Modelos Lineales para Datos en Paneles. Walter Sosa Escudero. Banco Central de Chile
|
|
- Elvira Cárdenas Pereyra
- hace 7 años
- Vistas:
Transcripción
1 Modelos Lineales para Datos en Paneles Walter Sosa Escudero. Banco Central de Chile
2 Datos en paneles Una base de datos en panel contiene informacion para varios individuos (empresas, paises, etc.) en el tiempo. El aspecto fundamental es esta bidimensionalidad de los datos. Ejemplos: PSID: 6500 familias desde Walter Sosa Escudero. Banco Central de Chile
3 Especificacion basica y it = x itβ + µ i + ɛ it i = 1,..., N, t = 1,..., T. x it es un vector de K variables explicativas, incluyendo una constante. Supondremos que ɛ it satisface todos los supuestos clasicos. En terminos matriciales Y = Xβ + Zµ + ɛ en donde Z es una matriz de N 1 variables binarias por individuo. Walter Sosa Escudero. Banco Central de Chile
4 Efectos fijos y aleatorios El punto es que hacer con Zµ en Y = Xβ + Zµ + ɛ Efectos fijos: Zµ forma parte de la esperanza condicional, como variables adicionales. Y = Xβ + Zµ }{{} modelo + ɛ }{{} error Efectos aleatorios: Zµ forma parte del termino de error, como variables omitidas. Y = Xβ }{{} modelo + Zµ + ɛ }{{} error Walter Sosa Escudero. Banco Central de Chile
5 Efectos fijos Y = Xβ + Zµ + ɛ = Ẋδ + ɛ con Ẋ [X Z] y δ [β µ ]. Como ɛ satisface todos los supuestos clasicos, el MELI de δ es: ˆδ EF = ˆβ EF ˆµ EF = (Ẋ Ẋ) 1 Ẋ Y que no es otra cosa que un estimador de MCO agregando N 1 variables binarias por individuo. Walter Sosa Escudero. Banco Central de Chile
6 ˆβ EF es consistente si N o T,. ˆµ EF solo si N es fijo y T (problema de parametros incidentales ). ˆβ EF es consistente independientemente de que X y Z esten correlacionadas. (Z pertenece al modelo!) ˆβ EF = ( X 1 X) X Ỹ en donde x it = x it x i y ỹ it = y it ȳ i. Intuitivamente, si a cada observacion le restamos su media historica (transformacion within ), µ i desaparece. Walter Sosa Escudero. Banco Central de Chile
7 Efectos aleatorios con u Zµ + ɛ. Y = Xβ + Zµ + ɛ = Xβ + u Resultado: u it = µ i + ɛ it no satisface los supuestos clasicos, aun cuando por separado µ i y ɛ it si lo hagan. Sea Ω V (u) = E(uu ) con elemento caracteristico ω it,js = E(u it u js ). Es facil verificar que: ω it,js = 0 si i j σ 2 µ σ 2 µ + σ 2 ɛ si i = j y t s si i = j y t = s Intuitivamente: la presencia de efectos aleatorios induce autocorrelacion (la persistencia trivial de µ i ). Walter Sosa Escudero. Banco Central de Chile
8 Entonces, de acuerdo al Teorema de Aitken, el MELI es el estimador de MCG: ˆβ EA = (X Ω 1 X) 1 X Ω 1 Y que es el estimador de efectos aleatorios. La consistencia de β EA depende crucialmente de que X no este correlacionado con µ (identico a un problema clasico de variables omitidas). La implementacion practica requiere estimar previamente Ω. Walter Sosa Escudero. Banco Central de Chile
9 Efectos fijos o aleatorios? La discusion es muy similar a la de si incluir variables en un modelo o no. Si las variables omitidas no estan correlacionadas con las incluidas, el estimador que las omite es potencialmente mas eficiente. En caso contrario, es inconsistente. Walter Sosa Escudero. Banco Central de Chile
10 Test de Hausman Si µ esta correlacionado con X: ˆβEA es inconsistente, ˆβ EF es consistente. Si µ no esta correlacionado con X: ˆβEA es consistente y eficiente, ˆβ EF es consistente. Hausman (1978) propone evaluar la hipotesis de ausencia de correlacion entre µ y X en base a: H = ( ˆβ EA ˆβ EF ) (Ω EF Ω EA ) 1 ( ˆβ EA ˆβ EF ) que tiene distribucion asintotica χ 2 (K) bajo H o y converge a bajo H A. Walter Sosa Escudero. Banco Central de Chile
