5 Análisis de regresión múltiple con información cualitativa
|
|
- Esther Duarte Ávila
- hace 7 años
- Vistas:
Transcripción
1 5 Análss de regresón múltple con nformacón cualtatva Ezequel Urel Unversdad de Valenca Introduccón de nformacón cualtatva en los modelos econométrcos 1 5. Una sola varable fctca ndependente. 5.3 Categorías múltples para un atrbuto Varos atrbutos Las nteraccones que mplcan varables fctcas Interaccones entre dos varables fctcas Interaccones entre una varable fctca y una varable cuanttatva Contraste de cambo estructural Utlzando varables fctcas Utlzando regresones separadas: el contraste de Chow 16 Ejerccos Introduccón de nformacón cualtatva en los modelos econométrcos Hasta ahora las varables que hemos utlzado para explcar la varable endógena tenían un carácter cuanttatvo. Sn embargo, hay otras varables de carácter cualtatvo que pueden ser mportantes para explcar el comportamento de la varable endógena, como el sexo, raza, relgón, naconaldad, regón geográfca, etc. Por ejemplo, mantenendo todos los demás factores constantes, se ha constatado que las mujeres trabajadoras tenen unos salaros nferores que sus homólogos masculnos. Este resultado puede ser consecuenca de la dscrmnacón por género, pero cualquera que sea la razón, las varables cualtatvas como el género parece que nfluyen en la varable endógena y deberían nclurse en muchos casos entre las varables explcatvas. Los factores cualtatvos, a menudo pero no sempre, se presentan en forma de nformacón bnara, es decr, una persona es hombre o mujer, está casada o no, etc. Cuando los factores cualtatvos se presentan en forma dcotómca la nformacón relevante puede mostrarse como una varable bnara o una varable de cero-uno. En econometría, las varables bnaras que se utlzan como regresores son comúnmente llamadas varables fctcas. En la defncón de una varable dcotómca, debemos decdr a qué caso se le asgna el valor 1 y a cual se le asgna el valor 0. En el caso del género podemos defnr 1 s la persona es una mujer mujer 0 s la persona es un hombre Pero, por supuesto, tambén podemos defnr 1 s la persona es un hombre hombre 0 s la persona es una mujer Es mportante señalar que ambas varables, mujer y hombre, contenen la msma nformacón. Utlzar las varables cero-uno para captar nformacón cualtatva es una decsón arbtrara, pero con esta eleccón los parámetros tenen una nterpretacón natural. 1
2 5. Una sola varable fctca ndependente. Vamos a analzar cómo se puede ncorporar la nformacón dcotómca en los modelos de regresón. Consdere el sguente modelo para la determnacón del salaro por hora, en funcón de los años de educacón (educ): salaro educ u (5-1) 1 Para medr la dscrmnacón salaral debda al género se ntroduce una varable fctca (mujer) como varable ndependente en el modelo defndo anterormente, salaro mujer educ u (5-) 1 1 El atrbuto género tene dos categorías: mujer y hombre. La categoría femenna ha sdo ncluda en el modelo; mentras que la categoría hombre, que ha sdo omtda, es la categoría de referenca. El modelo (5-) se muestra en la fgura 5.1, tomando <0. La nterpretacón de es la sguente: es la dferenca en el salaro por hora entre mujeres y hombres, dado el msmo nvel de educacón (y el msmo térmno de perturbacón, u). Así, el coefcente determna s exste una dscrmnacón contra las mujeres o no. S <0, entonces, para el msmo nvel de otros factores (educacón, en este caso), las mujeres ganan menos que los hombres en promedo. Suponendo que la esperanza de la perturbacón es cero, s se toman esperanzas en ambas categorías se obtene: E( salaro mujer 1, educ) educ salaro mujer 1 1 E( salaro mujer 0, educ) educ salaro hombre 1 (5-3) Como puede verse en (5-3), el térmno ndependente para los hombres es, y + para las mujeres. Gráfcamente, como puede verse en la fgura 5.1, hay un desplazamento del térmno ndependente, pero las líneas para hombres y mujeres son paralelas. salaro β 1 β FIGURA 5.1. Msma pendente, térmno ndependente dferente. En (5-) hemos ncludo una varable fctca para las mujeres, pero no para los hombres porque nclur las dos varables fctcas habría sdo redundante. De hecho, todo lo que necestamos es dos térmnos ndependentes, uno para mujeres y otro para los hombres. Como hemos vsto, con la ntroduccón de la varable fctca mujer, nos permte obtener un térmno ndependente para cada género. La ntroduccón de dos varables fctcas causaría multcolnealdad perfecta, ya que mujer+hombre=1, lo que educ
3 sgnfca que hombre es una funcón lneal exacta de mujer y del térmno ndependente. La nclusón de varables fctcas para ambos sexos, además el térmno ndependente, es el ejemplo más sencllo de la llamada trampa de las varables fctcas, como veremos más adelante. S usamos hombre en lugar de mujer, la ecuacón de salaros sería la sguente: salaro hombre educ u (5-4) 1 1 Nada ha cambado con la nueva ecuacón, con excepcón de la nterpretacón de y : es el térmno ndependente para las mujeres, que ahora es la categoría de referenca, y + es el térmno ndependente para los hombres. Esto mplca la sguente relacón entre los coefcentes: = + y + = = En cualquer aplcacón, no mporta cómo eljamos la categoría de referenca, ya que sólo afecta a la nterpretacón de los coefcentes asocados a las varables fctcas, pero es mportante tener presente qué categoría es la categoría de referenca. La eleccón de una categoría de referenca es, generalmente, una cuestón de convenenca. Tambén es posble elmnar el térmno ndependente e nclur una varable fctca para cada categoría. La ecuacón será entonces salaro hombre mujer educ u (5-5) 1 1 donde el térmno ndependente es 1 para los hombres y 1 para las mujeres. El contraste de hpótess se realza como de costumbre. En el modelo (5-) la hpótess nula de no dscrmnacón entre hombres y mujeres es H0 : 1 0, mentras que la hpótess alternatva de que exste dscrmnacón contra la mujer es H1: 1 0. Por lo tanto, en este caso, debemos aplcar un contraste t de una sola cola (la zquerda). En las especfcacones formuladas en el trabajo aplcado es usual transformar la varable dependente tomando logartmos, ln(y), en modelos de este tpo. Por ejemplo: ln( salaro) mujer educ u (5-6) 1 1 Veamos la nterpretacón del coefcente de la varable fctca en un modelo con logartmos. En el modelo (5-6), tomando u=0, el salaro para una mujer y para un hombre son los sguentes: ln( salarom ) educ (5-7) 1 1 ln( salaroh ) 1 educ (5-8) Dado el msmo nvel de educacón, s restamos (5-7) de (5-8), tenemos ln( salaro ) ln( salaro ) (5-9) M Tomando antlogartmos en (5-9) y restando 1 de ambos membros de (5-9), obtenemos salarom 1 1e 1 (5-10) salaro es decr H H 1 3
4 salarom salaro salaro H e H 1 1 (5-11) De acuerdo con (5-11), la tasa de varacón entre el salaro femenno y el salaro 1 de los hombres, para un msmo nvel de educacón, es gual a e 1. Por lo tanto, la tasa exacta de varacón porcentual entre el salaro por hora de hombres y mujeres es de 1 100( e 1). Como una aproxmacón a este cambo se puede utlzar 100 1, pero s la magntud del porcentaje es alta esta aproxmacón no es tan buena. EJEMPLO 5.1 Exste dscrmnacón salaral para la mujer en España? Utlzando datos de la Encuesta de Estructura Salaral de España para 00 (fchero wage0sp), se ha estmado el modelo (5-6) y se han obtendo los sguentes resultados: ln( wage ) = female educ (0.06) (0.0) (0.005) SCR=393 R =0.43 n=000 donde wage es el salaro hora en euros, female es una varable fctca que toma el valor 1 s es mujer, y educ son los años de educacón. (Los números entre paréntess son los errores estándar de los estmadores.) Para responder a la pregunta planteada más arrba, tenemos que contrastar H 0 : 1 0 contra de H1: 1 0. Dado que el estadístco t es gual a se rechaza la hpótess nula para =0.01. Es decr, hay evdencas de una dscrmnacón en España contra la mujer en el año 00. De hecho, la dferenca porcentual en el salaro por hora entre hombres y mujeres es 100 ( e 1) 35.9%, dados unos msmos años en educacón. EJEMPLO 5. Análss de la relacón entre la captalzacón de mercado y el valor contable: el papel del IBEX35 Un nvestgador desea estudar la relacón entre la captalzacón de mercado y el valor contable de las accones cotzadas en el mercado contnuo de la Bolsa de Madrd. En este mercado algunas empresas están ncludas en el Ibex35, que es un índce selectvo. El nvestgador tambén quere saber s accones ncludas en el Ibex 35 tenen una mayor captalzacón en promedo. Con este propósto en mente, el nvestgador formula el sguente modelo: ln( marktval) 1 1bex35 ln( bookval) u (5-1) - marktval es el valor de mercado de una compañía. Se calcula multplcando el preco de la accón por el número de accones emtdas. - bookval es el valor contable de una compañía. Tambén se conoce como valor neto de la compañía. El valor contable se calcula como la dferenca entre los actvos de una compañía y sus pasvos. - bex35 es una varable fctca que toma el valor 1 s la compañía está ncluda en el selectvo Ibex 35. Utlzando las 9 compañías que cotzaron el 15 de novembre 011, y que sumnstraron nformacón sobre el valor contable (fchero bolmad11), se obtuveron los sguentes resultados: ln( marktval ) = bex ln( bookval) (0.43) (0.179) (0.037) SCR=35.67 R =0.893 n=9 La elastcdad marktval/bookval es gual a 0.690, es decr, s el valor contable se ncrementa en 1%, la captalzacón bursátl de las accones que cotzan aumentará en un 0.675%. Contrastar s las accones ncludas en el Ibex35 tenen en promedo una mayor captalzacón mplca contrastar H 0 : 1 0 contra H 1 : 1 0. Dado que el estadístco t es (0.690/0.179)=3.85, entonces rechazamos la hpótess nula para los nveles habtuales de sgnfcacón. Por otro lado, vemos que las accones ncludas en el Ibex35 cotzan un 99.4% más elevado que las accones no ncludas. El porcentaje se obtene como sgue: 100 ( e 1) 99.4% 4
