Modelos con Datos de Panel

Save this PDF as:
 WORD  PNG  TXT  JPG

Tamaño: px
Comenzar la demostración a partir de la página:

Download "Modelos con Datos de Panel"

Transcripción

1 Modelos con Datos de Panel Econometría II Grado en Economía Universidad de Granada Modelosdedatosdepanel 1/26 Contenidos Modelosdedatosdepanel 2/26

2 Elmodelo Modelosdedatosdepanel 3/26 Elmodelo Hasta el momento se han aplicado técnicas de regresión para datos de sección cruzadaodeserietemporal,porloquefaltaríaabordarelcasoenelquesedispone de la combinación de ambos: los datos de panel(o datos longitudinales). Esto es, datos de distintos individuos (hogares, empresas, regiones, etc.) en distintos momentos del tiempo. Estetipodedatoshantenidomuchoaugeenlosúltimosañosdebidoalaumento de recopilación de información(realizada en la sociedad del conocimiento). Además, al aumentar la información muestral es esperable que se mejore el análisis realizado. Los paneles pueden ser: Balanceados: cuando el número de períodos es igual para todos los individuos (y no balanceados cuando es diferente). Cortoomicro: cuandoelnúmerodesujetos, N, esmayorqueelnúmerode períodos, T (ylargoomacrocuando, T,esmayorque, N). Ventajas: Permite trabajar con un mayor número de observaciones. Permite capturar la heterogeneidad entre los individuos o en el tiempo. Se reduce la colinealidad entre las variables explicativas. Inconvenientes: El principal inconveniente es la obtención de la información, ya que se requiere información de los mismos individuos en momentos sucesivos del tiempo. Modelosdedatosdepanel 4/26

3 Elmodelo Un ejemplo de datos de panel es aquel en el que se dispone de la siguiente información: Comunidad Autónoma Año PIB Andalucía Andalucía Andalucía Aragón Aragón Aragón EnlatablaanteriorserecogeelPIBdecadaunadelascomunidadesautónomas españolas en tres años consecutivos. Modelosdedatosdepanel 5/26 El modelo Elmodelo Consideremos el modelo y it = α it +x it β +u it, u it N(0,σ 2 u), (1) donde x itesunvectorquecontiene kvariablespredeterminadas, βesunvectorde k parámetros, i representa a los individuos (i = 1,...,N), t representa el tiempo (t = 1,...,T) y α it recoge la heterogeneidad provocada por los efectos de los individuos y/o tiempo provocada por variables no observables. Dependiendo de la consideracion que se le dé al término independiente se distinguen tres enfoques: Modelo agrupado: es constante para todos los individuos y en los períodos (es decir, α it = α). Efectos fijos: el término independiente puede ser distinto para cada individuo(es decir, α it = α i ),cadaperíodo(esdecir, α it = α t )oambos. Efectosvariableso: el término independiente, α it, es una variable aleatoria. Modelosdedatosdepanel 6/26

4 Modelo agrupado Modelosdedatosdepanel 7/26 Modelo agrupado Modelo agrupado Cuando α it = αtenemoselmodeloagrupado(o pooled ): y it = α+x it β +u it, u it N(0,σ 2 u), que será estimado por MCO. El inconveniente de este modelo es que ignora la estructura de panel de los datos e incumple la hipótesis de no autocorrelación entre las perturbaciones. Además, podríamos estar interesados en determinar si estimamos un modelo agregado o T modelos de series temporales. Si las perturbaciones cumplen las hipótesis básicas, podemos aplicar un test de Chow: F = ( e r e r e e)/(n 1)k e e/n(t k) F (N 1)k,N(T k), donde e r sonlosresiduosdelmodeloagrupadoy esonlosresiduosdeestimarlos modelos por separado. Este test es similar a realizar un contraste mediante una F usando variables ficticias para la constante y la pendiente. Modelosdedatosdepanel 8/26

5 Modelodeefectosfijos Estimación Modelosdedatosdepanel 9/26 Modelodeefectosfijos Estimación individuales: Sea el modelo y it = α i +x it β +u it, u it N(0,σ 2 u). En este modelo tenemos N términos independientes que recogen las diferencias entre los distintos individuos y que se conocen como efectos fijos individuales. La variación de los efectos fijos individuales proviene de las variables omitidas que varían entre los distintos individuos pero no en el tiempo. temporales: Un modelo con efectos fijos temporales es aquel que permite tener en cuenta las variables que son constantes entre individuos, pero evolucionan en el tiempo: y it = α t +x it β +u it, u it N(0,σ 2 u ). En este caso tenemos T interceptos que recogen los efectos fijos temporales que provienen de las variables omitidas que varían en el tiempo, pero no entre los individuos. individuales y temporales: Si las variables omitidas son constantes en el tiempo pero varían entre los individuos, mientras que otras son constantes para los individuos pero varían en el tiempo, entonces se habla de efectos fijos individuales y temporales: y it = α it +x it β +u it, u it N(0,σ 2 u). Modelosdedatosdepanel 10/26

6 Estimación intra grupos o within con dummies Modelodeefectosfijos Estimación Consideremos el caso del modelo de efectos fijos individuales. En éste, ademas del término independiente, podemos recoger mediante variables ficticias la variación entre los individuos y supondremos que las pendientes permanecen constantes. En tal caso se estimaría el siguiente modelo: donde: y it = α 1 + N j=2 α j d j +x it β +u it, α 1 eselefectodelprimerindividuo,elcualseutilizacomocategoriabase. d j sonvariablesbinariasquetomanelvalor1sieldatocorrespondealindividuo jyceroenotrocaso. α j sonloscoeficientesdelasvariablesficticiasyrepresentanelgradoenquelos valores de los interceptos del resto de individuos difieren respecto del intercepto base α 1 (porejemplo, α 1 +α 2 representaelefectoindividualdelindividuo2). Enelcasodeefectosfijostemporaleslavariablebinariad j tomaráelvalor1sieldato correspontealtiempo jyceroenotrocaso.mientrasquebajoambossupuestosse tendría: y it = α 1 + N j=2 α j d j +δ 1 + T l=2 δ l d l +x it β +u it. Modelosdedatosdepanel 11/26 Estimación intra grupos o within corregida por la media Modelodeefectosfijos Estimación En el planteamiento anterior pueden surgir ciertos inconvenientes: Pérdida de grados de libertad. Aumento del problema de la multicolinealidad. Las perturbaciones pueden presentar heteroscedasticidad entre las unidades. Las perturbaciones pueden estar autocorrelacionadas en el tiempo. Si N (y/o T) es muy grande, habrá un número elevado de regresores: por ejemplo, 100 observaciones implica 99 dummies. Lo cual puede incluso llegar a hacer inviable la estimación. Una alternativa consiste en la utilización de una regresión sobre las variables obtenidas como desviaciones respecto a las medias individuales. De esta forma, se evitan los efectos individuales. Partiendo del modelo(1) escrito con respecto a las medias(de cada individuo): donde y.t = 1 N N i=1 desviaciones respecto de la media: y.t = α t +x.tβ +u.t, y it, y restándoselo al modelo (1), se obtiene el modelo en y it y.t = (x it x.t ) β +(u it u.t ). (2) Este último modelo será el modelo a estimar por MCO (también se denomina intragrupos con efectos fijos o fixed effect FE). Paraestimarlosefectosdelosindividuospodemosusar ˆα t = y.t x.tˆβ. Modelosdedatosdepanel 12/26

