Métodos de Apareamiento
|
|
- Hugo Vargas Valverde
- hace 7 años
- Vistas:
Transcripción
1 Human Development Network Latn Amerca and the Carbbean Regon Spansh Impact Evaluaton Trust fund Sesón n Técnca T VI: Métodos de Apareamento Karen Macours Karen Macours Managua, 5 Marzo 2008
2 En el caso de asgnacón aleatora Supuesto asgnacón aleatora al tratamento: ambos resultados potencals son ndependentes del tratamento: Y, Y D 1 0 En ese caso, no mporta que no podamos observar el contrafactual: { 0 ( ) } E{ Y0 ( u) D = 1} = E{ Y0 ( u) } { ( ) =0 } = { ( ) = 1} = { ( )} E Y u D =0 = E Y u D E Y u D E Y u Entonces δ = Efecto promedo de tratamento = E = { D = 1 } 1( ) 0( ) ( ) { - = 1} E { Y1 u D 1 } - E{ Y0 ( u) D = 1} E Y u Y u D = = se puede medr en el análogo muestral { Y ( u) D } E Y0 ( u ) en los tratados no se puede medr en el análogo muestral { D } = E 1 = 1 - = se puede medr en el análogo muestral 2
3 Cuándo utlzamos métodos de apareamento? La aleatorzacón asegura que el sesgo de seleccón sea zero: { 0( ) } 0( ) { } E Y u D = 1 E Y u D = 0 = 0 Ahora, que pasa s la aleatorzacón no es factble y la seleccón se hace en base a (un conjunto de) varables observables? Ahí es cuando utlzamos los métodos de pareo: Los métodos de pareo son técncas para construr grupos de comparacón cuando la asgnacón al tratamento no es aleatora pero se hace en base a los observables Cudado: los métodos de paro NO dejan construr grupos de comparacón cuando la asgnacón al tratamento se hace en base a los no-observables!!! Intucón: El grupo de comparacón debe ser lo mas smlar posble al grupo de tratamento en térmno de los elementos observables antes de que el tratamento se desarrolle (asumendo no hay dferencas en los no observables). 3
4 Pregunta clave. Cual es el efecto de tratamento en los tratados, cuando la seleccón al tratamento está basada en observables? 4
5 Unconfoundedness y seleccón en base a observables Suponemos que X denota una matrz en la cual cada fla es un vector de varables observables pre-tratamento, para cada ndvduo. Defncón Unconfoundedness La asgnacón al tratamento es nconfundda dadas las varables pre-tratamento X s Y 1, Y 0 D X Note: unconfoundedness es equvalente a: Dentro de cada celda de observacones defndo por X: la asngacón al tratamento es aleatora. La asgnacón al tratamento depende solamente de las varables observables X. 5
6 Cual es el efecto de tratamento en los tratados, bajo seleccón en observables? Asumendo "unconfoundedness": { 0( ) =0, } = { 0( ) = 1, } = { 0( ) } { 1( ) =0, } = { 1( ) = 1, } = { 1( ) } E Y u D X E Y u D X E Y u X E Y u D X E Y u D X E Y u X δ X Ahora, para cada celda defnda por X, podemos defnr =efecto promedo de tratamento en los tratados de la celda defnda por = E{ D = 1, X} = E{ Y1( u) Y0( u) D = 1, X} = E Y ( u ) D = 1, X ( ) { 1 } { 1, } se puede medr en el análogo muestra no se puede medr en el análogo muestra { 1 ( ) D } 0 ( ) E Y u D = X { D 0 } = E Y u = 1, X E Y u =, X se puede medr en el análogo muestra 6 X
7 Efecto promedo de tratamento en los tratados bajo unconfoundedness Ahora cuál es la relacón entre... δ "efecto promedo de tratamento en los tratados"... y... δ X δ = "efecto promedo de tratam. en los tratados en la celda defnda por X "? efecto promedo de tratamento en los tratados { D 1} = E = por la ley de las expectatvas teradas { [ =1, ]} X [ =1, ] { δ } = E E D X X X { } = E E D X = E X = E {efecto promedo de tratam. en los tratados, en la celda defnda por X} X 7
8 Estratega de estmacón del efecto promedo del tratamento en los tratados seleccón en observables Eso sugere la estratega sguente para estmar el efecto promedo de tratamento en los tratados d : Estratfcar los datos dentro de cada celda defnda para cada valor de X Dentro de cada celda (.e. condconado en X) calcular la dferenca en la varable de resultado promedo entre el grupo de tratamento y el de control; El promedo de estas dferencas con respecto a la dstrbucón de X, en la poblacón de undades tratadas Preguntas: Es factble esa estratega? Esa estratega es dferente de una regresón lnear de Y en D, controlando de manera no-paramétrca por el conjunto completo de efectos prncpales y nteraccones entre los covarados? 8
9 Es factble el pareo? El problema de la dmensonaldad En la regresón, tenemos que nclur un conjunto completo de nteraccones nonparametrcas entre todos las varables observables. Puede ser que eso no sea factble cuando La muestra es pequeña, Hay muchos covarados / varables observables Los covarados / varables observables tenen varos valores, o son contnuos Eso es lo que se llama el problema de la dmensonaldad 9
10 El problema de la dmensonaldad Ejemplos: Cuantas celdas tenemos cuando hay 2 varables X que son bnaras ( dummes )? Y con 3 varables X bnaras? Y con K varables X bnaras? Y cuantas celdas tenemos cuando hay 2 varables que pueden tomar 7 valores cada una? A medda que crece el número de celdas, vamos a encontrar una falta de soporte común, es decr Celdas que contenen solo tratamentos Celdas que contenen solo controles 10
