Regresion, correlacion y causalidad. Walter Sosa Escudero
|
|
- Gustavo Redondo Morales
- hace 6 años
- Vistas:
Transcripción
1
2 Motivacion Y i = α + βd i + u i En que sentido β mide el efecto que D tiene sobre Y? En que sentido ˆβ en base a (D i, Y i ), i = 1,..., n estima el efecto que D tiene sobre Y? Droga sobre temperatura corporal, dieta sobre peso corporal, AUH sobre asistencia al secundario.
3 Causa y efecto en base a observables D = 0, 1, causa, tratamiento. Notacion D 1 (D = 1), D 0 (D = 0). Y es un resultado. Y D 1 = resultado observable si hubo tratamiento. Y D 0 si no hubo tratamiento. Resulta tentador pensar que el efecto causal es la diferencia entre tratados y no tradados : Y D 1 Y D 0 Ej: comparar personas que hicieron / no hicieron dieta, recibieron o no la AUH. Problema?
4 Antes y despues Por las mismar razones, tampoco funciona comparar antes y despues Y D 1 Y D 0 Peso antes y despues de hacer dieta. Nuevamente, comparacion de peras y manzanas. Ceteris paribus?
5 Causa y efecto en base a contrafactuales Cuestion filosofica muy delicada. Aproximacion simple. Resultados potenciales. Y 0 si D = 0 Y 1 si D = 1 independientemente de si hubo o no tratamiento. Ej: Y 1 temperatura si tomases un analgesico. Son promesas. Y 0 salario si no recibieses la AUH Efecto causal: β = Y 1 Y 0 (caida en la fiebre si tomases una aspirina con respecto a que no la tomes). Se define en terminos de diferencias entre resultados potenciales.
6 Inobservabilidad de contrafactuales Problema: en la realidad se observa Y 1 o Y 0 pero nunca ambos. D implica haber eliminado una ruta observable. Ambas rutas potenciales existen. El tiempo se bifurca perpetuamente hacia innumerables futuros. En uno de ellos soy su enemigo. (J.L. Borges, en El jardin de senderos que se bifurcan)
7 Observables En la practica se observa Y O, alternativamente: Y = { Y1 si D = 1 Y 0 si D = 0 Y = Y 0 + (Y 1 Y 0 ) D Inobservancia de contrfactuales: Si a una persona le di una droga, observo la temperatura de la persona habiendole dado la droga, pero no veo a la misma persona en la circunstancia de no haberle dado la droga. Y viceversa!
8 Sesgo de seleccion El problema de medir el efecto causal parece no tener solucion (inobservabilidad de contrafactuales) Notacion D 1 (D = 1), D 0 (D = 0) Comparacion personas tratadas y no tratadas Y D 1 Y D 0 Verbalizacion: peso de gente que hizo dieta con gente que no hizo dieta. Problema? (peras con manzanas)
9 Y D 1 Y D 0 = [ Y D 1 Y 0 D 1 + [ Y0 D 1 Y D 0 = [ Y 1 D 1 Y 0 D 1 + [ Y0 D 1 Y 0 D 0 con S Y 0 D 1 Y 0 D 0 Y D 1 Y D 0 = β + S S es el sesgo por seleccion.
10 Y D 1 Y D 0 = β + S Dif Observables = Efecto causal + Sesgo Sesgo: S Y 0 D 1 Y 0 D 0 Diferencia en peso potencial sin tratamiento, entre tratados y no tratados. En la practica? Quien hace dieta / toma analgesicos? Con datos observacionales S 0. Sesgo: la comparacion entre tratados y no tratados estima el efecto causal MAS el sesgo.
11 Aleatorizacion al rescate Tratamiento aleatorio: D es indepediente de Y 1 y Y 0 Y D 1 Y D 0 = β + [ Y 0 D 1 Y 0 D 0 E [ Y D 1 Y D 0 = β + E [ Y 0 D 1 E [ Y0 D 0 = β + E [ Y 0 D 1 E [ Y0 D 1 = β El paso clave es que bajo tratamiento aleatorio E [ Y 0 D 1 = E [ Y0 D 0 Resultado: el tratamiento aletorio elimina el sesgo.
