Econometría Aplicada
|
|
- José Ángel Guzmán Lozano
- hace 6 años
- Vistas:
Transcripción
1 Econometría Aplicada Especificación y problemas con la data Víctor Medina
2
3 Introducción Hasta el momento hemos considerado el modelo como dado y nos hemos preguntado cosas del estilo Dado el modelo y = β 1 + β 2 x β K x K + e Cómo podemos estimar de mejor forma sus parámetros? Cómo testeamos hipótesis acerca de los estimadores de ese modelo? Cómo construímos intervalos de confianza para los estimadores? Cuáles son las propiedades de los estimadores en un modelo en particular? Dado que todas estas preguntas requieren conocimiento del modelo, es natural preguntar de dónde viene el modelo mismo. Como dijimos al comienzo del curso, en cualquier investigación econométrica, la elección del modelo es uno de los primeras decisiones que se debe tomar. Ahora nos enfocamos en responder Cuáles son las consideraciones importantes cuando escogemos un modelo? Cuáles son las consecuencias de elegir un modelo incorrecto? Hay formas de medir si un modelo es adecuado?
4 Introducción Tres características esenciales en la selección del modelo 1. Elección de la forma funcional 2. Elección de las variables explicativas (regresores) 3. Si los supuestos 1 al 5 se cumplen Heterocedasticidad Autocorrelación Regresores aleatorios Para la elección de la forma funcional y las variables explicativas, debemos responder preguntas del tipo Qué variables independientes probablemente influyen la variable dependiente? Cómo es esperable que la variable dependiente responda a cambios en los regresores: A una tasa constante? A una tasa decreciente? Es razonable asumir una elasticidad constante para toda el rango?, entre otras preguntas. Ahora consideraremos las consecuencias de elegir regresores inadecuados y criterios de elección.
5 Antes de seguir... Regresión Particionada Para efectos de lo que viene, es útil reformular el problema de regresión como la partición de dos subconjuntos de regresores. Matricialmente tenemos y = Xβ + e con dim(x) = N K, que podemos expresar como y = X 1β 1 + X 2β 2 + e (con dim(x 1) = N K 1 y dim(x 2) = N K 2), es decir X = [ [ ] ] β1 X 1 X 2, β = β 2 Y sabemos que los estimadores de MC cumplen X t X ˆβ = X t y, por lo tanto [ ] [ ] [ ] t X1 X 1 X t 1 X 2 ˆβ1 t X1 y X t 2 X 1 X t = 2 X 2 ˆβ 2 X t 2 y
6 Regresión Particionada Luego, las ecuaciones particionadas son X 1 t X 1 ˆβ1 + X 1 t X 2 ˆβ2 = X 1 t y X 2 t X 1 ˆβ 1 + X 2 t X 2 ˆβ2 = X 2 t y Haciendo un poco de algebra, llegamos a ˆβ 1 = (X 1 t M 2X 1) 1 X 1 t M 2y ˆβ 2 = (X 2 t M 1X 2) 1 X 2 t M 1y Con M 1 = I X 1(X 1 t X 1) 1 X 1 t y M 2 = I X 2(X 2 t X 2) 1 X 2 t Y es directo demostrar que 1 var( ˆβ 1 ) = σ 2 (X 1 t M 2X 1) 1 var( ˆβ 2 ) = σ 2 (X 2 t M 1X 2) 1 1 Recordar que var(ax) = Avar(x)A t
7 Variables relevantes omitidas Sesgo Si el modelo considerado tiene la forma verdadera Pero se estima pensando que es y verdadero = X 1β 1 + X 2β 2 + e y falso = X 1β 1 + e Entonces, para este último modelo se estima β 1 como β 1 = (X1t X 1) 1 X t 1 y verdadero = β 1 + (X t 1 X 1) 1 X t 1 X 2β 2 + (X t 1 X 1) 1 X t 1 e Y por lo tanto, su esperanza es E(β 1 ) = (X t 1 X 1) 1 X t 1 E(y) = β 1 + (X t 1 X 1) 1 X t 1 X 2β 2
8 Variables relevantes omitidas Reducción de varianza del estimador Vimos que la varianza del estimador era var( ˆβ 1 ) = σ 2 (X 1 t M 2X 1) 1 con M 2 = I X 2(X 2 t X 2) 1 X 2 t, es decir, var( ˆβ 1 ) = σ 2 (X 1 t [I X 2(X 2 t X 2) 1 X 2 t ]X 1) 1 = σ 2 (X 1 t X 1 X 1 t X 2(X 2 t X 2) 1 X 2 t X 1) 1 Y por otra parte, si estimamos la varianza del modelo incorrecto, obtenemos var(β 1 ) = σ2 (X 1 t X 1) 1 Es decir, las inversas de las matrices de covarianzas se diferencian por var(β 1 ) 1 var( ˆβ 1 ) 1 = σ 2 (X 1 t X 2(X 2 t X 2) 1 X 2 t X 1) Donde la última matriz se puede mostrar que es definida positiva. Es decir, la varianza verdadera es mayor a la varianza incorrecta
9 Ejemplo de omisión de variables relevantes Ejemplo utilizando la data del economista Tom Mroz, que relaciona el ingreso familiar con los años de educación del esposo y esposa. ingreso = β 1 + β 2Edu H + β 3Edu M + e La estimación de los coeficientes arroja
10 Ejemplo de omisión de variables relevantes Ahora si consideramos el modelo (omitiendo la variable que indica la educación de la esposa) Tenemos ingreso = β 1 + β 2Edu H + e Es decir, el coeficiente que acompaña a la variable de años de educación del hombre ha aumentado, y su varianza a disminuído.
