ECONOMETRÍA II: ECONOMETRÍA DE SERIES TEMPORALES. Modelos econométricos dinámicos uniecuacionales
|
|
- Francisco Mora Gómez
- hace 7 años
- Vistas:
Transcripción
1 ECONOMETRÍA II: ECONOMETRÍA DE SERIES TEMPORALES Modelos econométricos dinámicos uniecuacionales
2 Introducción: Hemos estudiado modelos de tipo: y t = φ 0 + p i=1 φ iy t i + q j=0 θ jɛ t j y t = β x t + u t Ahora vamos a estudiar y t = µ + en más detalle p γ i y t i + i=1 r β r x t j + ɛ t ɛ t WN(0, σ 2 ) j=0 Este modelo se llama un modelo autoregresivo con retardos distribuidos y se denota ARDL(p, r) (ARDL = Autoregressive Distributed Lag )
3 Introducción (cont.): Un modelo ARDL(p, r) sin la parte AR(p) se denota DL(r). Es decir, un modelo DL(r) tiene la forma y t = µ + r γ j x t j + ɛ t, ɛ t WN(0, σ 2 ) j=0 Existen modelos ARDL(p, r) más generales con términos MA. Es decir, que tienen la forma y t = µ + p γ i y t i + i=1 r β r x t j + j=0 q θ j ɛ t j ɛ t WN(0, σ 2 ) j=0
4 El modelo ARDL(p, r): Con el operador retardo el modelo ARDL(p, r), sin constante, se puede escribir como (1 γ 1 L γ p L r )y t = (β 0 + β 1 L + β r L r )x t + ɛ t C(L)y t = B(L)x t + ɛ t Un modelo ARDL(p, r) se puede representar como un modelo DL( ): C(L)y t = B(L)x t + ɛ t y t = B(L) x t + 1 C(L) C(L) ɛ t }{{}}{{} y t = D(L) x t + η t y t = δ j x t j + η t j=0
5 El modelo ARDL(p, r) (cont.): Nota: El error {η t } ya no es ruido blanco; ahora está autocorrelado Estabilidad de un modelo ARDL(p, r): todas las raíces características están dentro del círculo unidad ( todas las raíces del polinomo C(L) están fuera del círculo unidad) Es decir, que todas las raíces del polinomo 1 γ 1 z γ 2 z 2 γ p z p = 0 están fuera del círculo unidad, o que todas sus inversas 1 z están dentro del círculo unidad
6 El modelo ARDL(p, r) (cont.): La estabilidad no implica que la suma j=0 δ j < Por tanto, el impacto sobre la variable endógena y t es finito. Es decir, pasado un tiempo y t : se retorna al equilibro, o se tiende hacia un nuevo equilibrio
7 Multiplicadores, el retardo medio y el retardo mediano: Definición: multiplicador de impacto. El multiplicador de impacto (multiplicador contemporáneo), denotado m 0, representa el cambio en y t en el periodo t ante una variación unitaria de la variable exógena x t en el periodo t Es decir m 0 = yt x t = δ 0 Definición: multiplicador de retardo j. El multiplicador de retardo j, denotado m j, representa el cambio en y t en el periodo t ante una variación unitaria de la variable exógena x t j en el periodo t j
8 Multiplicadores, etc. (cont.): Es decir m j = y t x t j = δ j Definición: multiplicador total. El multiplicador total, denotado m T, es la suma de todos los multiplicadores m 0, m 1, m 2,... Es decir m T = j=0 m j = j=0 δ j
9 Multiplicadores, etc. (cont.): Definición: retardo medio. El retardo medio se define como la media, ponderada por el retardo, de todos los coeficientes del polinomio D(L): Retardo medio: m = j=0 jδ j j=0 δ j Idea intuitiva del retardo medio: informa si el impacto de x t en y t está concentrado/diluido en el tiempo
10 Multiplicadores, etc. (cont.): Definición: retardo mediano. El retardo mediano se define como el instante en el que se alcanza el 50% del impacto total que se produce en y t debido a una variación en x t : { q j=0 Retardo mediano: q = min q δ } j j=0 δ 0.5 j En palabras: el valor mínimo de q tal que P q j=0 δ j P j=0 δ j 0.5 Interpretación económica del retardo medio: informa si el impacto de x t en y t está concentrado/diluido en el tiempo
11 Multiplicadores, etc. (cont.): Ejemplo. Consideramos el modelo ARDL(1,0) siguiente: Los polinomios C(L) y B(L) son: y t = 0.8y t 1 + 3x t + ɛ t (1) C(L) = 1 0.8L B(L) = 3 Raíz característica de (1): 1 z = 0.8 Raíz característica del polinomo 1 0.8z: z = Conclusión: como 1 < 1 ( z > 1), entonces (1) es estable z
12 Multiplicadores, etc. (cont.): Ejemplo (cont.). El polinomio D(L) se obtiene dividiendo B(L) por C(L): D(L) = B(L) C(L) = L = 3( L L 2 + ) Entonces: = L L L 3 + = δ 0 + δ 1 L + δ 2 L 2 + δ 3 L 3 + m 0 = δ 0 = 3 m 1 = δ 1 = 2.4. etc.
