TEMA 2. Análisis de Causalidad y Evaluación de Políticas Públicas.
|
|
- Isabel Peña Salazar
- hace 5 años
- Vistas:
Transcripción
1 TEMA 2. Análss de Causaldad y Evaluacón de Polítcas Públcas. Profesor: Pedro Albarrán Pérez Unversdad de Alcante. Curso 2010/2011.
2 Contendo 1 Introduccón 2 Efectos de Tratamento 3 Conexón entre Efectos de Tratamento y Regresón. Matchng Causaldad en un contexto de regresón. Seleccón en Observables. Matchng 4 Dseños Cuas-Expermentales Dferencas en Dferencas (DD) Dscontnudad en la Regresón (DR) 5 Varables Instrumentales
3 Causaldad y Análss Expermental Muchas preguntas en la vda dara requere la dentcacón y medda de efectos causales. ¾El tabaco provoca cáncer? ¾La asprna reduce el resgo de nfarto? ¾Los cursos de formacón para desempleados ayudan para encontrar empleo? ¾Cuál es el mpacto del salaro mínmo sobre el empleo? ¾Afectan los subsdos salarales o los mpuestos a la oferta de trabajo de los ndvduos? ¾Y a la nversón de las empresas? Podemos medr la correlacón estadístca, pero ésta NO mplca que exsta causaldad En cencas naturales y estudos bo-médcos, se utlza el análss expermental para estudar la exstenca de causaldad Dscutremos en qué sentdo y bajo qué condcones puede ser útl este enfoque
4 Resultados Potencales. Contrafactual Resultados Potencales de un Tratamento Para cada undad de una poblacón ( = 1,..., N); D = estado del tratamento { D = 1, s la undad ha sdo expuesta al tratamento D = 0, s la undad NO ha sdo expuesta al tratamento y d = resultados potencales (contrafactuales) de Y según el tratamento { y 1 es el resultado para en caso de tratamento y 0 es el resultado para en caso de NO tratamento Para cada undad tenemos nalmente un únco resultado observado Y = D y 1 + (1 D ) y 0
5 Resultados Potencales. Contrafactual Problema Fundamental de la Inferenca Causal Para el msmo ndvduo, no se puede observar a la vez D = 0 y a la vez D = 1 (n y 0 e y 1) s D = 1, se observa Y = y 1 s D = 0, se observa Y = y 0 Este enfoque requere pensar en térmnos de contrafactuales El efecto causal del tratamento D sobre el resultado Y α = y 1 y 0 resulta lógcamente mposble de dencar y medr En otras palabras, no exste evdenca contrafactual del tratamento S se recbe el tratamento, ¾qué hubera suceddo en ausenca del tratamento? S se NO recbe el tratamenteo, ¾qué hubera suceddo aplcando el tratamento?
6 Resultados Potencales. Contrafactual Efecto Medo del Tratamento Bajo determnados supuestos, se puede dentcar al menos el efecto causal medo para la poblacón (o algunos sub-grupos relevantes) Efecto medo del tratamento (Average Treatment Eect, ATE) α ATE = E [ y 1 y 0 ] = E ( y 1 ) ( ) E y 0 Efecto medo del tratamento sobre los tratados (Average Treament Eect on Treated, ATT) α ATT = E [ y 1 y 0 D = 1 ] = E ( y 1 D = 1 ) E ( y 0 D = 1 ) La cuestón prncpal consste en determnar cuando son estos efectos relevantes Efecto de un curso de doma español en parados Efecto de un tratamento de ovulacón sobre la fertldad
7 Resultados Potencales. Contrafactual En general, la comparacón drecta del resultado por estado de tratamento ofrecerá resultados sesgados: E (Y D = 1) E (Y D = 0) = E ( y 1 D = 1 ) E ( y 0 D = 0 ) = E ( y 1 D = 1 ) E ( y 0 D = 1 ) + E ( y 0 D = 1 ) E ( y 0 D = 0 ) E (Y D = 1) E (Y D = 0) = α + E ( y 0 D = 1 ) E ( y 0 D = 0 ) La parte zquerda de la gualdad se puede estmar (porque es observable), PERO dere del verdadero efecto del tratamento, α La dferenca se denomna sesgo de seleccón muestral. El problema radca en que los resultados potencales sn tratamento no son guales en la stuacón contrafactual de no-tratamento.
8 Expermentos Aleatoros Datos Expermentales Un expermento aleatoro se consdera como el dseño deal para la nferenca causal los estudos con datos observacones se consderan más especulatvos En un expermento controlado, el estado de tratamento se asgna aleatoramente por tanto, se garantza la ndependenca estadístca por construccón ( ) y 1, y 0 D Esto mplca que la funcón de densdad condconal de los resultados es ndependente del tratamento: F ( y 1 D = 1 ) = F ( y 1 D = 0 ) = F ( ) y 1 F ( y 0 D = 1 ) = F ( y 0 D = 0 ) = F ( ) y 0 Por tanto, E ( y 1 D = 1 ) = E ( y 1 D = 0 ) = E ( ) y 1 E ( y 0 D = 1 ) = E ( y 0 D = 0 ) = E ( ) y 0
9 Expermentos Aleatoros En este contexto, la smple comparacón de resultados entre los tratados y los no tratados proporcona el efecto causal: efecto medo del tratamento (ATE) ( α ATT = E y 1 y 0 D = ) ( 1 = E y 1 D = ) ( 1 E y 0 D = ) 1 ( = E y 1 D = ) ( 1 E y 0 D = ) 0 efecto medo del tratamento sobre los tratados (ATT). ( ) α ATE = E y 1 y 0 ( = E = E ) ( ) y 1 E y 0 ( y 1 D = ) 1 E ( y 0 D = 0 ) La aleatorzacón mplca que los ndvduos del grupo de control (no tratados) realmente pueden consderarse una magen de lo que hubese suceddo a los ndvduos del grupo de tratamento en el contrafactual de no-tratamento (y vceversa).
