Método de mínimos cuadrados ordinarios (MCO)

MÉTODO DE MÍNIMOS CUADRADOS ORDINARIOS (MCO)

1. ¿Qué es el Método de Mínimos Cuadrados Ordinarios?

El Método de Mínimos Cuadrados Ordinarios (MCO) es el procedimiento estadístico más utilizado para estimar los parámetros de un modelo de regresión lineal múltiple. Su objetivo principal es encontrar los valores de los coeficientes del modelo que mejor se ajusten a los datos observados.

El MCO busca que las diferencias entre los valores observados de la variable dependiente y los valores estimados por el modelo sean lo más pequeñas posible. Para ello, minimiza la suma de los errores al cuadrado.

Matemáticamente, el MCO minimiza la siguiente expresión:

[pic 1]

•  es el valor observado de la variable dependiente[pic 2]
• es el valor estimado por el modelo[pic 3]
•  representa el error o residuo[pic 4]

Al elevar los errores al cuadrado, se penalizan más los errores grandes y se evita que los errores positivos y negativos se cancelen entre sí.

En el contexto de la regresión lineal múltiple, el MCO permite estimar simultáneamente varios coeficientes (β₁, β₂, β₃, …), asegurando que cada variable explicativa aporte información al modelo manteniendo constante el efecto de las demás. Por esta razón, el MCO es el método estándar en estadística aplicada.

2. ¿Por qué se usa el MCO?

El Método de Mínimos Cuadrados Ordinarios se utiliza ampliamente en regresión lineal múltiple por razones tanto prácticas como teóricas.

En primer lugar, es un método intuitivo y transparente: busca reducir los errores de predicción, lo cual coincide con el objetivo natural de cualquier modelo estadístico. Esto facilita su comprensión y enseñanza en cursos de estadística y econometría.

En segundo lugar, el MCO es computacionalmente sencillo y está implementado en prácticamente todos los softwares estadísticos y econométricos, como Excel, SPSS, R, Stata y Python. Esto permite que los investigadores y estudiantes puedan estimar modelos sin necesidad de procedimientos extremadamente complejos.

Además, el MCO es preferido porque, bajo los supuestos clásicos del modelo de regresión lineal, produce estimadores con propiedades estadísticas deseables (insesgados, eficientes y consistentes). Esto significa que no solo ajusta bien los datos, sino que también permite realizar inferencia confiable sobre las relaciones entre variables.

Desde una perspectiva aplicada, el MCO es útil porque permite:

• Cuantificar el impacto de cada variable independiente sobre la dependiente.
• Identificar qué factores son más relevantes en la explicación de un fenómeno.
• Evaluar la calidad del modelo mediante indicadores como el R² y las pruebas de significancia.

Por estas razones, el MCO no es solo una técnica más, sino el método base de la regresión lineal moderna, tanto en investigación académica como en análisis de datos en economía, finanzas, ciencias sociales y políticas públicas.

3. Propiedades del MCO

Propiedad 1: Insesgadez

El estimador MCO es insesgado cuando la esperanza matemática del término de error condicional a las variables explicativas es igual a cero. Esto implica que, en promedio, el estimador coincide con el parámetro poblacional real.

Ejemplo: Si se estima el efecto de los años de educación (X) sobre los ingresos (Y), la insesgadez implica que no existan variables omitidas que estén correlacionadas con X. Si la habilidad no se incluye y está correlacionada con la educación, el estimador dejaría de ser insesgado.

...