Tema 5: PROBLEMAS EN LA ESTIMACIÓN DEL MODELO DE REGRESIÓN LINEAL SIMPLE
|
|
- Juan José Toledo Vázquez
- hace 5 años
- Vistas:
Transcripción
1 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 un trabajo econométrco, como se expuso ya en el TEMA, es la especfcacón del modelo econométrco que, habtualmente, se basa en una determnada teoría económca. La especfcacón del modelo comprende: la seleccón de las varables exógenas más adecuadas para la explcacón de la varable endógena, la eleccón de la forma funconal del modelo y el enuncado de un conjunto de supuestos o hpótess sobre las característcas matemátcas y estocástcas de las varables exógenas y de las perturbacones aleatoras. En el caso del modelo de regresón lneal smple se decde que tan solo una varable exógena es sufcente y que la forma del modelo ha de ser lneal respecto a los parámetros, asumendo que la varable exógena no es aleatora y que las perturbacones aleatoras se dstrbuyen según un modelo normal con meda nula y varanza constante, sendo entre sí ndependentes. A partr de esta especfcacón se han obtendo los estmadores de M.C.O. que concden con los de M.V. y son nsesgados consstentes y efcentes, se han elaborado ntervalos de confanza y dversos contrastes de sgnfcacón para termnar aplcando la estmacón del modelo en la predccón puntual y por ntervalo de la varable endógena. Todo esto no se podría haber consegudo, y alguno de estos resultados no sería váldo, s los supuestos enuncados en la especfcacón del modelo econométrco no fueran certos, debéndose comprobar, por tanto, empírcamente la donedad de los msmos. Podremos dstngur los sguentes problemas en la especfcacón del modelo: - Al selecconar las varables exógenas los errores más mportantes que se pueden cometer son, por un lado, la nclusón de varables rrelevantes en la explcacón del comportamento de la varable endógena y, por otro lado, la omsón de varables que deberían haberse ncorporado a la estructura del modelo y cuya ausenca suele provocar una sere de problemas más mportantes que los dervados por el prmer error ctado. - Al elegr la forma funconal del modelo puede que no sea la correcta, ben porque la forma no sea la lneal respecto a los parámetros, ben por que las transformacones que se hayan poddo realzar sobre las varables orgnales no sean las adecuadas. Tambén un tpo de error que podríamos ctar aquí es el producdo al no cumplrse el mantenmento constante, para todas las observacones muestrales, del valor de los parámetros ncludos en la estructura del modelo, lo que se denomna cambo de estructura. - Respecto al ncumplmento de alguna de las hpótess báscas descrtas en el Tema se podría estudar el caso de regresores estocástcos, es decr, cuando las observacones de la varable exógena son aleatoras, sobre todo s se detecta que exste correlacón entre la varable exógena y el térmno de error. Pero los ncumplmentos más mportantes son los que atañen a los supuestos establecdos sobre las perturbacones aleatoras. Concretamente el análss de los problemas dervados de la heterocedastcdad (varanza no constante de las perturbacones) y de la autocorrelacón (dependenca entre perturbacones) que son los que a contnuacón se van a exponer. Quedando el tratamento de los demás problemas de especfcacón ctados fuera del ámbto del programa establecdo en este curso. 73
2 Departamento de Estadístca e Investgacón Operatva II (Métodos de Decsón). Heterocedastcdad: Concepto, consecuencas, deteccón y posbles solucones. Concepto En el modelo de regresón lneal smple: Y = β + β X + u =,...,, vamos a suponer que se verfca: E[u ] = 0, E[u.u j ] = 0 j y u ~ ormal. Se da heterocedastcdad cuando las varanzas de las perturbacones aleatoras u no son guales entre sí, es decr cuando: V[u ] = σ para =,..., y, por tanto, u ~ [0, σ ] e ndependentes. Como se observa la heterocedastcdad mplca que el número total de parámetros a estmar se eleva a + ( parámetros estructurales más varanzas de las perturbacones aleatoras), sendo, por tanto, mposble su estmacón. Sólo se podrá abordar la estmacón del modelo s se mponen determnadas restrccones a la forma de heterocedastcdad que consgan reducr el número de parámetros. Los casos de heterocedastcdad más estudados son aquéllos en los que los valores de las varanzas σ dependen de los valores de una de las varables exógenas, que en nuestro caso sólo puede ser la varable X, o de una funcón de ella, resultando que: σ = K X V[u ] = σ = f(x ), pudendo ser, por ejemplo σ = K X σ = K X y S representamos K por σ (sn representar, por ahora, nngún concepto de varanza) X, X ó X por, la expresón anteror quedará de forma general como: V[u ] = σ = σ [5.] Expuesto de esta forma, el caso de homocedastcdad se puede consderar un caso partcular en el que = para todo =,...,. S los valores de σ dependen de los valores X de forma crecente, la gráfca de la nube de puntos correspondente al conjunto de pares observados podría ser como la que se representa en el sguente gráfco: Y β + β X X 74
