Universidad Nacional de San Agustín de Arequipa

Facultad de Economía
Escuela Profesional de Economía
Departamento Académico de Economía

Asignatura
Econometría 1

Guía de práctica
Modelo de regresión lineal con regresor único

Carlos Pedro Vera Ninacondor

Arequipa–Perú
2020
Contenido

1. Modelo de regresión lineal con regresor único

1.1. Modelo de regresión poblacional lineal
1.2. Modelo de regresión muestral lineal
1.3. Estimación de los coeficientes de la función de regresión poblacional lineal
1.4. Recta de regresión muestral MCO
1.5. Error de predicción MCO
1.6. Caso resuelto
1.6.1. Datos
1.6.2. Especificación del modelo de regresión poblacional lineal
1.6.3. Especificación del modelo de regresión poblacional lineal
1.6.4. Construcción de la matriz de sumas
1.6.5. Cálculo del estimador MCO de la pendiente 𝛽1 de la recta de regresión poblacional
1.6.6. Cálculo del estimador MCO del término constante 𝛽0 de la recta de regresión
poblacional
1.6.7. Estimación de la recta de regresión muestral MCO
1.6.8. Interpretación de los estimadores MCO de los coeficientes 𝛽0 y 𝛽1 de la recta de
regresión poblacional
1.6.9. Predicción MCO de la variable dependiente dado un valor de la variable
independiente
1.6.10. Estimación de los residuos MCO

Bibliografía

2
1. Modelo de regresión lineal con regresor único
El modelo de regresión lineal con regresor único, es el modelo de regresión que relaciona
una variable dependiente cuantitativa (𝑌𝑖 ) con una variable independiente cuantitativa
(𝑋𝑖 ).

1.1. Modelo de regresión poblacional lineal

El modelo de regresión poblacional lineal con regresor único (Stock y Watson, 2012, p. 79)
se especifica de la siguiente forma,
𝑌𝑖 = 𝛽0 + 𝛽1 𝑋𝑖 + 𝑢𝑖
Donde
𝑖 es el subíndice que toma valores de 1 hasta 𝑁.
𝑁 es el número de observaciones en la población.
𝑌𝑖 es la variable dependiente (o el regresando).
𝑋𝑖 es la variable independiente (o el regresor).
𝛽0 + 𝛽1 𝑋𝑖 es la recta de regresión poblacional o función de regresión poblacional lineal.
𝛽0 y 𝛽1 son los coeficientes de la recta de regresión poblacional, que se denominan
parámetros de la recta de regresión poblacional.
𝛽0 es el término constante de la recta de regresión poblacional, el cual es desconocido.
𝛽1 es la pendiente de la recta de regresión poblacional, el cual es desconocido.
𝑢𝑖 es el término de error, el cual es desconocido, “es una variable aleatoria no observable
que adopta valores positivos o negativos” (Gujarati y Porter, 2010, p. 40).
Interpretación de 𝛽1 . “La pendiente 𝛽1 es la variación en 𝑌 asociada a un cambio unitario
en 𝑋” (Stock y Watson, 2012, p. 79).
Interpretación de 𝛽0 . “El intercepto es el valor de la recta de regresión poblacional cuando
𝑋 = 0, es el punto en el que la recta de regresión corta el eje 𝑌” (Stock y Watson,
2012, p. 79).
“La función de regresión poblacional no es observable directamente. Se calcula a partir de
la función de regresión muestral” (Gujarati y Porter, 2010, p. 55).

3
1.2. Modelo de regresión muestral lineal
El modelo de regresión muestral lineal con regresor único (Stock y Watson, 2012, p.82) se
especifica de la siguiente forma,
𝑌𝑖 = 𝛽̂0 + 𝛽̂1 𝑋𝑖 + 𝑢̂𝑖
Donde
𝑖 es el subíndice que toma valores de 1 hasta 𝑛.
𝑛 es el número de observaciones en la muestra.
𝑌𝑖 es la variable dependiente (o el regresando).
𝑋𝑖 es la variable independiente (o el regresor).
𝛽̂0 es el estimador del término constante 𝛽0 de la recta de regresión poblacional.
𝛽̂1 es el estimador de la pendiente 𝛽1 de la recta de regresión poblacional.
𝑢̂𝑖 es el residuo, es el estimador del término de error 𝑢𝑖 .

