Ejemplo 6.2. Pilar González y Susan Orbe. Dpto. Economía Aplicada III (Econometría y Estadística)
|
|
|
- José Luis Guzmán Toledo
- hace 7 años
- Vistas:
Transcripción
1 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 en el MRLG 1 / 48
2 Contenido 1 Ejemplo Contrastes bilaterales y unilaterales. 2 Ejemplo Contrastes de significatividad individual y conjunta. 3 Ejemplo Contraste general de restricciones lineales. Pilar González y Susan Orbe OCW 2013 Ejemplo 6.2 Inferencia en el MRLG 2 / 48
3 Contenido 1 Ejemplo Contrastes bilaterales y unilaterales. 2 Ejemplo Contrastes de significatividad individual y conjunta. 3 Ejemplo Contraste general de restricciones lineales. Pilar González y Susan Orbe OCW 2013 Ejemplo 6.2 Inferencia en el MRLG 3 / 48
4 Ejemplo Contrastes bilaterales y unilaterales. Enunciado. Se quiere analizar el número total de visitantes que llega a Bilbao en función de la tasa de variación mensual del índice de precios de la hosteleria en Bizkaia y la apertura del museo Guggenheim. a. Estima el modelo propuesto y escribe la función de regresión muestral. b. Si el índice de precios de la hostelería de Bizkaia aumenta en un punto puede ocasionar una caída de 500 visitantes mensuales? c. La apertura del museo Guggenheim puede haber atraído a más de visitantes mensuales? d. Teníamos que haber incluido la variable tendencia en el modelo? Pilar González y Susan Orbe OCW 2013 Ejemplo 6.2 Inferencia en el MRLG 4 / 48
5 Ejemplo Contrastes bilaterales y unilaterales. Con los resultados de estimar el siguiente modelo, se puede responder a los apartados a. b. y c. V BIT t = β 1 + β 2 IP CHV M t + β 3 guggenheim t + u t (1) Pilar González y Susan Orbe OCW 2013 Ejemplo 6.2 Inferencia en el MRLG 5 / 48
6 Ejemplo Contrastes bilaterales y unilaterales. Podemos realizar el contraste del apartado b. empleando el contraste general. Para ello pinchamos: Contrastes Restricciones lineales... Pilar González y Susan Orbe OCW 2013 Ejemplo 6.2 Inferencia en el MRLG 6 / 48
7 Ejemplo Contrastes bilaterales y unilaterales. Para escribir las restricciones lineales en Gretl, hay que tener en cuenta que Gretl asocia siempre el parámetro b1 al término constante, el parámetro b2 al siguiente regresor que aparezca en el listado de estimación del modelo y así sucesivamente. Indicamos la restricción que queremos contrastar: β 2 = 500. Pilar González y Susan Orbe OCW 2013 Ejemplo 6.2 Inferencia en el MRLG 7 / 48
8 Ejemplo Contrastes bilaterales y unilaterales. En el resultado se proporciona: la restricción que se ha contrastado, el valor del estadístico de contraste general junto con el p-valor y el modelo restringido estimado. Pilar González y Susan Orbe OCW 2013 Ejemplo 6.2 Inferencia en el MRLG 8 / 48
9 Ejemplo Contrastes bilaterales y unilaterales. Para contrastar si una variable excluida de antemano es significativa y por tanto debe ser incorporada al modelo pinchamos: Contrastes Añadir variables... Pilar González y Susan Orbe OCW 2013 Ejemplo 6.2 Inferencia en el MRLG 9 / 48
10 Ejemplo Contrastes bilaterales y unilaterales. Escogemos la variable de interés, en este caso la tendencia, e indicamos que queremos Estimar el modelo aumentado. Pilar González y Susan Orbe OCW 2013 Ejemplo 6.2 Inferencia en el MRLG 10 / 48
11 Ejemplo Contrastes bilaterales y unilaterales. En el resultado se proporciona: la restricción contrastada, el valor del estadístico de contraste general junto con el p-valor y el modelo aumentado estimado. Pilar González y Susan Orbe OCW 2013 Ejemplo 6.2 Inferencia en el MRLG 11 / 48
12 Ejemplo Contrastes bilaterales y unilaterales. Resultados. Apartado a. FRM. V BIT t = 20905, 6 416, 427 IP CHV M t , 6 guggenheim t t = 1993 : 03,..., 2012 : 1 Apartado b. Contraste bilateral. Empleando el estadístico t de contraste individual: H 0 : β 2 = 500 H a : β t = ˆβ ˆσ ˆβ2 H 0 t(t k) Como t = 0, 2432 < 1, = t 0,025 (238 3), no se rechaza H 0 a un nivel de significatividad del 5 %. Por tanto, el aumento de un punto en la tasa de variación mensual del índice de precios de la hostelería de Bizkaia puede ocasionar una caída de 500 visitantes mensuales. Pilar González y Susan Orbe OCW 2013 Ejemplo 6.2 Inferencia en el MRLG 12 / 48
13 Ejemplo Contrastes bilaterales y unilaterales. Resultados. Empleando el estadístico general F : H 0 : β 2 = 500 H a : β F = (SCR R SCR NR )/q SCR NR /(T k) H 0 F(q, T k) El modelo no restringido es el modelo (1) y el correspondiente modelo restringido es: V BIT t = β IP CHV M t + β 3 guggenheim t + u t Como F = 0, < 3, = F 0,05 (1, 235) no se rechaza H 0 a un nivel de significatividad del 5 %. Por tanto, si la tasa de variación mensual del índice de precios de la hostelería de Bizkaia aumenta en un punto puede ocasionar una caída de 500 visitantes mensuales. Pilar González y Susan Orbe OCW 2013 Ejemplo 6.2 Inferencia en el MRLG 13 / 48
