SOLUCIÓN PROPUESTA. Es de notar que dadao que los datos provienen de un corte transversal, valores de bondad de ajuste resultan ser bajos.
|
|
- Pascual Lara Arroyo
- hace 6 años
- Vistas:
Transcripción
1 SOLUCIÓN PROPUESTA 1. a) reg w educa exp Source SS df MS Number of obs = F( 2, 525) = Model Prob > F = Residual R-squared = Adj R-squared = Total Root MSE = w Coef. Std. Err. t P> t [95% Conf. Interval] educa exp _cons b) salario = β 1 + β 2 educa+ β 3 experiencia + u i = valor que en promedio toma el salario por hora si educa= exp= = cada año adicional de educación incrementa en aproximadamente 0.98 unidades monetarias al salario promedio por hora, manteniendo constante a la variable experiencia = cada año adicional de experiencia laboral incrementa en aproximadamente 0.10 unidades monetarias al salario promedio por hora, manteniendo constante a la variable educación. R 2 = mide la proporción de la variabilidad del salario por hora que es explicada por las variables años de educación y años de experiencia laboral. R 2 a= ajusta dado el número de variables incluidas en el modelo a la proporción de la variabilidad del salario por hora que es explicada por las variables años de educación y años de experiencia laboral. Es de notar que dadao que los datos provienen de un corte transversal, valores de bondad de ajuste resultan ser bajos. c) De acuerdo a los resultados del listado mostrado arriba: Considerando el valor p de cada coeficiente estimado, cada una de las variables es significativa a todos los niveles de significancia tomadas individualmente I 1
2 d) Supuestos Normalidad i) Pruebas gráficas Histograma de residuales Gráfico de probabilidad normal F re q u e n c y Residuals N o rm a l F[(re sid -m )/s ] Empirical P[i] = i/(n+1) ii) Pruebas numéricas Jarque-Bera predict resid, resid sum resid, d list return scalar JB= r(n)*((r(skewness)^2/6)+(( r(kurtosis)-3)^2)/24) display JB JB= χ 2, 0.05= 5.99 sktests Skewness/Kurtosis tests for Normality joint Variable Pr(Skewness) Pr(Kurtosis) adj chi2(2) Prob>chi resid No hay normalidad de los residuales. La inferencia estadística derivada del modelo no es válida I 2
3 Multicolinealidad i) Matriz de diagramas de dispersión educacion (años) experiencia (años) ii) Matriz de correlación educa exp educa exp iii) VIF Variable VIF 1/VIF educa exp Mean VIF 1.12 iv) Regla práctica no señala nada claro.: 2011-I 3
4 Heteroscedasticidad i) Pruebas gráficas rvfplot rvpplot educa R e s id u a ls Fitted values R e s id u a ls educacion (años) rvfpplot experiencia R e s id u a ls experiencia (años) ii) Pruebas numéricas Breusch-Pagan Breusch-Pagan / Cook-Weisberg test for heteroskedasticity Ho: Constant variance Variables: fitted values of w White chi2(1) = Prob > chi2 = White's general test statistic : Chi-sq( 5) P-value = I 4
5 Autocorrelacion i) Pruebas gráficas R e s id u a ls t R e s id u a ls resl1 ii) Pruebas numéricas Durbin-Watson Durbin-Watson d-statistic( 3, 528) = El valor de tablas de DW para un α=0.05, D L = y D U = Para α=0.01 estos son, D L = y D U = No hay autocorrelación (recuerde la no normalidad). Breusch-Godfrey Breusch-Godfrey LM test for autocorrelation lags(p) chi2 df Prob > chi H0: no serial correlation No se rechaza H o, no hay autocorrelación I 5
