EL MODELO DE REGRESIÓN LINEAL SIMPLE
|
|
- Santiago Vera Muñoz
- hace 6 años
- Vistas:
Transcripción
1 Unversdad Carlos III de Madrd César Alonso ECONOMETRIA EL MODELO DE REGRESIÓN LINEAL SIMLE Índce 1. Relacones empírcas y teórcas Conceptos prevos Mejor redccón Constante Mejor redccón Lneal Mejor redccón Introduccón al modelo de regresón lneal smple Supuestos del modelo de regresón smple Interpretacón de coe centes Estmacón El prncpo de analogía El crtero de MCO ropedades de los estmadores MCO Lnealdad (en las observacones de Y ) Insesgadez Varanzas El Teorema de Gauss-Markov Consstenca de los estmadores MCO Estmacón de las varanzas Estmacón de Estmacón de las varanzas de los estmadores MCO Meddas de bondad del ajuste Error estándar de la regresón El coe cente de determnacón
2 Capítulos 6, 9, 10 y 12 de Goldberger. Capítulo 2 de Wooldrdge 1. Relacones empírcas y teórcas Como economstas, nos nteresa la relacón entre dos o más varables económcas. or ello, nos concentramos en poblacones, al menos, bvarantes. La teoría económca postula, en general, relacones del tpo Y = f (X) donde f () es una funcón. Dchas relacones son exactas o determnístcas, de manera que a cada valor de X le corresponde un únco valor de Y. S tuvéramos más varables exógenas, el razonamento sería déntco Y = f (X 1 ; : : : ; X K ) a cada combnacón de valores de X 1 ; : : : ; X K le corresponde un únco valor de Y. Qué sucede en general con los datos reales de varables económcas? Ejemplo: Relacón entre tasa de ahorro (Y ) y renta (X) (Goldberger, Capítulo 1 de A Course n Econometrcs, Harvard U. ress.) La teoría económca predce una relacón crecente entre tasa de ahorro y renta Datos de 1027 famlas de EE.UU. en los años 1960 a ara smpl car, hemos agrupado los datos en ntervalos para ambas varables, ponendo el punto medo del ntervalo. ara cada combnacón de X e Y presentamos la frecuenca relatva (en tanto por uno). 1
3 Dstrbucón conjunta de frecuencas de X e Y (X; Y ) X (renta en mles de dólares) Y (Y ) (tasa de ahorro) (suma de las) (X) (suma de columnas) Dada la evdenca empírca, podemos a rmar que exste una relacón determnístca entre tasa de ahorro y renta? ara que ello fuera certo, deberíamos encontrar en cada columna (para cada nvel de renta X) una únca frecuenca dstnta de 0. Claramente, esto NO es certo: para cada nvel de renta, exsten famlas que ahorran mucho y famlas que desahorran mucho. NO hay una funcón que relacone ahorro y renta: tenemos una dstrbucón, con valores más y menos probables: Observamos una proporcón mayor de famlas con tasas de ahorro más altas cuanto mayor es su renta. ara verlo mejor, podemos concentrarnos en las dstrbucones condconales de la tasa de ahorro para cada nvel de renta. ara ello, tenemos que dvdr las frecuencas relatvas de cada columna por la suma de éstas Dstrbucones condconales de frecuencas de Y para cada valor de X (Y j X) X (renta en mles de dólares) Y (tasa de ahorro) Suma de columnas Meda cond. b Y jx
4 Vemos que, en térmnos relatvos, las tasas de ahorro negatvas son más frecuentes para rentas bajas. arece exstr una contradccón entre la relacón funconal exacta predcha por la teoría económca y la evdenca empírca: La teoría a rma que las famlas de gual renta deberían presentar la msma tasa de ahorro ERO vemos que no es certo en realdad. Y no podemos argumentar que lo que observamos es una mera desvacón del comportamento óptmo. (mplcaría que la mayoría de las famlas se equvocan sstemátcamente). or supuesto, cabe argumentar que hay otras característcas en las que d eren famlas de gual renta. Ello requerría condconar en otras característcas. Ello reducría la dspersón (tendríamos celdas con valores cercanos a 0). ERO seguríamos tenendo tasas de ahorro dstntas para famlas parecdas. CONCLUSIÓN: las relacones empírcas entre varables económcas NO son determnístcas, sno estocástcas. ara reconclar teoría y datos, debemos renterpretar la teoría económca: Cuando la teoría postula que Y es funcón de X, entenderemos que el valor medo de Y es una funcón de X. En el ejemplo, vemos que las dstrbucones condconales del ahorro para cada nvel de renta varían con la renta: Cuanto mayor es la renta, las tasas de ahorro tenden a ser mayores. Ello mplca que la tasa de ahorro meda, condconal a la renta, aumenta con la renta. 3
5 Interpretacón: la meda de la tasa de ahorro Y es una funcón crecente de la renta X. Grá camente: Y (Tasa de ahorro meda) X (R enta) 2. Conceptos prevos Dada la dstrbucón de probabldad conjunta de (X; Y ) (por ejemplo, tasa de ahorro y renta famlar), supongamos que nos preguntan la tasa de ahorro de una famla tomada aleatoramente de la poblacón de nterés. Supongamos que nuestro crtero para medr el error en la predccón c(x) es la mnmzacón de E(U 2 ), sendo: U = Y c(x) el error de predccón, pudendo emplear en la predccón de Y el valor de X correspondente Mejor redccón Constante Supongamos que no conocemos la renta de la famla consderada (X). Entonces, nuestra eleccón de predctores queda restrngda a la nformacón sobre la dstrbucón margnal de la tasa de ahorro Y. En el ejemplo anteror, para calcular la dstrbucón margnal de Y debemos sumar las frecuencas observadas para cada la. 4
6 Y (tasa de ahorro) (Y ) En este caso, gnoramos cómo se comporta Y de acuerdo con X. La predccón que podemos hacer sobre Y se lmta a las constantes. El error de predccón será U = Y c. Se elegrá c tal que mnmce E(U 2 ) = k (Y k c) 2 p k. Dcho valor no es otro que: c = E(Y ) = Y La meda poblaconal Y es el mejor predctor constante de Y en una dstrbucón de probabldad bvarante (véase Capítulo 3 de Goldberger). En el ejemplo, suponendo que la dstrbucón presentada se re ere a una poblacón, E (Y ) = 0;45 0; ;18 0; ;05 0;331 0;11 0;165 0;25 0;063 = 0;09848 = 9;85 % 2.2. Mejor redccón Lneal Supongamos que conocemos la renta (X) de la famla para la que queremos predecr su tasa de ahorro (Y ). Además, sólo podemos elegr predctores que sean funcones lneales de X, es decr, c(x) = c 0 + c 1 X, sendo c 0 y c 1 constantes. El error de predccón será U = Y c 0 c 1 X. Se elegrán aquellas constantes c 0 y c 1 que mnmcen E(U 2 ) = k (Y k c 0 c 1 X) 2 p k. 5
