El problema de la endogeneidad Variables proxy Variables instrumentales STATA. Endogeneidad. Gabriel Montes-Rojas
|
|
- Martín Marín Cáceres
- hace 7 años
- Vistas:
Transcripción
1 Gabriel V. Montes-Rojas
2 El problema de la endogeneidad Una variable es endógena si Cov(x j, error) = 0. Una variable es exógena si Cov(x j, error) = 0. Consideremos el modelo log(wage) = β 0 + β 1 educ + β 2 exper + β 3 abil + v Nuestro interés es estimar β 1 y β 2. Sin embargo, abil no se puede observar. Por ello obtendríamos estimadores sesgados (ver variables omitidas). En la práctica solo podemos estimar este modelo: donde u β 3 abil + v. log(wage) = γ 0 + γ 1 educ + γ 2 exper + u En este caso podemos argumentar que: Cov(educ, u) = 0, Cov(exper, u) = 0.
3 El problema de la endogeneidad Consideremos un modelo estructural general: y = β 0 + β 1 x 1 + β 2 x β K x K + γq + v, E (v x 1, x 2,..., x K, q) = 0. Supongamos que q es no observable. Entonces forma parte del error. Asumamos sin pérdida de generalidad que E (q) = 0 (como hay un intercepto no es ningún problema) y = β 0 + β 1 x 1 + β 2 x β K x K + u, u γq + v. Ahora consideremos la proyección de q en x como q = δ 0 + δ 1 x δ K x K + r, donde por definición E (r) = 0, Cov(x j, r) = 0, j = 1, 2,..., K. Entonces, y = (β 0 + γδ 0 ) + (β 1 + γδ 1 )x 1 + (β 2 + γδ 2 )x (β K + γδ K )x K + u, plim ˆβ j = β j + γδ j, j = 1, 2,..., K.
4 Errores en la medición Los problemas de endogeneidad abarcan otros casos. Por ejemplo supongamos que el modelo verdadero es y = x β + u, u iid(0, σ 2 u I) Asumamos que observamos x con errores y lo que observamos es x tal que x = x + ν, ν iid(0, ω 2 I). El vector ν es un vector de errores que se asume independiente de x y u (un supuesto fuerte). Sustituyendo x ν por x tenemos y = x β νβ + u = x β + u donde u u νβ. Notemos que u no es independiente de x porque ( E x u ) = E ( (x + ν) (u νβ) ) = Nω 2 β. Así, errores de medición (measurement errors) en las variables explicativas se puede ver como un problema de endogeneidad. Si asumimos que β > 0, el error u esta correlacionado en forma negativa con x. Esto se llama sesgo de atenuación (attenuation bias), ˆβ p β Nω 2 [E (x x )] 1 β.
5 Soluciones El problema de la endogeneidad Hay 3 posibles soluciones: 1 Medir la variable no observada. 2 Encontrar una variable proxy. 3 Encontrar una variable instrumental.
6 El problema de la endogeneidad Consideremos el modelo Tomemos x = (educ, exper). log(wage) = β 0 + β 1 educ + β 2 exper + β 3 abil + u Una potencial variable proxy para abil es IQ. La variable proxy debería satisfacer lo siguiente: 1 abil = δ 0 + δ 3 IQ+v 3, donde v 3 no esta correlacionado con educ, exper y IQ. 2 u no esta correlacionado con educ, exper y abil. Otra forma de expresarlo es E (lwage x, abil, IQ) = E (lwage x, abil), y decimos que la proxy es irrelevante para explicar los salarios una vez que las variables observables x y la variable abil son usadas. Entonces podemos estimar y = (β 0 + β 3 δ 0 ) + β 1 educ + β 2 exper + β 3 δ 3 IQ + u + β 3 v 3.
7 Ejemplo: IQ como proxy para abilidad use clear reg lwage educ exper tenure married south urban black reg lwage educ exper tenure married south urban black IQ gen educiq=educ*iq reg lwage educ exper tenure married south urban black IQ educiq Variables (1) (2) (3) educ (.006) (.007) (.041) exper (.002) (.002) (.003) tenure (.002) (.002) (.002) married (.039) (.039) (.039) south (.026) (.026) (.026) urban (.027) (.027) (.027) black (.038) (.039) (.040) IQ (.0010) (.0052) educiq (.00038)
8 Sesgo potencial usando una proxy: proxy imperfecta Asumamos por el contrario que abil = δ 0 + δ 1 educ + δ 2 exper + δ 3 IQ + v 3 y = (β 0 + β 3 δ 0 ) + (β 1 + β 3 δ 1 )educ +(β 2 + β 3 δ 2 )exper + β 3 δ 3 IQ + u + β 3 v 3 En este caso, IQ se define como una variable proxy imperfecta. Como puede verse MCO con proxy imperfecta tiene sesgo.
