Modelos autocorrelados: Un caso particular de los modelos de regresión lineal generalizado
|
|
- Pedro Pérez Blanco
- hace 7 años
- Vistas:
Transcripción
1 Modelos autocorrelados: Un caso particular de los modelos de regresión lineal generalizado El fallo de la suposición de dependencia: El efecto del tiempo
2 Introducción al modelo de regresión generalizado En muchos problemas económicos se producen efectos sobre las perturbaciones, de tal forma que éstas tienen dispersiones distintas, como ocurre en las series financieras, y en algunos casos se producen interacciones entre ellas, como es el caso de las series temporales con información del pasado. Esto afecta al comportamiento de la regresión, pues actúa sobre dos de las suposiciones básicas del modelo lineal general: la homocedasticidad: Cuando las varianzas de las perturbaciones son distintas para cada observación. la independencia: Cuando existe relación entre dos cualesquiera observaciones diferentes.
3 Introducción al modelo de regresión generalizado (2) Las dos suposiciones anteriores obligan a que las perturbaciones se comporten todas del mismo modo y por consiguiente tienen una matriz de varianzas-covarianzas con un único parámetro desconocido, es una matiz escalar. Cuando las perturbaciones del modelo de regresión tienen matriz de varianzas-covarianzas no escalar, se dice que estamos en un modelo de regresión lineal generalizado (MRLG). A ese tipo de perturbaciones se les denomina no esféricas. Estudiamos primero el caso general y luego cada uno de los específicos.
4 Perturbaciones esféricas y no esféricas Para comprender mejor las diferencias supongamos que tenemos sólo dos observaciones Esféricas 2 2 No esféricas 1 1 Bajo normalidad, se verifica que la incorrelación es independencia, manifestándose en los ejes ortogonales. La homocedasticidad implica que ambos ejes son iguales en dimensión. Por consiguiente presentan forma esférica La forma tiene una inclinación que corresponde a la correlación entre las perturbaciones. La elipse tiene ejes diferentes que corresponden a la heterocedasticidad. Por consiguiente presentan forma no esférica
5 Modelo de regresión lineal generalizado Y=X + donde sigue una ley N(0, ). Suposiciones del MRLC con perturbaciones no esféricas 1
6 Matriz de varianzas covarianzas de las perturbaciones La matriz de varianzas-covarianzas dos elementos se descompone en, que nos mide la parte de las varianzas común a todas las observaciones, que será una matriz simétrica, cuyos elementos nos indican las relaciones entre las observaciones o la ratio de varianzas respecto a su parte común. De esta forma facilitamos la comparación con el MRLC, que será un caso particular de éste cuando =I.
7 Generaliza el MRLC Permite Heterocedasticidad. Por ejemplo medidas de la producción de diferentes empresas donde la fiabilidad de la estimación de esa producción dependa del tamaño de la empresa. Permite dependencia de las perturbaciones y por lo tanto de las observaciones. Un caso se produce cuando se estiman las ventas de una empresa y el error de esa estimación depende de las ventas del periodo anterior. El MRLC es un caso particular cuando =I.
8 Efecto sobre los estimadores MCO Sigue siendo lineal e insesgado. La varianza aumenta por lo que pierde eficiencia el estimador. La varianza estimada de los estimadores de los coeficientes, bajo las suposiciones del MRLC estará mal estimada. Los test de la regresión MCO serán inválidos, sino se cambia el estimador de la varianza. El estimador MCO de la parte de la varianza que es común a todas las observaciones s 2 es sesgado.
9 Comprobación de esos efectos Para comprobar esos efectos primero se verán las propiedades que no cambian, que son las referentes al valor esperado de la dependiente. Después las que cambian, que son las que están relacionadas con las varianzas de los estimadores.
10 Es lineal e insesgado La linealidad se deriva de la construcción pues la forma de construir el estimador no varía. Para ver la insesgadez se utiliza la forma que relaciona b y. b= +(X X) -1 X E(b)=E( +(X X) -1 X +E((X X) -1 X +(X X) -1 X E( +0=
11 El estimador deja de ser eficiente Partimos de la misma definición del estimador MCO pero ahora debemos considerar que las perturbaciones no son escalares b= +(X X) -1 X Var(b)=E((X X) -1 X (X X) -1 X E( X(X X) -1 (X X) -1 X 2 X(X X) -1 2 (X X) -1 X X(X X) -1 2 (X X) -1 Consecuentemente la varianza no coincide con la que se había estimado bajo el MRLC, de hecho se deduce de las propiedades de las formas cuadráticas que ya no es la menor, y no se puede asegurar la eficiencia. Consecuencia de lo anterior la varianza estimada en el MRLC estará mal estimada, pues no es la verdadera al cambiar las suposiciones de partida.
12 Los test de la regresión MCO serán inválidos Por consiguiente para que los test de los coeficientes de regresión estimados bajo MCO sean válidos es necesario que cambiemos las varianzas estimadas. Los que salen por defecto en la ejecución de los programas serán inválidos En SHAZAM debemos hacer uso de una opción del OLS que depende si suponemos heterocedasticidad (HETCOV) o autocorrelación (AUTCOV). No obstante la salido es similar.
13 Comparación entre ambas salidas _ols y x x2/resid=e Predict=ye noanova REQUIRED MEMORY IS PAR= 1 CURRENT PAR= OLS ESTIMATION 7 OBSERVATIONS DEPENDENT VARIABLE= Y...NOTE..SAMPLE RANGE SET TO: 1, 7 R-SQUARE = R-SQUARE ADJUSTED = VARIANCE OF THE ESTIMATE-SIGMA2 = STANDARD ERROR OF THE ESTIMATE-SIGMA = SUM OF SQUARED ERRORS-SSE= MEAN OF DEPENDENT VARIABLE = LOG OF THE LIKELIHOOD FUNCTION = _ols y x x2/resid=e Predict=ye hetcov noanova REQUIRED MEMORY IS PAR= 1 CURRENT PAR= OLS ESTIMATION 7 OBSERVATIONS DEPENDENT VARIABLE= Y...NOTE..SAMPLE RANGE SET TO: 1, 7 USING HETEROSKEDASTICITY-CONSISTENT COVARIANCE MATRIX R-SQUARE = R-SQUARE ADJUSTED = VARIANCE OF THE ESTIMATE-SIGMA2 = STANDARD ERROR OF THE ESTIMATE-SIGMA = SUM OF SQUARED ERRORS-SSE= MEAN OF DEPENDENT VARIABLE = LOG OF THE LIKELIHOOD FUNCTION = VARIABLE ESTIMATED STANDARD T-RATIO PARTIAL NAME COEFFICIENT ERROR 4 DF P-VALUE CORR. X X CONSTANT VARIABLE ESTIMATED STANDARD T-RATIO PARTIAL NAME COEFFICIENT ERROR 4 DF P-VALUE CORR. X X CONSTANT Test inválido Test asintótico válido
14 El estimador MCO de 2 es sesgado El estimador de la parte común de la varianza 2, era insesgado en el caso el MRLC. Ahora va a ser sesgado por ser diferente la varianza de las perturbaciones. Para verlo consideramos la varianza de los residuos MCO que vendrá dada por Var(e)=var(M var = Luego, partiendo de la definición de la varianza residual La esperanza de ese estimador sería De donde se sigue que no tiene porque verificarse la insesgadez del estimador. S 2 T e e k 1 2 E( trz( e e)) E( trz( ee')) E( S ) T k 1 T k 1 2 trze( ee') trz var( e) trz M M T k 1 T k 1 T k 1 2 trz MM 2 trz M 2 T k 1 T k 1
15 Casos particulares del MRLG Fundamentalmente se estudian dos casos particulares: La autocorrelación La heterocedasticidad. En este capítulo estudiaremos la primera. Para comprenderla es necesario analizar el concepto de independencia al que está asociado. La independencia indica que ninguna observación nos da información pertinente sobre las demás salvo en cuanto a la relación entre las variables analizadas. Por tanto la variable dependiente condicionada a la información que las independientes dan sobre ella, en una determinada observación no aporta información adicional sobre la misma variable condicionada en otra observación.
