Tema 3: Procedimientos de Constrastación y Selección de Modelos
|
|
- Sergio Hidalgo Botella
- hace 7 años
- Vistas:
Transcripción
1 Tema 3: Procedmentos de Constrastacón y Seleccón de Modelos
2 TEMA 3: PROCEDIMIENTOS DE CONTRASTACIÓN Y SELECCIÓN DE MODELOS 3) Introduccón a los Modelos con Restrccones Estmacón Restrngda 3) Contrastes de Seleccón de Modelos - Razón de Verosmltud - Test de Wald - Multplcadores de Lagrange - Contraste de Nuldad de un Subconjunto de Parámetros 33) Contraste de Chow de Cambo Estructural 34) Contraste RESET de Ramsey
3 TEMA 3: Procedmentos de Contrastacón y Seleccón de Modelos 3) Introduccón a los Modelos con Restrccones Y X β + U MODELO U N( ϑ, σ I) d u MCO ( X ' X ) X ' Y ˆ MCO β - LINEAL W Y βˆ MCO ˆ β ) E( MCO - INSESGADO β lm ˆ β - CONSISTENTE β n MCO - ÓPTIMOS PREGUNTA: Se Podría Mejorar la Estmacón MCO? La ncorporacón al proceso de estmacón de algún tpo de INFORMACIÓN EXTRÍNSECA e INSESGADA sobre los parámetros del modelo podría permtr una mayor precsón de los (varanza más pequeña) βˆmco 3
4 TEMA 3: Procedmentos de Contrastacón y Seleccón de Modelos 3) Introduccón a los Modelos con Restrccones Un Ejemplo: MODELO NO-LINEAL MODELO BASADO EN LA FUNCIÓN DE PRODUCCIÓN COBB-DOUGLAS en donde Y es el output K es el factor productvo captal Y γ K L U α β LINEALIZABLE CÓMO?,,n L γ es el factor productvo trabajo α y β, Son los parámetros del modelo U es la perturbacón Consderando un Modelo Doble-Log 4
5 TEMA 3: Procedmentos de Contrastacón y Seleccón de Modelos 3) Introduccón a los Modelos con Restrccones Un Ejemplo: MODELO NO-LINEAL Y γ K L U α β LINEALIZABLE MCO ln( Y ) lnγ + α ln( K ) + β ln( L ) + ˆ γ αˆ βˆ CÓMO SE INTERPRETAN LOS COEFICIENTES ESTIMADOS? ln( U ) ELASTICIDADES 5
6 TEMA 3: Procedmentos de Contrastacón y Seleccón de Modelos 3) Introduccón a los Modelos con Restrccones Un Ejemplo: Vamos a suponer que dsponemos de INFORMACIÓN EXTRÍNSECA E INSESGADA que confrma la HIPÓTESIS DE RENDIMIENTOS CONSTANTES A ESCALA H : α + β β α Incorporando la Informacón en el Modelo obtenemos ln( Y ) lnγ + α ln( K ) + β ln( L ) + ln( U α + β ) ln Y L K lnγ + α ln L + ln( U ),,n 6
7 TEMA 3: Procedmentos de Contrastacón y Seleccón de Modelos 3) Introduccón a los Modelos con Restrccones Un Ejemplo: Y ln L QUÉ OBSERVAMOS? K lnγ + α ln L + ln( U ) MODELO RESTRINGIDO Modelo que resulta de aplcar la restrccón β α Hay un Menor Número de Parámetros a Estmar Las Varables del Modelo Restrngdo son Dferentes Varable Dependente Varable Independente Y ln L K ln L Output por Trabajador Captal por Undad de Trabajo 7
8 TEMA 3: Procedmentos de Contrastacón y Seleccón de Modelos 3) Introduccón a los Modelos con Restrccones Un Ejemplo: PREGUNTA: La Estmacón MCO en el Modelo Restrngdo será MÁS PRECISA que en el Modelo General? Modelo Restrngdo ModeloGeneral Var( ˆ α ) < Var( ˆ α )? MCO MCO RESPUESTA: SÍ Por qué? Dado el msmo número de observacones n, en el modelo restrngdo hay que estmar un menor número de parámetros 8
9 9 3) Introduccón a los Modelos con Restrccones n n L K L K L K X ln ln ln * TEMA 3: Procedmentos de Contrastacón y Seleccón de Modelos Un Ejemplo: ) ln( ln ln ln U L K L Y + + α γ ( ) * *' * *' * ˆ ˆ Y X X X MCR β β MÍNIMOS CUADRADOS RESTRINGIDOS n n L Y L Y L Y Y ln ln ln * QUÉ VENTAJAS SE OBTIENE DE MCR? S la Hpótess es certa β MCR β ˆ ˆ * es un estmador Lneal Insesgado, Consstente, Óptmo y con una menor varanza que aplcado βˆmco al modelo sn restrccones
10 TEMA 3: Procedmentos de Contrastacón y Seleccón de Modelos 3) Introduccón a los Modelos con Restrccones Un Ejemplo: PREGUNTA CÓMO SABER SI LA HIPÓTESIS DE RENDIMIENTOS CONSTANTES A ESCALA ES CIERTA?? α + β Especfcar el Contraste H : α + β Defnr el Estadístco t ˆ α + ˆ β Var ˆ α + ˆ β ( ˆ α + ˆ β ) Var( ˆ) α + Var( ˆ) β Cov( ˆ, α ˆ β ) d tn K 3 Regla de Decsón S t < t n K Aceptamos H : α + β
11 TEMA 3: Procedmentos de Contrastacón y Seleccón de Modelos 3) Introduccón a los Modelos con Restrccones Un Ejemplo: PROCEDIMIENTO SEGUIDO EN LA ESTIMACIÓN MCR Incorporar la Restrccón en el Modelo General α + β ln( Y ) lnγ + α ln( K ) + β ln( L ) + ln( U ) 3 Especfcar el Modelo Transformado o Restrngdo Y ln L K lnγ + α ln L Calcular los MCO del Modelo Restrngdo ˆ * β ˆ β MCR + ln( U ( *' *) *' * X X X Y )
12 TEMA 3: Procedmentos de Contrastacón y Seleccón de Modelos 3) Introduccón a los Modelos con Restrccones Un Ejemplo: PROBLEMAS DE SEGUIR ESTE PROCEDIMIENTO Exsten complcacones s el número de restrccones es mayor que Puede suceder que el modelo restrngdo sea complejo SOLUCIÓN Defnr los Estmadores MCR de forma general
