Tema 2. Heterocedasticidad. 1 El modelo de regresión lineal con errores heterocedásticos
|
|
- Celia Carmona Salinas
- hace 6 años
- Vistas:
Transcripción
1 ema 2. Heterocedasticidad. El modelo de regresión lineal con errores heterocedásticos En este tema vamos a analizar el modelo de regresión lineal Y t = X tβ + u t, donde X t = (X t, X 2t,.., X kt y β = (β, β 2,.., β k, con regresores aleatorios, errores potencialmente heterocedásticos y observaciones iid, es decir supondremos que:{(y t, X t } son vectores aleatorios independientes e idénticamente distribuidos (iid; por tanto, {u t } también es iid y que se verifican los supuestos (a y (c: (a E(u t X t = 0 E(Y t X t = X tβ (c Σ = E(X t X t es definida positiva. En ausencia del supuesto (b la varianza de u t condicionada a X t puede ser cualquier función de X t, es decir, en general tendremos que (b V ar(u t X t = E(u 2 t X t = g(x t V ar(y t X t = g(x t Notas: Nótese que el supuesto (b del ema es un caso particular de (b cuando g(x t es constante. Nótese también que puesto que las observaciones son iid la varianza marginal de u t es constante (todos los errores tienen la misma distribución y por tanto la misma varianza. Si llamamos σ 2 a la varianza marginal de u t, podemos escribir (b como(b V ar(u t X t = E(u 2 t X t = g(x t = σ 2 ω(x t V ar(y t X t = g(x t = σ 2 ω(x t de forma que el supuesto de homocedasticidad sería ω(x t = En ocasiones se utiliza la notación simplificada V ar(u t X t = g(x t = σ 2 t V ar(u t X t = g(x t = σ 2 ω(x t = σ 2 ω t pero debe recordarse que σ 2 t y ω t varían con la observación t porque son una función del vector X t. Por tanto, en la mayor parte del tema no se utilizará esta notación simplificada para enfatizar la dependencia de la varianza respecto de los regresores X t.
2 Como las observaciones son independientes, Podemos escribir (a y (b condicionando en todas las observaciones y no sólo a la t-ésima, es decir, el supuesto (a equivale a E(u t X, X 2,..X = E(u t X = 0 y (b equivale a V ar(u t X, X 2,..X = V ar(u t X = E ( u 2 t X = σ 2 ω(x t Por tanto, en notación matricial podemos escribir (a y (b como: (a E(u X = 0 E(Y X = Xβ (b V ar(u X = E(uu X = σ 2 Ω V ar(y X = σ 2 Ω, donde Ω es una matriz diagonal cuyo elemento (t, t es ω(x t. Es decir la matriz Ω es ω(x ω(x 2 0 Ω = ω(x 2 Estimación MCO en presencia de heterocedasticidad Bibliografía: Alonso et al., 9.3 y 9.7; Greene, 2.2 y.2.5; Wooldridge, 8. y Propiedades estadísticas en muestras finitas Insesgadez Como ya vimos en el tema, si se verifican los supuestos (a y (c el estimador MCO de β es insesgado (demostración en el ema. Varianza del estimador MCO Si se verifican los supuestos (a y (c V ar( β X = σ 2 (X X ( ω(x t X t X t (X X Demostración V ar( β X = E [ ] [ ] ( β E( β X( β E( β X X = E ( β β( β β X = E [ (X X X uu X(X X X ] = (X X X E(uu XX(X X = σ 2 (X X X ΩX(X X 2
3 y puesto que ω(x 0 0 X X ΩX = [ ] 0 ω(x 2 0 X 2 X, X 2,..., X ω(x X X = [ ( ] X 2 ω(x X, ω(x 2 X 2,..., ω(x X = ω(x t X t X t. X tenemos que ( V ar( β X = σ 2 (X X ω(x t X t X t (X X Nota: Puesto que V ar( β X σ 2 (X X, σ 2 (X X no es un estimador apropiado de V ar( β MCO. Como consecuencia de este resultado, cuando los errores son heterocedásticos, ni los errores estándar, ni los contrastes que vimos en Econometría I son válidos, ya que estaban basados en la matriz V ar( β MCO = σ 2 (X X. El estimador MCO no es el estimador lineal e insesgado de mínima varianza Si no se verifica el supuesto (b, el estimador MCO no es el estimador lineal e insesgado de mínima varianza 2.2 Propiedades asintóticas Consistencia Si las observaciones son iid y se cumplen los supuestos (a y (c, como ya vimos en el tema, el estimador MCO de β es consistente (demostración en el ema. Normalidad asintótica Si las observaciones son iid y se cumplen los supuestos (a y (c, entonces ( β β d N(0, Σ ( σ 2 Ψ Σ donde Ψ = E(ω(X t X t X t 3
4 Demostración ( β β = ( X t X t X t u t Consideremos la sucesión de vectores aleatorios Z t = X t u t, utilizando la ley de las esperanzas iteradas E(Z t = E(X t u t = E(E(X t u t X t = E(X t E(u t X t = 0 utilizando de nuevo la ley de las esperanzas iteradas V ar(z t = V ar(x t u t = E(X t u t u t X t = E(E(u 2 t X t X t X t = E(E(u 2 t X t X t X t = σ 2 E(ω(X t X t X t = σ 2 Ψ Puesto que los vectores Z t son iid y todos tienen media cero y varianza σ 2 Ψ, utilizando el eorema Central del Límite X t u t d N(0, σ 2 Ψ ( Por otra parte, utilizando la ley de los grandes números X t X t p Σ = E(X t X t y puesto que Σ es definida positiva, utilizando el teorema de la función continua ( X t X t p Σ (2 y por tanto, utilizando ( y (2 ( β β d N(0, Σ ( σ 2 Ψ Σ Estimación de la varianza límite del estimador MCO (Matriz de varianzas de White Se puede demostrar que, bajo condiciones muy generales, la matriz S = e 2 t X t X t p σ 2 Ψ donde e t son los residuos MCO y por tanto, ( ( X X (X e 2 t X t X t X p Σ ( σ 2 Ψ Σ 4
