Estimación MC2E, MVIL en Modelos de Ecuaciones Simultáneas
|
|
- Juan Antonio Parra Ponce
- hace 7 años
- Vistas:
Transcripción
1 Estimación MC2E, MVIL en Modelos de Ecuaciones Simultáneas Economía Aplicada III (UPV/EHU) OCW 2013
2 Contents 1 Mínimos Cuadrados en 2 Etapas 2
3 Mínimos Cuadrados en 2 Etapas El método de Mínimos Cuadrados en dos Etapas (MC2E) también es un método de estimación de Modelos de Ecuaciones Simultáneas con información limitada. Esta técnica de estimación está indicada tanto si la ecuación está exactamente identificada como si está sobreidentificada. Se puede considerar como un método de estimación por Variables Instrumentales y en el caso de exacta identificación MC2E coincide con MCI. La demostración está cubierta en las lecturas recomendadas.
4 Mínimos Cuadrados en 2 Etapas Consideremos la -ésima ecuación estructural del Modelo de Ecuaciones Simultáneas, después de haberle impuesto todas las restricciones a priori y el convenio de normalización. y = Y Tx1 o de forma más compacta β TxG G x1 + X γ TxK K x1 + u Tx1 donde Z = y = Z Tx1 δ Tx(G +K )(G +K )x1 Y TxG X δ = TxK + u Tx1 [ β γ ]. u (0,σ 2 I T)
5 Mínimos Cuadrados en 2 Etapas El método de MC2E, como su propio nombre indica, se puede llevar a cabo en dos etapas realizando una estimación por MCO en cada etapa: 1 a Etapa: Se realiza la regresión de cada variable endógena en Y sobre todas las variables exógenas o predeterminadas del modelo. Esto es, se estima la forma reducida para Y : Y = X Π + V ˆΠ MCO = (X X) 1 X Y TxG TxK KxG TxG [ ˆΠ MCO = ˆπ 1 MCO ˆπ G MCO ], donde las columnas de ˆΠ MCO son respectivamente los coeficientes de la regresión de cada variable en Y sobre X. Se obtienen los valores austados de Y dada la estimación de la forma reducida Ŷ = X(X X) 1 X Y
6 Mínimos Cuadrados en 2 Etapas 2 a Etapa Se realiza la regresión de y sobre Ŷ y X. Si denotamos la matriz de regresores ) de esta segunda regresión como Ẑ = (Ŷ X, el estimador resultante de δ sería solución al sistema de ecuaciones normales (Ẑ Ẑ )ˆδ MC2E = Ẑ y Ŷ Ŷ Ŷ X X Ŷ X X ˆβ MC2E ˆγ MC2E = ( Ŷ y X y )
7 Mínimos Cuadrados en 2 Etapas ) En la matriz Ẑ = (Ŷ X todas las columnas son funciones lineales de las K columnas de X. Si la ecuación satisface la condición de rango para la identificación, y por lo tanto también ) la de orden (K G +K ), la matriz (Ẑ Ẑ será de rango completo e invertible. El sistema tendrá una única solución, ) 1Ẑ ˆδ MC2E = (Ẑ Ẑ y Si la ecuación no está identificada, bien porque no se satisface la de orden o, aunque esta se satisfaga, porque no se satisface la de rango, el estimador ˆδ MC2E no está bien definido. La matriz (Ẑ Ẑ) es de rango reducido por lo que no existe su inversa.
