2. Modelos con regresores endógenos
|
|
- Samuel Vargas Flores
- hace 6 años
- Vistas:
Transcripción
1 . Introducción ema 3. Regresores Endógenos. Bibliografía: Wooldridge, 5., 5.4 y 6.2 En este tema vamos a estudiar el modelo lineal con regresores potencialmente endógenos. Veremos primero las consecuencias que tiene sobre el estimador MCO el hecho de que alguno de los regresores del modelo sea endógeno, analizando algunos ejemplos de modelos lineales con regresores endógenos. Después introduciremos un estimador apropiado para el modelo lineal con regresores endógenos. Finalmente estudiaremos cómo contrastar si los regresores del modelo son endógenos. Se dice que un regresor es endógeno si está correlacionado con el término de error del modelo. Por el contrario el regresor se dice que es exógeno si no está correlacionado con el término de error del modelo. Es decir, si consideramos el modelo lineal Y t = X tβ + u t = β + β 2 X 2t β j X jt β k X kt + u t se dice que X jt es endógeno si Cov(X jt, u t ) 0, y, por el contrario, se dice que X jt es exógeno si Cov(X jt, u t ) = 0 Nótese que, utilizando la ley de las esperanzas iteradas, el supuesto (a) E (u t X t ) = 0 implica que E (X t u t ) = 0 y por tanto para que se verique el supuesto (a) necesitamos que todos los regresores del modelo sean exógenos. Por consiguiente, si al menos uno de los regresores es endógeno, no se vericará el supuesto (a) y, como vimos en el ema, el estimador MCO será un estimador sesgado e inconsistente. 2. Modelos con regresores endógenos 2.. Variables omitidas Consideremos el siguiente modelo para el salario de los trabajadores log(w t ) = β + β 2 educ t + β 3 abil t + u t donde w t es el salario, educ t son los años de educación y abil t es la habilidad que generalmente es una variable inobservable. Suponemos que este modelo verica los supuestos del modelo de regresión con observaciones iid; en particular, se satisface el supuesto (a). Pero si abil t es inobservable podemos incluirla en el término de error y considerar el modelo log(w t ) = β + β 2 educ t + ε t () Si la habilidad inobservable está correlacionada con la educación, puesto que el termino de error del modelo () incluye la habilidad inobservable, tendremos que Cov(educ t, ε t ) 0
2 y por tanto educ t será endógena en el modelo (). Si educ t es endógena y estimamos por MCO la ecuación () obtendremos un estimador inconsistente de los parámetros del modelo Errores de medida Consideremos el modelo lineal con un único regresor que satisface el supuesto (a) del modelo de regresión con datos iid Y t = βx t + u t, para t =, 2,.. donde la variable X t es exógena, es decir E(X t u t ) = 0. Supongamos que la variable X t está medida con error, es decir nosotros no observamos X t sino que observamos X t = X t + ω t, donde ω t es el error de medida que verica Sustituyendo X t en el modelo y E(ω t ) = E(X t ω t ) = E(u t ω t ) = 0 Y t = β(x t ω t ) + u t = βx t βω t + u t = βx t + v t E(X t v t ) = E [(X t + ω t )(u t βω t )] = E(X t u t ) βe(x t ω t )+E(ω t u t ) βe(ω 2 t ) = βσ 2 ω 0 Por tanto X t es endógena y el estimador MCO de Y t en X t no es un estimador consistente de β. Obsérvese que: β + β = X t Y t (X t ) 2 = β + X t v t (X t ) 2 = X t v t (X t ) 2 p β βσ2 ω E((X t ) 2 ) β. En general, en un modelo de regresión múltiple basta con que una de las variables explicativas esté medida con error para que todas las componentes del estimador MCO sean inconsistentes. Si la variable dependiente presenta errores de medida y las variables explicativas son exógenas y no presentan errores de medida, entonces el estimador MCO es consistente Simultaneidad Consideremos ahora el sistema de ecuaciones simultáneas () : Y t = α 2 Y 2t + β X t + β 2 X 2t β k X kt + u t () (2) : Y 2t = α 2 Y t + β 2 X t + β 22 X 2t β 2k X kt. + u 2t (2) 2
3 Como Y 2t depende de Y t por la ecuación (2), e Y t está correlacionado con u t, Y 2t está correlacionado con u t, y por tanto Y 2t es endógeno en la ecuación (). Análogamente Y t es endógena en la ecuación (2). Ejemplo: Consideremos el caso habitual de un modelo de equilibrio de mercado: Ecuación de demanda: Ecuación de oferta: Condición de equilibrio: q dt = α p t + α 2 y t + u dt q st = β p t + u st q dt = q st donde y es renta que se supone determinada fuera del modelo lo que hace que sea exógena y suponemos que E [u dt y t ] = E [u st y t ] = 0; V ar [u dt y t ] = σ 2 d ; V ar [u st y t ] = σ 2 s; E [u dt u st y t ] = 0. Resolviendo para p: p t = α 2 β α y t + u dt u st β α = πy t + ν t. enemos entonces que Cov (p t, u dt ) = σ2 d β α 0 Cov (p t, u st ) = σ2 s β α 0 y por tanto el precio es endógeno tanto en la ecuación de oferta como en la ecuación de demanda. 3. El estimador de variables instrumentales Bibliografía: Wooldridge, El modelo lineal simple Consideremos el modelo lineal simple Y t = β + β 2 X t + u t () para el que E(u t ) = 0 (nótese que este supuesto no es restrictivo ya que el modelo incluye un término constante y por tanto β se dene como β = E(Y t ) β 2 E(X t )). En este modelo la variable X t es endógena si Cov(X t, u t ) = E(X t u t ) 0. Si la variable X t es endógena sabemos que el estimador MCO de β = (β, β 2 ) no es consistente. Para poder obtener un estimador consistente de β necesitamos información adicional. En concreto necesitamos encontrar al menos una variable Z t que no esté correlacionada con el término de error y que esté correlacionada con X t, es decir que verique:. Cov(Z t, u t ) = 0 2. Cov(Z t, X t ) 0 3