11 No necesariamente se sigue que hay que usar EF. Hay otras estrategias potencialmente consistentes ademas de EF. No es un test de EA vs. EF., solo explora la consistencia de los estimadores. Walter Sosa Escudero. Banco Central de Chile
12 Metodo de Momentos (MM) y Metodo Generalizado de Momentos (GMM) Walter Sosa Escudero. Banco Central de Chile
13 Metodo de Momentos (MM) y, una variable aleatoria con E [g(y, θ)] = 0 sii θ = θ 0, θ R K. g( ) un vector de p funciones (p condiciones de momentos ). La contraparte muestral de estas condidiones es: g n (θ) = n i=1 g(y i, θ) n = 0 Walter Sosa Escudero. Banco Central de Chile
14 Si p = K podemos proponer como estimador ˆθ forzando las condiciones muestrales a comportarse como las poblacionales: g n (ˆθ) = 0 Este es un sistema de K ecuaciones (posiblemente no lineales) con K incognitas. La solucion es el estiador de metodo de momentos. Consistencia?: ley de grandes numeros!!! Walter Sosa Escudero. Banco Central de Chile
15 Ejemplo: Variables instrumentales: el caso q = p y = x β o + u, x es un vector de p variables explicativas. z es un vector de q instrumentos validos, de modo que: E(zu) = 0 E(z(y x β 0 )) = 0 Estas son las condiciones de momentos. La contraparte muestral es: n i=1 z i(y i x ˆβ) i = 0 n que es un sistema de q = p ecuaciones lineales con p incognitas. Resolviendo: ˆβ = ( n ) 1 ( n ) z i x i z i y i = (Z X) 1 Z Y i=1 i=1,que es el estimador de variables instrumentales (IV). Walter Sosa Escudero. Banco Central de Chile
16 Metodo de Momentos Generalizado (GMM) La logica de MM funciona porque el numero de condiciones de momentos (p) es igual al numero de parametros (K). Ejemplo: si hay p > K instrumentos, n i=1 z i(y i x i ˆβ) n = 0 es un sistema con mas ecuaciones que incognitas, MM no funciona. Walter Sosa Escudero. Banco Central de Chile
17 Generalizacion de MM (GMM): nuestro problema es que si bien sabemos que: E [g(y, θ 0 )] = 0 (las condiciones de momentos), no podemos encontrar ˆθ que satisfagan la contraparte muestral exactamente: g n (ˆθ) = 0,es un sistema de p ecuaciones con K incognitas, y p > K. Solucion: Forzar a que ˆθ haga g n (ˆθ) lo mas pequeño posible. Walter Sosa Escudero. Banco Central de Chile
18 Necesitamos definir que entendemos por g n (ˆθ) pequeño. Propuesta (GMM): ˆθ minimiza una suma ponderada de los elementos de g n (ˆθ) ˆθ GMM argmin g n (θ) C 1 n g n (θ) ˆθ GMM es consistente para cualquier C n simetrica positiva (por ejemplo, la matriz identidad!). Hansen (1982): Como elegir C n optimamente (minima varianza asintotica)?: Cualquier C n que satisfaga: p C n δ E [g(θ0 )g(θ 0 ) ] en donde δ es cualquier constante. Entonces, la matriz optima de ponderacion es la inverza de la matriz de varianzas de las condiciones de momentos. Walter Sosa Escudero. Banco Central de Chile
19 Ejemplo: IV con p > k. g(y, θ) = z(y x β 0 ) g n (y, θ) = n i=1 z i(y i x i ˆβ) n Supongamos que E(uu ) = σ 2 I. Entonces: E(g(y, θ 0 )g(y, θ 0 )) = E(zuu z ) = σ 2 E(zz ) Notar que n 1 z i z i p E(zz ), entonces, n 1 z i z i es un buen candidato para C n. Reemplazando: ˆβ GMM = argmin ( n i=1 z i(y i x i ˆβ) n ) ( zi z i n ) ( 1 n i=1 z i(y i x ˆβ) ) i n Walter Sosa Escudero. Banco Central de Chile
20 ˆβ GMM = argmin ( n i=1 z i(y i x ˆβ) ) ( ) ( 1 n i zi z i i=1 z i(y i x ˆβ) ) i n n n En terminos matriciales, y multiplicando por n: ˆβ GMM = argmin (Y X ˆβ) Z(Z Z) 1 Z (Y X ˆβ) A partir de aqui es facil mostrar que: ˆβ GMM = (X P Z 0X) 1 X P Z 0Y = ˆβ V I que es el estimador de MC2E (TSLS). Walter Sosa Escudero. Banco Central de Chile
