TEMA 1. Introducción al análisis empírico de variables económicas.
|
|
- Yolanda Sánchez Mora
- hace 8 años
- Vistas:
Transcripción
1 TEMA 1. Introducción al análisis empírico de variables económicas. Profesor: Pedro Albarrán Pérez Universidad de Alicante. Curso 2010/2011.
2 Contenido 1 Datos Económicos Introducción Tipos de Datos. Tratamiento de la Información 2 Análisis Básico de los Datos Métodos grácos. Estadísticos descriptivos. 3 Relación entre Variables Correlación Correlación y Causalidad 4 Modelo de Regresión Lineal Modelo de Regresión Lineal con Regresores Aleatorios Estimador de MCO Efectos Marginales Modelo con Regresores Binarios
3 Introducción La importancia de saber analizar datos En el mundo laboral, muchos profesionales de la economía, la empresa y las nanzas deben trabajar con datos: para contrastar explicaciones teóricas sobre el comportamiento de la economía o sobre el comportamiento de activos nancieros para anticipar los efectos de cambios en las políticas públicas (tipo de interés, prestaciones por desempleo) o en la gestión de la empresa (exportar a nuevos mercados, inversiones) para predecir la evolución de la producción, los mercados nancieros, los tipos de cambio, los precios de los bienes para la analizar el estado y desempeño de una empresa En este curso, estudiaremos las herramientas que se utilizan en la práctica motivando los conceptos generales con ejemplos particulares y desarrollando las habilidades informáticas necesarias.
4 Tipos de Datos. Tratamiento de la Información Tipos de Datos 1 Series Temporales: los datos de nuestra variable están ordenados temporalmente Ejemplos: el PIB, tipos de interés, ventas de una empresa, precios de activos nancieros, etc. La frecuencia de los datos puede ser anual, trimestral, mensual, semanal, diaria, cada hora, cada minuto, etc. 2 Datos de sección cruzada: los datos se reeren a unidades individuales (en un momento del tiempo) las unidades puede ser personas, empresas, países, activos en una cartera de inversión el orden de las unidades no importa 3 Datos de Panel: información sobre unidades individuales a lo largo del tiempo combinan dimensión temporal y de corte transversal Ejemplo: países de la UE15 entre , rentabilidad de los activos en una cartera durante los últimos 10 años, etc.
5 Tipos de Datos. Tratamiento de la Información Información cuantitativa: los datos establecen un valor numérico para cada unidad y/o periodo de tiempo Ej.: el precio de un activo son 10 euros Ej.: las ventas en agosto han sido euros Información cualitativa: los datos informan de una cualidad o una elección Ejemplos: Hombre/Mujer Sí/No Bueno/Regular/Malo Coche/Autobús/Tren A veces, los datos se convierten en valores numéricos: Variables binarias (dummies): Sí=1, No=0 Variables categóricas: Bueno=3, Regular=2, Malo=1 Aunque no siempre, algunas veces la información cualitativa puede interpretarse ordinalmente (Bueno/Regular/Malo) NUNCA se pueden interpretar cardinalmente como la información cuantitativa
6 Tipos de Datos. Tratamiento de la Información Transformaciones de los Datos En el curso, supondremos que los datos de interés (la variable Y ) está directamente disponible En la práctica, el profesional obtiene los datos (en bruto) de una fuente de información y los transforma para realizar su análisis empírico Frecuentemente se tienen que calcular ratios: X = benecios de la empresa, W = número de acciones = Y = X = benecio por acción W Muchas datos informan sobre el nivel de una variable: ej., el precio de una acción o de un bien, ventas, PIB, etc. Pero podemos estar interesados en cómo cambia esa variable en el tiempo, es decir, la tasa de crecimiento Otras transformaciones puede ser necesarias según el contexto: deactar variables, calcular rentabilidades, trabajar con números índice, etc.
7 ¾Cómo analizar la información? Para cualquier análisis empírico, resulta crucial ofrecer un resumen relevante de los datos los datos originales (cientos de observaciones) no son informativos por sí mismos de hecho, la econometría simplemente desarrolla métodos por los cuales la información de los datos se resumen de forma informativa También se pueden usar tablas y grácos para presentar la información de forma muy útil.
8 Métodos grácos. Grácos de series temporales La forma más simple de representar la evolución de una serie temporal es un gráco de líneas de los datos en función del tiempo
9 Métodos grácos. Histograma Con datos de sección cruzada, un gráco de líneas NO es informativo porque el orden no importa. Podemos representar la distribución de distintas categorías de valores 1 Elegir los intervalos de valores 2 Calcular las frecuencias muestrales en cada intervalo 3 Realizar un gráco de barras (de las frecuencias en cada intervalo)
10 Métodos grácos. Este gráco puede ayudar con varias cuestiones de interés: ¾Cómo es la distribución de renta per cápita entre países? ¾Cómo de importante es la desigualdad? NOTA: el histograma depende de la elección de la amplitud y el número de intervalos muchos programas realizan automáticamente histogramas eligiendo automáticamente este aspecto distintas elecciones pueden llevarnos a conclusiones diferentes (puede que incorrectas)
11 Métodos grácos. Gráco de Dispersión Muchas veces, estaremos interesados en analizar relaciones entre dos o más variables Aunque no es fácil mediante grácos, se pueden explorar mediante grácos de dispersión
12 Métodos grácos. En este ejemplo, parece existir una relación positiva entre el salario de los ejecutivos y los benecios que obtienen las empresas Relación positiva: valores altos de una variable suelen asociarse con valores altos de la otra variable Relación negativa: valores altos de una variable suelen aparecer junto con valores pequeños de la otra variable En muchas ocasiones encontraremos valores atípicos: observaciones que no se ajustan al patrón general.
13 Estadísticos descriptivos. Estadísticos descriptivos Una distribución se puede resumir en una tabla de frecuencias (equivalente al histograma) útil cuando la variable tiene pocos valores diferentes PERO puede contener demasiada información para ser interpretable Estadísticos descriptivos: números que resumen las propiedades de la distribución de una variable económica ofrecen precisión numérica frente al impacto visual de los grácos (1) Medidas de localización: intuitivamente, indican el centro de la distribución, individuo promedio o típico Media (o promedio): X = 1 N N i=1 X i (2) Medidas de dispersión: muestran la variabilidad/dispersión de la distribución en torno al valor central, desigualdad ( ) 2 desviación estándar: s = X i X varianza=s 2 1 N N i=1 Otros estadísticos: mediana, moda, percentiles (cuartiles, deciles, etc.); rango intercuartílico, etc.
