GUIÓN TEMA 2. PROPIEDADES DE LOS ESTIMADORES MCO 2.1 PROPIEDADES ESTADÍSTICAS DEL ES- TIMADOR MCO DE.
|
|
- Julián Rivas Rodríguez
- hace 7 años
- Vistas:
Transcripción
1 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, y A. Fernández Gallastegui,., 3.5 y 3.7 J.M. Wooldridge. Epígrafes.5, 3.3 (hasta pág. 95), 3.4, 3.5 y Apéndice E..1 PROPIEDADES ESTADÍSTICAS DEL ES- TIMADOR MCO DE. En el tema 1 obtuvimos el estimador MCO de. En este apartado estudiaremos las propiedades estadísticas del estimador MCO de y en el epígrafe siguiente obtendremos un estimador de y estudiaremos las propiedades estadísticas del estimador MCO de : Propiedades estadísticas de b : b es un estimador lineal, es decir b es una función lineal de Y. Bajo lash hipótesis i básicas 1 a 4, b es un estimador insesgado de ; es decir E b = : b = (X 0 X) 1 X 0 Y = + (X 0 X) 1 X 0 u y por tanto E b = + (X 0 X) 1 X 0 E [u] = puesto que E[u]=0 Nótese que el estimador MCO es insesgado con independencia de que se veri que o no el supuesto 5.
2 Bajo las hipótesis básicas del MRL, V ar b = (X 0 X) 1 : V ar b hb i h i 0 hb i 0 = E E b b E b = E b = E n (X 0 X) 1 X 0 u (X 0 X) 1 X 0 u 0 o = (X 0 X) 1 X 0 E(uu 0 )X(X 0 X) 1 = = (X 0 X) 1 Ya que E(uu 0 )= I T Teorema de Gauss-Markov. Bajo las hipótesis básicas del MRL, el estimador MCO de es óptimo entre la familia de estimadores lineales e insesgados. Es decir, no es posible encontrar otro estimador de que siendo lineal e insesgado tenga una varianza menor que el estimador MCO.. ESTIMACIÓN DE Y PROPIEDADES ESTADÍSTICAS DEL ESTIMADOR. Como ya vimos en el tema anterior, el vector de residuos MCO es la diferencia entre los valores de la variable dependiente y los valores estimados de la misma: e = Y X b = Y b Y. Los residuos pueden interpretarse como la estimación del vector de errores, u. El vector de residuos MCO, e, es una transformación lineal de u E [e] = 0. e = Y X b = MY = ya que MX=0 Mu siendo M = I T X(X 0 X) 1 X 0. M es una matriz singular, simétrica (M = M 0 ) e idempotente (MM = M). E[e] = E[Mu] = ME[u] = ya que E[u]=0 0
3 V ar(e) = M V ar(e) = Ef[Mu] [Mu] 0 g = E[Muu 0 M] = ME[uu 0 ]M = ya que E[uu 0 ]= I T b = e0 e T k es un estimador insesgado de : MM = M Sabemos que e 0 e = (Mu) 0 (Mu) = u 0 Mu Se puede demostrar que E [e 0 e] = E [u 0 Mu] = (T k) Si de nimos b = e0 e T k e E(b 0 e ) = E = E [e0 e] T k T k = (T k) T k = También podemos escribir e 0 e como e 0 e = (Y X b ) 0 (Y X b ) = Y 0 Y b 0 X 0 Y.3 MATRIZ DE VARIANZAS ESTIMADA Y ERRORES ESTÁNDAR Hemos visto que bajo las hipótesis 1 a 5 V ar b = (X 0 X) 1 esta matriz es desconocida ya que es desconocida. Para saber la abilidad b y poder hacer inferencia es importante disponer de un estimador de su varianza. Se de ne la matriz de varianzas estimada de b como \ V ar b = b (X 0 X) 1 3
4 En el tema 3 veremos cómo contrastar hipótesis sobre el vector de parámetros utilizando b y V \ ar b : Nótese que si no se veri ca la hipótesis 5, V ar b 6= (X 0 X) 1 y por tanto b (X 0 X) 1 no sería un estimador apropiado de la varianza de b : Se de nen los errores estándar como las raices cuadradas de los elementos \ de la diagonal principal de la matriz V ar b : Es decir SE( b j ) = q b (X 0 X) 1 jj j = 1; ::; k donde b j es el elemento j del vector b y (X 0 X) 1 jj es el elemento (j; j) de la matrix (X 0 X) 1 : SE( b j ) es un estimador de la desviación típica de b j. Nota: Si cambiamos las unidades de medida de alguna o algunas de las variables explicativas y/o de la variable dependiente cada uno de los errores estándar variará en la misma proporción que el valor estimado del parámetro correspondiente..4. DISTRIBUCIÓN DE FORMAS CUADRÁTI- CAS