5 Así que, cuando los errores son heterocedásticos, la matriz V ar W ( βmco = ( ( X X (X e 2 t X t X X t = (X X ( e 2 t X t X t (X X, es un estimador apropiado de la matriz de varianzas de β MCO que se denomina estimador de White de la matriz de varianzas de β MCO. V ar W ( βmco también se denomina matriz de varianzas estimada de β MCO robusta a heterocedasticidad ya que es un estimador apropiado de la matriz de varianzas de β MCO tanto cuando los errores son heterocedásticos como cuando son homocedásticos. Los errores estándar basados en esta matriz se denominan errores estándar robustos a heterocedasticidad. Como veremos a continuación, la matriz de varianzas estimada de β MCO robusta a heterocedasticidad permite realizar inferencia utilizando el estimador MCO sin necesidad de especificar el tipo de heterocedasticidad. El estimador MCO no es asintóticamente eficiente Si no se verifica el supuesto (b, el estimador MCO no es asintóticamente eficiente. 2.3 Contraste de hipótesis Contrastes de q restricciones lineales: H 0 : Rβ = r H : Rβ r siendo R una matriz q k y r un vector q. Supondremos que las observaciones son iid y que se cumplen los supuestos (a y (c Hemos demostrado que bajo estos supuestos ( β β N(0, N(0, Σ ( σ 2 Ψ Σ Multiplicando por la izquierda por R (R β Rβ N(0, RΣ (σ 2 ΨΣ R Bajo H 0 (R β r N(0, RΣ (σ 2 ΨΣ R ( Por otra parte tenemos que ( ( X X (X e 2 t X t X t X = V ar W ( βmco p Σ (σ 2 ΨΣ 5
6 Multiplicando por la izquierda por R y por la derecha por R RV ar W ( βmco R p RΣ (σ 2 ΨΣ R (2 Utilizando (, (2 y el ejemplo 5 de convergencia en distribución (ema, el estadístico de contraste es W = (R β r ( RV ar W ( βmco R (R β r = (R β r (R V ar W ( βmco R (R β r χ 2 q Bajo H 0 y rechazaremos H 0 a nivel α si W > χ 2 q,α. Nótese que el estadístico de contraste es similar al que obtuvimos en el ema. La diferencia es que ahora la matriz de varianzas estimada del estimador MCO es la matriz de varianza de White, mientras que en el ema la varianza estimada del estimador MCO era σ 2 (X X Contrastes de una restricción lineal: (a H 0 : Rβ = r (b H 0 : Rβ = r (c H 0 : Rβ = r H : Rβ r H : Rβ > r H : Rβ < r Ahora R es un vector fila k y r es un escalar. En este caso, para el contraste (a podemos utilizar el estadístico W que acabamos de ver. Sin embargo, para los contrastes (b y (c no podemos utilizar dicho estadístico. Para los contrastes (b y (c (y también para el (a utilizando (, (2 y el ejemplo 6 de convergencia en distribución (ema podemos construir el estadístico: t = (R β r RV ar = W ( βr (R β r RV ar N(0, Bajo H 0 W ( βr En este caso rechazaremos H 0 a nivel α si En particular para contrastar (a : t > z α/2 (b : t > z α (c : t < z α. (a H 0 : β j = β 0 j (b H 0 : β j = β 0 j (c H 0 : β j = β 0 j H : β j β 0 j H : β j > β 0 j H : β j < β 0 j 6
7 todos los elementos del vector R son cero salvo el elemento j que es uno. Por tanto, RV ar W ( βr = V ar W ( β j y RV ar W ( βr = SE W ( β j. El estadístico de contraste es β j βj 0 t = SE W ( β j N(0, Bajo H 0 Nota Los estadísticos de contraste W y t que hemos obtenido en esta sección se denominan estadísticos robustos a heterocedasticidad ya que pueden utilizarse tanto cuando los errores son heterocedásticos como cuando son homocedásticos. 3 Contrastes de heterocedasticidad Bibliografía: Alonso et al., 9.4;Greene, ; Wooldridge, Contraste de Breusch-Pagan. La versión original del contraste Breusch-Pagan asumía que los errores u t seguían una distribución normal. Posteriormente se desarrolló una versión de este contraste que no requiere normalidad. Debido a su mayor aplicabilidad, la que se expone a continuación es la versión más reciente. La hipótesis nula del contraste de Breusch-Pagan es que los errores son homocedásticos, es decir H 0 : V ar(u t X t = E(u 2 t X t = σ 2 Por tanto, si la hipótesis nula no es cierta, E (u 2 t X t no será constante, sino que será función de al menos una de las variables explicativas del modelo. H : V ar(u t X t = E(u 2 t X t = g (Z t = σ 2 t donde Z t = (Z t,..., Z pt son algunas (o todas las variables explicativas del vector X t y/o funciones conocidas de ellas. Por tanto, una forma de comprobar si la media de u 2 t depende de ese subconjunto Z t = (Z t,..., Z pt de las variables explicativas es mediante la regresión u 2 t = δ 0 + δ Z t δ p Z pt + v t, donde v t es un término de error que suponemos tiene esperanza cero dadas Z t,...,z pt. La hipótesis nula de homocedasticidad es H 0 : δ =... = δ p = 0, 7
8 Si bien los errores u t, t =, 2,.., no son observables, podemos utilizar los residuos MCO e t, t =, 2,.., como estimaciones de los errores. Así, podemos estimar la ecuación e 2 t = δ 0 + δ Z t δ p Z pt + error t y contrastar la significatividad conjunta de Z,..., Z p. El contraste de significatividad conjunta puede realizarse con el estadístico de Wald, pero más generalmente se opta por el estadístico de contraste llamado Multiplicador de Lagrange, cuyo fundamento puede verse por ejemplo en Wooldridge (2006, C. 5. Los pasos para realizar el contraste Breusch-Pagan de heterocedasticidad son: ( Se estima por MCO Y t = X tβ + u t y se calculan los residuos (e t. (2 A continuación se estima por MCO la ecuación e 2 t = δ 0 + δ Z t δ p Z pt + error t. (3 El estadístico de contraste (Multiplicador de Lagrange y su distribución bajo H 0 son R 2 χ 2 p siendo R 2 el coeficiente de determinación de la regresión del paso (2 y p el número variables explicativas (excluyendo la constante en la regresión del paso ( Contraste de White. Este contraste es un caso particular del contraste de Breusch-Pagan, para contrastar homocedasticidad frente a una forma genérica de heterocedasticidad H 0 : V ar(u t X t = E(u 2 t X t = σ 2 H : V ar(u t X t = E(u 2 t X t = σ 2 ω (X t donde ω (X t es una función general no especificada. En el contexto de un modelo de regresión lineal, White probó que si u 2 t no está correlacionado con ninguna de las variables independientes del modelo (X jt, ni con sus cuadrados (Xjt, 2 ni con todos los productos cruzados (X jt X ht, j h, entonces no hay necesidad de utilizar una matriz de covarianzas robusta a heterocedasticidad en la estimación MCO. Pasos para realizar el contraste de White. ( Se estima Y t = X tβ + u t por MCO y se calculan los residuos e t. (2 Se estima por MCO la regresión de e 2 t sobre una constante, sobre los regresores del modelo original, sobre los cuadrados de estos regresores y sobre los productos cruzados de los mismos. 8