14 Correlación Correlación Correlación: mide numéricamente la relación entre dos variables ( ) ( ) N i=1 Y i Y X i X 1 r 1 r = r YX = r XY = N i=1 r > 0 indica relación positiva entre X e Y ( ) 2 N ( ) 2 Y i Y i=1 X i X la relación es más fuerte cuanto mayor sea r r = 1 indica una correlación positiva perfecta r < 0 indica relación negativa entre X e Y la relación es más fuerte cuanto menor sea r r = 1 indica una correlación negativa perfecta r = 0 indica ausencia de relación entre X e Y r XX = 1
15 Correlación r = 1 r = 0,51 r = 0 r = 0,58
16 Correlación Correlación entre variables variables La correlación es una propiedad que relaciona DOS variables Pero frecuentemente querremos trabajar con varias variables los modelos de regresión son los más adecuados en este caso Se pueden calcular las correlaciones de CADA PAR de variables, que se presentan en una matriz de correlaciones si tenemos muchas variables pueden ser muchas correlaciones Pero no conocemos si la relación entre dos variables es directa o indirecta (por medio de una tercera)
17 Correlación Ejemplo: relación entre salario de ejecutivos, benecio de la empresa, cambio en las ventas y cambio en la deuda compensation prots changesales changedebt compensation 1 prots changesales changedebt
18 Correlación Ejemplo: relación entre valor de mercado de una empresa, su deudas, sus ventas, sus ingresos netos y el valor contable de sus activos value debt sales income assets value 1 debt sales income assets
19 Correlación y Causalidad ¾Por qué están dos variables correlacionadas? Cuando dos variables están correlacionadas, se puede pensar en términos de inuencia o causalidad Las correlaciones pueden sugerir pero no establecer por sí misma la existencia de relación causal. Ejemplo: Cigüeñas y nacimientos en una muestra de 17 países europeos area storks humans birth_rate area storks (0.0148) humans (0.0001) (0.1630) birth_rate (0.0000) (0.0079) (0.0000)
20 Correlación y Causalidad Causalidad Directa vs. Causalidad Indirecta Causalidad directa o inmediata: una variable inuye real e independientemente sobre otra un cambio en una variable provocará necesariamente un cambio en la otra sin que intereran cambios en otras variables El ejemplo anterior sobre la relación entre ventas y valor de mercado puede interpretarse como causalidad directa Causalidad indirecta (intermediada o aproximada): la relación aparente entre dos variables se debe a una tercera que sí causa a ambas una mayor área permite observar más cigüeñas y que haya más población humana y, por tanto, nacimientos sólo una mayor deuda orientada a aumentar las ventas aumenta el valor de mercado Una correlación (debida a causalidad indirecta) siempre puede usarse para predecir. El sentido común o los razonamientos y teorías económicas nos debe ayudar a establecer si una correlación puede interpretarse como relación causal.
21 Modelo de Regresión Lineal con Regresores Aleatorios Modelo de Regresión Lineal Supongamos una relación lineal Y t = β 1 + β 2 X 2t β k X kt + u t En notación vectorial Y t = X t β + u t X t = (1, X 2t,.., X kt ) es un vector (k 1) de variables aleatorias y u t es una variable aleatoria β = (β 1, β 2,.., β k ) un vector (k 1) de parámetros (poblacionales, verdaderos) Para datos de corte transversal, suponemos que { (Y t, X t ) } T t=1 i.i.d. por tanto, {u t } T t=1 también es i.i.d. Para datos de series temporales, suponemos que { (Y t, X t ) } T t=1 es un proceso estocástico estacionario por tanto, {u t } T t=1 también es un proceso estocástico estacionario
22 Modelo de Regresión Lineal con Regresores Aleatorios Supuestos básicos: Y t = β 1 + β 2 X 2t β k X kt + u t (a) E ( u t X t ) = 0, E ( Y t X t ) = X t β Esto implica: E (u t X t ) = 0 (b) Var ( u t X t ) = σ 2 (homocedasticidad) (b)' NO ES NECESARIO: Var ( u t X t ) = E ( ) u 2 t Xt = g (Xt ) = σ 2 ω (X t ) (c) Σ = E (X t X t ) es denida positiva (no hay multicolinearidad perfecta) (d) Una forma concreta de la dependencia entre observaciones del término de error {u t } T t=1 (d.1) Ausencia de correlación: Cov (u t, u s X t, X s ) = 0, (d.2) u t AR(p), u t MA(q),... t s
23 Estimador de MCO Estimador MCO Utilizando los supuestos (a) ( E [X t ut] = E [X t Yt X t β )] ( = E (X t Yt) E y (c) para despejar β X t X t Se puede identicar el parámetro β en la población β = [ ( E X t X )] 1 t E (X t Yt) ) β = 0 El estimador MCO se obtiene en nuestra muestra como un estimador del método de los momentos: ( 1 T β = T t=1 X t X t ) 1 ( 1 T ) T X t Y t t=1
24 Estimador de MCO En notación matricial, donde Y = X = Y 1 Y 2. Y T X 1 X 2. X T y u = El estimador de MCO es u 1 u 2. u T es una matriz (T k) Y = Xβ + u son vectores (T 1) β = (X X) 1 X Y Se puede denir el vector (T 1) de residuos e1 e = Y X β e2 =. e T donde et = Yt X t β, t = 1, 2,.., T
25 Estimador de MCO Propiedades del estimador MCO Bajo (algunos de) los supuestos anteriores el estimado de MCO tiene buenas propiedades ( ) ) Insesgado: E β X = E ( β = β Varianza ( ) Var β X = (X X) 1 X ΩX (X X) 1 donde Ω = Var (u) = Var u 1 u 2. u T Bajo homocedasticidad ( ) y ausencia de correlación, Ω = σ 2 I I, por lo que Var β X = σ 2 (X X) 1 Los programas informáticos también calculan errores estándar robustos (y otros estadísticos de contraste) usando la formula general
26 Estimador de MCO Es consistente β MCO p β Es asintóticamente normal β MCO N ( )) β, Var ( β
27 Estimador de MCO Esta propiedad se puede explotar para hacer inferencia sobre el vecto de parámetros β: Hipótesis nula y alternativa H 0 : β j = β 0 j H 0 : β j = β 0 j H 0 : β j = β 0 j H 1 : β j β 0 j H 1 : β j > β 0 j H 1 : β j < β 0 j y el estadístico de contraste β j β 0 j t = ) N (0, 1) H SE ( βj 0 Regla de rechazo: rechazar H 0 (con un nivel de signicación α) (a) H 0 : Rβ = r (b) H 0 : Rβ = r (c) H 0 : Rβ = r H 1 : Rβ r H 1 : Rβ > r H 1 : Rβ < r si t > C α/2 si t > C α si t < C α donde Pr (N (0, 1) > C α ) = α y Pr ( N (0, 1) > C α/2 ) = α/2
