Estadística y sus aplicaciones en Ciencias Sociales 7. El modelo de regresión simple. Facultad de Ciencias Sociales - UdelaR
|
|
- Julia Rubio Poblete
- hace 7 años
- Vistas:
Transcripción
1 Estadística y sus aplicaciones en Ciencias Sociales 7. El modelo de regresión simple Facultad de Ciencias Sociales - UdelaR
2 Índice 7.1 Introducción 7.2 Análisis de regresión 7.3 El Modelo de Regresión Lineal Simple 7.4 Métodos de estimación 7.5 Propiedades algebraicas de los estimadores
3 7.1 Introducción: Qué es la econometría? La econometría es la ciencia que aplica métodos matemáticos y estadísticos de análisis de datos con el objetivo de dotar de una base empírica a una teoría social (en particular económica). La metodología aplicada en econometría no ha sido utilizada exclusivamente por la ciencia económica. El principal problema que tienen las ciencias sociales es que la mayor parte de los datos son no experimentales, siendo mucho más compleja su recolección.
4 Metodología: 1. Contar con una teoría social (o económica) que requiera validez y su equivalente modelo econométrico. 2. Tener datos de la realidad que permitan estimar dicho modelo para contrastarlo. 3. Realizar inferencia o pruebas de hipótesis que nos permitan determinar si nuestros resultados son estadísticamente significativos. Si la respuesta es afirmativa podremos realizar recomendaciones de poĺıticas asociadas.
5 Metodología aplicada Teoría Social (Económica) Modelo Econométrico Ecuación Datos Supuestos Estimación Inferencia y prueba de hipótesis Sí No Predicciones y recomendaciones de política
6 7.2 Análisis de regresión: Qué es una regresión? En una regresión buscamos un modelo para representar la dependencia de una variable respuesta, y, respecto a otra variable explicativa, x. El objeto es el de estimar el promedio poblacional de la variable dependiente condicionando los valores de la variable explicativa.
7 Ingresos y educación Salario por hora Años de educación formal
8 Para cada año de educación formal tenemos un rango o distribución de salario por hora y el promedio del salario aumenta a medida que se incrementan los años de educación. Si trazamos una recta que tome los valores promedio de salario para cada año de educación observamos este hecho. La recta corresponde a la recta de regresión y nos permite predecir para cada año de educación formal el salario promedio correspondiente.
9 Regresión vs. Causalidad La regresión es una relación estadística y no implica causalidad a priori. Una relación estadística no puede por sí misma implicar en forma lógica una causalidad.
10 Regresión vs. Correlación El análisis de correlación está estrechamente ligado al de regresión, aunque conceptualmente son cosas muy diferentes. Correlación: mide el grado de asociación lineal entre dos variables, las variables son tomadas de forma simétrica. Regresión: estimamos el valor promedio de una variable dependiente, y, dada una variable explicativa, x, las variables son tratadas de forma asimétrica: y es la variable aleatoria de interés y x es la variable aleatoria que puede influir en y.
11 Precauciones El coeficiente de correlación mide una relación lineal Correlación no implica causalidad, es sólo una relación estadística Correlación puede indicar una relación espuria. El análisis de correlación puede ayudarnos a determinar la ecuación de estimación y si ésta realmente describe su verdadero comportamiento.
12 7.3 El Modelo de regresión lineal simple Sean y y x dos variables que representan una población. Estamos interesados en explicar y en términos de x o estudiar cómo varía y ante cambios en x. Al crear un modelo que explique y en términos de x tenemos varios problemas: 1. Dado que no existe una relación exacta entre dos variables: cómo tomamos en cuenta otros factores que alteran a y? 2. Cuál es la relación funcional entre y y x? 3. Cómo nos aseguramos de capturar una relación ceteris paribus entre y y x (si eso queremos)?
13 7.3.1 El MRL Consideremos la siguiente ecuación que relaciona y con x de la siguiente forma: y = β 0 + β 1 x + u (1) Esta es una representación del modelo de regresión lineal simple, de dos variables o bivariada. y se la denomina variable dependiente, explicada, de respuesta, predicha, o regresando. x se la denomina variable independiente, explicativa, de control, predictora, o regresor. La variable u, denominada término de error o perturbación de la relación, representa los factores, aparte de x, que influyen en y.
14 β 0 es la magnitud que no es explicada por la variable dependiente β 1 es el parámetro de la pendiente de la relación entre x e y si se mantienen fijos en u los otros factores, o sea u = 0: y = β 1 x si u = 0 (2) β 1 también muestra la dependencia lineal (o correlación) entre la variable dependiente e independiente. Un cambio de una unidad en x tiene el mismo efecto en y cualquiera que sea el valor inicial de x.
15 Ejemplo: Salarios y educación Este modelo relaciona el salario de una persona con la educación observada y otros factores no observados. salario = β 0 + β 1 educ + u salario se mide en pesos por hora y educ corresponde a la cantidad de años de educación formal. β 1 mide el cambio en el salario por hora cuando se introduce un año de formación adicional, manteniendo todos los demás factores fijos. Entre los demás factores se incluyen la experiencia en el trabajo, la habilidad innata, la antigüedad en el empleo actual, etc.
16 7.3.2 Supuesto fundamental del MRL Para poder obtener conclusiones de como afecta x a y debemos establecer algún supuesto de cómo se relacionan u y x. Dado que u y x son variables aleatorias, podemos definir la distribución condicional de u dado cualquier valor de x. En particular, para cualquier x, podemos obtener el valor esperado (o promedio) de u. El supuesto crucial es que el valor promedio de u no depende de x (media condicional cero). E(u x) = 0 (3)
17 Este supuesto significa que para cualquier x, el promedio de los factores inobservables es el mismo e igual al promedio de u para toda la población. Ejemplo salario y educ: si u es la habilidad innata, que se cumpla (3) implica que el nivel de habilidad medio de la población es el mismo para todos los niveles educativos. Si pensamos que la habilidad media de las personas aumenta con los años de educación (3) es falso. Una consecuencia de este supuesto es: E(y x) = E(β 0 + β 1 x + u x) = β 0 + β 1 x
18 Como observamos en el gráfico de la página 7 el salario por hora es diferente para individuos con el mismo nivel educativo. También observamos que en promedio, el salario se incrementa con educ. La unión de los valores esperados del salario condicionados a los años de educación representa la función de regresión poblacional (FRP): E(y x) = β 0 + β 1 x El término poblacional refiere a que estamos trabajando con toda la población. La FRP la vamos a conocer en casos excepcionales, ya que rara vez vamos a tener datos de toda la población.
19 La FRP es una función lineal de las x y y 4 E(y x) = β. 0 + β 1 x { u 4 y 3 y 2. } u 3 u. 2 { y 1 } u 1. x 1 x 2 x 3 x 4 x La linealidad significa que un aumento de una unidad en x cambia el valor esperado de y en la cantidad β 1.