11 Una alternatva para soluconar el problema de la dmensonaldad Rosenbaum y Rubn (1983) proponen una estratega alternatva equvalente pero factble basada en el propensty score. El propensty score converte el problema multdmensonal en un problema un-dmensonal Y así reduce el problema de la mult-dmensonaldad 11
12 Una alternatva para soluconar el problema de la dmensonaldad Defncón: El propensty score es la probabldad condconal de recbr el tratamento dadas las varables observadas X antes del tratamento: p(x) =Pr{D = 1 X} = E X {D X} Lema 1: S p(x) es el propensty score, => D X p(x) Dado el propensty score, las varables observables pretratamento X están balanceadas entre los benefcaros y los nobenefcaros. Lema 2 : Y 1, Y 0 D X => Y 1, Y 0 D p(x) Suponendo que exste ndependenca condconal entre el resultado y la asgnacón al tratamento, condconal en X, entonces exste tamben ndependenca condconal en p(x). 12
13 El propensty score solucona el problema de mult-dmensonaldad? S! El propensty score tene la propedad de balancear característcas: (Lemma 1) asegura que: Observacones con el msmo propensty score tenen la msma dstrbucón de covarados observables, ndependentemente que sean tratamentos o controles. Para un propensty score dado: la asgnacón al tratamento es aleatora. Por eso, en promedo, los tratamentos y los controles son déntcos del punto de vsta observaconal. 13
14 Efecto del tratamento promedo en los tratados usando Propensty Score Ahora podemos parear los tratamentos y los controles en base al propensty score p( X ) en vez de X. δ { 0( ) =0, ( )} = { 0 ( ) = 1, ( )} = { 0( ) ( )} { 1( ) =0, ( )} = { 1( ) = 1, ( )} = { 1( ) ( )} E Y u D p X E Y u D p X E Y u p X E Y u D p X E Y u D p X E Y u p X Usando estas expresones, podemos defnr para cada celda defnda por p( X) ( ) =efecto promedo de tratamento en los tratados en la celda defnda por p ( X ) = E{ D = 1, p( X) } = E{ Y1( u) Y0( u) D = 1, p( X )} = E Y ( u ) D = 1, p( X) E Y u D = 1, p X p X { } { ( ) ( )} se puede medr en el análogo muestral no se puede medr en el análogo muestral { ( ) D = 1, 1 ( )} Y0( u ) D = 0, p ( X) { } = E Y u p X E se puede medr en el análogo muestral 14
15 Average effects of treatment and the propensty score Ahora cuál es la relacón entre δ "efecto promedo de tratamento en los tratados"... y... δ ( ) p( X) p X "efecto promedo de tratamento en los tratados dentro de la celda defnda por "? δ = efecto promedo de tratamento en los tratados { D 1} = E = por la ley de las expectatvas teradas { ( ) =1, p X ( ) } = E E D p X { } = E E D p X p X = E ( ) =1, ( ) { δ } ( ) p( X ) p X = E {efecto promedo de tratamento en los tratados en la celda defnda por p( X) } p ( X ) 15
16 Implementacón de la estratega de estmacón Eso sugere que sgamos la estratega sguente para estmar el efecto promedo del tratamento en los tratados d:. Prmera etapa: estmar el propensty score. Segunda etapa: estmar el efecto promedo de tratamento dado el propensty score 16
17 Prmera etapa: Estmacón del propensty score Los modelos probablstcos estándares pueden ser utlzados para estmar el propensty score. Por ejemplo, un modelo logt sería: Pr{ D X e } = 1+ e λh( X λh( X donde h(x ) es una funcón de los covarados X con térmnos lneares, nteraccones y potencas. Cuales son las nteraccones y potencas que tenemos que nclur en h(x )? Eso está determnado solamente por la necesdad de obtener un estmado del propensty score que satsfaga la propedad de balance. ) ) 17
18 Prmera etapa: Estmacón del propensty score Recuerda: Pr{ D X e } = 1+ e λh( X ) λh( X ) La especfcacón de h(x ) Es más parsmona que el conjunto completo de nteraccones entre los observables X. Pero no puede ser demasado parsmona: porque tene que satsfacer la propedad de balance. Nota: la estmacón del propensty score no requere nnguna nterpretacón relaconada con la conducta de los benefcaros. 18
19 Prmera etapa: Un algortmo para estmar el propensty score 1. Empece con un modelo logt o probt parsmono para estmar el propensty score. 2. Ordene los datos según su propensty score estmado (del más bajo al más alto). 3. Estratfque todas los observacones en bloques, de tal manera que, dentro de cada bloque, el propensty score no sea estadístcamente dferente entre los tratamentos y los controles: a. Empece con cnco bloques de magntud gual, por ejemplo {0 hasta 0.2,0.2 hasta 0.4, 0.4 hasta 0.6, 0.6 hasta 0.8, 0.8 hasta 1} b. Dentro de cada uno de esos bloques, compruebe que los promedos de los scores para los tratamentos y los controles son estadístcamente dferentes. c. En caso que sí, aumente el número de bloques, retere paso b. d. En caso que no, pase al paso sguente. 19
