Valoración de estudios basados en el Análisis de Regresión Múltiple (SW Cap. 7)
|
|
- Manuel Alvarado Henríquez
- hace 6 años
- Vistas:
Transcripción
1 Valoración de estudios basados en el Análisis de Regresión Múltiple (SW Cap. 7) El Análisis de Regresión múltiple tiene las siguientes ventajas: Brinda una estimación del efecto que sobre Y tiene un cambio arbitrario de X. Resuelve el problema de sesgo por variable omitida, si una variable omitida puede ser medida e incluida en el análisis. Puede tratar relaciones no lineales (efectos que varían con las X s) No obstante, OLS podría proporcionar un estimador sesgado del verdadero efecto causal. 7-1
2 Esquema para la valoración de estudios estadísticos Validez interna y externa Validez interna: la inferencia estadística acerca de los efectos causales se validan por el estudio poblacional. Validez externa: la inferencia estadística puede generalizarse a partir de la población e inferirse a otras poblaciones y escenarios, donde escenario se refiere a aspectos legales, políticos y entorno físico relacionados con las características más sobresalientes. 7-2
3 Problemas relacionados con la Validez externa Hasta dónde podemos generalizar los resultados de tamaño de clase a partir de las escuelas en los distritos de California? Diferencias en poblaciones o California en 2005? o Massachusetts en 2005? o México en 2005? Diferencias en los escenarios o Diferentes requerimientos legales vinculados a la educación especial o Diferente tratamiento de la educación bilingüe o Diferencias en las características de profesores 7-3
4 Problemas relacionados con la Validez interna Análisis de regresión múltiple (SW Sección 7.2) Validez interna: la inferencia estadística acerca de los efectos causales se validan a partir de la población que está siendo estudiada. Cinco problemas para la validez interna en los estudios de regresión: 1. Sesgo por variable omitida 2. Error en la forma funcional 3. Sesgo por errores en las variables 4. Sesgo por selección de muestra 5. Sesgo por causalidad simultánea Todos implican que E(u i X 1i,,X ki )
5 1. Sesgo por variable omitida Surge cuando una variable omitida simultáneamente (i) es un determinante de Y y (ii) está correlacionada con al menos uno de los regresores incluidos. Posibles soluciones al Sesgo por variable omitida Si la variable puede ser medida, incluirla como un regresor en la regresión múltiple; Si es posible, utilizar datos de panel en los cuales cada entidad (individual) se observa más de una vez; Si la variable no puede ser medida, utilizar regresión con variables instrumentales; Generar un experimento aleatorio controlado. 7-5
6 2. Error en la forma funcional Surge cuando la forma funcional es incorrecta por ejemplo, cuando se omite un término de interacción incorrectamente; luego la inferencia sobre los efectos causales estará sesgada. Posibles soluciones al error de especificación forma funcional Variable dependiente continua: utilizar la especificación no lineal en X apropiada (logaritmos, interacciones, etc.) Variable dependiente discreta (ejemplo: binaria): se necesita una extensión de los métodos de regresión múltiple (análisis probit o logit para variables dependientes binarias). 7-6
7 3. Sesgo por errores en las variables Hasta ahora se ha supuesto que X está medida sin error. Pero en realidad, frecuentemente los datos económicos tienen errores de medida Errores al cargar los datos Errores de recolección en encuestas ( cuándo comenzó su actual trabajo?) Problemas de preguntas ambiguas ( cuál fue su renta en el último año?) Problemas con las respuestas falsas intencionales en las encuestas ( Cuál es el valor actual de sus activos financieros? Con qué frecuencia bebe y conduce?) 7-7
8 En general, el error de medida en un regresor conduce a un Sesgo por error en las variables. Ejemplo: suponiendo que Y i = β 0 + β 1 X i + u i es correcto en el sentido de que permanecen los tres supuestos de mínimos cuadrados (en particular E(u i X i ) = 0). Digamos que X i = no medida y es el verdadero valor de X X % i = versión medida imprecisamente de X 7-8
9 Luego o Y i = β 0 + β 1 X i + u i = β 0 + β 1 X % i + [β 1 (X i X % i) + u i ] Y i = β 0 + β 1 X % i + u% i, donde u% i = β 1 (X i X % i) + u i Si X % i está correlacionado con u% i entonces β ˆ 1 estará sesgado: cov( X % i, u% i ) = cov( X % i,β 1 (X i = β 1 cov( X % i,x i X % i) + u i ) X % i) + cov( X % i,u i ) = β 1 [cov( X % i,x i ) var( X % i)] Porque en general cov( X % i,x i ) var( X % i). 7-9
10 Y i = β 0 + β 1 X % i + u% i, donde u% i = β 1 (X i X % i) + u i Si X i está medida con error, X % i está en general correlacionado con u% i, entonces β ˆ 1 es sesgado e inconsistente. Es posible derivar fórmulas para este sesgo, pero requiere hacer supuestos matemáticos específicos acerca del proceso del error de medida (por ejemplo, que u% i y X i están incorrelacionados). Estas fórmulas son especiales y particulares pero, en general se observa que el error de medida en X conduce a un sesgo. 7-10
