Modelos con Datos de Panel

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

Ejercicio Heterocedasticidad_2

Ejercicio Heterocedasticidad_2 Ejercicio heterocedasticidad 2. 1 Ejercicio Heterocedasticidad_2 Tengamos los siguientes datos de los beneficios (B i ) y ventas (V i ) de 20 empresas: obs B V 1 13,2 61 2 15 78 3 22,2 158 4 15,2 110 5

Más detalles

T6. Modelos multiecuacionales

T6. Modelos multiecuacionales T6. Modelos multiecuacionales Ana J. López y Rigoberto Pérez Dpto Economía Aplicada. Universidad de Oviedo Curso 2010-2011 Curso 2010-2011 1 / 41 Índice 1 Los modelos multiecuacionales: SUR y SEM 2 Modelos

Más detalles

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

T2. El modelo lineal simple

T2. El modelo lineal simple T2. El modelo lineal simple Ana J. López y Rigoberto Pérez Dpto Economía Aplicada. Universidad de Oviedo Curso 2010-2011 Curso 2010-2011 1 / 40 Índice 1 Planteamiento e hipótesis básicas 2 Estimación de

Más detalles

El Modelo de Regresión Lineal

El Modelo de Regresión Lineal ECONOMETRÍA I El Modelo de Regresión Lineal Dante A. Urbina CONTENIDOS 1. Regresión Lineal Simple 2. Regresión Lineal Múltiple 3. Multicolinealidad 4. Heterocedasticidad 5. Autocorrelación 6. Variables

Más detalles

Regresión múltiple. Demostraciones. Elisa Mª Molanes López

Regresión múltiple. Demostraciones. Elisa Mª Molanes López Regresión múltiple Demostraciones Elisa Mª Molanes López El modelo de regresión múltiple El modelo que se plantea en regresión múltiple es el siguiente: y i = β 0 + β 1 x 1i + β 2 x 2i +...+ β k x ki +

Más detalles

Correlación. El coeficiente de correlación mide la fuerza o el grado de asociación entre dos variables (r)

Correlación. El coeficiente de correlación mide la fuerza o el grado de asociación entre dos variables (r) Correlación El coeficiente de correlación mide la fuerza o el grado de asociación entre dos variables (r) El coeficiente de correlación lineal de Pearson (r) permite medir el grado de asociación entre

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

TEMA 6. Modelos para Datos de Panel

TEMA 6. Modelos para Datos de Panel TEMA 6. Modelos para Datos de Panel Profesor: Pedro Albarrán Pérez Universidad de Alicante. Curso 2010/2011. Contenido 1 Introducción 2 Modelos estáticos Modelo con Efectos Individuales: Fijos y Aleatorios

Más detalles

Tema 8: Regresión y Correlación

Tema 8: Regresión y Correlación Tema 8: Regresión y Correlación Estadística. 4 o Curso. Licenciatura en Ciencias Ambientales Licenciatura en Ciencias Ambientales (4 o Curso) Tema 8: Regresión y Correlación Curso 2008-2009 1 / 12 Índice

Más detalles

Modelos Dinámicos. Tema Introducción

Modelos Dinámicos. Tema Introducción Tema 6 Modelos Dinámicos 6.1. Introducción Este tema vuelve a ocuparse de la modelización de relaciones entre variables dentro de un contexto de datos en el tiempo o series temporales. Como ya comentamos

Más detalles

TEMA 4 Modelo de regresión múltiple

TEMA 4 Modelo de regresión múltiple TEMA 4 Modelo de regresión múltiple José R. Berrendero Departamento de Matemáticas Universidad Autónoma de Madrid Análisis de Datos - Grado en Biología Estructura de este tema Modelo de regresión múltiple.

Más detalles

Variables Cualitativas

Variables Cualitativas Tema 7 Variables Cualitativas Contenido 7.1. Introducción. Un ejemplo...................... 118 7.2. Modelo con una variable cualitativa................ 118 7.2.1. Incorporación de variables cuantitativas.............