6 e) A partir del análisis gráfico sobre la verificación del supuesto de homoscedasticidad, se puede considerar que el patrón de heteroscedasticidad puede ser provocado por: 1: Puntos outliers 2. Mayor heterogeneidad en el comportamiento a través de individuos por la variable educa. 3. Una combinación del comportamiento de las dos variables independientes. Aplicaremos entonces: mínimos cuadrados ponderados, tomando a la variable educa como ponderador. Luego corrigiendo a los errores estándar con valores consistentes con la heteroscedasticidad (Hubber-White). Finalmente se comparan estas estimaciones con las originales de mínimos cuadrados. reg w educa exp [aw=1/educa] (sum of wgt is e+01) Source SS df MS Number of obs = F( 2, 525) = Model Prob > F = Residual R-squared = Adj R-squared = Total Root MSE = w Coef. Std. Err. t P> t [95% Conf. Interval] educa exp _cons reg w educa exp, robust Linear regression Number of obs = 528 F( 2, 525) = Prob > F = R-squared = Root MSE = Robust w Coef. Std. Err. t P> t [95% Conf. Interval] educa exp _cons I 6
7 En términos generales, la comparación entre los distintos estimadores no muestra grandes diferencias como se puede observar a continuación: Variable mco ponderados robustos educa *** *** *** exp *** *** *** _cons *** *** *** N r r2_a legend: * p<.1; ** p<.05; *** p<.01 Dado los resultados en el diagnóstico del modelo (verificación de los supuestos), se puede tratar de estimar un modelo doble logarítmico para volver a verificar los supuestos. De esta manera, se tiene Sea lsalario = β 1 + β 2 leduca+ β 3 lexperiencia + u i Source SS df MS Number of obs = F( 2, 515) = Model Prob > F = Residual R-squared = Adj R-squared = Total Root MSE = lsal Coef. Std. Err. t P> t [95% Conf. Interval] leduca lexp _cons Ahora los estimadores son elasticidades. Así, ante un incremento de 1% en los años de educación, el salario aumenta en 1.21% (ceteris paribus); de igual manera, un incremento de 1% en los años de experiencia incrementan en 0.18% el salario por hora (ceteris paribus). Por otra parte, todos los coeficientes resulta ser significativos a los niveles convencionales. Debe notarse que al aplicar la transformación logarítmica sobre las variables, se pierde un total de 10 observaciones, las cuales toman valores cero ya sea en educa o exp I 7
8 A continuación se verifican cada uno de los supuestos para evaluar al modelo en su conjunto. Multicolinealidad Variable VIF 1/VIF leduca lexp Mean VIF 1.08 Normalidad de los errores Frequency Residuals Normal F[(resid2-m)/s] Empirical P[i] = i/(n+1) Jarque-Bera scalar JB= r(n)*((r(skewness)^2/6)+(( r(kurtosis)-3)^2)/24), dado que JB= < χ 2, 0.05= y además sktest Skewness/Kurtosis tests for Normality joint Variable Pr(Skewness) Pr(Kurtosis) adj chi2(2) Prob>chi resid Normalidad de los errores 2011-I 8
9 Homoscedasticidad R esid u a ls R esidu als Fitted values leduca R esidu als lexp Breusch-Pagan / Cook-Weisberg test for heteroskedasticity Ho: Constant variance Variables: fitted values of lsal chi2(1) = 1.94 Prob > chi2 = White's test for Ho: homoskedasticity against Ha: unrestricted heteroskedasticity chi2(5) = Prob > chi2 = No heteroscedsticidad 2011-I 9
10 Autocorrelación Durbin-Watson d-statistic( 3, 518) = El valor de tablas de DW para un α=0.05, D L = y D U = Para α=0.01 estos son, D L = y D U = No hay autocorrelación (recuerde la no normalidad). Breusch-Godfrey Breusch-Godfrey LM test for autocorrelation lags(p) chi2 df Prob > chi H0: no serial correlation En general, el modelo parece ser más adecuado. 2. a) Verdadero. El efecto sería similar al de multiplicar por una constante a cada valor de X. b) Falso. Los estimadores son insesgados pero ineficientes en ambos casos. 3. a) reg g pg i pnc puc ppt Source SS df MS Number of obs = F( 5, 21) = Model Prob > F = Residual R-squared = Adj R-squared = Total Root MSE = g Coef. Std. Err. t P> t [95% Conf. Interval] pg i pnc puc ppt _cons I 10