10 Causaldad en un contexto de regresón. Relacón con Regresón Smple El resultado observado es Y = D y 1 + (1 D ) y 0 Los resultados potencales pueden denrse como donde E ( u 1 Por tanto, ) ( ) = E u 0 = 0 y 1 = µ 1 + u 1 y 0 = µ 0 + u 0 Y = µ 1 D + µ 0 µ 0 D + u 1 + u 0 u 0 D = µ 0 + ( µ 1 µ 0) D + ɛ Y = β 0 + β 1 D + ɛ S los supuestos de regresón lneal son váldos, el coecente β 1 concde con el efecto medo del tratamento β 1 = E (Y D = 1) E (Y D = 0) = µ 1 µ 0 = E ( ) ( ) y 1 E y 0 = αate
11 Seleccón en Observables. Matchng Datos Expermentales y Datos Observaconales En los datos expermentales, el tratamento se asgna de manera controlada por el nvestgador (de manera aleatora y, por tanto, exógena). En muchas stuacones, no se pueden dseñar expermentos aleatoros serían muy caros no factbles o cuestonables étcamente En Economía, se dsponble habtualmente de datos observaconales: La condcón de ndependenca ( y 1, y ) 0 D no resulta plausble las condcones del estudo no han sdo controladas muchas varables, en partcular la asgnacón al tratamento, resultan de la decsón de los ndvduos Sn embargo, veremos que en ocasones se puede consderar que se replca o se está de una stuacón (cuas)-expermental
12 Seleccón en Observables. Matchng Cochran (1968): tasas de mortaldad anuales, en tanto por ml Canada UK US Non-smokers Cgarretes Cgars/ppes La conclusón sería... Pero los grupos deren en otras característcas además de sus hábtos de fumar; en partcular, edad (meda) Canada UK US Non-smokers Cgarretes Cgars/ppes Controlando por edad (grupos de menos y más de 50 años) Canada UK US Canada UK US Non-smokers Cgarretes Cgars/ppes
13 Seleccón en Observables. Matchng Seleccón en Observables Una condcón menos exgente que asgnacón aleatoraes suponer seleccón en observables o ndependenca condconal: [( ) ] y 1, y 0 D X Se supone que los tratados y los no tratados pueden ser dferentes en funcón de una sere de característcas observables X la probabldad de ser tratados es mayor para ndvduos con determnadas característcas PERO, para dos ndvduos con las msmas característcas ex-ante, el hecho de ser tratado o no es aleatoro. Independenca condconal mplca que : E ( y 1 D = 1, X ) = E ( y 1 D = 0, X ) = E ( y 1, X ) E ( y 0 D = 1, X ) = E ( y 0 D = 0, X ) = E ( y 0, X )
14 Seleccón en Observables. Matchng Efecto Medo del Tratamento Se puede calcular el efecto medo del tratamento (ATE o ATT) para ndvduos con las msmas característcas X = x ( ) ( ) α ATT (x) = E y 1 y 0 D = 1, X = x = E y 1 D = 1, X = x ( = E y 1 D = 1, X = x ( α ATE (x) = E y 1 y 0 X = x ) = E = E ( y 1 ( y 0 ) X = x E ( y 1 D = 1, X = x ) X = x ) E ( E y 0 ) E ) D = 1, X = x ( ) y 0 D = 0, X = x ( ) y 0 D = 0, X = x para la poblacón en general, como meda ponderada para cada combnacón de caracterstcas α ATT = ω (x) α ATT (x) α ATE = ω (x) α ATE (x)
15 Seleccón en Observables. Matchng Matchng La lteratura de matchng enfatza las comparacones drectas de ndvduos. El supuesto de ndependenca condconal mplca que: Para un ndvduo tratado podemos utlzar como control un ndvduo smlar Un no-tratado con las msmas característcas X = x representa un contrafactual adecuado de un tratado Supongamos que X toma J valores dferentes { x 1,..., x j,..., x J} con n j observacones en cada celda Se pueden calcular dferenca entre tratados y no tratados para cada celda Y j 1 Y j 0 y nalmente α ATE = J ( ) ( ) Y j 1 Y j n j 0 n j=1
16 Seleccón en Observables. Matchng Se puede generalzar a varas varables: J será el número total de combnacones de dferentes valores de todas las varables Problema cuando las varables son contnuas y/o J aumenta: puede haber pocos ndvduos para hacer las comparacones (se tene poca precsón) ncluso puede no haber nade con quen comparar (los msmos valores en todas las varables X ). Se puede utlzar algún supuesto de forma funconar para extrapolar/predecr el contrafactual por ejemplo, una forma lneal para E (Y X, D ) Se utlza el método del Propensty Score
17 Seleccón en Observables. Matchng Propensty Score La seleccón en el tratamento no es aleatora: depende de las característcas X del ndvduo Es decr, la probabldad de tratamento es una funcón de X π (x) = Pr (D = 1 X = x) Dos ndvduos con la msma probabldad de tratamento son smlares un caso extremo ya vsto: cuando tenen las msma característcas Todos los ndvduos con el msmo π (x) = π no deren en su probabldad ex-ante de ser asgnados a tratamento (aunque tenga algunas característcas dferentes) PERO son observados ex-post (asgnados aleatoramente) como D = 0 o D = 1
18 Seleccón en Observables. Matchng Por tanto, se puede demostrar que s se cumple [( ) ] y 1, y 0 D X Es sucente condconar en un valor del propensty score π (x) = π para obtener el ATE o ATT E (Y D = 1, π (X ) = π) E (Y D = 0, π (X ) = π) = E ( y 1 y 0 π (X ) = π ) Sólo es necesaro utlzar una medda, π (X ), en lugar de todas las combnacones de valores de X En general, no se podrá hacer matchng exacto: no resulta probable encontrar (sucentes) ndvduos con exactamente el msmo valor de π (X ) Se pueden utlzar ndvduos con π (X ) sucentemente próxmo para comparar.
19 Seleccón en Observables. Matchng Matchng y regresón múltple Especcando la esperanza condconal de Y, E (Y D, X ), como una regresón lneal sobre D y X E (Y D, X ) = β 0 + β 1 D + β 2 X + β 3 D X se pueden estmar fáclmente los parámetros del modelo de regresón. El efecto del tratamento sería el efecto ceters parbus de la varable D en el modelo de regresón: E (Y D = 1, X = x) E (Y D = 0, X = x) = β 1 + β 3 x (para los ndvduos con las msmas característcas X = x) Se puede extender trvalmente a múltples varables observables X 1,..., X k. Para el conjunto de la poblacón, se puede tener además el efecto medo del tratamento (ATE) y el efecto medo del tratamento sobre los tratados (ATT) α ATE = β 1 + β 3 E (X ) α ATT = β 1 + β 3 E (X D = 1)
20 Dferencas en Dferencas (DD) Ejemplo: Salaros Mínmos y Empleo Marzo de 1992: ncremento del salaro mímno en Nueva Jersey en un 19 % su vecna Pennsylvana lo mantuvo constante Se quere analzar el efecto causal sobre el empleo (varable de resultado Y ) del tratamento subda del salaro mínmo El modelo de competenca perfecta predce que un aumento del salaro mínmo reduce el empleo. Card y Krueger (1994) analzaron este cambo con datos de 400 restaurantes de comda rápda. (los puestos de trabajo son homogéneos y los salaros bajos) Se tenen: dos perodos: t = 1 (anteror a la subda del salaro mínmo) y t = 2 (posteror al tratamento) dos estados: en NJ se aplca el tratamento y en PEN no se aplca
21 Dferencas en Dferencas (DD) Dos potencales medda del efecto de la subda del salaro mínmo: 1 El cambo en el empleo sólo en NJ (entre t = 1 y t = 2) NO ofrece un efecto causal s exsten otros factores entre ambos perodos de tempo además del cambo legslatvo 2 La dferenca en el empleo de NJ y Pennsylvana sólo en el segundo perodo NO ofrece un efecto causal s exsten dferencas sstemátcas en el nvel de empleo entre ambos estados. Sn embargo, se puede obtener el efecto causal medante el método de Dferencas en Dferencas el cambo promedo en el empleo en NJ relatvo al cambo en el empleo en Pennsylvana [E (Y NJ,2 ) E (Y NJ,1 )] [E (Y PEN,2 ) E (Y PEN,1 )] la dferenca en el empleo en t = 2 entre NJ y PEN relatvo a las dferencas que orgnalmente exstían (en t = 1) [E (Y NJ,2 ) E (Y PEN,2 )] [E (Y NJ,1 ) E (Y PEN,1 )]
22 Dferencas en Dferencas (DD) Y Tratamento (D=1) C D A E B Control (D=0) t=1 (pre-) Tempo t=2 (post-)
23 Dferencas en Dferencas (DD) En el gráco anteror, el efecto causal sería C D, pero D NO se observa El método trata de ofrecer un contrafactual adecuado: C A [E B] = [E (Y NJ,2 ) E (Y NJ,1 )] [E (Y PEN,2 ) E (Y PEN,1 )] C E [A B] = [E (Y NJ,2 ) E (Y PEN,2 )] [E (Y NJ,1 ) E (Y PEN,1 )] El supuesto clave para dar una nterpretacón causal a este resultado es que el efecto temporal en ausenca de ntervencón sea el msmo. Card y Krueger encontraron que el aumento del salaro mínmo ncrementó el empleo (en algunas de sus comparacones), pero en nngún caso lo redujo.
