Demostración Matemática de Un Modelo de Regresión Lineal Múltiple de Tres Variables Explicativas Aplicando El Método de Mínimos Cuadrados Ordinarios
Demostración Matemática de Un Modelo de Regresión Lineal Múltiple de Tres Variables Explicativas Aplicando El Método de Mínimos Cuadrados Ordinarios
Demostración Matemática de Un Modelo de Regresión Lineal Múltiple de Tres Variables Explicativas Aplicando El Método de Mínimos Cuadrados Ordinarios
net/publication/329129635
CITATIONS READS
0 3,813
2 authors, including:
Juan Tenorio
Georgetown University
4 PUBLICATIONS 3 CITATIONS
SEE PROFILE
All content following this page was uploaded by Juan Tenorio on 22 November 2018.
Ecuación poblacional:
𝑌 = ∝ +𝛽1 𝑋1 + 𝛽2 𝑋2 + 𝛽3 𝑋3 + 𝜀 ……(b)
Evaluando el error del modelo:
𝜀 = 𝑌 − ∝ −𝛽1 𝑋1 − 𝛽2 𝑋2 − 𝛽3 𝑋3
Apliquemos MCO, expresándola en función de los estimadores:
𝑖=𝑛 𝑖=𝑛
Los estimadores MCO, serán por tanto las soluciones del siguiente problema de
optimización:
𝑖=𝑛
∑ 𝜀𝑖 = 0 ; ∑ 𝜀𝑖 𝑋𝑖 = 0
𝑖=1 𝑖=1
𝑖=𝑛
𝜕 ∑𝑖=𝑛 2
𝑖=1 𝜀𝑖
(1) … … … … … … … …. ∗) = 2 ∑(𝑌 − ∝ −𝛽1 𝑋1 − 𝛽2 𝑋2 − 𝛽3 𝑋3 )(−1) = 0
𝜕∝
𝑖=1
𝑖=𝑛
𝜕 ∑𝑖=𝑛 2
𝑖=1 𝜀𝑖
(2) … … … … … … … …. ∗) = 2 ∑(𝑌 − ∝ −𝛽1 𝑋1 − 𝛽2 𝑋2 − 𝛽3 𝑋3 )(−𝑋1 ) = 0
𝜕𝛽1
𝑖=1
𝑖=𝑛
𝜕 ∑𝑖=𝑛 2
𝑖=1 𝜀𝑖
(3) … … … … … … … …. ∗) = 2 ∑(𝑌 − ∝ −𝛽1 𝑋1 − 𝛽2 𝑋2 − 𝛽3 𝑋3 )(−𝑋2 ) = 0
𝜕𝛽2
𝑖=1
𝑖=𝑛
𝜕 ∑𝑖=𝑛 2
𝑖=1 𝜀𝑖
(4) … … … … … … … …. ∗) = 2 ∑(𝑌 − ∝ −𝛽1 𝑋1 − 𝛽2 𝑋2 − 𝛽3 𝑋3 )(−𝑋3 ) = 0
𝜕𝛽3
𝑖=1
Para un mayor entendimiento del proceso de optimización del MCO, véase GREENE, W. H. (2003). Econometric
Analysis. 7th ed. Upper Saddle River: Prentice Hall – Capitulo 2.