7 Estimación entre grupos o between Modelodeefectosfijos Estimación Los modelos entre grupos o between analiza la variabilidad entre unidades de sección cruzada, por tanto, usan las medias de los datos temporales de cada individuo. Por tanto, se llegaría a un modelo análogo al (2) en el cual las medias se obtienen para cada periodo temporal(en lugar de para cada individuo). En la práctica, se utilizan poco porque los modelos con efectos son superiores (el estimador between ignora la información temporal existente dentro de los individuos). Las estimaciones obtenidas intra y entre grupos en desviaciones a las medias son iguales y coinciden también con la estimación realizada mediante variables binarias. Además, si las perturbaciones son normales se pueden utilizar los métodos usuales para realizar la inferencia. Modelosdedatosdepanel 13/26 Modelosdedatosdepanel 14/26

8 En el modelo de efectos se considera que la ordenada en el origen, α it, es una variable aleatoria. Si suponemos que está correlacionada con las variables explicativas, se incumple una de las hipótesis básicas del modelo lineal general(las variables explicativas no pueden estar correlacionadas con el término de perturbación), por lo que se hace necesario una alternativa para poder estimar. Si se supone que α it se puede descomponer en una parte constante, α, y otraaleatoria, ǫ i,lacualsuponemosquedependedelindividuo i-ésimoperoquees constante en el tiempo, esto es: el modelo(1) tendría la siguiente forma: α it = α+ǫ i, y it = α it +x it β +u it = α+ǫ i +x it β +u it = α+x it β +w it, dondesehanagrupadolosdostérminosnoobservables: w it = ǫ i +u it.además,las perturbaciones aleatorias del modelo suponemos que cumplen las hipótesis básicas: ǫ i N(0,σ 2 ǫ), u it N(0,σ 2 u), donde ǫ i representalasperturbacionesparalosdatosdecortetransversalyu it son las perturbaciones de la combinación de los datos temporales y de corte transversal. Entalcaso,lasperturbacionessonhomoscedásticasyaque E(w 2 it ) = σ2 ǫ +σ 2 u. Modelosdedatosdepanel 15/26 Sin embargo, se puede demostrar que los términos de perturbación de un individuo en dos momentos diferentes del tiempo están correlacionados: corr(w it,w is ) = σ 2 ǫ σ 2 ǫ +σ2 u 0, t s, por lo que la estimación por MCO del modelo sería ineficiente por presentar las perturbaciones autocorrelacionadas. Para corregir este problema sería necesario utilizar la estimación por MCG. Las estimaciones por MCG se obtienen aplicando MCO al modelo agrupado transformado(mat): y it λy i = β 1 (1 λ)+β 2 (x 2it λx 2i )+...+β k (x kit λx ki ) + (v it λv i ), 1 donde λ = 1. 1+T σ2 ǫ σu 2 Para estimar el modelo agrupado transformado es necesario disponer de una estimaciónde λ(véase, Wooldrige2006). Cuando ˆλ = 0, elmatcoincide conel modeloagrupadoycuando ˆλ = 1coincideconelmodelodeefectosfijos. Deesta forma, ˆλnosproporcionaunamedidadecuántonosacercamosauncasouotro. Modelosdedatosdepanel 16/26

9 Pruebade Breusch-Pagan y test de Hausman Modelosdedatosdepanel 17/26 Prueba de Breusch-Pagan y test de Hausman Pruebade Breusch-Pagan y test de Hausman Para contrastar la hipótesis de que no hay efectos se puede usar la prueba de Breusch Pagan, que es un test de multiplicadores de Lagrange. La hipótesis nulaesquesetratadeunmodeloagrupado,frentealaalternativadeefectos. Bajo la hipótesis de normalidad, el estadístico se define como: LM = NT 2(T 1) ( N ( T i=1 t=1 e it) 2 N T i=1 t=1 e2 it 1 ) 2 χ 2 1. EltestdeHausmanseutilizaparadeterminarsielmodeloquesedebeelegiresde efectosfijosovariables.elestadístico 1 decontrastees: (ˆβ EF ˆβ EA ) [ Var(ˆβ EF ) Var(ˆβ EA ) ] 1 (ˆβEF ˆβ EA ) χ 2 k. Sielvalordelestadísticoessuperioraldelastablasserechazalahipótesisnula de efectos y, por tanto, elegiríamos el modelo de efectos fijos (ya que es probable que las perturbaciones estén correlacionadas con alguna variable explicativa). 1 LossubíndicesEFhacereferenciaaefectosfijosyEAefectos. Modelosdedatosdepanel 18/26

10 Efectos con Gretl Modelosdedatosdepanel 19/26 Ecuación de salarios para los hombres Efectos A continuación usaremos los datos contenidos en wagepan.raw (ver Wooldridge, 2006) para estimar una ecuación de salarios a partir de los tres métodos estudiados en este tema: MCO agrupados, efectos fijos y efectos. Como variable dependiente se considera el logaritmo neperiano 2 del salario, lwage, y como independientes: educ: número de años de escolarización. black: variabledicotómicaquetomaelvalor1sielindividuoesderazanegra. hisp: variable dicotómica que toma el valor 1 si el individuo es hispano. exper: años de experiencia en el mercado laboral. expersq: el cuadrado de la variable anterior. married: variable dicotómica que toma el valor 1 si el individuo está casado. union: variable dicotómica que toma el valor 1 si el individuo está afiliado a los sindicatos. Adviértase que las variables educ, black e hisp desaparecen al emplear la estimación de efectos fijos al no presentar variabilidad en el tiempo(al hacer las diferencias se anulan). Una vez decidido qué modelo es el más adecuado, la interpretación de los resultados obtenidos(como pueden ser los contrastes de significación individual y conjunta) se realiza como hasta el momento. 2 Atenciónasuincidenciaencuantoalainterpretaciónderesultados. Modelosdedatosdepanel 20/26

11 MCO agrupados Efectos Modelo 1: MCO combinados, utilizando 4360 observaciones Se han incluido 545 unidades de sección cruzada Larguradelaserietemporal=8 Variable dependiente: lwage Coeficiente Desv. Típica Estadístico t Valor p const 0, , ,5375 0,5910 educ 0, , ,2476 0,0000 black 0, , ,1055 0,0000 hisp 0, , ,7543 0,4507 exper 0, , ,8200 0,0000 expersq 0, , ,0272 0,0001 married 0, , ,8592 0,0000 union 0, , ,5179 0,0000 Media de la vble. dep. 1, D.T. de la vble. dep. 0, Suma de cuad. residuos 1005,810 D.T. de la regresión 0, R 2 0, R 2 corregido 0, F(7, 4352) 142,6132 Valor p(de F) 6,9e 190 Log-verosimilitud 2989,212 Criterio de Akaike 5994,424 Criterio de Schwarz 6045,465 Hannan Quinn 6012,438 ˆρ 0, Durbin Watson 0, Modelosdedatosdepanel 21/26 Efectos fijos Efectos Modelo 2: Efectos fijos, utilizando 4360 observaciones Se han incluido 545 unidades de sección cruzada Larguradelaserietemporal=8 Variable dependiente: lwage Coeficiente Desv. Típica Estadístico t Valor p const 1, , ,9420 0,0000 exper 0, , ,8778 0,0000 expersq 0, , ,1057 0,0000 married 0, , ,4743 0,0134 union 0, , ,2553 0,0000 Media de la vble. dep. 1, D.T. de la vble. dep. 0, Suma de cuad. residuos 470,2024 D.T. de la regresión 0, R 2 0, R 2 corregido 0, F(548, 3811) 11,33412 Valor p(de F) 0, Log-verosimilitud 1331,572 Criterio de Akaike 3761,145 Criterio de Schwarz 7263,889 Hannan Quinn 4997,355 ˆρ 0, Durbin Watson 1, Contraste de diferentes interceptos por grupos Hipótesis nula: Los grupos tienen un intercepto común Estadístico de contraste: F(544, 3811) = 7,97998 convalorp=p(f(544,3811) >7,97998)=0 Modelosdedatosdepanel 22/26

