TEMA 4. Modelos para Datos Censurados y de Selección Muestral.
|
|
- Alfonso Roldán Miranda
- hace 5 años
- Vistas:
Transcripción
1 TEMA 4. Modelos para Datos Censurados y de Seleccón Muestral. Profesor: Pedro Albarrán Pérez Unversdad de Alcante. Curso 2010/2011.
2 Contendo 1 Introduccón 2 Modelo Tobt Introduccón Estmacón por Máxma Verosmltud Dferencas con una smple Regresón Lneal Predccones. Efectos Margnales Lmtacones del Modelo Tobt 3 Modelos en Dos Partes 4 Modelos de Seleccón Muestral El Problema de Seleccón Muestral para la Inferenca Causal Modelo de Truncamento Incdental
3 Varables Censuradas y Truncadas En ocasones sólo se observan los verdaderos valores de una varable de nterés para una parte de la muestra dsponble Los modelos de seleccón muestral consttuyen una especalmente mportante generalzacón de estos modelos. Varables Censuradas: para algunas observacones, sólo se sabe que la varable es mayor (o menor) que un valor censura por la derecha (o superor) { Y, s Y < U Y = U, s Y U censura por la zquerda (o nferor) { Y, s Y > L Y = L, s Y L La censura puede producrse por dversos motvos: resulta del proceso de recogda de datos se puede nterpretar como solucón de esquna en una decsón económca
4 Varables Truncadas: la muestra excluye observacones censuradas. en el caso de censura por la derecha (o superor) Y = Y s Y < U en el caso de censura por la zquerda (o nferor) Y = Y s Y > L La censura/truncamento puede consderarse como una stuacón en que falta nformacón (completa) sobre la varable dependente comparada con observar plenamente Y En algunos casos el valor de censura es desconocdo o dferente para cada ndvduo. Formalmente, la varable observada Y resulta de una mxtura de un proceso latente contnuo Y un mecansmo de seleccón (censura o truncamento), modelzado en forma bnara Y = D + L (1 D) Y { D = 1, s Y U 0, s Y < U
5 Introduccón Modelo Tobt: especcacón Varable latente Y Y = β 0 + β 1 X β k X k + U (1) U X 1,..., X k N ( 0, σ 2) (2) Varable observada Y (censurada nferomente en cero) Y = max {0, Y } = max {0, β 0 + β 1 X β k X k + U } la generalzacón a censura superor y/o a que el punto de censura sea dstnto de cero son trvales
6 Introduccón Alternatvamente, se puede representar como { Y, s Y = β 0 + β 1 X β k X k + U > 0 Y = 0, en caso contraro Otra formulacón Y = { Y, s D = 1 0, s D = 0 (3) donde D toma valor 1 s Y > 0 y cero en caso contraro { 1, s β 0 + β 1 X β k X k + U > 0 D = 0, en caso contraro (4)
7 Estmacón por Máxma Verosmltud Exsten dos tpos de observacones: las no censuradas (que concden con la varable latente) las censuradas (con un únco valor). La funcón de densdad debe denrse por partes: { ( ) f y f (y x ) = x, s D = 1 Pr (Y = 0 x ), s D = 0 o tambén f (y x ) = [f (y x )] D [Pr (Y = 0 x )] 1 D Por smplcdad Y = X β + U Por el supuesto de normaldad del termno de error f (y x ) = 1 2πσ 2 exp [ 1 2σ 2 ( y X β ) 2 ] = φ ( X S D = 0, la varable latente debe ser menor o gual que cero: β σ ( X Pr (Y = 0 x ) = Pr (Y 0) = Pr (U X β) = Φ β ) σ ( X = 1 Φ β ) σ )
8 Estmacón por Máxma Verosmltud La contrbucón a la verosmltud de una observacón cualquera (censurada o no) [ ( X f (y x ) = φ β )] D [ ( X 1 Φ β )] 1 D σ σ La funcón de log-verosmltud será log L ( β, σ 2) = ( log L y1,..., y n; β 0, β 1, σ 2) n n = log f (y ) = log f (y ) =1 =1 n [ ( X D log φ =1 β σ ) ( ( X + (1 D ) log 1 Φ Los valores que maxmcen esta funcón serán nuestra estmacón de los parámetros la optmzacón no tene fórmula analítca cerrada Nota: en el modelo Tobt, a dferenca del modelo probt, sí se puede dentcar la varanza del error σ 2 β σ ))] con datos bnaros, no exste sucente varabldad en la varable dependente
9 Dferencas con una smple Regresón Lneal Un modelo de regresón lneal gnorando que hay observacones censuradas ofrece una estmacón sesgada porque consdera los valores censurados como observacones guales al resto
10 Dferencas con una smple Regresón Lneal ¾Se pueden gnorar los valores censurados para estmar? E [Y X ] = E [Y X, Y > 0] Pr (Y > 0) donde E [Y X, Y > 0] = X β + σλ ( X ) β /σ = X β + σ φ ( X ) β/σ Φ ( X ) β /σ Pr (Y > 0) = Φ ( X ) β /σ Utlzar sólo observacones no censuradas tambén ofrece, en general, estmacones sesgadas Además, se omte λ ( X β /σ) que estará correlaconado con las X 1 se perden observacones con nformacón relevante a menor tamaño muestral, mayores errores estándar de las estmacones 2 en ocasones no se observa el punto de censura El problema con varables censuradas NO está en la falta de observabldad, sno en una ncorrecta especcacón Suponer que E [Y X ] es lneal resulta nadecuado cuando la varable latente Y es lneal
11 Predccones Predecr una varable censurada supone predecr s la varable dependente está censurada o no predecr su valor, s no está censurada Para un modelo Tobt se necesta smplemente predecr el índce lneal ω = X β = β 0 + β 1 X β k X k El valor de la varable dependente observada en la parte no censurada es: Ŷ = Ŷ = ω = β 0 + β 1 X β k X k, s ω > 0 La probabldad de la censura: Pr (Y 0) = Φ ( β0 + β 1 X β ) k X k = Φ ( ω )
12 Efectos Margnales Para los modelos censurados, exsten varos efectos margnales de nterés El efecto margnal sobre la varable latente: ( δe Y ) X 1,..., X k = β k δx k no muy relevante porque se observa Y El efecto margnal sobre la probabldad de censura: δ Pr (Y = 0 X 1,..., X k ) δx k = δ Pr (D = 0 X 1,..., X k ) δx k = β k φ (ω ) donde ω = β 0 + β 1 X β k X k es el índce lneal. El efecto margnal sobre la varable truncada (sólo sobre observacones no censuradas) δe (Y X 1,..., X k, Y > 0) [ = 1 ω λ (ω ) λ (ω ) 2] β k δx k donde λ (ω ) = φ (ω ) /Φ (ω ) es la nversa del rato de Mlls. El efecto margnal sobre la varable censurada (sobre observacones censuradas y no censuradas): δe (Y X 1,..., X k ) = Φ (ω ) β k δx k
13 Efectos Margnales Según las cuestones relevantes, estaremos nteresado en todos o sólo en algunos de esos efectos margnales Los efectos margnales pueden calcularse de varas formas evaluado en algún valor relevante de las varables explcatvas evaluado en la meda de las varables explcatvas obtenendo la dstrbucón de efectos margnales evaluados en sus valores observados de cada ndvduo
14 Lmtacones del Modelo Tobt Generalzacones trvales del modelo Tobt Se pueden consderar más de un punto de censura (censura superor e nferor smultáneas) Se puede modelzar el índce lneal con varables explcatvas transformamadas no lnealmente log X 2, β 1 X 1 + β 2 X 2 1, β 1X 1 + β 2 X 1 X 2, etc. La varable dependente puede haber sdo transformada Y no será normal y se necesta conocer su dstrbucón (para escrbr la verosmltud, calcular la probabldad de censura, etc. ) el modelo Tobt para datos log-normales: Y = exp (β 0 + β 1 X β k X k + U ) U X N ( 0, σ 2) Y = { Y s ln Y γ 0, en caso contraro, donde γ es el punto de censura. Nota: se dce que Y sgue una dstrbucón log-normal, s su logartmo ln Y sgue una dstrbucón normal.
