Modelos para Variables Censuradas y Truncadas
|
|
- Paula Guzmán Sánchez
- hace 6 años
- Vistas:
Transcripción
1 Modelos para Variables Censuradas y Truncadas Javier Alejo Maestría en Economía UNLP Agosto 2017 Javier Alejo Econometría Avanzada 1
2 Temario de la clase Javier Alejo Econometría Avanzada 2
3 Motivación Variables aleatorias discretas: los valores del soporte pueden ocurrir con probabilidad no nula. Ejemplos: ocupado o desocupado, numero de hijos, etc. (Bernoulli, Poisson, etc.) Variables aleatorias continuas: si bien cada punto del soporte ocurre con probabilidad cero, intervalos del soporte ocurren con probabilidad no nula. Ejemplos: ingresos, llegada a clase, etc. (normal, chi2, etc.) Variables aleatorias parcialmente continuas: ciertos valores pueden ocurrir con probabilidad no nula. Ejemplos: gasto en seguro de vida, re-nanciamiento de deuda, ingresos de fuentes tributarias, etc. Javier Alejo Econometría Avanzada 3
4 ¾Por qué? En Economía es usual trabajar con variables Y cuya carácter continuo ha sido modicado por alguna razón: 1 Razones administrativas: existe algún mecanismo institucional que altera la información (encuestas de ingresos, datos tributarios, etc.). 2 Soluciones de esquina: típicas de los modelos con agentes que optimizan (gasto en bienes durables, horas de trabajo, restricciones de capacidad, liquidez, etc.). Javier Alejo Econometría Avanzada 4
5 ¾Censura o truncamiento? La diferencia es sutil: Censura: la información es completa, pero una parte de la muestra ha sido alterada. Truncamiento: la información es parcial, es decir solo contamos con una submuestra. Ejemplos: Gastos relacionados con la vivienda con datos de todos los hogares (censura). Horas trabajadas con datos de individuos ocupados (truncamiento). Javier Alejo Econometría Avanzada 5
6 Situación Consideremos el siguiente modelo: { y i = x i β + u i y i = max(c,y i ) con E(u i x i ) = 0. Por simplicidad, supongamos que c = 0. Si contáramos con una muestra aleatoria de (y i,x i) podríamos estimar consistentemente a β (¾cómo?). ¾Qué pasa si sólo observamos una muestra (y i,x i )? Opciones: MCO de y i en función de x i. MCO de y i en función de x i solo con i:y i > 0. Javier Alejo Econometría Avanzada 6
7 Ilustración: sin censura Javier Alejo Econometría Avanzada 7
8 Ilustración: datos censurados Javier Alejo Econometría Avanzada 8
9 Ilustración: datos truncados Javier Alejo Econometría Avanzada 9
10 Ilustración: estimación MCO (si observáramos y ) Javier Alejo Econometría Avanzada 10
11 Ilustración: estimación MCO, datos censurados Javier Alejo Econometría Avanzada 11
12 Ilustración: estimación MCO, muestra truncada Javier Alejo Econometría Avanzada 12
13 Ejemplo: consumo de un bien durable Objetivo: estimar el efecto parcial en un modelo de consumo de un bien durable. Variables:. ci = consumo del bien en el hogar i, en pesos. si = stock disponible en el hogar i, en pesos. gi = ci si variación deseada en el stock. g i =gasto observado { g g i = i si g i > 0 0 si g i 0 } = max(0,g i ) Es decir, hay un proceso de censura inferior. (*) (*) Por simplicidad, seguiremos con este tipo de censura. El tratamiento para censura superior es extremadamente análogo. Javier Alejo Econometría Avanzada 13
14 Ejemplo: consumo de un bien durable Modelo: sea x i los determinantes del consumo { g i = x i β + u i g i = max(0,g i ) Lo usual: las encuestas tienen datos de g i y x i, pero no de g i. Es frecuente encontrar familias con g i = 0. Importante: las x i se observan, aún en el caso de hogares en donde g i = 0. Si la encuesta solo publica los hogares con g i > 0, entonces la muestra está truncada (no observamos las x i ). Ya discutimos que estimar β por MCO con estos datos no funciona. ¾Qué hacemos? Javier Alejo Econometría Avanzada 14
