INTERPRETACIÓN DE LA REGRESIÓN. Interpretación de la regresión
|
|
- Diego Crespo Aranda
- hace 7 años
- Vistas:
Transcripción
1 INTERPRETACIÓN DE LA REGRESIÓN Este gráfico muestra el salario por hora de 570 individuos. 1 Interpretación de la regresión. regresión Salario-Estudios Source SS df MS Number of obs = F( 1, 568) = Model Prob > F = Residual R-squared = Adj R-squared = Total Root MSE = SALARIO Coef. Std. Err. t P> t [95% Conf. Interval] S _cons Esta es una salida de ordenador de un programa econométrico típico.
2 Interpretación de la regresión ^ Salario = S Qué significan los coeficientes? 3 Interpretación de la regresión $11.49 $10.41 Un año $1.07 Qué mide la pendiente? 4
3 Interpretación de la regresión ^ Salario = S Qué significa el término constante? 5 Interpretación de la regresión ^ Salario = S 6
4 Interpretación de la regresión Ajuste cuadrático 7 BONDAD DE AJUSTE Tres resultados relevantes: 8
5 Bondad de ajuste Tres resultados relevantes: 9 Bondad de ajuste Tres resultados relevantes: 10
6 Bondad de ajuste Tres resultados relevantes: Demostrad que es igual a 0 11 Bondad de ajuste Para analizar la bondad del ajuste, descomponemos el valor observado en el valor ajustado y el residuo. 1
7 Bondad de ajuste SCT = SCE + SCR R = SCE SCT =!! ( Y ˆ i ( Y i Y ) Y ) = 1!!( Y i e i Y ) 13 Bondad de ajuste Otro criterio de bondad de ajuste es la correlacion entre el valor observado y ajustado de la variable Y. 14
8 ESTIMADORES DE LOS COEFICIENTES DE REGRESIÓN: VARIABLES ALEATORIAS Los estimadores de los coeficientes de regresión son un tipo particular de variable aleatoria: recordar la definición de un estimador. Para analizarlo, visualizaremos cómo se obtienen los estimadores en el caso de una regresión simple 15 Estimadores de los Coeficientes de Regresión: variables aleatorias Por tanto, hemos descompuesto b en dos componentes: el verdadero valor del parámetro,!, y el término de error. 16
9 Estimadores de los Coeficientes de Regresión: variables aleatorias Construir un modelo donde Y se determina por X, el valor de los parametros y u Elegir los datos, X Elegir parámetros Modelo Generar los valores de Y Elegir una distribución para u Un experimento Monte Carlo es un ejercicio de laboratorio, basado en la utilización de ordenadores, cuyo objetivo es evaluar las propiedades de un estimador en situaciones controladas. 17 Estimadores de los Coeficientes de Regresión: variables aleatorias Construir un modelo donde Y se determina por X, el valor de los parametros y u Elegir los datos, X Elegir parámetros Modelo Generar valores de Y Estimador Estimación Elegir una distribución para u El experimento empieza eligiendo los valores de X, los parámetros y la distribución de la perturbación. A partir de aquí se genera el valor de Y. Una vez que tengo (X,Y), aplica el método de MCO y se obtiene una estimación. Este proceso se repite varias veces. 18
10 Estimadores de los Coeficientes de Regresión: variables aleatorias Construir un modelo donde Y se determina por X, el valor de los parametros y u Y =! 1 +! X + u Elegir los datos, X Elegir parámetros Elegir una distribución para u X = 1,,..., 0! 1 =.0! = 0.5 u es i.i.d. N (0,1) Modelo Generar valores de Y Estimador Y = X + u Generar valores de Y b = Cov(X, Y)/Var(X); Estimación Estimar el valor de los parámetros Se regresará Y sobre X usando MCO y, a partir de los estimadores b 1 y b, se obtendrán estimaciones para los verdaderos valores de! 1 y!. 19 Estimadores de los Coeficientes de Regresión: variables aleatorias Observad lo que es el componente no estocástico. 0
11 Estimadores de los Coeficientes de Regresión: variables aleatorias Y = X + u X.0+0.5X u Y X.0+0.5X u Y A partir de aquí obtenemos el valor de la variable dependiente. 1 Estimadores de los Coeficientes de Regresión: variables aleatorias Observad que gráficamente las observaciones ya no están en la recta determinista.