11 b) El valor del estadístico F es , el cual resulta altamente significativo (a cualquiera de los niveles convencionales). c) Valores t de tabla a diferentes valores de significancia son (en valor absoluto): t 27,0.01 = t 27,0.005 = t 27,0.05 = t 27,0.025 = t 27,0.10 = t 27,0.05 = Al comparar con los valores del estadístico de prueba calculados se observa que las variables: i y pg resultan significativas a todos los niveles; pnc, puc y ppt no lo son a ninguno Se considera la regla practica existen indicios de alta multicolinealidad en el modelo. d) Si evaluamos los valores VIF asociados a cada predictor, se afirma que existen indicios de una alta colinealidad entre los regresores. Variable VIF 1/VIF ppt pnc puc pg i Mean VIF a) Source SS df MS Number of obs = F( 1, 13) = Model Prob > F = Residual R-squared = Adj R-squared = Total Root MSE = y Coef. Std. Err. t P> t [95% Conf. Interval] x _cons I 11
12 R e s id u a ls R e s id u a ls t res1 No es muy clara la existencia de autocorrelación mediante el gráfico de los residuales vs el tiempo. Pero con el diagrama de dispersión entre el residual y su primer rezago si parece existir autocorrelación. b) Durbin-Watson d-statistic( 2, 15) = Al calcular el estadístico DW es evidente la existencia de autocorrelación en el modelo. c) Para corregir con el método de Cochrane-Orcutt con una sola iteracción se procede de la siguiente manera: gen res1=l.residual reg residual res1, noconst Source SS df MS Number of obs = F( 1, 13) = 6.24 Model Prob > F = Residual R-squared = Adj R-squared = Total Root MSE = residual Coef. Std. Err. t P> t [95% Conf. Interval] res gen ty= *y gen tx= *x gen ys=y-ty gen xs=x-tx reg ys xs 2011-I 12
13 Source SS df MS Number of obs = F( 1, 13) = Model Prob > F = Residual R-squared = Adj R-squared = Total Root MSE = ys Coef. Std. Err. t P> t [95% Conf. Interval] xs _cons AL calcular el estadístico DW sobre los residuales del modelo transformado, aún existe autocorrelación positiva. No hubo éxito en la primera iteración (Durbin- Watson d-statistic( 2, 15) = ). Si corregimos con un proceso iterativo se tiene que el modelo no logra sortear este problema. prais y x, corc Iteration 0: rho = Iteration 1: rho = Iteration 2: rho = Iteration 3: rho = Iteration 4: rho = Iteration 5: rho = Iteration 6: rho = Iteration 7: rho = Iteration 8: rho = Iteration 9: rho = Iteration 10: rho = Iteration 11: rho = Iteration 12: rho = Iteration 13: rho = Iteration 14: rho = Iteration 15: rho = Iteration 16: rho = Iteration 17: rho = Cochrane-Orcutt AR(1) regression -- iterated estimates Source SS df MS Number of obs = F( 1, 12) = Model Prob > F = Residual R-squared = Adj R-squared = Total Root MSE = y Coef. Std. Err. t P> t [95% Conf. Interval] x _cons rho Durbin-Watson statistic (original) Durbin-Watson statistic (transformed) I 13
14 En un caso como este se proced con la corrección Newey wset newey y x, lag(1) Regression with Newey-West standard errors Number of obs = 15 maximum lag: 1 F( 1, 13) = Prob > F = Newey-West y Coef. Std. Err. t P> t [95% Conf. Interval] x _cons El analista inicia su trabajo graficando las series de tiempo pcocoa, pcoffe y ptea. De igual manera, elabora los diagramas de dispersión correspondientes. Las dos primeras series muestran evoluciones temporales muy parecidas no así la correspondiente a ptea. De los listados se puede ver que se estimaron 6 modelos. Los primeros tres consideran los modelos de regresión simple y uno múltiple y su estimación en términos doble logarítmicos (log-log). Modelo 1. pcocoa = b1 + b2 pcoffe + b3 ptea + u Modelo 2. pcocoa = b1 + b2 pcoffe + u Modelo 3. pcocoa = b1 + b2 ptea + u Modelo 4. lpcocoa = b1 + b2 lpcoffe + b3 lptea + u Modelo 5. lpcocoa = b1 + b2 lpcoffe + u Modelo 6. lpcocoa = b1 + b2 lptea + u A partir de estos modelos es posible evaluar la significancia estadística individual de los coeficientes en cada ecuación de