28 Efectos Marginales Efectos Marginales Y t = β 1 + β 2 X 2t β k X kt + u t ¾Cómo se interpretan los coecientes β del modelo de regresión? Si el modelo tiene constante β 1 = E [ Y X 2t = 0,..., X kt = 0] El coeciente de una variable continua (digamos, X 2 ) es un efecto marginal β 2 = δ δx 2t E [ Y X 2t, X 3t = x 3,..., X kt = x k ] El coeciente de una variable discreta (digamos, X k ) también es un efecto marginal (discreto) β k = E [ Y X 2t = x 2,,..., X k 1,t = x k 1, X kt = x k + 1] E [ Y X 2t = x 2,,..., X k 1,t = x k 1, X kt = x k ]
29 Efectos Marginales Y t = β 1 + β 2 X 2t β k X kt + u t β j = δ E [ ] Y X 2t = x 2,..., X j 1,t = x j 1, X j,t, X j+1,t = x j+1,..., X kt = x k δx jt El coeciente β j informa del cambio esperado en la variable dependiente Y ante un cambio de unidad o innitesimal de la variable explicativa X j manteniendo el resto en valores dados/constantes (ceteris paribus) β j E [ Y X 2t,..., X kt ] X jt X 2t=x 2,...,X j 1,t =x j 1,X j+1,t =x j +1,...,X kt =x k Por tanto, el coeciente de un modelo de regresión (correctamente especicado) ofrece el efecto causal directo de X jt sobre Y t
30 Efectos Marginales Modelos no lineales El modelo de regresión lineal puede estimarse por MCO siempre que la especicación sea lineal en los parámetros (no necesariamente lineal en las variables del modelo) Es decir, se pueden incluir como variable dependiente y como variables explicativas transformaciones no lineales de las variables originales ln Y t = β 1 + β 2 X 2t + β 3 ln X 3 + u t Y t = β 1 + β 2 X 3 2t + β 3 1 X 3 + u t Y t = β 1 + β 2 X 2t + β 3 X 2 2t + β 4 1 X 2t + β 5 X 3t + u t El estimador de MCO de estos modelos tiene las buenas propiedades que ya hemos discutido PERO debemos tener cuidado al interpretar los coecientes y los efectos marginales
31 Efectos Marginales Modelos no lineales: efectos marginales Seguimos interesados en los efectos marginales: ofrecen el efecto causal PERO el efecto marginal de interés de la variable X j NO coincide necesariamente con un único coeciente β j En modelos con variables transformadas en logaritmos, los efectos marginales se interpretan como (semi-)elasticidades 1 ln Y t = β 1 + β 2 ln X + u t β 2 ln Y ln X 2 ln Y t = β 1 + β 2 X + u t Y /Y X /X = % Y % X = elasticidad 3 Y t = β 1 + β 2 ln X + u t β 2 ln Y X Y /Y X = % Y X β 2 Y ln X Y X /X = Y % X
32 Efectos Marginales En el modelo, Y t = β 1 + β 2 1 X 2t + β 3 X 3t + u t ¾cuál es el efecto marginal (causal) de X 2 sobre Y? δ δx 2t E [ Y t X 2t, X 3t ] = β 2 1 X 2 2t Se pueden extraer varias conclusiones de este ejemplo (válidas en general) 1 el efecto marginal NO coincide con un coeciente del modelo (en este caso,β 2 ) 2 el efecto marginal NO es constante depende, en este caso, de X 2t individuos con distinto valor de X 2t tendrán distinto cambio esperado en Y t ante un mismo cambio (innitesimal) en X 2t
33 Efectos Marginales Frecuentemente, se utilizan modelos lineales con polinomios e interacciones de las variables explicativas Yt = β 1 + β 2 X2t + β 3 X 2 2t + β 4X 3 2t + β 5X3t + ut δ δx2t Depende de varios parámetros Depende del valor de X2t E [ Yt X2t, X3t] = β 2 + 2β 3 X2t + 3β 4 X 2 2t Yt = β 1 + β 2 X2t + β 3 X2t X3t + β 4 X3t + ut δ E [ Yt X2t, X3t] = β 2 + β 3 X3t δx2t Depende de varios parámetros Depende del valor de otra variable: X3t Yt = β 1 + β 2 X2t + β 3 X 2 2t + β 4X2t X3t + β 5 X 2 2t X 3t + β 6 X3t + ut δ δx2t E [ Yt X2t, X3t] = β 2 + 2β 3 X2t + β 4 X3t + 2β 5 X2t X3t Depende de varios parámetros Depende del valor de X2t y de X3t 4 Existen muchas otras combinaciones posibles
34 Efectos Marginales Sesgo de variable omitidas Ejemplo: Una especicación incorrecta del modelo implica que los efectos marginales NO son interpretables como efectos causales el efecto marginal de X j es manteniendo constante el resto de variables incluidas en el modelo por tanto, no se tienen en cuenta las variables (relevantes) omitidas Y t = β 0 + β 1 X 1t + β 2 X 2t + u t Sólo nos interesa el efecto de X 1 (se estima un modelo reducido): Y t = δ 0 + δ 1 X 1t + ɛ t Si δ 1 = β 1, este modelo reducido sí proporciona el verdadero efecto causal de interés de X 1 sobre Y Se puede mostrar fácilmente que δ 1 = β 1 + β 2 Cov (X 1, X 2 ) Var (X 1 ) En general, omitir una variable sesga el coeciente: no coincide con el efecto causal
35 Efectos Marginales δ 1 = β 1 + β 2 Cov (X 1, X 2 ) Var (X 1 ) Sin embargo, omitir la variable X 2 no sesga el efecto causal de X 1 si 1 realmente X 2 no afecta a Y : no es relevante porque β 2 = 0 2 se tiene que Cov (X 1, X 2 ) = 0. El argumento (no la formula concreta) se puede generalizar al caso de múltiples variables si las variables omitidas (relevantes) no están correlacionadas con las variables explicativas incluidas en la regresión, los coecientes estimados para éstas no estarán sesgados.
36 Efectos Marginales Predicción: R 2 Puesto que el modelo de regresión establece que E [ Y t X 2t,..., X kt ] = β 1 + β 2 X 2t + + β k X kt Se puede predecir el valor esperado de la variable dependiente (en función de las variables explicativas): Ŷ t = β 1 + β 2 X 2t + + β k X kt El valor observado de Y t se descompone en una parte predicha por el modelo y un residuo Y t = Ŷt + e t Se puede demostrar que la varianza de los datos observados también se puede descomponer en dos partes: Var (Y t ) = Var ) (Ŷt + Var (e t ) T t=1 ( Y t Y ) 2 = T ) 2 T (Ŷt Y + t=1 SCT = SCE + SCR t=1 e 2 t
37 Efectos Marginales SCT = SCE + SCR Se dene el R 2 como R 2 = SCE SCT = 1 SCR SCT mide la proporción de la variabilidad de Y t explicada por el modelo: 0 R 2 1 cuanto más próxima a 1, mayor es la capacidad predictiva del modelo (menores residuos=parte no explicada) Si usamos el modelo de regresión para predecir, NO estamos interesados en saber si los coecientes tienen interpretación causal o no en el ejemplo anterior, podemos predecir Y t sólo con X 1t igual de bien que con X 1t y X 2t nos da igual si Y t es aumenta con X 1t directamente o indirectamente a través de X 2t Un mayor valor de R 2 indica mejor capacidad predictiva, pero NO nos informa sobre la interpretación causal de los coecientes del modelo.
