MULTICOLINEALIDAD (Gujarati y Porter, Capítulo 10) Ejemplo de la sección donde
|
|
- Josefina González de la Fuente
- hace 6 años
- Vistas:
Transcripción
1 MULTICOLINEALIDAD (Gujarati y Porter, Capítulo 10) Ejemplo de la sección Datos Longley obs Y X1 X2 X3 X4 X5 TIME donde y= número de personas con trabajo (en miles) x1= deflactor implícito del PIB. x2=pib (en millones de dólares). x3= número de desempleados (en miles). x4= número de personas enroladas en las fuerzas armadas. x5= población no institucionalizada mayor de 14 años de edad. x6= variable de tendencia. **Lectura del archivo de datos** tsset obs **renombrar a la variable time POR X6** rename time x6 list y x1 x2 x3 x4 x5 x6 **Diagramas de dispersión y matriz de correlación** graph matrix y x1 x2 x3 x4 x5 x6 pwcorr y x1 x2 x3 x4 x5 x6, sig star(5) **Modelo de regresión y VIF reg y x1 x2 x3 x4 x5 x6 **Propuesta solución del libro** gen PIBr=x2/x1 reg y PIBr x4 x5 1
2 **Propuesta basada en modelos de regresión alternativos** reg y PIBr reg y x4 reg y x5 reg y PIBr x4 reg y PIBr x5 reg y x4 x5 stepwise, pe(.2) hierarchical: reg y PIBr x4 x5 **Formato de resultados** quietly reg y PIBr estimates store modelo1 quietly reg y x4 estimates store modelo2 quietly reg y x5 estimates store modelo3 quietly reg y PIBr x4 estimates store modelo4 quietly reg y PIBr x5 estimates store modelo5 quietly reg y x4 x5 estimates store modelo6 estimates table modelo1 modelo2 modelo3, b(%30.3f) p label varwidth(10) stats(n r2 F) estimates table modelo4 modelo5 modelo6, b(%30.3f) p label varwidth(10) stats(n r2 r2_a F rmse) **Gráfica de variables agregadas(avplots)** avplots quietly reg y x4 x5 predict resid1, resid quietly reg PIBr x4 x5 predict resid2, resid graph twoway (sc resid1 resid2, mlabel(obs) ytitle("e(y\x3, x4)") xtitle("e(pibr\x3, x4)") ) (lfit resid1 esid2) **Opcional: matriz de datos reescalada y calculo de VIF** gen x1c=x gen x2c=x gen x3c=x gen x4c=x gen x5c=x gen x6c=x6-8.5 gen x1c2=(x )^2 gen x2c2=(x )^2 gen x3c2=(x )^2 gen x4c2=(x )^2 gen x5c2=(x )^2 gen x6c2=(x6-8.5)^2 egen totx2=total(x2c2) egen totx3=total(x3c2) egen totx4=total(x4c2) egen totx5=total(x5c2) 2
3 egen totx6=total(x6c2) gen x1cu= x1c/sqrt(totx1) gen x2cu= x2c/sqrt(totx2) gen x3cu= x3c/sqrt(totx3) gen x4cu= x4c/sqrt(totx4) gen x5cu= x5c/sqrt(totx5) gen x6cu= x6c/sqrt(totx6) mkmat x1cu x2cu x3cu x4cu x5cu x6cu, matrix(w) corr x1cu x2cu x3cu x4cu x5cu x6cu corr x1 x2 x3 x4 x5 x6 matrix wtw= W'*W matrix list wtw matrix invwtw=inv(wtw) matrix list invwtw quietly reg y x1 x2 x3 x4 x5 x6 RESULTADOS tsset obs rename time x6 list y x1 x2 x3 x4 x5 x y x1 x2 x3 x4 x5 x
4 graph matrix y x1 x2 x3 x4 x5 x Y X X X X X TIME pwcorr y x1 x2 x3 x4 x5 x6, sig star(5) y x1 x2 x3 x4 x5 x y x * x * * x * * * x x * * * * x * * * * *
5 reg y x1 x2 x3 x4 x5 x F( 6, 9) = Model Prob > F = Residual R-squared = Adj R-squared = Total Root MSE = x x x x x x _cons Variable VIF 1/VIF x x x x x x Mean VIF gen PIBr=x2/x1 reg y PIBr x4 x F( 3, 12) = Model Prob > F = Residual R-squared = Adj R-squared = Total Root MSE = PIBr x x _cons Variable VIF 1/VIF PIBr x x Mean VIF
6 avplots e( y X ) e( pibr X ) coef = , se = , t = 5.43 e( y X ) e( x4 X ) coef = , se = , t = e( y X ) e( x5 X ) coef = , se = , t = quietly reg y x4 x5 predict resid1, resid quietly reg PIBr x4 x5 predict resid2, resid graph twoway (sc resid1 resid2, mlabel(obs) ytitle("e(y\x3, x4)") xtitle("e(pibr\x3, x4)") ) (lfit resid1 resid2) e(y\x3, x4) e(pibr\x3, x4) Residuals Fitted values 6