15 Lmtacones del Modelo Tobt Problemas del modelo Tobt El modelo Tobt depende crucalmente de los supuestos de normaldad y homocedastcdad del térmno de error en el modelo de regresón lneal, ndependentemente de esos supuestos el estmador de MCO es consstente y se pueden calcular errores estándar robustos en el modelo Tobt, la estmacón e nferenca es nválda s alguno de los dos supuestos es ncorrecto Además mpone el msmo mecansmo para determnar la probabldad de censura y el valor de las observacones no censuradas Los determnantes de la decsón de comprar pueden ser dstntos de los que explcan su valor (ej., tener un contrato ndendo en la compra de una casa) La msma varable puede tener dferentes mpactos sobre cada una de ellas (ej. la edad en la adquscón de seguro de vda)
16 Especcacón de un Modelo en Dos Partes Modelo en dos partes Se dene un ndcador de censura: { 1, s Y > 0 D = 0, s Y = 0 1 La prmera parte es un modelo probt o logt: { 1, s γ 0 + γ 1 W γ q W q + ɛ > 0 D = 0, en caso contraro (5) donde ɛ sgue una dstrbucón normal (probt) o logístca (logt) 2 La segunda parte especca la esperanza condconal de la varable NO censurada Y = exp (β 0 + β 1 X 1, + + β k X k, + U ) s D = 1 (6) Notad que la expresón (6) equvale a E (U X 1,..., X k ) = 0 (7) ln Y = β 0 + β 1 X 1, + + β k X k, + U s D = 1 Las ecuacones (6) (7) mplcan ) E (Y D = 1, X ) = exp (β 0 + β 1 X1, + + β k Xk, + σ2 2 (8)
17 Dferencas con el modelo Tobt El modelo en dos partes 1 No está dendo en funcón de nnguna varable latente todas las ecuacones del modelo se reeren drectamente a varables observables. 2 No mpone que las msmas varables y con el msmo coecente determnen tanto Y como la censura D 3 Tampoco mpone el msmo térmno de error para ambas ecuacones U y ɛ pueden ser dstntos y con dstrbucones dferentes serán, en general ndependentes entre sí 4 Sólo se supone que U en (7) es ndependente en meda de las varables explcatvas no se supone toda la dstrbucón con el Tobt
18 Dferencas con el modelo Tobt El modelo en dos partes es más exble, tanto en sus supuestos como en el número de parámetros S las restrccones del modelo Tobt son correctas, resulta más ecente estmarlo pero no sempre pueden compararse ambos modelos Un modelo en dos partes con el supuesto adconal de normaldad sí es una generalzacón del modelo Tobt para datos log-normales este modelo en dos partes una formulacón más general dentro de la msma clase de modelos como ambos modelos están andados, se puede contrastar s el resto de restrccones del modelo Tobt son correctas Se tene que realzar un contraste de rato de verosmltudes entre ambos modelos se comprueba s las msmas varables y con el msmo coecente están en la ecuacón de censura y en la de valores no censurados
19 Estmacón, Predccones y Efectos Margnales La estmacón pude hacerse por separado (cada parte con sus propas varables y supuestos dstrbuconales) o conjuntamente (en general, suponendo elementos en común) los modelos en dos partes pretenden evtar la complejdad de la estmacón conjunta, pero ésta faclta algunos constrastes de hpótess: relacones entre los coecentes de la prmera y de la segunda parte del modelo Exsten tres magntudes que se pueden querer predecr. 1 La probabldad de censura, cuya predccón puede obtenerse drectamente de la estmacón de la prmera parte del modelo 2 El valor predcho de las observacones no censuradas se obtene drectamente de la estmacón de la segunda parte del modelo 3 El valor predcho de las observacones (censuradas o no), E (Y X, W ), ncorpora ambas expresones prevas. Asmsmo, nos nteresan los tres efectos margnales relaconados con estas magntudes Notad que aquí no exste nnguna varable latente que predecr, n para la cual estmar efecto margnal.
20 Lmtacones Una de las prncpales ventajas del modelo en dos partes resde en que puede estmarse cada parte por separado. El supuesto clave para esto es la ndependenca entre los térmnos de error de cada ecuacón ɛ y U. Sn embargo, exsten stuacones en que este supuesto no es realsta Relajar este supuesto nos lleva a una nueva clase de modelos, que tene gran mportanca en Economía.
