Modelos de Variable Dependiente Limitada. Econometría Aplicada UCEMA Daniel Lema
|
|
- Roberto Castilla Vargas
- hace 7 años
- Vistas:
Transcripción
1 Modelos de Variable Dependiente Limitada Econometría Aplicada UCEMA Daniel Lema
2 Modelos de Variable Dependiente Limitada Censura y muestras seleccionadas Modelos de regresión censurados Modelos para muestras seleccionadas
3 Censura y Muestras Seleccionadas Cuando se analizan datos microeconómicos no resulta infrecuente descubrir que la variable dependiente se encuentra de alguna forma limitada, en el sentido de que solo es observada plenamente en una parte de su rango (censura) o solo es observada para una parte de la población (truncamiento o muestras seleccionadas). En estos casos se rompe una de las hipótesis básicas del modelo de regresión clásico: el empleo de una muestra aleatoria representativa de la población de interés En consecuencia, el estimador OLS es inconsistente y resulta necesario recurrir a métodos de estimación alternativos (2SLS, ML, aproximaciones semiparametricas).
4 Ejemplos Tanto la censura como las muestras seleccionadas provocan que algunos datos no estén disponibles para algunas unidades de la muestra. Sin embargo, el origen de esta ausencia es muy diferente. La censura aparece debido a la no observabilidad de la variable dependiente en una parte de los valores en los que esta está definida (por ejemplo, por secreto estadístico). Por lo tanto, si el muestreo se ha realizado correctamente, la muestra sería representativa de la población. Además, la información relativa a las explicativas será, en general, completa. En cambio, cuando existe selección o truncamiento la muestra analizada procede de un subconjunto de la población de interés, por lo que en general no será representativa de la población. No obstante, en general se dispondrá de información relativa a todas las variables del modelo.
5 Muestras truncadas En el caso de selección o truncamiento la muestra es un subconjunto de la población. Sólo algunos valores se incluyen en la muestra. Faltan los valores de la variable de respuesta y de las explicativas. Por ejemplo una muestra de características de individuos con estudios secundarios. La encuesta se generó mediante entrevistas a individuos que completaron el secundario. Esto es una muestra truncada con respecto a la población. Los individuos excluidos no tendrán seguramente las mismas características que los incluidos.
6 Esto implica truncar la distribución de una variable aleatoria El valor esperado se aleja del punto de truncamiento y la variancia se reduce En el ejemplo el nivel medio de educación será mayor que en la población y la variancia será menor. No es posible usar esta muestra para hacer inferencia sobre la población Aunque pareciera que es posible hacer inferencia sobre la subpoblación, tampoco es posible esto. Una regresión sobre la subpoblación genera coeficientes sesgados hacia cero o atenuados en la medida que la variancia del termino de error está sesgada hacia abajo.
7 Muestras censuradas En el caso de una variable censurada la variable de respuesta está fija en un valor arbitrario cuando la variable está más allá del punto de censura. En el caso de truncamiento no se observa ni la variable dependiente ni las explicativas para los individuos cuya yi está en la región de truncamiento. Cuando los datos son censurados no se observa los valores de la variable dependiente, pero se observan los de las variables explicativas. Un ejemplo es cuando hay una codificación tope, que ocurre cuando una variable que toma valores de x o más se registra como x (ej. Ingreso de la familia mas de x$) Otro es el consumo cero (solución de esquina).
8 Si analizamos el gasto en automóvil (y), por ejemplo, este será positivo para aquellos individuos de la muestra que efectivamente posean un auto y será nulo para el resto. Sin embargo, los determinantes del gasto (ingreso, situación familiar, etc.) serán, en general, observados tanto para los que tienen auto como para los que no lo tienen. Así, la correspondiente regresión censurada podría escribirse como: La censura no solo es común en estudios de demanda de bienes sino también en estudios de demanda con restricciones de capacidad (billetes de avión, entradas para un concierto, etc.).
9 En este caso el problema tiene tres elementos: la demanda potencial del bien (y* i ), el nivel de capacidad (y 0 ) y la demanda real o consumo efectivo (y i ), siendo y i = y* i si y i < y 0,,, e y i = y 0 en caso contrario. La regresión sobre la variable latente podría escribirse como:
10 Los mecanismos de selección pueden tener que ver con el diseño de la muestra (muestreo estratificado, sobremuestreo ), Los casos mas comunes son aquellos en los que el muestreo se realiza dependiendo de los valores de la variable dependiente ( muestreo endógeno, también conocido como truncamiento o muestreo basado en la respuesta si la variable es continua y muestreo basado en la elección si es discreta) O en función del comportamiento de los individuos respecto a otra variable dependiente ( truncamiento incidental, auto-seleccion o selección muestral ).
11 Ejemplo Supongamos que estamos interesados en analizar los determinantes de los ingresos (y) a partir de la siguiente relación funcional : y = f (educación, edad, experiencia,...). Disponemos de una muestra de individuos cuyos ingresos son inferiores a un determinado umbral c Esto significa que la variable dependiente esta truncada por arriba y las observaciones por encima del umbral no están incluidas en nuestra muestra.
12 En particular, si tomamos como principal deteminante de los ingresos los años de educación (x), la ecuación de regresión será: Dado que sólo observamos y i cuando y i c
13 Entonces el término de error: En consecuencia la esperanza del término de error es: Los residuos estarán correlacionados con la variable explicativa y los estimadores MCO serán inconsistentes.