9 Consideremos la siguiente regresión: y = β 0 + β 1 x + u donde Cov(x, u) = 0 (o sea, x is endógena) Una variable instrumental (VI) z debería satisfacer: 1 No estar correlacionada con el error: Cov(z, u) = 0 2 Estar correlacionada con la variable endógena: Cov(x, z) = 0
10 Cómo podríamos estimar β 1 usando z? Notar que Por qué? β 1 = Cov(z, y) Cov(z, x) Cov(z, y) = Cov(z, β 0 + β 1 x + u) = Cov(z, β 0 ) + Cov(z, β 1 x) + Cov(z, u)
11 VI como un estimador en dos etapas Consideremos la regresión simple y = β 0 + β 1 x + u, donde Cov(x, u) = 0. Consideremos la siguiente regresión auxiliar (etapa 1): x = γ 0 + γ 1 z + r. Construir los valores predecidos ˆx γ 0 + γ 1 z. Notemos que x = ˆx + r and γ 1 = Cov(x,z) Var(z). Notemos que ˆx no esta correlacionado con r (por construcción) y también Cov( ˆx, u) = 0. Consideremos otra regresión (etapa 2): y = β 0 + β 1 ( ˆx + r) + u = β 0 + β 1 ˆx + v, donde v r + u y Cov( ˆx, v) = Cov( ˆx, r + u) = 0. Entonces, ( ) Cov(y, ˆx) ˆβ VI 1 = = Cov y, Cov(x,z) Var(z) ( ) z = β Var( ˆx) Cov(x,z) 1. Var Var(z) z
12 en regresión múltiple Consideremos el modelo y = β 1 x 1 + β 2 x β K x K + u donde Cov(x K, u) = 0 (o sea, x K es endógena) y Cov(x j, u) = 0, j = 1, 2,..., K 1 (el resto son exógenas, incluyendo una constante x 1 = 1). Una variable instrumental z debe satisfacer dos condiciones: 1 No estar correlacionada con el error: Cov(z, u) = 0 2 Estar correlacionada con la vriable endógena. Más formalmente, consideremos la proyección lineal de x K en todas las variables exógenas: x K = δ 1 x δ K 1 x K 1 + θz + r K, donde por definición E (r K ) = 0 y r K no está correlacionado con x 1, x 2,..., x K 1. El supuesto importante es que θ = 0.
13 Identificación de VI El problema de la endogeneidad Consideremos el modelo de regresión y = xβ + u. Definamos z (x 1,..., x K 1, z), como el vector de todas las variables exógenas. Hay entonces K condiciones de ortogonalidad: E (z u) = 0. Multiplicamos el modelo de regresión por z, y tomando esperanzas [E (z x)]β = E (z y), donde E (z x) es una matriz K K y E (z y) es K 1. Este sistema tiene una única solución si y sólo si la primera matriz tiene rango K, entonces β = [E (z x)] 1 E (z y). El estimador de variables instrumentales de β es ( ) 1 ( ) ˆβ VI = N 1 N z i x i i=1 N 1 N z i y i i=1 = (Z X) 1 (Zy)
14 Muchos instrumentos Cuando hay más de un instrumento (M, z 1, z 2,..., z M ) el estimador más eficiente es el de mínimos cuadrados en dos etapas (two-stage least squares, 2SLS): ( ) 1 ( ) ˆβ 2SLS = N 1 N ˆx i x i i=1 N 1 N ˆx i y i i=1 = ( ˆX X) 1 ( ˆXy) donde x K = δ 1 x δ K 1 x K 1 + θ 1 z θ M z M + r K ˆx K = ˆδ 1 x ˆδ K 1 x K 1 + ˆθ 1 z ˆθ M z M Notemos que ˆX = Z(Z Z) 1 Z X = P Z X, es una proyección de x en el espacio de z (x 1,..., x K 1, z 1,..., z M ), donde P Z es la matriz de proyección. Entonces, ˆX ˆX = ˆX X. Así el estimador 2SLS es un estimador de MCO donde ˆx se usa en vez de x. O sea, ˆβ2SLS = ( ˆX ˆX) 1 ( ˆXy)
15 Supuestos para identificación y consistencia de 2SLS Supuesto 2SLS.1: Para un vector 1 L z, E (z u) = 0. Supuesto 2SLS.2: (a) rango E (z z) = L; (b) rango E (z x) = K. Una condición necesaria para estas condiciones es que L K, o sea, más instrumentos que variables endógenas.
16 Identificación El problema de la endogeneidad Identificación: Si asumimos que E(z z) es no singular definamos la proyección x = zπ, donde Π = [E (z z)] 1 E (z x) es una matriz L K. Multiplicando por x, y tomando esperanzas tenemos E (x y) = E (x x)β + E (x u) = E (x x)β Así β esta identificado por β = [E (x x)] 1E (x y). Para esto necesitamos que E (x x ) sea no singular. Pero E (x x) = E (Π z x) = E (x z)[e (z z)] 1 E (z x) Entonces esta matriz es no singular si E(z x) tiene rango K (Supuesto 2SLS.2b). Para esto también necesitamos E (z z) no singular y entonces con rango L (Supuesto 2SLS.2a).
17 Consistencia de 2SLS ( ) ( ) 1 ( ˆβ 2SLS = N 1 N x i z i N 1 N z i z i N 1 N 1 z i x i i=1 i=1 i=1 ( ) ( ) 1 ( ) N 1 N x i z i i=1 N 1 N z i z i i=1 N 1 N z i y i i=1 Consistencia: Bajo los Supuestos 2SLS.1 y 2SLS.2, plim ˆβ 2SLS = β. Prueba: Ley de los grandes números y teorema de Slutsky.