7 Sean 0, 1, dchas constantes, de manera que c(x) = X, ver cando que c 0 = 0 = E(Y ) 1 E(X) = Y 1 X, c 1 = 1 = C(X; Y ) = XY. V (X) 2 X La recta X es la proyeccón lneal (o mejor predccón lneal) de Y dado X En nuestro ejemplo L(Y j X) = X C (X; Y ) = E (XY ) E (X) E (Y ) tenemos que calcular los 5 5 = 25 valores resultantes de multplcar cada uno de los valores de X e Y, respectvamente, y presentar la celda correspondente a la probabldad de ocurrenca de cada valor: Dstrbucón margnal de XY XY (XY ) XY (XY ) XY (XY ) XY (XY ) XY (XY ) donde y E (XY ) = 5X 5X X Y j r (XY = X Y j ) = 0; =1 j=1 E (X) = 1;4 0; ;0 0; ;9 0;216 +7;8 0; ;2 0;165 = 6;532 y por tanto, C (X; Y ) = 0; ;532 0;09848 = 0;
8 En consecuenca, tenendo en cuenta que entonces con lo cual E X 2 = 1;4 2 0; ;0 2 0; ;9 2 0;216 +7;8 2 0; ;2 2 0;165 = 59;155 V (X) = E X 2 [E (X)] 2 = 59;155 6;532 2 = 16;488 c 1 = 1 = C(X; Y ) = 0;13934 V (X) 16;488 = 0; c 0 = 0 = E(Y ) 1 E(X) = 0; ; ;532 = 0; y por tanto la funcón de proyeccón lneal es L(Y j X) = 0; ;008451X Aplcada úncamente a los valores de renta X, podemos escrbr la proyeccón lneal como 8 >< L (Y j X) = >: 2.3. Mejor redccón 0; ; ;4 = 0;055 s X = 1;4 0; ; ;0 = 0;069 s X = 3;0 0; ; ;9 = 0;085 s X = 4;9 0; ; ;8 = 0;1092 s X = 7;8 0; ; ;2 = 0;1633 s X = 14;2 Supongamos que conocemos la renta (X) de la famla antes de hacer la predccón de su tasa de ahorro (Y ). Además, podemos elegr como funcón de predccón cualquer funcón de X, c(x). El error de predccón será U = Y E(U 2 ), resultando que c(x) = E(Y j X). c(x). Se elegrá c(x) de forma que mnmce El mejor predctor de Y dado X es su esperanza condconal, E (Y j X). 7
9 Solamente cuando la funcón de esperanza condconal es lneal, la funcón de proyeccón lneal L (Y j X) y la funcón de esperanza condconal E (Y j X) concden. De lo contraro, cuando la funcón de esperanza condconal no es lneal, entonces la proyeccón lneal no es el mejor predctor, pero es la mejor aproxmacón lneal a la funcón de esperanza condconal. La funcón de esperanza condconal vene dada por las medas de cada una de las dstrbucones condconales de Y para cada uno de los valores de X. En el ejemplo, Dstrbucones condconales de frecuencas de Y para cada valor de X X (renta en mles de dólares) Y (tasa de ahorro) b Y jx La funcón de meda condconal se obtene calculando E (Y j X) para cada uno de los valores de X: E (Y j X = 1;4) = 0;45 0; ;18 0; ;05 0;440 0;11 0;172 0;25 0;134 = 0;045 E (Y j X = 3;0) = 0;45 0; ;18 0; ;05 0;377 0;11 0;200 0;25 0;091 = 0;074 E (Y j X = 4;9) = 0;45 0; ;18 0; ;05 0;329 0;11 0;208 0;25 0;074 = 0;079 E (Y j X = 7;8) = 0;45 0; ;18 0; ;05 0;277 0;11 0;152 0;25 0;026 = 0;119 E (Y j X = 14;2) = 0;45 0; ;18 0; ;05 0;297 0;11 0;091 0;25 0;030 = 0;156 8
10 de manera que la funcón de esperanza condconal se puede escrbr como 8 0;045 s X = 1;4 >< 0;074 s X = 3;0 E (Y j X) = 0;079 s X = 4;9 0;119 s X = 7;8 >: 0;156 s X = 14;2 En resumen, redctores de tasa de ahorro X (renta en mles de dólares) C L (Y j X) E (Y j X) 1.4 0;0985 0;055 0; ;0985 0;069 0; ;0985 0;085 0; ;0985 0;1092 0; ;0985 0;1633 0;156 Las predccones asocadas a la proyeccón lneal son dstntas de las basadas en la funcón de esperanza condconal, porque ésta no es lneal. En el grá co presentado anterormente, puede verse que la funcón de esperanza condconal no es lneal. L (Y j X) proporcona una aproxmacón bastante buena a E (Y j X). Ello mplca que L (Y j X) puede ser, en casos como éste, un buen predctor, aunque no concda con E (Y j X). ero mentras que E (Y j X) caracterza momentos (medas condconales) de las correspondentes dstrbucones condconales de Y dado X, L (Y j X) NO. Ello mplca que E (Y j X) puede tener una nterpretacón causal, pero L (Y j X) NO. 3. Introduccón al modelo de regresón lneal smple El Modelo de Regresón Lneal Smple se puede emplear para estudar la relacón entre dos varables, aunque tene lmtacones como herramenta para el análss empírco. 9
11 Objeto de estudo: Y y X son dos varables que representan alguna poblacón y estamos nteresados en explcar Y en térmnos de X o en estudar cómo varía Y ante varacones en X. or ejemplo, Y = ventas, X = gastos en publcdad; Y = tasa ahorro, X = renta. Al tratar de formular un modelo que explque Y en térmnos de X debemos afrontar varas cuestones: Cómo tenemos en cuenta otros factores que afecten a Y además de X? Cuál es la forma funconal de la relacón entre Y y X? Estamos captando con nuestro modelo una relacón ceters-parbus entre Y y X? El Modelo de Regresón Lneal Smple nos permte explcar Y en térmnos de X resolvendo las cuestones anterores. Sea Y = X + " donde: Y : Varable dependente, endógena, explcada, de respuesta... X : Varable ndependente, exógena, explcatva, de control, regresor.. 0 y 1 : arámetros poblaconales " : Térmno de error o perturbacón nobservable. Representa los factores que n uyen en Y además de X, el componente aleatoro de Y que no vene explcado por X. Ejemplo 1: S Y = salaro y X = años de estudo, entonces el térmno de error puede recoger factores nobservables como: - experenca laboral - capacdad o habldad - antgüedad en la empresa... 10
12 Ejemplo 2: S Y = cosecha y X = cantdad de abono, entonces el térmno de error puede recoger factores como: - caldad de la terra - lluva. 4. Supuestos del modelo de regresón smple 1. Lnealdad en los parámetros (Y = X + "). Este supuesto mplca que un cambo untaro en X tene el msmo efecto sobre Y con ndependenca del valor ncal de X. uede no ser realsta para algunas aplcacones económcas. (por ejemplo, en el caso de salaro y educacón podemos pensar en la exstenca de rendmentos crecentes) Esta lmtacón puede superarse formulando modelos lneales en parámetros que recogen relacones no lneales entre varables. 2. E ("jx) = 0, es decr: ara cualquer valor de X, la meda de los nobservables es sempre la msma e gual a cero (que es la meda de los nobservables para el total de la poblacón) Implcacones: E (") = 0 or la ley de esperanzas teradas, E (") = E [E ("jx)] = 0 Que E ("jx) = 0 mplca que C (h (X) ; ") = 0, donde h () es cualquer funcón de X. or tanto, " no está correlaconado con nnguna funcón de X. 11