13 Ejemplo (cont.): Multiplicadores, etc. (cont.): Multiplicador total: m T = j=0 m j = j=0 δ j Retardo medio: m = = = 15 P j=0 jδ j P j=0 δ j = = 4 = B (1) B(1) C (1) C(1) Para calcular el retardo mediano, conviene definir el multiplicador cumulativo: q m q = j=0 δ j
14 Ejemplo (cont.): Multiplicadores, etc. (cont.): q = 0 q = 1 q = 2 q = 3 m q m T { Retardo mediano: q = min q P q j=0 δ j P j=0 δ j } 0.5 = 3
15 Ejemplos de modelos economicos: Modelos económicos: existen varios modelos económicos que se pueden representar como modelos de regresión dinámica Ejemplos: modelos con expectativas adaptivas modelos de ajuste parcial modelos de optimización dinámica
16 Ejemplos de modelos economicos (cont.): Ejemplo de expectativas dinámicas: consideramos y t = α + βx e,t+1 t + ɛ t con donde x e,t+1 t = λx e,t t 1 + (1 λ)x t, λ [0, 1] x e,t+1 t es la nueva expectativa x e,t t 1 es la expectativa anterior x t es el valor realizado
17 Ejemplos de modelos economicos (cont.): Ejemplo de expectativas dinámicas (cont.): x e,t+1 t = λx e,t t 1 + (1 λ)x t (1 λl)xt e,t+1 = (1 λ)x t xt e,t+1 1 = (1 λ) (1 λl) x t Nota: x e,t+1 t = (1 λ)(x t + λx t 1 + λ 2 x t 2 + ) λ = 0 x e,t+1 t = x t (corrección inmediata)
18 Ejemplos de modelos economicos (cont.): Ejemplo de expectativas dinámicas (cont.): y t = α + βxt e,t+1 + ɛ t y t = α + β 1 λ 1 λl x t + ɛ t (1 λl)y t = (1 λl)α + β(1 λ)x t + (1 λl)ɛ t y t = α + λy t 1 + β x t + ɛ t Es decir, un ARDL(1, 0) donde α = (1 λ)α β = β(1 λ) ɛ t = ɛ t λɛ t 1 = MA(1)
19 Ejemplos de modelos economicos (cont.): Ejemplo de un modelo de ajuste parcial: y t = φ 1 y t 1 + λ(y t y t 1 ) + ɛ t, ɛ t WN(0, σ 2 ) donde y t = β x t. Es decir, hay un valor ancla, y t, que depende de x t Entonces: y t = φ 1 y t 1 + λ(y t y t 1 ) + ɛ t = (φ 1 λ)y t 1 + λβ x t + ɛ t Esto es un modelo ARDL(1,0), pero con los {ɛ t } no autocorrelados
20 Estimación: Posibles problemas en la estimación: 1. Multicolinearidad entre regresores 2. Excesivo número de parámetros 3. Correlación entre los regresores y el error Los problemas 1 y 2 implican que es aconsejable elegir valores pequeños de p y r para un modelo ARDL(p, r) Por ello, el modelo ARDL(1,1) es bastante popular: y t = µ + γ 1 y t 1 + β 0 x t + β 1 x t 1 + ɛ t
21 Estimación (cont.): Recordamos: si los regresores son correlados con el error, el método MCO ( OLS ) produce estimaciones sesgadas e inconsistentes En algunos modelos ARDL(p, r) los regresores son correlados con el error Solución: estimación con variables instrumentales Variables instrumentales son variables que: están correladas con el regresor que sustituyen no están correladas con el error ya no forman parte de la regresión
22 Estimación (cont.): Si Z es la matriz que tiene en sus columnas las observaciones de las variables explicativas del modelo que no han sido sustituidas, es decir, la matriz de regresores X y las observaciones de las variables instrumentales, entonces una estimacion consistente de β es: ˆβ IV = (Z X) 1 Zy El método de mínimos cuadrados en dos etapas (MC2E; 2SLS )se puede usar para realizar una estimación con variables instrumentales Primera etapa: regresión de cada regresor correlado con el error del modelo sobre los instrumentos Segunda etapa: regresión de la ecuación original sobre los valores de ajuste en lugar de los regresores