38 Modelo con Regresores Binarios Regresores Binarios El modelo de regresión admite datos cuantitativos o cualitativos Una variable binaria (o dummy) es una forma de transformar variables cualitativos en cuantitativos { 1, si el individuo es mujer D t = 0, si el individuo es hombre La interpretación de los efectos marginales de un regresor binario son un caso particular de lo que hemos visto para variables discretas: Y t = β 1 + β 2 X 2t β 2 X k 1t + β k D kt + u t β k = E [ Y X 2t = x 2,,..., X k 1,t = x k 1, D kt = 1] E [ Y X 2t = x 2,,..., X k 1,t = x k 1, D kt = 0] Por tanto, β k es el aumento esperado en el valor de Y t por pertenecer al grupo D kt = 1 frente al grupo D kt = 0, ceteris paribus el valor esperado de Y t para el grupo con D kt = 1 menos su valor esperado para el grupo con D kt = 0
39 Modelo con Regresores Binarios El uso de variables binarios permite que cada grupo tenga un valor esperado diferente (dado un mismo valor del resto de variables) En un caso simple, Y t = β 1 + β 2 D t + u t Se tiene que E [ Y t D t = 1] = β 1 + β 2 E [ Y t D t = 0] = β 1 También se puede interactuar una variable binaria con otra variable del modelo; por ejemplo, Y t = β 1 + β 2 X 2t + β 3 X 2t D t + β 4 X 3t + u t En este caso, el efecto marginal de X 2t depende de D t δ E [ Y t X 2t, D t, X 3t ] = β 2 + β 3 D t δx 2t Esto implica que el efecto marginal de X 2t es diferente para el grupo D kt = 1 y para el grupo D kt = 0 δ δx2t E [ Y t X 2t, D t = 1, X 3t ] = β 2 + β 3 δ δx2t E [ Y t X 2t, D t = 0, X 3t ] = β 2
TEMA 4: Variables binarias
TEMA 4: Variables binarias Econometría I M. Angeles Carnero Departamento de Fundamentos del Análisis Económico Curso 2011-12 Econometría I (UA) Tema 4: Variables binarias Curso 2011-12 1 / 51 Variables
Más detallesCapítulo 7: Distribuciones muestrales
Capítulo 7: Distribuciones muestrales Recordemos: Parámetro es una medida de resumen numérica que se calcularía usando todas las unidades de la población. Es un número fijo. Generalmente no lo conocemos.
Más detallesREGRESION simple. Correlación Lineal:
REGRESION simple Correlación Lineal: Dadas dos variable numéricas continuas X e Y, decimos que están correlacionadas si entre ambas variables hay cierta relación, de modo que puede predecirse (aproximadamente)
Más detallesUNIVERSIDAD AUTÓNOMA DE MADRID DPTO DE ECONOMÍA CUANTITATIVA CURSO 2010/2011 ECONOMETRIA I HOJA 2. Problemas
UNIVERSIDAD AUTÓNOMA DE MADRID DPTO DE ECONOMÍA CUANTITATIVA CURSO 2010/2011 ECONOMETRIA I HOJA 2 Problemas 1. Supongamos que se dispone de una muestra de n = 5 individuos, con la que se quiere estudiar
Más detallesTEMA 3: TRATAMIENTO DE DATOS EN MS. EXCEL (I)
VARIABLES Variable: característica de cada sujeto (cada caso) de una base de datos. Se denomina variable precisamente porque varía de sujeto a sujeto. Cada sujeto tiene un valor para cada variable. El
Más detalles1.1. Introducción y conceptos básicos
Tema 1 Variables estadísticas Contenido 1.1. Introducción y conceptos básicos.................. 1 1.2. Tipos de variables estadísticas................... 2 1.3. Distribuciones de frecuencias....................
Más detallesEl modelo Ordinal y el modelo Multinomial
El modelo Ordinal y el modelo Multinomial Microeconomía Cuantitativa R. Mora Departmento de Economía Universidad Carlos III de Madrid Esquema Motivación 1 Motivación 2 3 Motivación Consideramos las siguientes
Más detallesESTIMACIÓN. puntual y por intervalo
ESTIMACIÓN puntual y por intervalo ( ) Podemos conocer el comportamiento del ser humano? Podemos usar la información contenida en la muestra para tratar de adivinar algún aspecto de la población bajo estudio
Más detallesTema 5. Análisis de regresión (segunda parte) Estadística II, 2010/11
Tema 5 Análisis de regresión (segunda parte) Estadística II, 2010/11 Contenidos 5.1: Diagnóstico: Análisis de los residuos 5.2: La descomposición ANOVA (ANalysis Of VAriance) 5.3: Relaciones no lineales
Más detallesAnálisis de Regresión Múltiple con Información Cualitativa: Variables Binarias o Ficticias
Análisis de Regresión Múltiple con Información Cualitativa: Variables Binarias o Ficticias Carlos Velasco 1 1 Departamento de Economía Universidad Carlos III de Madrid Econometría I Máster en Economía
Más detallesANÁLISIS DESCRIPTIVO CON SPSS
ESCUELA SUPERIOR DE INFORMÁTICA Prácticas de Estadística ANÁLISIS DESCRIPTIVO CON SPSS 1.- INTRODUCCIÓN Existen dos procedimientos básicos que permiten describir las propiedades de las distribuciones:
Más detallesSe podría entender como una matriz de filas y columnas. Cada combinación de fila y columna se denomina celda. Por ejemplo la celda A1, B33, Z68.
Departamento de Economía Aplicada: UDI de Estadística. Universidad Autónoma de Madrid Notas sobre el manejo de Excel para el análisis descriptivo y exploratorio de datos. (Descriptiva) 1 1 Introducción
Más detalles8.1. Introducción... 1. 8.2. Dependencia/independencia estadística... 2. 8.3. Representación gráfica: diagrama de dispersión... 3. 8.4. Regresión...
Tema 8 Análisis de dos variables: dependencia estadística y regresión Contenido 8.1. Introducción............................. 1 8.2. Dependencia/independencia estadística.............. 2 8.3. Representación
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 5.2 Estimadores de Variables Instrumentales La endogeneidad aparece
Más detallesUNIVERSIDAD AUTÓNOMA DE MADRID DEPARTAMENTO DE ECONOMÍA CUANTITATIVA CURSO 2010/2011 ECONOMETRIA I. Hoja de Problemas 3 Problemas
UNIVERSIDAD AUTÓNOMA DE MADRID DEPARTAMENTO DE ECONOMÍA CUANTITATIVA CURSO 2010/2011 ECONOMETRIA I Hoja de Problemas 3 Problemas 1. Considera el modelo de regresión con un solo regresor Y i = 0 + 1 X i
Más detallesOtras medidas descriptivas usuales
Tema 7 Otras medidas descriptivas usuales Contenido 7.1. Introducción............................. 1 7.2. Medidas robustas.......................... 2 7.2.1. Media recortada....................... 2 7.2.2.