3 Introduccón a la Econometría Tema 5: PROBLEMAS E LA ESTIMACIÓ DEL MODELO La exstenca de heterocedastcdad puede deberse a múltples causas. Entre ellas pueden ctarse: - El propo crecmento de la varable exógena puede suponer una mayor varabldad en los valores que vaya tomando la varable endógena, como sucede en el ejemplo propuesto en el TEMA del modelo que explca las varacones del gasto famlar en benes de consumo según el nvel del ngreso correspondente. Es evdente que a mayor cfra de ngresos exste mayor posbldad de varar la correspondente cfra de gastos, lo que provoca heterocedastcdad. - Una mala especfcacón del modelo. S se hubera omtdo alguna varable mportante en la estructura del modelo, sus valores pasarían a formar parte del térmno de error, pudendo causar, debdo a su dstnta varabldad, heterocedastcdad. - La posble exstenca de heterocedastcdad se estuda más en modelos con datos de corte transversal que en modelos con seres temporales. Consecuencas ) Al no cumplrse el supuesto de varanza constante, las expresones de las varanzas de los estmadores, obtendas en el TEMA 3, no son váldas y, por tanto, los estadístcos utlzados para la elaboracón de los ntervalos de confanza y la resolucón de los contrastes de sgnfcacón tampoco lo son, n las conclusones que se hayan obtendo por medo de esos ntervalos y contrastes se pueden, ahora, mantener. En cada caso de heterocedastcdad se deberían generar los estadístcos adecuados para elaborar los ntervalos y contrastes correctos. ) Se puede comprobar que los estmadores de M.C.O. sguen sendo nsesgados y consstentes, pero no son los de mínma varanza entre los lneales e nsesgados. Estos estmadores serían los que se obtuveran por el método denomnado de Mínmos Cuadrados Generalzados (M.C.G.), que en nuestro caso consstría en mnmzar, en lugar de la suma de los cuadrados de los resduos, la sguente funcón: e SG (b, b, σ ) = σ Con lo que se deduce que para poder estmar el modelo es necesaro especfcar alguna forma de heterocedastcdad que reduzca el número de parámetros a estmar. 3) La funcón de verosmltud, en el caso de dstrbucón normal de las perturbacones, no es, ahora, la msma que se utlzó en el TEMA 3, sno otra con la que se obtendrían unos estmadores dstntos de los de M.C.O.(b y b ) que ya no serían los efcentes. Se puede comprobar que, en este caso, los estmadores de M.V. concden con los estmadores M.C.G.(b, b ) y son efcentes. = 75
4 Departamento de Estadístca e Investgacón Operatva II (Métodos de Decsón) Deteccón - Método gráfco: Vamos a suponer que s exste heterocedastcdad las varanzas de las perturbacones aleatoras dependen de los valores X por medo de una funcón unformemente crecente, de forma que s los valores de X crecen las varanzas aumentarán de valor. S así fuera es evdente que los resduos, tomados en valor absoluto o elevados al cuadrado, crecerán al r consderando valores crecentes para X, dado que su meda es cero. Llevando dchos valores a un sstema de ejes cartesanos quedaría una gráfca como la sguente: e ó e Detectándose, por el comportamento de los resduos, que exste heterocedastcdad del tpo anterormente defndo. El defecto de este método es que no sempre el gráfco refleja de forma clara y evdente s se da o no heterocedastcdad, no habendo tampoco nnguna medda o característca que delmte cuando se tene que aceptar o rechazar que la varanza es constante. En este sentdo se han propuesto dversos contrastes paramétrcos para probar la hpótess de homocedastcdad, sendo uno de ellos el denomnado contraste de Goldfeld-Quandt, por ser estos los autores que lo formularon en 965. X - Contraste de Goldfeld-Quandt Es un contraste paramétrco que se basa en el supuesto de dstrbucón normal de las perturbacones aleatoras y se aplca para probar que se cumple la hpótess de homocedastcdad frente a la exstenca de heterocedastcdad según una funcón crecente respecto a los valores X de la varable exógena (o respecto a cualquer otra varable con observacones conocdas y que se haya dentfcado como causante de la dspersón crecente de los valores de la varable endógena respecto a la estructura del modelo). Hpótess: H o : Homocedastcdad σ = σ H : Heterocedastcdad σ = f(x ) [ s X σ ] 76
5 Introduccón a la Econometría Tema 5: PROBLEMAS E LA ESTIMACIÓ DEL MODELO Para la realzacón del contraste se sguen los sguentes pasos: ) Se ordena el conjunto de las observacones muestrales según los valores crecentes de los datos X. ) Se retran las C observacones centrales (C /3), dejando los dos grupos extremos con el msmo número de observacones cada uno: C Grupo I: contene a las prmeras = m observacones C Grupo II: contene a las últmas = m observacones S exste heterocedastcdad, según se ha formulado la hpótess alternatva, en el grupo I se darían las cfras más pequeñas de σ y en el grupo II las cfras más grandes de las correspondentes varanzas. 3) Se estma el modelo por M.C.O. con los datos del grupo I, obtenendo los prmeros m resduos que representamos por e ( =,...,m) y se vuelve a estmar el modelo por M.C.O., ahora utlzando los datos del grupo II, obtenendo los últmos m resduos representados por e j (j =,...,m). 