12 Efectos Efectos Modelo 3: Efectos (MCG), utilizando 4360 observaciones Se han incluido 545 unidades de sección cruzada Larguradelaserietemporal=8 Variable dependiente: lwage Coeficiente Desv. Típica Estadístico t Valor p const 0, , ,9707 0,3317 educ 0, , ,3566 0,0000 black 0, , ,0270 0,0025 hisp 0, , ,4730 0,6362 exper 0, , ,5724 0,0000 expersq 0, , ,8751 0,0000 married 0, , ,7439 0,0002 union 0, , ,0224 0,0000 Media de la vble. dep. 1, D.T. de la vble. dep. 0, Suma de cuad. residuos 1012,958 D.T. de la regresión 0, Log-verosimilitud 3004,649 Criterio de Akaike 6025,299 Criterio de Schwarz 6076,341 Hannan Quinn 6043,313 ˆσ 2 ε =0, ˆσ 2 u=0, θ=0, Modelosdedatosdepanel 23/26 Efectos Efectos Contraste de Breusch-Pagan Hipótesisnula:Varianzadelerrorespecíficoalaunidad=0 Estadísticodecontrasteasintótico: χ 2 (1)=3216,73 convalorp=0 Contraste de Hausman Hipótesis nula: Los estimadores de MCG son consistentes Estadísticodecontrasteasintótico: χ 2 (4)=27,3483 con valor p = 1,69022e-005 Modelosdedatosdepanel 24/26

13 Conclusiones Efectos En primer lugar usaremos los distintos contrastes disponibles para decidir cuál de todos los modelos es el adecuado: En el ajuste realizado considerando efectos fijos tenemos un contraste(al final del todo) cuya hipótesis nula es que todos los grupos tienen un intercepto común (esdecir,elmodeloadecuadoesmcoagrupados). Enestecasoserechazala hipótesis nula, por lo que es preferible el modelo ajustado considerando efectos fijos. En el ajuste realizado considerando efectos se tienen dos contrastes (también al final). En el primero de ellos, Breusch-Pagan, la hipótesis nula es que no hay efectos (es decir, el modelo adecuado es MCO agrupados). Puesto que se rechaza la hipótesis nula, es preferible el modelo ajustado mediante efectos. En el segundo contraste, el de Hausman, la hipótesis nula es que el modelo a considerar es el de efectos frente a la alternativa de efectos fijos. Puesto que se rechaza la hipótesis nula, la opción adecuada es la segunda. Resumiendo, con los dos primeros contrastes desechamos la opción de estimar mediante MCO agrupados, mientras que con el tercero decidimos que el modelo adecuado(delosdosposibles)eseldeefectosfijos. Todas las variables tienen coeficientes significativamente distintos de cero, por lo que sus variaciones realmente influyen en la variable dependiente. Y el modelo es conjuntamente válido ya que se rechaza la hipótesis nula de que todos los regresores tengan coeficiente nulo de forma simultánea, es decir, la variabilidad explicada por el modelonosedebealazar. Modelosdedatosdepanel 25/26 Conclusiones Efectos En cuanto a la interpretación de resultados se tendría que: Unindividuocasadotieneunsalariosuperiorenun4 53%aotroquenoloesté. Unindividuoafiliadoaunsindicatotieneunsalariosuperiorenun8 208%aotro quenoloesté. Al introducir la variable experiencia y su cuadrado lo que se está comprobando essilarelacióndeestavariableconelsalarioescuadrática(enlugardelineal). El coeficiente negativo del cuadrado de la variable indica que la relación es la deunauinvertida,esdecir,hayunpuntoapartirdelcualamayorexperiencia menor porcentaje de salario. Finalmente, destacar que en la estimación bajo efectos se proporcionan lasestimacionesde σ 2 u y σ2 ǫ necesariasparaestimarλ.enestecaso, λ = , siendo éste el valor usado para obtener el modelo agrupado transformado(mat) que posteriormente es estimado por MCG. Modelosdedatosdepanel 26/26

Econometria de Datos en Paneles

Econometria de Datos en Paneles Universidad de San Andres Agosto de 2011 Porque paneles? Ejemplo (Cronwell y Trumbull): Determinantes del crimen y = g(i), y = crimen, I = variables de justicia criminal. Corte transversal: (y i, I i )

Más detalles

T4. Modelos con variables cualitativas

T4. Modelos con variables cualitativas T4. Modelos con variables cualitativas Ana J. López y Rigoberto Pérez Dpto Economía Aplicada. Universidad de Oviedo Curso 2010-2011 Ana J. López y Rigoberto Pérez (Dpto EconomíaT4. Aplicada. Modelos Universidad

Más detalles

ESTADÍSTICA. Tema 4 Regresión lineal simple

ESTADÍSTICA. Tema 4 Regresión lineal simple ESTADÍSTICA Grado en CC. de la Alimentación Tema 4 Regresión lineal simple Estadística (Alimentación). Profesora: Amparo Baíllo Tema 4: Regresión lineal simple 1 Estructura de este tema Planteamiento del

Más detalles

1 Introducción. 2 Modelo. Hipótesis del modelo MODELO DE REGRESIÓN LOGÍSTICA

1 Introducción. 2 Modelo. Hipótesis del modelo MODELO DE REGRESIÓN LOGÍSTICA MODELO DE REGRESIÓN LOGÍSTICA Introducción A grandes rasgos, el objetivo de la regresión logística se puede describir de la siguiente forma: Supongamos que los individuos de una población pueden clasificarse

Más detalles

Multicolinealidad. Universidad de Granada. RSG Incumplimiento de las hipótesis básicas en el modelo lineal uniecuacional múltiple 1 / 17

Multicolinealidad. Universidad de Granada. RSG Incumplimiento de las hipótesis básicas en el modelo lineal uniecuacional múltiple 1 / 17 Román Salmerón Gómez Universidad de Granada RSG Incumplimiento de las hipótesis básicas en el modelo lineal uniecuacional múltiple 1 / 17 exacta: aproximada: exacta: aproximada: RSG Incumplimiento de las

Más detalles

ECONOMETRÍA I. Tema 5: Análisis de regresión múltiple con información cualitativa

ECONOMETRÍA I. Tema 5: Análisis de regresión múltiple con información cualitativa ECONOMETRÍA I Tema 5: Análisis de regresión múltiple con información cualitativa Patricia Moreno Juan Manuel Rodriguez Poo Alexandra Soberon Departamento de Economía Alexandra Soberon (UC) ECONOMETRÍA

