TEMA 2.1: MODELOS DE REGRESIÓN LINEAL MÚLTIPLE
|
|
- Mercedes Ayala Cruz
- hace 6 años
- Vistas:
Transcripción
1 TEMA.1: MODELOS DE REGRESIÓN LINEAL MÚLTIPLE ESTUDIO DE LA RELACIÓN DE DEPENDENCIA ENTRE UNA VARIABLE (DEPENDIENTE, EXPLICADA O REGRESADA) Y UNA O MAS VARIABLES (EXPLICATIVAS, INDEPENDIENTES, COVARIABLES O REGRESORES) A FIN DE ESTIMAR Y/O PREDECIR EL VALOR PROMEDIO POBLACIONAL DE LA PRIMERA EN TÉRMINOS DE LAS OTRAS. y = E(y/x i ) + ε y = x 1 β 1 + x β x K β K + ε FRP COMPONENTE DETERMINÍSTICO? TEORÍA PERTURBACIONES ALEATORIAS (COMPONENTE NO SISTEMATI- CO): OMISIONES, ERRORES DE MEDIDA, VARIABLES NO OBSER- VADAS O NO DISPONIBLES. FUNCIÓN DE REGRESIÓN POBLACIONAL (FRP): LOCUS DE LAS MEDIAS CONDICIONALES O VALORES ESPERADOS DE LA VARIABLE DEPENDIENTE (Y) PARA VALORES FIJOS DE LA VARIABLE EXPLICATIVA (X). OBJETIVO: ESTIMAR LOS β i, DESCONOCIDOS, A PARTIR DE DATOS DISPONIBLES VALIDAR TEORÍA PRONÓSTICO EJEMPLO 1: MODELO DE CONSUMO REAL PARA VENEZUELA C= β 1 + β Y + ε Modelos Lineales II Tema.1. 1
2 PIB CONS EJEMPLO : REMUNERACIÓN DEL CAPITAL HUMANO SALARIO= β 1 + β EDAD + β 3 EDAD + β 4 EDUCACION + ε Comando Stata (datos profesores ULA): xi: reg lsueldo edad edad i.educa Source SS df MS Number of obs = F( 5, 1790) = Model Prob > F = Residual R-squared = Adj R-squared = Total Root MSE = lsueldo Coef. Std. Err. t P> t [95% Conf. Interval] edad edad _Ieduca_ _Ieduca_ _Ieduca_ _cons Modelos Lineales II Tema.1.
3 ESTIMACION RECUERDE QUE FRP: E(y i x i ) = ' xi β DADO QUE y i = E(y i x i ) + ε i ε i = y i - LAS ESTIMACIONES DE E(y i x i ) OBTENIDAS A PARTIR DE LA MUESTRA VIENEN DADAS POR ' xi β ŷ i = ' xi b (FRM) DE MODO QUE y i = x ' i β + ε i = ' xi b + e i ' e i =y i - ŷ i = y i - xi b y ε e FRP: α + βx FRM: a + bx E(y i x i ) = α + β x ŷ i = a + bx x OBJETIVO: ESCOGER UN VECTOR b 0 TAL QUE ŷ i = MAS POSIBLE A y i. ' xi b SE ACERQUE LO EL MÉTODO MÁS FRECUENTEMENTE UTILIZADO ES EL DE MÍNIMOS CUADRADOS ORDINARIOS (MCO): MINIMIZAR LA SUMA DE CUADRADOS DE LOS RESIDUOS Min b e 0 e 0 = (y Xb 0 ) (y Xb 0 ) = y y b 0 X y y Xb 0 + b 0 X xb 0 = y y b 0 X y + b 0 X Xb 0 Modelos Lineales II Tema.1. 3
4 e0 ' e0 b0 = X y + X Xb 0 = 0 [CPO] X y = X Xb 0 (X X) -1 (X X)b 0 = (X X) -1 X y b = (X X) -1 X y e ' e b b' = X X MATRIZ DEFINIDA POSITIVA [CSO] PROPIEDADES ALGEBRÁICAS DE LOS ESTIMADORES MCO: LA LINEA DE REGRESION QUE ELLOS GENERAN TIENE LAS SIGUIENTES PROPIEDADES: PASA A TRAVES DE LAS MEDIAS DE LOS DATOS: y = x b LA MEDIA DE Ŷ ES IGUAL A LA MEDIA DE Y LA MEDIA DE LOS RESIDUOS ES CERO, DADO QUE e i =0. Modelos Lineales II Tema.1. 4
5 ESTIMACION: METODO DE MAXIMA VEROSIMILITUD SEA Y i = β 1 + β X i + ε i CON Yi N (β 1 + β X i, σ ) LA FUNCION DE DISTRIBUCION NORMAL DE Y VIENE DADA POR f (Y i ) = σ n ( 1 n π ) exp {- ½ ( Y β1 β i ) i X σ } = FV (FUNCION DE VEROSIMILITUD) EL METODO DE MAXIMA VEROSIMILITUD (MV) CONSISTE EN ESTIMAR PARAMETROS DE MODO TAL QUE LA PROBABILIDAD DE OBSERVAR Y SEA LO MAXIMO POSIBLE MAXIMIZAR FV PARA ELLO: 1) TRANSFORMACION LOGARITMICA PARA FACILITAR EL ANALISIS Ln FV = -n/ Ln σ n/ Ln (π) ½ ( Y β1 β i ) i X σ ) IGUALAR DERIVADAS A CERO Y RESOLVER SISTEMA: Ln fv β1 Ln fv β Ln fv σ = - 1/ σ ( Yi β 1 βxi ) (-1) = 0 = - 1/ σ ( Yi β 1 βxi ) (-X i ) = 0 = -n/σ + 1/ σ 4 ( Yi β1 βxi ) = 0 = MCO βˆ BAJO EL SUPUESTO DE NORMALIDAD LOS ESTIMADORES MV SON IGUALES A LOS ESTIMADORES MCO. Modelos Lineales II Tema.1. 5
6 BONDAD DE AJUSTE DEL MODELO Relación entre demanda de gasolina y precios (Geene.) pg gas Relación entre demanda de gasolina e ingreso gas y Source SS df MS Number of obs = F(, 33) = Model Prob > F = Residual R-squared = Adj R-squared = Total Root MSE = gas Coef. Std. Err. t P> t [95% Conf. Interval] pg y _cons Modelos Lineales II Tema.1. 6