12 Estimadores de los Coeficientes de Regresión: variables aleatorias De donde obtenemos la recta de regresión. 3 Estimadores de los Coeficientes de Regresión: variables aleatorias Para comparar, podemos graficar la parte no estocástica verdadera, que es la que surge de la definición del modelo.! (tiene como verdadero valor 0.50) y ha sido sobreestimado mientras que! 1 (con un valor verdadero de.00) ha sido subestimada. 4
13 Estimadores de los Coeficientes de Regresión: variables aleatorias El experimento Monte Carlo consiste en repetir el anterior proceso un número elevado de veces, estimar los parámetros y ver cómo se comportan. Vamos a repetirlo. La verdadera recta es la que se observa en el gráfico, que está dada por la definición del experimento. 5 Estimadores de los Coeficientes de Regresión: variables aleatorias A los valores no estocásticos les sumamos un término de perturbación y obtenemos los datos que observamos en la realidad. 6
14 Estimadores de los Coeficientes de Regresión: variables aleatorias Nuevamente, ajustamos por MCO y obtenemos la recta de regresión, que nunca coincidirá con la verdadera. 7 Estimadores de los Coeficientes de Regresión: variables aleatorias replicación b 1 b Esta tabla resume los valores de las estimaciones si repetimos 10 veces el mismo experimento. 8
15 Estimadores de los Coeficientes de Regresión: variables aleatorias 10 replicaciones Observad el histograma para b 9 Estimadores de los Coeficientes de Regresión: variables aleatorias En el caso de 50 replicaciones, estas serían las estimaciones de!. 30
16 Estimadores de los Coeficientes de Regresión: variables aleatorias El histograma ahora sería. 50 replicaciones 31 Estimadores de los Coeficientes de Regresión: variables aleatorias 100 replicaciones La linea roja muestra la distribución límite, la que se obtendría si hiciéramos muchísimas replicaciones del experimento. Observad que la distribución es simétrica en el verdadero valor del parámetro, confirmando que el estimador es insesgado. 3
17 LAS CONDICIONES DE GAUSS-MARKOV Y LA INSESGADEZ DE LOS ESTIMADORES Regresión simple: Y =! 1 +! X + u Condiciones de Gauss-Markov 1. E(u i ) = 0 Suponga E(u i ) = µ u 0. Definimos v = u - µ u, entonces u = v + µ u Entonces Y =! 1 +! X + v + µ u = (! 1 +µ u ) +! X + v donde E(v) = E(u - µ u ) = E(u) - E(µ u ) = 0 Esta condición está relacionada con la perturbación, u. Este supuesto sostiene que el valor esperado de la perturbación es cero, por lo que, en media, no afecta al valor de la variable dependiente: no tiene una tendencia sistemática en ninguna dirección (positiva o negativa). Nótese que el término constante normalmente recoge cualquier tendencia de Y no tomada 33 en cuenta por las variables explicativas. Las condiciones de Gauss-Markov y la insesgadez de los estimadores Regresión simple: Y =! 1 +! X + u Condiciones de Gauss-Markov. La varianza poblacional de u i es la misma para todo i La segunda condición es que los valores del término de perturbación en las diferentes observaciones son extraídos de una distribución con varianza constante: Homocedasticidad. 34
18 Las condiciones de Gauss-Markov y la insesgadez de los estimadores Regresión simple: Y =! 1 +! X + u Condiciones de Gauss-Markov 3. La covarianza poblacional entre u i y u j es igual a 0, i distinto de j La tercera condición sostiene que el valor del término de perturbación para una observación no podrá co-variar con ninguna de las otras observaciones: las u i se distribuyen independientemente: Incorrelación. 35 Las condiciones de Gauss-Markov y la insesgadez de los estimadores Regresión simple: Y =! 1 +! X + u Condiciones de Gauss-Markov 4. X no estocástico Esta condición final puede verse en dos versiones: la fuerte, que supone que las variables explicativas son no estocásticas. La débil: son aleatorias pero se distribuyen de forma independiente al término de perturbación. Utilizaremos el supuesto fuerte pues facilita el análisis de la propiedad de los estimadores. 36
19 Las condiciones de Gauss-Markov y la insesgadez de los estimadores Regresión simple: Y =! 1 +! X + u Condiciones de Gauss-Markov 4. X no estocástica Este ejemplo, de muestra estratificada, es un caso de variables no estocásticas. S n , etc Suponga que del censo nacional se sabe que el 1% de la población tiene S = 8, el 3% tiene S = 9, el 5% tiene 10, el 7% S = 11, el 43% S = 1 etc. 37 Las condiciones de Gauss-Markov y la insesgadez de los estimadores Regresión simple: Y =! 1 +! X + u Supuesto de Normalidad 5. u tiene una distribución normal. Además de las condiciones de Gauss-Markov, generalmente se supone que la perturbación tiene distribución normal. Este supuesto permite derivar, de forma sencilla, la distribución de los estadísticos. Justificación: Teorema Central del Límite. 38
20 Las condiciones de Gauss-Markov y la insesgadez de los estimadores Regresión simple: Y =! 1 +! X + u Insesgadez Por lo tanto, llegamos a que el estimador se descompone en el verdadero valor del parámetro y un término de error que depende de la covarianza entre las variables explicativas y el término de perturbación. 39 Las condiciones de Gauss-Markov y la insesgadez de los estimadores Regresión simple: Y =! 1 +! X + u Insesgadez EJERCICIO: Demostrar que E(Cov(X,u))=0. Para ello, utilizar la definición de covarianzas 40
21 Las condiciones de Gauss-Markov y la insesgadez de los estimadores Regresión simple: Y =! 1 +! X + u Insesgadez EJERCICIO Demostrar que el estimador b 1 es insesgado con respecto a! ANÁLISIS DE LA PRECISIÓN DE LA REGRESIÓN Modelo de regresión simple: Y =! 1 +! X + u Varianza de los estimadores densidad de b! b Hemos visto que los estimadores b 1 y b son variables aleatorias que generan estimaciones puntuales de! 1 y!. Sabemos, además, que dichos estimadores son insesgados: la media de la densidad del estimador coincide con el verdadero valor del parámetro, como se observa en el gráfico. 4
22 Análisis de la precisión de la regresión Modelo de regresión simple: Y =! 1 +! X + u Varianza de los estimadores densidad de b desviación típica de b! b La desviación típica de un estimador mide la precisión del mismo: lo cerca que estoy del verdadero valor del parámetro, si interpreto la desviación típica como una distancia. Dada esta interpretación, la desviación típica permite realizar contrastes relacionados con 43 posibles valores del verdadero valor del parámetro. Análisis de la precisión de la regresión Modelo de regresión simple: Y =! 1 +! X + u Varianza de los estimadores Varianza poblacional de b = " b 1 1 " = n u ' $ & + X 1 # % Var ( X )" Varianza poblacional de b = " = b " u n Var ( X ) Inversamente con n 44
