Muestras longitudinales con correlación serial Paneles autorregresivos. Paneles dinámicos. Gabriel Montes-Rojas
|
|
- Raquel Martínez Ruiz
- hace 6 años
- Vistas:
Transcripción
1
2 Dos modelos que dan lugar a paneles dinámicos: (1) Muestra longitudinal y it = x it β + µ i + δ t + ν it o AR(1) : MA(1) : ν it = αν it 1 + ɛ it ν it = ɛ it + αɛ it i = 1, 2,..., N; t = 1, 2,..., T ; α < 1 (2) : y it = αy it 1 + x it β + µ i + δ t + ν it i = 1, 2,..., N; t = 1, 2,..., T ; α < 1 En el caso (1) nos interesa estimar la estructura de varianzas y covarianzas. En el (2) eliminar el sesgo dinámico.
3 Dos fuentes de persistencia: 1 Autocorrelación, persistencia dinámica, state dependence: α Ej: costos de ajustes, costos hundidos, shocks económicos (terremotos, guerras). 2 Efectos individuales, individual heterogeneity: µ Ej: abilidad, tecnología, instituciones. 3 Ver Bera, Sosa-Escudero y Yoon (2001), Zincenko, Sosa-Escudero, y Montes-Rojas (2014). - Comparación con VAR (Vector Autoregressive). Los paneles dinámicos son más parsimoniosos. - Ventajas cuando T fija y se explota la variación en N.
4 Corto plazo vs. largo plazo La estructura dinámica permite distinguir corto de largo plazo. β es el efecto contemporáneo corto plazo de x en y en t; sin embargo el efecto en t tendrá un efecto en t + 1, t + 2, etc. por el rezago de la variable dependiente; el efecto de largo plazo se calcula como β 1 α (asumiendo α < 1) La ventaja de los paneles dinámicos es que permite tener un modelo de la dinámica de ajuste.
5 Muestras longitudinales con correlación serial
6 Los errores estándar están mal calculados... Por qué es importante controlar por correlación serial? - Bertrand, M., Duflo, E., and Mullainathan, S. (2004). How much should we trust differences-in-differences estimates?, Quarterly Journal of Economics 119(1), Cameron, C., and Miller, D.L. (2015). A practicioner s guide to cluster-robust inference, Journal of Human Resources 50(2),
7 Identificación (Arellano, 2002, pp.58-60) Supongamos un panel corto con T = 2 pero N grande: {(y i1, y i2 )} N i=1. Modelo de efectos aleatorios one-way (heterogeneidad pura) con error y it = µ i + ν it tendría la siguiente estructura de varianzas y covarianzas: var(y i1 ) = var(y i2 ) = σ 2 µ + σ 2 ν cov(y i1, y i2 ) = σ 2 µ. Modelo homogéneo con correlación serial y it = η + ν it donde ν it = αν it 1 + ɛ it, η constante, ɛ iid(0, σ 2 ɛ ), ν i1 iid(0, σ 2 ν ) con σ 2 ν = σ 2 ɛ /(1 α 2 ) tendría la siguiente estructura de varianzas y covarianzas: var(y i1 ) = var(y i2 ) = σ 2 ν cov(y i1, y i2 ) = ασ 2 ν.
8 Identificación (Arellano, 2002, pp.58-60) T = 2 cont. En los dos modelos la autocorrelación puede distinguir uno de otro. cov(y i1,y i2 ) es constante... no se var(yi1 )var(y i2 ) Un modelo combinado con heterogeneidad y correlación serial: var(y i1 ) = var(y i2 ) = σ 2 µ + σ 2 ν cov(y i1, y i2 ) = σ 2 µ + ασ 2 ν.
9 Identificación (Arellano, 2002, pp.58-60) Supongamos un panel corto con T = 3 pero N grande: {(y i1, y i2, y i3 )} N i=1. Modelo de efectos aleatorios one-way (heterogeneidad pura) con error y it = µ i + ν it tendría la siguiente estructura de varianzas y covarianzas: var(y i1 ) = var(y i2 ) = var(y i3 ) = σ 2 µ + σ 2 ν cov(y i1, y i2 ) = cov(y i1, y i3 ) = cov(y i2, y i3 ) = σ 2 µ. Este modelo lo podemos llamar de equicorrelación, donde la correlación intra-cluster IC = σ 2 µ/(σ 2 µ + σ 2 ν ). Modelo homogéneo con correlación serial y it = η + ν it donde ν it = αν it 1 + ɛ it, η constante, ɛ iid(0, σ 2 ɛ ), ν i1 iid(0, σ 2 ν ) con σ 2 ν = σ 2 ɛ /(1 α 2 ) tendría la siguiente estructura de varianzas y covarianzas: var(y i1 ) = var(y i2 ) = σ 2 ν cov(y i1, y i2 ) = ασ 2 ν, cov(y i1, y i3 ) = α 2 σ 2 ν
10 Identificación (Arellano, 2002, pp.58-60) T = 3 cont. Un modelo combinado con heterogeneidad y correlación serial: var(y i1 ) = var(y i2 ) = var(y i3 ) = σ 2 µ + σ 2 ν cov(y i1, y i2 ) = cov(y i2, y i3 ) = σ 2 µ + ασ 2 ν pero cov(y i1, y i3 ) = σ 2 µ + α 2 σ 2 ν Este modelo está exactamente identificado y por lo tanto podemos distinguir uno de otro.
11 Identificación (Arellano, 2002, pp.58-60) generelización En general, persistencia medida a través de la autocorrelación combina dos fuentes diferentes: donde λ = σ 2 µ/σ 2 ν. ρ = σ2 µ + ασ 2 ν σ 2 µ + σ 2 ν = α + (1 α)σ2 µ σ 2 µ + σ 2 ν = α + (1 α)λ 1 + λ,
12 Si usamos efectos aleatorios o fijos... El modelo de efectos aleatorios es un caso particular de las posibles correlaciones intra-cluster. Este modelo es en realidad uno de equicorrelación, donde la correlación entre observaciones del mismo individuo a lo largo del tiempo es constante. - Montes-Rojas, G. (2016). An equicorrelation Moulton factor in the presence of arbitrary intra-cluster correlation, Economics Letters 145,
13 Si usamos efectos aleatorios o fijos... Supongamos el siguiente modelo de ejemplo: y it = x it β + ν it, ν it = ɛ it + αɛ it 1, 0 < α < 1, ɛ i0 = 0, i = 1, 2,..., N, t = 1, 2,..., T. Esto es una estructura MA(1) con ɛ i.i.d.(0, σɛ 2 ).