11 Posibles soluciones al sesgo por errores en las variables Obtener datos correctos. Desarrollar un modelo específico del proceso del error de medida. Esto sólo es posible si se conoce mucho acerca de la naturaleza del error de medida por ejemplo cruzando una colección de datos grabados con una submuestra y analizando las discrepancias para luego modelizarlas. (Muy especializado para este contexto.) Regresión con variables instrumentales. 7-11
12 4. Sesgo por selección de muestra Hasta ahora hemos supuesto una muestra aleatoria simple de la población. En algunos casos, la muestra aleatoria simple es una contrariedad porque la muestra, en efecto, se selecciona a sí misma El sesgo por selección de muestra ocurre cuando un proceso de selección (i) influye en la disponibilidad de los datos y (ii) este proceso está relacionado con la variable dependiente. 7-12
13 Ejemplo #1: Fondos de inversión Tiene el fondo de inversión administrado un comportamiento activo permanece el mercado de fondos? Estrategia empírica: o Esquema de muestra: muestra aleatoria simple de fondos de inversión disponible para el público en un tiempo dado. o Datos: rendimiento de últimos 10 años. o Estimador: promedio de 10 años del rendimiento de la muestra de fondos de inversión, menos el rendimiento de 10 años del S&P500 o Existe sesgo de selección de muestra? 7-13
14 El sesgo por selección de muestra genera correlación entre un regresor y el término de error. Ejemplo de Fondos de inversión: rendimiento i = β 0 + β 1 fondo i + u i Si en la muestra tenemos un fondo (fondo i = 1) significa que su rendimiento fue mejor que un fondo fallido que no está en la muestra de manera que corr(fondo i,u i ) =
15 Ejemplo #2: rentabilidad de la educación Cuál es la rentabilidad de un año adicional de educación? Estrategia empírica: o Esquema de muestra: muestra aleatoria simple de trabajadores o Datos: ingresos y años de educación o Estimador: ln(ingresos) sobre los años de educación o Ignorar consecuencias de sesgo por variable omitida y error de medida existe sesgo por selección de la muestra? 7-15
16 Posibles soluciones al sesgo por selección de muestra Recoger la muestra de manera que se evite la selección de muestra. o Ejemplo de Fondos de inversión: cambiar la muestra, en lugar de los datos disponibles al final del período 10, a los disponibles al comienzo del período (incluyendo los fondos fallidos) o Ejemplo de rentabilidad de la educación: recoger la muestra de graduados, no de trabajadores (incluyendo los desempleados) Generar un experimento aleatorio controlado. Construir un modelo del problema de la selección de muestra y estimar ese modelo. 7-16
17 5. Sesgo por causalidad simultánea Hasta ahora hemos supuesto que X causa Y. Qué ocurre si Y también causa X,? Ejemplo: Efecto del tamaño de clase Bajos resultados STR comparados con mejores test scores Suponiendo distritos que tienen recursos extras con bajos test scores: como resultado del proceso político estos también tienen bajos STR Qué significa en una regresión de TestScore sobre STR? 7-17
18 Sesgo por causalidad simultánea en ecuaciones (a) Efecto causal de X sobre Y: Y i = β 0 + β 1 X i + u i (b) Efecto causal de Y sobre X: X i = γ 0 + γ 1 Y i + v i Grandes u i significan grandes Y i, los cuales implican grandes X i (si γ 1 >0) Entonces corr(x i,u i ) 0 Así β ˆ 1 es sesgado e inconsistente. Ej: Un distrito con un test scores particularmente malo dado el STR (u i negativo) recibe recursos extras, con lo cual baja su STR; luego STR i y u i están correlacionados 7-18
19 Posibles soluciones al sesgo por causalidad simultánea Experimento aleatorio controlado. Debido a que X i se elige aleatoriamente por el experimentador, no hay retroalimentación desde la variable resultado a Y i (suponiendo obediencia perfecta). Desarrollar y estimar un modelo completo en ambas direcciones de causalidad. Esta es la idea que está detrás de muchos macro-modelos (ej. Federal Reserve Bank-US). Esto es extremadamente difícil en la prática. Utilizar regresión con variables instrumentales para estimar el efecto causal de interés (efecto de X sobre Y, ignorando el efecto de Y sobre X). 7-19
20 Aplicar este esquema: Test Scores y Tamaño de Clase (SW Capítulo 7.3) Objetivo: Valorar las amenazas a la validez interna y externa del análisis empírico del test score de California. Validez externa o Comparar los resultados para California y Massachusetts o Razonar Validez interna o Ir a la lista de los cinco posibles problemas de validez interna y razonar 7-20
21 A) Verificar la validez externa comparar el estudio de California utilizando los datos de Massachusetts Datos de Massachusetts 220 distritos de educación primaria Test: 1998 MCAS test total de cuarto grado (Math + English + Science) Variables: STR, TestScore, PctEL, LunchPct, Income 7-21
22 Los datos de Massachusetts: resumen de estadísticos 7-22
23 7-23
24 7-24
25 7-25
26 Logarítmica v. function cúbica para Income? Evidencia de no linealidad en la relación TestScore-STR? Existe interacción significativa HiEL STR? 7-26
27 Predicción de efectos para una reducción de 2 en el tamaño de clase Especificación lineal para Massachusetts: "TestScore = STR 0.437PctEL 0.582LunchPct (21.3) (0.27) (0.303) (0.097) 3.07Income Income Income 3 (2.35) (0.085) (0.0010) Efecto estimado = (-2) = 1.28 Error estándar = = 0.54 NOTA: var(ay) = a 2 var(y); SE(aβ ˆ 1 ) = a SE( β ˆ 1 ) 95% CI = (1.28 ± ) = (0.22, 2.34) Calcular los efectos predichos en modelos no lineales 7-27