5 EJEMPLO 5.3 Gastan más en pescado las personas que vven en zonas urbanas que las que vven en zonas rurales? Para ver s las personas que vven en zonas urbanas gastan más en pescado que las personas que vven en zonas rurales, se ha propuesto el modelo sguente: ln( fsh) 11urban ln( nc) u (5-13) donde fsh es gasto en pescado, urban es una varable fctca que toma el valor 1 s la persona vve en una zona urbana e nc es la renta dsponble. Utlzando una muestra de tamaño 40 (fchero demand), se estmó el modelo (5-13) ln( fsh ) = urban ln( nc ) (0.511) (0.055) (0.070) SCR=1.131 R =0.904 n=40 De acuerdo con estos resultados, las personas que vven en zonas urbanas gastan en pescado aproxmadamente un 14% más que las personas que vven en zonas rurales. S se contrasta H 0 : 1 0 contra H1: 1 0, constatamos que el estadístco t es (0.140/0.055)=.55. Tenendo en cuenta que t37 t35 =.44, se rechaza la hpótess nula en favor de la alternatva para los nveles habtuales de sgnfcacón. Es decr, hay evdenca empírca de que las personas que vven en las zonas urbanas gastan más en pescado que las personas que vven en las zonas rurales. 5.3 Categorías múltples para un atrbuto En el epígrafe anteror consderamos un atrbuto (género) que tene dos categorías (mujer y hombre). Ahora vamos a consderar atrbutos con más de dos categorías. En concreto, vamos a examnar un atrbuto con 3 categorías Para medr el mpacto del tamaño de la empresa sobre el salaro, podemos utlzar varables dcotómcas. Supongamos que las empresas se clasfcan en tres grupos según su tamaño: pequeñas (hasta 49 trabajadores), medanas (de 50 a 199 trabajadores) y grandes (más de 199 trabajadores). Con esta nformacón podemos construr 3 varables fctcas: 1 hasta 49 trabajadores pequeña 0 en otros casos 1 de 50 a 199 trabajadores medana 0 en otros casos 1 mas de 199 trabajadores grande 0 en otros casos S queremos explcar el salaro por hora ntroducendo en el modelo el tamaño de la empresa, es necesaro omtr una de las categorías. En el sguente modelo la categoría omtda son las empresas pequeñas: salaro medana grande educ u (5-14) 1 1 La nterpretacón de los coefcentes j es la sguente: 1 ( ) es la dferenca en el salaro por hora entre las empresas medanas (grandes) y las pequeñas, dado un msmo nvel de educacón (y un msmo térmno de perturbacón, u). Vamos a ver qué pasa s tambén nclumos en (5-14) la categoría pequeña. En ese caso, tendríamos el sguente modelo: salaro pequeña medana grande educ u (5-15)
6 Ahora, consderemos que tenemos una muestra de ses observacones: las observacones 1 y corresponden a empresas pequeñas, la 3 y la 4 a medanas, y la 5 y 6 a grandes. En este caso, la matrz X de regresores tendría la sguente confguracón: educ educ educ3 X educ educ educ6 Como puede verse en la matrz X, la columna 1 de esta matrz es gual a la suma de las columnas, 3 y 4. Por lo tanto, exste multcolnealdad perfecta, debdo a la llamada trampa de las varables fctcas. Generalzando, s un atrbuto tene g categorías, en el modelo úncamente tenemos que nclur g-1 varables fctcas, junto con el térmno ndependente. El térmno ndependente para la categoría de referenca es el térmno ndependente general del modelo, y el coefcente de la varable fctca de un grupo partcular representa la dferenca estmada entre los térmnos ndependentes entre esa categoría y la categoría de referenca. S nclumos g varables fctcas, junto con un térmno ndependente se caerá en la trampa de las varables fctcas. Una alternatva es nclur g varables fctcas, y exclur el térmno ndependente general. En el caso que nos ocupa, el modelo sería el sguente: salaro pequeña medana grande educ u (5-16) Esta solucón no es aconsejable por dos razones. Con esta confguracón del modelo es más dfícl contrastar las dferencas con respecto a una categoría de referenca. En segundo lugar, esta solucón sólo funcona en el caso de un modelo con sólo un atrbuto. EJEMPLO 5.4 Influye el tamaño de la empresa en la determnacón de los salaros? Utlzando la muestra del ejemplo 5.1 (fchero wage0sp), se estmó el modelo (5-14), tomando log en wage: ln( wage ) = medum large educ (0.07) (0.05) (0.04) (0.003) SCR=406 R =0.18 n=000 donde medum y large son dos varables dcotómcas para desgnar a empresas de tamaño medano y grande respectvamente Para responder a la pregunta ncal no haremos un contraste ndvdual de 1 o. En vez de ello, contrastaremos conjuntamente s el tamaño de las empresas tene una nfluenca sgnfcatva sobre el salaro. Es decr, debemos contrastar s las medanas y grandes empresas tomadas conjuntamente tenen una nfluenca sgnfcatva en la determnacón del salaro. En este caso, las hpótess nula y alternatva, tomando a (5-14) como el modelo no restrngdo, serán las sguentes: H0 : 1 0 H1: H0 no es certa El modelo restrngdo en este caso es el sguente: ln( wage) 1 educ u (5-17) La estmacón de este modelo es la sguente: ln( wage ) = educ (0.06) (0.003) SCR=433 R =0.166 n=000 6
7 Por lo tanto, el estadístco F es SCRR SCRNR / q / F 66.4 SCRNR / ( n k) 406 / (000 4) Así, de acuerdo con el valor del estadístco F, se puede conclur que el tamaño de la frma tene una nfluenca sgnfcatva en la determnacón de los salaros para los nveles usuales de sgnfcacón. Ejemplo 5.5 En el caso de Lyda E. Pnkham, son sgnfcatvas las varables temporales fctcas de forma ndvdual y conjunta? En el ejemplo 3.4 vmos el caso de Lyda E. Pnkham en el que las ventas, sales, de un extracto de herbas de esa empresa (en mles de dólares) se explcaba en térmnos del gasto en publcdad en mles de dólares (advexp) así como las ventas del año anteror (sales t-1 ). Sn embargo, su autor, además de estas dos varables, ncluyó tres varables temporales fctcas: d1, d y d3. Estas varables fctcas abarcan las dstntas stuacones por las que pasó la compañía. Así, d1 toma el valor 1 en el perodo de y 0 en los perodos restantes, d toma el valor 1 en el perodo de y 0 en otros perodos, y fnalmente, d3 toma el valor 1 en el perodo de 196 a 1940 y 0 en los restantes perodos. Por lo tanto, la categoría de referenca es el perodo En consecuenca, la formulacón fnal del modelo fue la sguente: salest= + advexpt+ sales t-1 + d1t+ dt+ d3t+ut (5-18) Los resultados obtendos en la regresón, utlzando el fchero pnkham, fueron los sguentes: sales = advexp sales d d d3 t t t-1 t t t (96.3) (0.136) (0.0814) (89) (67) (67) R =0.99 n=53 Para contrastar s las varables fctcas de forma ndvdual tenen un efecto sgnfcatvo en las ventas, las hpótess nula y alternatva son: ìï H0 q 0 í 1,,3 ï ïî H1 q ¹ 0 Los correspondentes estadístcos t son los sguentes: tˆ tˆ 3. tˆ 3.0 q1 q q Como puede verse, el regresor d1 no es sgnfcatvo para los nveles habtuales de sgnfcacón, mentras que por el contraro los regresores d y d3 son sgnfcatvos para cualquera de los nveles habtuales. La nterpretacón del coefcente del regresor d, por ejemplo, es la sguente: mantenendo fjo el gasto en publcdad y dadas las ventas del año anteror, las ventas para un año del perodo son dólares mayores, en promedo, que las de un año cualquera del perodo Para estmar el efecto conjunto de las varables temporales fctcas, las hpótess nula y alternatva son ìï H0 q1 q q3 í ï ïî H1 H0 no es certo y el contraste estadístco correspondente es ( RNR RR )/ q ( ) / 3 F (1 R ) / ( nk) ( ) / (536) NR Para cualquera de los nveles habtuales de sgnfcacón la hpótess nula es rechazada. Por lo tanto, las varables temporales fctcas tenen un efecto sgnfcatvo sobre las ventas 5.4 Varos atrbutos Ahora vamos a consderar la posbldad de tener en cuenta dos atrbutos para explcar la determnacón del salaro: el género y duracón de la jornada de trabajo (a tempo parcal y a tempo completo). La varable fctca tempar, va ser una varable bnara que toma el valor 1 cuando el tpo de contrato es a tempo parcal y 0 s es a 7