ASOCIADAS A LA DISTRIBUCIÓN NOR- MAL. En este apartado estudiaremos algunos resultados básicos que serán de utilidad para obtener la distribución de los estimadores ^ y ^ y para realizar contrastes de hipótesis sobre los parámetros bajo la hipótesis de normalidad de los errores (Hipótesis 6 del Tema 1). Bibliografía apartado.4: Greene, 3.4.1, 3.4., y 3.10 A. Gallastegui.: apéndice 4.A. J.M. Wooldridge: apéndice B.5 Propiedad de la distribución normal multivariante Si X es un vector n 1, X N [; ] ; A es una matriz r n (r n) no aleatoria y b es un vector r 1 no aleatorio, entonces: (i) AX + b N [A + b; AA 0 ] 4
5 (ii) En particular 1= (X ) N [0; I n ] De nición 1 (chi-cuadrado con 1 grado de libertad): Si Z N [0; 1] ; entonces Z 1 De nición (chi-cuadrado con n grados de libertad): Si Z 1 ; Z ; :::; Z n son n variables aleatorias independientes e idénticamente distribuidas (i.i.d) como P N [0; 1], entonces n Zi n. i=1 De nición 3 (t de Student con n grados de libertad): Si Z y X son variables aleatorias independientes Z N [0; 1] y X n entonces Z q X n t n De nición 4 (F de Snedecor con n y m grados de libertad): Si X 1 y X son variables aleatorias independientes X 1 n y X m entonces X 1 n X m F n;m Teorema 1. (Suma de chi-cuadrados): Sean X 1 y X dos variables aleatorias independientes con distribución X 1 n 1 y X n ; entonces X 1 + X n 1 +n Teorema. Si Z 1 ; Z ; :::; Z n son n variables aleatorias independientes e idénticamente distribuidas (i.i.d) como N [0; ], entonces n P n Teorema 3: Distribución de formas cuadráticas de matrices idempotentes en vectores normales estandarizados. Sea X un vector aleatorio de dimensión n tal que X N(0; I n ); A una matriz n n simétrica e idempotente, entonces i=1 Z i X 0 AX J donde J = rg(a) = tr(a) Teorema 4: Independencia de dos formas cuadráticas con matrices idempotentes en un mismo vector normal estandarizado Sea X N(0; I n ) y A y B dos matrices n n idempotentes tales que AB = 0, entonces, las dos formas cuadráticas X 0 AX y X 0 BX son independientes. 5
6 Ejemplo: Sea X N(0; I n ) y A y B dos matrices n n idempotentes de rango n A y n B ; respectivamente. Utilizando el Teorema 3 X 0 AX n A X 0 BX n B Si AB = 0; utilizando el Teorema 4, X 0 AX y X 0 BX son independientes y por tanto (X 0 AX) =n A (X 0 BX) =n B F na ;n B Teorema 5: Independencia de una función lineal y una forma cuadrática idempotente de un vector normal estandarizado Sea X N(0; I n ) y sea L una matriz r n y A una matriz n n idempotente tales que LA = 0; entonces la función lineal LX y la forma cuadrática X 0 AX son independientes. Ejemplo: Sea X N(0; I n ); A una matriz n n idempotente de rango n A y L un vector n 1 tal que L 0 L = 1. Como X N(0; I n ) ) L 0 X N(0; L 0 L) = N(0; 1) y X 0 AX n A : Si L 0 A = 0; utilizando el Teorema 5, L 0 X y X 0 AX son independientes y por tanto L 0 X p (X0 AX) =n A t na Teorema 6: Distribución de formas cuadráticas de matrices de rango completo en vectores normales Sea X un vector n 1, X N [; ] ; entonces (X ) 0 1 (X ) n.5. PROPIEDADES DE LOS ESTIMADORES MCO CON ERRORES NORMALES Bibliografía apartado.5: Greene, 3.10., 6.6.3, A. Gallastegui.: 4.. J.M. Wooldridge, 4.1 Bajo la hipótesis adicional 6 de normalidad de los errores, se puede calcular la distribución exacta de los estimadores ^ y ^ : Nótese que la media y la varianza de ^ MCO se obtuvieron en el tema sin necesidad de imponer la hipótesis adicional 6, aunque obviamente la distribución de ^ sin esta hipótesis adicional es desconocida. Si el modelo satisface las hipótesis básicas 1 a 6: 6