2. Segunda parte:
∑(𝑌 − ∝ −𝛽1 𝑋1 − 𝛽2 𝑋2 − 𝛽3 𝑋3 ) = 0
𝑖=1
3. Tercera parte:
Para esto restando (a) de (b); podemos volver a escribir la ecuación de regresión en
forma de desviaciones:
𝑦̂ = 𝛽1 𝑥1 + 𝛽2 𝑥2 + 𝛽3 𝑥3 + 𝜀
𝑖=𝑛 𝑖=𝑛
𝑖=𝑛
𝜕 ∑𝑖=𝑛 2
𝑖=1 𝜀𝑖
(1) … … … … … … … …. ∗) = 2 ∑(𝑦̂𝑖 − 𝛽1 𝑥𝑖1 − 𝛽2 𝑥𝑖2 − 𝛽3 𝑥𝑖3 ) (−𝑥𝑖1 ) = 0
𝜕𝛽1
𝑖=1
𝑖=𝑛
𝑖=𝑛
𝜕 ∑𝑖=𝑛 2
𝑖=1 𝜀𝑖
(2) … … … … … … … …. ∗) = 2 ∑(𝑦̂𝑖 − 𝛽1 𝑥𝑖1 − 𝛽2 𝑥𝑖2 − 𝛽3 𝑥𝑖3 ) (−𝑥𝑖2 ) = 0
𝜕𝛽2
𝑖=1
𝑖=𝑛
𝑖=𝑛
𝜕 ∑𝑖=𝑛 2
𝑖=1 𝜀𝑖
(3) … … … … … … … …. ∗) = 2 ∑(𝑦̂𝑖 − 𝛽1 𝑥𝑖1 − 𝛽2 𝑥𝑖2 − 𝛽3 𝑥𝑖3 ) (−𝑥𝑖3 ) = 0
𝜕𝛽2
𝑖=1
𝑖=𝑛
Para formar un sistema de ecuaciones se tiene que tener en cuenta que estas tienen que presentar una solución única,
para una mayor comprensión véase, Grossman Stanley. Álgebra Lineal, Mc Graw-Hill, 6ta edición – Capítulo 4.
Sistema de ecuaciones en sumatoria ordenada:
𝑖=𝑛 𝑖=𝑛 𝑖=𝑛 𝑖=𝑛
2
𝛽1 ∑ 𝑥𝑖1 + 𝛽2 ∑ 𝑥𝑖1 𝑥𝑖2 + 𝛽3 ∑ 𝑥𝑖1 𝑥𝑖3 = ∑ 𝑦̂𝑖 𝑥𝑖1
𝑖=1 𝑖=1 𝑖=1 𝑖=1
Para hallar los parámetros en la regla de cramer se multiplica a las dos partes por la
inversa de la matriz A:
𝑥 = 𝐴−1 ℎ
Hallando “𝛽1 ”:
∑𝑖=𝑛
𝑖=1 𝑦𝑖 𝑥𝑖1 ∑𝑖=𝑛
𝑖=1 𝑥𝑖1 𝑥𝑖2 ∑𝑖=𝑛
𝑖=1 𝑥𝑖1 𝑥𝑖3
|∑𝑖=𝑛
𝑖=1 𝑦𝑖 𝑥𝑖2 ∑𝑖=𝑛
𝑖=1 𝑥𝑖2
2 ∑𝑖=𝑛
𝑖=1 𝑥𝑖2 𝑥𝑖3 |
∑𝑖=𝑛
𝑖=1 𝑦𝑖 𝑥𝑖3 ∑𝑖=𝑛
𝑖=1 𝑥𝑖2 𝑥𝑖3 ∑𝑖=𝑛
𝑖=1 𝑥𝑖3
2
𝛽1 =
|𝐴|
Hallando la 𝐷𝑒𝑡(𝐴):