23 Análisis de la precisión de la regresión Modelo de regresión simple: Y =! 1 +! X + u Varianza de los estimadores Varianza poblacional b = " b 1 1 " = n u ' $ & + X 1 # % Var ( X )" Varianza poblacional b = " = b " u n Var ( X ) Proporcional a la varianza de la perturbación 45 Análisis de la precisión de la regresión Modelo de regresión simple: Y =! 1 +! X + u Varianza de los estimadores Y Y X X Y = X Observar cómo cambia el ajuste cuando cambia la varianza de las observaciones de la variable dependiente. La gráfica punteada es la verdadera recta de regresión, Y = X. 46
24 Análisis de la precisión de la regresión Modelo de regresión simple: Y =! 1 +! X + u Varianza de los estimadores Varianza poblacional de b = " b 1 1 " = n u ' $ & + X 1 # % Var ( X )" Varianza poblacional de b = " = b " u n Var ( X ) Inversamente proporcional a la varianza de X 47 Análisis de la precisión de la regresión Modelo de regresión simple: Y =! 1 +! X + u Varianza de los estimadores Y Y X X Y = X 48
25 Análisis de la precisión de la regresión Modelo de regresión simple: Y =! 1 +! X + u Varianza de los estimadores También podemos estimar las desviaciones típicas de los estimadores (las denotamos por s.e., del inglés standard error) 49 Análisis de la precisión de la regresión Modelo de regresión simple: Y =! 1 +! X = u Varianza de los estimadores. reg EARNINGS S Source SS df MS Number of obs = F( 1, 568) = Model Prob > F = Residual R-squared = Adj R-squared = Total Root MSE = EARNINGS Coef. Std. Err. t P> t [95% Conf. Interval] S _cons
26 Análisis de la precisión de la regresión Modelo de regresión simple: Y =! 1 +! X + u Eficiencia densidad de b OLS Otros estimadores insesgados! b El teorema de Gauss-Markov establece que si el modelo está bien especificado, los estimadores de MCO son los de menor varianza dentro de todos los estimadores insesgados 51 Análisis de la precisión de la regresión Modelo de regresión simple: Y =! 1 +! X + u Eficiencia Y Y n Y n - Y 1 Y 1 X n - X 1 X 1 X n X 5
27 Análisis de la precisión de la regresión Modelo de regresión simple: Y =! 1 +! X`+ u Eficiencia Investigaremos las propiedades de este estimador EJERCICIO: calcular la media y la varianza de este estimador 53 Análisis de la precisión de la regresión Modelo de regresión simple: Y =! 1 +! X + u Eficiencia Se demuestra que la varianza del estimador MCO es menor que la del estimador alternativo. EJERCICIO: realizar dicha demostración 54
INTERVALOS DE CONFIANZA
INTERVALOS DE CONFIANZA condicional en que!! sea verdadero hipótesis nula H :!!.5%.5%! -.96sd! -sd!! +sd! +.96sd Si el nivel de significación es 5%, la estimación obtenida (círculo pequeño) no nos permitiría
Más detallesRESUMEN DE ALGUNOS CONCEPTOS ESTADÍSTICOS ELEMENTALES Y NOTACIÓN EMPLEADA EN EL CURSO
RESUMEN DE ALGUNOS CONCEPTOS ESTADÍSTICOS ELEMENTALES Y NOTACIÓN EMPLEADA EN EL CURSO 1 rojo 1 2 3 4 5 6 Supongamos que tenemos dos dados, uno rojo y otro verde, cada uno de los cuales toma valores entre
Más detallesANÁLISIS DE REGRESIÓN
ANÁLISIS DE REGRESIÓN INTRODUCCIÓN Francis Galtón DEFINICIÓN Análisis de Regresión Es una técnica estadística que se usa para investigar y modelar la relación entre variables. Respuesta Independiente Y
Más detallesECONOMETRÍA I. Tema 2: El Modelo de Regresión Lineal Simple. Patricia Moreno Juan Manuel Rodriguez Poo Alexandra Soberon Departamento de Economía
ECONOMETRÍA I Tema 2: El Modelo de Regresión Lineal Simple Patricia Moreno Juan Manuel Rodriguez Poo Alexandra Soberon Departamento de Economía Alexandra Soberon (UC) ECONOMETRÍA I 1 / 42 Modelo de Regresión
Más detallesPronósticos, Series de Tiempo y Regresión. Capítulo 4: Regresión Lineal Múltiple
Pronósticos, Series de Tiempo y Regresión Capítulo 4: Regresión Lineal Múltiple Temas Modelo de regresión lineal múltiple Estimaciones de Mínimos Cuadrados Ordinarios (MCO); estimación puntual y predicción
Más detallesEjercicio 1 (20 puntos)
ESTADISTICA Y SUS APLICACIONES EN CIENCIAS SOCIALES. Examen Montevideo, 15 de diciembre de 2015. Nombre: C.I.: EXAMEN Libre Reglamentado El examen consta de dos partes. La primera parte debe ser realizada
Más detallesTema 4. Regresión lineal simple
Tema 4. Regresión lineal simple Contenidos El objeto del análisis de regresión La especificación de un modelo de regresión lineal simple Estimadores de mínimos cuadrados: construcción y propiedades Inferencias
Más detallesModelación estadística: La regresión lineal simple
Modelación estadística: La regresión lineal simple Gabriel Cavada Ch. 1 1 División de Bioestadística, Escuela de Salud Pública, Universidad de Chile. Statistical modeling: Simple linear regression Cuando
Más detallesSolución Taller No. 5 Econometría II Prof. Bernal
Solución Taller No. 5 Econometría - 7 II Prof. Bernal. a. Los resultados de la estimación son los siguientes (no hay que olvidar que las variables precio hay que transformarlas a logaritmos):. gen lpreciov
Más detallesEstadística II Tema 4. Regresión lineal simple. Curso 2009/10
Estadística II Tema 4. Regresión lineal simple Curso 009/10 Tema 4. Regresión lineal simple Contenidos El objeto del análisis de regresión La especificación de un modelo de regresión lineal simple Estimadores
Más detallesANÁLISIS ESTADÍSTICO REGRESIÓN LINEAL SIMPLE
ANÁLISIS ESTADÍSTICO REGRESIÓN LINEAL SIMPLE Jorge Fallas jfallas56@gmail.com 2010 1 Temario Introducción: correlación y regresión Supuestos del análisis Variación total de Y y variación explicada por
Más detallesSOLUCION TALLER 1 SOLUCION PUNTO 1. - Función de producción cuadrática. Se espera que: >0 porque x2 es un insumo de producción
SOLUCION TALLER 1 SOLUCION PUNTO 1 - Función de producción cuadrática Se espera que: >0 porque x1 es un insumo de producción >0 porque x2 es un insumo de producción
Más detallesEstimación de una función de gasto en alimentos
Base de datos http://www.principlesofeconometrics.com/poe4/poe4stata.htm Definición de variables http://www.principlesofeconometrics.com/poe4/data/def/food.def food.def food_exp income Obs: 40 food_exp
Más detallesEstadística y sus aplicaciones en Ciencias Sociales 5. Estimación. Facultad de Ciencias Sociales, UdelaR
Estadística y sus aplicaciones en Ciencias Sociales 5. Estimación Facultad de Ciencias Sociales, UdelaR Índice 1. Repaso: estimadores y estimaciones. Propiedades de los estimadores. 2. Estimación puntual.