regresión considerada. En términos generales, los predictores resultan ser altamente significativos en todos los modelos. El siguiente paso es la evaluación de los supuestos. Para ello se emplearon las pruebas siguientes: sktest para la normalidad de errores; Breusch-Pagan para la identificación de heteroscedasticidad; Durbin-Watson para autocorrelación y el índice de tolerancia (TOL) para la multicolinealidad. Finalmente, se considero un modelo que incluye como predictor a la variable dependiente con un rezago. Para esté último se utilizo el estadístico h-durbin para identificar autocorrelación I 14
Varianza 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 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 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 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 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 detallesEJERCICIOS 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 detallesMULTICOLINEALIDAD (Gujarati y Porter, Capítulo 10) Ejemplo de la sección donde
MULTICOLINEALIDAD (Gujarati y Porter, 2010. Capítulo 10) Ejemplo de la sección 10.10 Datos Longley obs Y X1 X2 X3 X4 X5 TIME 1947 60323 830 234289 2356 1590 107608 1 1948 61122 885 259426 2325 1456 108632
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 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 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 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 detallesESTADISTICA AVANZADA MODULO I
ESTADISTICA AVANZADA MODULO I Análisis de Regresión Modelo Supuestos Multiple 20.0 25.0 30.0 35.0 40.0 45.0 50.0 55.0 60.0 65.0 70.0 75.0 80.0 85.0 Consumo Energetico Gráfico de Dispersión 110.000 105.000
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 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 detallesEfecto de la cercanía a las estaciones de Subte y valor de la propiedad residencial en Buenos Aires
> Año 10 / Número 101 / Marzo 2011 Economía de las ciudades Efecto de la cercanía a las estaciones de Subte y valor de la propiedad residencial en Buenos Aires Un estudio según el modelo de valuación hedónico
Más detallesSOLUCIÄN DE LA PRIMERA PRÅCTICA CALIFICADA DE ECONOMETRIA II
UNIVERSIDAD NACIONAL DE PIURA FACULTAD DE ECONOMIA DPTO. ACAD. DE ECONOMIA SOLUCIÄN DE LA PRIMERA PRÅCTICA CALIFICADA DE ECONOMETRIA II 1Ä El investigador especifica el modelo siguiente: Donde: Se le pide:
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 detallesANALISIS ESTADISTICO MINISTERIO DE ECONOMIA Y FINANZAS
ANALISIS ESTADISTICO MINISTERIO DE ECONOMIA Y FINANZAS NOV 2015 PLAN DE ESTUDIO 1. ESTADISTICA DESCRIPTIVA 1. MEDIDAS DE TENDENCIA CENTRAL PRIMER MOMENTO 2. OTRAS MEDIDAS DE TENDENCIA CENTRAL 3. MEDIDAS
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 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 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 detallesANALISIS DE REGRESIÓN Y CORRELACIÓN LINEAL
ANALISIS DE REGRESIÓN Y CORRELACIÓN LINEAL Msc. Lácides Baleta Octubre 16 Página 1 de 11 REGRESIÓN Y CORRELACIÓN LINEAL Son dos herramientas para investigar la dependencia de una variable dependiente Y
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 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 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 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 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 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 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 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 detallesÍNDICE PRESENTACIÓN 1 I. INTRODUCCIÓN A LA ECONOMETRÍA... 4 CURRICULUM I.1. 4 Definición... I.2