12 Tratamiento aleatorio? Tratamiento aleatorio: eleccion de tratamiento sin mirar resultados. Experimento o cuasi experimento. D se mueve en forma exogena ( causa ). No funciona: la gente no hace dieta porque si, ni toma aspirinas al azar sino porque inicialmente tenia fiebre. Auge de la aproximacion experimental en medicina. Economia? Experimento: control de la variabilidad exogena.
13 Todos los que toman este remedio se recuperan rapidamente. Excepto aquellos para los cuales el remedio no funciono, y que se. Galeno, Siglo II.
14 Regresion? Que informacion contiene Y i = α + βd i + u i en esta historia? Y = Y 0 + (Y 1 Y 0 )D = E(Y 0 ) + βd + [ Y 0 E(Y 0 ) Y = α + βd + u con α E(Y 0 ) y u Y 0 E(Y 0 ) Supongamos que tenemos una muestra (Y i, D i ), i = 1,..., n Para que ˆβ sea insesgado necesitamos E(u i D i ) = 0.
15 E(u i D i ) = E [ Y 0 E(Y 0 ) D i = E(Y 0 D i ) E(Y 0 ) = E(Y 0 ) E(Y 0 ) = 0, ya que bajo aleaotorizacon E(Y 0 ) = E(Y 0 D i ), de modo que ˆβ en base a datos observables es insesgado para el efecto causal. Conclusion: Bajo aleatorizacion de tratamiento, Y = α + βd + u tiene una interpretacion causal. ˆβ es insesgado para los datos observacionales (no hace falta ver los potenciales).
16 Resumiendo Causalidad: relacion entre contrafacuales. Uno no es observable. Bajo aleatorizacion de tratamiento, Y = α + βd + u tiene una interpretacion causal. ˆβ es insesgado. Rol de E(u D) = 0: D varia en forma exogena. Relevancia del razonamiento experimental. Cuestion muy importante en las ciencias sociales en los ultimos tiempos.
17 Referencias Angrist, J. y Pischke, J., 2014, Mastering Metrics: the Path from Cause to Effect, Cap. 2, Princeton University Press, Princeton. Sosa Escudero, W., 2014, Que es (y que no es) la Estadistica, Siglo XXI Editores, Buenos Aires. Capitulo 3: El huevo y la gallina: causalidades y casualidades. Borges, J.L., 1944, El jardin de senderos que se bifurcan, en Ficciones, Sudamericana, Buenos Aires.
18 A diferencia de Newton y de Schopenhauer, su antepasado no creia en un tiempo uniforme, absoluto. Creia en infinitas series de tiempos, en una red creciente y vertiginosa de tiempos divergentes, convergentes y paralelos. Esa trama de tiempos que se aproximan, se bifurcan, se cortan o que secularmente se ignoran, abarca todas la posibilidades. No existimos en la mayoria de esos tiempos; en algunos existe usted y no yo; en otros, yo, no usted; en otros, los dos. En este, que un favorable azar me depara, usted ha llegado a mi casa; en otro, usted, al atravezar el jardn, me ha encontrado muerto; en otro, yo digo estas mismas palabras, pero soy un error, un fantasma. J.L. Borges, 1944, El jardin de senderos que se bifurcan
19 Apendice: ˆβ como diferencia de medias Notacion Y i = α + βd i + u i, T = tratados, N T = no tratados. i = i,..., N Ȳ T, ȲN T, promedios tratados y no tratados. T Y i D i Y i, N T (1 D)Y i Resultado: ˆβ = Ȳ T ȲN T
20 Prueba Recordar ˆβ = di Y i d 2 i, d i D i D Denominador: d 2 i = (D i D) 2 = Di 2 N D 2 = D i N T 2 /N 2 = T T 2 /N = T (1 T/N)
21 Numerador: di Y i = (D i D)Y i = D i Y i D Y i = ( Y i T/N Y i + ) Y i T T N T ( ) = T ȲT T/N T ȲT + (N T ) ȲN T = ȲT T (1 T/N) ȲN T T (1 T/N) ) = T (1 T/N) (ȲT ȲN T Reemplazando y simplificando se obtiene el resultado. Ejercicio: derivar ˆα para este caso.
