ECONOMETRÍA I. Tema 3: El Modelo de Regresión Lineal Múltiple: estimación
|
|
- Luis Blanco Henríquez
- hace 7 años
- Vistas:
Transcripción
1 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
2 Limitaciones del Análisis de Regresión Simple Existen diversos problemas que no pueden ser resueltos con el modelo de regresión simple: Es complicado extraer conclusiones ceteris paribus. A la hora de realizar un análisis causal es mejor controlar más factores que recurrir al supuesto de media condicional cero, E(u x) = 0. Si usamos un único regresor, solamente somos capaces de explicar una parte limitada de la variabilidad de y en función de la información proporcionada por esa x. Sólo se puede incorporar una relación funcional concreta entre x e y (en función de x, logx, etc.) Alexandra Soberon (UC) ECONOMETRÍA I 2 / 45
3 Motivación del modelo de regresión múltiple Objetivo: determinar el impacto de la educación (educ) sobre los salarios (wage) cuando también se conoce la experiencia laboral (exper). wage = β 0 + β 1 educ + β 2 exper + u. Este modelo incluye exper para controlar su efecto sobre wage. Incorporar exper expĺıcitamente es importante porque la educación y la experiencia laboral están positivamente correlacionados. En el modelo de regresión lineal la experiencia está incluida en el término de error por lo que el estimador MCO estaría sesgado. Alexandra Soberon (UC) ECONOMETRÍA I 3 / 45
4 Modelo de regresión lineal múltiple El Modelo de Regresión Lineal Múltiple nos permite explicar relaciones económicas en las que intervienen más de dos variables. donde y = β 0 + β 1 x 1 + β 2 x β k x k + u, β 0 : término de intercepto. β j (j = 1,, k): parámetro de la pendiente. Se interpreta como el efecto parcial sobre y de un cambio en x j, ceteris paribus. u: término de error. Supuesto clave: E(u x 1,, x k ) = 0. Alexandra Soberon (UC) ECONOMETRÍA I 4 / 45
5 Modelo de regresión con 2 variables Objetivo: explicar el efecto del gasto por estudiante (expend) sobre la calificación media en un examen estandarizado (avgscore) controlando también por el ingreso familiar medio (avginc). avgscore = β 0 + β 1 expend + β 2 avginc + u, donde β 0 : intercepto. β 1 : mide cómo cambia avgscore ante un cambio en expend, manteniendo todos los demás factores constantes. β 2 : mide cómo cambia avgscore ante un cambio en avginc, manteniendo todos los demás factores constantes. Alexandra Soberon (UC) ECONOMETRÍA I 5 / 45
6 Modelo de regresión múltiple Objetivo: estimar un modelo en el cual x 1 y x 2 están correlacionados perfectamente pero no de forma lineal. cons = β 0 + β 1 inc + β 2 inc 2 + u, donde cons es el consumo del hogar e inc es el ingreso del hogar. Como en este caso estimamos un modelo de regresión múltiple pero la renta es el único factor que afecta al consumo, la interpretación de los parámetros cambia dado que x 2 no puede ser cosntante si x 1 cambia. β 1 y β 2 no tienen interpretación por separado. Propensión marginal a consumir: cons inc = β 1 + 2β 2 inc. Alexandra Soberon (UC) ECONOMETRÍA I 6 / 45
7 Modelo de regresión con 2 variables: MCO Los estimadores MCO resuelven el siguiente problema n ( min β0,β 1,β 2 y i β 0 x β 1i 1 x β ) 2 2i 2. i=1 de modo que los estimadores MCO minimizan el promedio de la diferencia al cuadrado entre los valores actuales y i y los valores predichos (ĺınea estimada). Condiciones de primer orden: n (y i β 0 x β 1i 1 x β ) 2i 2 i=1 n i=1 n x 1i ( y i β 0 x 1i β 1 x 2i β 2 ) x 2i ( y i β 0 x 1i β 1 x 2i β 2 ) = 0, = 0, = 0. i=1 Alexandra Soberon (UC) ECONOMETRÍA I 7 / 45
8 Interpretación del modelo de regresión múltiple Sea la ecuación estimada ŷ = β 0 + β 1 x 1 + β 2 x 2 Los estimadores de las pendientes se interpretan como efectos parciales o ceteris paribus, i.e., ŷ = β 0 + β 1 x 1 + β 2 δx 2, donde β 1 = E[y x1,x2] x 1 : Si x 1 varía 1 unidad, y varía en promedio β 1 unidades de y cuando x 2 se mantiene constante, i.e., cuando x 2 = 0, ŷ = β 1 x 1. β 2 = E[y x1,x2] x 2 : si x 2 varía 1 unidad, y varía en promedio β 2 unidades de y ceteris paribus, i.e., cuando x 1 = 0, ŷ = β 2 x 2. β 0 : valor predicho del promedio de y cuando x 1 = x 2 = 0. Alexandra Soberon (UC) ECONOMETRÍA I 8 / 45
9 Interpretación del modelo con términos cuadráticos Modelo: Cuando queremos modelizar la relación entre x e y considerando la existencia de efectos marginales crecientes o decrecientes el modelo a considerar es: y = β 0 + β 1 x + β 2 x 2 + u, donde E(u x) = 0 = E(y x) = β 0 + β 1 x + β 2 x 2. Interpretación: cuando x varía 1 unidad, y varía en media en (β 1 + 2β 2 x) unidades de y, i.e. E(y x) x = β 1 + 2β 2 x. β 1 y β 2 no tienen interpetación por separado. Existe un valor crítico (x = β 1 /2β 2 ) en el que el efecto de x sobre E(y x) cambia de signo. Alexandra Soberon (UC) ECONOMETRÍA I 9 / 45
