Análisis computacional Modelo de regresión lineal múltiple Incumplimiento de las hipótesis básicas
|
|
- Santiago García Olivera
- hace 6 años
- Vistas:
Transcripción
1 Análisis computacional Modelo de regresión lineal múltiple Incumplimiento de las hipótesis básicas omán Salmerón Gómez 26 de abril de 2014 Análisis computacional del modelo de regresión múltiple e incumplimiento de hipótesis básicas 1 / 28
2 Análisis computacional del modelo de regresión múltiple e incumplimiento de hipótesis básicas 2 / 28
3 Análisis computacional del modelo de regresión múltiple e incumplimiento de hipótesis básicas 3 / 28
4 En el archivo datos2.xls se dispone de 1260 observaciones correspondientes a las siguientes variables: wage: salario por horas (en dólares). exper: años de experiencia de trabajo. union: valor 1 si el trabajador está afiliado a un sindicato y 0 en caso contrario. female: valor 1 si es mujer y 0 en caso contrario. educ: años de educación. A continuación analizaremos con el software econométrico, el entorno de programación y el paquete estadístico el siguiente modelo: wage t = β 1 +β 2 exper t +β 3 union t +β 4 female t +β 5 educ t +u t. Descarga de datos: Análisis computacional del modelo de regresión múltiple e incumplimiento de hipótesis básicas 4 / 28
5 Enlaces interesantes Datos y MCO Menús Guardar, Gráficos y Análisis Menú Contrastes y corrección problemas Software econométrico Análisis computacional del modelo de regresión múltiple e incumplimiento de hipótesis básicas 5 / 28
6 Enlaces interesantes Enlaces interesantes Datos y MCO Menús Guardar, Gráficos y Análisis Menú Contrastes y corrección problemas GUIME: Guía multimedia para la elaboración de un modelo econométrico. Análisis econométrico del modelo lineal general con. es.html. Econometría básica aplicada con. Los contenidos mostrados a continuación corresponden a la versión gretl Para versiones posteriores puede que se produzcan modificaciones, si bien, suelen ser leves. Análisis computacional del modelo de regresión múltiple e incumplimiento de hipótesis básicas 6 / 28
7 Introducción de datos y estimación por MCO Enlaces interesantes Datos y MCO Menús Guardar, Gráficos y Análisis Menú Contrastes y corrección problemas Los datos se pueden o bien introducir directamente a mano (como en cualquier hoja de cálculo) a partir de la ruta: Archivo Nuevo conjunto de datos o bien importándolos de otro formato (lo más común) a partir de: Archivo Abrir archivo de datos Importar Para estimar el modelo hay dos opciones, bien mediante la ruta: Modelo Mínimos cuadrados ordinarios... o bien pinchando sobre el icono ˆβ de la parte inferior de la ventana principal de. En ambos casos aparecerá la misma nueva ventana donde hay que especificar la variable dependiente y las independientes. Una vez hecho esto, pinchando en Aceptar obtendremos los resultados de la estimación por MCO. Análisis computacional del modelo de regresión múltiple e incumplimiento de hipótesis básicas 7 / 28
8 Estimación por MCO Enlaces interesantes Datos y MCO Menús Guardar, Gráficos y Análisis Menú Contrastes y corrección problemas En la ventana de resultados que obtenemos tenemos el número de observaciones usadas, el método de estimación aplicado, cuál es la variable dependiente y cuáles son las independientes, la estimación de los coeficientes de las variables independientes, su desviación típica estimada, el valor experimental para el contraste de significación individual y su p-valor asociado, la media y (cuasi)desviación tipíca de la variable dependiente, la suma de cuadrados de los residuos, la estimación de la varianza de la perturbación aleatoria (más concretamente, de la desviación típica), el coeficiente de determinación y coeficiente de determinación corregido, el valor experimental del contraste de significación conjunta así como su p-valor asociado y, por último, los valores para los tres criterios de información tradicionalmente usados. Además, en la parte superior de esta ventana de resultados hay nuevos menús que pasamos a analizar. Análisis computacional del modelo de regresión múltiple e incumplimiento de hipótesis básicas 8 / 28
9 Menús Guardar, Gráficos y Análisis Enlaces interesantes Datos y MCO Menús Guardar, Gráficos y Análisis Menú Contrastes y corrección problemas En el menú Gráficos podemos: epresentar de forma conjunta los valores originales de la variable dependiente y su estimación. Obtener gráficos para los residuos útiles a la hora de analizar si hay heteroscedasticidad o autocorrelación en el modelo. En el menú Análisis podemos: Mostrar los valores de las variables dependiente, estimada y los residuos. Obtener predicciones. Calcular regiones (intervalos y elipses) de confianza para los coeficientes de las variables. Obtener la estimación de la matriz de covarianzas de los coeficientes: ). Var(ˆβ Obtener la tabla ANOVA. Mediante el menú Guardar se puede almacenar en la ventana principal de información que puede sernos de utilidad como los valores estimados o los residuos. Análisis computacional del modelo de regresión múltiple e incumplimiento de hipótesis básicas 9 / 28