7 b sigue una distribución normal ya que b es una función lineal de u ( b = + (X 0 X) 1 X 0 u). En concreto b N ; (X 0 X) 1 (0.1) k1 k1 kk La distribución marginal de cada elemento del vector b es también normal: b j N j ; (X 0 X) 1 jj para j = 1; :::; k donde b j es el elemento j del vector b ; j es el elemento j del vector y (X 0 X) 1 jj es el elemento (j; j) de la matriz (X 0 X) 1 : Y = X + u N(X; I T ); ya que Y es la suma de un vector no aleatorio X y un vector normal u. ^Y = X b N(X; X(X 0 X) 1 X 0 ); ya que b Y es una transformación lineal de b y b se distribuye como una normal como se ha visto en la expresión (0.1) tración b (T k) (T k) Dado que b = e0 e (T k) ) b (T k) y lo que tenemos que demostrar es que e 0 e (T k) = e0 e Sabemos que e 0 e = u0 Mu u 0 u = M Puesto que u N(0; IT ) y M es una matriz idempotente de rango T k, utilizando el Teorema 3, e 0 e (T k) 7
8 ^ y b son independientes entre sí. tración Nótese que ^ u = (X 0 X) 1 X 0! función lineal del vector normal estandarizado b (T k) u 0 u = M! forma cuadrática con matriz idempotente M u en el vector normal estandarizado u Entonces, puesto que (X 0 X) 1 X 0 M = 0; utilizando el Teorema 5 b (T k) ^ y son independientes () b y ^ son independientes 8
TEMA 2: Propiedades de los estimadores MCO
TEMA 2: Propiedades de los estimadores MCO Econometría I M. Angeles Carnero Departamento de Fundamentos del Análisis Económico Curso 2011-12 Econometría I (UA) Tema 2: Pdades de los estimadores MCO Curso
Más detallesGUIÓN TEMA 3. CONTRASTE DE HIPÓTESIS EN EL MRL Contrastes de hipótesis en el MRL
ECONOMETRIA I. Departamento de Fundamentos del Análisis Económico Universidad de Alicante. Curso 011/1 GUIÓN TEMA 3. CONTRASTE DE HIPÓTESIS EN EL MRL Los procedimientos clásicos de contrastes de hipótesis
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 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 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 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 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 detallesRegresión Lineal Múltiple
Unidad 4 Regresión Lineal Múltiple Javier Santibáñez (IIMAS, UNAM) Regresión Semestre 2017-2 1 / 35 Introducción La idea de la regresión lineal múltiple es modelar el valor esperado de la variable respuesta
Más detallesInferencia Estadística
Inferencia Estadística 2do C. 2018 Mg. Stella Figueroa Clase Nº10 Población y Muestra- Parámetro y Estimación puntual Población: Es el conjunto de todos los elementos o unidades elementales con características
Más 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 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 detallesIntroduccion a los Modelos de Regresion
(wsosa@udesa.edu.ar) Universidad de San Andres Referencias Hayashi (2000) Capitulo 1, pp. 3-46. Cualquier texto basico de econometria (con matrices!!!) Introduccion Modelo lineal: y i = β 1 + β 2 x 2i
Más detalles(DERIVADAS DE LA NORMAL)
DISTRIBUCIÓN NORMAL MULTIVARIANTE (DERIVADAS DE LA NORMAL) INTRODUCCIÓN PROPIEDADES LINEALIDAD DISTRIBUCIONES DERIVADAS DE LA NORMAL χ 2 DE PEARSON t DE STUDENT F DE SNEDECOR DISTRIBUCIÓN NORMAL MULTIVARIANTE
Más detallesFormulación matricial del modelo lineal general
Formulación matricial del modelo lineal general Estimadores MCO, propiedades e inferencia usando matrices Mariana Marchionni marchionni.mariana@gmail.com Mariana Marchionni Formulación matricial del modelo
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 detallesContenido. vii. Prólogo... i Presentación... iii Grupo de trabajo...v. 1. Introducción y conceptos preliminares...1
Contenido Prólogo... i Presentación... iii Grupo de trabajo...v 1. Introducción y conceptos preliminares...1 2. Tipos de modelos estadísticos lineales...19 Caso 2.1...20 Caso 2.2...26 Caso 2.3...30 3.
