T2. El modelo lineal simple
|
|
- Manuela Jiménez Hernández
- hace 7 años
- Vistas:
Transcripción
1 T2. El modelo lineal simple Ana J. López y Rigoberto Pérez Dpto Economía Aplicada. Universidad de Oviedo Curso Curso / 40
2 Índice 1 Planteamiento e hipótesis básicas 2 Estimación de los parámetros de regresión 3 Propiedades de los estimadores Teorema de Gauss-Markov Estimación con Gretl 4 Intervalos de confianza 5 Contrastes asociados a un modelo ANOVA Evaluación de la capacidad explicativa 6 Predicción Evaluación de predicciones Curso / 40
3 El modelo lineal simple Competencias El modelo lineal simple ya ha sido estudiado en la asignatura Introducción a la estadística económica, si bien entonces se adoptaba una óptica descriptiva y ahora se completa con el análisis inferencial, incluyendo la construcción de intervalos de confianza y la realización de contrastes asociados a un modelo. Una vez superado este tema los alumnos serán capaces de: Estimar e interpretar los parámetros de un modelo lineal simple. Enunciar y resolver el contraste de significación del modelo. Utilizar las opciones de estimación de Grel e interpretar correctamente el output. Curso / 40
4 Planteamiento e hipótesis básicas Especificación de un modelo Teoría económica Y = f(x) Supuestos teóricos Conductas humanas Componente aleatoria u Errores de medida Factores no medibles Modelo econométrico Y = f(x) + u Teoría Keynesiana: C t = β 1 + β 2 R t Hipótesis: β 1 > 0, 0 < β 2 < 1 Componente errática del consumo: u Modelo econométrico del Consumo: C t = β 1 + β 2 R t + u t Curso / 40
5 Planteamiento e hipótesis básicas Hipótesis básicas Hipótesis Supuesto Hipótesis sobre u sobre Y Esperanza E(u i ) = 0 Esperanza de la E(Y /X i ) = β 1 + β 2 X i i = 1,..., n perturbación nula i = 1,..., n Varianza Var(u i ) = σ 2 Homocedasticidad Var(Y /X i ) = σ 2 i = 1,..., n i = 1,..., n Correlación Cov(u i, u j ) = 0 No Cov(Y /X i, Y /X j ) = 0 i j = 1,..., n autocorrelación i j = 1,..., n Distr.Prob. u i N (0, σ) Normalidad Y /X i N (β 1 + β 2 X i, σ) na J. López y Rigoberto Pérez (Dpto Economía Aplicada. T2. ElUniversidad modelo lineal de simple Oviedo) Curso / 40
6 Planteamiento e hipótesis básicas Modelo de regresión Línea de regresión poblacional Curso / 40
7 Estimación de los parámetros de regresión Estimación del modelo Información estadística Muestras temporales Muestras de corte transversal Muestras de panel Métodos de estimación Método de mínimos cuadrados Método de máxima verosimilitud Método de los momentos Análisis de los estimadores Curso / 40
8 Estimación de los parámetros de regresión Estimación Objetivos: Estimar un modelo lineal Ŷ i = ˆβ 1 + ˆβ 2 X i que aproxime lo mejor posible los valores observados de Y. Ŷ i = ˆβ 1 + ˆβ 2 X i Y i û i = Y i Ŷ i Valores estimados Valores observados Errores de estimación o residuos Curso / 40
9 Estimación de los parámetros de regresión Estimación mínimo cuadrática Función a minimizar n n ) 2 n ) 2 ûi 2 = (Y i Ŷ i = (Y i ˆβ 1 ˆβ 2 X i Estimadores mínimo cuadráticos (EMC) n ( Xi X ) ( Y i Ȳ ) ˆβ 2 = S XY S 2 X = n ( Xi X ) 2 ˆβ 1 = Ȳ ˆβ 2 X Curso / 40
10 Estimación de los parámetros de regresión Estimadores mínimo cuadráticos Propiedades descriptivas n û i = 0 Ȳ = ˆβ 1 + ˆβ 2 X n X i û i = 0 n Ŷ i û i = 0 Curso / 40
11 Estimación de los parámetros de regresión Estimación máximo verosímil u i N (0, σ) Y /X i N (β 1 + β 2 X i, σ) f (y i ) = f (y i, β 1, β 2, σ 2 ) = 1 e 1 (y i β 1 β 2 x i ) 2 2 σ 2 2πσ L(y 1,, y n, β 1, β 2, σ 2 ) = n f (y i, β 1, β 2, σ 2 ) ( = n 1 2πσ e 1 2 ) (y i β 1 β 2 x i ) 2 σ 2 ( ) n = 1 2πσ e 1 n (y i β 1 β 2 x i ) 2 2 σ 2 Curso / 40