18 Normalidad asintótica de 2SLS Supuesto 2SLS.3: E (u 2 z z) = σ 2 E (z z), donde σ 2 = E (u 2 ). Normalidad asintótica: Bajo los supuestos 2SLS.1, 2SLS.2 y 2SLS.3, N( ˆβ2SLS β) d N ( 0, σ 2 ([E (x z)][e (z z)] 1 [E (z x)]) ).
19 Contrastes para endogeneidad El estimador de 2SLS es menos eficiente (mayor varianza) que MCO con variable enxógenas. La estimación de modelos 2SLS es más demandante en términos computacionales. Entonces es importante chequear primero si hay endogeneidad para evitar usar un estimator ineficiente innecesariamente. Tomemos el modelo y 1 = β 0 + β 1 y 2 + β 2 z 1 + β 3 z 2 + u donde y 2 es (potencialmente) endógena; z 1 and z 2 son variables explicativas exógenas; z 3 and z 4 son IV. Para contrastar por endogeneidad: 1 y 2 = π 0 + π 1 z 1 + π 2 z 2 + π 3 z 3 + π 4 z 4 + v 2 y construir los residuos ˆv 2 2 y 1 = β 0 + β 1 y 2 + β 2 z 1 + +β 3 z 2 + δ 1 ˆv 2 + error 3 Contrastar por la significancia estadística de ˆv 2, H 0 : δ 1 = 0. 4 Si rechazamos la hipótesis nula entonces hay evidencia que u y v 2 están correlacionados y y 2 es endógena.
20 Contrastes para endogeneidad Consideremos ahora el contraste de Durbin-Wu-Hausman (DWH) que esta basado en la comparación de ˆβ 2SLS y ˆβ OLS. (La misma idea se ve en datos en panel para comparar RE y FE.) Bajo la hipótesis nula de exogeneidad, H 0 : E (x u) = 0. Entonces, 1 Ambos estimadores son consistentes para β. 2 Entonces la hipótesis nula se puede redefinir con H 0 : ˆβ2SLS = ˆβ OLS. 3 Bajo H 0 (y asumiendo homoscedasticidad) Avar[ N( ˆβ 2SLS ˆβ OLS )] = σ 2 ( [E (x x )] 1 [E (x x] 1). 4 Dado que MCO es más eficiente, entonces la varianza es definida semipositiva. 5 En particular, DWH = ( ˆβ 2SLS ˆβ OLS ) [( ˆX ˆX) 1 (X X)]( ˆβ 2SLS ˆβ OLS )/ˆσ 2 a χ 2 L K
21 Contraste para la validez de los instrumentos Requerimiento importante: Necesitamos más variables instrumentales que variables endógenas. 1 Supongamos que en el modelo anterior usamos 2SLS con z 3 como la única variable instrumental. 2 Computar û 3 = y 1 ˆβ 0 ˆβ 1 y 2 ˆβ 2 z 1 ˆβ 3 z 2. 3 Correr la regresión auxiliar û 3 = δ 0 + ˆδ 1 z 1 + ˆδ 2 z 2 + δ 4 z 4. 4 Chequer la significancia de z 4. 5 Esto nos da un contraste válido para la validez de z 4 como VI. Pero tenemos que asumir que z 3 es una VI válida.
22 Contraste para la validez de los instrumentos Contraste de Sargan-Hausman 1 Si tenemos más VIs que variables endógenas, entonces el modelo esta sobre-identificado (over-identified). 2 Consideremos H 0 : todas las VIs son exgógenas. Si rechazamos entonces alguna de las VIs es endgógena. 3 Estimar el modelo con todos las VIs usando 2SLS. Obtener los residuos û. 4 Correr la regresión de û en TODAS las variables exógenas (VIs, X exógenas, constante). 5 Computar NR 2 u a χ 2 L K, donde R2 u es el de la última regresión.
23 VI en El problema de la endogeneidad Asumamos que x1 is (potentialmente endógena y x2 is exógena. Asumamos la existencia de 2 VI: z1, z2 ivregress 2sls y (x1=z1 z2) x2 ivregress 2sls y (x1=z1 z2) x2, first (para que muestre la primera etapa) estat firststage (significancia de los instrumentos - necesitamos F > 10) También podemos usar reg x1 z1 z2 y test z1 z2 estat overid (validez de los instrumentos) estat endogenous (exogeneidad de todas las variables)
24 VI en El problema de la endogeneidad Para entender VI se puede correr un estimador en dos etapas a mano para reproducir ivreg y (x1=z1 z2) x2 Los mismos coeficientes se pueden obtener con reg x1 z1 z2 x2 predict x1hat reg y x1hat x2 Notar que los errores estándar son diferentes. Por qué?
