@gung ha dado la estimación de OLS. Eso es lo que estabas buscando.
Sin embargo, cuando se trata de cantidades físicas donde la línea debe pasar por el origen, es común que la escala del error varíe con los valores de x (tener, aproximadamente, un error relativo constante ). En esa situación, los mínimos cuadrados ordinarios no ponderados serían inapropiados.
En esa situación, un enfoque (de varias posibilidades) sería tomar registros, restar las x de las y y estimar la pendiente logarítmica (de las variables originales) por la media de las diferencias.
Alternativamente, se pueden usar mínimos cuadrados ponderados. En el caso de un error relativo constante, se reduciría al uso del estimador (el promedio de todas las pendientes hasta el origen).β^=1norte∑nortei = 1yyoXyo
Hay otros enfoques (GLM por ejemplo), pero si lo está haciendo en una calculadora, me inclinaría por mi primera sugerencia.
También debe considerar la idoneidad de cualquier suposición que haga.
Pensé que podría ser instructivo agregar la derivación de la línea WLS a través del origen y luego mi "promedio de pendientes" y Gungs OLS son casos especiales:
El modelo es whereyyo= βXyo+εyo,Var (εyo) =wyoσ2
Queremos minimizarS=∑yowyo(yyo- βXyo)2
∂S∂β= -∑yo2Xyo.wyo(yyo- βXyo)
Estableciendo igual a cero para obtener la solución LS obtenemos , o .β^∑wyoXyoyyo=β^∑wyoX2yoβ^=∑wyoXyoyyo∑wyoX2yo
Cuando para todo , esto produce la solución OLS de gung.wyo∝ 1yo
Cuando (que es óptimo para el caso en que la dispersión aumenta con la media), se obtiene la solución anterior de "promedio de pendientes".wyo∝ 1 /X2yo