20 Prmera etapa: Un algortmo para estmar el propensty score (contnuacón) 4. Compruebe que la propedad de balance esté satsfecha en cada uno de los bloques, para cada uno de los covarantes en X: a) Para cada covarante, compruebe que los promedos (y posblemente los otros momentos) para los tratamentos y los controles son estadístcamente dferentes. Haga eso en cada bloque. b) En caso que uno de los covarados no sea balanceado en uno de los bloques, dvda el bloque en dos partes, y compruebe de nuevo en esos bloques más pequeños. c) En caso que uno de los covarados no sea balanceado en una mayoría de los bloques, retome el modelo logt y añada más nteraccones y potencas. Retere las pruebas. Utlce el programa STATA pscore.ado (y psmatch2.ado) Descargable en 20
21 Cuando está apropado el método de propensty score? Los métodos de propensty score están basados en la dea que la estmacón de los efectos de tratamento requeren un apareamento cudadoso entre los tratamentos y los controles. En caso que los tratamentos y los controles sean muy dferentes en térmnos de característcas observables, ese apareamento no estará lo sufcentemente dependable, hasta puede ser mposble de realzar. La comparacón de los propensty score entre los tratamentos y los controles puede ser una herramento de dagnóstco útl cuando uno quere evaluar que tanto smlares son los tratamentos y los controles, y que tan confable es la estratega de estmacón. 21
22 Lo que quere usted es que los propensty scores de los tratamentos y los controles sean smlares Pero que es smlar??? El rango de varacón del propensty score debería ser lo msmo para los tratamentos y los controles. Cuente cuantos controles tenen un p.s. que sea abajo del mmno, o arrba del máxmo de los p.s. de los tratamentos. Y vce versa. La frecuenca de los propensty scores debería ser la msma para los tratamentos y los controles. Traze hstogramas de los p.s. para los tratamentos y los controles. Las celdas de los hstogramas corresponden la los bloques utlzados en la estmacón de los propensty scores. 22
23 Un ejemplo de problema con el soporte común Fgure A1: Propensty Scores For EC 0 Phase 1 and non-ec schools 1 Densty Lnear predcton Graphs by treated Source Machn, McNally, Meghr, EXCELLENCE IN CITIES: EVALUATION OF AN EDUCATION POLICY IN DISADVANTAGED AREAS 23
24 Implementacón de la estratega de estmacón Acuerdense que estamos dscutendo de la estratega que va utlzar para estmar el efecto promedo del tratamento en los tratados, o sea d Prmera etapa: estmamos el propensty score (hecho!) Segunda etapa: estmamos el efecto promedo del tratamento en los tratados, dado el propensty score. Aparee los tratamentos y los controles que tenen exactamente el msmo p.s. estmado Compute el efecto del tratamento para cada uno de los valores estmados del p.s. Compute el promedo de estos efectos condconados. 24
25 Segunda etapa: estmamos el efecto promedo del tratamento, dado el propensty score En la práctca, eso es mposble porque es poco común de encontrar dos observacones con exactamente el msmo p.s. La solucón práctca es de aparear cada undad tratada, a la undad control más cercana, en cuanto a su p.s. Más cercana se puede defnr de varas maneras en estadístca. Cada manera corresponde a una manera de hacer el apareamento. Por ejemplo. Estratfcacón Vecno mas cercano (pareo uno a uno o mas de uno) con o sn reemplazo; Apareamento por Radus Apareamento kernel Weghtng on the bass of the Score. Alternatva: método de apareamento no-parametrco (Abade y Imbens) 25
26 Referencas Deheja, R.H. and S. Wahba (1999), Causal Effects n Nonexpermental Studes: Reevaluatng the Evaluaton of Tranng Programs, Journal of the Amercan Statstcal Assocaton, 94, 448, Deheja, R.H. and S. Wahba (1996), Causal Effects n Nonexpermental Studes: Reevaluatng the Evaluaton of Tranng Programs, Harvard Unversty, Mmeo. Hahn, Jnyong (1998), ON the role of the propensty score n effcent semparamentrc estmaton of average treatment effects, Econometrca, 66,2, Heckman, James J. H. Ichmura, and P. Todd (1998), Matchng as an econometrc evaluaton estmator, Revew of Economc Studes, 65, Hrano, K., G.W. Imbens and G. Rdder (2000), Effcent Estmaton of Average Treatment Effects usng the Estmated Propensty Score, mmeo. Machn, McNally, Meghr. Excellence n ctes: Evaluaton of an educaton polcy n dsavantaged areas Rosenbaum, P.R. and D.B. Rubn (1983), The Central Role of the Propensty Score n Observatonal Studes for Causal Effects, Bometrka 70, 1, Vnha, K. (2006) A prmer on Propensty Score Matchng Estmators Documento CEDE , Unversdad de los Andes Imbens, G. (2004), Semparametrc Estmaton of Average Treatment Effects under Exogenety: A revew, Revew of Economcs and Statstcs, 86(1):
Métodos de Apareamiento (Matching)
Impact Evaluaton Sesón n Técnca T VI: Métodos de Apareamento (Matchng) Lma, 2009 Departamento de Desarrollo Humano Fondo Español para Evaluacón de Impacto En el caso de asgnacón aleatora Supuesto asgnacón
Más detallesMétodos de Pareo FN1. Fernanda Ruiz Nuñez Noviembre, 2006 Buenos Aires