15 Distribuciones truncadas Necesitamos darle más estructura al modelo. En particular, supondremos u i N(0,σ 2 ). ¾Cómo afecta el truncamiento a una distribución? En términos generales, si Y es una variable aleatoria continua, la densidad de la distribución truncada es: f (y y > a) = f (y) Pr(y>a) donde a es el punto del soporte donde se da el truncamiento y f (y) es la densidad de Y. Javier Alejo Econometría Avanzada 15
16 Distribución Caso particular: Y N(µ,σ 2 ) f (y y > a) = y µ (1/σ)φ( σ ) 1 Φ( a µ σ donde z (y µ)/σ y α (a µ)/σ. La notación es la usual: ) = (1/σ)φ(z) 1 Φ(α) φ (b): es la densidad de una distribución normal estándar evaluada en un punto b del soporte. Φ (b): es la probabilidad acumulada (desde la izquierda) en una normal estándar hasta un punto b del soporte. Javier Alejo Econometría Avanzada 16
17 Distribución Javier Alejo Econometría Avanzada 17
18 Distribución Se puede demostrar que si Y N(µ,σ 2 ), entonces: donde α (a µ)/σ. E(Y Y > a) = µ + σ φ(α) 1 Φ(α) Resultado muy importante ya que informa sobre distintos aspectos del truncamiento. Nos dice: Dirección: si el truncamiento es a la izquierda, la media se corre a la derecha. Magnitud: mide el tamaño exacto del corrimiento. Factores: depende del punto de truncamiento a y de σ 2. Javier Alejo Econometría Avanzada 18
19 Distribución Javier Alejo Econometría Avanzada 19
20 Sesgo de MCO Consideremos el modelo lineal: y i = x i β + u i La insesgadez de MCO depende del supuesto de que E(u i x i ) = 0, o de forma similar de que: E(y i x i ) = x i β ¾Qué ocurre si estimamos sólo con las observaciones que cumplen y i > 0 (muestra truncada)? Pregunta equivalente: ¾qué ocurre con E(y i x i,y i > 0)? Javier Alejo Econometría Avanzada 20
21 Sesgo de MCO con truncamiento Supongamos que u i x i N(0,σ 2 ). Luego, E(y i x i,y i > 0) = E(x i β + u i x i,y i > 0) = x i β + E(u i x i,y i > 0) = x i β + E(u i x i,u i > x i β) = x i β + σ φ( x β/σ) i 1 Φ( x i β/σ) = x i β + σ φ(x β/σ) i Φ(x i β/σ) = x i β + σλ(x i β/σ) x i β Inversa del ratio de Mills: λ(z) φ(z) Φ(z) Javier Alejo Econometría Avanzada 21
22 Sesgo de MCO con censura Algo similar ocurre con el problema de censura en la variable dependiente. Consideremos el modelo de la variable latente: { y i = x i β + u i y i = max(0,y i ) Es decir: { y y i = i si y i > 0 0 si y i 0 Detalle: es fácil notar que si u i x i N(0,σ 2 ), entonces y i x i N(x i β,σ2 ). Javier Alejo Econometría Avanzada 22
23 Sesgo de MCO con censura Probabilidad de censura: Pr(y i = 0 x i ) = Pr(yi 0 x i ) = Pr(x i β + u i 0 x i ) = Pr(u i /σ x i β/σ x i) = 1 Φ ( x i β σ ) Complemento: es obvio Pr(y i > 0 x i ) = Φ ( ) x i β σ Javier Alejo Econometría Avanzada 23
24 Sesgo de MCO con censura Resultado útil: E(y x) = E(y x,y = 0) Pr(y = 0 x) + E(y x,y > 0) Pr(y > 0 x) = E(y x,y > 0) Pr(y > 0 x) Uniendo todos los resultados, E(y x) = [x i β + σλ(x i β/σ)]φ ( x i β σ ) x i β Notar que En el fondo, hay problema de especicación del modelo. En ambos casos (truncamiento y censura) la esperanza condicional es no lineal en x i. Javier Alejo Econometría Avanzada 24
25 Esperanza condicional (1) = x i β (2) = x i β + σλ(x i β/σ) (3) = [ x i β + σλ(x i β/σ)] Φ(x i β/σ) Javier Alejo Econometría Avanzada 25
26 El modelo Tobit Es un modelo para datos censurados. En realidad hay toda una familia de modelos para datos censurados (Amemiya, 1984). Información: contamos con (y i,x i ) para i = 1,...,n, que representa una muestra aleatoria independiente. Dos grupos: podemos particionar la muestra en aquellos con y i = 0 y los que tienen y i > 0. Importante: en ambos grupos x i es observable. Supuesto: normalidad. Sabemos que MCO sesgado. ¾Podemos pensar en alguna estrategia consistente? Javier Alejo Econometría Avanzada 26