ÍNDICE Pags. PRESENTACIÓN 1 I. INTRODUCCIÓN A LA ECONOMETRÍA... 4 CURRICULUM I.1 4 Definición... I.2 4 Propósito... 1.3 Evolución y Perspectivas de la Econometría... 4 1.4 Los Modelos Macroeconómicos más
Más detallesCAPÍTULO IV. DESARROLLO DE LA INVESTIGACIÓN. presente capítulo. A continuación se procederá a escribir la metodología y a describir el
CAPÍTULO IV. DESARROLLO DE LA INVESTIGACIÓN La información recabada en los capítulos anteriores servirá de base para la realización del presente capítulo. A continuación se procederá a escribir la metodología
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 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 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 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 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 detallesSOLUCIÓN DEL EXAMEN PARCIAL DE ECONOMETRIA II
UNIVERSIDAD NACIONAL DE PIURA FACULTAD DE ECONOMIA DPTO. ACAD. DE ECONOMIA SOLUCIÓN DEL EXAMEN PARCIAL DE ECONOMETRIA II 1º El investigador especifica el siguiente modelo: Se le pide: 1.1. Realice la prueba
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 detallesEstrategia de análisis estadístico de los datos. Inferencia Estadística y contraste de hipótesis
Estrategia de análisis estadístico de los datos. Inferencia Estadística y contraste de hipótesis VDC Prof. Mª JOSÉ PRIETO CASTELLÓ MÉTODOS ESTADÍSTICOS. TÉCNICAS ESTADÍSTICA DESCRIPTIVA TEORÍA DE LA PROBABILIDAD
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 detallesUNIVERSIDAD NACIONAL DE TRUJILLO ESCUELA PROFESIONAL DE ECONOMÍA APUNTES DE CLASE
UNIVERSIDAD NACIONAL DE TRUJILLO ESCUELA PROFESIONAL DE ECONOMÍA APUNTES DE CLASE CAPÍTULO 8: ANÁLISIS DE REGRESIÓN MÚLTIPLE: EL PROBLEMA DE LA INFERENCIA ECONOMETRÍA 2 WILHEM ROOSVELT GUARDIA VÁSQUEZ
Más detallesInformación sobre Gastos de Consumo Personal y Producto Interno Bruto ( ) en miles de millones de dólares de 1992.
Universidad Nacional Autónoma de Nicaragua UNAN-Managua Curso de Análisis y Diseño de Modelos Econométricos Profesor: MSc. Julio Rito Vargas Avilés. Participantes: Docentes /FAREM-Carazo Encuentro No.4
Más detallesINTRODUCCIÓN A REGRESIÓN LINEAL. Simple y Múltiple
1 INTRODUCCIÓN A REGRESIÓN LINEAL Simple y Múltiple 2 Introducción Aprendizaje Supervisado Predicción: estimar una función f(x) de forma que y = f(x) Donde Y puede ser: Número real: Regresión Categorías:
Más detallesSeminario Regional Proyecto: Fortaleciendo las Capacidades de Análisis de la Política Macroeconómica en Centroamérica y El Caribe
Estimación: de una Función de Demanda Mensual por Emisión Monetaria (1997-2004) para Honduras, mediante modelos Econométricos, serie de tiempo y Pronostico. Seminario Regional Proyecto: Fortaleciendo las
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 detallesEXAMEN ECONOMETRÍA I GRUPO 53 - DADE 8 de septiembre de 2005 Prof. Rafael de Arce
EXAMEN ECONOMETRÍA I GRUPO 53 - DADE 8 de septiembre de 005 Prof. Rafael de Arce NOMBRE: DNI: PARTE I.- TEST 1. La hipótesis de rango pleno en el MBRL supone: Que las variables explicativas no tengan ninguna
Más detallesSOLUCIÓN DE LA PRIMERA PRÁCTICA CALIFICADA DE ECONOMETRIA I
UNIVERSIDAD NACIONAL DE PIURA FACULTAD DE ECONOMIA SOLUCIÓN DE LA PRIMERA PRÁCTICA CALIFICADA DE ECONOMETRIA I 1º El investigador especifica el modelo siguiente: (7 puntos) M1(t) = a + b P(t) + c(0) PBI(t)
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 detallesSOLUCIÓN DEL EXAMEN PARCIAL DE ECONOMETRIA I
UNIVERSIDAD NACIONAL DE PIURA FACULTAD DE ECONOMIA SOLUCIÓN DEL EXAMEN PARCIAL DE ECONOMETRIA I 1º El investigador especifica los modelos siguientes: MODELO 1: IMP(t) = a + b IMP(t-1) + c IPM(t) + u(t)