20 7.3.3 Consecuencias del supuesto fundamental E(u x) = 0 E(u) = 0 (4) se obtiene de integrar E(u x) para todo el recorrido de x, como para todo valor de x es igual a cero, integrar 0 arroja el valor esperado de u igual a cero. Cov(u, x) = E[u E(u)]E[x E(x)] = E(ux) = 0 (5) dado que el valor esperado de u no depende de x, no están correlacionadas y su covarianza es cero.
21 7.4 Métodos de estimación Los métodos que tenemos para estimar cómo influye una variable dependiente sobre una independiente suelen ser: Método de Momentos Mínimos Cuadrados Ordinarios Existen otros métodos de estimación que exceden los objetivos de este curso.
22 7.4.1 Método de Momentos La estimación de los parámetros del modelo a partir del método de momentos consiste en utilizar los momentos correspondientes a los errores: E(u) = E[y β 0 β 1 x] = 0 E(xu) = E[x(y β 0 β 1 x)] = 0 Estas ecuaciones implican dos restricciones en la distribución conjunta de x e y en la población. Dado que hay dos parámetros desconocidos (β 0, β 1 ) y dos ecuaciones que cumplen con la condición podemos identificarlos.
23 Consideremos una muestra de tamaño n: {y i, x i } con i = 1, 2,..., n, extraída aleatoriamente de la población. Buscamos estimar los parámetros β 0 y β 1 que provienen del MRL, por lo que podemos establecer: y i = β 0 + β 1 x i + u i Dada la muestra de datos, elegimos los valores estimados de ˆβ 0 y ˆβ 1 para resolver las contrapartidas muestrales: 1 n 1 [y i n 0 ˆβ 1 x i ] = 0 [x i (y i β 0 ˆβ 1 x i )] = 0
24 Desarrollando la primera ecuación se obtiene: 1 y i β 0 1 β 1 x i = 0 n n n Que se puede escribir como: i i y β 0 β 1 x = 0 (6) Una vez que tenemos el estimador de la pendiente β 1 es fácil obtener el de la ordenada al origen β 0, dados los promedios muestrales y y x. β 0 = y β 1 x (7)
25 Sustituyendo (7) en la segunda ecuación de las contrapartidas muestrales, se obtiene: 1 n x i (y i (y β 1 x) β 1 x i ) = 0 lo que reordenando da: x i (y i y) = β 1 x i (x i x)
26 Dado que: (xy i xy) = x y i nxy = nxy nxy = 0 y que: (xx i x 2 ) = x x i nx 2 = nx 2 nx 2 = 0 Podemos sumar cero en la primer sumatoria: x i (y i y) = (x i y i x i y xy i + xy) = (x i x) (y i y) Y sumar cero a la segunda sumatoria: x i (x i x) = ( x 2 i x i x x i x + x 2) = (x i x) 2
27 Estimador de la pendiente El estimador de la pendiente es: n β 1 = (x i x) (y i y) n (x i x) 2 (8) El estimador de la pendiente es igual a la covarianza muestral entre x e y, dividida por la varianza muestral de las x (siempre positiva). Si la covarianza entre x e y es positiva, β 1 será positivo. Se requiere que n (x i x) 2 > 0
28 La ĺınea de regresión o función de regresión muestral (FRM) es la recta ajustada ŷ = β 0 + β 1 x. En el gráfico se representa con los puntos muestrales y los residuos. Diferentes muestras generarán diferentes rectas estimadas. y 4 y 3 y 2. } û. 3 û 2 { û 4. { y = β + β x 1 0 y 1. } û 1 x 1 x 2 x 3 x 4 x El objetivo del análisis de regresión es estimar la FRP en base a la FRM.
29 7.4.2 Mínimos cuadrados ordinarios Podemos pensar a cada observación como compuesta de un parte explicada y una parte inexplicada: y i = ŷ i + û i Los MCO descomponen cada observación i en dos partes, un valor ajustado ŷ i y un residuo û i. El residuo û i es conceptualmente diferente del error. El residuo de la observación i lo podemos escribir como: û i = y i ŷ i = y i β 0 β 1 x i
30 Si queremos que la FRM sea lo más cercana posible a la FRP, debemos tratar de elegir los coeficientes de regresión de tal forma que los residuos sean lo más pequeños posibles. De acuerdo a esto un criterio para escoger la FRM podría ser la de minimizar la suma de los residuos al cuadrado: ûi 2 = (y i ŷ i ) 2 = (y i β 0 β 1 x i ) 2 (9) Se realiza la minimización de los cudarados para penalizar más a los errores de las observaciones que se desvían de la FRP. De esta forma, el método de MCO elige ˆβ 0 y ˆβ 1 tal que para la muestra dada n û2 i sea lo más pequeña posible.
31 Para resolver el problema de MCO se minimiza la ecuación (9), obteniéndose las siguientes condiciones de primer orden: n û2 i β 0 = 2 n û2 i β 1 = 2 [y i β 0 β 1 x i ] = 0 [x i (y i β 0 ˆβ 1 x i )] = 0 Que son las mismas ecuaciones que obteníamos del método de momentos, por lo que los estimadores de la pendiente y el intercepto son los mismos que por el método anterior. Por lo tanto: β 0 MCO = β0 Método de Momentos β 1 MCO = β1 Método de Momentos
32 Ejemplo: Ingreso y consumo Intentaremos estimar la siguiente relación entre consumo privado e ingreso disponible: C = β 0 + β 1 YD + u Años Consumo Ingreso privado (Y ) disponible (X ) Promedio:
33 Ejemplo: se pide 1. Estimar la relación entre C e YD empleando MCO, es decir, obtener los valores estimados del término constante y de la pendiente. ˆβ 1 = (x i x)(y i y) (x i x) 2 ˆβ 0 = y ˆβ 1 x 2. Comentar la dirección de la relación. El término constante se presta a una interpretación útil en este caso? Explicar la respuesta. 3. Si el ingreso disponible asciende a 970 dólares en 1980, cuál será el consumo proyectado? 4. Calcular los valores ajustados y los residuos para cada observación y comprobar que los residuos suman (aproximadamente) cero.
