Econometría I. Tema 4: Modelo de regresión múltiple: inferencia. Ejercicios. employment i = β 0 + β 1 gdp i + u i

Tamaño: px
Comenzar la demostración a partir de la página:

Download "Econometría I. Tema 4: Modelo de regresión múltiple: inferencia. Ejercicios. employment i = β 0 + β 1 gdp i + u i"

Transcripción

1 Econometría I Tema 4: Modelo de regresión múltiple: inferencia Ejercicios 1. ( ) Considera el siguiente modelo que relaciona el crecimiento en la ocupación de un país (employment) con el crecimiento de su PIB (gdp). employment i = β 0 + β 1 gdp i + u i (a) Estima este modelo con los datos incluidos en el fichero employment.xls. Incluye el output de Gretl. Presenta los errores estándar, la SRC y la recta ajustada, incluyendo el coeficiente de determinación. (b) Es el regresor gdp estadísticamente significativo con un nivel de significación del 5%? Para hacer el contraste utiliza el estadístico t. Para aplicar la regla de decisión utiliza la comparación del valor t con el valor crítico. (c) Dada la respuesta al apartado anterior, sabrias decir si gdp és estadísticamente significativo con un nivel de significación del 1%? Y al 10%? Justifica. (d) Utilizando las tablas correspondientes, encuentra el valor-p asociado al contraste del apartado 1b. Comprueba que coincide con el proporcionado por el output de Gretl. (e) Haz un gráfico donde se vea exactamente el valor p. Aségurate de poner nombres a los ejes. (f) Repite el contraste del apartado 1b, pero esta vez aplica la regla de decisión que compara el valor p con el nivel de significación. (g) Explica cómo ha asignado Gretl el número de s a asignar al lado del valor p. (h) Qué supuesto necesitamos hacer sobre el mecanismo que ha generado la muestra para poder justificar el uso del estadístico t en toda esta pregunta. 2. ( ) Considera el modelo que estimamos en el Tema 3 que relaciona el peso de un recién nacido (bwgth) con el consumo de tabaco de la madre durante el embarazo (cigs) y la renta familiar (f aminc): bwght i = β 0 + β 1 cigs i + β 2 faminc i + u i Este modelo se estimo con una muestra de 1388 observaciones incluidas en el fichero bwght.xls (a) Estima de nuevo este modelo por MCO. Incluye el output de la estimación. Presenta el modelo ajustado de 4 formas diferentes incluyendo, alternativamente, debajo de los coeficientes estimados: (i) los errores estándar, (ii) los valores t, (iii) los valores p y finalmente (iv) la notación de asteriscos: ( ), ( ), ( ) or ( ). 1

2 (b) Es cigs estadísticamentw significativa al 5%? Responde utilizando el valor t. (c) Es cigs estadísticamente significativa al 5%? Responde utilizando el valor p. (d) Buscando en las tablas correspondientes, encuentra el valor-p asociado al contraste H 0 : β 1 = 0 vs H 1 : β 1 0. Comprueba que coincide con el proporcionado por el output de Gretl. Incluye un dibujo donde se pueda representar claramente el valor-p que has encontrado. Etiqueta bien los ejes. (e) Dado el valor p que has encontrado en el apartado anterior, es cigs estadísticamente significativa al nivel α = 1%? 3. ( ) De los datos de 46 estados de los Estados Unidos para el 1992, Baltagi(1998) obtuvo los siguientes resultados de estimar un modelo por M CO (errores estándar entre paréntesis): lnc i =4.30 (0.91) 1.34 (0.30) lnp i (0.20) lnr i R 2 = 0.27 donde C = consumo de tabaco en número de paquetes al año, P = precio del paquete de tabaco y R = renta real disponible. (a) Cuál es la estimación obtenida de la elasticidad de la demanda de tabaco respecto al precio? Clasificarías el tabaco, como un producto de demanda elástica o inelástica? (b) Constrasta si la demanda del consumo de tabaco es perfectamente inelástica respecto al precio. (c) Cuál es la estimación de la elasticidad-renta del tabaco? (d) Constrasta si la demanda de tabaco tiene una elasticitat unitaria respecto la renta. (e) Encuentra un intervalo de confianza del 95% para β 1. (f) Utilizando el intervalo de confianza de la pregunta anterior, rechazarías o no la hipótesis nula H 0 : β 1 = 0.6 versus H 1 : β utilizando un nivel α = 0.05? Justifica. (g) Contrasta H 0 : β 1 = 0.6 versus H 1 : β 1 0.6, haciendo el contraste correspondiente, es decir, sin utilizar el intervalo de confianza. Comprueba que la respuesta coincide con la dada en el apartado anterior. (h) Encuentra un intervalo de confianza del 95% para β 2. Dado este intervalo, cómo clasificarías el tabaco, como un bien normal o inferior? 4. ( ) Tenemos una muestra de 80 observaciones para estimar el siguiente modelo: Modelo(1) y i = β 0 + β 1 x i1 + β 2 x i2 + β 3 x i3 + u i (a) Si queremos utilizar el método de substitución, para estimar los parámetros del Modelo(1) por MCR bajo la restricción β 1 = 0, cuál sería la expresión del modelo restringido en este caso? Se cuidadoso con la notación. 2

3 (b) Explica como utilizarías el modelo restringido para encontrar la estimación por M CR de los parámetros del modelo M odelo(1) bajo la restricción especificada. 5. ( ) Repite la pregunta 4 pero considerando la restricción β 1 = β ( ) Demuestra que el estadístico F, a utilizar para contrastar q restricciones dentro de un modelo de regresión lineal con K + 1 regresores se puede reescribir de la siguiente forma: F = (SRC R SRC)/q SRC/(n (K + 1)) = (R 2 R 2 R )/q (1 R 2 )/(n (K + 1)) donde SRC Es la suma de loa cuadrados de los residuos del modelo inicial que estamos contrastando, R 2 es el coeficiente de determinación asociado a la estimación de este modelo, SRC R es la suma de los cuadrados de los residuos del modelo restringido y RR 2 el coeficiente de determinación asociado a la estimación del modelo restringido. 7. ( ) Demuestra que el test de significación global sobre un modelo de regresión lineal con K + 1 regresores se puede reescribir de la seguiente forma: F = (SRC R SRC)/q SRC/(n (K + 1)) = R 2 /(K 1) (1 R 2 )/(n (K + 1)) donde SRC es la suma de los cuadrados de los residuos del modelo inicial que estamos contrastando, SRC R es la suma de cuadrados de los residuos del modelo restringido, q es el número de restricciones que estamos contrastando y R 2 el coeficiente de determinación asociado a la estimación del modelo inicial. 8. ( ) (Wooldridge) Se propone el siguiente modelo para estudiar si los gastos en campaña electoral afectan a los resultados. Modelo(1) vota i = β 0 + β 1 expenda i + β 2 expendb i + β 3 prtystra i + u i donde vota es el porcentage de votos dado el candidato A, expenda y expendb són los gastos de la campaña del candidato A y el competidor candidato B, en miles de dólares y prtysrta es un medida de la fuerza del partido del candidato A (medida por el porcentaje de votos que fueron para el partido del candidato A en las últimas elecciones presidenciales). (a) Según el Modelo(1), cuál sería el efecto marginal de un gasto de 1000 dólares más por parte del candidato A sobre sus votos esperados? Argumenta la respuesta. (b) Estima el model utilizando los datos incluidos en el fichero vote1.xls, correspondientes a los 173 distritos de los Estados Unidos. Presenta los resultados de forma habitual. Han salido los signos de los coeficientes estimados como esperabas? Comenta de forma rigurosa. (c) Según los datos, afectan los gastos hechos por un candidato a sus resultados? Y los gastos hechos por un contrincante? Haz el contraste correspondiente para responder rigurosamente a estas preguntas. Utiliza un nivel de significación del 5%. 3