10 Modelo de regresión lineal múltiple: forma matricial Sea el modelo de regresión con k variables explicativas, Y = Xβ + u. Y es un vector n 1 de observaciones de Y. X es una matriz n k de observaciones de las variables explicativas. u es un vector n 1 de perturbaciones no observables. Y = Y 1 Y 2., X = 1 X 11 X k1 1 X 12 X k , β = β 0 β 1., u = u 1 u 2. Y n 1 X 1n X kn β k u n Alexandra Soberon (UC) ECONOMETRÍA I 10 / 45
11 MCO en notación matricial Modelo de regresión ajustado: Y = X β + û, Residuos al cuadrado: û û = X β(y X β) (Y X β) = (Y β X )(Y X β) = Y Y β X Y Y X β + β X X β = Y Y 2 β X Y + β X X β, Condición de primer orden: (û û) β = 2X (Y X β) = 0 k, Esta c.p.o. es la misma que X û = 0. Reordenando X X β = X Y. β = ( X X ) 1 X Y. Alexandra Soberon (UC) ECONOMETRÍA I 11 / 45
12 Propiedades algebráicas MCO Valores ajustados: Ŷ = X β. Residuos: û = Y Ŷ = Y X β. Propiedades: La suma de los residuos MCO es cero: n i=1 ûi = 0. La media muestral de los residuos es cero. Así Y = Ŷ. La covarianza muestral entre cada una de las variables independientes y los residuos MCO es cero. La ĺınea de regresión MCO siempre va a través de la media de la muestra (Y = X β). Así, X [Y X β] = X û = 0 k. Alexandra Soberon (UC) ECONOMETRÍA I 12 / 45
13 Bondad de ajuste Dado que la variación total en y i es igual a la suma de la variación total en ŷ i y en û i (y i = ŷ i + û i ) podemos definir: Suma Total de los Cuadrados (STC): STC = n (y i y) 2 STC = Y Y ny 2 = Y M i Y. i=1 Suma de Cuadrados Explicada (SCE): SCE = n (ŷ i y) SCE = Ŷ Ŷ ny 2 = Ŷ M i Ŷ. i=1 Suma de Cuadrados de los Residuos (SCR): SCR = n ûi 2 SCR = û û = Y MY. i=1 donde M i = I n ı(ı ı) 1 ı y M = I X(X X) 1 X. Alexandra Soberon (UC) ECONOMETRÍA I 13 / 45
14 Bondad de ajuste SST = SSE + SSR. Suponiendo que la variación total en Y no sea cero, R 2 = SSE SST = 1 SSR SST = 1 Y MY Y M i Y, R 2 representa la proporción de la variación muestral en Y que es explicada por la ĺınea de regresión MCO. Alexandra Soberon (UC) ECONOMETRÍA I 14 / 45
15 Bondad de ajuste R 2 también puede ser entendido como el coeficiente de correlación al cuadrado entre el valor actual y i y el valor predicho ŷ i : ( ni=1 (y i y)(ŷi ŷ)) 2 R 2 = ( ( n ni=1 ). i=1 (y i y) 2 ) (ŷ i ŷ) 2 Propiedades R 2 : 0 R 2 1. R 2 nunca disminuye cuando otra variable independiente es añadida a la regresión. Normalmente aumenta. R 2 no es un instrumento muy confiable para decidir si incluir o no un nuevo regresor en la regresión dado que normalmente siempre aumenta a medida que se incorporar más variables explicativas. Alexandra Soberon (UC) ECONOMETRÍA I 15 / 45
16 Regresión a través del origen En ocasiones la teoría económica impone la restricción de que cuando X k = 0 el valor esperado de Y es cero, es decir, β 0 = 0. Por ejemplo, si los ingresos son iguales a cero (X = 0) los impuestos asociados al trabajo también son iguales a cero (Y = 0). Modelo: y i = β 1 x 1i + β 2 x 2i + + β k x ki, i = 1,, n. El estimador MCO minimiza el problema n (y i β j x ji ) 2, j = 1,, k. i=1 Condiciones de primer orden: x ji (y i β j x ji ) = 0 i=1 Alexandra Soberon (UC) ECONOMETRÍA I 16 / 45
17 Regresión a través del origen Estimador MCO: β j = ni=1 x ji y i ni=1 x 2 ji El ajuste MCO ya no satisface las mismas condiciones que en el caso general: û ya no tienen media muestral cero. Si definimos R 2 = 1 SSR/SST entonces R 2 puede ser negativa. Si β 0 0, los estimadores MCO pueden estar sesgados. Alexandra Soberon (UC) ECONOMETRÍA I 17 / 45
18 Regresión simple vs regresión múltiple Regresión simple: ỹ i = β 0 + β 1 x 1i. Regresión múltiple: ŷ i = β 0 + β 1 x 1i + β 2 x 2i. Parcializando obtenemos la siguiente relación β 1 = β 1 ni=1 r 1i x 1i ni=1 r 2 1i + β k ni=1 r 1i x ki ni=1 r 2 1i + β k ni=1 r 1i r 2i ni=1 r 2 1i β 1 = β 1 + β k δ 1. Normalmente, β 1 β 1 aunque existen dos casos en que β 1 = β 1. β 2 = 0: el efecto parcial de X 2 sobre Ŷ es cero. δ 1 : X 1 y X 2 no están correlacionadas en la muestra. Alexandra Soberon (UC) ECONOMETRÍA I 18 / 45
19 Parcialización Objetivo: comparación entre estimación de regresión simple y de regresión múltiple. El modelo lineal general Y = X β + û se puede escribir como Y = X β r r + X β s s + û donde X r y X s son submatrices de dimensión n r y n s, respectivamente. β r es un subvector r 1 que contiene los r primeros parámetros de β y β s es un subvector s 1 que contiene los s = k r restantes de β. Alexandra Soberon (UC) ECONOMETRÍA I 19 / 45
20 Parcialización Sean H y M matrices de proyección (simétrica e idempotente) H = X(X X) 1 X y M = I X(X X) 1 X. Sea la matriz M s = I n X s (X sx s ) 1 X s, multiplicamos el modelo por M s M s Y = M s X β r r + M s X β s s + M s û y dado que M s X s = 0 y Mû = MMY = MY = û, M s Y = M s X β r r + M s û. Alexandra Soberon (UC) ECONOMETRÍA I 20 / 45
21 Parcialización: interpretación Estimador MCO: β r = (X rm sm s X r ) 1 X rm sm s Y = (X rm s X r ) 1 X rm s Y. Considerando el caso en que k = 2, Ŷ = β 0 + β 1 X 1 + β 2 X 2, ni=1 r i1 y i β 1 = ni=1 r i1 2, donde r i1 son los residuos de la regresión estimada X 1 = γ 0 + γ 2 X 2. Interpretación: sólo la parte de x 1i que está incorrelacionada con x 2i está relacionada con y i. Por lo tanto, estamos estimando el efecto de x 1 sobre y después de que x 2 haya sido parcializado. Alexandra Soberon (UC) ECONOMETRÍA I 21 / 45
