I.- CONTRASTE LEVIN Y LIN DE RAÍCES UNITARIAS PARA DATOS DE PANEL CON HETEROGENEIDAD EN EL PATRÓN RESIDUAL
|
|
- Sebastián Casado Álvarez
- hace 6 años
- Vistas:
Transcripción
1 I.- COTRASTE LEVI Y LI DE RAÍCES UITARIAS PARA DATOS DE PAEL CO HETEROGEEIDAD E EL PATRÓ RESIDUAL I.A.- Introducción Tras su trabajo inicial de 992, Levin y Lin se centran un año después en el desarrollo de un test de raíces unarias para datos de panel que pueda integrar patrones residuales diferentes para los diferentes individuos de la muestra. Su procedimiento estará diseñado para evaluar la hipótesis nula de que cada individuo del panel exhibe una raíz unaria frente a la alternativa de estacionariedad conjunta. Una vez más se persigue que, dado que la hipótesis nula impone una restricción a lo largo de toda la dimensión transversal (todos los individuos tienen idénticos coeficientes de correlación parcial de primer orden), este test para datos de panel pueda ofrecer una potencia mayor que los aplicados sobre cada individuo separadamente. Este tipo de contrastes es especialmente recomendable allí donde los procedimientos ya existentes son menos potentes o de complejo desarrollo: los paneles de datos de dimensiones temporal y transversal moderadas. Así, si nos enfrentamos a un panel con una gran dimensión temporal (varios cientos de observaciones) y escasa transversal (unos 0 individuos), la aplicación de los tests tradicionales de series parece suficientemente adecuada, asumiendo patrones muy generales de correlación entre individuos. Del mismo modo, en el caso contrario, procedimientos ya existentes propios de los datos de panel (MaCurdy 982, Hsiao 986; Holtz- Eaking et al. 988, Breung y Meyer 994), son apropiados asumiendo, en este caso, patrones muy generales de correlación temporal individual. El procedimiento propuesto por estos autores es notablemente flexible, permiendo la máxima heterogeneidad entre individuos en muchos aspectos. Así, del mismo modo que sus desarrollos previos y en contraste con los trabajos previos de Breung y Meyer (994) y Quah (992) permen incorporar términos independientes y tendencias específicas pero, sobre todo, prevén que la varianza residual y el patrón de la correlaciones seriales de orden superior varíen libremente entre individuos. Es más, los tests propuestos permen detectar consistentemente Es decir, aquellos desarrollados sin considerar la presencia de autocorrelación residual.
2 hipótesis alternativas en las que los coeficientes de autocorrelación parcial varíen también entre individuos. A modo de resumen, y tal como ya ha quedado de manifiesto en apartados previos de esta Tesis, los autores encontrarán que los estimadores y test estadísticos poseen una interesante combinación de las propiedades asintóticas que han sido derivadas para los datos de panel estacionarios (normalidad asintótica e independencia de los términos deterministas), y aquellas que pueden encontrarse en la leratura tradicional de raíces unarias de series temporales (superconsistencia). I.B.- Formalización del procedimiento Se considera el proceso estocástico y para una serie de individuos i..., cada uno de los cuales se observa desde t...t. Se pretende determinar si ese proceso es integrado para cada individuo del panel. Recordemos que todos los individuos del panel, y esta es la única rigidez del procedimiento, compartirán una misma autocorrelación parcial de primer orden pero todos los demás parámetros que definen las perturbaciones del proceso pueden variar libremente de unos individuos a otros. Así, bajo la hipótesis nula, cada serie temporal individual tiene una raíz unaria, siguiendo la serie en diferencias un proceso ARMA estacionario. Bajo la hipótesis alternativa, el proceso y es estacionario sobre una tendencia para cada individuo del panel. Los tres modelos clásicos de proceso generador de datos para y y las hipótesis que se contrastan son las siguientes 2 : 2 Para resaltar la similud de la exposición de la parte inicial de este procedimiento con el caso individual del test DF, se ha respetado en esta sección la notación utilizada en el epígrafe correspondiente a la exposición del test DF del documento de trabajo sobre los Conceptos Básicos en Torno a la Estacionariedad en series Temporales que se acompaña como anexo a esta Tesis, aún a costa de renunciar a la utilizada por los autores en texto original y por mí mismo en otros apartados previos de esta tesis referidos a aportaciones de estos mismos autores.