16 Modelos dependientes La dependencia en modelos de regresión lineal Modelos autocorrelados: El efecto del pasado de forma lineal
17 La independencia El hecho de suponer que las observaciones son independientes nos permite analizar las perturbaciones como si fueran un conjunto de variables igualmente distribuidas y, por lo tanto, nos permite suponer que cada observación agota la información que esa observación puede dar sobre la variable dependiente. Este hecho nos permite suponer que todas las perturbaciones provienen de la misma población y, por consiguiente analizar lso residuos como si todos ellos fueran observaciones de una misma variable En caso contrario existe dependencia. Eso implicaría que la matriz de varianzas covarianzas ya no va ser escalar, es decir, la identidad por un escalar, sino que los elementos de fuera de la diagonal pueden ser distintos de 0.
18 Modelo lineal con dependencia El modelo es similar Y=X + siendo una Pero la matriz de covarianzas varía: Representa la varianza de todas las perturbaciones Mantiene la diagonal principal constante, es decir, las varianzas son las mismas para todas las perturbaciones T T T Representa la matriz de correlaciones entre cada par de perturbaciones
19 Ejemplos de dependencia Se quiere estudiar la rentabilidad en función del numero de clientes en una red de sucursales de banca, cuyos sistemas de organización están relacionados y es posible que las perturbaciones entre oficinas estén relacionadas. (correlación) Estudio de las ventas de una compañía en diferentes zonas que posiblemente esté afectado por al distancia a los centros de venta (correlación espacial) Evolución de las ventas de una empresa en función de su publicidad y sus ventas pasadas. (correlación temporal)
20 Modelos autocorrelados Aunque la dependencia se puede dar por múltiples causas, lo mas habitual es que tenga que ver con el tiempo, pues existe en las variables económicas un efecto temporal consecuencia de recordar efectos del pasado. Por ese motivo, vamos a estudiar un caso particular, los modelos autocorrelados, que significan que existe influencia del pasado, y esta influencia se recoge mediante un efecto lineal, es decir es siempre constante independientemente del periodo, pero depende del retardo. Si el efecto del pasado desaparece a partir de un determinado retardo se dice que la serie tiene memoria finita. En el caso siguiente tiene memoria de orden m si alcanza hasta el retardo m.
21 Modelo lineal con autocorrelación Existe dependencia del pasado en las perturbaciones, por consiguiente, estas no son independientes. La forma general será Y X t t t.. t 1 t 1 m t m t sigue N I 2 (0, )
22 Modelos autocorrelados de orden 1 Vamos a estudiar fundamentalmente un caso particular, los modelos autocorrelados de orden 1, que significan que solo existe influencia del pasado mas reciente, es decir la información del pasado esta toda contenida en el periodo anterior. Esto, como veremos posteriormente, indica que existe influencia en cualquier pasado, si bien de una forma determinada. Sin embargo comentaremos el efecto sobre los otros modelos autocorrelados, pues es muy similar en sus efectos y en su forma de detectarlo.
23 Modelo lineal con autocorrelación de orden 1 Existe dependencia del pasado en las perturbaciones, por consiguiente, estas no son independientes. Para determinar bien un modelo debemos llegar a especificar las perturbaciones como ruido blanco, puesto que en ese instante no dan información adicional sobre el modelo. Por consiguiente, la forma general será Y X t t t t 1 t 1 t sigue N I 2 (0, )
24 Por consiguiente estaríamos en un caso particular del modelo de regresión lineal generalizado. Sus efectos serán consecuencia de ello. Forma matricial del modelo lineal con autocorrelación Escribiendo en forma matricial lo anterior tendríamos que Y=X + siendo una 1... n n 2... n
25 Efectos de la autocorrelación Falla la independencia de las observaciones Los estimadores OLS son centrados pero ineficientes. Las varianzas obtenidas por OLS, bajo las suposiciones del MRLC, son falsas por tanto los test obtenidos a partir de ellas serán sesgados. Las predicciones son ineficientes.
26 Identificación de la autocorrelación Gráficos Algunos coinciden con los ya definidos y sólo cambia su interpretación. Otros son específicos de este análisis Tests de hipótesis Son específicos de la hipótesis alternativa de autocorrelación Pueden ser de orden 1 o de orden mayor que 1.
27 Gráficos para detectar la autocorrelación 1. Residuos respecto al tiempo Representamos los residuos respecto al tiempo 2. Residuos respecto a valores retardados. Representamos los residuos respecto a los residuos retardados uno o mas periodos.
28 Gráficos de residuos respecto al tiempo Representamos los residuos respecto al tiempo. Si son ruido blanco siempre se espera las tres características enunciadas en el tema 1: media nula constante, varianza constante e independencia. Cuando existe autocorrelación positiva los residuos cortan pocas veces el eje. Cuando es negativa lo cortan muchas. En caso de no correlación deberían comportarse como un ruido blanco. e t e t tiempo Autocorrelación positiva Autocorrelación negativa tiempo
29 Gráficos de la evolución temporal de las variables
30 No se ve clara ninguna estructura, aunque tampoco parecen un ruido blanco Grafico respecto a valores predichos
31 Gráfico de residuos respecto al tiempo Hay pocos cortes, pero no se ve claro del todo
32 Gráficos de residuos respecto a valores retardados Representamos los residuos respecto a sus valores retardados. Depende del orden que se quiera estudiar para hacer uso de él en la representación. Lo normal será estudiar autocorrelación de primer orden por lo que haremos uso de los residuos retardados una vez. Para órdenes superiores al primero se haría de la misma forma haciendo uso de residuos de orden superiores
33 Gráficos de residuos respecto a valores retardados Al estudiar autocorrelación de primer orden debería tener una forma similar a la lineal. Si la autocorrelación es positiva dicha forma será creciente Si la autocorrelación es negativa dicha forma será decreciente. En caso de no correlación deberían comportarse como un ruido blanco. e t Creciente e t e t-1 Decreciente e t-1
34 Grafico respecto a residuos retardados Cierta relación lineal positiva
35 Gráficos de residuos respecto a residuos retardados en orden superior al primero Si la autocorrelación se sospecha que sólo se da en un orden superior al primero Por ejemplo en datos trimestrales cada año, y por tanto con retardo 4 Entonces se representa los residuos actuales respecto a los residuos retardados s veces En el caso anterior s=4 La interpretación es similar al caso de s=1 e t Creciente e t Decreciente e t-1 e t-1
36 Test de hipótesis para comprobar la autocorrelación Test de autocorrelación individuales y conjuntos. De primer orden o de orden superior
37 Tests de hipótesis para la identificación de la autocorrelación Para identificar la autocorrelación en un modelo, se parte de suponer que ésta no existe. Se realiza la estimación como si no la hubiese Se analizan los residuos para ver si el comportamiento que presentan es el esperado bajo no correlación, o aparecen situaciones inesperadas que, en algunos casos serán síntomas de autocorrelación.
38 Test de autocorrelación (1) Los test para comprobar la existencia de autocorrelación, van a ser muy similares en su construcción a los test enunciados para la otras suposiciones, si bien algunos tienen especiales características. La hipótesis nula, en todos ellos va a ser la de no existencia de autocorrelación. La alternativa cambia según se sospeche autocorrelación de primer orden o de orden superior. Estudiaremos en primer lugar la autocorrelación de orden uno.
39 Test de autocorrelación Los test de autocorrelación de orden 1 se consideran todos ellos Individuales, pues únicamente se contrasta un parámetro Pueden ser Paramétricos Test de Durbin-Watson Test de la Razón de Von-Neuman Test LM de autocorrelación Test de Wald No paramétricos Test de Wald-Wolfowitz o de las rachas No generalizables a orden superior Generalizables a orden superior En realidad se pueden generalizar pero sus leyes de distribución necesitan tablas alternativas de difícil cálculo
40 Modelo de test de autocorrelación de orden 1 En todos los test paramétricos de autocorrelación de orden 1, el modelo es el mismo, pues se considera el modelo mas general y se comprueba si la restricción de que el coeficiente de autocorrelacion se a nulo se verifica. El modelo general con las suposiciones del MRLG será Y X t t t t 1 t 1 t sigue N I 2 (0, ) La hipótesis nula será normalmente que 1=0, por lo que el modelo quedará convertido en un MRLC, puesto que y coinciden.