𝑖=𝑛 𝑖=𝑛 𝑖=𝑛 𝑖=𝑛
2
𝑖=𝑛 ∑ 𝑥𝑖2 ∑ 𝑥𝑖2 𝑥𝑖3 𝑖=𝑛 ∑ 𝑥𝑖1 𝑥𝑖2 ∑ 𝑥𝑖2 𝑥𝑖3
| | | |
𝑖=1 𝑖=1 𝑖=1 𝑖=1
∑ 𝑥𝑖1 2 𝑖=𝑛 𝑖=𝑛
− ∑ 𝑥𝑖1 𝑥𝑖2 𝑖=𝑛 𝑖=𝑛
𝑖=1 | | 𝑖=1 | |
∑ 𝑥𝑖2 𝑥𝑖3 ∑ 𝑥𝑖3 2 ∑ 𝑥𝑖1 𝑥𝑖3 ∑ 𝑥𝑖3 2
𝑖=1 𝑖=1 𝑖=1 𝑖=1
𝑖=𝑛 𝑖=𝑛
+ ∑ 𝑥𝑖1 𝑥𝑖3 [(∑ 𝑥𝑖1 𝑥𝑖2 ) (∑ 𝑥𝑖2 𝑥𝑖3 ) − (∑ 𝑥𝑖1 𝑥𝑖3 ) (∑ 𝑥𝑖2 2 )]
𝑖=1 𝑖=1 𝑖=1 𝑖=1 𝑖=1
∑ 𝑥𝑖1 ∑ 𝑥𝑖2 ∑ 𝑥𝑖3 − ∑ 𝑥𝑖1 (∑ 𝑥𝑖2 𝑥𝑖3 ) − (∑ 𝑥𝑖1 𝑥𝑖2 ) ∑ 𝑥𝑖3 2 + ∑ 𝑥𝑖1 𝑥𝑖2 ∑ 𝑥𝑖1 𝑥𝑖3 ∑ 𝑥𝑖2 𝑥𝑖3
2 2 2 2
𝑖=1 𝑖=1 𝑖=1 𝑖=1 𝑖=1 𝑖=1 𝑖=1 𝑖=1 𝑖=1 𝑖=1
2
𝑖=𝑛 𝑖=𝑛 𝑖=𝑛 𝑖=𝑛 𝑖=𝑛
𝑖=𝑛 𝑖=𝑛 𝑖=𝑛 𝑖=𝑛 𝑖=𝑛 2 𝑖=𝑛 2 𝑖=𝑛 𝑖=𝑛 𝑖=𝑛 𝑖=𝑛 𝑖=𝑛 2 𝑖=𝑛
2 2 2 2 2
∑ 𝑥𝑖1 ∑ 𝑥𝑖2 ∑ 𝑥𝑖3 − ∑ 𝑥𝑖1 (∑ 𝑥𝑖2 𝑥𝑖3 ) − (∑ 𝑥𝑖1 𝑥𝑖2 ) ∑ 𝑥𝑖3 + 2 ∑ 𝑥𝑖1 𝑥𝑖3 ∑ 𝑥𝑖1 𝑥𝑖2 ∑ 𝑥𝑖2 𝑥𝑖3 − (∑ 𝑥𝑖1 𝑥𝑖3 ) ∑ 𝑥𝑖2 2
𝑖=1 𝑖=1 𝑖=1 𝑖=1 𝑖=1 𝑖=1 𝑖=1 𝑖=1 𝑖=1 𝑖=1 𝑖=1 𝑖=1
Las propiedades de las sumatorias condicionan diferentes pasos para hallar la determinante en una matriz no se debe
de confundir a las propiedades que toman los números enteros en operaciones algebraicas, véase Louis Leithold, El
Cálculo, Séptima edición, Oxford, México, 2008- Capitulo 12; La regla de cramer muy usada en sistemas de ecuaciones
ordinarias para hallar una solución particular y en problemas matriciales, véase Nicholson, W.K.: Álgebra lineal con
aplicaciones, 4ta edición, Mc Graw Hill, España, 2003- Capitulo 7.