Economía Aplicada. Causalidad y Experimentos Sociales. Departmento de Economía Universidad Carlos III de Madrid
Economía Aplicada Causalidad y Experimentos Sociales Departmento de Economía Universidad Carlos III de Madrid Outline 1 Resultados Potenciales y Causalidad 2 Efectos del tratamiento 3 El Estimador de Diferencias
Más detallesBorges y el infinito
Borges y el infinito Revista Nº 18 Abril 2009 Sección Algo más 1 Concebir y entender el infinito ha sido una tarea que ha ocupado a hombres y mujeres de todos los tiempos y que se refleja en diferentes
Más detallesTEMA 2 Diseño de experimentos: modelos con varios factores
TEMA 2 Diseño de experimentos: modelos con varios factores José R. Berrendero Departamento de Matemáticas Universidad Autónoma de Madrid Análisis de Datos - Grado en Biología Esquema del tema Modelo bifactorial
Más detallesModelo de Análisis de la Covarianza. Introducción al modelo de Medidas Repetidas
Modelo de Análisis de la Covariza. Introducción al modelo de Medidas Repetidas Modelo de Análisis de la Covariza Introducción El diseño por bloques se considera para eliminar el efecto de los factores
Más detallesECONOMIA APLICADA. Introducción: Datos Económicos
ECONOMIA APLICADA Introducción: Datos Económicos Introducción ¾De qué trata la Economía Aplicada? En general Queremos relacionar los instrumentos de toma de decisiones económicas con los resultados de
Más detallesClase de Métodos 1: Inferencia Causal y Métodos Cuasi-Experimentales. Sveta Milusheva DIME, World Bank
Clase de Métodos 1: Inferencia Causal y Métodos Cuasi-Experimentales Sveta Milusheva DIME, World Bank Conceptos Importantes Indicadores de Resultados (Outcomes): Lo que observamos, medimos y queremos afectar
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 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 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 detallesEstadística y Derecho: Conceptos y Oportunidades
Universidad de Congreso. MAED Estadística y Derecho: Conceptos y Oportunidades Walter Sosa-Escudero, PhD Universidad de San Andres y CONICET wsosa@udesa.edu.ar 1ª parte Preludio: Matematica y Derecho Only
Más detallesIdeas básicas del diseño experimental
Ideas básicas del diseño experimental Capítulo 4 de Analysis of Messy Data. Milliken y Johnson (1992) Diseño de experimentos p. 1/23 Ideas básicas del diseño experimental Antes de llevar a cabo un experimento,
Más detallesAgro 6998 Conferencia 2. Introducción a los modelos estadísticos mixtos
Agro 6998 Conferencia Introducción a los modelos estadísticos mixtos Los modelos estadísticos permiten modelar la respuesta de un estudio experimental u observacional en función de factores (tratamientos,
Más detallesIN INVESTIGACIÓN DE MERCADOS Diseño de la investigación Investigación causal. André Carboni Semestre primavera 2012
IN5625 - INVESTIGACIÓN DE MERCADOS Diseño de la investigación Investigación causal André Carboni Semestre primavera 2012 Estamos aquí Definición del problema Desarrollo del enfoque Formulación del diseño
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 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 detallesAnova unifactorial Grados de Biología y Biología sanitaria
Anova unifactorial Grados de Biología y Biología sanitaria M. Marvá e-mail: marcos.marva@uah.es Unidad docente de Matemáticas, Universidad de Alcalá 29 de noviembre de 2015 El problema Analizaremos la
Más detallesIntroducción a Métodos No Experimentales
Introducción a Métodos No Experimentales Adriana Camacho, Universidad de los Andes Medellín, Mayo 12 de 2016 Importancia de las evaluaciones de impacto La evaluación de impacto puede ayudar a tomar decisiones
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 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 detallesBig Data, Mineria y Aprendizaje: Conceptos basicos para economistas
Big Data, Mineria y Aprendizaje: Conceptos basicos para economistas Universisad de San Andrés y CONICET Jerga Apocalypsis Now NoSQL, Hadoop, mineria, aprendizaje, visualización, fat models, funciones de
Más detallesMetodologías De Investigación
Metodologías De Investigación Pfra. Dolores Frías Navarro M. Dolores Frías http://www.uv.es/friasnav 1 Diseños Experimentales Al menos una variable independiente de tratamiento que es introducida por el
Más detallesESTUDIOS CLÍNICOS FASE III Vaccinology Ciro de Quadros 2015
ESTUDIOS CLÍNICOS FASE III Vaccinology Ciro de Quadros 2015 Dra. M Teresa Valenzuela B. Vice Decana Investigación y Postgrado Facultad de Medicina Universidad de los Andes Estudios Epidemiológicos Descriptivos
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 detalles15/06/2008. Los ECC son instrumentos de medida de la eficacia de una intervención terapéutica.