27 Recordemos que: { 0 si y y i = y i i 0 si yi > 0 En realidad, y i x i es lo que se conoce como variable aleatoria mixta, donde el soporte tiene tramos continuos y discretos. Normalidad: suponiendo y i x i N(x i β,σ2 ), entonces: Tramo Tipo de VA Probabilidad/Densidad y i = 0 Discreta 1 Φ(x i β/σ) y i > 0 Continua (1/σ)φ(x i β/σ) Javier Alejo Econometría Avanzada 27
28 Estimación MV Construyamos la verosimilitud: L(β) = [1 Φ(x i β/σ)] (1/σ)φ(x i β/σ) i:y i =0 i:y i >0 = n [1 Φ(x i β/σ)](1 w i ) [(1/σ)φ(x i β/σ)]w i i=1 donde w i 1(y i > 0) es una función indicadora del argumento. Luego, la log-verosimilitud es: l(β) = n (1 w i )ln [1 Φ(x i β/σ)] + w iln [(1/σ)φ(x i β/σ)] i=1 que, bajo condiciones estándar, produce un máximo único utilizando métodos numéricos simples. Javier Alejo Econometría Avanzada 28
29 Regresión truncada En este caso no hay datos para las unidades censuradas (y i = 0). Por lo tanto, no es posible incluirlas en la regresión. Aún es posible construir una estrategia máximo verosímil. En este caso, la verosimilitud utiliza la densidad truncada: [ L(β) = n (1/σ)φ(x ] i β/σ) wi i=1 Φ(x i β/σ) donde, trivialmente, w i 1(y i > 0) = 1 para toda la muestra. El método de MV nos dará estimadores consistentes de los parámetros β y σ 2. La inferencia estadística se realiza con los procedimientos asintóticos usuales. Javier Alejo Econometría Avanzada 29
30 Tobit y Probit Notar que si multiplicamos y dividimos Φ(x i β/σ) en la L(β) del modelo Tobit obtenemos lo siguiente: L(β) = n i=1 [ 1 Φ(x i β/σ) ] [ (1 w i ) Φ(x i β/σ) w i (1/σ)φ(x i β/σ) }{{} Φ(x i β/σ) (1) ] wi } {{ } (2) con w i 1(y i > 0). Luego, pareciera que el Tobit es una suerte de combinación de dos modelos: Un Probit para la probabilidad de observar a y sin censura, dado por el segmento (1). Un modelo de regresión truncada solo con datos no censurados, dado por el segmento (2). Javier Alejo Econometría Avanzada 30
31 Coecientes El modelo Tobit da estimaciones consistentes de: β = E(y x) x Esto nos provee una interpretación de las derivadas parciales de la variable latente. No siempre la variable latente es interpretable (o interesante) y puede que el objetivo sea computar los efectos parciales sobre el promedio de la variable observada (censurada o truncada). Javier Alejo Econometría Avanzada 31
32 Esperanza truncada y censurada Esperanza de y truncada: en el caso de que u i N(0,σ 2 ), vimos que: E(y x,y > 0) = x β + σλ (x β/σ) Esperanza de y censurada: E(y x) = E(y x,y > 0)Pr(y > 0 x) Que bajo normalidad, esta expresión queda: E(y x) = Φ (x β/σ)[x β + σλ (x β/σ)] Javier Alejo Econometría Avanzada 32
33 Efectos parciales (regresores continuos) Noten que las derivadas parciales de E(y x) y E(y x,y > 0) no son constantes. Supongamos un x k continuo. En el caso de la esperanza con censura: E(y x) x k = Φ (x β/σ)β k Mientras que para la esperanza truncada: E(y x,y>0) x k = {1 λ (x β/σ)[x β + σλ (x β/σ)]}β k Javier Alejo Econometría Avanzada 33
34 Descomposición de McDonald y Mott Retomando el resultado anterior: E(y x) = Pr(y > 0 x)e(y x,y > 0) Derivemos usando la regla del producto: E(y x) x k = Pr(y>0 x) x k E(y x,y > 0) + Pr(y > 0 x) E(y x,y>0) x k Es decir, el efecto sobre variable censurada tiene dos componentes: Pr(y>0 x) 1 x k E(y x,y > 0): efecto de los que cambian de estado. 2 Pr(y > 0 x) E(y x,y>0) x : efecto de la distribución truncada. k Javier Alejo Econometría Avanzada 34
