T2. El modelo lineal simple

Tamaño: px
Comenzar la demostración a partir de la página:

Download "T2. El modelo lineal simple"

Transcripción

1 T2. El modelo lineal simple Ana J. López y Rigoberto Pérez Dpto Economía Aplicada. Universidad de Oviedo Curso Curso / 40

2 Índice 1 Planteamiento e hipótesis básicas 2 Estimación de los parámetros de regresión 3 Propiedades de los estimadores Teorema de Gauss-Markov Estimación con Gretl 4 Intervalos de confianza 5 Contrastes asociados a un modelo ANOVA Evaluación de la capacidad explicativa 6 Predicción Evaluación de predicciones Curso / 40

3 El modelo lineal simple Competencias El modelo lineal simple ya ha sido estudiado en la asignatura Introducción a la estadística económica, si bien entonces se adoptaba una óptica descriptiva y ahora se completa con el análisis inferencial, incluyendo la construcción de intervalos de confianza y la realización de contrastes asociados a un modelo. Una vez superado este tema los alumnos serán capaces de: Estimar e interpretar los parámetros de un modelo lineal simple. Enunciar y resolver el contraste de significación del modelo. Utilizar las opciones de estimación de Grel e interpretar correctamente el output. Curso / 40

4 Planteamiento e hipótesis básicas Especificación de un modelo Teoría económica Y = f(x) Supuestos teóricos Conductas humanas Componente aleatoria u Errores de medida Factores no medibles Modelo econométrico Y = f(x) + u Teoría Keynesiana: C t = β 1 + β 2 R t Hipótesis: β 1 > 0, 0 < β 2 < 1 Componente errática del consumo: u Modelo econométrico del Consumo: C t = β 1 + β 2 R t + u t Curso / 40

5 Planteamiento e hipótesis básicas Hipótesis básicas Hipótesis Supuesto Hipótesis sobre u sobre Y Esperanza E(u i ) = 0 Esperanza de la E(Y /X i ) = β 1 + β 2 X i i = 1,..., n perturbación nula i = 1,..., n Varianza Var(u i ) = σ 2 Homocedasticidad Var(Y /X i ) = σ 2 i = 1,..., n i = 1,..., n Correlación Cov(u i, u j ) = 0 No Cov(Y /X i, Y /X j ) = 0 i j = 1,..., n autocorrelación i j = 1,..., n Distr.Prob. u i N (0, σ) Normalidad Y /X i N (β 1 + β 2 X i, σ) na J. López y Rigoberto Pérez (Dpto Economía Aplicada. T2. ElUniversidad modelo lineal de simple Oviedo) Curso / 40

6 Planteamiento e hipótesis básicas Modelo de regresión Línea de regresión poblacional Curso / 40

7 Estimación de los parámetros de regresión Estimación del modelo Información estadística Muestras temporales Muestras de corte transversal Muestras de panel Métodos de estimación Método de mínimos cuadrados Método de máxima verosimilitud Método de los momentos Análisis de los estimadores Curso / 40

8 Estimación de los parámetros de regresión Estimación Objetivos: Estimar un modelo lineal Ŷ i = ˆβ 1 + ˆβ 2 X i que aproxime lo mejor posible los valores observados de Y. Ŷ i = ˆβ 1 + ˆβ 2 X i Y i û i = Y i Ŷ i Valores estimados Valores observados Errores de estimación o residuos Curso / 40

9 Estimación de los parámetros de regresión Estimación mínimo cuadrática Función a minimizar n n ) 2 n ) 2 ûi 2 = (Y i Ŷ i = (Y i ˆβ 1 ˆβ 2 X i Estimadores mínimo cuadráticos (EMC) n ( Xi X ) ( Y i Ȳ ) ˆβ 2 = S XY S 2 X = n ( Xi X ) 2 ˆβ 1 = Ȳ ˆβ 2 X Curso / 40

10 Estimación de los parámetros de regresión Estimadores mínimo cuadráticos Propiedades descriptivas n û i = 0 Ȳ = ˆβ 1 + ˆβ 2 X n X i û i = 0 n Ŷ i û i = 0 Curso / 40

11 Estimación de los parámetros de regresión Estimación máximo verosímil u i N (0, σ) Y /X i N (β 1 + β 2 X i, σ) f (y i ) = f (y i, β 1, β 2, σ 2 ) = 1 e 1 (y i β 1 β 2 x i ) 2 2 σ 2 2πσ L(y 1,, y n, β 1, β 2, σ 2 ) = n f (y i, β 1, β 2, σ 2 ) ( = n 1 2πσ e 1 2 ) (y i β 1 β 2 x i ) 2 σ 2 ( ) n = 1 2πσ e 1 n (y i β 1 β 2 x i ) 2 2 σ 2 Curso / 40

12 Estimación de los parámetros de regresión Estimación máximo verosímil Función a maximizar ln L(y 1,..., y n, β 1, β 2, σ 2 ) = n 2 ln(2π) n 2 ln(σ2 ) 1 2 n (y i β 1 β 2 x i ) 2 σ 2 Estimadores máximo verosímiles (EMV) ˆβ 2 = S XY S 2 X ; ˆβ 1 = Ȳ ˆβ 2 X ˆσ 2 = n ûi 2 n Curso / 40

13 Propiedades de los estimadores Características de los estimadores Estimadores Esperanzas Varianzas ˆβ 1 ( ) ( ) E ˆβ1 = β 1 Var ˆβ1 = σ 2 n X 2 i n n (X i X) 2 ˆβ 2 ( ) ( ) E ˆβ 2 = β 2 Var ˆβ 2 σ = 2 n (X i X) 2 Propiedades de los estimadores: Insesgados, Consistentes, Óptimos na J. López y Rigoberto Pérez (Dpto Economía Aplicada. T2. ElUniversidad modelo lineal de simple Oviedo) Curso / 40

14 Propiedades de los estimadores Teorema de Gauss-Markov Teorema de Gauss-Markov Dentro de la familia de estimadores lineales e insesgados, los EMC son óptimos en el sentido de que presentan mínima varianza Curso / 40

15 Propiedades de los estimadores Teorema de Gauss-Markov Distribución de los estimadores Distribución de ˆβ 1 y ˆβ 2 Bajo la hipótesis de normalidad de las perturbaciones u N (0, σ) se garantiza la normalidad de los estimadores: ) ˆβ 1 N (β 1, σ ˆβ1 ) ; ˆβ2 N (β 2, σ ˆβ2 Estimador de la varianza La varianza σ 2 es deconocida y por tanto también lo serán: σ 2ˆβ 1 y σ 2ˆβ 2 S 2 = n ûi 2 n 2 E(S 2 ) = σ 2 Curso / 40

