MACROECONOMETRÍA. Tema 3: Contrastes y especificación de modelos. Segundo Cuatrimestre (curso 2006/07), Depto. de Economía, UC3M
|
|
- Juan José Castillo Gómez
- hace 6 años
- Vistas:
Transcripción
1 MACROECONOMETRÍA Tema 3: Contrastes y especificación de modelos Segundo Cuatrimestre (curso 2006/07), Depto. de Economía, UC3M Profesor: Genaro Sucarrat (Coordinador: Juan J. Dolado)
2 Introducción: Recordamos: y t = β 0 + β 1 x 1t + + β K x }{{ Kt } Explicación económica + e }{{} t Error de la explicación Nota: los x 1t,..., x Kt pueden ser retardos de y t o variables explicativas/exógenas o ambos Qué caracteriza una buena explicación empírica? precisión empírica (R 2, ˆσ, criterios de información) que el error sea ruido blanco (o por lo menos aproximadamente ruido blanco) que los parámetros β 0,..., β K sean estables
3 Estimación e inferencia: Consideramos la regresión lineal y t = β 0 + β 1 x 1t + + β k x kt + + β K x Kt + ɛ t = β x t + ɛ t con las hipótesis siguientes: i) E(y t x t, x t 1, ɛ t 1,...) = β x t ii) E(ɛ t x t, x t 1, ɛ t 1,...) = 0 iii) E(ɛ t x kt x t, x t 1, ɛ t 1,...) = 0 para todo k en cada t iv) E(ɛ 2 t x t, x t 1, ɛ t 1,...) = σ 2 para todo t v) E(ɛ t ɛ t j x t, x t 1, ɛ t 1,...) = 0 para todo j t
4 Estimación e inferencia (cont.): i) en palabras: que la media condicional de y t es igual a la explicación económica ii) en palabras: que el error condicional de la explicación económica es igual a cero iii) en palabras: que las variables explicativas no aumentan el error de la explicación iv) en palabras: una hipótesis de homocedasticidad v) en palabras: una hipótesis de no autocorrelación
5 Estimación e inferencia (cont.): Si las hipótesis i) v) se cumplen, entonces el estimador de mínimos cuadrados ordinario (MCO) es consistente y Además: ˆβ = (X X) 1 X y ˆσ 2 ( ˆβ k ) = σ 2 (X X) 1 = Var( ˆβ k X) ˆβ k ˆσ( ˆβ t(t K 1) k ) Cuando (T K 1), entonces aproximadamente como N(0, 1) ˆβ k ˆσ( ˆβ k ) se distribuye
6 Consideramos el modelo Estimación e inferencia (cont.): y t = β 0 + β 1 x 1t + β 2 x 2t + β 3 x 3t + β 4 x 4t + ɛ t (1) donde las hipótesis i) v) se cumplen y donde ɛ t N(0, σ 2 ) Muchas veces queremos contrastar más de una hipótesis β k = c a la vez, por ejemplo si β 0 = 0,β 1 = β 2 y β 3 = 2β 4 conjuntamente Más precisamente: H 0 : β 0 = 0, β 1 = β 2, β 3 = 2β 4 H 1 : β 0 0, β 1 β 2, β 3 2β 4
7 Estimación e inferencia (cont.): Una regresión no-restringida y una restringida y t = ˆβ A 0 + ˆβ A 1 x 1t + ˆβ A 2 x 2t + ˆβ A 3 x 3t + ˆβ A 4 x 4t + ˆɛ A t y t = ˆβ B 1 (x 1t + x 2t ) + ˆβ B 3 (x 3t + 2x 4t ) + ˆɛ B t se pueden utilizar para contrastar mas de una hipótesis a la vez Si denotamos la suma de cuadrados residuales de regresiones A y B por SCR A y SCR B, respectivamente, entonces (SCR B SCR A )/g SCR A F (g, T K 1) /(T K 1) donde g es el numero de restricciones lineales independientes
8 En el caso general: Estimación e inferencia (cont.): H 0 : g restricciones lineales independientes se cumplen H 1 : las restricciones no se cumplen SCR R es la suma de cuadrados residuales bajo H 0, y SCR bajo H 1 T es el número de observaciones y K + 1 es el número de parámetros en la regresión no-restringida (H 1 ): (SCR R SCR)/g F (g, T K 1) SCR/(T K 1)
9 Estimación e inferencia (cont.): A veces los residuos no son Gaussianos Si las hipótesis i) v) se cumplen entonces tenemos que, en muestras grandes, (SCR R SCR)/g SCR/(T K 1) se distribuye aproximadamente como una χ 2 (g)