9 (3 El estadístico de contraste es R 2, donde R 2 es el coeficiente de determinación de la regresión del paso (2. Bajo H 0, R 2 χ 2 p, donde p es el número total de regresores (sin incluir la constante de la regresión del paso (2. Intuitivamente, lo que se hace es analizar si existe una heterocedasticidad del tipo ω(x t = α 0 + k k j= m=j α jmx jt X mt, puesto que la función desconocida ω (X t siempre se puede aproximar de esta forma (es una aproximación de aylor de segundo orden. Notas:. Aunque el modelo original no tenga constante, la regresión auxiliar del paso 2 siempre debe incluir una constante. 2. Se deben eliminar los elementos redundantes en la regresión auxiliar del paso 2. Poner dos ejemplos sencillos de cómo quedaría la regresión del paso 2: en un modelo con tres variables explicativas (incluida la constante, y en el modelo Y t = β + β 2 X 2t + β 3 X 2 2t + u t. 4 Estimación por Mínimos Cuadrados Generalizados Bibliografía: Alonso et al., 9.5; Greene, 2.4; Wooldridge, Heterocedasticidad conocida salvo por una constante multiplicativa. El estimador de Mínimos Cuadrados Generalizados (MCG En esta sección consideraremos el caso en el que la heterocedasticidad es conocida, es decir el caso en el que ω(x t es una función conocida del vector X t, siendo V ar(u t X t = σ 2 ω(x t. Vamos a ver que bajo este supuesto podemos transformar el modelo de forma que el modelo transformado verifique todos los supuestos básicos, y por tanto, el estimador MCO del modelo trasformado será el estimador lineal e insesgado de mínima varianza. La transformación consiste en dividir todas las variables del modelo por ω(x t. El modelo transformado es Y t ω(xt = ( ω(xt X t u t β + ω(xt = β ω(xt + β X 2t 2 ω(xt β X kt k ω(xt + u t ω(xt, t =, 2,..., 9
10 Si denotamos Yt Y = t, X ω(xt t = t y u t ω(xt t = u t ω(xt modelo transformado como Y t = X t β + u t podemos escribir el Vamos a ver ahora que efectivamente el modelo trasformado verifica todos los supuestos básicos {(Yt, Xt } son vectores aleatorios independientes e idénticamente distribuidos ya que (Yt, Xt es función de (Y t, X t y {(Y t, X t } son vectores aleatorios independientes e idénticamente distribuidos. Se verifica el supuesto (a ( E(u u t t X t = E ω(xt X t = ω(xt E (u t X t = 0 Se verifica el supuesto (b ( V ar(u u t t X t = V ar ω(xt X t = ω(x t V ar (u t X t = ω(x t σ2 ω(x t = σ 2 Se verifica el supuesto (c ya si E(X t X t tiene rango máximo entonces E(X t X t también tiene rango máximo Se define el estimador de Mínimos Cuadrados Generalizados (MCG como el estimador MCO del modelo transformado, es decir ( ( β MCG = X t Xt X t Yt Xt X t Xt Y t = ω(x t ω(x t y su matriz de varianzas es ( V ar βmcg X = σ 2 ( ( Xt Xt = σ 2 Xt X t ω(x t ambién lo podemos escribir utilizando la notación simplificada como ( ( β MCG = X t Xt X t Yt Xt X t Xt Y t = ω t ω t ( Xt X t Xt Y t = ( V ar βmcg X = σ 2 ( ( Xt Xt = σ 2 Xt X t ω t ( Xt X t = σ 2 t σ 2 t σ 2 t 0
11 Puesto que el modelo transformado verifica todos los supuestos básicos, el estimador MCG, que es el estimador MCO del modelo transformado, es el estimador lineal e insesgado de mínima varianza de β. Por la misma razón, el estimador MCG es consistente y asintóticamente normal. Para contrastar restricciones lineales utilizando el estimador MCG, podemos utilizar los contrastes asintóticos que vimos en el ema. Además, si los errores son normales podemos utilizar los contrastes exactos bajo normalidad que vimos en Econometría I. Notas: Obsérvese que se están ponderando las observaciones a la hora de construir el estimador: Las observaciones con menor varianza tienen ahora un peso mayor que las observaciones con una varianza mayor. El estimador MCG también se denomina estimador de mínimos cuadrados ponderados. El supuesto de que la heterocedasticidad es conocida es conveniente ya que nos permite corregirla mediante la trasformación que acabamos de ver, de forma que podemos trabajar con modelo transformado que verifica todos los supuestos básicos. El problema es que este supuesto es poco realista en la mayoría de las aplicaciones. Poner algunos ejemplos y explicar al menos uno de ellos con detalle: V ar(u t X t = σ 2 X jt ; o bien V ar(u t X t = σ 2 X 2 jt; etc. 4.2 Heterocedasticidad dependiente de un conjunto de parámetros desconocidos. El estimador de Mínimos Cuadrados Generalizados Factible (MCGF Bibliografía: Alonso et al., 9.6; Greene, 2.5; Wooldridge, 8.4 En esta sección vamos a considerar el caso en el que la heterocedasticidad no es completamente conocida, sino que ω es una función conocida de un número pequeño de parámetros desconocidos. Es decir supondremos que V ar(u t X t = E(u 2 t X t = g(x t, δ = σ 2 ω(x t, α, siendo ω una función conocida y α un vector de parámetros desconocidos. Veremos como podemos en ese caso estimar los parámetros desconocidos de ω(x t, α y utilizaremos los parámetros estimados para calcular una estimación de ω(x t, α que utilizaremos para trasformar el modelo de forma análoga al caso en el que ω(x t era completamente conocida. Para estimar α utilizaremos una regresión auxiliar basada en los residuos MCO del modelo original. La regresión auxiliar depende del supuesto que hagamos sobre la función ω(x t, α como ilustran los siguientes ejemplos.