1.3. Estimación de los coeficientes de la función de regresión poblacional lineal

Para la estimación de los coeficientes de la función de regresión poblacional lineal con
regresor único se utiliza el método de mínimos cuadrados ordinarios.
Estimador de mínimos cuadrados ordinarios (MCO)
Partiendo del modelo de regresión muestral lineal con regresor único
𝑌𝑖 = 𝛽̂0 + 𝛽̂1 𝑋𝑖 + 𝑢̂𝑖
Despejando 𝑢̂𝑖
𝛽̂0 + 𝛽̂1 𝑋𝑖 + 𝑢̂𝑖 = 𝑌𝑖
𝑢̂𝑖 = 𝑌𝑖 − 𝛽̂0 − 𝛽̂1 𝑋𝑖
Elevando al cuadrado ambos lados de la ecuación
2
𝑢̂𝑖2 = (𝑌𝑖 − 𝛽̂0 − 𝛽̂1 𝑋𝑖 )
Aplicando sumatorias a ambos lados de la ecuación
𝑛 𝑛
2
∑ 𝑢̂𝑖2 = ∑(𝑌𝑖 − 𝛽̂0 − 𝛽̂1 𝑋𝑖 )
𝑖=1 𝑖=1

“El principio o método de mínimos cuadrados elige 𝛽̂0 y 𝛽̂1 de manera que, para una
muestra o conjunto de datos determinados, ∑ 𝑢̂𝑖2 es la más pequeña posible. En otras

4
palabras, para una muestra dada, proporciona valores estimados únicos de 𝛽̂0 y 𝛽̂1 que
producen el valor más pequeño o reducido posible de ∑ 𝑢̂𝑖2 ” (Gujarati y Porter, 2010, p. 57).
Minimizando la suma de los residuos elevados al cuadrado
Calculando las derivadas parciales de primer orden de ∑ 𝑢̂𝑖2 respecto de β̂0 y de β̂1 se
obtiene
𝜕(∑ 𝑢̂𝑖2 )
= 2 ∑(𝑌𝑖 − 𝛽̂0 − 𝛽̂1 𝑋𝑖 ) (−1) = −2 ∑(𝑌𝑖 − 𝛽̂0 − 𝛽̂1 𝑋𝑖 )
𝜕𝛽̂0
𝜕(∑ 𝑢̂𝑖2 )
= 2 ∑(𝑌𝑖 − 𝛽̂0 − 𝛽̂1 𝑋𝑖 )(−𝑋𝑖 ) = −2 ∑(𝑌𝑖 − 𝛽̂0 − 𝛽̂1 𝑋𝑖 )(𝑋𝑖 )
𝜕𝛽̂1
Seguidamente igualando a cero las derivadas parciales de primer orden, y luego resolviendo
el sistema de ecuaciones se obtienen los estimadores MCO de 𝛽0 y 𝛽1
Igualando a cero la derivada parcial de primer orden de ∑ 𝑢̂𝑖2 respecto de β̂0