4 (d) Encuentra el intervalo de confianza para β 1 utilizando un nivel de confianza del 95%. (e) Dada la respuesta al apartado anterior, rechazarías o no H 0 : β 1 = 4 vs H 1 : β 1 4 al 5%? Razona. (f) Especifica la hipótesis nula que nos permetiría contrastar que un aumento de los gastos del candidato A en 1000 dólares se contrarrestan con 1000 dólares de gastos del candidato B. Es decir, si los gastos en campañaa del candidato A aumentan en 1000 dólares y los gastos del candidato B también, entonces en media, los votos obtenidos por el candidato A no variarían. (g) Lleva a cabo el test de 8f utilizando la opción de Gretl para contrastar restricciones lineales para calcular el valor F. Qué conclusión extraes? Justifica. (h) Calcula el valor F asociado al contraste 8f utilizando la siguiente expresión del estadístico F : F = (SRC R SRC)/q (SRC)/(n (K + 1)) Comprueba que coincide con el dado por Gretl en el apartado anterior. (i) Considera un segundo modelo propuesto para analizar los mismos datos: Modelo(2) vota i = β 0 +β 1 expenda i +β 2 expendb i +β 3 prtystra i +β 4 (expenda i expendb i )+u i Según el Modelo(2), en este caso, cuál sería el efecto marginal de un gasto de 1000 dólares más por parte del candidato A sobre sus votos? (j) Estima el Modelo(2). Contrasta si el efecto marginal de un gasto de 1000 dólares más por parte del candidato A sobre sus votos depende de los gastos hechos por el candidato B. 9. ( ) Considera el siguiente modelo: educ i = β 0 + β 1 sibs i + β 2 meduc i + β 3 feduc i + u i donde educ i =años de educación de una persona i, sibs i =número de hermanos de la persona i, meduc i =número de años de educación de la madre de la persona i, i feduc i =número de años de educación del padre. (a) Queremos constratar H 0 : β 2 = β 3 versus H 1 : β 2 β 3. Explica en palabras que estaríamos contrastando. (b) Queremos hacer el contraste incluido en el apartado 9a utilizando la expresión del estadístico F que compara la estimación del model restringido con el modelo no restringido. F = (SRC R SRC)/q (SRC)/(n (K + 1)) Cuál sería la expresión del modelo restringido que habríamos de estimar en este caso para calcular SRC R? (c) Utilizando los datos incluidos en el fichero educacio.xls, estima el modelo restringido que has especificado en el apartado anterior. Comenta los resultados. 4

5 (d) Encuentra el valor F asociado al contraste 9a utilizando la expresión incluida en el apartado 9b para calcular este valor. Dado el valor que has encontrado, rechazarías H 0 o no con un nivel α = 0.05? Justifica. (e) Verifica que el valor F que has encontrado en el apartado anterior, se puede calcular también utilizando la expresión: (R 2 R 2 R )/q (1 R 2 )/(n (K + 1)) (f) Verifica los resultados de la estimación obtenida en el apartado anterior utilizando el comando Contrastes/Restricciones lineales... disponible en Gretl dentro del menu asociado al output de estimar el modelo original por MCO. (g) Encuentra el intervalo de confianza para β 1 al 95%. Qué podrías decir sobre la relación entre el número de hermanos y los años de educación de una persona? (h) Haz el contraste de significación global del 5%. Para calcular el valor F utiliza la opción de Gretl Contrastes/Restricciones lineals... Qué conclusión has sacado? (i) Repite el test de significación global de este modelo utilizando las 2 expresiones siguientes para calcular el valor F y comprueba que utilices la expresión que utilices, el valor F es el mismo: (i) F = (SRC R SRC)/q (SRC)/(n (K + 1)) (ii) F = R 2 /(K 1) (1 R 2 )/(n (K + 1)) 10. ( ) Un econometra propone el siguiente modelo para contrastar si hay discriminación salarial, por género, en un determinado mercado laboral: Modelo(1) ln S i = β 0 + β 1 d i + u i donde S representa los salarios brutos mensuales en euros y d i es una variable que toma el valor 1 si la persona i es hombre y 0 si es mujer. (a) Estima el M odelo(1) con los datos incluidos en el fichero salaris2d.xls. Cuál estimación darías sobre la diferencia salarial esperada entre un hombre y una mujer? Se específico. (b) Qué dificultades ves en poder interpretar la estimación anterior como una medida del grado de discriminación salarial por género en este mercado? Es decir, para poder interpretar la estimación de β 1 en términos causales. Argumenta rigurosamente. (c) Para mejorar el análisis sobre la posible presencia de discriminación en est mercado, el econometra propone estimar este segundo modelo: Modelo(2) ln S i = β 0 + β 1 d i + β 2 ex i + β 3 (ex i d i ) + u i donde ex son los añoss de experiencia. Dada la expresión de la recta de regresión poblacional de lns en función de ex para una mujer, derivada del Modelo(2). Da la expresión de la recta de regresión poblacional de lns en función de ex para un hombre, derivada del M odelo(2). 5

6 (d) El econometra propone hacer el siguiente contraste: H 0 : β 1 = β 3 = 0 vs. H 1 : no H 0 Qué estaría contrastando? Explica con palabras. (e) Rechazaría el econometra esta hipótesis con un nivel de significación del 5%? Y del 1%? Haz el contraste correspondiente. Qué conclusión sacarías sobre la presencia de discriminación en este mercado? (f) Repite el mismo tipo de contraste de discriminación salarial con los mismos datos pero aplicando el test de Chow. Para hacerlo plantea el modelo adecuado y la hipótesis nula correspondiente. Calcula el valor F. El resultado ha de ser idéntico al obtenido en el apartado 10e. (g) Repite el mismo tipo de contraste de discriminación con los mismos datos pero utilizando ahora dos variables fictícias. Para hacerlo define las dos variables, plantea el modelo adecuado y la hipótesis nula y alternativa. Calcula de nuevo el valor F. El resultado ha de ser idéntico al obtenido en el apartado 10e. (h) Qué supuesto necesitamos hacer sobre el mecanismo que ha generado la muestra para poder justificar el úso de del estadístico F en toda esta pregunta. Crees que se cumplen? 11. ( ) Se quiere estudiar los efectos de una campaña de desprestigio que ha sufrido una empresa de material de construcción por parte de una competidora. Para hacer el estudio, disponemos del fichero campaign.xls donde hau la evolución de las ventas de la empresa potencialmente perjudicada de enero de 1993 a marzo de La campañaa de desprestigio se llevo a cabo en el julio de Destacaremos dos períodos, período 1 antes de la campañaa (enero junio 1996) y el período 2 (julio marzo 1999). (a) Con la ayuda de Gretl (comando restringir muestra) calcula la media de las ventas de cada período ( Q período 1 y Q período 2 ). Qué podemos deducir sobre el efecto de la campañaa de desprestigio de la comparación de estas dos medias? Para analizar el comportamiento de las ventas de la empresa perjudicada disponemos de información de estas ventas (Q), el precio de venta (P ) y el índice de volumen de construcción de la zona de actuación de la empresa, (C). Planteamos el seguiente modelo: Modelo(1) : lnq t = β 0 +β 1 lnp t +β 2 lnc t +u t t : Enero1993,..,Marzo1999 (b) Interpreta los parámetros. Qué signpo esperas que tengan? (c) Estima el model por MCO. Incluye el output. (d) Nos permite el Modelo(1) analizar si la campañaa de desprestigio ha afectado a las ventas de esta empresa? Ahora introducimos una variable fictícia para analizar el posible impacto de la campañaa de desprestigio. Definimos la variable fictícia D: { 0 si t = Enero93,..,Junio96 D t = 1 si t = Julio96,..,Marzo99 6

