstrales verdaderamente reflejan a la población, se denominan prueba de significancia estadística, debido a que esta prueba implica lo que se conoce como valores – t, y se le denomina comúnmente como prueba- t , debido a que estamos interesados en los coeficientes de la pendiente, debemos enfocar nuestra atención