T6. Modelos multiecuacionales
|
|
- Asunción Claudia Cáceres Carrasco
- hace 7 años
- Vistas:
Transcripción
1 T6. Modelos multiecuacionales Ana J. López y Rigoberto Pérez Dpto Economía Aplicada. Universidad de Oviedo Curso Curso / 41
2 Índice 1 Los modelos multiecuacionales: SUR y SEM 2 Modelos de ecuaciones simultáneas Problema de la identificación Métodos de estimación 3 Evaluación de modelos multiecuacionales 4 Algunos casos de estudio Curso / 41
3 Modelos multiecuacionales Competencias Este último tema presenta de forma introductoria los principales conceptos asociados a los modelos multiecuacionales. A su finalización se pretende que los estudiantes estén en condiciones de: Estudiar la identificabilidad de un modelo de ecuaciones simultáneas Conocer el método de estimación de mínimos cuadrados bietápicos y el papel de las variables instrumentales Especificar y estimar modelos multiecuacionales sencillos con el programa Gretl Curso / 41
4 Los modelos multiecuacionales: SUR y SEM Los modelos multiecuacionales Ecuaciones aparentemente no relacionadas (Seemingly Unrelated Equations, Modelos SUR) Demanda de varios artículos Producción de varias empresas industriales Sistemas de ecuaciones simultáneas (Simultaneous Equation Models, SEM) Equilibrios oferta-demanda Modelos multiplicador-acelerador Modelos de economía internacional Curso / 41
5 Los modelos multiecuacionales: SUR y SEM Modelos de consumo Modelo uniecuacional estático: C t = β 0 + β 1 R t + u t Modelo uniecuacional dinámico: C t = β 0 + β 1 R t + β 2 C t 1 + u t Modelo SUR Ct a = β0 a + β1r a t + ut a C b t = β b 0 + β b 1 R t + u b t Modelo de Ecuaciones Simultáneas (SEM) C t = β 0 + β 1 R t + u t R t = C t + I t na J. López y Rigoberto Pérez (Dpto Economía Aplicada. T6. Modelos Universidad multiecuacionales de Oviedo) Curso / 41
6 Los modelos multiecuacionales: SUR y SEM Ejemplos: Modelos de oferta-demanda Modelo 1 (M1) Q d t = α 1 + α 2 P t + u 1t (Demanda) Q o t = β 1 + β 2 P t + u 2t (Oferta) Q d t = Q o t Modelo 2 (M2) Q d t = α 1 + α 2 P t + α 3 R t + u 1t (Demanda) Q o t = β 1 + β 2 P t + u 2t (Oferta) Q d t = Q o t Curso / 41
7 Los modelos multiecuacionales: SUR y SEM Ejemplos: Modelos de oferta-demanda Modelo 3 (M3) Q d t = α 1 + α 2 P t + α 3 R t + u 1t (Demanda) Q o t = β 1 + β 2 P t + β 3 P t 1 + u 2t (Oferta) Q d t = Q o t Modelo 4 (M4) Q d t = α 1 + α 2 P t + α 3 R t + α 4 Q t 1 + u 1t (Demanda) Q o t = β 1 + β 2 P t + β 3 P t 1 + u 2t (Oferta) Q d t = Q o t Curso / 41
8 Formalización de modelos SEM Explicación de la observación i de la ecuación h: y hi = α h1 y 1i + + α hm y mi + β h1 x 1i + + β hk x ki + u hi i = 1, 2,, n, h = 1, 2,, m y 11 y 21 y m1 y 11 y 21 y m1 α 11 α 21 α m1 y 12 y 22 y m = y 12 y 22 y m2 α 12 α 22 α m y 1n y 2n y mn y 1n y 2n y mn α 1m α 2m α mm x 11 x 21 x k1 β 11 β 21 β m1 u 11 u 21 u m1 x 12 x 22 x k2 β 12 β 22 β m u 12 u 22 u m x 1n x 2n x kn β 1k β 2k β mk u 1n u 2n u mn Y = Yα + Xβ + U Curso / 41
9 Forma estructural y reducida Forma estructural Y = Yα + Xβ + U Y Yα = Xβ + U Y = Xβ(I α) 1 + U(I α) 1 Forma reducida Y = XΠ + V Curso / 41
10 Forma estructural y reducida (M1) Forma estructural Q d t = α 1 + α 2 P t + u 1t Q o t = β 1 + β 2 P t + u 2t (Demanda) (Oferta) α 1 + α 2 P t + u 1t = β 1 + β 2 P t + u 2t Una ecuación reducida es aquélla en que la variable endógena se expresa en función de variables predeterminadas P t (α 2 β 2 ) = (β 1 α 1 ) + (u 2t u 1t ) Forma reducida P t = β 1 α 1 α 2 β 2 + u 2t u 1t α 2 β 2 = π 11 + ν 1t Q t = β 1 + β 2 [π 11 + ν 1t ] + u 2t = [β 1 + β 2 π 11 ] + [β 1 ν 1t + u 2t ]= π 21 + ν 2t Curso / 41