Más detalles

Tema 10: Introducción a los problemas de Asociación y Correlación

Tema 10: Introducción a los problemas de Asociación y Correlación Tema 10: Introducción a los problemas de Asociación y Correlación Estadística 4 o Curso Licenciatura en Ciencias Ambientales Licenciatura en Ciencias Ambientales (4 o Curso) Tema 10: Asociación y Correlación

Más detalles

Estadística para la Economía y la Gestión IN 3401 Clase 5

Estadística para la Economía y la Gestión IN 3401 Clase 5 Estadística para la Economía y la Gestión IN 3401 Clase 5 Problemas con los Datos 9 de junio de 2010 1 Multicolinealidad Multicolinealidad Exacta y Multicolinealidad Aproximada Detección de Multicolinealidad

Más detalles

Hoja de Ejercicios 3 El modelo de regresión lineal múltiple

Hoja de Ejercicios 3 El modelo de regresión lineal múltiple Hoja de Ejercicios 3 El modelo de regresión lineal múltiple Nota: En aquellos ejercicios en los que se incluyen estimaciones y referencia al archivo de datos utilizado, el estudiante debería comprobar

Más 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

Errores de especificación

Errores de especificación CAPíTULO 5 Errores de especificación Estrictamente hablando, un error de especificación es el incumplimiento de cualquiera de los supuestos básicos del modelo lineal general. En un sentido más laxo, esta

Más detalles

Mínimos Cuadrados Generalizados

Mínimos Cuadrados Generalizados Mínimos Cuadrados Generalizados Román Salmerón Gómez Los dos últimos temas de la asignatura han estado enfocados en estudiar por separado la relajación de las hipótesis de que las perturbaciones estén

Más 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

Guía breve de análisis de series temporales unidimensionales con Gretl

Guía breve de análisis de series temporales unidimensionales con Gretl Guía breve de análisis de series temporales unidimensionales con Gretl 1. Pasos a seguir 1. Representación de la serie temporal (Variable Gráfico de series temporales). 2. Serie temporal no estacionaria

Más detalles

Ejemplo 6.2. Pilar González y Susan Orbe. Dpto. Economía Aplicada III (Econometría y Estadística)

Ejemplo 6.2. Pilar González y Susan Orbe. Dpto. Economía Aplicada III (Econometría y Estadística) Ejemplo 6.2 Inferencia en el Modelo de Regresión Lineal General Pilar González y Susan Orbe Dpto. Economía Aplicada III (Econometría y Estadística) Pilar González y Susan Orbe OCW 2013 Ejemplo 6.2 Inferencia

Más detalles

TEMA 3: PROPIEDADES DEL ESTIMADOR MCO

TEMA 3: PROPIEDADES DEL ESTIMADOR MCO TEMA 3: PROPIEDADES DEL ESTIMADOR MCO S. Álvarez, A. Beyaert, M. Camacho, M. González, A. Quesada Departamento de Métodos Cuantitativos para la Economía y la Empresa Econometría (3º GADE) Lo que estudiaremos

Más detalles

TODO ECONOMETRIA. Bondad del ajuste Contraste de hipótesis

TODO ECONOMETRIA. Bondad del ajuste Contraste de hipótesis TODO ECONOMETRIA Bondad del ajuste Contraste de hipótesis Índice Bondad del ajuste: Coeficiente de determinación, R R ajustado Contraste de hipótesis Contrastes de hipótesis de significación individual:

Más 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

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

Más Allá del Modelo de Regresión Lineal. Dante A. Urbina

Más Allá del Modelo de Regresión Lineal. Dante A. Urbina Más Allá del Modelo de Regresión Lineal Dante A. Urbina CONTENIDOS 1. Modelos de Regresión No Lineales 2. Modelos de Respuesta Cualitativa 3. Datos de Panel 4. Modelos Autorregresivos y de Rezagos 5. Modelos