10 Estimación e inferencia (cont.): A veces no conseguimos especificar β x t tal que {ɛ t } sea homocedástico Cuáles son las consecuencias de la heterocedasticidad? Que la precisión del modelo no es constante Que σ 2 (X X) 1 no es una estimación consistente de Var( ˆβ X) Dicho de otra manera, utilizar σ 2 (X X) 1 cuando hay heterocedasticidad puede llevar a conclusiones erróneas sobre los β k Sin embargo, todavía tenemos que (X X) 1 X y es una estimación consistente de β
11 Estimación e inferencia (cont.): White (1980) desarolló un estimador consistente de Var( ˆβ X) cuando {ɛ t } es heterocedástica de una manera desconocida Newey y West (1987) propusieron un estimador más general que es consistente cuando hay, a la vez, heterocedasticidad y autocorrelación de forma desconocida Los estimadores de White (1980) y de Newey y West (1987) permiten calcular estimaciones consistentes de Var( ˆβ X), y hacer contrastes sobre los ˆβ
12 Estimación e inferencia (cont.): Notación: los estimadores de White y Newey-West substituyen el estimador ordinario σ 2 (X X) 1 con, respectivamente, σt,w 2 en el caso de White, y la matriz σt,nw 2 en el caso de Newey-West Nota: si {ɛ t } es homocedastico, entonces σ 2 t,w = σ2 (X X) 1 En EViews existe la opción de estimar modelos con el estimador de White o el de Newey-West en lugar del estimador ordinario: después de especificar el modelo, hacer click en Options, luego en Heteroskedasticity consistent coefficient covariance, y finalmente elegir el estimador deseado En los resultados de EViews, hay una nota que nos indica qué estimador ha sido utilizado
13 Estimación e inferencia (cont.): Si {ɛ t } es heterocedástico entonces la prueba F de g restricciones no es válida En este caso podemos utilizar la prueba de Wald Si las hipótesis i) iii) y v) se cumplen entonces tenemos que, en muestras grandes, el estadístico de Wald (denotado W ) se distribuye aproximadamente como una χ 2 (g) donde g es el número de restricciones Recuerda, iv) es la hipótesis de homocedasticidad y en muestras grandes si iv) se cumple la prueba F es aproximadamente igual a la prueba de Wald Nota: La prueba de Wald tambien se puede utilizar cuando las restricciones son no-lineales, por ejemplo de tipo β 2 β 3 = 0
14 Estimación e inferencia (cont.): A veces no conseguimos especificar β x t tal que {ɛ t } sea no autocorrelada. Es decir, que v) no se cumple Cuales son las fuentes de autocorrelación? faltan retardos de y t en x t faltan otras variables explicativas en x t uno o varios de los parametros β k no son constantes durante la muestra (por ejemplo por razones de cambios estructurales, eventos especiales, etc.) observaciones extremos ( outliers )
15 Estimación e inferencia (cont.): Cuáles son las consecuencias de autocorrelación? Si la fuente de la autocorrelación es que los parámetros no son constantes, y si la falta de constancia es grave, significa que el modelo sirve a basicamente nada Qué hacemos si no conseguimos especificar β x t tal que {ɛ t } sea (aproximadamente) no autocorrelado? A veces añadir terminos MA quita la autocorrelación Nota: esto probablemente afectara las estimaciones de ˆβ y, idealmente, para que esto sea una solución adecuada los parámetros asociados a los terminos MA deberían ser estables (cuesta mucho trabajo a comprobar!)