28 Utilizar el método antes y después : "TestScore = STR 0.680STR STR PctEL 0.587LunchPct 3.48Income Income Income 3 Reducción estimada de 20 a 18 estudiantes: TestScore " = [ ] [ ] = 1.98 Comparar con la estimación del modelo lineal de 1.28 SE de este efecto estimado: usar el método reordenar la regresión ( transformar los regresores ) 7-28
29 Resumen de resultados para Massachussets 1. El coeficiente de STR cae desde 1.72 a 0.69 cuando se incluyen las variables de control para las características estudiante y distrito un indicio de que la estimación original contiene sesgo por variable omitida. 2. El efecto de tamaño de clase es estadísticamente significativo al 1%, después de controlar por las características estudiante y distrito 3. No hay evidencia estadística sobre no linealidades en la relación TestScore STR 4. No hay evidencia estadística de interacción STR PctEL 7-29
30 Comparación de efectos de tamaño de clase estimados: CA vs. MA 7-30
31 Resumen: Comparación de los análisis de regresión de California y Massachusetts El efecto de tamaño de clase cae tanto en los datos de CA como en los de MA cuando se añaden las variables de control para las características estudiante y distrito. El efecto del tamaño de clase es estadísticamente significativo en ambos conjuntos de datos (CA y MA) El efecto estimado de una reducción de 2 estudiantes en STR es cuantitativamente similar para CA, MA. Ningún conjunto de datos muestra evidencia de interacción STR PctEL. Existe alguna evidencia de no linealidad STR en los datos de CA, pero no en los de MA. 7-31
32 B) Amenazas a la validez interna Qué muestra y qué no muestra la comparación CA vs. MA? 1. Sesgo por variable omitida Estos análisis controlan o tienen en cuenta: distritos demográficos (ingresos) algunas características de los estudiantes (% que aprende inglés) Qué falta? características adicionales de los estudiantes, ej. aptitudes naturales (pero está esto correlacionado con STR?) Acceso a oportunidades de estudiar en el extranjero Calidad del profesor (posiblemente los mejores profesores son atraídos por las escuelas con menores STR) 7-32
33 Sesgo por variable omitida Hemos controlado muchos factores relevantes omitidos; La naturaleza de este Sesgo por variable omitida necesitaría ser similar en California y Massachusetts para ser consistente con estos resultados; En esta aplicación estaremos en condiciones de comparar estas estimaciones basadas en datos observados con estimaciones basadas en datos experimentales una verificación de este método de regresión múltiple. 7-33
34 2. Error en la forma funcional Hemos tratado bastantes formas funcionales diferentes, en los datos de California y Mass. Los efectos no lineales son modestos Esto no es un gran problema. 3. Sesgo por errores en las variables STR es una medida algo grosera del tamaño de clase Presumiblemente existe algún error de medida estudiantes que hacen el examen y se desplazan a otros distritos En el mejor de los casos, nos gustaría tener datos individualizados de los estudiantes, por nivel de grado. 7-34
35 4. Sesgo por selección de muestra La muestra se refiere a todos los distritos con enseñanza pública elemental (en California; en Mass.) no hay razón para que la selección sea un problema. 5. Causalidad simultánea Si los resultados de los tests afectan al tamaño de clase -> causalidad simultánea. Ej.: si los distritos con peores resultados reciben dinero para contratar más profesores. Esto no tuvo lugar en California ni Mass. durante estas muestras, por ello el sesgo de causalidad simultánea no es un argumento importante. 7-35
36 Resumen Esquema para evaluar los estudios de regresión: o Validez interna o Validez externa Cinco problemas para la validez interna: 1. Sesgo por variable omitida 2. Error en la forma funcional 3. Sesgo por errores en las variables 4. Sesgo por selección de muestra 5. Sesgo por causalidad simultánea 7-36
Funciones de Regresión No Lineales (SW Cap. 6)
Funciones de Regresión No Lineales (SW Cap. 6) Todo anteriormente ha sido lineal en las X s La aproximación de que la función de regresión es lineal puede ser satisfactoria para algunas variables pero
Más detallesEconometría III Examen. 29 de Marzo de 2012
Econometría III Examen. 29 de Marzo de 2012 El examen consta de 20 preguntas de respuesta múltiple. El tiempo máximo es 1:10 minutos. nota: no se pueden hacer preguntas durante el examen a no ser que sean
Más detallesANÁLISIS DE REGRESIÓN
ANÁLISIS DE REGRESIÓN INTRODUCCIÓN Francis Galtón DEFINICIÓN Análisis de Regresión Es una técnica estadística que se usa para investigar y modelar la relación entre variables. Respuesta Independiente Y
Más detallesRegresión Múltiple (SW Capítulo 5) Estimación MCO de la relación entre las notas y el número de estudiantes por profesor:
Regresión Múltiple (SW Capítulo 5) Estimación MCO de la relación entre las notas y el número de estudiantes por profesor:!notas = 698.9.8 STR, R =.05, SER = 8.6 (0.4) (0.5) es ésta una estimación creíble
Más detallesTODO ECONOMETRIA TEMA 1: MODELO BASICO DE REGRESIÓN LINEAL MULTIPLE (MBRL)
