PROPIEDADES DEL ESTIMADOR MCO
|
|
- Jaime Espejo Alarcón
- hace 6 años
- Vistas:
Transcripción
1 TEMA 3 PROPIEDADES DEL ESTIMADOR MCO S. Álvarez, A. Beyaert, M. Camacho, M. González, A. Quesada Departamento de Métodos Cuantitativos para la Economía y la Empresa Econometría (3º GADE)
2 Lo que estudiaremos en este tema: 1. El valor esperado del estimador MCO 1.1 Supuestos mínimos necesarios para la insesgadez 1. Errores de especificación e insesgadez del estimador MCO. La varianza del estimador MCO y su estimación.1 La varianza del estimador MCO. El estimador de la varianza del estimador MCO.3 Multicolinealidad fuerte y varianzas MCO.4 Varianzas en modelos mal especificados 3. Optimalidad del estimador MCO 3.1 Supuestos necesarios 3. El Teorema de Gauss-Markov 4. Consistencia del estimador MCO 4.1 Introducción 4. Supuestos necesarios 4.3 Teorema Bibliografía básica: Wooldridge, 008, cap. 3 y 5 Econometría (3º GADE) Tema 3
3 1. El valor esperado del estimador MCO 1.11 Supuestos mínimos necesarios para la insesgadez Propiedad de insesgadez: y x x k k E ˆ /x,x,,x,x, 0,1, 01,k 11 1 (k1)n kn Eˆ es una medida de posición del estimador El estimador MCO de los coeficientes poblacionales 0, 1,, k es insesgado si se cumplen ciertos supuestos: RLM.1 Modelo lineal en los parámetros RLM. Media nula + Exogeneidad estricta RLM.3 No multicolinealidad perfecta E( x,x,,x,x ) E Ei 0 i 1,,N i 11 1 (k 1)N kn i ( RLM =Regresión Lineal Múltiple) Econometría (3º GADE) Tema 3 3
4 1. El valor esperado del estimador MCO 1.11 Supuestos mínimos necesarios para la insesgadez RLM.1 Modelo lineal en los parámetros y x x k k Supuesto bastante flexible: permite usar funciones de las variables de interés Eemplo: log(salario) educ exp er exp er Cómo se interpretan los coeficientes de este eemplo? Econometría (3º GADE) Tema 3 4
5 1. El valor esperado del estimador MCO 1.11 Supuestos mínimos necesarios para la insesgadez RLM. Media nula y exogeneidad estricta El valor esperado del error, condicionado a las explicativas, es igual al valor esperado no condicionado, y vale cero E( x,x,,x,x ) E( ) 0 i 1,,N i 11 1 (k1)n kn i E( i x 11,x 1,,x (k1)n,x kn) E i i 1,,N (RLM.a) E i 0 i1,,n (RLM.b) (RLM.a) exogeneidad estricta i incorrelacionado con las N observaciones de cada una de las explicativas (RLM.b) media nula Econometría (3º GADE) Tema 3 5
6 1. El valor esperado del estimador MCO 1.11 Supuestos mínimos necesarios para la insesgadez RLM.3 No multicolinealidad exacta En la muestra ninguna de las variables explicativas es constante, y no existen relaciones lineales exactas entre las explicativas se refiere sólo a las variables explicativas en la muestra. No excluye cierta correlación -no perfecta- entre las explicativas Puede cumplirse el supuesto RLM.3 en este eemplo? log(salario) educ exp er exp er Econometría (3º GADE) Tema 3 6
7 1. El valor esperado del estimador MCO 1.1 Supuestos mínimos necesarios para la insesgadez Si hay multicolinealidad exacta, no es posible obtener el estimador MCO porque no está bien definido Por qué? Eemplo: y x x i 0 1 1i i i ˆ N i1 1 N i1 ry 1i r 1i i donde r 1i = residuo de regresar x sobre x 1, y un término constante es la parte de no relacionada con pero si x1i kxi (multicolinealidad exacta): r 1i 0i En general, la multicolinealidad exacta se debe a un error del analista Econometría (3º GADE) Tema 3 7 x 1 x x
8 1. El valor esperado del estimador MCO 1.11 Supuestos mínimos necesarios para la insesgadez Teorema de insesgadez Bao los supuestos RLM.1 a RLM.3, E ˆ /x,x,,x,x, 0,1,,k 11 1 (k1)n kn para cualquiera de los valores del coeficiente poblacional. Los estimadores MCO son estimadores insesgados de los coeficientes poblacionales No se puede hablar de la insesgadez de una estimación, sino del estimador. Nota: Todas las esperanzas y varianzas están condicionadas a los valores muestrales de las variables explicativas, pero para simplificar notación en las ecuaciones del resto del tema no aparece dicha condición, salvo cuando sea útil. Econometría (3º GADE) Tema 3 8
9 1. El valor esperado del estimador MCO 1.11 Supuestos mínimos necesarios para la insesgadez Demostración: modelo de regresión simple (Wooldridge p. 54) yi 0 1x1i i RLM.3 RLM.1 ˆ (x1i x 1)(yi y) (x1i x 1) 1(x1i x 1) ( i ) 1 (x x ) (x x ) 1i 1 i 1 (x1i x 1) 1i 1 1i 1 (x x )( ) ˆ (x1i x 1)( i ) E 1/x 11,,x1N E 1 /x 11,,x1N (x1i x 1) 0 (RLM.) (x x )E ( ) / x,,x 1i 1 i 11 1N 1 1 (x1i x 1) (x x ) Econometría (3º GADE) Tema 3 9
10 1. El valor esperado del estimador MCO 1. Errores de especificación e insesgadez del MCO Dos tipos frecuentes de error de especificación: Inclusión de irrelevantes: una (o más) variable(s) explicativa(s) incluida(s) no tiene(n) ningún efecto sobre la variable dependiente del modelo => modelo sobreespecificado Omisión de relevantes: se omite una (o más) variable(s) explicativa(s) que sí tiene(n) efecto sobre la variable dependiente del modelo => modelo subespecificado Tienen efectos distintos sobre la insesgadez Econometría (3º GADE) Tema 3 10