11 Hipótesis básicas u 11 u 21 u m1 u 12 u 22 u m u 1n u 2n u nm Ecuaciones: h = 1,..., m Observaciones i = 1,..., n Perturbaciones esperadas nulas E[u 1i,..., u mi ] = 0, i = 1,..., n Matriz de var-cov escalar para cada ecuación u h1 σ 2 h 0 0 Cov(u h ) = E. (u h1 u hn ) = 0 σ 2 h. = σh 2 I n u hn 0 σh 2 Homodecasticidad: E(uhi 2 ) = σ2 h, i = 1,..., n; Incorrelación serial: E(u hi u hj ) = 0; j i = 1,..., n Curso / 41
12 Hipótesis básicas u 11 u 21 u m1 u 12 u 22 u m u 1n u 2n u nm Ecuaciones: h = 1,..., m Observaciones i = 1,..., n Homocedasticidad interecuaciones u 1i Cov(u i ) = E. ( σ 11 σ 1m ) u 1i u mi =..... = Σ σ m1 σ mm u mi Correlaciones entre errores de ecuaciones constantes en las n observaciones na J. López y Rigoberto Pérez (Dpto Economía Aplicada. T6. Modelos Universidad multiecuacionales de Oviedo) Curso / 41
13 Problema de la identificación Problema de la identificación Es posible distinguir las dos ecuaciones del modelo? Es posible determinar los parámetros estructurales a partir de los reducidos? Curso / 41
14 Problema de la identificación Identificación oferta-demanda (M1) Q d t = α 1 + α 2P t + u 1t (Demanda) Q o t = β 1 + β 2P t + u 2t (Oferta) Las ecuaciones de oferta y demanda no están identificadas en este modelo Curso / 41
15 Problema de la identificación Identificación oferta-demanda (M2) Q d t = α 1 + α 2P t + α 3R t + u 1t (Demanda) Q o t = β 1 + β 2P t + u 2t (Oferta) Al completar la especificación de la demanda es posible identificar la ecuación de oferta Curso / 41
16 Problema de la identificación Identificación El problema de la identificación se centra en analizar si es posible obtener los parámetros estructurales una vez conocidos los reducidos. Este problema es equivalente a observar si las ecuaciones del modelo son distinguibles de las demás o de cualquier combinación lineal de las mismas. La respuesta se obtiene del análisis del sistema de ecuaciones que recoge parámetros estructurales en función de los reducidos Sistema de ecuaciones Incompatible Compatible determinado Compatible indeterminado Modelo No identificado Exactamente identificado Sobreidentificado Curso / 41
17 Problema de la identificación Condiciones de identificación Condiciones de orden (Necesarias) Análisis de la compatibilidad del sistema Condiciones de rango (Necesarias y Suficientes) Análisis del rango de la matriz A Número de variables Predeterminadas Endógenas Ecuación k m Modelo k m Curso / 41
18 Problema de la identificación Identificación. Condición de rango Una ecuación será IDENTIFICADA o SOBREIDENTIFICADA si y sólo si, además de verificarse las condiciones de orden, la matriz A construida con los coeficientes de las variables excluidas de la ecuación analizadaendógenas y predeterminadas- e incluidas en el resto de las ecuaciones del modelo tiene rango m-1 No identificada Identificada Sobreidentificada k + m (k + m ) < m 1 k + m (k + m ) = m 1 k + m (k + m ) > m 1 k k < m 1 k k = m 1 k k > m 1 o bien: r(a) < m 1 y: r(a) = m 1 y: r(a) = m 1 Curso / 41
19 Problema de la identificación Identificación del modelo oferta-demanda M1 Q d t = α 1 + α 2P t + u 1t (Demanda) 4 parámetros estructurales Q o t = β 1 + β 2P t + u 2t (Oferta) Forma reducida P t Q t = π 11 + v 1t = π 21 + v 2t 2 parámetros reducidos NO IDENTIFICADO. No es posible obtener 4 parámetros estructurales a partir de 2 reducidos Modelo m=2 k=0 CN de Orden Ec. 1 m =2 k =0 k-k =0<m -1 No Identificada Ec. 2 m =2 k =0 k-k =0<m -1 No Identificada Curso / 41
20 Problema de la identificación Identificación del modelo oferta-demanda M2 Qt d = α 1 + α 2P t + α 3R t + u 1t (Demanda) 5 parámetros estructurales Qt o = β 1 + β 2P t + u 2t (Oferta) Forma reducida P t Q t = π 11 + π 12 R t + v 1t = π 21 + π 22 R t + v 2t 4 parámetros reducidos NO IDENTIFICADO. No es posible obtener 5 parámetros estructurales a partir de 4 reducidos Modelo m=2 k=1 CN de Orden Ec. 1 m =2 k =1 k-k =0<m -1 No Identificada Ec. 2 m =2 k =0 k-k =1=m -1 Identificada ρ(a) = 1 = m 1 Identificada Curso / 41