14 Dado que en el ejemplo es esperable que el β sea positivo y que la esperanza del término de error decrezca con x i, entonces el estimador MCO estará sesgado hacia abajo Esto implica subvaluar el efecto de la educación sobre los ingresos
15 Alternativamente, la selección de la muestra puede venir gobernada por el comportamiento de una variable ajena al modelo de interés. Un ejemplo clásico es el de la ecuación de oferta salarial femenina (Heckman 1974): si tomamos una muestra aleatoria de mujeres, el salario (w i ) solo es observable para aquellas que estan en el mercado laboral. Por lo tanto, la participación en el mercado laboral (z i ) es la que determina que el salario (no) sea observable. Esto supone que el modelo consta en realidad de dos ecuaciones:
16 Una ecuación de selección o participación (por ejemplo, un modelo probit): Una ecuación de interés principal (por ej. Modelo lineal clásico) En la que se observa w i sólo si z i *>0
17 Estimación El problema de la estimación por MCO Estimación por MV (ML)
18 Funciones de densidad Normales con Censura o Truncamiento
19
20 La censura rompe la evolución natural de la distribución, uniéndola de forma brusca con el eje de abscisas en el punto de censura. Por su parte, el truncamiento implica la no observación de las colas de la distribución (desde el punto de truncamiento). Los gráficos sugieren que el empleo de MCO para estimar relaciones censuradas es tan poco recomendable como el hacerlo para relaciones truncadas. Los estimadores MCO son inconsistentes Si la dependiente y las explicativas siguen una distribución Normal conjunta y la censura se produce por la izquierda en cero, el estimador MCO de las pendientes converge hacia el verdadero valor de las mismas multiplicado por la fracción de la muestra con valores positivos en la dependiente. Por su parte, para condiciones análogas en el contexto de truncamiento, la convergencia se produce en un factor entre 0 y 1 (Goldberger).
21 Estimación MV Sea y el valor incompletamente observado de la variable latente y* con regla de observación y = g (y*). Esto significa que si la censura se produce por la izquierda en el valor c, la función g() vendrá definida por:
22 De la misma forma, si la variable sufre de truncamiento por la izquierda en el valor c, entonces: y = y* si y* > c Obviamente, las expresiones son extensibles al caso en el que la censura o el truncamiento se producen por la derecha o por la derecha y la izquierda. Por simplicidad nos concentramos en los casos de censura y truncamiento por la izquierda.
23 Censura por la izquierda Si y > c, la densidad de probabilidad de y es igual que la de y*, por lo que f (y x) = f* (y x). Si y = c, la densidad de probabilidad de y corresponde a la de una variable discreta con masa probabilıstica equivalente a la probabilidad de observar y* c. Sea F (c x) la correspondiente función de distribución. Combinando estos resultados, la función de densidad se define como una mezcla (mixture) de una distribución continua y una discreta:
24 Es mas útil definir esta función en términos de la siguiente variable indicador : La función de densidad de y puede reescribirse como:
25 Entonces el logaritmo de la función de verosimilitud es: Donde θ es el vector de parámetros de interés.
26 Truncamiento por la izquierda En presencia de truncamiento en la variable dependiente el par (yi, x) solo es observable cuando y > c, por lo que para obtener la distribución de probabilidad de la variable aleatoria truncada es necesario normalizar la función de distribución para que la probabilidad total sea igual a 1.
27 La nueva función de densidad es: Y la función de verosimilitud: -
28 Modelos de Regresión Censurados Los modelos de regresión censurados se emplean en contextos en los que la variable dependiente es (parcialmente) continua pero presenta un punto (o varios) con masa probabilıstica positiva. No obstante, dentro de esta categorización encontramos dos tipos de problemáticas diferentes. Por un lado, situaciones en las que la estructura de la variable dependiente (y) viene generada por una problema de observabilidad ( Modelo Tobit ). En este tipo de situaciones la variable latente (y) tiene pleno sentido económico y el interés, consecuentemente, se centra en la regresión poblacional E (y x).
29 Por otro lado, situaciones en las que la estructura de la variable dependiente viene generada por la solución (esquina) a un problema de optimización o la combinación de dos procesos estocásticos (Modelos con soluciones esquina o dos partes ). En este tipo de situaciones el interés se centra en la distribución de y dado x, particularmente a partir del análisis de E (y x) y Pr (y = 0 x).
30 Modelo Tobit En un estudio sobre los gastos en consumo de un bien duradero (automóviles) Tobin observo que a una familia que no hubiera adquirido un coche se le asignaría una demanda nula de ese bien, cuando en realidad lo que estaría ocurriendo es que su decisión de gasto, aunque positiva, estaría por debajo del gasto mínimo necesario para adquirir el bien. Tobin propuso entonce modelizar este tipo de situaciones empleando la siguiente especificación:
31 Supuestos del modelo Linealidad Normalidad-Homoscedasticidad
32 Linealidad La regla de observabilidad de los modelos censurados establece que y es observable si y* > c. Dado el supuesto de linealidad, la anterior desigualdad se puede expresar de manera equivalente como: Solo la diferencia β c esta identificada. La constante del modelo solo esta identificada si el umbral de censura es cero (c = 0)
33 Normalidad y Homoscedasticidad Estos supuestos facilitan la derivación del logaritmo de la función de verosimilitud Permiten definir:
34 Entonces: Por otro lado, los supuestos de Normalidad y homoscedasticidad permiten derivar una expresión para E (y x).
35 La esperanza es: Bajo los supuestos enunciados:
36 En consecuencia: Donde Es la inversa del ratio de Mills (o hazard función) evaluada en xβ/σ
37 La expresión (no lineal) obtenida para E (y x) sugiere que, dada la naturaleza mixta de la distribución, el estimador MCO no resultara apropiado para el modelo Tobit. que ocurriría si en lugar de intentar estimar β partir de E (y x) lo hiciéramos a partir de E (y x,y > 0)? La regresión resultante sería mas sencilla, pero el problema en ese caso radicaría en la presencia de la inversa del ratio de Mills como variable explicativa.
38 El procedimiento de Heckman Heckman (1976) propuso estimar la inversa del ratio de Mills en una primera etapa empleando un modelo Probit. El procedimiento a seguir seria: Etapa 1. Estimación ML del modelo Con todas las observaciones de la muestra
39 Etapa 2: Estimación MCO del modelo Empleando las observaciones no censuradas.
40 Interpretación de coeficientes en el Modelo Tobit El efecto marginal que presenta el beta estimado es sobre la variable latente y*
41 El coeficiente estimado debe ajustarse para ser interpretado como efecto marginal sobre la variable y Un cambio en la variable explicativa x tiene dos efectos sobre E (y x): por un lado afecta a la media condicional de la variable dependiente en la parte positiva de la distribución y por otro lado afecta a la probabilidad de que la observación pertenezca a esa parte de la distribución
42 En el modelo Tobit: En general se evalúa para las variables explicativas en las medias muestrales
Variables Dependientes Limitadas
Variables Dependientes Limitadas Muestras Truncadas y Censuradas: revisión En algunos casos las variables dependientes pueden estar limitadas en su rango. Ejemplos típicos son las limitaciones por la forma
Más detallesTruncamiento y Selección
y Selección Microeconomía Cuantitativa R. Mora Departmento de Economía Universidad Carlos III de Madrid Esquema Introducción 1 Introducción 2 3 4 Tobit vs. Tobit: inversión en equipo q = x i i β + ε i
Más detallesEconometría III Examen. 29 de Marzo de 2012
Econometría III Examen. 29 de Marzo de 2012 El examen consta de 20 preguntas de respuesta múltiple. El tiempo máximo es 1:10 minutos. nota: no se pueden hacer preguntas durante el examen a no ser que sean
Más detallesSesión 7 - Modelos de variable censurada y truncada
Sesión 7 - Modelos de variable censurada y truncada Manuel Barrón 5 de Julio de 2010 1 Mecanismos de censura y truncamiento 1.1 Distribución truncada Una distribución truncada es una parte de una distribución
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 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 detallesEconometría Avanzada FLACSO 2014
Econometría Avanzada FLACSO 2014 Hemos cubierto: Mapa Planteamiento de una pregunta económica de interés Diferencias entre econometría y estadística Métodos: Lineales (MCO) revisión, variables instrumentales
Más detallesESCUELA SUPERIOR POLITECNICA DEL LITORAL
ESCUELA SUPERIOR POLITECNICA DEL LITORAL PRIMER TÉRMINO 2017 ECONOMETRÍA II EXAMEN FINAL Profesor: Gonzalo E. Sánchez Yo,, al firmar este compromiso, reconozco que el presente examen está diseñado para
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 detallesModelo de regresión múltiple: estimación, inferencia y predicción Concepto de econometría...