TODO ECONOMETRIA TEMA 1: MODELO BASICO DE REGRESIÓN LINEAL MULTIPLE (MBRL) NOTA IMPORTANTE - Estas notas son complementarias a las notas de clase del primer semestre correspondientes a los temas de Regresión
Más detallesTEMA 3: PROPIEDADES DEL ESTIMADOR MCO
TEMA 3: PROPIEDADES DEL ESTIMADOR MCO S. Álvarez, A. Beyaert, M. Camacho, M. González, A. Quesada Departamento de Métodos Cuantitativos para la Economía y la Empresa Econometría (3º GADE) Lo que estudiaremos
Más detallesEconomía Aplicada. ¾Es importante el tamaño de la clase? Un experimento controlado
Economía Aplicada ¾Es importante el tamaño de la clase? Un experimento controlado Basado en (1999), Experimental Estimates of Education Production Functions, QJE Outline 1 La Idea 2 Proyecto STAR Detalles
Más detallesObligatoria Optativa Extracurricular Curso Seminario Taller. Clave seriación 45 Laboratorio. Horas prácticas de campo
Carta descriptiva Datos de identificación Programa Nombre de la asignatura Tipo de Asignatura Maestría en Economía Aplicada Econometría I Ciclo Primer semestre Obligatoria Optativa Extracurricular Curso
Más detallesHoja de Ejercicios 3 El modelo de regresión lineal múltiple
Hoja de Ejercicios 3 El modelo de regresión lineal múltiple Nota: En aquellos ejercicios en los que se incluyen estimaciones y referencia al archivo de datos utilizado, el estudiante debería comprobar
Más detallesMÓDULO: MÉTODOS CUANTITATIVOS
MÓDULO: MÉTODOS CUANTITATIVOS 1.- Nombre del módulo y las asignaturas: Métodos Cuantitativos Econometría Avanzada Econometría Financiera 2.-Número de créditos ECTS: Econometría Avanzada: 6 ECTS. Econometría
Más detallesTEMA 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
Más detallesClase de Métodos 1: Inferencia Causal y Métodos Cuasi-Experimentales. Sveta Milusheva DIME, World Bank
Clase de Métodos 1: Inferencia Causal y Métodos Cuasi-Experimentales Sveta Milusheva DIME, World Bank Conceptos Importantes Indicadores de Resultados (Outcomes): Lo que observamos, medimos y queremos afectar
Más detallesEconometría de Económicas Ejercicios para el tema 2 y 3
Econometría de Económicas Ejercicios para el tema 2 y 3 Curso 2005-2006 Profesores Amparo Sancho Perez Guadalupe Serrano Pedro Perez 1 1- Los datos que se adjuntan hacen referencia a los datos de producción
Más detallesDiplomado en Econometría Coordinadora académica: M.F. Esperanza Sainz López
Diplomado en Econometría Coordinadora académica: M.F. Esperanza Sainz López Brindar al alumno los conocimientos de los métodos econométricos fundamentales y de los conceptos estadísticos que éstos requieren,
Más detallesPrueba de Hipótesis. Para dos muestras
Prueba de Hipótesis Para dos muestras Muestras grandes (n mayor a 30) Utilizar tabla Z Ho: μ1 = μ2 H1: μ1 μ2 Localizar en valor de Zt en la tabla Z Error estándar de la diferencia de medias Prueba de
Más detallesPROPIEDADES DEL ESTIMADOR MCO
TEMA 3 PROPIEDADES DEL ESTIMADOR MCO S. Álvarez, A. Beyaert, M. Camacho, M. González, A. Quesada Departamento de Métodos Cuantitativos para la Economía y la Empresa Econometría (3º GADE) Lo que estudiaremos
Más detallesRegresión Lineal. Rodrigo A. Alfaro. Rodrigo A. Alfaro (BCCh) Regresión Lineal / 16
Regresión Lineal Rodrigo A. Alfaro 2009 Rodrigo A. Alfaro (BCCh) Regresión Lineal 2009 1 / 16 Contenidos 1 Regresiones Lineales Regresión Clásica Paquetes estadísticos 2 Estadísticos de Ajuste Global 3
Más detallesENUNCIADOS DE PROBLEMAS
UNIVERSIDAD CARLOS III DE MADRID ECONOMETRÍA I 22 de Septiembre de 2007 ENUNCIADOS DE PROBLEMAS Muy importante: Tenga en cuenta que algunos resultados de las tablas han podido ser omitidos. PROBLEMA 1:
Más detallesGráfico 1: Evolución del exceso de rentabilidad de la empresa y de la cartera de mercado
Caso 1: Solución Apartado a) - 2 0 2 4 6 0 2 0 4 0 6 0 8 0 1 0 0 p e r i o d E x c e s s r e t u r n, c o m p a n y a e x c e s s r e t u r n m a r k e t p o r t f o l i o Gráfico 1: Evolución del exceso
Más detallesECONOMETRIA. Tema 5: ERRORES DE ESPECIFICACIÓN. César Alonso UC3M. César Alonso (UC3M) ECONOMETRIA. Tema 5 1 / 35
ECONOMETRIA Tema 5: ERRORES DE ESPECIFICACIÓN César Alonso UC3M César Alonso (UC3M) ECONOMETRIA. Tema 5 1 / 35 Introducción Hemos visto que el estimador MCO tiene buenas propiedades bajo los supuestos
Más detallesSesión IV: Variables Instrumentales Variables Instrumentales
Sesión n Técnica T IV: Variables Instrumentales Lima, 2009 Departamento de Desarrollo Humano Fondo Español para Evaluación de Impacto Ejemplo para ilustrar Queremos evaluar un programa de capacitación
Más detallesEl Modelo de Regresión Lineal
ECONOMETRÍA I El Modelo de Regresión Lineal Dante A. Urbina CONTENIDOS 1. Regresión Lineal Simple 2. Regresión Lineal Múltiple 3. Multicolinealidad 4. Heterocedasticidad 5. Autocorrelación 6. Variables
Más 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 detallesLa econometría : una mirada de pájaro
La econometría : una mirada de pájaro Contenido Objetivo Definición de Econometría Modelos determinista y estocástico Metodología de la econometría Propiedades de un modelo econométrico Supuestos de un
Más detallesMétodos de Investigación en Psicología (11) Dra. Lucy Reidl Martínez Dra. Corina Cuevas Reynaud Dra. Renata López Hernández