16 Propiedades de los estimadores Teorema de Gauss-Markov Estimación de las varianzas σ 2 n X 2 i ( ) Var ˆβ1 = n n ( Xi X ) 2 S 2 n X 2 i S 2ˆβ1 = n n ( Xi X ) 2 S 2ˆβ 2 = S 2 n ( Xi X ) 2 Curso / 40

17 Propiedades de los estimadores Estimación con Gretl Estimación con Gretl Modelo 1: MCO, usando las observaciones (T = 15) Variable dependiente: consumo Coeficiente Desv. típica const -49, ,9325 renta 0, }{{} 0, } {{ } = ˆβ 2 =S ˆβ2 na J. López y Rigoberto Pérez (Dpto Economía Aplicada. T2. ElUniversidad modelo lineal de simple Oviedo) Curso / 40

18 Propiedades de los estimadores Estimación con Gretl Estimación con Gretl 900 consumo con respecto a renta (con ajuste mínimo-cuadrático) Y = X consumo renta Curso / 40

19 Intervalos de confianza Análisis inferencial Para los parámetros de regresión ( ) ˆβ N β, σ ˆβ ˆβ β σ ˆβ N (0, 1) ˆβ β S ˆβ t n 2 Para la varianza poblacional d S 2 = (n 2)S 2 σ 2 χ 2 n 1 Curso / 40

20 Intervalos de confianza Intervalos de confianza para los parámetros de regresión IC para β con un nivel de confianza 1 α ( ) ( ) d ˆβ β P ˆβ k α = 1 α P k α = 1 α ( ) [ P ˆβ k α S ˆβ β ˆβ + k α S ˆβ = 1 α ˆβ ks ˆβ, ˆβ + ks ˆβ] S ˆβ 0.5 Función de densidad t(n-2=13) Valores probabilidad a dos colas = 0.05 Valor crítico k α= Curso / 40

21 Intervalos de confianza Intervalos de confianza para la varianza poblaconal IC para σ 2 con un nivel de confianza 1 α ( ) ( ) (n 2)S 2 (n 2)S 2 P σ 2 < k 1 = P σ 2 > k 2 = α 2 [ (n 2)S 2 k 2, ] (n 2)S 2 k Función de densidad Chi-cuadrado(n-2=13) probabilidad en la cola derecha = Valores Valor crítico k α= Curso / 40

22 Contrastes asociados a un modelo Contrastes de significación: Y i = β 1 + β 2 X i + u i Contraste básico: explica X los cambios de Y? Valor muestral: H 0 : β 2 = 0 H 1 : β 2 0 Contraste individual t de Student ˆβ 2 β 2 S ˆβ2 t n 2 Nivel crítico: p = P d ˆβ2 = ˆβ 2 S ˆβ 2 ( ) t n 2 > d ˆβ2 Conclusión: Para p bajo se rechaza la hipótesis (por tanto se concluye que X tiene sentido para explicar Y) na J. López y Rigoberto Pérez (Dpto Economía Aplicada. T2. ElUniversidad modelo lineal de simple Oviedo) Curso / 40

23 Contrastes asociados a un modelo Contraste de significación con Gretl Modelo 1: MCO, usando las observaciones (T = 15) Variable dependiente: consumo Coeficiente Desv. Típica Estadístico t Valor p const *** renta ,3539 }{{} 0,0000 }{{} *** ˆβ 2 0 p=p( t 13 >46,3539) = S ˆβ 0, Conclusión Se rechaza la nulidad del coeficiente de la renta y por tanto ésta es una variable relevante para explicar el consumo Curso / 40

24 Contrastes asociados a un modelo ANOVA Análisis de la varianza Ŷi = ˆβ 1 + ˆβ 2 X i VT = n ( Yi Ȳ ) 2 VE = n ) 2 n (Ŷi Ȳ ; VNE = ûi 2 na J. López y Rigoberto Pérez (Dpto Economía Aplicada. T2. ElUniversidad modelo lineal de simple Oviedo) Curso / 40

25 Contrastes asociados a un modelo ANOVA Análisis de la varianza (ANOVA) ( Yi Ȳ ) = ) ) (Ŷi Ȳ + (Y i Ŷ i n ( Yi Ȳ ) n ) 2 2 n ) 2 = (Ŷi Ȳ + (Y i Ŷ i ANOVA en Gretl Análisis de Varianza: Suma de cuadrados gl Media de cuadrados Regresión (VE) Residuo (VNE) Total (VT) R 2 = / = F(1, 13) = / = [Valor p 7.98e-16] Curso / 40

26 Contrastes asociados a un modelo ANOVA Análisis de varianza (ANOVA) VT VE VNE Variabilidad g.l. Ratios n ( Yi Ȳ ) 2 n ) 2 (Ŷi Ȳ = ˆβ 2 2 n n ( Xi X ) 2 ( ) 2 n Y i Ŷi = n-1 1 ˆβ 2 2 n (Y i Ȳ ) 2 n 1 n ( Xi X ) 2 û 2 i n-2 S 2 = n ûi 2 n 2 VE 1 VNE n 2 = ˆβ 2 2 n (X i X ) 2 S 2 F 1 n 2 ; R 2 = 1 VNE VT n ûi 2 = 1 n ( Yi Ȳ ) 2 Curso / 40

27 Contrastes asociados a un modelo ANOVA Contraste F Y i = β 1 + β 2 X i + u i Contraste H 0 : β 2 = 0 H 1 : β 2 0 n (X i X ) 2 ˆβ 2 2 S 2 F 1 n 2 Si el modelo propuesto es adecuado la variación explicada será muy superior a la no explicada, con lo que el ratio F adoptará un valor elevado y su nivel crítico será reducido. En el modelo lineal simple este contraste es equivalente al de la t de Student ya que se cumple: F 1 n 2 = (t n 2) 2 Curso / 40

28 Contrastes asociados a un modelo Evaluación de la capacidad explicativa Medidas de bondad de un modelo Coeficiente de determinación Proporción de la variación de Y que viene explicada por X R 2 = 1 Acotación: 0 R 2 1 n ûi 2 n ( Yi Ȳ ) = 2 n ) 2 (Ŷi Ȳ n ( Yi Ȳ ) 2 Error estándar de la regresión n û i 2 S = n 2 Curso / 40