4) Se construye el estadístco F GQ : F GQ m m m e j j= j= = = m m e m = = e e j Este estadístco compara por cocente el estmador nsesgado de σ con los datos del grupo II, con la msma estmacón nsesgada de la varanza pero utlzando los datos del grupo I. S la hpótess nula es certa ( Homocedastcdad) se puede demostrar que este estadístco se dstrbuye según el modelo de la varable F m-; m-. 5) Regón crítca, al nvel de sgnfcacón α: Dado que, s es certo que exste heterocedastcdad, la expresón del numerador del estadístco F GQ estmaría un valor mayor que el que obtendría la expresón del denomnador, la regón crítca quedará de la sguente forma: S F GQ F α se rechaza la H o y se acepta la exstenca de heterocedastcdad Sendo F α el valor numérco que verfca en la dstrbucón de F m-; m- que: P[F m-;m- F α ] = α Algunos autores recomendan otras cfras: C = 4 s = 30 y C = 0 s =
6 Departamento de Estadístca e Investgacón Operatva II (Métodos de Decsón) Posble solucón: Mínmos Cuadrados Ponderados Sea el modelo: Y = β + β X + u para =,...,, en el que se detecta que exste heterocedastcdad con V(u ) = σ = σ, donde σ es un valor constante desconocdo y es una funcón de los valores X o de cualquer otra varable conocda causante de la heterocedastcdad. Una forma de estmar efcentemente los parámetros del modelo y que, en este caso, resulta equvalente a la estmacón por M.C.G., consste en estmar por M.C.O. un modelo transformado del ncal pero con varanza constante. La transformacón adecuada consste en multplcar en los dos membros del modelo por el nverso de, quedando: Y = β β + + para =,..., X u Ahora, la varanza de las perturbacones transformadas es: V u = ( ) = σ = σ = σ V u Por tanto, el modelo transformado tene perturbacones aleatoras con varanza constante, cuyo valor es la cantdad desconocda σ, y es posble estmarlo por M.C.O.. Los parámetros son los msmos que en el modelo ncal, pero las varables son transformacones de las orgnales y, en general, contene dos varables exógenas: la transformada de X y, nueva varable que acompaña al parámetro β, desaparecendo del modelo la ordenada en el orgen. Sólo habrá un caso partcular en el que el modelo transformado contendrá ordenada en el orgen ( cuál?). Se pueden hacer las sguentes consderacones: - Las estmacones de los parámetros β y β en el modelo transformado son efcentes y los ntervalos y contrastes serán váldos con las nuevas estmacones de las varanzas de los estmadores y estmando con los nuevos resduos el valor de σ. - σ es la varanza de las nuevas perturbacones, luego es la varanza constante Y de las observacones en el modelo transformado. - El coefcente de determnacón no se debe calcular, ya que lo habtual es que el nuevo modelo no contenga ordenada en el orgen, y s la tuvera y se pudera calcular R, este nos ndcaría la proporcón de varanza de las Y explcada por la varable exógena resultante en la transformacón. 78
7 Introduccón a la Econometría Tema 5: PROBLEMAS E LA ESTIMACIÓ DEL MODELO 3. Autocorrelacón: Concepto, consecuencas, deteccón y posbles solucones. Concepto Sea el modelo de regresón lneal smple: Y t = β + β X t + u t para t =,...,. S se cumple que algún par de perturbacones aleatoras están correlaconadas, se dce que exste autocorrelacón. Es decr, s cov(u t,u s ) = E(u t u s ) = σ ts 0, al menos para algún (t,s) con t s y, por tanto, exste dependenca lneal entre algunos térmnos de error. Los casos de autocorrelacón que más se estudan son aquellos defndos por algún tpo de relacón lneal entre las perturbacones. El más mportante y sencllo de todos ellos, pero no el únco aunque en este Tema no expongamos otro, es el denomnado proceso autorregresvo de prmer orden [AR()] que se defne cuando las perturbacones u t verfcan la relacón: AR(): u t = ρu t- + ε t con ρ < y ε t [0;σ ε ] e ndependentes [5.] En este caso se pueden demostrar los sguentes resultados: ) u t = ε t + ρε t- + ρ ε t- + ρ 3 ε t ) E(u t ) = 0 σε Vu t = (constante) ρ 3) ( ) h 4) cov(u t,u t-h ) = ρ σε ρ De donde se deduce que en el modelo se verfcan las hpótess de meda nula y de homocedastcdad. y que las autocovaranzas (cov(u t,u t-h )) decrecen según aumenta la separacón entre observacones en la muestra, ndcada dcha separacón por el retardo h que aparece como exponente de ρ, una cantdad nferor, en valor absoluto, a. ρ es el denomnado coefcente de autocorrelacón de prmer orden y representa el grado de dependenca entre u t y u t-. Es, tambén, el coefcente de regresón del modelo [5.] que refleja la nfluenca de u t- sobre u t. Su estmador será: $ρ = t= t= ee t t- e t- = ee t t- t= - e t t= [5.3] S 0 < ρ < se dce que exste autocorrelacón postva S - < ρ < 0 se dce que exste autocorrelacón negatva En este epígrafe vamos a utlzar t como subíndce, dado que este problema se estuda prncpalmente en modelo que utlzan seres temporales. 79