13 TEMA 3: Procedmentos de Contrastacón y Seleccón de Modelos 3) Introduccón a los Modelos con Restrccones MÍNIMOS CUADRADOS RESTRINGIDOS De forma general vamos a suponer que exste q restrccones lneales de los parámetros: R β r o R β r en donde R qx ( ( K +) ) Matrz de Coefcentes Constantes (no estocástcos) β( K +) x Vector con los Parámetros del Modelo r qx Vector con Valores Correspondentes a la Hpótess Nula 3
14 TEMA 3: Procedmentos de Contrastacón y Seleccón de Modelos 3) Introduccón a los Modelos con Restrccones MÍNIMOS CUADRADOS RESTRINGIDOS Ejemplos de la Notacón Matrcal H : β R β Tenemos Restrccón R [ x( K ) ] [( K + ) x] x + β [ ] r r β β β K ( q ) 4
15 TEMA 3: Procedmentos de Contrastacón y Seleccón de Modelos 3) Introduccón a los Modelos con Restrccones MÍNIMOS CUADRADOS RESTRINGIDOS Ejemplos de la Notacón Matrcal H : β + β R β Tenemos Restrccón R [ x( K ) ] [( K + ) x] x + β [ ] r r β β β K ( q ) 5
16 TEMA 3: Procedmentos de Contrastacón y Seleccón de Modelos 3) Introduccón a los Modelos con Restrccones MÍNIMOS CUADRADOS RESTRINGIDOS Ejemplos de la Notacón Matrcal R β r H : β + β 3 H 3 y Tenemos Restrccón R [ x( K ) ] [( K + ) x] x + β : β β3 + βk β β β β3 3 β K r ( q ) 6
17 7 MÍNIMOS CUADRADOS RESTRINGIDOS Ejemplos de la Notacón Matrcal r R β 3) Introduccón a los Modelos con Restrccones TEMA 3: Procedmentos de Contrastacón y Seleccón de Modelos : K H β β β 3 β K β β β β ( ) q K [ ] [ ] ) ( ) ( Kx x K K Kx r R + + β 4 Tenemos K Restrccón
18 TEMA 3: Procedmentos de Contrastacón y Seleccón de Modelos 3) Introduccón a los Modelos con Restrccones MÍNIMOS CUADRADOS RESTRINGIDOS Contrastar el Cumplmento de las Restrccones H : R β Otras formas equvalentes F e * r ( e *' e * e' e) y F q e' e n K * β ( R ˆ β r) ' [ RVar ˆ ( ˆ β ) R' ] ( R ˆ β r) d F q, n K o q F ( ˆ * ˆ) ' ' ( ˆ * β β X X β ˆ β ) q e' e n K (Ver demostracón) donde son los resduos y los coefcentes estmados de la regresón 8 restrngda
19 TEMA 3: Procedmentos de Contrastacón y Seleccón de Modelos 3) Introduccón a los Modelos con Restrccones MÍNIMOS CUADRADOS RESTRINGIDOS Contrastar el Cumplmento de las Restrccones REGLA DE DECISIÓN S F > F q, n K,α Se Rechaza la Hpótess Nula H : R β r NO MCR Se Acepta la Hpótess Nula S F F q, n K,α H : R β r SÍ MCR 9
20 TEMA 3: Procedmentos de Contrastacón y Seleccón de Modelos 3) Introduccón a los Modelos con Restrccones Cómo Calcular los EMCR? MÍNIMOS CUADRADOS RESTRINGIDOS SCE ee ( Y X ˆ β ) ( Y X ˆ β ) { ˆ ' ' β } mn S a: R ˆ β r (Ver demostracón) ˆ β R ˆ β MCO + ( X ' X ) R' R ( X ' X ) ( ) R' ( r R ˆ β ) MCO
21 TEMA 3: Procedmentos de Contrastacón y Seleccón de Modelos 3) Contrastes de Seleccón de Modelos 3) El Contraste de Razón de Verosmltud Sea: un Vector de Parámetros a Estmar ϑ H la Hpótess Nula en la que se ndca alguna restrccón: H : R θ θ el Estmador de Máxma Verosmltud sn tener en cuenta la restrccón ϑˆu ϑˆr el Estmador de Máxma Verosmltud tenendo en cuenta la restrccón ( ) Lˆ ϑˆ ( ) Lˆ ϑˆ u u y R R las funcones de verosmltud evaluadas en ϑˆu y respectvamente: ˆ L u Lˆ R maxl { ϑ Θ} ( Y, ϑ) ( ) maxly, ϑ { ϑ W } ϑ w Θ R Θ Θ ϑ u ϑˆr en donde es el espaco de parámetros y es un subconjunto de ese espaco: W
22 TEMA 3: Procedmentos de Contrastacón y Seleccón de Modelos 3) Contrastes de Seleccón de Modelos 3) El Contraste de Razón de Verosmltud Defncón: La Razón de Verosmltud λ Lˆ Lˆ R u λ [,] λ Idea: S toma un valor muy bajo entonces dudaremos de la valdez de la restrccón ( por qué?) ESTADÍSTICO DEL CONTRASTE RAZÓN DE VEROSIMILITUD: RV Regla de Decsón: [ ] log( ˆ ) log( ˆ ) χ log( λ) L u L R q d donde q es el número de restrccones S RV > χ q,α Se Rechaza la Hpótess Nula de Valdez de las Restrccones
23 TEMA 3: Procedmentos de Contrastacón y Seleccón de Modelos 3) Contrastes de Seleccón de Modelos 3) El Contraste de Wald Sea: el Vector de Parámetros Estmados obtendo sn tener en cuenta las ϑˆu restrccones La Hpótess Nula en la que se ndca alguna restrccón: ESTADÍSTICO DE WALD: W H : R θ ϑ [ ]' [ ( ) ] ' [ ] d R ˆ ϑ ϑ RVar ˆ ˆ ϑ R R ˆ ϑ ϑ χ u u q Regla de Decsón: S W > χ q,α Se Rechaza la Hpótess Nula de Valdez de las Restrccones 3
24 TEMA 3: Procedmentos de Contrastacón y Seleccón de Modelos 3) Contrastes de Seleccón de Modelos 3) El Contraste de Wald Ejemplo: El Contraste de Wald con una Restrccón H H : θ θ : θ θ W [ ]' [ ] ˆ θ ϑ Var( ˆ) θ [ ˆ θ ϑ ] W ( ) ˆ θ ϑ d Var( ˆ) ϑ χ Regla de Decsón: S W > χ, α Se Rechaza la Hpótess Nula de Valdez de las Restrccones 4
25 TEMA 3: Procedmentos de Contrastacón y Seleccón de Modelos 3) Contrastes de Seleccón de Modelos 33) El Contraste del Multplcador de Lagrange FUNCIÓN DE MÁXIMA VEROSIMILITUD ( ϑ) L u { ϑ} ( ϑ) maxly, ϑ Θ CPO: ( L ( Y, ϑ) ) log u S( ϑ) ϑ SCORES DEL MODELO [( K +x ) ] ˆ ϑ S ( ˆ ϑ u u ) 5