14 Ejemplo Contrastes bilaterales y unilaterales. Resultados. Apartado c. Contraste unilateral. H 0 : β H a : β 3 > t = ˆβ ˆσ ˆβ3 H 0 t(238 3) Como t = 13, 77 > 1, = t 0,05 (238 3) se rechaza H 0 a un nivel de significatividad del 5 %. Por tanto, la apertura del museo Guggenheim puede haber atraído a más de visitantes mensuales manteniendo constante la tasa de variación mensual del índice de precios de la hostelería de Bizkaia. Pilar González y Susan Orbe OCW 2013 Ejemplo 6.2 Inferencia en el MRLG 14 / 48
15 Ejemplo Contrastes bilaterales y unilaterales. Resultados. Apartado d. H 0 : β 4 = 0 H a : β 4 0 F = (SCR R SCR NR )/q SCR NR /(T k) H 0 F(q, T k) Como F = 288, 391 > 3, = F 0,05 (1, 234) se rechaza H 0 a un nivel de significatividad del 5 %. Por tanto, la tendencia es significativa, manteniendo constante el resto de variables explicativas. El modelo no restringido es: V BIT t = β 1 + β 2 IP CHV M t + 2β 3 guggenheim t + β 4 t + u t y el modelo restringido es el modelo (1). t = 1993 : 03,..., 2012 : 1 Pilar González y Susan Orbe OCW 2013 Ejemplo 6.2 Inferencia en el MRLG 15 / 48
16 Contenido 1 Ejemplo Contrastes bilaterales y unilaterales. 2 Ejemplo Contrastes de significatividad individual y conjunta. 3 Ejemplo Contraste general de restricciones lineales. Pilar González y Susan Orbe OCW 2013 Ejemplo 6.2 Inferencia en el MRLG 16 / 48
17 Ejemplo Contrastes de significatividad individual y conjunta. Enunciado. Se quiere analizar el número total de visitantes que llega a Bilbao en función de la variación mensual del índice de precios de la hosteleria en Bizkaia, la apertura del museo Guggenheim y una tendencia lineal. a. Estima el modelo propuesto y escribe la función de regresión muestral. b. Es la variable explicativa apertura del museo Guggenheim individualmente significativa? c. Son las variables explicativas conjuntamente significativas? d. Añade la variable estacionalidad y estima la nueva especificación del modelo. Es la variable estacionalidad individualmente significativa? Pilar González y Susan Orbe OCW 2013 Ejemplo 6.2 Inferencia en el MRLG 17 / 48
18 Ejemplo Contrastes de significatividad individual y conjunta. Con los resultados de estimar el siguiente modelo, se puede responder a los apartados a., b. y c. V BIT t = β 1 + β 2 IP CHV M t + β 3 guggenheim t + β 4 time t + u t (2) Pilar González y Susan Orbe OCW 2013 Ejemplo 6.2 Inferencia en el MRLG 18 / 48
19 Ejemplo Contrastes de significatividad individual y conjunta. Podemos contrastar la significatividad individual de la variable apertura del museo Guggenheim pinchando en Contrastes Omitir variables... Pilar González y Susan Orbe OCW 2013 Ejemplo 6.2 Inferencia en el MRLG 19 / 48
20 Ejemplo Contrastes de significatividad individual y conjunta. Escogemos la variable de interés, en este caso apertura del museo Guggenheim, e indicamos que queremos Estimar el modelo reducido que es el modelo restringido. Pilar González y Susan Orbe OCW 2013 Ejemplo 6.2 Inferencia en el MRLG 20 / 48
21 Ejemplo Contrastes de significatividad individual y conjunta. En el resultado se proporciona: la restricción que se ha contrastado, el valor del estadístico de contraste general junto con el p-valor y el modelo aumentado estimado. Pilar González y Susan Orbe OCW 2013 Ejemplo 6.2 Inferencia en el MRLG 21 / 48
22 Ejemplo Contrastes de significatividad individual y conjunta. Podemos contrastar la significatividad individual de la variable apertura del museo Guggenheim mediante la opción del menú de estimación e indicando la restricción de interés: b3=0. Contrastes Restricciones lineales Pilar González y Susan Orbe OCW 2013 Ejemplo 6.2 Inferencia en el MRLG 22 / 48
23 Ejemplo Contrastes de significatividad individual y conjunta. Podríamos contrastar la significatividad conjunta de las variables explicativas mediante la opción del menú de estimación: Contrastes Omitir variables... Escogemos las variables de interés, en este caso IPCHVM, guggenheim y tendencia, e indicamos que queremos Estimar el modelo reducido. Pilar González y Susan Orbe OCW 2013 Ejemplo 6.2 Inferencia en el MRLG 23 / 48
24 Ejemplo Contrastes de significatividad individual y conjunta. En el resultado se proporciona: la restricción que se ha contrastado, el valor del estadístico de contraste general junto con el p-valor y el modelo aumentado estimado. Pilar González y Susan Orbe OCW 2013 Ejemplo 6.2 Inferencia en el MRLG 24 / 48