7 reg y PIBr F( 1, 14) = Model Prob > F = Residual R-squared = Adj R-squared = Total Root MSE = PIBr _cons reg y x F( 1, 14) = 3.70 Model Prob > F = Residual R-squared = Adj R-squared = Total Root MSE = x _cons reg y x F( 1, 14) = Model Prob > F = Residual R-squared = Adj R-squared = Total Root MSE = x _cons reg y PIBr x4 Source SS df MS Number of obs = F( 2, 13) = Model Prob > F = Residual R-squared = Adj R-squared = Total Root MSE = PIBr x _cons
8 Variable VIF 1/VIF PIBr x Mean VIF 1.32 reg y PIBr x F( 2, 13) = Model Prob > F = Residual R-squared = Adj R-squared = Total Root MSE = PIBr x _cons Variable VIF 1/VIF PIBr x Mean VIF reg y x4 x F( 2, 13) = Model Prob > F = Residual R-squared = Adj R-squared = Total Root MSE = x x _cons Variable VIF 1/VIF x x Mean VIF
9 stepwise, pe(.2) hierarchical: reg y PIBr x4 x5 p = < adding PIBr p = >= testing x F( 1, 14) = Model Prob > F = Residual R-squared = Adj R-squared = Total Root MSE = PIBr _cons quietly reg y PIBr estimates store modelo1 quietly reg y x4 estimates store modelo2 quietly reg y x5 estimates store modelo3 quietly reg y PIBr x4 estimates store modelo4 quietly reg y PIBr x5 estimates store modelo5 quietly reg y x4 x5 estimates store modelo6 estimates table modelo1 modelo2 modelo3, b(%30.3f) p label varwidth(10) stats(n r2 F) estimates table modelo4 modelo5 modelo6, b(%30.3f) p label varwidth(10) stats(n r2 r2_a F rmse) Variable modelo1 modelo2 modelo3 modelo4 modelo5 modelo6 PIB real X X Constant N r r2_a F rmse
10 gen x1c=x gen x2c=x gen x3c=x gen x4c=x gen x5c=x gen x6c=x6-8.5 gen x1c2=(x )^2 gen x2c2=(x )^2 gen x3c2=(x )^2 gen x4c2=(x )^2 gen x5c2=(x )^2 gen x6c2=(x6-8.5)^2 egen totx2=total(x2c2) egen totx3=total(x3c2) egen totx4=total(x4c2) egen totx5=total(x5c2) egen totx6=total(x6c2) gen x1cu= x1c/sqrt(totx1) gen x2cu= x2c/sqrt(totx2) gen x3cu= x3c/sqrt(totx3) gen x4cu= x4c/sqrt(totx4) gen x5cu= x5c/sqrt(totx5) gen x6cu= x6c/sqrt(totx6) mkmat x1cu x2cu x3cu x4cu x5cu x6cu, matrix(w) corr x1cu x2cu x3cu x4cu x5cu x6cu (obs=16) x1cu x2cu x3cu x4cu x5cu x6cu x1cu x2cu x3cu x4cu x5cu x6cu corr x1 x2 x3 x4 x5 x6 (obs=16) x1 x2 x3 x4 x5 x x x x x x x
11 matrix wtw= W'*W matrix list wtw symmetric wtw[6,6] x1cu x2cu x3cu x4cu x5cu x6cu x1cu x2cu x3cu x4cu x5cu x6cu matrix invwtw=inv(wtw) matrix list invwtw symmetric invwtw[6,6] x1cu x2cu x3cu x4cu x5cu x6cu x1cu x2cu x3cu x4cu x5cu x6cu quietly reg y x1 x2 x3 x4 x5 x6 Variable VIF 1/VIF x x x x x x Mean VIF
EJERCICIOS CAPITULO 9. GUJARATI-PORTER (2010)
EJERCICIOS CAPITULO 9. GUJARATI-PORTER (2010) 9.21 a) clear edit tsset year list +-------------------------------+ year savings income dum ------------------------------- 1. 1970 61 727.1 0 2. 1971 68.6
Más detallesEstimación de una función de gasto en alimentos
Base de datos http://www.principlesofeconometrics.com/poe4/poe4stata.htm Definición de variables http://www.principlesofeconometrics.com/poe4/data/def/food.def food.def food_exp income Obs: 40 food_exp
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 detallesVarianza del error no constante: heteroscedasticidad. Fortino Vela Peón Universidad Autónoma Metropolitana
Varianza del error no constante: heteroscedasticidad Fortino Vela Peón Universidad Autónoma Metropolitana fvela@correo.xoc.uam.mx Octubre, 2010 11/08/2011 México, D. F. 1 Tipos de residuales En ocasiones
Más detallesSOLUCIÓN PROPUESTA. Es de notar que dadao que los datos provienen de un corte transversal, valores de bondad de ajuste resultan ser bajos.