21 El Problema de Seleccón Muestral para la Inferenca Causal Problemas de Seleccón Muestral Los problemas de Seleccón de Muestral son habtuales con datos observaconales Seleccón Muestral NO Aleatora Dseño nadecuado de la encuesta (recogda de datos) Falta de respuesta selectva de los ndvduos Truncamento ncdental: no se observa una varable Y debdo al resultado de otra varable Ej.: oferta salaral en funcón de educacón, etc... sólo para los que trabajan Atrton en datos de panel: ndvduos no observados en perodos posterores por razones relaconadas con el estudo Ej.: programa de formacón
22 El Problema de Seleccón Muestral para la Inferenca Causal Seleccón Muestral Exógena vs. Endógena Seleccón Muestral Exógena o basada en las varables ndependentes (explcatvas): seleccón basada en factores ndependentes del térmno de error = MCO consstente y = β 0 + β 1 x + u, E (u x ) = E (u x ) = 0 D = 1 s se observa (y, x ) D y = β 0 + β 1 D x + D u E (D x u ) = 0 sólo s D es una funcón de x E (D x u ) = E [E (D x u x )] = E [D x E (u x )] Seleccón Muestral Endógena o basada en la varable dependente: Ej.: Tobt, MCO sesgado
23 Modelo de Truncamento Incdental Modelo de Truncamento Incdental Una varable latente de nterés (smlar a Tobt) Y Sólo se observa Y = Y s otra varable latente (dferente) supera un umbral D > 0 ECUACIÓN DE SELECCIÓN { 1, s D > 0 D = 0, s D 0 Y ECUACIÓN DE RESULTADOS (varable de nterés) Y = { Y, s D = 1, s D = 0 es una varable truncada: no toma nngún valor (con sentdo) s D = 1 (estrctamente, veremos que está selecconada endógenamente)
24 Modelo de Truncamento Incdental Truncamento Incdental (2) Supuestos Modelo Lneal (con errores adtvos) para varables latentes D = γ 0 + γ 1 W γ q W q + U 1 Y = β 0 + β 1 X β k X k + U 2 errores posblemente correlaconados modelo Tobt: un caso especal cuando D = Y (sólo una ecuacón) Normaldad conjunta y Homocedastcdad de los errores correlaconados [ U1 U 2 ] [( 0 W, X N 0 ) ( 1 σ12, σ 12 σ 2 2 )] la varanza σ 2 1 = 1 está normalzada a 1, como en el probt: sólo se observa el sgno de D
25 Sesgo de MCO. Estmacón en Dos Etapas Estmacón por MCO La esperanza condconal de la varable de nterés (observada, truncada): E (Y X, W, D = 1) = β 0 +β 1 X 1 + +β k X k +E (U 2 X, W, D = 1) Aunque E (U 2 X, W ) = 0 porque U 2 es ndependente de X y W, el últmo térmno no es gual a cero porque U 2 con D a través de su correlacón con U 1 Se puede comprobar que: SÍ está relaconado E (U 2 X, W, D = 1) = ρλ (ω 1 ) donde ω 1 = γ 0 + γ 1 W γ q W q λ (z) = φ(z) /Φ(z) ρ = σ12 / σ 2 2
26 Sesgo de MCO. Estmacón en Dos Etapas Sesgo en MCO Sabemos que la esperanza condconal es E (Y X, W, D = 1) = β 0 + β 1 X β k X k + ρλ ( γ 0 + γ 1 W γ q W q ) ¾Qué sucede s estmamos por mínmos cuadrados ordnaros la ecuacón Y en funcón de las varables X? Y = π 0 + π 1 X π k X k + ɛ π j?? β j S ρ 0, la seleccón muestral es mportante y el estmador MCO estará sesgado por la omsón de una varable relevante λ (ω 1 ) correlaconada con las varables explcatvas X Tampoco se puede nclur drectamente λ (ω 1 ) porque los parámetros γ en ω 1 NO son conocdos
27 Sesgo de MCO. Estmacón en Dos Etapas Estmacón en Dos Etapas El procedmento de Estmacón en Dos Etapas para la correccón de sesgo por Seleccón Muestral es: 1 Estmar ncalmente sólo la ecuacón de seleccón (Probt) para toda la muestra Pr (D = 1 W ) = Pr (D > 0 W ) = Φ ( γ 0 + γ 1 W γ q W q ) se puede predecr para cada ndvduo el valor del índce lneal ω 1 = γ 0 + γ 1 W γ q W q y calcular una varable con el valor para cada ndvduo del rato de Mlls predcho λ = λ ( ω 1 ) 2 Estmar por MCO la ecuacón de resultados para la varable Y en la muestra selecconada ncluyendo como varables explcatvas X y λ Y = δ 0 + δ 1 X δ k X k + δ k+1 λ + ε
28 Sesgo de MCO. Estmacón en Dos Etapas Estmacón en Dos Etapas (2) La estmacón por MCO sí es consstente δj β j, j = 1,..., k δk+1 ρ Se puede contrastar fáclmente s exste seleccón muestral H 0 : ρ = 0 Sn embargo, la estmacón en dos etapas NO es ecente: estmando conjuntamente las dos ecuacones la varanza de los parámetros estmados es menor Además, los errores estándar de MCO no están adecuadamente calculados: necestan una correccón (dstnta y más compleja que calcular errores estándar robustos) para controlar que se utlza una varable predcha λ en lugar de una realmente observada
29 Estmacón Conjunta por Máxma Verosmltud Estmacón Conjunta (Máxma Verosmltud) Para un ndvduo, debemos calcular la probabldad de observar conjuntamente tanto la varable de seleccón D como la varable de resultado Y { Pr (D = 0 W ), s D = 0 f (y, d W, X ) = Pr (D = 1 W ) f (y X, D = 1), s D = 1 La funcón de verosmltud para todos los parámetros es: L ( β, γ, σ 12, σ2) 2 = n [ [Pr (D = 0 W ; γ)] 1 D Pr (D = 1 W ; γ) f ( y X, D = 1; β, σ 12, σ2)] 2 D =1 La estmacón conjunta del modelo de truncamento ncdental explota el supuesto de normaldad conjunta de los errores Esto permte escrbr la forma concreta de la funcón de (log-)verosmltud
30 Identcacón del Modelo Lmtacones del Modelo de Truncamento Incdental Supuestos crucales para la estmacón del modelo: normaldad conjunta y homocedastcdad S estos supuestos no son certos, las estmacones no son consstentes Incluso en la estmacón en dos etapas: Y = δ 0 + δ 1 X δ k X k + δ k+1 λ + ε el térmno de correccón por seleccón muestral adtvo λ = λ (γ 0 + γ 1 W γ q W q ) depende, en su expresón-forma funconal, del supuesto de normaldad λ (z) = φ (z) Φ (z)
31 Identcacón del Modelo Lmtacones (2) Sn normaldad, se tendrá (en muchas ocasones) que E (Y X, W, D = 1) = β 0 + β 1 X β k X k + g ( γ 0 + γ 1 W γ q W q ) la funcón g ( ) no está restrngda a ser la nversa del rato de Mlls Pero esta formulacón no es completamente general: el térmno de correccón por seleccón muestral aparece adtvamente g ( ) está restrngda a depender del índce lneal de la ecuacón de seleccón Problema: no se conoce la forma concreta de g ( ), a menos que hagamos otro supuesto sobre la dstrbucón conjunta de los errores
32 Identcacón del Modelo Identcacón Cuando W = X, exsten problemas de adecuada dentcacón general del modelo Aunque g ( ) sea una funcón no lneal, se puede aproxmar lnealmente y/o g (γ 0 + γ 1 W γ q W q ) estará correlaconado con las X (o alguna de ellas) Esto supone un problema porque puede exstr multcolnealdad entre la correccón g (ω 1 ) y las varables explcatvas X no está claro s g (ω 1 ) realmente recoge el efecto de seleccón muestral o un térmno polnomal (omtdo) de las varables X Una forma concreta de g ( ) sólo es creíble cuando X = W s tambén aceptamos el supuesto dstrbuconal que genera dcha forma funconal concreta.
33 Identcacón del Modelo Identcacón (2) La adecuada dentcacón del modelo requere que las varables X sean un subconjunto de las varables W 1 Todas las varables X se ncluyen en la ecuacón de seleccón (Probt) 2 Restrccones de exclusón: algunas varables W (nstrumentos) no se ncluyen en la ecuacón de resultados para Y (Lneal) Las restrccones de exclusón permten una varacón adconal en g (ω 1 ), dstnta de la varacón de las X evta confundr g (ω 1 ) con las varables X o funcones de ésta el modelo de seleccón es más creíble ncluso s no se acepta el supuesto dstrbuconal: g ( ) será una buena aproxmacón a al verdadera forma funconal de la correccón PERO las restrccones de exclusón no son contrastables: se decden a pror y s no son certas el modelo estmado estará sesgado. La teoría económca (o algún razonamento) debería guar qué varables pueden afectar la seleccón, pero no el resultado
34 Predccones y Efectos Margnales Predccones y Efectos Margnales En esenca, no exsten dferenca con lo que ya sabemos para otros modelos. Según nuestro nterés, se puede querer predecr: la probabldad de seleccón (ecuacón probt) el valor de la varable de nterés truncada (ecuacón con correccón) el valor de la varable latente de nterés alguna combnacón de las anterores Tambén según el caso, puede nteresarnos los efectos margnales asocados a cada una de las expresones anterores En todos los casos, se necesta una adecuada estmacón (consstente, no sesgada) de los parámetros relevantes.
