PRÁCTICA 05 HETEROCEDASTICIDAD, SELECCIÓN DE REGRESORES Y PREDICCIÓN
|
|
- Aurora Salas Vargas
- hace 5 años
- Vistas:
Transcripción
1 PRÁCTICA 05 HETEROCEDASTICIDAD, SELECCIÓN DE REGRESORES Y PREDICCIÓN Se pretende seleccionar un modelo, para las empresas de un determinado sector económico, que explique el gasto que éstas tienen en formación profesional de sus trabajadores. Con este propósito se han obtenido datos de las siguientes variables para 150 empresas en el año 2004: FORMA: Gasto en miles de euros que las empresas dedican a la formación profesional de sus trabajadores. INGRE: Ingresos de las empresas en miles de euros. TRABA: Nº de trabajadores de las empresas. PRODU: Índice de productividad de los trabajadores. ANTIG: Años de antigüedad de la empresa. De esta manera, el modelo inicialmente especificado ha sido el siguiente: FORMA = β + β INGRE + β TRABA + β PRODU + β ANTIG + U (1) i 1 2 i 3 i 4 i 5 i i A partir de la base de datos aportada contesta a las siguientes preguntas: 1.- Estima el modelo (1) por Mínimos Cuadrados Ordinarios (MCO). 2.- Contrasta la existencia de heterocedasticidad en el modelo (1) estimado por MCO mediante el contraste de White. 3.- Estima el modelo (1) por Mínimos Cuadrados Ponderados (MCP). 4.- Realiza una selección de regresores en el modelo (1) y contrasta la existencia de heterocedasticidad en el modelo obtenido. 5.- Una vez se ha realizado la selección de regresores, obtén la predicción extramuestral puntual y por intervalos para 10 observaciones de la muestra. Evalúa, asimismo, la capacidad predictiva extra-muestral. 1
2 SOLUCIÓN 1.- Estima el modelo (1) por Mínimos Cuadrados Ordinarios (MCO). Los resultados de la estimación MCO del modelo (1) se presentan a continuación: Tabla 1. Estimación MCO del modelo (1). Dependent Variable: FORMA INGRE TRABA PRODU ANTIG C R-squared Mean dependent var Adjusted R-squared S.D. dependent var S.E. of regression Akaike info criterion Sum squared resid Schwarz criterion Log likelihood F-statistic Durbin-Watson stat Prob(F-statistic) De esta estimación podemos destacar las siguientes consideraciones: - La bondad del ajuste es aceptable con un coeficiente de determinación del %. El contraste global de la F rechaza claramente la hipótesis nula conjunta de igualdad a cero de todos los coeficientes de las variables explicativas. - Sólo el coeficiente de la variable INGRE es significativamente distinto de cero, con un coeficiente positivo. El resto de los coeficientes no pasan el contraste de significatividad individual. 2.- Contrasta la existencia de heterocedasticidad en el modelo (1) estimado por MCO mediante el contraste de White. En el EViews se pueden encontrar dos alternativas para el contraste de White; sin términos cruzados (no cross terms) y con términos cruzados (cross terms). En el primer caso no se incluye en el regresión auxiliar que utiliza el contraste el producto dos a dos de las variables explicativas del modelo, lo que sí ocurre en el segundo caso. La secuencia de opciones que se debe realizar en el EViews para realizar el contraste de White, una vez se ha estimado el modelo por MCO, es la siguiente: 2
3 o View/Residual Tests/White Heteroskedasticity (no cross terms) View/Residual Tests/White Heteroskedasticity (cross terms) El resultado que muestra el EViews, tanto para el contraste de White sin términos cruzados como con términos cruzados, se encuentra en la tabla 2 y 3, respectivamente. Tabla 2. Contraste de heterocedasticidad de White sin términos cruzados. F-statistic Probability Obs*R-squared Probability Test Equation: Dependent Variable: RESID^2 C INGRE INGRE^ TRABA TRABA^ PRODU PRODU^ ANTIG ANTIG^ R-squared Mean dependent var Adjusted R-squared S.D. dependent var S.E. of regression Akaike info criterion Sum squared resid 3.39E+10 Schwarz criterion Log likelihood F-statistic Durbin-Watson stat Prob(F-statistic) La hipótesis nula conjunta del contraste de White iguala a cero todos los coeficientes de la regresión auxiliar excepto la constante. El estadístico de White se obtiene como el 2 producto de NR i, que bajo la hipótesis nula sigue una distribución χ 2 con p grados de libertad, siendo p el número de coeficientes (excluida la constante) de la regresión auxiliar utilizada 1. Tal y como se puede ver en las dos alternativas del contraste de White (tabla 2 y 3), los 2 estadísticos de contrastes son: y que se distribuyen como una χ de 8 y 14 grados de libertad, respectivamente. En ambos casos se rechaza la hipótesis de homocedasticidad con especial contundencia; el valor del p-value es igual a cero en 1 En la salida del EViews también se incluye el estadístico F para el caso de muestras pequeñas. El estadístico de White es válido para muestras grandes. Ambos estadísticos son asintóticamente equivalentes. 3
4 ambas alternativas. También, en estas tablas se presenta la estimación de la regresión auxiliar que utiliza el contraste de White. La existencia de hetorocedasticidad hace que los estimadores MCO, aunque son insesgados y consistentes, no sean eficientes. Por tanto, es posible obtener estimadores con varianza más pequeña como, por ejemplo, los estimadores MCP o MCG. Tabla 3. Contraste de heterocedasticidad de White con términos cruzados. F-statistic Probability Obs*R-squared Probability Test Equation: Dependent Variable: RESID^2 C INGRE INGRE^ INGRE*TRABA INGRE*PRODU INGRE*ANTIG TRABA TRABA^ TRABA*PRODU TRABA*ANTIG PRODU PRODU^ PRODU*ANTIG ANTIG ANTIG^ R-squared Mean dependent var Adjusted R-squared S.D. dependent var S.E. of regresión Akaike info criterion Sum squared resid 3.15E+10 Schwarz criterion Log likelihood F-statistic Durbin-Watson stat Prob(F-statistic) Estima el modelo (1) por Mínimos Cuadrados Ponderados (MCP). La estimación del modelo mediante el método de MCP hará que las estimaciones, además de insesgadas y consistentes, sean eficientes. En este método es necesario conocer previamente la estructura que sigue la varianza de las perturbaciones. De esta manera, es esencial determinar si la misma depende de alguna variable relacionada con el fenómeno objeto de estudio. Vamos a destacar dos procedimientos que pueden ayudar a identificar esta variable: (1) Mediante la confección de gráficos de dispersión entre el cuadrado del residuo de la estimación MCO y las variables candidatas que se suponen pueden explicar el comportamiento de la varianza de las perturbaciones. (2) 4