7 LA SIMPLE SUMA DE RESIDUOS AL CUADRADO NO PUEDE CONSIDERARSE COMO MEDIDA DE LA BONDAD DE AJUSTE DEL MODELO. SE DICE QUE LA REGRESIÓN AJUSTA BIEN SI LAS VARIACIONES DE y RESPECTO A SU MEDIA SON EXPLICADAS MEJOR POR VARIACIONES DE X CON RESPECTO A SU MEDIA QUE POR LOS RESIDUOS. y i FRM Residuo (y i - ŷ i ) Total (y i - y) Modelo ( ŷi - y) Y DESCOMPOSICION DE VARIANZA: x i 1. SUMA DE CUADRADOS TOTALES (SCT): VARIACIÓN DE LOS VALORES REALES DE Y EN TORNO A SU MEDIA MUESTRAL. y i = (y i - Y ) EQUIVALENTE A y M 0 y M 0 ES MATRIZ IDEMPOTENTE nxn QUE TRANSFORMA OBSERVACIONES EN DESVIACIONES RESPECTO A LA MEDIA. SUMA DE CUADRADOS DE LA REGRESION (SCR): VARIACIÓN DE LOS VALORES ESTIMADOS DE y EN TORNO A SU MEDIA, O VARIACIÓN DE y EXPLICADA POR EL MODELO. yˆ i = ( ŷi - y) EQUIVALENTE A b X M 0 Xb 3. SUMA DE RESIDUOS (ERRORES) AL CUADRADO (SCE): VARIACIÓN DE y NO EXPLICADA POR EL MODELO. e i EQUIVALENTE A e e Modelos Lineales II Tema.1. 7
8 SCT = SCR + SCE DIVIDIENDO POR SCT SCT SCT SCR = SCT SCE + SCT 1 = SCR SCE + SCT SCT R SCR = = SCT b' X ' M y' M 0 Xb y 0 R SCE = 1 - = 1 - SCT e' e y' M 0 y PROPIEDADES DEL R : ES SIEMPRE POSITIVO, CON VALORES ENTRE 0 Y 1 NUNCA DECRECE CON EL NÚMERO DE VARIABLES EXPLICATIVAS EN EL MODELO: Modelos Lineales II Tema.1. 8
9 SUPUESTOS DEL MODELO CLÁSICO DE REGRESIÓN LINEAL SE REFIEREN A LA FORMA DEL MODELO Y LAS RELACIONES ENTRE SUS PARTES 1) LINEALIDAD EN PARÁMETROS (APLICABLE A PERTURBACIONES): y1 y = M y n y = x 1 β 1 + x β x K β K + ε x x M x x x 1 M L L L xk1 x k M β1 β M n xn xkn β k ε k nx1 nxk kx1 nx1 + ε1 ε M y = Xβ + ε OTROS MODELOS PUEDEN SER INTRÍNSECAMENTE LINEALES, COMO POR EJEMPLO: y = A x β e ε Ln y = α + β Ln x + ε (log lineal elasticidades) para α = Ln A Ln y t = ' xt β + δt + ε t (semilog tasa crecimiento) EJEMPLO 1: MERCADO DE GASOLINA EN EEUU (ELASTICIDADES) Ln(gas pc ) = f(y pc, precio gas, precio auto) Source SS df MS Number of obs = F( 4, 31) = 9. Model Prob > F = Residual R-squared = Adj R-squared = Total Root MSE =.0915 lgas Coef. Std. Err. t P> t [95% Conf. Interval] lpg ly lpc anno _cons Modelos Lineales II Tema.1. 9
10 ) MATRIZ X DE RANGO COMPLETO (CONDICIÓN DE IDENTIFICACIÓN): NO EXISTE RELACIÓN LINEAL ENTRE VARIABLES INDEPENDIENTES n k VAR (x i ) 0 NOTA: UN CONJUNTO DE VECTORES ES LINEALMENTE INDEPENDIENTE SII α 1 x 1 + α x + α 3 x α k x k =0 TIENE COMO ÚNICA SOLUCIÓN α 1 = α =α 3 = = α k =0 Rg(X) = k EJEMPLO : SEA y = β 1 + β x +β 3 x 3 +U CON x 3 = λx = β 1 + β (λx 3 )+β 3 x 3 +U = β 1 + (λβ +β 3 ) x 3 +U = β 1 + α x 3 +U NOTE QUE PODEMOS ESTIMAR α, PERO NO β Y β 3, DADO QUE α = λβ + β 3 TENEMOS UNA ECUACIÓN CON DOS INCÓGNITAS, POR TANTO EL SISTEMA NO TIENE SOLUCIÓN. SE CONFUNDEN LOS EFECTOS DE x Y x 3. EN EL ENFOQUE MATRICIAL: NO EXISTE (X X) -1 POR LO QUE NO PUEDE ESTIMARSE βˆ = (X X) -1 X Y, LOS βˆ SON INDETERMINADOS Y DE VARIANZA INFINITA. 3) ESPERANZA CONDICIONAL DE LOS RESIDUOS IGUAL A CERO (EXOGENEIDAD DE VARIABLES INDEPENDIENTES): E[ε X] = 0 E[y X] = Xβ Modelos Lineales II Tema.1. 10
11 LAS X NO APORTAN INFORMACIÓN QUE PERMITA PREDECIR E(ε.). EL VALOR ESPERADO DE LAS PERTURBACIONES ES INDEPENDIENTE DE LAS VARIABLES EXPLICATIVAS (COV(ε i, X) = 0 ) LA MEDIA NO CONDICIONAL ES IGUAL A CERO: E(ε) = E [E(ε X)] = E(0) = 0 4) PERTURBACIONES ESFÉRICAS: E[εε X] = σ Ι VAR (ε i X) = σ i=1,,,n (HOMOSCEDASTICIDAD) COV(ε i, ε j X) = 0 i j (NO AUTOCORRELACIÓN) 5) x i ES NO ESTOCÁSTICAS: LOS VALORES SON FIJOS EN REPETIDAS MUESTRAS NOTA: EL ALGUNOS CASOS X PUEDE SER ALEATORIA, PERO EL PROCESO GENERADOR DE LOS DATOS DE X NO GUARDA RELACIÓN ALGUNA CON ε. 6) LAS PERTURBACIONES SIGUEN UNA DISTRIBUCIÓN NORMAL: ε X ~ N(0, σ Ι) SUPUESTO NECESARIO PARA LLEVAR A CABO INFERENCIA, NO PARA EFECTOS DE ESTIMACIÓN. Modelos Lineales II Tema.1. 11