34 Interpretación de la regresión Cuando el ingreso disponible es 0, el consumo es menor a cero. Esto no tiene sentido, lo que sucede es que esta muestra es muy pequeña y la ecuación de regresión no tiene muy buenos resultados para niveles de ingreso disponible muy bajos. El valor estimado de la pendiente indica que con un peso más de ingreso disponible se incrementa en 0.98 pesos el consumo. Cuánto es el consumo predicho si el ingreso disponible se duplica? ŷ = β 1 x Ĉ = 0, = 1,959
35 Efecto de la muestra en la estimación de los parámetros y = x y = x Consumo privado FRM2 FRM1 Lineal (FRM2) Lineal (FRM1) Ingreso disponible
36 7.5 Propiedades algebraicas de los estimadores MCO La suma y la media muestral de los residuos MCO es nula: û i = 0 (10) La covarianza muestral entre los regresores y los residuos MCO es nula: x i û i = 0 (11) El punto (y, x) siempre pasa por la regresión MCO. ŷ = β 0 + β 1 x = ŷ (12)
37 7.5.1 Definiciones: Medidas de variación de la variable dependiente 1. Suma de los cuadrados totales: SCT (y i y) 2 (13) 2. Suma explicada de los cuadrados: SEC (ŷ i y) 2 (14) 3. Suma de los cuadrados de los residuos: SCR û 2 i = (y i ŷ) 2 (15)
38 La SCT la podemos expresar como: SCT = = = = (y i y) 2 [(y i ŷ i ) + (ŷ i y)] 2 [û i + (ŷ i y)] 2 û i 2 }{{} +2 = SCR + 2 û i (ŷ i y) + (ŷ i y) 2 }{{} û i (ŷ i y) + SEC }{{} = SCR SEC SCT = SCR + SEC
39 7.5.2 Bondad de ajuste Qué tan bien se ajusta a los datos de nuestra muestra la ĺınea de regresión muestral? Se puede calcular la fracción de la suma de cuadrados total (SCT) explicada por el modelo, a la que se llama R-cuadrado de la regresión o coeficiente de determinación: R 2 = SEC SCT = 1 SCR SCT Se interpreta como la fracción o porcentaje de la variación muestral de y que es explicada por x.
40 Comentarios sobre R 2 R 2 [0, 1] Si R 2 = 0 es porque β 1 es cero, menos el término constante, la FRM va a ser una recta horizontal. En este caso el valor predicho de y es y, ya que desviaciones de x respecto a su media no se traducen en una predicción diferente para y. x no tiene poder explicativo en y. Si R 2 = 1 ocurre si los valores de x y y están todos en el mismo hiperplano (en una ĺınea recta) por lo que los residuos son cero. Es posible demostrar que R 2 es igual al cuadrado del coeficiente de correlación muestral entre y i y ŷ i. De aquí procede el término.
41 Obtener un R 2 elevado no implica que el modelo es apropiado ni que las estimaciones de los coeficientes son buenas. Obtener un R 2 bajo no implica que el modelo es inapropiado ni que las estimaciones de los coeficientes son malas. Depende de la construcción de nuestro modelo y de las preguntas que deseamos responder con él.
42 7.5.3 Valor esperado y varianza de los estimadores MCO Supuesto RLS1 (linealidad de los parámetros) Supongamos que el modelo en la población es lineal en los parámetros como en y = β 0 + β 1 x + u Supuesto RLS2 (muestreo aleatorio) Supongamos una muestra aleatoria de tamaño n, {(y i, x i ), i = 1, 2,...n}, del modelo poblacional. Entonces se puede escribir el modelo como: y i = β 0 + β 1 x i + u i, i = 1, 2,...n
43 Supuesto RLS3 (Media condicionada nula) Supongamos E(u x) = 0 y por tanto E(u i x i ) = 0. Supuesto RLS4 (Variación muestral de la variable independiente) Supongamos que hay variación en las x i (no son todas iguales a una constante).
44 Comentario: Los estimadores MCO son funciones de las observaciones x i, y i. Las propiedades estadísticas de los estimadores de MCO son condicionales a los valores muestrales de las x i. Es como tratar las x i como fijas en muestras repetidas. La posibilidad de muestras repetidas no es muy realista en los contextos no experimentales. Consecuencia: es necesario prestar particular atención a la posible correlación entre las x y las u y a las razones por las que esto puede suceder.
45 Insesgamiento: E( β i ) = β i E( β 1 ) = β 1 E( β 0 ) = β 0 El condicionamiento en los valores muestrales de la variable independiente permite tomar a las funciones de las x i como no aleatorias. Los estimadores MCO de los parámetros β 1 y β 0 son entonces insesgados. Recordar que insesgamiento es una descripción del estimador en cada muestra podemos estar cerca o lejos del parámetro verdadero.
46 Demostración insesgamiento para β 1 Sabemos que: β 1 = = = n (x i x)(y i y) n (x i x) 2 n (x i x)y i n (x i x) 2 n (x i x)(β 0 + β 1 x i + u i ) n (x i x) 2 = β 0 = n (x i x) + β 1 n (x i x)x i + n (x i x)u i n (x i x) 2 β 0 0 n (x i x) 2 }{{} + β n 1 (x i x) 2 n n (x i x) }{{ 2 + (x i x)u i n } (x i x) 2 = 0 + β 1 + n (x i x)u i n (x i x) 2
47 Por lo tanto: β 1 = β 1 + n x iu i x n u i n (x i x) 2 (16) Tomando valor esperado, condicional en las observaciones: E( β 1 x) = E(β 1 x) }{{} +E ( n x iu i x n u i n (x i x) 2 ) x = β 1 + E ( n x iu i x) n (x i x) }{{ 2 x E ( n u i x) n } (x i x) }{{ 2 } = β = β 1 Es posible demostrar que E( β 0 x) = β 0
48 Comentarios sobre el insesgamiento El insesgamiento es una característica de las distribuciones muestrales de ˆβ 1 y ˆβ 0, que no dice nada sobre el valor estimado que obtenemos para una muestra determinada. Si la muestra que obtenemos es típica, el valor estimado se aproxima al valor poblacional. Si el RLS3 no se cumple, obtendremos estimadores sesgados de los parámetros poblacionales. Las estimaciones sesgadas nos podrían llevar a recomendaciones de poĺıtica que no son correctas.
49 Varianza de los estimadores MCO Sabemos que la distribución en el muestreo de nuestro estimador está centrada en el parámetro. Quisiéramos saber qué tan dispersa es ésta distribución. Supuesto RLS5 (Homoscedasticidad) Var(u x) = E[u E(u) x] 2 = E[u 2 x] = σ 2 Este supuesto establece que la variación alrededor de la recta de regresión es la misma para todos los valores de x. Esto implica que la función de densidad del término de error u es la misma.
50 Caso homoscedástico: Var (u x) no depende de x y f(y x).. E(y x) = β 0 + β 1 x x 1 x 2
51 Varianza muestral de β 0 y β 1 Se puede demostrar que: Var( β 1 x) = Var( β 0 x) = σ 2 n (x i x) 2 = σ 2 nvar(x) σ2 n x i 2 n n n (x i x) 2 = σ2 x i 2 n 2 Var(x) (17) (18)
52 Varianza muestral del error No conocemos la varianza del error, σ 2, ya que no observamos los errores, u i, sino los residuos, û i. Residuos y errores son diferentes: u i = y i β 0 β 1 x i û i = y i β 0 β 1 x i Los errores lo obtenemos de los parámetros poblacionales y por tanto, nunca son observables. Los residuos se obtienen de los parámetros muestrales.