12 Estimación de los parámetros de regresión Estimación máximo verosímil Función a maximizar ln L(y 1,..., y n, β 1, β 2, σ 2 ) = n 2 ln(2π) n 2 ln(σ2 ) 1 2 n (y i β 1 β 2 x i ) 2 σ 2 Estimadores máximo verosímiles (EMV) ˆβ 2 = S XY S 2 X ; ˆβ 1 = Ȳ ˆβ 2 X ˆσ 2 = n ûi 2 n Curso / 40
13 Propiedades de los estimadores Características de los estimadores Estimadores Esperanzas Varianzas ˆβ 1 ( ) ( ) E ˆβ1 = β 1 Var ˆβ1 = σ 2 n X 2 i n n (X i X) 2 ˆβ 2 ( ) ( ) E ˆβ 2 = β 2 Var ˆβ 2 σ = 2 n (X i X) 2 Propiedades de los estimadores: Insesgados, Consistentes, Óptimos na J. López y Rigoberto Pérez (Dpto Economía Aplicada. T2. ElUniversidad modelo lineal de simple Oviedo) Curso / 40
14 Propiedades de los estimadores Teorema de Gauss-Markov Teorema de Gauss-Markov Dentro de la familia de estimadores lineales e insesgados, los EMC son óptimos en el sentido de que presentan mínima varianza Curso / 40
15 Propiedades de los estimadores Teorema de Gauss-Markov Distribución de los estimadores Distribución de ˆβ 1 y ˆβ 2 Bajo la hipótesis de normalidad de las perturbaciones u N (0, σ) se garantiza la normalidad de los estimadores: ) ˆβ 1 N (β 1, σ ˆβ1 ) ; ˆβ2 N (β 2, σ ˆβ2 Estimador de la varianza La varianza σ 2 es deconocida y por tanto también lo serán: σ 2ˆβ 1 y σ 2ˆβ 2 S 2 = n ûi 2 n 2 E(S 2 ) = σ 2 Curso / 40
16 Propiedades de los estimadores Teorema de Gauss-Markov Estimación de las varianzas σ 2 n X 2 i ( ) Var ˆβ1 = n n ( Xi X ) 2 S 2 n X 2 i S 2ˆβ1 = n n ( Xi X ) 2 S 2ˆβ 2 = S 2 n ( Xi X ) 2 Curso / 40
17 Propiedades de los estimadores Estimación con Gretl Estimación con Gretl Modelo 1: MCO, usando las observaciones (T = 15) Variable dependiente: consumo Coeficiente Desv. típica const -49, ,9325 renta 0, }{{} 0, } {{ } = ˆβ 2 =S ˆβ2 na J. López y Rigoberto Pérez (Dpto Economía Aplicada. T2. ElUniversidad modelo lineal de simple Oviedo) Curso / 40
18 Propiedades de los estimadores Estimación con Gretl Estimación con Gretl 900 consumo con respecto a renta (con ajuste mínimo-cuadrático) Y = X consumo renta Curso / 40
19 Intervalos de confianza Análisis inferencial Para los parámetros de regresión ( ) ˆβ N β, σ ˆβ ˆβ β σ ˆβ N (0, 1) ˆβ β S ˆβ t n 2 Para la varianza poblacional d S 2 = (n 2)S 2 σ 2 χ 2 n 1 Curso / 40
20 Intervalos de confianza Intervalos de confianza para los parámetros de regresión IC para β con un nivel de confianza 1 α ( ) ( ) d ˆβ β P ˆβ k α = 1 α P k α = 1 α ( ) [ P ˆβ k α S ˆβ β ˆβ + k α S ˆβ = 1 α ˆβ ks ˆβ, ˆβ + ks ˆβ] S ˆβ 0.5 Función de densidad t(n-2=13) Valores probabilidad a dos colas = 0.05 Valor crítico k α= Curso / 40
21 Intervalos de confianza Intervalos de confianza para la varianza poblaconal IC para σ 2 con un nivel de confianza 1 α ( ) ( ) (n 2)S 2 (n 2)S 2 P σ 2 < k 1 = P σ 2 > k 2 = α 2 [ (n 2)S 2 k 2, ] (n 2)S 2 k Función de densidad Chi-cuadrado(n-2=13) probabilidad en la cola derecha = Valores Valor crítico k α= Curso / 40
22 Contrastes asociados a un modelo Contrastes de significación: Y i = β 1 + β 2 X i + u i Contraste básico: explica X los cambios de Y? Valor muestral: H 0 : β 2 = 0 H 1 : β 2 0 Contraste individual t de Student ˆβ 2 β 2 S ˆβ2 t n 2 Nivel crítico: p = P d ˆβ2 = ˆβ 2 S ˆβ 2 ( ) t n 2 > d ˆβ2 Conclusión: Para p bajo se rechaza la hipótesis (por tanto se concluye que X tiene sentido para explicar Y) na J. López y Rigoberto Pérez (Dpto Economía Aplicada. T2. ElUniversidad modelo lineal de simple Oviedo) Curso / 40