Capítulo1 Capítulo Modelo de regresión múltiple: estimación, inferencia y predicción... 1.1 Conceptos: Los datos en econometría """"""""""""""""""""'" 1.1.1 Concepto de econometría... 1.1. Estructuras
Más detalles5. Descripción teórica de los modelos econométricos. La naturaleza del estudio que esta tesis pretende realizar nos lleva a enfrentarnos
5. Descripción teórica de los modelos econométricos El problema de la auto-selección La naturaleza del estudio que esta tesis pretende realizar nos lleva a enfrentarnos inevitablemente a un problema de
Más detallesModelos para Variables Censuradas y Truncadas
Modelos para Variables Censuradas y Truncadas Javier Alejo Maestría en Economía UNLP Agosto 2017 Javier Alejo Econometría Avanzada 1 Temario de la clase 1 2 3 4 5..... Javier Alejo Econometría Avanzada
Más detallesEstadística para la Economía y la Gestión IN 3401 Clase 5
Estadística para la Economía y la Gestión IN 3401 Clase 5 Problemas con los Datos 9 de junio de 2010 1 Multicolinealidad Multicolinealidad Exacta y Multicolinealidad Aproximada Detección de Multicolinealidad
Más detallesUNIVERSIDAD NACIONAL MAYOR DE SAN MARCOS. Modelos Probit y Tobit aplicados al estudio de la oferta laboral de los trabajadores secundarios en el Perú
UNIVERSIDAD NACIONAL MAYOR DE SAN MARCOS FACULTAD DE CIENCIAS MATEMÁTICAS E.A.P. DE. ESTADÍSTICA Modelos Probit y Tobit aplicados al estudio de la oferta laboral de los trabajadores secundarios en el Perú
Más detallesSoluciones Examen Final de Econometría Universidad Carlos III de Madrid 26 de Mayo de 2015
Soluciones Examen Final de Econometría Universidad Carlos III de Madrid 26 de Mayo de 2015 Conteste todas las preguntas en dos horas y media. Pregunta 1 (33 puntos: Un investigador está considerando las
Más detallesMicroeconometría. Karoll GOMEZ Segundo semestre 2017
Microeconometría Karoll GOMEZ kgomezp@unal.edu.co http://karollgomez.wordpress.com Segundo semestre 2017 III. Modelos Censurados y Truncados Truncamiento y censura I Datos truncados y censurados: Observaciones
Más detallesÍndice Introducción Economía y Estadística Análisis de Regresión. Clase 1. Introducción a la Econometría. Profesor: Felipe Avilés Lucero
Clase 1 Introducción a la Econometría Profesor: Felipe Avilés Lucero 26 de mayo de 2010 1 Introducción 2 Economía y Estadística 3 Análisis de Regresión Función de Regresión Poblacional Función de Regresión
Más detallesESCUELA SUPERIOR POLITECNICA DEL LITORAL
ESCUELA SUPERIOR POLITECNICA DEL LITORAL PRIMER TÉRMINO 2017 ECONOMETRÍA II EXAMEN DE MEJORAMIENTO Profesor: Gonzalo E. Sánchez Yo,, al firmar este compromiso, reconozco que el presente examen está diseñado
Más detallesTEMA 5: Especificación y Predicción en el MRL
EMA 5: Especificación y Predicción en el MRL Econometría I M. Angeles Carnero Departamento de Fundamentos del Análisis Económico Curso 2011-12 Econometría I (UA) ema 5: Especificación y Predicción Curso
Más detallesAuxiliar 9. MNL y MLE. Daniel Olcay. 21 de octubre de 2014 IN4402. Daniel Olcay (IN4402) Auxiliar 9 21 de octubre de / 13
Auxiliar 9 MNL y MLE Daniel Olcay IN4402 21 de octubre de 2014 Daniel Olcay (IN4402) Auxiliar 9 21 de octubre de 2014 1 / 13 Índice Modelos no lineales Probabilidad lineal Probit Logit Máxima verosimilitud
Más detallesCapítulo 13. Modelos Logit y Probit Luis Quintana Romero y Miguel Ángel Mendoza González. Econometría Aplicada Utilizando R
Capítulo 13. Modelos Logit y Probit Luis Quintana Romero y Miguel Ángel Mendoza González La importancia de las variables categóricas En el análisis económico se utilizan variables categóricas, las cuales
Más detallesTEMA 2: Estimadores y distribuciones en el muestreo. Alfredo García Hiernaux. Grupos 69 y 73 Estadística I. Curso 2006/07
TEMA 2: Estimadores y distribuciones en el muestreo 1) Introducción 2) Tipos de muestreos 3) Estadísticos INDICE 4) Estimadores y propiedades 5) Distribución muestral 6) Teorema Central del Límite 7) Distribuciones
Más detallesTema 2: Introducción a la Inferencia Estadística
Tema 2: Introducción a la Inferencia Estadística 1.- En m.a.s. el estadístico varianza muestral es: a) Un estimador insesgado de la varianza poblacional. b) Un estimador insesgado de la media poblacional.
Más detallesAplicación de los modelos de regresión tobit en la modelización de variables epidemiológicas censuradas
Aplicación de los modelos de regresión tobit en la modelización de variables epidemiológicas censuradas Gaceta Sanitaria ;16():188-195. MªJosé Bleda 1, & Aurelio Tobías 1. Unidad de Investigación en Tuberculosis,
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 detallesLectura No. 8. Contextualización. Nombre: Métodos de Análisis ANÁLISIS FINANCIERO 1
Análisis financiero ANÁLISIS FINANCIERO 1 Lectura No. 8 Nombre: Métodos de Análisis Contextualización Uno de los mayores obstáculos que se presentan en el momento de desarrollar un modelo econométrico
Más detallesEstadística y sus aplicaciones en Ciencias Sociales 7. El modelo de regresión simple. Facultad de Ciencias Sociales - UdelaR
Estadística y sus aplicaciones en Ciencias Sociales 7. El modelo de regresión simple Facultad de Ciencias Sociales - UdelaR Índice 7.1 Introducción 7.2 Análisis de regresión 7.3 El Modelo de Regresión