Métodos de Pareo FN1 Fernanda Ruiz Nuñez Noviembre, 2006 Buenos Aires Slide 1 FN1 Fernanda Nunez, 11/17/2006 Asignación aleatoria vs. Selección en observables Supuesto bajo asignación aleatoria: Y (1),
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 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 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 detallesTema 4: Variables aleatorias
Estadístca 46 Tema 4: Varables aleatoras El concepto de varable aleatora surge de la necesdad de hacer más manejables matemátcamente los resultados de los expermentos aleatoros, que en muchos casos son
Más 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 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 detallesEconometría de corte transversal. Pablo Lavado Centro de Investigación de la Universidad del Pacífico
Econometría de corte transversal Pablo Lavado Centro de Investgacón de la Unversdad del Pacífco Contendo Defncones báscas El contendo mínmo del curso Bblografía recomendada Aprendendo econometría Defncones
Más 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 detallesTema 1.3_A La media y la desviación estándar
Curso 0-03 Grado en Físca Herramentas Computaconales Tema.3_A La meda y la desvacón estándar Dónde estudar el tema.3_a: Capítulo 4. J.R. Taylor, Error Analyss. Unv. cence Books, ausalto, Calforna 997.
Más detallesTEMA 3. VARIABLE ALEATORIA
TEMA 3. VARIABLE ALEATORIA 3.. Introduccón. 3... Dstrbucón de Probabldad de una varable aleatora 3... Funcón de Dstrbucón de una varable aleatora 3.. Varable aleatora dscreta 3... Funcón masa de probabldad
Más detallesINTRODUCCIÓN. Técnicas estadísticas
Tema : Estadístca Descrptva Undmensonal ITRODUCCIÓ Fenómeno determnsta: al repetrlo en déntcas condcones se obtene el msmo resultado. (Ejemplo: lómetros recorrdos en un ntervalo de tempo a una velocdad
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 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 detalles( ) MUESTREO ALEATORIO SIMPLE SIN REEMPLAZO ( mas ) y Y. N n. S y. MUESTREO ALEATORIO SIMPLE SIN REEMPLAZO ( mas )
MUETREO ALEATORIO IMPLE I Este esquema de muestreo es el más usado cuando se tene un marco de muestreo que especfque la manera de dentfcar cada undad en la poblacón. Además no se tene conocmento a pror
Más detallestruncación inferior en el punto a=25 es igual a El grado de truncación es del
ECONOMETTRÍ ÍA III II.. Cuurrssoo 22000022- -0033 (f( f cchheer roo: : ccuueesst t oonneess lleecccc l 33) ) CUESTTI IONES SOBRE LLA LLECCI IÓN 33: : MODELLOS DE VARIABLLE DEPENDIENTTE LLI IMITTADA 1.
Más detallesEstadísticos muéstrales
Estadístcos muéstrales Una empresa dedcada al transporte y dstrbucón de mercancías, tene una plantlla de 50 trabajadores. Durante el últmo año se ha observado que 5 trabajadores han faltado un solo día
Más 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 detallesReconocimiento de Locutor basado en Procesamiento de Voz. ProDiVoz Reconocimiento de Locutor 1
Reconocmento de Locutor basado en Procesamento de Voz ProDVoz Reconocmento de Locutor Introduccón Reconocmento de locutor: Proceso de extraccón automátca de nformacón relatva a la dentdad de la persona
Más 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 detallesModelos unifactoriales de efectos aleatorizados
Capítulo 4 Modelos unfactorales de efectos aleatorzados En el modelo de efectos aleatoros, los nveles del factor son una muestra aleatora de una poblacón de nveles. Este modelo surge ante la necesdad de
Más detallesPoblación 1. Población 1. Población 2. Población 2. Población 1. Población 1. Población 2. Población 2. Frecuencia. Frecuencia
MAT-3 Estadístca I Tema : Meddas de Dspersón Facltador: Félx Rondón, MS Insttuto Especalzado de Estudos Superores Loyola Introduccón Las meddas de tendenca central son ndcadores estadístcos que resumen
Más detallesOperadores por Regiones
Operadores por Regones Fltros por Regones Los fltros por regones ntentan determnar el cambo de valor de un píxel consderando los valores de sus vecnos I[-1,-1] I[-1] I[+1,-1] I[-1, I[ I[+1, I[-1,+1] I[+1]
Más detallesEXPERIMENTOS ANIDADOS O JERARQUICOS NESTED
EXPERIMENTOS ANIDADOS O JERARQUICOS NESTED Exsten ocasones donde los nveles de un factor B son smlares pero no déntcos para dferentes nveles del factor A. Es decr, dferentes nveles del factor A ven nveles
Más 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 detallesCapítulo 4 Probabilidades Estadística Computacional II Semestre 2006
Unversdad Técnca Federco Santa María Departamento de Informátca ILI-80 Capítulo 4 Probabldades Estadístca Computaconal II Semestre 006 Profesores: Héctor llende (hallende@nf.utfsm.cl) Carlos Valle (cvalle@nf.utfsm.cl)
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 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 detallesA. Una pregunta muy particular que se puede hacer a una distribución de datos es de qué magnitud es es la heterogeneidad que se observa.