11 1. El valor esperado del estimador MCO 1. Errores de especificación e insesgadez del MCO Efecto de la inclusión ió de irrelevantes: modelo verdadero: modelo planteado: modelo estimado: y x, cumple RLM.1-RLM.3 i 0 1 1i i yi 0 1x1i xi i 0 y x x i 0 1 1i i Se siguen cumpliendo RLM.1-RLM.4 E 0 0 E 11 E 0 E 0,1, la inclusión de irrelevantes no afecta a la insesgadez Econometría (3º GADE) Tema 3 11
12 1. El valor esperado del estimador MCO 1. Errores de especificación e insesgadez del MCO Efecto de la omisión de relevantes: modelo verdadero: y x x, 0, cumple RLM.1-RLM.3 i 0 1 1i i i modelo planteado: yi 0 1 x1i i i x i i, puede fallar RLM. modelo estimado: y x i 0 1 1i Usando el modelo verdadero, E ˆ 1 1 Pero con el modelo mal especificado es muy probable que el estimador MCO esté sesgado: E( ) 1 1 La expresión del sesgo para muestra grande es aproximadamente: Sesgo de mala Cov(x especificación, función de: 1,x ) V(x 1) covarianza entre x y x 1 (si no es cero, falla RLM.) Econometría (3º GADE) Tema 3 1 x
13 1. El valor esperado del estimador MCO 1. Errores de especificación e insesgadez del MCO Eemplo: salario en función del nivel de estudios y de la habilidad Modelo verdadero: sal ne habil Modelo planteado (estimado): sal i 0 1ne i i 0 1 i i i Sesgo 1 Cov(ne,habil) V(ne) Es probable bl que Cov(ne, habil) 0 y también 1 0, 0 Por tanto: o Sobreestimación de β 1 o Sobrevaloración del impacto de ne sobre sal No sólo es importante el signo del sesgo sino también el tamaño del mismo. Econometría (3º GADE) Tema 3 13
14 . La varianza del estimador MCO y su estimación.1 La varianza del estimador MCO Necesitamos una medida de la dispersiónió de ˆ alrededor del valor central E ˆ : ˆ V Vˆ depende de las características del modelo. Característica más simple: Supuesto RLM.4: homoscedasticidad V( i x 11,x 1,,x (k 1)N,x kn) V( i) i1,,n V(yi x 11,x 1,,x (k1)n,x kn) V( i x 11,x 1,,x (k1)n,x kn) i La varianza del error ( y por tanto de y) es independiente de los valores de las explicativas, y además es constante. homoscedasticidad la varianza del error es constante Econometría (3º GADE) Tema 3 14
15 . La varianza del estimador MCO y su estimación.1 La varianza del estimador MCO Ilustración gráfica en el modelo de regresión simple Homoscedasticidad: y Ey/x E y x x 3 E y x x E y x x E y / x x x 1 x x 3 x Econometría (3º GADE) Tema 3 15
16 . La varianza del estimador MCO y su estimación.1 La varianza del estimador MCO Heteroscedasticidad: y Ey/x E y x x 3 E y x x E y x x E y / x x x 1 x x 3 x Econometría (3º GADE) Tema 3 16
17 . La varianza del estimador MCO y su estimación.1 La varianza del estimador MCO Supuesto RLM.5: no autocorrelación Cov(, x, x,, x, x ) 0 i h con i,h 1,, N i h 11 1 (k1)n kn Condicionando a las variables explicativas, los términos de error de dos observaciones diferentes están incorrelacionados. Si la muestra es aleatoria, los datos y el error de la observación i y de la observación h son independientes di para cualquier par de observaciones i y h. Muestreo aleatorio No autocorrelación Econometría (3º GADE) Tema 3 17
18 . La varianza del estimador MCO y su estimación.1 La varianza del estimador MCO Teorema de las varianzas muestrales de los estimadores MCO de los coeficientes de los regresores: Bao RLM.1 a RLM.5, condicionando a los valores muestrales de las variables explicativas, N STC x x R i i1 ˆ V 1,,,k STC (1 R ), proporcional a la varianza muestral de R-cuadrado de la regresión de sobre el resto de explicativas y un término constante Compare la expresión de la V ˆ en el modelo de regresión simple con 1 la del modelo de regresión múltiple. Econometría (3º GADE) Tema 3 18 x
19 . La varianza del estimador MCO y su estimación.1 La varianza del estimador MCO En el modelo de regresión simple: yi 0 1x1i i Bao RLM.1 a RLM.5: V ˆ /x,,x Demostración: N (x1i x 1) RLM.3 RLM.1 ˆ (x x )y (x x )( x ) (x x ) 1 1 (x x ) (x x ) (x x ) 1i 1 i 1i i i 1i 1 i 1i 1 1i 1 1i 1 ˆ (x1i x 1) i V 1/x 11,,x1N V /x 11,,x1N (x1i x 1) RLM.5 1i 1 (RL M. y RLM. 4) (x x ) V / x,,x i 11 1N (x 1i x (x 1) 1i x 1) Econometría (3º GADE) Tema 3 19
20 . La varianza del estimador MCO y su estimación.1 La varianza del estimador MCO Tres componentes: ˆ V 1,,,k STC (1 R ) varianza del error : a mayor, mayorv( ˆ ) grande, muestra más dispersa estimación menos precisa de las pendientes variación muestral de x : a mayor STC, menorv( ˆ ) x varía mucho p p p variaciones sobre y más fácil capturar con precisión el efecto ceteris paribus de sus relación de x con las demás explicativas: amenor R, menor V( ) x muy relacionado con el resto de explicativas efecto ceteris paribus de sus variaciones sobre y ˆ más difícil capturar con precisión el Econometría (3º GADE) Tema 3 0