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 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 detallesModelos Econométricos Lección 4. Estimación de una sola ecuación entre variables cointegradas (con mecanismo de corrección del error)
Modelos Econométricos Lección 4. Estimación de una sola ecuación entre variables cointegradas (con mecanismo de corrección del error) Presentado por Juan Muro Motivación Para entender en profundidad la
Más detallesDiseño de Experimentos
Diseño de Experimentos Tema 6. Validación de Supuestos JAIME MOSQUERA RESTREPO VERIFICACIÓN DE LA ADECUACIÓN DEL MODELO Los procedimientos estudiados son validos únicamente bajo el cumplimiento de 4 supuestos
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 detallesPruebas de diagnóstico, Cointegración, Modelos de corrección de errores, Test de cointegración de Johansen-Juselius y Pruebas de exogeneidad
Banco Central de Costa Rica Departamento de Investigación Económica DIE-NT-02-2008 SEMINARIO-TALLER TÓPICOS DE ECONOMETRIA APLICADA PARTE II Pruebas de diagnóstico, Cointegración, Modelos de corrección
Más detallesPRUEBAS INFORMALES DE NORMALIDAD PARA UN CONJUNTO UNIVARIADO DE MEDICIONES.
PRUEBAS INFORMALES DE NORMALIDAD PARA UN CONJUNTO UNIVARIADO DE MEDICIONES. La distribución normal es una de las distribuciones de muestreo más utilizadas en el trabajo estadístico. Si bien muchos datos
Más detalles(5 x 3) ( 3 x 5) ( 5 x 1) b1 335, ,3-26, ,59 b2 = 0, , ,8 12,85 = 2,94 b3-26,79 13,8 2, ,31
VENTAS PUBLIC. PRECIOS 1990 0, 0, 10 1991 1 0, 1992 2 0,8 199, 0,8 199 1, Y X U 0, 1 0, 10 U1 Modelo matricial con término constante 1 1 0, U2 (el vector de unos recoge ese término constante) 2 1 0,8 U,
Más detallesEconomía Aplicada. Modelos con variables dependiente binarias. Departamento de Economía Universidad Carlos III de Madrid
Economía Aplicada Modelos con variables dependiente binarias Departamento de Economía Universidad Carlos III de Madrid Ver Stock y Watson (capítulo 11) 1 / 28 Modelos con variables dependiente binarias:
Más detallesEvolución de las importaciones totales
ECUACIÓN DE DEMANDA POR IMPORTACIONES 1. Marco Teórico. La importancia del sector externo es innegable, sobre todo porque se trata de uno de los principales motores de crecimiento de la economía chilena.
Más detallesGEOESTADÍSTICA APLICADA
UNIVERSIDAD NACIONAL AUTÓNOMA DE MÉXICO GEOESTADÍSTICA APLICADA Tema: Análisis Exploratorio de Datos Instructores: Dr. Martín A. Díaz Viera (mdiazv@imp.mx) Dr. Ricardo Casar González (rcasar@imp.mx) 2009
Más detallesRegresión ponderada y falta de ajuste
Capítulo 4 Regresión ponderada y falta de ajuste 4.1. Introducción En este capítulo se presentan la regresión ponderada y la prueba de falta de ajuste como un conjunto adicional de herramientas usadas
Más detallesIntroducción a la Econometría
1Econometría Introducción a la Econometría -Que es la econometría - Por que una disciplina aparte? -Metodología de la econometría Planeamiento de la teoría o hipótesis Especificación del modelo matemático
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 detallesTUTORIAL PARA LA ESTIMACIÓN DE UN MODELO CON PRESENCIA DE AUTOCORRELACIÓN EN EASYREG. Julio César Alonso C.
TUTORIAL PARA LA ESTIMACIÓN DE UN MODELO CON PRESENCIA DE AUTOCORRELACIÓN EN EASYREG Julio César Alonso C. No. 16 Septiembre de 2008 APUNTES DE ECONOMÍA ISSN 1794-029X No. 16, Septiembre de 2008 Editor
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 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 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 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 detallesCointegración del Índice de Precios al Consumidor y Liquidez monetaria ( ). Venezuela.