8 Mínimos Cuadrados en 2 Etapas Dado que P X = X(X X) 1 X y P X X = X se tiene ] ] Ẑ = [Ŷ X = [X(X X) 1 X Y X = [P X Y P X X ] = P X [Y X ] = P X Z Utilizando este resultado podemos obtener que el estimador MC2E ] es un estimador de VI con matriz de instrumentos Ẑ = [Ŷ X, ) 1Ẑ ˆδ MC2E = (Ẑ Ẑ y = Z P X Z P X P X y la siguiente forma de obtener el estimador MC2E de δ, 1 ) 1Ẑ Z P X y = (Ẑ Z y P X P X ( ˆδ MC2E = Z X ( X X ) ) 1 1Z X Z X ( X X ) 1 X y
9 El método de estimación por Máxima Verosimilitud Información Limitada (MVIL) también está dentro de la clase de estimadores con información Limitada. Considera la estimación de los parámetros estructurales de una ecuación, teniendo en cuenta solamente la función de verosimilitud de las variables endógenas de esa ecuación y las restricciones de identificación correspondientes a la ecuación a estimar. No se tiene en cuenta en la verosimilitud el resto de variables endógenas del sistema ni las restricciones de identificación impuestas en otras ecuaciones.
10 Consideremos la ecuación -ésima a estimar antes de imponer la normalización (β = 1) [ y Y ] Tx(G +1) [ β β y = Y Tx1 β (G +1)x1 β TxG G x1 ] = X γ TxK K x1 + X γ TxK K x1 + u Tx1 +u Y + β + = X γ +u Las ecuaciones de la Forma Reducida para Y + son las siguientes Y + = X Tx(G +1) TxK + Π1 K x(g +1) + X TxK Π + 2 K x(g +1) + V + Tx(G +1)
11 Senotamos por y + t y x + t a la fila t-ésima de Y + y de X respectivamente y por v + t al vector (1x(G +1)) correspondiente a la fila t-ésima de la matriz V +. y + t = Π+ x + t +v+ t y + t x+ t Π+ = v + t Dado el supuesto sobre la distribución de los errores estructurales u t NID(0,Σ), el vector de errores de la forma reducida correspondiente a las ecuaciones de las variables Y + en el momento t, se distribuye v + t NID(0,Ω+ ) donde Ω + es la submatriz correspondiente de Ω.
12 La función de verosimilitud de Y + es: L = L(Π +,Ω + ;Y +,X) = T t=1 L(Π+,Ω + ;y + t,x t) = = T t=1 ( ) (2π) (G+1)/2 Ω + 1/2 exp( 1/2)(y + t x+ tπ + ) (Ω + ) 1 (y + t x+ tπ + ) [ T ] lnl = (T(G +1)/2)ln2π T/2ln Ω + 1/2 (y + t x + tπ + ) (Ω + ) 1 (y + t x + tπ + ) El estimador por máxima verosimilitud MVIL maximiza esta función sueto a las restricciones que relacionan los parámetros estructurales de la ecuación -ésima con los parámetros de la forma reducida. t=1
13 De las restricciones de exclusión de la ecuación -ésima y la relación entre los parámetros de la F.E. y la F.R. obtenemos las siguientes ecuaciones: Π + 1 β+ = γ K ecuaciones (1) Π + 2 β+ = 0 K ecuaciones (2) Las primeras K ecuaciones sólo muestran cómo obtener γ dado β +. Si podemos resolver para β + de (2), podemos utilizar esta solución en (1) para obtener γ y por lo tanto, los parámetros estructurales de la ecuación estarán identificados. La condición de Rango para la identificación de la ecuación establece que rango(π + 2 ) = G. La condición necesaria es que G K.
14 Hay tres casos a considerar: La ecuación está exactamente identificada. No hay restricciones sobre Π + 2. Dada la normalización π Π 1 β = 0 = β = (Π 1 ) 1 π ya que la matriz Π 1 es cuadrada y de rango completo por lo que existe su inversa. El estimador de β y γ por MVIL se obtiene de ˆβ MVIL = (ˆΠ 1 ) 1ˆπ ˆγ = ˆπ ˆΠ 1 ˆβ MVIL siendo el estimador de Π + que maximiza el logaritmo de la verosimilitud el estimador MCO. El estimador de β y γ por MVIL coincide con MCI y entonces también con MC2E.