24 Dferencas en Dferencas (DD) Formalzacón de DD Se observan resultados en t = 1 y t = 2, antes y después del tratamento PERO la comparacón puede estar contamnada por otros eventos (dstntos del tratamento) que ocurren entre los dos perodos Se puede usar a los que nunca son tratados para dentcar la varacón de resultados entre perodos dstnta del tratamento. Para la undad en el perodo t, t = 1, 2: y d =resultado potencal con (d = 1) o sn tratamento (d = 0) t Y t =resultado observado Y 1 = y1 0 Y 2 = D y2 1 + (1 D ) y2 0 El supuesto crucal para dentcar el efecto causal E ( y 0 2 y 0 1 D = 1 ) = E ( y 0 2 y 0 1 D = 0 ) sempre se observa y1 0 0, pero para los tratados y2 es un contrafactual.
25 Dferencas en Dferencas (DD) Comentaros Sea la regresón de los resultados sobre dummes de tratamento y de perodo. Y t = β 0 + β 1 T + β 2 P t + δ (T P t ) + ɛ t donde { T = 1, T = 0, s ha sdo nalmente tratada (en t=2) s NO ha sdo nalmente tratada (en t=2) y { P t = 1, P t = 0, en el perodo t posteror al tratamento en el perodo t anteror al tratamento El coecente δ de la nteraccón ofrece el efecto de DD Esta formulacón permte controlar por otras varables adconales El supuesto fundamental se puede generalzar: sólo necesta ser certo condconal en esas varables
26 Dferencas en Dferencas (DD) En determnados casos de estudo, NO exste un únco control claro: se puede construr un grupo de control sntétco Abade & Gardeazabal (2003, AER): Comparan el PIB del País Vasco con el PIB de un País Vasco sntétco sn terrorsmo: compuesta como combnacón de varas regones de España Encuentran que el terrorsmo ha reducdo en un 10 % el PIB del País Vasco.
27 Dferencas en Dferencas (DD)
28 Dscontnudad en la Regresón (DR) Dscontnudad en la Regresón La asgnacón al tratamento depende de s se satsfacen unas condcones conocdas dendas en térmnos de una o unas varables observables prevamente a la ntervencón Ejemplos: una beca se concede a quenes superan una nota en una prueba se recben clases de apoyo s la nota meda es nferor a un límte una polítca se mplementa s se vota por más del 50 % de los electores la sentenca es mayor s el crmnal es adulto, etc... En el entorno del valor umbral, con el que se seleccona para el tratamento, se puede pensar que tenemos un expermento puro (aleatoro). La comparacón de resultados medos para partcpantes y no-partcpantes en el margen permte controlar por otros factores e dentca el mpacto de la ntervencón (localmente).
29 Dscontnudad en la Regresón (DR) La renta salaral futuray depende de la nota W. además, s la nota supera un umbral de w 0, los/as alumnos/as realzan práctcas en empresas. ¾Es la renta es mayor s, dada la msma nota, se realzan práctcas en empresas?. E (Y W, P) = β 0 + β 1 W + β 2 P H 0 : β 2 = 0 vs H 1 : β 2 > 0
30 Dscontnudad en la Regresón (DR) E(y W) E(y W,D=1) E(y W,D=0) β2 w 0 w 0 W
31 Dscontnudad en la Regresón (DR) Supuestos de dentcacón: E (Y W, P = 1) y E (Y W, P = 0) son contnuas entorno a w 0. Esto garantza que no hay un salto en el resultado Y entorno a w 0, salvo por el tratamento. En la formulacón lneal anteror es trval, pero la funcón de regresón podría no ser lneal... Sólo se dentca un efecto local: no tenemos nformacón sobre s las práctcas no son útles a los alumnos con poca formacón (nota) preva. E (Y W, P) = β 0 + β 1 W + β 2 P + β 3 W P
32 Dscontnudad en la Regresón (DR) E(y W) E(y W,D=1) E(y W,D=0) w 0 w 0 W
33 Identcacón de Efectos Causales con VI. Introduccón Una varable nstrumental, Z, ofrece una fuente de varacón exógena Ejemplo clásco: permte dentcar el efecto de una varable explcatva endógena X sobre un resultado Y. Z ndca la asgnacón al tratamento en un dseño expermental ( y 1, y 0) Z El tratamento efectvo, D, puede dferr de Z por la exstenca de non-complers algunos ndvduos del grupo de tratamento decden no tratarse algunos del grupo de control encuentran forma de tratarse Z y D segurán, en general, correlaconados El tratamento resulta de una decsón de los ndvduos (no asgnacón aleatora) depende de los resultados potencales que esperan obtener cuanto mayor beneco se espera, más ntentarán ser tratados (y al revés).
34 Identcacón de Efectos Causales con VI. Identcacón Caso partcular: 1 la varable nstrumental es bnara Z = {0, 1} 2 no consderamos explíctamente otras varables explcatvas X, aparte del tratamento D La varable Z es una fuente de varacón exógena en D en el sentdo de que satsface el supuesto de ndependenca (condconal en X ) [( y 1, y 0) Z] X satsface el supuesto de relevanca: Z dep. D X NO podemos suponer ndependenca condconal (y 1, y 0 ) D X
35 Identcacón de Efectos Causales con VI. Efectos Homogéneos S el efecto causal es el msmo para todos los ndvduos y 1 y 0 = α la dsponbldad de una VI permte dentcar α. Tenendo en cuenta y 0 Y = y 0 + ( ) y 1 y 0 D = y 0 + αd Z E (Y Z = 1) = E (y 0 Z = 1) E (Y Z = 0) = E (y 0 Z = 0) Restando ambas expresones y despejando se obtene α = E (Y Z = 1) E (Y Z = 0) E (D Z = 1) E (D Z = 0) que dentca α sempre que E (Y D = 1) E (Y D = 0)
36 Identcacón de Efectos Causales con VI. El estmador IV calcula α = E (Y Z = 1) E (Y Z = 0) E (D Z = 1) E (D Z = 0) la dferenca en el resultado de los que se tenía la ntencón de tratar, Z = 1 (a dferenca de los tratados, D = 1) ajustado por las dferencas en la probabldad de ser tratado. Intutvamente, el efecto de D sobre Y puede medrse a través de Z porque hemos supuesto que Z sólo afecta a Y a través de D.