21 . La varianza del estimador MCO y su estimación. El estimador de la varianza del estimador MCO V( ˆ ) STC (1 R ) desconocido calculable Necesitamos un estimador insesgado de E( ) i Bao RLM.1 - RLM.5 (demostración: Wooldridge p.6 para modelo de regresión simple) N s e i i1 N K con E s estimador insesgado de V( ˆ ): V( ˆ ˆ ) s STC (1 R ) Econometría (3º GADE) Tema 3 1
22 . La varianza del estimador MCO y su estimación.3 Multicolinealidad fuerte y varianzas MCO Multicolinealidad fuerte ( o multicolinealidad) existe una correlación alta (no exacta) entre dos o más variables explicativas No viola ninguno de los supuestos RLM.1 a RLM.5 Pero genera valores altos de varios => varias (muy) altas R V( ˆ ) fuente de (mucha) imprecisión en las estimaciones cómo detectarla? soluciones posibles? Econometría (3º GADE) Tema 3
23 . La varianza del estimador MCO y su estimación.3 Multicolinealidad fuerte y varianzas MCO Para detectarla: Si es entre variables explicativas Coeficiente de correlación lineal entre ellas Diagrama de dispersión de esas dos variables Si es entre más de dos variables explicativas R los =1,, k Para solucionarla: Recoger más datos (aumentar N) Si no es posible, reducirla eliminando alguna variable menos relevante (problema: cuál es menos relevante? reducimos multicolinealidad y dispersión a costa de introducir sesgo? (Ver tema4) Econometría (3º GADE) Tema 3 3
24 . La varianza del estimador MCO y su estimación.4 Varianzas en modelos mal especificados Inclusión de irrelevantes: modelo verdadero: modelo planteado: modelo estimado: yi 0 1x 1i i, cumple RLM.1-RLM.5 yi 0 1x1i xi i 0 y x x i 0 1 1i i pero no lo sabemos ˆ V( ) en mod. verdadero V( ˆ ˆ ) 1 1 STC 1 STC 1 ˆ s pero V( ) en mod. estimado V( ) STC (1 R ) STC (1 R ) s las varianzas aumentan se pierde precisión en la estimación Econometría (3º GADE) Tema 3 4
25 . La varianza del estimador MCO y su estimación.4 Varianzas en modelos mal especificados Omisión de relevantes: modelo verdadero: y x x, 0, cumple RLM.1-RLM.5 i 0 1 1i i i modelo planteado: yi 0 1x1i i ixi i pero se ignora modelo estimado: y x i 0 1 1i pero ˆV( ˆ ) ˆV( ) s STC (1 R ) s STC 1 las varianzas estimadas podrían reducirse mayor precisión aparente en la estimación Engañoso Econometría (3º GADE) Tema 3 5
26 3. Optimalidad de MCO 3.1 Supuestos necesarios Hasta ahora, hemos visto: orlm.1-rlm.3: necesarios para la insesgadez de MCO orlm.1-rlm.5: necesarios para la fórmula de V( ˆ ) RLM.1-RLM.5 = supuestos de Gauss-Markov Garantizan la optimalidad del estimador MCO. Recordemos: estimador óptimo estimador de mínima varianza dentro de una clase concreta Econometría (3º GADE) Tema 3 6
27 3. Optimalidad de MCO 3. Teorema de Gauss-Markov Teorema de Gauss-Markov: Bao los supuestos RLM.1-RLM.5, ˆ, ˆ,, ˆ 0 1 k son los estimadores lineales insesgados óptimos (ELIO) de, respectivamente.,,, 0 1 k Interpretación: RLM.1-RLM.5 garantizan que el MCO es el estimador de mínima varianza (más preciso) de entre todos los estimadores lineales e insesgados. Si falla un supuesto de RLM.1 a RLM.3 (p.e. RLM. que suele fallar), dea de ser insesgado. Si sólo fallan RLM.4 o RLM.5, existen otros estimadores más precisos (ver Tema 6 para RLM.4) Econometría (3º GADE) Tema 3 7
28 4. Consistencia del estimador MCO 4.1 Introducción No siempre se cumplen RLM.1-RLM.3 que aseguran insesgadez del MCO (propiedad de muestra finita) Pero un estimador debe ser por lo menos consistente: t amayor tamaño muestral, menos probabilidad de que el estimador se alee del valor poblacional (propiedad asintótica) Tamaño muestral : T 1 <T < <T Valor poblacional: 4 Econometría (3º GADE) Tema 3 8
29 4. Consistencia del estimador MCO 4. Supuestos necesarios Bao RLM.1, RLM. y RLM.3, MCO es insesgado y consistente: E( ˆ ) y también plim( ˆ ) N (dem. Consistencia Wooldridge p. 183) Puede fallar exogeneidad estricta => RLM. no se cumple, y MCO está sesgado. Pero la consistencia sólo requiere E( x,x,,x ) E 0 i 1i i ki i podemos garantizar por lo menos la consistencia con supuestos menos exigentes que los de insesgadez Econometría (3º GADE) Tema 3 9
30 4. Consistencia del estimador MCO 4. Supuestos necesarios RLM. : media nula y exogeneidad débil E( i x 1i',x i,,x ki ) E i i 1,,i,,N (RLM.a ') Ei 0 i 1,,N (RLM.b) RLM.a : exogeneidad débil exogeneidad d débil : E( x,x,,x ) E( ) i con i 1,,N i 1i i ki i i incorrelacionado con la observación i-ésima de cada una de las explicativas Con muestreo aleatorio, exogeneidad débil exogeneidad estricta Econometría (3º GADE) Tema 3 30
31 4. Consistencia del estimador MCO 4.3 Teorema Teorema de consistencia del estimador MCO: Bao los supuestos RLM.1, RLM. y RLM.3, plim( ˆ ) N No hace falta RLM., porque no hace falta exogeneidad estricta, la exogeneidad débil basta La validez práctica de este resultado requiere un tamaño muestral grande Importante: con sólo exogeneidad débil y sin exogeneidad estricta: el estimador MCO está sesgado y dea de ser ELIO las fórmulas de las varianzas utilizadas hasta ahora sirven sólo en muestras suficientemente grandes (siempre y cuando se cumplan RLM.4 y RLM.5) Econometría (3º GADE) Tema 3 31