MEDIDA DE DIPERIÓ A. Una pregunta muy partcular que se puede hacer a una dstrbucón de datos es de qué magntud es es la heterogenedad que se observa. FICHA º 18 Las meddas de dspersón generalmente acompañan
Más detallesSolución Taller No. 10 Econometría II Prof. Bernal
Solucón Taller No. 0 Econometría 2007 II Prof. Bernal. a. El modelo que hay que estmar es el sguente: partcpa = B + B edad _ nno + B genero _ nno + B * edad _ mama + B secundara + B casada + B trabaja
Más detalles17/02/2015. Ángel Serrano Sánchez de León
Ángel Serrano Sánchez de León 1 Índce Introduccón Varables estadístcas Dstrbucones esde frecuencas c Introduccón a la representacón gráfca de datos Meddas de tendenca central: meda (artmétca, geométrca,
Más detallesTema 6. Estadística descriptiva bivariable con variables numéricas
Clase 6 Tema 6. Estadístca descrptva bvarable con varables numércas Estadístca bvarable: tpos de relacón Relacón entre varables cuanttatvas Para dentfcar las característcas de una relacón entre dos varables
Más detallesTema 4 MODELOS CON DATOS DE RECUENTO
ECONOMETRÍA II Prof.: Begoña Álvarez 2007-2008 Tema 4 MODELOS CON DATOS DE RECUENTO 1. Datos de recuento: ejemplos 2. Por qué utlzamos modelos específcos para datos de recuento? 3. Modelo Posson 4. Modelo
Más detallesREGRESION LINEAL SIMPLE
REGREION LINEAL IMPLE Jorge Galbat Resco e dspone de una mustra de observacones formadas por pares de varables: (x 1, y 1 ) (x, y ).. (x n, y n ) A través de esta muestra, se desea estudar la relacón exstente
Más detallesCLAVE - Laboratorio 1: Introducción
CLAVE - Laboratoro 1: Introduccón ( x )( x ) x ( xy) x y a b a b a a a ( x ) / ( x ) x ( x ) x a b a b a b ab n! n( n 1)( n 2) 1 0! 1 x x x 1 0 1 (1) Smplfque y evalúe las sguentes expresones: a. 10 2
Más detalles3. VARIABLES ALEATORIAS.
3. VARIABLES ALEATORIAS. Una varable aleatora es una varable que toma valores numércos determnados por el resultado de un epermento aleatoro (no hay que confundr la varable aleatora con sus posbles valores)
Más detallesMODELOS PARA DATOS DE RECUENTO
ECONOMETRÍA III Curso 2008/09 MODELOS PARA DATOS DE RECUENTO Profesores: Víctor J. Cano Fernández y M. Carolna Rodríguez Donate Dpto. de Economía de las Instrtucones, Estadístca Económca y Econometría
Más detallesTema 1: Estadística Descriptiva Unidimensional
Fenómeno determnsta: al repetrlo en déntcas condcones se obtene el msmo resultado. Fenómeno aleatoro: no es posble predecr el resultado. La estadístca se ocupa de aquellos fenómenos no determnstas donde
Más detallesMétodos específicos de generación de diversas distribuciones discretas
Tema 3 Métodos específcos de generacón de dversas dstrbucones dscretas 3.1. Dstrbucón de Bernoull Sea X B(p). La funcón de probabldad puntual de X es: P (X = 1) = p P (X = 0) = 1 p Utlzando el método de
Más detallesTEMA 4. Modelos para Datos Censurados y de Selección Muestral.
TEMA 4. Modelos para Datos Censurados y de Seleccón Muestral. Profesor: Pedro Albarrán Pérez Unversdad de Alcante. Curso 2010/2011. Contendo 1 Introduccón 2 Modelo Tobt Introduccón Estmacón por Máxma Verosmltud
Más detallesFE DE ERRATAS Y AÑADIDOS AL LIBRO FUNDAMENTOS DE LAS TÉCNICAS MULTIVARIANTES (Ximénez & San Martín, 2004)
FE DE ERRATAS Y AÑADIDOS AL LIBRO FUNDAMENTOS DE LAS TÉCNICAS MULTIVARIANTES (Xménez & San Martín, 004) Capítulo. Nocones báscas de álgebra de matrces Fe de erratas.. Cálculo de la transpuesta de una matrz
Más detallesSEMANA 13. CLASE 14. MARTES 20/09/16
SEMAA 3. CLASE. MARTES 20/09/6. Defncones de nterés.. Estadístca descrptva. Es la parte de la Estadístca que se encarga de reunr nformacón cuanttatva concernente a ndvduos, grupos, seres de hechos, etc..2.