Agrupemos los términos evaluando las propiedades de sumatorias:
2
𝑖=𝑛 𝑖=𝑛 𝑖=𝑛 𝑖=𝑛
2
𝑖=𝑛 𝑖=𝑛 𝑖=𝑛 𝑖=𝑛 𝑖=𝑛 𝑖=𝑛 𝑖=𝑛 𝑖=𝑛 𝑖=𝑛 𝑖=𝑛 𝑖=𝑛
∑ 𝑦𝑖 𝑥𝑖1 ∑ 𝑥𝑖2 2 ∑ 𝑥𝑖3 2 − ∑ 𝑦𝑖 𝑥𝑖1 (∑ 𝑥𝑖2 𝑥𝑖3 ) − ∑ 𝑦𝑖 𝑥𝑖2 ∑ 𝑥𝑖1 𝑥𝑖2 ∑ 𝑥𝑖3 2 + ∑ 𝑦𝑖 𝑥𝑖3 ∑ 𝑥𝑖1 𝑥𝑖2 ∑ 𝑥𝑖2 𝑥𝑖3
𝑖=1 𝑖=1 𝑖=1 𝑖=1 𝑖=1 𝑖=1 𝑖=1 𝑖=1 𝑖=1 𝑖=1 𝑖=1
𝑖=𝑛 𝑖=𝑛 𝑖=𝑛 𝑖=𝑛 𝑖=𝑛 𝑖=𝑛
+2 ∑𝑖=𝑛
𝑖=1 𝑥𝑖1 𝑥𝑖3 ∑𝑖=1 𝑥𝑖1 𝑥𝑖2 ∑𝑖=1 𝑥𝑖2 𝑥𝑖3 − (∑𝑖=1 𝑥𝑖1 𝑥𝑖3 ) ∑𝑖=1 𝑥𝑖2
𝑖=𝑛 𝑖=𝑛 𝑖=𝑛 2 𝑖=𝑛 2
Hallando “𝛽2 ”:
∑𝑖=𝑛
𝑖=1 𝑥𝑖1
2 ∑𝑖=𝑛
𝑖=1 𝑦𝑖 𝑥𝑖1 ∑𝑖=𝑛
𝑖=1 𝑥𝑖1 𝑥𝑖3
|∑𝑖=𝑛
𝑖=1 𝑥𝑖1 𝑥𝑖2 ∑𝑖=𝑛
𝑖=1 𝑦𝑖 𝑥𝑖2 ∑𝑖=𝑛
𝑖=1 𝑥𝑖2 𝑥𝑖3 |
∑𝑖=𝑛
𝑖=1 𝑥𝑖1 𝑥𝑖3 ∑𝑖=𝑛
𝑖=1 𝑦𝑖 𝑥𝑖3 ∑𝑖=𝑛
𝑖=1 𝑥𝑖3
2
𝛽2 =
|𝐴|
𝑖=𝑛 𝑖=𝑛 𝑖=𝑛 𝑖=𝑛 𝑖=𝑛 2 𝑖=𝑛 2 𝑖=𝑛 𝑖=𝑛 𝑖=𝑛 𝑖=𝑛 𝑖=𝑛 2 𝑖=𝑛
2 2 2 2 2
∑ 𝑥𝑖1 ∑ 𝑥𝑖2 ∑ 𝑥𝑖3 − ∑ 𝑥𝑖1 (∑ 𝑥𝑖2 𝑥𝑖3 ) − (∑ 𝑥𝑖1 𝑥𝑖2 ) ∑ 𝑥𝑖3 + 2 ∑ 𝑥𝑖1 𝑥𝑖3 ∑ 𝑥𝑖1 𝑥𝑖2 ∑ 𝑥𝑖2 𝑥𝑖3 − (∑ 𝑥𝑖1 𝑥𝑖3 ) ∑ 𝑥𝑖2 2
𝑖=1 𝑖=1 𝑖=1 𝑖=1 𝑖=1 𝑖=1 𝑖=1 𝑖=1 𝑖=1 𝑖=1 𝑖=1 𝑖=1
∑ 𝑦𝑖 𝑥𝑖2 ∑ 𝑥𝑖1 2 ∑ 𝑥𝑖3 2 − ∑ 𝑦𝑖 𝑥𝑖3 ∑ 𝑥𝑖1 2 ∑ 𝑥𝑖2 𝑥𝑖3 − ∑ 𝑦𝑖 𝑥𝑖1 ∑ 𝑥𝑖1 𝑥𝑖2 ∑ 𝑥𝑖3 2
𝑖=1 𝑖=1 𝑖=1 𝑖=1 𝑖=1 𝑖=1 𝑖=1 𝑖=1 𝑖=1
2
𝑖=𝑛 𝑖=𝑛 𝑖=𝑛 𝑖=𝑛 𝑖=𝑛 𝑖=𝑛 𝑖=𝑛 𝑖=𝑛
+ ∑ 𝑦𝑖 𝑥𝑖1 ∑ 𝑥𝑖1 𝑥𝑖3 ∑ 𝑥𝑖2 𝑥𝑖3 + ∑ 𝑦𝑖 𝑥𝑖3 ∑ 𝑥𝑖1 𝑥𝑖3 ∑ 𝑥𝑖1 𝑥𝑖2 − ∑ 𝑦𝑖 𝑥𝑖2 (∑ 𝑥𝑖1 𝑥𝑖3 )
𝑖=1 𝑖=1 𝑖=1 𝑖=1 𝑖=1 𝑖=1 𝑖=1 𝑖=1
∑𝑖=𝑛