Más detallesINTRODUCCIÓN A LA ECONOMETRÍA E INFORMÁTICA MODELOS ECONOMÉTRICOS E INFORMACIÓN ESTADÍSTICA
INTRODUCCIÓN A LA ECONOMETRÍA E INFORMÁTICA MODELOS ECONOMÉTRICOS E INFORMACIÓN ESTADÍSTICA Eva Medina Moral (Febrero 2002) EXPRESIÓN DEL MODELO BASICO DE REGRESIÓN LINEAL La expresión formal del modelo
Más detallesTema 2 Estadística Descriptiva
Estadística Descriptiva 1 Tipo de Variables 2 Tipo de variables La base de datos anterior contiene la información de 2700 individuos con 8 variables. Los datos provienen de una encuesta nacional realizada
Más detallesGUIÓN TEMA 4. VARIABLES BINARIAS 4.1. Variables binarias
ECONOMETRIA I. Departamento de Fundamentos del Análisis Económico Universidad de Alicante. Curso 2011/12 GUIÓN TEMA 4. VARIABLES BINARIAS 4.1. Variables binarias Bibliografía apartados : Greene, 8.2 A.F.Gallastegui:
Más detallesEstacionalidad. Series de tiempo. Modelos econométricos. Modelos econométricos. Q= T Kα Lβ
Estacionalidad Qué es la estacionalidad? La estacionalidad es una componente que se presenta en series de frecuencia inferior a la anual (mensual, trimestral,...), y supone oscilaciones a corto plazo de
Más detallesDIPLOMADO EN RELACIONES LABORALES Estadística Asistida por Ordenador Curso 2008-2009
Índice general 6. Regresión Múltiple 3 6.1. Descomposición de la variabilidad y contrastes de hipótesis................. 4 6.2. Coeficiente de determinación.................................. 5 6.3. Hipótesis
Más detallesCovarianza y coeficiente de correlación
Covarianza y coeficiente de correlación Cuando analizábamos las variables unidimensionales considerábamos, entre otras medidas importantes, la media y la varianza. Ahora hemos visto que estas medidas también
Más detallesClase 2: Estadística
Clase 2: Estadística Los datos Todo conjunto de datos tiene al menos dos características principales: CENTRO Y DISPERSIÓN Los gráficos de barra, histogramas, de puntos, entre otros, nos dan cierta idea
Más detalles-Género: no nos ha quedado claro cómo influye este parámetro en el gasto en ocio, si positiva o negativamente.
INTRODUCCIÓN En este trabajo estudiamos el gasto en ocio de la población, escogiendo una muestra al azar. Realizando encuestas hemos recogido información de 125 personas, las variables que hemos visto
Más detallesEduardo Kido 26-Mayo-2004 ANÁLISIS DE DATOS
ANÁLISIS DE DATOS Hoy día vamos a hablar de algunas medidas de resumen de datos: cómo resumir cuando tenemos una serie de datos numéricos, generalmente en variables intervalares. Cuando nosotros tenemos
Más detallesDETERMINANTES MACROECONÓMICOS DE LOS SEGUROS DE VIDA Y PERSONAS
DETERMINANTES MACROECONÓMICOS DE LOS SEGUROS DE VIDA Y PERSONAS Wilson Mayorga M. Director de Cámara de Vida y Personas y Actuaría Mediante la estimación de modelos de regresión lineal se cuantificó el
Más detallesESTADÍSTICA SEMANA 4
ESTADÍSTICA SEMANA 4 ÍNDICE MEDIDAS DE DISPERSIÓN... 3 APRENDIZAJES ESPERADOS... 3 DEfinición de Medida de dispersión... 3 Rango o Recorrido... 3 Varianza Muestral (S 2 )... 3 CÁLCULO DE LA VARIANZA...
Más detallesI1.1 Estudios observacionales IISESIÓN DISEÑO O DE ESTUDIOS EN INVESTIGACIÓN N MÉDICA DESCRIPTIVA CURSO DE. 1.2 Estudios experimentales
1 2 3 4 5 6 ESQUEMA DEL CURSO ESTADÍSTICA BÁSICA DISEÑO DE EXPERIMENTOS CURSO DE ESTADÍSTICA STICA BÁSICAB ESTADÍSTICA DESCRIPTIVA TIPOS DE VARIABLES MEDIDAS DE POSICIÓN CENTRAL Y DE DISPERSIÓN TABLAS
Más detallesCapítulo 9. La distribución de las ganancias
Capítulo 9. La distribución de las ganancias Introducción La distribución personal de las ganancias es el patrón nacional de las proporciones de las ganancias salariales correspondientes a los individuos
Más detallesTema 12: Contrastes Paramétricos
Tema 1 Tema 1: Contrastes Paramétricos Presentación y Objetivos. Se comienza este tema introduciendo la terminología y conceptos característicos de los contrastes de hipótesis, típicamente a través de
Más detallesQUÉ ES LA RENTABILIDAD Y CÓMO MEDIRLA. La rentabilidad mide la eficiencia con la cual una empresa utiliza sus recursos financieros.
