Econometría I (LADE). Curso 2001/2002 PRÁCTICA 08
|
|
- Lorena Murillo Navarro
- hace 5 años
- Vistas:
Transcripción
1 PRÁCTICA 08 HETEROCEDASTICIDAD Y NORMALIDAD En el fichero Datos08.wf1 tenemos la renta y consumo anual (en dólares) para 500 familias con el que se pretende estimar el siguiente modelo: C i = β + β R + u i 1,...,500 (1) 1 2 i i = donde C i y R i son el consumo y renta anual de la familia i respectivamente. A partir de esta información resuelve las siguientes cuestiones: 1.- Realiza una nube de puntos para las dos variables en cuestión. Qué conclusiones sacas a la vista de la misma?. Por qué?. 2.- Estima el modelo (1) por MCO. 3.- Contrasta la existencia de heterocedasticidad para la estimación MCO del modelo (1) mediante los siguientes contrastes: (a) Goldfeld-Quant, (b) Breusch-Pagan y (c) White. 4.- Estima eficientemente el modelo (1) mediante la transformación que consideres adecuada de las variables del modelo. Utiliza el contraste de White para comprobar la existencia de heterocedasticidad en la nueva estimación del modelo ponderado. Se refleja esta estimación más eficiente cuando comparas las varianzas muestrales de las estimaciones?. Además, contrasta la normalidad de los residuos del modelo definitivo. 1
2 Resolución 1.- Realiza una nube de puntos para las dos variables en cuestión. Qué conclusiones sacas a la vista de la misma?. Por qué? CONSUMO vs. RENTA CONSUMO RENTA De la figura anterior se desprende la existencia de heterocedasticidad. En la medida que se incrementa la renta de las familias se incrementa igualmente la variación de los errores. 2.- Estima el modelo (1) por MCO. Dependent Variable: CONSUMO Sample(adjusted): after adjusting endpoints RENTA C R-squared Mean dependent var Adjusted R-squared S.D. dependent var S.E. of regression Akaike info criterion Sum squared resid 2.71E+10 Schwarz criterion Log likelihood F-statistic Durbin-Watson stat Prob(F-statistic)
3 3.- Contrasta la existencia de heterocedasticidad para la estimación MCO del modelo (1) mediante los siguientes contrastes: (a) Goldfeld-Quant, (b) Breusch- Pagan y (c) White. (a) Goldfeld-Quant Debemos seguir los siguientes pasos: 1. Ordenar de menor a mayor la base de datos en función de la variable que consideremos produce la heterocedasticidad. En el EViews esto lo podemos hacer mediante la siguiente orden SORT RENTA 2. Dividimos la muestra en tres submuestras de igual tamaño. En nuestro caso, al tener 500 observaciones cada submuestra tendrá observaciones respectivamente. 3. Estimamos el modelo MCO para la primera y la última submuestra, obteniendo de cada una de ellas el sumatorio del cuadrado de los errores. La estimación de la primera submuestra será: Fijarse que en la muestra (sample) aparece Dependent Variable: CONSUMO Sample: Included observations: 167 RENTA C R-squared Mean dependent var Adjusted R-squared S.D. dependent var S.E. of regression Akaike info criterion Sum squared resid 1.23E+09 Schwarz criterion Log likelihood F-statistic Durbin-Watson stat Prob(F-statistic)
4 La estimación de la última submuestra será: Dependent Variable: CONSUMO Sample: Included observations: 167 RENTA C R-squared Mean dependent var Adjusted R-squared S.D. dependent var S.E. of regression Akaike info criterion Sum squared resid 1.89E+10 Schwarz criterion Log likelihood F-statistic Durbin-Watson stat Prob(F-statistic) Fijarse que en la muestra (sample) aparece , que coinciden con las 167 últimas observaciones. SCE2 4. Obtenemos el estadístico de contraste mediante el ratio donde SCE1 y SCE1 SCE 2 son el sumatorio del cuadrado de los errores de las estimaciones de la primera y última submuestra respectivamente. Este estadístico se distribuye como una F de [(N-c-2k)/2], [(N-c-2k)/2] grados de libertad, donde N, c y k son el tamaño muestral, el número de observaciones de la submuestra central y el número de parámetros del modelo respectivamente. En nuestro caso [(N-c-2k)/2] = [( *2)/2] = 165. Mientras que el estadístico de contraste es igual a: 1.89* * = Valor que deja una probabilidad nula a la derecha de una distribución F 165,165. Lo que implica rechazar la hipótesis nula de homocedasticidad. Para obtener esta probabilidad en el EViews puedes generar su valor mediante la siguiente línea de comandos GENER P=1-CFDIST(15.35,165,165) 4
5 (b) Breusch-Pagan Debemos seguir los siguientes pasos: 1. Estimamos el modelo (1) por MCO y obtenemos los residuos del mismo. La estimación de este modelo ya la tenemos del punto 2. Podemos obtener los residuos desde la salida de la estimación del modelo mediante la siguiente secuencia PROCS/MAKE RESIDUAL SERIES 2. Obtenemos la serie del cuadrado de los residuos estandarizados. Si en el paso anterior hemos nombrado a la variable residuos por resid01, podemos generar la nueva serie mediante la siguiente línea de comandos: GENR ZRESID2 = (RESID01/@STDEV(RESID01))^2 3. Estimamos una regresión entre el cuadrado de los residuos estandarizados como variable endógena y el resto de las variables explicativas del modelo (1). Recordemos que debemos añadir una constante a este modelo. Su estimación es: Dependent Variable: ZRESID2 RENTA 5.31E E C R-squared Mean dependent var Adjusted R-squared S.D. dependent var S.E. of regression Akaike info criterion Sum squared resid Schwarz criterion Log likelihood F-statistic Durbin-Watson stat Prob(F-statistic) A partir de la regresión del punto anterior, calculamos el estadístico de contraste SCR como siendo SCR el sumatorio del cuadrado de la regresión. Bajo la 2 hipótesis nula de homocedasticidad, este estadístico se distribuye como una chicuadrado de p-1 grados de libertad, siendo p el número de parámetros de la estimación anterior (ZRESID2). A partir de esta salida tenemos que 2 R SCR = SCE 1 R = = Valor que deja una probabilidad nula a su derecha para una distribución χ 1 2. Por tanto, rechazamos la hipótesis nula de homocedasticidad. 5