𝑖=1 𝑦𝑖 𝑥𝑖2 ∑𝑖=1 𝑥𝑖1 ∑𝑖=1 𝑥𝑖3 − ∑𝑖=1 𝑦𝑖 𝑥𝑖3 ∑𝑖=1 𝑥𝑖1 ∑𝑖=1 𝑥𝑖2 𝑥𝑖3 − ∑𝑖=1 𝑦𝑖 𝑥𝑖1 ∑𝑖=1 𝑥𝑖1 𝑥𝑖2 ∑𝑖=1 𝑥𝑖3
𝑖=𝑛 2 𝑖=𝑛 2 𝑖=𝑛 𝑖=𝑛 2 𝑖=𝑛 𝑖=𝑛 𝑖=𝑛 𝑖=𝑛 2
+ ∑𝑖=𝑛
𝑖=1 𝑦𝑖 𝑥𝑖1 ∑𝑖=1 𝑥𝑖1 𝑥𝑖3 ∑𝑖=1 𝑥𝑖2 𝑥𝑖3 + ∑𝑖=1 𝑦𝑖 𝑥𝑖3 ∑𝑖=1 𝑥𝑖1 𝑥𝑖3 ∑𝑖=1 𝑥𝑖1 𝑥𝑖2 − ∑𝑖=1 𝑦𝑖 𝑥𝑖2 (∑𝑖=1 𝑥𝑖1 𝑥𝑖3 )
𝑖=𝑛 𝑖=𝑛 𝑖=𝑛 𝑖=𝑛 𝑖=𝑛 𝑖=𝑛 𝑖=𝑛 2
𝛽2 =
∑𝑖=𝑛
𝑖=1 𝑥𝑖1 ∑𝑖=1 𝑥𝑖2 ∑𝑖=1 𝑥𝑖3 − ∑𝑖=1 𝑥𝑖1 (∑𝑖=1 𝑥𝑖2 𝑥𝑖3 ) − (∑𝑖=1 𝑥𝑖1 𝑥𝑖2 ) ∑𝑖=1 𝑥𝑖3
2 𝑖=𝑛 2 𝑖=𝑛 2 𝑖=𝑛 2 𝑖=𝑛 2 𝑖=𝑛 2 𝑖=𝑛 2
+2 ∑𝑖=𝑛
𝑖=1 𝑥𝑖1 𝑥𝑖3 ∑𝑖=1 𝑥𝑖1 𝑥𝑖2 ∑𝑖=1 𝑥𝑖2 𝑥𝑖3 − (∑𝑖=1 𝑥𝑖1 𝑥𝑖3 ) ∑𝑖=1 𝑥𝑖2
𝑖=𝑛 𝑖=𝑛 𝑖=𝑛 2 𝑖=𝑛 2
Hallando “𝛽3 ”:
∑𝑖=𝑛
𝑖=1 𝑥𝑖1
2 ∑𝑖=𝑛
𝑖=1 𝑥𝑖1 𝑥𝑖2 ∑𝑖=𝑛
𝑖=1 𝑦𝑖 𝑥𝑖1
|∑𝑖=𝑛
𝑖=1 𝑥𝑖1 𝑥𝑖2 ∑𝑖=𝑛
𝑖=1 𝑥𝑖2
2 ∑𝑖=𝑛
𝑖=1 𝑦𝑖 𝑥𝑖2 |
∑𝑖=𝑛
𝑖=1 𝑥𝑖1 𝑥𝑖3 ∑𝑖=𝑛
𝑖=1 𝑥𝑖2 𝑥𝑖3 ∑𝑖=𝑛
𝑖=1 𝑦𝑖 𝑥𝑖3
𝛽3 =
|𝐴|
La 𝐷𝑒𝑡(𝐴) ya obtenida es:
𝑖=𝑛 𝑖=𝑛 𝑖=𝑛 𝑖=𝑛 𝑖=𝑛 2 𝑖=𝑛 2 𝑖=𝑛 𝑖=𝑛 𝑖=𝑛 𝑖=𝑛 𝑖=𝑛 2 𝑖=𝑛
2 2 2 2 2
∑ 𝑥𝑖1 ∑ 𝑥𝑖2 ∑ 𝑥𝑖3 − ∑ 𝑥𝑖1 (∑ 𝑥𝑖2 𝑥𝑖3 ) − (∑ 𝑥𝑖1 𝑥𝑖2 ) ∑ 𝑥𝑖3 + 2 ∑ 𝑥𝑖1 𝑥𝑖3 ∑ 𝑥𝑖1 𝑥𝑖2 ∑ 𝑥𝑖2 𝑥𝑖3 − (∑ 𝑥𝑖1 𝑥𝑖3 ) ∑ 𝑥𝑖2 2
𝑖=1 𝑖=1 𝑖=1 𝑖=1 𝑖=1 𝑖=1 𝑖=1 𝑖=1 𝑖=1 𝑖=1 𝑖=1 𝑖=1
∑ 𝑦𝑖 𝑥𝑖3 ∑ 𝑥𝑖1 2 ∑ 𝑥𝑖2 2 − ∑ 𝑦𝑖 𝑥𝑖2 ∑ 𝑥𝑖1 2 ∑ 𝑥𝑖2 𝑥𝑖3 − ∑ 𝑦𝑖 𝑥𝑖3 (∑ 𝑥𝑖1 𝑥𝑖3 ) + ∑ 𝑦𝑖 𝑥𝑖2 ∑ 𝑥𝑖1 𝑥𝑖3 ∑ 𝑥𝑖1 𝑥𝑖2
𝑖=1 𝑖=1 𝑖=1 𝑖=1 𝑖=1 𝑖=1 𝑖=1 𝑖=1 𝑖=1 𝑖=1 𝑖=1
𝑖=𝑛 𝑖=𝑛 𝑖=𝑛 𝑖=𝑛 𝑖=𝑛 𝑖=𝑛
∑𝑖=𝑛