29 Predicción Predicción ex-post y ex-ante Curso / 40

30 Predicción Predicción Predicciones condicionadas Los modelos econométricos estimados permiten obtener predicciones condicionadas a determinados valores de la variable explicativa. Horizonte de predicción Ŷ 0 = ˆβ 1 + ˆβ 2 X 0 En modelos temporales, considerando horizontes de predicción 1, 2, 3...T las predicciones se obtendrán sustituyendo en el modelo estimado los correspondientes valores de la variable X en esos periodos. Curso / 40

31 Predicción Predicciones estáticas y dinámicas Generalmente realizaremos predicciones estáticas, condicionadas a los valores registrados de X y con horizonte de predicción 1. Cuando intervienen como explicativas variables endógenas retardadas es posible realizar predicciones dinámicas, que a medida que aumenta el horizonte de predicción irán condicionadas a las predicciones anteriores. Período muestral Predicción Estática Predicción Dinámica na J. López y Rigoberto Pérez (Dpto Economía Aplicada. T2. ElUniversidad modelo lineal de simple Oviedo) Curso / 40

32 Predicción Elaboración de predicciones Predicción de Y para un valor X 0 Error de predicción Ŷ 0 = ˆβ 1 + ˆβ 2 X 0 eŷ0 = Y 0 Ŷ 0 = Y 0 E (Y /X 0 ) + E (Y /X }{{} 0 ) Ŷ }{{} 0 Error poblacional Error muestral Varianza del error de predicción ) Var = σ (eŷ ( n + X0 X ) 2 n ( Xi X ) 2 Curso / 40

33 Predicción Elaboración de predicciones Intervalo de confianza al nivel 1 α para la predicción de Y cuando X = X 0 ks Ŷ n + ( X0 X ) 2 n ( Xi X ), Ŷ 0 + ks n + siendo k el valor tal que P ( t n 2 > k) = 1 α ( X0 X ) 2 n ( Xi X ) 2 Curso / 40

34 Predicción Predicción con Gretl Gretl: En la salida del modelo, Análisis Predicciones... Curso / 40

35 Predicción Predicción con Gretl Para intervalos de confianza 95 %, t(22,.0.025) = Obs. consumo predicción Desv. Típica Intervalo de confianza 95 % predicción ex-post, predicción ex-ante Curso / 40

36 Predicción Predicción con Gretl Curso / 40

37 Predicción Evaluación de predicciones Evaluación de predicciones Error medio (EM) Error cuadrático medio (ECM) Raiz del error cuadrático medio (RECM) Error absoluto medio (EAM) Porcentaje de error medio Porcentaje de error absoluto medio 1 T ) (Y t Ŷ t T t=1 1 T ( ) 2 Y t T Ŷt t=1 1 T ) 2 (Y t Ŷ t T t=1 1 T Y t Ŷ t T ( t=1 ) T Y t Ŷt 100 t=1 TY t T Y t Ŷ t 100 TY t t=1 Curso / 40

38 Predicción Evaluación de predicciones Índice de Theil 1 T U de Theil U = 1 T T 1 t=1 T 1 t=1 ( Y t+1 Ŷ t+1 Y t ( Yt+1 Y t Y t ) 2 ) 2 El índice de Theil puede ser interpretado como el ratio entre las raíces del error cuadrático medio asociadas al modelo propuesto y a un modelo naive o ingenuo que asignase como predicción el valor actual (Ŷt+1 = Y t ). Predicciones ingenuas Ŷ t+1 = Y t U=1 Predicciones perfectas Ŷ t+1 = Y t+1 U=0 Curso / 40

39 Predicción Evaluación de predicciones Índice de Theil Además Theil propone una descomposición de los errores cuadráticos de predicción en tres términos, denominados respectivamente de sesgo, de regresión y de perturbación: ( Ŷ Ȳ ) 2 Proporción de sesgo ECM Proporción de regresión Proporción de error ( SŶ r Y Ŷ S Y ) 2 ECM ( ) 1 r 2 S 2 Y Ŷ Y ECM Es deseable que las proporciones de sesgo y de regresión sean lo más Anapequeñas J. López y Rigoberto posibles Pérez (Dpto Economía Aplicada. T2. ElUniversidad modelo lineal de simple Oviedo) Curso / 40

40 Predicción Evaluación de predicciones Evaluación de predicciones con Gretl Gretl: En la salida del modelo, Análisis Predicciones... Estadísticos de evaluación de la predicción Error medio Error cuadrático medio Raíz del Error cuadrático medio Error absoluto medio Porcentaje de error medio Porcentaje de error absoluto medio U de Theil Proporción de sesgo, UM Proporción de regresión, UR Proporción de perturbación, UD e-16 Curso / 40

Prácticas Tema 2: El modelo lineal simple

Prácticas Tema 2: El modelo lineal simple Prácticas Tema 2: El modelo lineal simple Ana J. López y Rigoberto Pérez Departamento de Economía Aplicada. Universidad de Oviedo PRACTICA 2.1- Se han analizado sobre una muestra de 10 familias las variables

Más detalles

Estadística II Tema 4. Regresión lineal simple. Curso 2009/10

Estadística 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 detalles

Regresión múltiple. Demostraciones. Elisa Mª Molanes López

Regresión 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 detalles

TEMA 4 Modelo de regresión múltiple

TEMA 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 detalles

T6. Modelos multiecuacionales

T6. 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 detalles

TODO ECONOMETRIA TEMA 1: MODELO BASICO DE REGRESIÓN LINEAL MULTIPLE (MBRL)

TODO 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 detalles

TODO ECONOMETRIA. Bondad del ajuste Contraste de hipótesis

TODO 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 detalles

Ejercicio Heterocedasticidad_2

Ejercicio 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 detalles

Estadística para la Economía y la Gestión IN 3401

Estadística 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 detalles

TEMA 2: Propiedades de los estimadores MCO

TEMA 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 detalles

Tema 8: Regresión y Correlación

Tema 8: Regresión y Correlación Tema 8: Regresión y Correlación Estadística. 4 o Curso. Licenciatura en Ciencias Ambientales Licenciatura en Ciencias Ambientales (4 o Curso) Tema 8: Regresión y Correlación Curso 2008-2009 1 / 12 Índice

Más detalles

Prácticas Tema 6. Modelos de ecuaciones simultáneas

Prácticas 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 detalles

ESTADÍSTICA. Tema 4 Regresión lineal simple

ESTADÍSTICA. 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 detalles

Se permite un folio escrito por las dos caras. Cada problema se realiza en hojas diferentes y se entregan por separado.