8 tempo completo. En el sguente modelo se ntroducen las dos varables fctcas: mujer y tempar: salaro mujer tempar educ u (5-19) En este modelo, 1 es la dferenca en el salaro por hora entre las personas que trabajan a tempo parcal, para un género dado y para el msmo nvel de educacón (y tambén el msmo térmno de perturbacón, u). Cada uno de estos dos atrbutos tene una categoría de referenca, que es la categoría omtda. En este caso, hombre es la categoría de referenca para el género y tempo completo para el tpo de contrato. S tomamos las esperanzas para las cuatro categorías mplcadas, se obtene: wage mujer, tempar Ewage mujer, tempar, educ 111educ wage mujer, temcom Ewage mujer, temcom, educ11educ (5-0) E wage hombre, tempar, educ educ Ewage hombre, temcom, educ1 wage hombre, tempar 1 1 wage hombre, temcom educ El térmno ndependente general en la ecuacón refleja el efecto de ambas categorías de referenca, hombre y tempo completo; es decr, la categoría de referenca es hombre con jornada a tempo completo. En (5-0) puede verse el térmno ndependente para cada combnacón de categorías. EJEMPLO 5.6 La nfluenca del género y duracón de la jornada de trabajo en la determnacón de los salaros El modelo (5-19), tomando log en wage, se estmó utlzando datos de la Encuesta de Estructura Salaral de España para el año 006 (fchero wage06sp): ln( wage ) = female partme educ (0.06) (0.01) (0.07) (0.00) SCR=365 R =0.35 n=000 donde partme es un contrato a tempo parcal. De acuerdo con los valores de los coefcentes y los correspondentes errores estándar, es evdente que cada una de las dos varables fctcas, female y partme, son estadístcamente sgnfcatvas para los nveles habtuales de sgnfcacón. EJEMPLO 5.7 Análss del absentsmo laboral en la empresa Buenosares Buenosares es una empresa dedcada a la fabrcacón de ventladores, habendo tendo resultados relatvamente aceptables en los últmos años. Los drectvos consderan que éstos habrían sdo mejores s el absentsmo en la empresa no fuera tan alto. Con el propósto de analza los factores que determnan el absentsmo, se propone el sguente modelo: absent 11bluecoll 1male age 3tenure 4wage u (5-1) donde bluecollr es una varable fctca que ndca que la persona es un trabajador manual (la categoría de referenca es cuello blanco), male es una varable dcotómca que toma el valor 1 s el trabajador es hombre. Las varables tenure y age son contnuas que reflejan los años trabajando en la empresa y la edad respectvamente. Utlzando una muestra de tamaño 48 (fchero absent), se ha estmado la sguente ecuacón absent = bluecoll male age tenure wage (1.640) (0.669) (0.71) (0.047) (0.065) (0.007) SCR= R =0.760 n=48 Ahora vamos a ver s bluecoll es sgnfcatva. Contrastando H 0 : 1 0 contra H1: 1 0, el estadístco t es (0.968/0.669)=1.45. Como t 0.10/ 40 =1.68, fracasamos en rechazar la hpótess nula para=0.10. Entonces no hay evdenca empírca para afrmar que el absentsmo de los trabajadores 8
9 manuales (cuello azul) es dferente del de los trabajadores de ofcna (cuello blanco). Pero s se contrasta H 0 : 1 0 contra H1: 1 0, como t =1.30 para =0.10, no se puede rechazar que el absentsmo de los trabajadores de cuello azul sea mayor que el de los trabajadores de cuello blanco. Por el contraro, en el caso de la varable fctca male, contrastando H 0 : 1 0 contra H1: 1 0, dado que el estadístco t es (.049/0.71)=.88 y t 0.01/ 40 =.70, rechazamos que el absentsmo sea gual en hombres y mujeres para los nveles habtuales de sgnfcacón. EJEMPLO 5.8 Tamaño de la empresa y género en la determnacón del salaro Para conocer s el tamaño de la empresa y el género, de forma conjunta, son dos factores relevantes en la determnacón del salaro, se formula el sguente modelo: ln( wage) 1 1female 1medum large educ u (5-) En este caso tenemos que hacer un contraste conjunto, donde las hpótess nula y alternatva son, H0 : H1: H0 no es certa El modelo restrngdo en este caso es el modelo de (5-17), que se estmó en el ejemplo 5.4 (fchero wage0sp). La estmacón del modelo no restrngdo es la sguente: ln( wage ) = female medum large educ El estadístco F es (0.06) (0.01) (0.03) (0.03) (0.004) SCR=361 R =0.305 n=000 SCR SCR q R NR / / 3 F 133 SCR / ( n k) 361/ (000 5) NR Por lo tanto, de acuerdo con el valor de F, se puede conclur que el tamaño de la frma y el género tenen conjuntamente una nfluenca sgnfcatva en la determnacón del salaro. 5.5 Las nteraccones que mplcan varables fctcas Interaccones entre dos varables fctcas Para permtr la posbldad de que exsta una nteraccón entre el género y duracón de la jornada de trabajo en la determnacón salaral podemos añadr al modelo (5-19) un térmno de nteraccón entre mujer y tempar, con lo que el modelo a estmar será el sguente: salaro mujer tempar mujer tempar educ u (5-3) Esto permte determnar s el efecto de la duracón de la jornada de trabajo en el salaro depende, o no, del género. Análogamente, tambén permte s la nfluenca del género en el salaro depende, o no, de la duracón de la jornada de trabajo. EJEMPLO 5.9 Es la nteraccón entre las mujeres y el trabajo a tempo parcal sgnfcatva? El modelo (5-3) se estmó utlzando los datos de la Encuesta de Estructura Salaral de España para 006 (fchero wage06sp): ln( wage ) = female partme female partme educ (0.06) (0.0) (0.047) (0.058) (0.00) SCR=363 R =0.38 n=000 Para responder a la pregunta planteada, tenemos que contrastar H 0 : 1 0 contra H 0 : 1 0. Dado que el estadístco t es (0.167/0.058)=.89, y tenendo en cuenta que t 0.01/ 60 =.66 se rechaza la hpótess nula en favor de la hpótess alternatva. Por lo tanto, exste evdenca empírca de que la nteraccón entre female y partme es estadístcamente sgnfcatva. 9
10 EJEMPLO 5.10 Dscrmnan las empresas pequeñas a las mujeres más, o menos, que las empresas grandes? Para responder a esta pregunta se formula el sguente modelo: ln( wage) 11female 1medum large (5-4) 1femalemedum femalelarge educ u Utlzando la muestra del ejemplo 5.1 (fchero wage0sp), fue estmado el modelo (5-4): ln( wage ) = female medum large (0.07) (0.034) (0.08) (0.07) female medum female large educ (0.050) (0.051) (0.004) SCR=359 R =0.308 n=000 S en (5-4) los parámetros 1 y son gual a 0, esto mplca que, en la ecuacón para la determnacón del salaro, no hay nteraccón entre género y tamaño de la empresa. Así para responder a la pregunta planteada tomamos (5-4) como el modelo no restrngdo. Las hpótess nula y alternatva serán las sguentes: H0 : 1 0 H1: H0 no es certa Por lo tanto, el modelo restrngdo es, en este caso, el modelo (5-), que se estmó en el ejemplo 5.7. El estadístco F toma el valor SCRR SCRNR / q / F 5.55 SCRNR / ( n k) 359 / (000 7) Para =0.01, resulta que F,1993 F,60 = Como F>5.61, rechazamos H 0 en favor de H 1. S se rechaza H 0 para =0.01, tambén será rechazada para los nveles de 5% y 10%. Por tanto, para los nveles usuales de sgnfcacón, la nteraccón entre género y tamaño de empresa es relevante en la determnacón del salaro Interaccones entre una varable fctca y una varable cuanttatva Hasta ahora, en los ejemplos sobre determnacón del salaro se ha utlzado una varable fctca para desplazar el térmno ndependente o para estudar su nteraccón con otra varable fctca, pero mantenendo la pendente de educ constante. Ahora ben, tambén se pueden utlzar las varables fctcas para desplazar pendentes s nteractúan con cualquer varable explcatva contnua. Por ejemplo, en el sguente modelo la varable fctca mujer nteractúa con la varable contnua educ: salaro educ mujer educ u (5-5) 1 1 En este modelo, como puede verse en la fgura 5., el térmno ndependente es el msmo para hombres y para mujeres, pero la pendente es mayor en hombres que en mujeres, porque 1 es negatva. En el modelo de (5-5), los rendmentos de un año adconal en educacón dependen del género del ndvduo. De hecho, salaro 1 para mujeres (5-6) educ para hombres 10