CURSO INTERNACIONAL: CONSTRUCCIÓN DE ESCENARIOS ECONÓMICOS Y ECONOMETRÍA AVANZADA. Instructor: Horacio Catalán Alonso
CURSO ITERACIOAL: COSTRUCCIÓ DE ESCEARIOS ECOÓMICOS ECOOMETRÍA AVAZADA Instructor: Horaco Catalán Alonso Modelo de Regresón Lneal Smple El modelo de regresón lneal representa un marco metodológco, que
Más detallesModelos lineales Regresión simple y múl3ple
Modelos lneales Regresón smple y múl3ple Dept. of Marne Scence and Appled Bology Jose Jacobo Zubcoff Modelos de Regresón Smple Que tpo de relacón exste entre varables Predccón de valores a partr de una
Más detallesFigura 1
5 Regresón Lneal Smple 5. Introduccón 90 En muchos problemas centífcos nteresa hallar la relacón entre una varable (Y), llamada varable de respuesta, ó varable de salda, ó varable dependente y un conjunto
Más detallesEconometría de corte transversal. Pablo Lavado Centro de Investigación de la Universidad del Pacífico
Econometría de corte transversal Pablo Lavado Centro de Investgacón de la Unversdad del Pacífco Contendo Defncones báscas El contendo mínmo del curso Bblografía recomendada Aprendendo econometría Defncones
Más detallestruncación inferior en el punto a=25 es igual a El grado de truncación es del
ECONOMETTRÍ ÍA III II.. Cuurrssoo 22000022- -0033 (f( f cchheer roo: : ccuueesst t oonneess lleecccc l 33) ) CUESTTI IONES SOBRE LLA LLECCI IÓN 33: : MODELLOS DE VARIABLLE DEPENDIENTTE LLI IMITTADA 1.
Más detalles1.Variables ficticias en el modelo de regresión: ejemplos.
J.M.Arranz y M.M. Zamora.Varables fctcas en el modelo de regresón: ejemplos. Las varables fctcas recogen los efectos dferencales que se producen en el comportamento de los agentes económcos debdo a dferentes
Más detallesPUBLICACIONES DE 4º CURSO
PUBLICACIONES DE 4º CURSO Grado: DERECHO-ADE Asgnatura: ECONOMERÍA Grupos: Únco ema: ESQUEMA EMA Profesores: Inmaculada Vllanúa Departamento de ANÁLISIS ECONÓMICO Curso Académco 04/5 ema : El Modelo Lneal
Más detallesAspectos fundamentales en el análisis de asociación
Carrera: Ingenería de Almentos Perodo: BR01 Docente: Lc. María V. León Asgnatura: Estadístca II Seccón A Análss de Regresón y Correlacón Lneal Smple Poblacones bvarantes Una poblacón b-varante contene
Más detallesCAPÍTULO 4 MARCO TEÓRICO
CAPÍTULO 4 MARCO TEÓRICO Cabe menconar que durante el proceso de medcón, la precsón y la exacttud de cualquer magntud físca está lmtada. Esta lmtacón se debe a que las medcones físcas sempre contenen errores.
Más detallesTema 3: Procedimientos de Constrastación y Selección de Modelos
Tema 3: Procedmentos de Constrastacón y Seleccón de Modelos TEMA 3: PROCEDIMIENTOS DE CONTRASTACIÓN Y SELECCIÓN DE MODELOS 3) Introduccón a los Modelos con Restrccones Estmacón Restrngda 3) Contrastes
Más detallesModelo Lineal Múltiple. Clase 03. Profesor: Carlos R. Pitta. ICPM050, Econometría. Universidad Austral de Chile Escuela de Ingeniería Comercial
Unversdad Austral de Chle Escuela de Ingenería Comercal ICPM050, Econometría Clase 03 Modelo Lneal Múltple Profesor: Carlos R. Ptta Econometría, Prof. Carlos R. Ptta, Unversdad Austral de Chle. Análss
Más detallesEstadística con R. Modelo Probabilístico Lineal
Estadístca con R Modelo Probablístco Lneal Modelo Probablístco Lneal Forma de la funcón: Y b 0 +b 1 X +e Varable dependente, endógena o a explcar dcotómca : Y, S Y 0 e -b 0 - b 1 X con probabldad p. S
Más detallesANEXO A: Método de Interpolación de Cokriging Colocado
ANEXO A: Método de Interpolacón de Corgng Colocado A. Conceptos Báscos de Geoestadístca Multvarada La estmacón conunta de varables aleatoras regonalzadas, más comúnmente conocda como Corgng (Krgng Conunto),
Más detallesEXAMEN FINAL DE ECONOMETRIA, 3º CURSO (GRADOS EN ECO y ADE) 6 de Junio de :00 horas. Pregunta 19 A B C En Blanco. Pregunta 18 A B C En Blanco
EXAMEN FINAL DE ECONOMETRIA, 3º CURSO (GRADOS EN ECO y ADE) 6 de Juno de 3 9: horas Prmer Apelldo: Nombre: DNI: Teléfono: Segundo Apelldo: Grupo y Grado: Profesor(a): e mal: Pregunta A B C En Blanco Pregunta
Más detallesEl Impacto de las Remesas en el PIB y el Consumo en México, 2015
El Impacto de las Remesas en el y el Consumo en Méxco, 2015 Ilana Zárate Gutérrez y Javer González Rosas Cudad de Méxco Juno 23 de 2016 1 O B J E T I V O Durante muchos años la mgracón ha sdo vsta como
Más detallesTEMA 2. Análisis de Causalidad y Evaluación de Políticas Públicas.