Más detallesTEMA 2. Análisis de Causalidad y Evaluación de Políticas Públicas.
TEMA 2. Análss de Causaldad y Evaluacón de Polítcas Públcas. Profesor: Pedro Albarrán Pérez Unversdad de Alcante. Curso 2010/2011. Contendo 1 Introduccón 2 Efectos de Tratamento 3 Conexón entre Efectos
Más detallespara cualquier a y b, entonces f(x) es la función de densidad de probabilidad de la variable aleatoria continua X.
Conceptos de Probabldad A contnuacón se presenta una revsón no ehaustva y a manera ntroductora de conceptos báscos de la teoría de probabldades. Un estudo proundo y ormal de estos se puede hacer en Mood
Más detallesLECTURA 06: MEDIDAS DE TENDENCIA CENTRAL (PARTE I) LA MEDIA ARITMÉTICA TEMA 15: MEDIDAS ESTADISTICAS: DEFINICION Y CLASIFICACION
Unversdad Católca Los Ángeles de Chmbote LECTURA 06: MEDIDAS DE TENDENCIA CENTRAL (PARTE I) LA MEDIA ARITMÉTICA TEMA 15: MEDIDAS ESTADISTICAS: DEFINICION Y CLASIFICACION 1. DEFINICION: Las meddas estadístcas
Más detallesREGRESION LINEAL SIMPLE
REGREION LINEAL IMPLE 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 detallesCAPÍTULO 5 REGRESIÓN CON VARIABLES CUALITATIVAS
CAPÍTULO 5 REGRESIÓN CON VARIABLES CUALITATIVAS Edgar Acuña Fernández Departamento de Matemátcas Unversdad de Puerto Rco Recnto Unverstaro de Mayagüez Edgar Acuña Analss de Regreson Regresón con varables
Más 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 detallesReconciliación de datos experimentales. MI5022 Análisis y simulación de procesos mineralúgicos
Reconclacón de datos expermentales MI5022 Análss y smulacón de procesos mneralúgcos Balances Balances en una celda de flotacón En torno a una celda de flotacón (o un crcuto) se pueden escrbr los sguentes
Más detallesPyE_ EF2_TIPO1_
UNIVERSIDAD NACIONAL AUTÓNOMA DE MÉICO FACULTAD DE INGENIERÍA DIVISIÓN DE CIENCIAS BÁSICAS COORDINACIÓN DE CIENCIAS APLICADAS DEPARTAMENTO DE PROBABILIDAD Y ESTADÍSTICA SEGUNDO EAMEN FINAL RESOLUCIÓN SEMESTRE
Más detallesEstimación no lineal del estado y los parámetros
Parte III Estmacón no lneal del estado y los parámetros 1. Estmacón recursva El ltro de Kalman extenddo 12 es una técnca muy utlzada para la la estmacón recursva del estado de sstemas no lneales en presenca
Más detallesTema 7: Regresión Logística p. 1/1
Tema 7: Regresón Logístca Pedro Larrañaga, Iñak Inza, Abdelmalk Moujahd Departamento de Cencas de la Computacón e Intelgenca Artfcal Unversdad del País Vasco http://www.sc.ehu.es/sg/ Tema 7: Regresón Logístca
Más detallesNos interesa asignar probabilidades a valores numéricos obtenidos a partir de fenómenos aleatorios, es decir a variables aleatorias.