4 Si Z t verica los supuestos y 2 se dice Z t es una variable instrumental o un instrumento para X t en el modelo (). Vamos a empezar estudiando el caso en el que tenemos un único instrumento (modelo exactamente identicado), y posteriormente introduciremos el caso en el que tengamos más de un instrumento (modelo sobreidenticado). Vamos a ver ahora que bajo los supuestos y 2 los parámetros β 2 y β están identicados. Utilizando el supuesto : Cov(Z t, Y t ) = β 2 Cov(Z t, X t ) + Cov(Z t, u t ) = β 2 Cov(Z t, X t ) puesto que Cov(Z t, X t ) 0 por el supuesto 2, el parámetro β 2 está denido en la población por β 2 = Cov(Z t, Y t ) (2) Cov(Z t, X t ) El estimador de variables instrumentales (VI) de β 2 se obtiene aplicando el método de los momentos (Z t Z)(Y t Y ) (Z t Z)(Y t Y ) t= t= β V I,2 = = (Z t Z)(X t X) (Z t Z)(X t X) donde Z = t= Z t, Y = t= Y t y X = t= instrumentales de β, puesto que E(u t ) = 0, utilizando el método de los momentos t= X t. En cuanto al estimador de variables t= β = E(Y t ) β 2 E(X t ) β V I, = Y β V I,2 X Se puede demostrar que el estimador VI de β es consistente y asintóticamente normal y, en general, es posible obtener un estimador consistente de la varianza límite lo que nos permitirá hacer inferencia (estos resultados se demostrarán en el contexto del modelo de regresión múltiple). Es importante resaltar el papel asimétrico que juegan los supuestos y 2. Mientras que el supuesto no es contrastable, el supuesto 2 sí lo es. Consideremos el modelo de regresión de X t sobre Z t X t = π + π 2 Z t + v t (3) puesto que π 2 = Cov(Z t, X t ), V ar(z t ) el supuesto 2 es equivalente a que π 2 0. Por tanto para contrastar este supuesto contrastaremos H 0 : π 2 = 0 H : π 2 0 4
5 utilizando el estimador MCO del modelo (3). Si rechazamos la hipótesis nula tendremos evidencia suciente de que se verica el supuesto 2. Puesto que el supuesto no es contrastable debe utilizarse la teoría económica u otro tipo de consideraciones para justicar su validez. Por ejemplo, supongamos que queremos estimar los rendimientos de la educación mediante la ecuación log(w t ) = β + β 2 educ t + u t En este tipo de ecuaciones, el término de error representa en parte la habilidad inobservable de los individuos. Hay mucha evidencia empírica que demuestra que la habilidad está correlacionada con la educación, ya que los individuos deciden los años de educación dependiendo de su habilidad. En algunos estudios empíricos se ha utilizado el mes de nacimiento como instrumento para el nivel de educación. Es claro que el mes de nacimiento no está correlacionado con la habilidad de los individuos y por tanto verica el supuesto. El problema potencial de este instrumento es si verica el supuesto 2, es decir si está correlacionado con el nivel de educación. Vamos a analizar ahora las consecuencias que tiene sobre las propiedades del estimador VI el que no se verique el supuesto. Vamos a calcular entonces el límite en probabilidad de β V I,2 cuando la covarianza entre Z t y u t no es necesariamente cero β V I,2 = (Z t Z)(Y t Y ) t= = (Z t Z)(X t X) t= = β 2 + (Z t Z)Y t t= = (Z t Z)X t t= (Z t Z)u t t= p β 2 + (Z t Z)X t t= (Z t Z)(β + β 2 X t + u t ) t= = (Z t Z)X t t= Cov(Z t, u t ) Cov(Z t, X t ) = β 2 + Corr(Z t, u t ) Corr(Z t, X t ) Si Z t y u t no están correlacionadas, es decir si se verica el supuesto, el estimador VI es consistente. Sin embargo, si la correlación entre Z t y u t no es cero, aunque sea muy pequeña, si la correlación entre Z t y X t está próxima a cero, la diferencia entre el límite en probabilidad de β V I,2 y el verdadero valor del parámetro (lo que se denomina el sesgo de consistencia) puede ser muy grande. Este resultado resalta la importancia de contrastar el supuesto 2, ya que si podemos garantizar que la correlación entre Z t y X t no está próxima a cero, el sesgo asintótico del estimador VI, si existe será pequeño, siempre y cuando, claro está, la correlación entre Z t y u t esté muy próxima a cero. El estimador MCO es un estimador de variables instrumentales que utiliza X t como instrumento. El límite en probabilidad de β MCO,2 es β MCO,2 p β 2 + Corr(X t, u t ) σ u σ X Si X t y u t no están correlacionados, el estimador MCO es consistente. Cuando tanto X t y u t como Z t y u t están correlacionados el estimador MCO será preferible al VI (en términos 5 σ u σ X
6 de sesgo asintótico) si Corr(X t, u t ) < Corr(Zt,ut) Corr(Z t,x t). Si X t y u t no están correlacionados, es decir si X t es exógena, el estimador MCO es consistente y si se verican los demás supuestos básicos, el estimador MCO es más eciente (asintóticamente) que cualquier estimador VI El modelo lineal múltiple con una única variable endógena Consideremos el modelo lineal múltiple Y t = X tβ + u t = β + β 2 X 2t β k X kt + u t donde β = (β, β 2,..β k ) y X t = (, X 2t,.., X kt ). Supondremos que el término de error tiene media cero y que las variables X 2t,.., X k,t son exógenas, es decir E(u t ) = 0 Cov(X jt, u t ) = E(X jt u t ) = 0, j = 2,..k y X k es potencialmente endógena, es decir la covarianza entre X kt y u t puede ser distinta de cero. Análogamente al caso del modelo lineal simple, para poder obtener un estimador consistente de β = (β, β 2,..β k ) necesitamos una variable adicional Z kt que no esté correlacionada con el término de error, es decir que verique que. Cov(Z kt, u t ) = E(Z kt u t ) = 0 Si denimos el vector Z t = (, X 2t,.., X k,t, Z kt ) tenemos k condiciones de momentos que denen el vector β en la población E(Z t u t ) = 0 E(u t ) = 0 Cov(X jt, u t ) = E(X jt u t ) = 0, j = 2,.., k Cov(Z kt, u t ) = E(Z kt u t ) = 0 (4) El estimador de variables instrumentales se obtiene por el método de los momentos. Las condiciones de momentos poblacionales (4)se pueden escribir como E(Z t u t ) = E(Z t (Y t X tβ) = E(Z t Y t ) E(Z t X t)β = 0 Si la matriz E(Z t X t) es no singular, es decir si se verica 2. E(Z t X t) 0 el vector de parámetros β está denido en la población por β = E(Z t X t) E(Z t Y t ) (5) Nótese que este supuesto 2 es el análogo al supuesto 2 que hacíamos en el modelo lineal simple. 6