TEMA 2. Análss de Causaldad y Evaluacón de Polítcas Públcas. Profesor: Pedro Albarrán Pérez Unversdad de Alcante. Curso 2010/2011. Contendo 1 Introduccón 2 Efectos de Tratamento 3 Conexón entre Efectos
Más detallesEjemplo: Consumo - Ingreso. Ingreso. Consumo. Población 60 familias
Ejemplo: Consumo - Ingreso Ingreso Consumo Poblacón 60 famlas ( YX ) P = x [ YX ] E = x Línea de regresón poblaconal 80 60 Meda Condconal 40 20 00 [ X = 200] EY o o o o [ X = 200] EY 80 o o o 60 o 40 8
Más detalles1 EY ( ) o de E( Y u ) que hace que g E ( Y ) sea lineal. Por ejemplo,
Modelos lneales generalzados En los modelos no lneales (tanto en su formulacón con coefcentes fjos o coefcentes aleatoros) que hemos vsto hasta ahora, exsten algunos que se denomnan lnealzables : son modelos
Más detallesEXAMEN FINAL DE ECONOMETRIA, 3º CURSO (GRADOS EN ECO y ADE) 17 de Mayo de :00 horas
EXAMEN FINAL DE ECONOMETRIA, 3º CURSO (GRADOS EN ECO y ADE) 7 de Mayo de 08 9:00 horas Prmer Apelldo: Nombre: DNI: Teléfono: Segundo Apelldo: Grupo y Grado: Profesor(a): e-mal: Pregunta A B C En Blanco
Más detallesModelo de Variables Instrumentales
Modelo de Varables Instrumentales Contraste de endogenedad El estmador de MCE es menos efcente que el de MCO cuando las varables explcatvas son exógenas. Las estmacones de MCE pueden tener errores estándar
Más detallesH 0 : La distribución poblacional es uniforme H 1 : La distribución poblacional no es uniforme
Una hpótess estadístca es una afrmacón con respecto a una característca que se desconoce de una poblacón de nterés. En la seccón anteror tratamos los casos dscretos, es decr, en forma exclusva el valor
Más detallesUSOS Y EXTENSIONES DEL MODELO LINEAL CON K VARIABLES
Unversdad de San Andrés Departamento de Economía Econometría Semestre de otoño USOS Y ETENSIONES DEL MODELO LINEAL CON K VARIABLES Marana Marchonn marana@depeco.econo.unlp.edu.ar Varables explcatvas bnaras
Más detallesEfectos fijos o aleatorios: test de especificación
Cómo car?: Montero. R (2011): Efectos fjos o aleatoros: test de especfcacón. Documentos de Trabajo en Economía Aplcada. Unversdad de Granada. España Efectos fjos o aleatoros: test de especfcacón Roberto
Más detallesRegresión múltiple k k
Métodos de Regresón Estadístca Ismael Sánchez Borrego Regresón múltple El modelo de regresón múltple es la extensón a k varables explcatvas del modelo de regresón smple estudado en el apartado anteror.
Más detallesEXAMEN FINAL DE ECONOMETRIA, 3º CURSO (GRADOS EN ECO y ADE) 20 DE JUNIO DE horas
EXAMEN FINAL DE ECONOMETRIA, 3º CURSO (GRADOS EN ECO y ADE) 0 DE JUNIO DE 018 15.30 horas Prmer Apelldo: Nombre: DNI: Teléfono: Segundo Apelldo: Grupo y Grado: Profesor(a): e-mal: Pregunta 1 A B C En Blanco
Más detallesMODELOS PARA DATOS DE RECUENTO
ECONOMETRÍA III Curso 2008/09 MODELOS PARA DATOS DE RECUENTO Profesores: Víctor J. Cano Fernández y M. Carolna Rodríguez Donate Dpto. de Economía de las Instrtucones, Estadístca Económca y Econometría
Más detallesExamen Final de Econometría Grado
Examen Fnal de Econometría Grado 17 de Mayo de 2016 15.30 horas Apelldos: Grado (ADE/ ECO): Nombre del profesor(a): Nombre: Grupo: Emal: Antes de empezar a resolver el examen, rellene TODA la nformacón
Más detallesEXAMEN FINAL DE ECONOMETRIA, 3º CURSO (GRADOS EN ECO y ADE) 19 de Septiembre de :30 horas. Pregunta 19 A B C En Blanco
EXAMEN FINAL DE ECONOMETRIA, 3º CURSO (GRADOS EN ECO y ADE) 19 de Septembre de 01 15:30 horas Prmer Apelldo: Nombre: DNI: Teléfono: Segundo Apelldo: Grupo y Grado: Profesor(a): e mal: Pregunta 1 A B C
Más detallesSolución de los Ejercicios de Práctica # 1. Econometría 1 Prof. R. Bernal
Solucón de los Ejerccos de ráctca # 1 Econometría 1 rof. R. Bernal 1. La tabla de frecuencas está dada por: Marca A Marca B
Más detallesMedidas de Variabilidad
Meddas de Varabldad Una medda de varabldad es un ndcador del grado de dspersón de un conjunto de observacones de una varable, en torno a la meda o centro físco de la msma. S la dspersón es poca, entonces
Más detallesVII. Solución numérica de ecuaciones diferenciales
VII. Solucón numérca de ecuacones derencales VII. Antecedentes Sea dv dt una ecuacón derencal de prmer orden : g c m son constantes v es una varable dependente t es una varable ndependente c g v I m Las
Más detallesReconciliación de datos experimentales. MI5022 Análisis y simulación de procesos mineralúgicos
Reconclacón de datos expermentales MI5022 Análss y smulacón de procesos mneralúgcos Balances Balances en una celda de flotacón En torno a una celda de flotacón (o un crcuto) se pueden escrbr los sguentes
Más detallesProblema: Existe relación entre el estado nutricional y el rendimiento académico de estudiantes de enseñanza básica?
Relacones entre varables cualtatvas Problema: xste relacón entre el estado nutrconal y el rendmento académco de estudantes de enseñanza básca? stado Nutrconal Malo Regular Bueno TOTAL Bajo 13 95 3 55 Rendmento
Más detallesCURSO 2007 PRACTICO 12 MODELOS DE VARIABLE DEPENDIENTE CUALITATIVA EJERCICIO 1 A)
Unversdad de la Repúblca, Facultad de Cencas Económcas y Admnstracón. ECONOMETRÍA II - CURSO 7 PRACTICO MODELOS DE VARIABLE DEPENDIENTE CUALITATIVA EJERCICIO A) Una nvestgacón sobre el mercado laboral
Más detallesTema 4 MODELOS CON DATOS DE RECUENTO
ECONOMETRÍA II Prof.: Begoña Álvarez 2007-2008 Tema 4 MODELOS CON DATOS DE RECUENTO 1. Datos de recuento: ejemplos 2. Por qué utlzamos modelos específcos para datos de recuento? 3. Modelo Posson 4. Modelo
Más detalles( ) MUESTREO ALEATORIO SIMPLE SIN REEMPLAZO ( mas ) y Y. N n. S y. MUESTREO ALEATORIO SIMPLE SIN REEMPLAZO ( mas )
MUETREO ALEATORIO IMPLE I Este esquema de muestreo es el más usado cuando se tene un marco de muestreo que especfque la manera de dentfcar cada undad en la poblacón. Además no se tene conocmento a pror
Más detallesMUESTREO EN POBLACIONES FINITAS
MUESTREO EN POBLACIONES FINITAS Antono Morllas A.Morllas: Muestreo 1 MUESTREO EN POBLACIONES FINITAS 1. Conceptos estadístcos báscos. Etapas en el muestreo 3. Tpos de error 4. Métodos de muestreo 5. Tamaño
Más detallesAnálisis cuantitativo aplicado al Comercio Internacional y el Transporte
Máster de Comerco, Transporte y Comuncacones Internaconales Análss cuanttatvo aplcado al Comerco Internaconal y el Transporte Ramón úñez Sánchez Soraya Hdalgo Gallego Departamento de Economía Introduccón
Más detallesAnálisis de Weibull. StatFolio de Muestra: Weibull analysis.sgp
Análss de Webull Resumen El procedmento del Análss de Webull está dseñado para ajustar una dstrbucón de Webull a un conjunto de n observacones. Es comúnmente usado para analzar datos representando tempos
Más detallesEJERCICIO 1 1. VERDADERO 2. VERDADERO (Esta afirmación no es cierta en el caso del modelo general). 3. En el modelo lineal general
PRÁCTICA 6: MODELO DE REGRESIÓN MÚLTIPLE SOLUCIÓN EJERCICIO. VERDADERO. VERDADERO (Esta afrmacón no es certa en el caso del modelo general. 3. En el modelo lneal general Y =X β + ε, explcar la forma que
Más detallesEstadísticos muéstrales
Estadístcos muéstrales Una empresa dedcada al transporte y dstrbucón de mercancías, tene una plantlla de 50 trabajadores. Durante el últmo año se ha observado que 5 trabajadores han faltado un solo día
Más detallesInstituto Tecnológico Superior del Sur del Estado de Yucatán EGRESIÓN LINEAL REGRESI. 10 kg. 10 cm
Insttuto Tecnológco Superor del Sur del Estado de Yucatán REGRESI EGRESIÓN LINEAL 100 90 80 70 60 10 kg. 50 40 10 cm. 30 140 150 160 170 180 190 200 Objetvo de la undad Insttuto Tecnológco Superor del
Más detallesAJUSTE DE LA CURVA DE PROBABILIDAD DEL ESCURRIMIENTO MEDIO HIPERANUAL ANUAL SEGÚN LA TEORÍA S B JOHNSON.