10 Menú Contrastes y corrección problemas Enlaces interesantes Datos y MCO Menús Guardar, Gráficos y Análisis Menú Contrastes y corrección problemas A partir de este menú podemos: ealizar contrastes sobre restricciones lineales de los coeficientes de los regresores. Contrastar si la hipótesis de linealidad es o no cierta. Contrastar si hay heteroscedasticidad en el modelo. Contrastar la normalidad de los residuos. Estudir si hay multicolinealidad en el modelo. Contrastar si hay autocorrelación en el modelo 1. Para estimar bajo heteroscedasticidad, en la ventana principal de : Modelo Otros modelos lineales Corrección de heteroscedasticidad. Para estimar bajo autocorrelación, en la ventana principal de : Modelo Series temporales A(1)... y elegir Cochrane-Orcutt o Prais-Winsten 2. 1 Hay que especificar en la ventana principal de que la estructura del conjunto de datos es la de una serie temporal: Datos Estructura del conjuno de datos... 2 Para que aparezca esta opción la estructura del conjunto de datos tiene que ser la de una serie temporal. Análisis computacional del modelo de regresión múltiple e incumplimiento de hipótesis básicas 10 / 28
11 Función MUM Función GUIME Incumplimiento Incumplimiento Entorno de programación Análisis computacional del modelo de regresión múltiple e incumplimiento de hipótesis básicas 11 / 28
12 Entorno de programación Función MUM Función GUIME Incumplimiento Incumplimiento es un conjunto integrado de programas para manipulación de datos, cálculo y gráficos, que puede definirse como una nueva implementación del lenguaje S desarrollado en AT&T (por lo que muchos de los libros y manuales sobre S son útiles para ). El entorno de programación está disponible como software libre con licencia GNU de la Fundación de Software Libre. Sus principales características son: Almacenamiento y manipulación efectiva de datos. Operadores para el cálculo sobre variables indexadas, en particular, matrices. Una amplia, coherente e integrada colección de herramientas para análisis de datos. Posibilidades gráficas para análisis de datos, que funcionan directamente sobre pantalla o impresora. Un lenguaje de programación bien desarrollado, simple y efectivo, que incluye condicionales, ciclos, funciones recursivas y posibilidad de entradas y salidas. Más información en su web oficial: Análisis computacional del modelo de regresión múltiple e incumplimiento de hipótesis básicas 12 / 28
13 Función MUM Función MUM Función GUIME Incumplimiento Incumplimiento Para afrontar un primer análisis de un modelo econométrico usando el entorno de programación, los alumnos contarán con la ayuda de la función MenuMUM. Destacar que se trata de una función creada por el profesor en la que se van calculando paso a paso cada uno de los conceptos explicados en clase. Pasos a seguir: Descarga e instalación de. Enlace: es.html. Ojo!! Asegurarse que se asocian los archivos.data con. Descargar la función MenuMUM: MenuMUM.Data. Enlace: Ejecutar el archivo anterior. Si se ha instalado bien el programa apararecerá la pantalla de inicio de con el siguiente mensaje donde avisan de que se ha cargado un espacio de trabajo ya creado: [Previously saved workspace restored] Y finalmente, sin más que escribir MenuMUM(), se puede empezar a trabajar!!!!. Ejemplo: Análisis computacional del modelo de regresión múltiple e incumplimiento de hipótesis básicas 13 / 28
14 Función GUIME Función MUM Función GUIME Incumplimiento Incumplimiento A continuación vamos a abordar la estimación y validación de un modelo econométrico así como el estudio del cumplimiento o incumplimiento de las hipótesis básicas de normalidad, heteroscedasticidad y autocorrelación de la perturbación aleatoria, así como la independencia lineal entre las variables explicativas de la regresión. Para poder realizar este análisis se instalarán los paquetes car y lmtest (en Instalar paquete(s)... del menú Paquetes). Así, por ejemplo, usaremos las órdenes: lm para analizar el modelo econométrico empleado. ks.test para el estudio de la normalidad de los residuos mediante el contraste de Kolmogorov-Smirnov. ncv.test para el estudio de la heteroscedasticidad mediante el contraste de Breusch-Pagan. dwtest para el estudio de la autocorrelación mediante el contraste de Durbin- Watson. vif para el estudio de la multicolinealidad a partir del factor de agrandamiento de la varianza de cada coeficiente estimado. Información sobre estas funciones se obtiene a partir del comando help(). Análisis computacional del modelo de regresión múltiple e incumplimiento de hipótesis básicas 14 / 28
15 Función GUIME Función MUM Función GUIME Incumplimiento Incumplimiento Pasos a seguir para usar la función GUIME: Almacenar los datos con el nombre datos2.txt en el directorio de trabajo de en formato.txt separado por tabulaciones. Leer los datos mediante el comando: datos = read.table(file="datos2.txt", header=tue, dec=".", sep="\t"). Agregar las variables al espacio de trabajo: attach(datos). Escribir la relación lineal entre las variables: funcion = wage ~ exper + union + female + educ. Copiar y pegar la función GUIME en la consola de (la cual está disponible en el siguiente enlace: Ejecutar dicha función: GUIME.LM(funcion, datos). Los resultados se almacenarán en un archivo de texto dentro del directorio de trabajo. En el siguiente enlace puedes encontrar un video explicativo: es.html Análisis computacional del modelo de regresión múltiple e incumplimiento de hipótesis básicas 15 / 28
16 GUIME.LM <- function(funcion, datos) { # resultados de la regresión modelo = lm(funcion, data=datos) analisis = summary(modelo) # estudio de la normalidad residuos = modelo$resid desviacióntípica = sd(residuos) normalidad = ks.test(residuos, pnorm, 0, desviacióntípica) # heteroscedasticidad library(car) heteroscedasticidad = ncv.test(modelo) # autocorrelación library(lmtest) autocorrelacion = dwtest(modelo) # multicolinealidad multicolinealidad = vif(modelo) resultado = list(funcion, analisis, normalidad, heteroscedasticidad, autocorrelacion, multicolinealidad) names(resultado) = c("modelo de regresión", "Estimación y validación del modelo", "Normalidad residuos", "Heteroscedasticidad residuos", "Autocorrelación residuos", "Multicolinealidad variables") # salida función sink("análisis.txt") resultado }
