Estimación de una tendencia determinista y un componente estacional

Tamaño: px
Comenzar la demostración a partir de la página:

Download "Estimación de una tendencia determinista y un componente estacional"

Transcripción

1 y un componente estacional Práctica N o 1 Técnicas en Predicción Administración y Dirección de Empresas Departamento de Estadísitica Universidad Carlos III 18 de Marzo, 2009

2 Objetivos de la práctica Descomposición de series económicas: Método Clásico. Modelar los siguientes fénomenos: 1 Descomposición de una serie a través del método clásico o tradicional. 2 Tendencias derterministas. 3 Tendencias derterministas segmentadas. 4 Estacionalidad derterminista. 5 Estacionalidad derterminista segmentada.

3 Descomposición de series económicas: Método Clásico. El Análisis Clásico de Series Temporales Proporciona estimaciones aproximadas de los componentes tendencial, estacional, cíclico e irregular. Parte de una representación de una serie temporal y t formada por cuatro componentes, tendencia T t, ciclo C t, estacional E t, y errores I t. Tipos: 1 Modelo de componentes aditivos y t = T t + C t + E t + I t 2 Modelo de componentes multiplicativos y t = T t C t E t I t 3 Modelo de componentes mixto y t = T t C t E t + I t Un supuesto fundamental del análisis clásico es la independencia de las variaciones residuales respecto de los demás componentes.

4 Descomposición de series económicas: Método Clásico. Descomposición de una serie en sus factores no observables con Eviews Descomposición aditiva de una serie temporal y t = T t + S }{{} t + C t + r }{{} t No Estacionaria Estacionaria Agregando, los componentes más oscilantes mientras que el componente de tendencia. y t = Senda de Evolutividad + ω t ω t Desviaciones respecto a la SE. La única incertidumbre asociada a este modelo es var(ω t ) = γ 0

5 Descomposición de series económicas: Método Clásico. Serie de Pasajeros de líneas Aéreas: 1949:01 a 1960:12 La serie muestra: Tendencia, estacionalidad y principio de proporcionalidad.

6 Pasos a seguir: Descomposición de series económicas: Método Clásico. 1 Obtención de componente estacional aplicando un proceso de desestacionalización x t S t = T t + C t + r t 2 Aplicamos el filtro de Hodrick-Prescott sobre la serie desestacionalizada para obtener el componente de tendencia. 3 Generamos una nueva serie libre de tendencia y estacionalidad por diferencia entre la serie desestacionalizada y la tendencia. x t S t T t = C t + r t. 4 Obtenemos el componente cíclico utilizando una media móvil de orden 4 (@MOVAV(nombre, orden)). 5 Obtenemos la parte irregular de la serie como diferencia de la serie generada en el paso 3 menos la serie generada en el paso 4.

7 Serie Desestacionalizada Descomposición de series económicas: Método Clásico.

8 Descomposición de series económicas: Método Clásico. Comparativa de la serie desestacionalizada y la original

9 Componente estacional Descomposición de series económicas: Método Clásico.

10 Componente de tendencia Descomposición de series económicas: Método Clásico.

11 Comparativa Introducción Descomposición de series económicas: Método Clásico.

12 Descomposición de series económicas: Método Clásico. X t S t T t = C t + r t

13 Componente cíclico Descomposición de series económicas: Método Clásico.

14 Componente irregular Descomposición de series económicas: Método Clásico.

15 Comparativa Introducción Descomposición de series económicas: Método Clásico.

16 Componentes de una serie temporal Descomposición de series económicas: Método Clásico.

17 Descomposición de series económicas: Método Clásico. La descomposición tradicional requiere imponer fuertes restricciones en la caracterización de T t, C t y r t. En particular, que tales componentes son independientes. Hoy en día no existe consenso sobre que sea factible la especificación y estimación de T t, C t y r t con restricciones de aceptación general. La idea de que las series económicas tienen tendencia, ciclos y fluctuaciones residuales resulta muy útil para expresar las características básicas de los datos económicos.

18 Tendencias Deterministas y t = µ t + a t µ t = f(t,β) µ t Nivel de la serie y a t innovación a t N(0,σa 2) Predicción ŷ t (k) = µ T+k = f(t + k,β)

19 Tendencias Deterministas Modelo de nivel constante o sin tendencia y t = µ + a t Modelo con tendencia lineal µ t = β 0 + β 1 t ŷ T (k) = β 0 + β 1 (T + k) Modelo con tendencia polinómica µ t = β 0 + β 1 t β r t r

20 Tendencias Deterministas Tendencias La naturaleza agregada de muchas variables económicas presentan una pauta creciente a lo largo del tiempo que no permite observar aspectos de interés que ocurren a corto plazo, como el caso del IPI. Este pauta la denominamos tendencia. Como la tendencia se desconoce es preciso estimarla previamente y, para ello, es preciso a su vez especificar un determinado modelo de tendencia.

21 Tendencias Introducción Tipos Deterministas. Estocásticas. Características básicas Se perpetúan en el futuro. Evolucionan de forma acíclica. Factores causantes de la tendencia Aumentos en la población. Inflación mantenida en el tiempo. Cambios tecnológicos. Cambios en preferencias, hábitos, regulaciones sociales.

22 Tendencias Deterministas Se dice que una tendencia es determinista si conociendo sus valores pasados se puede determinar sin error sus valores futuros. Con tendencias deterministas no hay incertidumbre sobre ellas. Tendencias Deterministas en Eviews

23 Métodos de ajuste de la Tendencia 1 Método de ajuste análitico Realizamos un ajuste por regresión de los valores de la serie a una función del tiempo que sea sencilla y recoja de manera satisfactoria la marcha general del fenómeno representado por la serie temporal. 2 Método de Medias Móviles Analiza la tendencia de una serie temporal a partir de los datos iniciales mediante determinadas medias. 3 Método de diferencias Consiste en derivar de la serie original y t una nueva serie z t obtenida como la diferencia entre el valor de la variable en el momento actual y el valor en el momento inmediatamente anterior z t = y t y t 1 = y t

24 Estimación de Modelos de Tendencia Regresión por MCO Para ajustar los diversos modelos de tendencia a los datos de una serie temporal se usa MCO. ˆβ = argmín θ T [y t T t (θ)] 2 t=1 donde β es el conjunto de parámetros a estimar.

