Dentro del ámbito de la estadística, uno de los tópicos más importantes son las regresiones lineales (simples o múltiples), las cuales tienen como objetivo predecir valores futuros en base a aquellos valores ya existentes con anterioridad, por lo que el método más comunmente utilizado para esto es el conocido como mínimos cuadrados ordinarios.
Este método de estimación se basa en la idea de que hay una variable dependiente y otra(s) variable(s) independiente(s), la cual puede explicar en cierta medida los comportamientos de la variable dependiente, teniendo como resultado la siguiente expresión matemática:
\[ Y=\alpha + \beta X_1 \] Esta función nos estaría diciendo que la variable dependiente \(Y\) cambiará \(\beta\) veces cada que la variable independiente \(X\) se modifique en una unidad. Mátematicamente hablando esto es correcto, sin embargo, recordemos que en el ámbito de la estadística los valores (casi) nunca se cumplen a la perfección, siempre existe un margen de error que debe ser considerado, por lo que en econometría se suele usar el término de error \(\varepsilon\) o \(\mu\) para denotar el componente aleatorio de la función, o mejor dicho, el margen de error de la función, teniendo finalmente la siguiente expresión:
\[ Y=\alpha + \beta X_1 + \varepsilon \]
Un modelo de regresión lineal debe cumplir con ciertos supuestos, los cuales son los siguientes:
Ahora, ya que conocemos dichos supuestos, podemos pasar a estimar los respectivos valores de \(\alpha\) y \(\beta\) para un modelo de regresión lineal, de lo cual sabemos que \(\alpha\) es la ordenada al origen y \(\beta\) la pendiente de la función. Si no se tienen los valores entonces hay que estimarlos, teniendo que \(\hat{\alpha}\) y \(\hat{\beta}\) \(\rightarrow\) \(\hat{Y}\), por lo que \(\hat{\varepsilon}=Y-\hat{Y}\). El método de mínimos cuadrados ordinarios se basa en-valga la redundancia-minimizar los errores al cuadrado, por lo que aplicando lo anterior a las funciones de los errores estimados y la función de \(Y\) estimada, tendríamos lo siguiente:
\[ \sum (\varepsilon_i)^2 = \sum (Y_i-\hat{Y})^2 \]
Donde:
\[ \hat{Y} = \hat{\alpha} + \hat{\beta}X_i \]
Ahora, derivamos \(\hat{\alpha}\) y \(\hat{\beta}\) e igualamos a 0. Para poder estimar \(\hat{\alpha}\) debemos comenzar por \(\hat{\beta}\), teniendo dos posibles métodos para ello los cuales están desarrollados a continuación:
Sabiendo que \(\sum \varepsilon^2_i = \sum (Y_i-\hat{Y})^2\) y despejando \(\hat{\alpha}\) de la función original \(\hat{\alpha} = \hat{Y} - \hat{\beta}X_i\), entonces tendríamos:
\[ \sum (\varepsilon_i)^2 = \sum (Y_i- \bar{Y}+ \hat{\beta}\bar{X}-\hat{\beta}X_i)^2 \]
Reagrupando y factorizando:
\[ \sum (\varepsilon_i)^2 =\sum [(Y_i - \bar{Y})-\hat{\beta}(X_i - \bar{X})]^2 \]
Después, quitamos el exponente de la ecuación anterior:
\[ \sum (\varepsilon_i)^2 =\sum [(Y_i - \bar{Y})^2-2\hat{\beta}(Y_i - \bar{Y})(X_i - \bar{X})+ \hat{\beta}^2(X_i - \bar{X})^2] \] Derivamos con respecto a \(\hat{\beta}\), tal que:
\[ \frac{\partial\sum (\varepsilon_i)^2}{\partial \hat{\beta}}= -2\sum(X_i-\bar{X})(Y_i - \bar{Y})+2\hat{\beta}\sum (X_i - \bar{X})^2 = 0 \]
y, finalmente, despejando \(\hat{\beta}\):