Métodos de Investigación en Psicología (11) Dra. Lucy Reidl Martínez Dra. Corina Cuevas Reynaud Dra. Renata López Hernández El método incluye diferentes elementos Justificación Planteamiento del problema
Más detallesECONOMETRÍA I. Tema 2: El Modelo de Regresión Lineal Simple. Patricia Moreno Juan Manuel Rodriguez Poo Alexandra Soberon Departamento de Economía
ECONOMETRÍA I Tema 2: El Modelo de Regresión Lineal Simple Patricia Moreno Juan Manuel Rodriguez Poo Alexandra Soberon Departamento de Economía Alexandra Soberon (UC) ECONOMETRÍA I 1 / 42 Modelo de Regresión
Más detallesEstadística y sus aplicaciones en Ciencias Sociales 7. El modelo de regresión simple. Facultad de Ciencias Sociales - UdelaR
Estadística y sus aplicaciones en Ciencias Sociales 7. El modelo de regresión simple Facultad de Ciencias Sociales - UdelaR Índice 7.1 Introducción 7.2 Análisis de regresión 7.3 El Modelo de Regresión
Más detallesDeterminantes del Precio de Viviendas en Chile. Andrés Sagner GIF Banco Central de Chile
Determinantes del Precio de Viviendas en Chile Andrés Sagner GIF Banco Central de Chile B A N C O C E N T R A L D E C H I L E 9 de Septiembre de 2010 Agenda Motivación y Objetivos Metodología Datos Principales
Más detallesGrado 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
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 detallesIN INVESTIGACIÓN DE MERCADOS Diseño de la investigación Investigación causal. André Carboni Semestre primavera 2012
IN5625 - INVESTIGACIÓN DE MERCADOS Diseño de la investigación Investigación causal André Carboni Semestre primavera 2012 Estamos aquí Definición del problema Desarrollo del enfoque Formulación del diseño
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 detallesCapítulo 6 Multicolinealidad Luis Quintana Romero. Econometría Aplicada Utilizando R
Capítulo 6 Multicolinealidad Luis Quintana Romero Objetivo Identificar la multicolinealidad en un modelo econométrico, así como las pruebas de detección de la multicolinealidad y correcciones. Introducción
Más detallesTema 2. Regresión Lineal
Tema 2. Regresión Lineal 3.2.1. Definición Mientras que en el apartado anterior se desarrolló una forma de medir la relación existente entre dos variables; en éste, se trata de esta técnica que permite
Más detallesTema 1. Introducción: el modelo econométrico
1. Introducción. a. Qué es la econometría? b. Metodología en Econometría Gujarati, Econometría (2004) páginas 1 a 11 c. Terminología y notación d. Clasificación de los modelos econométricos 1 1. Introducción
Más detallesMetodología de la Investigación: Validez y Confiabilidad. Prof. Reinaldo Mayol Arnao
Metodología de la Investigación: Validez y Confiabilidad Prof. Reinaldo Mayol Arnao Validez en varios momentos En esta presentación hablaremos sobre la medición de la validez en dos pasos críticos de la
Más detallesTEMA 6. Modelos para Datos de Panel
TEMA 6. Modelos para Datos de Panel Profesor: Pedro Albarrán Pérez Universidad de Alicante. Curso 2010/2011. Contenido 1 Introducción 2 Modelos estáticos Modelo con Efectos Individuales: Fijos y Aleatorios
Más detallesEconometria I. Tema 6: Modelos de Ecuaciones Simultáneas. Universidad Carlos III. Getafe, Madrid. November 2008
Econometria I Tema 6: Modelos de Ecuaciones Simultáneas Universidad Carlos III Getafe, Madrid November 2008 Julio Cáceres Delpiano (UC3M) Econometria I 10/07 1 / 20 Ecuaciones Simultáneas El método de
Más detallesLA PREDICCIÓN DE LA DEMANDA EN EVALUACIÓN DE PROYECTOS
Seminario sobre evaluación económica de proyectos de transporte Madrid, 15 y 16 de noviembre LA PREDICCIÓN DE LA DEMANDA EN EVALUACIÓN DE PROYECTOS La predicción de la demanda en evaluación de proyectos
Más detallesExamen de Grado Sección de Econometría Agosto y se obtienen los siguientes resultados. Observe que parte de la información ha sido omitida.
Examen de Grado Sección de Econometría Agosto 2015 Pregunta 1. (40 puntos). Suponga que estamos interesados en determinar cuáles características del colegio y/o del hogar determinan el resultado de una
Más detalles3. RELACION ENTRE DOS CONJUNTOS DE DATOS.
3. RELACION ENTRE DOS CONJUNTOS DE DATOS. 3. 1 Introducción En la búsqueda de mejoras o en la solución de problemas es necesario, frecuentemente, investigar la relación entre variables. Para lo cual existen
Más detallesESTADÍSTICA. Tema 4 Regresión lineal simple
ESTADÍSTICA Grado en CC. de la Alimentación Tema 4 Regresión lineal simple Estadística (Alimentación). Profesora: Amparo Baíllo Tema 4: Regresión lineal simple 1 Estructura de este tema Planteamiento del
Más detallesPROGRAMA DE CURSO. Horas de Trabajo Personal Horas de Cátedra. Básica. Resultados de Aprendizaje
Código Nombre MA3403 Probabilidades y Estadística Nombre en Inglés Probability and Statistics SCT es Docentes PROGRAMA DE CURSO Horas de Cátedra Horas Docencia Auxiliar Horas de Trabajo Personal 6 10 3
Más 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 detallesAuxiliar 9. MNL y MLE. Daniel Olcay. 21 de octubre de 2014 IN4402. Daniel Olcay (IN4402) Auxiliar 9 21 de octubre de / 13
Auxiliar 9 MNL y MLE Daniel Olcay IN4402 21 de octubre de 2014 Daniel Olcay (IN4402) Auxiliar 9 21 de octubre de 2014 1 / 13 Índice Modelos no lineales Probabilidad lineal Probit Logit Máxima verosimilitud