25 El índice de producción industrial La serie IPI muestra una clara tendencia y estructura estacional, es decir, su valor esperado no es constante. E(z t ) = E(z t+s ), con una estacionalidad de período s. En el caso del IPI se produce un brusco descenso todo los meses de agosto debido al período vacacional que se compensa de forma específica en cada uno de los restantes meses del año.

26 Tomando logaritmos

27 Estimando la tendencia lineal para IPI T t = a + bt; t TIEMPO = (1, 2, 3,..T)

28 Estimando la tendencia parabólica para IPI T t = a + bt + ct 2

29 Estimando la tendencia exponencial para IPI T t = ae btiempo Principio de Proporcionalidad

30 Tendencias exponenciales log-lineal T t = T t 1 + T t 1 b b = T t T t 1 T t 1 Aplicando la aproximación de Taylor de primer orden. logt t = logt t logt t 1 = b procediendo recursivamente obtenemos logt t = a + bt siendo a log de la tendencia en el momento cero. T t = e (a+bt) ; x t = exp(a + bt)exp(w t ) Podemos linealizarlo: logx t = a + bt + w t donde b es el factor incremental que entra de forma multiplicativa.

31 Estimando la tendencia log-lineal para IPI logipi = a + bt + w t

32 Gráfico de los residuos del Modelo log-lineal Los residuos muestran una clara estructura estacional que no ha sido captada por el modelo.

33 Correlograma de los residuos

34 Interpretación de los parámetros de la estimación Var. Depend. Var. Indep. Interpret. de β 1 Nivel-Nivel y x y = β 1 x Nivel-Log y log(x) y = (β 1 /100)%x Log-Nivel log(y) x % y = (100β 1 ) x Log-Log log(y) log(x) % y = β 1 % x

35 Interpretación de los parámetros de la estimación En nuestro caso hemos obtenido: logipi = 4,07 + 0,001520TIEMPO + ε t a Valor de la tendencia en el momento anterior al comienzo de la muestra. b Factor incremental, la tendencia crece mensualmente un %.

36 Predicción (in sample) del Modelo Final log-lineal

37 Predicción (in sample) del Modelo Final log-lineal

38 Selección de Modelos Criterios de Información T ECP = t=1 T e 2 t AIC = exp(2k/t) T SIC = T ( k T ) t=1 T Error Cuadrático Medio T e 2 t t=1 T e 2 t Akaike Information Criterion Schwarz Information Criterion Orientación negativa: cuanto menor mejor.

39 La Estacionalidad Pauta o comportamiento estacional que se repite cada año. Esta puede ser exacta, cuando se refiere a estacionalidad determinista o bien, aproximada, si se habla de estacionalidad estocástica. Puede provocar una distorsión del verdadero movimiento de la serie. Al proceso de eliminar el componente estacional se le denomina desestacionalización o ajuste estacional. Destacan los programas X11 y X12 del Bureau of the Census de EEUU para desestacionalizar.

40 La Desestacionalización Métodos de desestacionalización 1 Métodos de desestacionalización del índice estacional. 2 Método de Medias Móviles. 3 Método de diferencias estacionales. 4 Método de variables artificiales. los residuos estimados de la regresión û t = y t ŷ t serán los valores de la serie desestacionalizada.

41 En esta práctica nos ocuparemos de la estacionalidad determinista que vamos a modelar a través de variables dummies. 12 logipi = a + bt + a j S jt + η t donde S jt = { j=1 1 en el mes j. 0 en los demás.

42 Existencia de Multicolinealidad Perfecta

43 Recordatorio Introducción Multicolinealidad ˆβ MCO = (x x) 1 x y (x x) 1 = adj(x x) T 1 Multicolinealidad Exacta (o perfecta) matriz singular x x = 0 ˆβ MCO = x x 2 Multicolinealidad aproximada, inexacta, imperfecta o cuasimulticolinealidad. Var(β MCO ) = σ 2 (x x) 1 mucho mayores de lo normal. Las hipótesis nulas H 0 : β = a tienden a no rechazarse con más frecuencia de lo normal. IC βi = (ˆβ i ± t ˆdt(ˆβ i )) Intervalos amplios.

44 Estimación del Modelo Estacional con tendencia Todos los parámetros han resultado ser significativos. Puede observarse como el coeficiente más bajo corresponde al mes de agosto.

45 Recordatorio: Componentes de un contraste H 0 Hipótesis Nula, que se mantiene como válida mientras no se encuentre evidencia contra ella. H 1 Hipótesis Alternativa, a favor de la que se rechaza la hipótesis nula. EC Estadístico de Contraste, variable aleatoria cuya distribución se conoce bajo la hipótesis nula. RC Región crítica, subconjunto de R. Si EC RC se rechaza H 0. α Nivel de significación, probabilidad de error tipo I (prob. de rechazar H 0 siendo cierta). 1 β Potencia del contraste. 1 P(Error tipo II)

46 Recordatorio: Contrastes de significación individual Contraste para la hipótesis H 0 : β i = ζ t = ˆβ i ζ ˆdt(ˆβ i ) t T k Resolución del contraste Utilizando el valor crítico. Si t T k > t α/2 Rechazo la H 0. Utilizando el p value (o nivel de significación marginal) Si p value < α Rechazo H 0. p value = Pr( t T k > t T k )

47 Residuos Modelo Estacional con tendencia Los residuos muestran como todavía no se ha captado toda la estructura de la serie (un componente cíclico).

48 Correlograma de los residuos El correlograma muestra un estructura que debe ser modelada.

49 Predicciones con el Modelo Final:T+E

50 Predicciones con el Modelo Final:T+E

51 Contrastes de normalidad Es un supuesto fundamental en inferencia. Se debe contrastar siempre. Para ello utilizaremos: Histograma de los residuos. Test de Jarque-Bera. El test de Jarque Bera (JB) H 0 : u t N JB = T k ( 6 S (K 3)2) χ 2 2 El JB tiene en cuenta la curtosis (K) y la asimetría (S) k Número de variables estimadas y T Número de observaciones.