21 Paneles Dinamicos Walter Sosa Escudero. Banco Central de Chile
22 Cuestiones preliminares: el estimador de VI generalizado Y = Xβ + u, Z instrumentos validos, p K, V (u X) = σ 2 I Premultiplicando por Z Z Y = Z Xβ + Z u Y = X β + u Es facil probar que E(u X ) = 0 y que V (u X ) = E(u u ) = E(Z uu Z) = σ 2 (Z Z) Γ que no es esferica. Walter Sosa Escudero. Banco Central de Chile
23 Entonces, el MELI del modelo es MCG: ˆβ MCG = (X Γ 1 X ) 1 X Γ 1 Y = (X Z(Z Z) 1 Z X) 1 X Z(Z Z) 1 Z Y = (X P Z X) 1 X P Z Y = ˆβ V I ˆβ V I es un estimador MCG de un modelo transformado. Walter Sosa Escudero. Banco Central de Chile
24 Generalizacion: V (u X) = Ω En este caso: V (u X ) = E(u u ) = E(Z uu Z) = Z ΩZ Γ Reemplazando: ˆβ MCG = (X Γ 1 X ) 1 X Γ 1 Y = (X Z(Z ΩZ) 1 Z X) 1 X Z(Z ΩZ) 1 Z Y ˆβ V IG sera el MELI. Este resultado provee un estimador de VI cuando en el modelo original hay heterocedasticidad o autocorrelacion. Lo llamaremos estimador de VI generalizado (VIG), o GIVE. Notar que hay dos transformaciones, una para resolver el problema de endogeneidad y la otra para lidiar con la varianza no esferica. Walter Sosa Escudero. Banco Central de Chile
25 Modelo dinamico simple El objetivo es estimar un modelo dinamico del tipo: y it = δy i,t 1 + x itβ + u it con u it = µ i + v it Hay dos fuentes de persistencia : µ i y y i,t 1. Ejemplos: Persistencia en el desempleo (Galiani, et al. 2005) Convergencia en el crecimiento (Islam, 1995) Walter Sosa Escudero. Banco Central de Chile
26 Los estimadores estandar son sesgados e inconsistentes y it = δy i,t 1 + x itβ + u it con u it = µ i + v it Por construccion y it y y i,t 1 dependen de µ i. y i,t 1 esta correlacionada con u it = µ i + v it. El estimador de MCO es sesgado e inconsistente (v/hsiao (1986, pp.77)). El estimador de EA es sesgado e inconsistente (ya veremos porque). Walter Sosa Escudero. Banco Central de Chile
27 El estimador de efectos fijos tambien es sesgado e inconsistente. FE se basa en: y it = δy i,t 1 + x itβ + u it en donde las variables con * son desvios con respecto a los promedios por individuo. Notar que: y i,t 1 = y i,t 1 1 T 1 T y i,t 1, t=2 u it = v it 1 T T t=1 v it Es relativamente facil mostrar que y i,t 1 y u it estan correlacionados, por ejemplo, ambos dependen de v i,t 1 Walter Sosa Escudero. Banco Central de Chile
28 Si x it es exogena, Nickell (1981): Cov(yi,t 1, u it) p σ2 v (T 1) T δ + δ T T 2 (1 δ) 2 cuando n, para T fijo. Entonces, EF es inconsistente. Si T, Cov(y i,t 1, u it ) p 0, de modo que la inconsistencia de EF tiene que ver, fundamentalmente, con que T es chico. Si δ > 0 el sesgo es negativo. Cuan grande es el sesgo? Walter Sosa Escudero. Banco Central de Chile
29 Sesgo del estimador de EF sesgo T δ = 0.5, 0.8, 0.3 El sesgo disminuye con T y aumenta con δ Walter Sosa Escudero. Banco Central de Chile
30 El estimador de Anderson-Hsiao Una transformacion que elimina el efecto individual consiste en restar y i,t 1 y obtener: y i,t = δ y i,t 1 + β x it + v it MCO es inconsistente ya que y i,t 1 esta trivialmente correlacionada con v it : ambas dependen de v i,t 1. Notar que y i,t 2 = y i,t 2 y i,t 3 si bien esta correlacionada con y i,t 1 (ambas dependen de y i,t 2 ) no lo esta con v it. Anderson y Hsiao (1981): estimar por VI usando y i,t 2 o y i,t 2 como instrumento. Arellano (1989): y i,t 2 funciona mucho mejor. Walter Sosa Escudero. Banco Central de Chile
31 El estimador de Arellano-Bond Por simplicidad, consideremos el caso β = 0: y it = δy i,t 1 + µ i + v it, t = 1,..., T Restando y i,t 1 obtenemos: (µ i desaparece!). y i,t = δ y i,t 1 + v it Walter Sosa Escudero. Banco Central de Chile