15 La ecuación no está identificada. No hay estimación posible. No podemos recuperar los parámetros estructurales a partir de los parámetros de la Forma Reducida. La ecuación esta sobreidentificada. La sobreidentificación impone restricciones sobre Π +. Las restricciones (2) son importantes. En este caso la solución anaĺıtica al problema de maximizar lnl sueto a Π + 2 β+ = 0 con respecto a Π +, β + y Ω + es extremadamente larga y complicada.
16 El estimador MVIL de β + coincide con el estimador que minimiza el siguiente ratio de varianzas residuales: l = β+ Aβ + β + Sβ + = β+ Y + M Y + β + β + Y + MY + β + siendo M = I T X (X X ) 1 X y M = I T X(X X) 1 X. El numerador del ratio de varianzas l es la suma de cuadrados residual de la regresión de ỹ Y + β +, dado β +, sobre las variables exógenas X que son las incluidas en la ecuación estructural a estimar Y + β + = X γ +u ỹ
17 El denominador del ratio de varianzas l es la suma de cuadrados residual de la regresión de ỹ Y + β +, dado β +, sobre todas las variables exógenas X. Una vez obtenido el estimador de β +, impuesta la normalización, que minimiza ese ratio de varianzas residuales, = (1, ˆβ MVIL ), el estimador MVIL de γ se puede obtener de resolver para ˆγ ˆβ + X (y Y ˆβMVIL ) = X X ˆγ ˆγ MVIL = (X X ) 1 X (y Y ˆβMVIL ) que es el resultado de la regresión de (y Y ˆβ MVIL ) sobre X.
18 El estimador ˆβ MVIL a) Calcular las matrices se puede obtener como sigue: S 0 = Y + M Y + = Y + (I T X (X X ) 1 X )Y + = E 0 E 0 S 1 = Y + MY + = Y + (I T X(X X) 1 X )Y + = E 1 E 1 Cada columna de E 0 = M Y + es el vector de residuos minimocuadráticos obtenidos de la regresión de la columna correspondiente de Y + sobre X. Para E 1 = MY + es lo mismo pero incluyendo en las regresiones también a X, esto es todas las variables exógenas X.
19 b) Se obtienen las raíces características de la matriz (S 1 ) 1 S 0 o equivalentemente de la matriz D = (S 1 ) 1/2 S 0 (S1 ) 1/2. Todas las raíces son reales y mayores o iguales a la unidad. Se elige la menor raíz característica λ 1 c) Particionamos la matriz S 0 y S 1 ( s S 0 0 = s 0 ) s 0 S 0 S 1 = ( s 1 s 1 s 1 S 1 ) Con estos elementos disponibles se puede obtener ˆβ MVIL = [ S 0 λ 1S 1 ] 1(s 0 λ 1 s 1 ) Si la ecuación está identificada, puede demostrarse que λ 1 = 1, lo que conduce a que MVIL = MCI = MC2E.
Estimación 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 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 detallesEl problema de la identificación en Modelos de Ecuaciones Simultáneas
en Modelos de Ecuaciones Simultáneas Economía Aplicada III (UPV/EHU) OCW 2013 Contents 1 Notación general del modelo Forma Estructural Forma Reducida 2 3 Forma Estructural Forma Estructural Forma Reducida
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 detallesPrácticas Tema 6. Modelos de ecuaciones simultáneas
Prácticas Tema 6. Modelos de ecuaciones simultáneas Ana J. López y Rigoberto Pérez Dpto. Economía Aplicada, Universidad de Oviedo PRÁCTICA 6.1- La oferta agregada de determinado producto agrícola (QS)
Más detallesEjercicios Resueltos: Estimación de ecuaciones simultáneas
Ejercicios Resueltos: Estimación de ecuaciones simultáneas Román Salmerón Gómez Universidad de Granada 2 Consideremos el modelo de ecuaciones simultáneas dado por las dos ecuaciones siguientes: donde:
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 detallesModelos de ecuaciones simultáneas
CAPíULO 13 Modelos de ecuaciones simultáneas Hasta ahora hemos estudiado el modelo lineal general uniecuacional, que relaciona una variable dependiente con una combinación lineal de varias variables independientes
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 detallesDESARROLLO DE ALGORITMOS PARA MODELOS DE ECUACIONES SIMULTANEAS EN ALTAS PRESTACIONES. Jose Juan López Espín Universidad Miguel Hernández
DESARROLLO DE ALGORITMOS PARA MODELOS DE ECUACIONES SIMULTANEAS EN ALTAS PRESTACIONES Espín Universidad Miguel Hernández Introducción Motivación Los Modelos de Ecuaciones Simultáneas (M.E.S.) nacen como
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 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 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 detallesUNA PROPUESTA PARA LA MAXIMIZACIÓN DE LA ESTADÍSTICA Q K
Revista Colombiana de Estadística Volumen 24 (2001) N o 1, páginas 45 a 57 UNA PROPUESTA PARA LA MAXIMIZACIÓN DE LA ESTADÍSTICA Q K JOSÉ A. JIMÉNEZ M.* Resumen En este artículo mediante el método de los
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 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 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 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 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 detallesEscuela de Economía Universidad de Carabobo Profesor: Exaú Navarro Pérez.