52 Histograma del Modelo Final: T+E No se rechaza normalidad en los residuos, por lo tanto, los supuestos del MLG son válidos, y por tanto, la estimación del modelo es correcta (pero el modelo no lo es).

53 Recordatorio Introducción Supuestos del M.L.G. 1 El modelo es lineal o linealizable y esta correctamente especificado. 2 Los parámetros β son constantes. 3 Las variables explicativas o regresores x son deterministas o fijas y linealmente independientes (no hay multicolinealidad). 4 E[u t ] = 0 t donde u errores del modelo. 5 La matriz de varianzas y covarianzas de los errores de un modelo correcto es escalar Var(u) = σ 2 n I No hay autocorrelación. No hay heterocedasticidad.

54 1 La estructura determinística es muchas veces una mala aproximación. 2 Es importante modelizar las desviaciones sobre la tendencia y la estacionalidad.

55 Tendencias Segmentadas Las tendencias segmentadas son tendencias no lineales que tienen la propiedad de ser lineales a tramos o segmentos. Tipos de Segmentación de la tendencia 1 Quiebra de Nivel. 2 Quiebra de crecimiento. 3 Quiebra de Nivel y crecimiento.

56 Tendencia Segmentada

57 Segmentación de la tendencia y t = β 0 + β 1 t + β 01 ϕ 1t + β 11 ξ 1t + ω t Segmentación del nivel ϕ 1t { 0 t < t 1 t t Segmentación del crecimiento ξ 1t { 0 t < t (t t 1 + 1) t t En Eviews: ξ 1t = (@trend + 1 t 1 ) + 1

58 Tendencia Segmentada

59 Tendencia Segmentada

60 Otra forma de modelizar la estacionalidad donde 11 logipi = a + bt + β j Sjt + η t j=1 11 β 1 + β β 12 = 0 ; b 12 = 1 en el mes j. S jt = 0 resto. 1 t Diciembre. En Eviews: enero=(@seas(1)-@seas(12)) j=1 β j

61 Estacionalidad Determinista Segmentada 11 y t = β 0 + β 1 t + β 01 ϕ 1t + β 11 ξ 1t + β j SA jt 11 j=1 j=1 β j SB jt + η t donde 1 en el mes j. SA jt = 0 resto. 1 t Diciembre. Misma estructura para SB jt

62 Nota sobre las predicciones Formas de presentar las predicciones 1 Predicción puntual Es un número fijo. 2 Predicción por intervalos IC βi = (ˆβ i ± t ˆdt(ˆβ i )). Nos da un cierto grado de incertidumbre asociada a la predicción puntual. En predicción los intervalos de confianza lo estándar es obtener los intervalos al 80 % (VC=1.28). 3 Predicción de la función de densidad asociada a cada una de las predicciones. Valores críticos en Eviews 1 SCALAR CRIT=@QNORM(0.975). 2 SCALAR CRIT=@QTDIST(0.9,20)

63 Recordatorio Función de densidad y de distribución (t-student)

64 Recordatorio Función de densidad de las predicciones

65 Ejemplo de estimación de funciones de densidad El gráfico de abanico o fan chart Mitchell y Hall (2005) Las funciones de densidad estimadas proveen de una completa descripción de la incertidumbre asociada con la predicción.

Estacionalidad Determinista Segmentada, Efecto Calendario, Efecto Semana Santa y predicción de modelos con Raíces Unitarias

Estacionalidad Determinista Segmentada, Efecto Calendario, Efecto Semana Santa y predicción de modelos con Raíces Unitarias Estacionalidad Determinista Segmentada, Efecto Calendario, Efecto Semana Santa y predicción de modelos con Raíces Unitarias Práctica N o 2 Técnicas en Predicción Administración y Dirección de Empresas

Más detalles

Contenido. vii. Prólogo... i Presentación... iii Grupo de trabajo...v. 1. Introducción y conceptos preliminares...1

Contenido. vii. Prólogo... i Presentación... iii Grupo de trabajo...v. 1. Introducción y conceptos preliminares...1 Contenido Prólogo... i Presentación... iii Grupo de trabajo...v 1. Introducción y conceptos preliminares...1 2. Tipos de modelos estadísticos lineales...19 Caso 2.1...20 Caso 2.2...26 Caso 2.3...30 3.

Más detalles

Fundamentos del Análisis Econométrico. Dante A. Urbina

Fundamentos del Análisis Econométrico. Dante A. Urbina Fundamentos del Análisis Econométrico Dante A. Urbina Qué es la Econometría? Etimológicamente Econometría significa medición de la economía. En ese contexto, la Econometría es la aplicación de métodos

Más detalles

Econometría II Grado en finanzas y contabilidad

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

Más detalles

Econometría de Económicas Ejercicios para el tema 2 y 3

Econometría de Económicas Ejercicios para el tema 2 y 3 Econometría de Económicas Ejercicios para el tema 2 y 3 Curso 2005-2006 Profesores Amparo Sancho Perez Guadalupe Serrano Pedro Perez 1 1- Los datos que se adjuntan hacen referencia a los datos de producción

Más detalles

Econometría II Grado en finanzas y contabilidad

Econometría II Grado en finanzas y contabilidad Econometría II Grado en finanzas y contabilidad Estructuras determinísticas y estocásticas tendencia y la estacionalidad Profesora: Dolores García Martos E-mail:mdgmarto@est-econ.uc3m.es Este documento

Más detalles

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

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

Más detalles

T2. El modelo lineal simple

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

Más detalles

Tendencias y ciclos en las variables macroeconómicas

Tendencias y ciclos en las variables macroeconómicas . Tendencias y ciclos en las variables macroeconómicas Rafael Doménech Temas de Análisis Macroeconómico. Tema 2 1/30 Introducción Necesitamos una estimación que permita extraer el comportamiento tendencial

Más detalles

Tema 4. Regresión lineal simple

Tema 4. Regresión lineal simple Tema 4. Regresión lineal simple Contenidos El objeto del análisis de regresión La especificación de un modelo de regresión lineal simple Estimadores de mínimos cuadrados: construcción y propiedades Inferencias