7 El estimador de variables instrumentales de β se obtiene entonces aplicando el método de los momentos a la condición (5) ( β V I = ) Z t X t t= ( ) Z t Y t = Z t X t Z t Y t = (Z X) Z Y t= donde Z y X son las matrices k, Z = (Z, Z 2,.., Z ) y X = (X, X 2,.., X ), e Y es el vector, Y = (Y, Y 2,.., Y ). Al igual que en el modelo de regresión simple, el supuesto no es contrastable mientras que el supuesto 2 si lo es. El supuesto 2 en el modelo de regresión simple era que el instrumento estuviera correlacionado con la variable explicativa. Ahora no basta con que Cov(Z kt, X kt ) 0, ya que claramente si consideráramos Z kt igual a una combinación lineal de X 2t,.., X k,t, aunque Z kt estuviera correlacionada con X kt, no nos serviría como instrumento ya que en ese caso la matriz Z t X t tendría rango k y por tanto la matriz E(Z t X t) sería singular. El supuesto 2 ahora es equivalente a decir que X kt esté parcialmente correlacionada con Z kt una vez que tenemos en cuenta la correlación entre X kt y las restantes variables explicativas del modelo. Análogamente al caso del modelo lineal simple, podemos contrastar el supuesto 2 estimando un modelo auxiliar. Consideramos el modelo de regresión múltiple de X kt sobre una constante, X 2t,.., X k,t, Z kt X kt = π + π 2 X 2t π k X k,t + π k Z kt + v t (6) Se puede demostrar que el supuesto 2 es equivalente a que el coeciente de Z kt en (6) sea distinto de cero. Por tanto para contrastar este supuesto contrastaremos t= H 0 : π k = 0 H : π k 0 utilizando el estimador MCO del modelo (6). Si rechazamos la hipótesis nula tendremos evidencia suciente de que se verica el supuesto 2. Supongamos ahora que tenemos dos instrumentos válidos Z kt y Z k2t, podríamos utilizar cualquiera de los dos como instrumento y obtener así dos estimadores de VI distintos. Sin embargo, se puede demostrar que, en general, es posible obtener un estimador más eciente combinando los instrumentos disponibles. Dado que X 2t,.., X k,t, Z kt y Z k2t no están correlacionadas con el término de error, cualquier combinación lineal de estas variables Z kt = π + π 2 X 2t π k X k,t + π k Z kt + π k2 Z k2t tampoco estará correlacionada con el término de error y por tanto vericará el supuesto. De esta forma vemos que podemos calcular innitos estimadores de variables instrumentales utilizando distintas ponderaciones de las variables exógenas. La pregunta es ¾Cuál de todas estas combinaciones lineales da lugar al estimador asintóticamente más eciente?. Se puede demostrar que si el término de error u t es homocedástico el estimador VI más eciente se obtiene utilizando t= X kt = π + π 2 X 2t π k X k,t + π k Z kt + π k2 Z k2t 7
8 como instrumento, donde π = ( π, π 2,.., π k, π k, π k2 ) es el estimador MCO de la regresión de X kt sobre una constante, X 2t,.., X k,t, Z kt y Z k2t. El estimador VI que utiliza X kt como instrumento se denomina estimador de mínimos cuadrados en dos etapas. En este caso para contrastar el supuesto 2 tenemos que considerar el modelo X kt = π + π 2 X 2t π k X k,t + π k Z kt + π k2 Z k2t + v t (7) Se puede demostrar que el supuesto 2 es equivalente a que las variables Z kt y Z kt sean conjuntamente signicativas en (7). Por tanto para contrastar el supuesto 2 contrastaremos H 0 : π k = 0, π k2 = 0 H : π k 0 y/o π k2 0 utilizando el estimador MCO del modelo (7). Si rechazamos la hipótesis nula tendremos evidencia suciente de que se verica el supuesto El modelo lineal múltiple con varias variables endógenas Consideremos el modelo lineal múltiple Y t = X tβ + u t = β + β 2 X 2t β k X kt + u t donde β = (β, β 2,..β k ) y X t = (, X 2t,.., X kt ). Supondremos que el término de error tiene media cero y que las variables X 2t,.., X lt son exógenas, es decir E(u t ) = 0 Cov(X jt, u t ) = E(X jt u t ) = 0, j = 2,..l y X l+,t,.., X k son potencialmente endógenas, es decir la covarianza entre X jt y u t, j = l +,.., k puede ser distinta de cero. Análogamente al caso de una sola variable explicativa endógena, para poder obtener un estimador consistente de β = (β, β 2,..β k ) necesitamos ahora k l variables adicionales Z l+,t,.., Z kt que no estén correlacionadas con el término de error, es decir que veriquen que. Cov(Z jt, u t ) = E(Z jt u t ) = 0, j = l +,.., k Si denimos el vector Z t = (, X 2t,.., X lt, Z l+,t,..z kt ) tenemos k condiciones de momentos que denen el vector β en la población E(Z t u t ) = 0 E(u t ) = 0 Cov(X jt, u t ) = E(X jt u t ) = 0, Cov(Z jt, u t ) = E(Z jt u t ) = 0, j = 2,.., l j = l +,.., k El estimador de variables instrumentales se obtiene de nuevo por el método de los momentos. Igual que en el caso de una sola variable explicativa endógena, las condiciones de momentos poblacionales se pueden escribir como E(Z t u t ) = E [Z t (Y t X tβ)] = E(Z t Y t ) E(Z t X t)β = 0 8
9 Si la matriz E(Z t X t) es no singular, es decir si se verica 2. E(Z t X t) 0 el vector de parámetros β está denido en la población por β = E(Z t X t) E(Z t Y t ) y el estimador VI tiene la misma expresión que en la sección anterior. La diferencia fundamental entre el caso de una sola variable explicativa endógena y el caso de varias variables explicativas endógenas es que en este último caso el supuesto 2 no se puede expresar de forma sencilla en términos de los coecientes de un modelo auxiliar, y por tanto, no es tan fácilmente contrastable como lo era en el modelo con una única variable explicativa endógena. Nótese que si contrastamos la signicatividad conjunta de Z jt, j = l +,.., k en cada una de las regresiones X jt = π j + π j2 X 2t π jl X lt + π j,l+ Z l+,t π jk Z kt + v jt, j = l +,.., k y rechazamos la nula en todas ellas, esto no sería suciente para garantizar que se verica el supuesto 2, ya que por ejemplo, si π jk = 0, j = l +,.., k, Z kt no estaría parcialmente correlacionada con ninguna de las variables endógenas y por tanto no tendríamos sucientes instrumentos. Existen métodos para contrastar el supuesto 2 cuando hay más de una variable endógena pero no los vamos a ver en este curso Propiedades asintóticas del estimador de variables instrumentales Consistencia del estimador VI Si se verican los supuestos E(u t ) = 0 () E(Z t u t ) = 0 Cov(X jt, u t ) = E(X jt u t ) = 0, Cov(Z jt, u t ) = E(Z jt u t ) = 0, (2) Zt X t p E(Z t X t) = Σ ZX, Σ ZX 0 j = 2,.., l j = l +,.., k entonces el estimador VI es consistente. Demostración: β V I = β + ( Zt X t) Zt u t Consideremos la sucesión de vectores aleatorios W t = Z t u t. Puesto que los vectores W t son iid y todos tienen media cero (por el supuesto ), utilizando la ley de los grandes números tenemos que Z t u t p 0 () t= 9