Escuela de Economía Universidad de Carabobo Profesor: Exaú Navarro Pérez. Econometría Regresión Múltiple: Municipio Ocupados Población Analfabeta Mayor de 10 años Total de Viviendas Bejuma 18.874 1.835
Más detallesINSTITUTO POLITÉCNICO NACIONAL ESCUELA SUPERIOR DE ECONOMÍA GUIA DE MODELOS ECONOMETRICOS ( ) ( ) ( ) (0.08)
GUIA DE MODELOS ECONOMETRICOS Se estimó el siguiente modelo de inversión: Fbk t = 31032550-92480.81r t + 6537785t + 0.79FBK t-1 (25993807) (674994.4) (2596703) (0.08) R 2 = 0.99 DW = 2.081 n = 53 R 2 ajustada
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 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 detallesActividad A5. Modelo de Regresión Lineal General. Estimación. Pilar González y Susan Orbe. Dpto. Economía Aplicada III (Econometría y Estadística)
Actividad A5 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 Actividad A5. Estimación
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 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 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 detallesEstimación de ecuaciones estructurales
Estimación de ecuaciones estructurales Consideremos la oferta de mano de obra de las trabajadoras casadas que ya forman parte del mercado laboral. Escribimos el salario ofrecido en función de las horas
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 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 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 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 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 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 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 detalles1 Matrices y Sistemas lineales de ecuaciones
Águeda Mata y Miguel Reyes, Dpto. de Matemática Aplicada, FI-UPM 1 1 Matrices y Sistemas lineales de ecuaciones Sea M n m = M n m (R) el espacio vectorial de las matrices reales con n ilas y m columnas.
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 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 detallesEstimación de modelos multiecuacionales mediante el entorno de programación R
Estimación de modelos multiecuacionales mediante el entorno de programación R 1. Resumen En el presente documento vamos a abordar la estimación de modelos de ecuaciones simultáneas mediante el entorno
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 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 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 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 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 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 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 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 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 detallesEstadística III (P33) Exam, Tipo: A
21 de Enero de 2000 Responde a las siguientes preguntas sobre papel ordinario, de forma breve y concisa. Al entregar tu exámen, has de entregar también la Tarea 10, que no fue posible finalizar en periodo
Más detallesTema 2: Determinantes
Tema : Determinantes.- a) Encontrar los valores de λ para los que la matriz λ A = 0 λ λ 0 es invertible b) Para λ = hallar la inversa de A comprobar el resultado c) Resolver el sistema x 0 A = 0 z 0 para
Más detallesAlgebra Lineal XXVI: La Regla de Cramer.