37 Identcacón de Efectos Causales con VI. Efectos Heterogéneos S el efecto causal varía entre ndvduo, las Varables Instrumentales no son sucentes para dentcar un efecto causal (promedo). se necesta algún supuesto adconal Por ejemplo, para dentcar el efecto medo del tratamento sobre los tratados (ATT), se puede exgr una regla de elegbldad del tpo: Pr(D = 1 Z = 0) = 0 (se nega el tratamento a los ndvduos con Z = 0). Otro supuesto adconal alternatvo es una condcón de monotoncdad: Cualquer persona que estuvera dspuesta a ser tratada s fuera asgnada al grupo de control, tambén estaría dspuesta a ser tratada s fuera asgnada al grupo de tratamento grupo. La plausbldad de los supuestos depende del contexto de la aplcacón.
38 Identcacón de Efectos Causales con VI. El supuesto de monotoncdad parece sucentemente general en la mayoría de contextos Equvale a que no exsten los llamados deers: Z=0 Z=1 D=1 D=0 D=1 always-taker deer D=0 compler neve-taker Bajo monotoncdad, el coecente de VI estma el efecto medo del tratamento local (local average treatment eect, LATE) es el efecto del tratamento SÓLO sobre los complers Es decr, el LATE es el efecto medo del tratamento para aquellos cuyo valor de D cambaría cuando cambase el valor de Z (nducdos al tratamento por la varable nstrumental). Dferentes varables nstrumentales ofrecen dferentes efectos locales (ndvduos nducdos al tratamento por dferentes causas).
39 Ejemplos Ejemplos Angrst (1990): ¾Han sdo compensados adecuadamente los veteranos de guerra por sus servcos? Problema: una relacón negatva entre renta y estatus de veterano no mplca que ésta sea la causa de menor renta los ndvduos con menor potencal de renta ex-ante probablemente elgen r al ejércto Solucón: usar la eleccón por sorteo durante la guerra de Vetnam como expermento natural Pero sempre se podía r voluntaro (always-takers) o evtar el servco por estudos u otras causas (never-takers). Respecto a los no veteranos, los veteranos blancos sufreron una pérdda en el ngreso anual de $3500 (1990), un 15 % anual de las compensacones orgnales a los veteranos. Los efectos de r a la guerra para los no-blancos no son estadístcamente sgncatvos.
40 Ejemplos Estmacón de los rendmentos a la educacón: Card (1995) usando como nstrumento la proxmdad a una unversdad. Angrst & Krueger (1991) usando como nstrumento el trmestre de nacmento. ¾Instrumento relevante? Los que nacen en los prmeros trmestres pueden abandonar la educacón oblgatora antes (cumplr 16 años) y acaban tenendo hasta cas un año de educacón menos. Efecto muy local (para los que se quedan unos meses querendo abandonar la escuela). Angrst & Evans (1998): efecto de tener hjos sobre la oferta laboral femenna. Instrumento bnaro: la pareja tene dos hjos prevos del msmo genero.
Economía Aplicada. Estimador de diferencias en diferencias. Ver Wooldridge cap.13. Departamento de Economía Universidad Carlos III de Madrid 1 / 19
Economía Aplcada Estmador de dferencas en dferencas Departamento de Economía Unversdad Carlos III de Madrd Ver Wooldrdge cap.13 1 / 19 Análss de Polítca: Dferencas-en-Dferencas En muchos casos la varable
Más detallesCURSO INTERNACIONAL: CONSTRUCCIÓN DE ESCENARIOS ECONÓMICOS Y ECONOMETRÍA AVANZADA. Instructor: Horacio Catalán Alonso
CURSO ITERACIOAL: COSTRUCCIÓ DE ESCEARIOS ECOÓMICOS ECOOMETRÍA AVAZADA Instructor: Horaco Catalán Alonso Modelo de Regresón Lneal Smple El modelo de regresón lneal representa un marco metodológco, que
Más detallesCAPÍTULO 4 MARCO TEÓRICO
CAPÍTULO 4 MARCO TEÓRICO Cabe menconar que durante el proceso de medcón, la precsón y la exacttud de cualquer magntud físca está lmtada. Esta lmtacón se debe a que las medcones físcas sempre contenen errores.
Más detallesFigura 1
5 Regresón Lneal Smple 5. Introduccón 90 En muchos problemas centífcos nteresa hallar la relacón entre una varable (Y), llamada varable de respuesta, ó varable de salda, ó varable dependente y un conjunto
Más detallesProblema: Existe relación entre el estado nutricional y el rendimiento académico de estudiantes de enseñanza básica?
Relacones entre varables cualtatvas Problema: xste relacón entre el estado nutrconal y el rendmento académco de estudantes de enseñanza básca? stado Nutrconal Malo Regular Bueno TOTAL Bajo 13 95 3 55 Rendmento
Más detallesH 0 : La distribución poblacional es uniforme H 1 : La distribución poblacional no es uniforme
Una hpótess estadístca es una afrmacón con respecto a una característca que se desconoce de una poblacón de nterés. En la seccón anteror tratamos los casos dscretos, es decr, en forma exclusva el valor
Más detallesTEMA 4. Modelos para Datos Censurados y de Selección Muestral.
TEMA 4. Modelos para Datos Censurados y de Seleccón Muestral. Profesor: Pedro Albarrán Pérez Unversdad de Alcante. Curso 2010/2011. Contendo 1 Introduccón 2 Modelo Tobt Introduccón Estmacón por Máxma Verosmltud
Más detallesModelos lineales Regresión simple y múl3ple
Modelos lneales Regresón smple y múl3ple Dept. of Marne Scence and Appled Bology Jose Jacobo Zubcoff Modelos de Regresón Smple Que tpo de relacón exste entre varables Predccón de valores a partr de una
Más detallesUn estimado de intervalo o intervalo de confianza ( IC
Un estmado puntual, por ser un sólo número, no proporcona por sí msmo nformacón alguna sobre la precsón y confabldad de la estmacón. Debdo a la varabldad que pueda exstr en la muestra, nunca se tendrá
Más detallesEstadísticos muéstrales
Estadístcos muéstrales Hemos estudado dferentes meddas numércas correspondentes a conjuntos de datos, entre otras, estudamos la meda, la desvacón estándar etc. Ahora vamos a dstngur entre meddas numércas
Más detallesEl Impacto de las Remesas en el PIB y el Consumo en México, 2015
El Impacto de las Remesas en el y el Consumo en Méxco, 2015 Ilana Zárate Gutérrez y Javer González Rosas Cudad de Méxco Juno 23 de 2016 1 O B J E T I V O Durante muchos años la mgracón ha sdo vsta como
Más detallesEXPERIMENTACIÓN COMERCIAL(I)
EXPERIMENTACIÓN COMERCIAL(I) En un expermento comercal el nvestgador modfca algún factor (denomnado varable explcatva o ndependente) para observar el efecto de esta modfcacón sobre otro factor (denomnado
Más detallesEjemplo: Consumo - Ingreso. Ingreso. Consumo. Población 60 familias
Ejemplo: Consumo - Ingreso Ingreso Consumo Poblacón 60 famlas ( YX ) P = x [ YX ] E = x Línea de regresón poblaconal 80 60 Meda Condconal 40 20 00 [ X = 200] EY o o o o [ X = 200] EY 80 o o o 60 o 40 8
Más detallesPronósticos. Humberto R. Álvarez A., Ph. D.