35 Ejemplo: modelo para las horas trabajadas Variable dependiente: horas trabajadas en todas las ocupaciones. Regresores: edad, educación, estado civil, cantidad de hijos menores y si es jefa del hogar. Muestra: datos de 6633 mujeres entre 15 y 60 años de edad, extraidas de la EPH 2014 (segundo semestre) para el Gran Buenos Aires. Censura: hay 3339 casos con horas igual a cero. Referencia: Gasparini, Marchionni y Sosa Escudero (2004). Javier Alejo Econometría Avanzada 35
36 Datos censurados en Stata El comando tobit permite estimar modelos de regresión con variable dependiente censurada. La sintaxis general es: tobit depvar [indepvars] [if], ll[(#)] ul[(#)] [options] La opción clave es: ll(#): indica el valor en donde la variable dependiente tiene censura inferior. ul(#): indica el valor en donde la variable dependiente tiene censura superior. Javier Alejo Econometría Avanzada 36
37 Estimación MCO Javier Alejo Econometría Avanzada 37
38 Javier Alejo Econometría Avanzada 38
39 Efectos parciales: sobre E(y x) Javier Alejo Econometría Avanzada 39
40 Efectos parciales: sobre E(y x,y > 0) Javier Alejo Econometría Avanzada 40
41 Descomposición de McDonald y Mott Javier Alejo Econometría Avanzada 41
42 Referencias Wooldridge, J. (2002) Econometric Analysis of Cross Section and Panel Data, MIT Press. 1a. Edición. Capítulo 16 (16.1 a 16.4). 2a. Edición: Capítulo 17 (17.1 a 17.4). Cameron y Trivedi (2009), Microeconometrics Using Stata, Stata Press. Capítulo 16. Amemiya, T. (1984) Tobit models: A survey. Journal of Econometrics Volume 24, Issues 12, (pp. 3-61). Gasparini, L., Marchionni, M. y Sosa Escudero, W. (2004) Characterization of inequality changes through microeconometric decompositions. The case of Greater Buenos Aires, en Bourguignon, F., Lustig, N y Ferreira, F. (eds.), 2004 (pp ). Javier Alejo Econometría Avanzada 42
Variables Parcialmente Continuas. Walter Sosa Escudero. wsosa@udesa.edu.ar Universidad de San Andr es
Variables Parcialmente Continuas Walter Sosa Escudero wsosa@udesa.edu.ar Universidad de San Andr es 1 Introduccion ² Variables aleatorias discretas: los valores del soporte pueden ocurrir con probabilidad
Más detallesModelos de Variable Dependiente Limitada. Econometría Aplicada UCEMA Daniel Lema
Modelos de Variable Dependiente Limitada Econometría Aplicada UCEMA Daniel Lema Modelos de Variable Dependiente Limitada Censura y muestras seleccionadas Modelos de regresión censurados Modelos para muestras
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 detallesEstimación 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 detallesModelos elección discreta y variable dependiente limitada
Modelos elección discreta y variable dependiente limitada Profesor: Graciela Sanroman Facultad de Ciencias Económicas y Administración Año 2010 Modelos multinomiales Los modelos multinomiales son aquellos
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 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 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 detallesUniversidad de la República, Facultad de Ciencias Económicas y Administración.
Universidad de la República, Facultad de Ciencias Económicas y Administración. ECONOMETRIA II- CURSO 2010 Practica 5 MODELOS DE VARIABLE DEPENDIENTE TRUNCADA CENSURADA, MODELOS DE SELECTIVIDAD, MODELOS
Más detallesAplicación de los modelos de regresión tobit en la modelización de variables epidemiológicas censuradas
Aplicación de los modelos de regresión tobit en la modelización de variables epidemiológicas censuradas Gaceta Sanitaria ;16():188-195. MªJosé Bleda 1, & Aurelio Tobías 1. Unidad de Investigación en Tuberculosis,
Más detallesECONOMETRIA II. 4º Curso Licenciatura en Economía. INTRODUCCIÓN Algunos conceptos de estimación y teoría asintótica.