8 Departamento de Estadístca e Investgacón Operatva II (Métodos de Decsón) La exstenca de autocorrelacón se puede deber a muchas causas, entre las que destacan: - El mantenmento de certos efectos, no captados por la estructura del modelo y producdos en perodos anterores, durante varos perodos y que son recogdos por las perturbacones aleatoras. - Una mala especfcacón del modelo, consstente en varables explcatvas omtdas o en la eleccón ncorrecta de la forma funconal, puede provocar que las perturbacones recojan esas omsones y defectos y resulten dependentes entre sí. Consecuencas Las consecuencas de la exstenca de autocorrelacón sobre la estmacón del modelo son análogas a las expuestas en el apartado anteror de heterocedastcdad: ) Al no cumplrse el supuesto de covaranza nula entre las perturbacones, las expresones de las varanzas de los estmadores no son váldas y, por tanto, los estadístcos utlzados para la elaboracón de los ntervalos de confanza y la resolucón de los contrastes de sgnfcacón tampoco lo son, n las conclusones que se hayan obtendo por medo de esos ntervalos y contrastes se pueden, ahora, mantener. En cada caso concreto de autocorrelacón se deberían generar los estadístcos adecuados para elaborar los ntervalos y contrastes correctos. ) Se puede comprobar que los estmadores de los parámetros β y β por M.C.O. sguen sendo nsesgados y consstentes, pero no son los de mínma varanza entre los lneales e nsesgados, que serían, ahora, los que se obtuveran por el método de Mínmos Cuadrados Generalzados (M.C.G.). Estos estmadores son, tambén, los que se obtendrían por M.V., bajo el supuesto de dstrbucón normal de las perturbacones, y que son los efcentes. El problema, como en el epígrafe anteror, es que, en general, aumenta enormemente el número de parámetros, hacendo mposble la estmacón estadístca del modelo. Solo una especfcacón determnada de la forma en que se puede concretar la autocorrelacón nos permtrá reducr el número de parámetros y poder estmar el modelo, sempre bajo la restrccón de que la forma elegda de la autocorrelacón sea la correcta. En este Tema el únco modelo de autocorrelacón que se consdera es el defndo por un proceso AR() cuyas característcas más mportantes se han expuesto anterormente y, por tanto, el contraste para detectar la presenca de autocorrelacón y la forma de estmar el modelo s esa presenca se confrma, se referrán exclusvamente a esa forma concreta de autocorrelacón. 80
9 Introduccón a la Econometría Tema 5: PROBLEMAS E LA ESTIMACIÓ DEL MODELO Deteccón - Contraste de Durbn-Watson Esta es una prueba estadístca que úncamente se utlza para probar la presenca de autocorrelacón según un proceso AR(). Para su aplcacón es necesaro que se cumplan los sguentes requstos: - El modelo no debe contener regresores estocástcos. En nuestro caso, que la varable exógena X no sea aleatora. - El modelo debe tener ordenada en el orgen - La varable endógena no debe aparecer con retardos, como varable explcatva. Con estas condcones se defne nuestro modelo: Y t = β + β X t + u t t =,..., sendo u t = ρu t- + ε t con ρ < y ε t [0;σ ε ] e ndependentes Las hpótess que se plantean para el contraste son: Ho : o exste autocorrelacón ρ = 0 Hpótess HA : ρ > 0 H : Autocorrelacón 0 ρ HB : ρ < 0 El estadístco de Durbn-Watson se defne como: d = ( e t et-) t= t= e t [5.4] sendo e t los resduos de la estmacón por M.C.O. del modelo. Se puede comprobar que: d ( ρˆ ) sendo $ρ el estmador del coefcente de autocorrelacón de prmer orden, defndo en [5.3]. Luego, el estadístco d está drectamente relaconado con el grado de autocorrelacón, deducéndose que: - S exste autocorrelacón postva 0< $ρ < 0 < d < - S exste autocorrelacón negatva < $ ρ < 0 < d < 4 El defecto de este estadístco es que, s la hpótess nula es certa [ρ = 0], no tene una únca dstrbucón de probabldad, sno que la forma de ésta depende de los valores X que se observen para la varable exógena, solo pudéndose determnar que, bajo la hpótess nula [ρ = 0] : E[d] + /(-), es decr, para muestras grandes práctcamente. 8
10 Departamento de Estadístca e Investgacón Operatva II (Métodos de Decsón) El trabajo de Durbn y Watson consstó en determnar dos estadístcos d L y d U que sempre verfcan que: d L < d < d U. Es decr, d L es una varable que acota nferormente a d, mentras que d U lo acota superormente. Durbn y Watson obtuveron que s ρ es gual a cero, estos estadístcos tenen, cada uno de ellos, una únca dstrbucón de probabldad. Por tanto, aunque no se pueda determnar el valor crítco d α en la dstrbucón de d, s será posble encontrar dos valores d Lα y d Uα que verfquen que: d Lα < d α < d Uα [5.5] De tal manera que la resolucón del contraste tendrá las sguentes partculardades: - S 0 < d <, entonces se plantea como hpótess alternatva H A : ρ > 0 (autocorrelacón postva) y la regón crítca, al nvel de sgnfcacón α, se formaría por los valores más pequeños, más alejados del, del estadístco d : d < d α. Pero el valor crítco d α no es posble determnarlo, en su lugar se obtenen los valores d Lα y d Uα que cumplen [5.5] y, por tanto, sólo estaremos seguros de rechazar la hpótess nula s d < d Lα, y sólo estaremos seguros de aceptar la hpótess nula cuando se cumpla que d > d Uα, quedando un caso de duda s d Lα < d < d Uα. - S < d < 4, entonces se plantea como hpótess alternatva H B : ρ < 0 (autocorrelacón negatva) y la regón