CONTROLADOS CONTROLADOS EUGENIO CECCHETTO Curso Libre de Farmacología Aplicada CFE FCM Hospital Transito Cáceres de Allende Es toda evaluación experimental de una sustancia o medicamento a través de su
Más detallesInvestigación de Mercados Cuantitativa
Investigación de Mercados Cuantitativa Investigación Causal Métodos Pre-experimentales Christian Cruz Castro 1. Pre-experimentales/ Paso 3: Diseño de Investigación DISEÑOS EXPERIMENTALES Preexperimentales
Más detallesMedidas de asociación lineal y el modelo lineal con dos variables
Medidas de asociación lineal y el modelo lineal con dos variables Mariana Marchionni marchionni.mariana@gmail.com Mariana Marchionni El modelo lineal con dos variables 1 / 28 Introducción Nos interesa
Más detallesEstadística para la Economía y la Gestión IN 3401 Clase 5
Estadística para la Economía y la Gestión IN 3401 Clase 5 21 de octubre de 2009 1 Variables Dummies o cualitativas 2 Omisión de Variables Relevantes Impacto sobre el Insesgamiento Impacto sobre la Varianza
Más detallesudesa y conicet
databorges @wsosaescudero udesa y conicet metadataborges Recurrencia en clases y divulgación. No es investigación (por ahora). Paseo borgiano. Links Rojo, A., 2015, Borges y la Física Cuántica, Siglo
Más detallesEconometria I. Tema 6: Modelos de Ecuaciones Simultáneas. Universidad Carlos III. Getafe, Madrid. November 2008
Econometria I Tema 6: Modelos de Ecuaciones Simultáneas Universidad Carlos III Getafe, Madrid November 2008 Julio Cáceres Delpiano (UC3M) Econometria I 10/07 1 / 20 Ecuaciones Simultáneas El método de
Más detallesTests de Hipotesis en Base al Principio de Verosimilitud
Tests de Hipotesis en Base al Principio de Verosimilitud Universidad de San Andres, Argentina Conceptos basicos Y f(y; θ), θ Θ R K. θ es un vector de K parametros. Θ es el espacio de parametros : conjunto
Más detallesPruebas de hipótesis. Comparación de 2 muestras. Álvaro José Flórez. Febrero - Junio Facultad de Ingenierías
Pruebas de hipótesis Comparación de 2 muestras Álvaro José Flórez 1 Escuela de Ingeniería Industrial y Estadística Facultad de Ingenierías Febrero - Junio 2012 Comparación de medias La comparación de dos
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 detallesTema 7: Estadística y probabilidad
Tema 7: Estadística y probabilidad En este tema revisaremos: 1. Representación de datos e interpretación de gráficas. 2. Estadística descriptiva. 3. Probabilidad elemental. Representaciones de datos Cuatro
Más detallesÍndice. Diseños factoriales. José Gabriel Palomo Sánchez E.U.A.T. U.P.M. Julio de 2011
Diseños factoriales José Gabriel Palomo Sánchez gabrielpalomo@upmes EUAT UPM Julio de 2011 Índice 1 Diseños factoriales con dos factores 1 Denición 2 Organización de los datos 3 Ventajas de los diseños
Más detallesMétodos Experimentales & No-experimentales I
Métodos Experimentales & No-experimentales I Alessandro Maffioli Taller de evaluación de impacto de programas de ciencia, tecnología e innovación 17-18 de Junio 2014, Ciudad de México Efectividad en el
Más detallesEstimación del modelo lineal con dos variables
Estimación del modelo lineal con dos variables el método de mínimos cuadrados ordinarios (MCO) Mariana Marchionni marchionni.mariana@gmail.com Mariana Marchionni Estimación del modelo lineal por MCO 1
Más detallesEvaluando Impactos: Midiendo el Impacto
Evaluando Impactos: Midiendo el Impacto Taller: Evaluacion de Impacto en Salud Pública Managua, Nicaragua 12-14 febrero 2009 Human Development Network Latin America and the Caribbean Region Sustainable
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 detallesANÁLISIS E INTERPRETACIÓN DE DATOS EXPERIMENTALES EN EL MEJORAMIENTO GENÉTICO VEGETAL. Ing. Agr. Pablo Mansilla MGV-FCA, UNC.