−2 ∑(𝑌𝑖 − 𝛽̂0 − 𝛽̂1 𝑋𝑖 ) = 0

Despejando ∑ 𝑌𝑖

∑ 𝑌𝑖 − ∑ 𝛽̂0 − ∑ 𝛽̂1 𝑋𝑖 = 0

∑ 𝑌𝑖 − 𝑛𝛽̂0 − 𝛽̂1 ∑ 𝑋𝑖 = 0

∑ 𝑌𝑖 = 𝑛𝛽̂0 + 𝛽̂1 ∑ 𝑋𝑖

Igualando a cero la derivada parcial de primer orden de ∑ 𝑢̂𝑖2 respecto de β̂1

−2 ∑(𝑌𝑖 − 𝛽̂0 − 𝛽̂1 𝑋𝑖 )𝑋𝑖 = 0

Despejando ∑ 𝑌𝑖 𝑋𝑖

∑(𝑌𝑖 − 𝛽̂0 − 𝛽̂1 𝑋𝑖 )𝑋𝑖 = 0

∑(𝑌𝑖 𝑋𝑖 − 𝛽̂0 𝑋𝑖 − 𝛽̂1 𝑋𝑖 𝑋𝑖 ) = 0

∑(𝑌𝑖 𝑋𝑖 − 𝛽̂0 𝑋𝑖 − 𝛽̂1 𝑋𝑖2 ) = 0

∑ 𝑌𝑖 𝑋𝑖 − ∑ 𝛽̂0 𝑋𝑖 − ∑ 𝛽̂1 𝑋𝑖2 = 0

∑ 𝑌𝑖 𝑋𝑖 − 𝛽̂0 ∑ 𝑋𝑖 − 𝛽̂1 ∑ 𝑋𝑖2 = 0

5
 ∑ 𝑌𝑖 𝑋𝑖 = 𝛽̂0 ∑ 𝑋𝑖 + 𝛽̂1 ∑ 𝑋𝑖2

Las ecuaciones siguientes son las ecuaciones normales

∑ 𝑌𝑖 = 𝑛𝛽̂0 + 𝛽̂1 ∑ 𝑋𝑖

∑ 𝑌𝑖 𝑋𝑖 = 𝛽̂0 ∑ 𝑋𝑖 + 𝛽̂1 ∑ 𝑋𝑖2

Cálculo del estimador MCO del coeficiente 𝜷𝟎

De la ecuación normal

∑ 𝑌𝑖 = 𝑛𝛽̂0 + 𝛽̂1 ∑ 𝑋𝑖

Despejando 𝛽̂0

𝑛𝛽̂0 + 𝛽̂1 ∑ 𝑋𝑖 = ∑ 𝑌𝑖

𝑛𝛽̂0 = ∑ 𝑌𝑖 − 𝛽̂1 ∑ 𝑋𝑖

∑ 𝑌𝑖 − 𝛽̂1 ∑ 𝑋𝑖
𝛽̂0 =
𝑛
De donde se obtiene
𝒏 𝒏

∑ 𝒀𝒊 ∑ 𝑿𝒊
𝒊=𝟏 𝒊=𝟏
̂𝟎 =
𝜷 ̂𝟏
− 𝜷
𝒏 𝒏

Cálculo del estimador MCO del coeficiente 𝜷𝟏

En la ecuación normal

∑ 𝑌𝑖 𝑋𝑖 = 𝛽̂0 ∑ 𝑋𝑖 + 𝛽̂1 ∑ 𝑋𝑖2

Remplazando β̂0
∑ 𝑌𝑖 ∑ 𝑋𝑖
∑ 𝑌𝑖 𝑋𝑖 = ( − 𝛽̂1 ) ∑ 𝑋𝑖 + 𝛽̂1 ∑ 𝑋𝑖2
𝑛 𝑛
Despejando β̂1
∑ 𝑌𝑖 ∑ 𝑋𝑖 ∑ 𝑋𝑖 ∑ 𝑋𝑖
∑ 𝑌𝑖 𝑋𝑖 = − 𝛽̂1 + 𝛽̂1 ∑ 𝑋𝑖2
𝑛 𝑛
∑ 𝑌𝑖 ∑ 𝑋𝑖 (∑ 𝑋𝑖 )2
∑ 𝑌𝑖 𝑋𝑖 = − 𝛽̂1 + 𝛽̂1 ∑ 𝑋𝑖2
𝑛 𝑛

6
 ∑ 𝑌𝑖 ∑ 𝑋𝑖 (∑ 𝑋𝑖 )2
− 𝛽̂1 + 𝛽̂1 ∑ 𝑋𝑖2 = ∑ 𝑌𝑖 𝑋𝑖
𝑛 𝑛
(∑ 𝑋𝑖 )2 ∑ 𝑌𝑖 ∑ 𝑋𝑖
−𝛽̂1 + 𝛽̂1 ∑ 𝑋𝑖2 = ∑ 𝑌𝑖 𝑋𝑖 −
𝑛 𝑛
(∑ 𝑋𝑖 )2 ∑ 𝑌𝑖 ∑ 𝑋𝑖
𝛽̂1 (− + ∑ 𝑋𝑖2 ) = ∑ 𝑌𝑖 𝑋𝑖 −
𝑛 𝑛
∑ 𝑌𝑖 ∑ 𝑋𝑖
∑ 𝑌𝑖 𝑋𝑖 −
𝛽̂1 = 𝑛
(∑ 𝑋𝑖 )2
− ∑ 2
𝑛 + 𝑋𝑖
∑ 𝑌𝑖 ∑ 𝑋𝑖
∑ 𝑌𝑖 𝑋𝑖 −
𝛽̂1 = 𝑛
(∑ 2
∑ 𝑋𝑖2 −
𝑋 𝑖)
𝑛
Multiplicando por 𝑛 el numerador y el denominador del lado derecho de la ecuación
∑ 𝑌𝑖 ∑ 𝑋𝑖
𝑛 (∑ 𝑌𝑖 𝑋𝑖 − )
̂ 𝑛
𝛽1 =
(∑ 𝑋 )2
𝑛 (∑ 𝑋𝑖2 − 𝑛 𝑖 )