6 (c) White El EViews tiene como opción la realización del contraste de White. Para obtener sus resultados debemos seguir la siguiente secuencia una vez hemos estimado el modelo (1): VIEW/RESIDUAL TESTS/WHITE HETEROSKEDASTICY TEST (Cross terms) El resultado lo tenemos a continuación: White Heteroskedasticity Test: F-statistic Probability Obs*R-squared Probability Test Equation: Dependent Variable: RESID^2 Date: 01/08/01 Time: 19:42 C RENTA RENTA^ R-squared Mean dependent var Adjusted R-squared S.D. dependent var 1.07E+08 S.E. of regression Akaike info criterion Sum squared resid 4.24E+18 Schwarz criterion Log likelihood F-statistic Durbin-Watson stat Prob(F-statistic) Obs*R-squared es el estadístico de contraste de White, que bajo la hipótesis nula de homocedasticidad se distribuye como una χ 2 de p-1 grados de libertad. En nuestro caso, tal y como vemos en la salida del ordenador, es igual a , por lo que se rechaza la hipótesis nula de homocedasticidad. 4.- Estima eficientemente el modelo (1) mediante la transformación que consideres adecuada de las variables del modelo. Utiliza el contraste de White para comprobar la existencia de heterocedasticidad en la nueva estimación del modelo ponderado. Se refleja esta estimación más eficiente cuando comparas las varianzas muestrales de las estimaciones?. El EViews nos permite estimar el modelo ponderado sin necesidad de tener que transformar previamente las variables. Esto se puede realizar en la ventana de especificación de la ecuación (Equation Especification), dentro de options debemos señalar weighted e indicar la transformación que se desea. 6
7 En el caso del modelo (1), en un primer intento podemos ponderar por la inversa de RENTA i. En este caso la estimación del modelo queda como sigue: Dependent Variable: CONSUMO Weighting series: 1/SQR(RENTA) RENTA C Weighted Statistics R-squared Mean dependent var Adjusted R-squared S.D. dependent var S.E. of regression Akaike info criterion Sum squared resid 1.08E+10 Schwarz criterion Log likelihood F-statistic Durbin-Watson stat Prob(F-statistic) Unweighted Statistics R-squared Mean dependent var Adjusted R-squared S.D. dependent var S.E. of regression Sum squared resid 2.72E+10 Durbin-Watson stat Tal y como se señala en el enunciado de este punto, utilizamos el contraste de White para comprobar la existencia de heterocedasticidad. Sin embargo, en este caso no podemos usar directamente la opción que de este contraste tiene el Eviews, y fue utilizada en la pregunta anterior, debido a que el programa no guarda los residuos del modelo ponderado (Weighted) sino los del modelo no ponderado (Unweighted). Para realizar el contraste podemos proceder de la siguiente manera: (a) En la ventana del fichero de trabajo señalamos las variables que intervienen en la regresión. (b) Abrimos la ecuación, y en la ventana de especificación de la ecuación (Equation Especification) multiplicamos cada variable por la ponderación correspondiente. Es importante tener en cuenta que en este paso debemos eliminar la constante del modelo que nos ofrece el EViews (recordemos que es la variable C) y sustituirla por la variable que utilizamos para ponderar. Concretamente, en nuestro caso la ecuación quedará definida por la siguiente línea CONSUMO/RENTA^0.5 RENTA/RENTA^0.5 1/RENTA^0.5 (c) Finalmente estimamos el modelo y realizamos el contraste de White tal y como vimos en la pregunta anterior. La salida es la siguiente: 7
8 White Heteroskedasticity Test: F-statistic Probability Obs*R-squared Probability Test Equation: Dependent Variable: RESID^2 C RENTA/RENTA^ (RENTA/RENTA^0.5)^ /RENTA^ (1/RENTA^0.5)^ R-squared Mean dependent var Adjusted R-squared S.D. dependent var S.E. of regression Akaike info criterion Sum squared resid 1.84E+09 Schwarz criterion Log likelihood F-statistic Durbin-Watson stat Prob(F-statistic) Se puede comprobar como el modelo sigue presentando heterocedasticidad en sus errores. A continuación intentamos una nueva ponderación a partir de la misma variable explicativa. En este caso, ponderamos por la inversa de la renta. Dependent Variable: CONSUMO Weighting series: 1/RENTA RENTA C Weighted Statistics R-squared Mean dependent var Adjusted R-squared S.D. dependent var S.E. of regression Akaike info criterion Sum squared resid 1.19E+09 Schwarz criterion Log likelihood F-statistic Durbin-Watson stat Prob(F-statistic) Unweighted Statistics R-squared Mean dependent var Adjusted R-squared S.D. dependent var S.E. of regression Sum squared resid 2.72E+10 Durbin-Watson stat