11 Ejemplo de omisión de variables relevantes Si expresamos las ecuaciones obtenidas anteriormente para el caso de 2 variables, tenemos E(β 2 ) = β 2 + β 3 ĉov(edu H, Edu M ) var(edu H) Por lo tanto, si creemos que la variable omitida tiene un efecto positivo en la variable dependiente y la correlación entre las variables explicativas es positiva, luego el sesgo es positivo, como ocurre en este caso.
12 Variables irrelevantes Sesgo Ahora consideremos el caso contrario, es decir, en vez de omitir una variable relevante, incluímos una variable irrelevante. Es decir, si el modelo considerado tiene la forma verdadera Pero se estima pensando que es y verdadero = X 1β 1 + e y falso = X 1β 1 + X 2β 2 + e Entonces del modelo incorrecto calculamos que E(β 1 ) = E((X 1 t M 2X 1) 1 X 1 t M 2y verdadero ) = β 1 + (X 1 t M 2X 1) 1 X 1 t M 2E(e) = β 1 Es decir, incluír una variable irrelevante no causa sesgo en los parámetros
13 Variables irrelevantes Aumento de varianza del estimador Utilizando los resultados anteriores, teniamos que Y la varianza verdadera es var(β 1 ) = σ2 (X 1 t M 2X 1) 1 var( ˆβ 1 ) = σ 2 (X 1 t X 1) 1 Y como vimos, (X 1 t X 1) > (X 1 t M 2X 1) (en el sentido matricial), es decir, la varianza del estimador con el modelo incorrecto es mayor a la verdadera.
14 Ejemplo de inclusión de variables irrelevantes Teníamos el modelo ingreso = β 1 + β 2Edu H + β 3Edu M + e
15 Ejemplo de inclusión de variables irrelevantes Luego, si calculamos el modelo ingreso = β 1 + β 2Edu H + β 3Edu M + β 4Irrelev + e Tenemos estimadores menos precisos (mayor varianza)
16 Selección del modelo Consideraremos 3 criterios de selección de modelos: R2, AIC y BIC. Estos criterios deben ser tratados como información adicional a otros criterios, como consideraciones lógicas, económicas, etc. Estos criterios son adecuados para comparar modelos con la misma variable dependiente (y), no, por ejemplo, y vs. exp(y) Coeficiente de determinación ajustado ( R 2 ) Recordemos R 2 = 1 SSE/SST que mide la bondad de ajuste. El problema de este coeficiente es que crece a medida que aumentamos el número de regresores (en el extremo, si nuestro modelo tiene N 1 variables, entonces R 2 = 1). Coeficiente de determinación ajustado, R 2 = 1 SSE/(N K) SST /(N 1) Ya no crece necesariamente cuando agregamos un regresor Ya no se puede interpretar como la proporción de variabilidad explicada por el modelo Intentamos maximizar R 2 cuando estamos seleccionando los modelos.