Algebra Lineal XXVI: La Regla de Cramer José María Rico Martínez Departamento de Ingeniería Mecánica Facultad de Ingeniería Mecánica Eléctrica y Electrónica Universidad de Guanajuato email: jrico@salamancaugtomx
Más detallesA = [a 1 a 2 a 3. El sistema Ax = c tiene infinitas soluciones N. Existe un único vector x tal que T (x) = c X. T es suprayectiva
Asignatura: ÁLGEBRA LINEAL Fecha: 6 de Julio de Fecha publicación notas: 6 de Julio de Fecha revisión examen: de Julio de Duración del examen: horas y media APELLIDOS Y NOMBRE: DNI: Titulación:. ( punto:,
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 detallesModelado y simulación en Ingeniería Química. Manuel Rodríguez
ÍNDICE Modelos de caja gris Calibración de modelos Estimación de parámetros Análisis de la estimación Regresión no lineal 1. Modelos de caja gris Son modelos de un sistema (o proceso), donde: Desarrollados
Más detallesAnálisis de datos Categóricos
Introducción Universidad Nacional Agraria La Molina 2017-1 Variable cualitativa Variable respuesta cualitativa Variable respuesta y explicativa Variable de conteo y proporción Escalas de medición Una variable
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 detallesRango de una matriz. Antes de nada daremos algunas definiciones. Para ello supongamos que tenemos una matriz de orden m n: A M m n.
En un artículo anterior dijimos que el rango de una matriz A, ra), es el número de filas que son linealmente independientes. También se hizo uso del método de Gauss para calcular el rango de una matriz:
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 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 detallesAspectos computacionales de la resolución y obtención de Modelos de Ecuaciones Simultáneas
Aspectos computacionales de la resolución y obtención de Modelos de Ecuaciones Simultáneas Espín dirigida por: Domingo Giménez diciembre de 2009 Esquema 1 Introducción 2 Descripción Teórica 3 MC2E basado
Más detallesSEPTIEMBRE 2003 PRUEBA A
PROBLEMAS SEPTIEMBRE 003 PRUEBA A 1.- a) Discutir en función de los valores de m: x 3y 0 x y+ z 0 x + y + mz m b) Resolver en los casos de compatibilidad el sistema anterior..- Calcular el área de la región
Más detallesModelo de Análisis de la Covarianza. Introducción al modelo de Medidas Repetidas
Modelo de Análisis de la Covariza. Introducción al modelo de Medidas Repetidas Modelo de Análisis de la Covariza Introducción El diseño por bloques se considera para eliminar el efecto de los factores
Más detallesESPACIOS VECTORIALES Y APLICACIONES LINEALES
Departamento de Matemática Aplicada II E.E.I. ÁLGEBRA Y ESTADÍSTICA Boletín n o (010-011 ESPACIOS VECTORIALES Y APLICACIONES LINEALES 1. En el espacio vectorial ordinario R 4 estudiar cuáles de los siguientes
Más detallescon los supuestos clásicos, uno de ellos es que ninguna de las variables X 1, X 2,, X K es
TEMA 2: EXTENSIONES DEL MODELO DE REGRESIÓN LINEAL MÚLTIPLE: MULTICOLINEALIDAD Y TRANSFORMACIONES LINEALES. Wooldridge: Capítulos 6 (apartado 6.1) y 7 Gujarati: Capítulos 9 (apartado 9.8), 10 y 12 1. MULTICOLINEALIDAD