crítca, al nvel de sgnfcacón α, se formaría por los valores más grandes, más próxmos al 4, del estadístco d : d > d -α. El valor crítco d -α, en este caso y dada la smetría en la dstrbucón de d, se puede susttur por 4 - d α, quedando la regón crítca : d > 4 - d α 4 - d < d α pero con el msmo problema de ndetermnacón que antes, de tal forma que solo estaremos seguros de rechazar la hpótess nula s 4 - d < d Lα, y solo estaremos seguros de aceptar la hpótess nula cuando 4 - d > d Uα, quedando un caso de duda s se dera que d Lα < 4 - d < d Uα. La resolucón del contraste se puede resumr en el sguente cuadro: Caso I S 0 < d < H o: ρ = 0 H : ρ > 0 A En tablas de D-W, al nvel de sgnfcacón α, se obtenen valores: d Lα y d Uα s d < d Lα se rechaza H o s d > d Uα se acepta H o s d Lα < d < d Uα se duda Caso II S < d < 4 H o: ρ = 0 H : ρ < 0 B Con los msmos valores crítcos del caso I: d Lα y d Uα s 4 - d < d Lα se rechaza H o s 4 - d > d Uα se acepta H o s d Lα < 4 - d < d Uα se duda 8
11 Introduccón a la Econometría Tema 5: PROBLEMAS E LA ESTIMACIÓ DEL MODELO Posble solucón: transformacón del modelo S se detectase la presenca de autocorrelacón según un proceso AR(), al aplcar el contraste de Durbn-Watson, la especfcacón correcta del modelo sería: Y t = β + β X t + u t t =,..., [5.6] con u t = ρu t- + ε t ρ < y ε t [0;σ ε ] e ndependentes S expresamos el modelo [5.6] para un perodo anteror, en t -, quedaría: Y t- = β + β X t- + u t- t =,...,+ [5.7] Multplcando [5.7] por ρ y restando el resultado a [5.6], se obtene: Y t - ρy t- = β ( - ρ) + β (X t - ρx t- ) + u t - ρu t- t =,..., [5.8] Resultando un modelo transformado del ncal, con las sguentes característcas: - Es un modelo de regresón lneal smple. - Las nuevas perturbacones aleatoras son: u t - ρu t- = ε t [0;σ ε ] e ndependentes, no exstendo problema de autocorrelacón. - La ordenada en el orgen es β T = β ( - ρ). - Las observacones muestrales de la nuevas varables, endógena y exógena, son respectvamente: Y t T = Y t - ρy t- y X t T = X t - ρx t- - El modelo transformado tene una observacón menos. Se recomenda ncorporar la sguente: para t = Y T = ρ Y y X T = ρ X S se conocera el valor de ρ se podrían estmar de forma efcente los parámetros β y β, estmando por M.C.O. el modelo: Y T t = β T + β X T t + ε t con t =,..., sendo ε t [0;σ ε ] e ndependentes [5.9] $ T con las transformacones menconadas, deducéndose que: β$ β = - ρ Al no conocerse el valor de ρ se deberá estmar prevamente. Una estmacón posble es la expresada en [5.3] con los resduos de una prmera estmacón por M.C.O., que son los que se habrían utlzado en el estadístco d del contraste de Durbn-Watson. Se han desarrollado dversos métodos que mejoran esta estmacón, como el de Cochrane- Orcutt o el de Hldret-Lu, pero su estudo queda fuera de los objetvos de este curso. $ρ = t= t= ee t t- e t- = ee t t- t= - e t t= 83
12 Departamento de Estadístca e Investgacón Operatva II (Métodos de Decsón) Una vez estmado ρ se calcularían las transformacones de las varables y se procedería a estmar el modelo [5.9] por M.C.O., tomando las debdas precaucones, análogas a las consderadas en el caso de la heterocedastcdad: - Las estmacones de los parámetros β T y β en el modelo trasformado, s la estmacón de ρ ha sdo la correcta, son efcentes y los ntervalos y contrastes aplcados con los nuevos resduos y las nuevas estmacones de las varanzas de los estmadores son váldos. El parámetro β se estmará con: β$ $ T β = - $ ρ - Con los nuevos resduos estmaremos σ ε y no σ, pero recordando que en este caso se cumple que: Vu ( σε t ) =, es fácl obtener una estmacón para σ : ρ $ σ ε $ σ = $ ρ - El coefcente de determnacón en la estmacón del modelo transformado, ndcaría la proporcón que de la varanza de las Y T explcan las varacones de las X T, y no representaría nnguna medda de ajuste en el modelo orgnal En los dos casos que se ha estudado, heterocedastcdad y autocorrelacón, el ncumplmento de la correspondente hpótess mplca un aumento del número de parámetros a estmar (dstntas varanzas o dstntas covaranzas) que se puede reducr, sólo, s se especfcan determnadas formas de heterocedastcdad o autocorrelacón, que deberemos confrmar empírcamente. En el prmer caso consstrá en localzar la varable que provoca la dstnta varabldad en cada observacón y rechazar la hpótess de homocedastcdad, ordenando la muestra según los valores de esa varable, al aplcar el contraste de Golfeld-Quandt, para, posterormente, selecconar la forma en que esa varable se relacona con las dstntas varanzas [ej.: σ = σ f(x )] y, así, poder transformar el modelo para estmarlo efcentemente por M.C.O.. Una comprobacón de que la forma elegda es correcta consstría en volver a aplcar el contraste G-Q en la estmacón del modelo transformado y aceptar, esta vez, la presenca de homocedastcdad. En el problema de la autocorrelacón úncamente hemos expuesto el caso AR(). S se aceptara la hpótess de no autocorrelacón (ρ = 0) es posble que exsta autocorrelacón a través de otro modelo dstnto del AR(), y se debería estudar s los resduos de M.C.O. se ajustan a algún otro modelo de proceso. S en el contraste de D-W se rechazara la hpótess nula, es posble que el modelo AR() esté ocultando otro modelo de dependenca que comprenda a la relacón de prmer orden que representa el modelo AR(). Esto se podría comprobar analzando los resduos calculados en el modelo transformado con las nuevas estmacones de los parámetros, y s se puede aceptar que no hay dependenca entre ellos, las estmacones realzadas serían váldas. 84