25 Ejemplos de Wooldridge
2. 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 detallesEconomía Aplicada. Variables Instrumentales. Basado en Stock y Watson (cap.12), Wooldridge (cap. 15) y Angrist y Pischke (cap. 4)
Economía Aplicada Variables Instrumentales Departamento de Economía Universidad Carlos III de Madrid Basado en Stock y Watson (cap.12), Wooldridge (cap. 15) y Angrist y Pischke (cap. 4) Modelos de Regresión
Más detallesRegresión con variables instrumentales
Regresión con variables instrumentales Tema 9 Introducción Cuando el supuesto de exogeneidad no se cumple, los estimadores MCO son sesgados e inconsistentes El método de Variables Instrumentales (VI) permite
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 detallesInferencia y Especificación en Modelos de Ecuaciones Simultáneas
Inferencia y Especificación en Modelos de Ecuaciones Simultáneas Economía Aplicada III (UPV/EHU) OCW 2013 Contenidos 1 Inferencia con estimadores de información limitada Contrastes de restricciones con
Más detallesPropiedades Asintóticas y Simulación en gretl
Propiedades Asintóticas y Microeconomía Cuantitativa R. Mora Departmento of Economía Universidad Carlos III de Madrid R. Mora MicCua: Propiedades asintóticas y Esquema 1 Resultados asintóticos para estimadores
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 detallesModelos Lineales para Datos en Paneles. Walter Sosa Escudero. Banco Central de Chile
Modelos Lineales para Datos en Paneles Walter Sosa Escudero. Banco Central de Chile. 2006. - 1 - Datos en paneles Una base de datos en panel contiene informacion para varios individuos (empresas, paises,
Más detallesEXAMEN EXTRAORDINARIO DE ECONOMETRÍA Universidad Carlos III de Madrid Junio 2016
EXAMEN EXTRAORDINARIO DE ECONOMETRÍA Universidad Carlos III de Madrid Junio 2016 Responda a las 4 preguntas en dos horas y media. 1. Se está llevando a cabo una investigación econométrica sobre los precios
Más detallesSoluciones Examen Final de Econometría Universidad Carlos III de Madrid 26 de Mayo de 2015
Soluciones Examen Final de Econometría Universidad Carlos III de Madrid 26 de Mayo de 2015 Conteste todas las preguntas en dos horas y media. Pregunta 1 (33 puntos: Un investigador está considerando las
Más 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 detallesEconometria I. Tema 4: Problemas de Especi cación y los Datos. Universidad Carlos III. Getafe, Madrid. Octubre-November 2008
Econometria I Tema 4: Problemas de Especi cación y los Datos Universidad Carlos III Getafe, Madrid Octubre-November 2008 Julio Cáceres Delpiano (UC3M) Econometria I 10/08 1 / 30 Outline Mala especi cación
Más detallesEconometría Universidad Carlos III de Madrid Examen Extraordinario 25 de Junio de Pr (N (0, 1) > 1, 282) = 0, 10
Econometría Universidad Carlos III de Madrid Examen Extraordinario 25 de Junio de 2014 Instrucciones para la realización del examen: Dispone de 2 horas y media para responder al examen La evaluación consta
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 detallesECONOMETRIA. Tema 6: MODELOS CON VARIABLES EXPLICATIVAS ENDÓGENAS. César Alonso. Universidad Carlos III de Madrid
ECONOMETRIA Tema 6: MODELOS CON VARIABLES EXPLICATIVAS ENDÓGENAS César Alonso Universidad Carlos III de Madrid César Alonso (UC3M) ECONOMETRIA. Tema 6 1 / 70 Endogeneidad Dado el modelo de regresión lineal:
Más detallesECONOMETRÍA II Prof.: Begoña Álvarez TEMA 1 INTRODUCCIÓN. Estimación por máxima verosimilitud y conceptos de teoría asintótica
ECONOMETRÍA II Prof.: Begoña Álvarez 2007-2008 TEMA 1 INTRODUCCIÓN Estimación por máxima verosimilitud y conceptos de teoría asintótica 1. ESTIMACIÓN POR MÁXIMA VEROSIMILITUD (MAXIMUM LIKELIHOOD) La estimación
Más detallesTema1. Modelo Lineal General.