ANÁLISIS E INTERPRETACIÓN DE DATOS EXPERIMENTALES EN EL MEJORAMIENTO GENÉTICO VEGETAL. Ing. Agr. Pablo Mansilla MGV-FCA, UNC. ALGUNAS DEFINICIONES NECESARIAS.. UNIDAD EXPERIMENTAL (UE) Porción de material
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 detallesCómo mejorar los proyectos de RSE?: Diseño e impacto. Edmundo Beteta Obreros Director Ejecutivo
Cómo mejorar los proyectos de RSE?: Diseño e impacto Edmundo Beteta Obreros Director Ejecutivo 1. Qué es una evaluación de impacto? 2. Métodos de evaluación 3. Ejemplos concretos 4. Ejercicio Al destinar
Más detallesMODELO DE RESPUESTAS Objetivos 2, 3, 4, 5, 6, 7, Y 8.
UNIVERSIDAD NACIONAL ABIERTA ESTADÍSTICA GENERAL 745) VICERRECTORADO ACADÉMICO INTEGRAL ÁREA DE MATEMÁTICA Fecha: 17/ 01 /009 MODELO DE RESPUESTAS Objetivos, 3, 4, 5, 6, 7, Y 8. OBJ. 1 PTA 1 Una compañía
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 detallesPara pensar: Cómo se pudo obtener ese
La teoría de las probabilidades se inició con los juegos de azar en el siglo XVI, pero sin embargo pronto se aplicó a diversos problemas, como las estadísticas de las poblaciones humanas, en las que la
Más detallesI Inferencia Causal. Claudio Ferraz Managua, 3 Marzo 2008
Sesión Técnica I Inferencia Causal Claudio Ferraz Managua, 3 Marzo 2008 Justificación Las preguntas de investigación que motivan la mayoría de los estudios en las ciencias de la salud son de naturaleza
Más detallesTema 3: Crecimiento económico
Tema 3: Crecimiento económico Maribel Jiménez Abril de 2015 Desarrollo Económico Facultad de Ciencias Económicas - UNSa Esta clase en una filmina 1 Tasa de crecimiento 2 Modelos de crecimiento económico
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 detallesInferencia causal y métodos quasi-experimentales
Inferencia causal y métodos quasi-experimentales DAVID EVANS BANCO MUNDIAL iegovern Impact Evaluation Workshop Istanbul, Turkey January 27-30, 2015 : #iegovern Esta presentación adapta varios diapositivas
Más detallesDiseño de Bloques al azar. Diseño de experimentos p. 1/25
Diseño de Bloques al azar Diseño de experimentos p. 1/25 Introducción En cualquier experimento, la variabilidad proveniente de un factor de ruido puede afectar los resultados. Un factor de ruido es un
Más detallesMuchas de las ecuaciones de recurrencia que vamos a usar en este curso tienen la siguiente forma: ( c n =0 T (n) = a T (b n b.