12 Ejemplo : σ 2 t = E(u 2 t X t = σ 2 X α jt donde X jt es uno de los regresores del modelo. Se estima por MCO la regresión auxiliar ln (e 2 t = ln (σ 2 + α ln X jt + v t, lo que permite obtener un estimador del escalar α, y a partir de ahí se obtiene ω t = X α jt. Ejemplo 2: σ 2 t = E(u 2 t X t = α Z t donde Z t es un subconjunto de los regresores del modelo que incluye la constante. Se estima por MCO la regresión auxiliar e 2 t = α Z t + v t, lo que permite obtener un estimador del vector α, y a partir de ahí se obtiene σ 2 t = ( α Z t Ejemplo 3: σt 2 = E(u 2 t X t = (α Z t 2 donde Z t es un subconjunto de los regresores del modelo que incluye la constante. Se estima por MCO la regresión auxiliar e t = α Z t + v t, lo que permite obtener un estimador del vector α, y a partir de ahí se obtiene σ t 2 = ( α Z t 2 Ejemplo 4: σ 2 t = E(u 2 t X t = exp (α Z t donde Z t es un subconjunto de los regresores del modelo que incluye la constante. Se estima por MCO la regresión auxiliar ln (e 2 t = α Z t + v t, lo que permite obtener un estimador del vector α, y a partir de ahí se obtiene σ 2 t = exp ( α Z t Una vez que hemos calculado ω t (o σ t 2 utilizaremos estas estimaciones para transformar el modelo análogamente al caso en el que la heterocedasticidad era completamente conocida es decir dividiremos todas las variables del modelo por ω t (o bien por σ t 2. El estimador MCO del modelo transformado se denomina en este caso estimador de Mínimos Cuadrados Generalizados Factible (MCGF y su expresión es [ ] Xt X β [ ] [ t Xt Y t ] Xt X [ ] t Xt Y t MCGF = =. ω t ω t Bajo estos supuestos, el estimador MCGF tiene las mismas propiedades asintóticas que el MCG. Sin embargo, sus propiedades en muestras finitas son en general desconocidas. Para contrastar restricciones lineales utilizando el estimador MCGF, podemos utilizar los contrastes asintóticos que vimos en el ema. Nótese que aunque los errores sean normales los contrastes exactos bajo normalidad que vimos en econometría I no son válidos. σ 2 t σ 2 t 2
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 detallesTema 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 detallesGUIÓN TEMA 2. PROPIEDADES DE LOS ESTIMADORES MCO 2.1 PROPIEDADES ESTADÍSTICAS DEL ES- TIMADOR MCO DE.