23 Contrastes asociados a un modelo Contraste de significación con Gretl Modelo 1: MCO, usando las observaciones (T = 15) Variable dependiente: consumo Coeficiente Desv. Típica Estadístico t Valor p const *** renta ,3539 }{{} 0,0000 }{{} *** ˆβ 2 0 p=p( t 13 >46,3539) = S ˆβ 0, Conclusión Se rechaza la nulidad del coeficiente de la renta y por tanto ésta es una variable relevante para explicar el consumo Curso / 40
24 Contrastes asociados a un modelo ANOVA Análisis de la varianza Ŷi = ˆβ 1 + ˆβ 2 X i VT = n ( Yi Ȳ ) 2 VE = n ) 2 n (Ŷi Ȳ ; VNE = ûi 2 na J. López y Rigoberto Pérez (Dpto Economía Aplicada. T2. ElUniversidad modelo lineal de simple Oviedo) Curso / 40
25 Contrastes asociados a un modelo ANOVA Análisis de la varianza (ANOVA) ( Yi Ȳ ) = ) ) (Ŷi Ȳ + (Y i Ŷ i n ( Yi Ȳ ) n ) 2 2 n ) 2 = (Ŷi Ȳ + (Y i Ŷ i ANOVA en Gretl Análisis de Varianza: Suma de cuadrados gl Media de cuadrados Regresión (VE) Residuo (VNE) Total (VT) R 2 = / = F(1, 13) = / = [Valor p 7.98e-16] Curso / 40
26 Contrastes asociados a un modelo ANOVA Análisis de varianza (ANOVA) VT VE VNE Variabilidad g.l. Ratios n ( Yi Ȳ ) 2 n ) 2 (Ŷi Ȳ = ˆβ 2 2 n n ( Xi X ) 2 ( ) 2 n Y i Ŷi = n-1 1 ˆβ 2 2 n (Y i Ȳ ) 2 n 1 n ( Xi X ) 2 û 2 i n-2 S 2 = n ûi 2 n 2 VE 1 VNE n 2 = ˆβ 2 2 n (X i X ) 2 S 2 F 1 n 2 ; R 2 = 1 VNE VT n ûi 2 = 1 n ( Yi Ȳ ) 2 Curso / 40
27 Contrastes asociados a un modelo ANOVA Contraste F Y i = β 1 + β 2 X i + u i Contraste H 0 : β 2 = 0 H 1 : β 2 0 n (X i X ) 2 ˆβ 2 2 S 2 F 1 n 2 Si el modelo propuesto es adecuado la variación explicada será muy superior a la no explicada, con lo que el ratio F adoptará un valor elevado y su nivel crítico será reducido. En el modelo lineal simple este contraste es equivalente al de la t de Student ya que se cumple: F 1 n 2 = (t n 2) 2 Curso / 40
28 Contrastes asociados a un modelo Evaluación de la capacidad explicativa Medidas de bondad de un modelo Coeficiente de determinación Proporción de la variación de Y que viene explicada por X R 2 = 1 Acotación: 0 R 2 1 n ûi 2 n ( Yi Ȳ ) = 2 n ) 2 (Ŷi Ȳ n ( Yi Ȳ ) 2 Error estándar de la regresión n û i 2 S = n 2 Curso / 40
29 Predicción Predicción ex-post y ex-ante Curso / 40
30 Predicción Predicción Predicciones condicionadas Los modelos econométricos estimados permiten obtener predicciones condicionadas a determinados valores de la variable explicativa. Horizonte de predicción Ŷ 0 = ˆβ 1 + ˆβ 2 X 0 En modelos temporales, considerando horizontes de predicción 1, 2, 3...T las predicciones se obtendrán sustituyendo en el modelo estimado los correspondientes valores de la variable X en esos periodos. Curso / 40
31 Predicción Predicciones estáticas y dinámicas Generalmente realizaremos predicciones estáticas, condicionadas a los valores registrados de X y con horizonte de predicción 1. Cuando intervienen como explicativas variables endógenas retardadas es posible realizar predicciones dinámicas, que a medida que aumenta el horizonte de predicción irán condicionadas a las predicciones anteriores. Período muestral Predicción Estática Predicción Dinámica na J. López y Rigoberto Pérez (Dpto Economía Aplicada. T2. ElUniversidad modelo lineal de simple Oviedo) Curso / 40
32 Predicción Elaboración de predicciones Predicción de Y para un valor X 0 Error de predicción Ŷ 0 = ˆβ 1 + ˆβ 2 X 0 eŷ0 = Y 0 Ŷ 0 = Y 0 E (Y /X 0 ) + E (Y /X }{{} 0 ) Ŷ }{{} 0 Error poblacional Error muestral Varianza del error de predicción ) Var = σ (eŷ ( n + X0 X ) 2 n ( Xi X ) 2 Curso / 40