32 Lo que hemos aprendido: 1. Propiedades d de muestra finitait del MCO: Supuestos mínimos que garantizan la insesgadez del MCO Linealidad en los parámeros, exogeneidad estricta y media nula, no multicolinealidad exacta. Efectos de la mala especificación sobre la insegadez: o o Incluir una irrelevante no sesga la estimación MCO Omitir una relevante sesga la estimación, y el sesgo es mayor cuanto más relacionada esté la omitida con las incluidas Econometría (3º GADE) Tema 3 3
33 Lo que hemos aprendido: Varianza del estimador MCO, bao homoscedasticidad y los supuestos de insesgadez Cómo estimar esta varianza Cómo afecta la multicolinealidad fuerte a la precisión de las estimaciones Cómo la inclusión de irrelevantes y la omisión de relevantes afectan a la precisión de la estimación Los supuestos para que MCO sea óptimo (ELIO). Propiedad asintótica del MCO: Uno supuesto menos exigente para que MCO sea al menos consistente: exogeneidad débil Econometría (3º GADE) Tema 3 33
Tema 1. El Modelo de Regresión Lineal con Regresores Aleatorios.
ema El Modelo de Regresión Lineal con Regresores Aleatorios Introducción En este tema vamos a analizar las propiedades del modelo de regresión lineal con regresores aleatorios Suponer que los regresores
Más detallesAnálisis de Regresión Múltiple: Estimación
Análisis de Regresión Múltiple: Estimación 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 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 detallesEl Modelo de Regresión Simple
El Modelo de Regresión Simple Carlos Velasco 1 1 Departamento de Economía Universidad Carlos III de Madrid Econometría I Máster en Economía Industrial Universidad Carlos III de Madrid Curso 2007/08 C Velasco
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 detallesRESUMEN DE ALGUNOS CONCEPTOS ESTADÍSTICOS ELEMENTALES Y NOTACIÓN EMPLEADA EN EL CURSO
RESUMEN DE ALGUNOS CONCEPTOS ESTADÍSTICOS ELEMENTALES Y NOTACIÓN EMPLEADA EN EL CURSO 1 rojo 1 2 3 4 5 6 Supongamos que tenemos dos dados, uno rojo y otro verde, cada uno de los cuales toma valores entre
Más detallesVARIABLES ESTADÍSTICAS BIDIMENSIONALES
VARIABLES ESTADÍSTICAS BIDIMENSIONALES 1.- En una variable estadística bidimensional, el diagrama de dispersión representa: a) la nube de puntos. b) las varianzas de las dos variables. c) los coeficientes
Más detallesTema 3.1: Modelo lineal general: hipótesis y estimación. Universidad Complutense de Madrid 2013
ema 3.1: Modelo lineal general: hipótesis y estimación Universidad Complutense de Madrid 2013 Introducción El objetivo es especificar y estimar un Modelo Lineal General (MLG) en donde una variable de interés
Más detalles2 Introducción a la inferencia estadística Introducción Teoría de conteo Variaciones con repetición...
Contenidos 1 Introducción al paquete estadístico S-PLUS 19 1.1 Introducción a S-PLUS............................ 21 1.1.1 Cómo entrar, salir y consultar la ayuda en S-PLUS........ 21 1.2 Conjuntos de datos..............................
Más detallesMulticolinealidad. Universidad de Granada. RSG Incumplimiento de las hipótesis básicas en el modelo lineal uniecuacional múltiple 1 / 17
Román Salmerón Gómez Universidad de Granada RSG Incumplimiento de las hipótesis básicas en el modelo lineal uniecuacional múltiple 1 / 17 exacta: aproximada: exacta: aproximada: RSG Incumplimiento de las
Más detallesTema 3: El modelo de regresión lineal múltiple
Econometría 1 curso 2009-2010 Tema 3: El modelo de regresión lineal múltiple Genaro Sucarrat (Departamento de Economía, UC3M) http://www.eco.uc3m.es/sucarrat/ Recordamos: El modelo de regresión lineal
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 detallesESTADÍSTICA. Tema 4 Regresión lineal simple
ESTADÍSTICA Grado en CC. de la Alimentación Tema 4 Regresión lineal simple Estadística (Alimentación). Profesora: Amparo Baíllo Tema 4: Regresión lineal simple 1 Estructura de este tema Planteamiento del
Más detallesTeorema Central del Límite (1)
Teorema Central del Límite (1) Definición. Cualquier cantidad calculada a partir de las observaciones de una muestra se llama estadístico. La distribución de los valores que puede tomar un estadístico
Más detallesTema 4. El Modelo de Regresión Lineal con Series Temporales.
Tema 4. El Modelo de Regresión Lineal con Series Temporales. En este tema, estudiaremos en detalle la estimación e inferencia del modelo de regresión con datos de series temporales. Dadas las diferencias
Más detallesFacultad 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 detallesINDICE. 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 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 detallesECONOMETRÍA 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 detallesUN PROBLEMA DE OPTIMIZACIÓN CON CABRI: LA REGRESIÓN LINEAL.