26 TEMA 3: Procedmentos de Contrastacón y Seleccón de Modelos 3) Contrastes de Seleccón de Modelos 33) El Contraste del Multplcador de Lagrange Supongamos ahora el Modelo Restrngdo consderando la Hpótess Nula H : R θ ϑ S esta Hpótess es certa, entonces ( L ( Y, ˆ ϑ )) ˆ log u R S( ϑr ) ϑ S la Hpótess Nula es Certa, entonces la expresón del SCORE del Modelo No Restrngdo evaluado en el punto debe ser próxmo a cero ϑˆr 6
27 TEMA 3: Procedmentos de Contrastacón y Seleccón de Modelos 3) Contrastes de Seleccón de Modelos 33) El Contraste del Multplcador de Lagrange ESTADÍSTICO DEL CONTRASTE DEL MULTIPLICADOR DE LAGRANGE: L log ( ) ' ˆ [ ] ( ) ˆ d L ( Y, ϑ ) logl ( Y, ϑ ) u ' ϑ R Var( ˆ ϑ ) R u ' ϑ R χ q Regla de Decsón: S L > χ q,α Se Rechaza la Hpótess Nula de Valdez de las Restrccones Las Restrccones mpuestas no son Váldas: H : R θ ϑ 7
28 TEMA 3: Procedmentos de Contrastacón y Seleccón de Modelos 3) Contrastes de Seleccón de Modelos 34) Contraste de Nuldad Conjunta de un Subconjunto de Parámetros MODELO DE REGRESIÓN LINEAL MÚLTIPLE Y X + U β + β X + β X + + βh Xh + βh+ Xh+ + βh+ Xh+ + + βk k El Contraste a Realzar será: H H : β h+ β h+ : Alguno β K 8
29 TEMA 3: Procedmentos de Contrastacón y Seleccón de Modelos 3) Contrastes de Seleccón de Modelos 34) Contraste de Nuldad Conjunta de un Subconjunto de Parámetros El Estadístco a emplear será: en donde: F SCE R u d K h FK h, n K SCEu n K SCE SCE es la Suma de los Cuadrados de los Errores del Modelo Restrngdo Es R decr, es la SCE obtenda al regresar Y X X,,, SCE es la Suma de los Cuadrados de los Errores del Modelo Sn Restrngr u Es decr, es la SCE obtenda al regresar Y X X,, X, X, X,, X X h, h h+ h+ 9 K
30 TEMA 3: Procedmentos de Contrastacón y Seleccón de Modelos 3) Contrastes de Seleccón de Modelos 34) Contraste de Nuldad Conjunta de un Subconjunto de Parámetros La Regla de Decsón será: F F K S h,, n K, α F > F K K S h,, n, α Se Acepta la Hpótess Nula de Valdez de las Restrccones Se Rechaza la Hpótess Nula de Valdez de las Restrccones Regón Aceptacón ( α ) α F K +, n K,α 3
31 TEMA 3: Procedmentos de Contrastacón y Seleccón de Modelos 33) El Contraste de Chow de Cambo Estructural Permanenca o Constanca Estructural 9 8 Y ˆ β ˆ β + e + X
32 TEMA 3: Procedmentos de Contrastacón y Seleccón de Modelos 33) El Contraste de Chow de Cambo Estructural Cambo Estructural 9 Y ˆ ˆ + e β + β X Y α α + e A ˆ + ˆ X Y ˆ β ˆ β + e + X Y δˆ δˆ + e B + X
33 TEMA 3: Procedmentos de Contrastacón y Seleccón de Modelos 33) El Contraste de Chow de Cambo Estructural EL CONTRASTE DE CHOW: PROCEDIMIENTO PRIMER PASO Realzar la Partcón de la Muestra en Submuestras - La que tene las N A Prmeras Observacones de la Muestra - La que tene las N B Últmas Observacones de la Muestra N + NB A N 33
34 TEMA 3: Procedmentos de Contrastacón y Seleccón de Modelos 33) El Contraste de Chow de Cambo Estructural EL CONTRASTE DE CHOW: PROCEDIMIENTO SEGUNDO PASO Especfcar el Contraste de Hpótess H H : β : β A A β β B B β Y X β + ε Y X β + ε? A A B B - Aceptar la Hpótess Nula es Indcatvo de Permanenca Estructural de los Parámetros - Rechazar la Hpótess Nula es Indcatvo de Cambo Estructural Los Parámetros del Modelo no pueden consderarse constantes 34
35 TEMA 3: Procedmentos de Contrastacón y Seleccón de Modelos 33) El Contraste de Chow de Cambo Estructural EL CONTRASTE DE CHOW: PROCEDIMIENTO TERCER PASO Determnar el Estadístco F ' ' [ e' e ( e e + e e )] K + F K ' ' ( e e + e e ) ( N + N ( K + ) ) A A A A B A B B B B d ( K + ),( N + N ( + ) ) A B 35
36 TEMA 3: Procedmentos de Contrastacón y Seleccón de Modelos 33) El Contraste de Chow de Cambo Estructural EL CONTRASTE DE CHOW: PROCEDIMIENTO CUARTO PASO Regla de Decsón F F - S ( K + ),( N + N ( K + ) ), α Rechazar A B EXISTE UNA DIFERENCIA SIGNIFICATIVA ENTRE ESTIMAR LAS REGRESIONES SEPARADAS O LA REGRESIÓN CONJUNTA H F < F K - S ( K + ),( N + N ( + ) ), α Aceptar A B H 36
37 TEMA 3: Procedmentos de Contrastacón y Seleccón de Modelos 33) El Contraste de Chow de Cambo Estructural EL CONTRASTE DE CHOW: CUESTIONES Y LIMITACIONES F Es necesaro determnar prevamente el Punto de Corte Es un elemento fundamental ya que el contraste es muy sensble a N A La stuacón deseable es que determne submuestras de tamaño aproxmadamente equvalente a la mtad del tamaño muestral S N A está próxmo a alguno de los extremos de la muestra es aconsejable emplear ' [ e' e e e ] A A d NB F ' NB, NA K ( ea ea ) ( N ( K + ) ) A o F ' [ e' e e e ] ( N ( K + ) ) N A B B d NA F ' NA, NB K ( eb eb ) B N A 3 El Test de Chow se puede emplear tanto con datos temporales como con datos de corte transversal 37
38 TEMA 3: Procedmentos de Contrastacón y Seleccón de Modelos 34) El Contraste Reset de Ramsey MODELO DE REGRESIÓN LINEAL MÚLTIPLE Y β + β X + + βk XK + U FORMA FUNCIONAL LINEAL Qué Sucede s la Forma Funconal No es la Correcta? ESTIMADORES SESGADOS Y POCO PRECISOS Cómo verfcar que el Modelo está Ben Especfcado? TEST DE RAMSEY 38