Estadístca (Q) Dana M. Kelmansky 5 Varables Aleatoras Nos nteresa asgnar probabldades a valores numércos obtendos a partr de fenómenos aleatoros, es decr a varables aleatoras. Por ejemplo, calcular la
Más detallesEstadística con R. Modelo Probabilístico Lineal
Estadístca con R Modelo Probablístco Lneal Modelo Probablístco Lneal Forma de la funcón: Y b 0 +b 1 X +e Varable dependente, endógena o a explcar dcotómca : Y, S Y 0 e -b 0 - b 1 X con probabldad p. S
Más detallesJesús García Herrero CLASIFICADORES BAYESIANOS
Jesús García Herrero CLASIFICADORES BAYESIANOS En esta clase se presentan los algortmos Análss de Datos para abordar tareas de aprendzaje de modelos predctvos. Se partcularzan las técncas estadístcas vstas
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 detallesAnálisis de supervivencia
Tempo a un evento Curso de Análss de Supervvenca Víctor Abrara 1 Análss de supervvenca Conjunto de técncas que permten estudar la varable tempo hasta que ocurre un evento y su dependenca de otras posbles
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 detallesUtilizar sumatorias para aproximar el área bajo una curva
Cálculo I: Guía del Estudante Leccón 5 Apromacón del área bajo la curva Leccón 5: Apromacón del área bajo una curva Objetvo: Utlzar sumatoras para apromar el área bajo una curva Referencas: Stewart: Seccón
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 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 detallesRECETA ELECTRÓNICA: IMPACTO SOBRE EL GASTO FARMACEÚTICO
RECETA ELECTRÓNICA: IMPACTO SOBRE EL GASTO FARMACEÚTICO Introduccón Dseño del estudo Especfcacón del modelo Resultados Introduccón Dseño del estudo Especfcacón del modelo Resultados Introduccón: Esquema
Más 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 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 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 detallesPROPUESTAS PARA LA DETERMINACIÓN DE LOS PARÁMETROS DEL GRÁFICO DE CONTROL MEWMA
Est. María. I. Flury Est. Crstna A. Barbero Est. Marta Rugger Insttuto de Investgacones Teórcas y Aplcadas. Escuela de Estadístca. PROPUESTAS PARA LA DETERMINACIÓN DE LOS PARÁMETROS DEL GRÁFICO DE CONTROL
Más detallesEconomía Aplicada. Estimador de diferencias en diferencias. Ver Wooldridge cap.13. Departamento de Economía Universidad Carlos III de Madrid 1 / 19
Economía Aplcada Estmador de dferencas en dferencas Departamento de Economía Unversdad Carlos III de Madrd Ver Wooldrdge cap.13 1 / 19 Análss de Polítca: Dferencas-en-Dferencas En muchos casos la varable
Más 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 detallesVariables Aleatorias
Varables Aleatoras VARIABLES ALEATORIAS. Varable aleatora. Tpos.... Dstrbucón de probabldad asocada a una varable aleatora dscreta... 4. Funcón de dstrbucón. Propedades... 5 4. Funcón de densdad... 7 5.
Más detallesSEMANA 5 MEDIDAS DE TENDENCIA CENTRAL Y POSICIÓN
Estadístca SEMANA 5 MEDIDAS DE TENDENCIA CENTRAL Y POSICIÓN LOGRO DE APRENDIZAJE: Al fnalzar la sesón, el estudante estará en la capacdad de calcular e nterpretar meddas de tendenca central y poscón de
Más detallesCada uno da lo que recibe, Y luego recibe lo que da, Nada es más simple, No hay otra norma: Nada se pierde, Todo se transforma.
Cada uno da lo que recbe, Y luego recbe lo que da, Nada es más smple, No hay otra norma: Nada se perde, Todo se transforma. Todo se transforma (Jorge Drexler, cantautor uruguayo) Estadístca Básca - Manuel
Más detallesCapítulo 2: ANALISIS EXPLORATORIO de DATOS Estadística Computacional 1º Semestre 2003
Unversdad Técnca Federco Santa María Departamento de Informátca ILI-80 Capítulo : ANALISIS EXPLORATORIO de DATOS Estadístca Computaconal º Semestre 003 Profesor :Héctor Allende Págna : www.nf.utfsm.cl/~hallende
Más detalles16/02/2015. Ángel Serrano Sánchez de León
Ángel Serrano Sánchez de León Índce Introduccón Varables estadístcas Dstrbucones de frecuencas Introduccón a la representacón gráfca de datos Meddas de tendenca central: meda (artmétca, geométrca, armónca,
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 detallesVariables Aleatorias
Varables Aleatoras VARIABLES ALEATORIAS. Varable aleatora. Tpos.... Dstrbucón de probabldad asocada a una varable aleatora dscreta... 4. Funcón de dstrbucón. Propedades... 5 4. Funcón de densdad... 7 5.
Más detallesPyE_ EF1_TIPO1_
UNIVERSIDAD NACIONAL AUTÓNOMA DE MÉICO FACULTAD DE INGENIERÍA DIVISIÓN DE CIENCIAS BÁSICAS COORDINACIÓN DE CIENCIAS APLICADAS DEPARTAMENTO DE PROBABILIDAD Y ESTADÍSTICA PRIMER EAMEN FINAL RESOLUCIÓN SEMESTRE
Más detallesIntroducción. Escuela Técnica Superior de Ingeniería Informática. Universidad de La Laguna. Fernando Pérez Nava
Reconocmento de Patrones Introduccón Tema : Reconocmento Estadístco de Patrones Por qué una aproxmacón estadístca en el RP? La utlzacón de característcas para representar una entdad provoca una pérdda
Más detallesCAPÍTULO X ESTADÍSTICA APLICADA A LA HIDROLOGIA