𝑛 ∑ 𝑌𝑖 ∑ 𝑋𝑖
𝑛 ∑ 𝑌𝑖 𝑋𝑖 −
𝛽̂1 = 𝑛
𝑛(∑ 𝑋𝑖 )2
𝑛 ∑ 𝑋𝑖2 − 𝑛
Simplificando se obtiene
𝒏 𝒏 𝒏

𝒏 ∑ 𝒀𝒊 𝑿𝒊 − ∑ 𝒀𝒊 ∑ 𝑿𝒊
𝒊=𝟏 𝒊=𝟏 𝒊=𝟏
̂𝟏 =
𝜷
𝒏 𝒏 𝟐

𝒏 ∑ 𝑿𝟐𝒊 − (∑ 𝑿𝒊 )
𝒊=𝟏 𝒊=𝟏

1.4. Recta de regresión muestral MCO

La recta de regresión muestral con regresor único MCO se especifica de la siguiente forma,
𝑌̂𝑖 = 𝛽̂0 + 𝛽̂1 𝑋𝑖
Donde
𝑖 es el subíndice que toma valores de 1 hasta 𝑛.
𝑛 es el número de observaciones en la muestra.

7
𝑌̂𝑖 es el valor esperado de acuerdo a la recta de regresión muestral MCO.
𝑋𝑖 es la variable independiente (o el regresor).
𝛽̂0 + 𝛽̂1 𝑋𝑖 es la recta de regresión MCO, denominada recta de regresión muestral o función
de regresión muestral lineal, es la línea recta construida utilizando los estimadores
MCO.
𝛽̂0 es el estimador MCO del término constante 𝛽0 de la recta de regresión poblacional.
𝛽̂1 es el estimador MCO de la pendiente 𝛽1 de la recta de regresión poblacional.

1.5. Error de predicción MCO

Para calcular el error de predicción MCO se utiliza la siguiente fórmula
𝑢̂𝑖 = 𝑌𝑖 − 𝑌̂𝑖
Donde
𝑢̂𝑖 es el error de predicción (o residuo), es el estimador MCO del término de error 𝑢𝑖 .

1.6. Caso resuelto

1.6.1. Datos

Considerando los datos presentados en la Tabla 1, especificar el modelo de regresión

poblacional lineal que relaciona la nota lograda y las horas de estudio semanal, especificar
el modelo de regresión muestral lineal que relaciona la nota lograda y las horas de estudio
semanal, calcular los estimadores MCO de los coeficientes 𝛽0 y 𝛽1 de la recta de regresión
poblacional, estimar la función de regresión muestral lineal MCO, interpretar los
estimadores MCO de los coeficientes 𝛽0 y 𝛽1 de la recta de regresión poblacional, calcular
el valor de predicción MCO de la nota lograda dado un valor de las horas de estudio
semanal, calcular los residuos MCO, y calcular los residuos elevados al cuadrado MCO.

8
Tabla 1. Nota lograda y horas de estudio semanal de estudiantes
Nota lograda Horas de estudio semanal
Estudiante
𝑌𝑖 𝑋𝑖
1 8 5
2 10 5
3 15 7
4 11 5
5 15 15
6 10 6
7 8 3
8 14 29
9 15 35
10 7 3
11 10 42
12 14 16
13 19 9
14 12 13
15 14 10
16 14 7
17 9 15
18 15 20
19 6 6
20 15 20
21 16 24
22 6 3
23 5 10
24 18 15
25 12 15
26 10 21
27 7 5
28 11 21
29 9 5
30 8 3
31 16 24
32 12 13
33 12 40
34 14 5
35 5 6
36 14 19
37 15 24
38 11 5
39 15 18
40 12 6
Fuente: Cuestionario aplicado a estudiantes de Métodos Cuantitativos 1, 2016.
Elaboración: Autoría propia.