22 Valores esperados del estimador MCO Supuestos: RLM.1:Linealidad en parámetros: Y = β 0 + β 1 X 1 + β 2 X β k X k + u. RLM.2:Muestreo aleatorio. Usamos un muestreo aleatorio con n observaciones {(x 1i, x 2i,, x ki ) : i = 1, 2,, n} de acuerdo con el modelo poblacional propuesto. Así, y i = β 0 + β 1 x 1i + β 2 x 2i + + β k x ki + u i. RLM.3:No hay multicolinealidad perfecta. Ninguno de los regresores es constentes y tampoco existen relaciones lineales exactas entre las variables independientes. RLM.4:Media condicional cero: E(u x 1, x 2,, x k ) = 0. Así, todas las variables explicativas son exógenas. Alexandra Soberon (UC) ECONOMETRÍA I 22 / 45
23 Valores esperados del estimador MCO Teorema Bajo los supuestos RML.1-RML.4, el estimador MCO β j es insesgado para β j E( β j ) = β j, j = 1,, k, para cualquier valor de los parámetros poblacionales β j. El supuesto clave es RML.3. La propiedad de insesgadez no dice nada sobre el resultado de la estimación. Sólo es una propiedad del método de estimación MCO. Alexandra Soberon (UC) ECONOMETRÍA I 23 / 45
24 Valores esperados del estimador MCO: matricial Supuestos: (A.1) El modelo puede ser escrito como Y = Xβ + u, donde Y es un vector n 1 observado, X es una matriz observada n k y u es un vector n 1 de términos de error no observados. (A.2) La matriz X tiene rango k. (A.3) Cada error v i tiene media cero, condicional a toda la matrix X, E(u i X) = 0. Teorema: Bajo los supuestos (A.1)-(A.3), el estimador MCO β es insesgado para β. E( β) = β Proof: E( β) = β + E X {(X X) 1 X E(u X)}. Alexandra Soberon (UC) ECONOMETRÍA I 24 / 45
25 Estimadores MCO: Inclusión de variables irrelevantes Sobre-especificación del modelo de regresión múltiple: cuando una o más regresores están incluidos en el modelo a pesar de que en la población no tienen efecto parcial en y. Sea Y = β 0 + β 1 X 1 + β 2 X 2 + β 3 X 3, donde X 3 no tiene efecto sobre Y una vez controladas por X 1 y X 2 por lo que β 3 = 0, E(Y X 1, X 2, X 3 ) = E(Y X 1, X 2 ) = β 0 + β 1 X 1 + β 2 X 2. Efectos de la inclusión de variables irrelevantes: Ninguno. E( β 3 ) = β 3 = 0 y el estimador MCO sigue siendo insesgado. Alexandra Soberon (UC) ECONOMETRÍA I 25 / 45
26 Estimadores MCO: Omisión de variables relevantes Cuando omitimos una variable relevante (subespecificamos el modelo) incurrimos en un caso particular de error de especificación. Efecto de la subespecificación: los estimadores MCO normalmente serán sesgados. Por qué? Modelo verdadero: Modelo a estimar: wage i = β 0 + β 1 educ i + β 2 abil i + u i. wage i = β 0 + β 1 educ i + v i, v i = β 2 abil i + u i. Estimador MCO: siendo x 1 = educ, β 1 = ni=1 (x 1i x 1 )y i ni=1 (x 1i x 1 ) 2. Alexandra Soberon (UC) ECONOMETRÍA I 26 / 45
27 Estimadores MCO: Omisión de variables relevantes Reemplazando β 1 en el verdadero modelo y siendo x 2 = abil, n (x 1i x 1 )(β 0 + β 1 x 1i + β 2 x 2i + u i ) i=1 y usando E(u i ) = 0, ó n i=1 E( β 1 ) = β 1 + β (x 1i x 1 )x 2i 2 n i=1 (x 1i x 1 ) 2 E( β 1 ) = β 1 + β 2 δ1, donde δ 1 es el coeficiente de la pendiente de regresión ( x 2 = δ 0 + δ 1 x 1 ) usando la misma muestra. Así, β 1 está sesgado para estimar β 1 : Sesgo( β 1 ) = E( β 1 ) β 1 = β 2 δ 1. Alexandra Soberon (UC) ECONOMETRÍA I 27 / 45
28 Estimadores MCO: Omisión de variables relevantes Existen dos situaciones en las cuales β 1 es insesgado: Si β 2 = 0, por lo que x 2 no aparece en el modelo poblacional. Si δ 1 = 0, es decir, la covarianza muestral entre x 1 y x 2 es cero. Signo del sesgo: Sesgo( β 1 ) = E( β 1 ) β 1 = β 2 δ 2. Corr(x 1, x 2 ) > 0 Corr(x 1, x 2 ) > 0 β 2 > 0 Sesgo positivo Sesgo negativo β 2 < 0 Sesgo negativo Sesgo positivo Alexandra Soberon (UC) ECONOMETRÍA I 28 / 45
29 Estimadores MCO: Omisión de variables relevantes Objetivo: determinar el impacto de la omisión de múltiples regresores en el modelo estimado. Modelo poblacional: Modelo a estimar: Y = X r β r + X s β s + u. Y = X r β r + ɛ, ɛ = X s β s + u. β r = (X r X r ) 1 X r Y β r = (X r X r ) 1 X r [X r β r + X s β s + u] Sesgo por error de especificación: = β r + (X r X r ) 1 X r X s β s + (X r X r ) 1 X r u. E( β r ) = β r + (X rx r ) 1 X rx s β s. }{{} Sesgo Alexandra Soberon (UC) ECONOMETRÍA I 29 / 45
30 Varianza de los estimadores MCO Además de saber que la distribución muestral de β j está centrada, es importante conocer su variabilidad alrededor de β j. Para hallar la varianza debemos añadir el supuesto de homocedasticidad. RLM.5: Homocedasticidad condicional. Dado cualquier valor x para (x 1, x 2,, x k ), el término de error u tiene la misma varianza, es decir, Var(u x 1, x 2,, x k ) = σ 2. Si esto no se cumple, estaríamos en presencia de heterocedasticidad. Los cuatro supuestos sobre la insesgadez (RLM.1-RLM.4) junto con este supuesto de homocedasticidad son conocidos como los supuestos de Gauss-Markov. Alexandra Soberon (UC) ECONOMETRÍA I 30 / 45