Pronóstcos Humberto R. Álvarez A., Ph. D. Predccón, Pronóstco y Prospectva Predccón: estmacón de un acontecmento futuro que se basa en consderacones subjetvas, en la habldad, experenca y buen juco de las
Más detallesMétodos de Apareamiento (Matching)
Impact Evaluaton Sesón n Técnca T VI: Métodos de Apareamento (Matchng) Lma, 2009 Departamento de Desarrollo Humano Fondo Español para Evaluacón de Impacto En el caso de asgnacón aleatora Supuesto asgnacón
Más detallesProblemas donde intervienen dos o más variables numéricas
Análss de Regresón y Correlacón Lneal Problemas donde ntervenen dos o más varables numércas Estudaremos el tpo de relacones que exsten entre ellas, y de que forma se asocan Ejemplos: La presón de una masa
Más detallesLicenciatura en Administración y Dirección de Empresas INTRODUCCIÓN A LA ESTADÍSTICA EMPRESARIAL
INTRODUCCIÓN A LA ESTADÍSTICA EMPRESARIAL Relacón de Ejerccos nº 2 ( tema 5) Curso 2002/2003 1) Las cento trenta agencas de una entdad bancara presentaban, en el ejercco 2002, los sguentes datos correspondentes
Más detallesSolución Taller No. 10 Econometría II Prof. Bernal
Solucón Taller No. 0 Econometría 2007 II Prof. Bernal. a. El modelo que hay que estmar es el sguente: partcpa = B + B edad _ nno + B genero _ nno + B * edad _ mama + B secundara + B casada + B trabaja
Más detallesTema 6. Estadística descriptiva bivariable con variables numéricas
Clase 6 Tema 6. Estadístca descrptva bvarable con varables numércas Estadístca bvarable: tpos de relacón Relacón entre varables cuanttatvas Para dentfcar las característcas de una relacón entre dos varables
Más detallesGERENCIA DE OPERACIONES Y PRODUCCIÓN DISEÑO DE NUEVOS PRODUCTOS Y SERVICIOS ESTRATEGIAS DE OPERACIONES
GERENCIA DE OPERACIONES Y PRODUCCIÓN DISEÑO DE NUEVOS PRODUCTOS Y SERVICIOS ESTRATEGIAS DE OPERACIONES PRONÓSTICOS PREDICCIÓN, PRONÓSTICO Y PROSPECTIVA Predccón: estmacón de un acontecmento futuro que
Más detallesTema 4: Variables aleatorias
Estadístca 46 Tema 4: Varables aleatoras El concepto de varable aleatora surge de la necesdad de hacer más manejables matemátcamente los resultados de los expermentos aleatoros, que en muchos casos son
Más detalles) para toda permutación (p p 1 p
09 Elena J. Martínez do cuat. 004 Análss de la varanza de dos factores El problema anteror consderaba la comparacón de muestras para detectar dferencas entre las respectvas poblacones. En el modelo de
Más detallesReconocimiento de Locutor basado en Procesamiento de Voz. ProDiVoz Reconocimiento de Locutor 1
Reconocmento de Locutor basado en Procesamento de Voz ProDVoz Reconocmento de Locutor Introduccón Reconocmento de locutor: Proceso de extraccón automátca de nformacón relatva a la dentdad de la persona
Más detallestruncación inferior en el punto a=25 es igual a El grado de truncación es del
ECONOMETTRÍ ÍA III II.. Cuurrssoo 22000022- -0033 (f( f cchheer roo: : ccuueesst t oonneess lleecccc l 33) ) CUESTTI IONES SOBRE LLA LLECCI IÓN 33: : MODELLOS DE VARIABLLE DEPENDIENTTE LLI IMITTADA 1.
Más detallesPoblación 1. Población 1. Población 2. Población 2. Población 1. Población 1. Población 2. Población 2. Frecuencia. Frecuencia
MAT-3 Estadístca I Tema : Meddas de Dspersón Facltador: Félx Rondón, MS Insttuto Especalzado de Estudos Superores Loyola Introduccón Las meddas de tendenca central son ndcadores estadístcos que resumen
Más detallesApéndice A: Metodología para la evaluación del modelo de pronóstico meteorológico
Apéndce A: Metodología para la evaluacón del modelo de pronóstco meteorológco Apéndce A: Metodología para la evaluacón del modelo de pronóstco meteorológco Tabla de contendos Ap.A Apéndce A: Metodología
Más detallesEJERCICIO 1 1. VERDADERO 2. VERDADERO (Esta afirmación no es cierta en el caso del modelo general). 3. En el modelo lineal general
PRÁCTICA 6: MODELO DE REGRESIÓN MÚLTIPLE SOLUCIÓN EJERCICIO. VERDADERO. VERDADERO (Esta afrmacón no es certa en el caso del modelo general. 3. En el modelo lneal general Y =X β + ε, explcar la forma que
Más detallesMedidas de Variabilidad
Meddas de Varabldad Una medda de varabldad es un ndcador del grado de dspersón de un conjunto de observacones de una varable, en torno a la meda o centro físco de la msma. S la dspersón es poca, entonces
Más detallesModelo Lineal Múltiple. Clase 03. Profesor: Carlos R. Pitta. ICPM050, Econometría. Universidad Austral de Chile Escuela de Ingeniería Comercial
Unversdad Austral de Chle Escuela de Ingenería Comercal ICPM050, Econometría Clase 03 Modelo Lneal Múltple Profesor: Carlos R. Ptta Econometría, Prof. Carlos R. Ptta, Unversdad Austral de Chle. Análss
Más detallesANEXO A: Método de Interpolación de Cokriging Colocado
ANEXO A: Método de Interpolacón de Corgng Colocado A. Conceptos Báscos de Geoestadístca Multvarada La estmacón conunta de varables aleatoras regonalzadas, más comúnmente conocda como Corgng (Krgng Conunto),
Más detallesEXAMEN FINAL DE ECONOMETRIA, 3º CURSO (GRADOS EN ECO y ADE) 17 de Mayo de :00 horas
EXAMEN FINAL DE ECONOMETRIA, 3º CURSO (GRADOS EN ECO y ADE) 7 de Mayo de 08 9:00 horas Prmer Apelldo: Nombre: DNI: Teléfono: Segundo Apelldo: Grupo y Grado: Profesor(a): e-mal: Pregunta A B C En Blanco
Más detallesMUESTREO EN POBLACIONES FINITAS
MUESTREO EN POBLACIONES FINITAS Antono Morllas A.Morllas: Muestreo 1 MUESTREO EN POBLACIONES FINITAS 1. Conceptos estadístcos báscos. Etapas en el muestreo 3. Tpos de error 4. Métodos de muestreo 5. Tamaño
Más detallesAlgunas aplicaciones del test del signo
43 Algunas aplcacones del test del sgno Test de Mc emar para sgnfcacón de cambos: En realdad este test se estuda en detalle en Métodos no Paramétrcos II, en el contexto de las denomnadas Tablas de Contngenca.