14 Si usamos efectos aleatorios o fijos... Definamos λ 2 ν = σ 2 ν (1 ρ ν ), λ 2 µ = σ 2 ν ρ ν = 2/T ασ 2 ɛ, ρ ν = 2/T α 1+α 2 (note el factor 1/T ), y λ 2 µ + λ 2 ν = σ 2 ν = (1 + α 2 )σ 2 ɛ. Definamos la correlación intra-cluster IC = ρ ν = λ2 µ λ 2 µ + λ 2 = 2/T α ν (1 + α 2 ) Nuestro objetivo es calcular la varianza del estimadore de OLS, V ( ˆβ x): ˆβ = N i=1 T t=1 y it x it N i=1 T t=1 x 2 it
15 Si usamos efectos aleatorios o fijos... V 0 := V 0 ( ˆβ x) es la varianza OLS estándar: V 0 = (1 + α2 )σɛ 2 N i=1 T t=1 xit 2 ( ) 2 = (λ2 µ + λ 2 ν) N i=1 T t=1 xit 2 ( ) 2. N i=1 T t=1 xit 2 N i=1 T t=1 xit 2 V 1 := V 1 ( ˆβ x) es la varianza correcta: V 1 = (1 + α2 )σɛ 2 N i=1 T t=1 xit 2 + 2ασ2 ɛ N i=1 T t=2 x it x it 1 ( ) 2 N i=1 T t=1 xit 2 = (λ2 µ + λ 2 ν) N i=1 T t=1 xit 2 + λ2 µt N i=1 T t=2 x it x it 1 ( ) 2. N i=1 T t=1 xit 2 V 2 := V 2 ( ˆβ x) es la varianza de un modelo de equicorrelación: V 2 = (λ2 µ + λ 2 ν) N i=1 T t=1 xit 2 + 2λ2 µ N i=1 T t=1 1 T j=t+1 x itx ij ( ) 2. N i=1 T t=1 xit 2
16 Si usamos efectos aleatorios o fijos... Definamos ρ (1) x = 1 N(T 1) N i=1 T t=2 x it x it 1 y ρ (T ) x = 2 NT (T 1) N i=1 T 1 t=1 T j=t+1 x itx ij. El factor de Moulton (1986,1987,1990) es (usar OLS cuando hay correlación entre errores) V 1 V 0 = 1 + IC (T 1)ρ (1) x. Si asumimos que IC > 0 y ρ x (1) > 0 entonces OLS subestima la varianza (resultado esperado), o sea, V 1 V 0. Ahora si comparamos V IC (T 1)ρ(1) x = V IC (T 1)ρ x (T ). Si asumimos que IC > 0 y ρ x (1) > ρ x (T ) entonces RE subestima la varianza, o sea, V 1 V 2.
17 Contrastes para efectos aleatorios vs. correlación serial - Baltagi, B. H., and Li, Q. (1991). A joint test for serial correlation and random individual effects. Statistics and Probability Letters 11, Baltagi, B. H., and Li, Q. (1995). Testing AR(l) against MA(l) disturbances in an error component model. Journal of Econometrics 68, Bera, A., Sosa-Escudero, W., and Yoon, M. (2001). Tests for the error component model in the presence of local misspecification. Journal of Econometrics 101, Bera, A., and Sosa-Escudero, W. (2008). Tests for unbalanced error-components models under local misspecification. STATA Journal 8(1), http: // www. stata-journal. com/ sjpdf. html? articlenum= sg164_ 1
18 Estimación Muestras longitudinales con correlación serial (Baltagi, 2008, cap.5, pp.92-94, Baltagi y Wu, 1999) Consideremos un modelo y it = x it β + µ i + δ t + ν it, AR(1) : ν it = αν it 1 + ɛ it, ɛ i.i.d.(0, σ 2 ɛ ), µ i.i.d.(0, σ 2 µ), ν i0 iid(0, σ 2 ν ), σ 2 ν = σ 2 ɛ /(1 α 2 ), i = 1, 2,..., N; t = 1, 2,..., T ; α < 1 La estrategia es: (1) obtener un estimador del parámetro de AR(1); (2) transformar los residuos para que queden sin correlación; (3) estimar la varianza.
19 Estimación Muestras longitudinales con correlación serial (Baltagi, 2008, cap.5, pp.92-94, Baltagi y Wu, 1999) 1 Construir los residuos de un modelo simple de FE, { ν} it. 2 Estimar α = NT N(T 1) N i=1 T t=2 ν it ν it 1 N i=1 T. t=1 ν2 it 3 Eliminar AR(1) aplicando la transformación C α a los residuos: Equivalente a ã ijt = (1 α 2 ) 1/ α C α = α α 1 (1 α 2 ) 1/2 [ ( 1 1 α 2 ) 1/2 aijt 4 Construir decomposición espectral (no tan fácil). (1 α 2 ) 1/2 a ijt if t = 1 ( ) ] α 2 1/2 1 α 2 aijt 1 if t > 1.
20 Estimación Muestras longitudinales con correlación serial Podemos entonces resumir las siguientes estrategias para obtener errores estándar correctos: Los errores estándar de OLS son incorrectos porque no toman en cuenta la correlación intra-cluster. Los errores estándar de RE son incorrectos porque asumen que la correlación es constante intra-cluster (equicorrelación). Habría entonces que identificar la estructura correcta de la matriz correlaciones de los errores. 1 Una posibilidad es estimar la autocorrelación (AR o MA), luego los efectos aleatorios. 2 Otra alternativa es usar clusters y errores robustos. Angrist y Pischke (2009, ch.8) The clustered variance estimator [...] is consistent as the number of groups gets large under any within-group correlation structure. (p.313) Wooldridge (2010) recomienda implementar estimador RE, que es probable que sea más eficiente que OLS, pero to make the variance estimator of the random effects robust to arbitrary heteroskedasticity and within-group correlation (p.867).
21 Estimación Muestras longitudinales con correlación serial 1 En STATA ver xtregar: 2 En STATA ver opción cluster y/o robust después de cualquier estimador.
22
23 (caracterización general de Arellano, cap.6) Supongamos un modelo donde {(y i0, y i1,..., y it, µ i ), i = 1, 2,..., N} es una muestra aleatoria con segundos momentos finitos, tal que Supuesto B1: y it = αy it 1 + µ i + ν it, t = 1, 2,..., T, α < 1. E (ν it y t 1 i, µ i ) = 0 donde yi t 1 = (y i0, y i1,..., y i(t 1) ) y E (µ i ) = 0, var(µ i ) = σµ. 2 Este supuesto implica que E (ν it ν i(t j) yi t 1, µ i ) = 0, j > 0 con lo que los errores no están autocorrelacionados. Supuesto B2: Homoscedasticidad condicional: E (ν 2 it t 1 yi, µ i ) = σt 2 Supuesto B3: Homoscedasticidad de series de tiempo (no conditional): E (ν 2 it ) = σ2 ν
24 (caracterización general de Arellano, cap.6) Supuesto B4: (estacionariedad en la media) E (y i0 µ i ) = µ i 1 α en cuyo caso E (y it µ i ) = E (y i0 µ i ) (media de steady state) para todo t. Supuesto B5: (estacionariedad en la media) var(y i0 µ i ) = σ2 ν 1 α Calcular las covarianzas cov(y it, y i(t j) µ i ) = α 2t j var(y i0 µ i ) + α j ( t j 1 s=0 α 2s )σ 2 ν, j 0.