Tema1. Modelo Lineal General. 1. Si X = (X 1, X 2, X 3, X 4 ) t tiene distribución normal con vector de medias µ = (2, 1, 1, 3) t y matriz de covarianzas 1 0 1 1 V = 0 2 1 1 1 1 3 0 1 1 0 2 Halla: a) La
Más detallesSOLUCIONES EXAMEN FINAL EXTRAORDINARIO DE ECONOMETRÍA
UC3M. Examen Final Extraordinario de Econometría, 06/7 9/06/07 SOLUCIONES EXAMEN FINAL EXTRAORDINARIO DE ECONOMETRÍA. (a) Este es un contraste del modelo completo con esta hipótesis nula H 0 : 0 en contra
Más detallesEconometría Universidad Carlos III de Madrid Soluciones Examen Final 27 de Mayo de 2013
Econometría Universidad Carlos III de Madrid Soluciones Examen Final 27 de Mayo de 2013 1. [6 puntos/sobre 10] Estamos interesados en estudiar el impacto del tamaño de la familia (número de hijos) en la
Más detallesECONOMETRÍA I. Tema 4: El Modelo de Regresión Lineal Múltiple: inferencia y validación
ECONOMETRÍA I Tema 4: El Modelo de Regresión Lineal Múltiple: inferencia y validación Patricia Moreno Juan Manuel Rodriguez Poo Alexandra Soberon Departamento de Economía Alexandra Soberon (UC) ECONOMETRÍA
Más detallesEXAMEN DE ECONOMETRÍA
EXAMEN DE ECONOMETRÍA UNIVERSIDAD CARLOS III DE MADRID CURSO 2015-1 Responda todas las preguntas en 2 horas y media. Valores críticos al final del examen. 1 A partir de una muestra aleatoria de compra-venta
Más detallesRegresión Lineal Múltiple
Unidad 4 Regresión Lineal Múltiple Javier Santibáñez (IIMAS, UNAM) Regresión Semestre 2017-2 1 / 35 Introducción La idea de la regresión lineal múltiple es modelar el valor esperado de la variable respuesta
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 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 detallesSesión IV: Variables Instrumentales Variables Instrumentales
Sesión n Técnica T IV: Variables Instrumentales Lima, 2009 Departamento de Desarrollo Humano Fondo Español para Evaluación de Impacto Ejemplo para ilustrar Queremos evaluar un programa de capacitación
Más detallesSoluciones Hoja de Ejercicios 4
Soluciones Hoja de Ejercicios 4 Econometría I 1. Considera la siguiente ecuación para explicar los salarios de los directores generales en términos de ventas anuales de la compañía (sales, del rendimiento
Más detallesEJEMPLO EMPIRICO SOBRE ESTIMACION DE SISTEMAS DE ECUACIONES UTILIZANDO EL SOFTWARE LIBRE GRETL
EJEMPLO EMPIRICO SOBRE ESTIMACION DE SISTEMAS DE ECUACIONES UTILIZANDO EL SOFTWARE LIBRE GRETL INFLACION Y GRADO DE APERTURA. Ejemplo de estimación por MC2E con Gretl. Marta Regúlez (UPV-EHU) Fichero de
Más detallesModelos para variables categóricas
Gabriel V. Montes-Rojas Modelo logit multinomial Supongamos que la variable dependiente toma muchos valores, ej. y = 0, 1, 2..., J, aunque los valores de y no representan ningún orden en particular. Éste
Más detallesSOLUCIONES EXAMEN FINAL DE ECONOMETRÍA
UC3M. Examen Final de Econometría, 206/7 23/05/207 SOLUCIONES EXAMEN FINAL DE ECONOMETRÍA.. a. Respuesta: donde Y 0 + X + 2 Z + 3 W + U W 0 + Z + V U Y ( 0 + X + 2 Z + 3 W ) Y E (Y j X; Z; W ) ) E (Uj
Más detallesMétodos Estadísticos para Economía y Gestión IN 540 Clase 7
Métodos Estadísticos para Economía y Gestión IN 540 Clase 7 Perturbaciones no Esféricas 17 de junio de 2010 1 Preliminares Matriz de Varianzas y Covarianzas cuando ɛ t es un AR(1) Naturaleza y causas de
Más detallesUNIVERSIDAD CARLOS III DE MADRID ECONOMETRÍA EXAMEN FINAL (Modelo C)
UNIVERSIDAD CARLOS III DE MADRID ECONOMETRÍA EXAMEN FINAL (Modelo C) DURACION: 2 HORAS Y 15 MINUTOS Instrucciones: 1. Este un modelo de examen que le servirá para autoevaluarse de todos los contenidos
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 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 detallesModelos básicos de datos en panel
3 tipos de estructuras de datos Corte transversal (Cross section) Muestra de individuos, hogares, firmas, países, etc. que se toman en un momento dado del tiempo. {y i, x i } N i=1, donde i representa
Más detallesEconometría II. Hoja de Problemas 2
Econometría II. Hoja de Problemas 2 1. Se quiere estudiar si los beneficios de las empresas dependen del gasto en I+D que realizan. Para estimar la ecuación beneficios t = β 1 +β 2 ventas t +β 3 gid t
Más detallesPROBLEMA 1: Nivel nutricional de los menores de 6 años
UNIVERSIDAD CARLOS III DE MADRID ECONOMETRÍA I Curso 2012/13 SOLUCIONES EXAMEN FINAL (Convocatoria Ordinaria) 10 de Enero de 2013 PROBLEMA 1: Nivel nutricional de los menores de 6 años 1. Los nutricionistas
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 detallesModelos con Datos de Panel
Modelos con Datos de Panel Econometría II Grado en Economía Universidad de Granada Modelosdedatosdepanel 1/26 Contenidos Modelosdedatosdepanel 2/26 Elmodelo Modelosdedatosdepanel 3/26 Elmodelo Hasta el
Más detallesEconometría I Notas de Clase: Clase no. 10, 11, 12 y13.