11 salaro educ FIGURA 5.. Dferente pendente, msmo térmno ndependente. EJEMPLO 5.11 Es el rendmento de la educacón para los hombres mayor que para las mujeres? Utlzando la muestra del ejemplo 5.1 (fchero wage0sp), tomando logartmos en wage, se ha estmado el modelo (5-5): ln( wage ) = educ- 0.07educ female (0.05) (0.006) (0.001) SCR=400 R =0.9 n=000 En este caso necestamos contrastar H 0 : 1 0 contra H1: 1 0. Dado que el estadístco t es (-0.08/0.000) =-1.81, se rechaza la hpótess nula en favor de la hpótess alternatva para cualquer nvel de sgnfcacón. Es decr, exste evdenca empírca de que el rendmento de un año adconal de educacón es mayor para hombres que para mujeres. 5.6 Contraste de cambo estructural Hasta ahora hemos contrastado las hpótess de que un parámetro, o un subconjunto de parámetros del modelo, son dferentes para dos grupos (mujeres y hombres, por ejemplo). Pero a veces, queremos contrastar la hpótess nula de que dos grupos tenen la msma funcón de regresón poblaconal, frente a la alternatva de que no es la msma. En otras palabras, queremos contrastar s la msma ecuacón es válda para los dos grupos. Exsten dos procedmentos para realzar este contraste, denomnado contraste de cambo estructural: utlzando varables fctcas y realzando regresones separadas medante el contraste de Chow Utlzando varables fctcas En este procedmento, contrastar s hay dferencas entre grupos consste en realzar un contraste de sgnfcacón conjunto de la varable fctca que dferenca entre los dos grupos y de sus nteraccones con todas los otros regresores. Por lo tanto, estmamos el modelo con (modelo no restrngdo) y sn (modelo restrngdo) la varable fctca y todas sus nteraccones. De la estmacón de ambas ecuacones se obtene el estadístco F, ya sea a través de la SCR o del R. En el sguente modelo, para la determnacón del salaro, tanto el térmno ndependente como la pendente son dferentes para hombres y mujeres: salaro mujer educ mujer educ u (5-7)
12 En la fgura 5.3, ha sdo representado la funcón de regresón poblaconal de este modelo. Como puede verse, s mujer=1, se obtene que salaro ( ) ( ) educ u (5-8) 1 1 Entonces, para las mujeres el térmno ndependente es 1 1 y la pendente. Para mujer=0, obtenemos la ecuacón (5-1) En este caso, para los hombres el térmno ndependente es 1 y la pendente. Por lo tanto, 1 mde la dferenca entre los térmnos ndependentes para mujeres y hombres y mde a su vez la dferenca en el rendmento la educacón entre mujeres y hombres. La fgura 5.3 muestra un térmno ndependente y una pendente menores para mujeres que para hombres. Esto sgnfca que las mujeres ganan menos que los hombres en todos los nveles de la educacón, y que la brecha aumenta a medda que educ se hace más grande, es decr, un año adconal de educacón tene un rendmento nferor para mujeres que para hombres. La estmacón (5-7) es equvalente a la estmacón de dos ecuacones de salaros, uno para hombres y otro para las mujeres, por separado. La únca dferenca es que (5-7) mpone la msma varanza a los dos grupos, mentras que las regresones por separado no lo hacen. Esta especfcacón del modelo es deal, como veremos más adelante, para contrastar la gualdad de pendentes, la gualdad de térmnos ndependentes, o la gualdad tanto de térmnos ndependentes como de pendentes en los dos grupos. salaro FIGURA 5.3. Pendente dferente, dferente térmno ndependente. EJEMPLO 5.1 Es la ecuacón de salaros válda tanto para hombres como para mujeres? S los parámetros 1 y son guales a 0 en el modelo de (5-7), mplca que la ecuacón para la determnacón de los salaros es la msma para hombres y mujeres. Entonces para responder a la cuestón planteada, tomamos (5-7), pero expresando el salaro en logartmos, como el modelo el modelo no restrngdo. Las hpótess nula y alternatva serán las sguentes: H0 : 1 0 H1: H0 no es certo Por lo tanto, el modelo restrngdo es el modelo de (5-17). Utlzando la msma muestra que en el ejemplo 5.1 (fchero wage0sp), hemos obtendo la sguente estmacón de los modelos (5-7) y (5-17): ln( wage ) = female educ educ female (0.030) (0.055) (0.0030) (0.0054) SCR=393 R =0.43 n=000 educ 1
13 ln( wage ) = educ (0.06) (0.006) SCR=433 R =0.166 n=000 El estadístco F toma el valor SCRR SCRNR / q / F 10 SCRNR / ( n k) 393 / (000 4) Está claro que para cualquer nvel de sgnfcanca, las ecuacones para hombres y mujeres son dferentes. Cuando contrastamos en el ejemplo 5.1 s había dscrmnacón contra la mujer en España ( H 0 : 1 0contra H1: 1 0), se asumó que la pendente de educ (modelo (5-6)) era la msma para hombres y mujeres. Ahora tambén es posble utlzar el modelo (5-7) para contrastar la msma hpótess nula, pero asumendo que la pendente es dferente. Dado que el estadístco t es (-0.33/0.0546)=-6.06, entonces se rechaza la hpótess nula medante el uso de este modelo más general que el del ejemplo 5.1. En el ejemplo 5.11 se contrastó s el coefcente de en el modelo de (5-5), tomando log en wage, era 0, suponendo que el térmno ndependente es el msmo para hombres y mujeres. Ahora ben, s tomamos (5-7), tomando log en wage, como modelo no restrngdo, podemos contrastar la msma hpótess nula, pero asumendo que el térmno ndependente es dferente para hombres y mujeres. Dado que el estadístco t es (0.007/0.0054)=0.493, entonces no se puede rechazar la hpótess nula de que no exste nteraccón entre género y educacón. EJEMPLO 5.13 Tenen los consumdores urbanos el msmo patrón de comportamento que los rurales con respecto al gasto en pescado? Para responder a esta pregunta se formula el sguente modelo, que se tomará como modelo no restrngdos: (5-30): ln( fsh) urban ln( nc) ln( nc) urban u (5-9) 1 1 Las hpótess nula y alternatva serán las sguentes: H0 : 1 0 H1: H0 no es certa El modelo restrngdo correspondente a esta H 0 es ln( fsh) 1ln( nc) u (5-30) Utlzando la muestra del ejemplo 5.3 (fchero demand), se han estmado los modelos (5-9) y ln( fsh ) = urban ln( nc ) ln( nc) urban (0.67) (1.095) (0.087) (0.15) SCR=1.13 R =0.904 n=40 ln( fsh ) = ln( nc ) (0.54) (0.075) SCR=1.35 R =0.887 n=40 El estadístco F toma el valor SCRR SCRNR / q / F 3.4 SCRNR / ( n k) 1.13 / (40 4) S mramos en la tabla estadístca de la F para grados de lbertad en el numerador y 35 gl en el denomnador para =0.10, vemos que F,36 F, Como F>.46 rechazamos la H 0. Sn embargo, como F,36 F,35 3.7, fracasamos en rechazar H 0 a favor de H 1 para =0.05 y, por tanto, para =0.01. Conclusón: no hay una evdenca fuerte de que las famlas que vven en las zonas rurales tengan un patrón de consumo dferente de pescado con respecto a las famlas que vven en zonas urbanas. Ejemplo 5.14 Ha cambado la estructura productva de las regones españolas? La pregunta que debe responderse es específcamente la sguente: ha cambado la estructura productva de las regones españolas entre 1995 y 008? El problema que se plantea es un problema de 13
14 establdad estructural. Para especfcar el modelo que se toma como referenca en la estmacón, vamos a defnr la varable fctca y008, que toma el valor 1 s el año es 008 y 0 s el año es El modelo de referenca es un modelo de Cobb-Douglas, que ntroduce parámetros adconales para recoger los cambos estructurales que puedan haber ocurrdo. Su expresón es la sguente: ln( q) 1 1ln( k) 1ln( l) y008 y008ln( k) y008ln( l) u (5-31) Es fácl ver, de acuerdo con la defncón de la varable fctca y008 que las elastcdades de produccón/captal en 1995 y 008 son dferentes. En concreto, toman los sguentes valores: ln( Q) ln( Q) Q K(1995) 1 Q K(008) 1+ ln( K) ln( K) En el caso de que sea gual a 0, entonces la elastcdad de la produccón/captal es la msma en ambos perodos. Del msmo modo, las elastcdades de produccón/trabajo para los dos perodos venen dadas por ln( L) ln( L) Q K(1995) 1 Q K(008) 1+ ln( K) ln( K) El térmno ndependente de la funcón Cobb-Douglas es un parámetro que mde la efcenca. En el modelo de (5-31) se consdera la posbldad de que el parámetro de efcenca (PEF) sea dferente en los dos perodos. Así, PEF(1995) 1 PEF(008) 1+ S los parámetros, y son cero en el modelo (5-31), la funcón de produccón es la msma en ambos perodos. Por lo tanto, en la estmacón de establdad estructural de la funcón de produccón, las hpótess nula y alternatva son: H0 (5-3) H H no es certa 1 0 Bajo la hpótess nula, las restrccones dadas en (5-3) conducen al modelo restrngdo sguente: ln( q) 1 1ln( k) 1ln( l) u (5-33) El fchero prodsp contene nformacón para cada una de las regones españolas en 1995 y 008 sobre el valor añaddo bruto en mllones de euros (gdp), la ocupacón en mles de puestos de trabajo (labor), y el captal productvo en mllones de euros (captot). Tambén en ese archvo se puede encontrar la varable fctca y008. A contnuacón se muestran los resultados del modelo de regresón no restrngdo (5-31). Es evdente que no podemos rechazar la hpótess nula de que cada uno de los coefcentes, y, consderados ndvdualmente, sea 0, ya que nnguno de los estadístcos t llega a 0.1 en valor absoluto. ln( gva) ln( captot) ln( labor) (0.916) (0.185) (0.185) y y008 ln( captot) y008 ln( labor) (.3) (0.419) (0.418) R = n=34 Los resultados del modelo restrngdo (5-33) son los sguentes: ln( gva) ln( captot) ln( labor) (0.00) (0.036) (0.04) R = n=34 Como puede verse, las R de los dos modelos son práctcamente déntcas ya que dferen sólo a partr del qunto decmal. No es de extrañar, por tanto, que el estadístco F para el contraste de la hpótess nula (5-3) tenga un valor cercano a 0: ( RUR RR )/ q ( ) / 3 F (1 R ) / ( nk) ( ) / (34 6) UR Así pues, la hpótess alternatva de que exsta cambo estructural en la economía productva de las regones españolas entre 1995 y 008 se rechaza para cualquer nvel de sgnfcacón. 14