13 En partcular, C(X; ") = 0 C(X; ") = E(X") E(X)E(") donde E(X") = E [E (X"jX)] = E [X E ("jx)] = 0 E(X)E(") = 0 dado que E (") = 0 Nótese que E ("jx) = 0 ) C(X; ") = 0, pero C(X; ") = 0 ; E ("jx) = 0 (que C(X; ") = 0 es cond. necesara, pero no su cente, para E ("jx) = 0). E(Y jx) = X La funcón de esperanza condconal o funcón de regresón poblaconal es lneal. Entonces: C(Y; X) C(Y; X) = C [E(Y jx); X] = 1 V (X) ) 1 = V (X) E(Y ) = E [E(Y jx)] = E(X) ) 0 = E(Y ) 1 E(X) Nótese que: Hemos de utlzar esperanzas condconales en X dado el carácter estocástco de dcha varable. S X fuera determnístca (como ocurrría en el caso de datos expermentales), bastaría con aplcar esperanzas margnales. Al ser la funcón de esperanza condconal lneal en X, E(Y jx) = L(Y jx) = X donde L () denota la proyeccón lneal de Y dado X. 0 y 1 son los parámetros que mnmzan la varanza del error " = Y 0 1 X, es decr, resuelven el problema mn E(Y 0 1 X) 2 cuyas condcones de prmer orden son E(Y 0 1 X) E(") = 0 ) 0 = E(Y ) 1 E(X) C(Y; X) E [(Y 0 1 X)X] = E(X") = 0 ) 1 = V (X) 12
14 3. V ("jx) = 2 para todo X (Homocedastcdad condconal) Implcacones: V (") = 2. ara verlo, V ("jx) = E(" 2 jx) E E("jX) 2 = E(" 2 jx) = 2 E(" 2 ) = E E(" 2 jx) = 2 V (") = E(" 2 ) [E(")] 2 = 2 V (Y jx) = 2 La varanza de Y dado X es constante. 13
15 5. Interpretacón de coe centes Supongamos, que el supuesto 1. de lnealdad en parámetros se cumple, de manera que nuestra espec cacón es Y = X + " Queremos ver cómo podemos nterpretar los parámetros de este modelo. La nterpretacón depende de que se cumpla o no el supuesto 2. E ("jx) = 0. S E ("jx) = 0, entonces tenemos que E (Y j X) = E (Xj X) + E ("j X) = X En este caso, E (Y j X) = L (Y j X): la funcón de esperanza condconal es lneal, y por tanto concde con la proyecón lneal de Y dado X. or tanto, la pendente 1 tene una nterpretacón causal: 1 = E(Y jx) X Cuando X aumenta en una undad, Y varía, en meda, 1 undades dey. La pendente 1 mde el cambo promedo en Y ante un cambo untaro en X. En otras palabras, 1 mde la dferenca de medas entre la dstrbucón condconal f (Y jx = x) y la dstrbucón condconal f (Y jx = x + x). En cuanto a la constante (tambén llamada térmno constante) 0, puede verse que E(Y jx = 0) = 0, es decr: 0 es el valor medo de Y cuando X = 0. Geométrcamente, es el valor de la recta de regresón en el eje de ordenadas. En la práctca, 0 no tene a menudo nterpretacón, en aquellos casos en que no tene sentdo que X = 0. 14
16 Sn embargo, el térmno constante 0 debe nclurse sempre en el modelo, para controlar por el hecho de que X e Y no tenen porqué tener meda 0. S E ("jx) 6= 0, entonces tenemos que E (Y j X) = E (Xj X) + E ("j X) = X + E ("j X) 6= X En este caso, s E ("jx) 6= 0, E (Y j X) 6= L (Y j X), porque E ("j X) = 0 8X. Los parámetros 0 y 1 son en este caso los parámetros de la proyeccón lneal, L (Y j X). ero 0 y 1 no tenen una nterpretacón causal. En resumen: S E ("jx) 6= 0, Y = X + " caracterza una proyeccón lneal, pero no una esperanza condconal, y NO tene nterpretacón causal. 15
17 6. Estmacón Nuestro objetvo consste en estmar los parámetros poblaconales, los betas, a partr de un conjunto de datos. Supondremos que nuestros datos (y ; x ), con = 1; : : : ; n, son una realzacón de una muestra aleatora de tamaño n de una poblacón, (Y ; X ). Sea el modelo: Y = X + " donde: E("jX) = 0 V ("jx) = 2 Cómo podemos estmar los parámetros 0, 1 y 2? Necestaremos una muestra de la poblacón. Dada una muestra aleatora de tamaño n de la poblacón, podemos escrbr: Y = X + " = 1; : : : ; n donde para todo = 1; : : : ; n: E(" jx ) = 0 V (" jx ) = 2 Vamos a ver cómo podemos obtener estmadores de los parámetros 0, 1 y 2, denotados como b 0, b 1 y b 2. 16
18 6.1. El prncpo de analogía Los parámetros de nterés son característcas de la poblacón, que son funcones de momentos poblaconales. El prncpo de analogía consste en utlzar como estmador la característca análoga en la muestra. Ejemplo: meda margnal Sea una muestra aleatora de observacones de Y, fy g n =1. ara estmar la meda margnal de Y, E(Y ), utlzamos la meda muestral Y = 1 n n =1 y. Recuérdese que, bajo los supuestos que hacíamos en el modelo smple en la poblacón: E(Y jx) = L(Y jx) = X y que por tanto 0 y 0 se obtenen de mnmzar: sendo: E(" 2 ) = E(Y 0 1 X) 2 0 = E(Y ) 1 E(X) C(Y; X) 1 = V (X) Aplcando el prncpo de analogía, susttuyendo momentos poblaconales por muestrales, obtenemos estmadores de 0, 1 : b 0 = Y 1 b X b 1 = (X X)(Y Y ) (X = X) El crtero de MCO 1 n 1 n (X X)Y (X X) = S XY 2 SX 2 odemos ver tambén este msmo estmador de la sguente forma: bajo los supuestos que hacíamos en el modelo smple en la poblacón, 0 y 1 son los parámetros que mnmzan la varanza del error " = Y 0 1 X, es decr, resuelven el problema o de forma equvalente, mn E(" 2 ), mn E(Y 0 1 X) 2 : 17
19 ara una observacón de la muestra, el análogo muestral del térmno de error o perturbacón (desvacón entre el valor observado y valor esperado) " = Y E(Y jx ), donde la funcón de esperanza condconal es lneal, se conoce como resduo (desvacón entre el valor observado y el valor predcho), b" = Y b Y = Y b0 + b 1 X or tanto, el análogo muestral del problema de mnmzar E(" 2 ) es 1 mn 0 ; 1 n sendo b" = Y b Y = Y b0 + b 1 X nx b" 2, =1 el resduo (desvacón entre el valor observado y el valor predcho) de la observacón -ésma, donde b Y es el valor predcho que mejor se ajusta a los datos (en el sentdo de que mnmza 1 n n =1 b"2 ), by = b0 + b 1 X = b L(Y jx ) or tanto, el estmador que hemos obtendo antes a partr del prncpo de analogía puede nterpretarse tambén como un estmador que mnmza la suma de los cuadrados de los resduos, lo que se conoce como estmador de mínmos cuadrados ordnaros (MCO). Las condcones de prmer orden son: X b" = 0; O, de forma equvalente, X X b" = 0: 1 X b" = 0 (meda muestral de los resduos 0) n 1 X x b" = 0 (covaranza muestral entre resduos y regresores 0) n donde x = X X (desvacón respecto a la meda muestral). 18