Econometría I Notas de Clase: Clase no. 10, 11, 12 y13. Facilitador: Ovielt Baltodano López Asistente: Sebastián Hernández Leiva a. El estadístico LM: No necesita el supuesto de normalidad solo los de
Más detallesECONOMETRÍA I. Tema 6: Heterocedasticidad. Patricia Moreno Juan Manuel Rodriguez Poo Alexandra Soberon Departamento de Economía
ECONOMETRÍA I Tema 6: Heterocedasticidad Patricia Moreno Juan Manuel Rodriguez Poo Alexandra Soberon Departamento de Economía Alexandra Soberon (UC) ECONOMETRÍA I 1 / 23 Heterocedasticidad El supuesto
Más detallesEconometria I. Tema 6: Modelos de Ecuaciones Simultáneas. Universidad Carlos III. Getafe, Madrid. November 2008
Econometria I Tema 6: Modelos de Ecuaciones Simultáneas Universidad Carlos III Getafe, Madrid November 2008 Julio Cáceres Delpiano (UC3M) Econometria I 10/07 1 / 20 Ecuaciones Simultáneas El método de
Más detallesEconomía Aplicada. Datos de Panel. Departmento de Economía Universidad Carlos III de Madrid
Economía Aplicada Datos de Panel Departmento de Economía Universidad Carlos III de Madrid Ver Wooldridge (capítulo 13), y Stock and Watson (capítulo 10) 1 / 38 Datos de Panel vs Secciones Cruzadas Repetidas
Más detallesMuestras longitudinales con correlación serial Paneles autorregresivos. Paneles dinámicos. Gabriel Montes-Rojas
Dos modelos que dan lugar a paneles dinámicos: (1) Muestra longitudinal y it = x it β + µ i + δ t + ν it o AR(1) : MA(1) : ν it = αν it 1 + ɛ it ν it = ɛ it + αɛ it i = 1, 2,..., N; t = 1, 2,..., T ; α
Más detallesEstimación Máxima Verosimilitud
Estimación Máxima Verosimilitud Microeconomía Cuantitativa R. Mora Departmento of Economía Universidad Carlos III de Madrid Outline Motivación 1 Motivación 2 3 4 5 Estrategias generales de estimación Hay
Más detallesHeteroscdasticidad y MCG
May 24, 2009 Modelo lineal clasico: 1 Linealidad: Y = Xβ + u. 2 Exogeneidad: E(u) = 0 3 No Multicolinealidad: ρ(x) = K. 4 No heteroscedasticidad ni correlacion serial: V (u) = σ 2 I n. Teorema de Gauss/Markov
Más detallesEconometría de series de tiempo aplicada a macroeconomía y finanzas
Econometría de series de tiempo aplicada a macroeconomía y finanzas Series de Tiempo Estacionarias (Multivariadas) Carlos Capistrán Carmona ITAM 1 Principios de Pronóstico. 2 Pruebas de Hipótesis. 3 Estimación
Más detallesUNIVERSIDAD CARLOS III DE MADRID ECONOMETRÍA EXAMEN FINAL (Modelo B)
UNIVERSIDAD CARLOS III DE MADRID ECONOMETRÍA EXAMEN FINAL (Modelo B) TIEMPO: 125 MINUTOS Instrucciones: 1. Este un modelo de examen que le servirá para autoevaluarse de todos los contenidos del curso de
Más detallesUNIVERSIDAD CARLOS III DE MADRID ECONOMETRÍA EXAMEN FINAL (Modelo A)
TIEMPO: 2 HORAS Instrucciones: UNIVERSIDAD CARLOS III DE MADRID ECONOMETRÍA EXAMEN FINAL (Modelo A) 1. Este un modelo de examen que le servirá para autoevaluarse de todos los contenidos del curso de Econometria
Más detallesTests de Hipotesis en Base al Principio de Verosimilitud
Tests de Hipotesis en Base al Principio de Verosimilitud Universidad de San Andres, Argentina Conceptos basicos Y f(y; θ), θ Θ R K. θ es un vector de K parametros. Θ es el espacio de parametros : conjunto
Más detallesT3. El modelo lineal básico
T3. El modelo lineal básico Ana J. López y Rigoberto Pérez Dpto Economía Aplicada. Universidad de Oviedo Curso 2010-2011 Curso 2010-2011 1 / 41 Índice 1 Regresión lineal múltiple Planteamiento Hipótesis
Más 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 detallesOverfit, cross validation y bootstrap
Universisad de San Andrés y CONICET Cueestiones preliminares Sea z n una sucesion de variables aleatorias escalares. Consideremos la siguiente sucesion z n = n i=1 z i n Ley de grandes numeros (Kolmogorov):
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 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 detallesCALIFICACION: 287,33 218, sí 1 sí 1. Se especifica el siguiente modelo de regresión para el precio de las viviendas: G i =
6 + 5 = 11 CALIFICACION: PARTE 1 (6 puntos) Una empresa inmobiliaria desea conocer los determinantes del precio de la vivienda en una ciudad de tamaño medio Para ello recoge información sobre las siguientes
Más detallesIntroduccion a los Modelos de Regresion
(wsosa@udesa.edu.ar) Universidad de San Andres Referencias Hayashi (2000) Capitulo 1, pp. 3-46. Cualquier texto basico de econometria (con matrices!!!) Introduccion Modelo lineal: y i = β 1 + β 2 x 2i
Más 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 detallesExperimentos de Monte Carlo. Walter Sosa-Escudero