7 Planteamos el seguiente modelo: Modelo(2) : lnq t = β 0 +β 1 lnp t +β 2 lnc t +β 3 D t +β 4 (D t lnp t )+β 5 (D t lnc t )+u t (e) Estima el Modelo(2) por MCO. (f) Según el Modelo(2), cuál es la estimación de la elasticidad precio antes de la campaña de desprestigio? Y despiés? Y la elasticidad respecto el volumen de construcción antes? Y después? Y la media de lnq independientemente de lnp y lnc antes? Y después? (g) Escribe la H 0 y H 1 que permita contrastar si la campaña ha tenido efecto o no. Haz el contraste utilizando la seguiente expresión del estadístico F : F = Qué conclusiones puedes sacar? (SRC R SRC)/q SRC/(n (K + 1)) (h) Ahora queremos repetir el análisis del posible impacto de la campaña de desprestigio utilizando el test de Chow. Planteamos el M odelo(3): lnq t = β 0 + β 1 lnp t + β 2 lnc t + u t t = Enero93,.., Junio96 lnq t = β 0 + β 1lnP t + β 2lnC t + u t t = Julio96,.., Marzo99 Estima este modelo. Cuál es la estimación de la elasticidad precio antes de la campaña de desprestigio? Y después? Y la elasticidad respecto el volumen de construcción antes? Y después? Y la media de lnq independientemente de lnp y lnc antes? Y después? (i) Contrasta el posible efecto de la campaña de desprestigio haciendo servir el Modelo(3). Escribe la H 0 y H 1 y calcula de nuevo el valor F. Qué conclusiones puedes sacar? 12. ( ) Queremos utilizar una simulación para ilustrar como la presencia de colinealidad puede afectar a la estimación y inferencia de los parámetos de un modelo de regresión. En un guión de comandos de Gretl escribe los seguientes comandos: nulldata 20 set seed genr x1=uniform(0,50) genr x2=x1+normal(0,1) genr x3=uniform(0,50) genr u=normal(0,4) genr y=2+0.5*x1+0.5*x2+1*x3+u (a) Escribe el mecanismo generador de datos, mgd, asociado a este guión. 7

8 (b) Ejecuta el guión. Llama a esta muestra, muestra1. Selecciona las variables x1, x2 y x3 y con la ayuda de Gretl encuentra la matriz de coeficientes de correlación simple. Son los valores de esta matriz como esperabas? Comenta. (c) Com la muestra1 generada estima el modelo: y i = β 0 + β 1 x i1 + β 2 x i2 + β 3 x i3 + u i. Encuentra los intervalos de confianza para cada parámetro con un nivel de confianza del 95%. Haz un test de significación para cada regresor. (d) Crees que la estimación ha quedado afectada por la presencia de colinealidad? Para contestar analita los valores de los coeficientes estimados, los intervalos de confianza y la significación de los diferentes regresores. (e) Estimando las regresiones auxiliares adecuadas, calcula F IV 1, F IV 2 y F IV 3 asociada a la estimación anterior. Tienen el valor que esperabas? 13. ( ) Queremos valorar empíricamente la posible relación entre la tasa de mortalidad asociada a problemas cardiacos de una sociedad con indicadores de estilo de vida de una sociedad. Para hacer este análisis disponemos de datos para los Estados Unidos desde 1947 hasta 1980, incluidos en el fichero mortalitat.xls. Dados los datos, se propone estimar el modelo de regresión lineal siguiente: deathrate t = β 0 + β 1 calc t + β 2 cig t + β 3 edfat t + +β 4 meat t + β 5 spirits t + β 6 beer t + β 7 wine t + u t donde: deathrate = tasa mortalidad por problemas cardiacos, (expresada en número de personas por cada habitantes) calc = consumo diario de calcio per cápita (en gramos) cig = consumo diario de tabaco per cápita (en libras) edfat = consumo diario de grasas per cápita (en libras) meat = consumo diario de carne per cápita (en libras) spirits = consumo diario de alcohol destiado per cápita (en galones) beer = consumo diario de cerveza per cápita (en galones) wine = consumo diario de vino per cápita (en galones) (a) Con la ayuda de Gretl estima la regresiób especificada por MCO. Incluye el output. Presenta la recta ajustada incluyendo las estimaciones de los parámetros, desviaciones estándar estimadas entre paréntesis y la bondad de ajuste. (b) Dados loss resultados de la estimación, crees que hay indicios para sospechar la presencia de colinealidad en la muestra? Sí? No? Argumenta. (c) Calcula, haciendo la regresión adecuado, el indicador V IF 7. Qué información te da este indicador? Dado el valor de este indicador, cómo crees que puede haber quedado afectada la estimación del parámetro β 7? Comenta. (d) Con la ayuda de Gretl, completa el análisis de la presencia de colinealidad en la muestra. Qué indicadores has hecho servir? En vista de estos indicadores, comenta como puede haber quedado afectada la estimación de los parámetros. Argumenta. 8

9 14. ( ) Ray Fair (2002) 1 propuso el siguiente modelo que relacionaba el percentaje de voto obtenido por el partido en la Casa Blanca a las elecciones presidenciales, V, con las variables económicas y variables políticas. donde: V t = β 0 + β 1 GROW T H t + β 2 INF LAT ION t + β 3 GOODNEW S t + +β 4 RUNNING t + β 5 DURAT ION t + β 6 P ART Y t + β 7 W AR t + u t GROWTH: tasa crecimiento (media 3 primeros trimestres año elecciones, %), INFLATION = tasa inflación (media últimos 15 trimestres antes de las elecciones, %), GOODNEWS = número trimestres con buen crecimiento económico (superior al 3.2%) de los últimos 15 trimestres, RUNNING = {1 si presidente actual se vuelve a presentar, 0 si no}, DURATION ={ 0 si partido en la Casa Blanca lleva sólo 1 legislatura, 1 si 2,...etc} PARTY = {1 si presidente actual es demócrata, -1 si presidente actual es republicano}, WAR = {1 si elecciones 1920, 1944 o 1948, 0 si cualquier otra}. (a) Estima por MCO la regresión propuesta por Fair utilizando los datos del fichero elections.xls. Este fichero incluye datos de las elecciones en los Estados Unidos de 1916 a Presenta aquí la recta ajustada indicando: estimaciones de los parámetros, valors t y el coeficiente de determinación. Incluye el output de Gretl. (b) Ha salido el signo de la estimación de β 1 como esperabas? Y de β 2? Y de β 3? Comenta brevemente y interpreta cada una de estas estimaciones. (c) Constrasta si el porcentaje de voto que recibe el partido en el gobierno esta relacionado con la situación de económica precedente a las elecciones. Es decir, contrasta si las variables económicas són conjuntamente significativas para explicar V. La respuesta ha de inclouir: hipótesis nula y alternativa, el estadístico de contrast a utilizar y la su distribución, cómo has calculado el valor del estadístico y la regla de decisión aplicada. Incluye cualquier output de Gretl que hayas necesitado. 15. El fichero de datos keeling_whorf_co2.gdt contiene observaciones mensuales de la concentración de dióxido de carbono co2 en Mauna Loa, Hawaii entre (Para más información: (a) Haz un plot de la serie co2 respecto el tiempo. Comenta. (b) Crea una variable de tendencia temporal bajo el nombre trend y estima, por M CO, el siguiente modelo: Interpreta los resultados. Modelo(1) co2 t = β 0 + β 1 trend t + u t. (c) Haz un gráfico de los residuos M CO versus el tiempo. Comenta. Hay estacionalidad? Da una explicación de porqué podemos observar estacionalidad en esta serie. 1 Ray Fair(2002), Predicting Presidential elections and other things, Standford Bussiness Books 9