17 Selección del modelo Criterios de información 2 El criterio de información de Akaike (AIC), se define como AIC = ln ( SSE ) 2K + N N El primer término disminuye en la medida que agragamos más regresores, pero el segundo aumenta (penaliza) Se busca el modelo que minimiza esta métrica El criterio de información bayesiano (BIC), se define como BIC = ln ( SSE ) K ln(n) + N N El primer término disminuye en la medida que agragamos más regresores, pero el segundo aumenta (penaliza) Se busca el modelo que minimiza esta métrica 2 Existe una versión más general de estos criterios que le suman 1 + ln(2π)
18 Ejemplo de selección del modelo Estimamos 4 modelos distintos Modelo 1: ingreso = β 1 + β 2Edu H + e Modelo 2: ingreso = β 1 + β 2Edu M + e Modelo 3: ingreso = β 1 + β 2Edu H + β 3Edu M + e Modelo 4: ingreso = β 1 + β 2Edu H + β 3Edu M + β 4Irrelev + e
19 RESET (REgression Specification Error Test) Testear la especificación del modelo es una forma de preguntarse si el modelo es adecuado o si lo podemos mejorar. Puede estar mal especificado si hemos omitido variables relevantes, incorporado irrelevantes, haber elegido la forma funcional inadecuada o violar los supuestos del modelo de regresión múltiple. RESET está diseñado para detectar variables omitidas y formas funcionales inadecuadas Para efectos de ilustrar su procedimiento, supongamos que tenemos la regresión y = β 1 + β 2x 2 + β 3x 3 + e Y si suponemos que ( ˆβ 1, ˆβ 2, ˆβ 3) son los estimadores de mínimos cuadrados e ŷ = ˆβ 1 + ˆβ 2x 2 + ˆβ 3x 3 los valores estimados de y. Consideramos, por ejemplo, los siguientes dos modelos artificiales y = β 1 + β 2x 2 + β 3x 3 + γ 1ŷ 2 + e y = β 1 + β 2x 2 + β 3x 3 + γ 1ŷ 2 + γ 2ŷ 3 + e
20 RESET (REgression Specification Error Test) En el primer modelo, un test de especificación es H 0 : γ 1 = 0 contra la alternativa H 1 : γ 1 0 (usar t- o F-test) Rechazar la nula significa que el modelo original no es adecuado y puede ser mejorado No rechazar la nula significa que el test no ha sido capaz de detectar ninguna mala especificación En el segundo modelo, testeamos H 0 : γ 1 = γ 2 = 0 contra la alternativa H 1 : γ 1 0 y/o γ 2 0 (usar F-test) Para ambos casos: Rechazar la nula significa que el modelo original no es adecuado y puede ser mejorado No rechazar la nula significa que el test no ha sido capaz de detectar ninguna mala especificación
21 RESET (REgression Specification Error Test) La idea detrás del test es que al incluír ŷ 2 y/o ŷ 3, estamos incluyendo términos polinomiales del estilo x 2 2, x 2 3, x 2x 3, x 2x 2 3, etc. Y los polinomios pueden aproximar variadas formas funcionales Si la forma funcional original no es correcta, el polinomio que incluye ŷ 2 y/o ŷ 3 podría mejorar el ajuste considerablemente. Si podemos mejorar significativamente el modelo de manera artificial incluyendo potencias de los predictores del modelo, entonces el modelo debe ser inadecuado El modelo RESET general puede tener más potencias, no sólo 3 y = Modelo original + γ 1ŷ γ k 1 ŷ k + ɛ
22 Ejemplo RESET (REgression Specification Error Test) En el ejemplo anterior del ingreso en función de la educación, tenemos Es decir, a un nivel de significancia del 5% rechazamos la nula, por lo tanto, el modelo original no es el adecuado y puede ser mejorado. Quizás habría que incluír la experiencia o la ciudad o el modelo lineal no es el adecuado.
23 Problemas con la data Problemas con la data
24 Problemas con la data Colinealidad En general la data económica disponible es no-experimental, es decir, es coleccionada no con el propósito de realizar experimentos controlados. Los datos de las variables explicativas se podrían mover juntas sistemáticamente (conservar el mismo patrón de comportamiento). A estas variables se les llama colineales. No hay garantía que estas variables serán ricas en información, ni tampoco que será posible separar la relación económica de cada una, o más aún, que podremos estimar sus coeficientes. Consecuencias de la colinealidad Siempre que haya una o más relaciones lineales exactas entre las variables explicatorias, entonces la condición de colinealidad exacta aparece. En este caso, el estimador de mínimos cuadrados no está definido (el supuesto 5 no se cumple)
25 Problemas con la data Colinealidad Para el modelo y = β 1 + β 2x 2 + β 3x 3 + e Se puede expresar, por ejemplo, la varianza del estimador de β 2 como 3 var( ˆβ 2) = σ 2 (1 r23 2 ) N (xi2 x2)2 i=1 Donde r 23 es la correlación entre x 2 y x 3 A pesar de que es menos usual encontrarse con colinealidad exacta, puede existir alta correlación entre dos variables o baja variabilidad de una de ellas, y los estimadores existen, pero los efectos son Alto error estándar del estimador (alta varianza), implica que t-test no rechaza hipótesis nula. Los colineales no proveen suficiente información para estimar sus efectos independientes, incluso cuando la teoría apoya la importancia de ellas. Los estimadores son sensibles a pequeños cambios en la data o al eliminar una variable que aparentemente era insignificante A pesar de las dificultades de aislar los efectos de las variables individuales, la predicción todavía puede ser posible si la naturaleza de la colinealidad se mantiene con las observaciones fuera de muestra 3 Hágalo!