16 Pruebas comunes de estabilidad: pruebas de Chow, estimación recursiva Diagnóstico: El objetivo principal de diagnosticar un modelo es comprobar que {ɛ t } es ruido blanco, y que los parámetros son estables Si los {ɛ t } deben ser Gaussianos, entonces hay que comprobarlo tambien Pruebas comunes de autocorrelación: prueba de la Q (Box-Pierce, Ljung-Box), prueba LM de Breusch y Godfrey Pruebas comunes de heterocedasticidad: prueba de la Q (Box-Pierce, Ljung-Box), prueba ARCH de Engle, pruebas de White Prueba común de normalidad (residuos Gaussianos): prueba de Jarque-Bera
17 Diagnóstico (cont.): Prueba de la Q de autocorrelación: H 0 : ρ j = 0 para j = 1,..., q H 1 : al menos un ρ j 0 Box-Pierce : Q = T q ˆρ 2 j χ 2 (q) j=1 Ljung-Box : Q = T (T + 2) q j=1 ˆρ 2 j T q χ2 (q) Nota: La prueba de Ljung-Box es una modificación de Box-Pierce y funciona mejor en muestras pequeñas
18 Diagnóstico (cont.): La prueba LM de Breusch-Godfrey consiste en estimar una regresión auxiliar con MCO y en hacer un contraste sobre los parametros de esta regresión Supongamos que ya hemos estimado el modelo y t = ˆβ x t + ˆɛ t La regresión auxiliar para un contraste de autocorrelación de orden q o menor en los residuos tiene la forma ˆɛ t = ˆα x t + q ˆγ jˆɛ t j + û t j=1 con estadístico LM = T R 2 nc y, en muestras grandes (formalmente cuando T ), LM χ 2 (p), donde R 2 nc es R 2 no-centrado
19 Diagnóstico (cont.): Denota τ j = Corr(ɛ 2 t, ɛ 2 t j ). Prueba de la Q de heterocedasticidad autoregresiva ( ARCH ): H 0 : τ j = 0 para j = 1,..., q H 1 : al menos un τ j 0 Nota: homocedasticidad H 0 Box-Pierce : Q = T q j=1 ˆτ 2 j χ 2 (q) Ljung-Box : Q = T (T + 2) q j=1 ˆτ 2 j T q χ2 (q)
20 Diagnóstico (cont.): Prueba LM de Engle de heterocedasticidad autoregresiva: H 0 : τ j = 0 para j = 1,..., q H 1 : al menos un τ j 0 Supongamos que ya hemos estimado el modelo y t = ˆβ x t + ˆɛ t La regresión auxiliar para un contraste de ARCH de orden q o menor en los residuos tiene la forma ˆɛ t = ˆα 0 + ˆα 1ˆɛ 2 t ˆα qˆɛ 2 t q + û t Asintóticamente T R 2 nc χ(q) 2, donde R 2 nc es R 2 no-centrado
21 Diagnóstico (cont.): Prueba de Jarque y Bera: una prueba de normalidad de {ɛ t } La prueba de Jarque y Bera comprueba dos cosas: si E[(ɛ t /σ) 3 ] = 0 (simetría) y si E[(ɛ t /σ) 4 ] = 3 (kurtosis) Medida de simetria: S = 1 T T t=1 ) 3 (ˆɛt ˆσ Entonces Medida de kurtosis: C = 1 T JB = T C 6 (S 2 + T t=1 ) 4 (ˆɛt ˆσ ) (C 3)2 χ 2 (2) 4
22 Diagnóstico (cont.): Prueba de Chow número 1 ( Chow s breakpoint test ): una prueba de si β es constante El objectivo es contrastar si β A = β B, y la prueba tiene 3 pasos: 1. Estimar y t = β x t + ɛ t, t = 1,..., T 2. Estimar y t = β A x t + ɛ A,t, t = 1,..., T A 3. Estimar y t = β B x t + ɛ B,t, t = T A + 1,..., T Si ɛ t, ɛ A,t y ɛ B,t son ruidos blancos Gaussianos, entonces (SCR SCR A SCR B ) (SCR A + SCR B ) (T 2K 2) K + 1 F (K + 1, T 2K 2)
23 Diagnóstico (cont.): Prueba de Chow número 2 ( Chow s forecast test ): una prueba de si β es constante Ventaja comparado con prueba número 1: permite que muestra B sea pequeña, incluso < K + 1 La prueba tiene 2 pasos: 1. Estimar y t = β x t + ɛ t, t = 1,..., T 2. Estimar y t = β A x t + ɛ At, t = 1,..., T A Idea: contrastar si β = β B Si ɛ t, ɛ At y ɛ Bt son ruido blanco Gaussiano, entonces (SCR SCR A ) SCR A (T A K 1) T B F (T B, T A K 1)
24 Diagnóstico (cont.): Estimación recursiva nos permite estudiar la estabilidad de β en una manera directa En resumen, estimación recursiva consiste en estimar β utilizando N = T n,..., T observaciones Nota: en EViews T n = K + 1