Se 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 detalles

Tema 10: Introducción a los problemas de Asociación y Correlación

Tema 10: Introducción a los problemas de Asociación y Correlación Tema 10: Introducción a los problemas de Asociación y Correlación Estadística 4 o Curso Licenciatura en Ciencias Ambientales Licenciatura en Ciencias Ambientales (4 o Curso) Tema 10: Asociación y Correlación

Más detalles

ECONOMETRÍA II Prof.: Begoña Álvarez TEMA 1 INTRODUCCIÓN. Estimación por máxima verosimilitud y conceptos de teoría asintótica

ECONOMETRÍA 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 detalles

T4. Modelos con variables cualitativas

T4. 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 detalles

ESTADÍSTICA E INTRODUCCIÓN A LA ECONOMETRÍA

ESTADÍSTICA E INTRODUCCIÓN A LA ECONOMETRÍA GUÍA DOCENTE 2012-2013 ESTADÍSTICA E INTRODUCCIÓN A LA ECONOMETRÍA 1. Denominación de la asignatura: ESTADÍSTICA E INTRODUCCIÓN A LA ECONOMETRÍA Titulación GRADO EN FINANZAS Y CONTABILIDAD Código 5592

Más detalles

478 Índice alfabético

478 Índice alfabético Índice alfabético Símbolos A, suceso contrario de A, 187 A B, diferencia de los sucesos A y B, 188 A/B, suceso A condicionado por el suceso B, 194 A B, intersección de los sucesos A y B, 188 A B, unión

Más detalles

El Modelo de Regresión Lineal

El 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 detalles

Errores de especificación

Errores 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 detalles

MÓDULO X. LA DINÁMICA DE LA ECONOMÍA MUNDIAL PROGRAMA OPERATIVO MATEMÁTICAS ECONOMETRÍA I. Profesor: Noé Becerra Rodríguez.

MÓDULO X. LA DINÁMICA DE LA ECONOMÍA MUNDIAL PROGRAMA OPERATIVO MATEMÁTICAS ECONOMETRÍA I. Profesor: Noé Becerra Rodríguez. MÓDULO X. LA DINÁMICA DE LA ECONOMÍA MUNDIAL PROGRAMA OPERATIVO MATEMÁTICAS ECONOMETRÍA I Profesor: Noé Becerra Rodríguez Objetivo general: Introducir los aspectos fundamentales del proceso de construcción

Más detalles

Estadística y sus aplicaciones en Ciencias Sociales 7. El modelo de regresión simple. Facultad de Ciencias Sociales - UdelaR

Estadística y sus aplicaciones en Ciencias Sociales 7. El modelo de regresión simple. Facultad de Ciencias Sociales - UdelaR Estadística y sus aplicaciones en Ciencias Sociales 7. El modelo de regresión simple Facultad de Ciencias Sociales - UdelaR Índice 7.1 Introducción 7.2 Análisis de regresión 7.3 El Modelo de Regresión

Más detalles

2 Introducción a la inferencia estadística Introducción Teoría de conteo Variaciones con repetición...

2 Introducción a la inferencia estadística Introducción Teoría de conteo Variaciones con repetición... Contenidos 1 Introducción al paquete estadístico S-PLUS 19 1.1 Introducción a S-PLUS............................ 21 1.1.1 Cómo entrar, salir y consultar la ayuda en S-PLUS........ 21 1.2 Conjuntos de datos..............................

Más detalles

REGRESIÓN LINEAL SIMPLE

REGRESIÓN LINEAL SIMPLE REGRESIÓN LINEAL SIMPLE 1. El problema de la regresión lineal simple. Método de mínimos cuadrados 3. Coeficiente de regresión 4. Coeficiente de correlación lineal 5. El contraste de regresión 6. Inferencias

Más detalles

Profesor: Hugo S. Salinas. Primer Semestre Tabla 1: Inteligencia y Rendimiento. X Y Figura 1: Inteligencia y Rendimiento.

Profesor: Hugo S. Salinas. Primer Semestre Tabla 1: Inteligencia y Rendimiento. X Y Figura 1: Inteligencia y Rendimiento. UNIVERSIDAD DE ATACAMA FACULTAD DE CIENCIAS JURÍDICAS / CARRERA DE TRABAJO SOCIAL TECNOLOGÍA INFORMÁTICA I (SPSS) ESTADÍSTICA DESCRIPTIVA CON MÁS DE UNA VARIABLE Profesor: Hugo S. Salinas. Primer Semestre

Más detalles

Métodos Estadísticos Multivariados

Métodos 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 detalles

El modelo Lineal General

El 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 detalles

Técnicas de Muestreo Métodos

Técnicas de Muestreo Métodos Muestreo aleatorio: Técnicas de Muestreo Métodos a) unidad muestral elemental: a.1) muestreo aleatorio simple a.2) muestreo (seudo)aleatorio sistemático a.3) muestreo aleatorio estratificado b) unidad

Más detalles

INFERENCIA ESTADISTICA

INFERENCIA ESTADISTICA 1 INFERENCIA ESTADISTICA Es una rama de la Estadística que se ocupa de los procedimientos que nos permiten analizar y extraer conclusiones de una población a partir de los datos de una muestra aleatoria,

Más detalles

Examen de Introducción a la Econometría 8 de septiembre de 2008

Examen de Introducción a la Econometría 8 de septiembre de 2008 NOMBRE DNI: GRUPO Firma: MODELO 1: SOLUCIONES Examen de Introducción a la Econometría 8 de septiembre de 008 Sólo una respuesta es válida. Debe justificar la respuesta de cada pregunta en el espacio que

Más detalles

INTERPRETACIÓN DE LA REGRESIÓN. Interpretación de la regresión

INTERPRETACIÓN DE LA REGRESIÓN. Interpretación de la regresión INTERPRETACIÓN DE LA REGRESIÓN Este gráfico muestra el salario por hora de 570 individuos. 1 Interpretación de la regresión. regresión Salario-Estudios Source SS df MS Number of obs = 570 ---------+------------------------------

Más detalles

GUIA DOCENTE. Curso Académico Licenciatura Administración y Dirección de Empresas

GUIA DOCENTE. Curso Académico Licenciatura Administración y Dirección de Empresas GUIA DOCENTE Curso Académico 2012-2013 1. ESTADÍSTICA E INTRODUCCIÓN A LA ECONOMETRÍA 1.1. Datos de la asignatura Tipo de estudios Licenciatura Titulación Administración y Dirección de Empresas Nombre

Más detalles

Guía docente 2007/2008

Guía docente 2007/2008 Guía docente 2007/2008 Plan 247 Lic.Investigación y Tec.Mercado Asignatura 43579 METODOS CUANTITATIVOS PARA LA INVESTIGACION DE MERCADOS Grupo 1 Presentación Métodos y técnicas cuantitativas de investigación

Más detalles

Formulario. Estadística Administrativa. Módulo 1. Introducción al análisis estadístico

Formulario. Estadística Administrativa. Módulo 1. Introducción al análisis estadístico Formulario. Estadística Administrativa Módulo 1. Introducción al análisis estadístico Histogramas El número de intervalos de clase, k, se elige de tal forma que el valor 2 k sea menor (pero el valor más

Más detalles

1 Introducción. 2 Modelo. Hipótesis del modelo. MODELO DE REGRESIÓN SIMPLE Julián de la Horra Departamento de Matemáticas U.A.M.