15 5.6. Utlzando regresones separadas: el contraste de Chow Este contraste fue ntroducdo por el económetra Chow (1960). Este autor consderó el problema de contrastar la gualdad de dos conjuntos de coefcentes de regresón. En contraste de Chow el modelo restrngdo es el msmo que en el caso de uso de varables fctcas para dferencar entre grupos. Ahora, sn embargo, el modelo no restrngdo, en lugar de dstngur el comportamento de dos grupos medante varables fctcas, consste smplemente en regresones separadas. Así, en el ejemplo determnacón de los salaros, el modelo no restrngdo consta de dos ecuacones: mujer : salaro 11 1educ u (5-34) hombre : salaro educ u 1 S estmamos ambas ecuacones por MCO, se puede demostrar que la SCR del modelo no restrngdo, SCR NR, es gual a la suma de la SCR obtenda de la estmacón para las mujeres, SCR 1, y para los hombres, SCR. Es decr, SCR NR =SCR 1 +SCR La hpótess nula establece que los parámetros de las dos ecuacones en (5-34) son guales. Entonces, 11 1 H0 : 1 H :No H 1 0 Aplcando la hpótess nula al modelo (5-34), se obtene el modelo (5-17), que es el modelo restrngdo. La estmacón de este modelo para toda la muestra se suele denomnar regresón agrupada o pooled regresson (P). Por lo tanto, vamos a consderar que el SCR R y SCR P son expresones equvalentes. Por lo tanto, el estadístco F será la sguente: SCRP SCR1SCR/ k F (5-35) SCR SCR / n k 1 Es mportante señalar que, bajo la hpótess nula, deben ser guales las varanzas de la perturbacón para los grupos. Observe que tenemos k restrccones: los k-1 coefcentes de pendente (nteraccones), más el coefcente del térmno ndependente. Nótese tambén que en el modelo no restrngdo estmamos térmnos ndependentes dferentes y coefcentes de pendente dferentes, por lo que los gl del modelo son n- k. Una lmtacón mportante del contraste de Chow es que bajo la hpótess nula no hay dferencas en absoluto entre los grupos. En la mayoría de los casos, es más nteresante permtr dferencas parcales entre ambos grupos, como hemos hecho medante la utlzacón de varables fctcas. El contraste de Chow se puede generalzar a más de dos grupos de un modo natural. Desde el punto de vsta práctco, es probablemente más fácl estmar regresones separadas para cada grupo que utlzar el procedmento basado en la ntroduccón de varables fctcas en el modelo. En el caso de tres grupos el estadístco F en el contraste de Chow tene la sguente confguracón: 15
16 F SCRP ( SCR1SCR SCR3) /k ( SCR SCR SCR )/( n 3 k) (5-36) Observe que, como regla general, el número de gl del numerador es gual al (número de grupos-1)k, mentras que el número de gl del denomnador es gual a n menos (número de grupos)k. EJEMPLO 5.15 Otra forma de abordar la cuestón de la determnacón de los salaros por crtero de género Utlzando la msma muestra que en el ejemplo 5.1 (fchero wage0sp), hemos obtendo la estmacón de las ecuacones en (5-34), tomando log en wage, para hombres y mujeres, las cuales tomadas conjuntamente dan lugar a la estmacón del modelo no restrngdo: Ecuacón para la mujer ln( wage ) = educ Ecuacón para el hombre (0.04) (0.0041) SCR=104 R =0.36 n=617 ln( wage ) = educ 1 0 (0.031) (0.003) SCR=89 R =0.175 n=1383 El modelo restrngdo, que se estma en el ejemplo 5.4, tene la msma confguracón que las ecuacones (5-34), pero referdo en este caso para toda la muestra. Por lo tanto, es la regresón agrupada (P) correspondente al modelo restrngdo. El estadístco F toma el valor SCRP ( SCRF SCRM) / k 433 (104 89) / F 10 SCRF SCRM) / ( n k) (104 89) / (000 ) El estadístco F tene que ser, y lo es, gual al del ejemplo 5.1. En consecuenca, las conclusones son las msmas. EJEMPLO 5.16 El modelo de determnacón de los salaros es el msmo para dferentes tamaños de empresa? En otros ejemplos ben el térmno ndependente o ben la pendente correspondente a la varable educacón, fue dferente para tres dferentes tamaños de empresa (pequeña, medana y grande). Ahora consderamos una ecuacón completamente dferente para cada tamaño de la empresa. Por lo tanto, el modelo no restrngdo estará compuesto por tres ecuacones: pequeña :ln( wage) female 1edu u medana :ln( wage) 1 1 female edu u (5-37) grande :ln( wage) female 3edu u Las hpótess nula y alternatva serán las sguentes: H0 : H :No H Dada esta hpótess nula, el modelo restrngdo es el modelo de (5-). Las estmacones de las tres ecuacones de (5-37), utlzando el fchero wage0sp, son las sguentes: pequeña medana grande ln( wage ) = female educ (0.0346) (0.031) (0.0038) SCR=11 R =0.160 n=801 ln( wage ) = female educ (0.0514) (0.0390) (0.0046) SCR =13 R =0.30 n=590 ln( wage ) = female educ (0.046) (0.0385) (0.0044) SCR =114 R =0.73 n=609
17 La regresón agrupada (P) ya ha sdo estmada en el ejemplo 5.1. El estadístco F toma el valor SCRP ( SCRS SCRM SCRL) /k F ( SCRS SCRM SCRL)/( n 3 k) 393 ( ) / ( ) / (000 33) Para cualquer nvel de sgnfcacón, rechazamos que las ecuacones para la determnacón de los salaros sean las msmas para los tres tamaños de empresa consderados. EJEMPLO 5.17 Es el modelo Pnkham váldo para los cuatro perodos? En el ejemplo 5.5 se ntrodujeron varables fctcas temporales y se contrastó s el térmno ndependente era dferente para cada perodo. Ahora, vamos a contrastar s el modelo en su conjunto es váldo para los cuatro perodos consderados. Por lo tanto, el modelo restrngdo estará compuesto por cuatro ecuacones: salest 11 1advexpt 31 salest 1 ut salest 1 advexpt 3 salest 1 ut (5-38) salest 13 3advexpt 33 salest 1 ut salest 14 4advexpt 34 sales t1 ut Las hpótess nula y alternatva serán las sguentes: H0 : H :No H 1 0 Dada esta hpótess nula, el modelo restrngdo es el sguente salest 1 advexpt 3salest1 ut (5-39) Las estmacones de las cuatro ecuacones (5-38) son las sguentes: sales = advexp sales SCR = n = 7 t (603) (1.05) (0.45) sales = advexp sales SCR = n = 11 t (190) (0.557) (0.45) sales = advexp sales SCR = n = 15 t (11) (0.115) (0.087) sales = advexp sales SCR = n = 0 t (134) (0.41) (0.111) La regresón agrupada, estmada en el ejemplo 3.4, es la sguente: sales = advexp sales SCR = 5715 n = 53 t (95.7) (0.156) (0.0915) El estadístco F toma el valor SCRP ( SCR1SCR SCR3 SCR4) /3k F ( SCR1 SCR SCR3 SCR4)/( n 4 k) 5715 ( ) / ( ) / (53 43) Para cualquer nvel de sgnfcacón, rechazamos que el modelo (5-39) sea el msmo para los cuatro perodos consderados. Ejerccos Ejercco 5.1 Responda a las dos sguentes cuestones relatvas a un modelo con varables explcatvas fctcas: a) Cuál es la nterpretacón de los coefcentes de las varables fctcas? t-1 t-1 t-1 t-1 t-1 17
18 b) Por qué no se deben nclur el msmo número de varables fctcas que categorías? Ejercco 5. Se han obtendo las sguentes estmacones de demanda de vvendas para alquler con una muestra de 560 famlas. qˆ p y (0.11) (0.017) (0.06) R =0.371 n=560 qˆ p 0.90 y 0.341d y (0.13) (0.030) (0.031) (0.10) R =0.380 donde q es el logartmo del gasto en alquler de vvenda de la famla -esma, p es el logartmo del preco de alquler por m en el área que vve la famla -esma, y es el logartmo de la renta famlar dsponble -esma y d es una varable fctca que toma el valor uno s la famla resde en un muncpo urbano y cero en uno rural. (Los números entre paréntess son los errores estándar de los estmadores.) a) Contraste, en el prmer modelo ajustado, la hpótess de que la elastcdad del gasto en alquler de vvenda con respecto a la renta es 1. b) Contraste s la nteraccón entre la varable fctca y la renta es sgnfcatva. Exste una dferenca sgnfcatva de la elastcdad gasto en alquler renta entre las áreas rurales y urbanas? Ejercco 5.3 En un modelo de regresón lneal con varables fctcas conteste a las sguentes preguntas: a) Sgnfcado e nterpretacón de los coefcentes de las varables fctcas en modelos con dstntas formas funconales de la varable endógena. b) Por qué no es convenente nclur el msmo número de fctcas que de categorías exstentes en la varable cualtatva? c) Exprese cómo se ve afectado un modelo en el que se han ntroducdo varables fctcas en forma adtva y otro en el que sólo se ntroducen en forma multplcatva con respecto a una varable cuanttatva. Ejercco 5.4 En el contexto del modelo de regresón lneal múltple, a) Qué es una varable fctca? Ponga un ejemplo de especfcacón de un modelo econométrco con varables fctcas. Interprete los coefcentes, razonando la respuesta. b) Qué relacón puede exstr entre el problema de multcolnealdad y las varables fctcas? Ejercco 5.5 Con datos correspondentes a los trabajadores de un departamento de una certa empresa se ha obtendo la sguente estmacón: salaro = antgüedad + 00 nveldeestudos hombre donde salaro es el salaro en euros mensuales, antgüedad es la antgüedad laboral medda en años, nvelestudos es una varable fctca que toma valor 1 s el trabajador tene estudos superores y 0 en caso contraro y hombre es una varable fctca que toma el valor 1 s el trabajador es hombre y 0 en caso contraro. a) Qué salaro predecría para una trabajadora con 6 años de antgüedad laboral y con estudos superores? 18