10 (d) Utilizando la opción correspondiente en Gretl, crea una variable fictícia para cada mes. Es decir, genera las variables d t1,...,d t12 donde: { 1 si j = 1 d tj = 0 si j 1 Con la misma muestra estima por MCO el siguiente modelo: Interpreta los resultados. estacionalidad? 12 Modelo(2) co2 t = α j d tj + β 1 trend t + u t. j=1 Han servido las variables fictícias para controlar la (e) Haz un gráfico de los residuos MCO resultantes de estimar el Modelo(2) versus el tiempo. Comenta. Ves evidencia de algún problema econométrico adicional? 16. El fichero de datos ees2006.gdt contiene datos de la Encuesta de Estructura Salarial que la Fundación SEPI realiza entre las indústrias manufactureras. El fichero contiene información de 5000 personas sobre su salario mensual en euros (SALAMES), años de escolarización (ESCOLA), añoss de experiencia (EXP ER) y génereo (M U JER), entre otros. (a) Encuentra los estadísticos de estadística descriptiva de las variables incluidas. (b) Estima el siguiente modelo con la muestra dada: Modelo(1) ln(salames i ) = β 0 + β 1 ESCOLA i + β 2 EXP ER i + u i (c) Crees que la presencia de colinealidad puede haber afectado a la estimación? Qué estadístico has utilizado para constestar? (d) Considera añadir como regresor la variable EDAD en el M odelo(1). Explica qué pasa cuando queremos estimar el Modelo(1) añadiendo este regresor. Has podido estimar β 3? Qué puedes decir de var( ˆβ 3 )? Se riguroso. Qué conclusión sacas sobre las persones que tenemos en esta muestra? (e) Escribe un modelo que te permita contrastar si el efecto marginal de la experiencia laboral en los salarios depende de los años de experiencia. Llama este modelo, M odelo(2). Estima este segundo modelo i contrasta si el efecto marginal de la experiencia laboral en los salarios depende de los años de experiencia. Explica en palabras lo que has encontrado. (f) En términos de bondad de ajuste, qué modelo escogerías, el M odelo(1) o el Modelo(2)? (g) Da una estimación del efecto marginal de la experiencia sobre los salarios para una persona que tiene 1 año de experiencia versus una que tiene 20 años de experiencia. 10

11 17. Considera la misma muestra que en el ejercicio anterior, ees2006.gdt. Estamos interesados en contrastar la existencia de discriminación por género utilizando esta muestra. (a) Estima el salario promedio de un hombre. Estima el salario promedio de una mujer. Qué te permite decir esta diferencia? Explica qué ventaja ofrece el modelo de regresión en este contexto. (b) Modifica el Modelo(1) de la pregunta anterior de forma que te permita analizar la existencia de discriminación en este mercado. Llama este modelo, M odelo(3). Estima este modelo. (c) Haz el(los) contraste(s) que creas oportuno, sobre los parámetros del M odelo(3), con tal de analizar la posible presencia de discriminación per género. Explica exactamente el tipo de dicriminación que estas contrastando. Discute los resultados. Qué conclusión has obtenido? 11

Ejemplo 6.2. Pilar González y Susan Orbe. Dpto. Economía Aplicada III (Econometría y Estadística)

Ejemplo 6.2. Pilar González y Susan Orbe. Dpto. Economía Aplicada III (Econometría y Estadística) Ejemplo 6.2 Inferencia en el Modelo de Regresión Lineal General Pilar González y Susan Orbe Dpto. Economía Aplicada III (Econometría y Estadística) Pilar González y Susan Orbe OCW 2013 Ejemplo 6.2 Inferencia

Más detalles

Hoja de Ejercicios 3 El modelo de regresión lineal múltiple

Hoja de Ejercicios 3 El modelo de regresión lineal múltiple Hoja de Ejercicios 3 El modelo de regresión lineal múltiple Nota: En aquellos ejercicios en los que se incluyen estimaciones y referencia al archivo de datos utilizado, el estudiante debería comprobar

Más detalles

TODO ECONOMETRIA. Bondad del ajuste Contraste de hipótesis

TODO 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 detalles

ESTADÍSTICA. Tema 4 Regresión lineal simple

ESTADÍSTICA. 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 detalles

Hoja de Ejercicios 4 Análisis de regresión con información cualitativa

Hoja 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 detalles

Econometría. Auxiliar 4. Profesor : Mattia Makovec Semestre : Otoño 2010 Auxiliar : Gonzalo Viveros A.

Econometría. Auxiliar 4. Profesor : Mattia Makovec Semestre : Otoño 2010 Auxiliar : Gonzalo Viveros A. Econometría Auxiliar 4 Profesor : Mattia Makovec Semestre : Otoño 2010 Auxiliar : Gonzalo Viveros A. Pregunta 1 El archivo salarios.xls contiene observaciones mensuales en US$ del salario (Wage) de 935

Más detalles

TEMA 3: Contrastes de Hipótesis en el MRL

TEMA 3: Contrastes de Hipótesis en el MRL TEMA 3: Contrastes de Hipótesis en el MRL Econometría I M. Angeles Carnero Departamento de Fundamentos del Análisis Económico Curso 2011-12 Econometría I (UA) Tema 3: Contrastes de Hipótesis Curso 2011-12

Más detalles

Prácticas Tema 2: El modelo lineal simple

Prácticas 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 detalles

Actividad A5.1. Cambio de escala. a. Para estimar el modelo (1) se pincha: Modelo -- Mínimos cuadrados ordinarios SCR = 7803, 175 R 2 = 0, 89855

Actividad A5.1. Cambio de escala. a. Para estimar el modelo (1) se pincha: Modelo -- Mínimos cuadrados ordinarios SCR = 7803, 175 R 2 = 0, 89855 Actividad A5.1. Cambio de escala. Alquiler de sombrillas a. Para estimar el modelo (1) se pincha: Ŝ t = 22, 1467 0, 610208 P t + 11, 7892 T t t = 1, 2,..., 22 SCR = 7803, 175 R 2 = 0, 89855 ˆβ 1 : se estima

Más detalles

Actividad A5. Modelo de Regresión Lineal General. Estimación. Pilar González y Susan Orbe. Dpto. Economía Aplicada III (Econometría y Estadística)

Actividad A5. Modelo de Regresión Lineal General. Estimación. Pilar González y Susan Orbe. Dpto. Economía Aplicada III (Econometría y Estadística) Actividad A5 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 Actividad A5. Estimación

Más detalles

T2. El modelo lineal simple

T2. 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 detalles

Gráfico 1: Evolución del exceso de rentabilidad de la empresa y de la cartera de mercado

Gráfico 1: Evolución del exceso de rentabilidad de la empresa y de la cartera de mercado Caso 1: Solución Apartado a) - 2 0 2 4 6 0 2 0 4 0 6 0 8 0 1 0 0 p e r i o d E x c e s s r e t u r n, c o m p a n y a e x c e s s r e t u r n m a r k e t p o r t f o l i o Gráfico 1: Evolución del exceso

Más detalles

TEMA 4 Modelo de regresión múltiple

TEMA 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 detalles

CUESTIONES Y PROBLEMAS DE DISTRIBUCIONES DE FRECUENCIAS BIDIMENSIONALES PROPUESTOS EN EXÁMENES

CUESTIONES Y PROBLEMAS DE DISTRIBUCIONES DE FRECUENCIAS BIDIMENSIONALES PROPUESTOS EN EXÁMENES TUTORÍA DE INTRODUCCIÓN A LA ESTADÍSTICA (º A.D.E.) CUESTIONES Y PROBLEMAS DE DISTRIBUCIONES DE FRECUENCIAS BIDIMENSIONALES PROPUESTOS EN EXÁMENES 1º) Qué ocurre cuando r = 1: a) Los valores teóricos no

Más detalles

Ejercicio 1(10 puntos)

Ejercicio 1(10 puntos) ESTADISTICA Y SUS APLICACIONES EN CIENCIAS SOCIALES. Segundo Parcial Montevideo, 4 de julio de 2015. Nombre: Horario del grupo: C.I.: Profesor: Ejercicio 1(10 puntos) La tasa de desperdicio en una empresa

Más detalles

Examen de Grado Sección de Econometría Agosto y se obtienen los siguientes resultados. Observe que parte de la información ha sido omitida.