Más detalles

Estadística II Examen final junio 27/6/17 Curso 2016/17 Soluciones

Estadística II Examen final junio 27/6/17 Curso 2016/17 Soluciones Estadística II Examen final junio 27/6/7 Curso 206/7 Soluciones Duración del examen: 2 h y 5 min. (3 puntos) Los responsables de un aeropuerto afirman que el retraso medido en minutos en el tiempo de salida

Más detalles

El Modelo de Regresión Lineal

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

Más detalles

Los estimadores mínimo cuadráticos bajo los supuestos clásicos

Los estimadores mínimo cuadráticos bajo los supuestos clásicos Los estimadores mínimo cuadráticos bajo los supuestos clásicos Propiedades estadísticas e inferencia Mariana Marchionni marchionni.mariana@gmail.com Mariana Marchionni MCO bajo los supuestos clásicos 1

Más detalles

Ejemplos de estudios de series de tiempo

Ejemplos de estudios de series de tiempo 1 Ejemplos de estudios de series de tiempo Ejemplo 1 Pasajeros Aerolíneas Internacionales (PAI) Este estudio está realizado sobre un famoso conjunto de datos mensuales, el número de pasajeros de aerolíneas

Más detalles

Econometría II Grado en finanzas y contabilidad

Econometría 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 detalles

TEMA 4 Modelo de regresión múltiple

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

Más detalles

ANÁLISIS DE REGRESIÓN

ANÁLISIS DE REGRESIÓN ANÁLISIS DE REGRESIÓN INTRODUCCIÓN Francis Galtón DEFINICIÓN Análisis de Regresión Es una técnica estadística que se usa para investigar y modelar la relación entre variables. Respuesta Independiente Y

Más detalles

Información sobre Gastos de Consumo Personal y Producto Interno Bruto ( ) en miles de millones de dólares de 1992.

Información sobre Gastos de Consumo Personal y Producto Interno Bruto ( ) en miles de millones de dólares de 1992. Universidad Nacional Autónoma de Nicaragua UNAN-Managua Curso de Análisis y Diseño de Modelos Econométricos Profesor: MSc. Julio Rito Vargas Avilés. Participantes: Docentes /FAREM-Carazo Encuentro No.4

Más detalles

Estadística aplicada al medio ambiente

Estadística aplicada al medio ambiente Estadística aplicada al medio ambiente III. Regresión lineal 3 o de CC. AA. Departamento de Matemáticas Universidad Autónoma de Madrid 2011/12 Planteamiento Modelo Estimación de parámetros Intervalos de

Más detalles

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

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

Más detalles

Curso de nivelación Estadística y Matemática

Curso de nivelación Estadística y Matemática Modelo de Curso de nivelación Estadística y Matemática Pruebas de hipótesis, y Modelos ARIMA Programa Técnico en Riesgo, 2017 Agenda Modelo de 1 2 Asociación Medidas de asociación para variables intervalo

Más detalles

Econometría Aplicada

Econometría Aplicada Econometría Aplicada Inferencia estadística, bondad de ajuste y predicción Víctor Medina Intervalos de confianza Intervalos de confianza Intervalos de confianza Intervalos de confianza La pregunta que

Más detalles

CURSO: ECONOMETRÍA Y ANÁLISIS DE POLÍTICAS FISCALES INSTRUCTOR: HORACIO CATALÁN ALONSO. Especificación de los modelos VAR

CURSO: ECONOMETRÍA Y ANÁLISIS DE POLÍTICAS FISCALES INSTRUCTOR: HORACIO CATALÁN ALONSO. Especificación de los modelos VAR CURSO: ECONOMETRÍA Y ANÁLISIS DE POLÍTICAS FISCALES INSTRUCTOR: HORACIO CATALÁN ALONSO Especificación de los modelos VAR Modelos VAR es una extensión de un AR(p) Permiten un mejor entendimiento de la

Más detalles

TEMA 2: Propiedades de los estimadores MCO

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

Más detalles

Regresión múltiple. Demostraciones. Elisa Mª Molanes López

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

Más detalles

Estadística para la Economía y la Gestión IN 3401 Clase 5

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

Más detalles

Departamento de Matemática Aplicada a la I.T. de Telecomunicación

Departamento de Matemática Aplicada a la I.T. de Telecomunicación Departamento de Matemática Aplicada a la I.T. de Telecomunicación ASIGNATURA: ESTADÍSTICA Y PROCESOS ESTOCÁSTICOS CONVOCATORIA: ENERO 22/23 FECHA: 9 de Enero de 23 Duración del examen: 3 horas Fecha publicación

Más detalles

Modelo de Regresión Lineal Múltiple. Normalidad. Dr. Víctor Aguirre Torres ITAM

Modelo de Regresión Lineal Múltiple. Normalidad. Dr. Víctor Aguirre Torres ITAM Modelo de Regresión Lineal Múltiple. Normalidad Dr. Víctor Aguirre Torres ITAM Temas Porqué ocurre falta de normalidad Consecuencias Detección Enfoques para manejarla Guión 18. Dr. V. Aguirre Porqué ocurre?

Más detalles

Prácticas Tema 4: Modelo con variables cualitativas

Prácticas Tema 4: Modelo con variables cualitativas Prácticas Tema 4: Modelo con variables cualitativas Ana J. López y Rigoberto Pérez Departamento de Economía Aplicada. Universidad de Oviedo PRACTICA 4.1- Se dispone de información sobre 16 familias sobre

Más detalles

Tema 10: Introducción a los problemas de Asociación y Correlación

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

Más detalles

USO DEL FILTRO DE KALMAN PARA ESTIMAR LA TENDENCIA DE UNA SERIE

USO DEL FILTRO DE KALMAN PARA ESTIMAR LA TENDENCIA DE UNA SERIE DIVISIÓN ECONÓMICA DEPARTAMENTO DE INVESTIGACIONES ECONÓMICAS INFORME TÉCNICO DIE-87-003-IT USO DEL FILTRO DE KALMAN PARA ESTIMAR LA TENDENCIA DE UNA SERIE Ana Cecilia Kikut V. OCTUBRE, 003 Entre los diferentes

Más detalles

TEMA 3: Contrastes de Hipótesis en el MRL

TEMA 3: Contrastes de Hipótesis en el MRL TEMA 3: Contrastes de Hipótesis en el MRL Econometría I M. Angeles Carnero Departamento de Fundamentos del Análisis Económico Curso 2011-12 Econometría I (UA) Tema 3: Contrastes de Hipótesis Curso 2011-12

Más detalles

CALIFICACION: - P C: precio medio de los productos sustitutivos existentes en el mercado en euros.