25 Modelización: Como desarollamos un buen modelo empirico? En Macroeconometría se puede distinguir entre 3 estrategias principales para el desarollo de modelos empiricos: 1. Modelización de lo general a lo especifico ( GETS ) 2. Modelización de lo simple a lo general ( STOG ) 3. Microfundamentos Nota: las estrategias se pueden combinar
26 Modelización GETS: En resumen el método GETS tiene 3 pasos: 1. Especificar un modelo general y no-restringido ( GUM ) congruente 2. Simplificar/restringir el GUM, por ejemplo quitando variables uno a uno, cada vez comprobando que el modelo resultante queda congruente 3. Comprobar que las simplificaciones del modelo final conjuntamente constituyen restricciones validas (comparado con el GUM)
27 Ventajas del método GETS: Modelización GETS (cont.): las hipótesis son anidados en el GUM derivando el modelo específico consiste en contrastar las hipótesis contenidos en el GUM estimación e inferencia en modelos anidados resulta en contrastes mas correctas y (posiblemente) en inferencia mas poderosa Desventajas: especificando un GUM no-lineal puede ser dificil por razones númericas idealmente la simplificación debería consistir en busqueda por multiples caminos, pero por razones prácticas el investigador normalmente hace solamente una busqueda de un (o algunos) camino(s)
28 Modelización GETS (cont.): Un modelo econometrico no puede contener la verdad, toda la verdad, y nada que la verdad Dicho de otro manera, suponiendo que un modelo es el modelo verdadero no da sentido Esto es la motivación por una definición de verdad econometrica : congruencia Intuitivamente un modelo es congruente si el modelo podría haber producido las observaciones empiricas siempre existe mas que un modelo congruente, y entonces necesitamos criterios para elegir entre ellos. Esto es la motivación por la idea de encompassing
29 Modelización GETS (cont.): Más precisamente un modelo lineal o no-lineal y t = f (β, x t ) + ɛ t se dice congruente si el modelo satisface las condiciones siguientes: 1. La distribución de {ɛ t } es constante (no depende de t) 2. Los parámetros β son constantes 3. Exogenidad debil 4. El modelo tiene una justificación económica 5. El modelo es consistente con los datos Si el modelo tambien explica los resultados obtenido anteriormente por otros modelos, entonces se dice que el modelo es congruent encompassing, o que el modelo encompasses los modelos anteriores
30 Modelización GETS (cont.): Una implementación sencilla del método GETS con busqueda por un camino en un contexto uniecuacional: 1. Especificar un GUM con ruido blanco y con parámetros estables según pruebas de Chow 2. Contrastar restricciones, uno a uno, cada vez comprobando que el error queda ruido blanco 3. Contrastar que las restricciones validas conjuntamente, para comprobar que las restricciones conjuntamente son validas con respecto al GUM ( parsimonious encompassing ) 4. Comprobar que los parametros son estables utilizando pruebas Chow y estimación recursiva
31 Nota: a veces el método STOG puede ser util para especificar el GUM Modelización STOG En resumen el método de lo simple a lo general ( STOG ) consiste en empezar con un modelo simple y aumentarlo paso a paso Ventajas: menos problemas númericos en la estimación de modelos nolineales en muestras pequeñas, posiblemente inferencia mas robusta comparado con el método GETS Desventajas: incorrecta estimación e inferencia inferencia menos poderosa
32 Microfundamentos: Una definición: se dice que un modelo macro tiene microfundamentos si el modelo macro se puede derivar del modelo micro Ventaja: permite un análisis entre niveles Desventajas: pluralidad de microfundamentos, un macromodelo siempre se puede derivar de mas de un modelo micro, y entonces microfundamentos constituyen una restricción al modelo macro posibilidad de inferencia incorrecta entre niveles mayoría de modelos micro no son muy realisticos