17 Corrección de heteroscedasticidad y autocorrelación Para resolver el problema de heteroscedasticidad usaremos los Mínimos Cuadrados Ponderados sin más que especificar la opción weights dentro del comando lm: Función MUM Función GUIME Incumplimiento Incumplimiento reg1 = lm(wage ~ exper + union + female + educ, weights=exper^2) En weights se ha de especificar la inversa de aquella cantidad de la que depende la varianza de la perturbación aleatoria, esto es, si por ejemplo Var(u t ) = σ 2 1 exper 2 t habría que usarexper 2 t. Para resolver el problema de autocorrelación usaremos el procedimiento iterativo de Cochrane-Orcutt (para lo cual hay que instalar y cargar el paquete orcutt): reg1 = lm(wage ~ exper + union + female + educ) reg2 = cochrane.orcutt(reg1) Análisis computacional del modelo de regresión múltiple e incumplimiento de hipótesis básicas 17 / 28
18 Corrección de heteroscedasticidad y autocorrelación Un excelente trabajo sobre el diagnóstico de éstas hipótesis con el entorno de programación, proporcionado por Quick-, puede consultarse en Función MUM Función GUIME Incumplimiento Incumplimiento Análisis computacional del modelo de regresión múltiple e incumplimiento de hipótesis básicas 18 / 28
19 # leo los datos datos = read.table(file="datos2.txt", header=tue, dec=".", sep="\t") attach(datos) especifico relación lineal funcion = wage ~ exper + union + female + educ ejecuto función GUIME GUIME.LM(funcion, datos) leo los datos datos = read.table(file="datos2.txt", header=tue, dec=".", sep="\t") attach(datos) estimación por MCO reg1 = lm(wage ~ exper + union + female + educ) corrección autocorrelación (cargar paquete orcutt ) reg2 = cochrane.orcutt(reg1) corrección de la heteroscedasticidad reg3 = lm(wage ~ exper + union + female + educ, weights=exper^2)
20 Introducción de datos y estadísticos descriptivos Paquete estadístico Estimación del modelo Valores estimados Obtención de los residuos Estimación robusta Análisis computacional del modelo de regresión múltiple e incumplimiento de hipótesis básicas 20 / 28
21 Introducción de datos y estadísticos descriptivos Introducción de datos y estadísticos descriptivos Estimación del modelo Valores estimados Obtención de los residuos Estimación robusta Los datos en se introducen directamente pulsando el botón correspondiente a Data Editor (edit) o importándolos, por ejemplo desde Excel, sin más que copiarlos en la hoja de cálculo y pegándolos en la de (si el nombre de las variables está escrito en la primera fila de la hoja de cálculo aparecerá un mensaje preguntando si dicha fila ha de tratarla como los nombres de las variables o como datos). Adviértase que el delimitador decimal es el punto (al igual que en ). Una vez introducimos los datos (y guardados, por ejemplo, en C:\ como datos2.dta), en primer lugar vamos a calcular los principales estadísticos descriptivos de las variables (excepto de las variables union y f emale por ser dicotómicas). Usaremos los comandos su y corr de : su wage exper educ, detail corr wage exper educ Análisis computacional del modelo de regresión múltiple e incumplimiento de hipótesis básicas 21 / 28
22 Estimación del modelo Para estimar y validar el modelo anterior usaremos el comando reg de : Introducción de datos y estadísticos descriptivos Estimación del modelo Valores estimados Obtención de los residuos Estimación robusta reg wage exper union female educ Dicho comando da como salida fundamentalmente la tabla ANOVA (contraste de significación conjunta) junto a su p-valor asociado, el 2 (y su versión corregida) y las estimaciones de los coeficientes junto a sus p-valores asociados (contrastes de significación individual) e intervalos de confianza. Si se desea estimar el modelo sin término independiente se ha de usar: reg wage exper union female educ, noconstant Análisis computacional del modelo de regresión múltiple e incumplimiento de hipótesis básicas 22 / 28
23 Valores estimados y su representación gráfica Los valores estimados se pueden obtener con el comando predict: Introducción de datos y estadísticos descriptivos Estimación del modelo Valores estimados Obtención de los residuos Estimación robusta predict estimacion gener observacion = [_n] graph twoway line wage estimacion observacion Adviértase que además se han representado de forma conjunta con los valores originales. Si se desea observar y comparar los valores estimados con los originales podemos calcular sus estadísticos principales: l wage estimacion su wage estimacion Análisis computacional del modelo de regresión múltiple e incumplimiento de hipótesis básicas 23 / 28
24 Obtención de los residuos También se podrían obtener los residuos del modelo, cuestión importante a la hora de verificar que se cumplen las hipótesis básicas del modelo lineal general (como es el caso de la normalidad): Introducción de datos y estadísticos descriptivos Estimación del modelo Valores estimados Obtención de los residuos Estimación robusta predict residuos, residuals graph twoway line residuos observacion su residuos swilk residuos Además de calcularlos, se han representado, calculado sus estadísticos principales y realizado el contraste de Shapiro-Wilk para contrastar la normalidad (que es la hipótesis nula). Análisis computacional del modelo de regresión múltiple e incumplimiento de hipótesis básicas 24 / 28