3 (Tabla ) Modelos de contraste y definición de hipótesis para el test heterogéneo de Levin y Lin MODELO H0 H () γ i y + ε (La serie y tiene media cero para cada individuo del panel) (2) a0i + γ i y + ε (La serie y tiene media específica para cada individuo, pero no contiene tendencia temporal). γ i 0 para todo i,... γ i 0, a 0i 0 para todo i,... γ i <0 para todo i,... γ i <0, a 0i R para todo i,... (a) (3) a0i + ai t + γ i y + ε (La serie y tiene media y tendencia específica para cada individuo) γ i 0, a i 0 para todo i,... γ i <0, a i R para todo i,... (b) (a) (b) Bajo la hipótesis nula γ i 0, un valor no nulo de a 0i generaría una tendencia temporal en la serie en niveles (y ) ausente en el modelo teórico considerado para la misma. Bajo la hipótesis nula γ i 0, un valor no nulo de a i generaría una tendencia temporal cuadrática en la serie en niveles( y ) ausente en el modelo teórico considerado para la misma. La perturbación ε se distribuye de forma independientemente entre individuos y sigue un proceso ARMA estacionario e invertible para cada uno de ellos 3 : ε j 0 θ ij ε j + e cumpliendo las condiciones de presencia de órdenes finos, necesarias para la convergencia del procedimiento de Phillips (987) y Phillips-Perron (988) 4. 3 Asunción que se corresponde con las condiciones de Said y Dickey (994) para la convergencia de los procedimientos del test ADF. 4 La perturbación aleatoria presenta momentos finos de cuarto orden, la varianza innovacional está acotada en el cero en su lime inferior y la varianza en la frecuencia cero (o a largo plazo) está acotada superiormente en algún valor fino.
4 La construcción de los contrastes propuestos para este contexto puede abordarse completando las etapas que forman el siguiente esquema básico: Etapa.- Filtro de dependencia transversal Como ya se ha mencionado en otras partes de esta Tesis, los tests propuestos por estos y otros autores requieren que los datos hayan sido generados independientemente para el corte transversal considerado. Sin embargo, en un modelo de datos de panel estacionario, se perme la presencia de una limada dependencia en virtud de la presencia de efectos específicos de naturaleza temporal comunes a todos los individuos. La posible existencia de estos efectos en los datos observados obliga a filtrar los mismos mediante alguna transformación que no interfiera en la aplicación posterior de los estadísticos de contraste. La más simple, inocua, y común de las transformaciones de este tipo, capaz de eliminar factores comunes que tengan idéntico impacto en cada individuo del panel, consiste en sustraer a las series y las medias transversales calculadas conforme a la expresión 5 : y t i y A fin de simplificar la notación que se utilizará en el resto de etapas del procedimiento, se considerará que y es ya la serie filtrada de estos efectos temporales comunes entre individuos. Etapa 2.- Estimación, para cada individuo del panel, de las regresiones auxiliares ADF necesarias para construir posteriormente el test único de datos de panel La expresión de partida para el contraste de la raíz unaria en cada serie individual es la correspondiente a la forma convencional del test ADF: γ i y p i + β il L + ami d mt + ε L 5 Existen otras transformaciones más elaboradas que permen eliminar el efecto de patrones de correlación contemporánea más complejos. Algunas de ellas pueden observarse con detalle en Quah y Sargent (993).
5 como se observará, las novedades introducidas en la expresión para su adaptación al contexto en que nos movemos son las siguientes: El número de retardos de la variable en diferencias incluidos en la especificación (p i ) puede ser diferente para cada individuo considerado Los términos a mi y d mt no son más que representaciones abreviadas de los parámetros y variables deterministas que podemos incluir en el modelo de regresión. Así, d mt indica el vector de variables deterministas incluidas y a el vector de coeficientes para cada uno de los posibles modelos de partida propuestos en la tabla inicial m,2 ó 3. Por tanto, d t φ, d 2t {}y d 3t {,t}. En lugar de estimar en un solo paso la regresión anterior, pueden realizarse dos regresiones auxiliares: f p i L β il L, ami d mt, e y p i f β 2iL y L, a2mi d mt, v L computándose después: eˆ p i L βˆ a il L ˆ mi d mt vˆ p i y β ˆ 2iL L aˆ 2mi L d mt para estimar finalmente la ecuación: eˆ γ ˆ + ε iv El test de raíces unarias aplicado sobre el conjunto del panel partirá de la estimación de una ecuación análoga a la anterior para cada individuo i; así pues, llegados a este punto, tenemos un conjunto de valores de γ.