26 Problemas con la data Ejemplo colinealidad Considerando la base de datos que contiene observaciones de las siguientes variables para 392 autos MPG, millas por galón de bencina CYL, numero de cilindros ENG, cilindrada del motor en pulgadas cúbicas WGT, peso del auto Y estamos interesados en estimar como influye el numero de cilindros (CYL), la cilindrada (ENG) y el peso (WGT) en el rendimiento del auto (MPG). En términos generales, esperaríamos que valores de CYL, ENG y WGT fueran altos para autos grandes y pequeños para autos pequeños. A priori ya podriamos pensar que hay variables que están altamente correlacionadas y por lo tanto su efecto independiente será dificil de estimar.
27 Problemas con la data Ejemplo colinealidad
28 Problemas con la data Ejemplo colinealidad Si estimamos la regresión del efecto de CYL en MPG, tenemos Donde podemos notar la importancia de la variable.
29 Problemas con la data Ejemplo colinealidad Ahora si estimamos la regresión incluyendo el efecto de ENG y WGT en MPG, tenemos La estimación de CYL ha cambiado completamente (ahora aparece que no es significativo a pesar de que habíamos estimado que era, lo mismo ocurre con ENG) La alta correlación entre CYL y ENG hace difícil separar sus efectos.
30 Problemas con la data Ejemplo colinealidad Sin embargo, cuando estimamos el efecto conjunto de CYL y ENG, son estadísticamente significativos Deberíamos eliminar una de ellas de nuestro modelo?, por ejemplo, CYL? Reduciría la varianza de los demás estimadores, Pero, dado que CYL es una variable relevante altamente correlacionada con ENG y WGT, también es probable que incorporemos sesgo de variable relevante omitida
31 Problemas con la data Identificación y mitigación de colinealidad Como sabemos, la colinealidad no-exacta no es estrictamente una violacion a los supuestos de MC, por lo tanto, no tiene sentido buscar un problema cuando no lo existe. Es decir, Si estimamos un modelo donde los coeficientes son significativos, tienen magnitudes y signos esperados, no son sensibles a pequeños cambios en la data o al agregar variables insignificantes, entonces no hay razón para identificar y mitigar la colinealidad. Si existen variables correlacionadas, no están causando problemas. Sin embargo, si estimamos un modelo que no es como lo que uno esperaría, es útil establecer por qué las estimaciones son insatisfactorias. Formas sencillas de detectar colinealidad Correlaciones entre par de variables explicativas Regresión sobre las variables explicativas Formas de mitigar Más data (muchas veces es difícil o caro) Usar información fuera de muestra (sesgo en estimadores)
Métodos Estadísticos Multivariados
Métodos Estadísticos Multivariados Victor Muñiz ITESM Victor Muñiz (ITESM) Métodos Estadísticos Multivariados Agosto-Diciembre 2011 1 / 20 Victor Muñiz (ITESM) Métodos Estadísticos Multivariados Agosto-Diciembre
Más 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 detallesEstadística y sus aplicaciones en Ciencias Sociales 7. El modelo de regresión simple. Facultad de Ciencias Sociales - UdelaR
Estadística y sus aplicaciones en Ciencias Sociales 7. El modelo de regresión simple Facultad de Ciencias Sociales - UdelaR Índice 7.1 Introducción 7.2 Análisis de regresión 7.3 El Modelo de Regresión
Más detallesESTADÍSTICA. Tema 4 Regresión lineal simple
ESTADÍSTICA Grado en CC. de la Alimentación Tema 4 Regresión lineal simple Estadística (Alimentación). Profesora: Amparo Baíllo Tema 4: Regresión lineal simple 1 Estructura de este tema Planteamiento del
Más 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 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 detalles15. Regresión lineal. Te recomiendo visitar su página de apuntes y vídeos:
15. Regresión lineal Este tema, prácticamente íntegro, está calacado de los excelentes apuntes y transparencias de Bioestadística del profesor F.J. Barón López de la Universidad de Málaga. Te recomiendo
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 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 detallesEconometría de series de tiempo aplicada a macroeconomía y finanzas
Econometría de series de tiempo aplicada a macroeconomía y finanzas Series de Tiempo no Estacionarias Carlos Capistrán Carmona ITAM Tendencias Una tendencia es un movimiento persistente de largo plazo
Más detallesPronósticos, Series de Tiempo y Regresión. Capítulo 4: Regresión Lineal Múltiple
Pronósticos, Series de Tiempo y Regresión Capítulo 4: Regresión Lineal Múltiple Temas Modelo de regresión lineal múltiple Estimaciones de Mínimos Cuadrados Ordinarios (MCO); estimación puntual y predicción
Más 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 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 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 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 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 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 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 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 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 detallesMÓDULO 1: GESTIÓN DE CARTERAS
MÓDULO 1: GESTIÓN DE CARTERAS TEST DE EVALUACIÓN 1 Una vez realizado el test de evaluación, cumplimenta la plantilla y envíala, por favor, antes del plazo fijado. En todas las preguntas sólo hay una respuesta
Más detallesFunciones de Regresión No Lineales (SW Cap. 6)
Funciones de Regresión No Lineales (SW Cap. 6) Todo anteriormente ha sido lineal en las X s La aproximación de que la función de regresión es lineal puede ser satisfactoria para algunas variables pero
Más 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 detalles4.1 Análisis bivariado de asociaciones
4.1 Análisis bivariado de asociaciones Los gerentes posiblemente estén interesados en el grado de asociación entre dos variables Las técnicas estadísticas adecuadas para realizar este tipo de análisis
Más 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 detalles1 Introducción. 2 Modelo. Hipótesis del modelo. MODELO DE REGRESIÓN MÚLTIPLE Julián de la Horra Departamento de Matemáticas U.A.M.