Más detallesDiplomado en Econometría Coordinadora académica: M.F. Esperanza Sainz López
Diplomado en Econometría Coordinadora académica: M.F. Esperanza Sainz López Brindar al alumno los conocimientos de los métodos econométricos fundamentales y de los conceptos estadísticos que éstos requieren,
Más detallesECONOMETRÍA I. Tema 4: El Modelo de Regresión Lineal Múltiple: inferencia y validación
ECONOMETRÍA I Tema 4: El Modelo de Regresión Lineal Múltiple: inferencia y validación Patricia Moreno Juan Manuel Rodriguez Poo Alexandra Soberon Departamento de Economía Alexandra Soberon (UC) ECONOMETRÍA
Más detallesIntroducción a la Econometría
1Econometría Introducción a la Econometría -Que es la econometría - Por que una disciplina aparte? -Metodología de la econometría Planeamiento de la teoría o hipótesis Especificación del modelo matemático
Más detallesRegresión por Cuantiles
Regresión por Cuantiles Pablo Flores Universidad Iberoamericana paflores@bcie.org 22 de agosto de 2016 Pablo Flores (UNIBE) Short title 22 de agosto de 2016 1 / 1 Sumario Definición. Ejemplos Pablo Flores
Más detallesLectura No. 7. Contextualización. Nombre: Métodos de Análisis ANÁLISIS FINANCIERO 1
Análisis financiero ANÁLISIS FINANCIERO 1 Lectura No. 7 Nombre: Métodos de Análisis Contextualización Los diferentes métodos de análisis que se pueden utilizar para evaluar y, en su defecto, emitir un
Más detallesEconometria I. Tema 6: Modelos de Ecuaciones Simultáneas. Universidad Carlos III. Getafe, Madrid. November 2008
Econometria I Tema 6: Modelos de Ecuaciones Simultáneas Universidad Carlos III Getafe, Madrid November 2008 Julio Cáceres Delpiano (UC3M) Econometria I 10/07 1 / 20 Ecuaciones Simultáneas El método de
Más detallesDiplomado en Econometría Coordinadora académica: M.F. Esperanza Sainz López
Diplomado en Econometría Coordinadora académica: M.F. Esperanza Sainz López Brindar al alumno los conocimientos de los métodos econométricos fundamentales y de los conceptos estadísticos que éstos requieren,
Más detallesUNIVERSIDAD CARLOS III DE MADRID ECONOMETRÍA EXAMEN FINAL (Modelo A)
TIEMPO: 2 HORAS Instrucciones: UNIVERSIDAD CARLOS III DE MADRID ECONOMETRÍA EXAMEN FINAL (Modelo A) 1. Este un modelo de examen que le servirá para autoevaluarse de todos los contenidos del curso de Econometria
Más detallesCURSO ECONOMETRÍA AVANZADA MULTISOFTWARE
CURSO ECONOMETRÍA AVANZADA MULTISOFTWARE El objetivo de este curso es la presentación de las TÉCNICAS ECONOMÉTRICAS AVANZADAS, tanto clásicas como modernas, y su tratamiento con las herramientas más adecuadas
Más detallesProf. Angel Zambrano ENERO 2009 Universidad de Los Andes Escuela de Estadística
Prof. Angel Zambrano ENERO 009 Universidad de Los Andes Escuela de Estadística Muestreo: Es una metodología que apoyándose en la teoría estadística y de acuerdo a las características del estudio, indica
Más detallesCurso de nivelación Estadística y Matemática
Modelo de Curso de nivelación Estadística y Matemática Pruebas de hipótesis, y Modelos ARIMA Programa Técnico en Riesgo, 2017 Agenda Modelo de 1 2 Asociación Medidas de asociación para variables intervalo
Más detallesLa econometría : una mirada de pájaro
La econometría : una mirada de pájaro Contenido Objetivo Definición de Econometría Modelos determinista y estocástico Metodología de la econometría Propiedades de un modelo econométrico Supuestos de un
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 detallesEstimación del Probit Ordinal y del Logit Multinomial
Estimación del Probit Ordinal y del Logit Multinomial Microeconomía Cuantitativa R. Mora Departmento de Economía Universidad Carlos III de Madrid Esquema Introducción 1 Introducción 2 3 Introducción El
Más detallesLicenciatura en Economía UC3M Econometría III, 2005/06 ECONOMETRÍA III. Licenciatura en Economía Universidad Carlos III de Madrid
ECONOMETRÍA III Licenciatura en Economía Universidad Carlos III de Madrid Segundo Cuatrimestre 2005/06 Profesor: Vincenzo Andrietti Despacho: 11.2.26 e-mail: vandriet@eco.uc3m.es HorasdeOficina: Lunes-Martes,
Más detallesAnálisis financiero. Lectura No. 7 Métodos de Análisis
Análisis financiero Lectura No. 7 Métodos de Análisis Contextualización Los diferentes métodos de análisis que se pueden utilizar para evaluar y, en su defecto, emitir un diagnostico de una empresa cambian
Más detallesEJERCICIO T1 NOMBRE: Correctas Incorrectas En Blanco Puntos
ECONOMETRÍA EJERCICIO T1 APELLIDOS: NOMBRE: FIRMA: GRUPO: DNI: Pregunta 1 A B C En Blanco Pregunta A B C En Blanco Pregunta 3 A B C En Blanco Pregunta 4 A B C En Blanco Pregunta 5 A B C En Blanco Pregunta
Más detallesEconometria I. Tema 4: Problemas de Especi cación y los Datos. Universidad Carlos III. Getafe, Madrid. Octubre-November 2008
Econometria I Tema 4: Problemas de Especi cación y los Datos Universidad Carlos III Getafe, Madrid Octubre-November 2008 Julio Cáceres Delpiano (UC3M) Econometria I 10/08 1 / 30 Outline Mala especi cación
Más detallesTEMA 5. Modelos para Datos de Conteo
TEMA 5. Modelos para Datos de Conteo Profesor: Pedro Albarrán Pérez Universidad de Alicante. Curso 2010/2011. Contenido 1 Datos de Conteo 2 Regresión de Poisson 3 Extensiones Datos de Conteo Variable de
Más detallesEs recomendable que el alumno tenga conocimientos básicos de econometría, estadística y algebra lineal.