SOLUCIÓN PROPUESTA 1. a) reg w educa exp Source SS df MS Number of obs = 528 -------------+------------------------------ F( 2, 525) = 69.36 Model 2914.64782 2 1457.32391 Prob > F = 0.0000 Residual 11030.6042
Más detalles... *Elasticidad ingreso del gasto en electricidad (Modelo Restringido). reg lviv ling
---- ---------------------------------------- log: C:\datos\docencia\econIccee\practicas2009\chowlog log type: text opened on: 17 Sep 2009, 17:58:52 use "$ruta\chowdta", clear * crear variable logaritmo
Más detallesBeatriz Sánchez Reyes. 22 de septiembre de 2010
Regresión cuantílica Beatriz Sánchez Reyes 22 de septiembre de 2010 Índice Definición de cuantil Regresión cuantílica - Estimación - Inferencia Regresión mediana (Ejemplo) Regresión cuartílica (Ejemplo)
Más detallesRegresión múltiple. Efecto de varias variables ambientales sobre una especie de ganso migratorio. Luz
Nombre: AGRO 6600 LAB 12 Regresión múltiple Los datos adjuntos se tomaron para estudiar el efecto de varias variables ambientales sobre el tiempo en el que una especie de ganso migratorio deja su nido
Más detallesINTEREXPORT TELECOMUNICACIONES Y SERVICIOS S.A.
INTEREXPORT TELECOMUNICACIONES Y SERVICIOS S.A. ESTUDIO PARA LA FIJACION DE TARIFAS DE LOS SERVICIOS AFECTOS A FIJACION TARIFARIA PRESTADOS POR INTEREXPORT TELECOMUNICACIONES Y SERVICIOS S.A. PERIODO 2010-2015
Más detallesEjercicios Wooldridge (2010) 5ª. ed.
Ejercicios Wooldridge (2010) 5ª. ed. Capitulo 2 C2.2 use "C:\fvela\econometrics wooldridge\stata\ceosal2.dta", clear i) sum salary ceoten Variable Obs Mean Std. Dev. Min Max ---------------------- salary
Más detallesPRUEBA DE FALTA DE AJUSTE (Lack-of-fit Test) Fortino Vela Peón fvela@correo.xoc.uam.mx
PRUEBA DE FALTA DE AJUSTE (Lack-of-fit Test) Fortino Vela Peón fvela@correo.xoc.uam.mx Octubre, 2011 Introducción Un supuesto básico del modelo es la existencia de una relación lineal entre la variable
Más detallesANALISIS DE LA ESTATURA
ANALISIS DE LA ESTATURA OBJETIVO El objetivo de este trabajo es realizar un estudio de la de distintos individuos. DATOS Se realizan los distintos análisis de regresión simple, así como el análisis de
Más detallesSección Teórica. , cuya información se presenta a continuación. Completar las celdas necesarias para responder a las preguntas 1 a 5.
UNAM Facultad de Economía Licenciatura en Economía Examen parcial de Introducción a la Econometría Noviembre 10, 2015 AAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAA
Más detallesTEMA 2.1: MODELOS DE REGRESIÓN LINEAL MÚLTIPLE
TEMA.1: MODELOS DE REGRESIÓN LINEAL MÚLTIPLE ESTUDIO DE LA RELACIÓN DE DEPENDENCIA ENTRE UNA VARIABLE (DEPENDIENTE, EXPLICADA O REGRESADA) Y UNA O MAS VARIABLES (EXPLICATIVAS, INDEPENDIENTES, COVARIABLES
Más detallesEconometría Tutorial 6 Ejercicios de Multicolinealidad
Econometría Tutorial 6 Ejercicios de Multicolinealidad En los siguientes ejercicios vamos a retomar la Curva de Kuznets Ambiental analizada en los primeros dos trabajos prácticos. La relación entre contaminación
Más detallesINTERVALOS DE CONFIANZA
INTERVALOS DE CONFIANZA condicional en que!! sea verdadero hipótesis nula H :!!.5%.5%! -.96sd! -sd!! +sd! +.96sd Si el nivel de significación es 5%, la estimación obtenida (círculo pequeño) no nos permitiría
Más detallesMuestreo e inferencia
Images created with STATA software. 1 Muestreo e inferencia Calidad de los datos y las mediciones Razones para hablar de muestreo Formación académica de la población Comprender los datos que se van a utilizar
Más detallesImages created with STATA software. Regresión múltiple. Por qué controlar?
Images created wth STATA software. Regresón múltple Por qué controlar? Ejemplo de la smpatía de Gore Supongamos: La smpatía de Gore está en funcón de la de Clnton y no drectamente en funcón del partdo.