Más detallesRegresión Simple. Leticia Gracia Medrano. 2 de agosto del 2012
Regresión Simple Leticia Gracia Medrano. lety@sigma.iimas.unam.mx 2 de agosto del 2012 La ecuación de la recta Ecuación General de la recta Ax + By + C = 0 Cuando se conoce la ordenada al origen y su pendiente
Más detallesMuestreo e inferencia
Images created with STATA software. 1 Muestreo e inferencia Calidad de los datos y las mediciones Razones para hablar de muestreo Formación académica de la población Comprender los datos que se van a utilizar
Más detallesEJERCICIO T1 NOMBRE: Correctas Incorrectas En Blanco Puntos
ECONOMETRÍA EJERCICIO T1 APELLIDOS: NOMBRE: FIRMA: GRUPO: DNI: Pregunta 1 A B C En Blanco Pregunta A B C En Blanco Pregunta 3 A B C En Blanco Pregunta 4 A B C En Blanco Pregunta 5 A B C En Blanco Pregunta
Más detallesEjercicio 1(10 puntos)
ESTADISTICA Y SUS APLICACIONES EN CIENCIAS SOCIALES. Segundo Parcial Montevideo, 4 de julio de 2015. Nombre: Horario del grupo: C.I.: Profesor: Ejercicio 1(10 puntos) La tasa de desperdicio en una empresa
Más detallesAnálisis de Tendencias de los indicadores en las Encuestas de Verificación Nacional Muestral
Análisis de Tendencias de los indicadores en las Encuestas de Verificación Nacional Muestral Introducción A partir de 1994, el Registro Federal de Electores ha llevado a cabo diversos ejercicios cuyo objetivo
Más detallesSección Teórica. , cuya información se presenta a continuación. Completar las celdas necesarias para responder a las preguntas 1 a 5.
UNAM Facultad de Economía Licenciatura en Economía Examen parcial de Introducción a la Econometría Noviembre 10, 2015 AAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAA
Más detallesModelo de Regresión Lineal Simple
1. El Modelo Modelo de Regresión Lineal Simple El modelo de regresión lineal simple es un caso especial del múltple, donde se tiene una sola variable explicativa. y = β 0 + β 1 x + u (1.1) Donde u representa
Más detallesEstadística y sus aplicaciones en Ciencias Sociales 7. El modelo de regresión simple. Facultad de Ciencias Sociales - UdelaR
Estadística y sus aplicaciones en Ciencias Sociales 7. El modelo de regresión simple Facultad de Ciencias Sociales - UdelaR Índice 7.1 Introducción 7.2 Análisis de regresión 7.3 El Modelo de Regresión
Más detallesEscuela de Economía Universidad de Carabobo Profesor: Exaú Navarro Pérez.