ECONOMETRIA II 4º Curso 2007-2008 Licenciatura en Economía INTRODUCCIÓN Algunos conceptos de estimación y teoría asintótica. MODELOS DE ELECCIÓN DISCRETA MODELOS CON VARIABLE DEPENDIENTE LIMITADA MODELOS
Más detallesTema 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 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 detallesEL PRINCIPIO DE MÁXIMA VEROSIMILITUD (LIKELIHOOD)
EL PRINCIPIO DE MÁXIMA VEROSIMILITUD (LIKELIHOOD) Fortino Vela Peón fvela@correo.xoc.uam.mx FVela-0 Objetivo Introducir las ideas básicas del principio de máxima verosimilitud. Problema Considere el experimento
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 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 detallesEstadistica II Tema 0. Repaso de conceptos básicos. Curso 2009/10
Estadistica II Tema 0. Repaso de conceptos básicos Curso 2009/10 Tema 0. Repaso de conceptos básicos Contenidos Variables aleatorias y distribuciones de probabilidad La distribución normal Muestras aleatorias,
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 detallesINTERVALOS DE CONFIANZA. La estadística en cómic (L. Gonick y W. Smith)
INTERVALOS DE CONFIANZA La estadística en cómic (L. Gonick y W. Smith) EJEMPLO: Será elegido el senador Astuto? 2 tamaño muestral Estimador de p variable aleatoria poblacional? proporción de personas que
Más detallesESTIMACIÓN PUNTUAL Julián de la Horra Departamento de Matemáticas U.A.M.
1 Introducción ESTIMACIÓN PUNTUAL Julián de la Horra Departamento de Matemáticas U.A.M. En este capítulo, vamos a abordar la Estimación Puntual, que es uno de los tres grandes conjuntos de técnicas que
Más detallesModelos para variables categóricas
Gabriel V. Montes-Rojas Modelo logit multinomial Supongamos que la variable dependiente toma muchos valores, ej. y = 0, 1, 2..., J, aunque los valores de y no representan ningún orden en particular. Éste
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 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 detallesVariables aleatorias continuas, TCL y Esperanza Condicional
Variables aleatorias continuas, TCL y Esperanza Condicional FaMAF 17 de marzo, 2011 1 / 37 Poisson P(λ) Número de éxitos en una cantidad grande de ensayos independientes Rango: {0, 1, 2,... } = {0} N Función
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 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 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 detallesINTERVALOS DE CONFIANZA Julián de la Horra Departamento de Matemáticas U.A.M.
1 Introducción INTERVALOS DE CONFIANZA Julián de la Horra Departamento de Matemáticas U.A.M. En este capítulo, vamos a abordar la estimación mediante Intervalos de Confianza, que es otro de los tres grandes
Más 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 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 detallesTema 9: Contraste de hipótesis.
Estadística 84 Tema 9: Contraste de hipótesis. 9.1 Introducción. El objetivo de este tema es proporcionar métodos que permiten decidir si una hipótesis estadística debe o no ser rechazada, en base a los
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 detallesAnálisis de datos Categóricos
Introducción a los Modelos Lineales Generalizados Universidad Nacional Agraria La Molina 2016-1 Introducción Modelos Lineales Generalizados Introducción Componentes Estimación En los capítulos anteriores
Más 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 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 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 detallesModelos de elección binaria
Modelos de elección binaria Prof.: Begoña Álvarez García Econometría II 2007-2008 Estamos interesados en la ocurrencia o no-ocurrencia de un cierto evento (ej: participación en el mercado laboral; inversión
Más detallesCARTA DESCRIPTIVA. Clave: ECO Créditos: 8. Conocimientos: Probabilidad y estadística. Algebra lineal. Econometría I.