Introducción El curso de especialización presenta el desarrollo del software en sus tres niveles: Básico - Intermedio y Avanzado, partiendo de la estructuración de las bases de datos de la ENAHO, y trabajando
Más detallesEstimación Probit. Microeconomía Cuantitativa. R. Mora. Departmento de Economía Universidad Carlos III de Madrid
Probit Microeconomía Cuantitativa R. Mora Departmento de Economía Universidad Carlos III de Madrid R. Mora Probit Esquema El Modelo de Utilidad Aleatoria 1 El Modelo de Utilidad Aleatoria 2 3 R. Mora Probit
Más detallesMicroeconomía Cuantitativa. R. Mora
Microeconomía Cuantitativa R. Mora Department of Economics Universidad Carlos III de Madrid Esquema 1 Motivación: el modelo de participación laboral 2 3 La decisión Consumo-Ahorro Función de utilidad U
Más detallesGEOESTADÍSTICA APLICADA
UNIVERSIDAD NACIONAL AUTÓNOMA DE MÉXICO GEOESTADÍSTICA APLICADA Tema: Análisis Exploratorio de Datos Instructores: Dr. Martín A. Díaz Viera (mdiazv@imp.mx) Dr. Ricardo Casar González (rcasar@imp.mx) 2009
Más detallesEXAMEN FINAL DE ECONOMETRÍA SOLUCIONES Conteste cada pregunta en un cuadernillo diferente en dos horas y media
EXAMEN FINAL DE ECONOMETRÍA SOLUCIONES Conteste cada pregunta en un cuadernillo diferente en dos horas y media 1. Sean (Y; X; W ) tres variables aleatorias relacionadas por el siguiente modelo de regresión
Más detallesEconometría Universidad Carlos III de Madrid Examen Extraordinario 25 de Junio de Pr (N (0, 1) > 1, 282) = 0, 10
Econometría Universidad Carlos III de Madrid Examen Extraordinario 25 de Junio de 2014 Instrucciones para la realización del examen: Dispone de 2 horas y media para responder al examen La evaluación consta
Más detallesEl modelo de azar proporcional: la regresión de Cox
El modelo de azar proporcional: la regresión de Cox Alfonso Luis Palmer Pol y Jose Maria Losilla Vidal El Análisis de la Supervivencia (Palmer, 1988) engloba una variedad de técnicas estadísticas que permiten
Más detallesFORMATO MODALIDAD PRESENCIAL UNIVERSIDAD NACIONAL AUTÓNOMA DE MÉXICO FACULTAD DE ECONOMÍA. Plan de estudios
FORMATO MODALIDAD PRESENCIAL UNIVERSIDAD NACIONAL AUTÓNOMA DE MÉXICO FACULTAD DE ECONOMÍA Plan de estudios Clave Semestre Séptimo Créditos 7 Programa Econometría II Área Economía Campo de Economía Matemática
Más detallesModelos con variable dependiente limitada
Modelos con variable dependiente limitada Universidad Iberoamericana Diciembre 2014 Y es variable aleatoria, toma solo dos valores, uno o cero, asociada a la ocurrencia de un evento (1 ocurre, 0 si no).
Más detallesTEMA 3: PROPIEDADES DEL ESTIMADOR MCO
TEMA 3: PROPIEDADES DEL ESTIMADOR MCO S. Álvarez, A. Beyaert, M. Camacho, M. González, A. Quesada Departamento de Métodos Cuantitativos para la Economía y la Empresa Econometría (3º GADE) Lo que estudiaremos
Más detallesEXAMEN DE ECONOMETRÍA
EXAMEN DE ECONOMETRÍA UNIVERSIDAD CARLOS III DE MADRID CURSO 2015-1 Responda todas las preguntas en 2 horas y media. Valores críticos al final del examen. 1 A partir de una muestra aleatoria de compra-venta
Más detallesAnálisis de Estados Financieros
Análisis de Estados Financieros 1 Sesión No. 9 Nombre: Diagnóstico financiero. Primera parte. Contextualización Los diferentes métodos de análisis que se pueden utilizar para evaluar y en su defecto emitir
Más detallesModelos elección discreta y variable dependiente limitada
Modelos elección discreta y variable dependiente limitada Profesor: Graciela Sanroman Facultad de Ciencias Económicas y Administración Año 2010 Modelos multinomiales Los modelos multinomiales son aquellos
Más detallesUNIVERSIDAD CARLOS III DE MADRID ECONOMETRÍA EXAMEN FINAL (Modelo C)
UNIVERSIDAD CARLOS III DE MADRID ECONOMETRÍA EXAMEN FINAL (Modelo C) DURACION: 2 HORAS Y 15 MINUTOS Instrucciones: 1. Este un modelo de examen que le servirá para autoevaluarse de todos los contenidos
Más detallesPrograma Oficial de Asignatura. Ficha Técnica. Presentación. Competencias y/o resultados del aprendizaje. Econometría
Ficha Técnica Titulación: Grado en Administración y Dirección de Empresas Plan BOE: BOE número 67 de 19 de marzo de 2014 Asignatura: Módulo: Análisis Económico Curso: Créditos ECTS: 6 Tipo de asignatura:
Más detallesECONOMETRÍA I Convocatoria Extraordinaria 22 de Septiembre de 2007
SOLUCIONES EXAMEN Tipo 1 ECONOMETRÍA I Convocatoria Extraordinaria 22 de Septiembre de 2007 1.D 2.C 3.B 4.D 5.B 6.A 7.C 8.B 9.A 10.A 11.A 12.A 13.C 14.C 15.D 16.D 17.A 18.A 19.B 20.C 21.D 22.C 23.D 24.C
Más detallesTema 1. Introducción: el modelo econométrico
1. Introducción. a. Qué es la econometría? b. Metodología en Econometría Gujarati, Econometría (2004) páginas 1 a 11 c. Terminología y notación d. Clasificación de los modelos econométricos 1 1. Introducción
Más detallesGrado en Finanzas y Contabilidad
Econometría Grado en Finanzas y Contabilidad Apuntes basados en el libro Introduction to Econometrics: A modern Approach de Wooldridge 3.1 Colinealidad Exacta 3.2 Los efectos de la multicolinealidad Del
Más detallesUniversidad de la República, Facultad de Ciencias Económicas y Administración.
