La regresión por mínimos cuadrados ordinarios (OLSR) es un método estadístico utilizado para estimar los parámetros de un modelo de regresión lineal. OLSR minimiza la suma de los residuos al cuadrado, que es la diferencia entre el valor real de la variable dependiente y el valor predicho de la misma. OLSR es el método de regresión más utilizado y es el método por defecto utilizado por la mayoría de los paquetes de software estadístico.
¿Quién inventó la regresión OLS?
La regresión OLS fue introducida por primera vez por el estadístico Karl Pearson a principios del siglo XX. El método de Pearson fue posteriormente perfeccionado y popularizado por los economistas Francis Ysidro Edgeworth y Paul Cootner en las décadas de 1940 y 1950.
¿Cuáles son los dos tipos de líneas de regresión?
Los dos tipos de líneas de regresión son la línea de regresión de mínimos cuadrados y la línea de regresión de mínimos cuadrados totales. La línea de regresión de mínimos cuadrados es la línea que minimiza la suma de los residuos al cuadrado, mientras que la línea de regresión de mínimos cuadrados totales es la línea que minimiza la suma de las distancias al cuadrado entre los puntos de datos y la línea.
¿Por qué OLS es el mejor estimador?
Hay algunas razones por las que OLS es el mejor estimador:
1. OLS es el estimador más eficiente. Esto significa que tiene la menor varianza entre todos los estimadores.
2. 2. OLS es insesgado. Esto significa que converge al verdadero valor del parámetro que se estima a medida que aumenta el tamaño de la muestra.
3. OLS es consistente. Esto significa que converge al verdadero valor del parámetro que se estima a medida que aumenta el número de observaciones.
4. OLS es asintóticamente normal. Esto significa que la distribución del estimador OLS converge a una distribución normal a medida que aumenta el tamaño de la muestra. ¿Quién inventó la regresión MCO? La regresión MCO fue introducida por primera vez por el estadístico Sir Ronald Fisher a principios del siglo XX.