6 El test, impondrá la restricción de un mismo coeficiente γ bajo la nula y la alternativa. Por tanto, a fin de controlar la heterogeneidad entre individuos, antes de ser calculado ese estadístico global, se procede normalizando los componentes innovacionales estimados e así como el retardo ortogonalizado v - utilizando el error estándar de la regresión calculado como: ( e iv ) 2 σˆ ei ˆ γ T p i T t pi quedando: e e ˆ σˆ ei vˆ v σˆ ei Asintóticamente, las innovaciones e estarán independiente e idénticamente distribuidas para todos los individuos i,... y períodos temporales t,...t. La regresión final, para toda la muestra, podrá entonces expresarse así: e γ + ε v estimándose el parámetro γ por MCO como: γˆ T v e i t 2+ pi T v 2 i t 2+ pi sobre una muestra de T con: T ( T p ) y p i p i
7 para, finalmente calcular el estadístico t como: γˆ t γ ES( γˆ) donde: ˆ σ ε T i t 2+ pi ( e γˆ v ) T 2 ES( γˆ) ˆ σ ε T v 2 i t 2+ pi Etapa 3.- Corrección de la razón t para muestras pequeñas y modelos con componentes deterministas De modo análogo a los resultados revisados en los apartados previos, la convergencia asintótica de la razón t a una normal estándar requiere un ajuste del coeficiente calculado tanto en términos de media como de desviación típica. Efectivamente, el análisis de las propiedades asintóticas del test anterior llevado a cabo por Levin y Lin reflejó que, supuesto un crecimiento del orden del retardo ADF, p max, a una razón T P con 0<p /4 y del orden de truncamiento K a una razón T q con 0<q<, entonces bajo la hipótesis nula γ0 el test t tiene, para el modelo más sencillo, una distribución normal estándar, pero en presencia de tendencia determinista y término independiente, diverge a menos infino. En todo caso, además de lo anterior, la corrección es deseable en el espacio fino incluso para el caso del modelo más restringido. La corrección del parámetro t se apoya en el cálculo previo de la razón entre las desviaciones estándar a corto y largo plazo para cada individuo s i : σˆ sˆ i σˆ yi ei y el medio para el total de la muestra S
8 Sˆ ˆ s i i El cálculo de la varianza a largo plazo se realiza conforme a la expresión sugerida por Phillips (986) 6 : σ 2 yi T T K T wkl T t 2 L t 2+ L L 2 donde el término w KL representa la ponderación elegida para cada una de las autocovarianzas muestrales y para cuya selección debe observarse la precaución de no generar un valor negativo para el total del cálculo. Tal y como se desarrolla en el apartado correspondiente al test PP del documento de trabajo en torno al análisis de la estacionariedad en series temporales adjuntado como anexo a esta Tesis, Phillips (986) y Phillips y Perron (988) sugerían utilizar los pesos de Bartlett en línea con ewey y West (987): L w KL K + siendo K el orden de truncamiento (truncation lag) considerado 7. En el caso del modelo con tendencia debe observarse una precaución operativa importante. Antes de computar la varianza a largo plazo debe eliminarse la presencia de la tendencia reemplazándose los términos (y obviamente sus retardos) por la media del valor de para el individuo i. siendo 6 Si se compara esta expresión con la sugerida para el caso del test PP aplicado a las series temporales, podrá observarse que, en este caso, el autor opta por el cálculo de la varianza a partir de la variable en primeras diferencias, en lugar de utilizar los niveles. Esto se apoya en los resultados obtenidos por Schwert (989), que indicaban que, de esta forma, el sesgo cometido en muestras pequeñas es menor que el cometido si se utiliza el residuo de la regresión: uˆ y ρi y 7 En el caso del test PP aplicado a las series temporales, se sugería la recomendación de Schwert (987 y 989) tomando K (entonces l ) en función del número de datos según las expresiones: ˆ 4 4 T 2 T K ; K
9 Llegados a este punto, sólo cabe escribir la expresión final propuesta por los autores para el cálculo de la razón t corregida: ˆ 2 t ( ˆ) * γ TS σ ε ES γ γ * σ mt t µ * mt donde los parámetros de ajuste para la media y la varianza * µ T m y * σ T m se derivaron de simulaciones de Monte Carlo y se presentan tabulados en Levin y Lin (993) para cada uno de los tres procesos generadores de datos propuestos, una dimensiónt entre 25 y 250 observaciones y un parámetro K entre 9 y 20. La dimensión se fijó en 250 en todos para el cálculo de los factores de ajuste.
10
Econometría 2. Modelos no estacionarios y contrastes de raíz unitaria = 0 8. (0 4) 1 +, (0 2 ), y valores críticos
Econometría 2 Modelos no estacionarios y contrastes de raíz unitaria 1. Cuál de las siguientes afirmaciones es verdadera? (a) Un proceso I(1) es un camino aleatorio; (b) Un camino aleatorio es un ruido
Más detallesEconometría II Grado en finanzas y contabilidad
Econometría II Grado en finanzas y contabilidad Variables aleatorias y procesos estocásticos. La FAC y el correlograma Profesora: Dolores García Martos E-mail:mdgmarto@est-econ.uc3m.es Este documento es
Más detallesEconometría II Grado en finanzas y contabilidad
Econometría II Grado en finanzas y contabilidad Metodología Box-Jenkins Profesora: Dolores García Martos E-mail:mdgmarto@est-econ.uc3m.es Este documento es un resumen/modificación de la documentación elaborada
Más detallesECONOMETRÍA II Prof.: Begoña Álvarez TEMA 1 INTRODUCCIÓN. Estimación por máxima verosimilitud y conceptos de teoría asintótica
ECONOMETRÍA II Prof.: Begoña Álvarez 2007-2008 TEMA 1 INTRODUCCIÓN Estimación por máxima verosimilitud y conceptos de teoría asintótica 1. ESTIMACIÓN POR MÁXIMA VEROSIMILITUD (MAXIMUM LIKELIHOOD) La estimación
Más detallesModelado y simulación en Ingeniería Química. Manuel Rodríguez
ÍNDICE Modelos de caja gris Calibración de modelos Estimación de parámetros Análisis de la estimación Regresión no lineal 1. Modelos de caja gris Son modelos de un sistema (o proceso), donde: Desarrollados
Más detallesCurso de Predicción Económica y Empresarial Edición 2004
Curso de Predicción Económica y Empresarial www.uam.es/predysim Edición 2004 UNIDAD 3: MODELOS ARIMA Ejercicio 1: Aplicación de los test de detección de raíces unitarias en EViews Solución A) IDENTIFICACIÓN
Más detallesAgro 6998 Conferencia 2. Introducción a los modelos estadísticos mixtos
Agro 6998 Conferencia Introducción a los modelos estadísticos mixtos Los modelos estadísticos permiten modelar la respuesta de un estudio experimental u observacional en función de factores (tratamientos,
Más detallesEconometría dinámica y financiera
Econometría dinámica y financiera Introducción a la econometría financiera. Modelos ARCH Profesora: Dolores García Martos E-mail:mdgmarto@est-econ.uc3m.es Introducción Los modelos que hemos visto son lineales
Más detallesTM 4. PROBLEMAS FRECUENTES PROVOCADOS POR LOS DATOS ECONOMICOS. 1. MULTICOLINEALIDAD: CONCEPTO Y TIPOS.