Escuela de Economía Universidad de Carabobo Profesor: Exaú Navarro Pérez. Econometría Regresión Múltiple: Municipio Ocupados Población Analfabeta Mayor de 10 años Total de Viviendas Bejuma 18.874 1.835
Más detallesVariables aleatorias. Utilizando el resultado anterior, vemos que
Variables aleatorias Utilizando el resultado anterior, vemos que Variables aleatorias Otro tipo de función generadora (generatriz) es la función generadora de momentos Para una variable aleatoria X y un
Más detallesEconometría 1. Karoll GOMEZ Segundo semestre 2017
Econometría 1 Karoll GOMEZ kgomezp@unal.edu.co http://karollgomez.wordpress.com Segundo semestre 2017 II. El modelo de regresión lineal Esperanza condicional I Ejemplo: La distribución de los salarios
Más detallesLos estimadores mínimo cuadráticos bajo los supuestos clásicos
Los estimadores mínimo cuadráticos bajo los supuestos clásicos Propiedades estadísticas e inferencia Mariana Marchionni marchionni.mariana@gmail.com Mariana Marchionni MCO bajo los supuestos clásicos 1
Más detallesECONOMETRÍA II Prof.: Begoña Álvarez TEMA 1 INTRODUCCIÓN. Estimación por máxima verosimilitud y conceptos de teoría asintótica
ECONOMETRÍA II Prof.: Begoña Álvarez 2007-2008 TEMA 1 INTRODUCCIÓN Estimación por máxima verosimilitud y conceptos de teoría asintótica 1. ESTIMACIÓN POR MÁXIMA VEROSIMILITUD (MAXIMUM LIKELIHOOD) La estimación
Más detallesT2. El modelo lineal simple
T2. El modelo lineal simple Ana J. López y Rigoberto Pérez Dpto Economía Aplicada. Universidad de Oviedo Curso 2010-2011 Curso 2010-2011 1 / 40 Índice 1 Planteamiento e hipótesis básicas 2 Estimación de
Más detallesTema 2: Análisis de datos bivariantes
1 Tema 2: Análisis de datos bivariantes En este tema: Tabla de contingencia, tabla de doble entrada, distribución conjunta. Frecuencias relativas, marginales, condicionadas. Diagrama de dispersión. Tipos
Más detallesFunciones de Regresión No Lineales (SW Cap. 6)
Funciones de Regresión No Lineales (SW Cap. 6) Todo anteriormente ha sido lineal en las X s La aproximación de que la función de regresión es lineal puede ser satisfactoria para algunas variables pero
Más detallesREGRESIÓN Y ESTIMACIÓN TEMA 1: REGRESIÓN LINEAL SIMPLE
UNIDAD 3 REGRESIÓN Y ESTIMACIÓN TEMA 1: REGRESIÓN LINEAL SIMPLE Relación entre variables de interés 1 Relación entre variables de interés Muchas decisiones gerenciales se basan en la relación entre 2 o
Más detallesEstadística I Tema 5: Introducción a la inferencia estadística
Estadística I Tema 5: Introducción a la inferencia estadística Tema 5. Introducción a la inferencia estadística Contenidos Objetivos. Estimación puntual. Bondad de ajuste a una distribución. Distribución
Más detallesTEMA 3 Modelo de regresión simple
TEMA 3 Modelo de regresión simple José R. Berrendero Departamento de Matemáticas Universidad Autónoma de Madrid Análisis de Datos - Grado en Biología Estructura de este tema Planteamiento del problema.
Más detallesFolleto de Estadísticas. Teoría del 2do Parcial
Folleto de Estadísticas Teoría del 2do Parcial 2012 Variables aleatorias conjuntas continuas: Sean X y Y dos variables aleatorias continuas con ellas se asocia una función denominada función de densidad
Más detallesEconometría 1. Karoll GOMEZ Segundo semestre 2017
Econometría 1 Karoll GOMEZ kgomezp@unal.edu.co http://karollgomez.wordpress.com Segundo semestre 2017 II. El modelo de regresión lineal Esperanza condicional I Ejemplo: La distribución de los salarios
Más detallesEconometría II. Hoja de Problemas 1
Econometría II. Hoja de Problemas 1 Nota: En todos los contrastes tome como nivel de significación 0.05. 1. SeanZ 1,...,Z T variables aleatorias independientes, cada una de ellas con distribución de Bernouilli
Más detallesEstadística II Ejercicios Tema 5
Estadística II Ejercicios Tema 5 1. Considera los cuatro conjuntos de datos dados en las transparencias del Tema 5 (sección 5.1) (a) Comprueba que los cuatro conjuntos de datos dan lugar a la misma recta
Más detallesTema 2: Introducción a la Inferencia Estadística
Tema 2: Introducción a la Inferencia Estadística 1.- En m.a.s. el estadístico varianza muestral es: a) Un estimador insesgado de la varianza poblacional. b) Un estimador insesgado de la media poblacional.
Más detallesErrores de especificación
CAPíTULO 5 Errores de especificación Estrictamente hablando, un error de especificación es el incumplimiento de cualquiera de los supuestos básicos del modelo lineal general. En un sentido más laxo, esta
Más detallesECONOMETRÍA I. Tema 3: El Modelo de Regresión Lineal Múltiple: estimación
ECONOMETRÍA I Tema 3: El Modelo de Regresión Lineal Múltiple: estimación Patricia Moreno Juan Manuel Rodriguez Poo Alexandra Soberon Departamento de Economía Alexandra Soberon (UC) ECONOMETRÍA I 1 / 45
Más detallespeso edad grasas Regresión lineal simple Los datos
Regresión lineal simple Los datos Los datos del fichero EdadPesoGrasas.txt corresponden a tres variables medidas en 25 individuos: edad, peso y cantidad de grasas en sangre. Para leer el fichero de datos
Más detallesTema 3 - Introducción. Tema 2. Distribuciones en el muestreo Estadísticos y distribución muestral. Ejemplos: X y S 2.
Tema 3 - Introducción 1 Tema 2. Distribuciones en el muestreo Estadísticos y distribución muestral. Ejemplos: X y S 2. Tema 3. Estimación puntual Criterios de comparación de estimadores: Insesgadez. Estimadores
Más detallesEstadística II Examen Final 19/06/2015 Soluciones. Responda a las preguntas siguientes en los cuadernillos de la Universidad
Estadística II Examen Final 19/06/2015 Soluciones Responda a las preguntas siguientes en los cuadernillos de la Universidad Utilice diferentes cuadernillos para responder a cada uno de los ejercicios Indique
Más detallesIntervalos de confianza con STATGRAPHICS
Intervalos de confianza con STATGRAPHICS Ficheros empleados: TiempoaccesoWeb.sf3 ; TiempoBucle.sf3; 1. Ejemplo 1: Tiempo de acceso a una página Web Se desean construir intervalos de confianza para la media
Más detallesRegresión Lineal Múltiple
Unidad 4 Regresión Lineal Múltiple Javier Santibáñez (IIMAS, UNAM) Regresión Semestre 2017-2 1 / 35 Introducción La idea de la regresión lineal múltiple es modelar el valor esperado de la variable respuesta
Más detallesIntroduccion a los Modelos de Regresion
(wsosa@udesa.edu.ar) Universidad de San Andres Referencias Hayashi (2000) Capitulo 1, pp. 3-46. Cualquier texto basico de econometria (con matrices!!!) Introduccion Modelo lineal: y i = β 1 + β 2 x 2i
Más detallesENUNCIADO y SOLUCIONES. Problema 1
Ingeniería Industrial Métodos estadísticos de la Ingeniería Examen Junio 007. ENUNCIADO y SOLUCIONES Problema La memoria RAM para un ordenador se puede recibir de dos fabricantes A y B con igual probabilidad.