I. Identificadores de la asignatura CARTA DESCRIPTIVA Clave: ECO121600 Créditos: 8 Materia: Econometría II Departamento: Ciencias Sociales Instituto: Ciencias Sociales Modalidad: Presencial Programa: Licenciatura
Más detallesNombre y Apellidos:... EXAMEN ECONOMETRÍA II (Enero 2010)
Nombre y Apellidos:... NIU:... Grupo:... EXAMEN ECONOMETRÍA II (Enero 2010) Lea cuidadosamente cada pregunta. Marque muy claramente la respuesta de cada pregunta en la hoja de respuestas. Observe que los
Más detallesFormulario. Estadística Administrativa. Módulo 1. Introducción al análisis estadístico
Formulario. Estadística Administrativa Módulo 1. Introducción al análisis estadístico Histogramas El número de intervalos de clase, k, se elige de tal forma que el valor 2 k sea menor (pero el valor más
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 detallesTEMA 3. Modelos de Elección Discreta
TEMA 3. Modelos de Elección Discreta Profesor: Pedro Albarrán Pérez Universidad de Alicante. Curso 2010/2011. Contenido 1 Introducción 2 Modelos para respuesta binaria Modelo Lineal de Probabilidad Modelos
Más detallesÍndice general. Pág. N. 1. Capítulo 1 ETAPAS DE UNA INVESTIGACIÓN. Diseño. Población. Muestra. Individuo (Observación, Caso, Sujeto) Variables
Pág. N. 1 Índice general Capítulo 1 ETAPAS DE UNA INVESTIGACIÓN 1.1 Diseño 1.2 Descriptiva 1.3 Inferencia Diseño Población Muestra Individuo (Observación, Caso, Sujeto) Variables Ejercicios de Población
Más detallesCálculo de Probabilidades II Preguntas Tema 1
Cálculo de Probabilidades II Preguntas Tema 1 1. Suponga que un experimento consiste en lanzar un par de dados, Sea X El número máximo de los puntos obtenidos y Y Suma de los puntos obtenidos. Obtenga
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 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 detallesAlgunas Distribuciones Continuas de Probabilidad. UCR ECCI CI-1352 Probabilidad y Estadística Prof. M.Sc. Kryscia Daviana Ramírez Benavides
Algunas Distribuciones Continuas de Probabilidad UCR ECCI CI-1352 Probabilidad y Estadística Prof. M.Sc. Kryscia Daviana Ramírez Benavides Introducción El comportamiento de una variable aleatoria queda
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 detallesMulticolinealidad. 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 detallesviii CAPÍTULO 2 Métodos de muestreo CAPÍTULO 3 Análisis exploratorio de datos
Contenido Acerca de los autores.............................. Prefacio.... xvii CAPÍTULO 1 Introducción... 1 Introducción.............................................. 1 1.1 Ideas de la estadística.........................................
Más detallesDeterminación del tamaño de muestra (para una sola muestra)
STATGRAPHICS Rev. 4/5/007 Determinación del tamaño de muestra (para una sola muestra) Este procedimiento determina un tamaño de muestra adecuado para la estimación o la prueba de hipótesis con respecto
Más 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 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 detalles1. La Distribución Normal
1. La Distribución Normal Los espacios muestrales continuos y las variables aleatorias continuas se presentan siempre que se manejan cantidades que se miden en una escala continua; por ejemplo, cuando
Más detallesJUEGO DE BASKETBALL. Repaso de Distribuciones de Probabilidad Discretas y Continuas
JUEGO DE BASKETBALL Repaso de Distribuciones de Probabilidad Discretas y Continuas PREGUNTA #1 Qué es una variable aleatoria uniforme discreta? Cómo es su distribución? Qué es una variable aleatoria uniforme
Más detallesVariables aleatorias bidimensionales discretas
Universidad de San Carlos de Guatemala Facultad de Ingeniería Área de Estadística VARIABLES ALEATORIAS BIDIMENSIONALES Concepto: Sean X e Y variables aleatorias. Una variable aleatoria bidimensional (X,
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 detalles478 Índice alfabético
Índice alfabético Símbolos A, suceso contrario de A, 187 A B, diferencia de los sucesos A y B, 188 A/B, suceso A condicionado por el suceso B, 194 A B, intersección de los sucesos A y B, 188 A B, unión
Más detallesUnidad Temática 3: Probabilidad y Variables Aleatorias
Unidad Temática 3: Probabilidad y Variables Aleatorias 1) Qué entiende por probabilidad? Cómo lo relaciona con los Sistemas de Comunicaciones? Probabilidad - Definiciones Experimento aleatorio: Un experimento