TM 4. PROBLEMAS FRECUENTES PROVOCADOS POR LOS DATOS ECONOMICOS. 1. MULTICOLINEALIDAD: CONCEPTO Y TIPOS.. CÓMO DETECTAR Y MEDIR EL GRADO DE MULTICOLINEALIDAD. 3. SOLUCIONES: CÓMO AFRONTAR EL PROBLEMA EN
Más detallesGeneralmente, el objetivo de cualquier estudio de econometría es la. búsqueda de relaciones matemáticas que permitan explicar el comportamiento
5. METODOLOGÍA ECONOMÉTRICA. Generalmente, el objetivo de cualquier estudio de econometría es la búsqueda de relaciones matemáticas que permitan explicar el comportamiento de una variable económica a partir
Más detallesAnálisis de la Varianza
Análisis de la Varianza Prof. Susana Martín n Fernández ndez Índice Análisis de la Varianza de un Factor Análisis de la Varianza de dos Factores Análisis de la Varianza de dos Factores con Interacción
Más detallesMacroeconometría ( ) Examen final
Macroeconometría (2004 2005) Examen final Nikolas Müller-Plantenberg * 15 de junio de 2005 Nombre: Apellido: NIF: Instrucciones Por favor, no leer las preguntas antes de que la profesora lo indique. Hay
Más detallesNombre y Apellidos:... EXAMEN ECONOMETRÍA II (Enero 2010)
Nombre y Apellidos:... NIU:... Grupo:... EXAMEN ECONOMETRÍA II (Enero 2010) Lea cuidadosamente cada pregunta. Marque muy claramente la respuesta de cada pregunta en la hoja de respuestas. Observe que los
Más detallesANÁLISIS DE LAS SERIES DE TIEMPO - NIVEL II
ANÁLISIS DE LAS SERIES DE TIEMPO - NIVEL II Introducción: Este curso está orientado a formar una base en el análisis de las series temporales que brindará las bases para desenvolverse con gran calidad
Más detallesEconometría II Grado en finanzas y contabilidad
Econometría II Grado en finanzas y contabilidad Modelos con variables cointegradas. Regresiones espurias. Cointegración. Contrastes de cointegración Profesora: Dolores García Martos E-mail:mdgmarto@est-econ.uc3m.es
Más detallesD to de Economía Aplicada Cuantitativa I Basilio Sanz Carnero
D to de Economía Aplicada Cuantitativa I Basilio Sanz Carnero INTRODUCCIÓN El problema de medir relaciones económicas a largo plazo (regresión entre variables económicas en niveles o no estacionarias)
Más detallesMáster en comunicaciones. Clase 2. Modelos predictores.
Máster en comunicaciones. Clase 2. Modelos predictores. 1. Introducción Uno de los cometidos más importantes de la estadística es la explotación de los datos observados de una o más características de
Más detallesMétodos Estadísticos para Economía y Gestión IN 540 Clase 7
Métodos Estadísticos para Economía y Gestión IN 540 Clase 7 Perturbaciones no Esféricas 17 de junio de 2010 1 Preliminares Matriz de Varianzas y Covarianzas cuando ɛ t es un AR(1) Naturaleza y causas de
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 detallesTema 2: Modelos probabilísticos de series
Tema 2: Modelos probabilísticos de Tema 2: Modelos probabilísticos de 1 2 3 4 5 6 Definición Un proceso estocástico con conjunto de índices T es una colección de variables aleatorias {X t } t T sobre (Ω,
Más detallesincendios forestales para el periodo de estudio. El software E-Views 9 es utilizado para las
23 Capítulo 4: Resultados y análisis Para esta investigación, se necesita obtener las series de tiempo; tanto de los precios de cierre del IPC, como de los desastres naturales de tipo hidrometeorológico,
Más detallesCURSO: ECONOMETRÍA Y ANÁLISIS DE POLÍTICAS FISCALES INSTRUCTOR: HORACIO CATALÁN ALONSO. Especificación de los modelos VAR
CURSO: ECONOMETRÍA Y ANÁLISIS DE POLÍTICAS FISCALES INSTRUCTOR: HORACIO CATALÁN ALONSO Especificación de los modelos VAR Modelos VAR es una extensión de un AR(p) Permiten un mejor entendimiento de la
Más detallesSoluciones Examen Final de Econometría Universidad Carlos III de Madrid 26 de Mayo de 2015
Soluciones Examen Final de Econometría Universidad Carlos III de Madrid 26 de Mayo de 2015 Conteste todas las preguntas en dos horas y media. Pregunta 1 (33 puntos: Un investigador está considerando las
Más detallesPRACTICAS SOBRE LA MODELIZACIÓN DE SERIES TEMPORALES MENSUALES CON LA METODOLOGÍA DE BOX-JENKINS
PRACTICAS SOBRE LA MODELIZACIÓN DE SERIES TEMPORALES MENSUALES CON LA METODOLOGÍA DE BOX-JENKINS Preparado por Dolores García Martos FICO GR 21 Guía para seleccionar el orden de un proceso autorregresivo
Más detallesNombre y Apellidos:... EXAMEN ECONOMETRÍA II (Septiembre 2010)