Más detalles

MODELO ECONOMÉTRICO. José María Cara Carmona. Adrián López Ibáñez. Explicación del desempleo

MODELO ECONOMÉTRICO. José María Cara Carmona. Adrián López Ibáñez. Explicación del desempleo José María Cara Carmona Adrián López Ibáñez MODELO ECONOMÉTRICO Explicación del desempleo Desarrollaremos un modelo econométrico para intentar predecir el desempleo. Trataremos los diversos problemas que

Más detalles

TEMA 3: Contrastes de Hipótesis en el MRL

TEMA 3: Contrastes de Hipótesis en el MRL TEMA 3: Contrastes de Hipótesis en el MRL Econometría I M. Angeles Carnero Departamento de Fundamentos del Análisis Económico Curso 2011-12 Econometría I (UA) Tema 3: Contrastes de Hipótesis Curso 2011-12

Más detalles

1 Introducción. 2 Modelo. Hipótesis del modelo. MODELO DE REGRESIÓN MÚLTIPLE Julián de la Horra Departamento de Matemáticas U.A.M.

1 Introducción. 2 Modelo. Hipótesis del modelo. MODELO DE REGRESIÓN MÚLTIPLE Julián de la Horra Departamento de Matemáticas U.A.M. MODELO DE REGRESIÓN MÚLTIPLE Julián de la Horra Departamento de Matemáticas U.A.M. 1 Introducción Abordaremos en este capítulo el modelo de regresión lineal múltiple, una vez que la mayor parte de las

Más detalles

Métodos Estadísticos Multivariados

Métodos 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 detalles

Método de cuadrados mínimos

Método 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 detalles

Hoja de Ejercicios 4 Análisis de regresión con información cualitativa

Hoja de Ejercicios 4 Análisis de regresión con información cualitativa Hoja de Ejercicios 4 Análisis de regresión con información cualitativa Nota: En aquellos ejercicios en los que se incluyen estimaciones y referencia al archivo de datos utilizado, el estudiante debería

Más detalles

Econometría de series de tiempo aplicada a macroeconomía y finanzas

Econometría de series de tiempo aplicada a macroeconomía y finanzas Econometría de series de tiempo aplicada a macroeconomía y finanzas Series de Tiempo no Estacionarias Carlos Capistrán Carmona ITAM Tendencias Una tendencia es un movimiento persistente de largo plazo

Más detalles

Aplicación del modelo de frontera estocástica de producción para analizar la eficiencia técnica de la industria eléctrica en México

Aplicación del modelo de frontera estocástica de producción para analizar la eficiencia técnica de la industria eléctrica en México SECCIÓN DE ESTUDIOS DE POSGRADO E INVESTIGACIÓN Aplicación del modelo de frontera estocástica de producción para analizar la eficiencia técnica de la industria eléctrica en México Presentan: Dr. Miguel

Más detalles

Estadística y sus aplicaciones en Ciencias Sociales 7. El modelo de regresión simple. Facultad de Ciencias Sociales - UdelaR

Estadística y sus aplicaciones en Ciencias Sociales 7. El modelo de regresión simple. Facultad de Ciencias Sociales - UdelaR 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 detalles

Análisis de Regresión Múltiple: Estimación

Análisis de Regresión Múltiple: Estimación Análisis de Regresión Múltiple: Estimación Carlos Velasco 1 1 Departamento de Economía Universidad Carlos III de Madrid Econometría I Máster en Economía Industrial Universidad Carlos III de Madrid Curso

Más detalles

El Modelo de Regresión Simple

El Modelo de Regresión Simple El Modelo de Regresión Simple Carlos Velasco 1 1 Departamento de Economía Universidad Carlos III de Madrid Econometría I Máster en Economía Industrial Universidad Carlos III de Madrid Curso 2007/08 C Velasco

Más detalles

Datos de Panel. Guía para el uso de Eviews. Alfredo Baronio Ana Vianco

Datos de Panel. Guía para el uso de Eviews. Alfredo Baronio Ana Vianco Datos de Panel Guía para el uso de Eviews Alfredo Baronio Ana Vianco Departamento de Matemática y Estadística Facultad de Ciencias Económicas Universidad Nacional de Río Cuarto Noviembre de 2014 1 Contenido

Más detalles

ENUNCIADOS DE PROBLEMAS

ENUNCIADOS DE PROBLEMAS UNIVERSIDAD CARLOS III DE MADRID ECONOMETRÍA I 22 de Septiembre de 2007 ENUNCIADOS DE PROBLEMAS Muy importante: Tenga en cuenta que algunos resultados de las tablas han podido ser omitidos. PROBLEMA 1:

Más detalles

Agro 6998 Conferencia 2. Introducción a los modelos estadísticos mixtos

Agro 6998 Conferencia 2. Introducción a los modelos estadísticos mixtos Agro 6998 Conferencia Introducción a los modelos estadísticos mixtos Los modelos estadísticos permiten modelar la respuesta de un estudio experimental u observacional en función de factores (tratamientos,

Más detalles

Teoría de la decisión

Teoría de la decisión 1.- Un problema estadístico típico es reflejar la relación entre dos variables, a partir de una serie de Observaciones: Por ejemplo: * peso adulto altura / peso adulto k*altura * relación de la circunferencia

Más detalles

Teorema Central del Límite (1)

Teorema Central del Límite (1) Teorema Central del Límite (1) Definición. Cualquier cantidad calculada a partir de las observaciones de una muestra se llama estadístico. La distribución de los valores que puede tomar un estadístico

Más detalles

Universidad de la República, Facultad de Ciencias Económicas y Administración.

Universidad 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 detalles

Tercera práctica de REGRESIÓN.

Tercera práctica de REGRESIÓN. Tercera práctica de REGRESIÓN. DATOS: fichero practica regresión 3.sf3 1. Objetivo: El objetivo de esta práctica es aplicar el modelo de regresión con más de una variable explicativa. Es decir regresión

Más detalles

Capítulo 8. Análisis Discriminante

Capítulo 8. Análisis Discriminante Capítulo 8 Análisis Discriminante Técnica de clasificación donde el objetivo es obtener una función capaz de clasificar a un nuevo individuo a partir del conocimiento de los valores de ciertas variables

Más detalles

Tema 4: Cuestiones importantes en el Modelo Lineal General (MLG) Universidad Complutense de Madrid 2013

Tema 4: Cuestiones importantes en el Modelo Lineal General (MLG) Universidad Complutense de Madrid 2013 Tema 4: Cuestiones importantes en el Modelo Lineal General (MLG) Universidad Complutense de Madrid 2013 1 Colinealidad (I) La multicolinealidad es un problema que surge cuando las variables explicativas

Más detalles

Modelo Econométrico sobre el Turismo

Modelo Econométrico sobre el Turismo Modelo Econométrico sobre el Turismo Ruth Rubio Rodríguez Miriam Gómez Sánchez Mercados 3ºA GMIM Índice Planteamiento del Problema..4 1. Estadísticos Descriptivos...5 2. Matriz Correlaciones 5 3. Gráfico

Más detalles

Econometría de Económicas

Econometría de Económicas Econometría de Económicas Apuntes para el tema 6 Curso 2004-2005 Profesoras Amparo Sancho Guadalupe Serrano Modelos de panel de datos Datos de Panel son aquellos que surgen de la observación de una misma

Más detalles

Universidad Carlos III de Madrid Econometría Funciones de regresión no lineales Hoja de Ejercicios 8

Universidad Carlos III de Madrid Econometría Funciones de regresión no lineales Hoja de Ejercicios 8 Universidad Carlos III de Madrid Econometría Funciones de regresión no lineales Hoja de Ejercicios 8 1. Las ventas de una empresa son de 196 millones de dólares en 2009 y aumentaron hasta los 198 millones

Más detalles

Examen de Grado Sección de Econometría Agosto y se obtienen los siguientes resultados. Observe que parte de la información ha sido omitida.