Más detallesaprendizaje del análisis de regresión lineal con Stata
UNIVERSIDAD AUTÓNOMA METROPOLITANA XOCHIMILCO DIVISIÓN DE CIENCIAS SOCIALES Y HUMANIDADES El proceso de enseñanza-aprendizaje aprendizaje del análisis de regresión lineal con Stata Fortino Vela Peón Noviembre,
Más detalles18/06/2010 REGRESIÓN LINEAL MULTIVARIADA. Descripción. Objetivos
TALLERES DE VERANO EN MÉTODOS DE INVESTIGACIÓN EN POBLACIÓN Y TERRITORIO REGRESIÓN LINEAL MULTIVARIADA Fortino Vela Peón fvela@correo.xoc.uam.mx Juan F. Islas Aguirre jfislas@correo.xoc.uam.mx Junio, 2010
Más detallesTema: Análisis de regresión y análisis de varianza. La tabla ANOVA tiene la siguiente representación: CMR F c CME SCE CME=SCE/GLE
Clase de economería 1: Universidad Cenroamericana UCA Tema: Análisis de regresión y análisis de varianza La abla ANOVA iene la siguiene represenación: Fuenes de variación Grados de liberad uma de cuadrados
Más detallesEjercicio 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 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 detallesEstimar efectos parciales con margins
Estimar efectos parciales con margins David M. Drukker Director of Econometrics Stata 2010 Spanish Stata Users Group meeting Madrid September 2010 1 / 31 Información general Esta charla muestra como usar
Más detallesb)no es posible hacer modelo debido a que el tipo de vidrio es una variable categorica
a) Analysis of Variance for Light output, using Adjusted SS for Tests Source DF Seq SS Adj SS Adj MS F P Glass type 5865 5865 753 6.37. Temperature 97335 97335 98567 695.6. Glass type*temperature 955 955
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 detallesVariables Dummy (parte I)
Varables Dummy (parte I) Fortno Vela Peón Unversdad Autónoma Metropoltana fvela@correo.xoc.uam.mx Octubre, 2010 19/10/2010 Méxco, D. F. 1 Introduccón Algunas de las varables son por su naturaleza propa
Más detallesUniversitat Pompeu Fabra Licenciatura de ADE y Economía Econometría I / 10143) Profesor: Javier Coronado Examen Final Diciembre 2011
Econometría I Examen Final 1 Universitat Pompeu Fabra Licenciatura de ADE y Economía Econometría I / 10143) Profesor: Javier Coronado Examen Final Diciembre 2011 Este examen consta de un total de 50 puntos.
Más detallesINTRODUCCIÓN A STATA
INTRODUCCIÓN A STATA Panorama general Stata es un paquete estadístico de uso general ampliamente usado en economía, sociología, biomedicina y epidemiología Principales características: Multiplataforma
Más detallesLos datos siguientes contienen indicadores demográficos y criminales sobre 47
Los datos siguientes contienen indicadores demográficos y criminales sobre 47 estados de EEUU. Los datos fueron recogidos por la Uniform Crime Report del FBI y otras agencies del gobierno para determinar
Más detallesInstrumentos Económicos y Regulación de la Contaminación Industrial: Primera aproximación el caso del Río Bogotá
CONDESAN Experiencias y Métodos M de Manejo de Cuencas y su Contribución n al Desarrollo Rural en los Andes Bogotá, 8-10 de Noviembre del 2004 Instrumentos Económicos y Regulación de la Contaminación Industrial:
Más detallesFragmentación de la propiedad y restricciones de acceso a la tierra de los jóvenes y mujeres en el Perú
Fragmentación de la propiedad y restricciones de acceso a la tierra de los jóvenes y mujeres en el Perú Eduardo Zegarra Investigador Principal GRADE 1 Preguntas Cuán fragmentada está la propiedad de la
Más detallesESTIMACIÓN DE LA DEMANDA DE CIGARRILLOS EN PANAMA (Consideraciones para Política Fiscal)
ESTIMACIÓN DE LA DEMANDA DE CIGARRILLOS EN PANAMA (Consideraciones para Política Fiscal) Panamá, 21 de marzo de 2013 MSc. Víctor Hugo Herrera Ballesteros Antecedentes Normativos Medidas de control y fiscales
Más detallesIker Ustárroz, Juan M. Cabasés, María Errea Universidad Pública de Navarra
Iker Ustárroz, Juan M. Cabasés, María Errea Universidad Pública de Navarra INCAPACIDAD TEMPORAL La incapacidad temporal (IT) es un factor importante en la gestión económica del Sistema Nacional de Salud.
Más detallesLA VOLATILIDAD DEL PRECIO DEL PETRÓLEO Y SUS EFECTOS EN LA ECONOMÍA ECUATORIANA EN LA ÚLTIMA DECADA.