41 Residuos OLS en modelos autocorrelados Para desarrollar los diferentes test de hipótesis de autocorrelación de orden 1 es conveniente analizar el comportamiento de los residuos OLS bajo autocorrelación. e t =re t-1 +u t La esperanza del residuo de orden t condicionada al de orden t-1 depende del signo de r E(e t /e t-1 )=re t-1 Si r es negativo el residuo se espera con el signo diferente del anterior, mientras que si es positivo el signo es igual. Por lo tanto E(e t /e t-1 )-e t-1 = r-1 Si r es negativo la diferencia tiende a ser mayor que 1, mientras que si es positivo tiende a ser cercano a cero. Por tanto las distancias entre dos residuos consecutivos se incrementará cuando ambos tienen diferente signo
42 Test de Durbin-Watson Contrasta la autocorrelación de orden 1 bajo el modelo de regresión lineal con autocorrelación. Las hipótesis a contrastar serán las siguientes: H 0 : =0, lo que significa incorrelación H 1 : orden 1, lo que significa que existe autocorrelación lineal de
43 Idea del Test de Durbin-Watson La idea de este test es comprobar si las diferencias entre los residuos observados consecutivamente es muy grande o muy pequeña. Si es muy grande es síntoma de que cambia de signo, y entonces la autocorrelación es negativa. Si es muy pequeña es que están muy seguidos y normalmente no cambiará de signo por lo que la relación entre ellos es positiva e t e t Diferencias muy pequeñas Autocorrelación positiva Diferencias muy grandes Autocorrelación negativa tiempo tiempo
44 Test de Durbin-Watson (2) Bajo las suposiciones del MRLC, que es bajo la hipótesis nula, se construye el estadístico DW t T 2 ( e t T t 1 e e 2 t t 2 1) Se puede observar como dicho estadístico se obtiene como diferencia entre dos residuos consecutivos al cuadrado, normalizado por la suma de todos ellos al cuadrado.
45 Test de Durbin-Watson (3) Intuitivamente, ese estadístico nos dice que si un residuo está muy cercano al anterior entonces la correlación es positiva, ya que la diferencia será cercana a 0. Si está muy alejado, significa que irá pegando saltos de un lado al otro del 0 y por tanto la correlación en negativa. Cuando es un número intermedio el estimador sería aproximadamente el promedio entre 0 y el límite superior del estadístico.
46 Test de Durbin-Watson (4) A la vista del estadístico anterior, se demuestra que es aproximadamente igual a DW 2(1-r) Siendo r un estimador de Cuando DW es pequeño será cercano a 0, pues r es aproximadamente 1. Cuando DW es grande será cercano a 4 pues r es aproximadamente 1. Cuando es un número intermedio el estimador sería aproximadamente 2, que es el promedio entre 0 y 4.
47 Regla de decisión en el test de Durbin- Watson El estadístico DW sigue una ley tabulada por D-W. Dicha ley tiene una particularidad que hay una zona donde el test no permite decidir Las decisiones pueden ser de indecisión, según el siguiente gráfico Autocorrelación positiva No Autocorrelación Autocorrelación negativa 0 d 2 L d 4-d 4- U U d L 4 Zonas de indecisión
48 Valores críticos del contraste de Durbin- Watson
49 Test DW para las telas _g elag=lag(e)..note.lag VALUE IN UNDEFINED OBSERVATIONS SET TO ZERO _g de2=(e-elag)2 _g e2=ee _stat e2/sum=se2 beg=1 end=40 NAME N MEAN ST. DEV VARIANCE MINIMUM MAXIMUM E E E E E _stat de2/sum=sde2 beg=2 end=40 NAME N MEAN ST. DEV VARIANCE MINIMUM MAXIMUM DE E E E E _gen1 dw=sde2/se2 _p dw DW Media de las diferencias muy pequeña lo que indica que las diferencias tienden a ser pequeñas
50 Calculo con SHAZAM del estadístico de Durbin-Watson GEN1 T=$N GEN1 SCE=$SSE GENR ER1=LAG(E) GENR DEER12=(E-ER1)2?STAT DEER12 / SUMS=SDEER12 BEG=2 END=T GEN1 DWC1=SDEER12/SCE PRINT SDEER12 SCE DWC1 sample read Y X1 X ?ols y x1 x2/resid=e predict=ye rstat dwpvalue noanova GEN1 T=$N GEN1 SCE=$SSE GENR ER1=LAG(E) GENR DEER12=(E-ER1)2?STAT DEER12 / SUMS=SDEER12 BEG=2 END=T GEN1 DWC1=SDEER12/SCE PRINT SDEER12 SCE DWC1
51 Regla de decisión en el test de Durbin- Watson anterior Autocorrelación positiva DW=0,66 No Autocorrelación Autocorrelación negativa 0 1,39 1,60 2 2,40 2,61 4 Zonas de indecisión
52 Test de la Razón de Von-Neuman Similar al anterior pero intenta corregir el efecto del número de observaciones en los dos términos del cociente. Su idea intuitiva es similar a la de DurbinWatson Por consiguiente las hipótesis a contrastar son: H 0 : =0, lo que significa incorrelación H 1 : lo que significa que existe autocorrelación lineal de orden 1
53 Estadístico de la Razón de Von-Neuman La ratio de Von Neumann corrige el tamaño muestral, para lo cual se calcula dividiendo cada término por el número de observaciones que intervienen en él. El estadístico que se obtiene es RVN 1 T 1 1 T T t 2 T t 1 ( e ( e t t e t e) 2 1 ) 2
54 Distribución de la Razón de Von-Neuman La ley de distribución en muestras pequeñas está tabulada, además se puede determinar su distribución asintótica, bajo independencia de las perturbaciones, que viene dada por una ley normal. RVN es AN 4( T ( 2, 2 T 2) 1 ) A esto se añade la ventaja de que esta ley no depende del comportamiento estocástico de los regresores, como ocurría en DW. Tampoco necesita la normalidad estricta de las perturbaciones.
55 sample 1 40 read Y X1 X ?ols y x1 x2/resid=e predict=ye rstat dwpvalue noanova GEN1 T=$N GEN1 DWC1=SDEER12/SCE Test de la Razón de Von-Neuman La interpretación del estadístico es muy similar a la de DW, pero ahora se puede determinar su distribución asintótica, bajo independencia de las perturbaciones, que viene dada por una ley normal. Tomando entonces el t-estadístico lo compararíamos con las tablas de la normal tipificada t RVN RVN 4( T 2 T 2 2) 1 La regla de decisión será rechazar si t RVN > GEN1 SCE=$SSE GENR ER1=LAG(E) GENR DEER12=(E-ER1)2?STAT DEER12 / SUMS=SDEER12 BEG=2 END=T gen1 rvn=(t/(t-1))dwc1 p rvn gen1 tvn=(rvn-2)/sqrt(4(t-2)/(t2-1)) distrib tvn/ gen1 rvn=(t/(t-1))dw p rvn gen1 tvn=(rvn-2)/sqrt(4(t-2)/(t2-1)) distrib tvn/
56 Test RVN para las telas _gen1 rvn=(n/(n-1))dw RVN _gen1 tvn=(rvn-2)/sqrt(4(n-2)/(n2-1)) _distrib tvn/ NORMAL DISTRIBUTION - MEAN= VARIANCE= DATA Z PDF CDF 1-CDF TVN Muy significativo. Se rechaza H 0
57 Test de Wald-Wolfowitz o de las rachas El test contrasta la existencia o no de autocorrelación de modo no paramétrico, es decir sin necesidad de conocer exactamente los parámetros que caracterizan el modelo. Analiza si entre los residuos existe independencia o asociación de orden 1, es decir, relación entre una observación y la anterior o la siguiente. Por consiguiente las hipótesis van a ser: H 0 : Existe independencia entre los residuos H 1 : Existe relación de orden 1 entre los residuos Para calcularlo es necesario hacer uso de las rachas.