31 Varianza de los estimadores MCO Bajo los supuestos RLM.1-5, condicional en los valores de las variables independientes, Var( β j ) = σ 2 SST j (1 Rj 2 j = 1,, k, ), donde Rj 2 es el R 2 de la regresión de x j sobre todos los demás regresores (y el término constante). SST j es la variación total de x j, es decir, n SST j = (x ij x j ) 2. i=1 Alexandra Soberon (UC) ECONOMETRÍA I 31 / 45
32 Varianza MCO: notación matricial E[uu X] = E u 1 u 2. u n ( u 1 u 2 u n ) X = E(u 2 1 X) E(u 1u 2 X) E(u 1 u n X) E(u 1 u 2 X) E(u 2 2 X) E(u 2u n X)... E(u n u 1 X) E(u n u 2 X) E(u 2 n X). Alexandra Soberon (UC) ECONOMETRÍA I 32 / 45
33 Varianza MCO: notación matricial Si asumimos que la varianza del término de error es homocedástica, σ E(uu 0 σ 2 0 X) = = σ σ De este modo, E[uu X] = σ 2 I n, donde I n es una matriz diagonal n n. Alexandra Soberon (UC) ECONOMETRÍA I 33 / 45
34 Varianza MCO: notación matricial Var( β X) [ = E ( β β)( β ] β) X [ ] = E (X X) 1 X uu X(X X) 1 X = (X X) 1 X E(uu X) X(X X) 1 }{{} σ 2 Var( β X) = σ 2 (X X) 1. Alexandra Soberon (UC) ECONOMETRÍA I 34 / 45
35 Varianza de los estimadores MCO Varianza del error, σ 2 : cuando mayor sea σ 2 mayor será Var( β j ). Es una propiedad de la población, no depende de n y es desconocido. Para reducirla es necesario introducir más variables explicativas. Problema: en ocasiones no siempre es deseable ni posible. Varianza total de x j, SST j : cuanto mayor SST j, menor será Var( β j ). Relación lineal entre los regresores: un mayor Rj 2 a una mayor Var( β j ). está asociado Rj 2 1: X j se puede explicar en gran parte por los otros regresores. A una correlación fuerte (pero no perfecta) entre 2 o más regresores se le conoce como multicolinealidad. Esta situación aumenta Var( β j ), como lo hace una muestra pequeña, todo lo demás igual. Alexandra Soberon (UC) ECONOMETRÍA I 35 / 45
36 Varianza en los modelos mal especificados A la hora de decidir si incluir una variable o no en la regresión existe un trade-off entre el sesgo y la varianza. Modelo verdadero: Y = β 0 + β 1 X 1 + β 2 X 2 + u Estimador modelo regresión múltiple: Ŷ = β 0 + β 1 X 1 + β 2 X 2. Estimador modelo regresión simple: Ỹ = β 0 + β 1 X 1. Si β 2 0, β 1 estará sesgado. Desde el punto de vista del sesgo β 1 será preferido. Alexandra Soberon (UC) ECONOMETRÍA I 36 / 45
37 Varianza en los modelos mal especificados Desde el punto de vista de la varianza: Por lo tanto, Var( β 1 ) = Var( β 1 ) = σ 2 SST 1 (1 R 2 1 ) σ 2 SST 1. Var( β 1 ) < Var( β 1 ). Si x 1 y x 2 están correlacionados: Var( β 1 ) = Var( β 1 ). Así, si x 1 y x 2 no están incorrelacionados: Si β 2 0, β 1 es sesgado, β 1 es insesgado y Var( β 1 ) < Var( β 1 ). Si β 2 = 0, β 1 y β 1 son insesgados y Var( β 1 ) < Var( β 1 ). Alexandra Soberon (UC) ECONOMETRÍA I 37 / 45
38 Varianza en modelos mal especificados: matrices Modelo verdadero: Y = X r β r + X s β s + u Modelo a estimar: Y = X r β r + ɛ, ɛ = X s β s + u. Estimador MCO: β r = (X rx r ) 1 X ry Varianza del estimador mal especificado: V ( β r ) = σ 2 (X rm s X r ) 1. Alexandra Soberon (UC) ECONOMETRÍA I 38 / 45
39 Varianza en modelos mal especificados: matrices Varianza del estimador bien especificado: V ( β r ) = E [( β r E( β r ))( β r E( β r )) ] = E [(X rx r ) 1 X ruu X r (X rx r ) 1] = (X rx r ) 1 X r E(uu X r ) X r (X }{{} rx r ) 1 = σ 2 (X rx r ) 1 σ 2 I n Prueba de la varianza del modelo mal especificado: V ( β r ) = E [( β r E( β r ))( β r E( β r )) ] = E [(X rm s X r ) 1 X rm s uu M s X r (X rm s X r ) 1] = (X rm s X r ) 1 X rm s E(uu X r, X s ) M s X r (X }{{} rm s X r ) 1 σ 2 I n = σ 2 (X rm s X r ) 1 X r M s M }{{} s X r (X rm s X r ) 1 = σ 2 (X rm s X r ) 1 M s Alexandra Soberon (UC) ECONOMETRÍA I 39 / 45
40 Varianza en modelos mal especificados: matrices Inversa de las dos varianzas: V ( β r ) 1 V ( β r ) 1 = σ 2 X rx r σ 2 X rm s X r = σ 2 X r[i n M s ]X r = σ 2 X r[x s (X sx s )X s]x r. Esta matriz de diferencias será nula si X sx r = 0. Alexandra Soberon (UC) ECONOMETRÍA I 40 / 45
41 Estimación del error de varianza Hemos visto que σ 2 = E(ui 2 ), por lo que un estimador insesgado de σ 2 es n 1 n i=1 ui 2. Como los errores no son observables, no podemos estimar σ 2. Sin embargo, si podemos utilizar los residuos û i para obtener un estimador de σ 2 σ 2 = SSR n = 1 n ûi 2. n i=1 σ 2 es un estimador sesgado dado que û i satisfacen k + 1 restricciones. El estimador insesgado de σ 2 ajustado por los grados de libertad (n k 1) es σ 2 = 1 n k 1 n i=1 û 2 i = SSR n k 1, Alexandra Soberon (UC) ECONOMETRÍA I 41 / 45
42 Estimador de la varianza del error: notación matricial σ 2 = dado que si M = (X X) 1 X, y û û ni=1 n k = ûi 2 n k, û = MY = M[Xβ + u] = Mu û û = (Mu) Mu = u M Mu = u Mu. Alexandra Soberon (UC) ECONOMETRÍA I 42 / 45