Examen de Grado Sección de Econometría Agosto y se obtienen los siguientes resultados. Observe que parte de la información ha sido omitida. Examen de Grado Sección de Econometría Agosto 2015 Pregunta 1. (40 puntos). Suponga que estamos interesados en determinar cuáles características del colegio y/o del hogar determinan el resultado de una

Más detalles

Estimación de un modelo de ecuaciones simultáneas usando el software econométrico Gretl

Estimación de un modelo de ecuaciones simultáneas usando el software econométrico Gretl Estimación de un modelo de ecuaciones simultáneas usando el software econométrico Gretl Catalina García, María del Mar López y Román Salmerón Departamento de Métodos Cuantitativos para la Economía y la

Más detalles

INFERENCIA ESTADISTICA

INFERENCIA ESTADISTICA 1 INFERENCIA ESTADISTICA Es una rama de la Estadística que se ocupa de los procedimientos que nos permiten analizar y extraer conclusiones de una población a partir de los datos de una muestra aleatoria,

Más detalles

Tema 3.1: Modelo lineal general: hipótesis y estimación. Universidad Complutense de Madrid 2013

Tema 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 detalles

2 Introducción a la inferencia estadística Introducción Teoría de conteo Variaciones con repetición...

2 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 detalles

Regresión con heterocedasticidad y autocorrelación

Regresión 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

Fase 2. Estudio de mercado: ESTADÍSTICA

Fase 2. Estudio de mercado: ESTADÍSTICA 1. CONCEPTO DE ESTADÍSTICA. ESTADÍSTICA DESCRIPTIVA 2. 3. TABLA DE FRECUENCIAS 4. REPRESENTACIONES GRÁFICAS 5. TIPOS DE MEDIDAS: A. MEDIDAS DE POSICIÓN B. MEDIDAS DE DISPERSIÓN C. MEDIDAS DE FORMA 1 1.

Más detalles

Elaboración de un modelo econométrico.

Elaboración de un modelo econométrico. 1 Elaboración de un modelo econométrico. Con este documento se presenta una guía que puede servir al alumno de las asignaturas de Econometría para elaborar un informe o proyecto en el que se recojan los

Más detalles

Máster en comunicaciones. Clase 2. Modelos predictores.

Máster en comunicaciones. Clase 2. Modelos predictores. Máster en comunicaciones. Clase 2. Modelos predictores. 1. Introducción Uno de los cometidos más importantes de la estadística es la explotación de los datos observados de una o más características de

Más detalles

Regresión lineal SIMPLE MÚLTIPLE N A Z IRA C A L L E J A

Regresión lineal SIMPLE MÚLTIPLE N A Z IRA C A L L E J A Regresión lineal REGRESIÓN LINEAL SIMPLE REGRESIÓN LINEAL MÚLTIPLE N A Z IRA C A L L E J A Qué es la regresión? El análisis de regresión: Se utiliza para examinar el efecto de diferentes variables (VIs

Más detalles

Contraste de hipótesis Tema Pasos del contraste de hipótesis. 1.1 Hipótesis estadísticas: nula y alternativa. 1.3 Estadístico de contraste

Contraste de hipótesis Tema Pasos del contraste de hipótesis. 1.1 Hipótesis estadísticas: nula y alternativa. 1.3 Estadístico de contraste 1 Contraste de hipótesis Tema 3 1. Pasos del contraste de hipótesis 1.1 Hipótesis estadísticas: nula y alternativa 1.2 Supuestos 1.3 Estadístico de contraste 1.4 Regla de decisión: zona de aceptación y

Más detalles

Regresión con variables independientes cualitativas

Regresión con variables independientes cualitativas Regresión con variables independientes cualitativas.- Introducción...2 2.- Regresión con variable cualitativa dicotómica...2 3.- Regresión con variable cualitativa de varias categorías...6 2.- Introducción.

Más detalles

INFERENCIA ESTADÍSTICA. Metodología de Investigación. Tesifón Parrón

INFERENCIA ESTADÍSTICA. Metodología de Investigación. Tesifón Parrón Metodología de Investigación Tesifón Parrón Contraste de hipótesis Inferencia Estadística Medidas de asociación Error de Tipo I y Error de Tipo II α β CONTRASTE DE HIPÓTESIS Tipos de Test Chi Cuadrado

Más detalles

Tema 1. El Modelo de Regresión Lineal con Regresores Aleatorios.

Tema 1. El Modelo de Regresión Lineal con Regresores Aleatorios. ema El Modelo de Regresión Lineal con Regresores Aleatorios Introducción En este tema vamos a analizar las propiedades del modelo de regresión lineal con regresores aleatorios Suponer que los regresores

Más detalles

INTERPRETACIÓN DE LA REGRESIÓN. Interpretación de la regresión

INTERPRETACIÓN 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 detalles

Unidad IV: Distribuciones muestrales

Unidad IV: Distribuciones muestrales Unidad IV: Distribuciones muestrales 4.1 Función de probabilidad En teoría de la probabilidad, una función de probabilidad (también denominada función de masa de probabilidad) es una función que asocia

Más detalles

INSTITUTO NACIONAL DE ESTADÍSTICAS (INE) 29 de Abril de 2016

INSTITUTO NACIONAL DE ESTADÍSTICAS (INE) 29 de Abril de 2016 ANEXO ESTADÍSTICO 1 : COEFICIENTES DE VARIACIÓN Y ERROR ASOCIADO AL ESTIMADOR ENCUESTA NACIONAL DE EMPLEO (ENE) INSTITUTO NACIONAL DE ESTADÍSTICAS (INE) 9 de Abril de 016 1 Este anexo estadístico es una

Más detalles

Determinación del tamaño de muestra (para una sola muestra)

Determinación del tamaño de muestra (para una sola muestra) STATGRAPHICS Rev. 4/5/007 Determinación del tamaño de muestra (para una sola muestra) Este procedimiento determina un tamaño de muestra adecuado para la estimación o la prueba de hipótesis con respecto

Más detalles

Econometría II Grado en finanzas y contabilidad

Econometría II Grado en finanzas y contabilidad Econometría II Grado en finanzas y contabilidad Variables aleatorias y procesos estocásticos. La FAC y el correlograma Profesora: Dolores García Martos E-mail:mdgmarto@est-econ.uc3m.es Este documento es

Más detalles

Análisis de la varianza ANOVA

Análisis de la varianza ANOVA Estadística Básica. Mayo 2004 1 Análisis de la varianza ANOVA Francisco Montes Departament d Estadística i I. O. Universitat de València http://www.uv.es/~montes Estadística Básica. Mayo 2004 2 Comparación