20 Nótese que estas condcones de prmer orden son el análogo muestral de las condcones de prmer orden para el modelo de regresón clásco referdo a los s en la poblacón: E(") = 0; C(X; ") = 0: El sstema de ecuacones normales nos queda como: n b 0 + b 1 X = Y b 1 x2 = y x En el modelo de regresón smple Y = X + " = 1; : : : ; n; los estmadores MCO de 0 y 1, es decr, b 0 y b 1, serían los argumentos que mnmzan: nx b" 2 = =1 nx (Y 0 b 1 b X ) 2 =1 Las condcones de prmer orden serían: b" = 0 ) b 0 = Y 1 b X X b" = 0 ) b 1 = (X X)(Y Y ) (X = (X X)Y X) 2 (X X) = S XY 2 SX 2 Los valores predchos o valores ajustados en base a los estmadores MCO resultantes, b Y = b 0 + b 1 X, ver can que X by b" = 0 (covaranza 0 entre valores ajustados MCO y resduos MCO). (es nmedato de comprobar explotando las condcones de prmer orden b" = 0 y X b" = 0, puesto que b Y es una funcón lneal de X ). 19
21 7. ropedades de los estmadores MCO 7.1. Lnealdad (en las observacones de Y ) b 0 = Y 1 b X = Y b 1 X b 1 = x Y = x2 c Y, donde x = X X, c = x x Insesgadez Esta propedad se ver ca s se cumplen los supuestos 1. (lnealdad) y 2. (E ("j X) = 0). E b0 = 0 (Véase ejercco) E b1 = 1 Demostracón: debemos probar que E b1 X = 1 ; después, es nmedato que E b1 = E X E b1 X = 1 h. (el carácter estocástco de X nos oblga a utlzar esperanzas condconales). En prmer lugar, podemos escrbr b 1 como ero c = c X = or tanto, b 1 = c Y = c ( X + " ) = 0 c + 1 c X + c " 1 x2 x X x2! X x = 0 porque X = 1 X x 2 x2 = 1 x = X X nx = 0 b 1 = 1 + c " y E b1 X = 1 + E ( c " j X) = 1 + c E (" j X) {z } = 0 = 1 20
22 Recordemos que la propedad de nsesgadez ndca que s dsponemos de un número n nto de muestras de tamaño n de la msma poblacón y estmamos el msmo modelo con cada una de las muestras: tendremos una dstrbucón de valores estmados de j, con una realzacón numérca dstnta para cada muestra, la meda de la dstrbucón de dchos valores estmados de j, concdrá 7.3. Varanzas con el parámetro poblaconal j. Además de los supuestos 1. y 2., utlzaremos el supuesto 3. (V ("jx) = 2 para todo X). V b0 = ( X2 / n) V b1 (Véase ejercco) V b1 = 2 1 n E. Sx 2 Demostracón: V b1 h 2 = E b1 2 1 = E c " = E c 2 " 2 = E E c 2 " 2 X = E c 2 E " 2 X = 2 E c 2 (por el supuesto 3.) " # " # 2 = 2 x E = 2 1 E x2 ( x 2 x2 ) = 2 6 E 4 n = 2 1 n ( x2 ) n E SX El Teorema de Gauss-Markov En el contexto del modelo de regresón lneal, bajo los supuestos 1. a 3., b 0, b 1 son los de menor varanza entre los estmadores lneales e nsesgados. (Demostracón: Goldberger p , para el modelo smple) 21
23 or tanto, cuando se cumplen los supuestos del modelo clásco, el estmador de MCO es el más e cente dentro de la famla de estmadores lneales e nsesgados Consstenca de los estmadores MCO Los estmadores MCO b 0 y b 1 son estmadores consstentes de 0 y 1 : p lm n!1 b j = j ; j = 0; 1: es decr: lm r j b j < = 1; 8 > 0 n!1 Intucón: Los estmadores MCO se obtenen a partr de los análogos muestrales de momentos poblaconales. En concreto, explotan los análogos muestrales de las condcones de momentos: E(") = 0; C(X; ") = 0; (*) es decr: 1 n b" 1 = 0; n b" x = 0; ero dchos análogos muestrales son funcones de medas muestrales de varables aleatoras, que bajo condcones bastante generales son estmadores consstentes de sus análogos poblacones. La condcón esencal para consstenca es que las condcones sobre los momentos poblaconales (*) se cumplan. (Lo que ocurre s se cumplen los supuestos 1. y 2. del modelo de regresón) 8. Estmacón de las varanzas 8.1. Estmacón de 2 Las varanzas de los estmadores MCO, b 0 y b 1, dependen de 2 = V (") = E (" 2 ). El problema es que los errores " ( = 1; : : : ; n) son nobservables. 22
24 Una vez estmado el modelo por MCO, observamos los resduos b" : b" = Y b 0 b 1 X = ( X + " ) b 0 b 1 X = " b0 0 b1 1 X ( = 1; : : : ; n) S ben E b0 = 0, E b1 = 1, b" 6= ". Además, E (b" " ) 6= 0. S observáramos, para nuestra muestra de temaño n, los errores " ( = 1; : : : ; n), entonces el estmador natural de 2 sería el análogo muestral de E (" 2 ), es decr, 1 n "2. ERO este estmador no es factble. S reemplazamos los errores por sus análogos muestrales, los resduos, podemos calcular como estmador de 2 : e 2 = b"2 n. Este estmador sí es factble, pero es sesgado. La razón es que, los resduos ver can 2 restrccones lneales, 1 n b" = 0 y 1 n b" x = 0, de manera que sólo hay (n 2) resduos ndependentes (lo que se conoce como grados de lbertad). Alternatvamente, podemos obtener un estmador nsesgado (que para n grande es muy smlar): b 2 = b"2 n 2. (Demostracón: véase Wooldrdge, Teorema 2.3) Tanto e 2 como b 2 son estmadores consstentes de 2. En general, para tamaños muestrales moderados, es rrelevante cuál de los dos estmadores utlzar, porque sempre que n no sea muy pequeño, proporconan estmacones numércas muy parecdas Estmacón de las varanzas de los estmadores MCO Hemos vsto que V b0 = ( X2 / n) V b1 23
25 V b1 = 2 1 n E. Sx 2 Como estmador de V b1 1, podemos aproxmar E un estmador consstente de 2 : S 2 x medante 1 Sx 2 así como Y por tanto, para estmar V bv b0, b1 = b2 ns 2 x bv b0 = b2 X2 n 2 S 2 x 9. Meddas de bondad del ajuste 9.1. Error estándar de la regresón En el caso poblaconal, vmos que la funcón de esperanza condconal E (Y j X) es la proyeccón lneal de Y dado X. en el sentdo de que mnmza E (" 2 ). or analogía, en el caso de la estmacón MCO a partr de una muestra de los coe centes del modelo de regresón clásco Y = X + " = 1; : : : ; n; donde: E("jX) = 0 V ("jx) = 2 resulta natural presentar la estmacón de E (" 2 ), b 2 como ndco del éxto o del fracaso del modelo. De forma más convenente, suele consderarse la raíz cuadrada de b 2, b, que se denomna error estándar de la regresón, como medda de la bondad del ajuste 24
26 9.2. El coe cente de determnacón Una medda más popular de capacdad predctva del modelo es el R 2 o coe - cente de determnacón, que se de ne como R 2 = by2 = 1 b"2, y2 donde y = Y Y, by = b Y Y, b" = Y b Y. (la segunda gualdad es certa sempre que el modelo tenga térmno constante) El R 2 se nterpreta como la proporcón de la varacón muestral de Y explcada por el modelo. (Véase Goldberger, pp. 82 y 83). El R 2 ver ca que 0 R 2 1. Cuando R 2 = 0, el modelo explca el 0 % de la varacón de Y. Cuando R 2 = 1, el modelo explca el 100 % de la varacón de Y. uede verse que 2 R 2 2 SY b = b Y Y b = Y = S Y S by n y2 q 1 n Y Y 2 Y Y Y b Y r 1 n by Y es decr: el R 2 es el cuadrado del coe cente de correlacón muestral entre Y e by. En el caso de datos de seccón cruzada, no es nusual que el R 2 de una regresón presente valores bajos. Ello mplca que el modelo deja sn explcar una proporcón mportante de la varacón de Y. ERO un R 2 poco útles o nadecuadas. bajo no mplca necesaramente que las estmacones son El R 2 puede ser útl para comparar dstntos modelos para la msma varable dependente Y