Más detallesVARIABLES INSTRUMENTALES CAPITULO 1 ECONOMETRIA 2 EMI COCHABAMBA
VARIABLES INSTRUMENTALES CAPITULO 1 ECONOMETRIA 2 EMI COCHABAMBA VARIABLES INSTRUMENTALES El úl6mo supuesto que no se ha levantado es la ausencia de relación entre regresor y residuo. En modelos macroeconómicos
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 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 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 detallesRelación 3 de problemas
ESTADÍSTICA II Curso 2016/2017 Grado en Matemáticas Relación 3 de problemas 1. La Comunidad de Madrid evalúa anualmente a los alumnos de sexto de primaria de todos los colegios sobre varias materias. Con
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 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 detallesMétodo de los Mínimos Cuadrados Recursivos
Método de los Mínimos Cuadrados Recursivos Teodoro Alamo a Ingeniería de Control Tercer Curso GITI Escuela Superior de Ingenieros Sevilla Formulación del problema Supongamos que los escalares y i, i =
Más detallesTEMA 4 Regresión logística
TEMA 4 Regresión logística José R. Berrendero Departamento de Matemáticas Universidad Autónoma de Madrid Análisis de Datos - Grado en Biología Esquema del tema Variable respuesta dicotómica. Ejemplo. El
Más detallesEstimación de un modelo de ecuaciones simultáneas usando el software econométrico Gretl
Estimación de un modelo de ecuaciones simultáneas usando el software econométrico Gretl Catalina García, María del Mar López y Román Salmerón Departamento de Métodos Cuantitativos para la Economía y la
Más detallesIDENTIFICACIÓN DE SISTEMAS ESTIMACIÓN ESTOCÁSTICA
IDENTIFICACIÓN DE SISTEMAS ESTIMACIÓN ESTOCÁSTICA Ing. Fredy Ruiz Ph.D. ruizf@javeriana.edu.co Maestría en Ingeniería Electrónica Pontificia Universidad Javeriana 2013 Problema de la estima θ(t): magnitud
Más detallesEL PRINCIPIO DE MÁXIMA VEROSIMILITUD (LIKELIHOOD)
EL PRINCIPIO DE MÁXIMA VEROSIMILITUD (LIKELIHOOD) Fortino Vela Peón fvela@correo.xoc.uam.mx FVela-0 Objetivo Introducir las ideas básicas del principio de máxima verosimilitud. Problema Considere el experimento
Más detallesMODELOS DE ECUACIONES SIMULTÁNEAS
MODELOS DE ECUACIONES SIMULTÁNEAS Autores: Ángel A. Juan (ajuanp@uoc.edu), Renatas Kizys (rkizys@uoc.edu), Luis María Manzanedo Del Hoyo (lmanzanedo@uoc.edu). ESQUEMA DE CONTENIDOS Inconsistencia de estimadores
Más detallesEstadística II Examen Final 19/06/2015 Soluciones. Responda a las preguntas siguientes en los cuadernillos de la Universidad
Estadística II Examen Final 19/06/2015 Soluciones Responda a las preguntas siguientes en los cuadernillos de la Universidad Utilice diferentes cuadernillos para responder a cada uno de los ejercicios Indique
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 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 detallesAnálisis de Datos Categóricos. Leticia Gracia Medrano
Análisis de Datos Categóricos Leticia Gracia Medrano ii Contents 1 Modelo Logístico 1 1.1 Estimación de parámetros.................... 1 1.2 Interpretación de los parámetros................. 2 1.3 Ejemplo..............................