25 Estimación robusta Finalmente destacar que añadiendo vce(robust) al final del comando reg obtenemos estimadores robustos a los problemas de heteroscedasticidad y autorrelación, es decir, si existen dichos problemas los corrige directamente: Introducción de datos y estadísticos descriptivos Estimación del modelo reg wage exper union female educ, vce(robust) predict residuos, residuals swilk residuos Valores estimados Obtención de los residuos Estimación robusta Análisis computacional del modelo de regresión múltiple e incumplimiento de hipótesis básicas 25 / 28
26 clear clear matrix capture log close cd "C:\" use datos2.dta, clear log using ESULTADOS, text replace su wage exper educ, detail corr wage exper educ reg wage exper union female educ, vce(robust) predict estimacion gener observacion = [_n] graph twoway line wage estimacion observacion predict residuos, residuals graph twoway line residuos observacion swilk residuos log close
27 Análisis computacional del modelo de regresión múltiple e incumplimiento de hipótesis básicas 27 / 28
28 En el archivo datos1.xls se dispone de 1174 observaciones correspondientes a las siguientes variables: bwt: peso del bebé al nacer (en kg). gestation: periodo de gestación (en días). parity: valor 1 si la madre es primeriza y 0 en caso contrario. age: edad de la madre (en años). height: altura de la madre (en metros). weight: peso de la madre (en kg). smoke: valor 1 si la madre fuma y 0 en caso contrario. Analizar el siguiente modelo: bwt t = β 1 +β 2 gestation t +β 3 parity t +β 4 age t +β 5 height t +β 6 weight t +β 7 smoke t +u t. Descarga de datos: Análisis computacional del modelo de regresión múltiple e incumplimiento de hipótesis básicas 28 / 28
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 detallesGuía para la instalación de Gretl
Guía para la instalación de Gretl Gnu Regression, Econometrics and Time-series Library Miguel Jerez y Sonia Sotoca Universidad Complutense de Madrid Febrero de 2012 Ver. 14/02/12, Slide # 1 Índice: Direcciones
Más detallesCURSO ECONOMETRÍA BÁSICA MULTISOFTWARE
CURSO ECONOMETRÍA BÁSICA MULTISOFTWARE El objetivo de este curso es la presentación de las técnicas econométricas básicas, tanto clásicas como modernas, y su tratamiento con las herramientas más adecuadas
Más detallesEl Modelo de Regresión Lineal
ECONOMETRÍA I El Modelo de Regresión Lineal Dante A. Urbina CONTENIDOS 1. Regresión Lineal Simple 2. Regresión Lineal Múltiple 3. Multicolinealidad 4. Heterocedasticidad 5. Autocorrelación 6. Variables
Más detallesEstimación de un modelo de ecuaciones simultáneas usando el software econométrico Gretl
Estimación de un modelo de ecuaciones simultáneas usando el software econométrico Gretl Catalina García, María del Mar López y Román Salmerón Departamento de Métodos Cuantitativos para la Economía y la
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 detallesEconometría de Económicas Ejercicios para el tema 2 y 3
Econometría de Económicas Ejercicios para el tema 2 y 3 Curso 2005-2006 Profesores Amparo Sancho Perez Guadalupe Serrano Pedro Perez 1 1- Los datos que se adjuntan hacen referencia a los datos de producción
Más detallesMÓDULO X. LA DINÁMICA DE LA ECONOMÍA MUNDIAL PROGRAMA OPERATIVO MATEMÁTICAS ECONOMETRÍA I. Profesor: Noé Becerra Rodríguez.
MÓDULO X. LA DINÁMICA DE LA ECONOMÍA MUNDIAL PROGRAMA OPERATIVO MATEMÁTICAS ECONOMETRÍA I Profesor: Noé Becerra Rodríguez Objetivo general: Introducir los aspectos fundamentales del proceso de construcción
Más detallesEstadística básica con R Commander. María Eugenia Fernández de Luco
Estadística básica con R Commander María Eugenia Fernández de Luco Facultad de Ciencias Exactas, Ingeniería y Agrimensura Universidad Nacional de Rosario 2014 ÍNDICE 1. Introducción... 2 2. Lectura de
Más detallesT2. El modelo lineal simple
T2. El modelo lineal simple Ana J. López y Rigoberto Pérez Dpto Economía Aplicada. Universidad de Oviedo Curso 2010-2011 Curso 2010-2011 1 / 40 Índice 1 Planteamiento e hipótesis básicas 2 Estimación de
Más detallesFACTORES INFLUYENTES EN EL EMPLEO. Econometría II GECO Marina Calvillo Fuentes Rocío Crespo Roldán
FACTORES INFLUYENTES EN EL EMPLEO Econometría II GECO Marina Calvillo Fuentes Rocío Crespo Roldán 2 ÍNDICE: 1. INTRODUCCIÓN 2. PLANTEAMIENTO DEL PROBLEMA 3. GRÁFICOS DE LOS DATOS 4. ESTIMACIÓN DEL MODELO
Más detallesModelos con Datos de Panel
Modelos con Datos de Panel Econometría II Grado en Economía Universidad de Granada Modelosdedatosdepanel 1/26 Contenidos Modelosdedatosdepanel 2/26 Elmodelo Modelosdedatosdepanel 3/26 Elmodelo Hasta el
Más detallesPRÁCTICA 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 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 detallesMínimos Cuadrados Generalizados
Mínimos Cuadrados Generalizados Román Salmerón Gómez Los dos últimos temas de la asignatura han estado enfocados en estudiar por separado la relajación de las hipótesis de que las perturbaciones estén
Más detallesy x Estimar por MCO un modelo lineal entre la variable explicada (y) y las
Ejercicio MLG Disponemos de los siguientes datos y x x3 7 6 0 4 3 7 8 6 3 6 6 5 8 9 8 Se pide. Estimar por MCO un modelo lineal entre la variable explicada (y) y las explicativas (x).. Comprobar que el
Más detallesTEMA 4 Modelo de regresión múltiple
TEMA 4 Modelo de regresión múltiple José R. Berrendero Departamento de Matemáticas Universidad Autónoma de Madrid Análisis de Datos - Grado en Biología Estructura de este tema Modelo de regresión múltiple.