𝑖=1 𝑦𝑖 𝑥𝑖3 ∑𝑖=1 𝑥𝑖1 ∑𝑖=1 𝑥𝑖2 − ∑𝑖=1 𝑦𝑖 𝑥𝑖2 ∑𝑖=1 𝑥𝑖1 ∑𝑖=1 𝑥𝑖2 𝑥𝑖3 − ∑𝑖=1 𝑦𝑖 𝑥𝑖3 (∑𝑖=1 𝑥𝑖1 𝑥𝑖3 )
𝑖=𝑛 2 𝑖=𝑛 2 𝑖=𝑛 𝑖=𝑛 2 𝑖=𝑛 𝑖=𝑛 𝑖=𝑛 2
+ ∑𝑖=𝑛
𝑖=1 𝑦𝑖 𝑥𝑖2 ∑𝑖=1 𝑥𝑖1 𝑥𝑖3 ∑𝑖=1 𝑥𝑖1 𝑥𝑖2 + ∑𝑖=1 𝑦𝑖 𝑥𝑖1 ∑𝑖=1 𝑥𝑖1 𝑥𝑖2 ∑𝑖=1 𝑥𝑖2 𝑥𝑖3
𝑖=𝑛 𝑖=𝑛 𝑖=𝑛 𝑖=𝑛 𝑖=𝑛
− ∑𝑖=𝑛
𝑖=1 𝑦𝑖 𝑥𝑖1 ∑𝑖=1 𝑥𝑖2 ∑𝑖=1 𝑥𝑖1 𝑥𝑖3
𝑖=𝑛 2 𝑖=𝑛
𝛽3 =
∑𝑖=𝑛
𝑖=1 𝑥𝑖1 ∑𝑖=1 𝑥𝑖2 ∑𝑖=1 𝑥𝑖3 − ∑𝑖=1 𝑥𝑖1 (∑𝑖=1 𝑥𝑖2 𝑥𝑖3 ) − (∑𝑖=1 𝑥𝑖1 𝑥𝑖2 ) ∑𝑖=1 𝑥𝑖3
2 𝑖=𝑛 2 𝑖=𝑛 2 𝑖=𝑛 2 𝑖=𝑛 2 𝑖=𝑛 2 𝑖=𝑛 2
+2 ∑𝑖=𝑛𝑖=1 𝑥𝑖1 𝑥𝑖3 ∑𝑖=1 𝑥𝑖1 𝑥𝑖2 ∑𝑖=1 𝑥𝑖2 𝑥𝑖3 − (∑𝑖=1 𝑥𝑖1 𝑥𝑖3 ) ∑𝑖=1 𝑥𝑖2
𝑖=𝑛 𝑖=𝑛 𝑖=𝑛 2 𝑖=𝑛 2
4. Conclusiones
Al haber realizado el siguiente trabajo concluimos que los estimadores de mínimos
cuadrados ordinarios(MCO), satisfacen y cumplen las condiciones de insesgadez y
consistencia del modelo, al encontrarlas en función a la data estadística y a la variable
explicada, esto significa también que si “x” y “y” están positivamente relacionados con
la muestra entonces los parámetros tendrán a ser positivos, también vemos que los
instrumentos matemáticos ayudan en gran parte a nuestro desarrollo en como poder
sustentar con una base sólida nuestras predicciones y análisis que brindamos sin olvidar