5 Otro procedimiento, algo menos engorroso que el anterior, consistiría en identificar aquellas variables que aparecen como significativas en la regresión auxiliar que utiliza el contrate de White. Hay que destacar que aún utilizando estas herramientas, en ocasiones, la identificación de esta variable es difícil, terminando en un procedimiento de ensayo-error con todas las variables candidatas. En el primer procedimiento es muy habitual no detectar patrones de dependencia en los gráficos de dispersión. En cuanto al segundo procedimiento, la existencia de varias variables explicativas, que son combinaciones no-lineales entre ellas, hace que el grado de multicolinalidad de la regresión sea muy elevado, y que por tanto, la posibilidad de detectar variables significativamente distintas de cero disminuya sensiblemente. En la tabla 2 se puede apreciar que el coeficiente de la variable PRODU aparece como significativamente distinto de cero para un nivel de significación de El resto de las variables son claramente no significativas. Este hecho puede apoyar la idea de que la forma de dependencia de la varianza de las perturbaciones sea: 2 Var( u) = σ u PRODUi (2) En este caso la ponderación más adecuada para la estimación por MCP sería: 1, con lo que la expresión ponderada del modelo (1) es: PRODU i FORMA 1 INGRE TRABA PRODU ANTIG U = β + β + β + β + β + PRODU PRODU PRODU PRODU PRODU PRODU PRODU i i i i i i i i i i i i i (3) Tabla 4. Estimación del modelo (1) por Mínimos Cuadrados Ponderados. Dependent Variable: FORMA Weighting series: 1/PRODU^0.5 INGRE TRABA PRODU ANTIG C Weighted Statistics R-squared Mean dependent var Adjusted R-squared S.D. dependent var S.E. of regression Akaike info criterion Sum squared resid Schwarz criterion Log likelihood F-statistic Durbin-Watson stat Prob(F-statistic) Unweighted Statistics R-squared Mean dependent var Adjusted R-squared S.D. dependent var S.E. of regression Sum squared resid Durbin-Watson stat
6 La estimación MCP en el EViews se llevaría a cabo de la siguiente manera: Una vez en la ventana donde se especifica el modelo (Equation Specification) para la estimación MCO, se selecciona Options, se señala la opción Weighted LS/TSLS y se introduce en Weight la ponderación considerada que en este caso es: 1/PRODU^0.5. Tabla 5. Contraste de heterocedasticidad de White sin términos cruzados para la estimación por MCP del modelo (1). F-statistic Probability Obs*R-squared Probability Test Equation: Dependent Variable: STD_RESID^2 C INGRE INGRE^2-9.52E TRABA TRABA^ PRODU PRODU^ ANTIG ANTIG^ R-squared Mean dependent var Adjusted R-squared S.D. dependent var S.E. of regression Akaike info criterion Sum squared resid 1.93E+10 Schwarz criterion Log likelihood F-statistic Durbin-Watson stat Prob(F-statistic) En la tabla 4 se presenta la salida que proporciona el EViews para la estimación MCP del modelo (1). De la misma se pueden destacar los siguientes aspectos: - En el encabezado se indica la ponderación que se ha utilizado en la estimación del modelo (Weighting series: 1/PRODU^0.5). - Los coeficientes significativos y no significativamente distintos de cero son los mismos que los obtenidos en la estimación MCO. El coeficiente de la variable INGR es el único que aparece como significativamente distinto de cero. - Como era de esperar, las desviaciones típicas de las estimaciones de los coeficientes para la estimación MCP son menores que las correspondientes a la estimación MCO que se presentaron en la tabla 1, salvo en el caso de la variable PRODU. Esto es un indicativo de eficiencia de la estimación MCP frente a la MCO cuando las perturbaciones del modelo presentan heterocedasticidad. - Aparecen dos grupos de estadísticos al final de la tabla. Unos diferenciados con el calificativo de ponderados (Weighted Statistics) y otros con el calificativo de no ponderados (Unweighted Statistics). Los ponderados se han obtenido a partir de sustituir los coeficientes MCP (tabla 4) en los parámetros de la ecuación (3). Mientras que los no ponderados se han obtenido de la misma manera, pero en 6
7 este caso los parámetros sustituidos por los coeficientes estimados MCP (tabla 4) son los que aparecen en la ecuación (1). - La bondad del ajuste del modelo (1), medida por el coeficiente de determinación, se mantiene prácticamente igual para ambas estimaciones (MCO y MCP), de pasa a Una vez se ha estimado el modelo por MCP, es importante comprobar si la ponderación utilizada ha sido capaz de eliminar el problema de heterocedasticidad. Para este propósito será necesario volver a utilizar el contraste de White, pero en este caso aplicado al modelo ponderado. Los resultados sin términos cruzados se presentan en la tabla 5, mientras que con términos cruzados se presentan en la tabla 6. De la observación de ambas tablas se desprende que la ponderación realizada ha resuelto el problema de heterocedasticidad. En ambos casos los p-value asociados a los estadísticos correspondientes son lo suficientemente elevados como para fundamentar esta aseveración. Tabla 6. Contraste de heterocedasticidad de White con términos cruzados para la estimación por MCP del modelo (1). F-statistic Probability Obs*R-squared Probability Test Equation: Dependent Variable: STD_RESID^2 C INGRE INGRE^ INGRE*TRABA INGRE*PRODU INGRE*ANTIG TRABA TRABA^ TRABA*PRODU TRABA*ANTIG PRODU PRODU^ PRODU*ANTIG ANTIG ANTIG^ R-squared Mean dependent var Adjusted R-squared S.D. dependent var S.E. of regression Akaike info criterion Sum squared resid 1.88E+10 Schwarz criterion Log likelihood F-statistic Durbin-Watson stat Prob(F-statistic)