13 Introduccón a la Econometría Tema 5: PROBLEMAS E LA ESTIMACIÓ DEL MODELO EJERCICIOS PROPUESTOS 5.. Al estmar un modelo de regresón lneal smple, con datos de 4 empresas, se sospecha que pueda haber un problema de heterocedastcdad, quzás provocada por los valores crecentes de la varable exógena. Al estmar por MCO el modelo con los 4 prmeros datos se obtene que: 4 = e = 456,50 Y al estmarlo con los 4 últmos, el resultado es: 4 j= e j = 665,96 Plantee y resuelva el contraste de homocedastcdad, al 5% de nvel de sgnfcacón. 5. Sea el modelo Y = β + β X + u =,...,30 en el que las observacones se han ordenado según el orden ascendente de la varable X. S al estmar el modelo, por M.C.O., con las 0 prmeras observacones se obtene que: R = 0,7044 ΣY = 65 ΣY = 595 y al estmarlo con las 0 últmas se obtene: R = 0, ΣY = 60 ΣY = º: Verfque, por medo del contraste de Goldfeld-Quandt, la exstenca de heterocedastcdad, exponendo los supuestos necesaros para la aplcacón de este contraste. º: De qué forma se podrán obtener estmacones efcentes de los parámetros?. 5.3 En la estmacón del modelo Y t = β + β X t + u t t =,..., 4 se han obtendo los sguentes resduos : t : e t : -0,5 0-0,5 0, ,5-0, ,5 º: Elabore el contraste adecuado para aceptar o rechazar la hpótess de no exstenca de autocorrelacón en las perturbacones del modelo. º: Enumere las lmtacones más mportantes del test estadístco aplcado. 5.4 En la estmacón de un modelo de regresón de la funcón de consumo keynesana se han obtendo los sguentes resduos: e : 0,3-0,0-0,6-0,66-0,86-0,78-0,3 0,9-0, 0, 0,3 0, 0,0 0,9 0,9 0,6 0, 0,96 0,4,0 0,4-0,40 0,33-0,84 0,00-0,57 6 = calculándose que ( e e ) = 6, 868 º: Contraste la exstenca de autocorrelacón, al 5% de nvel de sgnfcacón. º: Exponga el procedmento de estmacón adecuado para corregr la exstenca de autocorrelacón. 85
14 Departamento de Estadístca e Investgacón Operatva II (Métodos de Decsón) 5.5 Al estmar un modelo de regresón lneal smple, con datos de 60 personas encuestadas, se sospecha que pueda haber un problema de heterocedastcdad, quzás provocada por los valores de la únca varable exógena en el modelo que es la edad de las personas. Es decr, se sospecha que a valores más pequeños de la varable edad de la persona las varanzas de las perturbacones serán mayores. Al estmar el modelo, 0 por M.C.O. con las 0 personas más jóvenes, se obtene que: e = 0849, 935 = 0 Y al estmarlo con las 0 personas de más edad, el resultado es: e 359,3045. Plantee y resuelva el contraste de homocedastcdad, al 5% de nvel de sgnfcacón. j= j = 5.6 Se ha estmado el modelo de regresón lneal smple: Y t = β + β X t + u t para t =,..., 30 Y se ha calculado el valor del estadístco de Durbn-Watson: d = 0,93. º: Qué conclusón se obtene en la resolucón del contraste de Durbn-Watson? º: Qué consecuencas traería, para la estmacón del modelo por M.C.O., la exstenca de autocorrelacón en las perturbacones aleatoras del modelo? 86
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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 detallesENUNCIADOS DE LOS EJERCICIOS PROPUESTOS EN 2011 EN MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES. 3 y
ENUNCADOS DE LOS EJERCCOS PROPUESTOS EN 011 EN MATEMÁTCAS APLCADAS A LAS CENCAS SOCALES. EJERCCO 1 a (5 puntos Raconalce las epresones y. 7 b (5 puntos Halle el conjunto de solucones de la necuacón EJERCCO
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 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 detallesUNIDAD 12: Distribuciones bidimensionales. Correlación y regresión
Matemátcas aplcadas a las Cencas Socales UNIDAD 1: Dstrbucones bdmensonales. Correlacón regresón ACTIVIDADES-PÁG. 68 1. La meda la desvacón típca son: 1,866 0,065. Los jugadores que se encuentran por encma
Más detalles6 Heteroscedasticidad
6 Heteroscedastcdad Defncón casas de heteroscedastcdad Defncón: la varanza de la pertrbacón no es constante. Casas: a natraleza de la relacón entre las varables Ejemplo : relacón gasto-renta; Hogares con
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 detallesAlgunas aplicaciones del test del signo
43 Algunas aplcacones del test del sgno Test de Mc emar para sgnfcacón de cambos: En realdad este test se estuda en detalle en Métodos no Paramétrcos II, en el contexto de las denomnadas Tablas de Contngenca.
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 detallesSEMANA 13. CLASE 14. MARTES 20/09/16
SEMAA 3. CLASE. MARTES 20/09/6. Defncones de nterés.. Estadístca descrptva. Es la parte de la Estadístca que se encarga de reunr nformacón cuanttatva concernente a ndvduos, grupos, seres de hechos, etc..2.