1 Introducción. 2 Modelo. Hipótesis del modelo. MODELO DE REGRESIÓN SIMPLE Julián de la Horra Departamento de Matemáticas U.A.M. 1 Introducción MODELO DE REGRESIÓN SIMPLE Julián de la Horra Departamento de Matemáticas U.A.M. Los modelos de regresión sirven, en general, para tratar de expresar una variable respuesta (numérica) en

Más detalles

Método de cuadrados mínimos

Método de cuadrados mínimos REGRESIÓN LINEAL Gran parte del pronóstico estadístico del tiempo está basado en el procedimiento conocido como regresión lineal. Regresión lineal simple (RLS) Describe la relación lineal entre dos variables,

Más detalles

ECONOMETRÍA I. Tema 3: El Modelo de Regresión Lineal Múltiple: estimación

ECONOMETRÍA 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

Obligatoria Optativa Extracurricular Curso Seminario Taller. Clave seriación 45 Laboratorio. Horas prácticas de campo

Obligatoria Optativa Extracurricular Curso Seminario Taller. Clave seriación 45 Laboratorio. Horas prácticas de campo Carta descriptiva Datos de identificación Programa Nombre de la asignatura Tipo de Asignatura Maestría en Economía Aplicada Econometría I Ciclo Primer semestre Obligatoria Optativa Extracurricular Curso

Más detalles

viii CAPÍTULO 2 Métodos de muestreo CAPÍTULO 3 Análisis exploratorio de datos

viii CAPÍTULO 2 Métodos de muestreo CAPÍTULO 3 Análisis exploratorio de datos Contenido Acerca de los autores.............................. Prefacio.... xvii CAPÍTULO 1 Introducción... 1 Introducción.............................................. 1 1.1 Ideas de la estadística.........................................

Más detalles

TEMA 5. Modelos para Datos de Conteo

TEMA 5. Modelos para Datos de Conteo TEMA 5. Modelos para Datos de Conteo Profesor: Pedro Albarrán Pérez Universidad de Alicante. Curso 2010/2011. Contenido 1 Datos de Conteo 2 Regresión de Poisson 3 Extensiones Datos de Conteo Variable de

Más detalles

TEMA 3: PROPIEDADES DEL ESTIMADOR MCO

TEMA 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 detalles

Correlación. El coeficiente de correlación mide la fuerza o el grado de asociación entre dos variables (r)

Correlación. El coeficiente de correlación mide la fuerza o el grado de asociación entre dos variables (r) Correlación El coeficiente de correlación mide la fuerza o el grado de asociación entre dos variables (r) El coeficiente de correlación lineal de Pearson (r) permite medir el grado de asociación entre

Más detalles

Diplomado en Econometría Coordinadora académica: M.F. Esperanza Sainz López

Diplomado en Econometría Coordinadora académica: M.F. Esperanza Sainz López Diplomado en Econometría Coordinadora académica: M.F. Esperanza Sainz López Brindar al alumno los conocimientos de los métodos econométricos fundamentales y de los conceptos estadísticos que éstos requieren,

Más detalles

Estadística 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 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 detalles

Teorema Central del Límite (1)

Teorema Central del Límite (1) Teorema Central del Límite (1) Definición. Cualquier cantidad calculada a partir de las observaciones de una muestra se llama estadístico. La distribución de los valores que puede tomar un estadístico

Más detalles

Tema 7: Introducción a la Teoría sobre Estimación

Tema 7: Introducción a la Teoría sobre Estimación Tema 7: Introducción a la Teoría sobre Estimación Estadística. 4 o Curso. Licenciatura en Ciencias Ambientales Licenciatura en Ciencias Ambientales (4 o Curso) Tema 7: Introducción a la Teoría sobre Estimación

Más detalles

Introducción a la Estadística Aplicada en la Química

Introducción a la Estadística Aplicada en la Química Detalle de los Cursos de Postgrado y Especialización en Estadística propuestos para 2015 1/5 Introducción a la Estadística Aplicada en la Química FECHAS: 20/04 al 24/04 de 2015 HORARIO: Diario de 10:00

Más detalles

MODELO DE RESPUESTAS Objetivos 2, 3, 4, 5, 6, 7, Y 8.

MODELO DE RESPUESTAS Objetivos 2, 3, 4, 5, 6, 7, Y 8. UNIVERSIDAD NACIONAL ABIERTA ESTADÍSTICA GENERAL 745) VICERRECTORADO ACADÉMICO INTEGRAL ÁREA DE MATEMÁTICA Fecha: 17/ 01 /009 MODELO DE RESPUESTAS Objetivos, 3, 4, 5, 6, 7, Y 8. OBJ. 1 PTA 1 Una compañía

Más detalles

INDICE 1. Qué es la Estadística? 2.Descripción de Datos: Distribuciones de Frecuencia y Presentación Gráfica

INDICE 1. Qué es la Estadística? 2.Descripción de Datos: Distribuciones de Frecuencia y Presentación Gráfica INDICE 1. Qué es la Estadística? 1 Introducción 2 Qué significa estadística? 2 Por qué se estudia la estadística? 4 Tipos de estadística 5 Estadística descriptiva 5 Estadística inferencial 6 Tipos de variables

Más detalles

Econometría III Examen. 29 de Marzo de 2012

Econometría 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 detalles

CUERPO TÉCNICO, OPCION ESTADISTICA

CUERPO TÉCNICO, OPCION ESTADISTICA CUERPO TÉCNICO, OPCION ESTADISTICA ESTADÍSTICA TEÓRICA BÁSICA TEMA 1. Fenómenos aleatorios. Conceptos de probabilidad. Axiomas. Teoremas de probabilidad. Sucesos independientes. Teorema de Bayes. TEMA

Más detalles

Teoría de la decisión

Teoría de la decisión 1.- Un problema estadístico típico es reflejar la relación entre dos variables, a partir de una serie de Observaciones: Por ejemplo: * peso adulto altura / peso adulto k*altura * relación de la circunferencia

Más detalles

GUIÓN TEMA 2. PROPIEDADES DE LOS ESTIMADORES MCO 2.1 PROPIEDADES ESTADÍSTICAS DEL ES- TIMADOR MCO DE.