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 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 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 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 detallesAlgebra Lineal Aplicada para Modelos Lineales
Algebra Lineal Aplicada para Modelos Lineales Yuri Miranda Gonzáles Universidad Mayor de San Andrés Carrera de Estadística Abril 203 En el área de modelos lineales y econometría, la necesidad de contar
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 detallesEstadística II Tema 1: Distribución normal multivariante
Estadística II Tema 1: Distribución normal multivariante José R. Berrendero Departamento de Matemáticas Universidad Autónoma de Madrid Algunas propiedades de los vectores aleatorios Sea X = (X 1,..., X
Más detallesEl Modelo de Regresión Lineal General Estimación
Tema 5 El Modelo de Regresión Lineal General Estimación Pilar González y Susan Orbe Dpto Economía Aplicada III (Econometría y Estadística) Pilar González y Susan Orbe OCW 2013 Tema 5 MRLG: Estimación 1
Más detallesVectores Autorregresivos (VAR)
Econometria de Series Temporales Vectores Autorregresivos (VAR) Walter Sosa Escudero Universidad de San Andr es y UNLP 1 Procesos estocasticos multivariados Y t =[Y 1t ;Y 2t ; ;Y Nt ] 0 ; t =1; 2;:::;T
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 I. Tema 6: Heterocedasticidad. Patricia Moreno Juan Manuel Rodriguez Poo Alexandra Soberon Departamento de Economía
ECONOMETRÍA I Tema 6: Heterocedasticidad Patricia Moreno Juan Manuel Rodriguez Poo Alexandra Soberon Departamento de Economía Alexandra Soberon (UC) ECONOMETRÍA I 1 / 23 Heterocedasticidad El supuesto
Más detalles(X t X)(Y t Y ) S 2 X = (X t X) 2. Análogamente, las expresiones de los estimadores MCO en el modelo (2) son. (Xt X )(Yt Y ) (Xt X ) 2. b 2.
ECONOMETRÍA I - Examen nal. 26 enero. 2011 Curso 2010/11. Nombre....................... Apellidos.............................................. Licenciatura:................................. Grupo:.................................
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 detallesTema1. Modelo Lineal General.
Tema1. Modelo Lineal General. 1. Si X = (X 1, X 2, X 3, X 4 ) t tiene distribución normal con vector de medias µ = (2, 1, 1, 3) t y matriz de covarianzas 1 0 1 1 V = 0 2 1 1 1 1 3 0 1 1 0 2 Halla: a) La
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 detallesTema 1. Preliminares. 1.1 Resultados algebraicos
Tema 1 Preliminares 11 Resultados algebraicos Consideraremos habitualmente matrices con coeficientes en R y, ocasionalmente, en C Denotaremos por a i j a los elementos de una matriz A, donde el subíndice
Más detallesFolleto de Estadísticas. Teoría del 2do Parcial
Folleto de Estadísticas Teoría del 2do Parcial 2012 Variables aleatorias conjuntas continuas: Sean X y Y dos variables aleatorias continuas con ellas se asocia una función denominada función de densidad
Más detallesTema 2. Distribuciones propias del análisis multivariante.