Más detalles

Introducción a la regresión ordinal

Introducción a la regresión ordinal Introducción a la regresión ordinal Jose Barrera jbarrera@mat.uab.cat 20 de mayo 2009 Jose Barrera (UAB) Introducción a la regresión ordinal 20 de mayo 2009 1 / 11 Introducción a la regresión ordinal 1

Más detalles

Contrastes de hipótesis paramétricos

Contrastes de hipótesis paramétricos Estadística II Universidad de Salamanca Curso 2011/2012 Outline Introducción 1 Introducción 2 Contraste de Neyman-Pearson Sea X f X (x, θ). Desonocemos θ y queremos saber que valor toma este parámetro,

Más detalles

ANÁLISIS DISCRIMINANTE

ANÁLISIS DISCRIMINANTE DEFINICIÓN: Cómo técnica de análisis de dependencia: Pone en marcha un modelo de causalidad en el que la variable endógena es una variable NO MÉTRICA y las independientes métricas. Cómo técnica de análisis

Más detalles

Análisis de datos Categóricos

Análisis de datos Categóricos Introducción a los Modelos Lineales Generalizados Universidad Nacional Agraria La Molina 2016-1 Introducción Modelos Lineales Generalizados Introducción Componentes Estimación En los capítulos anteriores

Más detalles

Percepción de los Precios por Parte de los Hogares: El caso de la Electricidad en el Perú

Percepción de los Precios por Parte de los Hogares: El caso de la Electricidad en el Perú Percepción de los Precios por Parte de los Hogares: El caso de la Electricidad en el Perú Luis Bendezú Medina Universidad de Chile Diciembre 2007 Contenido Introducción Modelo Teórico Implementación Empírica

Más detalles

INTERVALOS DE CONFIANZA Julián de la Horra Departamento de Matemáticas U.A.M.

INTERVALOS DE CONFIANZA Julián de la Horra Departamento de Matemáticas U.A.M. 1 Introducción INTERVALOS DE CONFIANZA Julián de la Horra Departamento de Matemáticas U.A.M. En este capítulo, vamos a abordar la estimación mediante Intervalos de Confianza, que es otro de los tres grandes

Más detalles

INDICE. Prólogo a la Segunda Edición

INDICE. Prólogo a la Segunda Edición INDICE Prólogo a la Segunda Edición XV Prefacio XVI Capitulo 1. Análisis de datos de Negocios 1 1.1. Definición de estadística de negocios 1 1.2. Estadística descriptiva r inferencia estadística 1 1.3.

Más detalles

TRABAJO ECONOMETRIA (ETAPAS 1,2 Y 3)

TRABAJO ECONOMETRIA (ETAPAS 1,2 Y 3) 1 UNIVERSIDAD TRABAJO ECONOMETRIA (ETAPAS 1,2 Y 3) NOMBRE ALUMNO: ************** ASIGNATURA: ECONOMETRIA FECHA ENTREGA: 05/12/2011 NOTA=70% 2 1. Introducción La integración comercial de Chile al mundo

Más detalles

ESTADÍSTICA. Población Individuo Muestra Muestreo Valor Dato Variable Cualitativa ordinal nominal. continua

ESTADÍSTICA. Población Individuo Muestra Muestreo Valor Dato Variable Cualitativa ordinal nominal. continua ESTADÍSTICA Población Individuo Muestra Muestreo Valor Dato Variable Cualitativa ordinal nominal Cuantitativa discreta continua DISTRIBUCIÓN DE FRECUENCIAS Frecuencia absoluta: fi Frecuencia relativa:

Más detalles

Tema 2.- Formas Cuadráticas.

Tema 2.- Formas Cuadráticas. Álgebra. 004 005. Ingenieros Industriales. Departamento de Matemática Aplicada II. Universidad de Sevilla. Tema.- Formas Cuadráticas. Definición y representación matricial. Clasificación de las formas

Más detalles

La demanda de plazas en la licenciatura de Medicina en España

La demanda de plazas en la licenciatura de Medicina en España La demanda de plazas en la licenciatura de Medicina en España Estudio econométrico por Comunidades Autónomas de la demanda de plazas en las facultades de Medicina españolas para el curso 2006/2007 Asignatura:

Más detalles

Tema 4. El Modelo de Regresión Lineal con Series Temporales.

Tema 4. El Modelo de Regresión Lineal con Series Temporales. Tema 4. El Modelo de Regresión Lineal con Series Temporales. En este tema, estudiaremos en detalle la estimación e inferencia del modelo de regresión con datos de series temporales. Dadas las diferencias

Más detalles

Econometría II. Ejercicios propuestos

Econometría II. Ejercicios propuestos Econometría II Ejercicios propuestos Román Salmerón Gómez Multicolinealidad 1. En el modelo de regresión Y t = β 1 + β 2 X t + β 3 Z t + u t se verifica que X t = 1 2 Z t. Qué parámetros son estimables?

Más detalles

Prueba de hipótesis para la diferencia de medias

Prueba de hipótesis para la diferencia de medias Estadística Técnica Prueba de hipótesis para la diferencia de medias Cladera Ojeda, Fernando Conceptos previos Inferencia estadística Población Muestra Parámetro Estadístico Hipótesis estadística Pruebas

Más detalles

TÉCNICAS ESTADÍSTICAS APLICADAS EN NUTRICIÓN Y SALUD

TÉCNICAS ESTADÍSTICAS APLICADAS EN NUTRICIÓN Y SALUD TÉCNICAS ESTADÍSTICAS APLICADAS EN NUTRICIÓN Y SALUD Contrastes de hipótesis paramétricos para una y varias muestras: contrastes sobre la media, varianza y una proporción. Contrastes sobre la diferencia

Más detalles

INTRODUCCIÓN AL ANÁLISIS DE DATOS ORIENTACIONES (TEMA Nº 7)

INTRODUCCIÓN AL ANÁLISIS DE DATOS ORIENTACIONES (TEMA Nº 7) TEMA Nº 7 DISTRIBUCIONES CONTINUAS DE PROBABILIDAD OBJETIVOS DE APRENDIZAJE: Conocer las características de la distribución normal como distribución de probabilidad de una variable y la aproximación de

Más detalles

ECONOMETRIA II. 4º Curso Licenciatura en Economía. INTRODUCCIÓN Algunos conceptos de estimación y teoría asintótica.