19 b) Suponendo que todas las mujeres trabajadoras tenen estudos superores y nnguno de los hombres trabajadores tenen estudos superores, escrba una hpotétca matrz de regresores (X) para ses observacones. En este caso, se plantearía algún problema en la estmacón del modelo? Explque su respuesta. c) Plantee un nuevo modelo econométrco que permta dlucdar s exsten dferencas salarales entre los trabajadores con estudos prmaros, con estudos medos y con estudos superores. Ejercco 5.6 Consdere el sguente modelo de regresón lneal: y x 1d1 d u (1) donde y es el salaro mensual de un profesor, x es el número de años de experenca docente y d 1 y d son dos varables fctcas que toman los sguentes valores 1 s el profesor es hombre 1 s el profesor es de raza blanca d1 d 0 en todos los demás casos 0 en todos los demás casos a) Cuál es la categoría de referenca en el modelo? b) Interprete el sgnfcado de 1 y. Cuál es el salaro esperado para todas las categorías posbles? c) Para mejorar la capacdad explcatva del modelo se consderó la sguente especfcacón alternatva y x d d ( d d ) u d) Cuál es el sgnfcado del térmno ( d1d)? Interprete el sgnfcado de 3. e) Cuál es el salaro esperado para todas las categorías posbles en el modelo ()? Ejercco 5.7 Se ha obtendo la sguente ecuacón estmada por mínmos cuadrados ordnaros con una muestra de 36 observacones: yˆ x 4.56 x 0.34 x t t1 t t3 (0.1) (0.34) (3.35) (0.07) n yˆ y uˆ t t1 t1 (Los números entre paréntess son los errores estándar de los estmadores.) a) Contraste la sgnfcatvdad ndvdual del coefcente asocado a x. b) Calcule el coefcente de determnacón, R, y dé una nterpretacón del msmo. c) Contraste la sgnfcatvdad conjunta del modelo. d) Dos regresones adconales, con la msma especfcacón, fueron realzadas para los dos grupos, A y B, ncludos en la muestra (n 1 =1 y n =15). En dchas estmacones se obtuveron las sguentes SCR, y.17, respectvamente. Contraste s los grupos A y B tenen un dstnto comportamento. Ejercco 5.8 Para explcar el tempo dedcado a actvdades deportvas (depor) se ha formulado el sguente modelo: depor b + dmujer + j fumador + b edad + u (1) n t () 19
20 donde depor son los mnutos dedcados al día, en promedo, a actvdades deportvas en mnutos; mujer y fumador son varables fctcas que toman el valor 1 s la persona es una mujer o s fuma al menos 5 cgarrllos daros, respectvamente. La varable edad está expresada en años. a) Interprete el sgnfcado de 1, j 1 y. b) Cuál es el tempo esperado dedcado a actvdades deportvas para todas las categorías posbles? c) Para mejorar la capacdad explcatva del modelo se consderó la sguente especfcacón alternatva: depor b1+ d1mujer + j1fumador + g1mujer fumador () + dmujer edad + jfumador edad + bedad + u En el modelo (), cuál es el sgnfcado de 1? Cuál es el sgnfcado de y j? d) Cuáles son los posbles efectos margnales de depor con respecto a la edad en el modelo ()? Detállelos. Ejercco 5.9 Utlzando nformacón de las regones españolas en los años 1995 y 000 se han estmado varas funcones de produccón. Para el conjunto de los dos perodos se obtuveron los sguentes resultados ln( q) = ln( k) ln( l) f f ln( k) f ln( l) (1) R R SCR n ln( q) = ln( k) ( l) () R R SCR Por otra parte, para cada uno de los años se estmaron separadamente los sguentes modelos: 1995 ln( q) = ln( k) l (3) R R SCR = ln( q) = ln( k) l (4) R R SCR = donde q es produccón, k es captal, l es empleo y f es una varable fctca que toma el valor 1 para los datos de 1995 y 0 para los del año 000. a) Contraste s se produce un cambo estructural entre 1995 y 000. b) Compare los resultados de las estmacones (3) y (4) con la estmacón (1). c) Contraste la sgnfcatvdad global del modelo (1). Ejercco 5.10 Con una muestra de 300 empresas del sector de servcos, se estmó la sguente funcón de coste (cost): cost = qty SCR = n = 300 (0.05) donde qty es la cantdad producda. Las 300 empresas están dstrbudas en tres grandes áreas (100 en cada una). Los resultados obtendos fueron los sguentes: 0
21 Área 1: cost = qty sˆ = (0.038) Área : cost = qty sˆ = (0.096) Área 3: cost = qty sˆ = 4.55 (0.10) a) Calcule una estmacón nsesgada de la funcón de costes para el conjunto de las 300 empresas. b) Es la msma funcón de coste válda para las tres áreas? Ejercco 5.11 Para el estudo del gasto en revstas (rev) se han formulado los sguentes modelos: ln( rev) ln( renta) edad hombre u (1) ln( rev) 1ln( renta) 3edad 4hombre 5prm 6sec u () donde renta es la renta dsponble, edad es la edad en años, hombre es una varable dcotómca que toma el valor 1 s es hombre, prm y sec son varables fctcas que toman el valor 1 cuando el ndvduo ha alcanzado, a lo sumo, los nveles prmaros y secundaros de estudos, respectvamente. Con una muestra de 100 observacones, se han obtendo los sguentes resultados ln( rev) = ln( renta ) edad hombre (0.14) (0040) (0.001) (0.0) SCR= R =0.986 ln( rev ) = ln( renta ) edad hombre (0.00) (0.007) (0.000) (0.003) prm sec (0.004) (0.005) SCR= R = a) Es la educacón un factor relevante para explcar el gasto en revstas? Cuál es la categoría de referenca para la educacón? b) En el prmer modelo, es mayor el gasto en revstas para hombres que para mujeres? Justfca tu respuesta. c) Interprete el coefcente de la varable hombre en el segundo modelo. Es mayor el gasto en revstas para hombres que para mujeres? Compare con el resultado obtendo en la parte a). Ejercco 5.1 Consderemos que frut es el gasto en frutas en un año, expresado en euros, realzado por un hogar y r 1, r, r 3, y r 4 son varables dcotómcas que reflejan las cuatro regones de un país. a) S se realza una regresón de frut sobre r 1, r, r 3, y r 4 sn térmno ndependente, cuál es la nterpretacón de los coefcentes? b) S se realza una regresón de frut sobre r 1, r, r 3, y r 4 y con un térmno ndependente, qué sucedería? Por qué? c) S se realza una regresón de frut sobre r, r 3, y r 4 sn térmno ndependente, cuál es la nterpretacón de los coefcentes? d) S se realza una regresón de frut sobre r 1 - r, r, r 4 - r 3, r 4 sn térmno ndependente, cuál es la nterpretacón de los coefcentes? 1
TODO ECONOMETRIA. Variables cualitativas
TODO ECONOMETRIA Varables cualtatvas Índce Defncón de las varables dummy (o varables fctcas) Regresón con varables explcatvas dummy Varables dummy S queremos estudar s los hombres ganan más que las mujeres,
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 detalles1.Variables ficticias en el modelo de regresión: ejemplos.
J.M.Arranz y M.M. Zamora.Varables fctcas en el modelo de regresón: ejemplos. Las varables fctcas recogen los efectos dferencales que se producen en el comportamento de los agentes económcos debdo a dferentes
Más 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 detallesRegresión y correlación Tema 8. 1.1 Contraste sobre β 1.2 Regresión en formato ANOVA. 2. Correlación. Contraste sobre ρ xy
Unversdad Autónoma de Madrd 1 Regresón y correlacón Tema 8 1. Regresón lneal smple 1.1 Contraste sobre β 1. Regresón en formato ANOVA. Correlacón. Contraste sobre ρ xy Análss de Datos en Pscología II Tema
Más detallesAnálisis de Varianza no paramétricos
Capítulo VII Análss de Varanza no paramétrcos Anova de Kruskal-Walls Anova de Fredman Anova de Q de Cochran Introduccón Las técncas de análss de varanza no paramétrcos son útles cuando los supuestos de:
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 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 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 detalles-.GEOMETRÍA.- a) 37 cm y 45 cm. b) 16 cm y 30 cm. En estos dos, se dan la hipotenusa y un cateto, y se pide el otro cateto:
-.GEOMETRÍA.- Ejercco nº 1.- Calcula el lado que falta en este trángulo rectángulo: Ejercco nº 2.- En los sguentes rectángulos, se dan dos catetos y se pde la hpotenusa (s su medda no es exacta, con una
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 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 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 detallesCURSO 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 detallesUSOS Y EXTENSIONES DEL MODELO LINEAL CON K VARIABLES
Unversdad de San Andrés Departamento de Economía Econometría Semestre de otoño USOS Y ETENSIONES DEL MODELO LINEAL CON K VARIABLES Marana Marchonn marana@depeco.econo.unlp.edu.ar Varables explcatvas bnaras
Más detallesa) Qué población (la de hombres o la de mujeres) presenta un salario medio mayor? b) Qué porcentaje de varones gana más de 900?