32 Es importante ver al modelo dinamico en diferencias como el sistema de ecuaciones: y i,3 = δ y i,2 + v i3 y i,4 = δ y i,3 + v i y i,t = δ y i,t 1 + v it Consideremos la primera de estas ecuaciones, para t = 3 y i,3 = δ y i,2 + v i3 En este caso y i1 es un instrumento valido: correlacionado con y i,2 y i,2 y i,1, no con v i3 v i,3 v i,2. Cuantas observaciones tengo para estimar esta ecuacion? Walter Sosa Escudero. Banco Central de Chile
33 Para el siguiente periodo, t = 4, la relacion es: y i,4 = δ y i,3 + v i4 pero en este caso, los instrumentos validos son y i2 y y i1. De vuelta, podriamos estimarla usando N observaciones. Usando esta logica, los instrumentos disponibles para la ultima ecuacion, en T, son y i1, y i2,..., y i,t 2. (Siempre tenemos N observaciones por ecuacion) Arellano-Bond: estimar este sistema de ecuaciones ecuacion por ecuacion pero imponiendo una restriccion de igualdad de coeficientes entre las ecuaciones (los δ tienen que ser todos iguales). Walter Sosa Escudero. Banco Central de Chile
34 Es un poco mas comodo pensar el problema dentro del contexto de GMM. En general, esta logica de validez de instrumentos implica las siguientes (T 2)(T 1)/2 condiciones de momentos : E[ v it y i,t j ] = 0, j = 2,..., T 1; t = 3, 4,..., T A partir de aqui es facil construir un estimador GMM. Para cada individuo, definamos W i de la siguiente forma: [y i1 ] 0 [y i1, y i2 ] W i =... 0 [y i1,..., y i,t 2 ] es una matriz (T 2) (T 2)(T 1)/2. Walter Sosa Escudero. Banco Central de Chile
35 Las condiciones de momentos se pueden expresar en forma vectorial como: E(W i v i ) = 0, i = 1,..., N La contraparte muestral es (1/N) N i=1 W i v i = (1/N)W v, con W una matriz formada apilando verticalmente W i para todos los individuos, v i se define similarmente. El estimador GMM de δ sera, entonces: ˆδ = argmin δ (W v) A N (W v) en donde A N es cualquier matriz simetrica positiva definida. Walter Sosa Escudero. Banco Central de Chile
36 El estimador GMM optimo podria basarse en: A N = (1/N) i W i ˆ v i ˆ v i W i en donde ˆ v i son residuos basados en un estimador consistente preliminar de δ. Notar que en este caso, estamos estimando consistentemente la matriz de varianzas de W i v i, que es lo que requiere el resultado de Hansen. Ahora el problema es encontrar un estimador preliminar de δ. Walter Sosa Escudero. Banco Central de Chile
37 Estimacion preliminar: En terminos matriciales: y = δ y 1 + v. Notar que W es una matriz de instrumentos validos para este modelo. Es facil verificar que: V ( v) = E( v v ) = σv 2 (I N G) = σv 2 Ω (V er definicion de G en Baltagi (2001, pp. 132)). Tenemos un problema de endogeneidad (y 1 correlacionada con v) y uno de no-esfericidad (V ( v) no esferica). Walter Sosa Escudero. Banco Central de Chile
38 Arellano y Bond (91): usar como estimador preliminar, el estimador de VI generalizado que vimos anteriormente (VI con autocorrelacion/heterocedasticidad). Premultiplicando: W y = δw y 1 + W v y reemplazando en la formula del estimador ˆβ V IG : ˆδ 1 = ( y 1W (W ΩW ) 1 W y 1 ) 1 y 1W (W ΩW ) 1 W y que es el estimador preliminar de Arellano-Bond. Walter Sosa Escudero. Banco Central de Chile
39 La consistencia del estimador de AB depende crucialmente de que E[ v it y i,t j ] = 0, lo cual requiere ausencia de autocorrelacion. Es muy importante evaluar esta hipotesis. β 0. Depende del status de exogeneidad de las x. Si son todas estrictamente exogenas, el problema es facil ya que todas son instrumentos validos de si mismas. Si no todas lo son, es importante chequear cuales son instrumentos validos y cuales no. Ej: variables predeterminadas. Muestras finitas: el estimador preliminar funciona muy bien. Walter Sosa Escudero. Banco Central de Chile