AJUSTE DE LA CURVA DE PROBABILIDAD DEL ESCURRIMIENTO MEDIO HIPERANUAL ANUAL SEGÚN LA TEORÍA S B JOHNSON. Revsta Voluntad Hdráulca No. 57, 98. Págnas 58-64 RESUMEN Se nforma sobre el desarrollo del método
Más detallesRECETA ELECTRÓNICA: IMPACTO SOBRE EL GASTO FARMACEÚTICO
RECETA ELECTRÓNICA: IMPACTO SOBRE EL GASTO FARMACEÚTICO Introduccón Dseño del estudo Especfcacón del modelo Resultados Introduccón Dseño del estudo Especfcacón del modelo Resultados Introduccón: Esquema
Más detallesSolución Taller No. 10 Econometría II Prof. Bernal
Solucón Taller No. 0 Econometría 2007 II Prof. Bernal. a. El modelo que hay que estmar es el sguente: partcpa = B + B edad _ nno + B genero _ nno + B * edad _ mama + B secundara + B casada + B trabaja
Más detallesPyE_ EF2_TIPO1_
UNIVERSIDAD NACIONAL AUTÓNOMA DE MÉICO FACULTAD DE INGENIERÍA DIVISIÓN DE CIENCIAS BÁSICAS COORDINACIÓN DE CIENCIAS APLICADAS DEPARTAMENTO DE PROBABILIDAD Y ESTADÍSTICA SEGUNDO EAMEN FINAL RESOLUCIÓN SEMESTRE
Más detallesRegresión de Datos de Vida
Regresón de Datos de Vda Resumen El procedmento Regresón de Datos de Vda está dseñado para ajustar un modelo estadístco paramétrco relaconado con tempos de falla a una o más varables predctoras. Los predctores
Más detallesTema 2: El modelo clásico de regresión
CURSO 010/011 Tema : El modelo clásco de regresón Aránzazu de Juan Fernández ECONOMETRÍA I ESQUEMA DEL TEMA Presentacón del modelo Hpótess del modelo Estmacón MCO Propedades algebracas de los estmadores
Más detallesEL MODELO DE REGRESIÓN LINEAL SIMPLE
Unversdad Carlos III de Madrd César Alonso ECONOMETRIA EL MODELO DE REGRESIÓN LINEAL SIMLE Índce 1. Relacones empírcas y teórcas......................... 1 2. Conceptos prevos................................
Más detallesMODELOS DE ELECCIÓN BINARIA
MODELOS DE ELECCIÓN BINARIA Econometría I UNLP http://www.econometra1.depeco.econo.unlp.edu.ar/ Modelos de Eleccón Bnara: Introduccón Estamos nteresados en la probabldad de ocurrenca de certo evento Podemos
Más detallese i para construir el modelo econométrico que se escribe a continuación:
5.3 Especfcacón del modelo empírco Para este análss se formló n modelo econométrco de seccón crzada, porqe las observacones corresponden a las característcas de las personas encestadas en n msmo período
Más detallesProblemas donde intervienen dos o más variables numéricas
Análss de Regresón y Correlacón Lneal Problemas donde ntervenen dos o más varables numércas Estudaremos el tpo de relacones que exsten entre ellas, y de que forma se asocan Ejemplos: La presón de una masa
Más detallesEconomía Aplicada. Estimador de diferencias en diferencias. Ver Wooldridge cap.13. Departamento de Economía Universidad Carlos III de Madrid 1 / 19
Economía Aplcada Estmador de dferencas en dferencas Departamento de Economía Unversdad Carlos III de Madrd Ver Wooldrdge cap.13 1 / 19 Análss de Polítca: Dferencas-en-Dferencas En muchos casos la varable
Más detallesTema 8: Heteroscedasticidad
Tema 8: Heteroscedastcdad Máxmo Camacho Máxmo Camacho Econometría I - ADE+D / - Tema 8 Heteroscedastcdad Bloque I: El modelo lneal clásco r Tema : Introduccón a la econometría r Tema : El modelo de regresón
Más detallesInferencia en Regresión Lineal Simple
Inferenca en Regresón Lneal Smple Modelo de regresón lneal smple: Se tenen n observacones de una varable explcatva x y de una varable respuesta y, ( x, y)(, x, y),...,( x n, y n ) el modelo estadístco
Más detallesMuestra: son datos de corte transversal correspondientes a 120 familias españolas.