Más detalles

DEMANDA DE AUTOMOVILES EN ESPAÑA

DEMANDA DE AUTOMOVILES EN ESPAÑA MODELO ECONOMETRICO DEMANDA DE AUTOMOVILES EN ESPAÑA Pablo Javier Benavides Montes (pablojavier@correo.ugr.es) 3º GECO A INDICE: Pagina 1. Resumen..2 2. Motivaciones.2 3. Introducción..2-4 4. Datos 5-9

Más detalles

El problema de la endogeneidad Variables proxy Variables instrumentales STATA. Endogeneidad. Gabriel Montes-Rojas

El problema de la endogeneidad Variables proxy Variables instrumentales STATA. Endogeneidad. Gabriel Montes-Rojas Gabriel V. Montes-Rojas El problema de la endogeneidad Una variable es endógena si Cov(x j, error) = 0. Una variable es exógena si Cov(x j, error) = 0. Consideremos el modelo log(wage) = β 0 + β 1 educ

Más detalles

Econometría III Examen. 29 de Marzo de 2012

Econometría III Examen. 29 de Marzo de 2012 Econometría III Examen. 29 de Marzo de 2012 El examen consta de 20 preguntas de respuesta múltiple. El tiempo máximo es 1:10 minutos. nota: no se pueden hacer preguntas durante el examen a no ser que sean

Más detalles

Contrastes de restricciones lineales y predicción

Contrastes de restricciones lineales y predicción Tema 4 Contrastes de restricciones lineales y predicción Contenido 4.1. Contrastes de restricciones lineales................. 78 4.2. Contrastes utilizando Gretl..................... 80 4.3. Estimación

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

Inferencia y Especificación en Modelos de Ecuaciones Simultáneas

Inferencia y Especificación en Modelos de Ecuaciones Simultáneas Inferencia y Especificación en Modelos de Ecuaciones Simultáneas Economía Aplicada III (UPV/EHU) OCW 2013 Contenidos 1 Inferencia con estimadores de información limitada Contrastes de restricciones con

Más detalles

Estadística II Tema 4. Regresión lineal simple. Curso 2009/10

Estadística II Tema 4. Regresión lineal simple. Curso 2009/10 Estadística II Tema 4. Regresión lineal simple Curso 009/10 Tema 4. Regresión lineal simple Contenidos El objeto del análisis de regresión La especificación de un modelo de regresión lineal simple Estimadores

Más detalles

Econometría. Auxiliar 4. Profesor : Mattia Makovec Semestre : Otoño 2010 Auxiliar : Gonzalo Viveros A.

Econometría. Auxiliar 4. Profesor : Mattia Makovec Semestre : Otoño 2010 Auxiliar : Gonzalo Viveros A. Econometría Auxiliar 4 Profesor : Mattia Makovec Semestre : Otoño 2010 Auxiliar : Gonzalo Viveros A. Pregunta 1 El archivo salarios.xls contiene observaciones mensuales en US$ del salario (Wage) de 935

Más detalles

TODO ECONOMETRIA TEMA 1: MODELO BASICO DE REGRESIÓN LINEAL MULTIPLE (MBRL)

TODO ECONOMETRIA TEMA 1: MODELO BASICO DE REGRESIÓN LINEAL MULTIPLE (MBRL) TODO ECONOMETRIA TEMA 1: MODELO BASICO DE REGRESIÓN LINEAL MULTIPLE (MBRL) NOTA IMPORTANTE - Estas notas son complementarias a las notas de clase del primer semestre correspondientes a los temas de Regresión

Más 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

Prácticas Tema 6. Modelos de ecuaciones simultáneas

Prácticas Tema 6. Modelos de ecuaciones simultáneas Prácticas Tema 6. Modelos de ecuaciones simultáneas Ana J. López y Rigoberto Pérez Dpto. Economía Aplicada, Universidad de Oviedo PRÁCTICA 6.1- La oferta agregada de determinado producto agrícola (QS)