Universidad de la República, Facultad de Ciencias Económicas y Administración. ECONOMETRIA II- CURSO 2010 Practica 5 MODELOS DE VARIABLE DEPENDIENTE TRUNCADA CENSURADA, MODELOS DE SELECTIVIDAD, MODELOS
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 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 detallesEstadística Inferencial. Sesión No. 9 Regresión y correlación lineal
Estadística Inferencial Sesión No. 9 Regresión y correlación lineal Contextualización En la administración, las decisiones suelen basarse en la relación entre dos o más variables. En esta sesión se estudia
Más detallesPROGRAMA DE CURSO. Código Nombre MA3403 Probabilidades y Estadística Nombre en Inglés Probability and Statistics SCT
PROGRAMA DE CURSO Código Nombre MA3403 Probabilidades y Estadística Nombre en Inglés Probability and Statistics SCT Unidades Horas de Horas Docencia Horas de Trabajo Docentes Cátedra Auxiliar Personal
Más detallesTEMA 10 Correlación y regresión. El modelo de regresión simple
TEMA 10 Correlación y regresión. El modelo de regresión simple Karl Pearson (1857-1936) 1. Introducción. Modelos matemáticos 2. Métodos numéricos. Resolución de sistemas lineales y ecuaciones no lineales
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 detallesEJERCICIO T2 NOMBRE: Correctas Incorrectas En Blanco Puntos
ECONOMETRÍA EJERCICIO T APELLIDOS: NOMBRE: FIRMA: GRUPO: DNI: Pregunta A B C En Blanco Pregunta A B C En Blanco Pregunta 3 A B C En Blanco Pregunta 4 A B C En Blanco Pregunta 5 A B C En Blanco Pregunta
Más detallesINDICE Capitulo uno Introducción y estadísticas descriptiva Capitulo dos Conceptos en probabilidad Capitulo tres
INDICE Capitulo uno Introducción y estadísticas descriptiva 1.1. Introducción 1.2. descripción grafica de los datos 3 1.3. medidas numéricas descriptivas 11 Ejercicios 22 Apéndice: sumatorias y otras notaciones
Más detallesUNIVERSIDAD CARLOS III DE MADRID ECONOMETRÍA EXAMEN FINAL (Modelo D)
UNIVERSIDAD CARLOS III DE MADRID ECONOMETRÍA EXAMEN FINAL (Modelo D) DURACION: 2 HORAS Y 30 MINUTOS Instrucciones: 1. Este un modelo de examen que le servirá para autoevaluarse de todos los contenidos
Más detallesERRORES DE ESPECIFICACIÓN
Universidad Carlos III de Madrid César Alonso ECONOMETRIA ERRORES DE ESPECIFICACIÓN Índice 1. Introducción................................... 1 2. Inclusión de variables irrelevantes y Omisión de variables
Más detallesT3. El modelo lineal básico
T3. El modelo lineal básico Ana J. López y Rigoberto Pérez Dpto Economía Aplicada. Universidad de Oviedo Curso 2010-2011 Curso 2010-2011 1 / 41 Índice 1 Regresión lineal múltiple Planteamiento Hipótesis
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 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 detallesUNIVERSIDAD CARLOS III DE MADRID ECONOMETRÍA EXAMEN FINAL (Modelo B)
UNIVERSIDAD CARLOS III DE MADRID ECONOMETRÍA EXAMEN FINAL (Modelo B) TIEMPO: 125 MINUTOS Instrucciones: 1. Este un modelo de examen que le servirá para autoevaluarse de todos los contenidos del curso de
Más detallesECONOMETRIA. Tema 5: ERRORES DE ESPECIFICACIÓN. César Alonso UC3M. César Alonso (UC3M) ECONOMETRIA. Tema 5 1 / 35
ECONOMETRIA Tema 5: ERRORES DE ESPECIFICACIÓN César Alonso UC3M César Alonso (UC3M) ECONOMETRIA. Tema 5 1 / 35 Introducción Hemos visto que el estimador MCO tiene buenas propiedades bajo los supuestos
Más detallesTeórica básica. Incluimos. - Temas
Teórica básica Incluimos - Temas 1 - Tema 1: Fenómenos aleatorios. Conceptos de probabilidad. Propiedades. Independencia de sucesos. Teorema de Bayes. - Tema 2: Variables aleatorias. Variables discretas.