40 Cuestiones empiricas Judson y Owen (1999): comparacion empirica de estimadores. OLS, LSDV(FE), GMM1(AB preliminar ), AH (Anderson-Hsiao), LSDVC (Kiviet) OLS y LSDV tienden a ser muy sesgados, aun cuando T = 20 (12% cuando δ = 0.8). Cuando T = 30 el sesgo es muy pequeño. En terminos de performance, LSDVC parece funcionar mejor que todos. LSDVC todavia no esta disponible para paneles no-balanceados y no es facil de computar. T 10: GMM1, T 20 GMM1 o AH, T 30: FE Walter Sosa Escudero. Banco Central de Chile
41 Identificacion y Sobreidentificacion Walter Sosa Escudero. Banco Central de Chile
42 Consideremos la aproximacion GMM al problema de variables instrumentales. Recordemod que el estimador GMM minimiza: Q T (θ) Notar que Q T (θ) 0. { } { } 1 1 T u(θ) Z W T T Z u(θ) Si el numero de instrumentos es igual al numero de parametros podemos resolver el problema de minimizacion encontrando ˆθ tal que 1 T u(ˆθ) Z = 0. Porque? En este caso Q T (ˆθ) = 0. Si el numero de instrumentos es mayor que el numero de parametros no podemos usar el argumento anterior, de modo que Q T (ˆθ) > 0. Walter Sosa Escudero. Banco Central de Chile
43 Consideremos la hipotesis nula: E[z t u t (θ)] = 0 iff θ = θ 0 y la alternativa: E[z t u t (θ)] 0 θ Bajo la hipotesis nula, si el modelo esta correctamente especificado, todos los instrumentos son validos. Bajo la alternativa al menos un instrumento es invalido o el modelo esta incorrectamente especificado. Walter Sosa Escudero. Banco Central de Chile
44 Supongamos que la hipotesis nula es correcta: Si el numero de instrumentos es igual al de parametros Q(ˆθ) es fijado en cero. Pero si el numero de instrumentos es mayor que el de parametros, Q(ˆθ) > 0, pero cuando T, va a cero. Porque? Como todos los instrumentos son validos 1 T u(ˆθ) Z 0. Supongamos que la hipotesis nula NO es correcta: Si el numero de instrumentos es igual al numero de parametros, Q(ˆθ) es tambien cero. Si el numero de instrumentos es mayor que el de parametros, Q(ˆθ) > 0, but when T, va a... Porque? Walter Sosa Escudero. Banco Central de Chile
45 Cuando p > K, Q T (ˆθ) mide cuan lejos esta la muestra de satisfacer las condiciones extra de momentos. Consideremos el siguiente estadistico: J T = T Q T (ˆθ T ) = 1 T u(ˆθ T ) ZŜ 1 T Z u(ˆθ t ) Se puede mostrar que bajo H 0 : E[z t u t (θ 0 )] = 0 converge en distribucion χ 2 (q p). Que pasa cuando H 0 NO es correcta? Este es un test de restricciones de sobreidentificacion. Es un test global de especificacion. Puede implicar que alguna condicion de momentos no es valida y/o que el modelo esta mal especificado. Walter Sosa Escudero. Banco Central de Chile
Econometria 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 detallesEl problema de la endogeneidad Variables proxy Variables instrumentales STATA. Endogeneidad. Gabriel Montes-Rojas
Gabriel V. Montes-Rojas 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
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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 detallesWalter Sosa Escudero. Universidad Nacional de Cordoba Econometría de Datos en Paneles. 19 de Mayo de 2004
Universidad Nacional de Cordoba Econometría de Datos en Paneles Walter Sosa Escudero (wsosa@udesa.edu.ar) Universidad de San Andres y UNLP 19 de Mayo de 2004 Econometria de Datos en Paneles Walter Sosa