33 Predicción Elaboración de predicciones Intervalo de confianza al nivel 1 α para la predicción de Y cuando X = X 0 ks Ŷ n + ( X0 X ) 2 n ( Xi X ), Ŷ 0 + ks n + siendo k el valor tal que P ( t n 2 > k) = 1 α ( X0 X ) 2 n ( Xi X ) 2 Curso / 40
34 Predicción Predicción con Gretl Gretl: En la salida del modelo, Análisis Predicciones... Curso / 40
35 Predicción Predicción con Gretl Para intervalos de confianza 95 %, t(22,.0.025) = Obs. consumo predicción Desv. Típica Intervalo de confianza 95 % predicción ex-post, predicción ex-ante Curso / 40
36 Predicción Predicción con Gretl Curso / 40
37 Predicción Evaluación de predicciones Evaluación de predicciones Error medio (EM) Error cuadrático medio (ECM) Raiz del error cuadrático medio (RECM) Error absoluto medio (EAM) Porcentaje de error medio Porcentaje de error absoluto medio 1 T ) (Y t Ŷ t T t=1 1 T ( ) 2 Y t T Ŷt t=1 1 T ) 2 (Y t Ŷ t T t=1 1 T Y t Ŷ t T ( t=1 ) T Y t Ŷt 100 t=1 TY t T Y t Ŷ t 100 TY t t=1 Curso / 40
38 Predicción Evaluación de predicciones Índice de Theil 1 T U de Theil U = 1 T T 1 t=1 T 1 t=1 ( Y t+1 Ŷ t+1 Y t ( Yt+1 Y t Y t ) 2 ) 2 El índice de Theil puede ser interpretado como el ratio entre las raíces del error cuadrático medio asociadas al modelo propuesto y a un modelo naive o ingenuo que asignase como predicción el valor actual (Ŷt+1 = Y t ). Predicciones ingenuas Ŷ t+1 = Y t U=1 Predicciones perfectas Ŷ t+1 = Y t+1 U=0 Curso / 40
39 Predicción Evaluación de predicciones Índice de Theil Además Theil propone una descomposición de los errores cuadráticos de predicción en tres términos, denominados respectivamente de sesgo, de regresión y de perturbación: ( Ŷ Ȳ ) 2 Proporción de sesgo ECM Proporción de regresión Proporción de error ( SŶ r Y Ŷ S Y ) 2 ECM ( ) 1 r 2 S 2 Y Ŷ Y ECM Es deseable que las proporciones de sesgo y de regresión sean lo más Anapequeñas J. López y Rigoberto posibles Pérez (Dpto Economía Aplicada. T2. ElUniversidad modelo lineal de simple Oviedo) Curso / 40
40 Predicción Evaluación de predicciones Evaluación de predicciones con Gretl Gretl: En la salida del modelo, Análisis Predicciones... Estadísticos de evaluación de la predicción Error medio Error cuadrático medio Raíz del Error cuadrático medio Error absoluto medio Porcentaje de error medio Porcentaje de error absoluto medio U de Theil Proporción de sesgo, UM Proporción de regresión, UR Proporción de perturbación, UD e-16 Curso / 40
T3. 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 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 detallesPrácticas Tema 2: El modelo lineal simple
Prácticas Tema 2: El modelo lineal simple Ana J. López y Rigoberto Pérez Departamento de Economía Aplicada. Universidad de Oviedo PRACTICA 2.1- Se han analizado sobre una muestra de 10 familias las variables
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 detallesPrácticas Tema 5. Ampliaciones del Modelo lineal básico
Prácticas Tema 5. Ampliaciones del Modelo lineal básico Ana J. López y Rigoberto Pérez Dpto. Economía Aplicada, Universidad de Oviedo PRÁCTICA 5.1. Se ha examinado la evolución reciente de las ventas de
Más 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 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 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 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 detallesEstadística aplicada al medio ambiente
Estadística aplicada al medio ambiente III. Regresión lineal 3 o de CC. AA. Departamento de Matemáticas Universidad Autónoma de Madrid 2011/12 Planteamiento Modelo Estimación de parámetros Intervalos de