EJERCICIO 1. A contnuacón tene dos dstrbucones por sexo y salaro declarado en el prmer empleo tras obtener la lcencatura de un grupo de ttulados por la UNED. Salaro en Hombres en % Mujeres en % < de 600
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 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 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 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 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 detallesInvestigación y Técnicas de Mercado. Previsión de Ventas TÉCNICAS CUANTITATIVAS ELEMENTALES DE PREVISIÓN UNIVARIANTE. (IV): Ajustes de Tendencia
Investgacón y Técncas de Mercado Prevsón de Ventas TÉCNICAS CUANTITATIVAS ELEMENTALES DE PREVISIÓN UNIVARIANTE. (IV): s de Tendenca Profesor: Ramón Mahía Curso 00-003 I.- Introduccón Hasta el momento,
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 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 detallesPregunta Hoy está nublado, cuál es la probabilidad de que mañana continúe nublado? cuál es la probabilidad de que está nublado pasado mañana?
Cadenas de Marov Después de mucho estudo sobre el clma, hemos vsto que s un día está soleado, en el 70% de los casos el día sguente contnua soleado y en el 30% se pone nublado. En térmnos de probabldad,
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 detallesAnálisis de la Varianza de dos factores con replicaciones: Caso Balanceado (Scheffé, 1959)
Modelo Lneal 03 Ana M Banco 1 Análss de la Varanza de dos factores con replcacones: Caso Balanceado cheffé, 1959 En este eemplo nos nteresa el tempo de coagulacón en mnutos del plasma sanguíneo para 3
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 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 detalles4 BALANZA DE MOHR: Contracción de mezcla alcohol/h2o
4 LNZ DE OHR: Contraccón de mezcla alcohol/h2o CONTENIDOS Defncones. Contraccón de una ezcla. olumen específco deal y real. Uso de la balanza de ohr. erfcacón de Jnetllos. Propagacón de Errores. OJETIOS
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 detallesFacultad de Ingeniería División de Ciencias Básicas Coordinación de Ciencias Aplicadas Departamento de Probabilidad y Estadística
Facultad de Ingenería Dvsón de Cencas Báscas Coordnacón de Cencas Aplcadas Departamento de Probabldad y Estadístca Probabldad y Estadístca Prmer Eamen Fnal Tpo A Semestre: 00- Duracón máma:. h. Consderar
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 detallesMODELOS DE SECUENCIACIÓN EN MÁQUINAS 1
odelos de secuencacón de tareas en máqunas Andrés Ramos Unversdad Pontfca Comllas http://www.t.comllas.edu/aramos/ Andres.Ramos@comllas.edu ODELOS DE SECUENCIACIÓN EN ÁQUINAS odelos de secuencacón de tareas
Más detallesDISTRIBUCION DE RENDIMIENTOS: APLICACIONES
DISTRIBUCION DE RENDIMIENTOS: APLICACIONES Puntos a desarrollar Como es el modelo de dstrbucon normal de los rendmentos Como se puede utlzar para hacer predccones futuras sobre precos de actvos Como se
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 detallesAnálisis de Regresión y Correlación
1 Análss de Regresón y Correlacón El análss de regresón consste en emplear métodos que permtan determnar la mejor relacón funconal entre dos o más varables concomtantes (o relaconadas). El análss de correlacón
Más detalles4. REPRESENTACIONES GRÁFICAS PARA DATOS CATEGÓRICOS.
4. REPRESETACIOES GRÁFICAS PARA DATOS CATEGÓRICOS. Cuando se manejan fenómenos categórcos, se pueden agrupar las observacones en tablas de resumen, para después representarlas en forma gráfca como dagramas
Más detallesT. 5 Estadísticos de forma de la distribución
T. 5 Estadístcos de forma de la dstrbucón 1 1. Asmetría 2. Apuntamento o curtoss Ya ha sdo abordado en temas precedentes el análss de la forma de la dstrbucón de frecuencas desde una aproxmacón gráfca.
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) 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 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 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 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 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 detallesAplicación de la termodinámica a las reacciones químicas Andrés Cedillo Departamento de Química Universidad Autónoma Metropolitana-Iztapalapa
Aplcacón de la termodnámca a las reaccones químcas Andrés Cedllo Departamento de Químca Unversdad Autónoma Metropoltana-Iztapalapa Introduccón Las leyes de la termodnámca, así como todas las ecuacones
Más detallesTema 21: Distribución muestral de un estadístico
Análss de Datos I Esquema del Tema 21 Tema 21: Dstrbucón muestral de un estadístco 1. INTRODUCCIÓN 2. DISTRIBUCIÓN MUESTRAL DE LA MEDIA 3. DISTRIBUCIÓN MUESTRAL DE LA PROPORCIÓN Bblografía * : Tema 15
Más detallesFacultad de Ciencias Básicas
Facultad de Cencas Báscas ANÁLISIS GRÁFICO DE DATOS EXPERIMENTALES OBJETIVO: Representar gráfcamente datos expermentales. Ajustar curvas a datos expermentales. Establecer un crtero para el análss de grafcas
Más detallesAPLICACIÓN DEL ANALISIS INDUSTRIAL EN CARTERAS COLECTIVAS DE VALORES
APLICACIÓN DEL ANALISIS INDUSTRIAL EN CARTERAS COLECTIVAS DE VALORES Documento Preparado para la Cámara de Fondos de Inversón Versón 203 Por Rodrgo Matarrta Venegas 23 de Setembre del 204 2 Análss Industral
Más detallesEjercicios y Talleres. puedes enviarlos a
Ejerccos y Talleres puedes envarlos a klasesdematematcasymas@gmal.com www.klasesdematematcasymas.com EJERCICIOS DE REGRESIONES Y ANALISIS DE COVARIANZA Analzar la nformacón recoplada por medo de los dferentes
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 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 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 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 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 detalles8 MECANICA Y FLUIDOS: Calorimetría
8 MECANICA Y FLUIDOS: Calormetría CONTENIDOS Dencones. Capacdad caloríca. Calor especíco. Equlbro térmco. Calormetría. Calorímetro de las mezclas. Marcha del calorímetro. Propagacón de Errores. OBJETIVOS
Más detallesCAPÍTULO 6 TRATAMIENTO DE ASPECTOS CUALITATIVOS. USO DE VARIABLES FICTICIAS EN REGRESIÓN
Fchero: captulo 6 CAPÍTULO 6 TRATAMIENTO DE ASPECTOS CUALITATIVOS. USO DE VARIABLES FICTICIAS EN REGRESIÓN. TIPOLOGÍA DE LOS MODELOS DE REGRESIÓN CON VARIABLES CUALITATIVAS Los aspectos cualtatvos, meddos
Más detalles3 - VARIABLES ALEATORIAS
arte Varables aleatoras rof. María B. ntarell - VARIABLES ALEATORIAS.- Generaldades En muchas stuacones epermentales se quere asgnar un número real a cada uno de los elementos del espaco muestral. Al descrbr
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 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 detallesSEGUNDA PARTE RENTAS FINANCIERAS
SEGUNDA PARTE RENTAS FINANCIERAS 5 INTRODUCCIÓN A LA TEORÍA DE RENTAS 5.1 CONCEPTO: Renta fnancera: conjunto de captales fnanceros cuyos vencmentos regulares están dstrbudos sucesvamente a lo largo de
Más detallesTema 7: Variables Ficticias
Tema 7: Varables Fctcas Máxmo Camacho Máxmo Camacho Econometría I - ADE+D /2 - Tema 7 Varables fctcas Bloque I: El modelo lneal clásco r Tema : Introduccón a la econometría r Tema 2: El modelo de regresón
Más detallesACTIVIDADES ESTADÍSTICA UNIDIMENSIONAL. a) Calcula la temperatura media y la temperatura mediana de la semana.
Matemátcas Aplcadas a las Cencas Socales I ACTIVIDADES ESTADÍSTICA UNIDIMENSIONAL 1) Se ha meddo la temperatura en grados centígrados la presón atmosférca en mm en una cudad durante una semana obtenéndose
Más detalles1.-Especificaciones lineales de las variables explicativas
Tema 6: Especfcacón De La Forma Funcona De La Ecuacón. Interpretacon Aplcacones.-Especfcacones lneales de las varables explcatvas.- Especfcacón cuadrátca 3.- Especfcacón lneal o cuadrátca con un térmno
Más detallesOPERACIONES ARMONIZACION DE CRITERIOS EN CALCULO DE PRECIOS Y RENDIMIENTOS
P L V S V LT R A BANCO DE ESPAÑA OPERACIONES Gestón de la Informacón ARMONIZACION DE CRITERIOS EN CALCULO DE PRECIOS Y RENDIMIENTOS El proceso de ntegracón fnancera dervado de la Unón Monetara exge la
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 detallesVariables Dummy (parte I)
Varables Dummy (parte I) Fortno Vela Peón Unversdad Autónoma Metropoltana fvela@correo.xoc.uam.mx Octubre, 2010 19/10/2010 Méxco, D. F. 1 Introduccón Algunas de las varables son por su naturaleza propa
Más detalles1 EY ( ) o de E( Y u ) que hace que g E ( Y ) sea lineal. Por ejemplo,
Modelos lneales generalzados En los modelos no lneales (tanto en su formulacón con coefcentes fjos o coefcentes aleatoros) que hemos vsto hasta ahora, exsten algunos que se denomnan lnealzables : son modelos
Más detallesRelación 2: Regresión Lineal.