Más detallesUniversidad 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 detallesPrácticas Tema 5. Ampliaciones del Modelo lineal básico
Prácticas Tema 5. Ampliaciones del Modelo lineal básico Ana J. López y Rigoberto Pérez Dpto. Economía Aplicada, Universidad de Oviedo PRÁCTICA 5.1. Se ha examinado la evolución reciente de las ventas de
Más detallesCorrelación. 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 detallesExcel aplicado a ingenieros
Pág. N. 1 Excel aplicado a ingenieros Familia: Editorial: Autor: Ofimatica Macro Ing. Carlos Eyzaguirre Acosta ISBN: 978-612-304-043-7 N. de páginas: 376 Edición: 1. a 2011 Medida: 17.5 x 24.8 Colores:
Más detallesEjemplo 7.1. Heterocedasticidad. Pilar González y Susan Orbe. Dpto. Economía Aplicada III (Econometría y Estadística)
Ejemplo 7.1 Heterocedasticidad Pilar González y Susan Orbe Dpto. Economía Aplicada III (Econometría y Estadística) Pilar González y Susan Orbe OCW 2013 Ejemplo 7.1. Heterocedásticidad 1 / 22 Enunciado.
Más detallesGuía docente 2007/2008
Guía docente 2007/2008 Plan 247 Lic.Investigación y Tec.Mercado Asignatura 43579 METODOS CUANTITATIVOS PARA LA INVESTIGACION DE MERCADOS Grupo 1 Presentación Métodos y técnicas cuantitativas de investigación
Más detallesRegresión Lineal. Rodrigo A. Alfaro. Rodrigo A. Alfaro (BCCh) Regresión Lineal / 16
Regresión Lineal Rodrigo A. Alfaro 2009 Rodrigo A. Alfaro (BCCh) Regresión Lineal 2009 1 / 16 Contenidos 1 Regresiones Lineales Regresión Clásica Paquetes estadísticos 2 Estadísticos de Ajuste Global 3
Más detallesObligatoria Optativa Extracurricular Curso Seminario Taller. Clave seriación 45 Laboratorio. Horas prácticas de campo
Carta descriptiva Datos de identificación Programa Nombre de la asignatura Tipo de Asignatura Maestría en Economía Aplicada Econometría I Ciclo Primer semestre Obligatoria Optativa Extracurricular Curso
Más detallesDiplomado en Econometría Coordinadora académica: M.F. Esperanza Sainz López
Diplomado en Econometría Coordinadora académica: M.F. Esperanza Sainz López Brindar al alumno los conocimientos de los métodos econométricos fundamentales y de los conceptos estadísticos que éstos requieren,
Más detallesREGRESIÓN LINEAL SIMPLE
REGRESIÓN LINEAL SIMPLE 1. El problema de la regresión lineal simple. Método de mínimos cuadrados 3. Coeficiente de regresión 4. Coeficiente de correlación lineal 5. El contraste de regresión 6. Inferencias
Más detallesEjercicios Resueltos (de examen)
Ejercicios Resueltos de examen Román Salmerón Gómez Modelo lineal uniecuacional múltiple Usando los siguientes datos, consumo nacional C t y renta nacional R t en España para el periodo 995-005 a precios
Más detallesEjercicio Heterocedasticidad_2
Ejercicio heterocedasticidad 2. 1 Ejercicio Heterocedasticidad_2 Tengamos los siguientes datos de los beneficios (B i ) y ventas (V i ) de 20 empresas: obs B V 1 13,2 61 2 15 78 3 22,2 158 4 15,2 110 5
Más detalles(3620) ECONOMETRÍA (3620)
Programa de la asignatura Curso: 2013 / 2014 (3620) ECONOMETRÍA (3620) PROFESORADO Profesor/es: MARIA ISABEL LANDALUCE CALVO - correo-e: iland@ubu.es FICHA TÉCNICA Titulación: LICENCIATURA EN ADMINISTRACIÓN
Más detallesModelos linealizables.
Modelos linealizables. 1.- Tras 10 años de funcionamiento, una empresa del sector de las telecomunicaciones, quiere estudiar el beneficio obtenido en dicho periodo en función al número de clientes que
Más detallesANÁLISIS DE REGRESIÓN
ANÁLISIS DE REGRESIÓN INTRODUCCIÓN Francis Galtón DEFINICIÓN Análisis de Regresión Es una técnica estadística que se usa para investigar y modelar la relación entre variables. Respuesta Independiente Y
Más 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 detallesGRADO : ADE ASIGNATURA: ECONOMETRÍA I. Curso: 2 Cuatrimestre: 2 Asignaturas que se recomienda tener superadas: Estadística I y II
FICHA DESCRIPTIVA DE LA ASIGNATURA GUIA DOCENTE Curso Académico 2012/2013 GRADO : ADE ASIGNATURA: ECONOMETRÍA I Módulo Materia Ampliaciones de Métodos Cuantitativos Econometría Créditos 6 Ubicación Carácter
Más detallesLectura No. 7. Contextualización. Nombre: Métodos de Análisis ANÁLISIS FINANCIERO 1
Análisis financiero ANÁLISIS FINANCIERO 1 Lectura No. 7 Nombre: Métodos de Análisis Contextualización Los diferentes métodos de análisis que se pueden utilizar para evaluar y, en su defecto, emitir un
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 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 detallesTODO ECONOMETRIA. Bondad del ajuste Contraste de hipótesis
TODO ECONOMETRIA Bondad del ajuste Contraste de hipótesis Índice Bondad del ajuste: Coeficiente de determinación, R R ajustado Contraste de hipótesis Contrastes de hipótesis de significación individual:
Más detallesTema 6. Multicolinealidad. Contenido Multicolinealidad perfecta Multicolinealidad de grado alto
Tema 6 Multicolinealidad Contenido 6.1. Multicolinealidad perfecta...................... 108 6.. Multicolinealidad de grado alto................... 110 108 Tema 6. Multicolinealidad A la hora de estimar