Más detallesMétodos de Apareamiento
Human Development Network Latn Amerca and the Carbbean Regon Spansh Impact Evaluaton Trust fund Sesón n Técnca T VI: Métodos de Apareamento Karen Macours Karen Macours Managua, 5 Marzo 2008 En el caso
Más detallesAnálisis de la varianza de un factor
Análss de la varanza de un factor El test t de muestras se aplca cuando se queren comparar las medas de dos poblacones con dstrbucones normales con varanzas guales y se observan muestras ndependentes para
Más detallesUSOS Y EXTENSIONES DEL MODELO LINEAL CON K VARIABLES
Unversdad de San Andrés Departamento de Economía Econometría Semestre de otoño USOS Y ETENSIONES DEL MODELO LINEAL CON K VARIABLES Marana Marchonn marana@depeco.econo.unlp.edu.ar Varables explcatvas bnaras
Más detallesINTRODUCCIÓN. Técnicas estadísticas
Tema : Estadístca Descrptva Undmensonal ITRODUCCIÓ Fenómeno determnsta: al repetrlo en déntcas condcones se obtene el msmo resultado. (Ejemplo: lómetros recorrdos en un ntervalo de tempo a una velocdad
Más detallesCapitalización y descuento simple
Undad 2 Captalzacón y descuento smple 2.1. Captalzacón smple o nterés smple 2.1.1. Magntudes dervadas 2.2. Intereses antcpados 2.3. Cálculo de los ntereses smples. Métodos abrevados 2.3.1. Método de los
Más detalles( ) MUESTREO ALEATORIO SIMPLE SIN REEMPLAZO ( mas ) y Y. N n. S y. MUESTREO ALEATORIO SIMPLE SIN REEMPLAZO ( mas )
MUETREO ALEATORIO IMPLE I Este esquema de muestreo es el más usado cuando se tene un marco de muestreo que especfque la manera de dentfcar cada undad en la poblacón. Además no se tene conocmento a pror
Más detallesInstituto Tecnológico Superior del Sur del Estado de Yucatán EGRESIÓN LINEAL REGRESI. 10 kg. 10 cm
Insttuto Tecnológco Superor del Sur del Estado de Yucatán REGRESI EGRESIÓN LINEAL 100 90 80 70 60 10 kg. 50 40 10 cm. 30 140 150 160 170 180 190 200 Objetvo de la undad Insttuto Tecnológco Superor del
Más detallesAspectos fundamentales en el análisis de asociación
Carrera: Ingenería de Almentos Perodo: BR01 Docente: Lc. María V. León Asgnatura: Estadístca II Seccón A Análss de Regresón y Correlacón Lneal Smple Poblacones bvarantes Una poblacón b-varante contene
Más detallesEXAMEN FINAL DE ECONOMETRIA, 3º CURSO (GRADOS EN ECO y ADE) 6 de Junio de :00 horas. Pregunta 19 A B C En Blanco. Pregunta 18 A B C En Blanco
EXAMEN FINAL DE ECONOMETRIA, 3º CURSO (GRADOS EN ECO y ADE) 6 de Juno de 3 9: horas Prmer Apelldo: Nombre: DNI: Teléfono: Segundo Apelldo: Grupo y Grado: Profesor(a): e mal: Pregunta A B C En Blanco Pregunta
Más detallesTema 1:Descripción de una variable. Tema 1:Descripción de una variable. 1.1 El método estadístico. 1.1 El método estadístico. Describir el problema
Tema :Descrpcón de una varable Tema :Descrpcón de una varable. El método estadístco. Descrpcón de conjuntos de datos Dstrbucones de frecuencas. Representacón gráfca Dagrama de barras Hstograma. Meddas
Más detalles6 Impacto en el bienestar de los beneficiarios del PAAM
6 Impacto en el benestar de los benefcaros del PAAM Con el fn de evaluar el efecto del PAAM sobre sus benefcaros, se consderó como hpótess que el Programa ha nfludo en el mejoramento de la caldad de vda
Más detallesModelos unifactoriales de efectos aleatorizados
Capítulo 4 Modelos unfactorales de efectos aleatorzados En el modelo de efectos aleatoros, los nveles del factor son una muestra aleatora de una poblacón de nveles. Este modelo surge ante la necesdad de
Más detallesEfectos fijos o aleatorios: test de especificación
Cómo car?: Montero. R (2011): Efectos fjos o aleatoros: test de especfcacón. Documentos de Trabajo en Economía Aplcada. Unversdad de Granada. España Efectos fjos o aleatoros: test de especfcacón Roberto
Más detallesObjetivo del tema. Esquema del tema. Economía Industrial. Tema 2. La demanda de la industria
Economía Industral Tema. La demanda de la ndustra Objetvo del tema Entender el modelo económco de comportamento del consumdor, fnalmente resumdo en la funcón de demanda. Comprender el carácter abstracto
Más detallesSEGUNDA PARTE RENTAS FINANCIERAS
SEGUNDA PARTE RENTAS FINANCIERAS 5 INTRODUCCIÓN A LA TEORÍA DE RENTAS 5.1 CONCEPTO: Renta fnancera: conjunto de captales fnanceros cuyos vencmentos regulares están dstrbudos sucesvamente a lo largo de
Más detallesInferencia en Regresión Lineal Simple
Inferenca en Regresón Lneal Smple Modelo de regresón lneal smple: Se tenen n observacones de una varable explcatva x y de una varable respuesta y, ( x, y)(, x, y),...,( x n, y n ) el modelo estadístco
Más detallesControl de la exactitud posicional por medio de tolerancias
Control de la exacttud posconal por medo de tolerancas Francsco Javer Arza López José Rodríguez-Av María Vrtudes Alba Fernández Plan Estatal de Investgacón Centífca y Técnca y de Innovacón 2013-2016. Ref.:
Más detallesFísica Estadística. Tercer curso del Grado en Física. J. Largo & J.R. Solana. Departamento de Física Aplicada Universidad de Cantabria
Tercer curso del Grado en Físca largoju at uncan.es J. Largo & J.R. Solana solanajr at uncan.es Departamento de Físca Aplcada Unversdad de Cantabra Indce I Estadstcas Dstrbucones para los sstemas cuántcos
Más detallesAplicación de modelos multiniveles: meta análisis y meta regresión. Aplicación de modelos multinivel
Aplcacón de modelos multnveles: meta análss y meta regresón Shrkant I. Bangdwala, PhD Profesor ttular Departamento de Boestadístca Lma Peru 01 1 Aplcacón de modelos multnvel Podemos utlzar la metodología
Más detallesCurso Práctico de Bioestadística Con Herramientas De Excel
Curso Práctco de Boestadístca Con Herramentas De Excel Fabrzo Marcllo Morla MBA barcllo@gmal.com (593-9) 419439 Otras Publcacones del msmo autor en Repostoro ESPOL Fabrzo Marcllo Morla Guayaqul, 1966.