25 Sesgo de paneles dinámicos, OLS Para obtener el sesgo del estimador OLS ˆα OLS = N i=1 T t=1 y i,t y i,t 1 N i=1 T t=1 y 2 i,t 1 = α + N i=1 T t=1(µ i + ν it )y i,t 1 N i=1 T t=1 y 2 i,t 1
26 Sesgo de paneles dinámicos, OLS Calculamos el ĺımite en probabilidad de numerador y denominador (Hsiao, 2003, p.74) = 1 T = 1 T plim N 1 NT N T (µ i + ν it )y i,t 1 i=1 t=1 1 α T 1 α Cov(µ i, y i0 ) + 1 σµ 2 T (1 α) 2 [(T 1) T α + αt ] 1 α 2T (1 α 2 ) + 1 T plim N 1 NT N i=1 y i N T N T i=1 t=1 y 2 i,t 1 σµ 2 1 αt [T 2 (1 α) 2 1 α + 1 α2t 1 α 2 ] 2 (1 α) [ 1 αt 1 α 1 α2t 1 α 2 ]Cov(µ i, y i0 ) + 1 T σ 2 ν (1 α) 2 [(T 1) T α2 + α 2T ]
27 Sesgo de paneles dinámicos, OLS - En general ˆα OLS α, OLS sobrestima el valor real, bajo muchos supuestos. En particular asumiendo que Cov(µ i, y i0 ) > 0. - El resultado se mantiene con otras variables de control. - No es tan claro con otro orden de rezagos.
28 Sesgo de paneles dinámicos, Nickell (1981) El estimador de efectos fijos producirá la transformación within de todas las variables. En particular, ỹ i,t 1 = y i,t 1 ȳ i, 1 donde ȳ i, 1 = T t=1 y i,t 1 /T El principal problema es que ỹ i,t 1 estará correlacionado con (u i,t 1 ū i ) aún si u it no tiene correlación serial. Nickel, S. (1981) Biases in Dynamic Models with Fixed Effects, Econometrica, 49, El estimador de efectos fijos (within) es sesgado de orden O(1/T ), o sea, el sesgo desaparece solo cuando T. Entonces habrá un gran sesgo para T chico (incluso cuando N sea grande). Este problema también se aplica a los modelos de primeras diferencias. La razón es que y i,t 1 = y i,t 1 y i,t 2 está correlacionado con u i,t = u i,t u i,t 1.
29 Sesgo de paneles dinámicos, Nickell (1981) Para obtener el sesgo del estimador de efectos fijos debemos usar ˆα FE = N i=1 y i, 1 Q µy i N i=1 y i, 1 Q µy i, 1 donde y i, 1 = {y it 1, y it 2,..., y i0 }, FE:within-group=efectos fijos. Para cualquier i E ( y i, 1 Q µy i ) = αe ( y i, 1 Q µ y i, 1 ) + E ( y i, 1 Q µ ν i ) = αe ( y i, 1 Q µy i, 1 ) + E ( T [y it 1 (ν it ν i )] t=1 )
30 Sesgo de paneles dinámicos, Nickell (1981) El sesgo aparece porque ( T ) E [y it 1 (ν it ν i )] t=1 Notemos que = E ( T [y it 1 ν i ] t=1 ) = 0 y it 1 = αy it 2 + µ i + ν it 1 = α 2 y it 3 + (1 + α)µ i + ν it 1 + αν it 2 También, t 2 = ( α j t 2 )µ i + α j ν it 1 j + α t 1 y i0 j=0 j=0 ν i = 1 T T ν it = 1 t=1 T (ν it + ν it ν it 1 + ν it ν i1 ) E [y it 1 ν i ] = 1 T σ2 ν (1 + α α t 2 )
31 Sesgo de paneles dinámicos, Nickell (1981) Nickell (1981) encuentra que [ donde h T (α) = 1 α 1 1 T 1 Entonces, E ( y i, 1 Qν ) i = σ 2 ν h T (α) )]. Además, ( 1 α T 1 α E ( y i, 1 Qy ) σ 2 i, 1 = ν (T 1) (1 α 2 ) plim N (ˆα FE α) = (1 α2 )h T (α) (T 1) Cuando T = 2, plim N (ˆα FE α) = 1+α 2 ( ( 1 2αh T (α) (T 1) 1 2αh T (α) (T 1) ) ) 1 = O(1/T )
32 Sesgo de paneles dinámicos, Nickell (1981) Consideremos ahora el estimador FD (primeras diferencias): y it = α y it 1 + ν it, α < 1. Notemos que y it 1 = α y it 2 + ν it 1. Además, plim N ˆα FD = E ( y it 1 y it ) E ( y it 1 ) 2. E ( y it 1 y it ) = αe [ ( y it 1 ) 2] + E ( ν it 1 ν it ) = αe [ ( y it 1 ) 2] σ 2 ν (usando E ( y it 2 ν it ) = 0) [ E ( y it 1 ) 2] [ = α 2 E ( y it 2 ) 2] + 2αE ( y it 2 ν it 1 ) + E [( ν it 1 ) 2] [ Entonces, asumiendo estacionariedad (ej. E ( y it 1 ) 2] [ = E ( y it 2 ) 2] ) [ E ( y it 1 ) 2] = 2σ2 ν (1 α) 1 α 2 = 2σ2 ν 1 + α Entonces, plim N (ˆα FD α) = (1+α) 2. Notar que no depende de T.
33 Magnitud del sesgo dinámico para estimadores de efectos fijos y it = αy it 1 + µ i + ν it, α < 1. α T
34 Sesgo asintótico de paneles dinámicos Aún cuando T, puede haber un sesgo si también N Si N/T 0 entonces no hay sesgo de paneles dinámicos. La intuición es que para cada i se puede correr una regresión individual. (Alvarez and Arellano, 2003) Pero para N/T k < y N/T 3 0, d NT [ˆαFE (α 1/T (1 + α))] N(0, (1 α 2 )) Nickel (1981) propone usar el factor de ajuste 1/T (1 + α) para T grande.
35 Anderson y Hsiao (1981) Anderson, T.W. and Hsiao, C. (1981) Estimation of Dynamic Models with Error Components, Journal of the American Statistical Association, 76, Notar que tanto los estimadores FE como FD no son consistentes para T finito. Anderson y Hsiao (1981) proponen usar un estimador VI (variales instrumentales) para obtener estimadores consistentes. Su principal idea se resume en: 1 Usar primeras diferencias FD del modelo para cancelar µ i. Sin embargo, este estimador es inconsistente... 2 Entonces usar y i,t 2 o y i,t 2 como variable instrumental para y i,t 1. 3 Por qué? 1. E [y i,t 2 ν i,t ] = E [y i,t 2 (ν i,t ν i,t 1 )] = 0 2. ( E [y i,t 2 y i,t 1 ] = E [y i,t 2 (y i,t 1 y i,t 2 )] = σν 2 (1 α) 1 α 2(t 1) = 0 [Probar que funciona para y i,t 2.] 1 α 2 )
36 Cómo funciona IV? (revisión) Consideremos el modelo y = X β + u donde cov(x, u) = 0, o sea endogeneidad. plim ˆβ OLS = E [X X ] 1 E [X y] = E [X X ] 1 E [X (X β + u)] = β + E [X X ] 1 E [X u] = β E [X X ] 1 E [X u] es el sesgo asintótico de OLS con endogeneidad. Supongamos que Z es una variable instrumental. Tiene que satisfacer dos condiciones: 1 E [Z u] = 0, exogeneidad. 2 E [Z X ] = 0, correlación con la variable endógena. Entonces plim ˆβ IV = E [Z X ] 1 E [Z y] = E [Z X ] 1 (E [Z X ]β + E [Z u]) = β.