10 Por otra parte, utilizando el supuesto 2 Zt X t p Σ ZX Como Σ ZX 0, por el teorema de la función continua ( Utilizando () y (2) tenemos β V I = β + Zt X t ( ) p Σ ZX (2) Zt X t) Zt u t p β Normalidad asintótica del estimador VI Si se cumplen las condiciones: E(u t ) = 0 () E(Z t u t ) = 0 Cov(X jt, u t ) = E(X jt u t ) = 0, Cov(Z jt, u t ) = E(Z jt u t ) = 0, (2) Zt X t p E(Z t X t) = Σ ZX, Σ ZX 0 (3) E(u 2 t Z t ) = σ 2 (4) Zt Z t p E(Z t Z t) = Σ Z > 0 j = 2,.., l j = l +,.., k entonces ( βv I β) Demostración: ( βv I β) = d N(0, σ 2 Σ ZX Σ ( Z Σ ). ZX) ( Zt X t) Zt u t ; Consideremos la sucesión de vectores aleatorios W t = Z t u t, ya sabemos que E(W t ) = 0 V ar(w t ) = V ar(z t u t ) = E(u 2 t Z t Z t) = E(E(u 2 t Z t Z t Z t )) = E(E(u 2 t Z t )Z t Z t) = σ 2 E(Z t Z t) = σ 2 Σ Z. Puesto que los vectores W t son iid y todos tienen media cero y varianza σ 2 Σ Z, utilizando el eorema Central del Límite Por otra parte, utilizando el supuesto 2 Zt u t p N(0, σ 2 Σ Z ) () Zt X t p Σ ZX 0
11 Como Σ ZX 0, por el teorema de la función continua ( ) Zt X t p Σ ZX (2) Utilizando () y (2) tenemos ( βv I β) d N(0, σ 2 Σ ZX Σ ( Z Σ ). ZX) Como ya mencionamos anteriormente el estimador MCO es un estimador VI que utiliza X t como vector de instrumentos. Si todos los regresores son exógenos el estimador MCO es consistente, y si se verican los demás supuestos, el estimador MCO es asintóticamente más eciente que cualquier otro estimador VI. Estimador de σ 2. σ 2 V I = (Yt X t β V I ) 2. Se puede demostrar que σ 2 V I es un estimador consistente de σ2. La varianza estimada del estimador VI se obtiene utilizando un estimador consistente de la varianza asintótica. Puesto que Zt X t p Σ ZX, Σ ZX 0 Zt Z t p E(Z t Z t) = Σ Z > 0 σ 2 V I p σ 2 La varianza estimada del estimador VI es ( var( β V I ) = σ2 V I ( Zt X t) = σ 2 V I (Z X) (Z Z) (X Z) Zt Z t) ( Xt Z t) 4. Contrastes de hipótesis con el estimador VI Bibliografía: Wooldridge, 5. Supongamos que queremos contrastar: H 0 : Rβ = r H : Rβ r donde R es una matriz q k, y r es un vector q, ambos conocidos. Suponiendo que se cumplen los supuestos () a (4) sabemos que ( βv I β) N(0, σ 2 Σ ZX Σ ( Z Σ ). ZX)
12 Multiplicando por la izquierda por R (R βv I Rβ) N(0, σ 2 RΣ ZX Σ ( Z Σ ZX) R ) Bajo H 0 Puesto que (R βv I r) N(0, σ 2 RΣ ZX Σ ( Z Σ ZX) R ) () σ 2 V I ( ) Z X ( ( ) Z Z) X Z p σ 2 Σ ZX Σ ( ) Z Σ ZX Multiplicando por la izquierda por R y por la derecha por R σ 2 V IR ( ) Z X ( ( ) Z Z) X Z R p σ 2 RΣ ZX Σ ( ) Z Σ ZX R (2) Utilizando (), (2) y el ejemplo 5 del ema tenemos que el estadístico de contraste es W = ( ) ( R β V I r σ V 2 I R ( Z X ) ( Z Z) ( X Z ) ) ( ) R R β V I r ( 2 = R β V I r) ( σ V I R (Z X) (Z Z) (X Z) R ) ( ) R β V I r = ( ) ( = R β V I r Rvar( β ) ) V I )R (R β V I r χ 2 q, bajo H 0. Así, para un nivel de signicación α rechazaremos H 0 si W > χ 2 q,α. Si q = podemos utilizar el estadístico W o bien, dado R β V I r es un escalar, utilizando (), (2) y el ejemplo 6 del ema podemos construir el estadístico de contraste t = R β V I r Rvar( β N(0, ) Bajo H 0 V I )R Con este estadístico podemos hacer contrastes de una y dos colas (especicar las regiones críticas en los contrastes de una cola y dos colas). En particular, si queremos contrastar una única restricción del tipo: el estadístico de contraste es t = H 0 : β j = βj 0 H : β j βj 0, β V Ij β 0 j SE( β V Ij ) N(0, ) Bajo H 0 donde SE( β V Ij ) es el error estándar de β V Ij, es decir la raíz cuadrada del elemento (j, j) de la matriz de varianzas estimada del estimador VI. 2
13 5. Contraste de endogeneidad Bibliografía: Wooldridge, 5.5 Consideremos el modelo de regresión lineal con un único regresor potencialmente endógeno: Y t = β + β 2 X 2t β k X kt + u t, () donde E(u t ) = 0 E(X jt u t ) = 0, j = 2,..k y X kt es potencialmente endógena. Queremos contrastar si efectivamente X kt es o no endógena, es decir queremos contrastar H 0 : E(X kt u t ) = 0 H : E(X kt u t ) 0 (X kt es exógena) (X kt es endógena) Supongamos que Z kt es un instrumento válido, es decir E(Z kt u t ) = 0 y consideremos el modelo de regresión de X kt sobre todas las variables exógenas del modelo (incluido el instrumento Z kt ), es decir X kt = π + π 2 X 2t π k X k t + π k Z kt + v t, (2) como las variables explicativas de este modelo no están correlacionadas con u t, X kt es exógena si y solo si v t y u t no están correlacionados. Por tanto si escribimos el modelo de regresión de u t sobre v t u t = γv t + ε t, (3) X kt es exógena si y solo si γ = 0. Substituyendo (3) en () Y t = β + β 2 X 2t β k X kt + γv t + ε t, y por tanto contrastar si X kt es endógena es equivalente a contrastar si γ 0. El problema que presenta este contraste es que no se puede llevar a cabo en la practica ya que v t no es observable. Sin embargo, se puede demostrar que el contraste se puede realizar reemplazando los errores v t por los residuos MCO de la regresión (2). De forma que nalmente el contraste de endogeneidad consiste en contrastar en el modelo H 0 : γ = 0 H : γ 0 Y t = β + β 2 X 2t β k X kt + γ v t + ε t, donde v t son los residuos MCO de la regresión (2). Este contraste es un contraste de signicatividad individual de la variable v t y se puede utilizar el estadístico de contraste robusto a heterocedasticidad. 3
14 Cuando haya más de una variable potencialmente endógena el contraste de endogeneidad consiste en: Paso: Para cada variable potencialmente endógena, estimar por MCO el modelo de regresión de dicha variable sobre todas las variables exógenas (incluidos los instrumentos) y calcular los residuos. Paso 2: Estimar por MCO un modelo ampliado que incluya todas las variables explicativas originales y los residuos de las regresiones del paso, y contrastar la signicatividad conjunta de todos los residuos de esta regresión ampliada. 4
Tema 1. El Modelo de Regresión Lineal con Regresores Aleatorios.