569 LA VOLATILIDAD DEL PRECIO DEL PETRÓLEO Y SUS EFECTOS EN LA ECONOMÍA ECUATORIANA EN LA ÚLTIMA DECADA. THE OIL PRICE VOLATILITY AND ITS IMPACT ON THE ECONOMY IN ECUADOR IN THE LAST DECADE *EC. HOLGER
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 detallesDETERMINANTES DE LOS INGRESOS
DETERMINANTES DE LOS INGRESOS Mariana Marchionni mariana@depeco.econo.unlp.edu.ar CEDLAS Universidad Nacional de La Plata Ecuaciones de Mincer (1974) 1 (1) ln Y = α + β educación + γ experiencia laboral
Más detallesCrecimiento y Desarrollo Económicos
Crecimiento y Desarrollo Económicos Gonzalo de León gonzalo.de.leon@hotmail.com El mundo es, desde el punto de vista económico, un lugar muy desigual. De qué depende el nivel de ingreso de una persona
Más detallesAnálisis de Regresión y Correlación con MINITAB
Análisis de Regresión y Correlación con MINITAB Primeras definiciones y conceptos de la regresión El análisis de la regresión es una técnica estadística que se utiliza para estudiar la relación entre variables
Más detallesUna metodología para manejar variables
Una metodología para manejar variables continuas en los modelos pronóstico: Polinomios fraccionales Javier Zamora Unidad de Bioestadística Clínica- IRyCIS Enero 2011 Índice Manejo de variables continuas
Más detallesPráctica 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 detallesEndogeneidad y heterogeneidad no observada. 2. Modelo de regresión clásico y endogeneidad
Endogeneidad y heterogeneidad no observada Preparado por Guido Pinto Aguirre (actualizado a Abril 2010) Menú de hoy: 1. Referencia 2. Modelo de regresión clásico y endogeneidad 3. Heterogeneidad no observada
Más detallesAnálisis de Regresión
Análisis de Regresión Diplomado en Lean Six Sigma Objetivo 1.Identificar problemas que incluyan una Y continua y una X continua 2. Entender la diferencia entre regresión lineal y no lineal 3. Ajustar modelos
Más detallesTécnicas Cuantitativas para el Management y los Negocios
Segundo cuatrimestre - 4 Técnicas Cuantitativas para el Management y los Negocios Mag. María del Carmen Romero 4 romero@econ.unicen.edu.ar Módulo III: APLICACIONES Contenidos Módulo III Unidad 9. Análisis
Más detallesECONOMETRÍA CON ESTIMACIONES PARA MÉXICO. Guía para la solución de los ejemplos
ECONOMETRÍA CON ESTIMACIONES PARA MÉXICO Guía para la solución de los ejemplos Autora: María Delfina Ramírez Posgrado/ Facultad de Economía / UNAM Esta guía contiene las instrucciones de cómputo para los
Más detallesAPÉNDICE B ANOVA para las salsas comerciales
APÉNDICE B ANOVA para las salsas comerciales ANOVA de una vía para Densidad de salsas comerciales One-way ANOVA: Densidad versus Marca Marca 3 8727.7 2909.2 41.22 0.000 Error 8 564.6 70.6 Total 11 9292.4
Más detallesMULTICOLINEALIDAD EN LAS REGRESORAS Y NORMALIDAD DEL TÉRMINO DE ERROR EN LOS MODELOS DE REGRESIÓN LINEAL
MULTICOLINEALIDAD EN LAS REGRESORAS Y NORMALIDAD DEL TÉRMINO DE ERROR EN LOS MODELOS DE REGRESIÓN LINEAL Noviembre, 2011 Multicolinealidad El termino multicolinealidad se le atribuye originalmente a Frisch
Más detallesANÁLISIS ESTADÍSTICO DE LAS PUNTUACIONES PARA ASCENSOS DOCENTES
ANÁLISIS ESTADÍSTICO DE LAS PUNTUACIONES PARA ASCENSOS DOCENTES - Informe sometido y presentado a la Junta Administrativa del RUM en su reunión ordinaria del día jueves de 20 enero de 2011. El informe
Más detallespeso edad grasas Regresión lineal simple Los datos
Regresión lineal simple Los datos Los datos del fichero EdadPesoGrasas.txt corresponden a tres variables medidas en 25 individuos: edad, peso y cantidad de grasas en sangre. Para leer el fichero de datos
Más detallesProyectando los efectos de estrategias de adaptación en el consumo residencial de agua en Santiago
Proyectando los efectos de estrategias de adaptación en el consumo residencial de agua en Santiago 26 Agosto 2016 O. Melo, S. Vicuña, M. Gil, M. Molinos, J. Gironás, J. Herrera, S. Reyes Motivación Proyecciones
Más detallesECONOMÍAS DE ESCALA EN LAS UNIVERSIDADES PÚBLICAS ESPAÑOLAS
ECONOMÍAS DE ESCALA EN LAS UNIVERSIDADES PÚBLICAS ESPAÑOLAS Rodrigo Ubierna Beguin Economista - Doctorando Universidad Nacional de Educación a Distancia - UNED ubierna_rodrigo@yahoo.es Resumen Este artículo
Más detallesModelos de regresión lineal múltiple
Modelos de regresión lineal múltiple Roberto Montero Granados Departamento de Economía Aplicada Universidad de Granada Resumen La regresión lineal múltiple trata de ajustar modelos lineales o linealizables
Más detallesINFLUENCIA DE LA TASA DE INTERÉS DE POLÍTICA MONETARIA SOBRE LAS TASAS DE INTERÉS ACTIVA Y PASIVA
INFLUENCIA DE LA TASA DE INTERÉS DE POLÍTICA MONETARIA SOBRE LAS TASAS DE INTERÉS ACTIVA Y PASIVA The impact of policy interest rate on loan and deposit interest rates Jaime Aristy Escuder * Resumen: En
Más detallesTablas de errores de muestreo
Tablas de errores de muestreo Bases trimestrales de microdatos de la Encuesta Permanente de Hogares (EPH) Tercer trimestre de 2014 en adelante Tablas de errores de muestreo Bases trimestrales de microdatos
Más detallesAnálisis de Tendencias de los indicadores en las Encuestas de Verificación Nacional Muestral
Análisis de Tendencias de los indicadores en las Encuestas de Verificación Nacional Muestral Introducción A partir de 1994, el Registro Federal de Electores ha llevado a cabo diversos ejercicios cuyo objetivo
Más detallesMANEJO DE DATOS CON STATA
Interfaz Revisar Variables Resultados Comandos Interfaz Para visualizar la ruta de todos los archivos creados por Stata, escriba la palabra sysdir en la barra de comandos Cargar una base de datos use C:/Mis
Más detallesAlgunos apuntes sobre: Un sistema electoral mixto para el presidencialismo chileno (de Ricardo González y Lucas Sierra)
Algunos apuntes sobre: Un sistema electoral mixto para el presidencialismo chileno (de Ricardo González y Lucas Sierra) 1. Justificación (legitimidad y presidencialismo) 2. Sist. Mixto (100+50) 3. Redistritaje
Más detallesUniversidad de la República, Facultad de Ciencias Económicas y Administración.