ECONOMETRÍA II: ECONOMETRÍA DE SERIES TEMPORALES. Modelos VAR
ECONOMETRÍA II: ECONOMETRÍA DE SERIES TEMPORALES Modelos VAR Introducción modelos VAR Hasta ahora hemos estudiado modelos uniecuacionales Ahora vamos a estudiar un modelo multiecuacional que se llama Vector
Más detallesECONOMETRÍA II: ECONOMETRÍA DE SERIES TEMPORALES. Modelos ARMA
ECONOMETRÍA II: ECONOMETRÍA DE SERIES TEMPORALES Modelos ARMA Definición: Ruido blanco. Se dice que el proceso {ɛ t } es ruido blanco ( white noise ) si: E(ɛ t ) = 0 Var(ɛ t ) = E(ɛ 2 t ) = σ 2 Para todo
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 detallesNombre y Apellidos:... EXAMEN ECONOMETRÍA II (Septiembre 2010)
Nombre y Apellidos:... NIU:... Grupo:... EXAMEN ECONOMETRÍA II (Septiembre 2010) Lea cuidadosamente cada pregunta. Marque muy claramente la respuesta de cada pregunta en la hoja de respuestas. Observe
Más detallesMás Allá del Modelo de Regresión Lineal. Dante A. Urbina
Más Allá del Modelo de Regresión Lineal Dante A. Urbina CONTENIDOS 1. Modelos de Regresión No Lineales 2. Modelos de Respuesta Cualitativa 3. Datos de Panel 4. Modelos Autorregresivos y de Rezagos 5. Modelos
Más detallesSOLUCIONES. Nombre y Apellidos:... ID:... Grupo:... EXAMEN ECONOMETRIA II (31 de Enero 2007)
Nombre y Apellidos:... ID:... Grupo:... EXAMEN ECONOMETRIA II (31 de Enero 2007) SOLUCIONES Lea cuidadosamente cada pregunta. Responda muy claramente dentro del espacio asignado. El valor de cada pregunta
Más detallesNombre y Apellidos:... EXAMEN ECONOMETRÍA II (Enero 2010)
Nombre y Apellidos:... NIU:... Grupo:... EXAMEN ECONOMETRÍA II (Enero 2010) Lea cuidadosamente cada pregunta. Marque muy claramente la respuesta de cada pregunta en la hoja de respuestas. Observe que los
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 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 detallesMACROECONOMETRÍA. Tema 2: Series temporales. Segundo Cuatrimestre (curso 2006/07), Depto. de Economía, UC3M. Profesor: Genaro Sucarrat
MACROECONOMETRÍA Tema 2: Series temporales Segundo Cuatrimestre (curso 2006/07), Depto. de Economía, UC3M Profesor: Genaro Sucarrat (Coordinador: Juan J. Dolado) Conceptos fundamentales: Esperanzas condicionales
Más detallesECONOMETRÍA II: ECONOMETRÍA DE SERIES TEMPORALES. Raices unitarias
ECONOMETRÍA II: ECONOMETRÍA DE SERIES TEMPORALES Raices unitarias Consideramos la regresión Introducción: y t = β 0 + β 1 x t + ɛ t (1) Qué es la probabilidad de una regresión espuria? Ejemplo: y t = y
Más detallesEconometría II - examen (SOLUCION)
Econometría II - examen (SOLUCION) 4 de septiembre de 2006 Nombre y Apellidos: ID: Grupo: Lea cuidadosamente cada pregunta Responda muy claramente dentro del espacio asignado El valor de cada pregunta
Más detallesEstimación MC2E, MVIL en Modelos de Ecuaciones Simultáneas
Estimación MC2E, MVIL en Modelos de Ecuaciones Simultáneas Economía Aplicada III (UPV/EHU) OCW 2013 Contents 1 Mínimos Cuadrados en 2 Etapas 2 Mínimos Cuadrados en 2 Etapas El método de Mínimos Cuadrados