UN PROBLEMA DE OPTIMIZACIÓN CON CABRI: LA REGRESIÓN LINEAL. Benjamín R. Sarmiento Lugo. Universidad Pedagógica Nacional bsarmiento@pedagogica.edu.co Esta conferencia está basada en uno de los temas desarrollados
Más detallesINTERVALOS DE CONFIANZA. La estadística en cómic (L. Gonick y W. Smith)
INTERVALOS DE CONFIANZA La estadística en cómic (L. Gonick y W. Smith) EJEMPLO: Será elegido el senador Astuto? 2 tamaño muestral Estimador de p variable aleatoria poblacional? proporción de personas que
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 detallesTema 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 detallesEconometría 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 detallesRepaso de estadística básica. Juan D. Barón Santiago de Chile, 8 de abril de 2013
Repaso de estadística básica Juan D. Barón Santiago de Chile, 8 de abril de 2013 1 I. CONCEPTOS ESTADÍSTICOS BÁSICOS 2 Las decisiones se toman bajo incertidumbre Las decisiones se basan en información
Más detalles15. Regresión lineal. Te recomiendo visitar su página de apuntes y vídeos:
15. Regresión lineal Este tema, prácticamente íntegro, está calacado de los excelentes apuntes y transparencias de Bioestadística del profesor F.J. Barón López de la Universidad de Málaga. Te recomiendo
Más detallesENUNCIADOS 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 detallesEL PRINCIPIO DE MÁXIMA VEROSIMILITUD (LIKELIHOOD)
EL PRINCIPIO DE MÁXIMA VEROSIMILITUD (LIKELIHOOD) Fortino Vela Peón fvela@correo.xoc.uam.mx FVela-0 Objetivo Introducir las ideas básicas del principio de máxima verosimilitud. Problema Considere el experimento
Más detallesINDICE 1. Introducción 2. Recopilación de Datos Caso de estudia A 3. Descripción y Resumen de Datos 4. Presentación de Datos
INDICE Prefacio VII 1. Introducción 1 1.1. Qué es la estadística moderna? 1 1.2. El crecimiento y desarrollo de la estadística moderna 1 1.3. Estudios enumerativos en comparación con estudios analíticos
Más detallesCONTRASTES DE HIPÓTESIS NO PARAMÉTRICOS
CONTRASTES DE HIPÓTESIS NO PARAMÉTRICOS 1 POR QUÉ SE LLAMAN CONTRASTES NO PARAMÉTRICOS? A diferencia de lo que ocurría en la inferencia paramétrica, ahora, el desconocimiento de la población que vamos
Más detalles1 Introducción. 2 Modelo. Hipótesis del modelo. MODELO DE REGRESIÓN MÚLTIPLE Julián de la Horra Departamento de Matemáticas U.A.M.
MODELO DE REGRESIÓN MÚLTIPLE Julián de la Horra Departamento de Matemáticas U.A.M. 1 Introducción Abordaremos en este capítulo el modelo de regresión lineal múltiple, una vez que la mayor parte de las
Más detallesPronósticos, 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 detallesEconometría de series de tiempo aplicada a macroeconomía y finanzas
Econometría de series de tiempo aplicada a macroeconomía y finanzas Series de Tiempo no Estacionarias Carlos Capistrán Carmona ITAM Tendencias Una tendencia es un movimiento persistente de largo plazo
Más detallesSe permite un folio escrito por las dos caras. Cada problema se realiza en hojas diferentes y se entregan por separado.
NORMAS El examen consta de dos partes: 0.0.1. Diez Cuestiones: ( tiempo: 60 minutos) No se permite ningún tipo de material (libros, apuntes, calculadoras,...). No se permite abandonar el aula una vez repartido
Más detallesUNIVERSIDAD AUTÓNOMA DE MADRID DEPARTAMENTO DE ECONOMÍA CUANTITATIVA CURSO 2010/2011 ECONOMETRIA I. Hoja de Problemas 3 Problemas
UNIVERSIDAD AUTÓNOMA DE MADRID DEPARTAMENTO DE ECONOMÍA CUANTITATIVA CURSO 2010/2011 ECONOMETRIA I Hoja de Problemas 3 Problemas 1. Considera el modelo de regresión con un solo regresor Y i = 0 + 1 X i
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 detallesConceptos Básicos de Inferencia
Conceptos Básicos de Inferencia Álvaro José Flórez 1 Escuela de Ingeniería Industrial y Estadística Facultad de Ingenierías Febrero - Junio 2012 Inferencia Estadística Cuando obtenemos una muestra, conocemos
Más detallesFunciones 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 detallesTema 3. Relación entre dos variables cuantitativas
Tema 3. Relación entre dos variables cuantitativas Resumen del tema 3.1. Diagrama de dispersión Cuando sobre cada individuo de una población se observan simultáneamente dos características cuantitativas
Más detallesESTADÍSTICA. Población Individuo Muestra Muestreo Valor Dato Variable Cualitativa ordinal nominal. continua
ESTADÍSTICA Población Individuo Muestra Muestreo Valor Dato Variable Cualitativa ordinal nominal Cuantitativa discreta continua DISTRIBUCIÓN DE FRECUENCIAS Frecuencia absoluta: fi Frecuencia relativa:
Más detalles478 Índice alfabético
Índice alfabético Símbolos A, suceso contrario de A, 187 A B, diferencia de los sucesos A y B, 188 A/B, suceso A condicionado por el suceso B, 194 A B, intersección de los sucesos A y B, 188 A B, unión
Más detalles5. Regresión Lineal Múltiple
1 5. Regresión Lineal Múltiple Introducción La regresión lineal simple es en base a una variable independiente y una dependiente; en el caso de la regresión línea múltiple, solamente es una variable dependiente
Más detallesT4. 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 detallesModelo clásico de regresión lineal normal (MCRLN)
Capítulo 4 Modelo clásico de regresión lineal normal (MCRLN) La llamada teoría clásica de la inferencia estadística consta de dos ramas, a saber: estimación y pruebas de hipótesis. Hasta el momento hemos
Más detallesCONTRASTE 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 detallesCM0244. Suficientable
IDENTIFICACIÓN NOMBRE ESCUELA ESCUELA DE CIENCIAS NOMBRE DEPARTAMENTO Ciencias Matemáticas ÁREA DE CONOCIMIENTO MATEMATICAS, ESTADISTICA Y AFINES NOMBRE ASIGNATURA EN ESPAÑOL ESTADÍSTICA GENERAL NOMBRE
Más detallesTercera 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 detallesMétodo de cuadrados mínimos