Universidad de la República, Facultad de Ciencias Económicas y Administración. ECONOMETRIA II- CURSO 2010 Practica 5 MODELOS DE VARIABLE DEPENDIENTE TRUNCADA CENSURADA, MODELOS DE SELECTIVIDAD, MODELOS
Más detallesMedia-Lab Prado. Modelos Lineales en para procesar encuestas de Satisfacción. Manuel Pérez Gómez 16/06/2016
Media-Lab Prado Modelos Lineales en para procesar encuestas de Satisfacción Manuel Pérez Gómez 16/06/2016 Análisis de los Sectores. TPV Caja Compras Almacén Grupos Informes TPV Caja Compras Almacén Grupos
Más detallesInclusión y pobreza: Un análisis por región
Inclusión y pobreza: Un análisis por región Yuliam M. Pedraza Acevedo Mentora: Marinés Aponte, PhD UNIVERSIDAD DE PUERTO RICO, RECINTO DE RIO PIEDRAS FACULTAD DE ADMINISTRACIÓN DE EMPRESAS Subvencionado
Más detallesMultiple Linear Regression
Multiple Linear Regression Aniel Nieves-González Aniel Nieves-González () LSP 1 / 16 Considere el ejemplo en cual queremos modelar las ventas en una cadena de tiendas por departamento. La v.a. dependiente
Más detallesMultiple Linear Regression
Multiple Linear Regression Aniel Nieves-González Abril 2013 Aniel Nieves-González () Time Series Abril 2013 1 / 15 Considere el ejemplo en cual queremos modelar las ventas en una cadena de tiendas por
Más detallesMariano Narodowski 2 y Milagros Nores 3. Documento 31 Abril de 2000
QUIÉNES QUEDAN Y QUIENES SALEN? CARACTERÍSTICAS SOCIOECONÓMICAS EN LA COMPOSICIÓN DE LA MATRÍCULA EN LAS ESCUELAS PÚBLICAS Y EN LAS ESCUELAS PRIVADAS EN LA ARGENTINA 1 Mariano Narodowski 2 y Milagros Nores
Más detallesRegresión con Variables Ficticias
apítulo XII Regresión con Variables Ficticias onceptos y Definiciones La regresión con variables ficticias (variables dummy) surge por la necesidad que tiene el investigador de involucrar variables cualitativas
Más detallesFactor de expansión para el análisis de preguntas de orientación sexual e identidad de género
Factor de expansión para el análisis de preguntas de orientación sexual e identidad de género Serie documentos metodológicos Casen N 34 18 mayo 2017 TABLA DE CONTENIDOS 1. Introducción... 3 2. Metodología
Más detallesLas fuentes del crecimiento económico antes y durante el gobierno del presidente Rafael Correa
Las fuentes del crecimiento económico antes y durante el gobierno del presidente Rafael Correa Juan Pablo Jaramillo Existen voces en Ecuador que señalan que el desempeño de la economía ecuatoriana sufre
Más detallesOdds = = e. UD1: El modelo de regresión logística 1. 1 e
RE2. Regresión logística binaria, multinomial, de Poisson y binomial negativa Curso 204/5 Solución resumida de la prueba de evaluación Unidad didáctica (D) La regresión logística puede utilizarse en cualquiera
Más detallesEstadística II Tema 4. Regresión lineal simple. Curso 2009/10
Estadística II Tema 4. Regresión lineal simple Curso 009/10 Tema 4. Regresión lineal simple Contenidos El objeto del análisis de regresión La especificación de un modelo de regresión lineal simple Estimadores
Más detallesECONOMETRÍA II PRÁCTICAS DE ORDENADOR. Práctica 3
ECONOMETRÍA II PRÁCTICAS DE ORDENADOR Práctica 3 Considere la ecuación de inversión RINV t = β 1 +β 2 RPIB t +β 3 r t +u t donde RINV es la inversión real privada, RPIB es el PIB real y r es el tipo de
Más detallesUNIVERSIDAD DE ANTIOQUIA FACULTAD NACIONAL DE SALUD PÚBLICA Héctor Abad Gómez. Facultad Nacional de Salud Pública Héctor Abad Gómez
UNIVERSIDAD DE ANTIOQUIA FACULTAD NACIONAL DE SALUD PÚBLICA Héctor Abad Gómez Facultad Nacional de Salud Pública Héctor Abad Gómez La Regresión es una técnica estadística utilizadas para estimar (interpolar)
Más detallesPrimera práctica de REGRESIÓN.