CURSO 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 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 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 detallesTema 6. Estadística descriptiva bivariable con variables numéricas
Clase 6 Tema 6. Estadístca descrptva bvarable con varables numércas Estadístca bvarable: tpos de relacón Relacón entre varables cuanttatvas Para dentfcar las característcas de una relacón entre dos varables
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 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 detallesRelaciones entre variables
Relacones entre varables Las técncas de regresón permten hacer predccones sobre los valores de certa varable Y (dependente), a partr de los de otra (ndependente), entre las que se ntuye que exste una relacón.
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 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 detallesEjemplo: Consumo - Ingreso. Ingreso. Consumo. Población 60 familias
Ejemplo: Consumo - Ingreso Ingreso Consumo Poblacón 60 famlas ( YX ) P = x [ YX ] E = x Línea de regresón poblaconal 80 60 Meda Condconal 40 20 00 [ X = 200] EY o o o o [ X = 200] EY 80 o o o 60 o 40 8
Más detallesMedidas de Variabilidad
Meddas de Varabldad Una medda de varabldad es un ndcador del grado de dspersón de un conjunto de observacones de una varable, en torno a la meda o centro físco de la msma. S la dspersón es poca, entonces
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 detallesMODELOS DE ELECCIÓN BINARIA
MODELOS DE ELECCIÓN BINARIA Econometría I UNLP http://www.econometra1.depeco.econo.unlp.edu.ar/ Modelos de Eleccón Bnara: Introduccón Estamos nteresados en la probabldad de ocurrenca de certo evento Podemos
Más detallesEconometría. Ayudantía # 01, Conceptos Generales, Modelo de Regresión. Profesor: Carlos R. Pitta 1
Escuela de Ingenería Comercal Ayudantía # 01, Conceptos Generales, Modelo de Regresón Profesor: Carlos R. Ptta 1 1 cptta@spm.uach.cl Escuela de Ingenería Comercal Ayudantía 01 Parte 01: Comentes Señale
Más detallesTema 1.3_A La media y la desviación estándar
Curso 0-03 Grado en Físca Herramentas Computaconales Tema.3_A La meda y la desvacón estándar Dónde estudar el tema.3_a: Capítulo 4. J.R. Taylor, Error Analyss. Unv. cence Books, ausalto, Calforna 997.
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 detallesEstadísticos muéstrales
Estadístcos muéstrales Una empresa dedcada al transporte y dstrbucón de mercancías, tene una plantlla de 50 trabajadores. Durante el últmo año se ha observado que 5 trabajadores han faltado un solo día
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 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 detalles1 EY ( ) o de E( Y u ) que hace que g E ( Y ) sea lineal. Por ejemplo,
Modelos lneales generalzados En los modelos no lneales (tanto en su formulacón con coefcentes fjos o coefcentes aleatoros) que hemos vsto hasta ahora, exsten algunos que se denomnan lnealzables : son modelos
Más detallesDISTRIBUCIONES BIDIMENSIONALES
Matemátcas 1º CT 1 DISTRIBUCIONES BIDIMENSIONALES PROBLEMAS RESUELTOS 1. a) Asoca las rectas de regresón: y = +16, y = 1 e y = 0,5 + 5 a las nubes de puntos sguentes: b) Asgna los coefcentes de correlacón
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 detallesInvestigación y Técnicas de Mercado. Previsión de Ventas TÉCNICAS CUANTITATIVAS ELEMENTALES DE PREVISIÓN UNIVARIANTE. (IV): Ajustes de Tendencia
Investgacón y Técncas de Mercado Prevsón de Ventas TÉCNICAS CUANTITATIVAS ELEMENTALES DE PREVISIÓN UNIVARIANTE. (IV): s de Tendenca Profesor: Ramón Mahía Curso 00-003 I.- Introduccón Hasta el momento,
Más detallesAnálisis de Regresión y Correlación
1 Análss de Regresón y Correlacón El análss de regresón consste en emplear métodos que permtan determnar la mejor relacón funconal entre dos o más varables concomtantes (o relaconadas). El análss de correlacón
Más detallesTema 4: Variables aleatorias
Estadístca 46 Tema 4: Varables aleatoras El concepto de varable aleatora surge de la necesdad de hacer más manejables matemátcamente los resultados de los expermentos aleatoros, que en muchos casos son
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 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 detallesEXPERIMENTACIÓN COMERCIAL(I)
EXPERIMENTACIÓN COMERCIAL(I) En un expermento comercal el nvestgador modfca algún factor (denomnado varable explcatva o ndependente) para observar el efecto de esta modfcacón sobre otro factor (denomnado
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 detallesModelos unifactoriales de efectos aleatorizados
Capítulo 4 Modelos unfactorales de efectos aleatorzados En el modelo de efectos aleatoros, los nveles del factor son una muestra aleatora de una poblacón de nveles. Este modelo surge ante la necesdad de
Más detallesTEMA III EL ANÁLISIS DE REGRESIÓN LINEAL MÚLTIPLE
TEMA III EL ANÁLISIS DE REGRESIÓN LINEAL MÚLTIPLE LECTURA OBLIGATORIA Regresón Lneal Múltple. En Ral, A. y Varela, J. (008). Estadístca Práctca para la Investgacón en Cencas de la Salud. Coruña: Netbblo.
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 detallesPoblación 1. Población 1. Población 2. Población 2. Población 1. Población 1. Población 2. Población 2. Frecuencia. Frecuencia
MAT-3 Estadístca I Tema : Meddas de Dspersón Facltador: Félx Rondón, MS Insttuto Especalzado de Estudos Superores Loyola Introduccón Las meddas de tendenca central son ndcadores estadístcos que resumen
Más detallesPoblación: Es el conjunto de todos los elementos cuyo conocimiento nos interesa y serán objeto de nuestro estudio.