Más detalles

Índice. Diseños factoriales. José Gabriel Palomo Sánchez E.U.A.T. U.P.M. Julio de 2011

Índice. Diseños factoriales. José Gabriel Palomo Sánchez E.U.A.T. U.P.M. Julio de 2011 Diseños factoriales José Gabriel Palomo Sánchez gabrielpalomo@upmes EUAT UPM Julio de 2011 Índice 1 Diseños factoriales con dos factores 1 Denición 2 Organización de los datos 3 Ventajas de los diseños

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 Estacionarias (Multivariadas) Carlos Capistrán Carmona ITAM 1 Principios de Pronóstico. 2 Pruebas de Hipótesis. 3 Estimación

Más detalles

Regresores deterministas

Regresores deterministas CAPíTULO 7 Regresores deterministas 7.1. Variables ficticias Los datos estadísticos que se utilizan en un modelo de regresión pueden corresponder a variables cuantitativas y cualitativas. Mientras que

Más detalles

Econometría Universidad Carlos III de Madrid Soluciones Examen Final 27 de Mayo de 2013

Econometría Universidad Carlos III de Madrid Soluciones Examen Final 27 de Mayo de 2013 Econometría Universidad Carlos III de Madrid Soluciones Examen Final 27 de Mayo de 2013 1. [6 puntos/sobre 10] Estamos interesados en estudiar el impacto del tamaño de la familia (número de hijos) en la

Más detalles

Econometría II Grado en finanzas y contabilidad

Econometría II Grado en finanzas y contabilidad Econometría II Grado en finanzas y contabilidad Metodología Box-Jenkins Profesora: Dolores García Martos E-mail:mdgmarto@est-econ.uc3m.es Este documento es un resumen/modificación de la documentación elaborada

Más detalles

Estimación de modelos multiecuacionales mediante el entorno de programación R

Estimación de modelos multiecuacionales mediante el entorno de programación R Estimación de modelos multiecuacionales mediante el entorno de programación R 1. Resumen En el presente documento vamos a abordar la estimación de modelos de ecuaciones simultáneas mediante el entorno

Más detalles

Se permite un folio escrito por las dos caras. Cada problema se realiza en hojas diferentes y se entregan por separado.

Se permite un folio escrito por las dos caras. Cada problema se realiza en hojas diferentes y se entregan por separado. NORMAS El examen consta de dos partes: 0.0.1. Diez Cuestiones: ( tiempo: 60 minutos) No se permite ningún tipo de material (libros, apuntes, calculadoras,...). No se permite abandonar el aula una vez repartido

Más 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

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

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

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

Economía Aplicada. Regresión Lineal. Basado en Stock y Watson (cap.4-6), Wooldridge (cap.3-5)

Economía Aplicada. Regresión Lineal. Basado en Stock y Watson (cap.4-6), Wooldridge (cap.3-5) Economía Aplicada Regresión Lineal Basado en Stock y Watson (cap.4-6), Wooldridge (cap.3-5) Outline 1 Modelo de Regresión Lineal Simple Introducción Supuestos Interpretación de los coeficientes Estimación

Más detalles

Tema 5. Muestreo y distribuciones muestrales

Tema 5. Muestreo y distribuciones muestrales 1 Tema 5. Muestreo y distribuciones muestrales En este tema: Muestreo y muestras aleatorias simples. Distribución de la media muestral: Esperanza y varianza. Distribución exacta en el caso normal. Distribución

Más detalles

REGRESIÓN LINEAL SIMPLE

REGRESIÓN LINEAL SIMPLE REGRESIÓN LINEAL SIMPLE 1. El problema de la regresión lineal simple. Método de mínimos cuadrados 3. Coeficiente de regresión 4. Coeficiente de correlación lineal 5. El contraste de regresión 6. Inferencias

Más detalles

ECONOMETRÍA II Prof.: Begoña Álvarez TEMA 1 INTRODUCCIÓN. Estimación por máxima verosimilitud y conceptos de teoría asintótica