REGRESIÓN LINEAL Gran parte del pronóstico estadístico del tiempo está basado en el procedimiento conocido como regresión lineal. Regresión lineal simple (RLS) Describe la relación lineal entre dos variables,
Más detallesTema 2 Datos multivariantes
Aurea Grané Máster en Estadística Universidade Pedagógica 1 Aurea Grané Máster en Estadística Universidade Pedagógica 2 Tema 2 Datos multivariantes 1 Matrices de datos 2 Datos multivariantes 2 Medias,
Más detalles4.1 Análisis bivariado de asociaciones
4.1 Análisis bivariado de asociaciones Los gerentes posiblemente estén interesados en el grado de asociación entre dos variables Las técnicas estadísticas adecuadas para realizar este tipo de análisis
Más detallesESTADÍSTICA I PRESENTACIÓN DE LA ASIGNATURA
ESTADÍSTICA I PRESENTACIÓN DE LA ASIGNATURA Descripción de la asignatura Estadística I El objetivo de la asignatura es proporcionar al estudiante conocimiento Departamento de Estadística y comprensión
Más detallesSimulación I. Investigación Operativa, Grado en Estadística y Empresa, 2011/12
Simulación I Prof. José Niño Mora Investigación Operativa, Grado en Estadística y Empresa, 2011/12 Esquema Modelos de simulación y el método de Montecarlo Ejemplo: estimación de un área Ejemplo: estimación
Más detallesMATEMÁTICAS 2º DE BACHILLERATO
MATRICES 1. Matrices y tipos de matrices 2. Operaciones con matrices 3. Producto de matrices 4. Matriz traspuesta 5. Matriz inversa 6. Rango de matrices DETERMINANTES 7. Determinantes de orden 2 y 3 8.
Más detallesEstadística Grado en Nutrición Humana y Dietética
Estadística Grado en Nutrición Humana y Dietética Tema 5: Introducción al Muestreo Estadístico Francisco M. Ocaña Peinado http://www.ugr.es/local/fmocan Departamento de Estadística e Investigación Operativa
Más detallesPROGRAMA ANALITICO Y DE EXAMENES FINALES
PROGRAMA ANALITICO Y DE EXAMENES FINALES UNIVERSIDAD NACIONAL DE LA RIOJA Carrera: Ingeniería Agropecuaria. Ordenanza: RCF Número 271/98 - RR 46/80 Asignatura: Estadística Aplicada Curso: Segundo Cuatrimestre:
Más detallesElaboración 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 detallesBREVE APUNTE SOBRE EL PROBLEMA DE LA MULTICOLINEALIDAD EN EL MODELO BÁSICO DE REGRESIÓN LINEAL
BREVE APUNTE SOBRE EL PROBLEMA DE LA MULTICOLINEALIDAD EN EL MODELO BÁSICO DE REGRESIÓN LINEAL Ramón Mahía Febrero 013 Prof. Ramón Mahía ramon.mahia@uam.es Qué se entiende por Multicolinealidad en el marco
Más detallesMATEMÁTICAS APLICADAS A LAS CC. SOCIALES I. Examen de la tercera evaluación. Nombre y apellidos Fecha: 10 de junio de 2010
IES ATENEA San Sebastián de los Rees MATEMÁTICAS APLICADAS A LAS CC. SOCIALES I Eamen de la tercera evaluación Nombre apellidos Fecha: 0 de junio de 00.- (, 5 puntos) En seis modelos de zapatillas deportivas
Más detallesEstadís5ca. María Dolores Frías Domínguez Jesús Fernández Fernández Carmen María Sordo. Tema 2. Modelos de regresión
Estadís5ca Tema 2. Modelos de regresión María Dolores Frías Domínguez Jesús Fernández Fernández Carmen María Sordo Departamento de Matemá.ca Aplicada y Ciencias de la Computación Este tema se publica bajo
Más detallesAnálisis de regresión lineal simple
Análisis de regresión lineal simple El propósito de un análisis de regresión es la predicción Su objetivo es desarrollar un modelo estadístico que se pueda usar para predecir los valores de una variable
Más detallesEstadística Espacial en Ecología del Paisaje
Estadística Espacial en Ecología del Paisaje Introducción H. Jaime Hernández P. Facultad de Ciencias Forestales U. de Chile Tipos de datos en análisis espacial Patrones espaciales puntuales Muestras geoestadísticas
Más detallesEstimación del Probit Ordinal y del Logit Multinomial
Estimación del Probit Ordinal y del Logit Multinomial Microeconomía Cuantitativa R. Mora Departmento de Economía Universidad Carlos III de Madrid Esquema Introducción 1 Introducción 2 3 Introducción El
Más detallesEjercicio 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 detallesCómo llevar a cabo un trabajo empírico
Cómo llevar a cabo un trabajo empírico p. Cómo llevar a cabo un trabajo empírico Plantear una pregunta Revisar la literatura existente Recopilación de los datos Análisis econométrico Redactar los resultados
Más detallesAnálisis de Componentes de la Varianza
Análisis de Componentes de la Varianza Resumen El procedimiento de Análisis de Componentes de Varianza está diseñado para estimar la contribución de múltiples factores a la variabilidad de una variable
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 detallesEjercicios T2 y T3.- DISTRIBUCIONES MUESTRALES Y ESTIMACIÓN PUNTUAL
Ejercicios T2 y T3.- DISTRIBUCIONES MUESTRALES Y ESTIMACIÓN PUNTUAL 1. Se ha realizado una muestra aleatoria simple (m.a.s) de tamaño 10 a una población considerada normal. Llegando a la conclusión que
Más detallesTema 2. Descripción Conjunta de Varias Variables
Tema 2. Descripción Conjunta de Varias Variables Cuestiones de Verdadero/Falso 1. La covarianza mide la relación lineal entre dos variables, pero depende de las unidades de medida utilizadas. 2. El análisis
Más detallesEstadística II Tema 4. Regresión lineal simple. Curso 2010/11
Estadística II Tema 4. Regresión lineal simple Curso 010/11 Tema 4. Regresión lineal simple Contenidos El objeto del análisis de regresión La especificación de un modelo de regresión lineal simple Estimadores
Más detallesRegresión con heterocedasticidad y autocorrelación
Regresión con heterocedasticidad y autocorrelación Tema 6 Regresión con heterocedasticidad La heterocedasticidad significa que var( i ) cte Es la norma, no la excepción, en especial con datos transversales
Más detallesESTIMACIÓN PUNTUAL Julián de la Horra Departamento de Matemáticas U.A.M.