58 Calculo de las rachas Se define una racha como e una sucesión de símbolos t iguales, entre dos distintos. Se calculan respecto a la mediana. Para ello: 1. Se consideran como 1 los valores mayores que la mediana, y 0 los menores. Se eliminan los iguales 2. Se cuenta el número de rachas. R a c h a 2 R a c h a 1 M e R a c h
59 Idea intuitiva del test de las rachas Para interpretar el sentido de las rachas es conveniente analizar el comportamiento de los residuos OLS bajo autocorrelación. e t =re t-1 +u t La esperanza del residuo de orden t condicionada al de orden t-1 depende del signo de r E(e t /e t-1 )=re t-1 Si r es negativo el residuo se espera con el signo diferente del anterior, mientras que si es positivo el signo es igual. En consecuencia, si hay muchas rachas significa que se corta el eje muchas veces, por consiguiente un residuo y el siguiente tienen diferente signo, lo que implica la existencia de autocorrelación negativa. si hay pocas, es síntoma de que los resiudos tienden a tener el miso signo por lo que la autocorrelación es positiva. El caso intermedio es cuando no hay autocorrelación. Por tanto usamos como estadístico el número de rachas.
60 Estadístico de las rachas y ley de distribución Sea w= nº de rachas, que está tabulado para muestras pequeñas. Para muestras grandes se puede suponer asintóticamente normal, pues es una suma de variables aleatorias, por tanto tomaríamos el t-estadístico y lo compararíamos con la normal tipificada, por tanto, el t-estadístico t RVNM w E( w) sd( w) 2m( T m) w 1 t T RVNM 2m( T m)(2m( T m) T) T 2 ( T 1) La regla de decisión será rechazar si es mayor que la normal tipificada Cuando m es la mitad de T entonces esta cantidad vale T/2+1
61 E sample 1 40 read Y X1 X ?ols y x1 x2/resid=e predict=ye rstat dwpvalue noanova GEN1 T=$N GENR pos=(e.gt.0) GENR neg=(e.lt.0) GENR poslag=lag(pos) GENR racha1=(pos-poslag.ne.0) STAT racha1/sum=nracha1 GENR NEGlag=lag(NEG) GENR racha2=(neg-neglag.ne.0) STAT racha2/sum=nracha2 PRINT POS NEG RACHA1 RACHA2 SAMPLE 1 1 GENR NRACHAS=MAX(NRACHA1,NRACHA2) SAMPLE 1 40 STAT POS/sum=N1 STAT NEG/sum=N2 PRINT nrachas Valor esperado. GEN1 ENRACHAS=((2N1N2)/(N1+N2))+1 PRINT ENRACHAS Varianza. GEN1 VNRACHAS=((2N1N2(2N1N2-N1-N2))/((N1+N2)2(N1+N2-1))) GEN1 SNRACHAS=SQRT(VNRACHAS) PRINT VNRACHAS SNRACHAS Estadístico normal. GEN1 TRACHAS=(NRACHAS-ENRACHAS)/SNRACHAS PRINT TRACHAS?DISTRIB TRACHAS / TYPE=NORMAL Gráfico de residuos respecto al tiempo en las telas GENR pos=(e.gt.0) GENR neg=(e.lt.0) GENR poslag=lag(pos) GENR racha1=(pos-poslag.ne.0) STAT racha1/sum=nracha1 GENR NEGlag=lag(NEG) GENR racha2=(neg-neglag.ne.0) STAT racha2/sum=nracha2 PRINT POS NEG RACHA1 RACHA2 SAMPLE 1 1 GENR NRACHAS=MAX(NRACHA1,NRACHA2) SAMPLE 1 40 STAT POS/sum=N1 STAT NEG/sum=N2 PRINT nrachas Valor esperado. GEN1 ENRACHAS=((2N1N2)/(N1+N2))+1 PRINT ENRACHAS Varianza. GEN1 VNRACHAS=((2N1N2(2N1N2- N1-N2))/((N1+N2)2(N1+N2-1))) GEN1 SNRACHAS=SQRT(VNRACHAS) PRINT VNRACHAS SNRACHAS Estadístico normal. GEN1 TRACHAS=(NRACHAS- ENRACHAS)/SNRACHAS PRINT TRACHAS?DISTRIB TRACHAS / TYPE=NORMAL SHAZAM PLOT 0.6 E TIME rachas
62 Test de rachas para la telas RUNS TEST: 12 RUNS, 22 POS, 0 ZERO, 18 NEG gen1 resp=(22218/40)-1 p resp RESP gen1 varr=sqrt(22218( )/((402)39)) p varr VARR NORMAL STATISTIC = Autocorrelación positiva
63 Test de Wald El test de Wald es un test paramétrico que se realiza para contrastar la existencia de autocorrelación. Por tanto sigue el modelo explicitado previamente, y las hipótesis son: H 0 : =0, lo que significa incorrelación H 1 : lo que significa que existe autocorrelación lineal de orden 1 La idea de este test consiste en comprobar directamente si un estimador consistente de la autocorrelacion se puede considerar nulo (hipótesis nula) o no. Al ser un estimador consistente, es decir que converge en probabilidad al parámetro en grandes muestras, se espera que dicho estimador esté cercano al parámetro y por consiguiente si este está cerca de cero el parámetro teórico también se puede suponer igual a cero.
64 Estadístico y regla de decisión del test de Wald Utilizamos como estimador del parámetro el coeficiente de correlación simple r. Dicho coeficiente sigue bajo la hipótesis nula una ley de distribución asintóticamente normal de media 0 y varianza 1/T (AN(0, 1/T)), luego el estadístico como estadístico del test tomamos el valor tipificado de r que será asintóticamente N(0,1), es decir r t W 1 La regla de decisión será rechazar la hipótesis nula si t W > T
65 Extensión del test de Wald a orden superior Si se quiere contrastar la existencia de autocorrelación de orden superior al orden 1, el test se generaliza fácilmente, pero cambian las hipótesis a contrastar. Por ejemplo suponiendo un orden m cualquiera, el modelo ahora será el siguiente: Ahora las hipótesis a contrastar serían: H 0 : m =0, lo que significa incorrelación de orden m H 1 : m orden m Y X t t t t m t m t sigue N I 2 (0, ), lo que significa que existe autocorrelación lineal de
66 Estadístico y regla de decisión del test de Wald de orden superior Sigueindo la misma idea intuitiva del caso de orden 1 y utilizando tambien de modo similar a ese caso como estimador del parámetro el coeficiente de correlación simple de orden m r m. Dicho coeficiente también sigue bajo la hipótesis nula una ley de distribución asintóticamente normal de media 0 y varianza 1/T (AN(0, 1/T)), luego el estadístico como estadístico del test tomamos el valor tipificado de r m que será asintóticamente N(0,1), es decir rm tw 1 T La regla de decisión será rechazar la hipótesis nula si t W >
67 Test de Wald para las telas LAG RHO STD ERR T-STAT Se rechaza autocorrelación nula
68 Test LM de autocorrelación El test LM de autocorrelación es un test paramétrico que se realiza para contrastar la existencia de autocorrelación de cualquier orden. Empezamos explicando el de orden 1, peor se generaliza fácilmente a ordenes superiores. Por tanto sigue el modelo explicitado previamente, y las hipótesis son: H 0 : =0, lo que significa incorrelación H 1 : lo que significa que existe autocorrelación lineal de orden 1 La idea de este test es comprobar que no existe relación lineal entre los residuos y los residuos retardados basándonos en el gráfico de residuos y residuos retardados.