37 Anderson and Hsiao (1981) En el modelo simple, y it = αy it 1 + µ i + ν it, α < 1, usando y i,t 2 como IV, de donde plim ˆα IV = E (y it 2 y it ) E (y it 2 y it 1 ) E (y it 2 y it ) = αe (y it 2 y it 1 ) + E (y it 2 ν it ) La clave está en que está correlacionado con y i,t 1 pero no con u i,t. 1 E [y i,t 2 ν i,t ] = E [(αy i,t 3 + ν i,t 3 )(ν i,t ν i,t 1 )] = 0 (asumiendo que no hay correlación serial en los errores); 2 E [y i,t 2 y i,t 1 ] = E [y i,t 2 (y i,t 1 y i,t 2 )] = 0.
38 Arellano, M. and Bond, S. (1991) Some tests of specification for panel data: Monte Carlo evidence and an application to employment equations, Review of Economic Studies, 58, Blundell, R. and Bond, S. (1998) Initial conditions and moment restrictions in dynamic panel data models, Journal of Econometrics, 87,
39 Arellano and Bond (1991) Consideremos el modelo en primeras diferencias y it = α y it 1 + ν it = y it y it 1 = α(y it 1 y it 2 ) + (ν it ν it 1 ) Para t=2, y i2 y i1 = α(y i1 y i0 ) + (ν i2 ν i1 ). Notemos que y i0 es un instrumento válido ya que está correlacionado con (y i2 y i1 ) pero no con (ν i2 ν i1 ) (siempre que los errores no estén autocorrelacionados). Para t=3, y i3 y i2 = α(y i2 y i1 ) + (ν i3 ν i2 ). Notemos que y i1 y y i0 son instrumentos válidos para (y i2 y i1 ) (no están correlacionados con (ν i3 ν i2 )). Podemos continuar de esta manera construyendo instrumentos adicionales para cada periodo, tal que para T, el conjunto de instrumentos es (y i0, y i1,..., y it 2 ). Entonces tenemos t 2 condiciones de momento a explotar para cada t. En total, bajo el supuesto B1 de Arellano (2002) tenemos T (T 1)/2 restricciones de momentos a explotar. Más condiciones de momento implica que IV simple (Anderson-Hsiao) es ineficiente, se puede construir un estimador GMM mejor.
40 Estimadores GMM (ver notas optativas sobre estimadores M) GMM (Generalized Method of Moments) es un método para generar estimadores a partir de condiciones de momento. Supongamos que g(z, θ) es una condición de momento tal que para θ 0 satisface E [g(z, θ)] = 0 si y solo si θ = θ 0, para variables aleatorias Z (por ejemplo Z = (X, Y )). ] [ ] ˆθ GMM = argmin θ [n 1 N i=1 g(z i, θ) Ω n 1 N i=1 g(z i, θ) para una matriz Ω definida positiva. La matriz Ω determina la eficiencia del estimador. La óptima es Ω = E [g(z, θ 0 )g(z, θ 0 ) ] 1.
41 Arellano and Bond (1991) Construyamos Z como el conjunto de IV. Z y = Z ( y 1 )α + Z ν [y i0 ] [y i0, y i1 ] 0 Z i = [y i0,..., y i,t 2 ] ˆα = [( y 1 ) Z ΩZ ( y 1 )] 1 [( y 1 ) Z ΩZ ( y)]
42 Arellano and Bond (1991) Estimador GLS en una etapa (one-step estimator): ˆΩ = N i=1 Z i GZ i para una matriz G tal que E ( ν i ν i ] = σ2 ν G. En particular se usa N ˆΩ = Z i DD Z i i= donde D = es la matriz (T 1) T de operador en primeras diferencias. Estimadore GMM en dos etapas (two-step estimator): ˆΩ = N i=1 Z i ( ˆν i )( ˆν i ) Z i para una estimación preliminar (ej. one-step) de ˆν.
43 Arellano and Bond (1991) El modelo también admite otras variables exógenas x que pueden estar relacionadas con µ i, entonces xs son instrumentos válidos. Las variables explicativas exógenas se pueden separar en dos tipos: Las variables predeterminadas (weakly exogeneous) donde E [x it ν is ] = 0 para s < t pero E [x it ν is ] = 0 para s t. Entonces [x i0, x i1,..., x i(s 1) ] son instrumentos válidos para la ecuación en diferencias en el periodo s. Por ejemplo, x i0 y x i1 son instrumentos válidos para y i3 y i2 = α(y i2 y i1 ) + (x i3 x i2 )β + (ν i3 ν i2 ). Tenemos entonces, la matriz de instrumentos Z. Z y = Z ( y 1 )α + Z ( X )β + Z ν Z i = [y i0, x i,0, x i,1 ] [y i0, y i1, x i,0, x i,1, x i,2 ] [y i0,..., y i,t 2, x i,0,..., x i,t 1 ] Las variables estrictamente exógenas se pueden usar [x i0, x i1,..., x it ] como un elemento más de la diagonal de Z i. La metodología de Arellano-Bond se puede usar para la presencia de otras variables endógenas. Es decir, la estructura de rezagos en paneles dinámicos sirve para resolver casos de endogeneidad general.
44 Arellano and Bond (1991) El estimador de Arellano-Bond depende de la ausencia de correlación serial de segundo orden en los errores de la ecuación en diferencias. O sea, E [ ν it ν it 2 ] = 0. AB proponen un contraste para eso que debe ser chequado. Bajo la hipótesis nula los errores no tienen autocorrelación AR(2) (o mayor) o siguen un paseo aletorio. Qué hacer si este supuesto se rechaza? Arellano-Bond también proponen un contraste de Sargan-Hansen (overidentifying restrictions): m = ˆν N Z [ Z i ( ˆν i )( ( ˆν i )) Z i ]Z ˆν χ 2 #rest #par i=1
45 Contraste para la validez de los instrumentos Contraste de Sargan-Hansen Un supuesto crucial de GMM es que los instrumentos son válidos si no están correlacionados con los residuos. Supongamos que queremos armar un contraste para la validez de los instrumentos. Requerimiento importante: Necesitamos más variables instrumentales que variables endógenas. Tomemos el modelo y 1 = β 0 + β 1 y 2 + β 2 z 1 + β 3 z 2 + u donde y 2 es (potencialmente) endógena; z 1 and z 2 son variables explicativas exógenas; z 3 and z 4 son IV. 1 Supongamos que en el modelo anterior usamos 2SLS con z 3 como la única variable instrumental. 2 Computar û 3 = y 1 ˆβ 0 ˆβ 1 y 2 ˆβ 2 z 1 ˆβ 3 z 2. 3 Correr la regresión auxiliar û 3 = δ 0 + ˆδ 1 z 1 + ˆδ 2 z 2 + δ 4 z 4. 4 Chequer la significancia de z 4. 5 Esto nos da un contraste válido para la validez de z 4 como IV. Pero tenemos que asumir que z 3 es una IV válida.