12 PROPIEDADES DE LOS ESTIMADORES MÍNIMO CUADRÁTICOS FACILIDAD DE CALCULO USO EXPLICITO DE LA ESTRUCTURA DEL MODELO, TAL COMO SE OBSERVA EN LOS SUPUESTOS REGRESION MINIMO CUADRATICA ES PREDICTOR LINEAL OPTIMO DE LA VARIABLE DEPENDIENTE, AUN SI EL VERDADERO MODELO NO ES LINEAL (ROBUSTEZ) LINEALIDAD: b = (X X) -1 X y = (X X) -1 X (Xβ + ε) = β + (X X) -1 X ε b ES UNA FUNCION LINEAL DE LOS RESIDUOS (ESTIMADOR LINEAL) INSESGABILIDAD (INDEPENDIENTE DE LA DISTRIBUCION DE ε): b = (X X) -1 X y = (X X) -1 X (Xβ + ε) = β + (X X) -1 X ε E[b X] = β + E[(X X) -1 X ε X] = β E[b] = β POR PROPIEDAD DE ESPERANZAS ITERATIVAS VARIANZA MINIMA VAR[b X] = E[ (b-β) (b-β) X ] = σ (X X) -1 ES MINIMA TEOREMA DE GAUSS-MARKOV: BAJO LOS SUPUESTOS DEL MCRL, EL ESTIMADOR MINIMO CUADRATICO b ES EL ESTIMADOR LINEAL DE VARIANZA MINIMA DE β, ES DECIR ES MELI (BLUE). ESTA PROPIEDAD SE MANTIENE AUN SI X ES ESTOCASTICA (TEOREMA 4.3) TEOREMA DE RAO: BAJO NORMALIDAD, LOS ESTIMADORES MCO TIENEN VARIANZA MINIMA EN LA CLASE DE LOS ESTIMADORES INSESGADOS, LINEALES O NO (SON MEI O BUE) Modelos Lineales II Tema.1. 1
13 CONSECUENCIAS DE VIOLACIÓN DE SUPUESTOS PROBLEMA CONSECUENCIAS DETECCIÓN SOLUCIÓN Multicolinealidad (Siempre presente en datos no experimentales) Perfecta: No se puede estimar No perfecta: Estimadores siguen siendo MELI pero: Pequeños cambios Situación general FIV = 1 / (1-R 3) Índice de condición (IC): Usar datos panel Transformar o eliminar variables? en datos alteran Máximo valor propio sustancialmente Variables parámetros Mínimo valor propio latentes estimados. Varianza de coeficientes puede no ser pequeña (mínima pequeña). Coeficientes pueden tener signos incorrectos. Matrices de correlación Regresiones auxiliares (componentes principales) Ridge regression b r =[X X+rD] -1 X y donde D es Heteroscedasticidad Var [ε i x i ] = σ i = σ ϖ i E[εε X] = σ Ω Estimador lineal e insesgado pero ineficiente Test de White Test de Goldfeld- Quandt Test de Breusch- Pagan/Godfrey matriz diagonal Transformación logarítmica Mínimos Cuadrados Generalizados (MCG o GLS) Wald test b g =(X Ω -1 X) -1 X Ωy Autocorrelación serial Estimador lineal e insesgado pero ineficiente R sobre-estimado Test de Breusch- Godfrey Test de Box-Pierce Test de Durbin-Watson Correcta especificación (si es la causa) Modelos en diferencia o quasi-diferencia (GLS) Modelos Lineales II Tema.1. 13
14 EJEMPLO COLINEALIDAD: UNWEIGHTED LEAST SQUARES LINEAR REGRESSION OF CONS PREDICTOR VARIABLES COEFFICIENT STD ERROR STUDENT'S T P VIF CONSTANT INCOME WEALTH R-SQUARED RESID. MEAN SQUARE (MSE) ADJUSTED R-SQUARED STANDARD DEVIATION SOURCE DF SS MS F P REGRESSION RESIDUAL TOTAL CASES INCLUDED 10 MISSING CASES 0 UNWEIGHTED LEAST SQUARES LINEAR REGRESSION OF CONS PREDICTOR VARIABLES COEFFICIENT STD ERROR STUDENT'S T P CONSTANT INCOME R-SQUARED F= 0.87 (P=0%) UNWEIGHTED LEAST SQUARES LINEAR REGRESSION OF CONS PREDICTOR VARIABLES COEFFICIENT STD ERROR STUDENT'S T P CONSTANT WEALTH R-SQUARED F= (P=0%) Modelos Lineales II Tema.1. 14
15 EJEMPLO HETEROSCEDASTICIDAD:. reg mpg hp wt vol Source SS df MS Number of obs = F( 3, 77) = Model Prob > F = Residual R-squared = Adj R-squared = Total Root MSE = mpg Coef. Std. Err. t P> t [95% Conf. Interval] hp wt vol _cons vif Variable VIF 1/VIF wt hp vol Mean VIF 1.4. hettest Breusch-Pagan / Cook-Weisberg test for heteroskedasticity Ho: Constant variance Variables: fitted values of mpg chi(1) = 7.76 Prob > chi = imtest, white White's test for Ho: homoskedasticity against Ha: unrestricted heteroskedasticity chi(9) = Prob > chi = Mínimos Cuadrados Ponderados: vwls mpg hp wt vol Variance-weighted least-squares regression Number of obs = 0 Goodness-of-fit chi(4) = Model chi(3) = Prob > chi = Prob > chi = mpg Coef. Std. Err. z P> z [95% Conf. Interval] hp wt vol _cons reg mpg hp wt vol, robust Regression with robust standard errors Number of obs = 81 F( 3, 77) = Prob > F = R-squared = Root MSE = Robust mpg Coef. Std. Err. t P> t [95% Conf. Interval] hp wt vol _cons Modelos Lineales II Tema.1. 15