ema El Modelo de Regresión Lineal con Regresores Aleatorios Introducción En este tema vamos a analizar las propiedades del modelo de regresión lineal con regresores aleatorios Suponer que los regresores
Más detallesEl problema de la endogeneidad Variables proxy Variables instrumentales STATA. Endogeneidad. Gabriel Montes-Rojas
Gabriel V. Montes-Rojas El problema de la endogeneidad Una variable es endógena si Cov(x j, error) = 0. Una variable es exógena si Cov(x j, error) = 0. Consideremos el modelo log(wage) = β 0 + β 1 educ
Más detallesEstadística 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 detallesECONOMETRÍA II Prof.: Begoña Álvarez TEMA 1 INTRODUCCIÓN. Estimación por máxima verosimilitud y conceptos de teoría asintótica
ECONOMETRÍA II Prof.: Begoña Álvarez 2007-2008 TEMA 1 INTRODUCCIÓN Estimación por máxima verosimilitud y conceptos de teoría asintótica 1. ESTIMACIÓN POR MÁXIMA VEROSIMILITUD (MAXIMUM LIKELIHOOD) La estimación
Más detallesECONOMETRIA. Tema 6: MODELOS CON VARIABLES EXPLICATIVAS ENDÓGENAS. César Alonso. Universidad Carlos III de Madrid
ECONOMETRIA Tema 6: MODELOS CON VARIABLES EXPLICATIVAS ENDÓGENAS César Alonso Universidad Carlos III de Madrid César Alonso (UC3M) ECONOMETRIA. Tema 6 1 / 70 Endogeneidad Dado el modelo de regresión lineal:
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 detallesRegresión 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 detallesGUIÓN TEMA 2. PROPIEDADES DE LOS ESTIMADORES MCO 2.1 PROPIEDADES ESTADÍSTICAS DEL ES- TIMADOR MCO DE.
ECONOMETRIA I. Departamento de Fundamentos del Análisis Económico Universidad de Alicante. Curso 011/1 GUIÓN TEMA. PROPIEDADES DE LOS ESTIMADORES MCO Bibliografía apartados.1,. y.3: Greene, 6.6.1, 6.6.3
Más detallesErrores de especificación
CAPíTULO 5 Errores de especificación Estrictamente hablando, un error de especificación es el incumplimiento de cualquiera de los supuestos básicos del modelo lineal general. En un sentido más laxo, esta
Más detallesTema 4. El Modelo de Regresión Lineal con Series Temporales.
Tema 4. El Modelo de Regresión Lineal con Series Temporales. En este tema, estudiaremos en detalle la estimación e inferencia del modelo de regresión con datos de series temporales. Dadas las diferencias
Más detallesInferencia y Especificación en Modelos de Ecuaciones Simultáneas
Inferencia y Especificación en Modelos de Ecuaciones Simultáneas Economía Aplicada III (UPV/EHU) OCW 2013 Contenidos 1 Inferencia con estimadores de información limitada Contrastes de restricciones con
Más detallesEstadística 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 detallesECONOMETRIA. Tema 5: ERRORES DE ESPECIFICACIÓN. César Alonso UC3M. César Alonso (UC3M) ECONOMETRIA. Tema 5 1 / 35
ECONOMETRIA Tema 5: ERRORES DE ESPECIFICACIÓN César Alonso UC3M César Alonso (UC3M) ECONOMETRIA. Tema 5 1 / 35 Introducción Hemos visto que el estimador MCO tiene buenas propiedades bajo los supuestos
Más detallesEconometría III Examen. 29 de Marzo de 2012
Econometría III Examen. 29 de Marzo de 2012 El examen consta de 20 preguntas de respuesta múltiple. El tiempo máximo es 1:10 minutos. nota: no se pueden hacer preguntas durante el examen a no ser que sean
Más detallesTODO ECONOMETRIA. Bondad del ajuste Contraste de hipótesis
TODO ECONOMETRIA Bondad del ajuste Contraste de hipótesis Índice Bondad del ajuste: Coeficiente de determinación, R R ajustado Contraste de hipótesis Contrastes de hipótesis de significación individual:
Más detallesTema 4. Análisis multivariante de la varianza
Máster en Técnicas Estadísticas Análisis Multivariante Año 2008 2009 Profesor: César Sánchez Sellero Tema 4 Análisis multivariante de la varianza 4 Presentación del modelo Se trata de comparar las medias
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 detallesMÍNIMOS CUADRADOS GENERALIZADOS
Métodos Estadísticos para Economía y Gestión (IN540-2) Otoño 2008 - Semestre I, Parte II Universidad de Chile Departamento de Ingeniería Industrial Profesor: Mattia Makovec (mmakovec@dii.uchile.cl) Auxiliar:
Más detallesT2. El modelo lineal simple
T2. El modelo lineal simple Ana J. López y Rigoberto Pérez Dpto Economía Aplicada. Universidad de Oviedo Curso 2010-2011 Curso 2010-2011 1 / 40 Índice 1 Planteamiento e hipótesis básicas 2 Estimación de
Más detallesFormulación matricial del modelo lineal general
Formulación matricial del modelo lineal general Estimadores MCO, propiedades e inferencia usando matrices Mariana Marchionni marchionni.mariana@gmail.com Mariana Marchionni Formulación matricial del modelo
Más detallesMínimos Cuadrados Generalizados
Mínimos Cuadrados Generalizados Román Salmerón Gómez Los dos últimos temas de la asignatura han estado enfocados en estudiar por separado la relajación de las hipótesis de que las perturbaciones estén
Más detallesTEMA 3: PROPIEDADES DEL ESTIMADOR MCO
TEMA 3: PROPIEDADES DEL ESTIMADOR MCO S. Álvarez, A. Beyaert, M. Camacho, M. González, A. Quesada Departamento de Métodos Cuantitativos para la Economía y la Empresa Econometría (3º GADE) Lo que estudiaremos
Más detallesTEMA 2: Propiedades de los estimadores MCO
TEMA 2: Propiedades de los estimadores MCO Econometría I M. Angeles Carnero Departamento de Fundamentos del Análisis Económico Curso 2011-12 Econometría I (UA) Tema 2: Pdades de los estimadores MCO Curso
Más 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 detallesTEMA 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 detallesEconomía Aplicada. Regresión Lineal. Basado en Stock y Watson (cap.4-6), Wooldridge (cap.3-5)
Economía Aplicada Regresión Lineal Basado en Stock y Watson (cap.4-6), Wooldridge (cap.3-5) Outline 1 Modelo de Regresión Lineal Simple Introducción Supuestos Interpretación de los coeficientes Estimación
Más detallesGráfico 1: Evolución del exceso de rentabilidad de la empresa y de la cartera de mercado
Caso 1: Solución Apartado a) - 2 0 2 4 6 0 2 0 4 0 6 0 8 0 1 0 0 p e r i o d E x c e s s r e t u r n, c o m p a n y a e x c e s s r e t u r n m a r k e t p o r t f o l i o Gráfico 1: Evolución del exceso