El Teorema Maestro Muchas de las ecuaciones de recurrencia que vamos a usar en este curso tienen la siguiente forma: ( c n =0 T (n) = a T (b n b c)+f (n) n 1 donde a, b y c son constantes, y f (n) es una
Más detallesHoja de Ejercicios 4 Análisis de regresión con información cualitativa
Hoja de Ejercicios 4 Análisis de regresión con información cualitativa Nota: En aquellos ejercicios en los que se incluyen estimaciones y referencia al archivo de datos utilizado, el estudiante debería
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 detallesModelos para variables categóricas
Gabriel V. Montes-Rojas Modelo logit multinomial Supongamos que la variable dependiente toma muchos valores, ej. y = 0, 1, 2..., J, aunque los valores de y no representan ningún orden en particular. Éste
Más detallesFundamentos de Epidemiología
Fundamentos de Epidemiología Definición de Epidemiología Estudio de la distribución de una enfermedad o condición fisiológica en poblaciones humanas y los factores que influencian esta distribución Disciplina
Más detallesContrastes de hipótesis. 1: Ideas generales
Contrastes de hipótesis 1: Ideas generales 1 Inferencia Estadística paramétrica población Muestra de individuos Técnicas de muestreo X 1 X 2 X 3.. X n Inferencia Estadística: métodos y procedimientos que
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 detallesUN TAMAÑO DE MUESTRA PRELIMINAR EN LA ESTIMACION DE LA MEDIA, EN POBLACIONES CON DISTRIBUCIONES UNIFORMES Y TRIANGULARES
Revista Colombiana de Estadística Volumen 24 (2001) N o 1, páginas 27 a 32 UN TAMAÑO DE MUESTRA PRELIMINAR EN LA ESTIMACION DE LA MEDIA, EN POBLACIONES CON DISTRIBUCIONES UNIFORMES Y TRIANGULARES CARLOS
Más detallesTema 1. Introducción a los modelos econométricos
Tema 1. Introducción a los modelos econométricos Análisis y Previsión de Ventas 1 Índice 1. Introducción 2. Modelo económico y modelo econométrico 3. Etapas en la elaboración de los modelos econométricos
Más detallesde Muestreo de Medias, Inferencia Estadística (Naturaleza de las Pruebas ) (Cap. 7 y Sec. 8.3)
Variabilidad Muestral, Distribuciones de Muestreo de Medias, Inferencia Estadística (Naturaleza de las Pruebas ) (Cap. 7 y Sec. 8.3) Distribución muestral de un estadístico Es la distribución de valores
Más detallesInferencia Causal. Sebastian Galiani. Noviembre 2006
Sesión I Inferencia Causal Sebastian Galiani Noviembre 2006 Justificación Las preguntas de investigación que motivan la mayoría de los estudios en las ciencias de la salud son de naturaleza causal. Por
Más detallesMetodología de la Investigación: Validez y Confiabilidad. Prof. Reinaldo Mayol Arnao
Metodología de la Investigación: Validez y Confiabilidad Prof. Reinaldo Mayol Arnao Validez en varios momentos En esta presentación hablaremos sobre la medición de la validez en dos pasos críticos de la
Más detallesTEMA 3 REGRESIÓN Y CORRELACIÓN
TEMA 3 REGRESIÓN Y CORRELACIÓN Regresión mínimo-cuadrática bidimensional Planteamiento del problema Dadas dos variables aleatorias X e Y definidas sobre un mismo espacio de probabilidad (asociadas a un
Más detallesMétodos y Diseños de Investigación Mª Dolores Frías Navarro. Curso 2008/2009 (Universitat de València)
Validez de la investigación VALIDEZ INTERNA: el diseño de investigación es lo suficientemente sensible para detectar relaciones causales entre las variables? VALIDEZ de CONCLUSIÓN ESTADÍSTICA: el diseño
Más detallesMétodos de Pareo FN1. Fernanda Ruiz Nuñez Noviembre, 2006 Buenos Aires
Métodos de Pareo FN1 Fernanda Ruiz Nuñez Noviembre, 2006 Buenos Aires Slide 1 FN1 Fernanda Nunez, 11/17/2006 Asignación aleatoria vs. Selección en observables Supuesto bajo asignación aleatoria: Y (1),
Más detallesDiseños Factoriales. Diseño de experimentos p. 1/25
Diseños Factoriales Diseño de experimentos p. 1/25 Introducción El término experimento factorial o arreglo factorial se refiere a la constitución de los tratamientos que se quieren comparar. Diseño de
Más detallesModelos de Elección Binaria
Modelos de Elección Binaria -Econometría Avanzada- Mariana Marchionni marchionni.mariana@gmail.com Mariana Marchionni Modelos de elección binaria 1 / 54 En la clase de hoy 1 Modelo lineal de probabilidad
Más detallesOSCILACIONES ACOPLADAS
OSCILACIONES ACOPLADAS I. Objetivos: Analizar el movimiento conjunto de dos osciladores armónicos similares (péndulos de varilla), con frecuencia natural f 0, acoplados por medio de un péndulo bifilar.