9
1.6.2. Especificación del modelo de regresión poblacional lineal
Considerando lo presentado en el punto 1.1, para este caso, se especifica el modelo de
regresión poblacional lineal siguiente
𝑌𝑖 = 𝛽0 + 𝛽1 𝑋𝑖 + 𝑢𝑖
Donde
𝑌𝑖 es el valor de la nota lograda por el i-ésimo estudiante en la población.
𝑋𝑖 es el valor de las horas de estudio semanal del el i-ésimo estudiante en la población.
𝛽0 + 𝛽1 𝑋𝑖 es la función de regresión poblacional lineal.
𝛽0 es el término constante de la recta de regresión poblacional, el cual es desconocido.
𝛽1 es la pendiente de la recta de regresión poblacional, el cual es desconocido.
𝑢𝑖 es el término de error, el cual es desconocido.

1.6.3. Especificación del modelo de regresión muestral lineal

Considerando lo presentado en el punto 1.2, para este caso, se especifica el modelo de
regresión muestral lineal siguiente
𝑌𝑖 = 𝛽̂0 + 𝛽̂1 𝑋𝑖 + 𝑢̂𝑖
Donde
𝑌𝑖 es el valor de la nota lograda por el i-ésimo estudiante en la muestra.
𝑋𝑖 es el valor de las horas de estudio del el i-ésimo estudiante en la muestra.
𝛽̂0 es el estimador del término constante 𝛽0 de la recta de regresión poblacional.
𝛽̂1 es el estimador de la pendiente 𝛽1 de la recta de regresión poblacional, y se espera que
sea positivo.
𝑢̂𝑖 es el residuo, es el estimador del término de error 𝑢𝑖 .

1.6.4. Construcción de la matriz de sumas

10
Tabla 2. Matriz de sumas
𝑛𝑖 𝑌𝑖 𝑋𝑖 𝑌𝑖 𝑋𝑖 𝑋𝑖2 𝑌𝑖2
1 8 5 40 25 64
2 10 5 50 25 100
3 15 7 105 49 225
4 11 5 55 25 121
5 15 15 225 225 225
6 10 6 60 36 100
7 8 3 24 9 64
8 14 29 406 841 196
9 15 35 525 1 225 225
10 7 3 21 9 49
11 10 42 420 1 764 100
12 14 16 224 256 196
13 19 9 171 81 361
14 12 13 156 169 144
15 14 10 140 100 196
16 14 7 98 49 196
17 9 15 135 225 81
18 15 20 300 400 225
19 6 6 36 36 36
20 15 20 300 400 225
21 16 24 384 576 256
22 6 3 18 9 36
23 5 10 50 100 25
24 18 15 270 225 324
25 12 15 180 225 144
26 10 21 210 441 100
27 7 5 35 25 49
28 11 21 231 441 121
29 9 5 45 25 81
30 8 3 24 9 64
31 16 24 384 576 256
32 12 13 156 169 144
33 12 40 480 1 600 144
34 14 5 70 25 196
35 5 6 30 36 25
36 14 19 266 361 196
37 15 24 360 576 225
38 11 5 55 25 121
39 15 18 270 324 225
40 12 6 72 36 144
𝑛 𝑛 𝑛 𝑛 𝑛

Suma ∑ 𝑌𝑖 = 469 ∑ 𝑋𝑖 = 553 ∑ 𝑌𝑖 𝑋𝑖 = 7 081 ∑ 𝑋𝑖2 = 11 753 ∑ 𝑌𝑖2 = 6 005

𝑖=1 𝑖=1 𝑖=1 𝑖=1 𝑖=1
Fuente: Tabla 1.
Elaboración: Autoría propia.

11
1.6.5. Cálculo del estimador MCO de la pendiente 𝜷𝟏 de la recta de regresión
poblacional
Para calcular se utiliza la fórmula estimada en el punto 1.3
𝑛 𝑛 𝑛

𝑛 ∑ 𝑌𝑖 𝑋𝑖 − ∑ 𝑌𝑖 ∑ 𝑋𝑖
𝑖=1 𝑖=1 𝑖=1
𝛽̂1 =
𝑛 𝑛 2

𝑛 ∑ 𝑋𝑖2 − (∑ 𝑋𝑖 )
𝑖=1 𝑖=1

Remplazando
40(7 081) − (469)(553)
𝛽̂1 =
40(11 753) − (553)2
283 240 − 259 357
𝛽̂1 =
470 120 − 305 809
23 883
𝛽̂1 =
164 311
𝛽̂1 = 0,145352411