Más detallesRegresión y Correlación
Relación de problemas 4 Regresión y Correlación 1. El departamento comercial de una empresa se plantea si resultan rentables los gastos en publicidad de un producto. Los datos de los que dispone son: Beneficios
Más detallesHoja de Ejercicios 4 Variables Instrumentales y MC2E. Modelos de ecuaciones simultáneas
Hoja de Ejercicios 4 Variables Instrumentales y MC2E. Modelos de ecuaciones simultáneas ECONOMETRÍA I. UC3M 1. [W 15.1] Considere un modelo simple para estimar el efecto de disponer de un ordenador personal
Más detallesEvaluando Impactos: Midiendo el Impacto
Evaluando Impactos: Midiendo el Impacto Taller: Evaluacion de Impacto en Salud Pública Managua, Nicaragua 12-14 febrero 2009 Human Development Network Latin America and the Caribbean Region Sustainable
Más detallesANÁLISIS ESTADÍSTICO REGRESIÓN LINEAL SIMPLE
ANÁLISIS ESTADÍSTICO REGRESIÓN LINEAL SIMPLE Jorge Fallas jfallas56@gmail.com 2010 1 Temario Introducción: correlación y regresión Supuestos del análisis Variación total de Y y variación explicada por
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 detallesINFORME TÉCNICO PREVIO DE EVALUACIÓN DE SOFTWARE ESTADÍSTICO Y ECONOMÉTRICO Informe Nro DSIC
INFORME TÉCNICO PREVIO DE EVALUACIÓN DE SOFTWARE ESTADÍSTICO Y ECOMÉTRICO Informe Nro 11-2013-DC 1. MBRE DEL ÁREA Dirección de Sistemas de Información y Comunicación en CTeI (DC). 2. RESPONSABLE DE LA
Más detallesEstadística para la Economía y la Gestión IN 3401 Clase 5
Estadística para la Economía y la Gestión IN 3401 Clase 5 Problemas con los Datos 9 de junio de 2010 1 Multicolinealidad Multicolinealidad Exacta y Multicolinealidad Aproximada Detección de Multicolinealidad
Más detallesEconomía Aplicada. Modelos con variables dependiente binarias. Departamento de Economía Universidad Carlos III de Madrid
Economía Aplicada Modelos con variables dependiente binarias Departamento de Economía Universidad Carlos III de Madrid Ver Stock y Watson (capítulo 11) 1 / 28 Modelos con variables dependiente binarias:
Más detallesInferencia causal. Francisco Gallego PUC Chile y J-PAL Santiago, 9 de abril de 2013
Inferencia causal Francisco Gallego PUC Chile y J-PAL Santiago, 9 de abril de 23 Mapa I. Motivación II. Evaluación de Impacto y Contrafactual III. Análisis causal IV. Análisis causal y Efectos Tratamiento
Más detallesTaller Análisis de Datos Multinivel
Taller Análisis de Datos Multinivel Sergio R. Muñoz, Ph.D. CIGES & Departamento Salud Publica Facultad de Medicina Universidad de La Frontera munozs@ufro.cl 12-25 de Mayo, 2012 Datos Pacientes en clínicas
Más detallesDiseño de Experimentos
Diseño de Experimentos p. Diseño de Experimentos Isabel Casas Despacho: 10.0.04 mcasas@est-econ.uc3m.es Hector Cañada jcanada@est-econ.uc3m.es Introducción Los modelos que vamos a estudiar son usados para
Más detalles2. Modelos con regresores endógenos
. Introducción ema 3. Regresores Endógenos. Bibliografía: Wooldridge, 5., 5.4 y 6.2 En este tema vamos a estudiar el modelo lineal con regresores potencialmente endógenos. Veremos primero las consecuencias
Más detallesECONOMETRÍA I. Tema 1: La naturaleza de la econometría y los datos econométricos
ECONOMETRÍA I Tema 1: La naturaleza de la econometría y los datos econométricos Patricia Moreno Juan Manuel Rodriguez Poo Alexandra Soberon Departamento de Economía Alexandra Soberon (UC) ECONOMETRÍA I
Más detallesEstadística para la Economía y la Gestión IN 3401 Clase 5
Estadística para la Economía y la Gestión IN 3401 Clase 5 21 de octubre de 2009 1 Variables Dummies o cualitativas 2 Omisión de Variables Relevantes Impacto sobre el Insesgamiento Impacto sobre la Varianza
Más detallesECONOMETRÍA II Prof.: Begoña Álvarez TEMA 1 INTRODUCCIÓN. Estimación por máxima verosimilitud y conceptos de teoría asintótica
ECONOMETRÍA II Prof.: Begoña Álvarez 2007-2008 TEMA 1 INTRODUCCIÓN Estimación por máxima verosimilitud y conceptos de teoría asintótica 1. ESTIMACIÓN POR MÁXIMA VEROSIMILITUD (MAXIMUM LIKELIHOOD) La estimación
Más detallesTEMA 5. Modelos para Datos de Conteo
TEMA 5. Modelos para Datos de Conteo Profesor: Pedro Albarrán Pérez Universidad de Alicante. Curso 2010/2011. Contenido 1 Datos de Conteo 2 Regresión de Poisson 3 Extensiones Datos de Conteo Variable de
Más detallesINTERPRETACIÓN DE LA REGRESIÓN. Interpretación de la regresión
INTERPRETACIÓN DE LA REGRESIÓN Este gráfico muestra el salario por hora de 570 individuos. 1 Interpretación de la regresión. regresión Salario-Estudios Source SS df MS Number of obs = 570 ---------+------------------------------
Más detallesEconomía Aplicada. Causalidad y Experimentos Sociales. Departmento de Economía Universidad Carlos III de Madrid
Economía Aplicada Causalidad y Experimentos Sociales Departmento de Economía Universidad Carlos III de Madrid Outline 1 Resultados Potenciales y Causalidad 2 Efectos del tratamiento 3 El Estimador de Diferencias
Más detallesESTADÍSTICA 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
Más detallesCARTA DESCRIPTIVA. Clave: ECO Créditos: 8. Conocimientos: Probabilidad y estadística. Algebra lineal. Econometría I.