Más detallesNombre y Apellidos:... SOLUCIÓN EXAMEN de TÉCNICAS ECONOMÉTRICAS (Junio 2012, Convocatoria extraordinaria)
Nombre y Apellidos:... ID:... Grupo:... Ha realizado evaluación continua?... SOLUCIÓN EXAMEN de TÉCNICAS ECONOMÉTRICAS (Junio 2012, Convocatoria extraordinaria) Lea cuidadosamente cada pregunta. Responda
Más detallesEstimación MCO, MCI en Modelos de Ecuaciones Simultáneas
Estimación MCO, MCI en Modelos de Ecuaciones Simultáneas Economía Aplicada III (UPV/EHU) OCW 2013 Contents 1 Estimación MCO de la Forma Estructural 2 3 4 Estimador MCO de la FE Consideremos la -ésima ecuación
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 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 detallesMacroeconometría ( ) Examen final
Macroeconometría (2004 2005) Examen final Nikolas Müller-Plantenberg * 15 de junio de 2005 Nombre: Apellido: NIF: Instrucciones Por favor, no leer las preguntas antes de que la profesora lo indique. Hay
Más detallesECONOMETRIA II ADE LADE-DERECHO. CURSO 2006/2007
ECONOMETRIA II ADE LADE-DERECHO. CURSO 2006/2007 Hoja de ejercicios 3 PARTE A) Marque con una X la respuesta o respuestas correctas A.1. En el gabinete de estudios de una empresa de inversión en activos
Más detallesRegresión Lineal. Rodrigo A. Alfaro. Rodrigo A. Alfaro (BCCh) Regresión Lineal / 16
Regresión Lineal Rodrigo A. Alfaro 2009 Rodrigo A. Alfaro (BCCh) Regresión Lineal 2009 1 / 16 Contenidos 1 Regresiones Lineales Regresión Clásica Paquetes estadísticos 2 Estadísticos de Ajuste Global 3
Más detallesRegresión con errores autocorrelacionados
Series de tiempo Gerardo Ortega Miguel Pluma Luis Osorio Johnatan García 09 de diciembre de 2013 Contenido 1 Introducción Idea intuitiva 2 Algoritmo 3 Propiedades de los estimadores 4 Estadístico de Durbin-Watson
Más detallesModelos de regresión dinámicos y multiecuacionales
Modelos de regresión dinámicos y multiecuacionales Tomás del Barrio Castro Miquel Clar López Jordi Suriñach Caralt PID_00160620 FUOC PID_00160620 Modelos de regresión dinámicos y multiecuacionales Índice
Más detallesMétodos Estadísticos para Economía y Gestión IN 540 Clase 7
Métodos Estadísticos para Economía y Gestión IN 540 Clase 7 Perturbaciones no Esféricas 17 de junio de 2010 1 Preliminares Matriz de Varianzas y Covarianzas cuando ɛ t es un AR(1) Naturaleza y causas de
Más detallesat Nombre y Apellidos:... EXAMEN de TÉCNICAS ECONOMÉTRICAS (Enero 2014)
at Nombre y Apellidos:... NIU:... Grupo Reducido:... EXAMEN de TÉCNICAS ECONOMÉTRICAS (Enero 2014) Lea cuidadosamente cada pregunta. Marque muy claramente la respuesta de cada pregunta en la hoja de respuestas.
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 detallesEconometría II Grado en finanzas y contabilidad
Econometría II Grado en finanzas y contabilidad Modelos multivariantes estacionarios: VAR(p). La dependencia temporal. La causalidad en el sentido de Granger. La estimación de los modelos VAR. Profesora:
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 detallesCRONOGRAMA DE LA ASIGNATURA TRABAJO DEL ALUMNO DURANTE LA SEMANA. Elegir el proyecto empírico que se va a realizar durante el curso.