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 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 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 detallesI = 50, T = 4 IT = 200
i t I = 50, T = 4 IT = 200 y i,t = β 1 + β 2 y i,t 1 + β 3 x t + u i,t v i,t = µ i + v i,t ˆβ 2 ˆβ3 y it = α + X itβ + u it u it = µ i + v it µ i v it Var(v it ) = σ 2 it, Cov(v it, v js ) = 0 i j, t
Más detallesClasificación Supervisada
Clasificación Supervisada Ricardo Fraiman 26 de abril de 2010 Resumen Reglas de Clasificación Resumen Reglas de Clasificación Descripción del problema Muestra de entrenamiento (X 1, Y 1 ),..., (X n, Y
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 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 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 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 detallesÍndice Introducción Economía y Estadística Análisis de Regresión. Clase 1. Introducción a la Econometría. Profesor: Felipe Avilés Lucero
Clase 1 Introducción a la Econometría Profesor: Felipe Avilés Lucero 26 de mayo de 2010 1 Introducción 2 Economía y Estadística 3 Análisis de Regresión Función de Regresión Poblacional Función de Regresión
Más detallesFORMATO MODALIDAD PRESENCIAL UNIVERSIDAD NACIONAL AUTÓNOMA DE MÉXICO FACULTAD DE ECONOMÍA. Plan de estudios
FORMATO MODALIDAD PRESENCIAL UNIVERSIDAD NACIONAL AUTÓNOMA DE MÉXICO FACULTAD DE ECONOMÍA Plan de estudios Clave Semestre Séptimo Créditos 7 Programa Econometría II Área Economía Campo de Economía Matemática
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 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 detallesTema 6. Estimación puntual
1 Tema 6. Estimación puntual En este tema: Planteamiento del problema. Criterios de comparación de estimadores: Insesgadez. Estimadores de mínima varianza. Error cuadrático medio. Consistencia. Métodos
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 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 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 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 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 detallesAnálisis de la Varianza (ANOVA) y Correlación
Universidad de Chile Rodrigo Assar FCFM MA34B Andrés Iturriaga DIM Víctor Riquelme Análisis de la Varianza (ANOVA) y Correlación Resumen El test ANOVA analiza la relación entre una variable numérica y
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 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 detallesFundamentos para la inferencia. Estadística Prof. Tamara Burdisso
Fundamentos para la inferencia Estadística 018 - Prof. Tamara Burdisso 1 Distribución muestral de la varianza muestral Hasta aquí nos ocupamos de hacer inferencia sobre la media y/o la proporción de una
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 detallesMínimos cuadrados generalizados y máxima verosimilitud
CAPíTULO 9 Mínimos cuadrados generalizados y máxima verosimilitud 9.1. Introducción En el marco del modelo clásico, los supuestos de homocedasticidad, E(u 2 i ) = σ2 u (i = 1, 2,... n), y ausencia de autocorrelación,
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 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 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 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 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 detallesModelos con variable dependiente limitada
Modelos con variable dependiente limitada Universidad Iberoamericana Diciembre 2014 Y es variable aleatoria, toma solo dos valores, uno o cero, asociada a la ocurrencia de un evento (1 ocurre, 0 si no).