ECONOMETRIA II. 4º Curso Licenciatura en Economía. INTRODUCCIÓN Algunos conceptos de estimación y teoría asintótica. ECONOMETRIA II 4º Curso 2007-2008 Licenciatura en Economía INTRODUCCIÓN Algunos conceptos de estimación y teoría asintótica. MODELOS DE ELECCIÓN DISCRETA MODELOS CON VARIABLE DEPENDIENTE LIMITADA MODELOS

Más detalles

Pilar González Casimiro Susan Orbe Mandaluniz ARGITALPEN ZERBITZUA SERVICIO EDITORIAL. ISBN:

Pilar González Casimiro Susan Orbe Mandaluniz ARGITALPEN ZERBITZUA SERVICIO EDITORIAL.  ISBN: Pilar González Casimiro Susan Orbe Mandaluniz ARGITALPEN ZERBITZUA SERVICIO EDITORIAL www.argitalpenak.ehu.es ISBN: 978-84-9860-605-8 Prácticas para el Aprendizaje de la ECONOMETRÍA Pilar González Casimiro

Más detalles

Tema 5. Muestreo y distribuciones muestrales

Tema 5. Muestreo y distribuciones muestrales Tema 5. Muestreo y distribuciones muestrales Contenidos Muestreo y muestras aleatorias simples La distribución de la media en el muestreo La distribución de la varianza muestral Lecturas recomendadas:

Más detalles

INSTITUTO POLITÉCNICO NACIONAL SECRETARIA ACADEMICA DIRECCIÓN DE ESTUDIOS PROFESIONALES EN INGENIERÍA Y CIENCIAS FÍSICO MATEMÁTICAS

INSTITUTO POLITÉCNICO NACIONAL SECRETARIA ACADEMICA DIRECCIÓN DE ESTUDIOS PROFESIONALES EN INGENIERÍA Y CIENCIAS FÍSICO MATEMÁTICAS ESCUELA: UPIICSA CARRERA: INGENIERÍA EN TRANSPORTE ESPECIALIDAD: COORDINACIÓN: ACADEMIAS DE MATEMÁTICAS DEPARTAMENTO: CIENCIAS BÁSICAS PROGRAMA DE ESTUDIO ASIGNATURA: ESTADÍSTICA APLICADA CLAVE: TMPE SEMESTRE:

Más detalles

REGRESIÓN LINEAL SIMPLE, COEFICIENTE DE DETERMINACIÓN Y CORRELACIONES (EJERCICIOS RESUELTOS)

REGRESIÓN LINEAL SIMPLE, COEFICIENTE DE DETERMINACIÓN Y CORRELACIONES (EJERCICIOS RESUELTOS) 1 REGRESIÓN LINEAL SIMPLE, COEFICIENTE DE DETERMINACIÓN Y CORRELACIONES (EJERCICIOS RESUELTOS) 1. EN LA REGIÓN DE DRAKUL DE LA REPÚBLICA DE NECROLANDIA, LAS AUTORIDADES ECONÓMICAS HAN REALIZADO UNA REVISIÓN

Más detalles

Facultad de Ciencias Sociales - Universidad de la República

Facultad de Ciencias Sociales - Universidad de la República Facultad de Ciencias Sociales - Universidad de la República Estadística y sus aplicaciones en Ciencias Sociales Edición 2016 Ciclo Avanzado 3er. Semestre (Licenciatura en Ciencia Política/ Licenciatura

Más detalles

Tema 5. Contraste de hipótesis (I)

Tema 5. Contraste de hipótesis (I) Tema 5. Contraste de hipótesis (I) CA UNED de Huelva, "Profesor Dr. José Carlos Vílchez Martín" Introducción Bienvenida Objetivos pedagógicos: Conocer el concepto de hipótesis estadística Conocer y estimar

Más detalles

Análisis de Componentes de la Varianza

Análisis de Componentes de la Varianza Análisis de Componentes de la Varianza Resumen El procedimiento de Análisis de Componentes de Varianza está diseñado para estimar la contribución de múltiples factores a la variabilidad de una variable

Más detalles

Z i

Z i Medidas de Variabilidad y Posición. Jesús Eduardo Pulido Guatire, marzo 010 Cuando trabajamos el aspecto denominado Medidas de Tendencia Central se observó que tanto la media como la mediana y la moda

Más detalles

MODELO DE REGRESIÓN LINEAL Y MÚLTIPLE ESTADÍSTICA APLICADA AL MEDIO AMBIENTE Grado en Ciencias Ambientales

MODELO DE REGRESIÓN LINEAL Y MÚLTIPLE ESTADÍSTICA APLICADA AL MEDIO AMBIENTE Grado en Ciencias Ambientales MODELO DE REGRESIÓN LINEAL Y MÚLTIPLE ESTADÍSTICA APLICADA AL MEDIO AMBIENTE Grado en Ciencias Ambientales 3.1. En algunas reservas naturales se controla el número Y de ejemplares de cierta especie al

Más detalles

Transformaciones de variables

Transformaciones de variables Transformaciones de variables Introducción La tipificación de variables resulta muy útil para eliminar su dependencia respecto a las unidades de medida empleadas. En realidad, una tipificación equivale

Más detalles

4.6. Ejercicio de aplicación

4.6. Ejercicio de aplicación 4.6. Ejercicio de aplicación En este ejercicio se analizarán los contrastes de hipótesis y la construcción de intervalos y regiones de confianza para los parámetros de un modelo estimado por Mínimos Cuadrados

Más detalles

TAMAÑO DE MUESTRA EN LA ESTIMACIÓN DE LA MEDIA DE UNA POBLACIÓN

TAMAÑO DE MUESTRA EN LA ESTIMACIÓN DE LA MEDIA DE UNA POBLACIÓN TAMAÑO DE MUESTRA EN LA ESTIMACIÓN DE LA MEDIA DE UNA POBLACIÓN En este artículo, se trata de explicar una metodología estadística sencilla y sobre todo práctica, para la estimación del tamaño de muestra

Más detalles

Tema 3: El modelo de regresión lineal múltiple

Tema 3: El modelo de regresión lineal múltiple Econometría 1 curso 2009-2010 Tema 3: El modelo de regresión lineal múltiple Genaro Sucarrat (Departamento de Economía, UC3M) http://www.eco.uc3m.es/sucarrat/ Recordamos: El modelo de regresión lineal

Más detalles

Resumen teórico de los principales conceptos estadísticos

Resumen teórico de los principales conceptos estadísticos Temas de Estadística Práctica Antonio Roldán Martínez Proyecto http://www.hojamat.es/ Muestreo aleatorio simple Resumen teórico Resumen teórico de los principales conceptos estadísticos Muestreo aleatorio

Más detalles

Metodologías Para La Estimación de Ingresos Corrientes del Sector Público. Lic. Edgar Morales

Metodologías Para La Estimación de Ingresos Corrientes del Sector Público. Lic. Edgar Morales Metodologías Para La Estimación de Ingresos Corrientes del Sector Público Lic. Edgar Morales Ingresos Fiscales Los ingresos fiscales son los que percibe el sector público para hacer frente a los gastos

Más detalles

Funciones de Regresión No Lineales (SW Cap. 6)

Funciones de Regresión No Lineales (SW Cap. 6) Funciones de Regresión No Lineales (SW Cap. 6) Todo anteriormente ha sido lineal en las X s La aproximación de que la función de regresión es lineal puede ser satisfactoria para algunas variables pero

Más detalles

VARIABLES ESTADÍSTICAS BIDIMENSIONALES

VARIABLES ESTADÍSTICAS BIDIMENSIONALES VARIABLES ESTADÍSTICAS BIDIMENSIONALES 1.- En una variable estadística bidimensional, el diagrama de dispersión representa: a) la nube de puntos. b) las varianzas de las dos variables. c) los coeficientes

Más detalles

4.1 Análisis bivariado de asociaciones

4.1 Análisis bivariado de asociaciones 4.1 Análisis bivariado de asociaciones Los gerentes posiblemente estén interesados en el grado de asociación entre dos variables Las técnicas estadísticas adecuadas para realizar este tipo de análisis