CALIFICACION: - P C: precio medio de los productos sustitutivos existentes en el mercado en euros. 6 + 10 + 3 = 19 CALIFICACION: Ventasgdt Una empresa que produce una marca de detergente líquido desea contar con un modelo para planificar su producción, estimar las necesidades de materias primas y de

Más detalles

Econometría dinámica y financiera

Econometría dinámica y financiera Econometría dinámica y financiera Introducción a la econometría financiera. Modelos ARCH Profesora: Dolores García Martos E-mail:mdgmarto@est-econ.uc3m.es Introducción Los modelos que hemos visto son lineales

Más detalles

Curso: 2º Créditos ECTS: 6 Tipo de asignatura: Obligatoria Tipo de formación: Teórico-Práctica

Curso: 2º Créditos ECTS: 6 Tipo de asignatura: Obligatoria Tipo de formación: Teórico-Práctica Ficha Técnica Titulación: Grado en Economía Plan BOE: BOE número 75 de 28 de marzo de 2012 Asignatura: Módulo: Instrumental Curso: 2º Créditos ECTS: 6 Tipo de asignatura: Obligatoria Tipo de formación:

Más detalles

ANALISIS ESTADISTICO MINISTERIO DE ECONOMIA Y FINANZAS

ANALISIS ESTADISTICO MINISTERIO DE ECONOMIA Y FINANZAS ANALISIS ESTADISTICO MINISTERIO DE ECONOMIA Y FINANZAS NOV 2015 PLAN DE ESTUDIO 1. ESTADISTICA DESCRIPTIVA 1. MEDIDAS DE TENDENCIA CENTRAL PRIMER MOMENTO 2. OTRAS MEDIDAS DE TENDENCIA CENTRAL 3. MEDIDAS

Más detalles

Estadística II Examen final enero 19/1/17 Curso 2016/17 Soluciones Duración del examen: 2 h y 15 min

Estadística II Examen final enero 19/1/17 Curso 2016/17 Soluciones Duración del examen: 2 h y 15 min Estadística II Examen final enero 19/1/17 Curso 016/17 Soluciones Duración del examen: h y 15 min 1. 3 puntos El Instituto para la Diversificación y Ahorro de la Energía IDAE ha publicado un estudio sobre

Más detalles

Econometría II. Hoja de Problemas 1

Econometría II. Hoja de Problemas 1 Econometría II. Hoja de Problemas 1 Nota: En todos los contrastes tome como nivel de significación 0.05. 1. SeanZ 1,...,Z T variables aleatorias independientes, cada una de ellas con distribución de Bernouilli

Más detalles

Tema 2. Heterocedasticidad. 1 El modelo de regresión lineal con errores heterocedásticos

Tema 2. Heterocedasticidad. 1 El modelo de regresión lineal con errores heterocedásticos ema 2. Heterocedasticidad. El modelo de regresión lineal con errores heterocedásticos En este tema vamos a analizar el modelo de regresión lineal Y t = X tβ + u t, donde X t = (X t, X 2t,.., X kt y β =

Más detalles

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

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

Más detalles

CURSO ECONOMETRÍA BÁSICA MULTISOFTWARE

CURSO ECONOMETRÍA BÁSICA MULTISOFTWARE CURSO ECONOMETRÍA BÁSICA MULTISOFTWARE El objetivo de este curso es la presentación de las técnicas econométricas básicas, tanto clásicas como modernas, y su tratamiento con las herramientas más adecuadas

Más detalles

Tema 4: Otros Métodos de Análisis de Datos Cuantitativos y Cualitativos

Tema 4: Otros Métodos de Análisis de Datos Cuantitativos y Cualitativos Tema 4: Otros Métodos de Análisis de Datos Cuantitativos y Cualitativos Metodología de la Investigación en Fisioterapia Miguel González Velasco Departamento de Matemáticas. Universidad de Extremadura M.

Más detalles

478 Índice alfabético

478 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 detalles

Regresión Lineal. Rodrigo A. Alfaro. Rodrigo A. Alfaro (BCCh) Regresión Lineal / 16

Regresión Lineal. Rodrigo A. Alfaro. Rodrigo A. Alfaro (BCCh) Regresión Lineal / 16 Regresión Lineal Rodrigo A. Alfaro 2009 Rodrigo A. Alfaro (BCCh) Regresión Lineal 2009 1 / 16 Contenidos 1 Regresiones Lineales Regresión Clásica Paquetes estadísticos 2 Estadísticos de Ajuste Global 3

Más detalles

2 Introducción a la inferencia estadística Introducción Teoría de conteo Variaciones con repetición...

2 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 detalles

Errores de especificación

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

Más detalles

Estructura de este tema. Tema 4 Regresión lineal simple. Ejemplo: consumo de vino y dolencias cardíacas. Frecuencias

Estructura de este tema. Tema 4 Regresión lineal simple. Ejemplo: consumo de vino y dolencias cardíacas. Frecuencias Estructura de este tema Tema 4 Regresión lineal simple José R. Berrendero Departamento de Matemáticas Universidad utónoma de Madrid Planteamiento del problema. Ejemplos Recta de regresión de mínimos cuadrados

Más detalles

TEMA 6. Modelos para Datos de Panel

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

Más detalles

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

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

Más detalles

Estadística II Examen final junio - 17/06/16 Curso 2015/16 Soluciones Duración del examen: 2 h. y 45 min.