39 TEMA 3: Procedmentos de Contrastacón y Seleccón de Modelos 34) El Contraste Reset de Ramsey ESTÁ EL MODELO DE REGRESIÓN CORRECTAMENTE ESPECIFICADO? PRIMER PASO Estmar el Sguente Modelo p j + β X + + βk XK + γ j Yˆ j Y β + U p j γ jy ˆ j en donde es la suma del ajuste obtendo elevado a dstntas potencas (generalmente p) Ŷ 39
40 TEMA 3: Procedmentos de Contrastacón y Seleccón de Modelos 34) El Contraste Reset de Ramsey ESTÁ EL MODELO DE REGRESIÓN CORRECTAMENTE ESPECIFICADO? SEGUNDO PASO Especfcar el Contraste de Hpótess POR QUÉ ESTE CONTRASTE? H H : γ γp : a lgunoes γ S algún j es sgnfcatvo, entonces la especfcacón ncal es Incorrecta Y β + β X + + βk XK + U MAL ESPECIFICADO 4
41 TEMA 3: Procedmentos de Contrastacón y Seleccón de Modelos 34) El Contraste Reset de Ramsey ESTÁ EL MODELO DE REGRESIÓN CORRECTAMENTE ESPECIFICADO? TERCER PASO Determnar el Estadístco y la Regla de Decsón El Estadístco F para contrastar la nuldad de un conjunto de parámetros S F F P ( ),( n K + p ), α El Modelo está MAL ESPECIFICADO El Estadístco t s se ntroduce sólo el cuadrado del ajuste (p) S t t n K + p,α El Modelo está MAL ESPECIFICADO 4
Tema 5: Incumplimiento de las Hipótesis sobre el Término de Perturbación
Tema 5: Incumplmento de las Hpótess sobre el Térmno de Perturbacón TEMA 5: INCMPLIMIENTO DE LAS HIPÓTESIS SOBRE EL TÉRMINO DE PERTRBACIÓN 5.) Introduccón 5.) El Modelo de Regresón Lneal Generalzado 5.3)
Más detallesPUBLICACIONES DE 4º CURSO
PUBLICACIONES DE 4º CURSO Grado: DERECHO-ADE Asgnatura: ECONOMERÍA Grupos: Únco ema: ESQUEMA EMA Profesores: Inmaculada Vllanúa Departamento de ANÁLISIS ECONÓMICO Curso Académco 04/5 ema : El Modelo Lneal
Más detallesEspecialista en Estadística y Docencia Universitaria REGRESION LINEAL MULTIPLE
Especalsta en Estadístca y Docenca Unverstara REGRESION LINEAL MULTIPLE El modelo de regresón lneal múltple El modelo de regresón lneal múltple con p varables predctoras y basado en n observacones tomadas
Más detallesEfectos fijos o aleatorios: test de especificación
Cómo car?: Montero. R (2011): Efectos fjos o aleatoros: test de especfcacón. Documentos de Trabajo en Economía Aplcada. Unversdad de Granada. España Efectos fjos o aleatoros: test de especfcacón Roberto
Más detallese i para construir el modelo econométrico que se escribe a continuación:
5.3 Especfcacón del modelo empírco Para este análss se formló n modelo econométrco de seccón crzada, porqe las observacones corresponden a las característcas de las personas encestadas en n msmo período
Más detallesFE DE ERRATAS Y AÑADIDOS AL LIBRO FUNDAMENTOS DE LAS TÉCNICAS MULTIVARIANTES (Ximénez & San Martín, 2004)
FE DE ERRATAS Y AÑADIDOS AL LIBRO FUNDAMENTOS DE LAS TÉCNICAS MULTIVARIANTES (Xménez & San Martín, 004) Capítulo. Nocones báscas de álgebra de matrces Fe de erratas.. Cálculo de la transpuesta de una matrz
Más detallesInferencia en Regresión Lineal Simple
Inferenca en Regresón Lneal Smple Modelo de regresón lneal smple: Se tenen n observacones de una varable explcatva x y de una varable respuesta y, ( x, y)(, x, y),...,( x n, y n ) el modelo estadístco
Más detalles) para toda permutación (p p 1 p
09 Elena J. Martínez do cuat. 004 Análss de la varanza de dos factores El problema anteror consderaba la comparacón de muestras para detectar dferencas entre las respectvas poblacones. En el modelo de
Más detallesTema 7: Regresión Logística p. 1/1
Tema 7: Regresón Logístca Pedro Larrañaga, Iñak Inza, Abdelmalk Moujahd Departamento de Cencas de la Computacón e Intelgenca Artfcal Unversdad del País Vasco http://www.sc.ehu.es/sg/ Tema 7: Regresón Logístca
Más detallesEXAMEN FINAL DE ECONOMETRIA, 3º CURSO (GRADOS EN ECO y ADE) 6 de Junio de :00 horas. Pregunta 19 A B C En Blanco. Pregunta 18 A B C En Blanco
EXAMEN FINAL DE ECONOMETRIA, 3º CURSO (GRADOS EN ECO y ADE) 6 de Juno de 3 9: horas Prmer Apelldo: Nombre: DNI: Teléfono: Segundo Apelldo: Grupo y Grado: Profesor(a): e mal: Pregunta A B C En Blanco Pregunta
Más detallesa) DIAGRAMA DE DISPERSION
SIS 335 - A EJEMPLO.- Se ha recogdo datos de una localdad medante sendas encuestas sobre el consumo (Y) de productos de hogar y de la renta (X) de los consumdores consultados, obtenéndose los sguentes
Más detallesPropuesta de solución: ejercicio C3.9 (Wooldridge, 2010) Fortino Vela Peón Octubre, 2011
Propuesta de solucón: ejercco C3.9 (Wooldrdge, 010) Fortno Vela Peón fvela@correo.xoc.uam.mx Octubre, 011 Ejercco C3.9. Wooldrdge (010) Contans data from C:\FVELA\DATOS STATA\WOOLDRIGE\charty.dta obs:
Más detallesModelo de Regresión Lineal Múltiple. Heterocedasticidad. Dr. Víctor Aguirre
Modelo de Regresón Lneal Múltple. Heterocedastcdad. Dr. Víctor Agurre Propósto Estudar el caso en que la varanza condconal de Y dado no sea constante. Veremos Porqué sucede? Consecuencas sobre el EMC Deteccón.