Nombre y Apellidos:... NIU:... Grupo:... EXAMEN ECONOMETRÍA II (Septiembre 2010) Lea cuidadosamente cada pregunta. Marque muy claramente la respuesta de cada pregunta en la hoja de respuestas. Observe
Más detallesperiodos de tiempo de las variables de interés (véase Salas, 1990). Las series de tiempo son
IV. Metodología IV.1 Series de tiempo La información de las series de tiempo se obtiene con la observación a través de diferentes periodos de tiempo de las variables de interés (véase Salas, 1990). Las
Más detallesLADE y DER-LADE. Primer evaluación parcial
ECONOMETRÍA II CURSO 2007 LADE y DER-LADE Primer evaluación parcial 1. Considere la variable y t para el proceso y t = c + φ y t 1 + a t, donde a t es un ruido blanco. Suponga para φ los valores φ = 0.3
Más detallesD to de Economía Aplicada Cuantitativa I Basilio Sanz Carnero
D to de Economía Aplicada Cuantitativa I Basilio Sanz Carnero Tendencia estocástica y determinista Una serie de tiempo tiene tendencia estocástica (o también denominadas estacionarias en diferencias) cuando
Más detallesy sus propiedades estadísticas. A lo largo del tiempo varios autores como Akgiray (1989),
14 Capítulo 3: Metodología Mandelbrot (1963) fue el pionero en estudiar la naturaleza de las series de tiempo financieras y sus propiedades estadísticas. A lo largo del tiempo varios autores como Akgiray
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 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 detallesProcesos autorregresivos
Capítulo 3 Procesos autorregresivos Los procesos autorregresivos deben su nombre a la regresión y son los primeros procesos estacionarios que se estudiaron. Proceso autorregresivo: Un proceso autorregresivo
Más detallesUNIVERSIDAD NACIONAL AUTÓNOMA DE MÉXICO FACULTAD DE ECONOMÍA DIVISIÓN DE ESTUDIOS PROFESIONALES
UNIVERSIDAD NACIONAL AUTÓNOMA DE MÉXICO FACULTAD DE ECONOMÍA DIVISIÓN DE ESTUDIOS PROFESIONALES (DEPARTAMENTO DE INSTRUMENTALES Y ECONOMÍA DE LA EMPRESA) Análisis de Riesgos y Portafolios de Inversión
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 detallesConceptos básicos de inferencia estadística (IV): Inferencia no paramétrica: Contrastes de aleatoriedad.
Conceptos básicos de inferencia estadística (IV): Inferencia no paramétrica: Contrastes de aleatoriedad. Tema 1 (IV) Estadística 2 Curso 08/09 Tema 1 (IV) (Estadística 2) Contrastes de aleatoriedad Curso
Más detallesEstadística para la Economía y la Gestión IN 3401 Clase 5
Estadística para la Economía y la Gestión IN 3401 Clase 5 Problemas con los Datos 9 de junio de 2010 1 Multicolinealidad Multicolinealidad Exacta y Multicolinealidad Aproximada Detección de Multicolinealidad
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 detallesSesión 3 Análisis de series de tiempo multiecuacional. 8. Cointegración y modelos de corrección de errores
Banco Central de Reserva del Perú 55º Curso de Extensión Universitaria Sesión 3 Análisis de series de tiempo multiecuacional 8. Cointegración y modelos de corrección de errores 8.. Cuándo podemos hablar
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 detallesPráctica 5: cointegración
Práctica 5: cointegración Los datos provienen de: http://www.econ.kuleuven.ac.be/gme/ Para leer más sobre este ejemplo, ver Marno Verbeek, A guide to Modern Econometrics (sections 8.5, 9.3). En esta práctica,
Más detallesMás Allá del Modelo de Regresión Lineal. Dante A. Urbina
Más Allá del Modelo de Regresión Lineal Dante A. Urbina CONTENIDOS 1. Modelos de Regresión No Lineales 2. Modelos de Respuesta Cualitativa 3. Datos de Panel 4. Modelos Autorregresivos y de Rezagos 5. Modelos
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 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 detallescon los supuestos clásicos, uno de ellos es que ninguna de las variables X 1, X 2,, X K es
TEMA 2: EXTENSIONES DEL MODELO DE REGRESIÓN LINEAL MÚLTIPLE: MULTICOLINEALIDAD Y TRANSFORMACIONES LINEALES. Wooldridge: Capítulos 6 (apartado 6.1) y 7 Gujarati: Capítulos 9 (apartado 9.8), 10 y 12 1. MULTICOLINEALIDAD
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 detallesTendencias y ciclos en las variables macroeconómicas
. Tendencias y ciclos en las variables macroeconómicas Rafael Doménech Temas de Análisis Macroeconómico. Tema 2 1/30 Introducción Necesitamos una estimación que permita extraer el comportamiento tendencial
Más detallesTema 5: Calibración de modelos. Modelado y simulación en Ingeniería Química. Manuel Rodríguez