Introduccion Test de Breusch-Pagan de heterocedasticidad: LM = 1 2 SCE g,z χ 2 (p 1) g = residuos al cuadrado, z, variables explicativas de la heterocedasticidad. Esta es una aseveracion asintotica. Que
Más detallesECONOMETRIA. Tema 6: MODELOS CON VARIABLES EXPLICATIVAS ENDÓGENAS. César Alonso UC3M. Curso 2009/2010
ECONOMETRIA Tema 6: MODELOS CON VARIABLES EXPLICATIVAS ENDÓGENAS César Alonso UC3M Curso 2009/2010 César Alonso (UC3M) ECONOMETRIA. Tema 6 Curso 2009/2010 1 / 70 Endogeneidad Dado el modelo de regresión
Más detallesECONOMETRÍA I. Tema 3: El Modelo de Regresión Lineal Múltiple: estimación
ECONOMETRÍA I Tema 3: El Modelo de Regresión Lineal Múltiple: estimación Patricia Moreno Juan Manuel Rodriguez Poo Alexandra Soberon Departamento de Economía Alexandra Soberon (UC) ECONOMETRÍA I 1 / 45
Más detallesTaller I Econometría I
Taller I Econometría I 1. Considere el modelo Y i β 1 + ɛ i, i 1,..., n donde ɛ i i.i.d. N (0, σ 2 ). a) Halle el estimador de β 1 por el método de mínimos cuadrados ordinarios. Para realizar el procedimiento
Más 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 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 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 detallesMODELOS DE ECUACIONES SIMULTANEAS
Universidad de Murcia Workshop Grupo de computación paralela 15 de Diciembre de 2010 1 Modelos de Ecuaciones Simultáneas. 2 3 4 Conceptos previos. La regresión lineal es un método matemático que modeliza
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 detallesRegresión Lineal Múltiple
Unidad 3 Regresión Lineal Múltiple Javier Santibáñez (IIMAS, UNAM) Estadística II Semestre 2018-1 1 / 54 Introducción La idea de la regresión lineal múltiple es modelar el valor esperado de la variable
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 detallesTruncamiento y Selección
y Selección Microeconomía Cuantitativa R. Mora Departmento de Economía Universidad Carlos III de Madrid Esquema Introducción 1 Introducción 2 3 4 Tobit vs. Tobit: inversión en equipo q = x i i β + ε i
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 detallesEXAMEN FINAL DE ECONOMETRÍA SOLUCIONES Conteste cada pregunta en un cuadernillo diferente en dos horas y media
EXAMEN FINAL DE ECONOMETRÍA SOLUCIONES Conteste cada pregunta en un cuadernillo diferente en dos horas y media 1. Sean (Y; X; W ) tres variables aleatorias relacionadas por el siguiente modelo de regresión
Más detallesRegresión lineal simple
Regresión lineal simple Unidad 1 Javier Santibáñez IIMAS, UNAM jsantibanez@sigma.iimas.unam.mx Semestre 2018-2 Javier Santibáñez (IIMAS, UNAM) Regresión simple Semestre 2018-2 1 / 62 Contenido 1 Planteamiento
Más detallesUNIVERSIDAD CARLOS III DE MADRID ECONOMETRÍA I Curso 2004/05 EXAMEN FINAL (Convocatoria extraordinaria) 1 de Septiembre de 2005 PROBLEMA
UNIVERSIDAD CARLOS III DE MADRID ECONOMETRÍA I Curso 2004/05 EXAMEN FINAL (Convocatoria extraordinaria) 1 de Septiembre de 2005 PROBLEMA La especi cación de curvas de Engel para gasto en alimentación establece
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 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 detallesECONOMETRÍA I. Tema 2: El Modelo de Regresión Lineal Simple. Patricia Moreno Juan Manuel Rodriguez Poo Alexandra Soberon Departamento de Economía
ECONOMETRÍA I Tema 2: El Modelo de Regresión Lineal Simple Patricia Moreno Juan Manuel Rodriguez Poo Alexandra Soberon Departamento de Economía Alexandra Soberon (UC) ECONOMETRÍA I 1 / 42 Modelo de Regresión
Más detallesTEMA 6. Modelos para Datos de Panel
TEMA 6. Modelos para Datos de Panel Profesor: Pedro Albarrán Pérez Universidad de Alicante. Curso 2010/2011. Contenido 1 Introducción 2 Modelos estáticos Modelo con Efectos Individuales: Fijos y Aleatorios
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 detallesB.1 ANÁLISIS FACTORIAL COMÚN. cuyo propósito es reducir los datos en cantidad. Es también una técnica en la cual todas las
B. NOTAS TEÓRICAS B.1 ANÁLISIS FACTORIAL COMÚN El análisis factorial es un nombre dado a una clase de métodos estadísticos multivariados cuyo propósito es reducir los datos en cantidad. Es también una
Más detallesEstadística Diplomado
Diplomado HRB UNAM 1 / 25 1 Estimación Puntual Momentos Máxima Verosimiltud Propiedades 2 / 25 1 Estimación Puntual Momentos Máxima Verosimiltud Propiedades 2 Estimación por Intervalos Cantidades Pivotales
Más detalleslog Y = log + v log K + (1 )v log L 1=2 log(1 )v[log(k=l)] 2 + U = log K + 2 log L + 3 [log(k=l)] 2 + U;
Universidad Carlos III de Madrid Econometría Examen Final, Convocatoria Extraordinaria, Curso 2014-2015. Duración del examen: 2 horas. Nota importante: Alguna información contenida en las salidas es redundante.