ECONOMETRÍA II Prof.: Begoña Álvarez TEMA 1 INTRODUCCIÓN. Estimación por máxima verosimilitud y conceptos de teoría asintótica ECONOMETRÍA II Prof.: Begoña Álvarez 2007-2008 TEMA 1 INTRODUCCIÓN Estimación por máxima verosimilitud y conceptos de teoría asintótica 1. ESTIMACIÓN POR MÁXIMA VEROSIMILITUD (MAXIMUM LIKELIHOOD) La estimación

Más detalles

ECONOMETRÍA II: ECONOMETRÍA DE SERIES TEMPORALES. Modelos econométricos dinámicos uniecuacionales

ECONOMETRÍA II: ECONOMETRÍA DE SERIES TEMPORALES. Modelos econométricos dinámicos uniecuacionales ECONOMETRÍA II: ECONOMETRÍA DE SERIES TEMPORALES Modelos econométricos dinámicos uniecuacionales Introducción: Hemos estudiado modelos de tipo: y t = φ 0 + p i=1 φ iy t i + q j=0 θ jɛ t j y t = β x t +

Más detalles

Examen de Introducción a la Econometría 8 de septiembre de 2008

Examen de Introducción a la Econometría 8 de septiembre de 2008 NOMBRE DNI: GRUPO Firma: MODELO 1: SOLUCIONES Examen de Introducción a la Econometría 8 de septiembre de 008 Sólo una respuesta es válida. Debe justificar la respuesta de cada pregunta en el espacio que

Más detalles

Obligatoria Optativa Extracurricular Curso Seminario Taller. Clave seriación 45 Laboratorio. Horas prácticas de campo

Obligatoria Optativa Extracurricular Curso Seminario Taller. Clave seriación 45 Laboratorio. Horas prácticas de campo Carta descriptiva Datos de identificación Programa Nombre de la asignatura Tipo de Asignatura Maestría en Economía Aplicada Econometría I Ciclo Primer semestre Obligatoria Optativa Extracurricular Curso

Más 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

Tribunal de la Oposición al Cuerpo Superior de Estadísticos del Estado

Tribunal de la Oposición al Cuerpo Superior de Estadísticos del Estado Tribunal de la Oposición al Cuerpo Superior de Estadísticos del Estado Pruebas selectivas para el ingreso en el Cuerpo Superior de Estadísticos del Estado. Orden ECC/1517/2015, de 16 de Julio (BOE 27/07/2015).

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

Actividad A5.1. Cambio de escala. a. Para estimar el modelo (1) se pincha: Modelo -- Mínimos cuadrados ordinarios SCR = 7803, 175 R 2 = 0, 89855

Actividad A5.1. Cambio de escala. a. Para estimar el modelo (1) se pincha: Modelo -- Mínimos cuadrados ordinarios SCR = 7803, 175 R 2 = 0, 89855 Actividad A5.1. Cambio de escala. Alquiler de sombrillas a. Para estimar el modelo (1) se pincha: Ŝ t = 22, 1467 0, 610208 P t + 11, 7892 T t t = 1, 2,..., 22 SCR = 7803, 175 R 2 = 0, 89855 ˆβ 1 : se estima

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

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

Análisis de la varianza. Magdalena Cladera Munar Departamento de Economía Aplicada Universitat de les Illes Balears

Análisis de la varianza. Magdalena Cladera Munar Departamento de Economía Aplicada Universitat de les Illes Balears Análisis de la varianza Magdalena Cladera Munar mcladera@uib.es Departamento de Economía Aplicada Universitat de les Illes Balears CONTENIDOS Análisis de la varianza de un factor. Análisis de la varianza

Más detalles

Economía Aplicada. Modelos con variables dependiente binarias. Departamento de Economía Universidad Carlos III de Madrid