21 Problema de la identificación Identificación del modelo oferta-demanda M3 Qt d = α 1 + α 2P t + α 3R t + u 1t (Demanda) 6 parámetros estructurales Qt o = β 1 + β 2P t + β 3P t 1 + u 2t (Oferta) Forma reducida P t Q t = π 11 + π 12 R t + π 13 P t 1 + v 1t = π 21 + π 22 R t + π 23 P t 1 + v 2t 6 parámetros reducidos IDENTIFICADO. Es posible obtener 6 parámetros estructurales a partir de 6 reducidos Modelo m=2 k=2 CN de Orden Ec. 1 m =2 k =1 k-k =1=m -1 Identificada Ec. 2 m =2 k =1 k-k =1=m -1 Identificada ρ(a) = 1 = m 1 Identificada Curso / 41
22 Problema de la identificación Identificación del modelo oferta-demanda M4 Q d t = α 1 + α 2P t + α 3R t + α 4Q t 1 + u 1t (Demanda) Q o t = β 1 + β 2P t + β 3P t 1 + u 2t (Oferta) 7 parámetros estructurales P t Q t = π 11 + π 12 R t + π 13 P t 1 + π 14 Q t 1 + v 1t = π 21 + π 22 R t + π 23 P t 1 + π 24 Q t 1 + v 2t 8 parámetros reducidos SOBREIDENTIFICADO. Infinitas maneras de obtener 7 parámetros estructurales a partir de 8 reducidos Modelo m=2 k=3 CN de Orden Ec. 1 m =2 k =2 k-k =1=m -1 Identificada Ec. 2 m =2 k =1 k-k =2>m -1 Sobreidentificada Curso / 41
23 Problema de la identificación Identificación del modelo oferta-demanda M4. Condición suficiente de rango Q d t = α 1 + α 2P t + α 3R t + α 4Q t 1 + u 1t (Demanda) Q o t = β 1 + β 2P t + β 3P t 1 + u 2t (Oferta) Q d t α 1 α 2 P t α 3 R t α 4 Q t 1 0P t 1 = u 1t Q o t β 1 β 2 P t 0R t 0Q t 1 β 3 P t 1 = u 2t Matriz A rango de A CS de Rango Ecuación A = ( β 3 ) 1 ρ(a) = 1 = m 1 Identificada A = ( α 3, α 4 ) 1 ρ(a) = 1 = m 1 Sobreidentificada Curso / 41
24 Métodos de estimación Estimación de modelos multicuacionales Mínimos Cuadrados Ordinarios (MCO) No aplicables si las variables explicativas X están correlacionadas con u (estimadores sesgados e inconsistentes). Aplicables en modelos recursivos Mínimos Cuadrados Indirectos (MCI) Aplicables en modelos y ecuaciones perfectamente identificados Mínimos Cuadrados bietápicos (MC2E) o Variables Instrumentales Aplicables en modelos y ecuaciones identificados o sobreidentificados (método de variables instrumentales, VI) Mínimos Cuadrados Trietápicos (MC3E) y Otros Estimación con información completa de todo el sistema Máxima Verosimilitud (MV), Método Generalizado de Momentos Ana J. López(MGM), y Rigoberto Pérez... (Dpto Economía Aplicada. T6. Modelos Universidad multiecuacionales de Oviedo) Curso / 41
25 Métodos de estimación Mínimos cuadrados indirectos (MCI) Obtención de las ecuaciones reducidas Estimación MCO de estas ecuaciones Estimadores consistentes Bajo condiciones de normalidad de las perturbaciones o con variables predeterminadas exógenas los estimadores MCO coinciden con los MV, siendo por tanto insesgados y eficientes Cálculo de los parámetros estructurales a partir de los reducidos (exige perfecta identificación) Curso / 41
26 Métodos de estimación Mínimos cuadrados bietápicos (MC2E) Y = Yα + Xβ + U Y: Variables explicativas endógenas, correlacionadas con U Etapa 1 Etapa 2 Estimación por MCO en forma reducida de aquellas variables endógenas que aparezcan como explicativas en otras ecuaciones. En esta etapa se necesitan Variables Instrumentales (predeterminadas) que estarán correlacionadas con las variables explicativas pero no con las perturbaciones Sustitución de las variables endógenas por sus valores estimados y estimación por MCO del modelo en su forma estructural Los estimadores MC2E coinciden con MCI para sistemas identificados Curso / 41