Tema 2. Distribuciones propias del análisis multivariante. Concepto de matriz aleatoria Una matriz aleatoria de orden n p es una función medible X sobre un espacio de probabilidad (Ω, A, P con valores
Más detallesDIAGONALIZACIÓN DE MATRICES CUADRADAS
DIAGONALIZACIÓN DE MATRICES CUADRADAS.- Considerar los vectores u = (, -, ) y v = (, -, ) de : a) Escribir, si es posible, los vectores (, 7, -4) y (, -5, 4) como combinación lineal de u y v. b) Para qué
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 detallesEstadística II Ejercicios Tema 5
Estadística II Ejercicios Tema 5 1. Considera los cuatro conjuntos de datos dados en las transparencias del Tema 5 (sección 5.1) (a) Comprueba que los cuatro conjuntos de datos dan lugar a la misma recta
Más 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 detallesEconometría. Ejercicio 5 - Resuelto
Econometría Ejercicio 5 Resuelto E ESTE EJERCICIO SE ILUSTRA LAS FÓRMULAS Y LOS CÁLCULOS ASOCIADOS CO LA ESTIMACIÓ, EL COTRASTE DE HIPÓTESIS Y LA PREVISIÓ E MODELOS DE REGRESIÓ LIEAL MÚLTIPLE ES MUY IMPORTATE
Más detalles2. Modelos con regresores endógenos
. Introducción ema 3. Regresores Endógenos. Bibliografía: Wooldridge, 5., 5.4 y 6.2 En este tema vamos a estudiar el modelo lineal con regresores potencialmente endógenos. Veremos primero las consecuencias
Más detallesTécnicas Cuantitativas para el Management y los Negocios I
Técnicas Cuantitativas para el Management y los Negocios I Licenciado en Administración Módulo II: ESTADÍSTICA INFERENCIAL Contenidos Módulo II Unidad 4. Probabilidad Conceptos básicos de probabilidad:
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 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 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 detallesInferencia. Mauricio Olivares. 19 de junio de 2015 ITAM
Inferencia Mauricio Olivares ITAM 19 de junio de 2015 Recuerda de nuestra clase anterior que m(x) = α + βx. Recuerda de nuestra clase anterior que m(x) = α + βx. Esta es una relación poblacional, no hay
Más detallesEstadística para la Economía y la Gestión IN 3401
Estadística para la Economía y la Gestión IN 3401 3 de junio de 2010 1 Modelo de Regresión con 2 Variables Método de Mínimos Cuadrados Ordinarios Supuestos detrás del método MCO Errores estándar de los
Más detallesy x Estimar por MCO un modelo lineal entre la variable explicada (y) y las
Ejercicio MLG Disponemos de los siguientes datos y x x3 7 6 0 4 3 7 8 6 3 6 6 5 8 9 8 Se pide. Estimar por MCO un modelo lineal entre la variable explicada (y) y las explicativas (x).. Comprobar que el
Más detallesEl modelo Lineal General
El Lineal General Román Salmerón Gómez Universidad de Granada RSG El lineal uniecuacional múltiple 1 / 68 Estimación del Validación del Explotación del Estimación del Validación del Explotación del RSG
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 detallesTema 3 Normalidad multivariante
Aurea Grané Máster en Estadística Universidade Pedagógica Aurea Grané Máster en Estadística Universidade Pedagógica Tema 3 Normalidad multivariante 3 Normalidad multivariante Distribuciones de probabilidad
Más detallesCONJUNTO R n. = (5, 2, 10) de 3, son linealmente. = (2,1,3) y v 3. = (0,1, 1) y u 3. = (2,0,3, 1), u 3. = (1,1, 0,m), v 2
CONJUNTO R n.- Considerar los vectores u = (, -3, ) y v = (, -, ) de 3 : a) Escribir, si es posible, los vectores (, 7, -4) y (, -5, 4) como combinación lineal de u y v. b) Para qué valores de x es el
Más detallesMulticolinealidad Introducción. Uno de los supuestos básicos del modelo lineal general. y = Xβ + u
CAPíTULO 6 Multicolinealidad 6.1. Introducción Uno de los supuestos básicos del modelo lineal general y = Xβ + u establece que las variables explicativas son linealmente independientes, es decir, la igualdad
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 detallesMétodos Estadísticos Multivariados
Métodos Estadísticos Multivariados Victor Muñiz ITESM Victor Muñiz (ITESM) Métodos Estadísticos Multivariados Agosto-Diciembre 2011 1 / 34 Álgebra matricial y vectores aleatorios Una matriz es un arreglo
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 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 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 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 detallesHipótesis sobre las variables explicativas del modelo
FUOC P01/85014/00170 3 Modelo de regresión lineal múltiple..3. Hipótesis sobre las variables explicativas del modelo En este subapartado presentamos las cinco hipótesis que hacen referencia al comportamiento
Más detallesDistribución Gaussiana Multivariable
Distribución Gaussiana Multivariable Carlos Belaustegui Goitia, Juan Augusto Maya 8 de Agosto de Resumen En este documento presentamos la deducción de la expresión de la función densidad de probabilidad
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 detallesMuestreo e intervalos de confianza
Muestreo e intervalos de confianza Intervalo de confianza para la media (varianza desconocida) Intervalo de confinza para la varianza Grados en Biología y Biología sanitaria M. Marvá. Departamento de Física
Más 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 detallesEconometría. Multicolinealidad
Econometría Multicolinealidad Que es? Hay dependencia lineal entra las variables explicativas Ejemplo1 1 3 6 1 X = 1 1 4 8 12 Determinante de X ' X es cero No se puede invertir X ' X No se pueden calcular
Más detallesCurso Inferencia. Miguel Ángel Chong R. 3 de septiembre del 2013
Curso Estadística Miguel Ángel Chong R. miguel@sigma.iimas.unam.mx 3 de septiembre del 013 Definamos más formalmente que entenderémos por una muestra. Definción Sea X la v.a. correspondiente a una población
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 detallesEstimación de Parámetros.