Más detallesUNIVERSIDAD CARLOS III DE MADRID ECONOMETRÍA EXAMEN FINAL (Modelo D)
UNIVERSIDAD CARLOS III DE MADRID ECONOMETRÍA EXAMEN FINAL (Modelo D) DURACION: 2 HORAS Y 30 MINUTOS Instrucciones: 1. Este un modelo de examen que le servirá para autoevaluarse de todos los contenidos
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 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 detallesCALIFICACION: - P C: precio medio de los productos sustitutivos existentes en el mercado en euros.
6 + 10 + 3 = 19 CALIFICACION: Ventasgdt Una empresa que produce una marca de detergente líquido desea contar con un modelo para planificar su producción, estimar las necesidades de materias primas y de
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 detallesEstadística II Examen final junio 27/6/17 Curso 2016/17 Soluciones
Estadística II Examen final junio 27/6/7 Curso 206/7 Soluciones Duración del examen: 2 h y 5 min. (3 puntos) Los responsables de un aeropuerto afirman que el retraso medido en minutos en el tiempo de salida
Más detallesEstimación MC3E, MVIC en Modelos de Ecuaciones Simultáneas
Estimación MC3E, MVIC en Modelos de Ecuaciones Simultáneas Economía Aplicada III (UPV/EHU) OCW 2013 Contenidos 1 Información Completa 2 3 Información Completa Un método de información completa considera
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 detallesEconomía Aplicada. Datos de panel. Ver Wooldridge cap. 13 y Stock y Watson cap. 10. Departamento de Economía Universidad Carlos III de Madrid 1 / 26
Economía Aplicada Datos de panel Departamento de Economía Universidad Carlos III de Madrid Ver Wooldridge cap. 13 y Stock y Watson cap. 10 1 / 26 Datos de Panel vs Secciones Cruzadas Repetidas En el curso
Más detallesSolución Ejercicio 7.
Solución Ejercicio 7. Heterocedasticidad y autocorrelación. Ejercicio 7.1 Alquiler de sombrillas Primera parte a. Modelo: S t = α + βt t + u t t = 1,..., 22 Modelo 1: MCO, usando las observaciones 2012-04-30
Más detallesTM 4. PROBLEMAS FRECUENTES PROVOCADOS POR LOS DATOS ECONOMICOS. 1. MULTICOLINEALIDAD: CONCEPTO Y TIPOS.
TM 4. PROBLEMAS FRECUENTES PROVOCADOS POR LOS DATOS ECONOMICOS. 1. MULTICOLINEALIDAD: CONCEPTO Y TIPOS.. CÓMO DETECTAR Y MEDIR EL GRADO DE MULTICOLINEALIDAD. 3. SOLUCIONES: CÓMO AFRONTAR EL PROBLEMA EN
Más detallesErrores de especificación. Series simuladas
Estimación modelo correcto Dependent Variable: Y Date: 05/13/02 Time: 17:07 Sample: 2 100 Included observations: 99 Errores de especificación. Series simuladas C 5.376164 0.253524 21.20578 0.0000 X1 0.954713
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 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 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 detallesln Y = β 0 + β 1 ln X 1 + β 2 X 2 + ε, (4) ln Y = β 0 + β 1 X 1 + β 2 X 2 + ε, (3)
Examen de Econometría I Universidad Carlos III de Madrid 1aa Convocatoria (26 de enero del 2004) Curso 2003/2004 Valores críticos de diferentes distribuciones pueden encontrarse al final del examen. PREGUNTA
Más detallesEconometría. Auxiliar 4. Profesor : Mattia Makovec Semestre : Otoño 2010 Auxiliar : Gonzalo Viveros A.
Econometría Auxiliar 4 Profesor : Mattia Makovec Semestre : Otoño 2010 Auxiliar : Gonzalo Viveros A. Pregunta 1 El archivo salarios.xls contiene observaciones mensuales en US$ del salario (Wage) de 935
Más detallesEconomía Aplicada. Secciones Cruzadas Repetidas o Datos Fusionados. Basado en Wooldridge cap.13
Economía Aplicada Secciones Cruzadas Repetidas o Datos Fusionados Departamento de Economía Universidad Carlos III de Madrid Basado en Wooldridge cap.13 1 / 13 Dos Ejemplos de Secciones Cruzadas Repetidas
Más detallesESCUELA SUPERIOR POLITECNICA DEL LITORAL
ESCUELA SUPERIOR POLITECNICA DEL LITORAL PRIMER TÉRMINO 2017 ECONOMETRÍA II EXAMEN FINAL Profesor: Gonzalo E. Sánchez Yo,, al firmar este compromiso, reconozco que el presente examen está diseñado para
Más detalles