ECONOMETRIA I. Departamento de Fundamentos del Análisis Económico Universidad de Alicante. Curso 011/1 GUIÓN TEMA. PROPIEDADES DE LOS ESTIMADORES MCO Bibliografía apartados.1,. y.3: Greene, 6.6.1, 6.6.3
Más detallesECONOMETRÍA II Prof.: Begoña Álvarez TEMA 1 INTRODUCCIÓN. Estimación por máxima verosimilitud y conceptos de teoría asintótica
ECONOMETRÍA II Prof.: Begoña Álvarez 2007-2008 TEMA 1 INTRODUCCIÓN Estimación por máxima verosimilitud y conceptos de teoría asintótica 1. ESTIMACIÓN POR MÁXIMA VEROSIMILITUD (MAXIMUM LIKELIHOOD) La estimación
Más detallesTEMA 2: Propiedades de los estimadores MCO
TEMA 2: Propiedades de los estimadores MCO Econometría I M. Angeles Carnero Departamento de Fundamentos del Análisis Económico Curso 2011-12 Econometría I (UA) Tema 2: Pdades de los estimadores MCO Curso
Más detallesTEMA 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 detallesTEMA VI: EL MODELO DE REGRESIÓN LINEAL MÚLTIPLE
ESADÍSICA II EMA VI: EL MODELO DE REGRESIÓN LINEAL MÚLIPLE VI.1.- Introducción. VI..- Hipótesis básicas del modelo de regresión lineal múltiple. VI.3.- El estimador mínimo cuadrático ordinario del modelo
Más detallesInferencia 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 detallesINTERPRETACIÓN DE LA REGRESIÓN. Interpretación de la regresión
INTERPRETACIÓN DE LA REGRESIÓN Este gráfico muestra el salario por hora de 570 individuos. 1 Interpretación de la regresión. regresión Salario-Estudios Source SS df MS Number of obs = 570 ---------+------------------------------
Más detallesTODO ECONOMETRIA. Bondad del ajuste Contraste de hipótesis
TODO ECONOMETRIA Bondad del ajuste Contraste de hipótesis Índice Bondad del ajuste: Coeficiente de determinación, R R ajustado Contraste de hipótesis Contrastes de hipótesis de significación individual:
Más detallesAnálisis Econométrico
Análisis Econométrico ISBN: 978-84-69-78-3 Mª Victoria Esteban González 04-08 Análisis Econométrico M a Victoria Esteban González Departamento de Economía Aplicada III. Econometría y Estadística Facultad
Más detallesObligatoria Optativa Extracurricular Curso Seminario Taller. Clave seriación 45 Laboratorio. Horas prácticas de campo
Carta descriptiva Datos de identificación Programa Nombre de la asignatura Tipo de Asignatura Maestría en Economía Aplicada Econometría I Ciclo Primer semestre Obligatoria Optativa Extracurricular Curso
Más detallesEconometria de Datos en Paneles
Universidad de San Andres Agosto de 2011 Porque paneles? Ejemplo (Cronwell y Trumbull): Determinantes del crimen y = g(i), y = crimen, I = variables de justicia criminal. Corte transversal: (y i, I i )
Más detallesEstimación MC3E, MVIC en Modelos de Ecuaciones Simultáneas
Estimación MC3E, MVIC en Modelos de Ecuaciones Simultáneas Economía Aplicada III (UPV/EHU) OCW 2013 Contenidos 1 Información Completa 2 3 Información Completa Un método de información completa considera
Más detallesEconometría III Examen. 29 de Marzo de 2012
Econometría III Examen. 29 de Marzo de 2012 El examen consta de 20 preguntas de respuesta múltiple. El tiempo máximo es 1:10 minutos. nota: no se pueden hacer preguntas durante el examen a no ser que sean
Más detallesECONOMETRÍA I. Tema 3: El Modelo de Regresión Lineal Múltiple: estimación
ECONOMETRÍA I Tema 3: El Modelo de Regresión Lineal Múltiple: estimación Patricia Moreno Juan Manuel Rodriguez Poo Alexandra Soberon Departamento de Economía Alexandra Soberon (UC) ECONOMETRÍA I 1 / 45
Más detallesErrores de especificación
CAPíTULO 5 Errores de especificación Estrictamente hablando, un error de especificación es el incumplimiento de cualquiera de los supuestos básicos del modelo lineal general. En un sentido más laxo, esta
Más detallesCAPÍTULO 7 EL MODELO CON PERTURBACIONES NO ESFERICAS. ESTIMACION POR MINIMOS CUADRADOS GENERALIZADOS
Fichero: capitulo 7 CAPÍTULO 7 EL MODELO CON PERTURBACIONES NO ESFERICAS. ESTIMACION POR MINIMOS CUADRADOS GENERALIZADOS. MATRIZ DE COVARIANZAS DE LAS PERTURBACIONES NO ESCALAR. HETEROCEDASTICIDAD Y AUTOCORRELACION
Más detallesT2. El modelo lineal simple
T2. El modelo lineal simple Ana J. López y Rigoberto Pérez Dpto Economía Aplicada. Universidad de Oviedo Curso 2010-2011 Curso 2010-2011 1 / 40 Índice 1 Planteamiento e hipótesis básicas 2 Estimación de
Más detalles2 Introducción a la inferencia estadística Introducción Teoría de conteo Variaciones con repetición...
Contenidos 1 Introducción al paquete estadístico S-PLUS 19 1.1 Introducción a S-PLUS............................ 21 1.1.1 Cómo entrar, salir y consultar la ayuda en S-PLUS........ 21 1.2 Conjuntos de datos..............................
Más detallesSe 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 detallesTema 10: Introducción a los problemas de Asociación y Correlación
Tema 10: Introducción a los problemas de Asociación y Correlación Estadística 4 o Curso Licenciatura en Ciencias Ambientales Licenciatura en Ciencias Ambientales (4 o Curso) Tema 10: Asociación y Correlación
Más detallesEstimación MC2E, MVIL en Modelos de Ecuaciones Simultáneas
Estimación MC2E, MVIL en Modelos de Ecuaciones Simultáneas Economía Aplicada III (UPV/EHU) OCW 2013 Contents 1 Mínimos Cuadrados en 2 Etapas 2 Mínimos Cuadrados en 2 Etapas El método de Mínimos Cuadrados
Más detallesTeorema 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 detallesGráfico 1: Evolución del exceso de rentabilidad de la empresa y de la cartera de mercado
Caso 1: Solución Apartado a) - 2 0 2 4 6 0 2 0 4 0 6 0 8 0 1 0 0 p e r i o d E x c e s s r e t u r n, c o m p a n y a e x c e s s r e t u r n m a r k e t p o r t f o l i o Gráfico 1: Evolución del exceso
Más detallesMétodos Estadísticos Multivariados
Métodos Estadísticos Multivariados Victor Muñiz ITESM Victor Muñiz (ITESM) Métodos Estadísticos Multivariados Agosto-Diciembre 2011 1 / 20 Victor Muñiz (ITESM) Métodos Estadísticos Multivariados Agosto-Diciembre
Más detallesT6. 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 detallesMÓDULO X. LA DINÁMICA DE LA ECONOMÍA MUNDIAL PROGRAMA OPERATIVO MATEMÁTICAS ECONOMETRÍA I. Profesor: Noé Becerra Rodríguez.