25 Ejemplo Contrastes de significatividad individual y conjunta. También podríamos contrastar la significatividad de las variables explicativas mediante la opción del menú de estimación Contrastes Restricciones lineales e indicando las restricciones de interés: b2=0, b3=0 y b4=0. Nótese que, como son varias restricciones, se escriben una debajo de la otra. Pilar González y Susan Orbe OCW 2013 Ejemplo 6.2 Inferencia en el MRLG 25 / 48
26 Ejemplo Contrastes de significatividad individual y conjunta. Los resultados muestran: la restricción contrastada, el valor del estadístico de contraste general junto con el p-valor y el modelo aumentado estimado. Nótese que se proporciona la misma información que con la opción anterior. Pilar González y Susan Orbe OCW 2013 Ejemplo 6.2 Inferencia en el MRLG 26 / 48
27 Ejemplo Contrastes de significatividad individual y conjunta. Especificación del modelo incluyendo la estacionalidad como variable explicativa: V BIT t = β 1 + β 2 IP CHV M t + β 3 guggenheim t + β 4 time t + β 5 dm1 t + + β 6 dm2 t + β 7 dm3 t β 15 dm11 t + u t (3) Pilar González y Susan Orbe OCW 2013 Ejemplo 6.2 Inferencia en el MRLG 27 / 48
28 Ejemplo Contrastes de significatividad individual y conjunta. Para contrastar la significatividad de la variable estacionalidad, se pincha la opción del menú de estimación Contrastes Omitir variables y se omiten las variables de interés: dm1, dm2, dm3,..., dm11. Pilar González y Susan Orbe OCW 2013 Ejemplo 6.2 Inferencia en el MRLG 28 / 48
29 Ejemplo Contrastes de significatividad individual y conjunta. Resultados (I). Apartado a. FRM. V BIT t = 14775, , 23 IP CHV M t , 37 guggenheim t + 181, 110 time t Apartado b. Significatividad individual de apertura del Guggenheim. Empleando el estadístico individual: H 0 : β 3 = 0 H a : β 3 0 t = ˆβ 3 0 ˆσ ˆβ3 H 0 t(t k) Como t = 1, 687 < 1, = t 0,025 (238 4), no se rechaza H 0 a un nivel de significatividad del 5 %. Por lo tanto, la variable apertura del museo Guggenheim no es individualmente significativa una vez incluidas en el modelo las variables IPCVHM y tendencia. Pilar González y Susan Orbe OCW 2013 Ejemplo 6.2 Inferencia en el MRLG 29 / 48
30 Ejemplo Contrastes de significatividad individual y conjunta. Resultados (II). Empleando el estadístico general: H 0 : β 2 = 0 H a : β 2 0 F = (SCR R SCR NR )/q SCR NR /(T k) H 0 F(q, T k) Como F = 2, < 3, = F 0,05 (1, 234), no se rechaza H 0 a un nivel de significatividad del 5 %. Por lo tanto, la variable apertura del museo Guggenheim no es individualmente significativa una vez incluidas en el modelo las variables IPCVHM y tendencia. El modelo no restringido es el modelo (2) y el correspondiente modelo restringido es: V BIT t = β 1 + β 2 IP CHV M t + β 4 time t + u t Pilar González y Susan Orbe OCW 2013 Ejemplo 6.2 Inferencia en el MRLG 30 / 48
31 Ejemplo Contrastes de significatividad individual y conjunta. Resultados (III). Apartado c. Contraste significatividad conjunto. H 0 : β 2 = β 3 = β 4 = 0 H a : alguna identidad no se cumple F = R 2 /(k 1) (1 R 2 )/T k) H 0 F(q, T k) Como F = 236, 9886 > 2, = F 0,05 (3, 234), se rechaza H 0 a un nivel de significatividad del 5 %. Por tanto las variables explicativas del modelo son conjuntamente significativas. En las páginas 23 a 26 de este ejemplo , hemos visto diferentes opciones para obtener el valor muestral del estadístico F para contrastar la significatividad conjunta de las variables explicativas. La más sencilla, es utilizando el coeficiente de determinación (R 2 ) del modelo no restringido como se ha hecho en este apartado. Nótese que el valor del estadístico es el mismo independientemente del procedimiento seguido para obtenerlo. Pilar González y Susan Orbe OCW 2013 Ejemplo 6.2 Inferencia en el MRLG 31 / 48
32 Ejemplo Contrastes de significatividad individual y conjunta. Resultados (IV). Apartado d. Contraste significatividad individual de la variable estacionalidad. Aunque se trata de un contraste de significatividad individual de la variable explicativa estacionalidad, no tenemos una sola restricción sobre los coeficientes en la hipótesis nula. La variable estacionalidad es una variable cualitativa con doce categorias por lo que se ha introducido en el modelo a través de once variables ficticias dejando una sin incluir (en este caso la variable ficticia que recoge el mes de diciembre). En consecuencia tenemos que contrastar que los coeficientes asociados a las once variables ficticias son todos cero. Tenemos once restricciones en la hipótesis nula por lo que necesariamente tenemos que emplear el estadístico general F. Pilar González y Susan Orbe OCW 2013 Ejemplo 6.2 Inferencia en el MRLG 32 / 48