33 Referencias: Newey, W. and K. West (1987). A Simple Positive Semi-Definite, Heteroskedasticity and Autocorrelation Consistent Covariance Matrix. Econometrica 55, White, H. (1980). A Heteroskedasticity-Consistent Covariance Matrix and a Direct Test for Heteroskedasticity. Econometrica 48,
ECONOMETRÍA II: ECONOMETRÍA DE SERIES TEMPORALES. Regresión con autocorrelación
ECONOMETRÍA II: ECONOMETRÍA DE SERIES TEMPORALES Regresión con autocorrelación Introducción: Consideramos la regresión y t = β 0 + β 1 x 1t + + β k x kt + + β K x Kt + u t = β x t + u t con las hipótesis
Más detallesECONOMETRÍA II: ECONOMETRÍA DE SERIES TEMPORALES. Modelos VAR
ECONOMETRÍA II: ECONOMETRÍA DE SERIES TEMPORALES Modelos VAR Introducción modelos VAR Hasta ahora hemos estudiado modelos uniecuacionales Ahora vamos a estudiar un modelo multiecuacional que se llama Vector
Más 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 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 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 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 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 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 detallesMÓDULO 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 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 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 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 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 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 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 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 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 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 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 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 detallesNombre y Apellidos:... EXAMEN ECONOMETRÍA II (Enero 2010)
Nombre y Apellidos:... NIU:... Grupo:... EXAMEN ECONOMETRÍA II (Enero 2010) Lea cuidadosamente cada pregunta. Marque muy claramente la respuesta de cada pregunta en la hoja de respuestas. Observe que los
Más detallesECONOMETRÍA II: ECONOMETRÍA DE SERIES TEMPORALES. Modelos ARMA
ECONOMETRÍA II: ECONOMETRÍA DE SERIES TEMPORALES Modelos ARMA Definición: Ruido blanco. Se dice que el proceso {ɛ t } es ruido blanco ( white noise ) si: E(ɛ t ) = 0 Var(ɛ t ) = E(ɛ 2 t ) = σ 2 Para todo
Más 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 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 detallesObligatoria Optativa Extracurricular Curso Seminario Taller. Clave seriación 45 Laboratorio. Horas prácticas de campo
Carta descriptiva Datos de identificación Programa Nombre de la asignatura Tipo de Asignatura Maestría en Economía Aplicada Econometría I Ciclo Primer semestre Obligatoria Optativa Extracurricular Curso
Más 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 detallesSéptima 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 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 detallesTema 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 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 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 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 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 detallesRegresión con heterocedasticidad y autocorrelación
Regresión con heterocedasticidad y autocorrelación Tema 6 Regresión con heterocedasticidad La heterocedasticidad significa que var( i ) cte Es la norma, no la excepción, en especial con datos transversales