Tema 9 - Estadístca - Matemátcas B 4º E.S.O. 1 TEMA 9 - ESTADÍSTICA 9.1 DOS RAMAS DE LA ESTADÍSTICA 9.1.1 - INTRODUCCIÓN La estadístca tene por objeto el desarrollo de técncas para el conocmento numérco
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 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 detallesCAPÍTULO 1: VARIABLES ALEATORIAS Y SUS DISTRIBUCIONES
CAÍTULO : VARIABLES ALEATORIAS SUS DISTRIBUCIONES En este capítulo el alumno debe abordar el conocmento de un mportante concepto el de VARIABLE ALEATORIA tpos de varables aleatoras cómo se dstrbue la funcón
Más detalles3. VARIABLES ALEATORIAS.
3. VARIABLES ALEATORIAS. Una varable aleatora es una varable que toma valores numércos determnados por el resultado de un epermento aleatoro (no hay que confundr la varable aleatora con sus posbles valores)
Más detallesLas hipótesis en las que vamos a basar el funcionamiento del Modelo Lineal General
CAPÍULO. EL MODELO LINEAL GENERAL. Introduccón. Hpótess del modelo Las hpótess en las que vamos a basar el funconamento del Modelo Lneal General son las sguentes. Suponemos que tenemos una muestra de valores
Más detallesLECTURA 06: MEDIDAS DE TENDENCIA CENTRAL (PARTE I) LA MEDIA ARITMÉTICA TEMA 15: MEDIDAS ESTADISTICAS: DEFINICION Y CLASIFICACION
Unversdad Católca Los Ángeles de Chmbote LECTURA 06: MEDIDAS DE TENDENCIA CENTRAL (PARTE I) LA MEDIA ARITMÉTICA TEMA 15: MEDIDAS ESTADISTICAS: DEFINICION Y CLASIFICACION 1. DEFINICION: Las meddas estadístcas
Más detallesREGRESION LINEAL SIMPLE
REGREION LINEAL IMPLE Jorge Galbat Resco e dspone de una mustra de observacones formadas por pares de varables: (x 1, y 1 ) (x, y ).. (x n, y n ) A través de esta muestra, se desea estudar la relacón exstente
Más detallesRegresión Lineal Simple y Correlación
4 Regresón Lneal Smple y Correlacón 4.1. Fundamentos teórcos 4.1.1. Regresón La regresón es la parte de la estadístca que trata de determnar la posble relacón entre una varable numérca, que suele llamarse
Más detallesSEGUNDA PARTE RENTAS FINANCIERAS
SEGUNDA PARTE RENTAS FINANCIERAS 5 INTRODUCCIÓN A LA TEORÍA DE RENTAS 5.1 CONCEPTO: Renta fnancera: conjunto de captales fnanceros cuyos vencmentos regulares están dstrbudos sucesvamente a lo largo de
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 detallesVariables Aleatorias
Varables Aleatoras VARIABLES ALEATORIAS. Varable aleatora. Tpos.... Dstrbucón de probabldad asocada a una varable aleatora dscreta... 4. Funcón de dstrbucón. Propedades... 5 4. Funcón de densdad... 7 5.
Más detalles10. VIBRACIONES EN SISTEMAS CON N GRADOS DE LIBERTAD
10. VIBRACIONES EN SISEMAS CON N GRADOS DE LIBERAD 10.1. Matrces de rgdez, nerca y amortguamento Se puede demostrar que las ecuacones lneales del movmento de un sstema dscreto de N grados de lbertad sometdo
Más detallesREGRESION Y CORRELACION
nav Estadístca (complementos) 1 REGRESION Y CORRELACION Fórmulas báscas en la regresón lneal smple Como ejemplo de análss de regresón, descrbremos el caso de Pzzería Armand, cadena de restaurantes de comda
Más detallesESTADÍSTICA BIDIMENSIONAL ÍNDICE GENERAL
ESTADÍSTICA BIDIMESIOAL ÍDICE GEERAL 1.-Varable Estadístca Bdmensonal. Tablas de frecuenca... 1.1.- Concepto de varable estadístca bdmensonal. Eemplos.... 1..-Tablas bdmensonales de frecuencas. Tablas
Más detallesTema 8 - Estadística - Matemáticas CCSSI 1º Bachillerato 1
Tema 8 - Estadístca - Matemátcas CCSSI 1º Bachllerato 1 TEMA 8 - ESTADÍSTICA 8.1 NOCIONES GENERALES DE ESTADÍSTICA 8.1.1 INTRODUCCIÓN Objetvo: La estadístca tene por objeto el desarrollo de técncas para
Más detallesREGRESION LINEAL SIMPLE
REGREION LINEAL IMPLE Jorge Galbat Resco e dspone de una muestra de observacones formadas por pares de varables: (x 1, y 1 ), (x, y ),.., (x n, y n ) A través de esta muestra, se desea estudar la relacón
Más detallesObjetivo del tema. Esquema del tema. Economía Industrial. Tema 2. La demanda de la industria
Economía Industral Tema. La demanda de la ndustra Objetvo del tema Entender el modelo económco de comportamento del consumdor, fnalmente resumdo en la funcón de demanda. Comprender el carácter abstracto
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 detallesMATEMÁTICAS para estudiantes de primer curso de facultades y escuelas técnicas
Unversdad de Cádz Departamento de Matemátcas MATEMÁTICAS para estudantes de prmer curso de facultades y escuelas técncas Tema 13 Dstrbucones bdmensonales. Regresón y correlacón lneal Elaborado por la Profesora
Más detallespara cualquier a y b, entonces f(x) es la función de densidad de probabilidad de la variable aleatoria continua X.
Conceptos de Probabldad A contnuacón se presenta una revsón no ehaustva y a manera ntroductora de conceptos báscos de la teoría de probabldades. Un estudo proundo y ormal de estos se puede hacer en Mood
Más detallesCorrelación y regresión lineal simple
. Regresón lneal smple Correlacón y regresón lneal smple. Introduccón La correlacón entre dos varables ( e Y) se refere a la relacón exstente entre ellas de tal manera que a determnados valores de se asocan
Más detallesRegresión y correlación simple 113
Regresón y correlacón smple 113 Captulo X ANALISIS DE REGRESION Y CORRELACION El análss de regresón consste en emplear métodos que permtan determnar la mejor relacón funconal entre dos o más varables concomtantes
Más detallesPoblación: Es el conjunto de todos los elementos cuyo conocimiento nos interesa y serán objeto de nuestro estudio.