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 detallesTEMA 4 Modelo de regresión múltiple
TEMA 4 Modelo de regresión múltiple José R. Berrendero Departamento de Matemáticas Universidad Autónoma de Madrid Análisis de Datos - Grado en Biología Estructura de este tema Modelo de regresión múltiple.
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 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 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 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 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 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 detallesTODO ECONOMETRIA. Bondad del ajuste Contraste de hipótesis
TODO ECONOMETRIA Bondad del ajuste Contraste de hipótesis Índice Bondad del ajuste: Coeficiente de determinación, R R ajustado Contraste de hipótesis Contrastes de hipótesis de significación individual:
Más detallesT6. Modelos multiecuacionales
T6. Modelos multiecuacionales Ana J. López y Rigoberto Pérez Dpto Economía Aplicada. Universidad de Oviedo Curso 2010-2011 Curso 2010-2011 1 / 41 Índice 1 Los modelos multiecuacionales: SUR y SEM 2 Modelos
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 Heterocedasticidad_2
Ejercicio heterocedasticidad 2. 1 Ejercicio Heterocedasticidad_2 Tengamos los siguientes datos de los beneficios (B i ) y ventas (V i ) de 20 empresas: obs B V 1 13,2 61 2 15 78 3 22,2 158 4 15,2 110 5
Más detallesTEMA 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 detallesTema 8: Regresión y Correlación
Tema 8: Regresión y Correlación Estadística. 4 o Curso. Licenciatura en Ciencias Ambientales Licenciatura en Ciencias Ambientales (4 o Curso) Tema 8: Regresión y Correlación Curso 2008-2009 1 / 12 Índice
Más 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 detallesEstadística II Examen Final 19/06/2015 Soluciones. Responda a las preguntas siguientes en los cuadernillos de la Universidad
Estadística II Examen Final 19/06/2015 Soluciones Responda a las preguntas siguientes en los cuadernillos de la Universidad Utilice diferentes cuadernillos para responder a cada uno de los ejercicios Indique
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 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 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 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 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 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 detallesEstrategia de análisis estadístico de los datos. Inferencia Estadística y contraste de hipótesis
Estrategia de análisis estadístico de los datos. Inferencia Estadística y contraste de hipótesis VDC Prof. Mª JOSÉ PRIETO CASTELLÓ MÉTODOS ESTADÍSTICOS. TÉCNICAS ESTADÍSTICA DESCRIPTIVA TEORÍA DE LA PROBABILIDAD
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 detallesTema 10: Introducción a los problemas de Asociación y Correlación
Tema 10: Introducción a los problemas de Asociación y Correlación Estadística 4 o Curso Licenciatura en Ciencias Ambientales Licenciatura en Ciencias Ambientales (4 o Curso) Tema 10: Asociación y Correlación
Más detallesModelo de Regresión Lineal
Modelo de Regresión Lineal Álvaro José Flórez 1 Escuela de Ingeniería Industrial y Estadística Facultad de Ingenierías Febrero - Junio 2012 Introducción Un ingeniero, empleado por un embotellador de gaseosas,
Más detallesSe permite un folio escrito por las dos caras. Cada problema se realiza en hojas diferentes y se entregan por separado.