46 Contraste para la validez de los instrumentos Contraste de Sargan-Hansen 1 Si tenemos más IVs que variables endógenas, entonces el modelo esta sobre-identificado (over-identified). 2 Consideremos H 0 : todas las IVs son exgógenas. Si rechazamos entonces alguna de las IVs es endgógena. 3 Estimar el modelo con todos las IVs usando 2SLS. Obtener los residuos û. 4 Correr la regresión de û en TODAS las variables exógenas (IVs, X exógenas, constante). 5 Computar NR 2 u a χ 2 L K, donde R2 u es el de la última regresión.
47 Contraste para la validez de los instrumentos Contraste de Sargan-Hansen Supongamos que ê son los residuos del modelo de 2SLS. Si el modelo está sobreidentificado entonces Z ê no es exáctamente 0, y 1 N Z ê d N(0, V Z e ). Entonces podemos armar 1 N Z êv 1 Z e 1 n Z ê, donde V Z e es la varianza de Z e. Los contrastes de Sargan y Hansen difieren en como V Ze es estimada. Contraste de Sargan: asume homoscedasticidad. Usa estimadores one-step: V Ze = Z Z. Contraste de Hansen: permite heteroscedasticidad, usa two-step.
48 Ahn and Schmidt (1995) Ahn y Schmidt (1995) muestran que con supuestos no muy fuertes hay condiciones adicionales que se pueden usar. Arellano-Bond usan T (T 1)/2 condiciones de momento usando E (y is ν it ) = 0, t = 2, 3,..., T, s = 0,..., t 2. Sin embargo también están disponibles las condiciones E (ν it ν it ) = 0, t = 2,..., T 1 usando el supuesto de varianza constante E (νit 2 ) = σ2 i, t = 1, 2,..., T Hay entonces un conjunto de T (T 1)/2 + (T 1) condiciones de momento.
49 Blundell and Bond (1998) Blundell y Bond (1998) encuentran que el estimador de Anderson-Hsiao cumple con la siguiente propiedad. Supongamos que T = 2 tal que α está exactamente identificado de E (y i0 ν i2 ) = 0. En este caso la primera etapa de 2SLS se obtiene de una regresión de y i1 en y i0 : y i1 = (α 1)y i0 + µ i + ν i1 (asumiendo E (ν i0 = 0)). Entonces, c plim(ˆα 1) = (α 1) c + σµ/σ 2 ν 2, donde c = (1 α)/(1 + α). El estimador es sesgado hacia abajo (cuanto más grande es σ 2 µ/σ 2 ν ). También el contraste F se vuelve F = (σ2 ν c) 2 σµ+σ 2 ν 2 0 cuando α 1. c ( ) E [y i,t 2 y i,t 1 ] = E [y i,t 2 (y i,t 1 y i,t 2 )] = σν 2 (1 α) 1 α 2(t 1) = 1 α 2 0 Blundell-Bond entonces buscan usar condiciones adicionales: rezagos en diferencias para la ecuación en niveles. El supuesto necesario es que: tal que y converge a su media E [(y i0 µ i 1 α )µ i ] = 0 µ i 1 α para cada individuo a partir de t = 1.
50 Blundell and Bond (1998) Con el supuesto adicional E [ ν it µ i ] = 0 tenemos T 2 restricciones adicionales E [ y it (µ i + ν it )] = 0, t = 2, 3,..., T. Particularidad: y i,t 1 se usan como instrumentos en niveles. Blundell-Bond desarrollan un estimador GMM que toma las condiciones de Arellano-Bond junto con las T 2 condiciones adicionales. El estimador se llama System GMM: estima simultáneamente dos ecuaciones, una en niveles y otra en diferencias, usando diferentes instrumentos para cada una. Gana eficiencia para T chico.
51 Motivación: Roodman (2009,p136)
52 Proliferación de instrumentos: muchos instrumentos Arellano-Bond usan T (T 1)/2 condiciones de momento usando E (y is ν it ) = 0, t = 2, 3,..., T, s = 0,..., t 2. Alvarez y Arellano (2003) muestran que a menos que lim(t /N) = 0, el estimador tendrá un sesgo de orden O(1/N). Hay dos problemas principales con muchos instrumentos: 1 Sobreestimación (overfitting) 2 Mala estimación de la matriz de pesos Ω.
53 Proliferación de instrumentos: muchos instrumentos Cuando el nro de IV crece, entonces sobreestima (overfits) la variable endógena. Ejemplo: Si #IV = NT (tantas observaciones como IV), entonces en la primera etapa de 2SLS R 2 = 1, y por construcción OLS = 2SLS. Arellano (2003) muestra que el sesgo de overfitting es O(j/N), j es el nro de instrumentos para variables pre-determinadas, y O(jT /N) para variables endógenas.