Más detallesTema 8: Heteroscedasticidad
Tema 8: Heteroscedastcdad Máxmo Camacho Máxmo Camacho Econometría I - ADE+D / - Tema 8 Heteroscedastcdad Bloque I: El modelo lneal clásco r Tema : Introduccón a la econometría r Tema : El modelo de regresón
Más detallesCURSO INTERNACIONAL: CONSTRUCCIÓN DE ESCENARIOS ECONÓMICOS Y ECONOMETRÍA AVANZADA. Instructor: Horacio Catalán Alonso
CURSO ITERACIOAL: COSTRUCCIÓ DE ESCEARIOS ECOÓMICOS ECOOMETRÍA AVAZADA Instructor: Horaco Catalán Alonso Modelo de Regresón Lneal Smple El modelo de regresón lneal representa un marco metodológco, que
Más detallesAnálisis de Weibull. StatFolio de Muestra: Weibull analysis.sgp
Análss de Webull Resumen El procedmento del Análss de Webull está dseñado para ajustar una dstrbucón de Webull a un conjunto de n observacones. Es comúnmente usado para analzar datos representando tempos
Más detallesTODO ECONOMETRIA. Bondad del ajuste Contraste de hipótesis
TODO ECONOMETRIA Bondad del ajuste Contraste de hipótesis Índice Bondad del ajuste: Coeficiente de determinación, R R ajustado Contraste de hipótesis Contrastes de hipótesis de significación individual:
Más detallesDISEÑO COMPLETAMENTE ALEATORIZADO
DISEÑO COMPLETAMENTE ALEATORIZADO yj µ + τ + uj ; :,..., I ; j:,..., n µ : Meda general ; τ : Efecto del tratamento esmo u j : Errores expermentales HIPOTESIS DEL MODELO La meda sea cero: La varanza sea
Más detallesAspectos fundamentales en el análisis de asociación
Carrera: Ingenería de Almentos Perodo: BR01 Docente: Lc. María V. León Asgnatura: Estadístca II Seccón A Análss de Regresón y Correlacón Lneal Smple Poblacones bvarantes Una poblacón b-varante contene
Más detallesFigura 1
5 Regresón Lneal Smple 5. Introduccón 90 En muchos problemas centífcos nteresa hallar la relacón entre una varable (Y), llamada varable de respuesta, ó varable de salda, ó varable dependente y un conjunto
Más detalles315 M/R Versión 1 Integral 1/ /1 UNIVERSIDAD NACIONAL ABIERTA VICERRECTORADO ACADÉMICO ÁREA INGENIERÍA
35 M/R Versón Integral / 28/ UNIVERSIDAD NACIONAL AIERTA VICERRECTORADO ACADÉMICO ÁREA INGENIERÍA MODELO DE RESPUESTA ASIGNATURA: Investgacón de Operacones I CÓDIGO: 35 MOMENTO: Prueba Integral FECHA DE
Más detallesEJERCICIO 1 1. VERDADERO 2. VERDADERO (Esta afirmación no es cierta en el caso del modelo general). 3. En el modelo lineal general
PRÁCTICA 6: MODELO DE REGRESIÓN MÚLTIPLE SOLUCIÓN EJERCICIO. VERDADERO. VERDADERO (Esta afrmacón no es certa en el caso del modelo general. 3. En el modelo lneal general Y =X β + ε, explcar la forma que
Más detallesModelo de Variables Instrumentales
Modelo de Varables Instrumentales Contraste de endogenedad El estmador de MCE es menos efcente que el de MCO cuando las varables explcatvas son exógenas. Las estmacones de MCE pueden tener errores estándar
Más detallesEXAMEN FINAL DE ECONOMETRIA, 3º CURSO (GRADOS EN ECO y ADE) 19 de Septiembre de :30 horas. Pregunta 19 A B C En Blanco
EXAMEN FINAL DE ECONOMETRIA, 3º CURSO (GRADOS EN ECO y ADE) 19 de Septembre de 01 15:30 horas Prmer Apelldo: Nombre: DNI: Teléfono: Segundo Apelldo: Grupo y Grado: Profesor(a): e mal: Pregunta 1 A B C
Más detallesEJERCICIOS. Ejercicio 1.- Para el modelo de regresión simple siguiente: Y i = βx i + ε i i =1,..., 100. se tienen las siguientes medias muestrales:
EJERCICIOS Tema 2: MODELO DE REGRESION LINEAL SIMPLE Ejercco 1.- Para el modelo de regresón smple sguente: Y = βx + ε =1,..., 100 se tenen las sguentes medas muestrales: ( P y ) /n =0.3065 ( P y 2 ) /n
Más detallesPRÁCTICA 16: MODELO DE REGRESIÓN MÚLTIPLE SOLUCIÓN
PRÁCTICA 6: MODELO DE REGRESIÓN MÚLTIPLE SOLUCIÓN EJERCICIO. VERDADERO. VERDADERO (Esta afrmacón no es certa en el caso del modelo general). 3. En el modelo lneal general Y = X b + e, explcar la forma
Más detallesTODO ECONOMETRIA. Variables cualitativas
TODO ECONOMETRIA Varables cualtatvas Índce Defncón de las varables dummy (o varables fctcas) Regresón con varables explcatvas dummy Varables dummy S queremos estudar s los hombres ganan más que las mujeres,
Más detallesExamen Final de Econometría Grado
Examen Fnal de Econometría Grado 17 de Mayo de 2016 15.30 horas Apelldos: Grado (ADE/ ECO): Nombre del profesor(a): Nombre: Grupo: Emal: Antes de empezar a resolver el examen, rellene TODA la nformacón
Más detallesPrueba de Inferencia Estadística y Contraste de Hipótesis. 8 de octubre de 2012 GRUPO A
Prueba de Inferenca Estadístca y Contraste de Hpótess 8 de octubre de 01 GRUPO A 1.- Se ha observado un ángulo cnco veces, obtenéndose los sguentes valores: Se pde: 65º5 ; 65º33 ; 65º3 ; 65º8 ; 65º7 a)
Más detallesH 0 : La distribución poblacional es uniforme H 1 : La distribución poblacional no es uniforme
Una hpótess estadístca es una afrmacón con respecto a una característca que se desconoce de una poblacón de nterés. En la seccón anteror tratamos los casos dscretos, es decr, en forma exclusva el valor
Más detallesEXAMEN FINAL DE ECONOMETRIA, 3º CURSO (GRADOS EN ECO y ADE) 17 de Mayo de :00 horas
EXAMEN FINAL DE ECONOMETRIA, 3º CURSO (GRADOS EN ECO y ADE) 7 de Mayo de 08 9:00 horas Prmer Apelldo: Nombre: DNI: Teléfono: Segundo Apelldo: Grupo y Grado: Profesor(a): e-mal: Pregunta A B C En Blanco
Más detallesTM 6. ESPECIFICACION DE LA FORMA FUNCIONAL DE LA ECUACION. 1. ESPECIFICACIONES LINEALES DE LAS VARIABLES EXPLICATIVAS
TM 6. ESPECIFICACION DE LA FORMA FUNCIONAL DE LA ECUACION.. ESPECIFICACIONES LINEALES DE LAS VARIABLES EPLICATIVAS. ESPECIFICACION CUADRATICA 3. ESPECIFICACION LINEAL O CUADRATICA CON ALGUN TERMINO DE
Más detallesTema1. Modelo Lineal General.
Tema1. Modelo Lineal General. 1. Si X = (X 1, X 2, X 3, X 4 ) t tiene distribución normal con vector de medias µ = (2, 1, 1, 3) t y matriz de covarianzas 1 0 1 1 V = 0 2 1 1 1 1 3 0 1 1 0 2 Halla: a) La
Más detallesInformación sobre Gastos de Consumo Personal y Producto Interno Bruto ( ) en miles de millones de dólares de 1992.