53 Con los residuos es posible realizar una estimación de la varianza del error. û i = y i ŷ i = u i + β 0 + β 1 x i β 0 β 1 x i Reordenando obtenemos: û i u i = ( β 0 β 0 ) ( β 1 β 1 )x i Si bien el valor esperado de la diferencia entre error y residuo es cero, no ocurre lo mismo con la diferencia simple.
54 Como E(u 2 ) = σ 2, es natural intentar estimar σ 2 a partir de la suma de los residuos al cuadrado, n û2 i. Un estimador de σ 2 sería: σ 2 = n u2 i n El problema es que no observamos u i, sino que lo debemos estimar con û i. Es posible demostrar que el estimador insesgado de σ 2 es: σ 2 = n ûi 2 n 2 (19)
55 Estimación de la varianza del error El estimador insesgado de σ 2 no es simplemente el promedio de los residuos al cuadrado, sino que su denominador está corregido por los grados de libertad. El denominador no es n sino (n 2) porque E( n û2 i ) = (n 2)σ2. La división por (n 2) lleva a que σ 2 sea insesgado para σ 2. El estimador natural de σ es σ = σ 2.
Modelo de Regresión Lineal Simple
1. El Modelo Modelo de Regresión Lineal Simple El modelo de regresión lineal simple es un caso especial del múltple, donde se tiene una sola variable explicativa. y = β 0 + β 1 x + u (1.1) Donde u representa
Más detallesECONOMETRÍA I. Tema 2: El Modelo de Regresión Lineal Simple. Patricia Moreno Juan Manuel Rodriguez Poo Alexandra Soberon Departamento de Economía
ECONOMETRÍA I Tema 2: El Modelo de Regresión Lineal Simple Patricia Moreno Juan Manuel Rodriguez Poo Alexandra Soberon Departamento de Economía Alexandra Soberon (UC) ECONOMETRÍA I 1 / 42 Modelo de Regresión
Más detallesANÁLISIS DE REGRESIÓN
ANÁLISIS DE REGRESIÓN INTRODUCCIÓN Francis Galtón DEFINICIÓN Análisis de Regresión Es una técnica estadística que se usa para investigar y modelar la relación entre variables. Respuesta Independiente Y
Más detallesTema 4. Regresión lineal simple
Tema 4. Regresión lineal simple Contenidos El objeto del análisis de regresión La especificación de un modelo de regresión lineal simple Estimadores de mínimos cuadrados: construcción y propiedades Inferencias
Más detallesEstadística para la Economía y la Gestión IN 3401
Estadística para la Economía y la Gestión IN 3401 3 de junio de 2010 1 Modelo de Regresión con 2 Variables Método de Mínimos Cuadrados Ordinarios Supuestos detrás del método MCO Errores estándar de los
Más detallesEconometría 1. Karoll GOMEZ Segundo semestre 2017
Econometría 1 Karoll GOMEZ kgomezp@unal.edu.co http://karollgomez.wordpress.com Segundo semestre 2017 II. El modelo de regresión lineal Esperanza condicional I Ejemplo: La distribución de los salarios
Más detallesTEMA 5: Especificación y Predicción en el MRL
EMA 5: Especificación y Predicción en el MRL Econometría I M. Angeles Carnero Departamento de Fundamentos del Análisis Económico Curso 2011-12 Econometría I (UA) ema 5: Especificación y Predicción Curso
Más detallesÍndice Introducción Economía y Estadística Análisis de Regresión. Clase 1. Introducción a la Econometría. Profesor: Felipe Avilés Lucero
Clase 1 Introducción a la Econometría Profesor: Felipe Avilés Lucero 26 de mayo de 2010 1 Introducción 2 Economía y Estadística 3 Análisis de Regresión Función de Regresión Poblacional Función de Regresión
Más detallesEconometría 1. Karoll GOMEZ Segundo semestre 2017
Econometría 1 Karoll GOMEZ kgomezp@unal.edu.co http://karollgomez.wordpress.com Segundo semestre 2017 II. El modelo de regresión lineal Esperanza condicional I Ejemplo: La distribución de los salarios
Más detallesEl Modelo de Regresión Simple
El Modelo de Regresión Simple Carlos Velasco 1 1 Departamento de Economía Universidad Carlos III de Madrid Econometría I Máster en Economía Industrial Universidad Carlos III de Madrid Curso 2007/08 C Velasco
Más detallesTEMA 4 Modelo de regresión múltiple
TEMA 4 Modelo de regresión múltiple José R. Berrendero Departamento de Matemáticas Universidad Autónoma de Madrid Análisis de Datos - Grado en Biología Estructura de este tema Modelo de regresión múltiple.