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 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 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 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 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 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 detallesESTADÍSTICA (GRUPO 12)
ESTADÍSTICA (GRUPO 12) CAPÍTULO II.- ANÁLISIS DE UNA CARACTERÍSTICA (DISTRIBUCIONES UNIDIMENSIONALES) TEMA 7.- MEDIDAS DE CONCENTRACIÓN. DIPLOMATURA EN CIENCIAS EMPRESARIALES UNIVERSIDAD DE SEVILLA 1.
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 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 detallesa) DIAGRAMA DE DISPERSION
SIS 335 - A EJEMPLO.- Se ha recogdo datos de una localdad medante sendas encuestas sobre el consumo (Y) de productos de hogar y de la renta (X) de los consumdores consultados, obtenéndose los sguentes
Más detallesAnálisis de la varianza de un factor
Análss de la varanza de un factor El test t de muestras se aplca cuando se queren comparar las medas de dos poblacones con dstrbucones normales con varanzas guales y se observan muestras ndependentes para
Más detallesEstimación de incertidumbres en calibración de Osciladores
Estmacón de ncertdumbres en calbracón de Oscladores J. Maurco López R. Dvsón de Tempo Frecuenca Centro Naconal de Metrología maurco.lopez@cenam.mx Resumen La frecuenca de salda de los oscladores debe ser
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 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 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 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 detallesEXPERIMENTACIÓN COMERCIAL(I)
EXPERIMENTACIÓN COMERCIAL(I) En un expermento comercal el nvestgador modfca algún factor (denomnado varable explcatva o ndependente) para observar el efecto de esta modfcacón sobre otro factor (denomnado
Más detallesCAPÍTULO IV. MEDICIÓN. De acuerdo con Székely (2005), existe dentro del período información
IV. Base de Datos CAPÍTULO IV. MEDICIÓN De acuerdo con Székely (2005), exste dentro del período 950-2004 nformacón representatva a nvel naconal que en algún momento se ha utlzado para medr la pobreza.
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 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 detallesTEMA 5. INTERPOLACION
TEMA 5.. Introduccón. Nomenclatura. Interpolacón lneal 4. Interpolacón cuadrátca 5. Interpolacón por splnes cúbcos 6. RESUMEN 7. Programacón en Matlab INTERPOLACION . Introduccón En el Tema 4, se ha descrto
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 detalles3.- Programación por metas.
Programacón Matemátca para Economstas 1 3.- Programacón por metas. Una vez menconados algunos de los nconvenentes de las técncas generadoras, la ncorporacón de nformacón se va a traducr en una accón del
Más detallesEJERCICIOS RESUELTOS VARIABLE ALEATORIA UNIDIMENSIONAL
Gestón Aeronáutca: Estadístca Teórca Facultad Cencas Económcas y Empresarales Departamento de Economía Aplcada Profesor: Santago de la Fuente Fernández EJERCICIOS RESUELTOS VARIABLE ALEATORIA UNIDIMENSIONAL
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 detallesMétodos específicos de generación de diversas distribuciones discretas
Tema 3 Métodos específcos de generacón de dversas dstrbucones dscretas 3.1. Dstrbucón de Bernoull Sea X B(p). La funcón de probabldad puntual de X es: P (X = 1) = p P (X = 0) = 1 p Utlzando el método de
Más detallesVariables Aleatorias
Varables Aleatoras VARIABLES ALEATORIAS. Varable aleatora. Tpos.... Dstrbucón de probabldad asocada a una varable aleatora dscreta... 4. Funcón de dstrbucón. Propedades... 5 4. Funcón de densdad... 7 5.
Más detallesESTADÍSTICA. Definiciones
ESTADÍSTICA Defncones - La Estadístca es la cenca que se ocupa de recoger, contar, organzar, representar y estudar datos referdos a una muestra para después generalzar y sacar conclusones acerca de una
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 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 detallesUniversidad Simón Bolívar Conversión de Energía Eléctrica - Prof. José Manuel Aller
Unversdad Smón Bolívar Conversón de Energía Eléctrca Prof José anuel Aller 41 Defncones báscas En este capítulo se estuda el comportamento de los crcutos acoplados magnétcamente, fjos en el espaco El medo
Más detallesCAPÍTULO III ACCIONES. Artículo 9º Clasificación de las acciones. Artículo 10º Valores característicos de las acciones. 10.
CAÍTULO III ACCIONES Artículo 9º Clasfcacón de las accones Las accones a consderar en el proyecto de una estructura o elemento estructural serán las establecdas por la reglamentacón específca vgente o
Más detallesEJERCICIOS: Tema 3. Los ejercicios señalados con.r se consideran de conocimientos previos necesarios para la comprensión del tema 3.
EJERCICIOS: Tema 3 Los ejerccos señalados con.r se consderan de conocmentos prevos necesaros para la comprensón del tema 3. Ejercco 1.R Dos bblotecas con el msmo fondo bblográfco especalzado ofrecen las
Más detallesVariables Aleatorias
Varables Aleatoras VARIABLES ALEATORIAS. Varable aleatora. Tpos.... Dstrbucón de probabldad asocada a una varable aleatora dscreta... 4. Funcón de dstrbucón. Propedades... 5 4. Funcón de densdad... 7 5.