Primera práctica de REGRESIÓN. DATOS: fichero practica regresión 1.sf3 1. Objetivo: El objetivo de esta práctica es aprender cuándo se puede utilizar el análisis de regresión. En la primera parte se presentan
Más detallesLAB 13 - Análisis de Covarianza - CLAVE
LAB 13 - Análisis de Covarianza - CLAVE Se realizó un experimento para estudiar la eficacia de un promotor de crecimiento en terneros en lactación. Se usaron cuatro dosis de la droga (0, 2.5, 5 y 7.5 mg).
Más detallesa) Construct a normal probability plot of the effect estimates. Which effects appear to be large?
Problema 6- n experiment was run in a semiconductor fabrication plant in an effort to increase yield. Five factors each at two levels were studied. The factors and levels were = aperture setting (small,
Más detallesPROPIEDAD RODRIGO TABORDA
1. Introducción Estimaciones y comandos Stata Econometría básica Rodrigo Taborda Facultad de Economía Universidad del Rosario Primera versión 18 de Enero de 2011 Ésta versión 3 de marzo de 2011 Este documento
Más detallesMSc. Víctor Hugo Herrera Ballesteros
ESTIMACIÓN DE LA DEMANDA DE CIGARRILLOS EN PANAMA (CONSIDERACIONES PARA POLÍTICA FISCAL) MINISTERIO DE SALUD DE LA REPÚBLICA DE COSTA RICA INSTITUTO CONMEMORATIVO GORGAS DE ESTUDIOS DE LA SALUD, PANAMÁ
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 detallesMATRICES FACTORIALES
MATRICES FACTORIALES Quimiometría Estudio cuantitativo de factores: efectos principales (b j ) interacciones (b ji ) si cada variable puede tener un valor mayor o uno menor: diseño factorial de dos niveles
Más detalles9. REGRESIÓN LINEAL. Dr. Edgar Acuña http://math.uprm.edu/~edgar UNIVERSIDAD DE PUERTO RICO RECINTO UNIVERSITARIO DE MAYAGUEZ
9. REGRESIÓN LINEAL Dr. Edgar Acuña http://math.uprm.edu/~edgar UNIVERSIDAD DE PUERTO RICO RECINTO UNIVERSITARIO DE MAYAGUEZ Ejemplo Ejemplo 3.23. El dueño de una empresa que vende carros desea determinar
Más detallesRegresión. Notas. Página 1 13-DEC :24:11. Salida creada Comentarios
REGRESSION /DESCRIPTIVES MEAN STDDEV CORR SIG N /MISSING LISTWISE /STATISTICS COEFF OUTS CI(95) R ANOVA COLLIN TOL CHANGE /CRITERIA=PIN(.05) POUT(.10) /NOORIGIN /DEPENDENT P504 /METHOD=ENTER P505 P506
Más detallesANALISIS PARA LA OPERACIÒN DE MERCADO FOREX EN EL CONTEXTO DE UN MERCADO GLOBAL. Taller de Grado II ALEJANDRA MORALES SIERRA
ANALISIS PARA LA OPERACIÒN DE MERCADO FOREX EN EL CONTEXTO DE UN MERCADO GLOBAL Taller de Grado II ALEJANDRA MORALES SIERRA PONTIFICIA UNIVERSIDAD JAVERIANA FACULTAD DE CIENCIAS ECONOMICAS Y ADMINISTRATIVAS
Más detallesTema 5. Análisis de regresión (segunda parte) Estadística II, 2010/11
Tema 5 Análisis de regresión (segunda parte) Estadística II, 2010/11 Contenidos 5.1: Diagnóstico: Análisis de los residuos 5.2: La descomposición ANOVA (ANalysis Of VAriance) 5.3: Relaciones no lineales
Más detallesSelección del Modelo de Regresión
Selección del Modelo de Regresión Resumen El procedimiento Selección del Modelo de Regresión está diseñado para ayudar a elegir las variables independientes que se usarán para construir un modelo de regresión
Más detallesUNIVERSIDAD NACIONAL DE TRUJILLO ESCUELA PROFESIONAL DE ECONOMÍA APUNTES DE CLASE ECUACIONES SIMULTÁNEAS: EJERCICIO 19.