Economía Aplicada. Modelos con variables dependiente binarias. Departamento de Economía Universidad Carlos III de Madrid Economía Aplicada Modelos con variables dependiente binarias Departamento de Economía Universidad Carlos III de Madrid Ver Stock y Watson (capítulo 11) 1 / 28 Modelos con variables dependiente binarias:

Más 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

ECONOMETRIA. Tema 6: MODELOS CON VARIABLES EXPLICATIVAS ENDÓGENAS. César Alonso. Universidad Carlos III de Madrid

ECONOMETRIA. Tema 6: MODELOS CON VARIABLES EXPLICATIVAS ENDÓGENAS. César Alonso. Universidad Carlos III de Madrid ECONOMETRIA Tema 6: MODELOS CON VARIABLES EXPLICATIVAS ENDÓGENAS César Alonso Universidad Carlos III de Madrid César Alonso (UC3M) ECONOMETRIA. Tema 6 1 / 70 Endogeneidad Dado el modelo de regresión lineal:

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

Variables Dependientes Limitadas

Variables Dependientes Limitadas Variables Dependientes Limitadas Muestras Truncadas y Censuradas: revisión En algunos casos las variables dependientes pueden estar limitadas en su rango. Ejemplos típicos son las limitaciones por la forma

Más detalles

MODELO DE RESPUESTAS Objetivos 2, 3, 4, 5, 6, 7, Y 8.

MODELO DE RESPUESTAS Objetivos 2, 3, 4, 5, 6, 7, Y 8. UNIVERSIDAD NACIONAL ABIERTA ESTADÍSTICA GENERAL 745) VICERRECTORADO ACADÉMICO INTEGRAL ÁREA DE MATEMÁTICA Fecha: 17/ 01 /009 MODELO DE RESPUESTAS Objetivos, 3, 4, 5, 6, 7, Y 8. OBJ. 1 PTA 1 Una compañía

Más detalles

Experimentos con factores aleatorios. Diseño de experimentos p. 1/36

Experimentos con factores aleatorios. Diseño de experimentos p. 1/36 Experimentos con factores aleatorios Diseño de experimentos p. 1/36 Introducción Hasta ahora hemos supuesto que los factores de un experimento son factores fijos, esto es, los niveles de los factores usados

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

UNIVERSIDAD DE VALLADOLID FACULTAD DE CIENCIAS ECONÓMICAS Y EMPRESARIALES DEPARTAMENTO DE ECONOMÍA APLICADA PROYECTO DOCENTE DE ECONOMETRÍA

UNIVERSIDAD DE VALLADOLID FACULTAD DE CIENCIAS ECONÓMICAS Y EMPRESARIALES DEPARTAMENTO DE ECONOMÍA APLICADA PROYECTO DOCENTE DE ECONOMETRÍA UNIVERSIDAD DE VALLADOLID FACULTAD DE CIENCIAS ECONÓMICAS Y EMPRESARIALES DEPARTAMENTO DE ECONOMÍA APLICADA PROYECTO DOCENTE DE ECONOMETRÍA LICENCIATURA: ADMINISTRACIÓN Y DIRECCIÓN DE EMPRESAS CURSO: CUARTO

Más detalles

MODELOS DE ECUACIONES SIMULTANEAS

MODELOS DE ECUACIONES SIMULTANEAS Universidad de Murcia Workshop Grupo de computación paralela 15 de Diciembre de 2010 1 Modelos de Ecuaciones Simultáneas. 2 3 4 Conceptos previos. La regresión lineal es un método matemático que modeliza

Más detalles

Estadística y sus aplicaciones en Ciencias Sociales 5. Estimación. Facultad de Ciencias Sociales, UdelaR

Estadística y sus aplicaciones en Ciencias Sociales 5. Estimación. Facultad de Ciencias Sociales, UdelaR Estadística y sus aplicaciones en Ciencias Sociales 5. Estimación Facultad de Ciencias Sociales, UdelaR Índice 1. Repaso: estimadores y estimaciones. Propiedades de los estimadores. 2. Estimación puntual.