Más detallesUNIVERSIDAD NACIONAL MAYOR DE SAN MARCOS. Métodos multivariantes en control estadístico de la calidad
UNIVERSIDAD NAIONAL MAYOR DE SAN MAROS FAULTAD DE IENIAS MATEMÁTIAS E.A.P. DE ESTADÍSTIA Métodos multvarantes en control estadístco de la caldad apítulo IV. Gráfcos de control MUSUM TRABAJO MONOGRÁFIO
Más detallesModelos unifactoriales de efectos aleatorizados
Capítulo 4 Modelos unfactorales de efectos aleatorzados En el modelo de efectos aleatoros, los nveles del factor son una muestra aleatora de una poblacón de nveles. Este modelo surge ante la necesdad de
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 detallesCapitalización y descuento simple
Undad 2 Captalzacón y descuento smple 2.1. Captalzacón smple o nterés smple 2.1.1. Magntudes dervadas 2.2. Intereses antcpados 2.3. Cálculo de los ntereses smples. Métodos abrevados 2.3.1. Método de los
Más detallesEspecialista en Estadística y Docencia Universitaria REGRESION LINEAL MULTIPLE
Especalsta en Estadístca y Docenca Unverstara REGRESION LINEAL MULTIPLE El modelo de regresón lneal múltple El modelo de regresón lneal múltple con p varables predctoras y basado en n observacones tomadas
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 detallesErratas y modificaciones
Erratas y modfcacones Págna 39 Tabla fnal: Dce: Expermental T Debe decr: Expermental T Págna 40 Tabla comenzo: Dce: T 0 Debe decr: T Dce: 3 T Debe decr: 3 T Págna 05 Párrafo : Debe qutarse el acento de
Más detallesTema 4: Variables aleatorias
Estadístca 46 Tema 4: Varables aleatoras El concepto de varable aleatora surge de la necesdad de hacer más manejables matemátcamente los resultados de los expermentos aleatoros, que en muchos casos son
Más detalles16.21 Técnicas de diseño y análisis estructural. Primavera 2003 Unidad 8 Principio de desplazamientos virtuales
16.21 Técncas de dseño y análss estructural Prmavera 2003 Undad 8 Prncpo de desplazamentos vrtuales Prncpo de desplazamentos vrtuales Tengamos en cuenta un cuerpo en equlbro. Sabemos que el campo de esfuerzo
Más detallesMedidas de centralización
1 Meddas de centralzacón Meda Datos no agrupados = x X = n = 0 Datos agrupados = x X = n = 0 Medana Ordenamos la varable de menor a mayor. Calculamos la columna de la frecuenca relatva acumulada F. Buscamos
Más detallesPrueba de Inferencia Estadística y Contraste de Hipótesis. 8 de octubre de 2012 GRUPO A
Prueba de Inferenca Estadístca y Contraste de Hpótess 8 de octubre de 01 GRUPO A 1.- Se ha observado un ángulo cnco veces, obtenéndose los sguentes valores: Se pde: 65º5 ; 65º33 ; 65º3 ; 65º8 ; 65º7 a)
Más detallesANÁLISIS ESTADÍSTICO DE LA PRODUCCIÓN ARROCERA EN EL ECUADOR
1 ANÁLISIS ESTADÍSTICO DE LA PRODUCCIÓN ARROCERA EN EL ECUADOR Dela E. Montalvo Roca 1, Gaudenco Zurta Herrera 1 Ingenera en Estadístca Informátca Drector de Tess. M.Sc. en Matemátcas, Unversty of South
Más detallesAnálisis de la varianza de un factor
Análss de la varanza de un factor El test t de muestras se aplca cuando se queren comparar las medas de dos poblacones con dstrbucones normales con varanzas guales y se observan muestras ndependentes para
Más detallesCAPÍTULO 1: VARIABLES ALEATORIAS Y SUS DISTRIBUCIONES
CAÍTULO : VARIABLES ALEATORIAS SUS DISTRIBUCIONES En este capítulo el alumno debe abordar el conocmento de un mportante concepto el de VARIABLE ALEATORIA tpos de varables aleatoras cómo se dstrbue la funcón
Más detallesTEMA 3. VARIABLE ALEATORIA
TEMA 3. VARIABLE ALEATORIA 3.. Introduccón. 3... Dstrbucón de Probabldad de una varable aleatora 3... Funcón de Dstrbucón de una varable aleatora 3.. Varable aleatora dscreta 3... Funcón masa de probabldad
Más detallesREGRESION LINEAL SIMPLE
REGREION LINEAL IMPLE Jorge Galbat Resco e dspone de una mustra de observacones formadas por pares de varables: (x 1, y 1 ) (x, y ).. (x n, y n ) A través de esta muestra, se desea estudar la relacón exstente
Más detallesHERRAMIENTAS ESTADÍSTICAS-COMPARACIÓN DE MÁS DE DOS MUESTRAS: ANOVA (PARTE I)
HERRAMIENTAS ESTADÍSTICAS-COMPARACIÓN DE MÁS DE DOS MUESTRAS: Módulo 13 APUNTES DE CLASE Profesor: Arturo Ruz-Falcó Rojas Madrd, Mayo 009 Pág. 1 Módulo 13. HERRAMIENTAS ESTADÍSTICAS-COMPARACIÓN DE MÁS
Más detalles, x es un suceso de S. Es decir, si :
1. Objetvos: a) Aprender a calcular probabldades de las dstrbucones Bnomal y Posson usando EXCEL. b) Estudo de la funcón puntual de probabldad de la dstrbucón Bnomal ~B(n;p) c) Estudo de la funcón puntual
Más detalles