8 4.- Realiza una selección de regresores en el modelo (1) y contrasta la existencia de heterocedasticidad en el modelo obtenido. Tal y como se ha viso a lo largo del curso, la inclusión de variables irrelevantes en el modelo de regresión suele venir unida a un incremento en la varianza de las estimaciones como consecuencia de la multicolinealidad que se crea entre estas variables y las relevantes. Por esta razón, es conveniente realizar un proceso de selección de regresores, eliminando aquellas variables explicativas que no contribuyen significativamente a la explicación de la variable endógena. Sin embargo, a pesar de esta consideración, a la hora de elegir las variables candidatas a formar parte del modelo, es importante considerar el mayor número de ellas, para de esta manera disminuir la probabilidad de excluir variables relevantes del modelo. Se debe ser muy cuidadoso a la hora de determinar el procedimiento a seguir para eliminar las variables irrelevantes del modelo, ya que la existencia de multicolinealidad entre las variables explicativas del modelo puede provocar la eliminación de variables relevantes. Así, por ejemplo, no se debe eliminar directamente, y a la vez, todas aquellas variables cuyos coeficientes aparecen como no significativos en la estimación. De esta manera, sería un error eliminar las variables TRABA, PRODU y ANTIG conjuntamente de la estimación MCP del modelo (1) (tabla 4) porque sus coeficientes son no significativos; alguna/s de estas variables podrían ser relevantes. Existen varias propuestas de procedimientos que se pueden utilizar en la selección de regresores, sin embargo, la mayoría de ellos son intensivos en el uso de algoritmos informáticos y, por tanto, se escapan al alcance de este curso. Un procedimiento sencillo que se puede utilizar es el denominado regresión Stepwise hacia detrás. Este procedimiento, tal y como se ha explicado en clase, consiste en ir eliminando variables no significativas de una a una y de menos a más significativas, finalizando el proceso cuando todas las variables que quedan en el modelo sean significativas para un nivel de significación elegido, normalmente el 5%. Para el caso que nos ocupa, y observando en la tabla 4 los p-value de la tres variables cuyos coeficientes aparecen como no significativos (TRABA, PRODU y ANTIG), la variable PRODU sería la primera candidata a ser eliminada del modelo con un p-value para su coeficiente de La estimación del modelo resultante, una vez eliminada la variable PRODU, aparece en la tabla 7. Observando la tabla 7, las variables TRABA y ANTIG siguen teniendo coeficientes no significativos. Dado que el coeficiente de la variable ANTIG es el que tiene un mayor p- value (0.5911), será ésta la variable eliminada en la siguiente estimación que aparece en la tabla 8. 8
9 Tabla 7. Estimación MCP del modelo (1) una vez eliminada la variable PRODU. Dependent Variable: FORMA Weighting series: 1/PRODU^0.5 INGRE TRABA ANTIG C Weighted Statistics R-squared Mean dependent var Adjusted R-squared S.D. dependent var S.E. of regression Akaike info criterion Sum squared resid Schwarz criterion Log likelihood F-statistic Durbin-Watson stat Prob(F-statistic) Unweighted Statistics R-squared Mean dependent var Adjusted R-squared S.D. dependent var S.E. of regression Sum squared resid Durbin-Watson stat Tabla 8. Estimación MCP del modelo (1) una vez eliminada la variable PRODU y ANTIG. Dependent Variable: FORMA Weighting series: 1/PRODU^0.5 INGRE TRABA C Weighted Statistics R-squared Mean dependent var Adjusted R-squared S.D. dependent var S.E. of regression Akaike info criterion Sum squared resid Schwarz criterion Log likelihood F-statistic Durbin-Watson stat Prob(F-statistic) Unweighted Statistics R-squared Mean dependent var Adjusted R-squared S.D. dependent var S.E. of regression Sum squared resid Durbin-Watson stat
10 En la tabla 8 se observa que todos los coeficientes son significativamente distintos de cero. Por tanto, en este momento se detiene el procedimiento con dos variables explicativas seleccionadas; INGRE y TRABA, con lo que la nueva especificación del modelo es: FORMA = β + β INGRE + β TRABA + U (4) i 1 2 i 3 i i cuya estimación eficiente se realiza a partir de la estimación MCO de FORMA 1 INGRE TRABA U = β + β + β + (5) PRODU PRODU PRODU PRODU PRODU i i i i i i i i i que representa la estimación MCP de (4). Es importante hacer hincapié en el hecho de que si se hubieran eliminado desde un principio todas aquellas variables explicativas cuyos coeficientes no eran significativamente distintos de cero, la variable TRABA no aparecería en el modelo final, con lo que una variable relevante del modelo iba a ser eliminada. A la expresión (1) se le denomina especificación general o no restringida mientras que la expresión (4) sería la especificación restringida de (1). La misma equivalencia se podría decir de la ecuación (3) frente a la ecuación (5). Se ha comprobado que mediante la ponderación elegida se ha eliminado el problema de heterocedasticidad, pero esto se ha realizado sobre el modelo no restringido. Es de esperar, sin embargo, que resultados parecidos se obtendrían en el caso de que dicho contraste se realice sobre el modelo restringido, ya que las variables que han sido eliminadas del modelo tenían coeficientes no significativamente distintos de cero y, por tanto, su influencia en los residuos del modelo (sobre los que descansa los contraste de heterocedasticidad) debe ser mínima. A pesar de ello, es conveniente volver a realizar el contraste de heterocedasticidad sobre el modelo restringido para confirmar la eficiencia de sus estimaciones. En la tabla 9 y 10 se presentan los resultados de este contraste sin términos cruzados y con términos cruzados, respectivamente. La estimación a partir de la cual se ha realizado este contraste es la que aparece en la tabla 8. Tanto en la tabla 9 como en la 10 no se rechaza la existencia de homocedasticidad, con lo que no existe evidencia estadística para cuestionar la eficiencia de la estimación del modelo (4) por MCP 2. 2 Un ejercicio interesante, que puede unir el alumno a esta práctica, es contrastar la existencia de heterocedasticidad en la estimación MCO del modelo (4), y en el caso de que exista, intentar eliminarla ponderando únicamente con las variables seleccionadas como relevantes (INGRE y TRABA). En esta ocasión, comprobará que los resultados obtenidos son claramente menos satisfactorios que los que se obtienen cuando se utiliza como elemento de ponderación a la variable PRODU. 10