9 Econometría I (LADE). Curso 2000/2002 Al igual que en el modelo anterior, procedemos a contrastar la heterocedasticidad mediante el contraste de White. Los resultados los tenemos a continuación White Heteroskedasticity Test: F-statistic Probability Obs*R-squared Probability Test Equation: Dependent Variable: RESID^2 C (RENTA/RENTA)*(1/RENTA) (1/RENTA)^ R-squared Mean dependent var Adjusted R-squared S.D. dependent var S.E. of regression Akaike info criterion Sum squared resid Schwarz criterion Log likelihood F-statistic Durbin-Watson stat Prob(F-statistic) En este caso, sin embargo, no podemos rechazar la hipótesis nula de existencia de homocedasticidad. Si comparamos las desviaciones típicas de las estimaciones de los coeficientes del modelo (1) por MCO y por MCG, veremos como las de este último método son más pequeñas que las correspondientes al primero. Concretamente para la variable RENTA pasa de a y para la constante de a En la salida de ordenador de las estimaciones de los modelos ponderados, podemos observar como aparecen estadístico para los datos ponderados (Weighted Statistics) y para los datos no ponderados (Unweighted Statistics). La diferencia estriba que en cada caso, el cálculo de los errores se obtiene con las variables ponderadas y no ponderadas respectivamente. Recuerda que las predicciones en este modelo se realizarán utilizando variables no ponderadas, y por tanto, es interesante conocer entre otras medidas la bondad no ponderada del ajuste. 9
10 Contraste de la normalidad de las perturbaciones Estimamos en primer lugar, a través de la línea de comandos del E-views el modelo original pero ponderado por la inversa de la renta y contrastamos previamente la posible existencia de heterocedasticidad para, posteriormente, con los residuos generados por esta estimación contrastar la posible no normalidad de las perturnbaciones. La expresión del modelo estimado vendrá dada por Consumo 1 Re nta Consumo 1 = b 0 * + b1 o, lo que es lo mismo, = b 0 * + b1 Re nta Re nta Re nta Re nta Re nta El resultado de la estimación nos lo proporciona la siguiente salida Dependent Variable: CONSUMO/RENTA Date: 01/18/02 Time: 12:22 C /RENTA R-squared Mean dependent var Adjusted R-squared S.D. dependent var S.E. of regression Akaike info criterion Sum squared resid Schwarz criterion Log likelihood F-statistic Durbin-Watson stat Prob(F-statistic) Y el contraste de heterocedasticidad de White nos proporciona el mismo resultado del que dispones en la página anterior tras la estimación ponderada a través de la expresión Weighted. White Heteroskedasticity Test: F-statistic Probability Obs*R-squared Probability Test Equation: Dependent Variable: RESID^2 Date: 01/18/02 Time: 12:21 C /RENTA (1/RENTA)^ R-squared Mean dependent var Adjusted R-squared S.D. dependent var S.E. of regression Akaike info criterion Sum squared resid Schwarz criterion Log likelihood F-statistic Durbin-Watson stat Prob(F-statistic) Para realizar el contraste de normalidad de las perturbaciones debes ir, en la opción View de la ecuación a Residual Test Histogram Normality Test 10
11 El resultado del contraste es un estadístico de Jarque Bera que toma el valor , con una probabilidad asociada de , que nos informa acerca de la normalidad de las perturbaciones toda vez que dicho estadístico de prueba se distribuye como una Chicuadrado con 2 grados de libertad, cuyo valor en las tablas para un nvel de significación del 5% es de 5, Series: Residuals Sample Observations 500 Mean -5.06E-15 Median Maximum Minimum Std. Dev Skewness Kurtosis Jarque-Bera Probability
ECONOMETRÍA I LICENCIATURA EN ECONOMÍA, Curso PRÁCTICA 1 (LECCIÓN 1): EN BUSCA DE ESPECIFICACIÓN Por Beatriz González López-Valcárcel
ECONOMETRÍA I LICENCIATURA EN ECONOMÍA, Curso 2003-2004 PRÁCTICA 1 (LECCIÓN 1): EN BUSCA DE ESPECIFICACIÓN Por Beatriz González López-Valcárcel En esta práctica, aplicaremos los contrastes de especificación
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 detallesModelo de Regresión Lineal Múltiple. Normalidad. Dr. Víctor Aguirre Torres ITAM
Modelo de Regresión Lineal Múltiple. Normalidad Dr. Víctor Aguirre Torres ITAM Temas Porqué ocurre falta de normalidad Consecuencias Detección Enfoques para manejarla Guión 18. Dr. V. Aguirre Porqué ocurre?
Más detallesPRÁCTICA 05 HETEROCEDASTICIDAD, SELECCIÓN DE REGRESORES Y PREDICCIÓN
PRÁCTICA 05 HETEROCEDASTICIDAD, SELECCIÓN DE REGRESORES Y PREDICCIÓN Se pretende seleccionar un modelo, para las empresas de un determinado sector económico, que explique el gasto que éstas tienen en formación
Más detallesEXAMEN ECONOMETRÍA II GRUPO DADE Prof. Rafael de Arce 3 de septiembre de Nombre y Apellidos:
EXAMEN ECONOMETRÍA II GRUPO DADE Prof. Rafael de Arce 3 de septiembre de 2004 Nombre y Apellidos: PRIMERA PARTE: (En las preguntas tipo test sólo debe marcarse una en cada caso): 1. Para determinar si
Más detallesAnálisis Estadístico
Universidad Torcuato Di Tella Análisis Estadístico Examen Final 05/07/2017 TEMA 1 Nombre y Apellido: Número de legajo: Instrucciones El examen tiene dos partes. La parte A (40 puntos) contiene 10 preguntas
Más detallesErrores de especificación. Series simuladas
Estimación modelo correcto Dependent Variable: Y Date: 05/13/02 Time: 17:07 Sample: 2 100 Included observations: 99 Errores de especificación. Series simuladas C 5.376164 0.253524 21.20578 0.0000 X1 0.954713
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 detallesEXAMEN ECONOMETRÍA I GRUPO 31 LADE Prof. Rafael de Arce 3 de septiembre de Nombre y Apellidos:
EXAMEN ECONOMETRÍA I GRUPO 31 LADE Prof. Rafael de Arce 3 de septiembre de 2004 Nombre y Apellidos: PRIMERA PARTE: Preguntas tipo test (sólo debe marcarse una en cada caso): 1. En el Modelo Básico de Regresión
Más detallesINTRODUCCION AL ECONOMETRIC VIEWS. Aquí se introduce la frecuencia y las fechas de comienzo y final de los datos.
INTRODUCCION AL ECONOMETRIC VIEWS Introducción de datos 1. Creando una hoja de trabajo (workfile) File New Workfile Aquí se introduce la frecuencia y las fechas de comienzo y final de los datos. 2. Importación
Más detallesUNIVERSIDAD NACIONAL DE TRUJILLO ESCUELA PROFESIONAL DE ECONOMÍA APUNTES DE CLASE ECUACIONES SIMULTÁNEAS: EJERCICIO 19.