Más detallesASOCIACIÓN ENTRE DOS VARIABLES CONTINUAS: REGRESIÓN Y CORRELACIÓN
CURSO DE BIOESTADÍSTICA BÁSICA Y SPSS ASOCIACIÓN ENTRE DOS VARIABLES CONTINUAS: REGRESIÓN Y CORRELACIÓN Amaia Bilbao González Unidad de Investigación Hospital Universitario Basurto (OSI Bilbao-Basurto)
Más detallesESTADISTICA 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 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 detallesTEMA 4 FASE ESTADÍSTICO-ANALÍTICA: RECURSOS PARA EL ANÁLISIS DE DATOS
TEMA 4 FASE ESTADÍSTICO-ANALÍTICA: RECURSOS PARA EL ANÁLISIS DE DATOS FASES EN EL ANÁLISIS DE LOS DATOS DE UNA INVESTIGACIÓN SELECCIÓN HIPÓTESIS DE INVESTIGACIÓN Modelo de Análisis Técnica de Análisis
Más detalles14 horas. 20 horas
EJERCICIOS PROPUESTOS ANALISIS DE VARIANZA. Se realiza un ANOVA para comparar el tiempo que demora en aliviar el dolor de cabeza de varios tipos de analgésicos. Se obtiene como resultado un test observado
Más detallesMODELO ECONOMÉTRICO. José María Cara Carmona. Adrián López Ibáñez. Explicación del desempleo
José María Cara Carmona Adrián López Ibáñez MODELO ECONOMÉTRICO Explicación del desempleo Desarrollaremos un modelo econométrico para intentar predecir el desempleo. Trataremos los diversos problemas que
Más detallesCurso de nivelación Estadística y Matemática
Modelo de Curso de nivelación Estadística y Matemática Pruebas de hipótesis, y Modelos ARIMA Programa Técnico en Riesgo, 2017 Agenda Modelo de 1 2 Asociación Medidas de asociación para variables intervalo
Más detallesEconometría II. Hoja de Problemas 1
Econometría II. Hoja de Problemas 1 Nota: En todos los contrastes tome como nivel de significación 0.05. 1. SeanZ 1,...,Z T variables aleatorias independientes, cada una de ellas con distribución de Bernouilli
Más detallesSPSS Aplicación práctica: Base de datos del HATCO
Aplicación práctica: Base de datos del HATCO Datos: observaciones de variables obtenidos desde encuentas a clientes de un distribuidor industrial. Variables de interés en la aplicación: Percepciones de
Más detallesPráctica 5 ANÁLISIS DE UNA MUESTRA INTERVALOS DE CONFIANZA CONTRASTE DE HIPÓTESIS
Práctica. Intervalos de confianza 1 Práctica ANÁLISIS DE UNA MUESTRA INTERVALOS DE CONFIANZA CONTRASTE DE HIPÓTESIS Objetivos: Ilustrar el grado de fiabilidad de un intervalo de confianza cuando se utiliza
Más detallesGrado en Finanzas y Contabilidad
Econometría Grado en Finanzas y Contabilidad Apuntes basados en el libro Introduction to Econometrics: A modern Approach de Wooldridge 3.1 Colinealidad Exacta 3.2 Los efectos de la multicolinealidad Del
Más detallesTEMA 10 COMPARAR MEDIAS
TEMA 10 COMPARAR MEDIAS Los procedimientos incluidos en el menú Comparar medias permiten el cálculo de medias y otros estadísticos, así como la comparación de medias para diferentes tipos de variables,
Más detallesModelos Dinámicos. Tema Introducción
Tema 6 Modelos Dinámicos 6.1. Introducción Este tema vuelve a ocuparse de la modelización de relaciones entre variables dentro de un contexto de datos en el tiempo o series temporales. Como ya comentamos
Más detallesRegresión múltiple. Demostraciones. Elisa Mª Molanes López
Regresión múltiple Demostraciones Elisa Mª Molanes López El modelo de regresión múltiple El modelo que se plantea en regresión múltiple es el siguiente: y i = β 0 + β 1 x 1i + β 2 x 2i +...+ β k x ki +
Más detallesUNIVERSIDAD DE VALLADOLID FACULTAD DE CIENCIAS ECONÓMICAS Y EMPRESARIALES DEPARTAMENTO DE ECONOMÍA APLICADA PROYECTO DOCENTE DE ECONOMETRÍA
UNIVERSIDAD DE VALLADOLID FACULTAD DE CIENCIAS ECONÓMICAS Y EMPRESARIALES DEPARTAMENTO DE ECONOMÍA APLICADA PROYECTO DOCENTE DE ECONOMETRÍA LICENCIATURA: ADMINISTRACIÓN Y DIRECCIÓN DE EMPRESAS CURSO: CUARTO
Más detallesEjemplo 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 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 detallesTÉCNICAS 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 detallesModelo Econométrico sobre el Turismo
Modelo Econométrico sobre el Turismo Ruth Rubio Rodríguez Miriam Gómez Sánchez Mercados 3ºA GMIM Índice Planteamiento del Problema..4 1. Estadísticos Descriptivos...5 2. Matriz Correlaciones 5 3. Gráfico
Más detalles7. ANÁLISIS DE VARIABLES CUANTITATIVAS: REGRESIÓN LINEAL SIMPLE
ESCUELA UNIVERSITARIA DE ENFERMERIA DE TERUEL 1 er CURSO DE GRADO DE ENFERMERIA Estadística en Ciencias de la Salud 7. ANÁLISIS DE VARIABLES CUANTITATIVAS: REGRESIÓN LINEAL SIMPLE PROFESOR Dr. Santiago
Más detallesTEMA 2 Diseño de experimentos: modelos con varios factores
TEMA 2 Diseño de experimentos: modelos con varios factores José R. Berrendero Departamento de Matemáticas Universidad Autónoma de Madrid Análisis de Datos - Grado en Biología Esquema del tema Modelo bifactorial
Más detallesEste programa estadístico está organizado en dos bloques: el editor de datos y el visor de resultados.