33 Ejemplo Contrastes de significatividad individual y conjunta. Resultados (V). H 0 : β 5 = β 6 =... = β 15 = 0 H a : β 5 0 y/o β 6 0 y/o... β 15 0 F = (SCR R SCR NR )/q SCR NR /(T k) H 0 F(q, T k) El modelo no restringido es el modelo (3) y el modelo restringido es el modelo (2). Como F = 21, 9271 > 3, = F 0,05 (11, 233), se rechaza H 0 a un nivel de significatividad del 5 %. Por tanto, la estacionalidad es una variable individualmente significativa una vez incluidas en el modelo las variables IPCVHM, guggenheim y tendencia. Pilar González y Susan Orbe OCW 2013 Ejemplo 6.2 Inferencia en el MRLG 33 / 48
34 Contenido 1 Ejemplo Contrastes bilaterales y unilaterales. 2 Ejemplo Contrastes de significatividad individual y conjunta. 3 Ejemplo Contraste general de restricciones lineales. Pilar González y Susan Orbe OCW 2013 Ejemplo 6.2 Inferencia en el MRLG 34 / 48
35 Ejemplo Contraste general de restricciones lineales. Enunciado. Se quiere analizar el número total de visitantes que llega a Bilbao en función del índice de precios de la hostelería, la apertura del museo Guggenheim, una tendencia lineal, la estacionalidad y el índice de producción industrial del estado español así como su tasa de variación anual. a. Estima el modelo propuesto. b. Manteniendo las demás características constantes, existe evidencia muestral de que el índice de producción industrial español y su tasa de variación anual sean variables explicativas significativas? c. Manteniendo las demás características constantes, existe evidencia muestral de que en los meses en los que la Semana Santa cae (marzo y abril) el número medio de visitantes sea el mismo? d. Manteniendo las demás características constantes, existe evidencia muestral de que en los meses centrales del año (mayo-octubre) el número medio de visitantes sea la mismo? e. Contrasta conjuntamente todas las restricciones anteriores y especifica un modelo para determinar el número total de visitantes que viene a Bilbao. Pilar González y Susan Orbe OCW 2013 Ejemplo 6.2 Inferencia en el MRLG 35 / 48
36 Ejemplo Contraste general de restricciones lineales. V BIT t = β 1 + β 2 IP CHV M t + β 3 guggenheim t + β 4 time t + β 5 dm1 t + β 6 dm2 t + + β 7 dm3 t β 15 dm11 t + β 16 IP ISP t + β 17 IP ISP V A t + u t (4) En la opción Restricciones lineales indicamos las restricciones para el contraste del apartado b.: Pilar González y Susan Orbe OCW 2013 Ejemplo 6.2 Inferencia en el MRLG 36 / 48
37 Ejemplo Contraste general de restricciones lineales. Pilar González y Susan Orbe OCW 2013 Ejemplo 6.2 Inferencia en el MRLG 37 / 48
38 Ejemplo Contraste general de restricciones lineales. En la opción Restricciones lineales indicamos las restricciones para el apartado c: Pilar González y Susan Orbe OCW 2013 Ejemplo 6.2 Inferencia en el MRLG 38 / 48
39 Ejemplo Contraste general de restricciones lineales. En el resultado que se obtiene: Pilar González y Susan Orbe OCW 2013 Ejemplo 6.2 Inferencia en el MRLG 39 / 48
40 Ejemplo Contraste general de restricciones lineales. En la opción Restricciones lineales indicamos las restricciones para el contraste del apartado d.: Pilar González y Susan Orbe OCW 2013 Ejemplo 6.2 Inferencia en el MRLG 40 / 48
41 Ejemplo Contraste general de restricciones lineales. Pilar González y Susan Orbe OCW 2013 Ejemplo 6.2 Inferencia en el MRLG 41 / 48
42 Ejemplo Contraste general de restricciones lineales. En la opción Restricciones lineales indicamos las restricciones para el contraste del apartado e: Observar que las distintas restricciones se ponen una bajo la otra. Pilar González y Susan Orbe OCW 2013 Ejemplo 6.2 Inferencia en el MRLG 42 / 48
43 Ejemplo Contraste general de restricciones lineales. Pilar González y Susan Orbe OCW 2013 Ejemplo 6.2 Inferencia en el MRLG 43 / 48
44 Ejemplo Contraste general de restricciones lineales. Resultados (I). Todos los contrastes se realizan con el estadístico general para contrastar restricciones lineales: F = (SCR R SCR NR )/q SCR NR /(T k) H 0 F(q, T k) Apartado b. H 0 : β 16 = β 17 = 0 H a : β 16 0 y/o β 17 0 Como F = 2, 6532 > 1, = F 0,05 (2, 221), no se rechaza H 0 a un nivel de significatividad del 5 %. Por tanto, el índice de producción industrial y su tasa de variación no son conjuntamente significativos. El modelo no restringido es el modelo (4) y el modelo restringido es el modelo (3). Pilar González y Susan Orbe OCW 2013 Ejemplo 6.2 Inferencia en el MRLG 44 / 48
45 Ejemplo Contraste general de restricciones lineales. Resultados (II). Apartado c. H 0 : β 7 = β 8 H a : β 7 β 8 Como F = 0, < 3, = F 0,05 (1, 221), no se rechaza H 0 a un nivel de significatividad del 5 %. Por tanto, en los meses de marzo y abril el número medio de visitantes es el mismo. El modelo no restringido es el modelo (4) y el modelo restringido es: V BIT t = β 1 + β 2 IP CHV M t + β 3 guggenheim t + β 4 time t + β 5 dm1 t + + β 6 dm2 t + β 7 (dm3 t + dm4 t) + β 9 dm5 t β 15 dm11 t + + β 16IP ISP t + β 17IP ISP V A t + u t Pilar González y Susan Orbe OCW 2013 Ejemplo 6.2 Inferencia en el MRLG 45 / 48