16 EJEMPLO DE AUTOCORRELACION. tsset anno time variable: anno, 1960 to reg gas pg y pnc Source SS df MS Number of obs = F( 3, 3) = Model Prob > F = Residual R-squared = Adj R-squared = Total Root MSE = gas Coef. Std. Err. t P> t [95% Conf. Interval] pg y pnc _cons estat bgodfrey test for higher-order serial correlation Breusch-Godfrey LM test for autocorrelation lags(p) chi df Prob > chi H0: no serial correlation. estat durbinalt Durbin's alternative test for autocorrelation lags(p) chi df Prob > chi H0: no serial correlation. estat dwatson Durbin-Watson d statistic to test for first-order (equivale a dwstat) Durbin-Watson d-statistic( 4, 36) = prais gas pg y pnc Prais-Winsten AR(1) regression -- iterated estimates Source SS df MS Number of obs = F( 3, 3) = Model Prob > F = Residual R-squared = Adj R-squared = Total Root MSE = gas Coef. Std. Err. t P> t [95% Conf. Interval] pg y pnc _cons rho Durbin-Watson statistic (original) Durbin-Watson statistic (transformed) Modelos Lineales II Tema.1. 16
17 . prais gas pg y pnc, corc Cochrane-Orcutt AR(1) regression -- iterated estimates Source SS df MS Number of obs = F( 3, 31) = 34.1 Model Prob > F = Residual R-squared = Adj R-squared = Total Root MSE = gas Coef. Std. Err. t P> t [95% Conf. Interval] pg y pnc _cons rho Durbin-Watson statistic (original) Durbin-Watson statistic (transformed) prais gas pg y pnc, ssesearch Selecciona la transformación que permita obtener el rho que minimice la SCE. Prais-Winsten AR(1) regression -- SSE search estimates Source SS df MS Number of obs = F( 3, 3) = 50.9 Model Prob > F = Residual R-squared = Adj R-squared = Total Root MSE = gas Coef. Std. Err. t P> t [95% Conf. Interval] pg y pnc _cons rho Durbin-Watson statistic (original) Durbin-Watson statistic (transformed) Modelos Lineales II Tema.1. 17
Varianza del error no constante: heteroscedasticidad. Fortino Vela Peón Universidad Autónoma Metropolitana
Varianza del error no constante: heteroscedasticidad Fortino Vela Peón Universidad Autónoma Metropolitana fvela@correo.xoc.uam.mx Octubre, 2010 11/08/2011 México, D. F. 1 Tipos de residuales En ocasiones
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 detallesPronósticos, Series de Tiempo y Regresión. Capítulo 4: Regresión Lineal Múltiple
Pronósticos, Series de Tiempo y Regresión Capítulo 4: Regresión Lineal Múltiple Temas Modelo de regresión lineal múltiple Estimaciones de Mínimos Cuadrados Ordinarios (MCO); estimación puntual y predicción
Más detallesECONOMETRÍA II PRÁCTICAS DE ORDENADOR. Práctica 3
ECONOMETRÍA II PRÁCTICAS DE ORDENADOR Práctica 3 Considere la ecuación de inversión RINV t = β 1 +β 2 RPIB t +β 3 r t +u t donde RINV es la inversión real privada, RPIB es el PIB real y r es el tipo de
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 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 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 detallesCURSO ECONOMETRÍA BÁSICA MULTISOFTWARE
CURSO ECONOMETRÍA BÁSICA MULTISOFTWARE El objetivo de este curso es la presentación de las técnicas econométricas básicas, tanto clásicas como modernas, y su tratamiento con las herramientas más adecuadas
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 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 detallesEstadística para la Economía y la Gestión IN 3401
Estadística para la Economía y la Gestión IN 3401 3 de junio de 2010 1 Modelo de Regresión con 2 Variables Método de Mínimos Cuadrados Ordinarios Supuestos detrás del método MCO Errores estándar de los
Más 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 detallesUNIVERSIDAD NACIONAL DE TRUJILLO ESCUELA PROFESIONAL DE ECONOMÍA APUNTES DE CLASE ECUACIONES SIMULTÁNEAS: EJERCICIO 19.