MODELO DE REGRESIÓN MÚLTIPLE Julián de la Horra Departamento de Matemáticas U.A.M. 1 Introducción Abordaremos en este capítulo el modelo de regresión lineal múltiple, una vez que la mayor parte de las
Más 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 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 detallesAnálisis de Regresión Múltiple: Estimación
Análisis de Regresión Múltiple: Estimación Carlos Velasco 1 1 Departamento de Economía Universidad Carlos III de Madrid Econometría I Máster en Economía Industrial Universidad Carlos III de Madrid Curso
Más 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 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 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 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 detallesTEST DE HIPÓTESIS. Ejemplo: vamos a analizar los resultados de 5 Servicios de Neonatología de una
TEST DE HIPÓTESIS Ejemplo: vamos a analizar los resultados de 5 Servicios de Neonatología de una provincia según un indicador: mortalidad de recién nacidos con peso 1.000 gr. Supongamos, como ejemplo,
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 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 detalles3.1 Proyección de la Demanda. Fundación Bariloche. Noviembre de Documento PDF.
3.1 Proyección de la Demanda. Fundación Bariloche. Noviembre de 2008. Documento PDF. 5. PROYECCIONES DE LA DEMANDA DE ENERGIA Estudio Prospectiva de la Demanda de Energía de República Dominicana Informe
Más 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 detallesREGRESIÓN LINEAL SIMPLE, COEFICIENTE DE DETERMINACIÓN Y CORRELACIONES (EJERCICIOS RESUELTOS)
1 REGRESIÓN LINEAL SIMPLE, COEFICIENTE DE DETERMINACIÓN Y CORRELACIONES (EJERCICIOS RESUELTOS) 1. EN LA REGIÓN DE DRAKUL DE LA REPÚBLICA DE NECROLANDIA, LAS AUTORIDADES ECONÓMICAS HAN REALIZADO UNA REVISIÓN
Más 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 detallesMODELO ECONOMÉTRICO. José María Cara Carmona. Adrián López Ibáñez. Explicación del desempleo
José María Cara Carmona Adrián López Ibáñez MODELO ECONOMÉTRICO Explicación del desempleo Desarrollaremos un modelo econométrico para intentar predecir el desempleo. Trataremos los diversos problemas que
Más 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 detallesVARIABLES ESTADÍSTICAS BIDIMENSIONALES
VARIABLES ESTADÍSTICAS BIDIMENSIONALES 1.- En una variable estadística bidimensional, el diagrama de dispersión representa: a) la nube de puntos. b) las varianzas de las dos variables. c) los coeficientes
Más detallesRepaso de conceptos de álgebra lineal
MÉTODOS AVANZADOS EN APRENDIZAJE ARTIFICIAL: TEORÍA Y APLICACIONES A PROBLEMAS DE PREDICCIÓN Manuel Sánchez-Montañés Luis Lago Ana González Escuela Politécnica Superior Universidad Autónoma de Madrid Repaso
Más 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 detallesRegresión y Correlación
Relación de problemas 4 Regresión y Correlación 1. El departamento comercial de una empresa se plantea si resultan rentables los gastos en publicidad de un producto. Los datos de los que dispone son: Beneficios
Más detallesPercepción de los Precios por Parte de los Hogares: El caso de la Electricidad en el Perú
Percepción de los Precios por Parte de los Hogares: El caso de la Electricidad en el Perú Luis Bendezú Medina Universidad de Chile Diciembre 2007 Contenido Introducción Modelo Teórico Implementación Empírica
Más detallesINDICE. Prólogo a la Segunda Edición
INDICE Prólogo a la Segunda Edición XV Prefacio XVI Capitulo 1. Análisis de datos de Negocios 1 1.1. Definición de estadística de negocios 1 1.2. Estadística descriptiva r inferencia estadística 1 1.3.