27 Métodos de estimación Contrastes de endogeneidad. Test de Hausman El test de Hausman contrasta la hipótesis nula de exogeneidad, en cuyo caso los estimadores MCO serán consistentes y no resulta necesaria la estimación bietápica Los estimadores MC2E son adecuados con variables explicativas endógenas En cambio si las variables explicativas son exógenas las estimaciones bietápicas tienen varianzas elevadas El test de Hausman se basa en comparar los estimadores MCO y MC2E Si las variables explicativas son exógenas ambos estimadores serán consistentes, pero si en cambio se detectan diferencias significativas entre los estimadores entonces existirán variables explicativas endógenas. Curso / 41
28 Métodos de estimación Contraste de Sargan El test de Sargan contrasta la hipótesis nula de que todos los instrumentos son válidos Se dice que un modelo está sobreidentificado cuando hay más instrumentos de los estrictamente necesarios Supongamos 2 instrumentos Z 1i y Z 2i. Podemos llevar a cabo dos estimaciones separadas por MC2E Si las estimaciones son muy distintas, alguno de los instrumentos o los dos, deben estar mal y no deben de ser incluidos: Se estima la ecuación mediante MC2E Se hallan los residuos Se hace la regresión de los residuos sobre los instrumentos y las variables Se realiza un test de restricciones lineales (F), contrastando la nulidad de los coeficientes de los instrumentos El estadístico mf sigue una χ 2 m k Curso / 41
29 Métodos de estimación Contraste de instrumentos débiles Este test contrasta la hipótesis nula de debilidad de los instrumentos, que origina problemas en la estimación bietápica Los instrumentos serán débiles si todos sus coeficientes son nulos o cercanos a cero. Los instrumentos débiles explican muy poco la variación de Y Los coeficientes estimados por MC2E serán muy sensibles a cambios en la muestra La normal no es una buena aproximación para los coeficientes estimados (mejor un cociente de normales correlacionadas) Contraste F en la primera etapa: Todos los coeficientes de los instrumentos son nulos Con valores de F inferiores a 10 debemos considerar que el conjunto de instrumentos es débil Curso / 41
30 Métodos de estimación Estimación MC2E con Gretl Gretl: Modelos Variables instrumentales Mínimos cuadrados en dos etapas... Q i = α 1 + α 2 P i + α 3 R i + u 1i P i = β 1 + β 2 Q i + β 3 Pub i + u 2i Las variables instrumentales son predeterminadas y están correlacionadas con las explicativas pero no con u Curso / 41
31 Métodos de estimación Estimación MC2E con Gretl Modelo 1: MC2E, usando las observaciones Variable dependiente: cantidad Mediante Instrumentos: precio Instrumentos: const renta publicidad Coeficiente Desv. Típica z Valor p const precio renta Media de la vble. dep D.T. de la vble. dep Suma de cuad. residuos D.T. de la regresión R R 2 corregido F (2, 47) Valor p (de F ) 9.80e 24 Log-verosimilitud Criterio de Akaike Criterio de Schwarz Hannan--Quinn El valor R-cuadrado para los modelos estimados a través de MC2E es el cuadrado de la correlación entre la variable dependiente y los valores ajustados Curso / 41
32 Métodos de estimación Estimación MC2E con Gretl Continua la salida anterior Modelo 1: MC2E, usando las observaciones Variable dependiente: cantidad Mediante Instrumentos: precio Instrumentos: const renta publicidad Contraste de Hausman -- Hipótesis nula: Los estimadores de MCO son consistentes Estadístico de contraste asintótico: χ 2 (1) = con valor p = 0 Contraste de Instrumento débil -- First-stage F (1, 47) = Curso / 41
33 Métodos de estimación Estimación de modelos simultáneos con Gretl Gretl: Modelos Ecuaciones simultáneas Otros comandos instr lista de instrumentos (no necesaria cuando se especifican las v. endógenas) identity para explicitar identidades Curso / 41