Más detallesTema 6. Multicolinealidad. Contenido Multicolinealidad perfecta Multicolinealidad de grado alto
Tema 6 Multicolinealidad Contenido 6.1. Multicolinealidad perfecta...................... 108 6.. Multicolinealidad de grado alto................... 110 108 Tema 6. Multicolinealidad A la hora de estimar
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 detallesModelos de elección discreta Aplicaciones en ordenador
Modelos de elección discreta Aplicaciones en ordenador Román Salmerón Gómez Para ilustrar cómo abordar el análisis de Modelos de elección discreta con el software econométrico Gretl resolveremos el siguiente
Más detallesMATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES II DISTRITO ÚNICO DE ANDALUCÍA
MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES II DISTRITO ÚNICO DE ANDALUCÍA CONTENIDOS Y OBJETIVOS MÍNIMOS PARA EL CURSO 2007/08. 1. INTRODUCCIÓN A LOS CONTENIDOS. ( Decreto 208/2002. B.O.J.A. de 20.08.02
Más detallesEconometría 1. Karoll GOMEZ Segundo semestre 2017
Econometría 1 Karoll GOMEZ kgomezp@unal.edu.co http://karollgomez.wordpress.com Segundo semestre 2017 II. El modelo de regresión lineal Esperanza condicional I Ejemplo: La distribución de los salarios
Más detallesUNIVERSIDAD AUTÓNOMA DE BAJA CALIFORNIA
UNIVERSIDAD AUTÓNOMA DE BAJA CALIFORNIA DIRECCIÓN GENERAL DE ASUNTOS ACADÉMICOS PROGRAMA DE ASIGNATURA POR COMPETENCIAS I. DATOS DE IDENTIFICACIÓN 1. Unidad Académica: Facultad de Ingeniería. Mexicali.
Más detallesMarco Hernando Albarrán Núñez. Facultad de Ciencias Universidad Nacional Autónoma de México.
FACTORES QUE CONDICIONAN LA PROBABILIDAD DE COTIZAR A LAS PENSIONES DE RETIRO EN MÉXICO Marco Hernando Albarrán Núñez Facultad de Ciencias Universidad Nacional Autónoma de México marcoalbarran@ciencias.unam.mx
Más detallesÍNDICE CAPÍTULO 1. INTRODUCCIÓN
ÍNDICE CAPÍTULO 1. INTRODUCCIÓN 1.1. OBJETO DE LA ESTADÍSTICA... 17 1.2. POBLACIONES... 18 1.3. VARIABLES ALEATORIAS... 19 1.3.1. Concepto... 19 1.3.2. Variables discretas y variables continuas... 20 1.3.3.
Más detallesEstadística Bayesiana
Universidad Nacional Agraria La Molina 2017-1 Teoría de la decisión Riesgo de Bayes La teoría de decisión es un área de suma importancia en estadística ya que muchos problemas del mundo real pueden tomar
Más detallesASIGNATURA: ESTADISTICA II (II-055) Ing. César Torrez https://torrezcesar.wordpress.com
ASIGNATURA: ESTADISTICA II (II-055) Ing. César Torrez torrezcat@gmail.com https://torrezcesar.wordpress.com 0416-2299743 Programa de Estadística II UNIDAD IV: REGRESIÓN Y CORRELACIÓN MÚLTIPLE LINEAL TANTO
Más detallesExamen de Introducción a la Econometría
NOMBRE GRUPO MODELO 1 DNI: Firma: Examen de Introducción a la Econometría 18 de junio de 2009 Sólo una respuesta es válida. Debe justificar la respuesta de cada pregunta en el espacio que se le proporciona.
Más detalles1 Introducción. 2 Modelo. Hipótesis del modelo MODELO DE REGRESIÓN LOGÍSTICA
MODELO DE REGRESIÓN LOGÍSTICA Introducción A grandes rasgos, el objetivo de la regresión logística se puede describir de la siguiente forma: Supongamos que los individuos de una población pueden clasificarse
Más detallesTaller I Econometría I
Taller I Econometría I 1. Considere el modelo Y i β 1 + ɛ i, i 1,..., n donde ɛ i i.i.d. N (0, σ 2 ). a) Halle el estimador de β 1 por el método de mínimos cuadrados ordinarios. Para realizar el procedimiento
Más detallesEl Modelo de Selección de Heckman en gretl
El Modelo de Selección de Heckman en gretl Microeconomía Cuantitativa R. Mora Departmento de Economía Universidad Carlos III de Madrid Esquema Introducción: El modelo de Heckman 1 Introducción: El modelo
Más detallesINTERVALOS DE CONFIANZA. La estadística en cómic (L. Gonick y W. Smith)
INTERVALOS DE CONFIANZA La estadística en cómic (L. Gonick y W. Smith) EJEMPLO: Será elegido el senador Astuto? 2 tamaño muestral Estimador de p variable aleatoria poblacional? proporción de personas que
Más detalles