11 Tabla 9. Contraste de heterocedasticidad de White sin términos cruzados para la estimación por MCP del modelo (4). F-statistic Probability Obs*R-squared Probability Test Equation: Dependent Variable: STD_RESID^2 Simple: C INGRE INGRE^ TRABA TRABA^ R-squared Mean dependent var Adjusted R-squared S.D. dependent var S.E. of regression Akaike info criterion Sum squared resid 2.00E+10 Schwarz criterion Log likelihood F-statistic Durbin-Watson stat Prob(F-statistic) Tabla 10. Contraste de heterocedasticidad de White con términos cruzados para la estimación por MCP del modelo (4). F-statistic Probability Obs*R-squared Probability Test Equation: Dependent Variable: STD_RESID^2 C INGRE INGRE^ INGRE*TRABA TRABA TRABA^ R-squared Mean dependent var Adjusted R-squared S.D. dependent var S.E. of regression Akaike info criterion Sum squared resid 1.98E+10 Schwarz criterion Log likelihood F-statistic Durbin-Watson stat Prob(F-statistic)
12 5.- Una vez se ha realizado la selección de regresores, obtén la predicción extramuestral puntual y por intervalos para 10 observaciones de la muestra. Evalúa, asimismo, la capacidad predictiva extra-muestral. Para poder evaluar la capacidad predictiva extra-muestral del modelo, es necesario predecir observaciones que no se encuentren en la muestra que ha utilizado en la estimación del modelo. Con este propósito, antes de proceder a la estimación del modelo, se debe excluir de la muestra algunas observaciones para posteriormente predecirlas. Tal y como se comentaba en la Guía Esquemática para la Selección del Modelo, hay que tener especial cuidado a la hora de excluir observaciones de la muestra. En el EViews lo más sencillo es eliminar correlativamente un bloque de las últimas observaciones. Sin embargo, cuando la muestra está ordenada según algún criterio determinado, éste procedimiento puede influir en los resultados de la evaluación de la predicción 3. Para evitar esta cuestión, es recomendable barajar las observaciones de la muestra de tal manera que su posición en la misma sea aleatoria. La base de datos que se utiliza en esta práctica no tiene ninguna ordenación determinada, por lo que sería posible una exclusión de las 10 últimas observaciones sin necesidad de barajar la muestra 4. El número de observaciones a excluir no es algo que esté fijado de antemano y depende principalmente del tamaño muestral con el que se esté trabajando. En este caso se excluyen las 10 últimas observaciones 5. Señalando sample en el fichero de trabajo y marcando la muestra habremos conseguido este propósito. En la tabla 11 se encuentran los resultados de la estimación MCP del modelo (4) una vez excluidas estas observaciones. Tal y como se puede apreciar, los resultados de esta estimación no difieren sustancialmente de los obtenidos en la estimación con las 150 observaciones de la tabla 8. Igualmente, la bondad del ajuste del modelo, medida a través del coeficiente de determinación, se mantiene prácticamente inalterada. A partir de la estimación MCP del modelo (4) (tabla 11), se obtiene la predicción extramuestral señalando la opción Forecast. En la ventana de esta opción es importante, entre otras cuestiones, señalar lo siguiente: (1) El nombre de la variable en la que se grabará la desviación típica del error de predicción [S.E. (optional)]. Estos valores se usaran posteriormente para obtener las predicciones por intervalo. El nombre que se le ha asignado a esta variable es: ES. (2) El nombre de la variable en donde se guardarán 3 En la Guía Esquemática para la Selección del Modelo se explica porqué la ordenación de la muestra puede afectar la evaluación de la capacidad predictiva del modelo. 4 En el caso de que sea necesario barajar la muestra, se puede realizar en el EViews mediante la ejecución de las siguientes líneas de comando: genr alea = rnd sort alea Es importante no ejecutar estas líneas de comando para esta práctica. Si se hiciera, las últimas 10 observaciones de la muestra no coincidirían con las que se han usado en esta práctica. 5 Teniendo en cuenta que los tamaños muestrales que están utilizando los alumnos en sus trabajos son aproximadamente de 60, un número que podríamos tomar como referencia a la hora de eliminar observaciones de la muestra es el 5. 12
13 las predicciones. Por defecto el EViews nombra a esta variable igual que la original, añadiéndole una F al final del nombre, con lo que en este caso la variable se nombra como FORMAF. (3) También hay que indicar el periodo sobre el que se desea realizar las predicciones, que en este caso es Tabla 11. Estimación MCP del modelo (4) una vez eliminadas las últimas 10 observaciones Dependent Variable: FORMA Sample: Included observations: 140 Weighting series: 1/PRODU^0.5 INGRE TRABA C Weighted Statistics R-squared Mean dependent var Adjusted R-squared S.D. dependent var S.E. of regression Akaike info criterion Sum squared resid Schwarz criterion Log likelihood F-statistic Durbin-Watson stat Prob(F-statistic) Unweighted Statistics R-squared Mean dependent var Adjusted R-squared S.D. dependent var S.E. of regression Sum squared resid Durbin-Watson stat La figura 1 contiene los resultados de la predicción extra-muestral para las últimas 10 observaciones. En el gráfico de líneas se representa el valor de las predicciones puntuales en trazo continuo, así como los extremos de los intervalos de confianza en trazo discontinuo, estos últimos obtenidos a partir de la predicción puntual más menos dos veces la desviación típica del error de predicción. A la derecha de este gráfico se incluyen estadísticos que evalúan la capacidad predictiva del modelo. Concretamente nos centraremos en aquellos que se han estudiado en clase, que son: La Raíz Cuadrada de Error Cuadrático Medio (Root Mean Squared Error), que toma un valor de 123,816.9 euros, El Error Absoluto Medio (Mean Absolute Error), que toma un valor de 107,922.2 euros y el Error Porcentual Absoluto Medio (Mean Abs. Percent Error), que toma un valor del %. En la figura 2 se recoge una gráfica que representan los valores reales y predichos para el periodo extra-muestral. Esta figura se obtiene marcando ambas variables en el fichero de trabajo, abriendo el grupo correspondiente y realizando un gráfico de líneas. 13