Examen de Grado Sección de Econometría Agosto y se obtienen los siguientes resultados. Observe que parte de la información ha sido omitida. Examen de Grado Sección de Econometría Agosto 2015 Pregunta 1. (40 puntos). Suponga que estamos interesados en determinar cuáles características del colegio y/o del hogar determinan el resultado de una

Más detalles

Prácticas Tema 6. Modelos de ecuaciones simultáneas

Prácticas 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 detalles

Se permite un folio escrito por las dos caras. Cada problema se realiza en hojas diferentes y se entregan por separado.

Se 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 detalles

Tribunal de la Oposición al Cuerpo Superior de Estadísticos del Estado

Tribunal de la Oposición al Cuerpo Superior de Estadísticos del Estado Tribunal de la Oposición al Cuerpo Superior de Estadísticos del Estado Pruebas selectivas para el ingreso en el Cuerpo Superior de Estadísticos del Estado. Orden ECC/1517/2015, de 16 de Julio (BOE 27/07/2015).

Más detalles

Estadística II Tema 4. Regresión lineal simple. Curso 2009/10

Estadística 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 detalles

Regresión múltiple. Demostraciones. Elisa Mª Molanes López

Regresión 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 detalles

Tema 10: Introducción a los problemas de Asociación y Correlación

Tema 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 detalles

Variables Cualitativas

Variables Cualitativas Tema 7 Variables Cualitativas Contenido 7.1. Introducción. Un ejemplo...................... 118 7.2. Modelo con una variable cualitativa................ 118 7.2.1. Incorporación de variables cuantitativas.............

Más detalles

Funciones de Regresión No Lineales (SW Cap. 6)

Funciones de Regresión No Lineales (SW Cap. 6) Funciones de Regresión No Lineales (SW Cap. 6) Todo anteriormente ha sido lineal en las X s La aproximación de que la función de regresión es lineal puede ser satisfactoria para algunas variables pero

Más detalles

ESTADISTICA II. INGENIERIA INFORMATICA, 3 ER Curso

ESTADISTICA II. INGENIERIA INFORMATICA, 3 ER Curso ESTADISTICA II INGENIERIA INFORMATICA, 3 ER Curso 22 - Diciembre - 2.006 Primera Parte - Test Apellidos y Nombre:... D.N.I. :... Nota : En la realización de este examen sólo esta permitido utilizar calculadoras

Más detalles

Estadística para la Economía y la Gestión IN 3401

Estadística 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 detalles

T4. Modelos con variables cualitativas

T4. Modelos con variables cualitativas T4. Modelos con variables cualitativas Ana J. López y Rigoberto Pérez Dpto Economía Aplicada. Universidad de Oviedo Curso 2010-2011 Ana J. López y Rigoberto Pérez (Dpto EconomíaT4. Aplicada. Modelos Universidad

Más detalles

ESTADISTICA II. INGENIERIA INFORMATICA, 3 ER Curso Septiembre Primera Parte

ESTADISTICA II. INGENIERIA INFORMATICA, 3 ER Curso Septiembre Primera Parte ESTADISTICA II INGENIERIA INFORMATICA, 3 ER Curso 13 - Septiembre - 2.004 Primera Parte Apellidos y Nombre:... D.N.I. :... Nota : En la realización de este examen sólo esta permitido utilizar calculadoras

Más detalles

Ejercicio Heterocedasticidad_2

Ejercicio 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 detalles

ENUNCIADOS DE PROBLEMAS

ENUNCIADOS DE PROBLEMAS UNIVERSIDAD CARLOS III DE MADRID ECONOMETRÍA I 22 de Septiembre de 2007 ENUNCIADOS DE PROBLEMAS Muy importante: Tenga en cuenta que algunos resultados de las tablas han podido ser omitidos. PROBLEMA 1:

Más detalles

Tema 8: Regresión y Correlación

Tema 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 detalles

Correlación. El coeficiente de correlación mide la fuerza o el grado de asociación entre dos variables (r)

Correlación. El coeficiente de correlación mide la fuerza o el grado de asociación entre dos variables (r) Correlación El coeficiente de correlación mide la fuerza o el grado de asociación entre dos variables (r) El coeficiente de correlación lineal de Pearson (r) permite medir el grado de asociación entre

Más detalles

ECONOMETRÍA I. Tema 5: Análisis de regresión múltiple con información cualitativa

ECONOMETRÍA I. Tema 5: Análisis de regresión múltiple con información cualitativa ECONOMETRÍA I Tema 5: Análisis de regresión múltiple con información cualitativa Patricia Moreno Juan Manuel Rodriguez Poo Alexandra Soberon Departamento de Economía Alexandra Soberon (UC) ECONOMETRÍA

Más detalles

Estadística y sus aplicaciones en Ciencias Sociales 5. Estimación. Facultad de Ciencias Sociales, UdelaR

Estadística y sus aplicaciones en Ciencias Sociales 5. Estimación. Facultad de Ciencias Sociales, UdelaR Estadística y sus aplicaciones en Ciencias Sociales 5. Estimación Facultad de Ciencias Sociales, UdelaR Índice 1. Repaso: estimadores y estimaciones. Propiedades de los estimadores. 2. Estimación puntual.

Más detalles

Regresores deterministas

Regresores deterministas CAPíTULO 7 Regresores deterministas 7.1. Variables ficticias Los datos estadísticos que se utilizan en un modelo de regresión pueden corresponder a variables cuantitativas y cualitativas. Mientras que

Más detalles

Problemas deestadísticaii Cuaderno II: Regresión Multiple

Problemas deestadísticaii Cuaderno II: Regresión Multiple Problemas deestadísticaii Cuaderno II: Regresión Multiple Ingeniería Industrial. Curso 2000/2001 1. Se realizanlas regresiones lineales: bx 1 = b 0+ b 1x 2 R 2 =0:99 by= b 0 + b 1 x 1 R 2 =0:8 (a) Indicar

Más detalles

Econometría Universidad Carlos III de Madrid Soluciones Examen Final 27 de Mayo de 2013

Econometría Universidad Carlos III de Madrid Soluciones Examen Final 27 de Mayo de 2013 Econometría Universidad Carlos III de Madrid Soluciones Examen Final 27 de Mayo de 2013 1. [6 puntos/sobre 10] Estamos interesados en estudiar el impacto del tamaño de la familia (número de hijos) en la