QUÉ ES LA RENTABILIDAD Y CÓMO MEDIRLA La rentabilidad mide la eficiencia con la cual una empresa utiliza sus recursos financieros. Qué significa esto? Decir que una empresa es eficiente es decir que no
Más detallesAplicaciones de Estadística Descriptiva
Aplicaciones de Estadística Descriptiva Contenidos de la presentación Funciones estadísticas en Excel. Gráficos. El módulo de análisis de datos y las tablas dinámicas de Excel. Información Intentaremos
Más detallesUNIDAD 4: MEDIDAS DE TENDENCIA CENTRAL
UNIDAD 4: MEDIDAS DE TENDENCIA CENTRAL Objetivo terminal: Calcular e interpretar medidas de tendencia central para un conjunto de datos estadísticos. Objetivos específicos: 1. Mencionar las características
Más detalles1. Introducción a la estadística 2. Estadística descriptiva: resumen numérico y gráfico de datos 3. Estadística inferencial: estimación de parámetros
TEMA 0: INTRODUCCIÓN Y REPASO 1. Introducción a la estadística 2. Estadística descriptiva: resumen numérico y gráfico de datos 3. Estadística inferencial: estimación de parámetros desconocidos 4. Comparación
Más detallesTema 2. Variables y medidas
Curso de Estadística Aplicada a las Ciencias Sociales Tema 2. Variables y medidas Fuentes: Manual (2.1.) y Agresti (cap. 2) Tema 2. Variables y medidas Introducción 1. Variables, valores y escalas 2. Definición
Más detallesEmpresarial y Financiero
Curso de Excel Empresarial y Financiero SESIÓN : REGRESIÓN Rosa Rodríguez Relación con el Mercado Descargue de yahoo.com los Datos de precio ajustado de cierre de las acciones de General Electric (GE),
Más detallesMuestreo estadístico. Relación 2 Curso 2007-2008
Muestreo estadístico. Relación 2 Curso 2007-2008 1. Para tomar la decisión de mantener un determinado libro como texto oficial de una asignatura, se pretende tomar una muestra aleatoria simple entre los
Más detallesCapítulo 10. Estudio de un caso con parámetros reales: acuífero de Borden
Capítulo 10. Estudio de un caso con parámetros reales: acuífero de Borden Tras la realización de muchos casos sintéticos y un estudio detallado de todos los parámetros que intervienen en el problema y
Más detallesTASACION DE INMUEBLES URBANOS
TASACION DE INMUEBLES URBANOS Estadística para Tasadores A tener en cuenta Toda muestra de datos será incompleta Toda muestra es aleatoria Datos desordenados no sirven Calcular valores típicos Encontrar
Más detallesESTADÍSTICA DESCRIPTIVA CON SPSS
ESTADÍSTICA DESCRIPTIVA CON SPSS (2602) Estadística Económica Joaquín Alegre y Magdalena Cladera SPSS es una aplicación para el análisis estadístico. En este material se presentan los procedimientos básicos
Más detalles- se puede formular de la siguiente forma:
Multicolinealidad 1 Planteamiento Una de las hipótesis del modelo de regresión lineal múltiple establece que no existe relación lineal exacta entre los regresores, o, en otras palabras, establece que no
Más detallesTema 3: El modelo de regresión lineal múltiple
Econometría 1 curso 2009-2010 Tema 3: El modelo de regresión lineal múltiple Genaro Sucarrat (Departamento de Economía, UC3M) http://www.eco.uc3m.es/sucarrat/ Recordamos: El modelo de regresión lineal
Más detallesPrecio del alquiler de pisos durante una serie de meses. Evolución del índice del precio del trigo con mediciones anuales.
Series Temporales Introducción Una serie temporal se define como una colección de observaciones de una variable recogidas secuencialmente en el tiempo. Estas observaciones se suelen recoger en instantes
Más detallesMUESTREO TIPOS DE MUESTREO
MUESTREO En ocasiones en que no es posible o conveniente realizar un censo (analizar a todos los elementos de una población), se selecciona una muestra, entendiendo por tal una parte representativa de
Más detallesIntroducción a la Econometría
Introducción a la Econometría Curso 2009/2010 Seriedeproblemas1 1.- Considere la siguiente distribución de probabilidad: Llueve (X=0) No llueve (X=1) Total Tiempo de viaje largo (Y=0) 0.15 0.07 0.22 Tiempo
Más detallesAula Banca Privada. La importancia de la diversificación
Aula Banca Privada La importancia de la diversificación La importancia de la diversificación La diversificación de carteras es el principio básico de la operativa en mercados financieros, según el cual
Más detallesMERCADOS FINANCIEROS: LOS FONDOS DE INVERSIÓN II
MERCADOS FINANCIEROS: LOS FONDOS DE INVERSIÓN II 28 febrero de 2012 Javier Marchamalo Martínez Universidad Rey Juan Carlos SABER INTERPRETAR LOS RATIOS SIGNIFICATIVOS EN LA GESTIÓN POR BENCHMARK Ratio
Más detallesClase 2: Estadística
Clase 2: Estadística Los datos Todo conjunto de datos tiene al menos dos características principales: CENTRO Y DISPERSIÓN Los gráficos de barra, histogramas, de puntos, entre otros, nos dan cierta idea
Más detallesTema 10. Estimación Puntual.
Tema 10. Estimación Puntual. Presentación y Objetivos. 1. Comprender el concepto de estimador y su distribución. 2. Conocer y saber aplicar el método de los momentos y el de máxima verosimilitud para obtener
Más detallesParámetros y estadísticos
Parámetros y estadísticos «Parámetro»: Es una cantidad numérica calculada sobre una población y resume los valores que esta toma en algún atributo Intenta resumir toda la información que hay en la población
Más detallesAsignatura: Econometría. Conceptos MUY Básicos de Estadística
Asignatura: Econometría Conceptos MUY Básicos de Estadística Ejemplo: encuesta alumnos matriculados en la UMH Estudio: Estamos interesados en conocer el nivel de renta y otras características de los estudiantes
Más detallesESTADISTICA II INGENIERIA INFORMATICA, 3 ER Curso
ESTADISTICA II INGENIERIA INFORMATICA, 3 ER Curso 3 - Septiembre - 2.6 Primera Parte - Test Las respuestas del TEST son las siguientes: Pregunta 2 3 4 5 6 Respuesta C A D C B A Pregunta 7 8 9 2 Respuesta
Más detalles1. MEDIDAS DE TENDENCIA CENTRAL
1. MEDIDAS DE TENDENCIA CENTRAL Lo importante en una tendencia central es calcular un valor central que actúe como resumen numérico para representar al conjunto de datos. Estos valores son las medidas
Más detallesEjercicio de estadística para 3º de la ESO
Ejercicio de estadística para 3º de la ESO Unibelia La estadística es una disciplina técnica que se apoya en las matemáticas y que tiene como objetivo la interpretación de la realidad de una población
Más detallesLos valores de las respuesta son las puntuaciones que, de cada individuo, o cluster, obtenemos semanalmente durante cinco semanas consecutivas:
Sobre los modelos lineales mixtos Ejemplo: Recuperación de infarto. Para estudiar las diferencias entre dos procedimientos diferentes de recuperación de pacientes de un infarto, se consideraron dos grupos
Más detallesMedidas de tendencia central o de posición: situación de los valores alrededor
Tema 10: Medidas de posición y dispersión Una vez agrupados los datos en distribuciones de frecuencias, se calculan unos valores que sintetizan la información. Estudiaremos dos grandes secciones: Medidas
Más detallesMANUAL SIMPLIFICADO DE ESTADÍSTICA APLICADA VIA SPSS
1 MANUAL SIMPLIFICADO DE ESTADÍSTICA APLICADA VIA SPSS Medidas de tendencia central Menú Analizar: Los comandos del menú Analizar (Estadística) ejecutan los procesamientos estadísticos. Sus comandos están
Más detallesTipo de interés nominal (TIN)
Tipo de interés nominal (TIN) Se llama Tipo de Interés Nominal (TIN), abreviado también como interés nominal, al porcentaje aplicado cuando se ejecuta el pago de intereses. Por ejemplo: Si se tiene un
Más detallesTema 2. Variables y medidas
Curso de Estadística Aplicada a las Ciencias Sociales Tema 2. Variables y medidas Fuentes: Manual (2.1.) y Agresti (cap. 2) Tema 2. Variables y medidas Introducción 1. Variables, valores y escalas 2. Definición
Más detallesFundamentos de Biología Aplicada I Estadística Curso 2011-2012 Práctica 6: Regresión Logística I
Fundamentos de Biología Aplicada I Estadística Curso 2011-2012 Índice 1. Objetivos de la práctica 2 2. Estimación de un modelo de regresión logística con SPSS 2 2.1. Ajuste de un modelo de regresión logística.............................