Más detallesTaller I Econometría I
Taller I Econometría I 1. Considere el modelo Y i β 1 + ɛ i, i 1,..., n donde ɛ i i.i.d. N (0, σ 2 ). a) Halle el estimador de β 1 por el método de mínimos cuadrados ordinarios. Para realizar el procedimiento
Más detallesCorrelación. El coeficiente de correlación mide la fuerza o el grado de asociación entre dos variables (r)
Correlación El coeficiente de correlación mide la fuerza o el grado de asociación entre dos variables (r) El coeficiente de correlación lineal de Pearson (r) permite medir el grado de asociación entre
Más detallesTODO ECONOMETRIA TEMA 1: MODELO BASICO DE REGRESIÓN LINEAL MULTIPLE (MBRL)
TODO ECONOMETRIA TEMA 1: MODELO BASICO DE REGRESIÓN LINEAL MULTIPLE (MBRL) NOTA IMPORTANTE - Estas notas son complementarias a las notas de clase del primer semestre correspondientes a los temas de Regresión
Más detallesECONOMETRÍA I. Tema 3: El Modelo de Regresión Lineal Múltiple: estimación
ECONOMETRÍA I Tema 3: El Modelo de Regresión Lineal Múltiple: estimación Patricia Moreno Juan Manuel Rodriguez Poo Alexandra Soberon Departamento de Economía Alexandra Soberon (UC) ECONOMETRÍA I 1 / 45
Más detallesRegresión Simple. Leticia Gracia Medrano. 2 de agosto del 2012
Regresión Simple Leticia Gracia Medrano. lety@sigma.iimas.unam.mx 2 de agosto del 2012 La ecuación de la recta Ecuación General de la recta Ax + By + C = 0 Cuando se conoce la ordenada al origen y su pendiente
Más detallesTALLER DE INTRODUCCIÓN A LOS NEGOCIOS
REGRESIÓN LINEAL SIMPLE INTRODUCCIÓN Si sabemos que existe una relación entre una variable denominada dependiente y otras denominadas independientes (como por ejemplo las existentes entre: la experiencia
Más detallesT2. El modelo lineal simple
T2. El modelo lineal simple Ana J. López y Rigoberto Pérez Dpto Economía Aplicada. Universidad de Oviedo Curso 2010-2011 Curso 2010-2011 1 / 40 Índice 1 Planteamiento e hipótesis básicas 2 Estimación de
Más detallesREGRESIÓN Y ESTIMACIÓN TEMA 1: REGRESIÓN LINEAL SIMPLE
UNIDAD 3 REGRESIÓN Y ESTIMACIÓN TEMA 1: REGRESIÓN LINEAL SIMPLE Relación entre variables de interés 1 Relación entre variables de interés Muchas decisiones gerenciales se basan en la relación entre 2 o
Más detallesSoluciones Examen Final de Econometría Universidad Carlos III de Madrid 26 de Mayo de 2015
Soluciones Examen Final de Econometría Universidad Carlos III de Madrid 26 de Mayo de 2015 Conteste todas las preguntas en dos horas y media. Pregunta 1 (33 puntos: Un investigador está considerando las
Más detallesEstadística II Tema 4. Regresión lineal simple. Curso 2009/10
Estadística II Tema 4. Regresión lineal simple Curso 009/10 Tema 4. Regresión lineal simple Contenidos El objeto del análisis de regresión La especificación de un modelo de regresión lineal simple Estimadores
Más detalles1. Conceptos de Regresión y Correlación. 2. Variables aleatorias bidimensionales. 3. Ajuste de una recta a una nube de puntos
TEMA 10 (curso anterior): REGRESIÓN Y CORRELACIÓN 1 Conceptos de Regresión y Correlación 2 Variables aleatorias bidimensionales 3 Ajuste de una recta a una nube de puntos 4 El modelo de la correlación
Más detallesASOCIACIÓN ENTRE DOS VARIABLES CONTINUAS: REGRESIÓN Y CORRELACIÓN
CURSO DE BIOESTADÍSTICA BÁSICA Y SPSS ASOCIACIÓN ENTRE DOS VARIABLES CONTINUAS: REGRESIÓN Y CORRELACIÓN Amaia Bilbao González Unidad de Investigación Hospital Universitario Basurto (OSI Bilbao-Basurto)
Más detallesEscuela de Economía Universidad de Carabobo Profesor: Exaú Navarro Pérez.
Escuela de Economía Universidad de Carabobo Profesor: Exaú Navarro Pérez. Econometría Regresión Múltiple: Municipio Ocupados Población Analfabeta Mayor de 10 años Total de Viviendas Bejuma 18.874 1.835
Más detallesRegresión múltiple. Demostraciones. Elisa Mª Molanes López
Regresión múltiple Demostraciones Elisa Mª Molanes López El modelo de regresión múltiple El modelo que se plantea en regresión múltiple es el siguiente: y i = β 0 + β 1 x 1i + β 2 x 2i +...+ β k x ki +
Más detallesTema 8: Regresión y Correlación
Tema 8: Regresión y Correlación Estadística. 4 o Curso. Licenciatura en Ciencias Ambientales Licenciatura en Ciencias Ambientales (4 o Curso) Tema 8: Regresión y Correlación Curso 2008-2009 1 / 12 Índice
Más detallesPrueba de Hipótesis. Para dos muestras
Prueba de Hipótesis Para dos muestras Muestras grandes (n mayor a 30) Utilizar tabla Z Ho: μ1 = μ2 H1: μ1 μ2 Localizar en valor de Zt en la tabla Z Error estándar de la diferencia de medias Prueba de
Más detallesEstimación del modelo lineal con dos variables
Estimación del modelo lineal con dos variables el método de mínimos cuadrados ordinarios (MCO) Mariana Marchionni marchionni.mariana@gmail.com Mariana Marchionni Estimación del modelo lineal por MCO 1
Más detallesECONOMETRÍA I. Tema 4: El Modelo de Regresión Lineal Múltiple: inferencia y validación
ECONOMETRÍA I Tema 4: El Modelo de Regresión Lineal Múltiple: inferencia y validación Patricia Moreno Juan Manuel Rodriguez Poo Alexandra Soberon Departamento de Economía Alexandra Soberon (UC) ECONOMETRÍA
Más detallesINTERPRETACIÓN DE LA REGRESIÓN. Interpretación de la regresión
INTERPRETACIÓN DE LA REGRESIÓN Este gráfico muestra el salario por hora de 570 individuos. 1 Interpretación de la regresión. regresión Salario-Estudios Source SS df MS Number of obs = 570 ---------+------------------------------
Más detalles= 15 CALIFICACION:
6 + 4 + 5 = 15 CALIFICACION: Vacacion.xls Este fichero está adaptado del fichero vacation.gdt del libro de Hill et al.(2008) que se puede descargar en: http://gretl.sourceforge.net/gretl data.html PARTE
Más detallesMétodo de cuadrados mínimos
REGRESIÓN LINEAL Gran parte del pronóstico estadístico del tiempo está basado en el procedimiento conocido como regresión lineal. Regresión lineal simple (RLS) Describe la relación lineal entre dos variables,
Más detallesTema 10: Introducción a los problemas de Asociación y Correlación
Tema 10: Introducción a los problemas de Asociación y Correlación Estadística 4 o Curso Licenciatura en Ciencias Ambientales Licenciatura en Ciencias Ambientales (4 o Curso) Tema 10: Asociación y Correlación
Más detallesEstructura de este tema. Tema 4 Regresión lineal simple. Ejemplo: consumo de vino y dolencias cardíacas. Frecuencias
Estructura de este tema Tema 4 Regresión lineal simple José R. Berrendero Departamento de Matemáticas Universidad utónoma de Madrid Planteamiento del problema. Ejemplos Recta de regresión de mínimos cuadrados
Más detallesAnálisis de regresión y correlación lineal
Análisis de regresión y correlación lineal En las unidades anteriores hemos aplicado metodologías estadísticas para analizar la información de una variable desde una o más muestras utilizando las herramientas
Más detallesASIGNATURA: ESTADISTICA II (II-055) Ing. César Torrez https://torrezcesar.wordpress.com
ASIGNATURA: ESTADISTICA II (II-055) Ing. César Torrez torrezcat@gmail.com https://torrezcesar.wordpress.com 0416-2299743 Programa de Estadística II UNIDAD IV: REGRESIÓN Y CORRELACIÓN MÚLTIPLE LINEAL TANTO
Más detallesLos estimadores mínimo cuadráticos bajo los supuestos clásicos
Los estimadores mínimo cuadráticos bajo los supuestos clásicos Propiedades estadísticas e inferencia Mariana Marchionni marchionni.mariana@gmail.com Mariana Marchionni MCO bajo los supuestos clásicos 1
Más detallesESTADÍSTICA. Tema 4 Regresión lineal simple
ESTADÍSTICA Grado en CC. de la Alimentación Tema 4 Regresión lineal simple Estadística (Alimentación). Profesora: Amparo Baíllo Tema 4: Regresión lineal simple 1 Estructura de este tema Planteamiento del
Más detallesECONOMETRÍA I. Tema 6: Heterocedasticidad. Patricia Moreno Juan Manuel Rodriguez Poo Alexandra Soberon Departamento de Economía
ECONOMETRÍA I Tema 6: Heterocedasticidad Patricia Moreno Juan Manuel Rodriguez Poo Alexandra Soberon Departamento de Economía Alexandra Soberon (UC) ECONOMETRÍA I 1 / 23 Heterocedasticidad El supuesto
Más detallesEstadística y sus aplicaciones en Ciencias Sociales 5. Estimación. Facultad de Ciencias Sociales, UdelaR
Estadística y sus aplicaciones en Ciencias Sociales 5. Estimación Facultad de Ciencias Sociales, UdelaR Índice 1. Repaso: estimadores y estimaciones. Propiedades de los estimadores. 2. Estimación puntual.