34 Métodos de estimación Sistema de ecuaciones, Mínimos cuadrados en dos etapas Gretl: Modelos Ecuaciones simultáneas Ecuación 1: MC2E, usando las observaciones Variable dependiente: cantidad Instrumentos: renta const publicidad Coeficiente Desv. Típica z Valor p const precio renta Media de la vble. dep D.T. de la vble. dep Suma de cuad. residuos D.T. de la regresión Ecuación 2: MC2E, usando las observaciones Variable dependiente: precio Instrumentos: renta const publicidad Coeficiente Desv. Típica z Valor p const cantidad publicidad Media de la vble. dep D.T. de la vble. dep Suma de cuad. residuos D.T. de la regresión Curso / 41
35 Métodos de estimación Sistema de ecuaciones, Mínimos cuadrados en dos etapas Gretl: Modelos Ecuaciones simultáneas Sistema de ecuaciones, Mínimos cuadrados en dos etapas Matriz de covarianzas cruzada residual (correlaciones por encima de la diagonal principal) 0, ( 0,994) 0, ,486 logaritmo del determinante = Curso / 41
36 Métodos de estimación Problemas de identificación en Gretl Excluimos la variable publicidad en el ejemplo anterior No se satisface la condición de orden para la identificación. Se necesitan al menos 1 instrumentos más. Curso / 41
37 Evaluación de modelos multiecuacionales Evaluación de modelos multiecuacionales Para cada ecuación individual es posible utilizar los indicadores habituales (coeficiente de determinación, medidas basadas en errores cuadráticos,...). En ocasiones se calcula un Coeficiente de determinación para el sistema que resume la bondad de las ecuaciones individuales ponderándola por su dispersión: R 2 = g R 2 sh 2 h g h=1 sj 2 j=1 Sin embargo, es posible que algunas ecuaciones más difíciles de modelizar sean compensadas por otras más perfeccionadas. Además, sería una simplificación excesiva afirmar que un modelo es bueno cuando lo son todas sus ecuaciones, ya que es más importante la estructura global del modelo que la de las ecuaciones individuales que lo integran. Curso / 41
38 Algunos casos de estudio Modelo simplificado de Economía Mundial (Klein, ) C t I i W 1i Y i + T i Y i VK i = α 1 + α 2 (W 1 + W 2 ) i + α 3 π i + u 1i = ρ 1 + ρ 2 π i + ρ 3 π i 1 + ρ 4 K i 1 + u 2i = δ 1 + δ 2 (Y + T W 2 ) i + δ 3 (Y + T W 2 ) i 1 + δ 4i + u 3i = C i + I i + G i = W 1i + W 2i + π i = I i C Consumo privado W 1 Salarios sector privado W 2 Salarios sector público π Beneficios I Inversión privada K Stock de capital privado Y Renta Nacional T Impuesto sobre empresas G Gasto público (excepto salarios) VK Variación de K Curso / 41
39 Algunos casos de estudio Modelo multiplicador-acelerador C t I t Y t = α 1 + α 2 Y t + u 1t = β 1 + β 2 Y t + β 3 Y t 1 + u 2t = C t + I t + G t C t Consumo Endógena Y t Renta Nacional Endógena I t Inversión Endógena Y t 1 Renta Nacional retardada Endógena retardada G t Gasto público Exógena Curso / 41
40 Algunos casos de estudio Modelo simplificado salario-precio W t P t = α 1 + α 2 P t + α 3 Q t + u 1t = β 1 + β 2 W t + u 2t W t P t Q t Salario Precio Producción m k k-k m -1 m=2 (W,P), k=1 (Q) Ec No identificable Ec Identificable Curso / 41
T3. 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 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 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 detallesEjercicio Heterocedasticidad_2
Ejercicio heterocedasticidad 2. 1 Ejercicio Heterocedasticidad_2 Tengamos los siguientes datos de los beneficios (B i ) y ventas (V i ) de 20 empresas: obs B V 1 13,2 61 2 15 78 3 22,2 158 4 15,2 110 5
Más 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 detallesFACTORES INFLUYENTES EN EL EMPLEO. Econometría II GECO Marina Calvillo Fuentes Rocío Crespo Roldán
FACTORES INFLUYENTES EN EL EMPLEO Econometría II GECO Marina Calvillo Fuentes Rocío Crespo Roldán 2 ÍNDICE: 1. INTRODUCCIÓN 2. PLANTEAMIENTO DEL PROBLEMA 3. GRÁFICOS DE LOS DATOS 4. ESTIMACIÓN DEL MODELO
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 detallesy x Estimar por MCO un modelo lineal entre la variable explicada (y) y las