UNIVERSIDAD NACIONAL DE TRUJILLO ESCUELA PROFESIONAL DE ECONOMÍA APUNTES DE CLASE ECUACIONES SIMULTÁNEAS: EJERCICIO 19.15 ECONOMETRÍA 2 Econometría.weebly.com Wilhem.weebly.com Ejercicio 19.15 Considérese
Más detallesSOLUCIÄN DE LA PRIMERA PRÅCTICA CALIFICADA DE ECONOMETRIA II
UNIVERSIDAD NACIONAL DE PIURA FACULTAD DE ECONOMIA DPTO. ACAD. DE ECONOMIA SOLUCIÄN DE LA PRIMERA PRÅCTICA CALIFICADA DE ECONOMETRIA II 1Ä El investigador especifica el modelo siguiente: Donde: Se le pide:
Más detallesNOMBRE: I. TEST (debe marcar sólo un resultado como válido en cada pregunta)
ECONOMETRÍA I Examen DADE 20 de enero de 2005 NOMBRE: I. TEST (debe marcar sólo un resultado como válido en cada pregunta) 1. El contraste del predictor Sirve para determinar si las predicciones del modelo
Más detallesPRACTICA 3. CONTRASTES Y PREDICCION.
ECONOMETRIA I (LADE). CURSO 2001/2002 PRACTICA 3. CONTRASTES Y PREDICCION. En el archivo prac3.xls disponemos de las siguientes observaciones correspondientes a un país: Y: consumo privado, medido en millones
Más detallescon los supuestos clásicos, uno de ellos es que ninguna de las variables X 1, X 2,, X K es
TEMA 2: EXTENSIONES DEL MODELO DE REGRESIÓN LINEAL MÚLTIPLE: MULTICOLINEALIDAD Y TRANSFORMACIONES LINEALES. Wooldridge: Capítulos 6 (apartado 6.1) y 7 Gujarati: Capítulos 9 (apartado 9.8), 10 y 12 1. MULTICOLINEALIDAD
Más detallesModelo de Regresión Lineal Múltiple. Multicolinealidad. Dr. Víctor Aguirre Torres ITAM
Modelo de Regresión Lineal Múltiple. Multicolinealidad Dr. Víctor Aguirre Torres ITAM Temas Qué es la multicolinealidad? Consecuencias sobre la estimación. Detección. Algunas contramedidas. Guión 19. Dr.
Más detalles(5 x 3) ( 3 x 5) ( 5 x 1) b1 335, ,3-26, ,59 b2 = 0, , ,8 12,85 = 2,94 b3-26,79 13,8 2, ,31
VENTAS PUBLIC. PRECIOS 1990 0, 0, 10 1991 1 0, 1992 2 0,8 199, 0,8 199 1, Y X U 0, 1 0, 10 U1 Modelo matricial con término constante 1 1 0, U2 (el vector de unos recoge ese término constante) 2 1 0,8 U,
Más detallesCointegración del Índice de Precios al Consumidor y Liquidez monetaria ( ). Venezuela.
Cointegración del Índice de Precios al Consumidor y Liquidez monetaria (1997-211). Venezuela. Informe Técnico. PC LC/FT. 2 de Octubre 212 Jhoner Perdomo Karen Tizado Resumen En la búsqueda de una variable
Más detallesSOLUCIÓN DEL EXAMEN PARCIAL DE ECONOMETRIA I
UNIVERSIDAD NACIONAL DE PIURA FACULTAD DE ECONOMIA SOLUCIÓN DEL EXAMEN PARCIAL DE ECONOMETRIA I 1º El investigador especifica los modelos siguientes: MODELO 1: IMP(t) = a + b IMP(t-1) + c IPM(t) + u(t)
Más detalles1.- Enumere las hipótesis básicas del modelo básico de regresión lineal
Introducción a la Econometría Grupo Derecho y Administración de Empresas Profesor Rafael de Arce 20 de junio de 2008 Nombre: DNI: 1.- Enumere las hipótesis básicas del modelo básico de regresión lineal
Más detallesESTIMACIÓN DE LA FUNCIÓN DE EXPORTACIONES DE CATALUÑA A LOS PRINCIPALES PAÍSES EUROPEOS
ESTIMACIÓN DE LA FUNCIÓN DE EXPORTACIONES DE CATALUÑA A LOS PRINCIPALES PAÍSES EUROPEOS Estimaciones individuales Dependent Variable: LOG(X?) Method: Pooled Least Squares Date: 11/23/02 Time: 13:14 Sample(adjusted):
Más detallesHoja de ejercicios 4 Econometría II Curso 2011/2012
Hoja de ejercicios 4 Econometría II Curso 2011/2012 1) Se dispone de las series de diferencias anuales del logaritmo de las series mensuales índice de precios al consumo en España y la Comunidad de Andalucía
Más detallesModelo 1: MCO, usando las observaciones 1994: :03 (T = 218) Variable dependiente: INFLACION
UNIVERSIDAD NACIONAL DE PIURA FACULTAD DE ECONOMIA DPTO. ACAD. DE ECONOMIA 1º El investigador especifica el modelo siguiente: EXAMEN PARCIAL DE ECONOMETRIA I Se le pide estimar el modelo por el método
Más detallesLas variables incluidas en el modelo se interpretan de la siguiente forma:
PRÁCTICA 4: EL MODELO LINEAL DE PROBABILIDAD - Estimar un modelo lineal de probabilidad - Interpretar los coeficientes estimados - Obtener las probabilidad estimadas - Contrastar la normalidad de las perturbaciones
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 detallesEjemplo 7.1. Heterocedasticidad. Pilar González y Susan Orbe. Dpto. Economía Aplicada III (Econometría y Estadística)
Ejemplo 7.1 Heterocedasticidad Pilar González y Susan Orbe Dpto. Economía Aplicada III (Econometría y Estadística) Pilar González y Susan Orbe OCW 2013 Ejemplo 7.1. Heterocedásticidad 1 / 22 Enunciado.