Más detallesTema 1: Estadística Descriptiva Unidimensional
Fenómeno determnsta: al repetrlo en déntcas condcones se obtene el msmo resultado. Fenómeno aleatoro: no es posble predecr el resultado. La estadístca se ocupa de aquellos fenómenos no determnstas donde
Más detallesFISICOQUÍMICA FARMACÉUTICA (0108) UNIDAD 1. CONCEPTOS BÁSICOS DE CINÉTICA QUÍMICA
FISICOQUÍMICA FARMACÉUTICA (008) UNIDAD. CONCEPTOS BÁSICOS DE CINÉTICA QUÍMICA Mtra. Josefna Vades Trejo 06 de agosto de 0 Revsón de térmnos Cnétca Químca Estuda la rapdez de reaccón, los factores que
Más detallesEXAMEN FINAL DE ECONOMETRIA, 3º CURSO (GRADOS EN ECO y ADE) 20 DE JUNIO DE horas
EXAMEN FINAL DE ECONOMETRIA, 3º CURSO (GRADOS EN ECO y ADE) 0 DE JUNIO DE 018 15.30 horas Prmer Apelldo: Nombre: DNI: Teléfono: Segundo Apelldo: Grupo y Grado: Profesor(a): e-mal: Pregunta 1 A B C En Blanco
Más detallesModelo de Variables Instrumentales
Modelo de Varables Instrumentales Contraste de endogenedad El estmador de MCE es menos efcente que el de MCO cuando las varables explcatvas son exógenas. Las estmacones de MCE pueden tener errores estándar
Más detalles14. Contrastes no paramétricos
14. Contrastes no paramétrcos 1 Contrastes no paramétrcos En la leccón anteror nos hemos ocupado de contrastes paramétrcos. Determnábamos la plausbldad de certas hpótess sobre los valores de parámetros
Más detallesA. Una pregunta muy particular que se puede hacer a una distribución de datos es de qué magnitud es es la heterogeneidad que se observa.
MEDIDA DE DIPERIÓ A. Una pregunta muy partcular que se puede hacer a una dstrbucón de datos es de qué magntud es es la heterogenedad que se observa. FICHA º 18 Las meddas de dspersón generalmente acompañan
Más detallesTema 2: El modelo clásico de regresión
CURSO 010/011 Tema : El modelo clásco de regresón Aránzazu de Juan Fernández ECONOMETRÍA I ESQUEMA DEL TEMA Presentacón del modelo Hpótess del modelo Estmacón MCO Propedades algebracas de los estmadores
Más detallese i para construir el modelo econométrico que se escribe a continuación:
5.3 Especfcacón del modelo empírco Para este análss se formló n modelo econométrco de seccón crzada, porqe las observacones corresponden a las característcas de las personas encestadas en n msmo período
Más detallesEXPERIMENTOS ANIDADOS O JERARQUICOS NESTED
EXPERIMENTOS ANIDADOS O JERARQUICOS NESTED Exsten ocasones donde los nveles de un factor B son smlares pero no déntcos para dferentes nveles del factor A. Es decr, dferentes nveles del factor A ven nveles
Más detallespara cualquier a y b, entonces f(x) es la función de densidad de probabilidad de la variable aleatoria continua X.
Conceptos de Probabldad A contnuacón se presenta una revsón no ehaustva y a manera ntroductora de conceptos báscos de la teoría de probabldades. Un estudo proundo y ormal de estos se puede hacer en Mood
Más detalles16/02/2015. Ángel Serrano Sánchez de León
Ángel Serrano Sánchez de León Índce Introduccón Varables estadístcas Dstrbucones de frecuencas Introduccón a la representacón gráfca de datos Meddas de tendenca central: meda (artmétca, geométrca, armónca,
Más detallesOferta de Trabajo Parte 2. Economía Laboral Julio J. Elías LIE - UCEMA
Oferta de Trabajo Parte 2 Economía Laboral Julo J. Elías LIE - UCEMA Curva de oferta de trabajo ndvdual Consumo Salaro por hora ($) G w=$20 F w=$25 25 Curva de Oferta de Trabajo Indvdual w=$14 20 14 w
Más detallesMuestra: son datos de corte transversal correspondientes a 120 familias españolas.
Capítulo II: El Modelo Lneal Clásco - Estmacón Aplcacones Informátcas 3. APLICACIONES INFORMÁTICAS Fchero : cp.wf (modelo de regresón smple) Seres: : consumo famlar mensual en mles de pesetas RENTA: renta
Más detallesCapítulo 2: Introducción al método de los Elementos Finitos 2. CAPÍTULO 2 INTRODUCCIÓN AL MÉTODO DE LOS ELEMENTOS FINITOS
Capítulo 2: Introduccón al método de los Elementos Fntos 2. CAPÍTULO 2 ITRODUCCIÓ AL MÉTODO DE LOS ELEMETOS FIITOS 2.. ITRODUCCIÓ Vrtualmente cada fenómeno en la naturaleza, sea bológco, geológco o mecánco
Más detallesTEMA 3. VARIABLE ALEATORIA
TEMA 3. VARIABLE ALEATORIA 3.. Introduccón. 3... Dstrbucón de Probabldad de una varable aleatora 3... Funcón de Dstrbucón de una varable aleatora 3.. Varable aleatora dscreta 3... Funcón masa de probabldad
Más detallesEL ANÁLISIS DE LA VARIANZA (ANOVA) 2. Estimación de componentes de varianza
EL ANÁLSS DE LA VARANZA (ANOVA). Estmacón de componentes de varanza Alca Maroto, Rcard Boqué Grupo de Qumometría y Cualmetría Unverstat Rovra Vrgl C/ Marcel.lí Domngo, s/n (Campus Sescelades) 43007-Tarragona
Más detallesAnálisis de Resultados con Errores
Análss de Resultados con Errores Exsten dos tpos de errores en los expermentos Errores sstemátcos errores aleatoros. Los errores sstemátcos son, desde lejos, los más mportantes. Errores Sstemátcos: Exsten
Más detallesCada uno da lo que recibe, Y luego recibe lo que da, Nada es más simple, No hay otra norma: Nada se pierde, Todo se transforma.
Cada uno da lo que recbe, Y luego recbe lo que da, Nada es más smple, No hay otra norma: Nada se perde, Todo se transforma. Todo se transforma (Jorge Drexler, cantautor uruguayo) Estadístca Básca - Manuel
Más detallesESTADÍSTICA UNIDIMENSIONAL
ESTADÍSTICA UNIDIMENSIONAL La estadístca undmensonal trata de resumr la nformacón contenda en una tabla que contene nformacón de una sola varable en unos pocos números. Las meddas de poscón pueden ser:
Más detallesEconometría de corte transversal. Pablo Lavado Centro de Investigación de la Universidad del Pacífico
Econometría de corte transversal Pablo Lavado Centro de Investgacón de la Unversdad del Pacífco Contendo Defncones báscas El contendo mínmo del curso Bblografía recomendada Aprendendo econometría Defncones
Más detallesANEXO METODOLOGÍA EVALUACIÓN DE IMPACTO
GOBIERNO DE CHILE MINISTERIO DE HACIENDA Dreccón de Presupuestos ANEXO METODOLOGÍA EVALUACIÓN DE IMPACTO Dvsón de Control de Gestón Santago, Mayo 2009 CHILE PRESENTACIÓN * El anexo que a contnuacón se
Más detallesResolución. Instrucciones: Leer detenidamente los siete enunciados y resolver seis de los siete problemas propuestos.