1 Introducción ESTIMACIÓN PUNTUAL Julián de la Horra Departamento de Matemáticas U.A.M. En este capítulo, vamos a abordar la Estimación Puntual, que es uno de los tres grandes conjuntos de técnicas que
Más detallesÍNDICE CAPÍTULO 1. INTRODUCCIÓN
ÍNDICE CAPÍTULO 1. INTRODUCCIÓN 1.1. OBJETO DE LA ESTADÍSTICA... 17 1.2. POBLACIONES... 18 1.3. VARIABLES ALEATORIAS... 19 1.3.1. Concepto... 19 1.3.2. Variables discretas y variables continuas... 20 1.3.3.
Más detallesErrores de especificación. Series simuladas
Estimación modelo correcto Dependent Variable: Y Date: 05/13/02 Time: 17:07 Sample: 2 100 Included observations: 99 Errores de especificación. Series simuladas C 5.376164 0.253524 21.20578 0.0000 X1 0.954713
Más detallesTema 8: Contraste de hipótesis
Tema 8: Contraste de hipótesis 1 En este tema: Conceptos fundamentales: hipótesis nula y alternativa, nivel de significación, error de tipo I y tipo II, p-valor. Contraste de hipótesis e IC. Contraste
Más detallesCONTENIDOS MÍNIMOS SEPTIEMBRE. DEPARTAMENTO DE MATEMÁTICAS
CONTENIDOS MÍNIMOS SEPTIEMBRE. DEPARTAMENTO DE MATEMÁTICAS CONTENIDOS MÍNIMOS MATEMÁTICAS 1º ESO U.D. 1 Números Naturales El conjunto de los números naturales. Sistema de numeración decimal. Aproximaciones
Más detallesTema 5. Muestreo y distribuciones muestrales
Tema 5. Muestreo y distribuciones muestrales Contenidos Muestreo y muestras aleatorias simples La distribución de la media en el muestreo La distribución de la varianza muestral Lecturas recomendadas:
Más detallesRepaso Estadística Descriptiva
Grado en Fisioterapia, 2010/11 Cátedra de Bioestadística Universidad de Extremadura 13 de octubre de 2010 Índice Descriptiva de una variable 1 Descriptiva de una variable 2 Índice Descriptiva de una variable
Más detallesTema 1.- Correlación Lineal
Tema 1.- Correlación Lineal 3.1.1. Definición El término correlación literalmente significa relación mutua; de este modo, el análisis de correlación mide e indica el grado en el que los valores de una
Más detallesINSTITUTO 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 detallesUNIVERSIDAD NACIONAL AUTÓNOMA DE MÉXICO. Facultad de Medicina Veterinaria y Zootecnia. Licenciatura en Medicina Veterinaria y Zootecnia
UNIVERSIDAD NACIONAL AUTÓNOMA DE MÉXICO Facultad de Medicina Veterinaria y Zootecnia Licenciatura en Medicina Veterinaria y Zootecnia Clave 1212 Modalidad del curso: Carácter Métodos estadísticos en medicina
Más detallesCORRELACIÓN Y REGRESIÓN. Raúl David Katz
CORRELACIÓN Y REGRESIÓN Raúl David Katz 1 Correlación y regresión Introducción Hasta ahora hemos visto el modo de representar la distribución de frecuencias de los datos correspondientes a una variable
Más detallesEconomía Aplicada. ¾Es importante el tamaño de la clase? Un experimento controlado
Economía Aplicada ¾Es importante el tamaño de la clase? Un experimento controlado Basado en (1999), Experimental Estimates of Education Production Functions, QJE Outline 1 La Idea 2 Proyecto STAR Detalles
Más detallesDEPARTAMENTO DE ANÁLISIS ECONÓMICO PROGRAMA DE ECONOMÍA POLÍTICA, HOMOLOGACIÓN DEL TÍTULO DE LICENCIADO EN ECONOMÍA
DEPARTAMENTO DE ANÁLISIS ECONÓMICO PROGRAMA DE ECONOMÍA POLÍTICA, HOMOLOGACIÓN DEL TÍTULO DE LICENCIADO EN ECONOMÍA BLANCO, J. M. y J. AZNAR. Introducción a la Economía: Teoría y Práctica. Mc Graw- Hill.