Más detallesCorrelograma de la serie Y. Included observations: 900 Autocorrelation Partial Correlation AC PAC Q-Stat Prob
EXAMEN DE ECONOMETRIA EMPRESARIAL II (MÓDULO PRÁCTICO) 23 FEBRERO 2002 1 APELLIDO 2ª APELLIDO NOMBRE GRUPO PRÁCTICO NOMBRE DEL PROFESOR PREGUNTA 1 Un economista desea identificar y estimar el proceso generador
Más detallesDiseño de Ciudad. Planeación. Desarrollo. Ejecucion de la Politica
Incidencia de las Políticas Públicas de Desarrollo Urbanístico en la Ciudad de Cali Conceptos Fundamentales de la Economía Regional y Urbana con Aplicaciones a la Economía del Sector Publico y al Análisis
Más detallesECONOMETRÍA II PRÁCTICAS DE ORDENADOR. Práctica 2
ECONOMETRÍA II PRÁCTICAS DE ORDENADOR Práctica 2 El fichero epflic.wf1 contiene una submuestra de hogares de la Encuesta de Presupuestos Familiares 1990/91 formada por parejas con o sin hijos en los que
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 detallesSeminario Regional Proyecto: Fortaleciendo las Capacidades de Análisis de la Política Macroeconómica en Centroamérica y El Caribe
Estimación: de una Función de Demanda Mensual por Emisión Monetaria (1997-2004) para Honduras, mediante modelos Econométricos, serie de tiempo y Pronostico. Seminario Regional Proyecto: Fortaleciendo las
Más detallesECONOMETRIA: PRÁCTICA OBLIGATORIA (En formato Manual de Uso)
ECONOMETRIA: PRÁCTICA OBLIGATORIA (En formato Manual de Uso) Leer los datos del fichero de Excel (datelectricidad.xls): Al revisar los datos en Excel se ha verificado que la información disponible es de
Más detallesÍndice General de Ventas en Grandes Almacenes y su logaritmo
En los gráficos y cuadros que se presentan en las páginas siguientes se presentan resultados relativos a la variable Índice General de Ventas en grandes superficies en España con periodicidad mensual desde
Más detalles1. Sean dos variables aleatorias discretas X e Y. La siguiente tabla describe la función de masa de probabilidad conjunta de estas variables:
Examen de Introducción a la Econometría Universidad Carlos III de Madrid 2 a Convocatoria Curso 2004/205 Conteste las preguntas siguientes en 2 horas y media 1. Sean dos variables aleatorias discretas
Más detallesEJERCICIO T1 NOMBRE: Correctas Incorrectas En Blanco Puntos
ECONOMETRÍA EJERCICIO T1 APELLIDOS: NOMBRE: FIRMA: GRUPO: DNI: Pregunta 1 A B C En Blanco Pregunta A B C En Blanco Pregunta 3 A B C En Blanco Pregunta 4 A B C En Blanco Pregunta 5 A B C En Blanco Pregunta
Más detallesEXTENSIÓN DEL MODELO DE REGRESIÓN LINEAL DE DOS VARIABLES
EXTENSIÓN DEL MODELO DE REGRESIÓN LINEAL DE DOS VARIABLES REGRESIÓN A TRAVÉS DEL ORIGEN Y Y i = β 1 + β 2X i + ε i Y i = β 2X i + ε i X A MENOS QUE EXISTA UNA EXPECTATIVA A PRIORI MUY FUERTE ES ACONSEJABLE
Más detallesECONOMETRIA II ADE LADE-DERECHO. CURSO 2006/2007
ECONOMETRIA II ADE LADE-DERECHO. CURSO 2006/2007 Hoja de ejercicios 3 PARTE A) Marque con una X la respuesta o respuestas correctas A.1. En el gabinete de estudios de una empresa de inversión en activos
Más detallesSOLUCIÓN DE LA PRIMERA PRÁCTICA CALIFICADA DE ECONOMETRIA I
UNIVERSIDAD NACIONAL DE PIURA FACULTAD DE ECONOMIA SOLUCIÓN DE LA PRIMERA PRÁCTICA CALIFICADA DE ECONOMETRIA I 1º El investigador especifica el modelo siguiente: (7 puntos) M1(t) = a + b P(t) + c(0) PBI(t)
Más detallesUNIVERSIDAD NACIONAL DE TRUJILLO ESCUELA PROFESIONAL DE ECONOMÍA APUNTES DE CLASE
UNIVERSIDAD NACIONAL DE TRUJILLO ESCUELA PROFESIONAL DE ECONOMÍA APUNTES DE CLASE CAPÍTULO 8: ANÁLISIS DE REGRESIÓN MÚLTIPLE: EL PROBLEMA DE LA INFERENCIA ECONOMETRÍA 2 WILHEM ROOSVELT GUARDIA VÁSQUEZ
Más detallesREGRESIÓN CON DOS VARIABLES: ESTIMACIÓN DE INTERVALOS Y PRUEBA DE HIPÓTESIS
REGRESIÓN CON DOS VARIABLES: ESTIMACIÓN DE INTERVALOS Y PRUEBA DE HIPÓTESIS Teoría de la estimación: Estimación puntual Estimación por intervalos ESTIMACIÓN DE INTERVALOS: IDEAS BÁSICAS 1 Lo que se busca
Más detallesGUÍA DE EJERCICIOS 4 ECONOMETRIA III
GUÍA DE EJERCICIOS 4 ECONOMETRIA III 1) Se dispone de las series de diferencias anuales del logaritmo de las series mensuales índice de precios al consumo en España y la Comunidad de Andalucía y asumimos
Más detallesEconometría II LADE/LADE-DERECHO Prof. Esther Ruiz Curso 2007/2008. Práctica 6
Econometría II LADE/LADE-DERECHO Prof. Esther Ruiz Curso 2007/2008 Práctica 6 El objetivo de esta práctica es el análisis de las relaciones dinámicas entre el tipo de interés Overnight (Swaps) a 9 meses
Más detallesCAPITULO 4. MODELO ECONOMETRICO. 4.1 Planteamiento del modelo.