Más 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 detallesEjercicio de Residuos Recursivos
Ejercicio de Residuos Recursivos Econometría Citar como: Zamora, MM (00): "Ejercicio de Residuos Recursivos", [en línea] 5campus.org, Econometría [y añadir fecha
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 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 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 detallesEconomía Aplicada. Modelos con variables dependiente binarias. Departamento de Economía Universidad Carlos III de Madrid
Economía Aplicada Modelos con variables dependiente binarias Departamento de Economía Universidad Carlos III de Madrid Ver Stock y Watson (capítulo 11) 1 / 28 Modelos con variables dependiente binarias:
Más detallesCURSO 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 detallesREGRESIÓN LINEAL SIMPLE
REGRESIÓN LINEAL SIMPLE 1. El problema de la regresión lineal simple. Método de mínimos cuadrados 3. Coeficiente de regresión 4. Coeficiente de correlación lineal 5. El contraste de regresión 6. Inferencias
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 detallesUNIVERSIDAD DE VALLADOLID FACULTAD DE CIENCIAS ECONÓMICAS Y EMPRESARIALES DEPARTAMENTO DE ECONOMÍA APLICADA PROYECTO DOCENTE DE ECONOMETRÍA
UNIVERSIDAD DE VALLADOLID FACULTAD DE CIENCIAS ECONÓMICAS Y EMPRESARIALES DEPARTAMENTO DE ECONOMÍA APLICADA PROYECTO DOCENTE DE ECONOMETRÍA LICENCIATURA: ADMINISTRACIÓN Y DIRECCIÓN DE EMPRESAS CURSO: CUARTO
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 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 detallesECONOMETRÍA II PRÁCTICAS DE ORDENADOR. Práctica 3
ECONOMETRÍA II PRÁCTICAS DE ORDENADOR Práctica 3 Considere la ecuación de inversión RINV t = β 1 +β 2 RPIB t +β 3 r t +u t donde RINV es la inversión real privada, RPIB es el PIB real y r es el tipo de
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 detallesSOLUCIÓN DEL EXAMEN PARCIAL DE ECONOMETRIA II
UNIVERSIDAD NACIONAL DE PIURA FACULTAD DE ECONOMIA DPTO. ACAD. DE ECONOMIA SOLUCIÓN DEL EXAMEN PARCIAL DE ECONOMETRIA II 1º El investigador especifica el siguiente modelo: Se le pide: 1.1. Realice la prueba
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 detallesEfecto de la cercanía a las estaciones de Subte y valor de la propiedad residencial en Buenos Aires
> Año 10 / Número 101 / Marzo 2011 Economía de las ciudades Efecto de la cercanía a las estaciones de Subte y valor de la propiedad residencial en Buenos Aires Un estudio según el modelo de valuación hedónico
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 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 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 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 detallesECONOMETRÍA II: ECONOMETRÍA DE SERIES TEMPORALES. Modelación con ARMA
ECONOMETRÍA II: ECONOMETRÍA DE SERIES TEMPORALES Modelación con ARMA Método Box-Jenkins: Un libro que ha tenido una gran influencia es el de Box y Jenkins (1976): Time Series Analysis: Forecasting and
Más detallesDIPLOMADO EN MODELOS ECONOMÉTRICOS DINÁMICOS. Coordinador: M.F. Esperanza Sainz López
INSTITUTO TECNOLÓGICO AUTONOMO DE MÉXICO DIPLOMADO EN MODELOS ECONOMÉTRICOS DINÁMICOS Coordinador: M.F. Esperanza Sainz López Objetivo general: Presentar al alumno algunos modelos cuya estructura dinámica
Más detallesESTADISTICA II. INGENIERIA INFORMATICA, 3 ER Curso
ESTADISTICA II INGENIERIA INFORMATICA, 3 ER Curso 22 - Diciembre - 2.006 Primera Parte - Test Apellidos y Nombre:... D.N.I. :... Nota : En la realización de este examen sólo esta permitido utilizar calculadoras
Más detalles1 Introducción. 2 Modelo. Hipótesis del modelo. MODELO DE REGRESIÓN MÚLTIPLE Julián de la Horra Departamento de Matemáticas U.A.M.