43 Valor esperado de la varianza estimada Bajo los supuestos RLM.1-5, dado que E( σ 2 ) = E ( ) û û = σ 2 n k E(û û) = E(u Mu) = E(tr(u Mu)) = E(tr(Muu )) [ ] = tre(muu ) = tr[me(uu )] = tr M(σ 2 I n ) [ ] = tr σ 2 M = σ 2 trm = σ 2 (n k). Alexandra Soberon (UC) ECONOMETRÍA I 43 / 45
44 Estimación del error de varianza Bajo RLM.1-5, E( σ 2 ) = σ 2. Error estándar de la regresión: σ = σ 2. Desviación estándar de β j : sd( β j ) = Error estándar de β j : se( β j ) = σ [SST j (1 R 2 j )]1/2. σ [SST j (1 R 2 j )]1/2. Alexandra Soberon (UC) ECONOMETRÍA I 44 / 45
45 Teorema de Gauss-Markov Bajo los supuestos RLM.1-5, β 0, β 1,, β k son los estimadores lineales insesgados óptimos de β 0, β 1,, β k, respectivamente, son (ELIOs, también conocido como BLUEs), es decir, el Estimador Lineal Insesgado Óptimo. Entonces, si los supuestos RLM.1-5 se cumplen el estimador MCO es el mejor. Alexandra Soberon (UC) ECONOMETRÍA I 45 / 45
ECONOMETRÍA 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 Múltiple: Estimación
Análisis de Regresión Múltiple: Estimación Carlos Velasco 1 1 Departamento de Economía Universidad Carlos III de Madrid Econometría I Máster en Economía Industrial Universidad Carlos III de Madrid Curso
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 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 detallesPROPIEDADES 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 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 detallesEstadística y sus aplicaciones en Ciencias Sociales 7. El modelo de regresión simple. Facultad de Ciencias Sociales - UdelaR
Estadística y sus aplicaciones en Ciencias Sociales 7. El modelo de regresión simple Facultad de Ciencias Sociales - UdelaR Índice 7.1 Introducción 7.2 Análisis de regresión 7.3 El Modelo de Regresión
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 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 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 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 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 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 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 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 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 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 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 detallesECONOMETRÍA I. Tema 5: Análisis de regresión múltiple con información cualitativa
ECONOMETRÍA I Tema 5: Análisis de regresión múltiple con información cualitativa Patricia Moreno Juan Manuel Rodriguez Poo Alexandra Soberon Departamento de Economía Alexandra Soberon (UC) ECONOMETRÍA
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 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 detallesGUIÓN TEMA 2. PROPIEDADES DE LOS ESTIMADORES MCO 2.1 PROPIEDADES ESTADÍSTICAS DEL ES- TIMADOR MCO DE.
ECONOMETRIA I. Departamento de Fundamentos del Análisis Económico Universidad de Alicante. Curso 011/1 GUIÓN TEMA. PROPIEDADES DE LOS ESTIMADORES MCO Bibliografía apartados.1,. y.3: Greene, 6.6.1, 6.6.3
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 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 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 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 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 detallesExamen de Introducción a la Econometría 8 de septiembre de 2008
NOMBRE DNI: GRUPO Firma: MODELO 1: SOLUCIONES Examen de Introducción a la Econometría 8 de septiembre de 008 Sólo una respuesta es válida. Debe justificar la respuesta de cada pregunta en el espacio que
Más detallesEconometria de Datos en Paneles
Universidad de San Andres Agosto de 2011 Porque paneles? Ejemplo (Cronwell y Trumbull): Determinantes del crimen y = g(i), y = crimen, I = variables de justicia criminal. Corte transversal: (y i, I i )
Más detallesMÍNIMOS CUADRADOS GENERALIZADOS
Métodos Estadísticos para Economía y Gestión (IN540-2) Otoño 2008 - Semestre I, Parte II Universidad de Chile Departamento de Ingeniería Industrial Profesor: Mattia Makovec (mmakovec@dii.uchile.cl) Auxiliar:
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 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 detallesTema 2. Heterocedasticidad. 1 El modelo de regresión lineal con errores heterocedásticos
ema 2. Heterocedasticidad. El modelo de regresión lineal con errores heterocedásticos En este tema vamos a analizar el modelo de regresión lineal Y t = X tβ + u t, donde X t = (X t, X 2t,.., X kt y β =
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 detallesEstimación MCO, MCI en Modelos de Ecuaciones Simultáneas
Estimación MCO, MCI en Modelos de Ecuaciones Simultáneas Economía Aplicada III (UPV/EHU) OCW 2013 Contents 1 Estimación MCO de la Forma Estructural 2 3 4 Estimador MCO de la FE Consideremos la -ésima ecuación
Más detallesMÓDULO X. LA DINÁMICA DE LA ECONOMÍA MUNDIAL PROGRAMA OPERATIVO MATEMÁTICAS ECONOMETRÍA I. Profesor: Noé Becerra Rodríguez.