Ejercicio MLG Disponemos de los siguientes datos y x x3 7 6 0 4 3 7 8 6 3 6 6 5 8 9 8 Se pide. Estimar por MCO un modelo lineal entre la variable explicada (y) y las explicativas (x).. Comprobar que el
Más detallesT5. Ampliación del modelo lineal básico
T5. Ampliación del modelo lineal básico Ana J. López y Rigoberto Pérez Dpto Economía Aplicada. Universidad de Oviedo Curso 2010-2011 Ana J. López y Rigoberto Pérez (Dpto Economía T5. Aplicada. Ampliación
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 detallesD to de Economía Aplicada Cuantitativa I Basilio Sanz Carnero
D to de Economía Aplicada Cuantitativa I Basilio Sanz Carnero INTRODUCCIÓN El problema de medir relaciones económicas a largo plazo (regresión entre variables económicas en niveles o no estacionarias)
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 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 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 detallesT4. Modelos con variables cualitativas
T4. Modelos con variables cualitativas Ana J. López y Rigoberto Pérez Dpto Economía Aplicada. Universidad de Oviedo Curso 2010-2011 Ana J. López y Rigoberto Pérez (Dpto EconomíaT4. Aplicada. Modelos Universidad
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 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 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 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 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 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 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 detallesTODO ECONOMETRIA TEMA 1: MODELO BASICO DE REGRESIÓN LINEAL MULTIPLE (MBRL)
TODO ECONOMETRIA TEMA 1: MODELO BASICO DE REGRESIÓN LINEAL MULTIPLE (MBRL) NOTA IMPORTANTE - Estas notas son complementarias a las notas de clase del primer semestre correspondientes a los temas de Regresión
Más 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 detallesRegresión múltiple. Demostraciones. Elisa Mª Molanes López
Regresión múltiple Demostraciones Elisa Mª Molanes López El modelo de regresión múltiple El modelo que se plantea en regresión múltiple es el siguiente: y i = β 0 + β 1 x 1i + β 2 x 2i +...+ β k x ki +
Más detallesECONOMETRÍA I. Tema 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 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 detallesEXAMEN ECONOMETRÍA II GRUPO DADE Prof. Rafael de Arce 3 de septiembre de Nombre y Apellidos:
EXAMEN ECONOMETRÍA II GRUPO DADE Prof. Rafael de Arce 3 de septiembre de 2004 Nombre y Apellidos: PRIMERA PARTE: (En las preguntas tipo test sólo debe marcarse una en cada caso): 1. Para determinar si
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 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 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 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 detallesD to de Economía Aplicada Cuantitativa I Basilio Sanz Carnero
D to de Economía Aplicada Cuantitativa I Basilio Sanz Carnero Tendencia estocástica y determinista Una serie de tiempo tiene tendencia estocástica (o también denominadas estacionarias en diferencias) cuando
Más detallesModelos de elección discreta Aplicaciones en ordenador
Modelos de elección discreta Aplicaciones en ordenador Román Salmerón Gómez Para ilustrar cómo abordar el análisis de Modelos de elección discreta con el software econométrico Gretl resolveremos el siguiente
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 detallesDEMANDA DE AUTOMOVILES EN ESPAÑA
MODELO ECONOMETRICO DEMANDA DE AUTOMOVILES EN ESPAÑA Pablo Javier Benavides Montes (pablojavier@correo.ugr.es) 3º GECO A INDICE: Pagina 1. Resumen..2 2. Motivaciones.2 3. Introducción..2-4 4. Datos 5-9
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 detallesUNIVERSIDAD NACIONAL DE TRUJILLO ESCUELA PROFESIONAL DE ECONOMÍA APUNTES DE CLASE ECUACIONES SIMULTÁNEAS: EJERCICIO 19.