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 detallesMulticolinealidad Introducción. Uno de los supuestos básicos del modelo lineal general. y = Xβ + u
CAPíTULO 6 Multicolinealidad 6.1. Introducción Uno de los supuestos básicos del modelo lineal general y = Xβ + u establece que las variables explicativas son linealmente independientes, es decir, la igualdad
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 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 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 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 detallesGeneralmente, el objetivo de cualquier estudio de econometría es la. búsqueda de relaciones matemáticas que permitan explicar el comportamiento
5. METODOLOGÍA ECONOMÉTRICA. Generalmente, el objetivo de cualquier estudio de econometría es la búsqueda de relaciones matemáticas que permitan explicar el comportamiento de una variable económica a partir
Más 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 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 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 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 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 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 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 detalles1.-Fuentes de perturbación no esféricas. Autocorrelación y Heterocedasticidad.
Tema 9: Perturbaciones no esféricas l modelo lineal con matriz de covarianzas de los errores general -Fuentes de perturbación no esféricas Autocorrelación y Heterocedasticidad l estimador MCO en presencia
Más detallesInferencia. Mauricio Olivares. 19 de junio de 2015 ITAM
Inferencia Mauricio Olivares ITAM 19 de junio de 2015 Recuerda de nuestra clase anterior que m(x) = α + βx. Recuerda de nuestra clase anterior que m(x) = α + βx. Esta es una relación poblacional, no hay
Más detallesModelo de Regresión Lineal Simple
1. El Modelo Modelo de Regresión Lineal Simple El modelo de regresión lineal simple es un caso especial del múltple, donde se tiene una sola variable explicativa. y = β 0 + β 1 x + u (1.1) Donde u representa
Más 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 detallesTema 4. El Modelo de Regresión Lineal con Series Temporales.
Tema 4. El Modelo de Regresión Lineal con Series Temporales. En este tema, estudiaremos en detalle la estimación e inferencia del modelo de regresión con datos de series temporales. Dadas las diferencias
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 detallesIntegraciones Verticales: Acerca de la Relacion entre la Estadistic
Integraciones Verticales: Acerca de la Relacion entre la Estadistica y la Econometria Walter Sosa Escudero Universidad de San Andres y CONICET, Argentina Mayo de 2015 Motivacion I Motivacion II www.queeslaestadistica.com
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 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 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 detallesTema 6. Estimación puntual
Tema 6. Estimación puntual Contenidos Planteamiento del problema Criterios de comparación de estimadores: Insesgadez Estimadores de mínima varianza Error cuadrático medio Consistencia Métodos para obtener
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 detallesEXÁMEN INFERENCIA ESTADÍSTICA I Diplomado en Estadística Convocatoria de Febrero 2006
EXÁMEN INFERENCIA ESTADÍSTICA I Diplomado en Estadística Convocatoria de Febrero 6 Problema ( ptos) Considera un experimento aleatorio con espacio muestral Ω. a) Definir una σ-álgebra A sobre Ω. b) Dar
Más detallesEstimadores insesgados lineales óptimos (BLUE)
Estimadores insesgados lineales óptimos (BLUE) Alvaro Gómez & Pablo Musé {agomez, pmuse}@fing.edu.uy Departamento de Procesamiento de Señales Instituto de Ingeniería Eléctrica Facultad de Ingeniería Marzo
Más detallesComportamiento asintótico de estimadores
Comportamiento asintótico de estimadores Seguimos con variable X con función de densidad/masa f (x; θ). Queremos estimar θ. Dada una muestra aleatoria, definimos un estimador T = h(x 1,..., X n ) Esperamos/deseamos
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 detallesAnálisis sobre la hipótesis de convergencia para los países que forman la OCDE. Robles Urgal, Pedro Serrano Fornós, Jesús
sobre la hipótesis de convergencia para los países que forman la OCDE Robles Urgal, Pedro Serrano Fornós, Jesús sigma beta Introducción Hipótesis de convergencia 2 conceptos de convergencia económica Beta
Más detallesEstimación por el método generalizado de momentos (MGM).