Más detallesEs mínima la suma de los cuadrados de dichas desviaciones. Ninguna otra recta daría una suma menor de las desviaciones elevadas al cuadrado:
Orígenes El día de Año Nuevo de 1801, el astrónomo italiano Giuseppe Piazzi descubrió el planeta menor Ceres, siendo capaz de seguir su órbita durante 40 días. Durante el curso de ese año, muchos científicos
Más detallesDatos de Panel. Guía para el uso de Eviews. Alfredo Baronio Ana Vianco
Datos de Panel Guía para el uso de Eviews Alfredo Baronio Ana Vianco Departamento de Matemática y Estadística Facultad de Ciencias Económicas Universidad Nacional de Río Cuarto Noviembre de 2014 1 Contenido
Más detallesESCUELA COMERCIAL CÁMARA DE COMERCIO EXTENSIÓN DE ESTUDIOS PROFESIONALES MAESTRÍA EN ADMINISTRACIÓN
CICLO, ÁREA O MÓDULO: TERCER CUATRIMESTRE OBJETIVO GENERAL DE LA ASIGNATURA: Al termino del curso el alumno efectuara el análisis ordenado y sistemático de la Información, a través del uso de las técnicas
Más detallesCONTENIDO. Prólogo a la 3. a edición en español ampliada... Prólogo...
CONTENIDO Prólogo a la 3. a edición en español ampliada.................................. Prólogo.................................................................. vii xvii 1. Métodos descriptivos................................................
Más detallesCARTA DESCRIPTIVA. Clave: ECO Créditos: 8. Conocimientos: Probabilidad y estadística. Algebra lineal. Econometría I.
I. Identificadores de la asignatura CARTA DESCRIPTIVA Clave: ECO121600 Créditos: 8 Materia: Econometría II Departamento: Ciencias Sociales Instituto: Ciencias Sociales Modalidad: Presencial Programa: Licenciatura
Más detallesResumen teórico de los principales conceptos estadísticos
Temas de Estadística Práctica Antonio Roldán Martínez Proyecto http://www.hojamat.es/ Muestreo aleatorio simple Resumen teórico Resumen teórico de los principales conceptos estadísticos Muestreo aleatorio
Más detallesCDEE. Cuestiones 3er Ejercicio. 0 si x 1. k(x + 1) + x2 1. k(x + 1) x si x > 1
CUESTIÓN 1: El tiempo de retraso, medido en minutos, del AVE Madrid-Sevilla sigue una variable aleatoria continua con función de distribución: 0 si x 1 F (x) = k(x + 1) + x2 1 2 si 1 < x 0 k(x + 1) x2
Más detallesAplicación del modelo de frontera estocástica de producción para analizar la eficiencia técnica de la industria eléctrica en México
SECCIÓN DE ESTUDIOS DE POSGRADO E INVESTIGACIÓN Aplicación del modelo de frontera estocástica de producción para analizar la eficiencia técnica de la industria eléctrica en México Presentan: Dr. Miguel
Más detallesTema 2. Regresión Lineal
Tema 2. Regresión Lineal 3.2.1. Definición Mientras que en el apartado anterior se desarrolló una forma de medir la relación existente entre dos variables; en éste, se trata de esta técnica que permite
Más detallesUNIVERSIDAD DISTRITAL FRANCISCO JOSÉ DE CALDAS FACULTAD DE INGENIERÍA PROYECTO CURRICULAR DE INGENIERÍA DE SISTEMAS
I. IDENTIFICACIÓN DE LA ASIGNATURA ESTADÍSTICA I CÓDIGO DE LA ASIGNATURA 33102106 ÁREA CIENCIAS BASICAS DE INGENIERIA SEMESTRE SEGUNDO PLAN DE ESTUDIOS 1996 AJUSTE 2002 HORAS TOTALES POR SEMESTRE 64 HORAS
Más detallesMÓDULO 1: GESTIÓN DE CARTERAS
MÓDULO 1: GESTIÓN DE CARTERAS TEST DE EVALUACIÓN 1 Una vez realizado el test de evaluación, cumplimenta la plantilla y envíala, por favor, antes del plazo fijado. En todas las preguntas sólo hay una respuesta
Más detallesREGRESION simple. Correlación Lineal:
REGRESION simple Correlación Lineal: Dadas dos variable numéricas continuas X e Y, decimos que están correlacionadas si entre ambas variables hay cierta relación, de modo que puede predecirse (aproximadamente)
Más detalles18 Experimentos aleatorios. Sucesos y espacio muestral. Frecuencia y probabilidad de un suceso.
PRIMER CURSO DE E.S.O Criterios de calificación: 80% exámenes, 10% actividades, 10% actitud y trabajo 1 Números naturales. 2 Potencias de exponente natural. Raíces cuadradas exactas. 3 Divisibilidad. Concepto
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 5.2 Estimadores de Variables Instrumentales La endogeneidad aparece
Más detallesContenido. 2 Probabilidad 9. Prefacio. 1 Introducci6n a la estadfstica y al an;!llisis de datos
Contenido Prefacio ix 1 Introducci6n a la estadfstica y al an;!llisis de datos 1 1.1 1.2 1.3 1.4 1.5 1.6 Repaso 1 EI papel de la probabilidad 2 Medidas de posici6n: media de una muestra 4 Medidas de variabilidad
Más detallesRegresión en Cadena. StatFolio de Ejemplo: ridge reg.sgp
Regresión en Cadena Resumen El procedimiento Regresión en Cadena está diseñado para ajustar un modelo de regresión múltiple cuando las variables independientes exhiben multicolinealidad. Multicolinealidad
Más detallesEstadística aplicada a la comunicación
Estadística aplicada a la comunicación Tema 5: Análisis de datos cuantitativos I: estadística descriptiva b. Análisis bivariante OpenCourseWare UPV/EHU Unai Martín Roncero Departamento de Sociología 2
Más detalles