UNIVERSIDAD NACIONAL DE TRUJILLO ESCUELA PROFESIONAL DE ECONOMÍA APUNTES DE CLASE ECUACIONES SIMULTÁNEAS: EJERCICIO 19.15 ECONOMETRÍA 2 Econometría.weebly.com Wilhem.weebly.com Ejercicio 19.15 Considérese
Más 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 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 detallesRegresión con heterocedasticidad y autocorrelación
Regresión con heterocedasticidad y autocorrelación Tema 6 Regresión con heterocedasticidad La heterocedasticidad significa que var( i ) cte Es la norma, no la excepción, en especial con datos transversales
Más detalles(5 x 3) ( 3 x 5) ( 5 x 1) b1 335, ,3-26, ,59 b2 = 0, , ,8 12,85 = 2,94 b3-26,79 13,8 2, ,31
VENTAS PUBLIC. PRECIOS 1990 0, 0, 10 1991 1 0, 1992 2 0,8 199, 0,8 199 1, Y X U 0, 1 0, 10 U1 Modelo matricial con término constante 1 1 0, U2 (el vector de unos recoge ese término constante) 2 1 0,8 U,
Más detallesBeatriz Sánchez Reyes. 22 de septiembre de 2010
Regresión cuantílica Beatriz Sánchez Reyes 22 de septiembre de 2010 Índice Definición de cuantil Regresión cuantílica - Estimación - Inferencia Regresión mediana (Ejemplo) Regresión cuartílica (Ejemplo)
Más detallesErrores de especificación. Series simuladas
Estimación modelo correcto Dependent Variable: Y Date: 05/13/02 Time: 17:07 Sample: 2 100 Included observations: 99 Errores de especificación. Series simuladas C 5.376164 0.253524 21.20578 0.0000 X1 0.954713
Más detallesLos estimadores mínimo cuadráticos bajo los supuestos clásicos
Los estimadores mínimo cuadráticos bajo los supuestos clásicos Propiedades estadísticas e inferencia Mariana Marchionni marchionni.mariana@gmail.com Mariana Marchionni MCO bajo los supuestos clásicos 1
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 detallesEl Modelo de Regresión Lineal General Estimación
Tema 5 El Modelo de Regresión Lineal General Estimación Pilar González y Susan Orbe Dpto Economía Aplicada III (Econometría y Estadística) Pilar González y Susan Orbe OCW 2013 Tema 5 MRLG: Estimación 1
Más detallesEjercicios Resueltos (de examen)
Ejercicios Resueltos de examen Román Salmerón Gómez Modelo lineal uniecuacional múltiple Usando los siguientes datos, consumo nacional C t y renta nacional R t en España para el periodo 995-005 a precios
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 detallesRegresión múltiple. Demostraciones. Elisa Mª Molanes López
Regresión múltiple Demostraciones Elisa Mª Molanes López El modelo de regresión múltiple El modelo que se plantea en regresión múltiple es el siguiente: y i = β 0 + β 1 x 1i + β 2 x 2i +...+ β k x ki +
Más detallesEconometría 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 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 detallesCurso de nivelación Estadística y Matemática
Modelo de Curso de nivelación Estadística y Matemática Pruebas de hipótesis, y Modelos ARIMA Programa Técnico en Riesgo, 2017 Agenda Modelo de 1 2 Asociación Medidas de asociación para variables intervalo
Más detallesINTRODUCCIÓN A REGRESIÓN LINEAL. Simple y Múltiple
1 INTRODUCCIÓN A REGRESIÓN LINEAL Simple y Múltiple 2 Introducción Aprendizaje Supervisado Predicción: estimar una función f(x) de forma que y = f(x) Donde Y puede ser: Número real: Regresión Categorías:
Más detallesMÓDULO X. LA DINÁMICA DE LA ECONOMÍA MUNDIAL PROGRAMA OPERATIVO MATEMÁTICAS ECONOMETRÍA I. Profesor: Noé Becerra Rodríguez.
MÓDULO X. LA DINÁMICA DE LA ECONOMÍA MUNDIAL PROGRAMA OPERATIVO MATEMÁTICAS ECONOMETRÍA I Profesor: Noé Becerra Rodríguez Objetivo general: Introducir los aspectos fundamentales del proceso de construcción
Más 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 detallesEXAMEN ECONOMETRÍA I GRUPO 53 - DADE 8 de septiembre de 2005 Prof. Rafael de Arce
EXAMEN ECONOMETRÍA I GRUPO 53 - DADE 8 de septiembre de 005 Prof. Rafael de Arce NOMBRE: DNI: PARTE I.- TEST 1. La hipótesis de rango pleno en el MBRL supone: Que las variables explicativas no tengan ninguna
Más detallesRepaso de estadística básica. Juan D. Barón Santiago de Chile, 8 de abril de 2013
Repaso de estadística básica Juan D. Barón Santiago de Chile, 8 de abril de 2013 1 I. CONCEPTOS ESTADÍSTICOS BÁSICOS 2 Las decisiones se toman bajo incertidumbre Las decisiones se basan en información
Más detallesANALISIS DE REGRESIÓN Y CORRELACIÓN LINEAL
ANALISIS DE REGRESIÓN Y CORRELACIÓN LINEAL Msc. Lácides Baleta Octubre 16 Página 1 de 11 REGRESIÓN Y CORRELACIÓN LINEAL Son dos herramientas para investigar la dependencia de una variable dependiente Y
Más 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 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 detallesGuía del 1º Parcial. Econometría 4º curso. Licenciatura de Economía. USC ttp://www.usc.es/economet/econometria.htm
Guía de estudio del 1º Parcial. Econometría 4º Curso, Licenciatura de Economía. USC. 22-2-2013. Profesoras María del Carmen Guisán Seijas y Pilar Expósito Díaz. Bibliografía básica: Guisán, M.C. (1997)
Más detallesMétodos Estadísticos Multivariados
Métodos Estadísticos Multivariados Victor Muñiz ITESM Victor Muñiz (ITESM) Métodos Estadísticos Multivariados Agosto-Diciembre 2011 1 / 20 Victor Muñiz (ITESM) Métodos Estadísticos Multivariados Agosto-Diciembre
Más detallesMultiple Linear Regression
Multiple Linear Regression Aniel Nieves-González Aniel Nieves-González () LSP 1 / 16 Considere el ejemplo en cual queremos modelar las ventas en una cadena de tiendas por departamento. La v.a. dependiente
Más detallesSOLUCIÓN DE LA PRIMERA PRÁCTICA CALIFICADA DE ECONOMETRIA I
UNIVERSIDAD NACIONAL DE PIURA FACULTAD DE ECONOMIA SOLUCIÓN DE LA PRIMERA PRÁCTICA CALIFICADA DE ECONOMETRIA I 1º El investigador especifica el modelo siguiente: (7 puntos) M1(t) = a + b P(t) + c(0) PBI(t)