Más detallesHoja de Ejercicios 4 Análisis de regresión con información cualitativa
Hoja de Ejercicios 4 Análisis de regresión con información cualitativa Nota: En aquellos ejercicios en los que se incluyen estimaciones y referencia al archivo de datos utilizado, el estudiante debería
Más 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 detalles1. Caso no lineal: ajuste de una función potencial
1. Caso no lineal: ajuste de una función potencial La presión (P) y el volumen (V ) en un tipo de gas están ligados por una ecuación del tipo PV b = a, siendo a y b dos parámetros desconocidos. A partir
Más detallesESTADÍSTICA DESCRIPTIVA
ESTADÍSTICA DESCRIPTIVA Medidas de tendencia central y de dispersión Giorgina Piani Zuleika Ferre 1. Tendencia Central Son un conjunto de medidas estadísticas que determinan un único valor que define el
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 detallesRegresión lineal SIMPLE MÚLTIPLE N A Z IRA C A L L E J A
Regresión lineal REGRESIÓN LINEAL SIMPLE REGRESIÓN LINEAL MÚLTIPLE N A Z IRA C A L L E J A Qué es la regresión? El análisis de regresión: Se utiliza para examinar el efecto de diferentes variables (VIs
Más detallesEstadística aplicada a la comunicación
Estadística aplicada a la comunicación Tema 5: Análisis de datos cuantitativos I: estadística descriptiva b. Análisis bivariante OpenCourseWare UPV/EHU Unai Martín Roncero Departamento de Sociología 2
Más detallesInflacion y Tasas de Interes
Inflacion y Tasas de Interes Inflacion Definicion: Inflacion es el continuo movimiento hacia arriba en el nivel general de precios. donde continuo significa que las alzas deben ser persistentes. Cuales
Más detallesDiplomatura en Ciencias Empresariales X Y 10 10000 100 1000 1000 100 10000 10
DEPARTAMENTO DE ESTADÍSTICA E INVESTIGACIÓN OPERATIVA Diplomatura en Ciencias Empresariales ESTADÍSTICA II Relación Tema 10: Regresión y correlación simple. 1. Ajustar una función potencial a los siguientes
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 detallesGRAFICOS DE CONTROL DATOS TIPO VARIABLES
GRAFICOS DE CONTROL DATOS TIPO VARIABLES OBJETIVO DEL LABORATORIO El objetivo del presente laboratorio es que el estudiante conozca y que sea capaz de seleccionar y utilizar gráficos de control, para realizar
Más detallesINSTITUTO NACIONAL DE ESTADÍSTICAS (INE) 29 de Abril de 2016
ANEXO ESTADÍSTICO 1 : COEFICIENTES DE VARIACIÓN Y ERROR ASOCIADO AL ESTIMADOR ENCUESTA NACIONAL DE EMPLEO (ENE) INSTITUTO NACIONAL DE ESTADÍSTICAS (INE) 9 de Abril de 016 1 Este anexo estadístico es una
Más 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 detallesRegresión Polinomial. StatFolio de Ejemplo: polynomial reg.sgp
Regresión Polinomial Resumen El procedimiento Regresión Polinomial está diseñado para construir una modelo estadístico que describa el impacto de un solo factor cuantitativo X en una variable dependiente
Más detallesExactitud y Linearidad del Calibrador
Exactitud y Linearidad del Calibrador Resumen El procedimiento Exactitud y Linearidad del Calibrador fue diseñado para estimar la exactitud del sistema de medición. En contraste con los procedimientos
Más detalles1 0 4/ 5 13/
1 1 1 7 1 0 4/ 5 13/ 5 R1 R 1+1/5R3 0 0 0 2 R2 R3 0 5 9 22 0 5 9 22 0 0 0 2 Como la matriz tiene un renglón (0, 0, 0, 2) indica que el sistema no tiene solución ya que no existe un número que sea 2 y al
Más detallesCAPITULO V CONCLUSIONES. a) El índice de Gini, Theil y el Coeficiente de Variación la Distribución Salarial se
CAPITULO V CONCLUSIONES 5.1 Conclusiones del Análisis A partir de los resultados obtenidos se llevan cabo las siguientes conclusiones: a) El índice de Gini, Theil y el Coeficiente de Variación la Distribución
Más detallesEsta proposición recibe el nombre de hipótesis
Pruebas de hipótesis tesis. Refs: Apuntes de Estadística, Mtra Leticia de la Torre Instituto Tecnológico de Chiuhuahua, Apuntes de Estadística, Dr. Pedro Juan Rodríguez Esquerdo, Departamento de Matemáticas,