1 1 Características de los datos económicos de series temporales. Procesos estocásticos y series temporales. Estacionareidad y ergodicidad. Función de autocorrelación simple (FAC) y parcial (PAC). (Marcar
Más detallesProcesos Integrados. Si (Y t ) no es estacionario pero la serie (Z t ) de las primeras diferencias. Z t = Y t = Y t Y t 1,
Capítulo 5 Procesos Integrados Un proceso no estacionario puede no ser estable en la media, en la varianza o en las autocorrelaciones. Por ejemplo, las series 3, 5-13, 19, 29-31, 35-37, y 39 del Capítulo
Más detallesEconometría II Grado en finanzas y contabilidad
Econometría II Grado en finanzas y contabilidad Procesos autorregresivos Profesora: Dolores García Martos E-mail:mdgmarto@est-econ.uc3m.es Este documento es un resumen/modificación de la documentación
Más detallesMACROECONOMETRÍA. Tema 7: El modelo MCEq. Segundo Cuatrimestre (curso 2007/08), Depto. de Economía, UC3M. Profesor: Genaro Sucarrat
MACROECONOMETRÍA Tema 7: El modelo MCEq Segundo Cuatrimestre (curso 2007/08), Depto. de Economía, UC3M Profesor: Genaro Sucarrat (Coordinador: Juan J. Dolado) Introducción MMCEq: El estudio del modelo
Más detallesMacroeconometría (Primavera 2005) Examen de prueba
Macroeconometría (Primavera 2005) Examen de prueba Nikolas Müller-Plantenberg * 26 de mayo de 2005 Nombre: Apellido: NIF (sólo examen final): Instrucciones Por favor, no leer las preguntas antes de que
Más detallesSesión IV: Variables Instrumentales Variables Instrumentales
Sesión n Técnica T IV: Variables Instrumentales Lima, 2009 Departamento de Desarrollo Humano Fondo Español para Evaluación de Impacto Ejemplo para ilustrar Queremos evaluar un programa de capacitación
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 detallesEconometría II Grado en finanzas y contabilidad
Econometría II Grado en finanzas y contabilidad Modelos con variables cointegradas. Regresiones espurias. Cointegración. Contrastes de cointegración Profesora: Dolores García Martos E-mail:mdgmarto@est-econ.uc3m.es
Más detallesHerramientas para el Estudio de Mercado. Técnicas de Predicción.
Herramientas para el Estudio de Mercado Proyecciones Económicas Técnicas de Predicción. Profesor: Exaú Navarro Pérez Técnicas de Predicción. Introducción. Técnicas Elementales de Predicción. Modelo Econométrico.
Más detallesEconometría II Grado en finanzas y contabilidad
Econometría II Grado en finanzas y contabilidad Modelos VAR recursivos. Modelos univariantes dinámicos: los modelos de retardos autoregresivos distribuídos (ADL).Multiplicadores de impacto y de largo Profesora:
Más detallesMACROECONOMETRÍA. Tema 3: Contrastes y especificación de modelos. Segundo Cuatrimestre (curso 2006/07), Depto. de Economía, UC3M
MACROECONOMETRÍA Tema 3: Contrastes y especificación de modelos Segundo Cuatrimestre (curso 2006/07), Depto. de Economía, UC3M Profesor: Genaro Sucarrat (Coordinador: Juan J. Dolado) Introducción: Recordamos:
Más detallesNombre y Apellidos:... EXAMEN de TÉCNICAS ECONOMÉTRICAS (Junio 2011, Convocatoria extraordinaria)
Nombre y Apellidos:... ID:... Grupo:... Ha realizado evaluación continua?... EXAMEN de TÉCNICAS ECONOMÉTRICAS (Junio 2011, Convocatoria extraordinaria) Lea cuidadosamente cada pregunta. Responda muy claramente
Más detallesRegresión Lineal Múltiple
Universidad Nacional Agraria La Molina 2011-2 Efectos de Diagnósticos de Dos predictores X 1 y X 2 son exactamente colineales si existe una relación lineal tal que C 1 X 1 + C 2 X 2 = C 0 para algunas
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 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 detallesModelos ARCH y GARCH