Estimación de Parámetros. Un estimador es un valor que puede calcularse a partir de los datos muestrales y que proporciona información sobre el valor del parámetro. Por ejemplo la media muestral es un
Más detallesEstadística Clase 2. Maestría en Finanzas Universidad del CEMA. Profesor: Alberto Landro Asistente: Julián R. Siri
Estadística 010 Clase Maestría en Finanzas Universidad del CEMA Profesor: Alberto Landro Asistente: Julián R. Siri Clase 1. La distribución de Bernoulli. La distribución binomial 3. La distribución de
Más detallesEstadística Clase 2. Maestría en Finanzas Universidad del CEMA. Profesor: Alberto Landro Asistente: Julián R. Siri
Estadística 011 Clase Maestría en Finanzas Universidad del CEMA Profesor: Alberto Landro Asistente: Julián R. Siri Clase 1. La distribución de Bernoulli. La distribución binomial 3. La distribución 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 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 detallesRegresión Simple. Leticia Gracia Medrano. 2 de agosto del 2012
Regresión Simple Leticia Gracia Medrano. lety@sigma.iimas.unam.mx 2 de agosto del 2012 La ecuación de la recta Ecuación General de la recta Ax + By + C = 0 Cuando se conoce la ordenada al origen y su pendiente
Más detallesPreliminares Métodos de Ajuste de Curvas AJUSTE DE CURVAS AJUSTE DE CURVAS
Contenido 1 Preliminares Definiciones 2 Definiciones Contenido 1 Preliminares Definiciones 2 Definiciones Definiciones En ciencias e ingeniería es frecuente que un experimento produzca un conjunto de datos
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 detallesEstadística. Para el caso de dos variables aleatorias X e Y, se puede mostrar que. Pero y son desconocidos. Entonces. covarianza muestral
Para el caso de dos variables aleatorias X e Y, se puede mostrar que Pero y son desconocidos. Entonces donde covarianza muestral Estimación de intervalos de confianza Cuál es el intervalo (de confianza)
Más detallesEscuela de Economía Universidad de Carabobo Profesor: Exaú Navarro Pérez.
Escuela de Economía Universidad de Carabobo Profesor: Exaú Navarro Pérez. Econometría Regresión Múltiple: Municipio Ocupados Población Analfabeta Mayor de 10 años Total de Viviendas Bejuma 18.874 1.835
Más detallesDepartamento de Fundamentos del Análisis Económico. Universidad de Alicante. Curso 2011/12. ECONOMETRÍA I Hoja de problemas del Tema 4
Departamento de Fundamentos del Análisis Económico. Universidad de Alicante. Curso 2011/12 ECONOMETRÍA I Hoja de problemas del Tema 4 Nota: En todos los contrastes tome como nivel de signi cación el 5%.