MÓDULO X. LA DINÁMICA DE LA ECONOMÍA MUNDIAL PROGRAMA OPERATIVO MATEMÁTICAS ECONOMETRÍA I Profesor: Noé Becerra Rodríguez Objetivo general: Introducir los aspectos fundamentales del proceso de construcción
Más detallesFormulación matricial del modelo lineal general
Formulación matricial del modelo lineal general Estimadores MCO, propiedades e inferencia usando matrices Mariana Marchionni marchionni.mariana@gmail.com Mariana Marchionni Formulación matricial del modelo
Más detallesTema 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 detallesEconometría 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 detallesEl 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 detallesRegresión con heterocedasticidad y autocorrelación
Regresión con heterocedasticidad y autocorrelación Tema 6 Regresión con heterocedasticidad La heterocedasticidad significa que var( i ) cte Es la norma, no la excepción, en especial con datos transversales
Más detallesEfecto de la cercanía a las estaciones de Subte y valor de la propiedad residencial en Buenos Aires
> Año 10 / Número 101 / Marzo 2011 Economía de las ciudades Efecto de la cercanía a las estaciones de Subte y valor de la propiedad residencial en Buenos Aires Un estudio según el modelo de valuación hedónico
Más detallesESTADISTICA II. INGENIERIA INFORMATICA, 3 ER Curso
ESTADISTICA II INGENIERIA INFORMATICA, 3 ER Curso 22 - Diciembre - 2.006 Primera Parte - Test Apellidos y Nombre:... D.N.I. :... Nota : En la realización de este examen sólo esta permitido utilizar calculadoras
Más detallesEstadística y sus aplicaciones en Ciencias Sociales 7. El modelo de regresión simple. Facultad de Ciencias Sociales - UdelaR
Estadística y sus aplicaciones en Ciencias Sociales 7. El modelo de regresión simple Facultad de Ciencias Sociales - UdelaR Índice 7.1 Introducción 7.2 Análisis de regresión 7.3 El Modelo de Regresión
Más detallesESTADÍSTICA. Tema 4 Regresión lineal simple
ESTADÍSTICA Grado en CC. de la Alimentación Tema 4 Regresión lineal simple Estadística (Alimentación). Profesora: Amparo Baíllo Tema 4: Regresión lineal simple 1 Estructura de este tema Planteamiento del
Más detallesTercera 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 detallesUniversidade de Vigo. Heterocedasticidad. Estimadores, test y posibles soluciones factibles.
Heterocedasticidad Estimadores, test y posibles soluciones factibles. Concepto Un modelo heterocedástico es aquel en que las varianzas de las perturbaciones no son constantes, por lo tanto, la variabilidad
Más detallesECONOMETRÍA II: ECONOMETRÍA DE SERIES TEMPORALES. Regresión con autocorrelación
ECONOMETRÍA II: ECONOMETRÍA DE SERIES TEMPORALES Regresión con autocorrelación Introducción: Consideramos la regresión y t = β 0 + β 1 x 1t + + β k x kt + + β K x Kt + u t = β x t + u t con las hipótesis
Más detallesEstadística 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 detallesTema 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 detallesTema 3: Espacios vectoriales
Tema 3: Espacios vectoriales K denotará un cuerpo. Definición. Se dice que un conjunto no vacio V es un espacio vectorial sobre K o que es un K-espacio vectorial si: 1. En V está definida una operación
Más detallesTEMA 2: Estimadores y distribuciones en el muestreo. Alfredo García Hiernaux. Grupos 69 y 73 Estadística I. Curso 2006/07
TEMA 2: Estimadores y distribuciones en el muestreo 1) Introducción 2) Tipos de muestreos 3) Estadísticos INDICE 4) Estimadores y propiedades 5) Distribución muestral 6) Teorema Central del Límite 7) Distribuciones
Más detallesFunciones de Regresión No Lineales (SW Cap. 6)
Funciones de Regresión No Lineales (SW Cap. 6) Todo anteriormente ha sido lineal en las X s La aproximación de que la función de regresión es lineal puede ser satisfactoria para algunas variables pero
Más detallesDiplomado en Estadística Aplicada
Diplomado en Estadística Aplicada Con el propósito de mejorar las habilidades para la toma de decisiones, la División de Estudios de Posgrado de la Facultad de Economía ha conjuntado a profesores con especialidad
Más detallesSistemas de Ecuaciones Lineales y Matrices
Capítulo 4 Sistemas de Ecuaciones Lineales y Matrices El problema central del Álgebra Lineal es la resolución de ecuaciones lineales simultáneas Una ecuación lineal con n-incógnitas x 1, x 2,, x n es una
Más detallesAgro 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 detallesVariables 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 detallesTema 3.2: Modelo lineal general: inferencia y predicción. Universidad Complutense de Madrid 2013
Tema 3.2: Modelo lineal general: inferencia y predicción Universidad Complutense de Madrid 2013 Contraste de hipótesis paramétricas en el MLG (I) Necesitamos añadir a la lista de hipótesis del MLG, la
Más detallesEstimación por el método generalizado de momentos (MGM).
Estimación por el método generalizado de momentos (MGM). Siga J.Muro(27/10/2003) 1 Método generalizado de momentos (MGM). Intuición. Principio MGM. Obtención de estimadores MGM. Propiedades de los estimadores.
Más detallesPrueba de Hipótesis. Para dos muestras
Prueba de Hipótesis Para dos muestras Muestras grandes (n mayor a 30) Utilizar tabla Z Ho: μ1 = μ2 H1: μ1 μ2 Localizar en valor de Zt en la tabla Z Error estándar de la diferencia de medias Prueba de
Más detallesEspacios Vectoriales
Espacios Vectoriales Espacios Vectoriales Verónica Briceño V. noviembre 2013 Verónica Briceño V. () Espacios Vectoriales noviembre 2013 1 / 47 En esta Presentación... En esta Presentación veremos: Espacios
Más detallesTema 6: Modelos de probabilidad.