UNIVERSIDAD NACIONAL DE TRUJILLO ESCUELA PROFESIONAL DE ECONOMÍA APUNTES DE CLASE ECUACIONES SIMULTÁNEAS: EJERCICIO 19.15 ECONOMETRÍA 2 Econometría.weebly.com Wilhem.weebly.com Ejercicio 19.15 Considérese
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 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 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 detallesEconometría. Examen 02/02/2015. La respuesta que no sea claramente interpretable se considerará incorrecta.
Econometría Examen 02/02/2015 Alumno Grupo 1 a b c d 11 a b c d 2 a b c d 12 a b c d 3 a b c d 13 a b c d 4 a b c d 14 a b c d 5 a b c d 15 a b c d 6 a b c d 16 a b c d 7 a b c d 8 a b c d 9 a b c d 10
Más detallesT1. Modelos econométricos
T1. Modelos econométricos Rigoberto Pérez y Ana J. López Dpto Economía Aplicada. Universidad de Oviedo Curso 2010-2011 Curso 2010-2011 1 / 16 Índice 1 La modelización econométrica 2 Construcción de modelos
Más detallesFundamentos del Análisis Econométrico. Dante A. Urbina
Fundamentos del Análisis Econométrico Dante A. Urbina Qué es la Econometría? Etimológicamente Econometría significa medición de la economía. En ese contexto, la Econometría es la aplicación de métodos
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 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 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 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 detallesModelo 1: MCO, usando las observaciones 1994: :03 (T = 218) Variable dependiente: INFLACION
UNIVERSIDAD NACIONAL DE PIURA FACULTAD DE ECONOMIA DPTO. ACAD. DE ECONOMIA 1º El investigador especifica el modelo siguiente: EXAMEN PARCIAL DE ECONOMETRIA I Se le pide estimar el modelo por el método
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 detallesTema 6. Multicolinealidad. Contenido Multicolinealidad perfecta Multicolinealidad de grado alto
Tema 6 Multicolinealidad Contenido 6.1. Multicolinealidad perfecta...................... 108 6.. Multicolinealidad de grado alto................... 110 108 Tema 6. Multicolinealidad A la hora de estimar
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 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 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 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 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 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 detallesEconometría. Examen 24/06/2015. La respuesta que no sea claramente interpretable se considerará incorrecta.
Econometría Examen 24/06/2015 Alumno Grupo 1 a b c d 11 a b c d 2 a b c d 12 a b c d 3 a b c d 13 a b c d 4 a b c d 14 a b c d 5 a b c d 6 a b c d 7 a b c d 8 a b c d 9 a b c d 10 a b c d Reglas del examen
Más detallesEconometría III Examen. 29 de Marzo de 2012
Econometría III Examen. 29 de Marzo de 2012 El examen consta de 20 preguntas de respuesta múltiple. El tiempo máximo es 1:10 minutos. nota: no se pueden hacer preguntas durante el examen a no ser que sean
Más 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 detallesPrácticas Tema 4: Modelo con variables cualitativas
Prácticas Tema 4: Modelo con variables cualitativas Ana J. López y Rigoberto Pérez Departamento de Economía Aplicada. Universidad de Oviedo PRACTICA 4.1- Se dispone de información sobre 16 familias sobre
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 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 detallesContenido. vii. Prólogo... i Presentación... iii Grupo de trabajo...v. 1. Introducción y conceptos preliminares...1
Contenido Prólogo... i Presentación... iii Grupo de trabajo...v 1. Introducción y conceptos preliminares...1 2. Tipos de modelos estadísticos lineales...19 Caso 2.1...20 Caso 2.2...26 Caso 2.3...30 3.