Modelos y Roberto Cruz Oropesa Francisco Javier Rivera Miguel Ángel Sánchez Adán Uribe Bravo Diciembre 9, 2013 Series de Tiempo y Series Finacieras Series Financieras Hechos estilizados. Sea p t el precio
Más detallesGrado en Ciencias Ambientales. Matemáticas. Curso 11/12
Grado en Ciencias Ambientales. Matemáticas. Curso 11/12 Problemas Tema 1. Espacios Vectoriales. 1 Repaso de Estructuras Algebraicas 1.1. Construye explícitamente el conjunto A B, siendo A = {1, 2, 3},
Más detallescon los supuestos clásicos, uno de ellos es que ninguna de las variables X 1, X 2,, X K es
TEMA 2: EXTENSIONES DEL MODELO DE REGRESIÓN LINEAL MÚLTIPLE: MULTICOLINEALIDAD Y TRANSFORMACIONES LINEALES. Wooldridge: Capítulos 6 (apartado 6.1) y 7 Gujarati: Capítulos 9 (apartado 9.8), 10 y 12 1. MULTICOLINEALIDAD
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 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 detallesMatemáticas para la Empresa
Matemáticas para la Empresa 1 o L. A. D. E. Curso 2008/09 Relación 1. Espacios Vectoriales 1. a) En IR 2 se consideran las operaciones habituales: (x, y) + (x, y ) = (x + x, y + y ) λ(x, y) = (λx, λy)
Más detallesGUÍA DE EJERCICIOS 4 ECONOMETRIA III
GUÍA DE EJERCICIOS 4 ECONOMETRIA III 1) Se dispone de las series de diferencias anuales del logaritmo de las series mensuales índice de precios al consumo en España y la Comunidad de Andalucía y asumimos
Más detallesEstadística Diplomado
Diplomado HRB UNAM 1 / 25 1 Estimación Puntual Momentos Máxima Verosimiltud Propiedades 2 / 25 1 Estimación Puntual Momentos Máxima Verosimiltud Propiedades 2 Estimación por Intervalos Cantidades Pivotales
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 detalles4.5 Algoritmo RLS (Recursive Least Squares)
4.5 Algoritmo RLS (Recursive Least Squares) Método de mínimos cuadrados (LS) Ecuaciones normales Pseudoinversa Variantes del LS Algoritmo RLS (Recursive Least Squares) Introducción Cálculo recursivo de
Más detallesRelación 1. Espacios vectoriales
MATEMÁTICAS PARA LA EMPRESA Curso 2007/08 Relación 1. Espacios vectoriales 1. (a) En IR 2 se consideran las operaciones habituales: (x, y) + (x, y ) = (x + x, y + y ) λ(x, y) = (λx, λy) Demuestra que IR
Más detallesClase 3: Un modelo IS-LM dinámico
Clase 3: Un modelo IS-LM dinámico José L. Torres Universidad de Málaga Macroeconomía Avanzada José L. Torres (Universidad de Málaga) Clase 3: Un modelo IS-LM dinámico Macroeconomía Avanzada 1 / 26 Estructura
Más detallesINSTITUTO POLITÉCNICO NACIONAL ESCUELA SUPERIOR DE ECONOMÍA GUIA DE MODELOS ECONOMETRICOS ( ) ( ) ( ) (0.08)
GUIA DE MODELOS ECONOMETRICOS Se estimó el siguiente modelo de inversión: Fbk t = 31032550-92480.81r t + 6537785t + 0.79FBK t-1 (25993807) (674994.4) (2596703) (0.08) R 2 = 0.99 DW = 2.081 n = 53 R 2 ajustada
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 detallesEconometria con Series Temporales
May 24, 2009 Porque series temporales? Inhabilidad de la economia de producir experimentos controlados para estudiar relaciones causales entre variables. Una alternativa consiste en estudiar estas relaciones
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 detallesE.T.S. Minas: Métodos Matemáticos Resumen y ejemplos Tema 9: Sistemas de EDOs lineales
ETS Minas: Métodos Matemáticos Resumen y ejemplos Tema 9: Sistemas de EDOs lineales Francisco Palacios Escuela Politécnica Superior de Ingeniería de Manresa Universidad Politécnica de Cataluña Noviembre
Más detallesEjercicios Resueltos: Estimación de ecuaciones simultáneas
Ejercicios Resueltos: Estimación de ecuaciones simultáneas Román Salmerón Gómez Universidad de Granada 2 Consideremos el modelo de ecuaciones simultáneas dado por las dos ecuaciones siguientes: donde:
Más detallesDiferenciciación en R n