claro está la matriz de nuestros estudios que son las problemáticas económicos y/o
sociales que susciten, no olvidemos que tanto la estadística y la matemática son
instrumentos necesarios pero más no primordiales que condicionan el enfoque teórico
que podemos darle, los resultados obtenidos de los parámetros pueden ser
interpretados de manera estadística como matricial para un modelo ya sea de 4, 5, 6 o
generalizando el modelo, la relación que existen entre las diversas variables son de
covarianzas y varianzas y esto nos abre la puerta a una demostración más para
comprobar el ciclo o cadena que cumplen al aumentar un regresor más al modelo.
5. Referencias Bibliográficas
GREENE, W. H. (2003). Econometric Analysis. 7th ed. Upper Saddle River: Prentice
Hall
JOHNSTON, J y J. DiNardo. Métodos de Econometría, Traducción de la 4ta Edición
(Murillo C.F.). Barcelona: Vicens Vives. 2001
Stock, J. y M. Watson (2007). Introduction to Econometrics, 2a Edición. Addison-Wesley.
KENNEDY, Peter (2008) A Guide to Econometrics. [6a ed.] Cambridge, Mass.: The MIT
Knut Sydsaeter and Peter J. Hammond. Mathematics for Economic Analysis. Prentice
Hall, 1995.