NORMAS El examen consta de dos partes: 0.0.1. Diez Cuestiones: ( tiempo: 60 minutos) No se permite ningún tipo de material (libros, apuntes, calculadoras,...). No se permite abandonar el aula una vez repartido
Más 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 detallesEstadística II. Laura M. Castro Souto
Estadística II Laura M. Castro Souto Segundo Cuatrimestre Curso 2000/2001 Modelos de Regresión Diferencias con el Diseño de Experimentos Los modelos de regresión estudian relaciones numéricas entre variables
Más detallesProfesor: Hugo S. Salinas. Primer Semestre Tabla 1: Inteligencia y Rendimiento. X Y Figura 1: Inteligencia y Rendimiento.
UNIVERSIDAD DE ATACAMA FACULTAD DE CIENCIAS JURÍDICAS / CARRERA DE TRABAJO SOCIAL TECNOLOGÍA INFORMÁTICA I (SPSS) ESTADÍSTICA DESCRIPTIVA CON MÁS DE UNA VARIABLE Profesor: Hugo S. Salinas. Primer Semestre
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 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 detallesESTADÍSTICA. Tema 4 Regresión lineal simple
ESTADÍSTICA Grado en CC. de la Alimentación Tema 4 Regresión lineal simple Estadística (Alimentación). Profesora: Amparo Baíllo Tema 4: Regresión lineal simple 1 Estructura de este tema Planteamiento del
Más detallesEstadística II Examen final junio 27/6/17 Curso 2016/17 Soluciones
Estadística II Examen final junio 27/6/7 Curso 206/7 Soluciones Duración del examen: 2 h y 5 min. (3 puntos) Los responsables de un aeropuerto afirman que el retraso medido en minutos en el tiempo de salida
Más detalles478 Índice alfabético
Índice alfabético Símbolos A, suceso contrario de A, 187 A B, diferencia de los sucesos A y B, 188 A/B, suceso A condicionado por el suceso B, 194 A B, intersección de los sucesos A y B, 188 A B, unión
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 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 detallesREGRESIÓN Y ESTIMACIÓN TEMA 1: REGRESIÓN LINEAL SIMPLE
UNIDAD 3 REGRESIÓN Y ESTIMACIÓN TEMA 1: REGRESIÓN LINEAL SIMPLE Relación entre variables de interés 1 Relación entre variables de interés Muchas decisiones gerenciales se basan en la relación entre 2 o
Más detallesEstadística II Examen final junio - 17/06/16 Curso 2015/16 Soluciones Duración del examen: 2 h. y 45 min.
Estadística II Examen final junio - 17/06/16 Curso 201/16 Soluciones Duración del examen: 2 h. y 4 min. 1. (3, puntos) La publicidad de un fondo de inversión afirma que la rentabilidad media anual del
Más 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 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 detallesEXAMEN DE ESTADÍSTICA II Junio de 2002 SOLUCIÓN (tiempo:100 minutos)
EXAMEN DE ESTADÍSTICA II Junio de 2002 SOLUCIÓN (tiempo:100 minutos) PROBLEMA 1 Se quiere comparar la cantidad de energía necesaria para realizar 3 ejercicios o actividades: andar, correr y montar en bici.
Más detallesSolución Ejercicio 7.
Solución Ejercicio 7. Heterocedasticidad y autocorrelación. Ejercicio 7.1 Alquiler de sombrillas Primera parte a. Modelo: S t = α + βt t + u t t = 1,..., 22 Modelo 1: MCO, usando las observaciones 2012-04-30
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 detalles1. Conceptos de Regresión y Correlación. 2. Variables aleatorias bidimensionales. 3. Ajuste de una recta a una nube de puntos
TEMA 10 (curso anterior): REGRESIÓN Y CORRELACIÓN 1 Conceptos de Regresión y Correlación 2 Variables aleatorias bidimensionales 3 Ajuste de una recta a una nube de puntos 4 El modelo de la correlación
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 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 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 detallesRegresión Lineal Simple y Múltiple Regresión Logística
Regresión Lineal Simple y Múltiple Regresión Logística Miguel González Velasco Departamento de Matemáticas. Universidad de Extremadura MUI en Ciencias de la Salud MUI en Ciencias de la Salud (UEx) Regresión
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 detallesEstadística II Examen final enero 19/1/17 Curso 2016/17 Soluciones Duración del examen: 2 h y 15 min
Estadística II Examen final enero 19/1/17 Curso 016/17 Soluciones Duración del examen: h y 15 min 1. 3 puntos El Instituto para la Diversificación y Ahorro de la Energía IDAE ha publicado un estudio sobre
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 detallesTema 3: Estimación estadística de modelos probabilistas. (primera parte)
Tema 3: Estimación estadística de modelos probabilistas. (primera parte) Estructura de este tema: 1. 2 Estimación por intervalos de confianza. 3 Contrastes de hipótesis. Planteamiento del problema Inconveniente:
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 detallesEjemplo 7.1. Heterocedasticidad. Pilar González y Susan Orbe. Dpto. Economía Aplicada III (Econometría y Estadística)
Ejemplo 7.1 Heterocedasticidad Pilar González y Susan Orbe Dpto. Economía Aplicada III (Econometría y Estadística) Pilar González y Susan Orbe OCW 2013 Ejemplo 7.1. Heterocedásticidad 1 / 22 Enunciado.