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 detallesDistribuciones Probabilísticas. Curso de Estadística TAE,2005 J.J. Gómez Cadenas
Distribuciones Probabilísticas Curso de Estadística TAE,005 J.J. Gómez Cadenas Distribución Binomial Considerar N observaciones independientes tales que: El resultado de cada experimento es acierto o fallo
Más detallesModelos de probabilidad. Modelos de probabilidad. Modelos de probabilidad. Proceso de Bernoulli. Objetivos del tema:
Modelos de probabilidad Modelos de probabilidad Distribución de Bernoulli Distribución Binomial Distribución de Poisson Distribución Exponencial Objetivos del tema: Al final del tema el alumno será capaz
Más detallesModelos de distribuciones discretas y continuas
Ignacio Cascos Fernández Departamento de Estadística Universidad Carlos III de Madrid Modelos de distribuciones discretas y continuas Estadística I curso 2008 2009 1. Distribuciones discretas Aquellas
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 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 detallesTeoría de la decisión
1.- Un problema estadístico típico es reflejar la relación entre dos variables, a partir de una serie de Observaciones: Por ejemplo: * peso adulto altura / peso adulto k*altura * relación de la circunferencia
Más detallesMÓDULO: MÉTODOS CUANTITATIVOS
MÓDULO: MÉTODOS CUANTITATIVOS 1.- Nombre del módulo y las asignaturas: Métodos Cuantitativos Econometría Avanzada Econometría Financiera 2.-Número de créditos ECTS: Econometría Avanzada: 6 ECTS. Econometría
Más detallesTema 5. Muestreo y distribuciones muestrales
Tema 5. Muestreo y distribuciones muestrales Contenidos Muestreo y muestras aleatorias simples La distribución de la media en el muestreo La distribución de la varianza muestral Lecturas recomendadas:
Más detallesAplicaciones de apoyo al diagnóstico médico. Identificación de objetos amigos y enemigos. Identificación de zonas afectadas por un desastre natural.
Capítulo 5 Evaluación En muchas ocasiones requerimos hacer una evaluación muy precisa de nuestros algoritmos de aprendizaje computacional porque los vamos a utilizar en algún tipo de aplicación que así
Más detallesTema 7 Intervalos de confianza Hugo S. Salinas
Intervalos de confianza Hugo S. Salinas 1 Introducción Hemos definido la inferencia estadística como un proceso que usa información proveniente de la muestra para generalizar y tomar decisiones acerca
Más detallesESTADÍSTICA. Población Individuo Muestra Muestreo Valor Dato Variable Cualitativa ordinal nominal. continua
ESTADÍSTICA Población Individuo Muestra Muestreo Valor Dato Variable Cualitativa ordinal nominal Cuantitativa discreta continua DISTRIBUCIÓN DE FRECUENCIAS Frecuencia absoluta: fi Frecuencia relativa:
Más 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 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 detallesEconomía Aplicada. ¾Es importante el tamaño de la clase? Un experimento controlado
Economía Aplicada ¾Es importante el tamaño de la clase? Un experimento controlado Basado en (1999), Experimental Estimates of Education Production Functions, QJE Outline 1 La Idea 2 Proyecto STAR Detalles
Más detallesPreparación de los datos de entrada
Preparación de los datos de entrada Clase nro. 6 CURSO 2010 Objetivo Modelado de las características estocásticas de los sistemas. Variables aleatorias con su distribución de probabilidad. Por ejemplo:
Más detalles1. VALORES FALTANTES 2. MECANISMOS DE PÉRDIDA
1. VALORES FALTANTES Los valores faltantes son observaciones que en un se tenía la intención de hacerlas, pero por distintas razones no se obtuvieron. Puede ser que no se encuentre a un encuestado, entonces
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 detallesIntroducción a la Inferencia Estadística
MÁSTER EN ESTADÍSTICA PÚBLICA Experto Universitario: Estadística Aplicada y Técnicas de Encuestación 1 Introducción a la Inferencia Estadística Estimación puntual paramétrica M a Teresa Gómez Departamento
Más detallesMultiple Linear Regression
Multiple Linear Regression Aniel Nieves-González Aniel Nieves-González () LSP 1 / 16 Considere el ejemplo en cual queremos modelar las ventas en una cadena de tiendas por departamento. La v.a. dependiente
Más detallesEs recomendable que el alumno tenga conocimientos básicos de econometría, estadística y algebra lineal.