Estadística 60 Tema 6: Modelos de probabilidad. 6.1 Modelos discretos. (a) Distribución uniforme discreta: La variable aleatoria X tiene una distribución uniforme discreta de parámetro n,que denoteramos
Más detallesRepaso de conceptos de álgebra lineal
MÉTODOS AVANZADOS EN APRENDIZAJE ARTIFICIAL: TEORÍA Y APLICACIONES A PROBLEMAS DE PREDICCIÓN Manuel Sánchez-Montañés Luis Lago Ana González Escuela Politécnica Superior Universidad Autónoma de Madrid Repaso
Más detallesEl 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 detallesTema 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 detallesEjercicios de ECUACIONES DIFERENCIALES ORDINARIAS
Ejercicios de ECUACIONES DIFERENCIALES ORDINARIAS Grado en Matemáticas Curso 203-204 . Ecuaciones lineales con coeficientes constantes Ecuaciones de primer orden. Encontrar la solución de los siguientes
Más detallesun conjunto cuyos elementos denominaremos vectores y denotaremos por es un espacio vectorial si verifica las siguientes propiedades:
CAPÍTULO 2: ESPACIOS VECTORIALES 2.1- Definición y propiedades. 2.1.1-Definición: espacio vectorial. Sea un cuerpo conmutativo a cuyos elementos denominaremos escalares o números. No es necesario preocuparse
Más detallesAlgebra lineal y conjuntos convexos
Apéndice A Algebra lineal y conjuntos convexos El método simplex que se describirá en el Tema 2 es de naturaleza algebraica y consiste en calcular soluciones de sistemas de ecuaciones lineales y determinar
Más detallesVARIABLES 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 detallesCONTRASTES DE HIPÓTESIS NO PARAMÉTRICOS
CONTRASTES DE HIPÓTESIS NO PARAMÉTRICOS 1 POR QUÉ SE LLAMAN CONTRASTES NO PARAMÉTRICOS? A diferencia de lo que ocurría en la inferencia paramétrica, ahora, el desconocimiento de la población que vamos
Más detallesEstadística y sus aplicaciones en Ciencias Sociales 6. Prueba de hipótesis. Facultad de Ciencias Sociales, UdelaR
Estadística y sus aplicaciones en Ciencias Sociales 6. Prueba de hipótesis Facultad de Ciencias Sociales, UdelaR Índice 1. Introducción: hipótesis estadística, tipos de hipótesis, prueba de hipótesis 2.
Más detallesModelos Lineales para Datos en Paneles. Walter Sosa Escudero. Banco Central de Chile
Modelos Lineales para Datos en Paneles Walter Sosa Escudero. Banco Central de Chile. 2006. - 1 - Datos en paneles Una base de datos en panel contiene informacion para varios individuos (empresas, paises,
Más detallesEl Algoritmo E-M. José Antonio Camarena Ibarrola
El Algoritmo E-M José Antonio Camarena Ibarrola Introducción Método para encontrar una estimación de máima verosimilitud para un parámetro ѳ de una distribución Ejemplo simple 24 Si tiene las temperaturas
Más detallesVECTORES ALEATORIOS. 1 Introducción. 2 Vectores aleatorios
VECTORES ALEATORIOS 1 Introducción En la vida real es muy frecuente enfrentarnos a problemas en los que nos interesa analizar varias características simultáneamente, como por ejemplo la velocidad de transmisión
Más detallesEspacios Vectoriales. AMD Grado en Ingeniería Informática. AMD Grado en Ingeniería Informática (UM) Espacios Vectoriales 1 / 21
Espacios Vectoriales AMD Grado en Ingeniería Informática AMD Grado en Ingeniería Informática (UM) Espacios Vectoriales 1 / 21 Objetivos Al finalizar este tema tendrás que: Saber si unos vectores son independientes.
Más detallessi existe un entorno V de a contenido en A, tal que la diferencia f(x) f(a) no cambia de signo cuando x V :
Capítulo 7 Extremos Relativos Una aplicación clásica del Teorema Local de Taylor es el estudio de los extremos relativos de una función escalar. Aunque la analogía con el caso de una variable es total,
Más detallesAnálisis de la varianza
Análisis de la varianza José Gabriel Palomo Sánchez gabriel.palomo@upm.es E.U.A.T. U.P.M. Julio de 2011 I 1 Introducción 1 Comparación de medias 2 El pricipio de aleatorización 2 El problema de un factor
Más detallesConceptos del contraste de hipótesis
Análisis de datos y gestión veterinaria Contraste de hipótesis Departamento de Producción Animal Facultad de Veterinaria Universidad de Córdoba Córdoba, 14 de Diciembre de 211 Conceptos del contraste de
Más detallesFacultad 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 detallesEconometría 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 detallesPronósticos, Series de Tiempo y Regresión. Capítulo 4: Regresión Lineal Múltiple
Pronósticos, Series de Tiempo y Regresión Capítulo 4: Regresión Lineal Múltiple Temas Modelo de regresión lineal múltiple Estimaciones de Mínimos Cuadrados Ordinarios (MCO); estimación puntual y predicción
Más detallesCONTRASTE DE HIPÓTESIS
CONTRASTE DE HIPÓTESIS Antonio Morillas A. Morillas: Contraste de hipótesis 1 CONTRASTE DE HIPÓTESIS 1. Introducción 2. Conceptos básicos 3. Región crítica óptima i. Teorema de Neyman-Pearson ii. Región
Más detallesEstadística Actuarial: Regresión Lineal
Estadística Actuarial: Regresión Lineal ISBN: 978-84-691-9178-1 Mª Victoria Esteban González 03-08 Estadística Actuarial: Regresión Lineal M a Victoria Esteban González Departamento de Economía Aplicada
Más detallesMuestreo de variables aleatorias
Estadística II Universidad de Salamanca Curso 2011/2012 Outline 1 Introducción 2 Distribución de la muestra 3 4 5 Distribuciones de la media y la varianza en poblaciones normales Introducción Tiene como
Más detallesECONOMETRÍA 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 detallesMatrices. Álgebra de matrices.