Más detallesUnidad 1 DISTRIBUCIONES MUESTRALES Objetivo particular El alumno identificará distribuciones discretas y continuas, obtendrá la probabilidad de
Nombre de la materia Estadística Inferencial Departamento Ciencias Aplicadas de la Información Academia Ciencias Básicas Clave Horas-teoría Horas-práctica Horas-AI Total-horas Créditos I4863 60 20 0 80
Más detalles= 15 CALIFICACION:
6 + 4 + 5 = 15 CALIFICACION: Vacacion.xls Este fichero está adaptado del fichero vacation.gdt del libro de Hill et al.(2008) que se puede descargar en: http://gretl.sourceforge.net/gretl data.html PARTE
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 detallesEJERCICIOS RESUELTOS DE ECONOMETRÍA CON GRETL
EJERCICIOS RESUELTOS DE ECONOMETRÍA CON GRETL PRÁCTICA Rosa Badillo Amador Susana Tena Nebot Rocío Munuera Navarro PRÁCTICA Se pretende analizar de qué factores depende el salario mensual de las familias
Más detallesCurso: 2º Créditos ECTS: 6 Tipo de asignatura: Obligatoria Tipo de formación: Teórico-Práctica
Ficha Técnica Titulación: Grado en Economía Plan BOE: BOE número 75 de 28 de marzo de 2012 Asignatura: Módulo: Instrumental Curso: 2º Créditos ECTS: 6 Tipo de asignatura: Obligatoria Tipo de formación:
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 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 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 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 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 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 detallesPROGRAMA DE CURSO. Código Nombre ESTADÍSTICA PARA LA ECONOMÍA Y GESTIÓN Nombre en Inglés Statistics for Economics and Management Unidades
PROGRAMA DE CURSO Código Nombre IN3401 ESTADÍSTICA PARA LA ECONOMÍA Y GESTIÓN Nombre en Inglés Statistics for Economics and Management es Horas Docencia Horas de Trabajo SCT Horas de Cátedra Docentes Auxiliar
Más detallesESTADÍSTICA APLICADA. Tema 4: Regresión lineal simple
ESTDÍSTIC PLICD Grado en Nutrición Humana y Dietética Planteamiento del problema Tema 4: Regresión lineal simple Recta de regresión de mínimos cuadrados El modelo de regresión lineal simple IC y contrastes
Más detallesModelación estadística: La regresión lineal simple
Modelación estadística: La regresión lineal simple Gabriel Cavada Ch. 1 1 División de Bioestadística, Escuela de Salud Pública, Universidad de Chile. Statistical modeling: Simple linear regression Cuando
Más detallesCALIFICACION: 287,33 218, sí 1 sí 1. Se especifica el siguiente modelo de regresión para el precio de las viviendas: G i =
6 + 5 = 11 CALIFICACION: PARTE 1 (6 puntos) Una empresa inmobiliaria desea conocer los determinantes del precio de la vivienda en una ciudad de tamaño medio Para ello recoge información sobre las siguientes
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 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 detallesUnidad Temática 3: Estadística Analítica. Unidad 9 Regresión Lineal Simple Tema 15
Unidad Temática 3: Estadística Analítica Unidad 9 Regresión Lineal Simple Tema 15 Estadística Analítica CORRELACIÓN LINEAL SIMPLE Indica la fuerza y la dirección de una relación lineal proporcional entre
Más detallesFundamentos del Análisis Econométrico. Dante A. Urbina
Fundamentos del Análisis Econométrico Dante A. Urbina Qué es la Econometría? Etimológicamente Econometría significa medición de la economía. En ese contexto, la Econometría es la aplicación de métodos
Más detallesT5. Ampliación del modelo lineal básico
T5. Ampliación del modelo lineal básico Ana J. López y Rigoberto Pérez Dpto Economía Aplicada. Universidad de Oviedo Curso 2010-2011 Ana J. López y Rigoberto Pérez (Dpto Economía T5. Aplicada. Ampliación
Más detallesMÓDULO X. LA DINÁMICA DE LA ECONOMÍA MUNDIAL PROGRAMA OPERATIVO MATEMÁTICAS ECONOMETRÍA I. Profesor: Noé Becerra Rodríguez.