Más detallesUniversidad Técnica de Babahoyo CORRELACIÓN DE VARIABLES Y REGRESIÓN LINEAL
Universidad Técnica de Babahoyo CORRELACIÓN DE VARIABLES Y REGRESIÓN LINEAL OBJETIVO Analizar las Diferentes formas de Describir la Relación entre dos variables numéricas Trazar un diagrama de dispersión
Más detallesTema 2: Análisis de datos bivariantes
1 Tema 2: Análisis de datos bivariantes En este tema: Tabla de contingencia, tabla de doble entrada, distribución conjunta. Frecuencias relativas, marginales, condicionadas. Diagrama de dispersión. Tipos
Más detallesEstadística II Ejercicios Tema 5
Estadística II Ejercicios Tema 5 1. Considera los cuatro conjuntos de datos dados en las transparencias del Tema 5 (sección 5.1) (a) Comprueba que los cuatro conjuntos de datos dan lugar a la misma recta
Más detallesEXAMEN FINAL DE ECONOMETRÍA SOLUCIONES Conteste cada pregunta en un cuadernillo diferente en dos horas y media
EXAMEN FINAL DE ECONOMETRÍA SOLUCIONES Conteste cada pregunta en un cuadernillo diferente en dos horas y media 1. Sean (Y; X; W ) tres variables aleatorias relacionadas por el siguiente modelo de regresión
Más detallesRegresión Lineal Simple y Múltiple Regresión Logística
Regresión Lineal Simple y Múltiple Regresión Logística Miguel González Velasco Departamento de Matemáticas. Universidad de Extremadura MUI en Ciencias de la Salud MUI en Ciencias de la Salud (UEx) Regresión
Más detallesGrado en Finanzas y Contabilidad
Econometría Grado en Finanzas y Contabilidad Apuntes basados en el libro Introduction to Econometrics: A modern Approach de Wooldridge 3.1 Colinealidad Exacta 3.2 Los efectos de la multicolinealidad Del
Más detallesLa econometría : una mirada de pájaro
La econometría : una mirada de pájaro Contenido Objetivo Definición de Econometría Modelos determinista y estocástico Metodología de la econometría Propiedades de un modelo econométrico Supuestos de un
Más detallesEl Modelo de Regresión Lineal General Estimación
Tema 5 El Modelo de Regresión Lineal General Estimación Pilar González y Susan Orbe Dpto Economía Aplicada III (Econometría y Estadística) Pilar González y Susan Orbe OCW 2013 Tema 5 MRLG: Estimación 1
Más detallesEconometría Aplicada
Econometría Aplicada Inferencia estadística, bondad de ajuste y predicción Víctor Medina Intervalos de confianza Intervalos de confianza Intervalos de confianza Intervalos de confianza La pregunta que
Más detallesCALIFICACION: 287,33 218, sí 1 sí 1. Se especifica el siguiente modelo de regresión para el precio de las viviendas: G i =
6 + 5 = 11 CALIFICACION: PARTE 1 (6 puntos) Una empresa inmobiliaria desea conocer los determinantes del precio de la vivienda en una ciudad de tamaño medio Para ello recoge información sobre las siguientes
Más detallesTODO ECONOMETRIA. Bondad del ajuste Contraste de hipótesis
TODO ECONOMETRIA Bondad del ajuste Contraste de hipótesis Índice Bondad del ajuste: Coeficiente de determinación, R R ajustado Contraste de hipótesis Contrastes de hipótesis de significación individual:
Más detallesLa línea recta: Serie1
La línea recta: En una línea recta tenemos una relación entre dos variables, la independiente (x) y la dependiente (y). La forma en que se relacionan dependerá de la función que describa dicha relación.
Más detallesANÁLISIS ESTADÍSTICO REGRESIÓN LINEAL SIMPLE
ANÁLISIS ESTADÍSTICO REGRESIÓN LINEAL SIMPLE Jorge Fallas jfallas56@gmail.com 2010 1 Temario Introducción: correlación y regresión Supuestos del análisis Variación total de Y y variación explicada por
Más detallesTema 2: Análisis de datos bivariantes
Tema 2: Análisis de datos bivariantes Los contenidos a desarrollar en este tema son los siguientes: 1. Tablas de doble entrada. 2. Diagramas de dispersión. 3. Covarianza y Correlación. 4. Regresión lineal.
Más detallesESTADÍSTICA APLICADA. Tema 4: Regresión lineal simple
ESTDÍSTIC PLICD Grado en Nutrición Humana y Dietética Planteamiento del problema Tema 4: Regresión lineal simple Recta de regresión de mínimos cuadrados El modelo de regresión lineal simple IC y contrastes
Más detallesEstadística para la Economía y la Gestión IN 3401 Clase 5
Estadística para la Economía y la Gestión IN 3401 Clase 5 Problemas con los Datos 9 de junio de 2010 1 Multicolinealidad Multicolinealidad Exacta y Multicolinealidad Aproximada Detección de Multicolinealidad
Más detallesEjemplo 7.1. Heterocedasticidad. Pilar González y Susan Orbe. Dpto. Economía Aplicada III (Econometría y Estadística)
Ejemplo 7.1 Heterocedasticidad Pilar González y Susan Orbe Dpto. Economía Aplicada III (Econometría y Estadística) Pilar González y Susan Orbe OCW 2013 Ejemplo 7.1. Heterocedásticidad 1 / 22 Enunciado.