Más detallesEstadística para la Economía y la Gestión IN 3401
Estadística para la Economía y la Gestión IN 3401 3 de junio de 2010 1 Modelo de Regresión con 2 Variables Método de Mínimos Cuadrados Ordinarios Supuestos detrás del método MCO Errores estándar de los
Más detallesDETERMINANTES DE LOS INGRESOS
DETERMINANTES DE LOS INGRESOS Mariana Marchionni mariana@depeco.econo.unlp.edu.ar CEDLAS Universidad Nacional de La Plata Ecuaciones de Mincer (1974) 1 (1) ln Y = α + β educación + γ experiencia laboral
Más detallesUniversidad Técnica de Babahoyo CORRELACIÓN DE VARIABLES Y REGRESIÓN LINEAL
Universidad Técnica de Babahoyo CORRELACIÓN DE VARIABLES Y REGRESIÓN LINEAL OBJETIVO Analizar las Diferentes formas de Describir la Relación entre dos variables numéricas Trazar un diagrama de dispersión
Más detallesTema 2: Análisis de datos bivariantes
Tema 2: Análisis de datos bivariantes Los contenidos a desarrollar en este tema son los siguientes: 1. Tablas de doble entrada. 2. Diagramas de dispersión. 3. Covarianza y Correlación. 4. Regresión lineal.
Más detallesGEOESTADÍSTICA APLICADA
UNIVERSIDAD NACIONAL AUTÓNOMA DE MÉXICO GEOESTADÍSTICA APLICADA Tema: Análisis Exploratorio de Datos Instructores: Dr. Martín A. Díaz Viera (mdiazv@imp.mx) Dr. Ricardo Casar González (rcasar@imp.mx) 2009
Más detallesBeatriz Sánchez Reyes. 22 de septiembre de 2010
Regresión cuantílica Beatriz Sánchez Reyes 22 de septiembre de 2010 Índice Definición de cuantil Regresión cuantílica - Estimación - Inferencia Regresión mediana (Ejemplo) Regresión cuartílica (Ejemplo)
Más detallesTécnicas de Muestreo Métodos
Muestreo aleatorio: Técnicas de Muestreo Métodos a) unidad muestral elemental: a.1) muestreo aleatorio simple a.2) muestreo (seudo)aleatorio sistemático a.3) muestreo aleatorio estratificado b) unidad
Más detallesTEMA 2: Estimadores y distribuciones en el muestreo. Alfredo García Hiernaux. Grupos 69 y 73 Estadística I. Curso 2006/07
TEMA 2: Estimadores y distribuciones en el muestreo 1) Introducción 2) Tipos de muestreos 3) Estadísticos INDICE 4) Estimadores y propiedades 5) Distribución muestral 6) Teorema Central del Límite 7) Distribuciones
Más detallesMatemáticas Aplicadas I: Ev2 Recuperación febrero 2018
Matemáticas Aplicadas I: Ev2 Recuperación febrero 2018 PARTE 1: ESTADÍSTICA UNIDIMENSIONAL Y BIDIMENSIONAL 1. La siguiente tabla recoge las edades de las personas que han subido a un avión. Edad [0, 18)
Más detallesRepaso de estadística básica. Juan D. Barón Santiago de Chile, 8 de abril de 2013
Repaso de estadística básica Juan D. Barón Santiago de Chile, 8 de abril de 2013 1 I. CONCEPTOS ESTADÍSTICOS BÁSICOS 2 Las decisiones se toman bajo incertidumbre Las decisiones se basan en información
Más detallesModelo 1: MCO, usando las observaciones 1994: :03 (T = 218) Variable dependiente: INFLACION
UNIVERSIDAD NACIONAL DE PIURA FACULTAD DE ECONOMIA DPTO. ACAD. DE ECONOMIA 1º El investigador especifica el modelo siguiente: EXAMEN PARCIAL DE ECONOMETRIA I Se le pide estimar el modelo por el método
Más detallesEstadística aplicada al medio ambiente
Estadística aplicada al medio ambiente III. Regresión lineal 3 o de CC. AA. Departamento de Matemáticas Universidad Autónoma de Madrid 2011/12 Planteamiento Modelo Estimación de parámetros Intervalos de
Más detallesInformación sobre Gastos de Consumo Personal y Producto Interno Bruto ( ) en miles de millones de dólares de 1992.
Universidad Nacional Autónoma de Nicaragua UNAN-Managua Curso de Análisis y Diseño de Modelos Econométricos Profesor: MSc. Julio Rito Vargas Avilés. Participantes: Docentes /FAREM-Carazo Encuentro No.4
Más detallesTaller I Econometría I
Taller I Econometría I 1. Considere el modelo Y i β 1 + ɛ i, i 1,..., n donde ɛ i i.i.d. N (0, σ 2 ). a) Halle el estimador de β 1 por el método de mínimos cuadrados ordinarios. Para realizar el procedimiento
Más detallesECONOMETRÍA I. Tema 4: El Modelo de Regresión Lineal Múltiple: inferencia y validación
ECONOMETRÍA I Tema 4: El Modelo de Regresión Lineal Múltiple: inferencia y validación Patricia Moreno Juan Manuel Rodriguez Poo Alexandra Soberon Departamento de Economía Alexandra Soberon (UC) ECONOMETRÍA
Más detallesEstimación de Parámetros. Jhon Jairo Padilla A., PhD.