54 Proliferación de instrumentos: muchos instrumentos Cuando el nro de IV crece, la matriz de pesos Ω se estima de forma imprecisa. La matriz óptima Ω depende de var(z ν). Esta es cuadrática en el nro de IV, lo que significa cuártica en T, o sea O(T 4 ). Se requieren momentos segundos de Z ν, que implica momentos cuartos de las distribuciones subyacentes (Hayashi, 2000, p.215). 1 La matriz estimada puede ser singular. 2 Sesgo hacia abajo en los errores estándar: muestra más significancia de la que verdaderamente hay. El problema es que no se toma en cuenta que Ω es estimada. 3 El contraste de Sargan-Hansen (para validez de IV) es no creíble. En general, un alto p-valor del contraste se usa como validez de los IV. Pero el paper de Bowsher (2000) muestra que muchos IV vuelve el test de Sargan-Hansen poco creíble. A few calculations were made by the author on the order of magnitude of the errors involved in this approximation. They were found to be proportional to the number of instrumental variables, so that, if the asymptotic approximations are to be used, this number must be small. (Sargan, 1958)
55 Proliferación de instrumentos: muchos instrumentos Soluciones propuestas: 1 Regla: El nro de IV no debería ser mayor que N. Es decir, mantener el nro. de IV cercano al nro de individuos. [Nota: Roodman (2009) en realidad dice que esto no tiene nungún valedero estadístico.] 2 Probar diferentes especificaciones de IV. El problema de IV no afecta la consistencia de GMM, entonces en muestras chicas es importante analizar su comportamiento. Si el modelo funciona debería dar resultados similares con distintos IV. Probar cortar los rezagos en 1 o 2, que es equivalente a poner 0 en la matriz Z. 3 Colapsar/combinar instrumentos. Ventaja que toda la información se usa (todos los IVs). Es equivalente a imponer que ciertos conjuntos de parámetros tienen el mismo coeficiente. Busca minimizar t y i,t l ν it para cada l en vez de y i,t l ν it para cada t, l. Z i = y i0 0 0 y i1 y i0 0 y i2 y i1 y i
56 Simulation: Roodman (2009,p150)
57
58
59
60 How to do it in STATA? First, you need to set-up STATA to identify that you have a panel data structure. For that, you need a numerical variable, say ID, that identifies individuals, regions, etc. Then, type iis ID Alternatively, if you have both a cross-sectional and a time-series structure (say given by TIME) Organise your data IND TIME YVAR XVAR 1 1 y 11 x y 12 x y 13 x y 21 x y 22 x y 23 x 23 It is very important that there are no repeated values, i.e. you cannot have twice individual=1 and time=2 Type tsset IND TIME this recognizes the variable IND as i, the individual indicator and TIME as t, the time indicator
61 How to do it in STATA? Now you are ready to estimate panel data models: xtreg y x1 x2 x3, fe (FE model) xi: reg y x1 x2 x3 i.idvar (same, but including dummies by idvar) xtreg y x1 x2 x3, re (RE model)
62 How to do it in STATA? Hausman test xtreg y x1 x2 x3, fe (FE model) est store fe (keep info about FE model) xtreg y x1 x2 x3, re (RE model) est store re (keep info about RE model) hausman fe re (Hausman test)
63 How to do it in STATA? First-differences model tsset idvar timevar (to get differences, lags, etc. you need the tsset) reg D.y D.x1 D.x2 D.x3 (to run in FD) reg y L.y x1 x2 x3 (OLS with lag of the dependent variable) xtreg y L.y x1 x2 x3, fe (FE with lag of the dependent variable)
64 Arellano-Bond estimator There are 3 different alternative commands for Arellano-Bond and System-GMM: 1 By default, xtabond 2 xtabond2 as given by Roodman (2009). You need to install it: ssc install xtabond2, all replace 3 Another alternative
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 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 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 detallesVariables Endógenas en los Modelos Econométricos
Variables Endógenas en los Modelos Econométricos CONFERENCIA INAUGURAL XLIX REUNION ANUAL Asociación Argentina de Economía Política Facultad de Ciencias Económicas -Universidad Nacional de Misiones 12
Más detalles(a) Calculate a point estimate of the mean pull-off force of all connectors in the population. State which estimator you used and why.
PROBLEMAS DE CLASE Problema 7.22 Data on pull-off force (pounds) for connectors used in an automobile engine application are as follows: 79.3, 75.1, 78.2, 74.1, 73.9, 75.0, 77.6, 77.3, 73.8, 74.6, 75.5,
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 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 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 detallesErrores de especificación. Series simuladas
Estimación modelo correcto Dependent Variable: Y Date: 05/13/02 Time: 17:07 Sample: 2 100 Included observations: 99 Errores de especificación. Series simuladas C 5.376164 0.253524 21.20578 0.0000 X1 0.954713
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 detallesECONOMETRIA APLICADA NOTAS DATOS DE PANEL
ECONOMETRIA APLICADA NOTAS DATOS DE PANEL Revisión En una de las referencias clásicas en la literatura, Hsiao (1986) los describe como secciones cruzadas de individuos observadas a lo largo del tiempo.
Más detallesCuadernos del CIMBAGE Nº 15 (2012) 19-31
Cuadernos del CIMBAGE Nº 15 (2012) 19-31 UN ANÁLISIS DEL APORTE DE ESTIMADORES GMM EN SISTEMAS Y DIFERENCIAS A LA ESTIMACIÓN DE ECUACIONES DINÁMICAS EN ECONOMÍA Cintia Martínez Sección de Investigaciones
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 detallesGuía CERO para datos de panel. Un enfoque práctico
Working Paper # 2014/16 Guía CERO para datos de panel. Un enfoque práctico Romilio Labra y Celia Torrecillas UAM-Accenture Working Papers ISSN: 2172-8143 Edited by: UAM-Accenture Chair on the Economics
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 detallesECONOMETRÍA II: ECONOMETRÍA DE SERIES TEMPORALES. Modelos ARMA
ECONOMETRÍA II: ECONOMETRÍA DE SERIES TEMPORALES Modelos ARMA Definición: Ruido blanco. Se dice que el proceso {ɛ t } es ruido blanco ( white noise ) si: E(ɛ t ) = 0 Var(ɛ t ) = E(ɛ 2 t ) = σ 2 Para todo
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 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 detallesAnálisis de la varianza ANOVA
Estadística Básica. Mayo 2004 1 Análisis de la varianza ANOVA Francisco Montes Departament d Estadística i I. O. Universitat de València http://www.uv.es/~montes Estadística Básica. Mayo 2004 2 Comparación
Más 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 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 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 detallesb. Universidad Nacional-Sede Medellín
Comparación de Intervalos de Confianza para el Coeficiente de Correlación Juan Carlos Correa a, Liliana Vanessa Pacheco b Email: jccorrea@unal.edu.co a. Universidad Nacional-Sede Medellín b. Universidad
Más detallesMODELOS PANEL: APLICACIONES EN SOFTWARE R. Miguel Ángel Mendoza G. 1
MODELOS PANEL: APLICACIONES EN SOFTWARE R Miguel Ángel Mendoza G. 1 I. Introducción Los modelos panel normalmente se utilizan cuando el fenómeno económico, financiero, social, etc. que se está analizando
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 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 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 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 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 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 detalles74 Prime Time. conjetura Suposición acerca de un patrón o relación, basada en observaciones.