\[ -2\hat{\beta} \sum (X_i - \bar{X})^2 = -2\sum (X_i - \bar{X}) (Y_i - \bar{Y}) \] \[ \hat{\beta} \sum (X_i - \bar{X})^2 = \sum (X_i - \bar{X}) (Y_i - \bar{Y}) \]
\[ \hat{\beta} = \frac{\sum (X_i - \bar{X}) (Y_i - \bar{Y})}{ \sum (X_i - \bar{X})^2} \]
Lo que en esencia es la covarianza de \(X\) y \(Y\) entre la varianza de \(X\), es decir:
\[ \hat{\beta} = \frac{Cov(X,Y)}{Var(X)} \]
Si tenemos la derivada siguiente:
\[ \frac{\partial \sum (Y_i -\hat{\alpha}-\hat{\beta}X_i)}{\hat{\beta}}= -2\sum (Y_i- \hat{\alpha}-\hat{\beta}X_i)X_i=0 \]
Entonces podemos despejar el -2 para cancelarlo, ya que \(\frac{0}{X}=0\), tal que:
\[ \hat{\beta}' = \sum (Y_i- \hat{\alpha}-\hat{\beta}X_i)X_i=0 \] \[ \hat{\beta}' = \sum (Y_i X_i- \hat{\alpha}X_i-\hat{\beta}X_i^2)=0 \] Considerando la propiedad distributiva de \(\sum\) en estadística:
\[ \hat{\beta}' = \sum Y_i X_i- \hat{\alpha}\sum X_i-\hat{\beta}\sum X_i^2=0 \]
Despejamos $ Y_i X_i$:
\[ \hat{\beta}' = \sum Y_i X_i= \hat{\alpha}\sum X_i+\hat{\beta}\sum X_i^2 \]
Ahora, sabemos que \(\hat{\alpha} = \bar{Y} - \bar{\beta} \bar{X}\), por lo que podemos reemplazar en la ecuación, teniendo:
\[ (\bar{Y}-\hat{\beta} \bar{X}) \sum X_i + \hat{\beta} \sum X_i^2 = \sum Y_i X_i \]
Desarrollando y despejando \(\hat{\beta}\):
\[ \sum X_i \bar{Y} - \sum X_i \hat{\beta}\bar{X} + \hat{\beta} \sum X_i^2 = \sum Y_i X_i \] \[ -\sum X_i\hat{\beta}\bar{X}+ \hat{\beta} \sum X^2_i = \sum Y_i X_i - \sum X_i \bar{Y} \]
Factorizamos \(\hat{\beta}\) y la despejamos:
\[ \hat{\beta} (-\bar{X} \sum X_i + \sum X_i^2)=\sum Y_i X_i - \sum X_i \bar{Y} \]
\[ \hat{\beta} = \frac{\sum Y_i X_i - \sum X_i \bar{Y}}{\bar{X} \sum X_i - \sum X_i^2} \]
Finalmente, aplicando la propiedad \(\sum X_i =n\bar{X}\) y redistribuyendo la expresión, tenemos:
\[ \hat{\beta} = \frac{\sum (X_i - \bar{X}) (Y_i - \bar{Y})}{ \sum (X_i - \bar{X})^2} \]
Llegando al mismo resultado que en el método anterior.
Ahora bien, para calcular el valor de \(\hat{\alpha}\) simplemente hay que derivar lo siguiente e igualar a 0:
\[ \frac{\partial \sum (Y_i - \hat{\alpha}- \hat{\beta} X_i)^2 }{\partial \hat{\alpha}}= -2 \sum (Y_i - \hat{\alpha}-\hat{\beta} X_i) = 0 \] Despejamos \(-2\) y desarrollamos la expresión, teniendo:
\[ \sum Y_i - n \hat{\alpha} - \hat{\beta} \sum X_i = 0 \]
Finalmente, despejamos a \(\hat{\alpha}\) para calcularla, tal que:
\[ n \hat{\alpha} = \sum Y_i - \hat{\beta} \sum X_i \] \[ \hat{\alpha} = \frac{\sum Y_i}{n} - \frac{ \hat{\beta} \sum X_i}{n} \]
Por lo que el valor final de \(\hat{\alpha}\) estaría dado por la expresión:
\[ \hat{\alpha} = \bar{Y} - \hat{\beta} \bar{X} \]
La lógica de los valores de \(\hat{\alpha}\) y \(\hat{\beta}\) es que encontremos una función que pueda explicar de la mejor manera posible la tendencia que hay entre la relación de dos variables, suponiendo que están relacionadas. La forma de interpretar dichos valores es la siguiente: Sabiendo que \(Y\) es la variable dependiente o endógena y \(X\) la variable independiente o exógena, si \(X\) incrementa en una unidad (sea el caso de lo que estamos midiendo) entonces \(Y\) va a tender a variar en \(\hat{\beta}\) unidades, pero si \(X\) se mantiene constante (no varía en el tiempo) entonces \(Y\) mantendrá un valor de \(\hat{\alpha}\).