46 Ejemplo Contraste general de restricciones lineales. Resultados (III). Apartado d. H 0 : β 9 = β 10 = β 11 = β 12 = β 13 = β 14 H a : alguna igualdad no se cumple Como F = 1, < 2, = F 0,05 (5, 221), no se rechaza H 0 a un nivel de significatividad del 5 %. Por tanto, en los meses de mayo, junio, julio, agosto, septiembre y octubre el número medio de visitantes es el mismo. El modelo no restringido es el modelo (4) y el modelo restringido es el modelo: V BIT t = β 1 + β 2IP CHV M t + β 3 guggenheim t + β 4 time t + β 5 dm1 t + + β 6 dm2 t + β 7 dm3 t + β 8dm4 t + β 9 (dm5 t dm10 t) + β 15 dm11 t + + β 16 IP ISP t + β 17 IP ISP V A t + u t Pilar González y Susan Orbe OCW 2013 Ejemplo 6.2 Inferencia en el MRLG 46 / 48
47 Ejemplo Contraste general de restricciones lineales. Resultados (IV). Apartado e. H 0 : β 16 = β 17 = 0, β 7 = β 8, β 9 = β 10 = β 11 = β 12 = β 13 = β 14 H a : alguna igualdad no se cumple Como F = 1, < 1, = F 0,05 (8, 221), no se rechaza H 0 a un nivel de significatividad del 5 %. Por tanto, en los meses de marzo y abril el número medio de visitantes es el mismo, en los meses centrales del año el número medio de visitantes es el mismo y el índice de producción industrial y su tasa de variación anual no afectan al número de visitantes. El modelo no restringido es el modelo (4) y el modelo restringido es el modelo: V BIT t = β 1 + β 2 IP CHV M t + β 3 guggenheim t + β 4 time t + β 5 dm1 t + + β 6 dm2 t + β 7 (dm3 t + dm4 t) + β 9 (dm5 t dm10 t) + + β 15 dm11 t + u t Pilar González y Susan Orbe OCW 2013 Ejemplo 6.2 Inferencia en el MRLG 47 / 48
48 Ejemplo Contraste general de restricciones lineales. Resultados (V). Apartado e. Dado que no se rechaza la hipótesis conjunta contrastada en este apartado, el modelo que especificaríamos para el número de visitantes que vienen a Bilbao es: V BIT t = β 1 + β 2 IP CHV M t + β 3 guggenheim t + β 4 time t + β 5 dm1 t + + β 6 dm2 t + β 7 (dm3 t + dm4 t) + β 9 (dm5 t dm10 t) + + β 15 dm11 t + u t Los estimadores empleados en este modelo son insesgados y con menor varianza que los estimadores MCO de los anteriores modelos. Pilar González y Susan Orbe OCW 2013 Ejemplo 6.2 Inferencia en el MRLG 48 / 48
Ejemplo 6.3. Pilar González y Susan Orbe. Dpto. Economía Aplicada III (Econometría y Estadística)
Ejemplo 6.3 Contrastes y colinealidad 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
Ejemplo 4.2. Variables ficticias en Gretl. Pilar González y Susan Orbe. Dpto. Economía Aplicada III (Econometría y Estadística)
Ejemplo 4.2 Variables ficticias en Gretl Pilar González y Susan Orbe Dpto. Economía Aplicada III (Econometría y Estadística) Pilar González y Susan Orbe OCW 2013 Ejemplo 4.2 Variables ficticias 1 / 40
Ejercicio 6. Pilar González y Susan Orbe. Dpto. Economía Aplicada III (Econometría y Estadística)
Ejercicio 6 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 Ejercicio 6 Inferencia
Ejemplo 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.
= 15 CALIFICACION:
6 + 4 + 5 = 15 CALIFICACION: Vacacion.xls Este fichero está adaptado del fichero vacation.gdt del libro de Hill et al.(2008) que se puede descargar en: http://gretl.sourceforge.net/gretl data.html PARTE
Ejercicio 5. Pilar González y Susan Orbe. Dpto. Economía Aplicada III (Econometría y Estadística)
Ejercicio 5 Estimación del Modelo de Regresión Lineal General Pilar González y Susan Orbe Dpto. Economía Aplicada III (Econometría y Estadística) Pilar González y Susan Orbe OCW 2013 Ejercicio 5 Estimación
Ejemplo 6.4. Pilar González y Susan Orbe. Dpto. Economía Aplicada III (Econometría y Estadística)
Ejemplo 6.4 Predicción 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 6.4. Predicción
Actividad A5. Modelo de Regresión Lineal General. Estimación. Pilar González y Susan Orbe. Dpto. Economía Aplicada III (Econometría y Estadística)
Actividad A5 Modelo de Regresión Lineal General. Estimación Pilar González y Susan Orbe Dpto. Economía Aplicada III (Econometría y Estadística) Pilar González y Susan Orbe OCW 2013 Actividad A5. Estimación
CALIFICACION: 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
Ejercicio 7. Heterocedasticidad y Autocorrelación. Pilar González y Susan Orbe. Dpto. Economía Aplicada III (Econometría y Estadística)
Ejercicio 7 Heterocedasticidad y Autocorrelación Pilar González y Susan Orbe Dpto. Economía Aplicada III (Econometría y Estadística) Pilar González y Susan Orbe OCW 2013 Ejercicio 7 Heterocedasticidad
Solución 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
CALIFICACION: - P C: precio medio de los productos sustitutivos existentes en el mercado en euros.