96 CAPITULO 4. MODELO ECONOMETRICO. 4. Planteamiento del modelo. Desde el principio de esta investigación se ha hecho hincapié en descubrir el peso que tiene la inversión neta en el crecimiento de la economía
Más detallesEviews tutorial 1. Universidad de San Andrés
Eviews tutorial 1 Universidad de San Andrés Previo a la sesión de Eviews: La estrategia para aprender a utilizar Eviews es la siguiente: primero vamos a construir un modelo arbitrariamente, para luego
Más detalles1. VARIABLES FICTICIAS
TEMA 1: EXTENSIONES DEL MODELO DE REGRESIÓN LINEAL MÚLTIPLE: VARIABLES FICTICIAS Y CAMBIO ESTRUCTURAL. Wooldridge: Capítulos 6 (apartado 6.1) y 7 Gujarati: Capítulos 9 (apartado 9.8), 10 y 12 1. VARIABLES
Más detallesEste estudio tiene como objetivo la demostración y aplicación de los modelos econométricos ANÁLISIS EMPÍRICO DEL ESTIMADOR PARA LA PRODUCCIÓN
ANÁLISIS EMPÍRICO DEL ESTIMADOR PARA LA PRODUCCIÓN DE TABACO CON MÍNIMOS CUADRADOS ORDINARIOS Diego Axel López Peláez* Resumen 15 Utilizando modelos econométricos, de mínimos cuadrados ordinarios, buscamos
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 detallesPrácticas Tema 5. Ampliaciones del Modelo lineal básico
Prácticas Tema 5. Ampliaciones del Modelo lineal básico Ana J. López y Rigoberto Pérez Dpto. Economía Aplicada, Universidad de Oviedo PRÁCTICA 5.1. Se ha examinado la evolución reciente de las ventas de
Más detallesEJEMPLO DE APLICACIÓN DE MODELIZACIÓN ARIMA A LA SERIE DE COTIZACIONES DIARIAS DE TERRA - LYCOS NOVIEMBRE 1999 A JUNIO 2001
EJEMPLO DE APLICACIÓN DE MODELIZACIÓN ARIMA A LA SERIE DE COTIZACIONES DIARIAS DE TERRA - LYCOS NOVIEMBRE 1999 A JUNIO 2001 CURSO DE TÉCNICAS DE PREVISIÓN DE VARIABLES FINANCIERAS PROGRAMA CITIUS Junio
Más detallesILUSTRACIÓN DEL PROBLEMA DE LA IDENTIFICABILIDAD EN LOS MODELOS MULTIECUACIONALES
ILUSTRACIÓN DEL PROBLEMA DE LA IDENTIFICABILIDAD EN LOS MODELOS MULTIECUACIONALES El objetivo de este documento es ilustrar matemáticamente, y con un caso concreto, el problema de la identificación en
Más detallesTema 6.- Variables ficticias y contrastes de estabilidad
Guía de estudio de los temas principales del 2º examen parcial. Econometría 4º de Economía.Facultade de CC.Económicas de la USC Curso 2003-2004. Nota ampliada el 13-5-2004. Esta guía está disponible en
Más detallesModelo Econométrico del Turismo en España. Facultad de Ciencias Económicas y Empresariales. Grado en Marketing e Investigación de Mercados
Facultad de Ciencias Económicas y Empresariales Grado en Marketing e Investigación de Mercados Modelo Econométrico del Turismo en España Presentado por: Silvia Veganzones González Tutelado por: María Isabel
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 detallesEjemplos de estudios de series de tiempo
1 Ejemplos de estudios de series de tiempo Ejemplo 1 Pasajeros Aerolíneas Internacionales (PAI) Este estudio está realizado sobre un famoso conjunto de datos mensuales, el número de pasajeros de aerolíneas
Más detallesln Y = β 0 + β 1 ln X 1 + β 2 X 2 + ε, (4) ln Y = β 0 + β 1 X 1 + β 2 X 2 + ε, (3)
Examen de Econometría I Universidad Carlos III de Madrid 1aa Convocatoria (26 de enero del 2004) Curso 2003/2004 Valores críticos de diferentes distribuciones pueden encontrarse al final del examen. PREGUNTA
Más detallesMODELO VAR ARGENTINA
MODELO VAR ARGENTINA 1.-INTRODUCCIÓN Argentina es una de las economías más grandes de América Latina. En los últimos años, Argentina priorizó promover un desarrollo económico con inclusión social. El país
Más detallesEn el caso más simple, cuando dos series tienen una única raíz estacionaria, son I(1,0), si están cointegradas implica que: Existe una relación en el
En el caso más simple, cuando dos series tienen una única raíz estacionaria, son I(1,0), si están cointegradas implica que: Existe una relación en el largo plazo entre las dos series que es estable en
Más detallesGuía de taller de Economía Cuantitativa V. Profesor: ALBERTO REYES DE LA ROSA.
Guía de taller de Economía Cuantitativa V. Profesor: ALBERTO REYES DE LA ROSA. Debe ser resuelta a mano, citar bibliografía (no usar internet). Términos clave 1. Ceteris Paribus 2. Grado de libertad 3.
Más detallesHeterocedasticidad y autocorrelación
Heterocedasticidad y autocorrelación Tema 6 Heterocedasticidad y Autocorrelación Esquema 1. Supuestos del modelo de regresión. 2. Distribución de los estimadores MCO. 3. Varianzas de los estimadores. 4.
Más detallesCAPÍTULO 4 DESARROLLO DEL MODELO ECONOMÉTRICO
CAPÍTULO 4 DESARROLLO DEL MODELO ECONOMÉTRICO 4.1 La Regresión Lineal El objetivo principal de este estudio es obtener los riesgos que afectan a las instituciones del sector bancario. como se mencionó
Más detallesRegresión con variables instrumentales
Regresión con variables instrumentales Tema 9 Introducción Cuando el supuesto de exogeneidad no se cumple, los estimadores MCO son sesgados e inconsistentes El método de Variables Instrumentales (VI) permite
Más detallesEXAMEN D'ECONOMETRIA II. LLICENCIATURA EN ECONOMIA. JUNY DE 2006 COGNOMS... NOM...
EXAMEN D'ECONOMETRIA II. LLICENCIATURA EN ECONOMIA. JUNY DE 2006 COGNOMS... NOM... 1. A partir de dades individuals corresponents a 706 individus, s ha estimat per mínims quadrats ordinaris un model de
Más detallesEconometría. Examen 02/02/2015. La respuesta que no sea claramente interpretable se considerará incorrecta.