14 Forecast: FORMAF Actual: FORMA Forecast sample: Included observations: 10 Root Mean Squared Error Mean Absolute Error Mean Abs. Percent Error Theil Inequality Coefficient Bias Proportion Variance Proportion Covariance Proportion FORMAF Figura 1. Resultados de la predicción extra-muestral para las últimas 10 observaciones FORMA FORMAF Figura 2. Valores reales y predichos de las 10 últimas observaciones de la muestra. En la figura 1 se presentan medidas que permiten evaluar la capacidad predictiva del modelo para la globalidad de las observaciones predichas, sin embargo, no hay medidas para cada una de estas observaciones. En la tabla 12 se recogen elementos de la 14
15 predicción referidos a cada una de las 10 observaciones que han sido eliminadas de la muestra. Tabla 12. Resultados de la predicción extra-muestral de las 10 últimas observaciones. obs FORMA FORMAF EI ES ERROR %_ERROR % % % % % % % % % % La tabla 12 permite sondear en la predicción de cada una de las observaciones, así, por ejemplo, se puede apreciar como el error porcentual absoluto medio de la observación 141 es realmente elevado (318%) frente al resto de las observaciones. Por tanto, el valor global para esta medida que aparece en la figura 1 está fuertemente influenciado por esta observación. De hecho, si eliminamos este dato del cálculo del error porcentual absoluto medio, éste pasa de un 55.76% a un 26.56%, lo que representa una disminución de más de la mitad. EI y ES representan el valor del extremo inferior y superior de los intervalos de confianza realizados para la predicción, respectivamente. Estos se han obtenido partir de las siguientes líneas de comando: GENR EI = FORMAF-2*SE (para el extremo inferior) GENR ES = FORMAF+2*SE (para el extremo superior) Mientras que el error porcentual absoluto medio mediante la siguiente línea de comandos GENER P_ERROR=@ABS(RESID/FORMA*100) Para esta línea de comando es importante tener en cuenta la siguiente consideración: El EViews reserva el nombre de la variable RESID para designar a los residuos de la última estimación que se ha realizado en el programa. Por esta razón, es muy importante tener en cuenta cuál fue la última estimación realizada, para saber exactamente qué residuos guarda esta variable. Concretamente los residuos deben ser los correspondientes a la estimación que aparece en la tabla 11. Para evitar este problema se puede renombrar la variable RESID en el momento en que se han obtenido las estimaciones de la tabla 11, y utilizar el nuevo nombre en la línea de comando en lugar de RESID. 15
Econometría I (LADE). Curso 2001/2002 PRÁCTICA 08
PRÁCTICA 08 HETEROCEDASTICIDAD Y NORMALIDAD En el fichero Datos08.wf1 tenemos la renta y consumo anual (en dólares) para 500 familias con el que se pretende estimar el siguiente modelo: C i = β + β R +
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 detallesPRACTICA 3. CONTRASTES Y PREDICCION.
ECONOMETRIA I (LADE). CURSO 2001/2002 PRACTICA 3. CONTRASTES Y PREDICCION. En el archivo prac3.xls disponemos de las siguientes observaciones correspondientes a un país: Y: consumo privado, medido en millones
Más detallesEXAMEN ECONOMETRÍA I GRUPO 31 LADE Prof. Rafael de Arce 3 de septiembre de Nombre y Apellidos:
EXAMEN ECONOMETRÍA I GRUPO 31 LADE Prof. Rafael de Arce 3 de septiembre de 2004 Nombre y Apellidos: PRIMERA PARTE: Preguntas tipo test (sólo debe marcarse una en cada caso): 1. En el Modelo Básico de Regresión
Más detallesECONOMETRÍA I LICENCIATURA EN ECONOMÍA, Curso PRÁCTICA 1 (LECCIÓN 1): EN BUSCA DE ESPECIFICACIÓN Por Beatriz González López-Valcárcel
ECONOMETRÍA I LICENCIATURA EN ECONOMÍA, Curso 2003-2004 PRÁCTICA 1 (LECCIÓN 1): EN BUSCA DE ESPECIFICACIÓN Por Beatriz González López-Valcárcel En esta práctica, aplicaremos los contrastes de especificación
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 detallesEXAMEN ECONOMETRÍA II GRUPO DADE Prof. Rafael de Arce 3 de septiembre de Nombre y Apellidos:
EXAMEN ECONOMETRÍA II GRUPO DADE Prof. Rafael de Arce 3 de septiembre de 2004 Nombre y Apellidos: PRIMERA PARTE: (En las preguntas tipo test sólo debe marcarse una en cada caso): 1. Para determinar si
Más detallesNOMBRE: I. TEST (debe marcar sólo un resultado como válido en cada pregunta)
ECONOMETRÍA I Examen DADE 20 de enero de 2005 NOMBRE: I. TEST (debe marcar sólo un resultado como válido en cada pregunta) 1. El contraste del predictor Sirve para determinar si las predicciones del modelo
Más detallesAnálisis Estadístico
Universidad Torcuato Di Tella Análisis Estadístico Examen Final 05/07/2017 TEMA 1 Nombre y Apellido: Número de legajo: Instrucciones El examen tiene dos partes. La parte A (40 puntos) contiene 10 preguntas
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 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 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 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 detallesModelo de Regresión Lineal Múltiple. Normalidad. Dr. Víctor Aguirre Torres ITAM
Modelo de Regresión Lineal Múltiple. Normalidad Dr. Víctor Aguirre Torres ITAM Temas Porqué ocurre falta de normalidad Consecuencias Detección Enfoques para manejarla Guión 18. Dr. V. Aguirre Porqué ocurre?
Más detallesModelo de Regresión Lineal Múltiple. Multicolinealidad. Dr. Víctor Aguirre Torres ITAM
Modelo de Regresión Lineal Múltiple. Multicolinealidad Dr. Víctor Aguirre Torres ITAM Temas Qué es la multicolinealidad? Consecuencias sobre la estimación. Detección. Algunas contramedidas. Guión 19. Dr.