Más detallesEstadística para la Economía y la Gestión IN 3401
Estadística para la Economía y la Gestión IN 3401 3 de junio de 2010 1 Modelo de Regresión con 2 Variables Método de Mínimos Cuadrados Ordinarios Supuestos detrás del método MCO Errores estándar de los
Más detallesÍndice. Diseños factoriales. José Gabriel Palomo Sánchez E.U.A.T. U.P.M. Julio de 2011
Diseños factoriales José Gabriel Palomo Sánchez gabrielpalomo@upmes EUAT UPM Julio de 2011 Índice 1 Diseños factoriales con dos factores 1 Denición 2 Organización de los datos 3 Ventajas de los diseños
Más detallesEconometría 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 detallesT6. Modelos multiecuacionales
T6. Modelos multiecuacionales Ana J. López y Rigoberto Pérez Dpto Economía Aplicada. Universidad de Oviedo Curso 2010-2011 Curso 2010-2011 1 / 41 Índice 1 Los modelos multiecuacionales: SUR y SEM 2 Modelos
Más detallesHoja 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 detallesExperimentos de Monte Carlo. Walter Sosa-Escudero
Introduccion Test de Breusch-Pagan de heterocedasticidad: LM = 1 2 SCE g,z χ 2 (p 1) g = residuos al cuadrado, z, variables explicativas de la heterocedasticidad. Esta es una aseveracion asintotica. Que
Más detallesEstadística para la Economía y la Gestión IN 3401 Clase 5
Estadística para la Economía y la Gestión IN 3401 Clase 5 21 de octubre de 2009 1 Variables Dummies o cualitativas 2 Omisión de Variables Relevantes Impacto sobre el Insesgamiento Impacto sobre la Varianza
Más detallesEl 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 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 detallesEjercicio 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 detallesECONOMETRÍA I. Tema 3: El Modelo de Regresión Lineal Múltiple: estimación
ECONOMETRÍA I Tema 3: El Modelo de Regresión Lineal Múltiple: estimación Patricia Moreno Juan Manuel Rodriguez Poo Alexandra Soberon Departamento de Economía Alexandra Soberon (UC) ECONOMETRÍA I 1 / 45
Más 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 detallesApéndice sobre ecuaciones diferenciales lineales
Apéndice sobre ecuaciones diferenciales lineales Juan-Miguel Gracia 10 de febrero de 2008 Índice 2 Determinante wronskiano. Wronskiano de f 1 (t), f 2 (t),..., f n (t). Derivada de un determinante de funciones.
Más detallesEconometría Universidad Carlos III de Madrid Soluciones Examen Final 27 de Mayo de 2013
Econometría Universidad Carlos III de Madrid Soluciones Examen Final 27 de Mayo de 2013 1. [6 puntos/sobre 10] Estamos interesados en estudiar el impacto del tamaño de la familia (número de hijos) en la
Más detallesIntroducción a la Inferencia Estadística
MÁSTER EN ESTADÍSTICA PÚBLICA Experto Universitario: Estadística Aplicada y Técnicas de Encuestación 1 Introducción a la Inferencia Estadística Estimación puntual paramétrica M a Teresa Gómez Departamento
Más 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 detallesGrado en Finanzas y Contabilidad
Econometría Grado en Finanzas y Contabilidad Apuntes basados en el libro Introduction to Econometrics: A modern Approach de Wooldridge 5.2 Estimadores de Variables Instrumentales La endogeneidad aparece
Más detallesModelos Lineales para Datos en Paneles. Walter Sosa Escudero. Banco Central de Chile
Modelos Lineales para Datos en Paneles Walter Sosa Escudero. Banco Central de Chile. 2006. - 1 - Datos en paneles Una base de datos en panel contiene informacion para varios individuos (empresas, paises,
Más detallesEstimación MC2E, MVIL en Modelos de Ecuaciones Simultáneas
Estimación MC2E, MVIL en Modelos de Ecuaciones Simultáneas Economía Aplicada III (UPV/EHU) OCW 2013 Contents 1 Mínimos Cuadrados en 2 Etapas 2 Mínimos Cuadrados en 2 Etapas El método de Mínimos Cuadrados
Más detallesTema 10: Introducción a los problemas de Asociación y Correlación
Tema 10: Introducción a los problemas de Asociación y Correlación Estadística 4 o Curso Licenciatura en Ciencias Ambientales Licenciatura en Ciencias Ambientales (4 o Curso) Tema 10: Asociación y Correlación
Más detallesTema 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 detallesPrácticas Tema 6. Modelos de ecuaciones simultáneas
Prácticas Tema 6. Modelos de ecuaciones simultáneas Ana J. López y Rigoberto Pérez Dpto. Economía Aplicada, Universidad de Oviedo PRÁCTICA 6.1- La oferta agregada de determinado producto agrícola (QS)
Más detallesTEMA VI: EL MODELO DE REGRESIÓN LINEAL MÚLTIPLE
ESADÍSICA II EMA VI: EL MODELO DE REGRESIÓN LINEAL MÚLIPLE VI.1.- Introducción. VI..- Hipótesis básicas del modelo de regresión lineal múltiple. VI.3.- El estimador mínimo cuadrático ordinario del modelo
Más detallesExamen de Introducción a la Econometría 8 de septiembre de 2008
NOMBRE DNI: GRUPO Firma: MODELO 1: SOLUCIONES Examen de Introducción a la Econometría 8 de septiembre de 008 Sólo una respuesta es válida. Debe justificar la respuesta de cada pregunta en el espacio que
Más detallesVectores Aleatorios. Definición 1.1. Diremos que el par (X,Y) es un vector aleatorio si X e Y representan variables aleatorias
Universidad de Chile Facultad De Ciencias Físicas y Matemáticas MA3403 - Probabilidades y Estadística Prof. Auxiliar: Alberto Vera Azócar. albvera@ing.uchile.cl Vectores Aleatorios 1. Vectores Aleatorios
Más detallesX Y
Capítulo 2 Distribuciones bivariantes Hasta ahora hemos estudiado herramientas que nos permiten describir las características de un único carácter Sin embargo, en muchos casos prácticos, es necesario estudiar
Más detallesTema 5. Muestreo y distribuciones muestrales
1 Tema 5. Muestreo y distribuciones muestrales En este tema: Muestreo y muestras aleatorias simples. Distribución de la media muestral: Esperanza y varianza. Distribución exacta en el caso normal. Distribución
Más detallesTema 3.2: Modelo lineal general: inferencia y predicción. Universidad Complutense de Madrid 2013
Tema 3.2: Modelo lineal general: inferencia y predicción Universidad Complutense de Madrid 2013 Contraste de hipótesis paramétricas en el MLG (I) Necesitamos añadir a la lista de hipótesis del MLG, la
Más detallesInferencia. Mauricio Olivares. 19 de junio de 2015 ITAM