69 Idea del Test LM de autocorrelación En dicho gráfico se observa si existe algún tipo de relación lineal entre los residuos y los e t residuos retardados, para comprobar si existe o no, se debe hacer una regresión de los residuos sobre los residuos retardados. Una vez hecho eso, se busca un estadístico que mida el grado de relación lineal existente entre las dos variables. Dado que es una regresión simple parece lógico hacer uso del coeficiente de determinación. Cuanto mayor sea este mas relación lineal existe independientemente del signo de la relación. Se demuestra que el estadístico LM=TR2 sigue asintóticamente una con 1 grado de libertad. Por consiguiente ese será el estadístico que elijamos. La regla de decisión será rechazar la hipótesis nula si 2 LM En la práctica se utiliza la raíz cuadrada de LM y se compara con una normal, pero el estadístico no indica el signo de la relación. e t-1
70 Test LM para telas RESIDUAL CORRELOGRAM LM-TEST FOR HJ:RHO(J)=0, STATISTIC IS STANDARD NORMAL LAG RHO sample 2 40 ols e elag R-SQUARE = R-SQUARE ADJUSTED = VARIANCE OF THE ESTIMATE-SIGMA2 = E-01 STANDARD ERROR OF THE ESTIMATE-SIGMA = SUM OF SQUARED ERRORS-SSE= MEAN OF DEPENDENT VARIABLE = E-02 LOG OF THE LIKELIHOOD FUNCTION = VARIABLE ESTIMATED STANDARD T-RATIO PARTIAL STANDARDIZED ELASTICITY NAME COEFFICIENT ERROR 37 DF P-VALUE CORR. COEFFICIENT AT MEANS ELAG CONSTANT E E gen1 LM=$n$r2..NOTE..CURRENT VALUE OF $N = NOTE..CURRENT VALUE OF $R2 = distrib lm / type=chi df=1 CHI-SQUARE PARAMETERS- DF= MEAN= VARIANCE= MODE= DATA PDF CDF 1-CDF LM E E-04
71 Test LM de autocorrelación de orden superior El test LM de autocorrelación de orden superior generaliza el de orden 1. El modelo es como el del test de Wald de orden superior y sus hipótesis son similares, es decir H 0 : m =0, lo que significa incorrelación de orden m H 1 :, lo que significa que existe autocorrelación lineal de orden m El método de cálculo es una generalización del de orden 1, por tanto primero se debe hacer una regresión de los residuos sobre los residuos retardados de orden m y luego se debe tomar el estadístico LM=TR 2 de forma similar a como se vio en el caso 2 anterior. Seguirá asintóticamente una con 1 grado LMde libertad. La regla de decisión será rechazar la hipótesis nula si En la práctica se utiliza la raíz cuadrada de LM y se compara con una normal, pero el estadístico no indica el signo de la relación.
72 Salida del Diagnos LM-TEST FOR HJ:RHO(J)=0, STATISTIC IS STANDARD NORMAL LAG RHO LM-STAT Se rechaza autocorrelación nula
73 Tests conjuntos de autocorrelación Contrastan si existe autocorrelación de orden 1 hasta m conjuntamente. Por consiguiente el modelo que se contrasta ahora es diferente de los anteriores. Ahora se debe considerar que existe mas de un retardo por consiguiente tendremos que Y X Ahora las hipótesis que se contrastan son: H 0 : 1 = H 1 : j t t t t 1 t 1 m t m t sigue N I 2 (0, ) = m =0, lo que significa incorrelación de orden 1 hasta el m para algún j =1 m, lo que significa que existe autocorrelación lineal de algún orden entre 1 y m Estudiaremos dos tipos de test que son dos versiones del mismo Test de Box-Pierce Test de Ljung-Box-Pierce
74 Test de Box-Pierce Como ambos son versiones del mismo test estudiamos el test de Box-Pierce y únicamente indicaremos en el otro caso el estadístico correspondiente. La idea de ambos test consiste en comprobar si conjuntamente los estimadores de las autocorrelaciones de orden 1 hasta el m son todos nulos o no. Para ello, calculamos los coeficientes de autocorrelación hasta el orden m. r k i T k 1 e e i Definimos como estadístico la suma de las m correlaciones primeras al cuadrado por el número de observaciones m 2 BP T i Como vimos que cada autocorrelación seguía asintóticamente una N(0,1) dicho estadístico seguirá asintóticamente una ji cuadrado con m grados de libertad. Por tanto la regla de decisión será rechazar si BP> 2 k i T 1 e 2 i k 1 r k
75 Test de Ljung-Box Corrige en parte el anterior para muestras pequeñas y sigue la misma ley de distribución asintótica. El estadístico es Q T r m 2 k 2 ( T 2) A m k 1 T k Que también sigue asintóticamente una ji cuadrado con m grados de libertad Por tanto la regla de decisión será como antes rechazamos la hipótesis nula si Q> 2
76 Test de autocorrelación para telas RESIDUAL CORRELOGRAM LM-TEST FOR HJ:RHO(J)=0, STATISTIC IS STANDARD NORMAL LAG RHO STD ERR T-STAT LM-STAT DW-TEST BOX-PIERCE-LJUNG LM CHI-SQUARE STATISTIC WITH 12 D.F. IS
77 Tratamiento de la autocorrelación El proceso que seguiremos se denomina de mínimos cuadrados generalizados factibles (MCGF) Primero se ve cual es el modelo teórico de estimación, generalizando MCO, al caso de matrices de covarianzas no escalares Después se estudia la estimación factible Este proceso necesita que analicemos previamente las características de la estimación por mínimos cuadrados generalizados, al que dedicamos el tema siguiente.
Universidade de Vigo. Linealidad. El comportamiento esperado de la variable dependiente
Linealidad El comportamiento esperado de la variable dependiente El concepto de linealidad Indica que el valor esperado de la variable dependiente depende linealmente de las variables independientes El
Más detallesUniversidade de Vigo. Heterocedasticidad. Estimadores, test y posibles soluciones factibles.
Heterocedasticidad Estimadores, test y posibles soluciones factibles. Concepto Un modelo heterocedástico es aquel en que las varianzas de las perturbaciones no son constantes, por lo tanto, la variabilidad
Más detallesEstimación por mínimos cuadrados generalizados
Estimación por mínimos cuadrados generalizados Modelo de regresión lineal Generalizado: Generalización del modelo de regresión lineal clásico Introducción a los estimadores MCG Dados los fallos que ocurren
Más detallesEXAMEN ECONOMETRÍA I GRUPO 53 - DADE 8 de septiembre de 2005 Prof. Rafael de Arce
EXAMEN ECONOMETRÍA I GRUPO 53 - DADE 8 de septiembre de 005 Prof. Rafael de Arce NOMBRE: DNI: PARTE I.- TEST 1. La hipótesis de rango pleno en el MBRL supone: Que las variables explicativas no tengan ninguna
Más 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 detalles(5 x 3) ( 3 x 5) ( 5 x 1) b1 335, ,3-26, ,59 b2 = 0, , ,8 12,85 = 2,94 b3-26,79 13,8 2, ,31
VENTAS PUBLIC. PRECIOS 1990 0, 0, 10 1991 1 0, 1992 2 0,8 199, 0,8 199 1, Y X U 0, 1 0, 10 U1 Modelo matricial con término constante 1 1 0, U2 (el vector de unos recoge ese término constante) 2 1 0,8 U,
Más detallesConceptos básicos de inferencia estadística (IV): Inferencia no paramétrica: Contrastes de aleatoriedad.
Conceptos básicos de inferencia estadística (IV): Inferencia no paramétrica: Contrastes de aleatoriedad. Tema 1 (IV) Estadística 2 Curso 08/09 Tema 1 (IV) (Estadística 2) Contrastes de aleatoriedad Curso
Más detallesErrores de especificación. Series simuladas
Estimación modelo correcto Dependent Variable: Y Date: 05/13/02 Time: 17:07 Sample: 2 100 Included observations: 99 Errores de especificación. Series simuladas C 5.376164 0.253524 21.20578 0.0000 X1 0.954713
Más 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 detallesECONOMETRÍA II PRÁCTICAS DE ORDENADOR. Práctica 3
ECONOMETRÍA II PRÁCTICAS DE ORDENADOR Práctica 3 Considere la ecuación de inversión RINV t = β 1 +β 2 RPIB t +β 3 r t +u t donde RINV es la inversión real privada, RPIB es el PIB real y r es el tipo de
Más detallesINTERPRETACIÓN DE LA REGRESIÓN. Interpretación de la regresión
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 = 570 ---------+------------------------------
Más detallesINTRODUCCION AL ECONOMETRIC VIEWS. Aquí se introduce la frecuencia y las fechas de comienzo y final de los datos.