UNIVERSIDAD NACIONAL AUTÓNOMA DE MÉICO FACULTAD DE INGENIERÍA DIVISIÓN DE CIENCIAS BÁSICAS COORDINACIÓN DE CIENCIAS APLICADAS DEPARTAMENTO DE PROBABILIDAD Y ESTADÍSTICA SEGUNDO EAMEN FINAL SEMESTRE 04
Más detallesEl Modelo IS-LM. El modelo IS-LM
El Modelo IS-LM El modelo IS-LM 4. Introduccón 4.2 La demanda agregada: La funcón de nversón 4.3 Equlbro del mercado de benes: La curva IS 4.4 Equlbro del mercado de dnero: La curva LM 4.5 Equlbro de la
Más detallesIN540: Métodos Estadísticos para economía y gestión Profesores: Marcelo Henríquez, Felipe Avilés Auxiliares: José Miguel Carrasco
Departamento de Ingenería Industral Facultad de Cs. Físcas y Matemátcas Unversdad de Chle IN540: Métodos Estadístcos para economía y gestón Profesores: Marcelo Henríquez, Felpe Avlés Auxlares: José Mguel
Más detallesRegresión múltiple k k
Métodos de Regresón Estadístca Ismael Sánchez Borrego Regresón múltple El modelo de regresón múltple es la extensón a k varables explcatvas del modelo de regresón smple estudado en el apartado anteror.
Más detalles1 EY ( ) o de E( Y u ) que hace que g E ( Y ) sea lineal. Por ejemplo,
Modelos lneales generalzados En los modelos no lneales (tanto en su formulacón con coefcentes fjos o coefcentes aleatoros) que hemos vsto hasta ahora, exsten algunos que se denomnan lnealzables : son modelos
Más detallesESTADÍSTICA. Definiciones
ESTADÍSTICA Defncones - La Estadístca es la cenca que se ocupa de recoger, contar, organzar, representar y estudar datos referdos a una muestra para después generalzar y sacar conclusones acerca de una
Más detallesRelaciones entre variables
Relacones entre varables Las técncas de regresón permten hacer predccones sobre los valores de certa varable Y (dependente), a partr de los de otra (ndependente), entre las que se ntuye que exste una relacón.
Más detallesLo que nos interesa en el análisis de varianza de una vía es extender el test t para dos muestras independientes, para comparar más de dos muestras.
Capítulo : Comparacón de varos tratamentos o grupos Muchas preguntas de nvestgacón en educacón, pscología, negocos, ndustra y cencas naturales tenen que ver con la comparacón de varos grupos o tratamentos.
Más detallesEnlaces de las Series de Salarios. Metodología
Enlaces de las eres de alaros Metodología ntroduccón La Encuesta de alaros en la ndustra y los ervcos (E, cuyo últmo cambo de base se produjo en 996) ha sufrdo certas modfcacones metodológcas y de cobertura,
Más detallesMODELOS PARA DATOS DE RECUENTO
ECONOMETRÍA III Curso 2008/09 MODELOS PARA DATOS DE RECUENTO Profesores: Víctor J. Cano Fernández y M. Carolna Rodríguez Donate Dpto. de Economía de las Instrtucones, Estadístca Económca y Econometría
Más detallesTeoría de Elección Social
Teoría de Eleccón Socal Hemos vsto que las asgnacones del mercado, bajo certas condcones, son efcentes. Sn embargo, exsten otras consderacones mportantes sobre las característcas de dcha asgnacón (dstrbucón,
Más detallesBoletín de la Tendencia Laboral del Desarrollo Humano
Boletín de la Tendenca Laboral del Desarrollo Humano Notas técncas AÑO 05 NÚMERO 6 PROGRAMA DE LAS NACIONES UNIDAS PARA EL DESARROLLO MÉXICO Nota técnca Índce de Compettvdad Socal (cs) El cs es una medda
Más detallesTema 9. Análisis de Varianza de un factor. Análisis de la Varianza (ANOVA) Conceptos generales
Tema 9 Análss de la Varanza (ANOVA) Conceptos generales La técnca del Análss de la Varanza consste en descomponer la varabldad de una poblacón (representada por su varanza) en dversos sumandos según los
Más detallesAnálisis de la varianza de un factor
Análss de la varanza de un factor El test t de muestras se aplca cuando se queren comparar las medas de dos poblacones con dstrbucones normales con varanzas guales y se observan muestras ndependentes para
Más detallesAnálisis del caso promedio. Técnicas Avanzadas de Programación - Javier Campos 70
Análss del caso promedo Técncas Avanzadas de Programacón - Javer Campos 70 Análss del caso promedo El plan: Probabldad Análss probablsta Árboles bnaros de búsqueda construdos aleatoramente Tres, árboles
Más detallesPyE_ EF2_TIPO1_
UNIVERSIDAD NACIONAL AUTÓNOMA DE MÉICO FACULTAD DE INGENIERÍA DIVISIÓN DE CIENCIAS BÁSICAS COORDINACIÓN DE CIENCIAS APLICADAS DEPARTAMENTO DE PROBABILIDAD Y ESTADÍSTICA SEGUNDO EAMEN FINAL RESOLUCIÓN SEMESTRE
Más detallesEstas medidas serán más significativas cuanto más homogéneos sean los datos y pueden ser engañosas cuando mezclamos poblaciones distintas.
UIDAD 3: Meddas estadístcas Las meddas estadístcas o parámetros estadístcos son valores representatvos de una coleccón de datos y que resumen en unos pocos valores la normacón del total de datos. Estas
Más detallesPoblación: Es el conjunto de todos los elementos cuyo conocimiento nos interesa y serán objeto de nuestro estudio.
Tema 9 - Estadístca - Matemátcas B 4º E.S.O. 1 TEMA 9 - ESTADÍSTICA 9.1 DOS RAMAS DE LA ESTADÍSTICA 9.1.1 - INTRODUCCIÓN Objetvo: La estadístca tene por objeto el desarrollo de técncas para el conocmento
Más detallesCARTAS DE CONTROL. Han sido difundidas exitosamente en varios países dentro de una amplia variedad de situaciones para el control del proceso.
CARTAS DE CONTROL Las cartas de control son la herramenta más poderosa para analzar la varacón en la mayoría de los procesos. Han sdo dfunddas extosamente en varos países dentro de una ampla varedad de
Más detallesRECETA ELECTRÓNICA: IMPACTO SOBRE EL GASTO FARMACEÚTICO
RECETA ELECTRÓNICA: IMPACTO SOBRE EL GASTO FARMACEÚTICO Introduccón Dseño del estudo Especfcacón del modelo Resultados Introduccón Dseño del estudo Especfcacón del modelo Resultados Introduccón: Esquema
Más detallesUNIVERSIDAD TECNOLÓGICA DE PANAMÁ H. R. Alvarez A., Ph. D.
Qué es capacdad? La cantdad de producto, sea este tangble o ntangble, que puede producrse bajo condcones dadas de operacón Las meddas relatvas al producto son normalmente utlzadas por organzacones enfocadas
Más detalles