Tema 5: Calibración de modelos ÍNDICE Modelos de caja gris Calibración de modelos Estimación de parámetros Análisis de la estimación Regresión no lineal 1. Modelos de caja gris Son modelos de un sistema
Más detallesEJERCICIO T1 NOMBRE: Correctas Incorrectas En Blanco Puntos
ECONOMETRÍA EJERCICIO T1 APELLIDOS: NOMBRE: FIRMA: GRUPO: DNI: Pregunta 1 A B C En Blanco Pregunta A B C En Blanco Pregunta 3 A B C En Blanco Pregunta 4 A B C En Blanco Pregunta 5 A B C En Blanco Pregunta
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 1. Karoll GOMEZ Segundo semestre 2017
Econometría 1 Karoll GOMEZ kgomezp@unal.edu.co http://karollgomez.wordpress.com Segundo semestre 2017 II. El modelo de regresión lineal Esperanza condicional I Ejemplo: La distribución de los salarios
Más detallesEstadística II Ejercicios Tema 5
Estadística II Ejercicios Tema 5 1. Considera los cuatro conjuntos de datos dados en las transparencias del Tema 5 (sección 5.1) (a) Comprueba que los cuatro conjuntos de datos dan lugar a la misma recta
Más detallesEconometría II Grado en finanzas y contabilidad
Econometría II Grado en finanzas y contabilidad Procesos autorregresivos Profesora: Dolores García Martos E-mail:mdgmarto@est-econ.uc3m.es Este documento es un resumen/modificación de la documentación
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 detallesGUIÓN TEMA 2. PROPIEDADES DE LOS ESTIMADORES MCO 2.1 PROPIEDADES ESTADÍSTICAS DEL ES- TIMADOR MCO DE.
ECONOMETRIA I. Departamento de Fundamentos del Análisis Económico Universidad de Alicante. Curso 011/1 GUIÓN TEMA. PROPIEDADES DE LOS ESTIMADORES MCO Bibliografía apartados.1,. y.3: Greene, 6.6.1, 6.6.3
Más detallesSeries de Tiempo. Pablo Flores. Universidad Iberoamericana 1 de noviembre de 2016
Series de Tiempo Pablo Flores Universidad Iberoamericana paflores@bcie.org 1 de noviembre de 2016 Pablo Flores (UNIBE) Short title 1 de noviembre de 2016 1 / 12 Sumario Definición. Ejemplos Pablo Flores
Más detallesEconometría Avanzada FLACSO 2014
Econometría Avanzada FLACSO 2014 Hemos cubierto: Mapa Planteamiento de una pregunta económica de interés Diferencias entre econometría y estadística Métodos: Lineales (MCO) revisión, variables instrumentales
Más detallesEconometría 1. Karoll GOMEZ Segundo semestre 2017
Econometría 1 Karoll GOMEZ kgomezp@unal.edu.co http://karollgomez.wordpress.com Segundo semestre 2017 II. El modelo de regresión lineal Esperanza condicional I Ejemplo: La distribución de los salarios
Más detallesAnálisis de la Varianza
Análisis de la Varianza El Análisis de la Varianza -ANOVA- es una herramienta del área de la inferencia estadística, utilizada en las investigaciones científico-técnicas. Objetivo: probar hipótesis referidas
Más detallesHerramientas para el Estudio de Mercado. Técnicas de Predicción.
Herramientas para el Estudio de Mercado Proyecciones Económicas Técnicas de Predicción. Profesor: Exaú Navarro Pérez Técnicas de Predicción. Introducción. Técnicas Elementales de Predicción. Modelo Econométrico.
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 detallesTaller I Econometría I
Taller I Econometría I 1. Considere el modelo Y i β 1 + ɛ i, i 1,..., n donde ɛ i i.i.d. N (0, σ 2 ). a) Halle el estimador de β 1 por el método de mínimos cuadrados ordinarios. Para realizar el procedimiento
Más detallesEconometría de series de tiempo aplicada a macroeconomía y finanzas
Econometría de series de tiempo aplicada a macroeconomía y finanzas Series de Tiempo no Estacionarias Carlos Capistrán Carmona ITAM Tendencias Una tendencia es un movimiento persistente de largo plazo
Más detallesTema 4. Regresión lineal simple
Tema 4. Regresión lineal simple Contenidos El objeto del análisis de regresión La especificación de un modelo de regresión lineal simple Estimadores de mínimos cuadrados: construcción y propiedades Inferencias
Más detallesEconometría. Ejercicio 5 - Resuelto
Econometría Ejercicio 5 Resuelto E ESTE EJERCICIO SE ILUSTRA LAS FÓRMULAS Y LOS CÁLCULOS ASOCIADOS CO LA ESTIMACIÓ, EL COTRASTE DE HIPÓTESIS Y LA PREVISIÓ E MODELOS DE REGRESIÓ LIEAL MÚLTIPLE ES MUY IMPORTATE
Más detalles1. Mínimos Cuadrados. 05-Mínimos Cuadrados.doc 1
. Mínimos Cuadrados. Mínimos Cuadrados.. Introducción 2.2. Método de Mínimos Cuadrados 2... Forma Recursiva: 4..2. Inclusión del Factor de Olvido. 5.3. Características Estadísticas de la Estimación 8..3.