6 + 10 + 3 = 19 CALIFICACION: Ventasgdt Una empresa que produce una marca de detergente líquido desea contar con un modelo para planificar su producción, estimar las necesidades de materias primas y de
Actividad A5.1. Cambio de escala. a. Para estimar el modelo (1) se pincha: Modelo -- Mínimos cuadrados ordinarios SCR = 7803, 175 R 2 = 0, 89855
Actividad A5.1. Cambio de escala. Alquiler de sombrillas a. Para estimar el modelo (1) se pincha: Ŝ t = 22, 1467 0, 610208 P t + 11, 7892 T t t = 1, 2,..., 22 SCR = 7803, 175 R 2 = 0, 89855 ˆβ 1 : se estima
ECONOMETRÍA I. Tema 4: El Modelo de Regresión Lineal Múltiple: inferencia y validación
ECONOMETRÍA I Tema 4: El Modelo de Regresión Lineal Múltiple: inferencia y validación Patricia Moreno Juan Manuel Rodriguez Poo Alexandra Soberon Departamento de Economía Alexandra Soberon (UC) ECONOMETRÍA
El 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
Ejemplo 4.1. Análisis gráfico y forma funcional en Gretl. Pilar González y Susan Orbe. Dpto. Economía Aplicada III (Econometría y Estadística)
Ejemplo 4.1 Análisis gráfico y forma funcional en Gretl Pilar González y Susan Orbe Dpto. Economía Aplicada III (Econometría y Estadística) Pilar González y Susan Orbe OCW 2013 Ejemplo 4.1 Análisis gráfico
Soluciones Hoja de Ejercicios 4
Soluciones Hoja de Ejercicios 4 Econometría I 1. Considera la siguiente ecuación para explicar los salarios de los directores generales en términos de ventas anuales de la compañía (sales, del rendimiento
Estadística II Examen Final 19/06/2015 Soluciones. Responda a las preguntas siguientes en los cuadernillos de la Universidad
Estadística II Examen Final 19/06/2015 Soluciones Responda a las preguntas siguientes en los cuadernillos de la Universidad Utilice diferentes cuadernillos para responder a cada uno de los ejercicios Indique
TEMA 3: Contrastes de Hipótesis en el MRL
TEMA 3: Contrastes de Hipótesis en el MRL Econometría I M. Angeles Carnero Departamento de Fundamentos del Análisis Económico Curso 2011-12 Econometría I (UA) Tema 3: Contrastes de Hipótesis Curso 2011-12
EXAMEN 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
= 23 CALIFICACION:
11 + 4 + 8 = 23 CALIFICACION: Uno de los estudios econométricos más conocidos y citados en la literatura sobre el impacto a largo plazo de la publicidad es el realizado en 1963 por K. Palda para su tesis
Grado en Finanzas y Contabilidad
Econometría Grado en Finanzas y Contabilidad Apuntes basados en el libro Introduction to Econometrics: A modern Approach de Wooldridge 3.1 Colinealidad Exacta 3.2 Los efectos de la multicolinealidad Del
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
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:
Econometría 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
Estadística II Examen final junio - 17/06/16 Curso 2015/16 Soluciones Duración del examen: 2 h. y 45 min.
Estadística II Examen final junio - 17/06/16 Curso 201/16 Soluciones Duración del examen: 2 h. y 4 min. 1. (3, puntos) La publicidad de un fondo de inversión afirma que la rentabilidad media anual del
Soluciones 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
Estadística II Examen final junio 27/6/17 Curso 2016/17 Soluciones
Estadística II Examen final junio 27/6/7 Curso 206/7 Soluciones Duración del examen: 2 h y 5 min. (3 puntos) Los responsables de un aeropuerto afirman que el retraso medido en minutos en el tiempo de salida
Prácticas 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
EXAMEN 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
Hoja de Ejercicios 3 El modelo de regresión lineal múltiple
Hoja de Ejercicios 3 El modelo de regresión lineal múltiple Nota: En aquellos ejercicios en los que se incluyen estimaciones y referencia al archivo de datos utilizado, el estudiante debería comprobar
Ejemplo 3.3. Análisis descriptivo de los datos en Gretl. Pilar González y Susan Orbe. Dpto. Economía Aplicada III (Econometría y Estadística)
Ejemplo 3.3 Análisis descriptivo de los datos en Gretl Pilar González y Susan Orbe Dpto. Economía Aplicada III (Econometría y Estadística) Pilar González y Susan Orbe OCW 2013 Ejemplo 3.3 Análisis descriptivo
SOLUCIONES EXAMEN FINAL EXTRAORDINARIO DE ECONOMETRÍA
UC3M. Examen Final Extraordinario de Econometría, 06/7 9/06/07 SOLUCIONES EXAMEN FINAL EXTRAORDINARIO DE ECONOMETRÍA. (a) Este es un contraste del modelo completo con esta hipótesis nula H 0 : 0 en contra
EJEMPLO 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
UNIVERSIDAD 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
Tema 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
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
(X t X)(Y t Y ) S 2 X = (X t X) 2. Análogamente, las expresiones de los estimadores MCO en el modelo (2) son. (Xt X )(Yt Y ) (Xt X ) 2. b 2.