MODELO DE REGRESIÓN MÚLTIPLE Julián de la Horra Departamento de Matemáticas U.A.M. 1 Introducción Abordaremos en este capítulo el modelo de regresión lineal múltiple, una vez que la mayor parte de las
Más detallesCRONOGRAMA DE LA ASIGNATURA TRABAJO DEL ALUMNO DURANTE LA SEMANA. Elegir el proyecto empírico que se va a realizar durante el curso.
1 1 Características de los datos económicos de series temporales. Procesos estocásticos y series temporales. Estacionareidad y ergodicidad. Función de autocorrelación simple (FAC) y parcial (PAC). (Marcar
Más detallesContrastes de restricciones lineales y predicción
Tema 4 Contrastes de restricciones lineales y predicción Contenido 4.1. Contrastes de restricciones lineales................. 78 4.2. Contrastes utilizando Gretl..................... 80 4.3. 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 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 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 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 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 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 detallesDiplomado en Econometría Coordinadora académica: M.F. Esperanza Sainz López
Diplomado en Econometría Coordinadora académica: M.F. Esperanza Sainz López Brindar al alumno los conocimientos de los métodos econométricos fundamentales y de los conceptos estadísticos que éstos requieren,
Más detalles2 Introducción a la inferencia estadística Introducción Teoría de conteo Variaciones con repetición...
Contenidos 1 Introducción al paquete estadístico S-PLUS 19 1.1 Introducción a S-PLUS............................ 21 1.1.1 Cómo entrar, salir y consultar la ayuda en S-PLUS........ 21 1.2 Conjuntos de datos..............................
Más detallesMáster en comunicaciones. Clase 2. Modelos predictores.
Máster en comunicaciones. Clase 2. Modelos predictores. 1. Introducción Uno de los cometidos más importantes de la estadística es la explotación de los datos observados de una o más características de
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 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 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 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 detallesEXAMEN 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 detallesECONOMETRÍA I. Tema 5: Análisis de regresión múltiple con información cualitativa
ECONOMETRÍA I Tema 5: Análisis de regresión múltiple con información cualitativa Patricia Moreno Juan Manuel Rodriguez Poo Alexandra Soberon Departamento de Economía Alexandra Soberon (UC) ECONOMETRÍA
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 detallesMODELO ECONOMÉTRICO. José María Cara Carmona. Adrián López Ibáñez. Explicación del desempleo
José María Cara Carmona Adrián López Ibáñez MODELO ECONOMÉTRICO Explicación del desempleo Desarrollaremos un modelo econométrico para intentar predecir el desempleo. Trataremos los diversos problemas que
Más detallesModelos lineales. Tema 1: Modelo de regresión lineal simple. 6 de febrero de Carmen Armero
Carmen Armero 6 de febrero de 2012 Introducción Un poco de historia Definición y propiedades Mínimos cuadrados Máxima verosimilitud Ejemplo: Masa muscular y edad 1.I La edad es uno de los factores determinantes
Más detallesModelo de regresión lineal aplicado al análisis regional
Universidad Autonoma de Ciudad Juarez From the SelectedWorks of Isaac Sánchez-Juárez Winter December 31, 2014 Modelo de regresión lineal aplicado al análisis regional Isaac Sánchez-Juárez, Universidad
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 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 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 detallesElaboración de un modelo econométrico.