Más detalles

1. Caso no lineal: ajuste de una función potencial

1. Caso no lineal: ajuste de una función potencial 1. Caso no lineal: ajuste de una función potencial La presión (P) y el volumen (V ) en un tipo de gas están ligados por una ecuación del tipo PV b = a, siendo a y b dos parámetros desconocidos. A partir

Más detalles

Econometría de Económicas

Econometría de Económicas Econometría de Económicas Casos 1 y 3 Análisis de diferentes formas funcionales en un modelo de Comercio Exterior. El problema de la heterocedasticidad. Curso 004-005 Profesoras Amparo Sancho Guadalupe

Más detalles

EXPORTACIONES ARGENTINAS: UN ESTUDIO ECONOMÉTRICO DE SUS DETERMINANTES EN RELACIÓN A PAÍSES VECINOS. X CONGRESO DE ECONOMÍA

EXPORTACIONES ARGENTINAS: UN ESTUDIO ECONOMÉTRICO DE SUS DETERMINANTES EN RELACIÓN A PAÍSES VECINOS. X CONGRESO DE ECONOMÍA EXPORTACIONES ARGENTINAS: UN ESTUDIO ECONOMÉTRICO DE SUS DETERMINANTES EN RELACIÓN A PAÍSES VECINOS. X CONGRESO DE ECONOMÍA AUTORES: DR. LE SERGIO GEVATSCHNAIDER DR. CP SERGIO GEVATSCHNAIDER DR. LA SERGIO

Más detalles

Espacios Vectoriales Asturias: Red de Universidades Virtuales Iberoamericanas 1

Espacios Vectoriales Asturias: Red de Universidades Virtuales Iberoamericanas 1 Espacios Vectoriales 201 6Asturias: Red de Universidades Virtuales Iberoamericanas 1 Índice 1 Espacios Vectoriales... 4 1.1 Definición de espacio vectorial... 4 1.2 Definición de subespacio vectorial...

Más detalles

Econometría de Económicas

Econometría de Económicas Econometría de Económicas Caso 2.- Función de Producción Cobb- Douglas Prof. Amparo Sancho El objetivo de este ejercicio es practicar los primeros conocimientos básicos de econometría con la función de

Más detalles

INTERVALOS DE CONFIANZA. La estadística en cómic (L. Gonick y W. Smith)

INTERVALOS DE CONFIANZA. La estadística en cómic (L. Gonick y W. Smith) INTERVALOS DE CONFIANZA La estadística en cómic (L. Gonick y W. Smith) EJEMPLO: Será elegido el senador Astuto? 2 tamaño muestral Estimador de p variable aleatoria poblacional? proporción de personas que

Más detalles

TEMA 4 ELABORACIÓN Y COMPROBACIÓN DE LAS HIPÓTESIS DE INVESTIGACIÓN

TEMA 4 ELABORACIÓN Y COMPROBACIÓN DE LAS HIPÓTESIS DE INVESTIGACIÓN TEMA 4 ELABORACIÓN Y COMPROBACIÓN DE LAS HIPÓTESIS DE INVESTIGACIÓN 1 MODELO LINEAL GENERAL applemodelo estadístico appledescribe una combinación lineal de los efectos aditivos que forman la puntuación

Más detalles

MODELO ECONOMETRICO DE VENTA DE CAMIONETAS

MODELO ECONOMETRICO DE VENTA DE CAMIONETAS MODELO ECONOMETRICO DE VENTA DE CAMIONETAS Nombre: Evelyn Neira Cinthya Toledo Macarena Candia Fecha: 10 de Mayo 2012 Asignatura: Econometría Profesor: Pablo Quezada Introducción El mercado de vehículos

Más detalles

Medidas de dispersión

Medidas de dispersión Medidas de dispersión Las medidas de dispersión nos informan sobre cuánto se alejan del centro los valores de la distribución. Las medidas de dispersión son: Rango o recorrido El rango es la diferencia

Más detalles

EJERCICIO 1 La tabla siguiente muestra las posibilidades de producción en una economía:

EJERCICIO 1 La tabla siguiente muestra las posibilidades de producción en una economía: CURSO 07-08. 1º ING INDUSTRIAL. PARCIAL. NUMERO: Nombre y apellidos:... (contestar utilizando el espacio en blanco en las hojas correspondientes a este ejercicio y el dorso de las mismas; NO SE CORREGIRÁ

Más detalles

3.1 Proyección de la Demanda. Fundación Bariloche. Noviembre de Documento PDF.

3.1 Proyección de la Demanda. Fundación Bariloche. Noviembre de Documento PDF. 3.1 Proyección de la Demanda. Fundación Bariloche. Noviembre de 2008. Documento PDF. 5. PROYECCIONES DE LA DEMANDA DE ENERGIA Estudio Prospectiva de la Demanda de Energía de República Dominicana Informe

Más detalles

1.2.2. Técnicas estadísticas más utilizadas en la investigación

1.2.2. Técnicas estadísticas más utilizadas en la investigación Contenido PRÓLOGO... 1. LA ESTADÍSTICA COMO HERRAMIENTA EN LA INVESTIGACIÓN TURÍSTICA 1.1. EL TURISMO Y LA ESTADÍSTICA... 2 1.1.1. El turismo... 2 1.1.2. La estadística... 4 1.2. LA ESTADÍSTICA Y LA INVESTIGACIÓN

Más detalles

Apéndice sobre ecuaciones diferenciales lineales

Apéndice sobre ecuaciones diferenciales lineales Apéndice sobre ecuaciones diferenciales lineales Juan-Miguel Gracia 10 de febrero de 2008 Índice 2 Determinante wronskiano. Wronskiano de f 1 (t), f 2 (t),..., f n (t). Derivada de un determinante de funciones.

Más detalles

Tema 2 Datos multivariantes

Tema 2 Datos multivariantes Aurea Grané Máster en Estadística Universidade Pedagógica 1 Aurea Grané Máster en Estadística Universidade Pedagógica 2 Tema 2 Datos multivariantes 1 Matrices de datos 2 Datos multivariantes 2 Medias,

Más detalles

UNIVERSIDAD NACIONAL AUTÓNOMA DE MÉXICO FACULTAD DE ESTUDIOS SUPERIORES CUAUTITLÁN PLAN DE ESTUDIOS DE LA LICENCIATURA EN QUÍMICA INDUSTRIAL

UNIVERSIDAD NACIONAL AUTÓNOMA DE MÉXICO FACULTAD DE ESTUDIOS SUPERIORES CUAUTITLÁN PLAN DE ESTUDIOS DE LA LICENCIATURA EN QUÍMICA INDUSTRIAL UNIVERSIDAD NACIONAL AUTÓNOMA DE MÉXICO FACULTAD DE ESTUDIOS SUPERIORES CUAUTITLÁN PLAN DE ESTUDIOS DE LA LICENCIATURA EN QUÍMICA INDUSTRIAL PROGRAMA DE LA ASIGNATURA DE: IDENTIFICACIÓN DE LA ASIGNATURA

Más detalles

MÓDULO 1: GESTIÓN DE CARTERAS

MÓDULO 1: GESTIÓN DE CARTERAS MÓDULO 1: GESTIÓN DE CARTERAS TEST DE EVALUACIÓN 1 Una vez realizado el test de evaluación, cumplimenta la plantilla y envíala, por favor, antes del plazo fijado. En todas las preguntas sólo hay una respuesta

Más detalles