GUIÓN TEMA 2. PROPIEDADES DE LOS ESTIMADORES MCO 2.1 PROPIEDADES ESTADÍSTICAS DEL ES- TIMADOR MCO DE. ECONOMETRIA I. Departamento de Fundamentos del Análisis Económico Universidad de Alicante. Curso 011/1 GUIÓN TEMA. PROPIEDADES DE LOS ESTIMADORES MCO Bibliografía apartados.1,. y.3: Greene, 6.6.1, 6.6.3

Más detalles

INDICE Prefacio 1. Introducción 2. Distribuciones de frecuencia: tablas estadísticas y graficas

INDICE Prefacio 1. Introducción 2. Distribuciones de frecuencia: tablas estadísticas y graficas INDICE Prefacio XIII 1. Introducción 1.1. la imagen de la estadística 1 1.2. dos tipos de estadísticas 1.3. estadística descriptiva 2 1.4. estadística inferencial 1.5. naturaleza interdisciplinaria de

Más detalles

PROGRAMA DE CURSO. Horas de Trabajo Personal Horas de Cátedra. Básica. Resultados de Aprendizaje

PROGRAMA DE CURSO. Horas de Trabajo Personal Horas de Cátedra. Básica. Resultados de Aprendizaje Código Nombre MA3403 Probabilidades y Estadística Nombre en Inglés Probability and Statistics SCT es Docentes PROGRAMA DE CURSO Horas de Cátedra Horas Docencia Auxiliar Horas de Trabajo Personal 6 10 3

Más detalles

Ejemplo 6.2. Pilar González y Susan Orbe. Dpto. Economía Aplicada III (Econometría y Estadística)

Ejemplo 6.2. Pilar González y Susan Orbe. Dpto. Economía Aplicada III (Econometría y Estadística) Ejemplo 6.2 Inferencia en el Modelo de Regresión Lineal General Pilar González y Susan Orbe Dpto. Economía Aplicada III (Econometría y Estadística) Pilar González y Susan Orbe OCW 2013 Ejemplo 6.2 Inferencia

Más detalles

ÍNDICE CAPÍTULO 1. INTRODUCCIÓN

ÍNDICE CAPÍTULO 1. INTRODUCCIÓN ÍNDICE CAPÍTULO 1. INTRODUCCIÓN 1.1. OBJETO DE LA ESTADÍSTICA... 17 1.2. POBLACIONES... 18 1.3. VARIABLES ALEATORIAS... 19 1.3.1. Concepto... 19 1.3.2. Variables discretas y variables continuas... 20 1.3.3.

Más detalles

Conceptos del contraste de hipótesis

Conceptos del contraste de hipótesis Análisis de datos y gestión veterinaria Contraste de hipótesis Departamento de Producción Animal Facultad de Veterinaria Universidad de Córdoba Córdoba, 14 de Diciembre de 211 Conceptos del contraste de

Más detalles

Diplomado en Estadística Aplicada

Diplomado en Estadística Aplicada Diplomado en Estadística Aplicada Con el propósito de mejorar las habilidades para la toma de decisiones, la División de Estudios de Posgrado de la Facultad de Economía ha conjuntado a profesores con especialidad

Más detalles

Aplicación del modelo de frontera estocástica de producción para analizar la eficiencia técnica de la industria eléctrica en México

Aplicación del modelo de frontera estocástica de producción para analizar la eficiencia técnica de la industria eléctrica en México SECCIÓN DE ESTUDIOS DE POSGRADO E INVESTIGACIÓN Aplicación del modelo de frontera estocástica de producción para analizar la eficiencia técnica de la industria eléctrica en México Presentan: Dr. Miguel

Más detalles

MASTER EN CIENCIAS ACTUARIALES Y FINANCIERAS PLAN Módulo: FORMACIÓN FUNDAMENTAL. Créditos ECTS: 6 Presenciales: 5 No presenciales: 1

MASTER EN CIENCIAS ACTUARIALES Y FINANCIERAS PLAN Módulo: FORMACIÓN FUNDAMENTAL. Créditos ECTS: 6 Presenciales: 5 No presenciales: 1 MASTER EN CIENCIAS ACTUARIALES Y FINANCIERAS PLAN 2009 Nombre de asignatura: AMPLIACIÓN DE ESTADÍSTICA Código:603358 Materia: MATEMÁTICAS Y ESTADÍSTICA Módulo: FORMACIÓN FUNDAMENTAL Carácter: OBLIGATORIA

Más detalles

El Modelo de Regresión Simple

El Modelo de Regresión Simple El Modelo de Regresión Simple Carlos Velasco 1 1 Departamento de Economía Universidad Carlos III de Madrid Econometría I Máster en Economía Industrial Universidad Carlos III de Madrid Curso 2007/08 C Velasco

Más detalles

UNIVERSIDAD NACIONAL SAN LUIS GONZAGA DE ICA

UNIVERSIDAD NACIONAL SAN LUIS GONZAGA DE ICA UNIVERSIDAD NACIONAL SAN LUIS GONZAGA DE ICA Facultad de Ingeniería Mecánica y Eléctrica Escuela Académico Profesional de Ingeniería Mecánica y Eléctrica Departamento de Ciencias de Investigación de la

Más detalles

INDICE. Prólogo a la Segunda Edición

INDICE. Prólogo a la Segunda Edición INDICE Prólogo a la Segunda Edición XV Prefacio XVI Capitulo 1. Análisis de datos de Negocios 1 1.1. Definición de estadística de negocios 1 1.2. Estadística descriptiva r inferencia estadística 1 1.3.

Más detalles

Modelos Dinámicos. Tema Introducción

Modelos Dinámicos. Tema Introducción Tema 6 Modelos Dinámicos 6.1. Introducción Este tema vuelve a ocuparse de la modelización de relaciones entre variables dentro de un contexto de datos en el tiempo o series temporales. Como ya comentamos

Más detalles

Guía docente MÉTODOS ESTADÍSTICOS PARA LA EMPRESA

Guía docente MÉTODOS ESTADÍSTICOS PARA LA EMPRESA 1. Introducción Guía docente MÉTODOS ESTADÍSTICOS PARA LA EMPRESA Los análisis económicos y empresariales se efectúan sobre la base de la toma de decisiones, las cuales se toman a partir de la información

Más detalles

1 Introducción. 2 Modelo. Hipótesis del modelo. MODELO DE REGRESIÓN MÚLTIPLE Julián de la Horra Departamento de Matemáticas U.A.M.