Tema 9 - Estadístca - Matemátcas B 4º E.S.O. 1 TEMA 9 - ESTADÍSTICA 9.1 DOS RAMAS DE LA ESTADÍSTICA 9.1.1 - INTRODUCCIÓN Objetvo: La estadístca tene por objeto el desarrollo de técncas para el conocmento
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 detallesEconomía Aplicada. Estimador de diferencias en diferencias. Ver Wooldridge cap.13. Departamento de Economía Universidad Carlos III de Madrid 1 / 19
Economía Aplcada Estmador de dferencas en dferencas Departamento de Economía Unversdad Carlos III de Madrd Ver Wooldrdge cap.13 1 / 19 Análss de Polítca: Dferencas-en-Dferencas En muchos casos la varable
Más detallesESTADÍSTICA UNIDIMENSIONAL
ESTADÍSTICA UNIDIMENSIONAL La estadístca undmensonal trata de resumr la nformacón contenda en una tabla que contene nformacón de una sola varable en unos pocos números. Las meddas de poscón pueden ser:
Más detallesRegresión y Correlación Métodos numéricos
Regresón y Correlacón Métodos numércos Prof. Mguel Hesquo Garduño. Est. Mrla Benavdes Rojas Depto. De Ingenería Químca Petrolera ESIQIE-IPN hesquogm@yahoo.com.mx mbenavdesr5@gmal.com Regresón lneal El
Más detallesTema 1: Estadística Descriptiva Unidimensional
Fenómeno determnsta: al repetrlo en déntcas condcones se obtene el msmo resultado. Fenómeno aleatoro: no es posble predecr el resultado. La estadístca se ocupa de aquellos fenómenos no determnstas donde
Más detallesX R = R Y. Aproximación del sesgo del estimador de la razón, (N n) 2 y S xy. NnY 2 ( (N n) y s xy
1 Estmadores de razón Estmadores de los parámetros usuales, Para el total de X, Para la meda de X, X R = R Y X R = R Y Aproxmacón del sesgo del estmador de la razón, B R N n NnY que podemos estmar a partr
Más detallesA. Una pregunta muy particular que se puede hacer a una distribución de datos es de qué magnitud es es la heterogeneidad que se observa.
MEDIDA DE DIPERIÓ A. Una pregunta muy partcular que se puede hacer a una dstrbucón de datos es de qué magntud es es la heterogenedad que se observa. FICHA º 18 Las meddas de dspersón generalmente acompañan
Más detallesCAPITULO 3.- ANÁLISIS CONJUNTO DE DOS VARIABLES. 3.1 Presentación de los datos. Tablas de doble entrada.
Introduccón a la Estadístca Empresaral Capítulo - Análss conjunto de dos varables Jesús ánchez Fernández CAPITULO - AÁLII COJUTO DE DO VARIABLE Presentacón de los datos Tablas de doble entrada En el capítulo
Más detalles1. Lección 7 - Rentas - Valoración (Continuación)
Apuntes: Matemátcas Fnanceras 1. Leccón 7 - Rentas - Valoracón (Contnuacón) 1.1. Valoracón de Rentas: Constantes y Dferdas 1.1.1. Renta Temporal y Pospagable En este caso, el orgen de la renta es un momento
Más detallesTema 3: Procedimientos de Constrastación y Selección de Modelos
Tema 3: Procedmentos de Constrastacón y Seleccón de Modelos TEMA 3: PROCEDIMIENTOS DE CONTRASTACIÓN Y SELECCIÓN DE MODELOS 3) Introduccón a los Modelos con Restrccones Estmacón Restrngda 3) Contrastes
Más detallesT. 9 El modelo de regresión lineal
1 T. 9 El modelo de regresón lneal 1. Conceptos báscos sobre el análss de regresón lneal. Ajuste de la recta de regresón 3. Bondad de ajuste del modelo de regresón Modelos predctvos o de regresón: la representacón
Más detallesModelos de participación de mercado
Modelos de partcpacón de mercado IN58B Ingenería de Marketng Ncolás Frts Manuel Reyes Maurco Ramírez Introduccón Por qué modelos de Partcpacón de Mercado (PM)? Se busca modelos en que puedan ntroducrse
Más detallesNos interesa asignar probabilidades a valores numéricos obtenidos a partir de fenómenos aleatorios, es decir a variables aleatorias.
Estadístca (Q) Dana M. Kelmansky 5 Varables Aleatoras Nos nteresa asgnar probabldades a valores numércos obtendos a partr de fenómenos aleatoros, es decr a varables aleatoras. Por ejemplo, calcular la
Más detallesEconometría de corte transversal. Pablo Lavado Centro de Investigación de la Universidad del Pacífico
Econometría de corte transversal Pablo Lavado Centro de Investgacón de la Unversdad del Pacífco Contendo Defncones báscas El contendo mínmo del curso Bblografía recomendada Aprendendo econometría Defncones
Más detallesIntroducción. Escuela Técnica Superior de Ingeniería Informática. Universidad de La Laguna. Fernando Pérez Nava
Reconocmento de Patrones Introduccón Tema : Reconocmento Estadístco de Patrones Por qué una aproxmacón estadístca en el RP? La utlzacón de característcas para representar una entdad provoca una pérdda
Más detallesunidad 12 Estadística
undad 1 Estadístca Qué es una tabla de frecuencas Págna 1 Al número de veces que se repte un dato se le denomna frecuenca de ese dato. Una tabla de frecuencas es una tabla en la que cada valor de la varable
Más detallesFORMULARIO PARA LA PRESENTACIÓN DE RESUMEN DE PONENCIA
FORMULARIO PARA LA PRESENTACIÓN DE RESUMEN DE PONENCIA TÍTULO DE LA PONENCIA: Heterogenedad en los perfles de ngreso y retornos a la educacón superor en el Perú AUTOR: Gustavo Yamada, Juan F. Castro y
Más detallesMUESTREO EN POBLACIONES FINITAS
MUESTREO EN POBLACIONES FINITAS Antono Morllas A.Morllas: Muestreo 1 MUESTREO EN POBLACIONES FINITAS 1. Conceptos estadístcos báscos. Etapas en el muestreo 3. Tpos de error 4. Métodos de muestreo 5. Tamaño
Más detallesTEMA 3. VARIABLE ALEATORIA
TEMA 3. VARIABLE ALEATORIA 3.. Introduccón. 3... Dstrbucón de Probabldad de una varable aleatora 3... Funcón de Dstrbucón de una varable aleatora 3.. Varable aleatora dscreta 3... Funcón masa de probabldad
Más detallesEn un mercado hay dos consumidores con las siguientes funciones de utilidad:
En un mercado hay dos consumdores con las sguentes funcones de utldad: U ( + y, y = ln( + U ( = + y con a >,, y a ln( + donde, =,, es la cantdad del ben consumda por el ndvduo, y es la cantdad de renta
Más detallesUSOS Y EXTENSIONES DEL MODELO LINEAL CON K VARIABLES
Unversdad de San Andrés Departamento de Economía Econometría Semestre de otoño USOS Y ETENSIONES DEL MODELO LINEAL CON K VARIABLES Marana Marchonn marana@depeco.econo.unlp.edu.ar Varables explcatvas bnaras
Más detallesCESMA BUSINESS SCHOOL
CESMA BUSINESS SCHOOL MATEMÁTICAS FINANCIERAS. TEMA 4 RENTAS y MÉTODOS DE AMORTIZACIÓN Javer Blbao García 1 1.- Introduccón Defncón: Conjunto de captales con vencmentos equdstantes de tempo. Para que exsta
Más detallesTema 8: DESIGUALDAD, Xisco Oliver Economía del Bienestar (2º GECO)
Tema 8: DESIGUALDAD, REDISTRIBUCIÓN Y POBREZA Xsco Olver 20610 - Economía del Benestar (2º GECO) Motvacón Benestar: el objetvo últmo del Estado es maxmzar el benestar El benestar se obtene a partr de las
Más detallesVariables Aleatorias. Variables Aleatorias. Variables Aleatorias. Objetivos del tema: Al final del tema el alumno será capaz de:
Varables Aleatoras Varables Aleatoras Objetvos del tema: Concepto de varable aleatora Al fnal del tema el alumno será capaz de: Varables aleatoras dscretas y contnuas Funcón de probabldad Funcón de dstrbucón
Más detallesMaestría en Administración. Medidas Descriptivas. Formulario e Interpretación. Dr. Francisco Javier Cruz Ariza
Maestría en Admnstracón Meddas Descrptvas Formularo e Interpretacón Dr. Francsco Javer Cruz Arza A contnuacón mostramos el foco de atencón de las dstntas meddas que abordaremos en el presente manual. El
Más detallesINTRODUCCIÓN. Técnicas estadísticas
Tema : Estadístca Descrptva Undmensonal ITRODUCCIÓ Fenómeno determnsta: al repetrlo en déntcas condcones se obtene el msmo resultado. (Ejemplo: lómetros recorrdos en un ntervalo de tempo a una velocdad
Más detallesGERENCIA DE OPERACIONES Y PRODUCCIÓN DISEÑO DE NUEVOS PRODUCTOS Y SERVICIOS ESTRATEGIAS DE OPERACIONES
GERENCIA DE OPERACIONES Y PRODUCCIÓN DISEÑO DE NUEVOS PRODUCTOS Y SERVICIOS ESTRATEGIAS DE OPERACIONES PRONÓSTICOS PREDICCIÓN, PRONÓSTICO Y PROSPECTIVA Predccón: estmacón de un acontecmento futuro que
Más detallesUna renta fraccionada se caracteriza porque su frecuencia no coincide con la frecuencia de variación del término de dicha renta.