ECONOMETRÍA I - Examen nal. 26 enero. 2011 Curso 2010/11. Nombre....................... Apellidos.............................................. Licenciatura:................................. Grupo:.................................
Ejemplo 3.4. Análisis gráfico en Gretl. Pilar González y Susan Orbe. Dpto. Economía Aplicada III (Econometría y Estadística)
Ejemplo 3.4 Análisis gráfico en Gretl Pilar González y Susan Orbe Dpto. Economía Aplicada III (Econometría y Estadística) Pilar González y Susan Orbe OCW 2013 Ejemplo 3.4 Análisis gráfico 1 / 48 Contenido
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 +
T2. 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
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.
Estadística II Ejercicios Tema 5
Estadística II Ejercicios Tema 5 1. Considera los cuatro conjuntos de datos dados en las transparencias del Tema 5 (sección 5.1) (a) Comprueba que los cuatro conjuntos de datos dan lugar a la misma recta
PROBLEMA 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
Tema 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
Modelo 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
Taller 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
GUIÓN TEMA 3. CONTRASTE DE HIPÓTESIS EN EL MRL Contrastes de hipótesis en el MRL
ECONOMETRIA I. Departamento de Fundamentos del Análisis Económico Universidad de Alicante. Curso 011/1 GUIÓN TEMA 3. CONTRASTE DE HIPÓTESIS EN EL MRL Los procedimientos clásicos de contrastes de hipótesis
Economía Aplicada. Secciones Cruzadas Repetidas o Datos Fusionados. Basado en Wooldridge cap.13
Economía Aplicada Secciones Cruzadas Repetidas o Datos Fusionados Departamento de Economía Universidad Carlos III de Madrid Basado en Wooldridge cap.13 1 / 13 Dos Ejemplos de Secciones Cruzadas Repetidas
Econometría II. Hoja de Problemas 2
Econometría II. Hoja de Problemas 2 1. Se quiere estudiar si los beneficios de las empresas dependen del gasto en I+D que realizan. Para estimar la ecuación beneficios t = β 1 +β 2 ventas t +β 3 gid t
log 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;
![log 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;](/thumbs/87/97419348.jpg "log 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.
Estructura de este tema. Tema 4 Regresión lineal simple. Ejemplo: consumo de vino y dolencias cardíacas. Frecuencias
Estructura de este tema Tema 4 Regresión lineal simple José R. Berrendero Departamento de Matemáticas Universidad utónoma de Madrid Planteamiento del problema. Ejemplos Recta de regresión de mínimos cuadrados
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
Econometría I. Tema 2: El modelo de regresión simple Ejercicios
Econometría I Tema 2: El modelo de regresión simple Ejercicios 1. Considera el siguiente gráfico en el cual esta representada la relación entre los años de existencia del mercado de valores (A) y el rendimiento
Mínimos Cuadrados Generalizados
Tema 2 Mínimos Cuadrados Generalizados 2.1. Modelo de regresión con perturbaciones no esféricas En el tema de Mínimos Cuadrados Generalizados vamos a relajar dos de las hipótesis básicas sobre la perturbación.
ANÁLISIS 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
con los supuestos clásicos, uno de ellos es que ninguna de las variables X 1, X 2,, X K es
TEMA 2: EXTENSIONES DEL MODELO DE REGRESIÓN LINEAL MÚLTIPLE: MULTICOLINEALIDAD Y TRANSFORMACIONES LINEALES. Wooldridge: Capítulos 6 (apartado 6.1) y 7 Gujarati: Capítulos 9 (apartado 9.8), 10 y 12 1. MULTICOLINEALIDAD
Información 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
Actividad A4.1. Representación de funciones. Para representar funciones utilizando Gretl se pincha Herramientas -- Dibujar una curva Y = 2 + 5X
Actividad A4.1. Representación de funciones. Para representar funciones utilizando Gretl se pincha Herramientas -- Dibujar una curva Y = 2 + 5X Y = 2 5X Y = 2 + 5X 3X 2 Y = 2 + 5X + 3X 2 Y = 2 + 5 ln X
Prácticas 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
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)
Departamento de Fundamentos del Análisis Económico. Universidad de Alicante. Curso 2011/12. ECONOMETRÍA I Hoja de problemas del Tema 4
Departamento de Fundamentos del Análisis Económico. Universidad de Alicante. Curso 2011/12 ECONOMETRÍA I Hoja de problemas del Tema 4 Nota: En todos los contrastes tome como nivel de signi cación el 5%.
Estadística II Examen final enero 19/1/17 Curso 2016/17 Soluciones Duración del examen: 2 h y 15 min
Estadística II Examen final enero 19/1/17 Curso 016/17 Soluciones Duración del examen: h y 15 min 1. 3 puntos El Instituto para la Diversificación y Ahorro de la Energía IDAE ha publicado un estudio sobre
UNIVERSIDAD 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
Al nivel de confianza del 95%, las puntuaciones típicas son: 2- La hipótesis alternativa es; A) ; B) ; C).