INTRODUCCION AL ECONOMETRIC VIEWS Introducción de datos 1. Creando una hoja de trabajo (workfile) File New Workfile Aquí se introduce la frecuencia y las fechas de comienzo y final de los datos. 2. Importación
Más 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 detallesUNIVERSIDAD NACIONAL DE TRUJILLO ESCUELA PROFESIONAL DE ECONOMÍA APUNTES DE CLASE ECUACIONES SIMULTÁNEAS: EJERCICIO 19.
UNIVERSIDAD NACIONAL DE TRUJILLO ESCUELA PROFESIONAL DE ECONOMÍA APUNTES DE CLASE ECUACIONES SIMULTÁNEAS: EJERCICIO 19.15 ECONOMETRÍA 2 Econometría.weebly.com Wilhem.weebly.com Ejercicio 19.15 Considérese
Más detallesLa no normalidad de las perturbaciones
La no normalidad de las perturbaciones Normalidad Curva normal Area Curva normal Cola de probabilidad Nivel de significación Area Valor crítico Valor muestral del estadístico Introducción Concepto, efectos
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 detallesEconometría II Grado en finanzas y contabilidad
Econometría II Grado en finanzas y contabilidad Variables aleatorias y procesos estocásticos. La FAC y el correlograma Profesora: Dolores García Martos E-mail:mdgmarto@est-econ.uc3m.es Este documento es
Más detallesTema 10: Introducción a los problemas de Asociación y Correlación
Tema 10: Introducción a los problemas de Asociación y Correlación Estadística 4 o Curso Licenciatura en Ciencias Ambientales Licenciatura en Ciencias Ambientales (4 o Curso) Tema 10: Asociación y Correlación
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 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 detallesRegresión con heterocedasticidad y autocorrelación
Regresión con heterocedasticidad y autocorrelación Tema 6 Regresión con heterocedasticidad La heterocedasticidad significa que var( i ) cte Es la norma, no la excepción, en especial con datos transversales
Más 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 detallesEjemplo 7.1. Heterocedasticidad. Pilar González y Susan Orbe. Dpto. Economía Aplicada III (Econometría y Estadística)
Ejemplo 7.1 Heterocedasticidad Pilar González y Susan Orbe Dpto. Economía Aplicada III (Econometría y Estadística) Pilar González y Susan Orbe OCW 2013 Ejemplo 7.1. Heterocedásticidad 1 / 22 Enunciado.
Más 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 múltiple. Demostraciones. Elisa Mª Molanes López
Regresión múltiple Demostraciones Elisa Mª Molanes López El modelo de regresión múltiple El modelo que se plantea en regresión múltiple es el siguiente: y i = β 0 + β 1 x 1i + β 2 x 2i +...+ β k x ki +
Más detallesESTADISTICA II. INGENIERIA INFORMATICA, 3 ER Curso
ESTADISTICA II INGENIERIA INFORMATICA, 3 ER Curso 22 - Diciembre - 2.006 Primera Parte - Test Apellidos y Nombre:... D.N.I. :... Nota : En la realización de este examen sólo esta permitido utilizar calculadoras
Más detallesTema 2. Heterocedasticidad. 1 El modelo de regresión lineal con errores heterocedásticos
ema 2. Heterocedasticidad. El modelo de regresión lineal con errores heterocedásticos En este tema vamos a analizar el modelo de regresión lineal Y t = X tβ + u t, donde X t = (X t, X 2t,.., X kt y β =
Más detallesEconometría de Económicas Ejercicios para el tema 2 y 3
Econometría de Económicas Ejercicios para el tema 2 y 3 Curso 2005-2006 Profesores Amparo Sancho Perez Guadalupe Serrano Pedro Perez 1 1- Los datos que se adjuntan hacen referencia a los datos de producción
Más 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 detallesMínimos Cuadrados Generalizados
Mínimos Cuadrados Generalizados Román Salmerón Gómez Los dos últimos temas de la asignatura han estado enfocados en estudiar por separado la relajación de las hipótesis de que las perturbaciones estén
Más detallesMÍNIMOS CUADRADOS GENERALIZADOS
Métodos Estadísticos para Economía y Gestión (IN540-2) Otoño 2008 - Semestre I, Parte II Universidad de Chile Departamento de Ingeniería Industrial Profesor: Mattia Makovec (mmakovec@dii.uchile.cl) Auxiliar:
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 8: Regresión y Correlación
Tema 8: Regresión y Correlación Estadística. 4 o Curso. Licenciatura en Ciencias Ambientales Licenciatura en Ciencias Ambientales (4 o Curso) Tema 8: Regresión y Correlación Curso 2008-2009 1 / 12 Índice
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 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 detallesINTRODUCCIÓN A REGRESIÓN LINEAL. Simple y Múltiple
1 INTRODUCCIÓN A REGRESIÓN LINEAL Simple y Múltiple 2 Introducción Aprendizaje Supervisado Predicción: estimar una función f(x) de forma que y = f(x) Donde Y puede ser: Número real: Regresión Categorías:
Más detallesCUESTIONES Y PROBLEMAS DE DISTRIBUCIONES DE FRECUENCIAS BIDIMENSIONALES PROPUESTOS EN EXÁMENES
TUTORÍA DE INTRODUCCIÓN A LA ESTADÍSTICA (º A.D.E.) CUESTIONES Y PROBLEMAS DE DISTRIBUCIONES DE FRECUENCIAS BIDIMENSIONALES PROPUESTOS EN EXÁMENES 1º) Qué ocurre cuando r = 1: a) Los valores teóricos no
Más detallesTODO ECONOMETRIA TEMA 1: MODELO BASICO DE REGRESIÓN LINEAL MULTIPLE (MBRL)
TODO ECONOMETRIA TEMA 1: MODELO BASICO DE REGRESIÓN LINEAL MULTIPLE (MBRL) NOTA IMPORTANTE - Estas notas son complementarias a las notas de clase del primer semestre correspondientes a los temas de Regresión
Más detallesDiagnosis en el modelo de regresión lineal normal
Diagnosis en el modelo de regresión lineal normal Log L (θ ) θ 0 θ θ Log L (θ ) Log L B (θ 0 ) Elementos de diagnosis, interpretación y análisis Log L (θ A 0 ) Α Β Justificación del tema Hasta ahora hemos
Más detallesUniversidad de Chile DIPLOMA PREPARACIÓN Y EVALUACIÓN SOCIAL DE PROYECTOS Prof: Sara Arancibia
Universidad de Chile DIPLOMA PREPARACIÓN Y EVALUACIÓN SOCIAL DE PROYECTOS Prof: Sara Arancibia Estudio de Caso: Estudio Morfología Coeficiente de Correlación Considere el archivo Estudio Morfología.sav.
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 detallesTema 13: Contrastes No Paramétricos
Tema 13: Contrastes No Paramétricos Presentación y Objetivos. La validez de los métodos paramétricos depende de la validez de las suposiciones que se hacen sobre la naturaleza de los datos recogidos. La
Más detallesIntroducción a la Econometría Capítulo 4
Introducción a la Econometría Capítulo 4 Ezequiel Uriel Jiménez Universidad de Valencia Valencia, Septiembre de 2013 4.1 El contraste de hipótesis: una panorámica 4.2 Contraste de hipótesis utilizando
Más 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 detallesREGRESIÓN LINEAL SIMPLE
REGRESIÓN LINEAL SIMPLE 1. El problema de la regresión lineal simple. Método de mínimos cuadrados 3. Coeficiente de regresión 4. Coeficiente de correlación lineal 5. El contraste de regresión 6. Inferencias
Más detallesÍndice General de Ventas en Grandes Almacenes y su logaritmo
En los gráficos y cuadros que se presentan en las páginas siguientes se presentan resultados relativos a la variable Índice General de Ventas en grandes superficies en España con periodicidad mensual desde
Más 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 detallesMínimos Cuadrados Generalizados
Tema 2 Mínimos Cuadrados Generalizados 2.1. Modelo de regresión con perturbaciones no esféricas En el tema de Mínimos Cuadrados Generalizados vamos a relajar dos de las hipótesis básicas sobre la perturbación.