Rentas Fnanceras. Renta fracconada 6. RETA FRACCIOADA Una renta fracconada se caracterza porque su frecuenca no concde con la frecuenca de varacón del térmno de dcha renta. Las característcas de la renta
Más detallesEJERCICIOS DE ESTADÍSTICA BIDIMENSIONAL.
EJERCICIOS DE ESTADÍSTICA BIDIMENSIONAL. 1. Una cofradía de pescadores regstra la cantdad de sardnas que llegan al puerto (X), en klogramos, el preco de la subasta en la lonja (Y), en euros por klo, han
Más detallesPronósticos. Humberto R. Álvarez A., Ph. D.
Pronóstcos Humberto R. Álvarez A., Ph. D. Predccón, Pronóstco y Prospectva Predccón: estmacón de un acontecmento futuro que se basa en consderacones subjetvas, en la habldad, experenca y buen juco de las
Más detallesDe factores fijos. Mixto. Con interacción Sin interacción. No equilibrado. Jerarquizado
Análss de la varanza con dos factores. Introduccón Hasta ahora se ha vsto el modelo de análss de la varanza con un factor que es una varable cualtatva cuyas categorías srven para clasfcar las meddas de
Más detallesRegresión y correlación Tema 8. 1.1 Contraste sobre β 1.2 Regresión en formato ANOVA. 2. Correlación. Contraste sobre ρ xy
Unversdad Autónoma de Madrd 1 Regresón y correlacón Tema 8 1. Regresón lneal smple 1.1 Contraste sobre β 1. Regresón en formato ANOVA. Correlacón. Contraste sobre ρ xy Análss de Datos en Pscología II Tema
Más detallesCARTAS DE CONTROL. Han sido difundidas exitosamente en varios países dentro de una amplia variedad de situaciones para el control del proceso.
CARTAS DE CONTROL Las cartas de control son la herramenta más poderosa para analzar la varacón en la mayoría de los procesos. Han sdo dfunddas extosamente en varos países dentro de una ampla varedad de
Más detallesAlgunas aplicaciones del test del signo
43 Algunas aplcacones del test del sgno Test de Mc emar para sgnfcacón de cambos: En realdad este test se estuda en detalle en Métodos no Paramétrcos II, en el contexto de las denomnadas Tablas de Contngenca.
Más detallesHistogramas: Es un diagrama de barras pero los datos son siempre cuantitativos agrupados en clases o intervalos.
ESTADÍSTICA I. Recuerda: Poblacón: Es el conjunto de todos los elementos que cumplen una determnada propedad, que llamamos carácter estadístco. Los elementos de la poblacón se llaman ndvduos. Muestra:
Más detallesBoletín de la Tendencia Laboral del Desarrollo Humano
Boletín de la Tendenca Laboral del Desarrollo Humano Notas técncas AÑO 05 NÚMERO 6 PROGRAMA DE LAS NACIONES UNIDAS PARA EL DESARROLLO MÉXICO Nota técnca Índce de Compettvdad Socal (cs) El cs es una medda
Más detallesTema 3. Estadísticos univariados: tendencia central, variabilidad, asimetría y curtosis
Tema. Estadístcos unvarados: tendenca central, varabldad, asmetría y curtoss 1. MEDIDA DE TEDECIA CETRAL La meda artmétca La medana La moda Comparacón entre las meddas de tendenca central. MEDIDA DE VARIACIÓ
Más detallesMª Dolores del Campo Maldonado. Tel: :
Mª Dolores del Campo Maldonado Tel: : 918 074 714 e-mal: ddelcampo@cem.mtyc.es Documentacón de referenca nternaconalmente aceptada ISO/IEC GUIDE 98-3:008 Uncertanty of measurement Part 3: Gude to the n
Más detallesSEMANA 5 MEDIDAS DE TENDENCIA CENTRAL Y POSICIÓN
Estadístca SEMANA 5 MEDIDAS DE TENDENCIA CENTRAL Y POSICIÓN LOGRO DE APRENDIZAJE: Al fnalzar la sesón, el estudante estará en la capacdad de calcular e nterpretar meddas de tendenca central y poscón de
Más detallesObjetivos. Contenidos. Cátedra I Estadística II Autor I Gerardo Heckmann
ANALISIS DE ASOCIACION ENTRE VARIABLES. REGRESION Objetvos Presentar el modelo de regresón lneal smple como herramenta para estmar medas condconales y predecr los valores de una varable en funcón de la
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 detallesRELACIÓN DE PROBLEMAS DE CLASE DE MODELADO DE DECISIÓN MULTICRITERIO PROBLEMA 1: FÁBRICA DE COMPONENTES ELECTRÓNICOS (FACTORY OF
RELACIÓN DE PROBLEMAS DE CLASE DE MODELADO DE DECISIÓN MULTICRITERIO PROBLEMA 1: FÁBRICA DE COMPONENTES ELECTRÓNICOS (FACTOR OF ELECTRONIC PARTS) Una empresa fabrca tres tpos de componentes electróncos,
Más detallesTema 9. Análisis de Varianza de un factor. Análisis de la Varianza (ANOVA) Conceptos generales
Tema 9 Análss de la Varanza (ANOVA) Conceptos generales La técnca del Análss de la Varanza consste en descomponer la varabldad de una poblacón (representada por su varanza) en dversos sumandos según los
Más detalles