A continuación se presentan 4 situaciones. Cada situación viene seguida por una serie de preguntas referidas a la misma así como de preguntas teóricas generales. SITUACIÓN 1: La empresa SND's de sondeos
EJERCICIO T2 NOMBRE: Correctas Incorrectas En Blanco Puntos
ECONOMETRÍA EJERCICIO T APELLIDOS: NOMBRE: FIRMA: GRUPO: DNI: Pregunta A B C En Blanco Pregunta A B C En Blanco Pregunta 3 A B C En Blanco Pregunta 4 A B C En Blanco Pregunta 5 A B C En Blanco Pregunta
Econometría 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
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
Tribunal de la Oposición al Cuerpo Superior de Estadísticos del Estado
Tribunal de la Oposición al Cuerpo Superior de Estadísticos del Estado Pruebas selectivas para el ingreso en el Cuerpo Superior de Estadísticos del Estado. Orden ECC/1517/2015, de 16 de Julio (BOE 27/07/2015).
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
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
EJERCICIO T1 NOMBRE: Correctas Incorrectas En Blanco Puntos
ECONOMETRÍA EJERCICIO T1 APELLIDOS: NOMBRE: FIRMA: GRUPO: DNI: Pregunta 1 A B C En Blanco Pregunta A B C En Blanco Pregunta 3 A B C En Blanco Pregunta 4 A B C En Blanco Pregunta 5 A B C En Blanco Pregunta
Econometría Aplicada
Econometría Aplicada Inferencia estadística, bondad de ajuste y predicción Víctor Medina Intervalos de confianza Intervalos de confianza Intervalos de confianza Intervalos de confianza La pregunta que
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
Métodos 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
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
ASOCIACIÓN ENTRE DOS VARIABLES CONTINUAS: REGRESIÓN Y CORRELACIÓN
CURSO DE BIOESTADÍSTICA BÁSICA Y SPSS ASOCIACIÓN ENTRE DOS VARIABLES CONTINUAS: REGRESIÓN Y CORRELACIÓN Amaia Bilbao González Unidad de Investigación Hospital Universitario Basurto (OSI Bilbao-Basurto)
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
ECONOMETRÍA 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
Estadística III (P33) Exam, Tipo: A
21 de Enero de 2000 Responde a las siguientes preguntas sobre papel ordinario, de forma breve y concisa. Al entregar tu exámen, has de entregar también la Tarea 10, que no fue posible finalizar en periodo
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
EXAMEN 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
Tema 3.2: Modelo lineal general: inferencia y predicción. Universidad Complutense de Madrid 2013
Tema 3.2: Modelo lineal general: inferencia y predicción Universidad Complutense de Madrid 2013 Contraste de hipótesis paramétricas en el MLG (I) Necesitamos añadir a la lista de hipótesis del MLG, la
TEMA 10 Correlación y regresión. El modelo de regresión simple
TEMA 10 Correlación y regresión. El modelo de regresión simple Karl Pearson (1857-1936) 1. Introducción. Modelos matemáticos 2. Métodos numéricos. Resolución de sistemas lineales y ecuaciones no lineales
Unidad V: Estadística aplicada
Unidad V: Estadística aplicada 5.1 Inferencia estadística: Concepto, Estimación, Prueba de hipótesis La Inferencia Estadística es la parte de la estadística matemática que se encarga del estudio de los
Fundamentos 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
EJERCICIOS RESUELTOS DE ECONOMETRÍA CON GRETL
EJERCICIOS RESUELTOS DE ECONOMETRÍA CON GRETL PRÁCTICA Rosa Badillo Amador Susana Tena Nebot Rocío Munuera Navarro PRÁCTICA Se pretende analizar de qué factores depende el salario mensual de las familias
Hoja de Ejercicios 4 Análisis de regresión con información cualitativa
Hoja de Ejercicios 4 Análisis de regresión con información cualitativa Nota: En aquellos ejercicios en los que se incluyen estimaciones y referencia al archivo de datos utilizado, el estudiante debería
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
TEMA 5: Especificación y Predicción en el MRL
EMA 5: Especificación y Predicción en el MRL Econometría I M. Angeles Carnero Departamento de Fundamentos del Análisis Económico Curso 2011-12 Econometría I (UA) ema 5: Especificación y Predicción Curso
Gestión de los datos en Gretl
Tema 3 Gestión de los datos en Gretl Pilar González y Susan Orbe Dpto. Economía Aplicada III (Econometría y Estadística) Pilar González y Susan Orbe OCW 2013 Tema 3. Gestión de los datos en Gretl 1 / 55
SOLUCIONES 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
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
Variables ficticias y Estabilidad de parámetros. Opciones de Shazam para contrastar la estabilidad de parámetros
Variables ficticias y Estabilidad de parámetros Opciones de Shazam para contrastar la estabilidad de parámetros Variables ficticias La utilización de variables ficticias (variables dicotómicas o variables
Estadística 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
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
ESTADÍSTICA APLICADA. Tema 4: Regresión lineal simple
ESTDÍSTIC PLICD Grado en Nutrición Humana y Dietética Planteamiento del problema Tema 4: Regresión lineal simple Recta de regresión de mínimos cuadrados El modelo de regresión lineal simple IC y contrastes
Tercera práctica de REGRESIÓN.
Tercera práctica de REGRESIÓN. DATOS: fichero practica regresión 3.sf3 1. Objetivo: El objetivo de esta práctica es aplicar el modelo de regresión con más de una variable explicativa. Es decir regresión
Tema 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 =