Más detalles

El Modelo de Regresión Lineal

El 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 detalles

Errores de especificación

Errores 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 detalles

Facultad de Ciencias Sociales - Universidad de la República

Facultad de Ciencias Sociales - Universidad de la República Facultad de Ciencias Sociales - Universidad de la República Estadística y sus aplicaciones en Ciencias Sociales Edición 2016 Ciclo Avanzado 3er. Semestre (Licenciatura en Ciencia Política/ Licenciatura

Más detalles

Práctica 3: Regresión simple con R

Práctica 3: Regresión simple con R Estadística II Curso 2010/2011 Licenciatura en Matemáticas Práctica 3: Regresión simple con R 1. El fichero de datos Vamos a trabajar con el fichero salinity que se encuentra en el paquete boot. Para cargar

Más detalles

Examen de Introducción a la Econometría 8 de septiembre de 2008

Examen 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 detalles

TODO ECONOMETRIA TEMA 1: MODELO BASICO DE REGRESIÓN LINEAL MULTIPLE (MBRL)

TODO 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 detalles

Ejercicio 6. Pilar González y Susan Orbe. Dpto. Economía Aplicada III (Econometría y Estadística)

Ejercicio 6. Pilar González y Susan Orbe. Dpto. Economía Aplicada III (Econometría y Estadística) Ejercicio 6 Inferencia en el Modelo de Regresión Lineal General Pilar González y Susan Orbe Dpto. Economía Aplicada III (Econometría y Estadística) Pilar González y Susan Orbe OCW 2013 Ejercicio 6 Inferencia

Más detalles

Figura 1. a) Ya b) Yb c) Yc d) Yd e) Ye

Figura 1. a) Ya b) Yb c) Yc d) Yd e) Ye UNIVERSIDAD AUTÓNOMA METROPOLITANA XOCHIMILCO DIVISIÓN DE CIENCIAS SOCIALES Y HUMANIDADES MAESTRÍA EN CIENCIAS ECONÓMICAS ECONOMETRÍA 1er. EJERCICIO EVALUATORIO Instrucciones: Esté ejercicio está compuesto

Más detalles

Elaboración de un modelo econométrico.

Elaboración de un modelo econométrico. 1 Elaboración de un modelo econométrico. Con este documento se presenta una guía que puede servir al alumno de las asignaturas de Econometría para elaborar un informe o proyecto en el que se recojan los

Más detalles

INDICE 1. Qué es la Estadística? 2.Descripción de Datos: Distribuciones de Frecuencia y Presentación Gráfica

INDICE 1. Qué es la Estadística? 2.Descripción de Datos: Distribuciones de Frecuencia y Presentación Gráfica INDICE 1. Qué es la Estadística? 1 Introducción 2 Qué significa estadística? 2 Por qué se estudia la estadística? 4 Tipos de estadística 5 Estadística descriptiva 5 Estadística inferencial 6 Tipos de variables

Más detalles

Diplomatura en Ciencias Empresariales X Y 10 10000 100 1000 1000 100 10000 10

Diplomatura en Ciencias Empresariales X Y 10 10000 100 1000 1000 100 10000 10 DEPARTAMENTO DE ESTADÍSTICA E INVESTIGACIÓN OPERATIVA Diplomatura en Ciencias Empresariales ESTADÍSTICA II Relación Tema 10: Regresión y correlación simple. 1. Ajustar una función potencial a los siguientes

Más detalles

Estadística para la Economía y la Gestión IN 3401 Clase 5

Estadística 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 detalles

Regresión lineal. Marcelo Rodríguez Ingeniero Estadístico - Magíster en Estadística

Regresión lineal. Marcelo Rodríguez Ingeniero Estadístico - Magíster en Estadística Regresión lineal Marcelo Rodríguez Ingeniero Estadístico - Magíster en Estadística Universidad Católica del Maule Facultad de Ciencias Básicas Pedagogía en Matemática Estadística I 01 de enero de 2012

Más detalles

ESTRUCTURA DEL EXAMEN DE MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES II PARA ALUMNOS DE BACHILLERATO

ESTRUCTURA DEL EXAMEN DE MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES II PARA ALUMNOS DE BACHILLERATO ESTRUCTURA DEL EXAMEN DE MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES II PARA ALUMNOS DE BACHILLERATO El examen presentará dos opciones diferentes entre las que el alumno deberá elegir una y responder

Más detalles

1 Introducción. 2 Modelo. Hipótesis del modelo MODELO DE REGRESIÓN LOGÍSTICA

1 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 detalles

INTERPRETACIÓN DE LA REGRESIÓN. Interpretación de la regresión

INTERPRETACIÓN 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 detalles

Econometría II. Ejercicios propuestos

Econometría II. Ejercicios propuestos Econometría II Ejercicios propuestos Román Salmerón Gómez Multicolinealidad 1. En el modelo de regresión Y t = β 1 + β 2 X t + β 3 Z t + u t se verifica que X t = 1 2 Z t. Qué parámetros son estimables?

Más detalles

Percepción de los Precios por Parte de los Hogares: El caso de la Electricidad en el Perú

Percepción de los Precios por Parte de los Hogares: El caso de la Electricidad en el Perú Percepción de los Precios por Parte de los Hogares: El caso de la Electricidad en el Perú Luis Bendezú Medina Universidad de Chile Diciembre 2007 Contenido Introducción Modelo Teórico Implementación Empírica

Más detalles

Metodologías Para La Estimación de Ingresos Corrientes del Sector Público. Lic. Edgar Morales

Metodologías Para La Estimación de Ingresos Corrientes del Sector Público. Lic. Edgar Morales Metodologías Para La Estimación de Ingresos Corrientes del Sector Público Lic. Edgar Morales Ingresos Fiscales Los ingresos fiscales son los que percibe el sector público para hacer frente a los gastos

Más detalles

INSTITUTO NACIONAL DE ESTADÍSTICAS (INE) 29 de Abril de 2016

INSTITUTO NACIONAL DE ESTADÍSTICAS (INE) 29 de Abril de 2016 ANEXO ESTADÍSTICO 1 : COEFICIENTES DE VARIACIÓN Y ERROR ASOCIADO AL ESTIMADOR ENCUESTA NACIONAL DE EMPLEO (ENE) INSTITUTO NACIONAL DE ESTADÍSTICAS (INE) 9 de Abril de 016 1 Este anexo estadístico es una

Más detalles

Pronósticos, Series de Tiempo y Regresión. Capítulo 4: Regresión Lineal Múltiple

Pronósticos, Series de Tiempo y Regresión. Capítulo 4: Regresión Lineal Múltiple Pronósticos, Series de Tiempo y Regresión Capítulo 4: Regresión Lineal Múltiple Temas Modelo de regresión lineal múltiple Estimaciones de Mínimos Cuadrados Ordinarios (MCO); estimación puntual y predicción

Más detalles

MATEMÁTICAS APLICADAS A LAS CCSS II. 1. Resolver sistemas de ecuaciones lineales mediante el método de Gauss.