1 Introducción. 2 Modelo. Hipótesis del modelo. MODELO DE REGRESIÓN MÚLTIPLE Julián de la Horra Departamento de Matemáticas U.A.M. MODELO DE REGRESIÓN MÚLTIPLE Julián de la Horra Departamento de Matemáticas U.A.M. 1 Introducción Abordaremos en este capítulo el modelo de regresión lineal múltiple, una vez que la mayor parte de las

Más detalles

Tema 5. Muestreo y distribuciones muestrales

Tema 5. Muestreo y distribuciones muestrales 1 Tema 5. Muestreo y distribuciones muestrales En este tema: Muestreo y muestras aleatorias simples. Distribución de la media muestral: Esperanza y varianza. Distribución exacta en el caso normal. Distribución

Más detalles

Econometría de series de tiempo aplicada a macroeconomía y finanzas

Econometría 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 detalles

Modelo clásico de regresión lineal normal (MCRLN)

Modelo clásico de regresión lineal normal (MCRLN) Capítulo 4 Modelo clásico de regresión lineal normal (MCRLN) La llamada teoría clásica de la inferencia estadística consta de dos ramas, a saber: estimación y pruebas de hipótesis. Hasta el momento hemos

Más detalles

PROGRAMA DE ESTADÍSTICA DESCRIPTIVA

PROGRAMA DE ESTADÍSTICA DESCRIPTIVA PROGRAMA DE ESTADÍSTICA DESCRIPTIVA CONCEPTOS BÁSICOS DE ESTADÍSTICA Definición de Estadística Origen del concepto. Evolución histórica de la Estadística Estadística Descriptiva y Estadística Inferencial

Más detalles

Tema 3: Análisis de datos bivariantes

Tema 3: Análisis de datos bivariantes Tema 3: Análisis de datos bivariantes 1 Contenidos 3.1 Tablas de doble entrada. Datos bivariantes. Estructura de la tabla de doble entrada. Distribuciones de frecuencias marginales. Distribución conjunta

Más detalles

Análisis de la varianza. Magdalena Cladera Munar Departamento de Economía Aplicada Universitat de les Illes Balears

Análisis de la varianza. Magdalena Cladera Munar Departamento de Economía Aplicada Universitat de les Illes Balears Análisis de la varianza Magdalena Cladera Munar mcladera@uib.es Departamento de Economía Aplicada Universitat de les Illes Balears CONTENIDOS Análisis de la varianza de un factor. Análisis de la varianza

Más detalles

Econometría II Grado en finanzas y contabilidad

Econometría 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 detalles

Sesgo y varianza del estimador de la razón. con el problema de presición vs. sesgo que ya discutimos. t y. ˆt x

Sesgo y varianza del estimador de la razón. con el problema de presición vs. sesgo que ya discutimos. t y. ˆt x Sesgo y varianza del estimador de la razón A diferencia de los estimadores lineales vistos en las clases anteriores, los estimadores de la razón son usualmente sesgados. La varianza, comunmente más reducida,

Más detalles

Mínimos Cuadrados Generalizados

Mínimos 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 detalles

Gráfico 1: Evolución del exceso de rentabilidad de la empresa y de la cartera de mercado

Gráfico 1: Evolución del exceso de rentabilidad de la empresa y de la cartera de mercado Caso 1: Solución Apartado a) - 2 0 2 4 6 0 2 0 4 0 6 0 8 0 1 0 0 p e r i o d E x c e s s r e t u r n, c o m p a n y a e x c e s s r e t u r n m a r k e t p o r t f o l i o Gráfico 1: Evolución del exceso

Más detalles

Métodos Estadísticos para la Empresa

Métodos Estadísticos para la Empresa DEPARTAMENTO DE ECONOMÍA APLICADA ESTADÍSTICA Y ECONOMETRÍA Programa de la asignatura: Métodos Estadísticos para la Empresa Segundo Curso Curso Académico 2011/2012 Facultad de Economía y Empresa Grado

Más detalles

METODOS ESTADÍSTICOS

METODOS ESTADÍSTICOS METODOS ESTADÍSTICOS Introducción. Uno de los objetivos de la asignatura de Hidrología, es mostrar a los alumnos, las herramientas de cálculo utilizadas en Hidrología Aplicada para diseño de Obras Hidráulicas.

Más detalles

1 Introducción. 2 Modelo. Hipótesis del modelo MODELO DE REGRESIÓN LOGÍSTICA

1 Introducción. 2 Modelo. Hipótesis del modelo MODELO DE REGRESIÓN LOGÍSTICA MODELO DE REGRESIÓN LOGÍSTICA Introducción A grandes rasgos, el objetivo de la regresión logística se puede describir de la siguiente forma: Supongamos que los individuos de una población pueden clasificarse

Más detalles

Econometria de Datos en Paneles

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 detalles

Contrastes de restricciones lineales y predicción

Contrastes de restricciones lineales y predicción Tema 4 Contrastes de restricciones lineales y predicción Contenido 4.1. Contrastes de restricciones lineales................. 78 4.2. Contrastes utilizando Gretl..................... 80 4.3. Estimación

Más detalles

Índice general. Pág. N. 1. Capítulo 1 ETAPAS DE UNA INVESTIGACIÓN. Diseño. Población. Muestra. Individuo (Observación, Caso, Sujeto) Variables

Índice general. Pág. N. 1. Capítulo 1 ETAPAS DE UNA INVESTIGACIÓN. Diseño. Población. Muestra. Individuo (Observación, Caso, Sujeto) Variables Pág. N. 1 Índice general Capítulo 1 ETAPAS DE UNA INVESTIGACIÓN 1.1 Diseño 1.2 Descriptiva 1.3 Inferencia Diseño Población Muestra Individuo (Observación, Caso, Sujeto) Variables Ejercicios de Población

Más detalles

Tema 6. Estimación puntual

Tema 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 detalles

INDICE 1. Introducción 2. Recopilación de Datos Caso de estudia A 3. Descripción y Resumen de Datos 4. Presentación de Datos