A abundant number A number for which the sum of all its proper factors is greater than the number itself. For example, 24 is an abundant number because its proper factors, 1, 2, 3, 4, 6, 8, and 12, add
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 detallesMétodo 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 detallesECONOMETRIA ORDEN DE INTEGRACIÓN N Y RAÍCES UNITARIAS. Mtro. Horacio Catalán Alonso
ECONOMETRIA ORDEN DE INTEGRACIÓN N Y RAÍCES UNITARIAS Mtro. Horacio Catalán Alonso Orden de Integración ORDEN DE INTEGRACIÓN Econometría (1) X t = X t-1 + u t Como: E(u t ) = 0 y la Var(u t ) = 2 constante
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 detallesMétodos de Pareo FN1. Fernanda Ruiz Nuñez Noviembre, 2006 Buenos Aires
Métodos de Pareo FN1 Fernanda Ruiz Nuñez Noviembre, 2006 Buenos Aires Slide 1 FN1 Fernanda Nunez, 11/17/2006 Asignación aleatoria vs. Selección en observables Supuesto bajo asignación aleatoria: Y (1),
Más detallesPruebas de Hipótesis. Diseño Estadístico y Herramientas para la Calidad. Pruebas de Hipótesis. Hipótesis
Diseño Estadístico y Herramientas para la Calidad Pruebas de Hipótesis Expositor: Dr. Juan José Flores Romero juanf@umich.mx http://lsc.fie.umich.mx/~juan M. en Calidad Total y Competitividad Pruebas de
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 detallesEstimación por intervalo del parámetro de la distribución de Poisson con una sola observación
Revista Colombiana de Estadística Volumen 30 No. 1. pp. 69 a 75. Junio 2007 Estimación por intervalo del parámetro de la distribución de Poisson con una sola observación Interval Estimation for the Poisson
Más detallesExamen 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 detallesSISTEMA DE MONOMIOS PARA UN CUERPO RESIDUAL REAL CERRADO
SISTEMA DE MONOMIOS PARA UN CUERPO RESIDUAL REAL CERRADO Francisco Ugarte Guerra 1,2 Mayo, 2011 Resumen Para etender técnicas tipo Polígono de Newton a ecuaciones algebraicas con coeficientes en cuerpos
Más detallesANEXO 1. CONCEPTOS BÁSICOS. Este anexo contiene información que complementa el entendimiento de la tesis presentada.
ANEXO 1. CONCEPTOS BÁSICOS Este anexo contiene información que complementa el entendimiento de la tesis presentada. Aquí se exponen técnicas de cálculo que son utilizados en los procedimientos de los modelos
Más detallesDistribución Chi (o Ji) cuadrada (χ( 2 )
Distribución Chi (o Ji) cuadrada (χ( 2 ) PEARSON, KARL. On the Criterion that a Given System of Deviations from the Probable in the Case of a Correlated System of Variables is such that it Can Reasonably
Más detallesTabla de Test de Hipótesis ( Caso: Una muestra ) A. Test para µ con σ 2 conocida: Suponga que X 1, X 2,, X n, es una m.a.(n) desde N( µ, σ 2 )
Test de Hipótesis II Tabla de Test de Hipótesis ( Caso: Una muestra ) A. Test para µ con σ conocida: Suponga que X, X,, X n, es una m.a.(n) desde N( µ, σ ) Estadística de Prueba X - μ Z 0 = σ / n ~ N(0,)
Más detallesRepaso de funciones exponenciales y logarítmicas. Review of exponential and logarithmic functions
Repaso de funciones exponenciales y logarítmicas Review of exponential and logarithmic functions Las funciones lineales, cuadráticas, polinómicas y racionales se conocen como funciones algebraicas. Las
Más detallesCálculo numérico. Sistemas de ecuaciones lineales.
José Luis Morales http://allman.rhon.itam.mx/ jmorales Departamento de Matemáticas. ITAM. 2010. Las raíces de x 2 bx + c = 0. r = b ± b 2 4c 2 b = 3.6778, c = 0.0020798 r 1 = 3.67723441190... r 2 = 0.00056558809...
Más detallesEconometria con Series Temporales
May 24, 2009 Porque series temporales? Inhabilidad de la economia de producir experimentos controlados para estudiar relaciones causales entre variables. Una alternativa consiste en estudiar estas relaciones
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 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 detallesCONTRASTE SOBRE UN COEFICIENTE DE LA REGRESIÓN
Modelo: Y =! 1 +! 2 X + u Hipótesis nula: Hipótesis alternativa H 1 :!!! 2 2 Ejemplo de modelo: p =! 1 +! 2 w + u Hipótesis nula: Hipótesis alternativa: H :!! 1 2 1. Como ilustración, consideremos un modelo
Más detallesVectores Autorregresivos (VAR)
Vectores Autorregresivos (VAR) 1 Procesos estocasticos multivariados Y t = [Y 1t, Y 2t,, Y Nt ], t = 1, 2,..., T Estamos interesados en el comportamiento temporal de N variables simultaneamente. E(Y t
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 detallesIntegración numérica
Integración numérica Laboratori de Càlcul Numèric (LaCàN) Departament de Matemàtica Aplicada III Universitat Politècnica de Catalunya (Barcelona) http://www-lacan.upc.es Índice Motivación y objetivos Cuadratura
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 detallesContrastes de Hipótesis paramétricos y no-paramétricos.
Capítulo 1 Contrastes de Hiptesis paramétricos y no-paramétricos. Estadística Inductiva o Inferencia Estadística: Conjunto de métodos que se fundamentan en la Teoría de la Probabilidad y que tienen por
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 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 detallesModelos Estocásticos I Tercer Examen Parcial Respuestas
Modelos Estocásticos I Tercer Examen Parcial Respuestas. a Cuál es la diferencia entre un estado recurrente positivo y uno recurrente nulo? Cómo se define el período de un estado? Demuestre que si el estado
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 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 detallesAplicación 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 detallesMétodos de factorización para resolver sistemas de ecuaciones lineales. 22 de agosto, 2012
Cálculo numérico Métodos de factorización para resolver sistemas de ecuaciones lineales 22 de agosto, 2012 1 Factorización LU Considera el siguiente ejemplo de factorización LU de una matriz en un sistema
Más detallesGrado en Finanzas y Contabilidad
Econometría Grado en Finanzas y Contabilidad Apuntes basados en el libro Introduction to Econometrics: A modern Approach de Wooldridge 5.2 Estimadores de Variables Instrumentales La endogeneidad aparece
Más detallesTÉCNICAS ESTADÍSTICAS APLICADAS EN NUTRICIÓN Y SALUD
TÉCNICAS ESTADÍSTICAS APLICADAS EN NUTRICIÓN Y SALUD Contrastes de hipótesis paramétricos para una y varias muestras: contrastes sobre la media, varianza y una proporción. Contrastes sobre la diferencia
Más 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 detallesINFERENCIA ESTADISTICA
1 INFERENCIA ESTADISTICA Es una rama de la Estadística que se ocupa de los procedimientos que nos permiten analizar y extraer conclusiones de una población a partir de los datos de una muestra aleatoria,
Más 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 detallesPodemos definir un contraste de hipótesis como un procedimiento que se basa en lo observado en las muestras y en la teoría de la probabilidad para
VII. Pruebas de Hipótesis VII. Concepto de contraste de hipótesis Podemos definir un contraste de hipótesis como un procedimiento que se basa en lo observado en las muestras y en la teoría de la probabilidad
Más detallesSimulación I. Investigación Operativa, Grado en Estadística y Empresa, 2011/12
Simulación I Prof. José Niño Mora Investigación Operativa, Grado en Estadística y Empresa, 2011/12 Esquema Modelos de simulación y el método de Montecarlo Ejemplo: estimación de un área Ejemplo: estimación
Más detallesDESARROLLO FINANCIERO, CRISIS FINANCIERA Y ACUMULACIÓN DE CAPITAL
DESARROLLO FINANCIERO, CRISIS FINANCIERA Y ACUMULACIÓN DE CAPITAL NELSON R. RAMÍREZ RONDÁN BANCO CENTRAL DE RESERVA DEL PERÚ JUAN C. AQUINO CHÁVEZ PONTIFICIA UNIVERSIDAD CATÓLICA DEL PERÚ (Julio, 2004)
Más detallesCONTROLADORA PARA PIXELS CONPIX
The LedEdit Software Instructions 1, Install the software to PC and open English version: When we installed The LedEdit Software, on the desktop we can see following icon: Please Double-click it, then
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 detallesMétodos Estadísticos de la Ingeniería Tema 7: Momentos de Variables Aleatorias Grupo B
Métodos Estadísticos de la Ingeniería Tema 7: Momentos de Variables Aleatorias Grupo B Área de Estadística e Investigación Operativa Licesio J. Rodríguez-Aragón Marzo 2010 Contenidos...............................................................