Bases de Estadística Licenciatura en Ciencias Ambientales Curso 2oo3/2oo4 Introducción al SPSS/PC Este programa estadístico está organizado en dos bloques: el editor de datos y el visor de resultados.
Más detallesEstadística Descriptiva. Poblaciones y muestras.
Estadística Descriptiva. Poblaciones y muestras. fgarcia@cipf.es CIPF s Research Development Programme Indice 1 Introducción 2 3 Análisis Estadístico Población y muestra Software estadístico CIPF s Research
Más detallesIntroducción a la Estadística Aplicada en la Química
Detalle de los Cursos de Postgrado y Especialización en Estadística propuestos para 2015 1/5 Introducción a la Estadística Aplicada en la Química FECHAS: 20/04 al 24/04 de 2015 HORARIO: Diario de 10:00
Más detallesComo usar Excel para resolver una regresión lineal usando la función predefinida estimacion.lineal.
Excel: Regresión Lineal Como usar Excel para resolver una regresión lineal usando la función predefinida estimacion.lineal. Como hacer la gráfica. Ejemplo Los datos de la tabla adjunta, x e y exacto, cumplen
Más detallesPara ello abra desde Windows Configuración Regional del menú de INICIO- Configuración. Aparece la siguiente pantalla
LICENCIATURA EN DIRECCIÓN Y ADMINISTRACIÓN DE EMPRESAS ECONOMETRÍA I. Curso 2001-2002. Fecha: 15-19/Octubre de 2001. PRÁCTICA I: Introducción al Econometrics Views (Eviews) 1.- Configurar Windows 95/98
Más detallesEjemplo 3.3. Análisis descriptivo de los datos en Gretl. Pilar González y Susan Orbe. Dpto. Economía Aplicada III (Econometría y Estadística)
Ejemplo 3.3 Análisis descriptivo de los datos en Gretl Pilar González y Susan Orbe Dpto. Economía Aplicada III (Econometría y Estadística) Pilar González y Susan Orbe OCW 2013 Ejemplo 3.3 Análisis descriptivo
Más detallesEstadística; 3º CC. AA. Examen final, 23 de enero de 2009
Estadística; 3º CC. AA. Examen final, 3 de enero de 9 Apellidos Nombre: Grupo: DNI. (5 ptos.) En un estudio sobre las variables que influyen en el peso al nacer se han obtenido utilizando SPSS los resultados
Más detallesPasos para comprobar la Violación de los Supuestos
Licenciado: Sergio Guinea Auxiliar: Mariángela Arrecis Pasos para comprobar la Violación de los Supuestos Paso 1. Como crear un fichero o base de datos en Eviews, para levantamiento de modelos. 1.1. Abrir
Más detallesTODO ECONOMETRIA TEMA 1: MODELO BASICO DE REGRESIÓN LINEAL MULTIPLE (MBRL)
TODO ECONOMETRIA TEMA 1: MODELO BASICO DE REGRESIÓN LINEAL MULTIPLE (MBRL) NOTA IMPORTANTE - Estas notas son complementarias a las notas de clase del primer semestre correspondientes a los temas de Regresión
Más detallesTema: ESTADÍSTICA DESCRIPTIVA BÁSICA CON SPSS 8.0
Ignacio Martín Tamayo 11 Tema: ESTADÍSTICA DESCRIPTIVA BÁSICA CON SPSS 8.0 ÍNDICE ------------------------------------------------------------- 1. Introducción 2. Frecuencias 3. Descriptivos 4. Explorar
Más detallesIntroducción al Stata
www.isaacmartinez.wordpress.com al Stata Comandos Básicos 29 de Marzo de 2010 al Stata Índice 1 2 Comandos Lectura de datos 3 Comandos Útiles Manejo de al Stata Índice El objetivo de esta primera clase
Más detallesEstadística Descriptiva Bivariante e Intervalos de Confianza
Estadística Descriptiva Bivariante e Intervalos de Confianza Introducción En este guión se presenta el análisis conjunto de dos variables (análisis bivariante) y una introducción a los intervalos de confianza
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 detallesEstadística Descriptiva Univariante
Estadística Descriptiva Univariante Introducción En este guión se analizan los estadísticos descriptivos básicos de la base de datos Paises.xlsx considerada en el guión 0 sobre manejo básico de Excel 2007:
Más detallesEstructura de este tema. Tema 4 Regresión lineal simple. Ejemplo: consumo de vino y dolencias cardíacas. Frecuencias
Estructura de este tema Tema 4 Regresión lineal simple José R. Berrendero Departamento de Matemáticas Universidad utónoma de Madrid Planteamiento del problema. Ejemplos Recta de regresión de mínimos cuadrados
Más detallesCORRELACION Y REGRESION
CORRELACION Y REGRESION En el siguiente apartado se presenta como calcular diferentes índices de correlación, así como la forma de modelar relaciones lineales mediante los procedimientos de regresión simple
Más detallesContrastes 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 detallesEl Modelo de Regresión Lineal General Estimación
Tema 5 El Modelo de Regresión Lineal General Estimación Pilar González y Susan Orbe Dpto Economía Aplicada III (Econometría y Estadística) Pilar González y Susan Orbe OCW 2013 Tema 5 MRLG: Estimación 1
Más detallesECONOMETRIC VIEWS Análisis de Regresión. Prof. Ramón Mahía Dpto. Economía Aplicada
ECONOMETRIC VIEWS Análisis de Regresión Prof. Ramón Mahía Dpto. Economía Aplicada Manual de E-Views: Análisis de Regresión 2 CAPÍTULO I Introducción al procedimiento de regresión Sin perjuicio de que se
Más detallesProyecto de Innovación Docente: Guía multimedia para la elaboración de un modelo econométrico.