Capítulo II: El Modelo Lneal Clásco - Estmacón Aplcacones Informátcas 3. APLICACIONES INFORMÁTICAS Fchero : cp.wf (modelo de regresón smple) Seres: : consumo famlar mensual en mles de pesetas RENTA: renta
Más detallesCAPÍTULO 5 REGRESIÓN CON VARIABLES CUALITATIVAS
CAPÍTULO 5 REGRESIÓN CON VARIABLES CUALITATIVAS Edgar Acuña Fernández Departamento de Matemátcas Unversdad de Puerto Rco Recnto Unverstaro de Mayagüez Edgar Acuña Analss de Regreson Regresón con varables
Más detallesTema 5: PROBLEMAS EN LA ESTIMACIÓN DEL MODELO DE REGRESIÓN LINEAL SIMPLE
Introduccón a la Econometría Tema 5: PROBLEMAS E LA ESTIMACIÓ DEL MODELO Tema 5: PROBLEMAS E LA ESTIMACIÓ DEL MODELO DE REGRESIÓ LIEAL SIMPLE. Problemas en la especfcacón del modelo. La prmera etapa de
Más detallesTema 5: Incumplimiento de las Hipótesis sobre el Término de Perturbación
Tema 5: Incumplmento de las Hpótess sobre el Térmno de Perturbacón TEMA 5: INCMPLIMIENTO DE LAS HIPÓTESIS SOBRE EL TÉRMINO DE PERTRBACIÓN 5.) Introduccón 5.) El Modelo de Regresón Lneal Generalzado 5.3)
Más detallesEstimación no lineal del estado y los parámetros
Parte III Estmacón no lneal del estado y los parámetros 1. Estmacón recursva El ltro de Kalman extenddo 12 es una técnca muy utlzada para la la estmacón recursva del estado de sstemas no lneales en presenca
Más detallesPRÁCTICA 16: MODELO DE REGRESIÓN MÚLTIPLE SOLUCIÓN
PRÁCTICA 6: MODELO DE REGRESIÓN MÚLTIPLE SOLUCIÓN EJERCICIO. VERDADERO. VERDADERO (Esta afrmacón no es certa en el caso del modelo general). 3. En el modelo lneal general Y = X b + e, explcar la forma
Más detallesTema 6. Estadística descriptiva bivariable con variables numéricas
Clase 6 Tema 6. Estadístca descrptva bvarable con varables numércas Estadístca bvarable: tpos de relacón Relacón entre varables cuanttatvas Para dentfcar las característcas de una relacón entre dos varables
Más detallesLicenciatura en Administración y Dirección de Empresas INTRODUCCIÓN A LA ESTADÍSTICA EMPRESARIAL
INTRODUCCIÓN A LA ESTADÍSTICA EMPRESARIAL Relacón de Ejerccos nº 2 ( tema 5) Curso 2002/2003 1) Las cento trenta agencas de una entdad bancara presentaban, en el ejercco 2002, los sguentes datos correspondentes
Más detallesEJERCICIOS. Ejercicio 1.- Para el modelo de regresión simple siguiente: Y i = βx i + ε i i =1,..., 100. se tienen las siguientes medias muestrales:
EJERCICIOS Tema 2: MODELO DE REGRESION LINEAL SIMPLE Ejercco 1.- Para el modelo de regresón smple sguente: Y = βx + ε =1,..., 100 se tenen las sguentes medas muestrales: ( P y ) /n =0.3065 ( P y 2 ) /n
Más detallesFE DE ERRATAS Y AÑADIDOS AL LIBRO FUNDAMENTOS DE LAS TÉCNICAS MULTIVARIANTES (Ximénez & San Martín, 2004)
FE DE ERRATAS Y AÑADIDOS AL LIBRO FUNDAMENTOS DE LAS TÉCNICAS MULTIVARIANTES (Xménez & San Martín, 004) Capítulo. Nocones báscas de álgebra de matrces Fe de erratas.. Cálculo de la transpuesta de una matrz
Más detallesSEGUNDA PARTE RENTAS FINANCIERAS
SEGUNDA PARTE RENTAS FINANCIERAS 5 INTRODUCCIÓN A LA TEORÍA DE RENTAS 5.1 CONCEPTO: Renta fnancera: conjunto de captales fnanceros cuyos vencmentos regulares están dstrbudos sucesvamente a lo largo de
Más detallesTEMA III EL ANÁLISIS DE REGRESIÓN LINEAL MÚLTIPLE
TEMA III EL ANÁLISIS DE REGRESIÓN LINEAL MÚLTIPLE LECTURA OBLIGATORIA Regresón Lneal Múltple. En Ral, A. y Varela, J. (008). Estadístca Práctca para la Investgacón en Cencas de la Salud. Coruña: Netbblo.
Más detallesEDO: Ecuación Diferencial Ordinaria Soluciones numéricas. Jorge Eduardo Ortiz Triviño
EDO: Ecuacón Dferencal Ordnara Solucones numércas Jorge Eduardo Ortz Trvño Organzacón general Errores en los cálculos numércos Raíces de ecuacones no-lneales Sstemas de ecuacones lneales Interpolacón ajuste
Más detallesUn estimado de intervalo o intervalo de confianza ( IC
Un estmado puntual, por ser un sólo número, no proporcona por sí msmo nformacón alguna sobre la precsón y confabldad de la estmacón. Debdo a la varabldad que pueda exstr en la muestra, nunca se tendrá
Más detallesESTADÍSTICA BIDIMENSIONAL ÍNDICE GENERAL
ESTADÍSTICA BIDIMESIOAL ÍDICE GEERAL 1.-Varable Estadístca Bdmensonal. Tablas de frecuenca... 1.1.- Concepto de varable estadístca bdmensonal. Eemplos.... 1..-Tablas bdmensonales de frecuencas. Tablas
Más detallesCASO PRÁCTICO TEORÍA. 1 i (REGRESIÓN LINEAL CON PESOS ESTADÍSTICOS OBTENIDOS DE RÉPLICAS)
Caso 6: Calbrado para fosfato y predccón nversa 43 Caso 6 : Calbrado para fosfato y predccón nversa (REGRESIÓN LINEAL CON PESOS ESTADÍSTICOS OBTENIDOS DE RÉPLICAS) CASO PRÁCTICO Al hacer calbrados con
Más detallespara cualquier a y b, entonces f(x) es la función de densidad de probabilidad de la variable aleatoria continua X.
Conceptos de Probabldad A contnuacón se presenta una revsón no ehaustva y a manera ntroductora de conceptos báscos de la teoría de probabldades. Un estudo proundo y ormal de estos se puede hacer en Mood
Más detallesEl subestimado problema de la confusión residual. Héctor Lamadrid-Figueroa; Alejandra Montoya; Gustavo Ángeles
El subestmado problema de la confusón resdual Héctor Lamadrd-Fgueroa; Alejandra Montoya; Gustavo Ángeles El objetvo de la estmacón del efecto Establecer s exste una relacón causal entre una exposcón y
Más detallesDISTRIBUCIONES BIDIMENSIONALES
Matemátcas 1º CT 1 DISTRIBUCIONES BIDIMENSIONALES PROBLEMAS RESUELTOS 1. a) Asoca las rectas de regresón: y = +16, y = 1 e y = 0,5 + 5 a las nubes de puntos sguentes: b) Asgna los coefcentes de correlacón
Más detallesTema 1.3_A La media y la desviación estándar
Curso 0-03 Grado en Físca Herramentas Computaconales Tema.3_A La meda y la desvacón estándar Dónde estudar el tema.3_a: Capítulo 4. J.R. Taylor, Error Analyss. Unv. cence Books, ausalto, Calforna 997.