Más detalles

ESTADISTICA II. INGENIERIA INFORMATICA, 3 ER Curso Septiembre Primera Parte

ESTADISTICA II. INGENIERIA INFORMATICA, 3 ER Curso Septiembre Primera Parte ESTADISTICA II INGENIERIA INFORMATICA, 3 ER Curso 13 - Septiembre - 2.004 Primera Parte Apellidos y Nombre:... D.N.I. :... Nota : En la realización de este examen sólo esta permitido utilizar calculadoras

Más detalles

Estadística para la Economía y la Gestión IN 3401 Clase 5

Estadística para la Economía y la Gestión IN 3401 Clase 5 Estadística para la Economía y la Gestión IN 3401 Clase 5 21 de octubre de 2009 1 Variables Dummies o cualitativas 2 Omisión de Variables Relevantes Impacto sobre el Insesgamiento Impacto sobre la Varianza

Más detalles

Diplomado en Econometría Coordinadora académica: M.F. Esperanza Sainz López

Diplomado en Econometría Coordinadora académica: M.F. Esperanza Sainz López Diplomado en Econometría Coordinadora académica: M.F. Esperanza Sainz López Brindar al alumno los conocimientos de los métodos econométricos fundamentales y de los conceptos estadísticos que éstos requieren,

Más detalles

Prueba de Hipótesis. Para dos muestras

Prueba de Hipótesis. Para dos muestras Prueba de Hipótesis Para dos muestras Muestras grandes (n mayor a 30) Utilizar tabla Z Ho: μ1 = μ2 H1: μ1 μ2 Localizar en valor de Zt en la tabla Z Error estándar de la diferencia de medias Prueba de

Más detalles

ESTADISTICA II. INGENIERIA INFORMATICA, 3 ER Curso

ESTADISTICA II. INGENIERIA INFORMATICA, 3 ER Curso ESTADISTICA II INGENIERIA INFORMATICA, 3 ER Curso 22 - Diciembre - 2.006 Primera Parte - Test Apellidos y Nombre:... D.N.I. :... Nota : En la realización de este examen sólo esta permitido utilizar calculadoras

Más 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

ECONOMETRIA. Tema 5: ERRORES DE ESPECIFICACIÓN. César Alonso UC3M. César Alonso (UC3M) ECONOMETRIA. Tema 5 1 / 35

ECONOMETRIA. Tema 5: ERRORES DE ESPECIFICACIÓN. César Alonso UC3M. César Alonso (UC3M) ECONOMETRIA. Tema 5 1 / 35 ECONOMETRIA Tema 5: ERRORES DE ESPECIFICACIÓN César Alonso UC3M César Alonso (UC3M) ECONOMETRIA. Tema 5 1 / 35 Introducción Hemos visto que el estimador MCO tiene buenas propiedades bajo los supuestos

Más detalles

El modelo Lineal General

El modelo Lineal General El Lineal General Román Salmerón Gómez Universidad de Granada RSG El lineal uniecuacional múltiple 1 / 68 Estimación del Validación del Explotación del Estimación del Validación del Explotación del RSG

Más 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

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

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

Estadística para la Economía y la Gestión IN 3401

Estadística para la Economía y la Gestión IN 3401 Estadística para la Economía y la Gestión IN 3401 3 de junio de 2010 1 Modelo de Regresión con 2 Variables Método de Mínimos Cuadrados Ordinarios Supuestos detrás del método MCO Errores estándar de los

Más 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

Gráfico 1: Evolución del exceso de rentabilidad de la empresa y de la cartera de mercado

Gráfico 1: Evolución del exceso de rentabilidad de la empresa y de la cartera de mercado Caso 1: Solución Apartado a) - 2 0 2 4 6 0 2 0 4 0 6 0 8 0 1 0 0 p e r i o d E x c e s s r e t u r n, c o m p a n y a e x c e s s r e t u r n m a r k e t p o r t f o l i o Gráfico 1: Evolución del exceso