MATEMÁTICAS APLICADAS A LAS CCSS II. 1. Resolver sistemas de ecuaciones lineales mediante el método de Gauss. MATEMÁTICAS APLICADAS A LAS CCSS II Criterios de evaluación. 1. Resolver sistemas de ecuaciones lineales mediante el método de Gauss. 2. Operar correctamente con matrices y utilizar el lenguaje matricial

Más detalles

INSTITUTO POLITÉCNICO NACIONAL ESCUELA SUPERIOR DE ECONOMÍA GUIA DE MODELOS ECONOMETRICOS ( ) ( ) ( ) (0.08)

INSTITUTO 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 detalles

Universidad Carlos III de Madrid Econometría Funciones de regresión no lineales Hoja de Ejercicios 8

Universidad Carlos III de Madrid Econometría Funciones de regresión no lineales Hoja de Ejercicios 8 Universidad Carlos III de Madrid Econometría Funciones de regresión no lineales Hoja de Ejercicios 8 1. Las ventas de una empresa son de 196 millones de dólares en 2009 y aumentaron hasta los 198 millones

Más detalles

Método de cuadrados mínimos

Método 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 detalles

Ejercicio 1 (20 puntos)

Ejercicio 1 (20 puntos) ESTADISTICA Y SUS APLICACIONES EN CIENCIAS SOCIALES. Examen Montevideo, 15 de diciembre de 2015. Nombre: C.I.: EXAMEN Libre Reglamentado El examen consta de dos partes. La primera parte debe ser realizada

Más detalles

MODELO DE RESPUESTAS Objetivos 2, 3, 4, 5, 6, 7, Y 8.

MODELO 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 detalles

EJERCICIOS DE SELECTIVIDAD

EJERCICIOS DE SELECTIVIDAD EJERCICIOS DE SELECTIVIDAD INFERENCIA 1998 JUNIO OPCIÓN A Un fabricante de electrodomésticos sabe que la vida media de éstos sigue una distribución normal con media μ = 100 meses y desviación típica σ

Más detalles

MATEMÁTICAS 1º BI-NM Serie Estadística Unidimensional y Bidimensional

MATEMÁTICAS 1º BI-NM Serie Estadística Unidimensional y Bidimensional MATEMÁTICAS 1º BI-NM Serie Estadística Unidimensional y Bidimensional 1 Entra en la página web del Instituto Nacional de Estadística y elige una variable numérica de tu interés que disponga de frecuencias

Más detalles

Estadística Convocatoria de Junio Facultad de Ciencias del Mar. Curso 2009/10 28/06/10

Estadística Convocatoria de Junio Facultad de Ciencias del Mar. Curso 2009/10 28/06/10 1. El Indice Climático Turístico (ICT), definido por Mieczkowski en 1985 es un índice que toma valores en una escala de 0 a 100 y tiene como objetivo valorar la calidad que ofrece el clima de una región

Más detalles

INDICE Prefacio 1. Introducción 2. Distribuciones de frecuencia: tablas estadísticas y graficas

INDICE Prefacio 1. Introducción 2. Distribuciones de frecuencia: tablas estadísticas y graficas INDICE Prefacio XIII 1. Introducción 1.1. la imagen de la estadística 1 1.2. dos tipos de estadísticas 1.3. estadística descriptiva 2 1.4. estadística inferencial 1.5. naturaleza interdisciplinaria de

Más detalles

INDICE. Prólogo a la Segunda Edición

INDICE. Prólogo a la Segunda Edición INDICE Prólogo a la Segunda Edición XV Prefacio XVI Capitulo 1. Análisis de datos de Negocios 1 1.1. Definición de estadística de negocios 1 1.2. Estadística descriptiva r inferencia estadística 1 1.3.

Más detalles

Estimación de modelos multiecuacionales mediante el entorno de programación R

Estimación de modelos multiecuacionales mediante el entorno de programación R Estimación de modelos multiecuacionales mediante el entorno de programación R 1. Resumen En el presente documento vamos a abordar la estimación de modelos de ecuaciones simultáneas mediante el entorno

Más detalles

OPTIMIZACIÓN Y SIMULACIÓN PARA LA EMPRESA. Tema 5 Simulación

OPTIMIZACIÓN Y SIMULACIÓN PARA LA EMPRESA. Tema 5 Simulación OPTIMIZACIÓN Y SIMULACIÓN PARA LA EMPRESA Tema 5 Simulación ORGANIZACIÓN DEL TEMA Sesiones: Introducción Ejemplos prácticos Procedimiento y evaluación de resultados INTRODUCCIÓN Simulación: Procedimiento

Más detalles

ESTADISTICA INFERENCIAL DR. JORGE ACUÑA A.

ESTADISTICA INFERENCIAL DR. JORGE ACUÑA A. ESTADISTICA INFERENCIAL DR. JORGE ACUÑA A. 1 PROBABILIDAD Probabilidad de un evento es la posibilidad relativa de que este ocurra al realizar el experimento Es la frecuencia de que algo ocurra dividido

Más detalles

1. Valoración y análisis de EDAD AL DIAGNÓSTICO. Media (D.E.) Mediana Min Max Rango R.I. Edad diagnóstico (+19.7) años

1. Valoración y análisis de EDAD AL DIAGNÓSTICO. Media (D.E.) Mediana Min Max Rango R.I. Edad diagnóstico (+19.7) años Transformar y calcular variables 1. Calcular el IMC (peso/altura 2 ). Recordar que la altura ha de ser en metros y el peso en kg. Recalcular la altura si es necesario. 2. Recodificar la edad al diagnóstico

Más detalles

Análisis de Regresión Múltiple: Inferencia

Análisis de Regresión Múltiple: Inferencia Análisis de Regresión Múltiple: Inferencia Carlos Velasco 1 1 Departamento de Economía Universidad Carlos III de Madrid Econometría I Máster en Economía Industrial Universidad Carlos III de Madrid Curso

Más detalles

Regresión y Correlación

Regresión y Correlación Relación de problemas 4 Regresión y Correlación 1. El departamento comercial de una empresa se plantea si resultan rentables los gastos en publicidad de un producto. Los datos de los que dispone son: Beneficios

Más detalles

Motivación. Motivación PRONOSTICOS DE DEMANDA

Motivación. Motivación PRONOSTICOS DE DEMANDA 4 PRONOSTICOS DE DEMANDA Dr. Jorge Ibarra Salazar Profesor Asociado Departamento de Economía Tecnológico de Monterrey Motivación Estudio de los métodos para pronosticar las ventas a partir de datos observados.

Más detalles

Contrastes de restricciones lineales y predicción

Contrastes de restricciones lineales y predicción Tema 4 Contrastes de restricciones lineales y predicción Contenido 4.1. Contrastes de restricciones lineales................. 78 4.2. Contrastes utilizando Gretl..................... 80 4.3. Estimación

Más detalles

Estadística 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 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 detalles

Diplomado en Estadística Aplicada

Diplomado en Estadística Aplicada Diplomado en Estadística Aplicada Con el propósito de mejorar las habilidades para la toma de decisiones, la División de Estudios de Posgrado de la Facultad de Economía ha conjuntado a profesores con especialidad

Más detalles

Estadística y sus aplicaciones en Ciencias Sociales 6. Prueba de hipótesis. Facultad de Ciencias Sociales, UdelaR

Estadística y sus aplicaciones en Ciencias Sociales 6. Prueba de hipótesis. Facultad de Ciencias Sociales, UdelaR Estadística y sus aplicaciones en Ciencias Sociales 6. Prueba de hipótesis Facultad de Ciencias Sociales, UdelaR Índice 1. Introducción: hipótesis estadística, tipos de hipótesis, prueba de hipótesis 2.