Inferencia Mauricio Olivares ITAM 19 de junio de 2015 Recuerda de nuestra clase anterior que m(x) = α + βx. Recuerda de nuestra clase anterior que m(x) = α + βx. Esta es una relación poblacional, no hay
Más detallesTema 2 Datos multivariantes
Aurea Grané Máster en Estadística Universidade Pedagógica 1 Aurea Grané Máster en Estadística Universidade Pedagógica 2 Tema 2 Datos multivariantes 1 Matrices de datos 2 Datos multivariantes 2 Medias,
Más detallesSesión IV: Variables Instrumentales Variables Instrumentales
Sesión n Técnica T IV: Variables Instrumentales Lima, 2009 Departamento de Desarrollo Humano Fondo Español para Evaluación de Impacto Ejemplo para ilustrar Queremos evaluar un programa de capacitación
Más detallesVariables Dependientes Limitadas
Variables Dependientes Limitadas Muestras Truncadas y Censuradas: revisión En algunos casos las variables dependientes pueden estar limitadas en su rango. Ejemplos típicos son las limitaciones por la forma
Más detallesAnálisis de la Varianza (ANOVA) y Correlación
Universidad de Chile Rodrigo Assar FCFM MA34B Andrés Iturriaga DIM Víctor Riquelme Análisis de la Varianza (ANOVA) y Correlación Resumen El test ANOVA analiza la relación entre una variable numérica y
Más detallesMODELOS DE ECUACIONES SIMULTANEAS
Universidad de Murcia Workshop Grupo de computación paralela 15 de Diciembre de 2010 1 Modelos de Ecuaciones Simultáneas. 2 3 4 Conceptos previos. La regresión lineal es un método matemático que modeliza
Más detallesMétodos Estadísticos Multivariados
Métodos Estadísticos Multivariados Victor Muñiz ITESM Victor Muñiz (ITESM) Métodos Estadísticos Multivariados Agosto-Diciembre 2011 1 / 20 Victor Muñiz (ITESM) Métodos Estadísticos Multivariados Agosto-Diciembre
Más detallesTema 2: Teorema de estructura de los grupos abelianos finitamente generados.
ESTRUCTURAS ALGEBRAICAS GRADO EN MATEMÁTICAS. CURSO 215/216 Tema 2: Teorema de estructura de los grupos abelianos finitamente generados. 1.1. Grupo abeliano libre. Bases. Definición 1.1. El grupo Z n con
Más detallesTema 1: Distribuciones en el muestreo
Tema 1: Distribuciones en el muestreo 1 (transparencias de A. Jach http://www.est.uc3m.es/ajach/) Muestras aleatorias Estadísticos Concepto de distribución muestral Media muestral Distribución muestral
Más detallesECONOMETRÍA II: ECONOMETRÍA DE SERIES TEMPORALES. Modelos econométricos dinámicos uniecuacionales
ECONOMETRÍA II: ECONOMETRÍA DE SERIES TEMPORALES Modelos econométricos dinámicos uniecuacionales Introducción: Hemos estudiado modelos de tipo: y t = φ 0 + p i=1 φ iy t i + q j=0 θ jɛ t j y t = β x t +
Más 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 detallesUna matriz es un arreglo rectangular de números. Los números en el arreglo se llaman elementos de la matriz. ) ( + ( ) ( )
MATRICES Una matriz es un arreglo rectangular de números. Los números en el arreglo se llaman elementos de la matriz. Ejemplo 1. Algunos ejemplos de matrices ( + ( ) ( + ( ) El tamaño o el orden de una
Más detallesEconometría 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 detallesTEMA 5. Modelos para Datos de Conteo
TEMA 5. Modelos para Datos de Conteo Profesor: Pedro Albarrán Pérez Universidad de Alicante. Curso 2010/2011. Contenido 1 Datos de Conteo 2 Regresión de Poisson 3 Extensiones Datos de Conteo Variable de
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 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 detallesCaso particular: Contraste de homocedasticidad
36 Bioestadística: Métodos y Aplicaciones 9.5.5. Caso particular: Contraste de homocedasticidad En la práctica un contraste de gran interés es el de la homocedasticidad o igualdad de varianzas. Decimos
Más detallesRegresión Lineal Múltiple
Universidad Nacional Agraria La Molina 2011-2 Efectos de Diagnósticos de Dos predictores X 1 y X 2 son exactamente colineales si existe una relación lineal tal que C 1 X 1 + C 2 X 2 = C 0 para algunas
Más detallesTEMA 3. Modelos de Elección Discreta
TEMA 3. Modelos de Elección Discreta Profesor: Pedro Albarrán Pérez Universidad de Alicante. Curso 2010/2011. Contenido 1 Introducción 2 Modelos para respuesta binaria Modelo Lineal de Probabilidad Modelos
Más 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 detallesEl modelo Lineal General
El Lineal General Román Salmerón Gómez Universidad de Granada RSG El lineal uniecuacional múltiple 1 / 68 Estimación del Validación del Explotación del Estimación del Validación del Explotación del RSG
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 detallesTODO ECONOMETRIA TEMA 1: MODELO BASICO DE REGRESIÓN LINEAL MULTIPLE (MBRL)
TODO ECONOMETRIA TEMA 1: MODELO BASICO DE REGRESIÓN LINEAL MULTIPLE (MBRL) NOTA IMPORTANTE - Estas notas son complementarias a las notas de clase del primer semestre correspondientes a los temas de Regresión
Más detallesPrueba de Hipótesis. Para dos muestras
Prueba de Hipótesis Para dos muestras Muestras grandes (n mayor a 30) Utilizar tabla Z Ho: μ1 = μ2 H1: μ1 μ2 Localizar en valor de Zt en la tabla Z Error estándar de la diferencia de medias Prueba de
Más detallesEstadística. Tema 2. Variables Aleatorias Funciones de distribución y probabilidad Ejemplos distribuciones discretas y continuas
Estadística Tema 2 Variables Aleatorias 21 Funciones de distribución y probabilidad 22 Ejemplos distribuciones discretas y continuas 23 Distribuciones conjuntas y marginales 24 Ejemplos distribuciones
Más detallesValoración de estudios basados en el Análisis de Regresión Múltiple (SW Cap. 7)
Valoración de estudios basados en el Análisis de Regresión Múltiple (SW Cap. 7) El Análisis de Regresión múltiple tiene las siguientes ventajas: Brinda una estimación del efecto que sobre Y tiene un cambio
Más detallesJulio Deride Silva. 4 de junio de 2010
Curvas ROC y Regresión Lineal Julio Deride Silva Área de Matemática Facultad de Ciencias Químicas y Farmcéuticas Universidad de Chile 4 de junio de 2010 Tabla de Contenidos Curvas ROC y Regresión Lineal
Más detallesPodemos pues formular los dos problemas anteriores en términos de matrices.