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 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 detallesHoja de ejercicios 4 Econometría II Curso 2011/2012
Hoja de ejercicios 4 Econometría II Curso 2011/2012 1) Se dispone de las series de diferencias anuales del logaritmo de las series mensuales índice de precios al consumo en España y la Comunidad de Andalucía
Más detalles1. Sean dos variables aleatorias discretas X e Y. La siguiente tabla describe la función de masa de probabilidad conjunta de estas variables:
Examen de Introducción a la Econometría Universidad Carlos III de Madrid 2 a Convocatoria Curso 2004/205 Conteste las preguntas siguientes en 2 horas y media 1. Sean dos variables aleatorias discretas
Más detallesUNIVERSIDAD CARLOS III DE MADRID ECONOMETRÍA EXAMEN FINAL (Modelo A)
TIEMPO: 2 HORAS Instrucciones: UNIVERSIDAD CARLOS III DE MADRID ECONOMETRÍA EXAMEN FINAL (Modelo A) 1. Este un modelo de examen que le servirá para autoevaluarse de todos los contenidos del curso de Econometria
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 detallesCorrelograma de la serie Y. Included observations: 900 Autocorrelation Partial Correlation AC PAC Q-Stat Prob
EXAMEN DE ECONOMETRIA EMPRESARIAL II (MÓDULO PRÁCTICO) 23 FEBRERO 2002 1 APELLIDO 2ª APELLIDO NOMBRE GRUPO PRÁCTICO NOMBRE DEL PROFESOR PREGUNTA 1 Un economista desea identificar y estimar el proceso generador
Más detallesILUSTRACIÓN DEL PROBLEMA DE LA IDENTIFICABILIDAD EN LOS MODELOS MULTIECUACIONALES
ILUSTRACIÓN DEL PROBLEMA DE LA IDENTIFICABILIDAD EN LOS MODELOS MULTIECUACIONALES El objetivo de este documento es ilustrar matemáticamente, y con un caso concreto, el problema de la identificación en
Más detallesEXTENSIÓN DEL MODELO DE REGRESIÓN LINEAL DE DOS VARIABLES
EXTENSIÓN DEL MODELO DE REGRESIÓN LINEAL DE DOS VARIABLES REGRESIÓN A TRAVÉS DEL ORIGEN Y Y i = β 1 + β 2X i + ε i Y i = β 2X i + ε i X A MENOS QUE EXISTA UNA EXPECTATIVA A PRIORI MUY FUERTE ES ACONSEJABLE
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 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 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 detalles1. VARIABLES FICTICIAS
TEMA 1: EXTENSIONES DEL MODELO DE REGRESIÓN LINEAL MÚLTIPLE: VARIABLES FICTICIAS Y CAMBIO ESTRUCTURAL. Wooldridge: Capítulos 6 (apartado 6.1) y 7 Gujarati: Capítulos 9 (apartado 9.8), 10 y 12 1. VARIABLES
Más detallesECONOMETRIA II ADE LADE-DERECHO. CURSO 2006/2007
ECONOMETRIA II ADE LADE-DERECHO. CURSO 2006/2007 Hoja de ejercicios 3 PARTE A) Marque con una X la respuesta o respuestas correctas A.1. En el gabinete de estudios de una empresa de inversión en activos
Más detallesEJERCICIO T2 NOMBRE: Correctas Incorrectas En Blanco Puntos
ECONOMETRÍA EJERCICIO T APELLIDOS: NOMBRE: FIRMA: GRUPO: DNI: Pregunta 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 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 detallesln Y = β 0 + β 1 ln X 1 + β 2 X 2 + ε, (4) ln Y = β 0 + β 1 X 1 + β 2 X 2 + ε, (3)
Examen de Econometría I Universidad Carlos III de Madrid 1aa Convocatoria (26 de enero del 2004) Curso 2003/2004 Valores críticos de diferentes distribuciones pueden encontrarse al final del examen. PREGUNTA
Más detallesINTRODUCCION AL ECONOMETRIC VIEWS. Aquí se introduce la frecuencia y las fechas de comienzo y final de los datos.
INTRODUCCION AL ECONOMETRIC VIEWS Introducción de datos 1. Creando una hoja de trabajo (workfile) File New Workfile Aquí se introduce la frecuencia y las fechas de comienzo y final de los datos. 2. Importación
Más detallesModelo 1: MCO, usando las observaciones 1994: :03 (T = 218) Variable dependiente: INFLACION
UNIVERSIDAD NACIONAL DE PIURA FACULTAD DE ECONOMIA DPTO. ACAD. DE ECONOMIA 1º El investigador especifica el modelo siguiente: EXAMEN PARCIAL DE ECONOMETRIA I Se le pide estimar el modelo por el método
Más detallesUNIVERSIDAD CARLOS III DE MADRID ECONOMETRÍA EXAMEN FINAL (Modelo B)
UNIVERSIDAD CARLOS III DE MADRID ECONOMETRÍA EXAMEN FINAL (Modelo B) TIEMPO: 125 MINUTOS Instrucciones: 1. Este un modelo de examen que le servirá para autoevaluarse de todos los contenidos del curso de
Más detallesGuía de taller de Economía Cuantitativa V. Profesor: ALBERTO REYES DE LA ROSA.
Guía de taller de Economía Cuantitativa V. Profesor: ALBERTO REYES DE LA ROSA. Debe ser resuelta a mano, citar bibliografía (no usar internet). Términos clave 1. Ceteris Paribus 2. Grado de libertad 3.