Diferenciciación en R n R. Álvarez-Nodarse Universidad de Sevilla Cómo definir la derivada? Definición Sea A un abierto de R n, a A y f : A R n R m. La derivada parcial i-ésima (1 i n) de f en a se define
Más detallesPrácticas Tema 6. Modelos de ecuaciones simultáneas
Prácticas Tema 6. Modelos de ecuaciones simultáneas Ana J. López y Rigoberto Pérez Dpto. Economía Aplicada, Universidad de Oviedo PRÁCTICA 6.1- La oferta agregada de determinado producto agrícola (QS)
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 detallesOPTIMIZACIÓN DINÁMICA
OPTIMIZACIÓN DINÁMICA Francisco Alvarez González fralvare@ccee.ucm.es TEMA 6 Algunas aplicaciones del principio del máximo de Pontryagin 1. Modelo de Ramsey en horizonte finito sin descuento.. Recursos
Más detallesEconometría II Grado en finanzas y contabilidad
Econometría II Grado en finanzas y contabilidad Metodología Box-Jenkins Profesora: Dolores García Martos E-mail:mdgmarto@est-econ.uc3m.es Este documento es un resumen/modificación de la documentación elaborada
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 detallesModelo de Regresión Lineal Simple
1. El Modelo Modelo de Regresión Lineal Simple El modelo de regresión lineal simple es un caso especial del múltple, donde se tiene una sola variable explicativa. y = β 0 + β 1 x + u (1.1) Donde u representa
Más detallesLección 6: Ecuaciones diferenciales
Lección 6: Ecuaciones diferenciales 61 Introducción La estática comparativa ha dominado el estudio de la economía durante mucho tiempo, y aún hoy se sigue utilizando para resolver muchos problemas económicos
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 detallesInferencia y Especificación en Modelos de Ecuaciones Simultáneas
Inferencia y Especificación en Modelos de Ecuaciones Simultáneas Economía Aplicada III (UPV/EHU) OCW 2013 Contenidos 1 Inferencia con estimadores de información limitada Contrastes de restricciones con
Más detallesMODELOS DE SERIES DE TIEMPO 1. Modelos capaces de predecir, interpretar y evaluar hipótesis con datos económicos y financieros.
MODELOS DE SERIES DE TIEMPO 1 Introducción Modelos capaces de predecir, interpretar y evaluar hipótesis con datos económicos y financieros. Originalmente tuvieron como objetivo hacer predicciones. Descomposición
Más detallesNORMAS El examen consta de dos partes: Diez Cuestiones: (tiempo: 60 minutos)
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 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 detallesRegresión lineal simple
Regresión lineal simple Unidad 1 Javier Santibáñez IIMAS, UNAM jsantibanez@sigma.iimas.unam.mx Semestre 2018-2 Javier Santibáñez (IIMAS, UNAM) Regresión simple Semestre 2018-2 1 / 62 Contenido 1 Planteamiento
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. 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 detallesHoja 4 Variables aleatorias multidimensionales
Hoja 4 Variables aleatorias multidimensionales 1.- Estudiar si F (x, y) = 1, si x + 2y 1, 0, si x + 2y < 1, es una función de distribución en IR 2. 2.- Dada la variable aleatoria 2-dimensional (X, 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 detallesMODELOS DE ECUACIONES SIMULTANEAS
Universidad de Murcia Workshop Grupo de computación paralela 15 de Diciembre de 2010 1 Modelos de Ecuaciones Simultáneas. 2 3 4 Conceptos previos. La regresión lineal es un método matemático que modeliza
Más detalles1. Control de Mínima Varianza
. Control de Mínima Varianza. CONTROL DE MÍNIMA VARIANZA..... PLANTEO DEL PROBLEMA..... CRITERIO DE OPTIMIZACIÓN...5.3. PREDICCIÓN ÓPTIMA...8.3.. Forma intuitiva...8... Caso General...0.3.. Cálculo del
Más detallesMaestría en Matemáticas