MÓDULO X. LA DINÁMICA DE LA ECONOMÍA MUNDIAL PROGRAMA OPERATIVO MATEMÁTICAS ECONOMETRÍA I Profesor: Noé Becerra Rodríguez Objetivo general: Introducir los aspectos fundamentales del proceso de construcción
Más detallesECONOMETRIA. Tema 3: El modelo de regresión lineal múltiple. César Alonso. Universidad Carlos III de Madrid
ECONOMETRIA Tema 3: El modelo de regresión lineal múltiple César Alonso Universidad Carlos III de Madrid César Alonso (UC3M) ECONOMETRIA. Tema 3 1 / 101 Introducción En la mayoría de las relaciones económicas
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 II. Hoja de Problemas 1
Econometría II. Hoja de Problemas 1 Nota: En todos los contrastes tome como nivel de significación 0.05. 1. SeanZ 1,...,Z T variables aleatorias independientes, cada una de ellas con distribución de Bernouilli
Más detallesObligatoria Optativa Extracurricular Curso Seminario Taller. Clave seriación 45 Laboratorio. Horas prácticas de campo
Carta descriptiva Datos de identificación Programa Nombre de la asignatura Tipo de Asignatura Maestría en Economía Aplicada Econometría I Ciclo Primer semestre Obligatoria Optativa Extracurricular Curso
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 detallesSesgo y varianza del estimador de la razón. con el problema de presición vs. sesgo que ya discutimos. t y. ˆt x
Sesgo y varianza del estimador de la razón A diferencia de los estimadores lineales vistos en las clases anteriores, los estimadores de la razón son usualmente sesgados. La varianza, comunmente más reducida,
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 detallesFormulación matricial del modelo lineal general
Formulación matricial del modelo lineal general Estimadores MCO, propiedades e inferencia usando matrices Mariana Marchionni marchionni.mariana@gmail.com Mariana Marchionni Formulación matricial del modelo
Más detallesECONOMETRÍA I. Tema 1: La naturaleza de la econometría y los datos econométricos
ECONOMETRÍA I Tema 1: La naturaleza de la econometría y los datos econométricos Patricia Moreno Juan Manuel Rodriguez Poo Alexandra Soberon Departamento de Economía Alexandra Soberon (UC) ECONOMETRÍA I
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 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 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 detallesSe permite un folio escrito por las dos caras. Cada problema se realiza en hojas diferentes y se entregan por separado.
NORMAS El examen consta de dos partes: 0.0.1. Diez Cuestiones: ( tiempo: 60 minutos) No se permite ningún tipo de material (libros, apuntes, calculadoras,...). No se permite abandonar el aula una vez repartido
Más detallesEconomía Aplicada. Regresión Lineal. Basado en Stock y Watson (cap.4-6), Wooldridge (cap.3-5)
Economía Aplicada Regresión Lineal Basado en Stock y Watson (cap.4-6), Wooldridge (cap.3-5) Outline 1 Modelo de Regresión Lineal Simple Introducción Supuestos Interpretación de los coeficientes 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 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 detallesGráfico 1: Evolución del exceso de rentabilidad de la empresa y de la cartera de mercado
Caso 1: Solución Apartado a) - 2 0 2 4 6 0 2 0 4 0 6 0 8 0 1 0 0 p e r i o d E x c e s s r e t u r n, c o m p a n y a e x c e s s r e t u r n m a r k e t p o r t f o l i o Gráfico 1: Evolución del exceso
Más detallesInformación sobre Gastos de Consumo Personal y Producto Interno Bruto ( ) en miles de millones de dólares de 1992.
Universidad Nacional Autónoma de Nicaragua UNAN-Managua Curso de Análisis y Diseño de Modelos Econométricos Profesor: MSc. Julio Rito Vargas Avilés. Participantes: Docentes /FAREM-Carazo Encuentro No.4
Más detallesECONOMETRIA. Tema 5: ERRORES DE ESPECIFICACIÓN. César Alonso UC3M. César Alonso (UC3M) ECONOMETRIA. Tema 5 1 / 35
ECONOMETRIA Tema 5: ERRORES DE ESPECIFICACIÓN César Alonso UC3M César Alonso (UC3M) ECONOMETRIA. Tema 5 1 / 35 Introducción Hemos visto que el estimador MCO tiene buenas propiedades bajo los supuestos
Más detallesRegresión lineal. Marcelo Rodríguez Ingeniero Estadístico - Magíster en Estadística
Regresión lineal Marcelo Rodríguez Ingeniero Estadístico - Magíster en Estadística Universidad Católica del Maule Facultad de Ciencias Básicas Pedagogía en Matemática Estadística I 01 de enero de 2012
Más detallesTema 1. El Modelo de Regresión Lineal con Regresores Aleatorios.
ema El Modelo de Regresión Lineal con Regresores Aleatorios Introducción En este tema vamos a analizar las propiedades del modelo de regresión lineal con regresores aleatorios Suponer que los regresores
Más detalles7. REGRESIÓN POR MÍNIMOS CUADRADOS: REGRESIÓN POLINOMIAL. Jorge Eduardo Ortiz Triviño
7. REGRESIÓN POR MÍNIMOS CUADRADOS: REGRESIÓN POLINOMIAL Jorge Eduardo Ortiz Triviño jeortizt@unal.edu.co http:/www.docentes.unal.edu.co/jeortizt/ Introducción Los datos frecuentemente son dados para valores
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 detallesMínimos Cuadrados Generalizados
Tema 2 Mínimos Cuadrados Generalizados 2.1. Modelo de regresión con perturbaciones no esféricas En el tema de Mínimos Cuadrados Generalizados vamos a relajar dos de las hipótesis básicas sobre la perturbación.