Econometría Examen 02/02/2015 Alumno Grupo 1 a b c d 11 a b c d 2 a b c d 12 a b c d 3 a b c d 13 a b c d 4 a b c d 14 a b c d 5 a b c d 15 a b c d 6 a b c d 16 a b c d 7 a b c d 8 a b c d 9 a b c d 10
Más detallesEjemplo # 2: A: ENFOQUE TRAD ICIONAL
Ejemplo # 2: A: ENFOQUE TRAD ICIONAL De acuerdo con la Teoría Económica se especifica que la Renta Neta Disponible (Carrascal; et al; 2000:167) de una Familia :RNDFAM, depende o esta relacionada con los
Más detallesUNIVERSIDAD CARLOS III DE MADRID ECONOMETRÍA EXAMEN FINAL (Modelo D)
UNIVERSIDAD CARLOS III DE MADRID ECONOMETRÍA EXAMEN FINAL (Modelo D) DURACION: 2 HORAS Y 30 MINUTOS Instrucciones: 1. Este un modelo de examen que le servirá para autoevaluarse de todos los contenidos
Más detallesAVISO IMPORTANTE EL PROFESOR DARÁ ASESORÍA ESTE VIERNES 13 DE OCTUBRE EN LA SALA JOSE SOLITICA EL ARCHIVO EN EXCEL PARA COMPLETAR LA GUIA AL CORREO
AVISO IMPORTANTE EL PROFESOR DARÁ ASESORÍA ESTE VIERNES 13 DE OCTUBRE EN LA SALA JOSE AYALA DE 13 A 15 HRS SOLITICA EL ARCHIVO EN EXCEL PARA COMPLETAR LA GUIA AL CORREO tere_vieyra@yahoo.com.mx Guía para
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 detallesECONOMETRÍA I. Tema 6: Heterocedasticidad. Patricia Moreno Juan Manuel Rodriguez Poo Alexandra Soberon Departamento de Economía
ECONOMETRÍA I Tema 6: Heterocedasticidad Patricia Moreno Juan Manuel Rodriguez Poo Alexandra Soberon Departamento de Economía Alexandra Soberon (UC) ECONOMETRÍA I 1 / 23 Heterocedasticidad El supuesto
Más detallesRevista Internacional del Mundo Económico y del Derecho Volumen II (2010) Págs. de 1-20 ESTUDIO SOBRE EL DESEMPLEO EN ESPAÑA
Volumen II (2010) Págs. de 1 20 ESTUDIO SOBRE EL DESEMPLEO EN ESPAÑA Study of unemployment in Spain Autores: Alexandra García Mollons Miguel Torollo Arroyo Universidad Rey Juan Carlos I Resumen: El fin
Más detallesUNIVERSIDAD CARLOS III DE MADRID ECONOMETRÍA EXAMEN FINAL (Modelo A)
TIEMPO: 2 HORAS Instrucciones: UNIVERSIDAD CARLOS III DE MADRID ECONOMETRÍA EXAMEN FINAL (Modelo A) 1. Este un modelo de examen que le servirá para autoevaluarse de todos los contenidos del curso de Econometria
Más detallesENUNCIADOS DE PROBLEMAS
UNIVERSIDAD CARLOS III DE MADRID ECONOMETRÍA I Curso 2005/06 EXAMEN FINAL (Convocatoria ordinaria) 30 de Enero de 2006 ENUNCIADOS DE PROBLEMAS PROBLEMA 1: PROBABILIDAD DE DENEGACIÓN DE UNA HIPOTECA Se
Más detallesLEY DE WAGNER EN EL CASO COLOMBIANO,
865 II Congreso Virtual Internacional Desarrollo Económico, Social y Empresarial en Iberoamérica (Junio 2017) LEY DE WAGNER EN EL CASO COLOMBIANO, 1970-2010. Astrid León Camargo* Docente de la Universidad
Más detallesEXAMEN EXTRAORDINARIO DE ECONOMETRÍA Universidad Carlos III de Madrid Junio 2016
EXAMEN EXTRAORDINARIO DE ECONOMETRÍA Universidad Carlos III de Madrid Junio 2016 Responda a las 4 preguntas en dos horas y media. 1. Se está llevando a cabo una investigación econométrica sobre los precios
Más detallesIntroducción a la Econometría Capítulo 4
Introducción a la Econometría Capítulo 4 Ezequiel Uriel Jiménez Universidad de Valencia Valencia, Septiembre de 2013 4.1 El contraste de hipótesis: una panorámica 4.2 Contraste de hipótesis utilizando
Más detalleslog Y = log + v log K + (1 )v log L 1=2 log(1 )v[log(k=l)] 2 + U = log K + 2 log L + 3 [log(k=l)] 2 + U;
Universidad Carlos III de Madrid Econometría Examen Final, Convocatoria Extraordinaria, Curso 2014-2015. Duración del examen: 2 horas. Nota importante: Alguna información contenida en las salidas es redundante.
Más detallesPRODUCCIÓN DE VEHÍCULOS AUTOMOTORES EN MÉXICO,
PRODUCCIÓN DE VEHÍCULOS AUTOMOTORES EN MÉXICO, 1993-2007 PRODUCCIÓN DE VEHÍCULOS AUTOMOTORES EN MÉXICO, 1993-2007 Matilde Anel Ortiz Gómez * 31 Resumen La industria automotriz asentada en México tiene
Más detallesModelos Econométricos Lección 4. Estimación de una sola ecuación entre variables cointegradas (con mecanismo de corrección del error)
Modelos Econométricos Lección 4. Estimación de una sola ecuación entre variables cointegradas (con mecanismo de corrección del error) Presentado por Juan Muro Motivación Para entender en profundidad la
Más detallesFundamentos del Análisis Econométrico. Dante A. Urbina
Fundamentos del Análisis Econométrico Dante A. Urbina Qué es la Econometría? Etimológicamente Econometría significa medición de la economía. En ese contexto, la Econometría es la aplicación de métodos
Más detallesSOLUCIÓN DE LA QUINTA PRÁCTICA CALIFICADA DE ECONOMETRIA II. Variable Coefficient Std. Error t-statistic Prob.