Más detallesMÍNIMOS CUADRADOS GENERALIZADOS
Métodos Estadísticos para Economía y Gestión (IN540-2) Otoño 2008 - Semestre I, Parte II Universidad de Chile Departamento de Ingeniería Industrial Profesor: Mattia Makovec (mmakovec@dii.uchile.cl) Auxiliar:
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 detallesRegresión ponderada y falta de ajuste
Capítulo 4 Regresión ponderada y falta de ajuste 4.1. Introducción En este capítulo se presentan la regresión ponderada y la prueba de falta de ajuste como un conjunto adicional de herramientas usadas
Más detallesSOLUCIÄN DE LA PRIMERA PRÅCTICA CALIFICADA DE ECONOMETRIA II
UNIVERSIDAD NACIONAL DE PIURA FACULTAD DE ECONOMIA DPTO. ACAD. DE ECONOMIA SOLUCIÄN DE LA PRIMERA PRÅCTICA CALIFICADA DE ECONOMETRIA II 1Ä El investigador especifica el modelo siguiente: Donde: Se le pide:
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 detallesEconometría 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
Más detallesMétodo de cuadrados mínimos
REGRESIÓN LINEAL Gran parte del pronóstico estadístico del tiempo está basado en el procedimiento conocido como regresión lineal. Regresión lineal simple (RLS) Describe la relación lineal entre dos variables,
Más detallesECONOMETRÍA I. Tema 3: El Modelo de Regresión Lineal Múltiple: estimación
ECONOMETRÍA I Tema 3: El Modelo de Regresión Lineal Múltiple: estimación Patricia Moreno Juan Manuel Rodriguez Poo Alexandra Soberon Departamento de Economía Alexandra Soberon (UC) ECONOMETRÍA I 1 / 45
Más detallesSOLUCIÓN DEL EXAMEN PARCIAL DE ECONOMETRIA II
UNIVERSIDAD NACIONAL DE PIURA FACULTAD DE ECONOMIA DPTO. ACAD. DE ECONOMIA SOLUCIÓN DEL EXAMEN PARCIAL DE ECONOMETRIA II 1º El investigador especifica el siguiente modelo: Se le pide: 1.1. Realice la prueba
Más detallesFunciones 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 detallespeso edad grasas Regresión lineal simple Los datos
Regresión lineal simple Los datos Los datos del fichero EdadPesoGrasas.txt corresponden a tres variables medidas en 25 individuos: edad, peso y cantidad de grasas en sangre. Para leer el fichero de datos
Más detalles2 Introducción a la inferencia estadística Introducción Teoría de conteo Variaciones con repetición...
Contenidos 1 Introducción al paquete estadístico S-PLUS 19 1.1 Introducción a S-PLUS............................ 21 1.1.1 Cómo entrar, salir y consultar la ayuda en S-PLUS........ 21 1.2 Conjuntos de datos..............................
Más 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 detallesTema 2. Heterocedasticidad. 1 El modelo de regresión lineal con errores heterocedásticos
ema 2. Heterocedasticidad. El modelo de regresión lineal con errores heterocedásticos En este tema vamos a analizar el modelo de regresión lineal Y t = X tβ + u t, donde X t = (X t, X 2t,.., X kt y β =
Más detallesRegresión Lineal. 15 de noviembre de Felipe Bravo Márquez
Felipe José Bravo Márquez 15 de noviembre de 2013 Introducción Un modelo de regresión se usa para modelar la relación de una variable dependiente y numérica con n variables independientes x 1, x 2,...,
Más detallesMínimos Cuadrados Generalizados
Mínimos Cuadrados Generalizados Román Salmerón Gómez Los dos últimos temas de la asignatura han estado enfocados en estudiar por separado la relajación de las hipótesis de que las perturbaciones estén
Más 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 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 detallesESTIMACIÓN DE LA FUNCIÓN DE EXPORTACIONES DE CATALUÑA A LOS PRINCIPALES PAÍSES EUROPEOS
ESTIMACIÓN DE LA FUNCIÓN DE EXPORTACIONES DE CATALUÑA A LOS PRINCIPALES PAÍSES EUROPEOS Estimaciones individuales Dependent Variable: LOG(X?) Method: Pooled Least Squares Date: 11/23/02 Time: 13:14 Sample(adjusted):
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: Propiedades de los estimadores MCO
TEMA 2: Propiedades de los estimadores MCO Econometría I M. Angeles Carnero Departamento de Fundamentos del Análisis Económico Curso 2011-12 Econometría I (UA) Tema 2: Pdades de los estimadores MCO Curso
Más detallesTema 6. Multicolinealidad. Contenido Multicolinealidad perfecta Multicolinealidad de grado alto
Tema 6 Multicolinealidad Contenido 6.1. Multicolinealidad perfecta...................... 108 6.. Multicolinealidad de grado alto................... 110 108 Tema 6. Multicolinealidad A la hora de estimar
Más detallesEfecto de la cercanía a las estaciones de Subte y valor de la propiedad residencial en Buenos Aires
> Año 10 / Número 101 / Marzo 2011 Economía de las ciudades Efecto de la cercanía a las estaciones de Subte y valor de la propiedad residencial en Buenos Aires Un estudio según el modelo de valuación hedónico
Más detallesMULTICOLINEALIDAD (Gujarati y Porter, Capítulo 10) Ejemplo de la sección donde
MULTICOLINEALIDAD (Gujarati y Porter, 2010. Capítulo 10) Ejemplo de la sección 10.10 Datos Longley obs Y X1 X2 X3 X4 X5 TIME 1947 60323 830 234289 2356 1590 107608 1 1948 61122 885 259426 2325 1456 108632
Más detallesHeteroscdasticidad y MCG
May 24, 2009 Modelo lineal clasico: 1 Linealidad: Y = Xβ + u. 2 Exogeneidad: E(u) = 0 3 No Multicolinealidad: ρ(x) = K. 4 No heteroscedasticidad ni correlacion serial: V (u) = σ 2 I n. Teorema de Gauss/Markov
Más detallesCAPÍTULO IV. DESARROLLO DE LA INVESTIGACIÓN. presente capítulo. A continuación se procederá a escribir la metodología y a describir el
CAPÍTULO IV. DESARROLLO DE LA INVESTIGACIÓN La información recabada en los capítulos anteriores servirá de base para la realización del presente capítulo. A continuación se procederá a escribir la metodología
Más detallesUniversidad de la República, Facultad de Ciencias Económicas y Administración.