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 detallesRegresión Lineal Múltiple
Universidad Nacional Agraria La Molina 2011-2 Efectos de Diagnósticos de Dos predictores X 1 y X 2 son exactamente colineales si existe una relación lineal tal que C 1 X 1 + C 2 X 2 = C 0 para algunas
Más detallesEconometría III Examen. 29 de Marzo de 2012
Econometría III Examen. 29 de Marzo de 2012 El examen consta de 20 preguntas de respuesta múltiple. El tiempo máximo es 1:10 minutos. nota: no se pueden hacer preguntas durante el examen a no ser que sean
Más detalles2. Modelos con regresores endógenos
. Introducción ema 3. Regresores Endógenos. Bibliografía: Wooldridge, 5., 5.4 y 6.2 En este tema vamos a estudiar el modelo lineal con regresores potencialmente endógenos. Veremos primero las consecuencias
Más detallesCAPÍTULO 7 EL MODELO CON PERTURBACIONES NO ESFERICAS. ESTIMACION POR MINIMOS CUADRADOS GENERALIZADOS
Fichero: capitulo 7 CAPÍTULO 7 EL MODELO CON PERTURBACIONES NO ESFERICAS. ESTIMACION POR MINIMOS CUADRADOS GENERALIZADOS. MATRIZ DE COVARIANZAS DE LAS PERTURBACIONES NO ESCALAR. HETEROCEDASTICIDAD Y AUTOCORRELACION
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 detallesEstadística para la Economía y la Gestión IN 3401 Clase 5
Estadística para la Economía y la Gestión IN 3401 Clase 5 21 de octubre de 2009 1 Variables Dummies o cualitativas 2 Omisión de Variables Relevantes Impacto sobre el Insesgamiento Impacto sobre la Varianza
Más detallesEstimación MC2E, MVIL en Modelos de Ecuaciones Simultáneas
Estimación MC2E, MVIL en Modelos de Ecuaciones Simultáneas Economía Aplicada III (UPV/EHU) OCW 2013 Contents 1 Mínimos Cuadrados en 2 Etapas 2 Mínimos Cuadrados en 2 Etapas El método de Mínimos Cuadrados
Más detallesTema 3.1: Modelo lineal general: hipótesis y estimación. Universidad Complutense de Madrid 2013
ema 3.1: Modelo lineal general: hipótesis y estimación Universidad Complutense de Madrid 2013 Introducción El objetivo es especificar y estimar un Modelo Lineal General (MLG) en donde una variable de interés
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 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 detallesEXAMEN DE ESTADÍSTICA II Junio de 2002 SOLUCIÓN (tiempo:100 minutos)
EXAMEN DE ESTADÍSTICA II Junio de 2002 SOLUCIÓN (tiempo:100 minutos) PROBLEMA 1 Se quiere comparar la cantidad de energía necesaria para realizar 3 ejercicios o actividades: andar, correr y montar en bici.
Más detallesEstadística Actuarial: Regresión Lineal
Estadística Actuarial: Regresión Lineal ISBN: 978-84-691-9178-1 Mª Victoria Esteban González 03-08 Estadística Actuarial: Regresión Lineal M a Victoria Esteban González Departamento de Economía Aplicada
Más detallesRegresión Lineal. Rodrigo A. Alfaro. Rodrigo A. Alfaro (BCCh) Regresión Lineal / 16
Regresión Lineal Rodrigo A. Alfaro 2009 Rodrigo A. Alfaro (BCCh) Regresión Lineal 2009 1 / 16 Contenidos 1 Regresiones Lineales Regresión Clásica Paquetes estadísticos 2 Estadísticos de Ajuste Global 3
Más detallesUNIVERSIDAD NACIONAL DE LA PLATA FACULTAD DE CIENCIAS NATURALES Y MUSEO CÁTEDRA DE ESTADÍSTICA CLASE ESPECIAL. Tema:
UNIVERSIDAD NACIONAL DE LA PLATA FACULTAD DE CIENCIAS NATURALES Y MUSEO CÁTEDRA DE ESTADÍSTICA CLASE ESPECIAL Tema: Correlación múltiple y parcial. Ecuaciones y planos de regresión La Plata, septiembre
Más detallesPrácticas Tema 5. Ampliaciones del Modelo lineal básico
Prácticas Tema 5. Ampliaciones del Modelo lineal básico Ana J. López y Rigoberto Pérez Dpto. Economía Aplicada, Universidad de Oviedo PRÁCTICA 5.1. Se ha examinado la evolución reciente de las ventas de
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 detallesHoja de Ejercicios 3 El modelo de regresión lineal múltiple
Hoja de Ejercicios 3 El modelo de regresión lineal múltiple Nota: En aquellos ejercicios en los que se incluyen estimaciones y referencia al archivo de datos utilizado, el estudiante debería comprobar
Más detallesTema 5. Muestreo y distribuciones muestrales
1 Tema 5. Muestreo y distribuciones muestrales En este tema: Muestreo y muestras aleatorias simples. Distribución de la media muestral: Esperanza y varianza. Distribución exacta en el caso normal. Distribución
Más detallesEl modelo Lineal General
El Lineal General Román Salmerón Gómez Universidad de Granada RSG El lineal uniecuacional múltiple 1 / 68 Estimación del Validación del Explotación del Estimación del Validación del Explotación del RSG
Más detallesCAPÍTULO 4 PROBLEMAS DE ADECUACIÓN MODELO-REALIDAD (I) ERRORES DE ESPECIFICACIÓN