Más 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

Walter Sosa Escudero. Universidad Nacional de Cordoba Econometría de Datos en Paneles. 19 de Mayo de 2004

Walter Sosa Escudero. Universidad Nacional de Cordoba Econometría de Datos en Paneles. 19 de Mayo de 2004 Universidad Nacional de Cordoba Econometría de Datos en Paneles Walter Sosa Escudero (wsosa@udesa.edu.ar) Universidad de San Andres y UNLP 19 de Mayo de 2004 Econometria de Datos en Paneles Walter Sosa

Más detalles

ECONOMETRÍA I. Tema 3: El Modelo de Regresión Lineal Múltiple: estimación

ECONOMETRÍA I. Tema 3: El Modelo de Regresión Lineal Múltiple: estimación ECONOMETRÍA I Tema 3: El Modelo de Regresión Lineal Múltiple: estimación Patricia Moreno Juan Manuel Rodriguez Poo Alexandra Soberon Departamento de Economía Alexandra Soberon (UC) ECONOMETRÍA I 1 / 45

Más 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

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

MÓDULO X. LA DINÁMICA DE LA ECONOMÍA MUNDIAL PROGRAMA OPERATIVO MATEMÁTICAS ECONOMETRÍA I. Profesor: Noé Becerra Rodríguez.

MÓDULO X. LA DINÁMICA DE LA ECONOMÍA MUNDIAL PROGRAMA OPERATIVO MATEMÁTICAS ECONOMETRÍA I. Profesor: Noé Becerra Rodríguez. MÓDULO X. LA DINÁMICA DE LA ECONOMÍA MUNDIAL PROGRAMA OPERATIVO MATEMÁTICAS ECONOMETRÍA I Profesor: Noé Becerra Rodríguez Objetivo general: Introducir los aspectos fundamentales del proceso de construcción

Más detalles

ECONOMETRÍA II PRÁCTICAS DE ORDENADOR. Práctica 3

ECONOMETRÍA II PRÁCTICAS DE ORDENADOR. Práctica 3 ECONOMETRÍA II PRÁCTICAS DE ORDENADOR Práctica 3 Considere la ecuación de inversión RINV t = β 1 +β 2 RPIB t +β 3 r t +u t donde RINV es la inversión real privada, RPIB es el PIB real y r es el tipo de

Más detalles

COBERTURA CONTRA LA INFLACION REAL EN ARGENTINA

COBERTURA CONTRA LA INFLACION REAL EN ARGENTINA COBERTURA CONTRA LA INFLACION REAL EN ARGENTINA Fausto Spotorno (Director del Centro de Estudios Económicos de Orlando J. Ferreres y Asociados) Alejandro Aranda (Analista sales and trading MBA-Lazard)

Más detalles

TEMA 2: Propiedades de los estimadores MCO

TEMA 2: Propiedades de los estimadores MCO TEMA 2: Propiedades de los estimadores MCO Econometría I M. Angeles Carnero Departamento de Fundamentos del Análisis Económico Curso 2011-12 Econometría I (UA) Tema 2: Pdades de los estimadores MCO Curso

Más detalles

Estimación del Probit Ordinal y del Logit Multinomial

Estimación del Probit Ordinal y del Logit Multinomial Estimación del Probit Ordinal y del Logit Multinomial Microeconomía Cuantitativa R. Mora Departmento de Economía Universidad Carlos III de Madrid Esquema Introducción 1 Introducción 2 3 Introducción El

Más detalles

Regresión lineal. Marcelo Rodríguez Ingeniero Estadístico - Magíster en Estadística

Regresión lineal. Marcelo Rodríguez Ingeniero Estadístico - Magíster en Estadística Regresión lineal Marcelo Rodríguez Ingeniero Estadístico - Magíster en Estadística Universidad Católica del Maule Facultad de Ciencias Básicas Pedagogía en Matemática Estadística I 01 de enero de 2012

Más detalles