Más detallesMª Dolores del Campo Maldonado. Tel: :
Mª Dolores del Campo Maldonado Tel: : 918 074 714 e-mal: ddelcampo@cem.mtyc.es Documentacón de referenca nternaconalmente aceptada ISO/IEC GUIDE 98-3:008 Uncertanty of measurement Part 3: Gude to the n
Más detallesEstadísticos muéstrales
Estadístcos muéstrales Hemos estudado dferentes meddas numércas correspondentes a conjuntos de datos, entre otras, estudamos la meda, la desvacón estándar etc. Ahora vamos a dstngur entre meddas numércas
Más detallesT. 9 El modelo de regresión lineal
1 T. 9 El modelo de regresón lneal 1. Conceptos báscos sobre el análss de regresón lneal. Ajuste de la recta de regresón 3. Bondad de ajuste del modelo de regresón Modelos predctvos o de regresón: la representacón
Más detallesEconometría. Ayudantía # 01, Conceptos Generales, Modelo de Regresión. Profesor: Carlos R. Pitta 1
Escuela de Ingenería Comercal Ayudantía # 01, Conceptos Generales, Modelo de Regresón Profesor: Carlos R. Ptta 1 1 cptta@spm.uach.cl Escuela de Ingenería Comercal Ayudantía 01 Parte 01: Comentes Señale
Más detallesTécnicas de Análisis de Datos de Elección n Discreta
Técncas de Análss de Datos de Eleccón n Dscreta Sub-Gerenca de Investgacón GPR Vernes, 07 de abrl de 0006 Gerenca de Polítcas Regulatoras - GPR Organsmo Supervsor de Inversón Prvada en Telecomuncacones
Más detallesRiesgos Proporcionales de Cox
Resgos Proporconales de Cox Resumen El procedmento Resgos Proporconales de Cox esta dseñado para ajustar un modelo estadístco sem-parámetrco a los tempos de falla de una o mas varables predctoras. Los
Más detallesComparación de Tasas. Ejemplo StatFolio: comparerates.sgp
STATGRAPHICS Rev. 9/4/2006 Comparacón de Tasas Resumen El procedmento Comparacón de Tasas esta dseñado para comparar las tasas observadas de un evento entre muestras. Este realza una prueba de dspersón
Más detallesLas hipótesis en las que vamos a basar el funcionamiento del Modelo Lineal General
CAPÍULO. EL MODELO LINEAL GENERAL. Introduccón. Hpótess del modelo Las hpótess en las que vamos a basar el funconamento del Modelo Lneal General son las sguentes. Suponemos que tenemos una muestra de valores
Más detallesNos interesa asignar probabilidades a valores numéricos obtenidos a partir de fenómenos aleatorios, es decir a variables aleatorias.
Estadístca (Q) Dana M. Kelmansky 5 Varables Aleatoras Nos nteresa asgnar probabldades a valores numércos obtendos a partr de fenómenos aleatoros, es decr a varables aleatoras. Por ejemplo, calcular la
Más detallesTEMA III EL ANÁLISIS DE REGRESIÓN LINEAL MÚLTIPLE
TEMA III EL ANÁLISIS DE REGRESIÓN LINEAL MÚLTIPLE LECTURA OBLIGATORIA Regresón Lneal Múltple. En Ral, A. y Varela, J. (008). Estadístca Práctca para la Investgacón en Cencas de la Salud. Coruña: Netbblo.
Más detalles) para toda permutación (p p 1 p
09 Elena J. Martínez do cuat. 004 Análss de la varanza de dos factores El problema anteror consderaba la comparacón de muestras para detectar dferencas entre las respectvas poblacones. En el modelo de
Más detallesObjetivo del tema. Esquema del tema. Economía Industrial. Tema 2. La demanda de la industria
Economía Industral Tema. La demanda de la ndustra Objetvo del tema Entender el modelo económco de comportamento del consumdor, fnalmente resumdo en la funcón de demanda. Comprender el carácter abstracto
Más detallesCapítulo III Metodología. El presente trabajo, trata de estimar el diferencial salarial sindical para el caso de México.
Capítulo III Metodología El presente trabajo, trata de estmar el dferencal salaral sndcal para el caso de Méxco. Las metodologías a utlzar en la estmacón del modelo conssten en lo sguente 1 : Utlzar un
Más detallesLección 4. Ejercicios complementarios.
Introduccón a la Estadístca Grado en Tursmo Leccón 4. Ejerccos complementaros. Ejercco 1 (juno 06). La nformacón relatva al mes de enero sobre los ngresos (X) y los gastos (Y), expresados en mles de euros,
Más detallesModelos de elección simple y múltiple. Regresión logit y probit. Modelos multilogit y multiprobit.
Modelos de eleccón smple y múltple. Regresón logt y probt. Modelos multlogt y multprobt. Sga J.Muro(14/4/2004) 2 Modelos de eleccón dscreta. Modelos de eleccón smple. Modelos de eleccón múltple. Fnal J.Muro(14/4/2004)
Más detallesAnálisis de Resultados con Errores
Análss de Resultados con Errores Exsten dos tpos de errores en los expermentos Errores sstemátcos errores aleatoros. Los errores sstemátcos son, desde lejos, los más mportantes. Errores Sstemátcos: Exsten
Más detallesCapítulo 2: ANALISIS EXPLORATORIO de DATOS Estadística Computacional 1º Semestre 2003
Unversdad Técnca Federco Santa María Departamento de Informátca ILI-80 Capítulo : ANALISIS EXPLORATORIO de DATOS Estadístca Computaconal º Semestre 003 Profesor :Héctor Allende Págna : www.nf.utfsm.cl/~hallende
Más detallesDISEÑO SEVERO. PALACIOS C. SEVERO Consultor Metalúrgico. Lima Perú
DISEÑO SEVERO PALACIOS C. SEVERO Consultor Metalúrgco espc@yahoo.com Lma Perú RESUMEN: Se ha desarrollado un nuevo dseño de mucha utldad para los procesos ndustrales al cual he denomnado Dseño Severo.
Más detallesEXPERIMENTOS ANIDADOS O JERARQUICOS NESTED
EXPERIMENTOS ANIDADOS O JERARQUICOS NESTED Exsten ocasones donde los nveles de un factor B son smlares pero no déntcos para dferentes nveles del factor A. Es decr, dferentes nveles del factor A ven nveles
Más detallesReconocimiento de Locutor basado en Procesamiento de Voz. ProDiVoz Reconocimiento de Locutor 1
Reconocmento de Locutor basado en Procesamento de Voz ProDVoz Reconocmento de Locutor Introduccón Reconocmento de locutor: Proceso de extraccón automátca de nformacón relatva a la dentdad de la persona
Más detallesSistemas Lineales de Masas-Resortes 2D
Sstemas neales de Masas-Resortes D José Cortés Pareo. Novembre 7 Un Sstema neal de Masas-Resortes está consttudo por una sucesón de puntos (de ahí lo de lneal undos cada uno con el sguente por un resorte
Más detallesTema 7: Regresión Logística p. 1/1
Tema 7: Regresón Logístca Pedro Larrañaga, Iñak Inza, Abdelmalk Moujahd Departamento de Cencas de la Computacón e Intelgenca Artfcal Unversdad del País Vasco http://www.sc.ehu.es/sg/ Tema 7: Regresón Logístca
Más detallesBases Físicas del Medio Ambiente. Teoría de Errores (Programa de Prácticas)
Bases Físcas del Medo Ambente Teoría de Errores (Programa de Práctcas) Programa IB. Teoría de Errores. (h) Introduccón. Errores y conceptos relaconados. Cuantfcacón de errores. Epresón de magntudes físcas.
Más detallesCAPITULO 3º SOLUCIÓN ECUACIÓN DE ESTADO- 01. Ing. Diego A. Patiño G. M.Sc, Ph.D.
CAPITULO 3º SOLUCIÓN ECUACIÓN DE ESTADO- 0 Ing. Dego A. Patño G. M.Sc, Ph.D. Solucón de la Ecuacón de Estado Solucón de Ecuacones de Estado Estaconaras: Para el caso estaconaro (nvarante en el tempo),
Más detallesModelos triangular y parabólico
Modelos trangular y parabólco ClassPad 0 Prof. Jean-Perre Marcallou INTRODUCCIÓN La calculadora CASIO ClassPad 0 dspone de la Aplcacón Prncpal para realzar los cálculos correspondentes a los modelos trangular
Más detalles