Estimación de Parámetros Jhon Jairo Padilla A., PhD. Inferencia Estadística La inferencia estadística puede dividirse en dos áreas principales: Estimación de Parámetros Prueba de Hipótesis Estimación de
Más detallesEstimación de Parámetros. Jhon Jairo Padilla A., PhD.
Estimación de Parámetros Jhon Jairo Padilla A., PhD. Inferencia Estadística La inferencia estadística puede dividirse en dos áreas principales: Estimación de Parámetros Prueba de Hipótesis Estimación de
Más detallesEconometría Tutorial 6 Ejercicios de Multicolinealidad
Econometría Tutorial 6 Ejercicios de Multicolinealidad En los siguientes ejercicios vamos a retomar la Curva de Kuznets Ambiental analizada en los primeros dos trabajos prácticos. La relación entre contaminación
Más detallesTema 3: Estimación estadística de modelos probabilistas. (primera parte)
Tema 3: Estimación estadística de modelos probabilistas. (primera parte) Estructura de este tema: 1. 2 Estimación por intervalos de confianza. 3 Contrastes de hipótesis. Planteamiento del problema Inconveniente:
Más detallesMétodos Estadísticos Multivariados
Métodos Estadísticos Multivariados Victor Muñiz ITESM Victor Muñiz (ITESM) Métodos Estadísticos Multivariados Agosto-Diciembre 2011 1 / 20 Victor Muñiz (ITESM) Métodos Estadísticos Multivariados Agosto-Diciembre
Más detallesCoeficiente de Correlación
Coeficiente de Correlación Al efectuar un análisis de regresión simple (de dos variables) necesitamos hacer las siguientes suposiciones. Que las dos variables son mensurables Que la relación entre las
Más detallesCapítulo 2. Medidas Estadísticas Básicas Medidas estadísticas poblacionales
Capítulo 2 Medidas Estadísticas Básicas 2.1. Medidas estadísticas poblacionales Sea X una variable aleatoria con función de probabilidad p(x) si es discreta, o función de densidad f(x) si es continua.
Más detallesMétodo de cuadrados mínimos
REGRESIÓN LINEAL Gran parte del pronóstico estadístico del tiempo está basado en el procedimiento conocido como regresión lineal. Regresión lineal simple (RLS) Describe la relación lineal entre dos variables,
Más detallesMuestreo e intervalos de confianza
Muestreo e intervalos de confianza Intervalo de confianza para la media (varianza desconocida) Intervalo de confinza para la varianza Grados en Biología y Biología sanitaria M. Marvá. Departamento de Física
Más detallesBioestadística. Curso Práctica: La recta de regresión
Bioestadística. Curso 2012-2013 Carmen M a Cadarso, M a del Carmen Carollo, Xosé Luis Otero, Beatriz Pateiro Índice 1. Introducción 2 2. El diagrama de dispersión 2 3. Covarianza 4 4. Coeciente de correlación
Más detallesTEMA 4 Modelo de regresión múltiple
TEMA 4 Modelo de regresión múltiple José R. Berrendero Departamento de Matemáticas Universidad Autónoma de Madrid Análisis de Datos - Grado en Biología Estructura de este tema Modelo de regresión múltiple.
Más detallesFundamentos para la inferencia. Estadística Prof. Tamara Burdisso
Fundamentos para la inferencia Estadística 018 - Prof. Tamara Burdisso 1 Distribución muestral de la varianza muestral Hasta aquí nos ocupamos de hacer inferencia sobre la media y/o la proporción de una
Más detallesPrueba de Hipótesis. Para dos muestras
Prueba de Hipótesis Para dos muestras Muestras grandes (n mayor a 30) Utilizar tabla Z Ho: μ1 = μ2 H1: μ1 μ2 Localizar en valor de Zt en la tabla Z Error estándar de la diferencia de medias Prueba de
Más detallesUnidad V: Estadística aplicada
Unidad V: Estadística aplicada 5.1 Inferencia estadística: Concepto, Estimación, Prueba de hipótesis La Inferencia Estadística es la parte de la estadística matemática que se encarga del estudio de los
Más detallesASOCIACIÓN ENTRE DOS VARIABLES CONTINUAS: REGRESIÓN Y CORRELACIÓN
CURSO DE BIOESTADÍSTICA BÁSICA Y SPSS ASOCIACIÓN ENTRE DOS VARIABLES CONTINUAS: REGRESIÓN Y CORRELACIÓN Amaia Bilbao González Unidad de Investigación Hospital Universitario Basurto (OSI Bilbao-Basurto)
Más detallesModelo de Regresión Lineal
Modelo de Regresión Lineal Álvaro José Flórez 1 Escuela de Ingeniería Industrial y Estadística Facultad de Ingenierías Febrero - Junio 2012 Introducción Un ingeniero, empleado por un embotellador de gaseosas,
Más detallesGuía de interpretaciones y comandos STATA en apoyo a la solución de algunos ejercicios de la tarea para el Examen Final con
UNAM Facultad de Economía Curso de licenciatura Introducción a la econometría Guía de interpretaciones y comandos STATA en apoyo a la solución de algunos ejercicios de la tarea para el Examen Final con
Más detalles2 Introducción a la inferencia estadística Introducción Teoría de conteo Variaciones con repetición...
Contenidos 1 Introducción al paquete estadístico S-PLUS 19 1.1 Introducción a S-PLUS............................ 21 1.1.1 Cómo entrar, salir y consultar la ayuda en S-PLUS........ 21 1.2 Conjuntos de datos..............................