Cointegración del Índice de Precios al Consumidor y Liquidez monetaria (1997-211). Venezuela. Informe Técnico. PC LC/FT. 2 de Octubre 212 Jhoner Perdomo Karen Tizado Resumen En la búsqueda de una variable
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 detallesTema 2: Estadística Bivariante Unidad 1: Correlación y Regresión
Estadística Tema 2: Estadística Bivariante Unidad 1: Correlación y Regresión Área de Estadística e Investigación Operativa Licesio J. Rodríguez-Aragón Octubre 2010 Contenidos...............................................................
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 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 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 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 detallesTema 10: Introducción a los problemas de Asociación y Correlación
Tema 10: Introducción a los problemas de Asociación y Correlación Estadística 4 o Curso Licenciatura en Ciencias Ambientales Licenciatura en Ciencias Ambientales (4 o Curso) Tema 10: Asociación y Correlación
Más detallesLos estimadores mínimo cuadráticos bajo los supuestos clásicos
Los estimadores mínimo cuadráticos bajo los supuestos clásicos Propiedades estadísticas e inferencia Mariana Marchionni marchionni.mariana@gmail.com Mariana Marchionni MCO bajo los supuestos clásicos 1
Más 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 detallesEstimación de la elasticidad de la curva de salarios en Bolivia
Estimación de la elasticidad de la curva de salarios en Bolivia Stefanie Rakela stefanierakela@gmail.com Rolando Gonzales rgonzales@udape.gob.bo Agosto, 2012 Antecedentes Se requiere una estimación de
Más detallesINFORME TÉCNICO PREVIO DE EVALUACIÓN DE SOFTWARE ESTADÍSTICO Y ECONOMÉTRICO Informe Nro DSIC
INFORME TÉCNICO PREVIO DE EVALUACIÓN DE SOFTWARE ESTADÍSTICO Y ECOMÉTRICO Informe Nro 11-2013-DC 1. MBRE DEL ÁREA Dirección de Sistemas de Información y Comunicación en CTeI (DC). 2. RESPONSABLE DE LA
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 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 detallesIntroducción a la Econometría Capítulo 4
Introducción a la Econometría Capítulo 4 Ezequiel Uriel Jiménez Universidad de Valencia Valencia, Septiembre de 2013 4.1 El contraste de hipótesis: una panorámica 4.2 Contraste de hipótesis utilizando
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 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 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 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 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 detallesANÁLISIS ESTADÍSTICO PRUEBA DE HIPOTESIS
ANÁLISIS ESTADÍSTICO PRUEBA DE HIPOTESIS Jorge Fallas jfallas56@gmail.com 2010 1 Temario Datos experimentales y distribuciones de referencia Una media poblacional Hipótesis nula, alternativa y nivel de
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 detallesCapítulo 6 Multicolinealidad Luis Quintana Romero. Econometría Aplicada Utilizando R
Capítulo 6 Multicolinealidad Luis Quintana Romero Objetivo Identificar la multicolinealidad en un modelo econométrico, así como las pruebas de detección de la multicolinealidad y correcciones. Introducción
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 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 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 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 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 detallesUNIVERSIDAD MAYOR DE SAN SIMON FACULTAD DE CIENCIAS ECONÓMICAS CARRERA INGENIERIA FINANCIERA
UNIVERSIDAD MAYOR DE SAN SIMON FACULTAD DE CIENCIAS ECONÓMICAS CARRERA INGENIERIA FINANCIERA INTEGRANTES: ORELLANA ALARCON DIEGO SEJAS PARDO ROBERTO MATRIA: DOCENTE: GRUPO: 07 FECHA: 08/07/2014 COCHABAMBA
Más detallesWalter Sosa Escudero. Universidad Nacional de Cordoba Econometría de Datos en Paneles. 19 de Mayo de 2004
Universidad Nacional de Cordoba Econometría de Datos en Paneles Walter Sosa Escudero (wsosa@udesa.edu.ar) Universidad de San Andres y UNLP 19 de Mayo de 2004 Econometria de Datos en Paneles Walter Sosa
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 detalles