Estimación por el método generalizado de momentos (MGM). Siga J.Muro(27/10/2003) 1 Método generalizado de momentos (MGM). Intuición. Principio MGM. Obtención de estimadores MGM. Propiedades de los estimadores.
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 detallesRegresion lineal simple
Unidad 2 Regresion lineal simple Javier Santibáñez (IIMAS, UNAM) Estadística II Semestre 2018-1 1 / 73 Planteamiento El modelo de regresión lineal simple relaciona la variable de interés Y, llamada dependiente,
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 detallesTema 6. Análisis Factorial.
Tema 6 Análisis Factorial El modelo Sea Y = (Y,, Y p ) t un vector aleatorio con vector de medias µ y matriz de covarianzas Σ Supondremos que existe un número entero m < p, una matriz L de orden p m de
Más detallesECONOMETRÍA II: ECONOMETRÍA DE SERIES TEMPORALES. Modelos econométricos dinámicos uniecuacionales
ECONOMETRÍA II: ECONOMETRÍA DE SERIES TEMPORALES Modelos econométricos dinámicos uniecuacionales Introducción: Hemos estudiado modelos de tipo: y t = φ 0 + p i=1 φ iy t i + q j=0 θ jɛ t j y t = β x t +
Más detallesExamen de Introducción a la Econometría
NOMBRE GRUPO MODELO 1 DNI: Firma: Examen de Introducción a la Econometría 18 de junio de 2009 Sólo una respuesta es válida. Debe justificar la respuesta de cada pregunta en el espacio que se le proporciona.
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 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 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 detallesEconometría II Grado en finanzas y contabilidad
Econometría II Grado en finanzas y contabilidad Variables aleatorias y procesos estocásticos. La FAC y el correlograma Profesora: Dolores García Martos E-mail:mdgmarto@est-econ.uc3m.es Este documento es
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 detallesDistribución Empírica
1 Distribución Empírica X 1,...,X n i.i.d. X i F, X i P I A (X j (ω)) = { 1 Xj (ω) A 0 X j (ω) / A F n (x,ω) = 1 n P n (A,ω) = 1 n n i=1 n i=1 I (,x] (X j (ω)) = #{X j(ω) x} n I A (X j (ω)) = #{X j(ω)
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 detallesRegresión Simple. Leticia Gracia Medrano. 2 de agosto del 2012
Regresión Simple Leticia Gracia Medrano. lety@sigma.iimas.unam.mx 2 de agosto del 2012 La ecuación de la recta Ecuación General de la recta Ax + By + C = 0 Cuando se conoce la ordenada al origen y su pendiente
Más 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 detallesVectores Autorregresivos (VAR)
Econometria de Series Temporales Vectores Autorregresivos (VAR) Walter Sosa Escudero Universidad de San Andr es y UNLP 1 Procesos estocasticos multivariados Y t =[Y 1t ;Y 2t ; ;Y Nt ] 0 ; t =1; 2;:::;T
Más detalles