UNIVERSIDAD NACIONAL DE PIURA FACULTAD DE ECONOMIA DEPARTAMENTO DE ECONOMIA SOLUCIÓN DE LA QUINTA PRÁCTICA CALIFICADA DE ECONOMETRIA II 1º El investigador especifica el modelo siguiente: CRESB_PRI(t) =
Más detallesGuía del 1º Parcial. Econometría 4º curso. Licenciatura de Economía. USC ttp://www.usc.es/economet/econometria.htm
Guía de estudio del 1º Parcial. Econometría 4º Curso, Licenciatura de Economía. USC. 22-2-2013. Profesoras María del Carmen Guisán Seijas y Pilar Expósito Díaz. Bibliografía básica: Guisán, M.C. (1997)
Más detallesEconometría de Económicas Ejercicios para el tema 2 y 3
Econometría de Económicas Ejercicios para el tema 2 y 3 Curso 2005-2006 Profesores Amparo Sancho Perez Guadalupe Serrano Pedro Perez 1 1- Los datos que se adjuntan hacen referencia a los datos de producción
Más detallesQUINTA PRÁCTICA CALIFICADA DE ECONOMETRIA II. Dependent Variable: CREDITOSB Method: Least Squares Sample: 1992M M07 Included observations: 211
UNIVERSIDAD NACIONAL DE PIURA FACULTAD DE ECONOMIA QUINTA PRÁCTICA CALIFICADA DE ECONOMETRIA II 1º Verificar si cointegra el modelo siguiente: CREDITOSB = a + b EMI + U 1.1. Aplicando la prueba alternativa
Más detallesEscuela de Economía Universidad de Carabobo Profesor: Exaú Navarro Pérez.
Escuela de Economía Universidad de Carabobo Profesor: Exaú Navarro Pérez. Econometría Regresión Múltiple: Municipio Ocupados Población Analfabeta Mayor de 10 años Total de Viviendas Bejuma 18.874 1.835
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 detallesModelos Econométricos Lección 2. Estacionariedad y raíces unitarias. Presentado por Juan Muro
Modelos Econométricos Lección 2. Estacionariedad y raíces unitarias Presentado por Juan Muro Motivación La no estacionariedad, en general, de las series económicas en el tiempo provoca consecuencias estadísticas
Más detallesECONOMETRÍA II Curso: 2009/2010 Práctica 5
ECONOMETRÍA II Curso: 2009/2010 Práctica 5 Prof. Juan de Dios Tena El objetivo de esta práctica es introducir al alumno en los ejercicios de especificación, estimación y análisis de resultados de modelos
Más detallespeso edad grasas Regresión lineal simple Los datos
Regresión lineal simple Los datos Los datos del fichero EdadPesoGrasas.txt corresponden a tres variables medidas en 25 individuos: edad, peso y cantidad de grasas en sangre. Para leer el fichero de datos
Más detallesEconometría. Examen 24/06/2015. La respuesta que no sea claramente interpretable se considerará incorrecta.
Econometría Examen 24/06/2015 Alumno Grupo 1 a b c d 11 a b c d 2 a b c d 12 a b c d 3 a b c d 13 a b c d 4 a b c d 14 a b c d 5 a b c d 6 a b c d 7 a b c d 8 a b c d 9 a b c d 10 a b c d Reglas del examen
Más detallesDocumento de Trabajo. Debo inscribir más de 22 créditos?
Documento de Trabajo Debo inscribir más de 22 créditos? Rodrigo Navia Carvallo 2004 El autor es Ph.D in Economics, Tulane University, EEUU. Máster of Arts in Economics, Tulane University, EEUU. Licenciado
Más detallesSolución Ejercicio 7.
Solución Ejercicio 7. Heterocedasticidad y autocorrelación. Ejercicio 7.1 Alquiler de sombrillas Primera parte a. Modelo: S t = α + βt t + u t t = 1,..., 22 Modelo 1: MCO, usando las observaciones 2012-04-30
Más detallesCAPITULO IV MODELOS MULTIECUACIONALES
CAPITULO IV MODELOS MULTIECUACIONALES 1. INTRODUCCIÓN En el modelo básico de regresión y para cualquier punto muestral t tenemos: y = β x + β x + + β x + u t 1 1t 2 2 t... k kt t expresándolo en matrices
Más detallesAnálisis del mercado hipotecario en Valladolid
Facultad de Ciencias Económicas y Empresariales Trabajo de Fin de Grado Grado en ADE Análisis del mercado hipotecario en Valladolid Presentado por: Rocío Veganzones Cano Valladolid, 29 de junio de 2016
Más detallesInfluencia de la política económica en los principales indicadores de la economía peruana Amer Ernesto Fernández Dávila Angulo
Influencia de la política económica en los principales indicadores de la economía peruana 1950-2006 Amer Ernesto Fernández Dávila Angulo Introducción Todo grupo de medidas económicas tiene por objeto mejorar
Más detallesENUNCIADOS DE PROBLEMAS
UNIVERSIDAD CARLOS III DE MADRID ECONOMETRÍA I Curso 2005/06 EXAMEN FINAL (Convocatoria extraordinaria) 1 de Septiembre de 2006 ENUNCIADOS DE PROBLEMAS PROBLEMA 1: INVERSIÓN Y VALOR DE MERCADO Deseamos
Más detallesUNIVERSIDAD CARLOS III DE MADRID ECONOMETRÍA EXAMEN FINAL (Modelo B)
UNIVERSIDAD CARLOS III DE MADRID ECONOMETRÍA EXAMEN FINAL (Modelo B) TIEMPO: 125 MINUTOS Instrucciones: 1. Este un modelo de examen que le servirá para autoevaluarse de todos los contenidos del curso de
Más detallesEconometría Universidad Carlos III de Madrid Examen Extraordinario 25 de Junio de Pr (N (0, 1) > 1, 282) = 0, 10
Econometría Universidad Carlos III de Madrid Examen Extraordinario 25 de Junio de 2014 Instrucciones para la realización del examen: Dispone de 2 horas y media para responder al examen La evaluación consta
Más detallesEvolución de las importaciones totales
ECUACIÓN DE DEMANDA POR IMPORTACIONES 1. Marco Teórico. La importancia del sector externo es innegable, sobre todo porque se trata de uno de los principales motores de crecimiento de la economía chilena.
Más detallesProyecciones del PBI para el 2003.
Proyecciones del PBI para el 2003. Por Pablo Frigolé, para Stockssite pablofrigole@stockssite.com Después de muchas preguntas sobre cuál sería el valor de las variables futuras más importantes de la economía
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 detallesUNIVERSIDAD CARLOS III DE MADRID ECONOMETRÍA EXAMEN FINAL (Modelo C)
UNIVERSIDAD CARLOS III DE MADRID ECONOMETRÍA EXAMEN FINAL (Modelo C) DURACION: 2 HORAS Y 15 MINUTOS Instrucciones: 1. Este un modelo de examen que le servirá para autoevaluarse de todos los contenidos
Más detalles