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 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 detallesTercera práctica de REGRESIÓN.
Tercera práctica de REGRESIÓN. DATOS: fichero practica regresión 3.sf3 1. Objetivo: El objetivo de esta práctica es aplicar el modelo de regresión con más de una variable explicativa. Es decir regresión
Más detallesTUTORIAL PARA LA ESTIMACIÓN DE UN MODELO CON PRESENCIA DE AUTOCORRELACIÓN EN EASYREG. Julio César Alonso C.
TUTORIAL PARA LA ESTIMACIÓN DE UN MODELO CON PRESENCIA DE AUTOCORRELACIÓN EN EASYREG Julio César Alonso C. No. 16 Septiembre de 2008 APUNTES DE ECONOMÍA ISSN 1794-029X No. 16, Septiembre de 2008 Editor
Más detallesSéptima Entrega. New Workfile Daily (5 days week) 1:1:1991 a 2:16:1998. File Import Read Text Lotus Excel
Prácticas de la asignatura Series Temporales Séptima Entrega 1 Modelos de heterocedasticidad condicional A partir de la decada de los 80, muchos investigadores se han dedicado al estudio de modelos no
Más detallesPráctica 3: Regresión simple con R
Estadística II Curso 2010/2011 Licenciatura en Matemáticas Práctica 3: Regresión simple con R 1. El fichero de datos Vamos a trabajar con el fichero salinity que se encuentra en el paquete boot. Para cargar
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 detallesUNIVERSIDAD NACIONAL DE TRUJILLO ESCUELA PROFESIONAL DE ECONOMÍA APUNTES DE CLASE
UNIVERSIDAD NACIONAL DE TRUJILLO ESCUELA PROFESIONAL DE ECONOMÍA APUNTES DE CLASE CAPÍTULO 8: ANÁLISIS DE REGRESIÓN MÚLTIPLE: EL PROBLEMA DE LA INFERENCIA ECONOMETRÍA 2 WILHEM ROOSVELT GUARDIA VÁSQUEZ
Más detallesEconomía Aplicada. Modelos con variables dependiente binarias. Departamento de Economía Universidad Carlos III de Madrid
Economía Aplicada Modelos con variables dependiente binarias Departamento de Economía Universidad Carlos III de Madrid Ver Stock y Watson (capítulo 11) 1 / 28 Modelos con variables dependiente binarias:
Más detallesPRÁCTICA 3. REGRESIÓN LINEAL SIMPLE CON SPSS Ajuste de un modelo de regresión lineal simple Porcentaje de variabilidad explicado
PÁCTICA 3. EGESIÓN LINEAL SIMPLE CON SPSS 3.1. Gráfico de dispersión 3.2. Ajuste de un modelo de regresión lineal simple 3.3. Porcentaje de variabilidad explicado 3.4 Es adecuado este modelo para ajustar
Más detallesTema 1. El Modelo de Regresión Lineal con Regresores Aleatorios.
ema El Modelo de Regresión Lineal con Regresores Aleatorios Introducción En este tema vamos a analizar las propiedades del modelo de regresión lineal con regresores aleatorios Suponer que los regresores
Más detallesGráfico 1: Evolución del exceso de rentabilidad de la empresa y de la cartera de mercado
Caso 1: Solución Apartado a) - 2 0 2 4 6 0 2 0 4 0 6 0 8 0 1 0 0 p e r i o d E x c e s s r e t u r n, c o m p a n y a e x c e s s r e t u r n m a r k e t p o r t f o l i o Gráfico 1: Evolución del exceso
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 detallesPrácticas Tema 5. Ampliaciones del Modelo lineal básico
Prácticas Tema 5. Ampliaciones del Modelo lineal básico Ana J. López y Rigoberto Pérez Dpto. Economía Aplicada, Universidad de Oviedo PRÁCTICA 5.1. Se ha examinado la evolución reciente de las ventas de
Más detallesCALIFICACION: - P C: precio medio de los productos sustitutivos existentes en el mercado en euros.
6 + 10 + 3 = 19 CALIFICACION: Ventasgdt Una empresa que produce una marca de detergente líquido desea contar con un modelo para planificar su producción, estimar las necesidades de materias primas y de
Más detallesANALISIS DE LA ESTATURA
ANALISIS DE LA ESTATURA OBJETIVO El objetivo de este trabajo es realizar un estudio de la de distintos individuos. DATOS Se realizan los distintos análisis de regresión simple, así como el análisis de
Más detallesDistribuciones Bidimensionales.
Distribuciones Bidimensionales. 1.- Variables Estadísticas Bidimensionales. Las variables estadísticas bidimensionales se representan por el par (X, Y) donde, X es una variable unidimensional, e Y es otra
Más detallesEconometría Universidad Carlos III de Madrid Soluciones Examen Final 27 de Mayo de 2013
Econometría Universidad Carlos III de Madrid Soluciones Examen Final 27 de Mayo de 2013 1. [6 puntos/sobre 10] Estamos interesados en estudiar el impacto del tamaño de la familia (número de hijos) en la
Más detallesModelos Econométricos Lección 4. Estimación de una sola ecuación entre variables cointegradas (con mecanismo de corrección del error)
Modelos Econométricos Lección 4. Estimación de una sola ecuación entre variables cointegradas (con mecanismo de corrección del error) Presentado por Juan Muro Motivación Para entender en profundidad la
Más detallesCointegración del Índice de Precios al Consumidor y Liquidez monetaria ( ). Venezuela.
Cointegración del Índice de Precios al Consumidor y Liquidez monetaria (1997-211). Venezuela. Informe Técnico. PC LC/FT. 2 de Octubre 212 Jhoner Perdomo Karen Tizado Resumen En la búsqueda de una variable
Más 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 detalles7. ANÁLISIS DE VARIABLES CUANTITATIVAS: REGRESIÓN LINEAL SIMPLE
ESCUELA UNIVERSITARIA DE ENFERMERIA DE TERUEL 1 er CURSO DE GRADO DE ENFERMERIA Estadística en Ciencias de la Salud 7. ANÁLISIS DE VARIABLES CUANTITATIVAS: REGRESIÓN LINEAL SIMPLE PROFESOR Dr. Santiago
Más detallesMÓDULO X. LA DINÁMICA DE LA ECONOMÍA MUNDIAL PROGRAMA OPERATIVO MATEMÁTICAS ECONOMETRÍA I. Profesor: Noé Becerra Rodríguez.
MÓDULO X. LA DINÁMICA DE LA ECONOMÍA MUNDIAL PROGRAMA OPERATIVO MATEMÁTICAS ECONOMETRÍA I Profesor: Noé Becerra Rodríguez Objetivo general: Introducir los aspectos fundamentales del proceso de construcción
Más detallesESTADÍSTICA. Tema 4 Regresión lineal simple
ESTADÍSTICA Grado en CC. de la Alimentación Tema 4 Regresión lineal simple Estadística (Alimentación). Profesora: Amparo Baíllo Tema 4: Regresión lineal simple 1 Estructura de este tema Planteamiento del
Más detallesTema 3.2: Modelo lineal general: inferencia y predicción. Universidad Complutense de Madrid 2013
Tema 3.2: Modelo lineal general: inferencia y predicción Universidad Complutense de Madrid 2013 Contraste de hipótesis paramétricas en el MLG (I) Necesitamos añadir a la lista de hipótesis del MLG, la
Más detallesEstadística II Examen final junio - 17/06/16 Curso 2015/16 Soluciones Duración del examen: 2 h. y 45 min.