Estadística II Examen final junio - 17/06/16 Curso 2015/16 Soluciones Duración del examen: 2 h. y 45 min. Estadística II Examen final junio - 17/06/16 Curso 201/16 Soluciones Duración del examen: 2 h. y 4 min. 1. (3, puntos) La publicidad de un fondo de inversión afirma que la rentabilidad media anual del

Más detalles

ÍNDICE CAPÍTULO 1. INTRODUCCIÓN

ÍNDICE CAPÍTULO 1. INTRODUCCIÓN ÍNDICE CAPÍTULO 1. INTRODUCCIÓN 1.1. OBJETO DE LA ESTADÍSTICA... 17 1.2. POBLACIONES... 18 1.3. VARIABLES ALEATORIAS... 19 1.3.1. Concepto... 19 1.3.2. Variables discretas y variables continuas... 20 1.3.3.

Más detalles

Tema 8: Regresión y Correlación

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

Más detalles

D to de Economía Aplicada Cuantitativa I Basilio Sanz Carnero

D to de Economía Aplicada Cuantitativa I Basilio Sanz Carnero D to de Economía Aplicada Cuantitativa I Basilio Sanz Carnero Tendencia estocástica y determinista Una serie de tiempo tiene tendencia estocástica (o también denominadas estacionarias en diferencias) cuando

Más detalles

Ejercicio Heterocedasticidad_2

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

Más detalles

Econometría II Grado en finanzas y contabilidad

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

Más detalles

Tema 6. Multicolinealidad. Contenido Multicolinealidad perfecta Multicolinealidad de grado alto

Tema 6. Multicolinealidad. Contenido Multicolinealidad perfecta Multicolinealidad de grado alto Tema 6 Multicolinealidad Contenido 6.1. Multicolinealidad perfecta...................... 108 6.. Multicolinealidad de grado alto................... 110 108 Tema 6. Multicolinealidad A la hora de estimar

Más detalles

INDICE. Prólogo a la Segunda Edición

INDICE. 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 detalles

CONTRASTE DE HIPÓTESIS

CONTRASTE DE HIPÓTESIS CONTRASTE DE HIPÓTESIS Antonio Morillas A. Morillas: Contraste de hipótesis 1 CONTRASTE DE HIPÓTESIS 1. Introducción 2. Conceptos básicos 3. Región crítica óptima i. Teorema de Neyman-Pearson ii. Región

Más detalles

CONTRASTE DE HIPÓTESIS

CONTRASTE DE HIPÓTESIS CONTRASTE DE HIPÓTESIS Antonio Morillas A. Morillas: Contraste de hipótesis 1 CONTRASTE DE HIPÓTESIS 1. Introducción 2. Conceptos básicos 3. Región crítica óptima i. Teorema de Neyman-Pearson ii. Región

Más detalles

INTERPRETACIÓN DE LA REGRESIÓN. Interpretación de la regresión

INTERPRETACIÓN 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 detalles

El Movimiento Browniano en la modelización del par EUR/USD

El Movimiento Browniano en la modelización del par EUR/USD MÁSTER UNIVERSITARIO EN DIRECCIÓN FINANCIERA Y FISCAL TESINA FIN DE MÁSTER El Movimiento Browniano en la modelización del par EUR/USD Autor: José Vicente González Cervera Directores: Dr. Juan Carlos Cortés

Más detalles

INTRODUCCION AL ECONOMETRIC VIEWS. Aquí se introduce la frecuencia y las fechas de comienzo y final de los datos.

INTRODUCCION AL ECONOMETRIC VIEWS. Aquí se introduce la frecuencia y las fechas de comienzo y final de los datos. INTRODUCCION AL ECONOMETRIC VIEWS Introducción de datos 1. Creando una hoja de trabajo (workfile) File New Workfile Aquí se introduce la frecuencia y las fechas de comienzo y final de los datos. 2. Importación

Más detalles

incendios forestales para el periodo de estudio. El software E-Views 9 es utilizado para las

incendios forestales para el periodo de estudio. El software E-Views 9 es utilizado para las 23 Capítulo 4: Resultados y análisis Para esta investigación, se necesita obtener las series de tiempo; tanto de los precios de cierre del IPC, como de los desastres naturales de tipo hidrometeorológico,

Más detalles

Tema 4: Cuestiones importantes en el Modelo Lineal General (MLG) Universidad Complutense de Madrid Febrero de 2012

Tema 4: Cuestiones importantes en el Modelo Lineal General (MLG) Universidad Complutense de Madrid Febrero de 2012 Tema 4: Cuestiones importantes en el Modelo Lineal General (MLG) Universidad Complutense de Madrid Febrero de 2012 Colinealidad (I) La multicolinealidad es un problema que surge cuando las variables explicativas

Más detalles

TODO ECONOMETRÍA. A continuación voy a realizar un primer gráfico para observar el comportamiento de mi serie.

TODO ECONOMETRÍA. A continuación voy a realizar un primer gráfico para observar el comportamiento de mi serie. Sabemos que se aprende de las regularidades del comportamiento pasado de la serie y se proyectan hacia el futuro. Por lo tanto, es preciso que los procesos aleatorios generadores de las series temporales

Más detalles

Econometría de series de tiempo aplicada a macroeconomía y finanzas

Econometría de series de tiempo aplicada a macroeconomía y finanzas Econometría de series de tiempo aplicada a macroeconomía y finanzas Series de Tiempo Estacionarias (Multivariadas) Carlos Capistrán Carmona ITAM 1 Principios de Pronóstico. 2 Pruebas de Hipótesis. 3 Estimación

Más detalles

Séptima Entrega. New Workfile Daily (5 days week) 1:1:1991 a 2:16:1998. File Import Read Text Lotus Excel

Séptima Entrega. New Workfile Daily (5 days week) 1:1:1991 a 2:16:1998. File Import Read Text Lotus Excel Prácticas de la asignatura Series Temporales Séptima Entrega 1 Modelos de heterocedasticidad condicional A partir de la decada de los 80, muchos investigadores se han dedicado al estudio de modelos no

Más detalles

Tema 5: Regresión con datos de sección cruzada. Universidad Complutense de Madrid Marzo de 2012