Más detallesÍndice General de Ventas en Grandes Almacenes y su logaritmo
En los gráficos y cuadros que se presentan en las páginas siguientes se presentan resultados relativos a la variable Índice General de Ventas en grandes superficies en España con periodicidad mensual desde
Más detallesECONOMETRÍA I. Tema 6: Heterocedasticidad. Patricia Moreno Juan Manuel Rodriguez Poo Alexandra Soberon Departamento de Economía
ECONOMETRÍA I Tema 6: Heterocedasticidad Patricia Moreno Juan Manuel Rodriguez Poo Alexandra Soberon Departamento de Economía Alexandra Soberon (UC) ECONOMETRÍA I 1 / 23 Heterocedasticidad El supuesto
Más detallesModelo Econométrico del Turismo en España. Facultad de Ciencias Económicas y Empresariales. Grado en Marketing e Investigación de Mercados
Facultad de Ciencias Económicas y Empresariales Grado en Marketing e Investigación de Mercados Modelo Econométrico del Turismo en España Presentado por: Silvia Veganzones González Tutelado por: María Isabel
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 DOS VARIABLES: ESTIMACIÓN DE INTERVALOS Y PRUEBA DE HIPÓTESIS
REGRESIÓN CON DOS VARIABLES: ESTIMACIÓN DE INTERVALOS Y PRUEBA DE HIPÓTESIS Teoría de la estimación: Estimación puntual Estimación por intervalos ESTIMACIÓN DE INTERVALOS: IDEAS BÁSICAS 1 Lo que se busca
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 detallesUNIVERSIDAD CARLOS III DE MADRID ECONOMETRÍA EXAMEN FINAL (Modelo D)
UNIVERSIDAD CARLOS III DE MADRID ECONOMETRÍA EXAMEN FINAL (Modelo D) DURACION: 2 HORAS Y 30 MINUTOS Instrucciones: 1. Este un modelo de examen que le servirá para autoevaluarse de todos los contenidos
Más detallesEXAMEN EXTRAORDINARIO DE ECONOMETRÍA Universidad Carlos III de Madrid Junio 2016
EXAMEN EXTRAORDINARIO DE ECONOMETRÍA Universidad Carlos III de Madrid Junio 2016 Responda a las 4 preguntas en dos horas y media. 1. Se está llevando a cabo una investigación econométrica sobre los precios
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 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 detallesGUÍA DE EJERCICIOS 4 ECONOMETRIA III
GUÍA DE EJERCICIOS 4 ECONOMETRIA III 1) Se dispone de las series de diferencias anuales del logaritmo de las series mensuales índice de precios al consumo en España y la Comunidad de Andalucía y asumimos
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 detallesEconometría Universidad Carlos III de Madrid Examen Extraordinario 25 de Junio de Pr (N (0, 1) > 1, 282) = 0, 10
Econometría Universidad Carlos III de Madrid Examen Extraordinario 25 de Junio de 2014 Instrucciones para la realización del examen: Dispone de 2 horas y media para responder al examen La evaluación consta
Más detalles1.- Enumere las hipótesis básicas del modelo básico de regresión lineal
Introducción a la Econometría Grupo Derecho y Administración de Empresas Profesor Rafael de Arce 20 de junio de 2008 Nombre: DNI: 1.- Enumere las hipótesis básicas del modelo básico de regresión lineal
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 detallesEjemplos de estudios de series de tiempo
1 Ejemplos de estudios de series de tiempo Ejemplo 1 Pasajeros Aerolíneas Internacionales (PAI) Este estudio está realizado sobre un famoso conjunto de datos mensuales, el número de pasajeros de aerolíneas
Más detallesMODELO VAR ARGENTINA
MODELO VAR ARGENTINA 1.-INTRODUCCIÓN Argentina es una de las economías más grandes de América Latina. En los últimos años, Argentina priorizó promover un desarrollo económico con inclusión social. El país
Más detallesEconometría. Examen 02/02/2015. La respuesta que no sea claramente interpretable se considerará incorrecta.
Econometría Examen 02/02/2015 Alumno Grupo 1 a b c d 11 a b c d 2 a b c d 12 a b c d 3 a b c d 13 a b c d 4 a b c d 14 a b c d 5 a b c d 15 a b c d 6 a b c d 16 a b c d 7 a b c d 8 a b c d 9 a b c d 10
Más detallesENUNCIADOS DE PROBLEMAS
UNIVERSIDAD CARLOS III DE MADRID ECONOMETRÍA I Curso 2005/06 EXAMEN FINAL (Convocatoria ordinaria) 30 de Enero de 2006 ENUNCIADOS DE PROBLEMAS PROBLEMA 1: PROBABILIDAD DE DENEGACIÓN DE UNA HIPOTECA Se
Más detallesEconometría II LADE/LADE-DERECHO Prof. Esther Ruiz Curso 2007/2008. Práctica 6
Econometría II LADE/LADE-DERECHO Prof. Esther Ruiz Curso 2007/2008 Práctica 6 El objetivo de esta práctica es el análisis de las relaciones dinámicas entre el tipo de interés Overnight (Swaps) a 9 meses
Más detallesGuía del 1º Parcial. Econometría 4º curso. Licenciatura de Economía. USC ttp://www.usc.es/economet/econometria.htm
Guía de estudio del 1º Parcial. Econometría 4º Curso, Licenciatura de Economía. USC. 22-2-2013. Profesoras María del Carmen Guisán Seijas y Pilar Expósito Díaz. Bibliografía básica: Guisán, M.C. (1997)
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 detallesESTIMACIÓN DE LA FUNCIÓN DE EXPORTACIONES DE CATALUÑA A LOS PRINCIPALES PAÍSES EUROPEOS
ESTIMACIÓN DE LA FUNCIÓN DE EXPORTACIONES DE CATALUÑA A LOS PRINCIPALES PAÍSES EUROPEOS Estimaciones individuales Dependent Variable: LOG(X?) Method: Pooled Least Squares Date: 11/23/02 Time: 13:14 Sample(adjusted):
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 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 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 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 detallesContenido. vii. Prólogo... i Presentación... iii Grupo de trabajo...v. 1. Introducción y conceptos preliminares...1
Contenido Prólogo... i Presentación... iii Grupo de trabajo...v 1. Introducción y conceptos preliminares...1 2. Tipos de modelos estadísticos lineales...19 Caso 2.1...20 Caso 2.2...26 Caso 2.3...30 3.
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 detallesEn el caso más simple, cuando dos series tienen una única raíz estacionaria, son I(1,0), si están cointegradas implica que: Existe una relación en el
En el caso más simple, cuando dos series tienen una única raíz estacionaria, son I(1,0), si están cointegradas implica que: Existe una relación en el largo plazo entre las dos series que es estable en
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 detallesEXAMEN FINAL DE ECONOMETRÍA SOLUCIONES Conteste cada pregunta en un cuadernillo diferente en dos horas y media
EXAMEN FINAL DE ECONOMETRÍA SOLUCIONES Conteste cada pregunta en un cuadernillo diferente en dos horas y media 1. Sean (Y; X; W ) tres variables aleatorias relacionadas por el siguiente modelo de regresión
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 detallesAVISO IMPORTANTE EL PROFESOR DARÁ ASESORÍA ESTE VIERNES 13 DE OCTUBRE EN LA SALA JOSE SOLITICA EL ARCHIVO EN EXCEL PARA COMPLETAR LA GUIA AL CORREO
AVISO IMPORTANTE EL PROFESOR DARÁ ASESORÍA ESTE VIERNES 13 DE OCTUBRE EN LA SALA JOSE AYALA DE 13 A 15 HRS SOLITICA EL ARCHIVO EN EXCEL PARA COMPLETAR LA GUIA AL CORREO tere_vieyra@yahoo.com.mx Guía para
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 detallesExamen de Introducción a la Econometría
NOMBRE GRUPO MODELO 1 DNI: Firma: Examen de Introducción a la Econometría 18 de junio de 2009 Sólo una respuesta es válida. Debe justificar la respuesta de cada pregunta en el espacio que se le proporciona.