Fichero: capitulo 4 CAPÍTULO 4 PROBLEMAS DE ADECUACIÓN MODELO-REALIDAD (I) ERRORES DE ESPECIFICACIÓN. TIPOS DE ERRORES DE ESPECIFICACIÓN La construcción de un modelo econométrico está sujeta en la práctica
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 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 detallesT6. Modelos multiecuacionales
T6. Modelos multiecuacionales Ana J. López y Rigoberto Pérez Dpto Economía Aplicada. Universidad de Oviedo Curso 2010-2011 Curso 2010-2011 1 / 41 Índice 1 Los modelos multiecuacionales: SUR y SEM 2 Modelos
Más detallesEjercicio Heterocedasticidad_2
Ejercicio heterocedasticidad 2. 1 Ejercicio Heterocedasticidad_2 Tengamos los siguientes datos de los beneficios (B i ) y ventas (V i ) de 20 empresas: obs B V 1 13,2 61 2 15 78 3 22,2 158 4 15,2 110 5
Más detallesFunciones de Regresión No Lineales (SW Cap. 6)
Funciones de Regresión No Lineales (SW Cap. 6) Todo anteriormente ha sido lineal en las X s La aproximación de que la función de regresión es lineal puede ser satisfactoria para algunas variables pero
Más detallesRepaso de estadística básica. Juan D. Barón Santiago de Chile, 8 de abril de 2013
Repaso de estadística básica Juan D. Barón Santiago de Chile, 8 de abril de 2013 1 I. CONCEPTOS ESTADÍSTICOS BÁSICOS 2 Las decisiones se toman bajo incertidumbre Las decisiones se basan en información
Más detallesTEMA VI: EL MODELO DE REGRESIÓN LINEAL MÚLTIPLE
ESADÍSICA II EMA VI: EL MODELO DE REGRESIÓN LINEAL MÚLIPLE VI.1.- Introducción. VI..- Hipótesis básicas del modelo de regresión lineal múltiple. VI.3.- El estimador mínimo cuadrático ordinario del modelo
Más detallesTEMA 3: Contrastes de Hipótesis en el MRL
TEMA 3: Contrastes de Hipótesis en el MRL Econometría I M. Angeles Carnero Departamento de Fundamentos del Análisis Económico Curso 2011-12 Econometría I (UA) Tema 3: Contrastes de Hipótesis Curso 2011-12
Más detallesDiplomado en Estadística Aplicada
Diplomado en Estadística Aplicada Con el propósito de mejorar las habilidades para la toma de decisiones, la División de Estudios de Posgrado de la Facultad de Economía ha conjuntado a profesores con especialidad
Más detallesSe trata de: Explicar el comportamiento de una variable dependiente ( Y ) en función de otras variables ( i ) 2 Investigar si las variables están asoc
4 ASOCIACION ENTRE VARIABLES En la investigación estadística- y en lo fundamental aquella relacionada a variables socioeconómicas-, es común encontrar variables relacionadas o asociadas Estadísticamente
Más detallesCapítulo 6 Multicolinealidad Luis Quintana Romero. Econometría Aplicada Utilizando R
Capítulo 6 Multicolinealidad Luis Quintana Romero Objetivo Identificar la multicolinealidad en un modelo econométrico, así como las pruebas de detección de la multicolinealidad y correcciones. Introducción
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 detallesEjercicio 5. Pilar González y Susan Orbe. Dpto. Economía Aplicada III (Econometría y Estadística)
Ejercicio 5 Estimación del Modelo de Regresión Lineal General Pilar González y Susan Orbe Dpto. Economía Aplicada III (Econometría y Estadística) Pilar González y Susan Orbe OCW 2013 Ejercicio 5 Estimación
Más detalles7. ANÁLISIS DE VARIABLES CUANTITATIVAS: REGRESIÓN LINEAL SIMPLE
ESCUELA UNIVERSITARIA DE ENFERMERIA DE TERUEL 1 er CURSO DE GRADO DE ENFERMERIA Estadística en Ciencias de la Salud 7. ANÁLISIS DE VARIABLES CUANTITATIVAS: REGRESIÓN LINEAL SIMPLE PROFESOR Dr. Santiago
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 detallesEstadísticas II. M. en E. M. Milagros Eugenia Faci. 15 de julio de 2010
2010 Estadísticas II M. en E. M. Milagros Eugenia Faci 15 de julio de 2010 2 Estadísticas II CONTENIDO UNIDAD III. CORRELACIÓN Y REGRESIÓN...3 III.1 CARACTERÍSTICAS DE UNA CORRELACIÓN...3 METODO DE MÍNIMOS
Más detallesENUNCIADOS DE PROBLEMAS
UNIVERSIDAD CARLOS III DE MADRID ECONOMETRÍA I 22 de Septiembre de 2007 ENUNCIADOS DE PROBLEMAS Muy importante: Tenga en cuenta que algunos resultados de las tablas han podido ser omitidos. PROBLEMA 1:
Más detallesModelo de Regresión Lineal Múltiple
Tema 3 Modelo de Regresión Lineal Múltiple Contenido 3.1. Introducción. Un ejemplo...................... 52 3.2. Estimación de Mínimos Cuadrados Ordinarios utilizando Gretl. 54 3.3. Análisis de los resultados
Más detallesRegresión Lineal. 15 de noviembre de Felipe Bravo Márquez
Felipe José Bravo Márquez 15 de noviembre de 2013 Introducción Un modelo de regresión se usa para modelar la relación de una variable dependiente y numérica con n variables independientes x 1, x 2,...,
Más detalles