Relacón 2: Regresón Lneal. 1. Se llevó a cabo un estudo acerca de la cantdad de azúcar refnada (Y ) medante un certo proceso a varas temperaturas dferentes (X). Los datos se codfcan y regstraron en el
Más detallesUna matriz es un conjunto de elementos de cualquier naturaleza aunque, en general, son números ordenados en filas y columnas.
MATRICES Las matrces se utlzan en el cálculo numérco, en la resolucón de sstemas de ecuacones lneales, de las ecuacones dferencales y de las dervadas parcales. Además de su utldad para el estudo de sstemas
Más detallesMODELOS DE ELECCIÓN BINARIA
MODELOS DE ELECCIÓN BINARIA Econometría I UNLP http://www.econometra1.depeco.econo.unlp.edu.ar/ Modelos de Eleccón Bnara: Introduccón Estamos nteresados en la probabldad de ocurrenca de certo evento Podemos
Más 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 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 detallesUniversidad de Pamplona Facultad de Ciencias Básicas Física para ciencias de la vida y la salud
Unversdad de Pamplona Facultad de Cencas Báscas Físca para cencas de la vda y la salud AÁLISIS GRÁFICO DE DATOS EXPERIMETALES OBJETIVO: Representar gráfcamente datos expermentales. Ajustar curvas a datos
Más detallesTRABAJO 1: Variables Estadísticas Unidimensionales (Tema 1).
TRABAJO 1: Varables Estadístcas Undmensonales (Tema 1). Técncas Cuanttatvas I. Curso 2016/2017. APELLIDOS: NOMBRE: GRADO: GRUPO: DNI (o NIE): A: B: C: D: En los enuncados de los ejerccos que sguen aparecen
Más detallesLas acciones a considerar en el proyecto de una estructura o elemento estructural se pueden clasificar según los criterios siguientes:
CAÍTULO III ACCIONES Artículo 9º Clasfcacón de las accones Las accones a consderar en el proyecto de una estructura o elemento estructural se pueden clasfcar según los crteros sguentes: - Clasfcacón por
Más detallesCORRELACION Y REGRESION
CORRELACION Y REGREION Jorge Galbat Resco e dspone de una muestra 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
Más detallesSlide 1. Slide 2 Organización y Resumen de Datos. Slide 3. Universidad Diego Portales. Tablas de Frecuencia. Estadística I
Slde 1 Unversdad Dego Portales Estadístca I Seccón II: Dstrbucones de Frecuenca y Representacón Gráfca Sgla: EST2500 Nombre Asgnatura: Estadístca I Slde 2 Organzacón y Resumen de Datos Como recordará,
Más detallesTM 6. ESPECIFICACION DE LA FORMA FUNCIONAL DE LA ECUACION. 1. ESPECIFICACIONES LINEALES DE LAS VARIABLES EXPLICATIVAS
TM 6. ESPECIFICACION DE LA FORMA FUNCIONAL DE LA ECUACION.. ESPECIFICACIONES LINEALES DE LAS VARIABLES EPLICATIVAS. ESPECIFICACION CUADRATICA 3. ESPECIFICACION LINEAL O CUADRATICA CON ALGUN TERMINO DE
Más detallesPoblación: Es el conjunto de todos los elementos cuyo conocimiento nos interesa y serán objeto de nuestro estudio.
Tema 9 - Estadístca - Matemátcas B 4º E.S.O. 1 TEMA 9 - ESTADÍSTICA 9.1 DOS RAMAS DE LA ESTADÍSTICA 9.1.1 - INTRODUCCIÓN La estadístca tene por objeto el desarrollo de técncas para el conocmento numérco
Más detallesCAPITULO CUATRO MEDIDAS DE DISPERSION, ASIMETRIA Y CURTOSIS
CAPITULO CUATRO MEDIDAS DE DISPERSION, ASIMETRIA Y CURTOSIS El conocmento de las meddas de centralzacón no es sufcente para caracterzar completamente a una dstrbucón por ejemplo: s las edades medas de
Más detallesDe factores fijos. Mixto. Con interacción Sin interacción. No equilibrado. Jerarquizado
Análss de la varanza con dos factores. Introduccón Hasta ahora se ha vsto el modelo de análss de la varanza con un factor que es una varable cualtatva cuyas categorías srven para clasfcar las meddas de
Más detallesAnálisis de Resultados con Errores
Análss de Resultados con Errores Exsten dos tpos de errores en los expermentos Errores sstemátcos errores aleatoros. Los errores sstemátcos son, desde lejos, los más mportantes. Errores Sstemátcos: Exsten
Más detallesEn este caso, el valor actual de una unidad monetaria pagadera al final del año de fallecimiento de
Parte III: Análss de la determnacón de las prmas en los seguros de vda y de la solvenca dnámca del asegurador cuando los tpos de nterés de valoracón venen estmados a través de números borrosos.4. SEGURO
Más detalles1. Números imaginarios. Números complejos en forma binómica página 115. 2. Representación gráfica de los números complejos página 116
Números complejos E S Q U E M A D E L A U N I D A D. Números magnaros. Números complejos en forma bnómca págna. Representacón gráfca de los números complejos págna 6.. Suma de números complejos págna 8.
Más detallesRelaciones entre variables
Relacones entre varables Las técncas de regresón permten hacer predccones sobre los valores de certa varable Y (dependente), a partr de los de otra (ndependente), entre las que se ntuye que exste una relacón.
Más detallesCARTAS DE CONTROL. Han sido difundidas exitosamente en varios países dentro de una amplia variedad de situaciones para el control del proceso.
CARTAS DE CONTROL Las cartas de control son la herramenta más poderosa para analzar la varacón en la mayoría de los procesos. Han sdo dfunddas extosamente en varos países dentro de una ampla varedad de
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 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 detallesBloque 5. Probabilidad y Estadística Tema 2. Estadística descriptiva Ejercicios resueltos
Bloque 5. Probabldad y Estadístca Tema. Estadístca descrptva Ejerccos resueltos 5.-1 Dada la sguente tabla de ngresos mensuales, calcular la meda, la medana y el ntervalo modal. Ingresos Frecuenca Menos
Más detalles2.5 Especialidades en la facturación eléctrica
2.5 Especaldades en la facturacón eléctrca Es necesaro destacar a contnuacón algunos aspectos peculares de la facturacón eléctrca según Tarfas, que tendrán su mportanca a la hora de establecer los crteros
Más detallesEstimación del consumo del consumo diario de gas a partir de lecturas periódicas de medidores
Estmacón del consumo del consumo daro de gas a partr de lecturas peródcas de meddores S.Gl, 1, A. Fazzn, 3 y R. Preto 1 1 Gerenca de Dstrbucón del ENARGAS, Supacha 636- (18) CABA- Argentna Escuela de Cenca
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 detallesCálculo y EstadísTICa. Primer Semestre.
Cálculo y EstadísTICa. Prmer Semestre. EstadísTICa Curso Prmero Graduado en Geomátca y Topografía Escuela Técnca Superor de Ingeneros en Topografía, Geodesa y Cartografía. Unversdad Poltécnca de Madrd
Más detallesDonde y representa la altura de los estudiantes y x la media de las alturas de sus padres
Regresón smple y múltple 1. A partr de la sguente tabla de datos, Y 4 5 7 1 X 1 4 5 6 Estmar la regresón Y = +X + Solucón Basta calcular, Y X y x x y x 4 1-3 -3 9 9 5 4-0 0 0 7 5 0 1 0 1 1 6 5 10 4 Suma
Más detallesEnlaces de las Series de Salarios. Metodología
Enlaces de las eres de alaros Metodología ntroduccón La Encuesta de alaros en la ndustra y los ervcos (E, cuyo últmo cambo de base se produjo en 996) ha sufrdo certas modfcacones metodológcas y de cobertura,
Más detallesPREGUNTAS TIPO TEST Y EJERCICIOS PRÁCTICOS PROPUESTOS EN EXÁMENES DE LOS CAPÍTULOS 2, 3 Y 4 (DISTRIBUCIONES DE FRECUENCIAS UNIDIMENSIONALES )
TUTORÍA DE ITRODUCCIÓ A LA ESTADÍSTICA. (º A.D.E.) e-mal: mozas@el.uned.es PREGUTAS TIPO TEST Y EJERCICIOS PRÁCTICOS PROPUESTOS E EXÁMEES DE LOS CAPÍTULOS, Y 4 (DISTRIBUCIOES DE FRECUECIAS UIDIMESIOALES
Más detallesOferta de Trabajo Parte 2. Economía Laboral Julio J. Elías LIE - UCEMA
Oferta de Trabajo Parte 2 Economía Laboral Julo J. Elías LIE - UCEMA Curva de oferta de trabajo ndvdual Consumo Salaro por hora ($) G w=$20 F w=$25 25 Curva de Oferta de Trabajo Indvdual w=$14 20 14 w
Más detallesConsecuencias del Primer Principio 22 de noviembre de 2010
Índce 5 CELINA GONZÁLEZ ÁNGEL JIMÉNEZ IGNACIO LÓEZ RAFAEL NIETO Consecuencas del rmer rncpo 22 de novembre de 2010 1. Ecuacón calórca del gas deal 1 Cuestones y problemas: C 2.4,10,11,12,16,19 1.1,3 subrayados
Más detalles