Más detallesCortes transversales independientes. Datos en panel I. Gabriel Montes-Rojas
3 tipos de estructuras de datos Corte transversal (Cross section) Muestra de individuos, hogares, firmas, países, etc. que se toman en un momento dado del tiempo. {y i, x i } n i=1, donde i representa
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 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 detallesEstructura de este tema. Tema 3 Contrastes de hipótesis. Ejemplo
Estructura de este tema Tema 3 Contrastes de hipótesis José R. Berrendero Departamento de Matemáticas Universidad Autónoma de Madrid Qué es un contraste de hipótesis? Elementos de un contraste: hipótesis,
Más detallesCAPITULO ANÁLISIS ESTADÍSTICO MULTIVARIADO /1/ /2/ En el presente capítulo se realiza el análisis estadístico multivariado de los
112 CAPITULO 5 5.- ANÁLISIS ESTADÍSTICO MULTIVARIADO /1/ /2/ 5.1. Introducción En el presente capítulo se realiza el análisis estadístico multivariado de los datos obtenidos en censo correspondientes a
Más detallesEconometria de Series Temporales
Econometria de Series Temporales Walter Sosa Escudero wsosa@udesa.edu.ar Universidad de San Andr es 1 Introduccion >Porque series temporales? ² Inhabilidad de la economia de producir experimentos controlados
Más detallesProblemas de VC para EDVC elaborados por C. Mora, Tema 4
Problemas de VC para EDVC elaborados por C. Mora, Tema 4 Ejercicio Determinar las funciones enteras f para las que Solución f( + w) = f()f(w), w C. En primer lugar, f(0) = f(0 + 0) = f(0)f(0) = f(0) 2,
Más detallesTensores cartesianos.
Tensores cartesianos. Transformación de coordenadas. Consideremos dos sistemas de coordenadas cartesianas ortogonales en el plano, identificados como σ y σ. Supongamos que ambos tienen un origen común,
Más detallesAnálisis de Componentes de la Varianza
Análisis de Componentes de la Varianza Resumen El procedimiento de Análisis de Componentes de Varianza está diseñado para estimar la contribución de múltiples factores a la variabilidad de una variable
Más 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 detallesECONOMETRÍA II: ECONOMETRÍA DE SERIES TEMPORALES. Modelos VAR
ECONOMETRÍA II: ECONOMETRÍA DE SERIES TEMPORALES Modelos VAR Introducción modelos VAR Hasta ahora hemos estudiado modelos uniecuacionales Ahora vamos a estudiar un modelo multiecuacional que se llama Vector
Más detallesPruebas de Hipótesis Multiples
Pruebas de Hipótesis Multiples Cuando queremos hacer comparaciones de mas de dos poblaciones, una alternativa es comparar todos los grupos a la vez con el método de Análisis de Varianza (ANOVA) H o : µ
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 detallesDISTRIBUCIÓN N BINOMIAL
DISTRIBUCIÓN N BINOMIAL COMBINACIONES En muchos problemas de probabilidad es necesario conocer el número de maneras en que r objetos pueden seleccionarse de un conjunto de n objetos. A esto se le denomina
Más detallesPRUEBAS DE RAÍZ UNITARIA CON CAMBIO ESTRUCTURAL DE LEE Y STRAZICICH
BANCO CENTRAL DE COSTA RICA DIVISIÓN ECONÓMICA DEPARTAMENTO DE INVESTIGACIÓN ECONÓMICA PRUEBAS DE RAÍZ UNITARIA CON CAMBIO ESTRUCTURAL DE LEE Y STRAZICICH Adolfo Rodríguez Vargas Nota Técnica DEC-DIE-011-2009-IT,
Más detallesDeterminantes de la Morosidad en el Sistema Bancario del Ecuador
Determinantes de la Morosidad en el Sistema Bancario del Ecuador 1995-2005 Efraín Rafael Quiñónez Jaén 1, Manuel Patricio González Astudillo 2. 1 Egresado de la carrera de Economía con mención en Gestión
Más detallesListening exercise. Instructions: they have to work in groups of three. This is the link of the video clip.
Listening exercise Instructions: they have to work in groups of three. This is the link of the video clip. http://www.youtube.com/watch?v=bjiyvwicx4e Preactivity. You are going to listen to an Argentinean
Más detallesINFERENCIA ESTADÍSTICA: CONTRASTES DE HIPÓTESIS
INFERENCIA ESTADÍSTICA: CONTRASTES DE HIPÓTESIS Autor: Clara Laguna 6.1 INTRODUCCIÓN En el tema anterior estudiamos cómo a partir de una muestra podemos obtener una estimación puntual o bien establecer
Más detallesEstadística Industrial. Universidad Carlos III de Madrid Series temporales Práctica 5
Estadística Industrial Universidad Carlos III de Madrid Series temporales Práctica 5 Objetivo: Análisis descriptivo, estudio de funciones de autocorrelación simple y parcial de series temporales estacionales.
Más detallesDistribuciones de probabilidad multivariadas
Capítulo 3 Distribuciones de probabilidad multivariadas Sobre un dado espacio muestral podemos definir diferentes variables aleatorias. Por ejemplo, en un experimento binomial, X 1 podría ser la variable
Más detalles520142: ALGEBRA y ALGEBRA LINEAL
520142: ALGEBRA y ALGEBRA LINEAL Segundo Semestre 2008, Universidad de Concepción CAPITULO 10: Espacios Vectoriales DEPARTAMENTO DE INGENIERIA MATEMATICA Facultad de Ciencias Físicas y Matemáticas 1 Definición
Más detallesTema 13 : Intervalos de probabilidad y confianza. Hipótesis y decisiones estadísticas.
Tema 13 : Intervalos de probabilidad y confianza. Hipótesis y decisiones estadísticas. ---Intervalo de probabilidad (IP) Permite predecir el comportamiento de las muestras. Si de una población se sacan
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 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 detallesProbabilidad y Estadística
Programa de la Asignatura: Código: 23 Probabilidad y Estadística Carrera: Ingeniería en Computación Plan: 2013 Carácter: Obligatoria Unidad Académica: Secretaría Académica Curso: Tercer año Primer cuatrimestre
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 detalles