I. Identificadores de la asignatura CARTA DESCRIPTIVA Clave: ECO121600 Créditos: 8 Materia: Econometría II Departamento: Ciencias Sociales Instituto: Ciencias Sociales Modalidad: Presencial Programa: Licenciatura
Más detallesCASO 5-3 MILAN FOOD COOPERATIVE (B)
CASO 5-3 MILAN FOOD COOPERATIVE (B) INTRODUCCIÓN Éste es una continuación del caso Milan Food Cooperative (A), de la parte 4 del texto. Aquí se presentan los resultados del análisis de correlación y regresión
Más detallesModelos de Variable Dependiente Limitada. Econometría Aplicada UCEMA Daniel Lema
Modelos de Variable Dependiente Limitada Econometría Aplicada UCEMA Daniel Lema Modelos de Variable Dependiente Limitada Censura y muestras seleccionadas Modelos de regresión censurados Modelos para muestras
Más detallesCALIFICACION: - 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
Más detallesUniversidad Carlos III de Madrid Econometría Funciones de regresión no lineales Hoja de Ejercicios 8
Universidad Carlos III de Madrid Econometría Funciones de regresión no lineales Hoja de Ejercicios 8 1. Las ventas de una empresa son de 196 millones de dólares en 2009 y aumentaron hasta los 198 millones
Más detallesIntroducción a la Estadística Aplicada en la Química
Detalle de los Cursos de Postgrado y Especialización en Estadística propuestos para 2015 1/5 Introducción a la Estadística Aplicada en la Química FECHAS: 20/04 al 24/04 de 2015 HORARIO: Diario de 10:00
Más detallesIdeas básicas del diseño experimental
Ideas básicas del diseño experimental Capítulo 4 de Analysis of Messy Data. Milliken y Johnson (1992) Diseño de experimentos p. 1/23 Ideas básicas del diseño experimental Antes de llevar a cabo un experimento,
Más detallesEconometria de Datos en Paneles
Universidad de San Andres Agosto de 2011 Porque paneles? Ejemplo (Cronwell y Trumbull): Determinantes del crimen y = g(i), y = crimen, I = variables de justicia criminal. Corte transversal: (y i, I i )
Más detalles7. REGRESIÓN POR MÍNIMOS CUADRADOS: REGRESIÓN POLINOMIAL. Jorge Eduardo Ortiz Triviño
7. REGRESIÓN POR MÍNIMOS CUADRADOS: REGRESIÓN POLINOMIAL Jorge Eduardo Ortiz Triviño jeortizt@unal.edu.co http:/www.docentes.unal.edu.co/jeortizt/ Introducción Los datos frecuentemente son dados para valores
Más detallesEstimación de Parámetros. Jhon Jairo Padilla A., PhD.
Estimación de Parámetros Jhon Jairo Padilla A., PhD. Inferencia Estadística La inferencia estadística puede dividirse en dos áreas principales: Estimación de Parámetros Prueba de Hipótesis Estimación de
Más detallesEstimación de Parámetros. Jhon Jairo Padilla A., PhD.
Estimación de Parámetros Jhon Jairo Padilla A., PhD. Inferencia Estadística La inferencia estadística puede dividirse en dos áreas principales: Estimación de Parámetros Prueba de Hipótesis Estimación de
Más detallesRegresión múltiple. Demostraciones. Elisa Mª Molanes López
Regresión múltiple Demostraciones Elisa Mª Molanes López El modelo de regresión múltiple El modelo que se plantea en regresión múltiple es el siguiente: y i = β 0 + β 1 x 1i + β 2 x 2i +...+ β k x ki +
Más detallesUniversidad Técnica de Babahoyo CORRELACIÓN DE VARIABLES Y REGRESIÓN LINEAL
Universidad Técnica de Babahoyo CORRELACIÓN DE VARIABLES Y REGRESIÓN LINEAL OBJETIVO Analizar las Diferentes formas de Describir la Relación entre dos variables numéricas Trazar un diagrama de dispersión
Más detallesI Inferencia Causal. Claudio Ferraz Managua, 3 Marzo 2008
Sesión Técnica I Inferencia Causal Claudio Ferraz Managua, 3 Marzo 2008 Justificación Las preguntas de investigación que motivan la mayoría de los estudios en las ciencias de la salud son de naturaleza
Más detallesTema 3: Análisis de datos bivariantes
Tema 3: Análisis de datos bivariantes 1 Contenidos 3.1 Tablas de doble entrada. Datos bivariantes. Estructura de la tabla de doble entrada. Distribuciones de frecuencias marginales. Distribución conjunta
Más detallesDiplomado en Estadística Aplicada
Diplomado en Estadística Aplicada Con el propósito de mejorar las habilidades para la toma de decisiones, la División de Estudios de Posgrado de la Facultad de Economía ha conjuntado a profesores con especialidad
Más detallesPaga igual ser perseverante que ser listo? Los retornos a las habilidades cognitivas y socio-emocionales en el Perú Urbano
Paga igual ser perseverante que ser listo? Los retornos a las habilidades cognitivas y socio-emocionales en el Perú Urbano Resultados del estudio Habilidades y Empleabilidad en Perú Juan José Díaz (GRADE)
Más detallesEstructura de este tema. Tema 4 Regresión lineal simple. Ejemplo: consumo de vino y dolencias cardíacas. Frecuencias
Estructura de este tema Tema 4 Regresión lineal simple José R. Berrendero Departamento de Matemáticas Universidad utónoma de Madrid Planteamiento del problema. Ejemplos Recta de regresión de mínimos cuadrados
Más detallesMétodos no-experimentales II (Diferencias-en-Diferencia)
Métodos no-experimentales II (Diferencias-en-Diferencia) Alessandro Maffioli Taller de evaluación de impacto de programas de ciencia, tecnología e innovación 17-18 de Junio 2014, Ciudad de México Diferencias
Más detallesESTADISTICA II. INGENIERIA INFORMATICA, 3 ER Curso
ESTADISTICA II INGENIERIA INFORMATICA, 3 ER Curso 22 - Diciembre - 2.006 Primera Parte - Test Apellidos y Nombre:... D.N.I. :... Nota : En la realización de este examen sólo esta permitido utilizar calculadoras
Más detallesTEMA 4 Modelo de regresión múltiple
TEMA 4 Modelo de regresión múltiple José R. Berrendero Departamento de Matemáticas Universidad Autónoma de Madrid Análisis de Datos - Grado en Biología Estructura de este tema Modelo de regresión múltiple.