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 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 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 detallesEconometría. Examen 24/06/2015. La respuesta que no sea claramente interpretable se considerará incorrecta.
Econometría Examen 24/06/2015 Alumno Grupo 1 a b c d 11 a b c d 2 a b c d 12 a b c d 3 a b c d 13 a b c d 4 a b c d 14 a b c d 5 a b c d 6 a b c d 7 a b c d 8 a b c d 9 a b c d 10 a b c d Reglas del examen
Más detallesCALIFICACION: 287,33 218, sí 1 sí 1. Se especifica el siguiente modelo de regresión para el precio de las viviendas: G i =
6 + 5 = 11 CALIFICACION: PARTE 1 (6 puntos) Una empresa inmobiliaria desea conocer los determinantes del precio de la vivienda en una ciudad de tamaño medio Para ello recoge información sobre las siguientes
Más detallesPráctica 4 EJERCICIOS 1.- REGRESIÓN LINEAL SIMPLE 5.1 Regresión de Peso sobre Altura Datos en Encuesta.sgd a) Estudio descriptivo de ambas variables
EJERCICIOS 1.- REGRESIÓN LINEAL SIMPLE 5.1 Regresión de Peso sobre Altura Datos en Encuesta.sgd a) Estudio descriptivo de ambas variables Marco elementos atípicos: b) Obtener la recta de regresión y comprobar
Más detallesEl Modelo de Selección de Heckman en gretl
El Modelo de Selección de Heckman en gretl Microeconomía Cuantitativa R. Mora Departmento de Economía Universidad Carlos III de Madrid Esquema Introducción: El modelo de Heckman 1 Introducción: El modelo
Más detallesTema 6.- Variables ficticias y contrastes de estabilidad
Guía de estudio de los temas principales del 2º examen parcial. Econometría 4º de Economía.Facultade de CC.Económicas de la USC Curso 2003-2004. Nota ampliada el 13-5-2004. Esta guía está disponible en
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 detallesRegresión de Poisson. Microeconomía Cuantitativa. R. Mora. Departmento de Economía Universidad Carlos III de Madrid
en gretl Microeconomía Cuantitativa R. Mora Departmento de Economía Universidad Carlos III de Madrid Esquema Introducción en gretl 1 Introducción 2 3 4 en gretl en gretl Introducción en gretl Ejemplo 1
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 detallesRegresión con variables instrumentales
Regresión con variables instrumentales Tema 9 Introducción Cuando el supuesto de exogeneidad no se cumple, los estimadores MCO son sesgados e inconsistentes El método de Variables Instrumentales (VI) permite
Más detallesECONOMETRIA: PRÁCTICA OBLIGATORIA (En formato Manual de Uso)
ECONOMETRIA: PRÁCTICA OBLIGATORIA (En formato Manual de Uso) Leer los datos del fichero de Excel (datelectricidad.xls): Al revisar los datos en Excel se ha verificado que la información disponible es de
Más detallesHeterocedasticidad y autocorrelación
Heterocedasticidad y autocorrelación Tema 6 Heterocedasticidad y Autocorrelación Esquema 1. Supuestos del modelo de regresión. 2. Distribución de los estimadores MCO. 3. Varianzas de los estimadores. 4.
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 detallesCurso: 2º Créditos ECTS: 6 Tipo de asignatura: Obligatoria Tipo de formación: Teórico-Práctica
Ficha Técnica Titulación: Grado en Economía Plan BOE: BOE número 75 de 28 de marzo de 2012 Asignatura: Módulo: Instrumental Curso: 2º Créditos ECTS: 6 Tipo de asignatura: Obligatoria Tipo de formación:
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 detallesCAPÍTULO 5. Proyecciones de las Fuentes de Empleo Características Generales del Modelo de Regresión Lineal Múltiple de las Fuentes
CAPÍTULO 5 Proyecciones de las Fuentes de Empleo 5.1. Características Generales del Modelo de Regresión Lineal Múltiple de las Fuentes de Empleo a Nivel Nacional. Para la proyección de las fuentes de empleo
Más detallesModelos Econométricos Lección 2. Estacionariedad y raíces unitarias. Presentado por Juan Muro
Modelos Econométricos Lección 2. Estacionariedad y raíces unitarias Presentado por Juan Muro Motivación La no estacionariedad, en general, de las series económicas en el tiempo provoca consecuencias estadísticas
Más detallesSolución Ejercicio 7.
Solución Ejercicio 7. Heterocedasticidad y autocorrelación. Ejercicio 7.1 Alquiler de sombrillas Primera parte a. Modelo: S t = α + βt t + u t t = 1,..., 22 Modelo 1: MCO, usando las observaciones 2012-04-30
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 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 detallesEstadística III (P33) Exam, Tipo: A
21 de Enero de 2000 Responde a las siguientes preguntas sobre papel ordinario, de forma breve y concisa. Al entregar tu exámen, has de entregar también la Tarea 10, que no fue posible finalizar en periodo
Más detallesContrastando Hipótesis después de la Estimación Probit
Contrastando Hipótesis después de la Estimación Probit Microeconomía Cuantitativa R. Mora Departmento of Economía Universidad Carlos III de Madrid Esquema Introducción 1 Introducción 2 3 El modelo Probit
Más detallesECONOMETRÍA II PRÁCTICAS DE ORDENADOR. Práctica 2
ECONOMETRÍA II PRÁCTICAS DE ORDENADOR Práctica 2 El fichero epflic.wf1 contiene una submuestra de hogares de la Encuesta de Presupuestos Familiares 1990/91 formada por parejas con o sin hijos en los que
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 detalles