Introducción El curso de especialización presenta el desarrollo del software en sus tres niveles: Básico - Intermedio y Avanzado, partiendo de la estructuración de las bases de datos de la ENAHO, y trabajando
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 detallesObjetivo: Comprender la diferencia entre valor esperado, varianza y desviación estándar. Poner en práctica el teorema de Chebyshev
PROBABILIDAD Y ESTADÍSTICA Sesión MODELOS ANALÍTICOS DE FENÓMENOS ALEATORIOS CONTINUOS. Definición de variable aleatoria continua. Función de densidad y acumulatíva. Valor esperado, varianza y desviación
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 detallesLICENCIATURA EN ECONOMÍA Y LICENCIATURA EN ADMINISTRACIÓN DE EMPRESAS
DEPARTAMENT D ECONOMIA APLICADA UNIVERSITAT DE VALENCIA LICENCIATURA EN ECONOMÍA Y LICENCIATURA EN ADMINISTRACIÓN DE EMPRESAS PROGRAMA DE ESTADÍSTICA E INTRODUCCIÓN A LA ECONOMETRÍA TEMA 1: INTRODUCCIÓN
Más detallesTEMA 2: Propiedades de los estimadores MCO
TEMA 2: Propiedades de los estimadores MCO Econometría I M. Angeles Carnero Departamento de Fundamentos del Análisis Económico Curso 2011-12 Econometría I (UA) Tema 2: Pdades de los estimadores MCO Curso
Más detallesTema 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 detallesINTRODUCCIÓN A LAS DISTRIBUCIONES CONTINUAS Y EL TEOREMA CENTRAL DEL LÍMITE (10 MINUTOS)
INTRODUCCIÓN A LAS DISTRIBUCIONES CONTINUAS Y EL TEOREMA CENTRAL DEL LÍMITE (10 MINUTOS) Hemos aprendido a identificar distribuciones discretas y también a reconocer algunas de sus características más
Más detallesGuía docente MÉTODOS ESTADÍSTICOS PARA LA EMPRESA
1. Introducción Guía docente MÉTODOS ESTADÍSTICOS PARA LA EMPRESA Los análisis económicos y empresariales se efectúan sobre la base de la toma de decisiones, las cuales se toman a partir de la información
Más detallesWalter 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 detallesEstimación de Máxima Verosimilitud Utilizando la Función optim en R
Estimación de Máxima Verosimilitud Utilizando la Función optim en R Juan F. Olivares-Pacheco * 15 de diciembre de 2006 Resumen En este trabajo se muestra el método de verosimilitud para la estimación de
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 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 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 detallesPROBABILIDAD Y ESTADÍSTICA
FACULTAD DE INGENIERÍA U N A M PROBABILIDAD Y ESTADÍSTICA Irene Patricia Valdez y Alfaro irenev@unam.mx T E M A S DEL CURSO 1. Análisis Estadístico de datos muestrales. 2. Fundamentos de la Teoría de la
Más detalles( ) DISTRIBUCIÓN UNIFORME (o rectangular) 1 b a. para x > b DISTRIBUCIÓN DE CAUCHY. x ) DISTRIBUCIÓN EXPONENCIAL. α α 2 DISTRIBUCIÓN DE LAPLACE
Estudiamos algunos ejemplos de distribuciones de variables aleatorias continuas. De ellas merecen especial mención las derivadas de la distribución normal (χ, t de Student y F de Snedecor), por su importancia
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 detallesConceptos Básicos de Inferencia
Conceptos Básicos de Inferencia Álvaro José Flórez 1 Escuela de Ingeniería Industrial y Estadística Facultad de Ingenierías Febrero - Junio 2012 Inferencia Estadística Cuando obtenemos una muestra, conocemos
Más detallesCapítulo IV. Estrategia Econométrica. La metodología utilizada en esta tesis es la idónea para evaluar la hipótesis planteada
Capítulo IV. Estrategia Econométrica La metodología utilizada en esta tesis es la idónea para evaluar la hipótesis planteada desde el inicio, la cual indica que las remesas enviadas por los mexicanos en
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 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 detalles