Más detallesTEMA 2: Estimadores y distribuciones en el muestreo. Alfredo García Hiernaux. Grupos 69 y 73 Estadística I. Curso 2006/07
TEMA 2: Estimadores y distribuciones en el muestreo 1) Introducción 2) Tipos de muestreos 3) Estadísticos INDICE 4) Estimadores y propiedades 5) Distribución muestral 6) Teorema Central del Límite 7) Distribuciones
Más detallesPart III. Modelos Box-Jenkins. Series de Tiempo. Germán Aneiros Pérez. Introducción. Procesos ARMA: Procesos ARIMA:
Part III Modelos Box-Jenkins Bibliografía Bibliografía Brockwell, P.J. y Davis, R.A. (2002). Introduction to Time Series and Forecasting. 2 a edición. Springer. Cowpertwait, P.S.P. y Metcalfe, A.V. (2009).
Más detallesHoja de Ejercicios 3 El modelo de regresión lineal múltiple
Hoja de Ejercicios 3 El modelo de regresión lineal múltiple Nota: En aquellos ejercicios en los que se incluyen estimaciones y referencia al archivo de datos utilizado, el estudiante debería comprobar
Más 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 detallesCurso de Predicción Económica y Empresarial Edición 2004
Curso de Predicción Económica y Empresarial www.uam.es/predysim Edición 24 UNIDAD 4: TÉCNICAS AVANZADAS DE PREDICCIÓN Ejercicio 2: Contraste de cointegración y estimación de un modelo VEC en EViews Solución
Más detallesTEMA 3 M O D E L O S U N I V A R I A N T E S L I N E A L E S
TEMA 3 M O D E L O S U N I V A R I A N T E S L I N E A L E S Motivación El proceso de construcción de un modelo univariante ARIMA se basa en un procedimiento iterativo en el que el conocimiento de las
Más detallesRelación de Problemas. Tema 5
Relación de Problemas. Tema 5. Supongamos que tenemos una muestra aleatoria simple de tamaño n de una v.a. X que sigue una distribución geométrica con función de probabilidad P (X = k) = p( p) k Calcular
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 detallesPrueba de Hipótesis. Para dos muestras
Prueba de Hipótesis Para dos muestras Muestras grandes (n mayor a 30) Utilizar tabla Z Ho: μ1 = μ2 H1: μ1 μ2 Localizar en valor de Zt en la tabla Z Error estándar de la diferencia de medias Prueba de
Más detalles5.5 Modelo de regresión. se especificó en los términos siguientes: (6.3.1) 1,2,3,..N. Donde:
5.5 Modelo de regresión El modelo de regresión lineal que se aplicó para explicar la relación entre producción antigüedad, edad, capital humano, apiarios y camioneta de los apicultores nayaritas se especificó
Más detallesESTADÍSTICA I Tema 2: Algunas ideas básicas sobre inferencia estadística. Muestreo aleatorio
ESTADÍSTICA I Tema 2: Algunas ideas básicas sobre inferencia estadística. Muestreo aleatorio Muestra aleatoria Conceptos probabiĺısticos básicos El problema de inferencia Estadísticos. Media y varianza
Más detallesTEST DE RAZÓN DE VEROSIMILITUD GENERALIZADA
TEST DE RAZÓN DE VEROSIMILITUD GENERALIZADA JUAN C. MANRÍQUEZ 1, LUIS CID 2 y MARCELA VALDEZ 3 1 Universidad del Bío Bío, Facultad de Ciencias, Departamento de Matemáticas jcmanriq@ubiobio.cl 2 Universidad
Más detallesPROPIEDADES DEL ESTIMADOR MCO
TEMA 3 PROPIEDADES DEL ESTIMADOR MCO S. Álvarez, A. Beyaert, M. Camacho, M. González, A. Quesada Departamento de Métodos Cuantitativos para la Economía y la Empresa Econometría (3º GADE) Lo que estudiaremos
Más detallesEconometría II. Hoja de Problemas 4
Econometría II. Hoja de Problemas 4 1. Analice si los siguientes procesos son estacionarios y, cuando lo sean, determine la media, la varianza y la función de autocovarianzas. a) v t = ε 1t +tε 2t, siendo
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 detallesCurso de Estadística con R: Nivel Medio
Curso de Estadística con R: Nivel Medio Prof. Vanesa Jordá Departamento de Economía Facultad de Ciencias Económicas y Empresariales Universidad de Cantabria Índice Introducción Contrastes de hipótesis
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 detallesTEMA 6. Modelos para Datos de Panel
TEMA 6. Modelos para Datos de Panel Profesor: Pedro Albarrán Pérez Universidad de Alicante. Curso 2010/2011. Contenido 1 Introducción 2 Modelos estáticos Modelo con Efectos Individuales: Fijos y Aleatorios
Más detallesANALISIS FACTORIAL. Jorge Galbiati R.