1.6.6. Cálculo del estimador MCO de la constante 𝜷𝟎 de la recta de regresión

poblacional
Para calcular se utiliza la fórmula estimada en el punto 1.3
𝑛 𝑛

∑ 𝑌𝑖 ∑ 𝑋𝑖
𝑖=1 𝑖=1
𝛽̂0 = − 𝛽̂1
𝑛 𝑛

Remplazando
469 553
𝛽̂0 = − (0,145352411) ( )
40 40
𝛽̂0 = 11,725 − 2,009497082
𝛽̂0 = 9,715502918

12
1.6.7. Estimación de la recta de regresión muestral MCO
Los valores calculados en el punto 1.6.5 y en el punto 1.6.6 se remplazan en la recta de
regresión muestral MCO presentada en el puto 1.4, con lo cual se obtiene
𝑌̂𝑖 = 9,715502918 + 0,145352411𝑋𝑖
Donde
La recta de regresión estimada muestra una relación positiva entre la nota lograda
y las horas de estudio semanal del estudiante. Si las horas de estudio semanal
aumenta en una hora, la regresión estimada predice que la nota lograda aumentará
en 0,145352411 puntos.

1.6.8. Interpretación de los estimadores MCO de los coeficientes 𝜷𝟎 y 𝜷𝟏 de la recta

regresión poblacional
𝛽̂0 = 9,715502918
El término constante de 9,715502918 significa que es el valor de la nota lograda por
el estudiante cuando las horas de estudio semanal es cero.
𝛽̂1 = 0,145352411
La pendiente de 0,145352411 significa que un aumento en las horas de estudio
semanal en una hora del estudiante está, en promedio, asociado a un aumento en
la nota lograda de 0,145252411 puntos. La pendiente positiva indica que cuantas
más horas de estudio semanal, mayor nota lograda.

1.6.9. Predicción MCO de la variable dependiente dado un valor de la variable

independiente
Para ello, se utiliza la recta de regresión muestral MCO estimada en el punto 1.6.7, la cual
es la siguiente
𝑌̂𝑖 = 9,715502918 + 0,145352411𝑋𝑖

13
Tabla 3. Predicción de la nota lograda dado un valor de las horas de estudio semanal
𝑛𝑖 𝑌𝑖 𝑋𝑖 𝑌̂𝑖 = 9,715502918 + 0,145352411𝑋𝑖 𝑌̂𝑖
1 8 5 9,715502918 + 0,145352411(5) 10,442264973
2 10 5 9,715502918 + 0,145352411(5) 10,442264973
3 15 7 9,715502918 + 0,145352411(7) 10,732969795
4 11 5 9,715502918 + 0,145352411(5) 10,442264973
5 15 15 9,715502918 + 0,145352411(15) 11,895789083
6 10 6 9,715502918 + 0,145352411(6) 10,587617384
7 8 3 9,715502918 + 0,145352411(3) 10,151560151
8 14 29 9,715502918 + 0,145352411(29) 13,930722837
9 15 35 9,715502918 + 0,145352411(35) 14,802837303
10 7 3 9,715502918 + 0,145352411(3) 10,151560151
11 10 42 9,715502918 + 0,145352411(42) 15,820304180
12 14 16 9,715502918 + 0,145352411(16) 12,041141494
13 19 9 9,715502918 + 0,145352411(9) 11,023674617
14 12 13 9,715502918 + 0,145352411(13) 11,605084261
15 14 10 9,715502918 + 0,145352411(10) 11,169027028
16 14 7 9,715502918 + 0,145352411(7) 10,732969795
17 9 15 9,715502918 + 0,145352411(15) 11,895789083
18 15 20 9,715502918 + 0,145352411(20) 12,622551138
19 6 6 9,715502918 + 0,145352411(6) 10,587617384
20 15 20 9,715502918 + 0,145352411(20) 12,622551138
21 16 24 9,715502918 + 0,145352411(24) 13,203960782
22 6 3 9,715502918 + 0,145352411(3) 10,151560151
23 5 10 9,715502918 + 0,145352411(10) 11,169027028
24 18 15 9,715502918 + 0,145352411(15) 11,895789083
25 12 15 9,715502918 + 0,145352411(15) 11,895789083
26 10 21 9,715502918 + 0,145352411(21) 12,767903549
27 7 5 9,715502918 + 0,145352411(5) 10,442264973
28 11 21 9,715502918 + 0,145352411(21) 12,767903549
29 9 5 9,715502918 + 0,145352411(5) 10,442264973
30 8 3 9,715502918 + 0,145352411(3) 10,151560151
31 16 24 9,715502918 + 0,145352411(24) 13,203960782
32 12 13 9,715502918 + 0,145352411(13) 11,605084261
33 12 40 9,715502918 + 0,145352411(40) 15,529599358
34 14 5 9,715502918 + 0,145352411(5) 10,442264973
35 5 6 9,715502918 + 0,145352411(6) 10,587617384
36 14 19 9,715502918 + 0,145352411(19) 12,477198727
37 15 24 9,715502918 + 0,145352411(24) 13,203960782
38 11 5 9,715502918 + 0,145352411(5) 10,442264973
39 15 18 9,715502918 + 0,145352411(18) 12,331846316
40 12 6 9,715502918 + 0,145352411(6) 10,587617384
Fuente: Tabla 1, ítem 1.4.d.
Elaboración: Autoría propia.