CAPÍTULO X ESTADÍSTICA APLICADA A LA HIDROLOGIA 0. INTRODUCCIÓN. Los estudos hdrológcos requeren del análss de nformacón hdrometeorológca, esta nformacón puede ser de datos de precptacón, caudales, temperatura,
Más detallesLECTURA 07: MEDIDAS DE TENDENCIA CENTRAL (PARTE II) LA MEDIANA Y LA MODA TEMA 17: LA MEDIANA Y LA MODA
LECTURA 07: MEDIDAS DE TENDENCIA CENTRAL (PARTE II) LA MEDIANA Y LA MODA TEMA 17: LA MEDIANA Y LA MODA. LA MEDIANA: Es una medda de tendenca central que dvde al total de n observacones debdamente ordenadas
Más detalles3.1. Características del comportamiento estratégico Características del comportamiento estratégico
3.1. Característcas del Matlde Machado 1 3.1. Característcas del El análss formal de una stuacón de empeza por la formulacón de un juego. Componentes de un juego: Jugadores Estratégas posbles para cada
Más detallesTema 1:Descripción de una variable. Tema 1:Descripción de una variable. 1.1 El método estadístico. 1.1 El método estadístico. Describir el problema
Tema :Descrpcón de una varable Tema :Descrpcón de una varable. El método estadístco. Descrpcón de conjuntos de datos Dstrbucones de frecuencas. Representacón gráfca Dagrama de barras Hstograma. Meddas
Más detallesProbabilidad Grupo 23 Semestre Segundo examen parcial
Probabldad Grupo 3 Semestre 015- Segundo examen parcal La tabla sguente presenta 0 postulados, algunos de los cuales son verdaderos y otros son falsos. Analza detendamente cada postulado y elge tu respuesta
Más detallesPruebas Estadísticas de Números Pseudoaleatorios
Pruebas Estadístcas de Números Pseudoaleatoros Prueba de meda Consste en verfcar que los números generados tengan una meda estadístcamente gual a, de esta manera, se analza la sguente hpótess: H 0 : =
Más detallesTiempos de relajación T 1 y T 2
empos de relajacón y Levtt,;Haacke, 7/4/ RI - Lus Agulles Pedrós Relajacón y dnámca: Supongamos un sstema de espnes alnados cuyo campo vertcal es estátco. d dt Supongamos el campo horzontal por acople
Más detalles3. Análisis de Factores
3. Análss de Factores 3.. Introduccón y objetvos. El análss de factores es un procedmento estadístco que crea un nuevo conjunto de varables no correlaconadas entre sí, llamadas factores subyacentes o factores
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 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 detallesCOLEGIO INGLÉS MEDIDAS DE DISPERSIÓN
COLEGIO IGLÉS DEPARTAMETO IVEL: CUARTO MEDIO PSU. UIDAD: ESTADISTICA 3 PROFESOR: ATALIA MORALES A. ROLADO SAEZ M. MIGUEL GUTIÉRREZ S. JAVIER FRIGERIO B. MEDIDAS DE DISPERSIÓ Las meddas de dspersón dan
Más detallesModelos de elección simple y múltiple. Regresión logit y probit. Modelos multilogit y multiprobit.
Modelos de eleccón smple y múltple. Regresón logt y probt. Modelos multlogt y multprobt. Sga J.Muro(14/4/2004) 2 Modelos de eleccón dscreta. Modelos de eleccón smple. Modelos de eleccón múltple. Fnal J.Muro(14/4/2004)
Más detalles6 Minimización del riesgo empírico
6 Mnmzacón del resgo empírco Los algortmos de vectores soporte consttuyen una de las nnovacones crucales en la nvestgacón sobre Aprendzaje Computaconal en la década de los 990. Consttuyen la crstalzacón
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 detallesLo que nos interesa en el análisis de varianza de una vía es extender el test t para dos muestras independientes, para comparar más de dos muestras.
Capítulo : Comparacón de varos tratamentos o grupos Muchas preguntas de nvestgacón en educacón, pscología, negocos, ndustra y cencas naturales tenen que ver con la comparacón de varos grupos o tratamentos.
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 detallesInferencia en Regresión Lineal Simple
Inferenca en Regresón Lneal Smple Modelo de regresón lneal smple: Se tenen n observacones de una varable explcatva x y de una varable respuesta y, ( x, y)(, x, y),...,( x n, y n ) el modelo estadístco
Más detalles1).- Para > 0, B= {x R L : p. x I} = {x R L
Pontfca Unversdad Católca del Perú Programa de Maestría en Economía Curso: Mcroeconomía Intermeda Profesores: Clauda Barrga & José Gallardo Asstente: César Gl Malca Propedades de las funcones de demanda
Más detalles3.1. Características del comportamiento estratégico Características del comportamiento estratégico
3.1. Característcas del Matlde Machado 1 3.1. Característcas del El análss formal de una stuacón de empeza por la formulacón de un juego. Componentes de un juego: Jugadores Estrategas posbles para cada
Más detallesInstituto Tecnológico Superior del Sur del Estado de Yucatán EGRESIÓN LINEAL REGRESI. 10 kg. 10 cm
Insttuto Tecnológco Superor del Sur del Estado de Yucatán REGRESI EGRESIÓN LINEAL 100 90 80 70 60 10 kg. 50 40 10 cm. 30 140 150 160 170 180 190 200 Objetvo de la undad Insttuto Tecnológco Superor del
Más detallesEl contexto básico para el análisis es un modelo de regresión de la forma: α (1)
ECONOMETRIA - ECON 3301 - SEMESTRE II - 08 Profesor: Ramón Rosales; rrosales@unandes.edu.co Profesor Taller: Wllam Delgado; w-delgad@unandes.edu.co Profesor Taller: Juan Carlos Vasquez; jvasquez@unandes.edu.co
Más detalles