Más detallesTEMA 10 Correlación y regresión. El modelo de regresión simple
TEMA 10 Correlación y regresión. El modelo de regresión simple Karl Pearson (1857-1936) 1. Introducción. Modelos matemáticos 2. Métodos numéricos. Resolución de sistemas lineales y ecuaciones no lineales
Más detallesLección 3. Análisis conjunto de dos variables
Lección 3. Análisis conjunto de dos variables Estadística Descriptiva Parcialmente financiado a través del PIE13-04 (UMA) GARCÍA TEMA 3. ANÁLII CONJUNTO DE DO VARIABLE 3.1 COVARIANZA COEFICIENTE DE CORRELACIÓN
Más detallesTEMA N 1.- ANÁLISIS DE REGRESIÓN Y MÉTODO DE MÍNIMOS CUADRADOS
UNIVERSIDAD DE ORIENTE NÚCLEO DE ANZOÁTEGUI EXTENSIÓN REGIÓN CENTRO-SUR ANACO, ESTADO ANZOÁTEGUI Asignatura: Estadística II Docente: Ing. Jesús Alonso Campos TEMA N 1.- ANÁLISIS DE REGRESIÓN Y MÉTODO DE
Más detallesTema 3: Análisis de datos bivariantes
Tema 3: Análisis de datos bivariantes 1 Contenidos 3.1 Tablas de doble entrada. Datos bivariantes. Estructura de la tabla de doble entrada. Distribuciones de frecuencias marginales. Distribución conjunta
Más detallesMínimos Cuadrados Generalizados
Mínimos Cuadrados Generalizados Román Salmerón Gómez Los dos últimos temas de la asignatura han estado enfocados en estudiar por separado la relajación de las hipótesis de que las perturbaciones estén
Más detallesUnidad Temática 3: Estadística Analítica. Unidad 9 Regresión Lineal Simple Tema 15
Unidad Temática 3: Estadística Analítica Unidad 9 Regresión Lineal Simple Tema 15 Estadística Analítica CORRELACIÓN LINEAL SIMPLE Indica la fuerza y la dirección de una relación lineal proporcional entre
Más detallesINTRODUCCIÓN AL ANÁLISIS DE DATOS ORIENTACIONES (TEMA Nº 4)
OBJETIVOS DE APRENDIZAJE: TEMA Nº ANÁLISIS CONJUNTO DE DOS VARIABLES Distinguir entre variables cualitativas y cuantitativas, y saber elegir los métodos en cada caso. Conocer métodos gráficos y cuantitativos
Más detallesModelado y simulación en Ingeniería Química. Manuel Rodríguez
ÍNDICE Modelos de caja gris Calibración de modelos Estimación de parámetros Análisis de la estimación Regresión no lineal 1. Modelos de caja gris Son modelos de un sistema (o proceso), donde: Desarrollados
Más detallesMétodos Estadísticos Multivariados
Métodos Estadísticos Multivariados Victor Muñiz ITESM Victor Muñiz (ITESM) Métodos Estadísticos Multivariados Agosto-Diciembre 2011 1 / 20 Victor Muñiz (ITESM) Métodos Estadísticos Multivariados Agosto-Diciembre
Más detallesQué es una regresión lineal?
Apéndice B Qué es una regresión lineal? José Miguel Benavente I. Introducción En varios capítulos de este libro se ocupan regresiones lineales y se afirma que el coeficiente de regresión indica cuánto
Más detallesEstadística Inferencial. Sesión No. 9 Regresión y correlación lineal
Estadística Inferencial Sesión No. 9 Regresión y correlación lineal Contextualización En la administración, las decisiones suelen basarse en la relación entre dos o más variables. En esta sesión se estudia
Más detalles1. DEFINICIONES BÁSICAS
1. DEFINICIONES BÁSICAS La estadística tiene dos ramas: La Estadística Descriptiva, que se ocupa de agrupar, resumir y presentar los datos incluidos en una determinada muestra. La Estadística Inferencial
Más detallesT3. El modelo lineal básico
T3. El modelo lineal básico Ana J. López y Rigoberto Pérez Dpto Economía Aplicada. Universidad de Oviedo Curso 2010-2011 Curso 2010-2011 1 / 41 Índice 1 Regresión lineal múltiple Planteamiento Hipótesis
Más detallesGeneralmente, el objetivo de cualquier estudio de econometría es la. búsqueda de relaciones matemáticas que permitan explicar el comportamiento
5. METODOLOGÍA ECONOMÉTRICA. Generalmente, el objetivo de cualquier estudio de econometría es la búsqueda de relaciones matemáticas que permitan explicar el comportamiento de una variable económica a partir
Más detallesEstadística Inferencial
Estadística Inferencial 1 Sesión No. 9 Nombre: Regresión y correlación lineal Contextualización En la administración, las decisiones suelen basarse en la relación entre dos o más variables. En esta sesión
Más detallesEXAMEN DE ECONOMETRÍA
EXAMEN DE ECONOMETRÍA UNIVERSIDAD CARLOS III DE MADRID CURSO 2015-1 Responda todas las preguntas en 2 horas y media. Valores críticos al final del examen. 1 A partir de una muestra aleatoria de compra-venta
Más detallesEl Modelo de Regresión Lineal
ECONOMETRÍA I El Modelo de Regresión Lineal Dante A. Urbina CONTENIDOS 1. Regresión Lineal Simple 2. Regresión Lineal Múltiple 3. Multicolinealidad 4. Heterocedasticidad 5. Autocorrelación 6. Variables
Más detallesIntroduccion a los Modelos de Regresion
(wsosa@udesa.edu.ar) Universidad de San Andres Referencias Hayashi (2000) Capitulo 1, pp. 3-46. Cualquier texto basico de econometria (con matrices!!!) Introduccion Modelo lineal: y i = β 1 + β 2 x 2i
Más detallesRESUMEN DE ALGUNOS CONCEPTOS ESTADÍSTICOS ELEMENTALES Y NOTACIÓN EMPLEADA EN EL CURSO
RESUMEN DE ALGUNOS CONCEPTOS ESTADÍSTICOS ELEMENTALES Y NOTACIÓN EMPLEADA EN EL CURSO 1 rojo 1 2 3 4 5 6 Supongamos que tenemos dos dados, uno rojo y otro verde, cada uno de los cuales toma valores entre
Más detallesTEMA 4 CUESTIONARIO DE AUTOEVALUACIÓN
4.5.- En cuál de los siguientes casos se podría utilizar la varianza residual en lugar del coeficiente de determinación para medir la calidad del ajuste? Con el mismo conjunto de datos y dos ajustes distintos.