1 Introducción a R El lenguaje de programación R fue puesto en 1995 al servicio del público, de forma gratuita, por sus autores. Desde entonces su uso ha ido creciendo y de forma permanente se siguen creando
Más detallesEstadística II Examen final junio - 17/06/16 Curso 2015/16 Soluciones Duración del examen: 2 h. y 45 min.
Estadística II Examen final junio - 17/06/16 Curso 201/16 Soluciones Duración del examen: 2 h. y 4 min. 1. (3, puntos) La publicidad de un fondo de inversión afirma que la rentabilidad media anual del
Más detallesTema: Análisis de valores faltantes con SPSS
Tema: Análisis de valores faltantes con SPSS 1.- Introducción Hemos de comenzar advirtiendo que el Procedimiento Valores perdidos no se incluye en el sistema Base de SPSS, por lo que solo estará disponible
Más detallesModelo de Regresión Lineal Múltiple
Tema 3 Modelo de Regresión Lineal Múltiple Contenido 3.1. Introducción. Un ejemplo...................... 52 3.2. Estimación de Mínimos Cuadrados Ordinarios utilizando Gretl. 54 3.3. Análisis de los resultados
Más detallesErrores de especificación
CAPíTULO 5 Errores de especificación Estrictamente hablando, un error de especificación es el incumplimiento de cualquiera de los supuestos básicos del modelo lineal general. En un sentido más laxo, esta
Más detallesECONOMETRÍA I. Tema 2: El Modelo de Regresión Lineal Simple. Patricia Moreno Juan Manuel Rodriguez Poo Alexandra Soberon Departamento de Economía
ECONOMETRÍA I Tema 2: El Modelo de Regresión Lineal Simple Patricia Moreno Juan Manuel Rodriguez Poo Alexandra Soberon Departamento de Economía Alexandra Soberon (UC) ECONOMETRÍA I 1 / 42 Modelo de Regresión
Más detallesESTADISTICA 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 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 detallesGuía breve de análisis de series temporales unidimensionales con Gretl
Guía breve de análisis de series temporales unidimensionales con Gretl 1. Pasos a seguir 1. Representación de la serie temporal (Variable Gráfico de series temporales). 2. Serie temporal no estacionaria
Más detallesANÁLISIS DE LA VARIANZA CON UN FACTOR (ANOVA)
ANÁLISIS DE LA VARIANZA CON UN FACTOR (ANOVA) El análisis de la varianza permite contrastar la hipótesis nula de que las medias de K poblaciones (K >2) son iguales, frente a la hipótesis alternativa de
Más detallesGUIÓN 0 de PRÁCTICAS con Rcmdr: Primeros pasos
GUIÓN 0 de PRÁCTICAS con Rcmdr: Primeros pasos Instalación del programa: Ir a la página principal de R: http://www.r-project.org Bajar primero el programa R desde un mirror cercano (por ejemplo desde Madrid)
Más detallesPág. 1 de 16 SEXO SINTOMAS DIAS_DURACION F FIEBRE 3 F MAREO 4 M DOLOR 5 M CONGESTION 5 M DOLOR 8 F CONGESTION 4 M DOLOR 5 M MAREO 3
Pág. 1 de 16 EPI-INFO- ANALISIS SIMPLE DE DATOS DIGITADOS EN EXCEL E IMPORTADOS A EPI-INFO Abrir Microsoft Excel 2010. Digitar los siguientes datos, a partir del 1er cuadro de Excel (no dejar líneas en
Más detallesUniversidad de Managua. UdeM
Universidad de Managua. UdeM Simulación de Sistemas Guía #3 Tema: Generar números aleatorios para un modelo de simulación y determinar si los números pseudoaleatorios generados, cumplen con las pruebas
Más detallesTema 8: Regresión y Correlación
Tema 8: Regresión y Correlación Estadística. 4 o Curso. Licenciatura en Ciencias Ambientales Licenciatura en Ciencias Ambientales (4 o Curso) Tema 8: Regresión y Correlación Curso 2008-2009 1 / 12 Índice
Más detallesANÁLISIS 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 detallesGestión de los datos en Gretl
Tema 3 Gestión de los datos en Gretl Pilar González y Susan Orbe Dpto. Economía Aplicada III (Econometría y Estadística) Pilar González y Susan Orbe OCW 2013 Tema 3. Gestión de los datos en Gretl 1 / 55
Más detallesTema 2. Heterocedasticidad. 1 El modelo de regresión lineal con errores heterocedásticos
ema 2. Heterocedasticidad. El modelo de regresión lineal con errores heterocedásticos En este tema vamos a analizar el modelo de regresión lineal Y t = X tβ + u t, donde X t = (X t, X 2t,.., X kt y β =
Más detallesECONOMETRÍA FUNDAMENTOS, MÉTODOS Y APLICACIONES
ECONOMETRÍA FUNDAMENTOS, MÉTODOS Y APLICACIONES Breve introducción al manejo de Eviews Autor: Dr. Gustavo A. Marrero Díaz Dpto. Fundamentos del Análisis Económico y Economía Cuantitativa II Facultad Ciencias
Más detallesTEMA 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 detallesINDICE 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 detallesGestión de datos en Eviews
Gestión de datos en Eviews 1.- Entrada-salida del sistema Para entrar en Eviews6 debemos llamar al Eviews.exe bien ejecutándolo explícitamente o haciendo doble click sobre el icono correspondiente. Para
Más detalles