Más detallesObjetivos del tema. Qué es una hipótesis? Test de Hipótesis Introducción a la Probabilidad y Estadística. Contrastando una hipótesis
Objetivos del tema Conocer el proceso para contrastar hipótesis y su relación con el método científico. Diferenciar entre hipótesis nula y alternativa Nivel de significación Test de Hipótesis Introducción
Más detallesEstadísticas Elemental Tema 3: Describir la relación entre dos variables: Correlación y regresión 3.1-1
Estadísticas Elemental Tema 3: Describir la relación entre dos variables: Correlación y regresión 3.1-1 Relación entre dos variables Al estudiar conjuntos de variables con más de una variable, una pregunta
Más detallesAPUNTES DE QUIMIOMETRIA REGRESIO LINEAL
REGRESIO LINEAL APUNTES DE QUIMIOMETRIA Datos anómalos y levas en las rectas de calibrado. Regresión robusta Mínima mediana de cuadrados Recta de calibrado mediante mínimos cuadrados. Hipótesis básicas
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 detallesTema 3.1: Modelo lineal general: hipótesis y estimación. Universidad Complutense de Madrid 2013
ema 3.1: Modelo lineal general: hipótesis y estimación Universidad Complutense de Madrid 2013 Introducción El objetivo es especificar y estimar un Modelo Lineal General (MLG) en donde una variable de interés
Más detallesModelo Econométrico sobre el Turismo
Modelo Econométrico sobre el Turismo Ruth Rubio Rodríguez Miriam Gómez Sánchez Mercados 3ºA GMIM Índice Planteamiento del Problema..4 1. Estadísticos Descriptivos...5 2. Matriz Correlaciones 5 3. Gráfico
Más detallesPráctica 5 ANÁLISIS DE UNA MUESTRA INTERVALOS DE CONFIANZA CONTRASTE DE HIPÓTESIS
Práctica. Intervalos de confianza 1 Práctica ANÁLISIS DE UNA MUESTRA INTERVALOS DE CONFIANZA CONTRASTE DE HIPÓTESIS Objetivos: Ilustrar el grado de fiabilidad de un intervalo de confianza cuando se utiliza
Más detallesProblemas Prueba de significación de la hipótesis nula Vicente Manzano-Arrondo, 2013
Problemas Prueba de significación de la hipótesis nula Vicente Manzano-Arrondo, 2013 Ejercicios resueltos En los dos casos que siguen resuelven cada decisión estadística mediante tres procedimientos: intervalo
Más detallesResumen teórico de los principales conceptos estadísticos
Temas de Estadística Práctica Antonio Roldán Martínez Proyecto http://www.hojamat.es/ Muestreo aleatorio simple Resumen teórico Resumen teórico de los principales conceptos estadísticos Muestreo aleatorio
Más detallesRegresión en Cadena. StatFolio de Ejemplo: ridge reg.sgp
Regresión en Cadena Resumen El procedimiento Regresión en Cadena está diseñado para ajustar un modelo de regresión múltiple cuando las variables independientes exhiben multicolinealidad. Multicolinealidad
Más detallesINDICE 1. Introducción 2. Recopilación de Datos Caso de estudia A 3. Descripción y Resumen de Datos 4. Presentación de Datos
INDICE Prefacio VII 1. Introducción 1 1.1. Qué es la estadística moderna? 1 1.2. El crecimiento y desarrollo de la estadística moderna 1 1.3. Estudios enumerativos en comparación con estudios analíticos
Más detallesContrastes de hipótesis paramétricos
Estadística II Universidad de Salamanca Curso 2011/2012 Outline Introducción 1 Introducción 2 Contraste de Neyman-Pearson Sea X f X (x, θ). Desonocemos θ y queremos saber que valor toma este parámetro,
Más detallesDistribuciones bidimensionales. Regresión.
Temas de Estadística Práctica Antonio Roldán Martínez Proyecto http://www.hojamat.es/ Tema 5: Distribuciones bidimensionales. Regresión. Resumen teórico Resumen teórico de los principales conceptos estadísticos
Más detallesTema 2. Regresión Lineal
Tema 2. Regresión Lineal 3.2.1. Definición Mientras que en el apartado anterior se desarrolló una forma de medir la relación existente entre dos variables; en éste, se trata de esta técnica que permite
Más detallesDepartamento de Medicina Preventiva y Salud Publica e Historia de la Ciencia. Universidad Complutense de Madrid. SPSS para windows.
