Supuestos del modelo de regresión lineal múltiple Flashcards
¿Cuáles son los 10 supuestos del modelo de regresión lineal múltiple?
- El modelo de regresión es lineal en los parámetros.
- Los valores de X son fijos.
- El valor esperado del error es 0.
- Homocedasticidad.
- No hay autocorrelación entre los errores.
- El número de observaciones es mayor al número de parámetros a estimar.
- Hay variación suficiente entre los valores de las variables.
- No hay colinealidad exacta entre las variables.
- El modelo está correctamente especificado.
- El término del error está normalmente distribuido.
¿Cómo se corrige el supuesto de la linealidad de los parámetros?
Se aplica una transformación lineal y, si no se puede, se calculan los mínimos cuadrados no lineales
¿Cómo se detecta si los valores de X no son fijos?
Con la prueba Hausman o una variable instrumental
¿Cómo se corrige el supuesto de los valores fijos de X?
Con mínimos cuadrados en dos y tres etapas o con métodos generalizados de momentos
¿Cuáles son las consecuencias de tener heterocedasticidad?
Errores estándar más grandes
Mayor probabilidad de que el estimador sea no significativo
¿Cómo se corrige la heterocedasticidad?
Con la prueba de White
¿Cuáles son las consecuencias de que haya autocorrelación?
X ya no serían fijas
No se cumple el teorema de Gauss-Markov
¿Cómo se detecta la autocorrelación?
Con Durbin-Watson y si no con la prueba LM
¿Cuáles son las consecuencias de que el número de observaciones no sea mayor al número de parámetros a estimar?
No podríamos calculara las betas del modelo
¿Cuáles son las consecuencias de que haya colinealidad exacta entre las variables?
Matemáticamente, no podríamos resolver las matrices de las betas y no habría coeficientes significativos
¿Cómo se detecta la colineadad entre las variables?
Con la matriz de correlación de X
¿Cuáles son las consecuencias de no tener un modelo bien especificado?
R2 baja
Betas no significativas
¿Cuáles son las consecuencias de que el error no sea normalmente distribuido?
Hipótesis no confiables Valores extremos (outliers)
¿Cómo se corrige la distribución del error, si no es normal?
Aumentando el tamaño de la muestra, o aplicando un logaritmo al modelo
¿Cómo sabemos si hay multicolinealidad?
No hay betas