Universidad Nacional Autónoma de Nicaragua UNAN-Managua Curso de Análisis y Diseño de Modelos Econométricos Profesor: MSc. Julio Rito Vargas Avilés. Participantes: Docentes /FAREM-Carazo Encuentro No.4
Más detallesAnálisis de la varianza de un factor
Análss de la varanza de un factor El test t de muestras se aplca cuando se queren comparar las medas de dos poblacones con dstrbucones normales con varanzas guales y se observan muestras ndependentes para
Más detalles6 Heteroscedasticidad
6 Heteroscedastcdad Defncón casas de heteroscedastcdad Defncón: la varanza de la pertrbacón no es constante. Casas: a natraleza de la relacón entre las varables Ejemplo : relacón gasto-renta; Hogares con
Más detallesT2. El modelo lineal simple
T2. El modelo lineal simple Ana J. López y Rigoberto Pérez Dpto Economía Aplicada. Universidad de Oviedo Curso 2010-2011 Curso 2010-2011 1 / 40 Índice 1 Planteamiento e hipótesis básicas 2 Estimación de
Más detallesCAPÍTULO 4 MARCO TEÓRICO
CAPÍTULO 4 MARCO TEÓRICO Cabe menconar que durante el proceso de medcón, la precsón y la exacttud de cualquer magntud físca está lmtada. Esta lmtacón se debe a que las medcones físcas sempre contenen errores.
Más detallesReconciliación de datos experimentales. MI5022 Análisis y simulación de procesos mineralúgicos
Reconclacón de datos expermentales MI5022 Análss y smulacón de procesos mneralúgcos Balances Balances en una celda de flotacón En torno a una celda de flotacón (o un crcuto) se pueden escrbr los sguentes
Más detallesEJERCICIO 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
Más detallesMuestra: son datos de corte transversal correspondientes a 120 familias españolas.
Capítulo II: El Modelo Lneal Clásco - Estmacón Aplcacones Informátcas 3. APLICACIONES INFORMÁTICAS Fchero : cp.wf (modelo de regresón smple) Seres: : consumo famlar mensual en mles de pesetas RENTA: renta
Más detallesTema 5: PROBLEMAS EN LA ESTIMACIÓN DEL MODELO DE REGRESIÓN LINEAL SIMPLE
Introduccón a la Econometría Tema 5: PROBLEMAS E LA ESTIMACIÓ DEL MODELO Tema 5: PROBLEMAS E LA ESTIMACIÓ DEL MODELO DE REGRESIÓ LIEAL SIMPLE. Problemas en la especfcacón del modelo. La prmera etapa de
Más detallesAnálisis cuantitativo aplicado al Comercio Internacional y el Transporte
Máster de Comerco, Transporte y Comuncacones Internaconales Análss cuanttatvo aplcado al Comerco Internaconal y el Transporte Ramón úñez Sánchez Soraya Hdalgo Gallego Departamento de Economía Introduccón
Más detallesANEXO A: Método de Interpolación de Cokriging Colocado
ANEXO A: Método de Interpolacón de Corgng Colocado A. Conceptos Báscos de Geoestadístca Multvarada La estmacón conunta de varables aleatoras regonalzadas, más comúnmente conocda como Corgng (Krgng Conunto),
Más detalles( ) MUESTREO ALEATORIO SIMPLE SIN REEMPLAZO ( mas ) y Y. N n. S y. MUESTREO ALEATORIO SIMPLE SIN REEMPLAZO ( mas )
MUETREO ALEATORIO IMPLE I Este esquema de muestreo es el más usado cuando se tene un marco de muestreo que especfque la manera de dentfcar cada undad en la poblacón. Además no se tene conocmento a pror
Más detallesEstadística con R. Modelo Probabilístico Lineal
Estadístca con R Modelo Probablístco Lneal Modelo Probablístco Lneal Forma de la funcón: Y b 0 +b 1 X +e Varable dependente, endógena o a explcar dcotómca : Y, S Y 0 e -b 0 - b 1 X con probabldad p. S
Más detallesTema 2: El modelo clásico de regresión
CURSO 010/011 Tema : El modelo clásco de regresón Aránzazu de Juan Fernández ECONOMETRÍA I ESQUEMA DEL TEMA Presentacón del modelo Hpótess del modelo Estmacón MCO Propedades algebracas de los estmadores
Más detallesProblema: Existe relación entre el estado nutricional y el rendimiento académico de estudiantes de enseñanza básica?
Relacones entre varables cualtatvas Problema: xste relacón entre el estado nutrconal y el rendmento académco de estudantes de enseñanza básca? stado Nutrconal Malo Regular Bueno TOTAL Bajo 13 95 3 55 Rendmento
Más detalles2. EL TENSOR DE TENSIONES. Supongamos un cuerpo sometido a fuerzas externas en equilibrio y un punto P en su interior.
. EL TENSOR DE TENSIONES Como se explcó prevamente, el estado tensonal en un punto nteror de un cuerpo queda defndo por 9 componentes, correspondentes a componentes por cada una de las tensones nternas
Más detallesEstimación no lineal del estado y los parámetros
Parte III Estmacón no lneal del estado y los parámetros 1. Estmacón recursva El ltro de Kalman extenddo 12 es una técnca muy utlzada para la la estmacón recursva del estado de sstemas no lneales en presenca
Más detallesTEMA 4. Modelos para Datos Censurados y de Selección Muestral.
TEMA 4. Modelos para Datos Censurados y de Seleccón Muestral. Profesor: Pedro Albarrán Pérez Unversdad de Alcante. Curso 2010/2011. Contendo 1 Introduccón 2 Modelo Tobt Introduccón Estmacón por Máxma Verosmltud
Más detallesAJUSTE DE LA CURVA DE PROBABILIDAD DEL ESCURRIMIENTO MEDIO HIPERANUAL ANUAL SEGÚN LA TEORÍA S B JOHNSON.