ANALISIS FACTORIAL Jorge Galbiati R El análisis factorial es un modelo matamático que pretende explicar la correlación entre un conjunto grande de variables observadas y un pequeño conjunto de factores
Más detallesBLOQUE III: INFERENCIA ESTADISTICA. X, variable aleatoria de interés sobre una determinada población
BLOQUE III: INFERENCIA ESTADISTICA TEMA 8. MUESTREO Y DISTRIBUCIONES DE MUESTREO 1. Introducción a la Inferencia Estadística X, variable aleatoria de interés sobre una determinada población Observar el
Más detalles, desviación típica de los datos del proceso
78 donde, LSE, límite superior de especificación µ σ, media de los datos del proceso, desviación típica de los datos del proceso Si el CPU >= entonces el proceso es capaz, caso contrario el proceso no
Más detallesPrácticas Tema 4: Modelo con variables cualitativas
Prácticas Tema 4: Modelo con variables cualitativas Ana J. López y Rigoberto Pérez Departamento de Economía Aplicada. Universidad de Oviedo PRACTICA 4.1- Se dispone de información sobre 16 familias sobre
Más detallesFolleto de Estadísticas. Teoría del 2do Parcial
Folleto de Estadísticas Teoría del 2do Parcial 2012 Variables aleatorias conjuntas continuas: Sean X y Y dos variables aleatorias continuas con ellas se asocia una función denominada función de densidad
Más detallesTema 4. El Modelo de Regresión Lineal con Series Temporales.
Tema 4. El Modelo de Regresión Lineal con Series Temporales. En este tema, estudiaremos en detalle la estimación e inferencia del modelo de regresión con datos de series temporales. Dadas las diferencias
Más detallesTÉCNICAS ECONOMÉTRICAS PARA PROYECCIONES DE INGRESOS UTLIZANDO EVIEWS. Sesión n 5: Análisis de Series de Tiempo y Estacionariedad
TÉCNICAS ECONOMÉTRICAS PARA PROYECCIONES DE INGRESOS UTLIZANDO EVIEWS Sesión n 5: Análisis de Series de Tiempo y Estacionariedad Patrick Grady Globa Economics Ltd. Análisis de Series de Tiempo Introducción
Más detallesModelo de regresión múltiple: estimación, inferencia y predicción Concepto de econometría...
Capítulo1 Capítulo Modelo de regresión múltiple: estimación, inferencia y predicción... 1.1 Conceptos: Los datos en econometría """"""""""""""""""""'" 1.1.1 Concepto de econometría... 1.1. Estructuras
Más detallesModelación estadística: La regresión lineal simple
Modelación estadística: La regresión lineal simple Gabriel Cavada Ch. 1 1 División de Bioestadística, Escuela de Salud Pública, Universidad de Chile. Statistical modeling: Simple linear regression Cuando
Más detallesSelección Diseño de Cribado
Selección Diseño de Cribado Resumen La sección diseño experimental del STATGRAPHICS puede crear una amplia variedad de diseños dirigidos a mostrar los factores más importantes que afectan un proceso. Se
Más detallesANEXO 3-A LA LECTURA DE UNA ESPECIE DE COMPUTADORA
ANEXO 3-A LA LECTURA DE UNA ESPECIE DE COMPUTADORA La presente sección busca echar un vistazo en el mundo del análisis de regresión. Presentamos, pues, tres extractos de salidas de computadora que provienen
Más detalles5. Estimación del Modelo y Resultados
5. Estimación del Modelo y Resultados 5.1. Forma reducida del modelo Como no se tienen datos sobre la tasa natural de desempleo, es necesario hacer una forma reducida del modelo para poder estimarlo utilizando
Más detallesTEMA 3: PROPIEDADES DEL ESTIMADOR MCO
TEMA 3: PROPIEDADES DEL ESTIMADOR MCO S. Álvarez, A. Beyaert, M. Camacho, M. González, A. Quesada Departamento de Métodos Cuantitativos para la Economía y la Empresa Econometría (3º GADE) Lo que estudiaremos
Más detallesFundamentos del Análisis Econométrico. Dante A. Urbina
Fundamentos del Análisis Econométrico Dante A. Urbina Qué es la Econometría? Etimológicamente Econometría significa medición de la economía. En ese contexto, la Econometría es la aplicación de métodos
Más detallesECONOMETRÍA I. Tema 4: El Modelo de Regresión Lineal Múltiple: inferencia y validación
ECONOMETRÍA I Tema 4: El Modelo de Regresión Lineal Múltiple: inferencia y validación Patricia Moreno Juan Manuel Rodriguez Poo Alexandra Soberon Departamento de Economía Alexandra Soberon (UC) ECONOMETRÍA
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 detalles