Más detallesTema 6. Estimación puntual
Tema 6. Estimación puntual Contenidos Planteamiento del problema Criterios de comparación de estimadores: Insesgadez Estimadores de mínima varianza Error cuadrático medio Consistencia Métodos para obtener
Más detallesTema 7 Intervalos de confianza Hugo S. Salinas
Intervalos de confianza Hugo S. Salinas 1 Introducción Hemos definido la inferencia estadística como un proceso que usa información proveniente de la muestra para generalizar y tomar decisiones acerca
Más detalles1 Introducción. 2 Modelo. Hipótesis del modelo MODELO DE REGRESIÓN LOGÍSTICA
MODELO DE REGRESIÓN LOGÍSTICA Introducción A grandes rasgos, el objetivo de la regresión logística se puede describir de la siguiente forma: Supongamos que los individuos de una población pueden clasificarse
Más detallesMétodos Estadísticos Multivariados
Métodos Estadísticos Multivariados Victor Muñiz ITESM Victor Muñiz (ITESM) Métodos Estadísticos Multivariados Agosto-Diciembre 2011 1 / 20 Victor Muñiz (ITESM) Métodos Estadísticos Multivariados Agosto-Diciembre
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 detallesCurso MI1 Investigación científica. Fundamentos metodológicos y estadísticos
www.metodo.uab.cat Estudios de postgrado en Metodología de la investigación en Ciencias de la Salud Curso MI1 Investigación científica. Fundamentos metodológicos y estadísticos Contenidos UD 1 Diseño de
Más detallesExperimentos de Monte Carlo. Walter Sosa-Escudero
Introduccion Test de Breusch-Pagan de heterocedasticidad: LM = 1 2 SCE g,z χ 2 (p 1) g = residuos al cuadrado, z, variables explicativas de la heterocedasticidad. Esta es una aseveracion asintotica. Que
Más detallesDiseño de experimentos Hugo Alexer Pérez Vicente
Diseño de experimentos Hugo Alexer Pérez Vicente Recuerdo que Conceptos estadísticos Población y muestra Población es una colección de posibles individuos, especímenes, objetos o medidas de interés sobre
Más detallesI Inferencia Causal. Lima, 2009
Sesión Técnica I Inferencia Causal Lima, 2009 Departamento de Desarrollo Humano Fondo Español para Evaluación de Impacto Justificación Las preguntas de investigación que motivan la mayoría de los estudios
Más detallesMétodo Científico Es el procedimiento que permite obtener conocimiento y justificarlo. Método Hipotético Deductivo
PARADIGMA RACIONALISTA Bases para la construcción y comunicación del conocimiento científico PARADIGMA RACIONALISTA Refutacionismo Ingenuo Versión simple Falsabilidad o Refutabilidad La Hipótesis es mejor
Más detallesESTADÍSTICA ANOVA ANOVA
ESTADÍSTICA PROBLEMA (comparación de dos promedios) Un ingeniero de desarrollo de productos está interesado en maximizar la resistencia a la tensión de una nueva fibra sintética que se empleará en la manufactura
Más detallesMedición n de Impacto
Impact Evaluation SIEF- Fondo Español de Evaluacion de Impacto Medición n de Impacto Métodos de evaluación n de impacto Sebastián n Martínez Banco Mundial Nota: diapositivas preparadas por Sebastián Martínez.