Reactivos Propuestos para Examen de Admisión (ASN) Ingreso en Agosto de 203. Sea R el conjunto de los números reales y S el conjunto de todas las funciones valuadas en los reales con dominio en R. Muestre
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 detalles2.10 Ejercicios propuestos
Ejercicios propuestos 99 1 0 0 0 x 1 0 1 0 0 x 2 0 0 1 0 x 3 x 2 0 0 0 1 x 4 + x 1 +4x 2 + x 3 x 2 0 0 0 1 x 5 x 2 1 0 0 0 x 1 0 1 0 0 x 2 0 0 1 0 x 3 x 2 0 0 0 1 x 4 + x 1 +4x 2 + x 3 x 2 0 0 0 0 x 5
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 detallesDiscusión de sistemas
Discusión de s 3x + y z = 1 1. Discutir según los valores del parámetro k el x y + z = 3 kx + 5y 4z = 1 x + my + z = m +. Discutir según los valores del parámetro m el x + y + mz = (m + 1) mx + y + z =
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 detallesTEMA 6. Modelos para Datos de Panel
TEMA 6. Modelos para Datos de Panel Profesor: Pedro Albarrán Pérez Universidad de Alicante. Curso 2010/2011. Contenido 1 Introducción 2 Modelos estáticos Modelo con Efectos Individuales: Fijos y Aleatorios
Más detallesEconometría II LADE/LADE-DERECHO Prof. Esther Ruiz Curso 2007/2008. Práctica 6
Econometría II LADE/LADE-DERECHO Prof. Esther Ruiz Curso 2007/2008 Práctica 6 El objetivo de esta práctica es el análisis de las relaciones dinámicas entre el tipo de interés Overnight (Swaps) a 9 meses
Más detallesGeneralmente, el objetivo de cualquier estudio de econometría es la. búsqueda de relaciones matemáticas que permitan explicar el comportamiento
5. METODOLOGÍA ECONOMÉTRICA. Generalmente, el objetivo de cualquier estudio de econometría es la búsqueda de relaciones matemáticas que permitan explicar el comportamiento de una variable económica a partir
Más detallesEspacios Vectoriales
Espacios Vectoriales Espacios Vectoriales Verónica Briceño V. noviembre 2013 Verónica Briceño V. () Espacios Vectoriales noviembre 2013 1 / 47 En esta Presentación... En esta Presentación veremos: Espacios
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 detallesModelo lineal general (K variables)
Modelo lineal general (K variables) Interpretación y usos Mariana Marchionni marchionni.mariana@gmail.com Mariana Marchionni Modelo lineal general 1 / 45 Temario de la clase 1 El modelo lineal general
Más detallesLADE y DER-LADE. Primer evaluación parcial
ECONOMETRÍA II CURSO 2007 LADE y DER-LADE Primer evaluación parcial 1. Considere la variable y t para el proceso y t = c + φ y t 1 + a t, donde a t es un ruido blanco. Suponga para φ los valores φ = 0.3
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 detallesEconometría de series de tiempo aplicada a macroeconomía y finanzas
Econometría de series de tiempo aplicada a macroeconomía y finanzas Series de Tiempo no Estacionarias Carlos Capistrán Carmona ITAM Tendencias Una tendencia es un movimiento persistente de largo plazo
Más detallesEXTENSIÓN DEL MODELO DE REGRESIÓN LINEAL DE DOS VARIABLES
EXTENSIÓN DEL MODELO DE REGRESIÓN LINEAL DE DOS VARIABLES REGRESIÓN A TRAVÉS DEL ORIGEN Y Y i = β 1 + β 2X i + ε i Y i = β 2X i + ε i X A MENOS QUE EXISTA UNA EXPECTATIVA A PRIORI MUY FUERTE ES ACONSEJABLE
Más detallesRelación 3 de problemas
ESTADÍSTICA II Curso 2016/2017 Grado en Matemáticas Relación 3 de problemas 1. La Comunidad de Madrid evalúa anualmente a los alumnos de sexto de primaria de todos los colegios sobre varias materias. Con
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 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 detallesApuntes de Series Temporales
Apuntes de Series Temporales David Rodríguez 7 de Noviembre de 2009. Modelos de Series Temporales Modelo AR() El modelo AutoRegresivo AR() es un proceso aleatorio de la forma X t = ϕx t + σϵ t, ϵ t N (0,
Más detalles