Estadística II Examen final junio - 17/06/16 Curso 201/16 Soluciones Duración del examen: 2 h. y 4 min. 1. (3, puntos) La publicidad de un fondo de inversión afirma que la rentabilidad media anual del
Más detallesGuía del 1º Parcial. Econometría 4º curso. Licenciatura de Economía. USC ttp://www.usc.es/economet/econometria.htm
Guía de estudio del 1º Parcial. Econometría 4º Curso, Licenciatura de Economía. USC. 22-2-2013. Profesoras María del Carmen Guisán Seijas y Pilar Expósito Díaz. Bibliografía básica: Guisán, M.C. (1997)
Más detallesTEMA 3: Contrastes de Hipótesis en el MRL
TEMA 3: Contrastes de Hipótesis en el MRL Econometría I M. Angeles Carnero Departamento de Fundamentos del Análisis Económico Curso 2011-12 Econometría I (UA) Tema 3: Contrastes de Hipótesis Curso 2011-12
Más detallesModelo de regresión lineal clásico
Modelo de regresión lineal clásico Lugar para texto Modelo Suposiciones Estimadores MCO Propiedades Interpretación 2 Ejemplo Salarios-Productividad Ejemplo SP: La Tabla presenta información sobre Y, el
Más detallesFebrero 2016 Ing. Rubén Darío Estrella, MBA Cavaliere dell ordine al Merito della Repubblica Italiana (2003) Ingeniero de Sistemas (UNIBE 1993), Administrador (PUCMM 2000), Matemático (PUCMM 2007), Teólogo
Más detallesEfecto de la cercanía a las estaciones de Subte y valor de la propiedad residencial en Buenos Aires
> Año 10 / Número 101 / Marzo 2011 Economía de las ciudades Efecto de la cercanía a las estaciones de Subte y valor de la propiedad residencial en Buenos Aires Un estudio según el modelo de valuación hedónico
Más detallesParte de las notas tomadas de: Prof. Edgar Acuña UNIVERSIDAD DE PUERTO RICO RECINTO UNIVERSITARIO DE MAYAGUEZ
Estadística stica No Paramétrica Parte de las notas tomadas de: Prof. Edgar Acuña http://math.uprm math.uprm/edu/~edgar UNIVERSIDAD DE PUERTO RICO RECINTO UNIVERSITARIO DE MAYAGUEZ METODOS ESTADISTICOS
Más detallesCurso de Predicción Económica y Empresarial Edición 2004
Curso de Predicción Económica y Empresarial www.uam.es/predysim Edición 2004 UNIDAD 3: MODELOS ARIMA La identificación del modelo a partir de la fac y facp Tal y como se ha señalado, para identificar el
Más detallesEstructura de este tema. Tema 4 Regresión lineal simple. Ejemplo: consumo de vino y dolencias cardíacas. Frecuencias
Estructura de este tema Tema 4 Regresión lineal simple José R. Berrendero Departamento de Matemáticas Universidad utónoma de Madrid Planteamiento del problema. Ejemplos Recta de regresión de mínimos cuadrados
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 detallesEJEMPLO DE APLICACIÓN DE MODELIZACIÓN ARIMA A LA SERIE DE COTIZACIONES DIARIAS DE TERRA - LYCOS NOVIEMBRE 1999 A JUNIO 2001
EJEMPLO DE APLICACIÓN DE MODELIZACIÓN ARIMA A LA SERIE DE COTIZACIONES DIARIAS DE TERRA - LYCOS NOVIEMBRE 1999 A JUNIO 2001 CURSO DE TÉCNICAS DE PREVISIÓN DE VARIABLES FINANCIERAS PROGRAMA CITIUS Junio
Más detallesGUIÓN TEMA 2. PROPIEDADES DE LOS ESTIMADORES MCO 2.1 PROPIEDADES ESTADÍSTICAS DEL ES- TIMADOR MCO DE.
ECONOMETRIA I. Departamento de Fundamentos del Análisis Económico Universidad de Alicante. Curso 011/1 GUIÓN TEMA. PROPIEDADES DE LOS ESTIMADORES MCO Bibliografía apartados.1,. y.3: Greene, 6.6.1, 6.6.3
Más detallesEstadística para el análisis de los Mercados S3_A1.1_LECV1. Estadística Descriptiva Bivariada
Estadística Descriptiva Bivariada En el aspecto conceptual, este estudio puede ser generalizado fácilmente para el caso de la información conjunta de L variables aunque las notaciones pueden resultar complicadas
Más detallesEjercicio Heterocedasticidad_2
Ejercicio heterocedasticidad 2. 1 Ejercicio Heterocedasticidad_2 Tengamos los siguientes datos de los beneficios (B i ) y ventas (V i ) de 20 empresas: obs B V 1 13,2 61 2 15 78 3 22,2 158 4 15,2 110 5
Más detallesEconometría dinámica y financiera
Econometría dinámica y financiera Introducción a la econometría financiera. Modelos ARCH Profesora: Dolores García Martos E-mail:mdgmarto@est-econ.uc3m.es Introducción Los modelos que hemos visto son lineales
Más detallesEstimación por intervalos de la media poblacional con desviación estándar desconocida
ESTIMACIÓN POR INTERVALO Ya estudiamos cómo estimar intervalos de confianza cuando la desviación estándar poblacional es conocida. En ese caso usamos una estimación de la desviación estándar poblacional
Más detallesCONTRASTES DE HIPÓTESES
CONTRASTES DE IPÓTESES 1. Contraste de hipótesis 2. Contrastes de tipo paramétrico 2.1 Contraste T para una muestra 2.2 Contraste T para dos muestras independientes 2.3 Análisis de la varianza 3. Contrastes
Más detallesSe permite un folio escrito por las dos caras. Cada problema se realiza en hojas diferentes y se entregan por separado.
NORMAS El examen consta de dos partes: 0.0.1. Diez Cuestiones: ( tiempo: 60 minutos) No se permite ningún tipo de material (libros, apuntes, calculadoras,...). No se permite abandonar el aula una vez repartido
Más detallesEstadística y sus aplicaciones en Ciencias Sociales 6. Prueba de hipótesis. Facultad de Ciencias Sociales, UdelaR
Estadística y sus aplicaciones en Ciencias Sociales 6. Prueba de hipótesis Facultad de Ciencias Sociales, UdelaR Índice 1. Introducción: hipótesis estadística, tipos de hipótesis, prueba de hipótesis 2.
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 detallesAgro 6998 Conferencia 2. Introducción a los modelos estadísticos mixtos
Agro 6998 Conferencia Introducción a los modelos estadísticos mixtos Los modelos estadísticos permiten modelar la respuesta de un estudio experimental u observacional en función de factores (tratamientos,
Más detallesCONTRASTE SOBRE UN COEFICIENTE DE LA REGRESIÓN
Modelo: Y =! 1 +! 2 X + u Hipótesis nula: Hipótesis alternativa H 1 :!!! 2 2 Ejemplo de modelo: p =! 1 +! 2 w + u Hipótesis nula: Hipótesis alternativa: H :!! 1 2 1. Como ilustración, consideremos un modelo
Más detallesSOLUCIÓN DE LA PRIMERA PRÁCTICA CALIFICADA DE ECONOMETRIA I
UNIVERSIDAD NACIONAL DE PIURA FACULTAD DE ECONOMIA SOLUCIÓN DE LA PRIMERA PRÁCTICA CALIFICADA DE ECONOMETRIA I 1º El investigador especifica el modelo siguiente: (7 puntos) M1(t) = a + b P(t) + c(0) PBI(t)
Más detallesProcesos autorregresivos
Capítulo 3 Procesos autorregresivos Los procesos autorregresivos deben su nombre a la regresión y son los primeros procesos estacionarios que se estudiaron. Proceso autorregresivo: Un proceso autorregresivo
Más detallesEjemplos de estudios de series de tiempo
1 Ejemplos de estudios de series de tiempo Ejemplo 1 Pasajeros Aerolíneas Internacionales (PAI) Este estudio está realizado sobre un famoso conjunto de datos mensuales, el número de pasajeros de aerolíneas
Más detallesCaso particular: Contraste de homocedasticidad
36 Bioestadística: Métodos y Aplicaciones 9.5.5. Caso particular: Contraste de homocedasticidad En la práctica un contraste de gran interés es el de la homocedasticidad o igualdad de varianzas. Decimos
Más detallesObligatoria Optativa Extracurricular Curso Seminario Taller. Clave seriación 45 Laboratorio. Horas prácticas de campo
Carta descriptiva Datos de identificación Programa Nombre de la asignatura Tipo de Asignatura Maestría en Economía Aplicada Econometría I Ciclo Primer semestre Obligatoria Optativa Extracurricular Curso
Más detalles