AJUSTE DE LA CURVA DE PROBABILIDAD DEL ESCURRIMIENTO MEDIO HIPERANUAL ANUAL SEGÚN LA TEORÍA S B JOHNSON. Revsta Voluntad Hdráulca No. 57, 98. Págnas 58-64 RESUMEN Se nforma sobre el desarrollo del método
Más detallesEXAMEN FINAL DE ECONOMETRIA, 3º CURSO (GRADOS EN ECO y ADE) 20 DE JUNIO DE horas
EXAMEN FINAL DE ECONOMETRIA, 3º CURSO (GRADOS EN ECO y ADE) 0 DE JUNIO DE 018 15.30 horas Prmer Apelldo: Nombre: DNI: Teléfono: Segundo Apelldo: Grupo y Grado: Profesor(a): e-mal: Pregunta 1 A B C En Blanco
Más detallesANÁLISIS DE REGRESIÓN
ANÁLISIS DE REGRESIÓN INTRODUCCIÓN Francis Galtón DEFINICIÓN Análisis de Regresión Es una técnica estadística que se usa para investigar y modelar la relación entre variables. Respuesta Independiente Y
Más detallesModelo Lineal Múltiple. Clase 03. Profesor: Carlos R. Pitta. ICPM050, Econometría. Universidad Austral de Chile Escuela de Ingeniería Comercial
Unversdad Austral de Chle Escuela de Ingenería Comercal ICPM050, Econometría Clase 03 Modelo Lneal Múltple Profesor: Carlos R. Ptta Econometría, Prof. Carlos R. Ptta, Unversdad Austral de Chle. Análss
Más detallesSoluciones Examen Final de Econometría Universidad Carlos III de Madrid 26 de Mayo de 2015
Soluciones Examen Final de Econometría Universidad Carlos III de Madrid 26 de Mayo de 2015 Conteste todas las preguntas en dos horas y media. Pregunta 1 (33 puntos: Un investigador está considerando las
Más detalles3 - VARIABLES ALEATORIAS
arte Varables aleatoras rof. María B. ntarell - VARIABLES ALEATORIAS.- Generaldades En muchas stuacones epermentales se quere asgnar un número real a cada uno de los elementos del espaco muestral. Al descrbr
Más detallesECONOMETRÍA I. Tema 6: Heterocedasticidad. Patricia Moreno Juan Manuel Rodriguez Poo Alexandra Soberon Departamento de Economía
ECONOMETRÍA I Tema 6: Heterocedasticidad Patricia Moreno Juan Manuel Rodriguez Poo Alexandra Soberon Departamento de Economía Alexandra Soberon (UC) ECONOMETRÍA I 1 / 23 Heterocedasticidad El supuesto
Más detallesTema 4 MODELOS CON DATOS DE RECUENTO
ECONOMETRÍA II Prof.: Begoña Álvarez 2007-2008 Tema 4 MODELOS CON DATOS DE RECUENTO 1. Datos de recuento: ejemplos 2. Por qué utlzamos modelos específcos para datos de recuento? 3. Modelo Posson 4. Modelo
Más detallesAnálisis de la varianza de un factor
Análss de la varanza de un factor El test t de muestras se aplca cuando se queren comparar las medas de dos poblacones con dstrbucones normales con varanzas guales y se observan muestras ndependentes para
Más detallesEjercicios y Talleres. puedes enviarlos a
Ejerccos y Talleres puedes envarlos a klasesdematematcasymas@gmal.com www.klasesdematematcasymas.com EJERCICIOS DE REGRESIONES Y ANALISIS DE COVARIANZA Analzar la nformacón recoplada por medo de los dferentes
Más detallesEjemplo 7.1. Heterocedasticidad. Pilar González y Susan Orbe. Dpto. Economía Aplicada III (Econometría y Estadística)
Ejemplo 7.1 Heterocedasticidad Pilar González y Susan Orbe Dpto. Economía Aplicada III (Econometría y Estadística) Pilar González y Susan Orbe OCW 2013 Ejemplo 7.1. Heterocedásticidad 1 / 22 Enunciado.
Más detallesEstadística II Tema 4. Regresión lineal simple. Curso 2009/10
Estadística II Tema 4. Regresión lineal simple Curso 009/10 Tema 4. Regresión lineal simple Contenidos El objeto del análisis de regresión La especificación de un modelo de regresión lineal simple Estimadores
Más detallesECONOMETRÍA 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
Más detallesCONTRASTE 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 detallesEconometría II. Hoja de Problemas 1
Econometría II. Hoja de Problemas 1 Nota: En todos los contrastes tome como nivel de significación 0.05. 1. SeanZ 1,...,Z T variables aleatorias independientes, cada una de ellas con distribución de Bernouilli
Más detallesEstadística Diplomado
Diplomado HRB UNAM 1 / 25 1 Estimación Puntual Momentos Máxima Verosimiltud Propiedades 2 / 25 1 Estimación Puntual Momentos Máxima Verosimiltud Propiedades 2 Estimación por Intervalos Cantidades Pivotales
Más detallesRECETA ELECTRÓNICA: IMPACTO SOBRE EL GASTO FARMACEÚTICO
RECETA ELECTRÓNICA: IMPACTO SOBRE EL GASTO FARMACEÚTICO Introduccón Dseño del estudo Especfcacón del modelo Resultados Introduccón Dseño del estudo Especfcacón del modelo Resultados Introduccón: Esquema
Más detallesPyE_ EF2_TIPO1_
UNIVERSIDAD NACIONAL AUTÓNOMA DE MÉICO FACULTAD DE INGENIERÍA DIVISIÓN DE CIENCIAS BÁSICAS COORDINACIÓN DE CIENCIAS APLICADAS DEPARTAMENTO DE PROBABILIDAD Y ESTADÍSTICA SEGUNDO EAMEN FINAL RESOLUCIÓN SEMESTRE
Más detallesCONTRASTES DE HIPÓTESIS EN DATOS DE PANEL
Contrastes de hpótess en datos de panel COTRASTES DE HIPÓTESIS E DATOS DE PAEL Cobacho Tornel Mª Belén Unversdad Poltécnca de Cartagena Bosch Moss Marano London School of Economcs RESUME Una de las prncpales
Más detallesErrores de especificación
CAPíTULO 5 Errores de especificación Estrictamente hablando, un error de especificación es el incumplimiento de cualquiera de los supuestos básicos del modelo lineal general. En un sentido más laxo, esta
Más detalles14. Contrastes no paramétricos
14. Contrastes no paramétrcos 1 Contrastes no paramétrcos En la leccón anteror nos hemos ocupado de contrastes paramétrcos. Determnábamos la plausbldad de certas hpótess sobre los valores de parámetros
Más detallesErratas y modificaciones
Erratas y modfcacones Págna 39 Tabla fnal: Dce: Expermental T Debe decr: Expermental T Págna 40 Tabla comenzo: Dce: T 0 Debe decr: T Dce: 3 T Debe decr: 3 T Págna 05 Párrafo : Debe qutarse el acento de
Más detallesMULTICOLINEALIDAD: EXTENSIONES. Para fijar ideas, consideremos el siguiente modelo lineal:
puntes de eoría Econométrca I. Profesor: Vvana Fernández MUICOINEIDD: EXENSIONES I INRODUCCION El problema de la multcolnealdad surge cuando las varables explcatvas de un modelo econométrco presentan un
Más detallesCapítulo 2: ANALISIS EXPLORATORIO de DATOS Estadística Computacional 1º Semestre 2003
Unversdad Técnca Federco Santa María Departamento de Informátca ILI-80 Capítulo : ANALISIS EXPLORATORIO de DATOS Estadístca Computaconal º Semestre 003 Profesor :Héctor Allende Págna : www.nf.utfsm.cl/~hallende
Más detallesTests de Hipotesis en Base al Principio de Verosimilitud
Tests de Hipotesis en Base al Principio de Verosimilitud Universidad de San Andres, Argentina Conceptos basicos Y f(y; θ), θ Θ R K. θ es un vector de K parametros. Θ es el espacio de parametros : conjunto
Más detallesMosto Vino joven Vino crianza Vino reserva Gran reserva Precio [ /l] Coste [ /l] Evap [%]
PROBLEMA: EL BODEGUERO Un bodeguero ha tendo una buena cosecha que estma sea de 10000 ltros. El bodeguero ha de decdr qué cantdad de la cosecha dedcarla a hacer mosto, qué cantdad conservarla un año en
Más detallesCONTRASTE 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 detallesMedidas de centralización
1 Meddas de centralzacón Meda Datos no agrupados = x X = n = 0 Datos agrupados = x X = n = 0 Medana Ordenamos la varable de menor a mayor. Calculamos la columna de la frecuenca relatva acumulada F. Buscamos
Más detalles1.Variables ficticias en el modelo de regresión: ejemplos.