Más detallesEstadística Inferencial. Sesión 11. Regresión y correlación múltiple
Estadística Inferencial Sesión 11. Regresión y correlación múltiple Contextualización En la sesión anterior se presentó la regresión lineal simple y se mostró su uso en la obtención de una ecuación de
Más detallesTema 10: Introducción a los problemas de Asociación y Correlación
Tema 10: Introducción a los problemas de Asociación y Correlación Estadística 4 o Curso Licenciatura en Ciencias Ambientales Licenciatura en Ciencias Ambientales (4 o Curso) Tema 10: Asociación y Correlación
Más detallesANALISIS ESTADISTICO MINISTERIO DE ECONOMIA Y FINANZAS
ANALISIS ESTADISTICO MINISTERIO DE ECONOMIA Y FINANZAS NOV 2015 PLAN DE ESTUDIO 1. ESTADISTICA DESCRIPTIVA 1. MEDIDAS DE TENDENCIA CENTRAL PRIMER MOMENTO 2. OTRAS MEDIDAS DE TENDENCIA CENTRAL 3. MEDIDAS
Más detallesCUESTIONES Y PROBLEMAS DE DISTRIBUCIONES DE FRECUENCIAS BIDIMENSIONALES PROPUESTOS EN EXÁMENES
TUTORÍA DE INTRODUCCIÓN A LA ESTADÍSTICA (º A.D.E.) CUESTIONES Y PROBLEMAS DE DISTRIBUCIONES DE FRECUENCIAS BIDIMENSIONALES PROPUESTOS EN EXÁMENES 1º) Qué ocurre cuando r = 1: a) Los valores teóricos no
Más detallesModelo lineal general (K variables)
Modelo lineal general (K variables) Interpretación y usos Mariana Marchionni marchionni.mariana@gmail.com Mariana Marchionni Modelo lineal general 1 / 45 Temario de la clase 1 El modelo lineal general
Más detallesDefinición de Correlación
Definición de Correlación En ocasiones nos puede interesar estudiar si existe o no algún tipo de relación entre dos variables aleatorias: Estudiar cómo influye la estatura del padre sobre la estatura del
Más detallesUNIVERSIDAD AUTÓNOMA DE CHIAPAS FACULTAD DE INGENIERÍA CAMPUS I PROBABILIDAD Y ESTADISTICA
UNIVERSIDAD AUTÓNOMA DE CHIAPAS FACULTAD DE INGENIERÍA CAMPUS I PROBABILIDAD Y ESTADISTICA NIVEL : LICENCIATURA CRÉDITOS : 7 CLAVE : ICAE13001731 HORAS TEORÍA : 3 SEMESTRE : QUINTO HORAS PRÁCTICA : 1 REQUISITOS
Más detallesECONOMIA APLICADA. Introducción: Datos Económicos
ECONOMIA APLICADA Introducción: Datos Económicos Introducción ¾De qué trata la Economía Aplicada? En general Queremos relacionar los instrumentos de toma de decisiones económicas con los resultados de
Más detallesDISEÑO METODOLÓGICO Ámbito de la Investigación: Unidad(es) de análisis o estudio:
Método de la Investigación Diseño de la Investigación DISEÑO METODOLÓGICO Ámbito de la Investigación: Unidad(es) de análisis o estudio: Universo: Población: Muestra: Técnica de muestreo: Instrumentos y
Más detallesTema 8: Regresión y Correlación
Tema 8: Regresión y Correlación Estadística. 4 o Curso. Licenciatura en Ciencias Ambientales Licenciatura en Ciencias Ambientales (4 o Curso) Tema 8: Regresión y Correlación Curso 2008-2009 1 / 12 Índice
Más detallesEstimación del Probit Ordinal y del Logit Multinomial
Estimación del Probit Ordinal y del Logit Multinomial Microeconomía Cuantitativa R. Mora Departmento de Economía Universidad Carlos III de Madrid Esquema Introducción 1 Introducción 2 3 Introducción El
Más detallesRegresión lineal. Marcelo Rodríguez Ingeniero Estadístico - Magíster en Estadística
Regresión lineal Marcelo Rodríguez Ingeniero Estadístico - Magíster en Estadística Universidad Católica del Maule Facultad de Ciencias Básicas Pedagogía en Matemática Estadística I 01 de enero de 2012
Más detallesMétodos Experimentales & No-experimentales I
Métodos Experimentales & No-experimentales I Alessandro Maffioli Taller de evaluación de impacto de programas de ciencia, tecnología e innovación 17-18 de Junio 2014, Ciudad de México Efectividad en el
Más detallesTEMA 3.- EL ANALISIS ESTADISTICO DE LA INFORMACION (MODELIZACION) DIFERENTES TIPOS DE PROCEDIMIENTOS ESTADISTICOS
TEMA 3.- EL ANALISIS ESTADISTICO DE LA INFORMACION (MODELIZACION) PROCEDIMIENTOS ESTADISTICOS CONSTRUCCION DE MODELOS DIFERENTES TIPOS DE PROCEDIMIENTOS ESTADISTICOS Cada procedimiento es aplicable a un
Más detallesPsicometría Tema 6 VALIDEZ DE LAS INFERENCIAS I
Psicometría Tema 6 VALIDEZ DE LAS INFERENCIAS I Psicometría Mª Isabel García Barbero, UNED. Universidad Nacional de Educación a Distancia, 2006 1 La fiabilidad de un instrumento de medida es una condición
Más detalles