Más detallesE 1 E 2 E 2 E 3 E 4 E 5 2E 4
Problemas resueltos de Espacios Vectoriales: 1- Para cada uno de los conjuntos de vectores que se dan a continuación estudia si son linealmente independientes, sistema generador o base: a) (2, 1, 1, 1),
Más detalles1 Ejemplo de análisis descriptivo de un conjunto de datos
1 Ejemplo de análisis descriptivo de un conjunto de datos 1.1 Introducción En este ejemplo se analiza un conjunto de datos utilizando herramientas de estadística descriptiva. El objetivo es repasar algunos
Más detallesANALISIS DE UN FONDO DE INVERSION MEDIANTE LA REGRESION Y LA GENERACION DE NUMEROS ALEATORIOS
V JORNADAS ASEPUMA ANALISIS DE UN FONDO DE INVERSION MEDIANTE LA REGRESION Y LA GENERACION DE NUMEROS ALEATORIOS Rodriguez Aviles, Rafael 1 1. Introducción El origen de esta comunicación está en una entrevista
Más detallesTema 3. Medidas de tendencia central. 3.1. Introducción. Contenido
Tema 3 Medidas de tendencia central Contenido 31 Introducción 1 32 Media aritmética 2 33 Media ponderada 3 34 Media geométrica 4 35 Mediana 5 351 Cálculo de la mediana para datos agrupados 5 36 Moda 6
Más detallesde la empresa Al finalizar la unidad, el alumno:
de la empresa Al finalizar la unidad, el alumno: Identificará el concepto de rentabilidad. Identificará cómo afecta a una empresa la rentabilidad. Evaluará la rentabilidad de una empresa, mediante la aplicación
Más detallesMedia vs mediana vs moda Cual medida de tendencia central es mas adecuada? MEDIA conveniencias:
Iniciar con las interpretaciones de las medidas MEDIA VS MEDIANA VS MODA CUAL ES LA MEDIDA ADECUADA TAREA MEDIA PONDERADA Actividad de Medidas de Localización Problema 1. El problema de las tasas de delito.
Más detallesCUESTIONES DE AUTOEVALUACIÓN (TEMA 1)
CUESTIONES DE AUTOEVALUACIÓN (TEMA 1) Cuestiones de Verdadero/Falso 1. Un estadístico es una característica de una población. 2. Un parámetro es una característica de una población. 3. Las variables discretas
Más detallesGRADO TURISMO TEMA 3: ANÁLISIS DE DATOS TURÍSTICOS BIDIMENSIONALES
GRADO TURISMO TEMA 3: ANÁLISIS DE DATOS TURÍSTICOS BIDIMENSIONALES Prof. Rosario Martínez Verdú TEMA 3: ANÁLISIS DE DATOS TURÍSTICOS BIDIMENSIONALES 1. Distribuciones bidimensionales de frecuencias y diagrama
Más detallesANÁLISIS DE DATOS NO NUMERICOS
ANÁLISIS DE DATOS NO NUMERICOS ESCALAS DE MEDIDA CATEGORICAS Jorge Galbiati Riesco Los datos categóricos son datos que provienen de resultados de experimentos en que sus resultados se miden en escalas
Más detallesUNIVERSIDAD CARLOS III DE MADRID MASTER EN CALIDAD TOTAL MANUAL DE SPSS
UNIVERSIDAD CARLOS III DE MADRID MASTER EN CALIDAD TOTAL MANUAL DE SPSS I. INTRODUCCIÓN Y MANEJO DE DATOS MANUAL DE SPSS 1 MASTER CALIDAD TOTAL 1/ INTRODUCCIÓN Las aplicaciones de la Estadística en la
Más detallesANÁLISIS DINÁMICO DEL RIESGO DE UN PROYECTO
ANÁLISIS DINÁMICO DEL RIESGO DE UN PROYECTO Por: Pablo Lledó Master of Science en Evaluación de Proyectos (University of York) Project Management Professional (PMP) Profesor de Project Management y Evaluación
Más detallesModelos estadísticos aplicados en administración de negocios que generan ventajas competitivas
Modelos estadísticos aplicados en administración de negocios que generan ventajas competitivas Videoconferencias semana de estadística Universidad Latina, Campus Heredia Costa Rica Universidad del Valle
Más detallesECONOMETRÍA II: ECONOMETRÍA DE SERIES TEMPORALES. Modelación con ARMA
ECONOMETRÍA II: ECONOMETRÍA DE SERIES TEMPORALES Modelación con ARMA Método Box-Jenkins: Un libro que ha tenido una gran influencia es el de Box y Jenkins (1976): Time Series Analysis: Forecasting and
Más detallesCIIF CENTRO INTERNACIONAL DE INVESTIGACION FINANCIERA
I E S E Universidad de Navarra CIIF CENTRO INTERNACIONAL DE INVESTIGACION FINANCIERA INFORME SOBRE LA RELACION ENTRE CONSUMO, MOROSIDAD Y CICLOS BURSATILES Miguel A. Ariño* María Coello de Portugal** DOCUMENTO
Más detallesMetodología de la Investigación. Dr. Cristian Rusu cristian.rusu@ucv.cl
Metodología de la Investigación Dr. Cristian Rusu cristian.rusu@ucv.cl 6. Diseños de investigación 6.1. Diseños experimentales 6.1.1. Diseños preexperimentales 6.1.2. Diseños experimentales verdaderos
Más detalles2 VARIABLES ESTADÍSTICAS BIDIMENSIONALES
2 VARIABLES ESTADÍSTICAS BIDIMENSIONALES 1 Se ha medido el volumen, X, y la presión, Y, de una masa gaseosa y se ha obtenido: X (litros) 1 65 1 03 0 74 0 61 0 53 0 45 Y (Kg/cm 2 ) 0 5 1 0 1 5 2 0 2 5 3
Más detallesPruebas de. Hipótesis
Pruebas de ipótesis Pruebas de ipótesis Otra manera de hacer inferencia es haciendo una afirmación acerca del valor que el parámetro de la población bajo estudio puede tomar. Esta afirmación puede estar
Más detallesMEDIDAS DE DISPERSIÓN EMPLEANDO EXCEL
MEDIDAS DE DISPERSIÓN EMPLEANDO EXCEL Las medias de tendencia central o posición nos indican donde se sitúa un dato dentro de una distribución de datos. Las medidas de dispersión, variabilidad o variación
Más detallesAnálisis y cuantificación del Riesgo
Análisis y cuantificación del Riesgo 1 Qué es el análisis del Riesgo? 2. Métodos M de Análisis de riesgos 3. Método M de Montecarlo 4. Modelo de Análisis de Riesgos 5. Qué pasos de deben seguir para el
Más detallesUniversitat Pompeu Fabra Licenciatura de ADE y Economía Econometría I / 10143) Profesor: Javier Coronado Examen Final Diciembre 2011
Econometría I Examen Final 1 Universitat Pompeu Fabra Licenciatura de ADE y Economía Econometría I / 10143) Profesor: Javier Coronado Examen Final Diciembre 2011 Este examen consta de un total de 50 puntos.