1 Elaboración de un modelo econométrico. Con este documento se presenta una guía que puede servir al alumno de las asignaturas de Econometría para elaborar un informe o proyecto en el que se recojan los
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 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 detalles2 Modelo de Diseño de Experimentos con dos factores sin interacción. Hipótesis del modelo
MODELO DE DISEÑO DE EXPERIMENTOS (VARIOS FACTORES) Julián de la Horra Departamento de Matemáticas U.A.M. 1 Introducción Los modelos de diseño de experimentos sirven, en general, para tratar de explicar
Más detallesUNA PROPUESTA PARA LA MAXIMIZACIÓN DE LA ESTADÍSTICA Q K
Revista Colombiana de Estadística Volumen 24 (2001) N o 1, páginas 45 a 57 UNA PROPUESTA PARA LA MAXIMIZACIÓN DE LA ESTADÍSTICA Q K JOSÉ A. JIMÉNEZ M.* Resumen En este artículo mediante el método de los
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 detallesESTADÍSTICA I Tema 2: Algunas ideas básicas sobre inferencia estadística. Muestreo aleatorio
ESTADÍSTICA I Tema 2: Algunas ideas básicas sobre inferencia estadística. Muestreo aleatorio Muestra aleatoria Conceptos probabiĺısticos básicos El problema de inferencia Estadísticos. Media y varianza
Más detallesDiagnosis en el modelo de regresión lineal normal
Diagnosis en el modelo de regresión lineal normal Log L (θ ) θ 0 θ θ Log L (θ ) Log L B (θ 0 ) Elementos de diagnosis, interpretación y análisis Log L (θ A 0 ) Α Β Justificación del tema Hasta ahora hemos
Más detallesEconometría 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 detallesPROGRAMA DE ASIGNATURA Prosecución de estudios en Economía Segundo semestre de 2016
PROGRAMA DE ASIGNATURA Prosecución de estudios en Economía Segundo semestre de 2016 ECONOMETRIA I Asignatura Carrera Ingeniería Comercial Código 351472 Créditos 7 SCT Tbjo. Directo: 6 hrs. pedag. Tbjo.
Más detallesExamen de Grado Sección de Econometría Agosto y se obtienen los siguientes resultados. Observe que parte de la información ha sido omitida.
Examen de Grado Sección de Econometría Agosto 2015 Pregunta 1. (40 puntos). Suponga que estamos interesados en determinar cuáles características del colegio y/o del hogar determinan el resultado de una
Más detallesSOLUCIÓN EXAMEN IV Nombres: Apellidos: C.I.: Firma: Fecha: 19/11/2004
Nombres: Apellidos: C.I.: Firma: Fecha: 19/11/004 MÉTODOS ESTADÍSTICOS I EXAMEN IV PARTE I: Encierre con un círculo la respuesta correcta (0,5 puntos c/u): 1. (V F) Los contrastes de hipótesis de dos muestras
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 detallesESTADISTICA II. INGENIERIA INFORMATICA, 3 ER Curso Septiembre Primera Parte
ESTADISTICA II INGENIERIA INFORMATICA, 3 ER Curso 13 - Septiembre - 2.004 Primera Parte Apellidos y Nombre:... D.N.I. :... Nota : En la realización de este examen sólo esta permitido utilizar calculadoras
Más detalles1 Introducción. 2 Modelo. Hipótesis del modelo MODELO DE REGRESIÓN LOGÍSTICA
MODELO DE REGRESIÓN LOGÍSTICA Introducción A grandes rasgos, el objetivo de la regresión logística se puede describir de la siguiente forma: Supongamos que los individuos de una población pueden clasificarse
Más detallesPráctica 3: Regresión simple con R
Estadística II Curso 2010/2011 Licenciatura en Matemáticas Práctica 3: Regresión simple con R 1. El fichero de datos Vamos a trabajar con el fichero salinity que se encuentra en el paquete boot. Para cargar
Más detallesModelo clásico de regresión lineal normal (MCRLN)
Capítulo 4 Modelo clásico de regresión lineal normal (MCRLN) La llamada teoría clásica de la inferencia estadística consta de dos ramas, a saber: estimación y pruebas de hipótesis. Hasta el momento hemos
Más detalles