Matrices. Álgebra de matrices. 1. Definiciones generales Definición 1.1 Si m y n son dos números naturales, se llama matriz de números reales de orden m n a una aplicación A : {1, 2, 3,..., m} {1, 2, 3,...,
Más detallesTema 2: Teorema de estructura de los grupos abelianos finitamente generados.
ESTRUCTURAS ALGEBRAICAS GRADO EN MATEMÁTICAS. CURSO 215/216 Tema 2: Teorema de estructura de los grupos abelianos finitamente generados. 1.1. Grupo abeliano libre. Bases. Definición 1.1. El grupo Z n con
Más detallesApéndice 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 detallesUNIVERSIDAD 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 detallesINTRODUCCIÓN 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 detalles4. Complementos sobre Problemas de Contorno para S.D.O. Lineales. 4. Complementos sobre Problemas de Contorno
para S.D.O. Lineales 4.1. Problemas de contorno para s.d.o. lineales. Teorema de alternativa 4.1. Problemas de contorno. Teorema de alternativa Fijemos A C 0 ([α, β]; L(R N )) y b C 0 ([α, β]; R N ), dos
Más detallesENUNCIADOS DE PROBLEMAS
UNIVERSIDAD CARLOS III DE MADRID ECONOMETRÍA I 22 de Septiembre de 2007 ENUNCIADOS DE PROBLEMAS Muy importante: Tenga en cuenta que algunos resultados de las tablas han podido ser omitidos. PROBLEMA 1:
Más detallesDefinición Una hipótesis es una afirmación acerca de un parámetro.
Capítulo 8 Prueba de hipótesis Existen dos áreas de interés en el proceso de inferencia estadística: la estimación puntual y las pruebas de hipótesis. En este capítulo se presentan algunos métodos para
Más detallesEstimaciones puntuales. Estadística II
Estimaciones puntuales Estadística II Estimación Podemos hacer dos tipos de estimaciones concernientes a una población: una estimación puntual y una estimación de intervalo. Una estimación puntual es un
Más detallesTEMA 7: MATRICES. OPERACIONES.
TEMA 7: MATRICES. OPERACIONES. 1. MATRICES. TIPOS DE MATRICES. Se llama matriz de orden m x n (m filas y n columnas) a un conjunto de m n elementos, distribuidos en m filas y n columnas y encerrados entre
Más detallesModelo clásico de regresión lineal normal (MCRLN)
Capítulo 4 Modelo clásico de regresión lineal normal (MCRLN) La llamada teoría clásica de la inferencia estadística consta de dos ramas, a saber: estimación y pruebas de hipótesis. Hasta el momento hemos
Más detallesHoja 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 detallesMatrices, determinantes y sistemas de ecuaciones lineales
Matrices, determinantes y sistemas de ecuaciones lineales David Ariza-Ruiz 10 de octubre de 2012 1 Matrices Una matriz es una tabla numérica rectangular de m filas y n columnas dispuesta de la siguiente
Más detallesPlan de Trabajo Docente
Plan de Trabajo Docente Rendimiento académico (Art. 20 punto 11) OCA 1560/11) correspondiente a: Asignatura: ECONOMETRÍA I Ciclo Académico: 2016 Conceptos Total Inscriptos Método A (sin descontar ausentes)
Más detallesESTADISTICA 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 detallesTema 8: Contraste de hipótesis
Tema 8: Contraste de hipótesis 1 En este tema: Conceptos fundamentales: hipótesis nula y alternativa, nivel de significación, error de tipo I y tipo II, p-valor. Contraste de hipótesis e IC. Contraste
Más detallesTema 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 detallesY= F.LINEAL (X) + PERTURBACIÓN ALEATORIA
T.8 EL MODELO LINEAL DEFINICIÓN DE MODELO LINEAL UTILIDAD ESPECIFICACIÓN DEL MODELO HIPOTESIS BÁSICAS DEL MODELO LINEAL ESTIMACIÓN DEL MODELO Y PREDICCIÓN DISTRIBUCIÓN DE LOS ESTIMADORES DE LOS PARAMETROS
Más detallesRESUMEN DE ALGUNOS CONCEPTOS ESTADÍSTICOS ELEMENTALES Y NOTACIÓN EMPLEADA EN EL CURSO
RESUMEN DE ALGUNOS CONCEPTOS ESTADÍSTICOS ELEMENTALES Y NOTACIÓN EMPLEADA EN EL CURSO 1 rojo 1 2 3 4 5 6 Supongamos que tenemos dos dados, uno rojo y otro verde, cada uno de los cuales toma valores entre
Más detallesEjercicios de Variables Aleatorias
Ejercicios de Variables Aleatorias Elisa M. Molanes-López, Depto. Estadística, UC3M Transformaciones de variables aleatorias Ejercicio. Sea X una v.a. continua con función de densidad dada por: /, si
Más detallesKolmogorov y la teoría de la la probabilidad. David Nualart. Academia de Ciencias y Universidad de Barcelona
Kolmogorov y la teoría de la la probabilidad David Nualart Academia de Ciencias y Universidad de Barcelona 1 La axiomatización del cálculo de probabilidades A. N. Kolmogorov: Grundbegriffe des Wahrscheinlichkeitsrechnung
Más detalles1 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 detallesTema 1. Espacios Vectoriales Definición de Espacio Vectorial
Tema 1 Espacios Vectoriales. 1.1. Definición de Espacio Vectorial Notas 1.1.1. Denotaremos por N, Z, Q, R, C, a los conjuntos de los números Naturales, Enteros, Racionales, Reales y Complejos, respectivamente.
Más detalles