Universidad de la República, Facultad de Ciencias Económicas y Administración. ECONOMETRIA II- CURSO 2010 Practica 5 MODELOS DE VARIABLE DEPENDIENTE TRUNCADA CENSURADA, MODELOS DE SELECTIVIDAD, MODELOS
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 detallesTema 3.1: Modelo lineal general: hipótesis y estimación. Universidad Complutense de Madrid 2013
ema 3.1: Modelo lineal general: hipótesis y estimación Universidad Complutense de Madrid 2013 Introducción El objetivo es especificar y estimar un Modelo Lineal General (MLG) en donde una variable de interés
Más detallesIntroducción a la Econometría Capítulo 4
Introducción a la Econometría Capítulo 4 Ezequiel Uriel Jiménez Universidad de Valencia Valencia, Septiembre de 2013 4.1 El contraste de hipótesis: una panorámica 4.2 Contraste de hipótesis utilizando
Más detallesSeminario Regional Proyecto: Fortaleciendo las Capacidades de Análisis de la Política Macroeconómica en Centroamérica y El Caribe
Estimación: de una Función de Demanda Mensual por Emisión Monetaria (1997-2004) para Honduras, mediante modelos Econométricos, serie de tiempo y Pronostico. Seminario Regional Proyecto: Fortaleciendo las
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 detallesREGRESIÓN LINEAL SIMPLE
REGRESIÓN LINEAL SIMPLE 1. El problema de la regresión lineal simple. Método de mínimos cuadrados 3. Coeficiente de regresión 4. Coeficiente de correlación lineal 5. El contraste de regresión 6. Inferencias
Más detallesEndogeneidad y heterogeneidad no observada. 2. Modelo de regresión clásico y endogeneidad
Endogeneidad y heterogeneidad no observada Preparado por Guido Pinto Aguirre (actualizado a Abril 2010) Menú de hoy: 1. Referencia 2. Modelo de regresión clásico y endogeneidad 3. Heterogeneidad no observada
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 5: Regresión con datos de sección cruzada. Universidad Complutense de Madrid Marzo de 2012
Tema 5: Regresión con datos de sección cruzada Universidad Complutense de Madrid Marzo de 2012 Introducción (I) En este tema se trata el incumplimiento de dos hipótesis del MLG, aparentemente no relacionadas,
Más detallesUNIVERSIDAD NACIONAL DE TRUJILLO ESCUELA PROFESIONAL DE ECONOMÍA APUNTES DE CLASE
UNIVERSIDAD NACIONAL DE TRUJILLO ESCUELA PROFESIONAL DE ECONOMÍA APUNTES DE CLASE CAPÍTULO 8: ANÁLISIS DE REGRESIÓN MÚLTIPLE: EL PROBLEMA DE LA INFERENCIA ECONOMETRÍA 2 WILHEM ROOSVELT GUARDIA VÁSQUEZ
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 detallesINFLUENCIA DE LA TASA DE INTERÉS DE POLÍTICA MONETARIA SOBRE LAS TASAS DE INTERÉS ACTIVA Y PASIVA
INFLUENCIA DE LA TASA DE INTERÉS DE POLÍTICA MONETARIA SOBRE LAS TASAS DE INTERÉS ACTIVA Y PASIVA The impact of policy interest rate on loan and deposit interest rates Jaime Aristy Escuder * Resumen: En
Más detallesSOLUCIÓN DEL EXAMEN PARCIAL DE ECONOMETRIA I
UNIVERSIDAD NACIONAL DE PIURA FACULTAD DE ECONOMIA SOLUCIÓN DEL EXAMEN PARCIAL DE ECONOMETRIA I 1º El investigador especifica los modelos siguientes: MODELO 1: IMP(t) = a + b IMP(t-1) + c IPM(t) + u(t)
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 detallesEjercicio Heterocedasticidad_2
Ejercicio heterocedasticidad 2. 1 Ejercicio Heterocedasticidad_2 Tengamos los siguientes datos de los beneficios (B i ) y ventas (V i ) de 20 empresas: obs B V 1 13,2 61 2 15 78 3 22,2 158 4 15,2 110 5
Más detallesGUIÓN TEMA 2. PROPIEDADES DE LOS ESTIMADORES MCO 2.1 PROPIEDADES ESTADÍSTICAS DEL ES- TIMADOR MCO DE.