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 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 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 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 detallesHerramientas para el Estudio de Mercado. Técnicas de Predicción.
Herramientas para el Estudio de Mercado Proyecciones Económicas Técnicas de Predicción. Profesor: Exaú Navarro Pérez Técnicas de Predicción. Introducción. Técnicas Elementales de Predicción. Modelo Econométrico.
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 detallesDefinición de Correlación
Definición de Correlación En ocasiones nos puede interesar estudiar si existe o no algún tipo de relación entre dos variables aleatorias: Estudiar cómo influye la estatura del padre sobre la estatura del
Más detallesSEMINARIO ECONOMETRIA 14 DE MAYO DEL CASO: Determinando un éstandar de productividad comercial en banca
SEMINARIO ECONOMETRIA 14 DE MAYO DEL 212 CASO: Determinando un éstandar de productividad comercial en banca 1.1. Objetivo del análisis: Un banco quiere estimar la productividad estándar esperada de cada
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 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 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 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 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 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 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 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 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 detallesEl modelo Lineal General
El Lineal General Román Salmerón Gómez Universidad de Granada RSG El lineal uniecuacional múltiple 1 / 68 Estimación del Validación del Explotación del Estimación del Validación del Explotación del RSG
Más 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 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 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 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 detallesTema 1. Introducción: el modelo econométrico
1. Introducción. a. Qué es la econometría? b. Metodología en Econometría Gujarati, Econometría (2004) páginas 1 a 11 c. Terminología y notación d. Clasificación de los modelos econométricos 1 1. Introducción
Más detallesTema 4: Cuestiones importantes en el Modelo Lineal General (MLG) Universidad Complutense de Madrid Febrero de 2012
Tema 4: Cuestiones importantes en el Modelo Lineal General (MLG) Universidad Complutense de Madrid Febrero de 2012 Colinealidad (I) La multicolinealidad es un problema que surge cuando las variables explicativas
Más detallesTODO ECONOMETRIA. Bondad del ajuste Contraste de hipótesis
TODO ECONOMETRIA Bondad del ajuste Contraste de hipótesis Índice Bondad del ajuste: Coeficiente de determinación, R R ajustado Contraste de hipótesis Contrastes de hipótesis de significación individual:
Más detallesGUÍA PARA LAS SOLUCIONES DE LA PRÁCTICA 2 DE ECONOMETRÍA T.A: MªDolors Navarro Bergas. VARIABLE COEFICIENTE DESV.TÍP. ESTAD.
GUÍA PARA LAS SOLUCIONES DE LA PRÁCTICA 2 DE ECONOMETRÍA T.A: MªDolors Navarro Bergas Ejercicio Resultados de la estimación por MCO del modelo (). Modelo : estimaciones MCO utilizando las observaciones
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 detallesSe permite un folio escrito por las dos caras. Cada problema se realiza en hojas diferentes y se entregan por separado.
NORMAS El examen consta de dos partes: 0.0.1. Diez Cuestiones: ( tiempo: 60 minutos) No se permite ningún tipo de material (libros, apuntes, calculadoras,...). No se permite abandonar el aula una vez repartido
Más 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 detallesModelo de Regresión Lineal Múltiple
Tema 3 Modelo de Regresión Lineal Múltiple Contenido 3.1. Introducción. Un ejemplo...................... 52 3.2. Estimación de Mínimos Cuadrados Ordinarios utilizando Gretl. 54 3.3. Análisis de los resultados
Más 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 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 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 detallesESTADÍSTICA. Tema 4 Regresión lineal simple
ESTADÍSTICA Grado en CC. de la Alimentación Tema 4 Regresión lineal simple Estadística (Alimentación). Profesora: Amparo Baíllo Tema 4: Regresión lineal simple 1 Estructura de este tema Planteamiento del
Más 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 detalles