Más detallesTEMA 2: Propiedades de los estimadores MCO
TEMA 2: Propiedades de los estimadores MCO Econometría I M. Angeles Carnero Departamento de Fundamentos del Análisis Económico Curso 2011-12 Econometría I (UA) Tema 2: Pdades de los estimadores MCO Curso
Más detallesINTEREXPORT TELECOMUNICACIONES Y SERVICIOS S.A.
INTEREXPORT TELECOMUNICACIONES Y SERVICIOS S.A. ESTUDIO PARA LA FIJACION DE TARIFAS DE LOS SERVICIOS AFECTOS A FIJACION TARIFARIA PRESTADOS POR INTEREXPORT TELECOMUNICACIONES Y SERVICIOS S.A. PERIODO 2010-2015
Más detallesExamen de Introducción a la Econometría 8 de septiembre de 2008
NOMBRE DNI: GRUPO Firma: MODELO 1: SOLUCIONES Examen de Introducción a la Econometría 8 de septiembre de 008 Sólo una respuesta es válida. Debe justificar la respuesta de cada pregunta en el espacio que
Más detallesTALLER DE INTRODUCCIÓN A LOS NEGOCIOS
REGRESIÓN LINEAL SIMPLE INTRODUCCIÓN Si sabemos que existe una relación entre una variable denominada dependiente y otras denominadas independientes (como por ejemplo las existentes entre: la experiencia
Más detallesEl Modelo de Regresión Lineal General Estimación
Tema 5 El Modelo de Regresión Lineal General Estimación Pilar González y Susan Orbe Dpto Economía Aplicada III (Econometría y Estadística) Pilar González y Susan Orbe OCW 2013 Tema 5 MRLG: Estimación 1
Más detallesEl Modelo de Regresión Lineal
ECONOMETRÍA I El Modelo de Regresión Lineal Dante A. Urbina CONTENIDOS 1. Regresión Lineal Simple 2. Regresión Lineal Múltiple 3. Multicolinealidad 4. Heterocedasticidad 5. Autocorrelación 6. Variables
Más detallesESTADÍSTICA APLICADA. Tema 4: Regresión lineal simple
ESTDÍSTIC PLICD Grado en Nutrición Humana y Dietética Planteamiento del problema Tema 4: Regresión lineal simple Recta de regresión de mínimos cuadrados El modelo de regresión lineal simple IC y contrastes
Más detalles1. DEFINICIONES BÁSICAS
1. DEFINICIONES BÁSICAS La estadística tiene dos ramas: La Estadística Descriptiva, que se ocupa de agrupar, resumir y presentar los datos incluidos en una determinada muestra. La Estadística Inferencial
Más detallesEstadística. Contrastes para los parámetros de la Normal
Contrastes para los parámetros de la Normal Prof, Dr. Jose Jacobo Zubcoff Departamento de Ciencias del Mar y Biología Aplicada Contrastes para los parámetros de la Normal Contrastes para los parámetros
Más detallesPROPIEDADES DEL ESTIMADOR MCO
TEMA 3 PROPIEDADES DEL ESTIMADOR MCO S. Álvarez, A. Beyaert, M. Camacho, M. González, A. Quesada Departamento de Métodos Cuantitativos para la Economía y la Empresa Econometría (3º GADE) Lo que estudiaremos
Más detallesTema 3: Análisis de datos bivariantes
Tema 3: Análisis de datos bivariantes 1 Contenidos 3.1 Tablas de doble entrada. Datos bivariantes. Estructura de la tabla de doble entrada. Distribuciones de frecuencias marginales. Distribución conjunta
Más detallesGrado en Finanzas y Contabilidad
Econometría Grado en Finanzas y Contabilidad Apuntes basados en el libro Introduction to Econometrics: A modern Approach de Wooldridge 3.1 Colinealidad Exacta 3.2 Los efectos de la multicolinealidad Del
Más detallesESTADISTICA PARA LA CALIBRACIÓN Y VALIDACIÓN DE METODOLOGÍAS ANALÍTICAS
ESTADISTICA PARA LA CALIBRACIÓN Y VALIDACIÓN DE METODOLOGÍAS ANALÍTICAS QUÍMICA ANALÍTICA EXPERIMENTAL III SILVIA CITLALLI GAMA GONZÁLEZ PROBLEMA Cuando la cantidad de materia del analito que se encuentra
Más detallesEl Modelo de Regresión Simple
El Modelo de Regresión Simple Carlos Velasco 1 1 Departamento de Economía Universidad Carlos III de Madrid Econometría I Máster en Economía Industrial Universidad Carlos III de Madrid Curso 2007/08 C Velasco
Más detallesTEMA 4 CUESTIONARIO DE AUTOEVALUACIÓN
4.5.- En cuál de los siguientes casos se podría utilizar la varianza residual en lugar del coeficiente de determinación para medir la calidad del ajuste? Con el mismo conjunto de datos y dos ajustes distintos.
Más detallesInferencia Estadística
Inferencia Estadística 2do C. 2018 Mg. Stella Figueroa Clase Nº10 Población y Muestra- Parámetro y Estimación puntual Población: Es el conjunto de todos los elementos o unidades elementales con características
Más detallesGuía de taller de Economía Cuantitativa V. Profesor: ALBERTO REYES DE LA ROSA.
Guía de taller de Economía Cuantitativa V. Profesor: ALBERTO REYES DE LA ROSA. Debe ser resuelta a mano, citar bibliografía (no usar internet). Términos clave 1. Ceteris Paribus 2. Grado de libertad 3.
Más detallesÍndice Introducción Economía y Estadística Análisis de Regresión. Clase 1. Introducción a la Econometría. Profesor: Felipe Avilés Lucero
Clase 1 Introducción a la Econometría Profesor: Felipe Avilés Lucero 26 de mayo de 2010 1 Introducción 2 Economía y Estadística 3 Análisis de Regresión Función de Regresión Poblacional Función de Regresión
Más detalles