Más detallesEconometría de Económicas
Econometría de Económicas Apuntes para el tema 6 Curso 2004-2005 Profesoras Amparo Sancho Guadalupe Serrano Modelos de panel de datos Datos de Panel son aquellos que surgen de la observación de una misma
Más detallesBREVE APUNTE SOBRE EL PROBLEMA DE LA MULTICOLINEALIDAD EN EL MODELO BÁSICO DE REGRESIÓN LINEAL
BREVE APUNTE SOBRE EL PROBLEMA DE LA MULTICOLINEALIDAD EN EL MODELO BÁSICO DE REGRESIÓN LINEAL Ramón Mahía Febrero 013 Prof. Ramón Mahía ramon.mahia@uam.es Qué se entiende por Multicolinealidad en el marco
Más detallesIndicaciones específicas para los análisis estadísticos.
Tutorial básico de PSPP: Vídeo 1: Describe la interfaz del programa, explicando en qué consiste la vista de datos y la vista de variables. Vídeo 2: Muestra cómo crear una base de datos, comenzando por
Más detallesTema 1 con soluciones de los ejercicios. María Araceli Garín
Tema 1 con soluciones de los ejercicios María Araceli Garín Capítulo 1 Introducción. Probabilidad en los modelos estocásticos actuariales Se describe a continuación la Tarea 1, en la que se enumeran un
Más detallesNombre...Apellidos... Grado en:...grupo:...
ESTADÍSTICA E INTRODUCCIÓN A LA ECONOMETRÍA - Soluciones Estadística- Curso 01/1. 9 de Julio de 01 Nombre...Apellidos... Grado en:...grupo:... 1. Considera la variable aleatoria (v.a.) X cuyos posibles
Más detallesI. RENTABILIDAD FINANCIERA
I. RENTABILIDAD FINANCIERA En un sentido general, la rentabilidad es la medida del rendimiento que, en un determinado período de tiempo (el ejercicio), producen las magnitudes utilizadas en el mismo, o
Más detallesRESPUESTAS A LAS PREGUNTAS DEL TEMA 3
RESPUESTAS A LAS PREGUNTAS DEL TEMA 3 Las respuestas en algún caso (primera pregunta) son más largas de lo requerido para que sirva de explicación 1. Explica brevemente qué significan cada una de las curvas
Más detallesCORRELACIONES CON SPSS
ESCUEL SUPERIOR DE INFORMÁTIC Prácticas de Estadística CORRELCIONES CON SPSS 1.- INTRODUCCIÓN El concepto de relación o correlación entre dos variables se refiere al grado de parecido o variación conjunta
Más detallesASOCIACIÓN LINEAL ENTRE VARIABLES CUANTITATIVAS: la correlación de Pearson
ASOCIACIÓN LINEAL ENTRE VARIABLES CUANTITATIVAS: la correlación de Pearson 3datos 2011 Análisis BIVARIADO de variables cuantitativas OBJETIVO DETERMINAR 1º) si existe alguna relación entre las variables;
Más detallesFONDO MUTUO SURA SELECCION ACCIONES CHILE SERIE A Folleto Informativo al cierre de septiembre 2015
FONDO MUTUO SURA SELECCION ACCIONES CHILE SERIE A Administradora RUN Patrimonio Serie Monto Mínimo S.A. 8685 CLP $504.867.977 $5.000 Plazo : 10 días Rentabilidad en Pesos desde 01/10/2010 a 3% 1 Mes -3,55%
Más detallesTema 2: Estimación puntual
Tema 2: Estimación puntual 1 (basado en el material de A. Jach (http://www.est.uc3m.es/ajach/) y A. Alonso (http://www.est.uc3m.es/amalonso/)) Planteamiento del problema: estimador y estimación Insesgadez
Más detallesInferencia Estadística
EYP14 Estadística para Construcción Civil 1 Inferencia Estadística El campo de la inferencia estadística está formado por los métodos utilizados para tomar decisiones o para obtener conclusiones sobre
Más detallesParte I: Introducción
Parte I: Introducción Introducción al Data Mining: su Aplicación a la Empresa Cursada 2007 POR QUÉ? Las empresas de todos los tamaños necesitan aprender de sus datos para crear una relación one-to-one
Más detallesTests de hipótesis estadísticas
Tests de hipótesis estadísticas Test de hipótesis sobre la media de una población. Introducción con un ejemplo. Los tests de hipótesis estadísticas se emplean para muchos problemas, en particular para
Más detallesParte 7: Análisis de los datos
Metodología de la investigación Curso 2008 Parte 7: Análisis de los datos Los ejemplos han sido tomados en su mayoría de la bibliografía recomendada para el curso Análisis de los datos El análisis de datos
Más detallesTIPO DE CAMBIO, TIPOS DE INTERES Y MOVIMIENTOS DE CAPITAL
TIPO DE CAMBIO, TIPOS DE INTERES Y MOVIMIENTOS DE CAPITAL En esta breve nota se intentan analizar las relaciones existentes en el sector español entre tipo de cambio, tasa de inflación y tipos de interés,
Más detallesTEMA 5 Variables ficticias
TEMA 5 Variables ficticias Cómo describir información cualitativa Muchas veces en el modelo de regresión aparecen factores cualitativos (sexo, raza, estado civil,.). En estos casos la información relevante
Más detallesCapítulo 10. Análisis descriptivo: Los procedimientos Frecuencias y Descriptivos
Capítulo 10 Análisis descriptivo: Los procedimientos Frecuencias y Descriptivos Al analizar datos, lo primero que conviene hacer con una variable es, generalmente, formarse una idea lo más exacta posible
Más detallesValidation. Validación Psicométrica. Validation. Central Test. Central Test. Centraltest CENTRAL. L art de l évaluation. El arte de la evaluación
Validation Validación Psicométrica L art de l évaluation Validation Central Test Central Test Centraltest L art de l évaluation CENTRAL test.com El arte de la evaluación www.centraltest.com Propiedades
Más detallesLA BALANZA DE PAGOS. Profesor: Ainhoa Herrarte Sánchez. Febrero de 2004
LA BALANZA DE PAGOS Profesor: Ainhoa Herrarte Sánchez. Febrero de 2004 1. Definición y estructura de la Balanza de Pagos La Balanza de Pagos es un documento contable en el que se registran todas las operaciones
Más detalles