TEMA 13 REGRESIÓN LOGÍSTICA Es un tipo de análisis de regresión en el que la variable dependiente no es continua, sino dicotómica, mientras que las variables independientes pueden ser cuantitativas o cualitativas.
Más detallesPOBLACIÓN Y MUESTRAS EN LA INVESTIGACIÓN
POBLACIÓN Y MUESTRAS EN LA INVESTIGACIÓN Adela del Carpio Rivera Doctor en Medicina UNIVERSO Conjunto de individuos u objetos de los que se desea conocer algo en una investigación Población o universo
Más detallesRegresión Lineal. Dra. Noemí L. Ruiz Limardo 2008 Derechos Reservados, Rev 2010
Regresión Lineal Dra. Noemí L. Ruiz Limardo 008 Derechos Reservados, Rev 010 Objetivos de la Lección Conocer el significado de la regresión lineal Determinar la línea de regresión cuando ha correlación
Más detallesAnálisis de Regresión
Análisis de Regresión por Universidad Nacional de Colombia, Sede Medellín 202 Tipos de gráficos para el análisis residuales Percen nt Normal Probability Plot of the Residuals 99 90 50 0-3.0 -.5 0.0.5 3.0
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 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. 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 detallesEJERCICIOS DE PRUEBA DE HIPOTESIS
EJERCICIOS DE PRUEBA DE HIPOTESIS Protocolo 1. Identifique la aseveración original que se probará y exprésela en forma simbólica 1. 2. Dar la forma simbólica que debe ser verdad si la aseveración original
Más detalles5. Regresión Lineal Múltiple
1 5. Regresión Lineal Múltiple Introducción La regresión lineal simple es en base a una variable independiente y una dependiente; en el caso de la regresión línea múltiple, solamente es una variable dependiente
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 detallesT4. Modelos con variables cualitativas
T4. Modelos con variables cualitativas Ana J. López y Rigoberto Pérez Dpto Economía Aplicada. Universidad de Oviedo Curso 2010-2011 Ana J. López y Rigoberto Pérez (Dpto EconomíaT4. Aplicada. Modelos Universidad
Más detallesCM0244. Suficientable
IDENTIFICACIÓN NOMBRE ESCUELA ESCUELA DE CIENCIAS NOMBRE DEPARTAMENTO Ciencias Matemáticas ÁREA DE CONOCIMIENTO MATEMATICAS, ESTADISTICA Y AFINES NOMBRE ASIGNATURA EN ESPAÑOL ESTADÍSTICA GENERAL NOMBRE
Más detallesTRABAJO ECONOMETRIA (ETAPAS 1,2 Y 3)
1 UNIVERSIDAD TRABAJO ECONOMETRIA (ETAPAS 1,2 Y 3) NOMBRE ALUMNO: ************** ASIGNATURA: ECONOMETRIA FECHA ENTREGA: 05/12/2011 NOTA=70% 2 1. Introducción La integración comercial de Chile al mundo
Más 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 detallesCORRELACIÓN Y REGRESIÓN. Raúl David Katz
CORRELACIÓN Y REGRESIÓN Raúl David Katz 1 Correlación y regresión Introducción Hasta ahora hemos visto el modo de representar la distribución de frecuencias de los datos correspondientes a una variable
Más detallesTema 2.- Formas Cuadráticas.
Álgebra. 004 005. Ingenieros Industriales. Departamento de Matemática Aplicada II. Universidad de Sevilla. Tema.- Formas Cuadráticas. Definición y representación matricial. Clasificación de las formas
Más detallesEstadística Convocatoria de Junio Facultad de Ciencias del Mar. Curso 2009/10 28/06/10
1. El Indice Climático Turístico (ICT), definido por Mieczkowski en 1985 es un índice que toma valores en una escala de 0 a 100 y tiene como objetivo valorar la calidad que ofrece el clima de una región
Más detallesEspacios vectoriales
Espacios vectoriales [Versión preliminar] Prof. Isabel Arratia Z. Algebra Lineal 1 En el estudio de las matrices y, en particular, de los sistemas de ecuaciones lineales realizamos sumas y multiplicación
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 detallesEspacios Vectoriales
Espacios Vectoriales Espacios Vectoriales Verónica Briceño V. noviembre 2013 Verónica Briceño V. () Espacios Vectoriales noviembre 2013 1 / 47 En esta Presentación... En esta Presentación veremos: Espacios
Más detalles