Más detallesAgro 6998 Conferencia 2. Introducción a los modelos estadísticos mixtos
Agro 6998 Conferencia Introducción a los modelos estadísticos mixtos Los modelos estadísticos permiten modelar la respuesta de un estudio experimental u observacional en función de factores (tratamientos,
Más detallesEconomía Aplicada. Datos de panel. Ver Wooldridge cap. 13 y Stock y Watson cap. 10. Departamento de Economía Universidad Carlos III de Madrid 1 / 26
Economía Aplicada Datos de panel Departamento de Economía Universidad Carlos III de Madrid Ver Wooldridge cap. 13 y Stock y Watson cap. 10 1 / 26 Datos de Panel vs Secciones Cruzadas Repetidas En el curso
Más detallesLectura No. 8. Contextualización. Nombre: Métodos de Análisis ANÁLISIS FINANCIERO 1
Análisis financiero ANÁLISIS FINANCIERO 1 Lectura No. 8 Nombre: Métodos de Análisis Contextualización Uno de los mayores obstáculos que se presentan en el momento de desarrollar un modelo econométrico
Más detallesCurso de nivelación Estadística y Matemática
Modelo de Curso de nivelación Estadística y Matemática Pruebas de hipótesis, y Modelos ARIMA Programa Técnico en Riesgo, 2017 Agenda Modelo de 1 2 Asociación Medidas de asociación para variables intervalo
Más detallesEconometría de Económicas Ejercicios para el tema 2 y 3
Econometría de Económicas Ejercicios para el tema 2 y 3 Curso 2005-2006 Profesores Amparo Sancho Perez Guadalupe Serrano Pedro Perez 1 1- Los datos que se adjuntan hacen referencia a los datos de producción
Más detallesDistribución bidimensional. Marginales. Correlación lineal. Rectas de regresión.
REGRESIÓN LINEAL. Distribución bidimensional. Marginales. Correlación lineal. Rectas de regresión. Dada una población, hasta ahora hemos estudiado cómo a partir de una muestra extraída de ella podemos
Más detallesUnidad V: Estadística aplicada
Unidad V: Estadística aplicada 5.1 Inferencia estadística: Concepto, Estimación, Prueba de hipótesis La Inferencia Estadística es la parte de la estadística matemática que se encarga del estudio de los
Más detallesFolleto de Estadísticas. Teoría del 2do Parcial
Folleto de Estadísticas Teoría del 2do Parcial 2012 Variables aleatorias conjuntas continuas: Sean X y Y dos variables aleatorias continuas con ellas se asocia una función denominada función de densidad
Más detallesTEMA 2: Propiedades de los estimadores MCO
TEMA 2: Propiedades de los estimadores MCO Econometría I M. Angeles Carnero Departamento de Fundamentos del Análisis Económico Curso 2011-12 Econometría I (UA) Tema 2: Pdades de los estimadores MCO Curso
Más detalles5.5 Modelo de regresión. se especificó en los términos siguientes: (6.3.1) 1,2,3,..N. Donde:
5.5 Modelo de regresión El modelo de regresión lineal que se aplicó para explicar la relación entre producción antigüedad, edad, capital humano, apiarios y camioneta de los apicultores nayaritas se especificó
Más detallesTEMA 3: PROPIEDADES DEL ESTIMADOR MCO
TEMA 3: PROPIEDADES DEL ESTIMADOR MCO S. Álvarez, A. Beyaert, M. Camacho, M. González, A. Quesada Departamento de Métodos Cuantitativos para la Economía y la Empresa Econometría (3º GADE) Lo que estudiaremos
Más detallesTema 6. Multicolinealidad. Contenido Multicolinealidad perfecta Multicolinealidad de grado alto
Tema 6 Multicolinealidad Contenido 6.1. Multicolinealidad perfecta...................... 108 6.. Multicolinealidad de grado alto................... 110 108 Tema 6. Multicolinealidad A la hora de estimar
Más detallesECONOMETRIA. Tema 2: El Modelo de Regresión Lineal Simple. César Alonso UC3M. César Alonso (UC3M) ECONOMETRIA. Tema 2 1 / 62
ECONOMETRIA Tema 2: El Modelo de Regresión Lineal Simple César Alonso UC3M César Alonso (UC3M) ECONOMETRIA. Tema 2 1 / 62 Relaciones empíricas y teóricas Como economistas, nos interesa la relación entre
Más detallesErrores de especificación
CAPíTULO 5 Errores de especificación Estrictamente hablando, un error de especificación es el incumplimiento de cualquiera de los supuestos básicos del modelo lineal general. En un sentido más laxo, esta
Más detallesCUESTIONES Y PROBLEMAS DE DISTRIBUCIONES DE FRECUENCIAS BIDIMENSIONALES PROPUESTOS EN EXÁMENES
TUTORÍA DE INTRODUCCIÓN A LA ESTADÍSTICA (º A.D.E.) CUESTIONES Y PROBLEMAS DE DISTRIBUCIONES DE FRECUENCIAS BIDIMENSIONALES PROPUESTOS EN EXÁMENES 1º) Qué ocurre cuando r = 1: a) Los valores teóricos no
Más detallesRegresión lineal
86 Bioestadística: Métodos y Aplicaciones coeficiente de determinación de la regresión de Y sobre X, R 2 Y X, como R 2 Y X = 1 S2 E S 2 Y (3.4) Si el ajuste de Y mediante la curva de regresión Ŷ = f(x)
Más detalles10 Modelo de regresión lineal
0 Modelo de regresión lineal La relación matemática determinística más simple entre dos variables x e y, es una relación lineal y = 0 + x. El conjunto de pares (x; y) que veri can esta relación, determinan
Más detallesPart I. Descripción estadística de dos variables. Estadística I. Mario Francisco. Variable. bidimensional. Distribuciones de frecuencias
Part I Descripción de dos variables Introducción Si para un mismo individuo observamos simultáneamente k obtendremos como resultado una variable k-dimensional. Nos ocuparemos del estudio de las variables
Más detallesTema1. Modelo Lineal General.
Tema1. Modelo Lineal General. 1. Si X = (X 1, X 2, X 3, X 4 ) t tiene distribución normal con vector de medias µ = (2, 1, 1, 3) t y matriz de covarianzas 1 0 1 1 V = 0 2 1 1 1 1 3 0 1 1 0 2 Halla: a) La
Más detallesObjetivo: Proponer modelos para analizar la influencia
TEMA 3: REGRESIÓN LINEAL SIMPLE Objetivo: Proponer modelos para analizar la influencia de una variable cuantitativa sobre un fenómeno que nos interesa estudiar. 1. Modelo lineal l de regresión 2. Estimación
Más detallesEconometría Aplicada
Econometría Aplicada Especificación y problemas con la data Víctor Medina Introducción Hasta el momento hemos considerado el modelo como dado y nos hemos preguntado cosas del estilo Dado el modelo y =
Más detallesEl modelo de regresión múltiple
El de regresión múltiple Simple El de regresión múltiple es la extensión a k variables explicativas del de regresión simple. La estructura del de regresión múltiple es la siguiente: y = f (x 1,..., x k
Más detalles