ECONOMETRIA I. Departamento de Fundamentos del Análisis Económico Universidad de Alicante. Curso 011/1 GUIÓN TEMA. PROPIEDADES DE LOS ESTIMADORES MCO Bibliografía apartados.1,. y.3: Greene, 6.6.1, 6.6.3
Más detallesTema 5: Regresión con datos de sección cruzada. Universidad Complutense de Madrid 2013
Tema 5: Regresión con datos de sección cruzada Universidad Complutense de Madrid 2013 1 Introducción (I) En este tema se trata el incumplimiento de dos hipótesis del MLG, aparentemente no relacionadas,
Más detallesEstadística II Tema 4. Regresión lineal simple. Curso 2010/11
Estadística II Tema 4. Regresión lineal simple Curso 010/11 Tema 4. Regresión lineal simple Contenidos El objeto del análisis de regresión La especificación de un modelo de regresión lineal simple Estimadores
Más detallesy x Estimar por MCO un modelo lineal entre la variable explicada (y) y las
Ejercicio MLG Disponemos de los siguientes datos y x x3 7 6 0 4 3 7 8 6 3 6 6 5 8 9 8 Se pide. Estimar por MCO un modelo lineal entre la variable explicada (y) y las explicativas (x).. Comprobar que el
Más detallesConsejería de Agricultura, Pesca y Desarrollo Rural. Estudio de la elasticidad de la demanda de aceite de oliva virgen en los hogares españoles
Consejería de Agricultura, Pesca y Desarrollo Rural Estudio de la elasticidad de la demanda de aceite de oliva virgen en los hogares españoles Diciembre 013 Estudio de la elasticidad de la demanda de aceite
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 detallesPRINCIPALES INDICADORES PARA EL DIAGNÓSTICO DEL ANÁLISIS DE REGRESIÓN LINEAL -Material de consulta No.1-
DIVISIÓN ECONÓMICA DEPARTAMENTO DE INVESTIGACIONES ECONÓMICAS DESARROLLO Y ANÁLISIS METODOLÓGICOS DIE-37-003-IT INFORME TÉCNICO PRINCIPALES INDICADORES PARA EL DIAGNÓSTICO DEL ANÁLISIS DE REGRESIÓN LINEAL
Más detallesSantiago, Abril 2009
cvalle@inf.utfsm.cl Departamento de Informática - Universidad Técnica Federico Santa María Santiago, Abril 2009 1 / 51 Temario 1 2 3 4 5 6 7 Métodos que generan entradas alternativas 8 y extensiones 2
Más detallesExamen de Introducción a la Econometría 8 de septiembre de 2008
NOMBRE DNI: GRUPO Firma: MODELO 1: SOLUCIONES Examen de Introducción a la Econometría 8 de septiembre de 008 Sólo una respuesta es válida. Debe justificar la respuesta de cada pregunta en el espacio que
Más detallesDETERMINANTES DE LOS INGRESOS
DETERMINANTES DE LOS INGRESOS Mariana Marchionni mariana@depeco.econo.unlp.edu.ar CEDLAS Universidad Nacional de La Plata Ecuaciones de Mincer (1974) 1 (1) ln Y = α + β educación + γ experiencia laboral
Más detallesEjercicio 1 (20 puntos)
ESTADISTICA Y SUS APLICACIONES EN CIENCIAS SOCIALES. Examen Montevideo, 15 de diciembre de 2015. Nombre: C.I.: EXAMEN Libre Reglamentado El examen consta de dos partes. La primera parte debe ser realizada
Más detallesTécnicas Cuantitativas para el Management y los Negocios
Segundo cuatrimestre - 4 Técnicas Cuantitativas para el Management y los Negocios Mag. María del Carmen Romero 4 romero@econ.unicen.edu.ar Módulo III: APLICACIONES Contenidos Módulo III Unidad 9. Análisis
Más detallesEJERCICIOS CAPITULO 9. GUJARATI-PORTER (2010)
EJERCICIOS CAPITULO 9. GUJARATI-PORTER (2010) 9.21 a) clear edit tsset year list +-------------------------------+ year savings income dum ------------------------------- 1. 1970 61 727.1 0 2. 1971 68.6
Más detallesFormulación matricial del modelo lineal general
Formulación matricial del modelo lineal general Estimadores MCO, propiedades e inferencia usando matrices Mariana Marchionni marchionni.mariana@gmail.com Mariana Marchionni Formulación matricial del modelo
Más detallesEl modelo Lineal General
El Lineal General Román Salmerón Gómez Universidad de Granada RSG El lineal uniecuacional múltiple 1 / 68 Estimación del Validación del Explotación del Estimación del Validación del Explotación del RSG
Más detallesCointegración del Índice de Precios al Consumidor y Liquidez monetaria ( ). Venezuela.
Cointegración del Índice de Precios al Consumidor y Liquidez monetaria (1997-211). Venezuela. Informe Técnico. PC LC/FT. 2 de Octubre 212 Jhoner Perdomo Karen Tizado Resumen En la búsqueda de una variable
Más detallesEstadística Inferencial. Sesión No. 9 Regresión y correlación lineal
Estadística Inferencial Sesión No. 9 Regresión y correlación lineal Contextualización En la administración, las decisiones suelen basarse en la relación entre dos o más variables. En esta sesión se estudia
Más detallesPrácticas Tema 5. Ampliaciones del Modelo lineal básico
Prácticas Tema 5. Ampliaciones del Modelo lineal básico Ana J. López y Rigoberto Pérez Dpto. Economía Aplicada, Universidad de Oviedo PRÁCTICA 5.1. Se ha examinado la evolución reciente de las ventas de
Más detalles