Más detallesDiagonalización de matrices
7 Diagonalización de matrices 7.1. Matrices diagonalizables Existen diversos procesos en los que el estado en cada uno de sus pasos se puede representar por un determinado vector y en los que, además,
Más detallesCAPITULO IV MODELOS MULTIECUACIONALES
CAPITULO IV MODELOS MULTIECUACIONALES 1. INTRODUCCIÓN En el modelo básico de regresión y para cualquier punto muestral t tenemos: y = β x + β x + + β x + u t 1 1t 2 2 t... k kt t expresándolo en matrices
Más detallesEs decir, det A = producto de diagonal principal producto de diagonal secundaria. Determinante de una matriz cuadrada de orden 3
1.- DETERMINANTE DE UNA MATRIZ CUADRADA Determinante de una matriz cuadrada de orden 1 Dada una matriz cuadrada de orden 1, A = (a), se define det A = det (a) = a Determinante de una matriz cuadrada de
Más detalles4.1 Modelo de intensidad de creencias religiosas y participación en. Para probar las hipótesis se realiza un análisis de los factores que
CAPITULO Metodología. Modelo de intensidad de creencias igiosas y participación en actividades igiosas Para probar las hipótesis se realiza un análisis de los factores que determinan la intensidad de creencias
Más detallesMODELOS DE ECUACIONES SIMULTANEAS (MES) Fortino Vela Peón Noviembre, 2011
MODELOS DE ECUACIONES SIMULTANEAS (MES) Fortino Vela Peón fvela@correo.xoc.uam.mx Noviembre, 2011 Introducción Qué es primero el huevo o la gallina? El mundo real tiene efectos de retroalimentación (feedback
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 detallesCURSO: ECONOMETRÍA Y ANÁLISIS DE POLÍTICAS FISCALES INSTRUCTOR: HORACIO CATALÁN ALONSO. Especificación de los modelos VAR
CURSO: ECONOMETRÍA Y ANÁLISIS DE POLÍTICAS FISCALES INSTRUCTOR: HORACIO CATALÁN ALONSO Especificación de los modelos VAR Modelos VAR es una extensión de un AR(p) Permiten un mejor entendimiento de la
Más detallesMás Allá del Modelo de Regresión Lineal. Dante A. Urbina
Más Allá del Modelo de Regresión Lineal Dante A. Urbina CONTENIDOS 1. Modelos de Regresión No Lineales 2. Modelos de Respuesta Cualitativa 3. Datos de Panel 4. Modelos Autorregresivos y de Rezagos 5. Modelos
Más detallesEconometría 1. Karoll GOMEZ Segundo semestre 2017
Econometría 1 Karoll GOMEZ kgomezp@unal.edu.co http://karollgomez.wordpress.com Segundo semestre 2017 II. El modelo de regresión lineal Esperanza condicional I Ejemplo: La distribución de los salarios
Más 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 detallesLICENCIATURAS EN ECONOMÍA Y EN ADMINISTRACIÓN Y DIRECCIÓN DE EMPRESAS Curso Primer Cuatrimestre ASIGNATURA: ECONOMETRÍA I
LICENCIATURAS EN ECONOMÍA Y EN ADMINISTRACIÓN Y DIRECCIÓN DE EMPRESAS Curso 2000-2001 Primer Cuatrimestre ASIGNATURA: ECONOMETRÍA I EXAMEN FINAL DEL DÍA 25 DE ENERO DE 2001 Departamento de Economía Cuantitativa
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 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 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 detallesREGRESIÓN Y ESTIMACIÓN TEMA 1: REGRESIÓN LINEAL SIMPLE
UNIDAD 3 REGRESIÓN Y ESTIMACIÓN TEMA 1: REGRESIÓN LINEAL SIMPLE Relación entre variables de interés 1 Relación entre variables de interés Muchas decisiones gerenciales se basan en la relación entre 2 o
Más detallesEconometría 1. Karoll GOMEZ Segundo semestre 2017
Econometría 1 Karoll GOMEZ kgomezp@unal.edu.co http://karollgomez.wordpress.com Segundo semestre 2017 II. El modelo de regresión lineal Esperanza condicional I Ejemplo: La distribución de los salarios
Más 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 detallesÁlgebra Lineal. Tema 6. Transformaciones lineales y matrices
Álgebra Lineal Tema 6. Transformaciones lineales y matrices Grado en Ingeniería Informática Doble Grado en Ingeniería Informática y Administración de Empresas AUTORES: J. S ALAS, A. T ORRENTE Y E.J.S.
Más detallesUNIVERSIDAD NACIONAL MAYOR DE SAN MARCOS. Modelos Probit y Tobit aplicados al estudio de la oferta laboral de los trabajadores secundarios en el Perú
UNIVERSIDAD NACIONAL MAYOR DE SAN MARCOS FACULTAD DE CIENCIAS MATEMÁTICAS E.A.P. DE. ESTADÍSTICA Modelos Probit y Tobit aplicados al estudio de la oferta laboral de los trabajadores secundarios en el Perú
Más detalles