Más detallesSESGOS MARIA EUGENIA MACKEY ESTADISTICA CENTRO ROSARINO DE ESTUDIOS PERINATALES. Investigación
SESGOS MARIA EUGENIA MACKEY ESTADISTICA CENTRO ROSARINO DE ESTUDIOS PERINATALES Investigación EXPOSICIÓN-------------asociación-------------RESULTADO Page 1 Asociación entre exposición y resultado 1. SESGO
Más detallesAnálisis de la varianza
Análisis de la varianza José Gabriel Palomo Sánchez gabriel.palomo@upm.es E.U.A.T. U.P.M. Julio de 2011 I 1 Introducción 1 Comparación de medias 2 El pricipio de aleatorización 2 El problema de un factor
Más detallesMEDIDAS DE ASOCIACION
MEDIDAS DE ASOCIACION OBJETIVOS DE LA LECCION Que es asociación Identificar las medidas apropiadas para un diseño de estudio Construir tablas de contingencia Calcular e interpretar las medidas de asociación
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 detallesInvestigación de Mercados Cuantitativa
Investigación de Mercados Cuantitativa Investigación Causal Conceptos Christian Cruz Castro 1. Definiciones 1) Variables Independientes o tratamientos: Son las variables o alternativas manipuladas (es
Más detallesSucesiones. Convergencia
Sucesiones. Convergencia Sucesión: Es una aplicación de IN en IR: f : IN IR n = f (n) En vez de f (n) se escribe a n, que se denomina término general de la sucesión. A la sucesión se le representa por:
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 detallesFiabilidad y variabilidad
Fiabilidad y variabilidad El coeficiente de fiabilidad de un test se ve afectado por la variabilidad de la muestra. Un test tiende a manifestar un coeficiente de fiabilidad mayor cuanto mayor sea su variabilidad.
Más detalles3. CORRELACIÓN Y REGRE-
3. CORRELACIÓN Y REGRE- SIÓN Objetivo Medir y ajustar una relación lineal entre dos variables cuantitativas. Bibliografia recomendada Peña y Romo (1997), Capítulos 8 y 9. Índice 1. Covarianza y sus propiedades
Más detalles14 horas. 20 horas
EJERCICIOS PROPUESTOS ANALISIS DE VARIANZA. Se realiza un ANOVA para comparar el tiempo que demora en aliviar el dolor de cabeza de varios tipos de analgésicos. Se obtiene como resultado un test observado
Más detallesPROGRAMA DEL CURSO SOBRE PSICOLOGÍA EXPERIMENTAL MANUEL MIGUEL RAMOS ÁLVAREZ
PROGRAMA DEL CURSO SOBRE PSICOLOGÍA EXPERIMENTAL MANUEL MIGUEL RAMOS ÁLVAREZ Resumen de Psicología Experimental 1 PSICOLOGÍA EXPERIMENTAL Manuel Miguel Ramos Alvarez. I. FUNDAMENTOS METODOLÓGICOS DE LA
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 detallesLectura crítica de información científica biomédica. Elsa González Lagos
Lectura crítica de información científica biomédica Elsa González Lagos Contenidos Recursos para búsqueda de información Pautas para lectura crítica Diseños de estudio y jerarquía de información Evaluación
Más detallesDISEÑO DE EXPERIMENTOS
DISEÑO DE EXPERIMENTOS Dr. Héctor Escalona hbescalona@yahoo.com hbeb@xanum.uam.mx Diseño de 1. Introducción al diseño de 2. Herramientas de inferencia estadística 3. para la comparación de dos tratamientos
Más detallesEconometria de Datos en Paneles
Universidad de San Andres Agosto de 2011 Porque paneles? Ejemplo (Cronwell y Trumbull): Determinantes del crimen y = g(i), y = crimen, I = variables de justicia criminal. Corte transversal: (y i, I i )
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 detallesDiseño o de un estudio epidemiológico
Diseño o de un estudio epidemiológico Dr. José Luis Hernández Hernández Unidad de Metabolismo Óseo Departamento de Medicina Interna Hospital Marqués de Valdecilla Diseño del estudio: definición Un diseño
Más detallesOBJETIVOS CONTENIDOS. 2. Adquirir dominio en temas claves del diseño experimental, especialmente aquellos relacionados con aleatorización y balance.
CURSO : INFERENCIA CAUSAL. SIGLA : SOL3063-1. PROFESOR : LUIS MALDONADO. CRÉDITOS : 10 HORARIO : LUNES: 3 y 4. REQUISITOS : CARÁCTER : OBLIGATORIO PARA DOCTORADO, OPTATIVO PARA MAGÍSTER. AYUDANTES : PABLO
Más detalles1. VALORES FALTANTES 2. MECANISMOS DE PÉRDIDA
1. VALORES FALTANTES Los valores faltantes son observaciones que en un se tenía la intención de hacerlas, pero por distintas razones no se obtuvieron. Puede ser que no se encuentre a un encuestado, entonces
Más detalles