INDICE 1. Introducción 2. Recopilación de Datos Caso de estudia A 3. Descripción y Resumen de Datos 4. Presentación de Datos INDICE Prefacio VII 1. Introducción 1 1.1. Qué es la estadística moderna? 1 1.2. El crecimiento y desarrollo de la estadística moderna 1 1.3. Estudios enumerativos en comparación con estudios analíticos

Más detalles

Regresión lineal SIMPLE MÚLTIPLE N A Z IRA C A L L E J A

Regresión lineal SIMPLE MÚLTIPLE N A Z IRA C A L L E J A Regresión lineal REGRESIÓN LINEAL SIMPLE REGRESIÓN LINEAL MÚLTIPLE N A Z IRA C A L L E J A Qué es la regresión? El análisis de regresión: Se utiliza para examinar el efecto de diferentes variables (VIs

Más detalles

Estadística y sus aplicaciones en Ciencias Sociales 6. Prueba de hipótesis. Facultad de Ciencias Sociales, UdelaR

Estadística y sus aplicaciones en Ciencias Sociales 6. Prueba de hipótesis. Facultad de Ciencias Sociales, UdelaR Estadística y sus aplicaciones en Ciencias Sociales 6. Prueba de hipótesis Facultad de Ciencias Sociales, UdelaR Índice 1. Introducción: hipótesis estadística, tipos de hipótesis, prueba de hipótesis 2.

Más detalles

GRADO : ADE ASIGNATURA: ECONOMETRÍA I. Curso: 2 Cuatrimestre: 2 Asignaturas que se recomienda tener superadas: Estadística I y II

GRADO : ADE ASIGNATURA: ECONOMETRÍA I. Curso: 2 Cuatrimestre: 2 Asignaturas que se recomienda tener superadas: Estadística I y II FICHA DESCRIPTIVA DE LA ASIGNATURA GUIA DOCENTE Curso Académico 2012/2013 GRADO : ADE ASIGNATURA: ECONOMETRÍA I Módulo Materia Ampliaciones de Métodos Cuantitativos Econometría Créditos 6 Ubicación Carácter

Más detalles

CM0244. Suficientable

CM0244. Suficientable IDENTIFICACIÓN NOMBRE ESCUELA ESCUELA DE CIENCIAS NOMBRE DEPARTAMENTO Ciencias Matemáticas ÁREA DE CONOCIMIENTO MATEMATICAS, ESTADISTICA Y AFINES NOMBRE ASIGNATURA EN ESPAÑOL ESTADÍSTICA GENERAL NOMBRE

Más detalles

Prueba t para muestras independientes

Prueba t para muestras independientes Prueba t para muestras independientes El procedimiento Prueba t para muestras independientes compara las medias de dos grupos de casos. Para esta prueba, idealmente los sujetos deben asignarse aleatoriamente

Más detalles

Estadística Económica y Estadística Empresarial

Estadística Económica y Estadística Empresarial Universidad de Valladolid Facultad de Ciencias Económicas y Empresariales Departamento de Estadística y Econometría Licenciatura en Ciencias Económicas Sin docencia. Plan a extinguir Proyecto docente de:

Más detalles

Julio Deride Silva. 4 de junio de 2010

Julio Deride Silva. 4 de junio de 2010 Curvas ROC y Regresión Lineal Julio Deride Silva Área de Matemática Facultad de Ciencias Químicas y Farmcéuticas Universidad de Chile 4 de junio de 2010 Tabla de Contenidos Curvas ROC y Regresión Lineal

Más detalles

CONTRASTE DE HIPÓTESIS

CONTRASTE DE HIPÓTESIS CONTRASTE DE HIPÓTESIS Antonio Morillas A. Morillas: Contraste de hipótesis 1 CONTRASTE DE HIPÓTESIS 1. Introducción 2. Conceptos básicos 3. Región crítica óptima i. Teorema de Neyman-Pearson ii. Región

Más detalles

Índice. Diseños factoriales. José Gabriel Palomo Sánchez E.U.A.T. U.P.M. Julio de 2011

Índice. Diseños factoriales. José Gabriel Palomo Sánchez E.U.A.T. U.P.M. Julio de 2011 Diseños factoriales José Gabriel Palomo Sánchez gabrielpalomo@upmes EUAT UPM Julio de 2011 Índice 1 Diseños factoriales con dos factores 1 Denición 2 Organización de los datos 3 Ventajas de los diseños

Más detalles

ENUNCIADOS DE PROBLEMAS

ENUNCIADOS DE PROBLEMAS UNIVERSIDAD CARLOS III DE MADRID ECONOMETRÍA I 22 de Septiembre de 2007 ENUNCIADOS DE PROBLEMAS Muy importante: Tenga en cuenta que algunos resultados de las tablas han podido ser omitidos. PROBLEMA 1:

Más detalles

ANALISIS DE REGRESIÓN Y CORRELACIÓN LINEAL

ANALISIS DE REGRESIÓN Y CORRELACIÓN LINEAL ANALISIS DE REGRESIÓN Y CORRELACIÓN LINEAL Msc. Lácides Baleta Octubre 16 Página 1 de 11 REGRESIÓN Y CORRELACIÓN LINEAL Son dos herramientas para investigar la dependencia de una variable dependiente Y

Más detalles

UNIVERSIDAD DE VALLADOLID FACULTAD DE CIENCIAS ECONÓMICAS Y EMPRESARIALES DEPARTAMENTO DE ECONOMÍA APLICADA PROYECTO DOCENTE DE ECONOMETRÍA

UNIVERSIDAD DE VALLADOLID FACULTAD DE CIENCIAS ECONÓMICAS Y EMPRESARIALES DEPARTAMENTO DE ECONOMÍA APLICADA PROYECTO DOCENTE DE ECONOMETRÍA UNIVERSIDAD DE VALLADOLID FACULTAD DE CIENCIAS ECONÓMICAS Y EMPRESARIALES DEPARTAMENTO DE ECONOMÍA APLICADA PROYECTO DOCENTE DE ECONOMETRÍA LICENCIATURA: ADMINISTRACIÓN Y DIRECCIÓN DE EMPRESAS CURSO: CUARTO

Más detalles

Economía Aplicada. Modelos con variables dependiente binarias. Departamento de Economía Universidad Carlos III de Madrid

Economía Aplicada. Modelos con variables dependiente binarias. Departamento de Economía Universidad Carlos III de Madrid Economía Aplicada Modelos con variables dependiente binarias Departamento de Economía Universidad Carlos III de Madrid Ver Stock y Watson (capítulo 11) 1 / 28 Modelos con variables dependiente binarias:

Más detalles

Análisis de la Varianza (ANOVA) y Correlación

Análisis 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 detalles