UNIVERSIDAD NACIONAL DE TRUJILLO ESCUELA PROFESIONAL DE ECONOMÍA APUNTES DE CLASE ECUACIONES SIMULTÁNEAS: EJERCICIO 19.15 ECONOMETRÍA 2 Econometría.weebly.com Wilhem.weebly.com Ejercicio 19.15 Considérese
Más detallesSolución Taller No. 10 Econometría II Prof. Bernal
Solucón Taller No. 0 Econometría 2007 II Prof. Bernal. a. El modelo que hay que estmar es el sguente: partcpa = B + B edad _ nno + B genero _ nno + B * edad _ mama + B secundara + B casada + B trabaja
Más detallesMODELO PARA EL TALLER DE REGRESION
MODELO PARA EL TALLER DE REGRESION PROBLEMA. Los datos siguientes muestran la matricula estudiantil en los primeros 5 anos de nuestra Universidad. Años (desde el 2000 al 2004) x 1 2 3 4 5 Matricula (miles
Más detallesIntroducción al Análisis de Series de Tiempo en STATA
Introducción al Análisis de Series de Tiempo en STATA Ejercicio 1: Operadores de retraso y operadores de diferencia Ejercicio 2: Series de ruido blanco Ejercicio 3: Función de autocorrelación muestral
Más detallesReforma fiscal y Haciendas Locales (el caso de Málaga)
Reforma fiscal y Haciendas Locales (el caso de Málaga) Jesús Rodríguez Márquez Profesor Titular de Derecho Financiero y Tributario. Instituto de Estudios Fiscales. Presentación La reforma del sistema de
Más detallesAl final del curso, el participante estará en la capacidad de:
REQUISITO Tener un conocimiento básico de Estadística. DESCRIPCIÓN DEL CURSO El curso de Stata 11 tendrá una duración de 4 sesiones de 6 horas cada una. Es un curso práctico en el cual se manejaran diversas
Más detallesANEXOS. 1) Modelo Probit.
ANEXOS 1) Modelo Probit. Estos modelos pertenecen a los modelos de respuesta binaria 1, es decir, la variable dependiente es una variable dicotómica, donde toma 1 para indicar el éxito en la variable de
Más detallesMODELO DE CRECIMIENTO ENDÓGENO EN LA INDUSTRIA DE FABRICACIÓN DE PRODUCTOS ALIMENTICIOS EN COLOMBIA
MODELO DE CRECIMIENTO ENDÓGENO EN LA INDUSTRIA DE FABRICACIÓN DE PRODUCTOS ALIMENTICIOS EN COLOMBIA ENDOGENOUS GROWTH MODEL INSIDE THE MANUFACTURING INDUSTRY OF ALIMENTARY PRODUCTS IN COLOMBIA Diana Esperanza
Más detallesAjuste de Regresión Lineal Simple
Ajuste de Regresión Lineal Simple Hugo Alberto Brango García 1 1 Universidad de Córdoba Estadística II Mayo de 2014 Análisis de Regresión Mayo de 2014 1 / 33 Supuestos sobre los residuales del modelo Normalidad
Más detallesCAPÍTULO 10 DISEÑOS EXPERIMENTALES
CAPÍTULO 10 DISEÑOS EXPERIMENTALES 10.1 Diseños Experimentales de Clasificación Simple En un diseño experimental de clasificación simple, se trata de comparar varios grupos generalmente llamados Métodos
Más detallesCapítulo 8. Autocorrelación Serial Roldán Andrés Rosales. Econometría Aplicada Utilizando R
Capítulo 8. Autocorrelación Serial Roldán Andrés Rosales Objetivo El propósito de este capítulo es que el usuario conozca y aprenda a resolver el problema de la autocorrelación serial en un modelo de estimación
Más detallesANÁLISIS ESTADÍSTICO REGRESIÓN LINEAL SIMPLE
ANÁLISIS ESTADÍSTICO REGRESIÓN LINEAL SIMPLE Jorge Fallas jfallas56@gmail.com 2010 1 Temario Introducción: correlación y regresión Supuestos del análisis Variación total de Y y variación explicada por
Más detallesModelos de regresión multinivel
Modelos de regresión multinivel Víctor Abraira Unidad de Bioestadística Clínica Marzo 014 Objetivos Conocer los fundamentos y posibilidades de aplicación de los modelos de regresión multinivel en estudios
Más detallesT10. Sesión Riesgo y vulnerabilidad laboral
T10. Sesión 10.7. Riesgo y vulnerabilidad laboral Los costos de la deserción temprana escolar en la determinación de la franja salarial en el municipio de Tlalnepantla ANABEL MARTÍNEZ GUZMÁN CLAUDIA MÁRQUEZ
Más detallesCURSO: ECONOMETRÍA Y ANÁLISIS DE POLÍTICAS FISCALES INSTRUCTOR: HORACIO CATALÁN ALONSO
CURSO: ECONOMETRÍA Y ANÁLISIS DE POLÍTICAS FISCALES INSTRUCTOR: HORACIO CATALÁN ALONSO Análisis Estadístico con STATA Stata se considera un paquete para análisis estadístico Trabaja con datos de sección
Más detalles17.871 Primavera de 2002 Introducción al programa Stata 1. 1. Introducción
17.871 Primavera de 2002 Introducción al programa Stata 1 1. Introducción Stata es una aplicación global y actual, basada en comandos, para el análisis estadístico, la gestión de datos y de gráficos. Existen
Más detallesCuarta práctica de REGRESIÓN.
Cuara prácica de REGRESIÓN. DAOS: fichero pracica regresión 4.sf3 1. Objeivo: El objeivo de esa prácica es deecar el problema de Mulicolinealidad y ajusar modelos de regresión cuando los daos son colineales.
Más detallesRegresión Múltiple (SW Capítulo 5) Estimación MCO de la relación entre las notas y el número de estudiantes por profesor:
Regresión Múltiple (SW Capítulo 5) Estimación MCO de la relación entre las notas y el número de estudiantes por profesor:!notas = 698.9.8 STR, R =.05, SER = 8.6 (0.4) (0.5) es ésta una estimación creíble
Más detalles