1.6.10. Estimación de los residuos MCO

14
Tabla 4. Residuos y residuos elevados al cuadrado MCO
𝑛𝑖 𝑌𝑖 𝑌̂𝑖 𝑢̂𝑖 = 𝑌𝑖 − 𝑌̂𝑖 𝑢̂𝑖2
1 8 10,442264973 -2,442264973 5,964658198
2 10 10,442264973 -0,442264973 0,195598306
3 15 10,732969795 4,267030205 18,207546770
4 11 10,442264973 0,557735027 0,311068360
5 15 11,895789083 3,104210917 9,636125417
6 10 10,587617384 -0,587617384 0,345294190
7 8 10,151560151 -2,151560151 4,629211083
8 14 13,930722837 0,069277163 0,004799325
9 15 14,802837303 0,197162697 0,038873129
10 7 10,151560151 -3,151560151 9,932331385
11 10 15,820304180 -5,820304180 33,875940748
12 14 12,041141494 1,958858506 3,837126647
13 19 11,023674617 7,976325383 63,621766615
14 12 11,605084261 0,394915739 0,155958441
15 14 11,169027028 2,830972972 8,014407968
16 14 10,732969795 3,267030205 10,673486360
17 9 11,895789083 -2,895789083 8,385594413
18 15 12,622551138 2,377448862 5,652263091
19 6 10,587617384 -4,587617384 21,046233262
20 15 12,622551138 2,377448862 5,652263091
21 16 13,203960782 2,796039218 7,817835309
22 6 10,151560151 -4,151560151 17,235451687
23 5 11,169027028 -6,169027028 38,056894472
24 18 11,895789083 6,10421917 37,261390919
25 12 11,895789083 0,104210917 0,010859915
26 10 12,767903549 -2,767903549 7,661290057
27 7 10,442264973 -3,442264973 11,849188144
28 11 12,767903549 -1,767903549 3,125482959
29 9 10,442264973 -1.442264973 2,080128252
30 8 10,151560151 -2.151560151 4,629211083
31 16 13,203960782 2,796039218 7,817835309
32 12 11,605084261 0,394915739 0,155958441
33 12 15,529599358 -3,529599358 12,458071628
34 14 10,442264973 3,557735027 12,657478522
35 5 10,587617384 -5,587617384 31,221468030
36 14 12,477198727 1,522801273 2,318923717
37 15 13,203960782 1,796039218 3,225756873
38 11 10,442264973 0,557735027 0,311068360
39 15 12,331846316 2,668153684 7,119044081
40 12 10,587617384 1,412382616 1,994824654
𝑛 𝑛

𝑛 = 40 Suma ∑ 𝑢̂𝑖 = −0,000000003 ∑ 𝑢̂𝑖2 = 419,188709216

𝑖=1 𝑖=1
Fuente: Tabla 1, Tabla 3.
Elaboración: Autoría propia.

15
Bibliografía

Gujarati, D. N., y Porter, D. C. (2010). Econometría. México, D. F., México: McGRAW-HILL/

INTERAMERICANA EDITORES, S. A. de C. V.

Stock, J. H., y Watson, M. M. (2012). Introducción a la Econometría. Madrid, España:

PEARSON EDUCACIÓN, S. A.

16