J.M.Arranz y M.M. Zamora.Varables fctcas en el modelo de regresón: ejemplos. Las varables fctcas recogen los efectos dferencales que se producen en el comportamento de los agentes económcos debdo a dferentes
Más detallesEstadísticos muéstrales
Estadístcos muéstrales Hemos estudado dferentes meddas numércas correspondentes a conjuntos de datos, entre otras, estudamos la meda, la desvacón estándar etc. Ahora vamos a dstngur entre meddas numércas
Más detallesInstituto Tecnológico Superior del Sur del Estado de Yucatán EGRESIÓN LINEAL REGRESI. 10 kg. 10 cm
Insttuto Tecnológco Superor del Sur del Estado de Yucatán REGRESI EGRESIÓN LINEAL 100 90 80 70 60 10 kg. 50 40 10 cm. 30 140 150 160 170 180 190 200 Objetvo de la undad Insttuto Tecnológco Superor del
Más detallesMinería de Datos (MD) estadística
Mnería de datos Tema 3: Métodos Báscos: Algortmos Mnería de Datos (MD) estadístca Por qué una aproxmacón estadístca en la MD? La utlzacón de característcas para representar una entdad provoca una pérdda
Más detallesIntroducción a la Física. Medidas y Errores
Departamento de Físca Unversdad de Jaén Introduccón a la Físca Meddas y Errores J.A.Moleón 1 1- Introduccón La Físca y otras cencas persguen la descrpcón cualtatva y cuanttatva de los fenómenos que ocurren
Más detallesOptimización no lineal
Optmzacón no lneal José María Ferrer Caja Unversdad Pontfca Comllas Planteamento general mn f( x) x g ( x) 0 = 1,..., m f, g : n R R La teoría se desarrolla para problemas de mnmzacón, los problemas de
Más detallesRegresión Lineal Múltiple
Unidad 4 Regresión Lineal Múltiple Javier Santibáñez (IIMAS, UNAM) Regresión Semestre 2017-2 1 / 35 Introducción La idea de la regresión lineal múltiple es modelar el valor esperado de la variable respuesta
Más detallesTaller I Econometría I
Taller I Econometría I 1. Considere el modelo Y i β 1 + ɛ i, i 1,..., n donde ɛ i i.i.d. N (0, σ 2 ). a) Halle el estimador de β 1 por el método de mínimos cuadrados ordinarios. Para realizar el procedimiento
Más detallesTema 4. Regresión lineal simple
Tema 4. Regresión lineal simple Contenidos El objeto del análisis de regresión La especificación de un modelo de regresión lineal simple Estimadores de mínimos cuadrados: construcción y propiedades Inferencias
Más detallesPerturbación de los valores propios simples de matrices de polinomios dependientes diferenciablemente de parámetros
Perturbacón de los valores propos smples de matrces de polnomos dependentes dferencablemente de parámetros M Isabel García-Planas 1, Sona Tarragona 2 1 Dpt de Matemàtca Aplcada I, Unverstat Poltècnca de
Más detallesCAPITULO 3º SOLUCIÓN ECUACIÓN DE ESTADO- 01. Ing. Diego A. Patiño G. M.Sc, Ph.D.
CAPITULO 3º SOLUCIÓN ECUACIÓN DE ESTADO- 0 Ing. Dego A. Patño G. M.Sc, Ph.D. Solucón de la Ecuacón de Estado Solucón de Ecuacones de Estado Estaconaras: Para el caso estaconaro (nvarante en el tempo),
Más detallestruncación inferior en el punto a=25 es igual a El grado de truncación es del
ECONOMETTRÍ ÍA III II.. Cuurrssoo 22000022- -0033 (f( f cchheer roo: : ccuueesst t oonneess lleecccc l 33) ) CUESTTI IONES SOBRE LLA LLECCI IÓN 33: : MODELLOS DE VARIABLLE DEPENDIENTTE LLI IMITTADA 1.
Más detallesAlgoritmos matemáticos para:
Algortmos matemátcos para: sstemas de ecuacones lneales, nversón de matrces y mínmos cuadrados Jose Agular Inversón de matrces Defncón(Inversadeunamatrz):SeaAunamatrz nxn.unamatrzcde nxn esunanversadeascaaci.
Más detallesEconometría Universidad Carlos III de Madrid Examen Extraordinario 25 de Junio de Pr (N (0, 1) > 1, 282) = 0, 10
Econometría Universidad Carlos III de Madrid Examen Extraordinario 25 de Junio de 2014 Instrucciones para la realización del examen: Dispone de 2 horas y media para responder al examen La evaluación consta
Más detallesOperadores por Regiones
Operadores por Regones Fltros por Regones Los fltros por regones ntentan determnar el cambo de valor de un píxel consderando los valores de sus vecnos I[-1,-1] I[-1] I[+1,-1] I[-1, I[ I[+1, I[-1,+1] I[+1]
Más detallesProblemas donde intervienen dos o más variables numéricas
Análss de Regresón y Correlacón Lneal Problemas donde ntervenen dos o más varables numércas Estudaremos el tpo de relacones que exsten entre ellas, y de que forma se asocan Ejemplos: La presón de una masa
Más detallesRegresión múltiple k k
Métodos de Regresón Estadístca Ismael Sánchez Borrego Regresón múltple El modelo de regresón múltple es la extensón a k varables explcatvas del modelo de regresón smple estudado en el apartado anteror.
Más detallesENUNCIADOS DE LOS EJERCICIOS PROPUESTOS EN 2011 EN MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES. 3 y
ENUNCADOS DE LOS EJERCCOS PROPUESTOS EN 011 EN MATEMÁTCAS APLCADAS A LAS CENCAS SOCALES. EJERCCO 1 a (5 puntos Raconalce las epresones y. 7 b (5 puntos Halle el conjunto de solucones de la necuacón EJERCCO
Más detallesEconometría de series de tiempo aplicada a macroeconomía y finanzas
Econometría de series de tiempo aplicada a macroeconomía y finanzas Series de Tiempo Estacionarias (Multivariadas) Carlos Capistrán Carmona ITAM 1 Principios de Pronóstico. 2 Pruebas de Hipótesis. 3 Estimación
Más detallesSe permite un folio escrito por las dos caras. Cada problema se realiza en hojas diferentes y se entregan por separado.
NORMAS El examen consta de dos partes: 0.0.1. Diez Cuestiones: ( tiempo: 60 minutos) No se permite ningún tipo de material (libros, apuntes, calculadoras,...). No se permite abandonar el aula una vez repartido
Más detallesMODELOS SEMIPARAMÉTRICOS PARA DATOS LONGITUDINALES: COMPORTAMIENTO DE LOS ESTIMADORES DE UN MODELO DE RE- GRESIÓN PARA MUESTRAS PEQUEÑAS
Servy, Elsa Garca, María del Carmen Var, Emlse Instuto de Investgacones Teórcas y Aplcadas, de la Escuela de Estadístca MODELOS SEMIPARAMÉTRICOS PARA DATOS LONGITUDINALES: COMPORTAMIENTO DE LOS ESTIMADORES
Más detalles