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 detallesTEMA VI: EL MODELO DE REGRESIÓN LINEAL MÚLTIPLE
ESADÍSICA II EMA VI: EL MODELO DE REGRESIÓN LINEAL MÚLIPLE VI.1.- Introducción. VI..- Hipótesis básicas del modelo de regresión lineal múltiple. VI.3.- El estimador mínimo cuadrático ordinario del modelo
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 detallesCapítulo 6 Multicolinealidad Luis Quintana Romero. Econometría Aplicada Utilizando R
Capítulo 6 Multicolinealidad Luis Quintana Romero Objetivo Identificar la multicolinealidad en un modelo econométrico, así como las pruebas de detección de la multicolinealidad y correcciones. Introducción
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 detallesAnálisis Multivariante de Datos
Análisis Multivariante de Datos Curso 2016-2017 Por qué es importante realizar inferencia sobre los parámetros de la normal? La estimación máximo-verosímil (MV) de la distribución Normal son la media y
Más detallesGUIA DOCENTE ESTADÍSTICA II
GUIA DOCENTE 2016-17 ESTADÍSTICA II Mayo 2016 DATOS GENERALES Nombre del curso: Código: ESTADÍSTICA II 801101, ADE 801916, MKCD Curso: 2016-17 Titulación: Grado en Administración y Dirección de Empresas
Más detallesPROPIEDADES DEL ESTIMADOR MCO
TEMA 3 PROPIEDADES DEL ESTIMADOR MCO S. Álvarez, A. Beyaert, M. Camacho, M. González, A. Quesada Departamento de Métodos Cuantitativos para la Economía y la Empresa Econometría (3º GADE) Lo que estudiaremos
Más detalles4. DISEÑOS MULTIFACTORIALES O FACTORIALES
4. DISEÑOS MULTIFACTORIALES O FACTORIALES 4.1 PRINCIPIOS Y DEFINICIONES BASICAS Los arreglos factoriales se utilizan cuando en una investigación se pretende estudiar simultáneamente la influencia del cambio
Más detallesEstadística Económica y Estadística Empresarial
Universidad de Valladolid Facultad de Ciencias Económicas y Empresariales Departamento de Estadística y Econometría Licenciatura en Ciencias Económicas Sin docencia. Plan a extinguir Proyecto docente de:
Más detallesTécnicas de Muestreo Métodos
Muestreo aleatorio: Técnicas de Muestreo Métodos a) unidad muestral elemental: a.1) muestreo aleatorio simple a.2) muestreo (seudo)aleatorio sistemático a.3) muestreo aleatorio estratificado b) unidad
Más detallesMínimos cuadrados generalizados y máxima verosimilitud
CAPíTULO 9 Mínimos cuadrados generalizados y máxima verosimilitud 9.1. Introducción En el marco del modelo clásico, los supuestos de homocedasticidad, E(u 2 i ) = σ2 u (i = 1, 2,... n), y ausencia de autocorrelación,
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 detallesPrácticas Tema 4: Modelo con variables cualitativas
Prácticas Tema 4: Modelo con variables cualitativas Ana J. López y Rigoberto Pérez Departamento de Economía Aplicada. Universidad de Oviedo PRACTICA 4.1- Se dispone de información sobre 16 familias sobre
Más detallesDepartamento de Medicina Preventiva y Salud Publica e Historia de la Ciencia. Universidad Complutense de Madrid. SPSS para windows.
TEMA 12 REGRESIÓN LINEAL Mediante la regresión lineal se busca hallar la línea recta que mejor explica la relación entre unas variables independientes o variables de exposición y una variable dependiente
Más detallesEconometría Aplicada
Econometría Aplicada Inferencia estadística, bondad de ajuste y predicción Víctor Medina Intervalos de confianza Intervalos de confianza Intervalos de confianza Intervalos de confianza La pregunta que
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 detallesEstadística I Curso 2011/2012 Guion de la Práctica 3: Simulación de muestras y bondad de ajuste; Teorema Central del Límite; Intervalos de confianza.
Estadística I Curso 2011/2012 Guion de la Práctica 3: Simulación de muestras y bondad de ajuste; Teorema Central del Límite; Intervalos de confianza. En esta práctica veremos una introducción al empleo
Más detallesRepresentaciones gráficas de las distribuciones bidimensionales de frecuencias... 74
Índice 1. Introducción al R 15 1.1. Introducción............................. 15 1.2. El editor de objetos R....................... 18 1.3. Datos en R............................. 19 1.3.1. Vectores...........................
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 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 detalles