Más detalles

Economía Aplicada. Modelos con variables dependiente binarias. Departamento de Economía Universidad Carlos III de Madrid

Economía Aplicada. Modelos con variables dependiente binarias. Departamento de Economía Universidad Carlos III de Madrid Economía Aplicada Modelos con variables dependiente binarias Departamento de Economía Universidad Carlos III de Madrid Ver Stock y Watson (capítulo 11) 1 / 28 Modelos con variables dependiente binarias:

Más detalles

Prueba de Hipótesis. Para dos muestras

Prueba de Hipótesis. Para dos muestras Prueba de Hipótesis Para dos muestras Muestras grandes (n mayor a 30) Utilizar tabla Z Ho: μ1 = μ2 H1: μ1 μ2 Localizar en valor de Zt en la tabla Z Error estándar de la diferencia de medias Prueba de

Más detalles

TEMA 5. Modelos para Datos de Conteo

TEMA 5. Modelos para Datos de Conteo TEMA 5. Modelos para Datos de Conteo Profesor: Pedro Albarrán Pérez Universidad de Alicante. Curso 2010/2011. Contenido 1 Datos de Conteo 2 Regresión de Poisson 3 Extensiones Datos de Conteo Variable de

Más detalles

CONTRASTE SOBRE UN COEFICIENTE DE LA REGRESIÓN

CONTRASTE SOBRE UN COEFICIENTE DE LA REGRESIÓN Modelo: Y =! 1 +! 2 X + u Hipótesis nula: Hipótesis alternativa H 1 :!!! 2 2 Ejemplo de modelo: p =! 1 +! 2 w + u Hipótesis nula: Hipótesis alternativa: H :!! 1 2 1. Como ilustración, consideremos un modelo

Más detalles

Tercera práctica de REGRESIÓN.

Tercera práctica de REGRESIÓN. Tercera práctica de REGRESIÓN. DATOS: fichero practica regresión 3.sf3 1. Objetivo: El objetivo de esta práctica es aplicar el modelo de regresión con más de una variable explicativa. Es decir regresión

Más detalles

3.1 Proyección de la Demanda. Fundación Bariloche. Noviembre de Documento PDF.

3.1 Proyección de la Demanda. Fundación Bariloche. Noviembre de Documento PDF. 3.1 Proyección de la Demanda. Fundación Bariloche. Noviembre de 2008. Documento PDF. 5. PROYECCIONES DE LA DEMANDA DE ENERGIA Estudio Prospectiva de la Demanda de Energía de República Dominicana Informe

Más detalles

Teoría de la decisión

Teoría de la decisión 1.- Un problema estadístico típico es reflejar la relación entre dos variables, a partir de una serie de Observaciones: Por ejemplo: * peso adulto altura / peso adulto k*altura * relación de la circunferencia

Más detalles

PROGRAMA DE ESTUDIO : UN SEMESTRE ACADÉMICO : TERCER AÑO, PRIMER SEMESTRE

PROGRAMA DE ESTUDIO : UN SEMESTRE ACADÉMICO : TERCER AÑO, PRIMER SEMESTRE PROGRAMA DE ESTUDIO A. Antecedentes Generales ASIGNATURA : Estadística CÓDIGO : IIM313A DURACIÓN : UN SEMESTRE ACADÉMICO PRE - REQUISITO : PROBABILIDADES CO REQUISITO : NO TIENE UBICACIÓN : TERCER AÑO,

Más detalles

Tema 5. Muestreo y distribuciones muestrales

Tema 5. Muestreo y distribuciones muestrales 1 Tema 5. Muestreo y distribuciones muestrales En este tema: Muestreo y muestras aleatorias simples. Distribución de la media muestral: Esperanza y varianza. Distribución exacta en el caso normal. Distribución

Más detalles

PRÁCTICA 3. REGRESIÓN LINEAL SIMPLE CON SPSS Ajuste de un modelo de regresión lineal simple Porcentaje de variabilidad explicado

PRÁCTICA 3. REGRESIÓN LINEAL SIMPLE CON SPSS Ajuste de un modelo de regresión lineal simple Porcentaje de variabilidad explicado PÁCTICA 3. EGESIÓN LINEAL SIMPLE CON SPSS 3.1. Gráfico de dispersión 3.2. Ajuste de un modelo de regresión lineal simple 3.3. Porcentaje de variabilidad explicado 3.4 Es adecuado este modelo para ajustar

Más detalles

1) Características del diseño en un estudio de cohortes.

1) Características del diseño en un estudio de cohortes. Departamento de Estadística Universidad Carlos III de Madrid BIOESTADISTICA (55-10536) Estudios de cohortes CONCEPTOS CLAVE 1) Características del diseño en un estudio de cohortes. ) Elección del tamaño

Más detalles

Econometría II Grado en finanzas y contabilidad

Econometría II Grado en finanzas y contabilidad Econometría II Grado en finanzas y contabilidad Variables aleatorias y procesos estocásticos. La FAC y el correlograma Profesora: Dolores García Martos E-mail:mdgmarto@est-econ.uc3m.es Este documento es

Más detalles

Reporte de Pobreza y Desigualdad DICIEMBRE 2015

Reporte de Pobreza y Desigualdad DICIEMBRE 2015 Reporte de Pobreza y Desigualdad DICIEMBRE 2015 1 Reporte de Pobreza y Desigualdad - Diciembre 2015 Dirección responsable de la información estadística y contenidos: Dirección de Innovación en Métricas

Más detalles

Universidad de Chile DIPLOMA PREPARACIÓN Y EVALUACIÓN SOCIAL DE PROYECTOS Prof: Sara Arancibia

Universidad de Chile DIPLOMA PREPARACIÓN Y EVALUACIÓN SOCIAL DE PROYECTOS Prof: Sara Arancibia Universidad de Chile DIPLOMA PREPARACIÓN Y EVALUACIÓN SOCIAL DE PROYECTOS Prof: Sara Arancibia Estudio de Caso: Estudio Morfología Coeficiente de Correlación Considere el archivo Estudio Morfología.sav.

Más detalles

El ejemplo: Una encuesta de opinión

El ejemplo: Una encuesta de opinión El ejemplo: Una encuesta de opinión Objetivos Lo más importante a la hora de planificar una encuesta es fijar los objetivos que queremos lograr. Se tiene un cuestionario ya diseñado y se desean analizar

Más detalles

Econometría dinámica y financiera

Econometría dinámica y financiera Econometría dinámica y financiera Introducción a la econometría financiera. Modelos ARCH Profesora: Dolores García Martos E-mail:mdgmarto@est-econ.uc3m.es Introducción Los modelos que hemos visto son lineales

Más detalles

Estadística para el análisis de los Mercados S3_A1.1_LECV1. Estadística Descriptiva Bivariada

Estadística para el análisis de los Mercados S3_A1.1_LECV1. Estadística Descriptiva Bivariada Estadística Descriptiva Bivariada En el aspecto conceptual, este estudio puede ser generalizado fácilmente para el caso de la información conjunta de L variables aunque las notaciones pueden resultar complicadas

Más detalles

Reporte de pobreza y desigualdad. Junio 2017

Reporte de pobreza y desigualdad. Junio 2017 Reporte de pobreza y desigualdad Junio 2017 Reporte de pobreza y desigualdad Junio 2017 Dirección responsable de la información estadística y contenidos: Dirección de Innovación en Métricas y Metodologías

Más detalles

TÉCNICAS ESTADÍSTICAS APLICADAS EN NUTRICIÓN Y SALUD

TÉCNICAS ESTADÍSTICAS APLICADAS EN NUTRICIÓN Y SALUD TÉCNICAS ESTADÍSTICAS APLICADAS EN NUTRICIÓN Y SALUD Contrastes de hipótesis paramétricos para una y varias muestras: contrastes sobre la media, varianza y una proporción. Contrastes sobre la diferencia

Más detalles

Podemos definir un contraste de hipótesis como un procedimiento que se basa en lo observado en las muestras y en la teoría de la probabilidad para

Podemos definir un contraste de hipótesis como un procedimiento que se basa en lo observado en las muestras y en la teoría de la probabilidad para VII. Pruebas de Hipótesis VII. Concepto de contraste de hipótesis Podemos definir un contraste de hipótesis como un procedimiento que se basa en lo observado en las muestras y en la teoría de la probabilidad

Más detalles