MÓDULO X. LA DINÁMICA DE LA ECONOMÍA MUNDIAL PROGRAMA OPERATIVO MATEMÁTICAS ECONOMETRÍA I Profesor: Noé Becerra Rodríguez Objetivo general: Introducir los aspectos fundamentales del proceso de construcción
Más detallesESTADÍSTICA E INTRODUCCIÓN A LA ECONOMETRÍA
GUÍA DOCENTE 2012-2013 ESTADÍSTICA E INTRODUCCIÓN A LA ECONOMETRÍA 1. Denominación de la asignatura: ESTADÍSTICA E INTRODUCCIÓN A LA ECONOMETRÍA Titulación GRADO EN FINANZAS Y CONTABILIDAD Código 5592
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 detalles1 Introducción. 2 Modelo. Hipótesis del modelo. MODELO DE REGRESIÓN SIMPLE Julián de la Horra Departamento de Matemáticas U.A.M.
1 Introducción MODELO DE REGRESIÓN SIMPLE Julián de la Horra Departamento de Matemáticas U.A.M. Los modelos de regresión sirven, en general, para tratar de expresar una variable respuesta (numérica) en
Más detallesREGRESIÓN LINEAL SIMPLE
REGRESIÓN LINEAL SIMPLE 1. El problema de la regresión lineal simple. Método de mínimos cuadrados 3. Coeficiente de regresión 4. Coeficiente de correlación lineal 5. El contraste de regresión 6. Inferencias
Más detallesTM 4. PROBLEMAS FRECUENTES PROVOCADOS POR LOS DATOS ECONOMICOS. 1. MULTICOLINEALIDAD: CONCEPTO Y TIPOS.
TM 4. PROBLEMAS FRECUENTES PROVOCADOS POR LOS DATOS ECONOMICOS. 1. MULTICOLINEALIDAD: CONCEPTO Y TIPOS.. CÓMO DETECTAR Y MEDIR EL GRADO DE MULTICOLINEALIDAD. 3. SOLUCIONES: CÓMO AFRONTAR EL PROBLEMA EN
Más detallesExamen de Introducción a la Econometría 8 de septiembre de 2008
NOMBRE DNI: GRUPO Firma: MODELO 1: SOLUCIONES Examen de Introducción a la Econometría 8 de septiembre de 008 Sólo una respuesta es válida. Debe justificar la respuesta de cada pregunta en el espacio que
Más detallesMétodo de cuadrados mínimos
REGRESIÓN LINEAL Gran parte del pronóstico estadístico del tiempo está basado en el procedimiento conocido como regresión lineal. Regresión lineal simple (RLS) Describe la relación lineal entre dos variables,
Más detallesEconometría. Examen 02/02/2015. La respuesta que no sea claramente interpretable se considerará incorrecta.
Econometría Examen 02/02/2015 Alumno Grupo 1 a b c d 11 a b c d 2 a b c d 12 a b c d 3 a b c d 13 a b c d 4 a b c d 14 a b c d 5 a b c d 15 a b c d 6 a b c d 16 a b c d 7 a b c d 8 a b c d 9 a b c d 10
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 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 detallesUniversidad Nacional Abierta Estadística Aplicada (Cód. 746) Vicerrectorado Académico Cód. Carrera: Área de Matemática Fecha:
Segunda Prueba Parcial Lapso 7-746 /6 Universidad Nacional Abierta Estadística Aplicada (Cód. 746) Vicerrectorado Académico Cód. Carrera: 6-6 - 6 Fecha: --8 MODELO DE RESPUESTAS Objetivos 5 al 8 OBJ 5
Más detallesEstadística Inferencial
Estadística Inferencial 1 Sesión No. 9 Nombre: Regresión y correlación lineal Contextualización En la administración, las decisiones suelen basarse en la relación entre dos o más variables. En esta sesión
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 detalles