Tema 5: Regresión con datos de sección cruzada. Universidad Complutense de Madrid Marzo de 2012 Tema 5: Regresión con datos de sección cruzada Universidad Complutense de Madrid Marzo de 2012 Introducción (I) En este tema se trata el incumplimiento de dos hipótesis del MLG, aparentemente no relacionadas,

Más detalles

Prácticas Tema 5. Ampliaciones del Modelo lineal básico

Prácticas Tema 5. Ampliaciones del Modelo lineal básico Prácticas Tema 5. Ampliaciones del Modelo lineal básico Ana J. López y Rigoberto Pérez Dpto. Economía Aplicada, Universidad de Oviedo PRÁCTICA 5.1. Se ha examinado la evolución reciente de las ventas de

Más detalles

Curso de Estadística con R: Nivel Medio

Curso de Estadística con R: Nivel Medio Curso de Estadística con R: Nivel Medio Prof. Vanesa Jordá Departamento de Economía Facultad de Ciencias Económicas y Empresariales Universidad de Cantabria Índice Introducción Contrastes de hipótesis

Más detalles

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

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

Más detalles

TRATAMIENTO DE DATOS CON MS EXCEL. Modulo 2

TRATAMIENTO DE DATOS CON MS EXCEL. Modulo 2 TRATAMIENTO DE DATOS CON MS EXCEL. Modulo 2 CONTENIDO CONCEPTOS PRELIMINARES COMPONENTE ESTACIONAL MÉTODO DE LOS PROMEDIOS MÉTODO ARIMA CENSUS X 12 COMPONENTE DE TENDENCIA COMPONENTE CICLICO CONCEPTOS

Más detalles

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

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

Más detalles

TODO ECONOMETRIA. Bondad del ajuste Contraste de hipótesis

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

Más detalles

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

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

Más detalles

Regresión de Poisson. Microeconomía Cuantitativa. R. Mora. Departmento de Economía Universidad Carlos III de Madrid

Regresión de Poisson. Microeconomía Cuantitativa. R. Mora. Departmento de Economía Universidad Carlos III de Madrid en gretl Microeconomía Cuantitativa R. Mora Departmento de Economía Universidad Carlos III de Madrid Esquema Introducción en gretl 1 Introducción 2 3 4 en gretl en gretl Introducción en gretl Ejemplo 1

Más detalles

TEMA 2 Diseño de experimentos: modelos con varios factores

TEMA 2 Diseño de experimentos: modelos con varios factores TEMA 2 Diseño de experimentos: modelos con varios factores José R. Berrendero Departamento de Matemáticas Universidad Autónoma de Madrid Análisis de Datos - Grado en Biología Esquema del tema Modelo bifactorial

Más detalles

ÍNDICE PRESENTACIÓN 1 I. INTRODUCCIÓN A LA ECONOMETRÍA... 4 CURRICULUM I.1. 4 Definición... I.2

ÍNDICE PRESENTACIÓN 1 I. INTRODUCCIÓN A LA ECONOMETRÍA... 4 CURRICULUM I.1. 4 Definición... I.2 ÍNDICE Pags. PRESENTACIÓN 1 I. INTRODUCCIÓN A LA ECONOMETRÍA... 4 CURRICULUM I.1 4 Definición... I.2 4 Propósito... 1.3 Evolución y Perspectivas de la Econometría... 4 1.4 Los Modelos Macroeconómicos más

Más detalles

Econometría II Grado en finanzas y contabilidad

Econometría II Grado en finanzas y contabilidad Econometría II Grado en finanzas y contabilidad La econometría de series temporales. Evolutividad y oscilaciones estacionarias Profesora: Dolores García Martos E-mail:mdgmarto@est-econ.uc3m.es Este documento

Más detalles

Capítulo 6 Multicolinealidad Luis Quintana Romero. Econometría Aplicada Utilizando R

Capítulo 6 Multicolinealidad Luis Quintana Romero. Econometría Aplicada Utilizando R Capítulo 6 Multicolinealidad Luis Quintana Romero Objetivo Identificar la multicolinealidad en un modelo econométrico, así como las pruebas de detección de la multicolinealidad y correcciones. Introducción

Más detalles

Prácticas Tema 2: El modelo lineal simple

Prácticas Tema 2: El modelo lineal simple Prácticas Tema 2: El modelo lineal simple Ana J. López y Rigoberto Pérez Departamento de Economía Aplicada. Universidad de Oviedo PRACTICA 2.1- Se han analizado sobre una muestra de 10 familias las variables

Más detalles

EXAMEN ECONOMETRÍA I GRUPO 53 - DADE 8 de septiembre de 2005 Prof. Rafael de Arce

EXAMEN ECONOMETRÍA I GRUPO 53 - DADE 8 de septiembre de 2005 Prof. Rafael de Arce EXAMEN ECONOMETRÍA I GRUPO 53 - DADE 8 de septiembre de 005 Prof. Rafael de Arce NOMBRE: DNI: PARTE I.- TEST 1. La hipótesis de rango pleno en el MBRL supone: Que las variables explicativas no tengan ninguna

Más detalles

Estadística Diplomado

Estadística Diplomado Diplomado HRB UNAM 1 / 25 1 Estimación Puntual Momentos Máxima Verosimiltud Propiedades 2 / 25 1 Estimación Puntual Momentos Máxima Verosimiltud Propiedades 2 Estimación por Intervalos Cantidades Pivotales

Más detalles

ECONOMETRÍA I. Tema 2: El Modelo de Regresión Lineal Simple. Patricia Moreno Juan Manuel Rodriguez Poo Alexandra Soberon Departamento de Economía

ECONOMETRÍA I. Tema 2: El Modelo de Regresión Lineal Simple. Patricia Moreno Juan Manuel Rodriguez Poo Alexandra Soberon Departamento de Economía ECONOMETRÍA I Tema 2: El Modelo de Regresión Lineal Simple Patricia Moreno Juan Manuel Rodriguez Poo Alexandra Soberon Departamento de Economía Alexandra Soberon (UC) ECONOMETRÍA I 1 / 42 Modelo de Regresión

Más detalles

Page 1 of 5 Departamento: Dpto Matematica Nombre del curso: PROBABILIDAD Y ESTADÍSTICA Clave: 003872 Academia a la que pertenece: Probabilidad y Estadística Requisitos: Requisito de Probabilidad y Estad

Más detalles

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

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

Más detalles

EXAMEN DE ESTADÍSTICA II Junio de 2002 SOLUCIÓN (tiempo:100 minutos)

EXAMEN DE ESTADÍSTICA II Junio de 2002 SOLUCIÓN (tiempo:100 minutos) EXAMEN DE ESTADÍSTICA II Junio de 2002 SOLUCIÓN (tiempo:100 minutos) PROBLEMA 1 Se quiere comparar la cantidad de energía necesaria para realizar 3 ejercicios o actividades: andar, correr y montar en bici.