Ahora, para ver de manera más clara lo que hemos hecho hasta ahora de manera matemática entonces haremos un ejercicio rápido con la base cars, la cual ya viene instalada en Rstudio por default. Esta base nos da una serie de observaciones sobre velocidad y distancia. Para hacer una regresión en R no es necesario usar ningún paquete, pero usaremos las siguientes librerias para la gráfica hecha al final:
library(echarts4r)
library(tidyverse)
library(lubridate)
library(prophet) Ahora, para hacer una regresión de manera sencilla simplemente usaremos el siguiente comando:
# Leemos los datos de "cars"
attach(cars)
head(cars)## speed dist
## 1 4 2
## 2 4 10
## 3 7 4
## 4 7 22
## 5 8 16
## 6 9 10# Creamos un objeto que incluya el modelo lineal "lm", con "speed" como la variable independiente y "dist" como variable dependiente
Modelo <- lm(dist ~ speed)
# Obtenemos los principales estadísticos del modelo
summary(Modelo)##
## Call:
## lm(formula = dist ~ speed)
##
## Residuals:
## Min 1Q Median 3Q Max
## -29.069 -9.525 -2.272 9.215 43.201
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) -17.5791 6.7584 -2.601 0.0123 *
## speed 3.9324 0.4155 9.464 1.49e-12 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 15.38 on 48 degrees of freedom
## Multiple R-squared: 0.6511, Adjusted R-squared: 0.6438
## F-statistic: 89.57 on 1 and 48 DF, p-value: 1.49e-12Lo que nos estaría diciendo el modelo anterior es que por cada unidad de aumento en la velocidad la distancia tenderá a aumentar en 3.9324 unidades (metros, kilometros, según sea el caso), pero si la velocidad se mantiene constante, la distancia será de -17.5791 unidades (este último valor no tiene mucho sentido, por lo que en este caso probablemente convenga hacer una regresión sin constante, aunque eso será analizado en otro caso). El coeficiente \(R^2\) fue de 0.6438, lo que significa que la varianza del modelo estaría explicada en un 64%, es decir, el modelo es capaz de explicar el valor del 64% de las observaciones. Finalmente, encontramos que las probabilidades individuales “Pr(>|t|)” son menores a un nivel de significancia de 0.05, por lo que cada coeficiente puede ser tomado como válido (En otra entrada veremos más a fondo los niveles de significancia y su relevancia en un modelo lineal).
Para denotar de manera más clara la lógica de lo que hemos hecho hasta ahora, vamos a hacer un gráfico, representando las observaciones individuales y la linea de tendencia que representa al modelo.
cars %>%
e_charts(x = speed) %>%
e_scatter(dist, name = "Observaciones") %>%
e_lm(dist ~ speed, name = "MCO") %>%
e_axis_labels(x = "Velocidad", y = "Distancia") %>%
e_title(
text = "Ejemplo de MCO",
subtext = "Distancia vs velocidad"
) %>%
e_x_axis(
nameLocation = "center",
splitArea = list(show = FALSE),
axisLabel = list(margin = 3),
axisPointer = list(
show = TRUE,
lineStyle = list(
color = "#999999",
width = 0.75,
type = "dotted"
)
)
) %>%
e_y_axis(
nameLocation = "center",
splitArea = list(show = FALSE),
axisLabel = list(margin = 0),
axisPointer = list(
show = TRUE,
lineStyle = list(
color = "#999999",
width = 0.75,
type = "dotted"
)
)
)