Tema 5 Diagonalización 51 Introducción Valores y vectores propios 511 Planteamiento del problema Problema general de diagonalización Dado un operador lineal f sobre un espacio vectorial V de dimensión
Más detallesModelos Dinámicos. Tema Introducción
Tema 6 Modelos Dinámicos 6.1. Introducción Este tema vuelve a ocuparse de la modelización de relaciones entre variables dentro de un contexto de datos en el tiempo o series temporales. Como ya comentamos
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 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 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 detallesEconometría II. Hoja de Problemas 4
Econometría II. Hoja de Problemas 4 1. Analice si los siguientes procesos son estacionarios y, cuando lo sean, determine la media, la varianza y la función de autocovarianzas. a) v t = ε 1t +tε 2t, siendo
Más detallesun conjunto cuyos elementos denominaremos vectores y denotaremos por es un espacio vectorial si verifica las siguientes propiedades:
CAPÍTULO 2: ESPACIOS VECTORIALES 2.1- Definición y propiedades. 2.1.1-Definición: espacio vectorial. Sea un cuerpo conmutativo a cuyos elementos denominaremos escalares o números. No es necesario preocuparse
Más detallesEjemplo 6.2. Pilar González y Susan Orbe. Dpto. Economía Aplicada III (Econometría y Estadística)
Ejemplo 6.2 Inferencia en el Modelo de Regresión Lineal General Pilar González y Susan Orbe Dpto. Economía Aplicada III (Econometría y Estadística) Pilar González y Susan Orbe OCW 2013 Ejemplo 6.2 Inferencia
Más detallesTEMA 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 detallesESPACIOS VECTORIALES
ESPACIOS VECTORIALES Un espacio vectorial sobre K es una conjunto V que cumple: 1) Existe una regla que asocia a dos elementos u, v V su suma que se denota por u + v, que es también elemento de V y que
Más detallesEstadística. Generalmente se considera que las variables son obtenidas independientemente de la misma población. De esta forma: con
Hasta ahora hemos supuesto que conocemos o podemos calcular la función/densidad de probabilidad (distribución) de las variables aleatorias. En general, esto no es así. Más bien se tiene una muestra experimental
Más detallesUNIVERSIDAD AUTÓNOMA DE MADRID DEPARTAMENTO DE ECONOMÍA CUANTITATIVA CURSO 2010/2011 ECONOMETRIA I. Hoja de Problemas 3 Problemas
UNIVERSIDAD AUTÓNOMA DE MADRID DEPARTAMENTO DE ECONOMÍA CUANTITATIVA CURSO 2010/2011 ECONOMETRIA I Hoja de Problemas 3 Problemas 1. Considera el modelo de regresión con un solo regresor Y i = 0 + 1 X i
Más detallesRegresores deterministas
CAPíTULO 7 Regresores deterministas 7.1. Variables ficticias Los datos estadísticos que se utilizan en un modelo de regresión pueden corresponder a variables cuantitativas y cualitativas. Mientras que
Más detallesEstadística y sus aplicaciones en Ciencias Sociales 5. Estimación. Facultad de Ciencias Sociales, UdelaR
Estadística y sus aplicaciones en Ciencias Sociales 5. Estimación Facultad de Ciencias Sociales, UdelaR Índice 1. Repaso: estimadores y estimaciones. Propiedades de los estimadores. 2. Estimación puntual.
Más detallesMovimiento Browniano o proceso de Wiener
1 Movimiento Browniano o proceso de Wiener Se dice que Z [ ] es un proceso de Wiener o movimiento Browniano si Z es una función definida en algún intervalo I = [, T ] (eventualmente puede ser T = + ),
Más detallesECONOMETRIA. Tema 3: El modelo de regresión lineal múltiple. César Alonso. Universidad Carlos III de Madrid
ECONOMETRIA Tema 3: El modelo de regresión lineal múltiple César Alonso Universidad Carlos III de Madrid César Alonso (UC3M) ECONOMETRIA. Tema 3 1 / 101 Introducción En la mayoría de las relaciones económicas
Más detallesEconometría. Auxiliar 4. Profesor : Mattia Makovec Semestre : Otoño 2010 Auxiliar : Gonzalo Viveros A.
Econometría Auxiliar 4 Profesor : Mattia Makovec Semestre : Otoño 2010 Auxiliar : Gonzalo Viveros A. Pregunta 1 El archivo salarios.xls contiene observaciones mensuales en US$ del salario (Wage) de 935
Más detallesEcuaciones lineales de orden superior
ANEXO GUIA 5 Ecuaciones lineales de orden superior Las ideas presentadas para ecuaciones lineales de segundo orden se pueden generalizar a ecuaciones lineales de orden n d n x n + a n 1(t) dn 1 x n 1 +
Más detalles