Más detalles

Estrategia de análisis estadístico de los datos. Inferencia Estadística y contraste de hipótesis

Estrategia de análisis estadístico de los datos. Inferencia Estadística y contraste de hipótesis Estrategia de análisis estadístico de los datos. Inferencia Estadística y contraste de hipótesis VDC Prof. Mª JOSÉ PRIETO CASTELLÓ MÉTODOS ESTADÍSTICOS. TÉCNICAS ESTADÍSTICA DESCRIPTIVA TEORÍA DE LA PROBABILIDAD

Más detalles

Ejemplo 7.1. Heterocedasticidad. Pilar González y Susan Orbe. Dpto. Economía Aplicada III (Econometría y Estadística)

Ejemplo 7.1. Heterocedasticidad. Pilar González y Susan Orbe. Dpto. Economía Aplicada III (Econometría y Estadística) Ejemplo 7.1 Heterocedasticidad Pilar González y Susan Orbe Dpto. Economía Aplicada III (Econometría y Estadística) Pilar González y Susan Orbe OCW 2013 Ejemplo 7.1. Heterocedásticidad 1 / 22 Enunciado.

Más detalles

Hoja de Ejercicios 3 El modelo de regresión lineal múltiple

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

Más detalles

Examen de Introducción a la Econometría

Examen de Introducción a la Econometría NOMBRE GRUPO MODELO 1 DNI: Firma: Examen de Introducción a la Econometría 18 de junio de 2009 Sólo una respuesta es válida. Debe justificar la respuesta de cada pregunta en el espacio que se le proporciona.

Más detalles

Diplomado en Estadística Aplicada

Diplomado en Estadística Aplicada Diplomado en Estadística Aplicada Con el propósito de mejorar las habilidades para la toma de decisiones, la División de Estudios de Posgrado de la Facultad de Economía ha conjuntado a profesores con especialidad

Más detalles

SERIE TEMPORAL TASA PASIVA REFERENCIAL ECUADOR MAT. GEOVANNY TOALOMBO Agosto 2006

SERIE TEMPORAL TASA PASIVA REFERENCIAL ECUADOR MAT. GEOVANNY TOALOMBO Agosto 2006 SERIE TEMPORAL TASA PASIVA REFERENCIAL ECUADOR MAT. GEOVANNY TOALOMBO Agosto 20 Se presenta a continuación el estudio de la serie de tiempo, para la Tasa Pasiva Referencial fuente Banco Central de Ecuador

Más detalles

Tema 8: Contraste de hipótesis

Tema 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 detalles

Introducción a la Econometría

Introducción a la Econometría 1Econometría Introducción a la Econometría -Que es la econometría - Por que una disciplina aparte? -Metodología de la econometría Planeamiento de la teoría o hipótesis Especificación del modelo matemático

Más detalles

Cointegración del Índice de Precios al Consumidor y Liquidez monetaria ( ). Venezuela.

Cointegración del Índice de Precios al Consumidor y Liquidez monetaria ( ). Venezuela. Cointegración del Índice de Precios al Consumidor y Liquidez monetaria (1997-211). Venezuela. Informe Técnico. PC LC/FT. 2 de Octubre 212 Jhoner Perdomo Karen Tizado Resumen En la búsqueda de una variable

Más detalles

Pronósticos, Series de Tiempo y Regresión. Capítulo 4: Regresión Lineal Múltiple

Pronósticos, 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 detalles

CUESTIONES Y PROBLEMAS DE DISTRIBUCIONES DE FRECUENCIAS BIDIMENSIONALES PROPUESTOS EN EXÁMENES

CUESTIONES Y PROBLEMAS DE DISTRIBUCIONES DE FRECUENCIAS BIDIMENSIONALES PROPUESTOS EN EXÁMENES TUTORÍA DE INTRODUCCIÓN A LA ESTADÍSTICA (º A.D.E.) CUESTIONES Y PROBLEMAS DE DISTRIBUCIONES DE FRECUENCIAS BIDIMENSIONALES PROPUESTOS EN EXÁMENES 1º) Qué ocurre cuando r = 1: a) Los valores teóricos no

Más detalles

MASTER EN CIENCIAS ACTUARIALES Y FINANCIERAS PLAN Módulo: FORMACIÓN FUNDAMENTAL. Créditos ECTS: 6 Presenciales: 5 No presenciales: 1

MASTER EN CIENCIAS ACTUARIALES Y FINANCIERAS PLAN Módulo: FORMACIÓN FUNDAMENTAL. Créditos ECTS: 6 Presenciales: 5 No presenciales: 1 MASTER EN CIENCIAS ACTUARIALES Y FINANCIERAS PLAN 2009 Nombre de asignatura: AMPLIACIÓN DE ESTADÍSTICA Código:603358 Materia: MATEMÁTICAS Y ESTADÍSTICA Módulo: FORMACIÓN FUNDAMENTAL Carácter: OBLIGATORIA

Más detalles

MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES I Y II CONTENIDOS BACHILLERATO

MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES I Y II CONTENIDOS BACHILLERATO MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES I Y II CONTENIDOS BACHILLERATO BLOQUE 1. PROCESOS, MÉTODOS Y ACTITUDES EN MATEMÁTICAS Los contenidos de este bloque se desarrollan de forma simultánea al resto

Más detalles