Heterocedasticidad y autocorrelación
|
|
- Marina Parra Nieto
- hace 5 años
- Vistas:
Transcripción
1 Heterocedasticidad y autocorrelación Tema 6
2 Heterocedasticidad y Autocorrelación Esquema 1. Supuestos del modelo de regresión. 2. Distribución de los estimadores MCO. 3. Varianzas de los estimadores. 4. Inferencia. 5. Predicción
3 Regresión con heterocedasticidad La heterocedasticidad significa que var(ε i ) cte Es frecuente en especial con datos transversales Hay diversas circunstancias que justifican su aparición: En modelos de aprendizaje, los agentes reducen sus errores en el tiempo Hay variables explicativas que justifican una mayor variabilidad de los agentes Mejora en la recogida de datos reduce los errores Existencia de atípicos severos Mala especificación (omisión de variables, forma funcional, datos incorrectos ) La heterocedasticidad afecta a la eficiencia, pero los estimadores MCO siguen siendo insesgados y consistentes
4 Consecuencias de la heterocedasticidad El estimador MCO es Puesto que, Se mantiene la insesgadez La varianza será, ˆ ( ) 1 βmco = β+ X'X X'ε E ˆ E E 1 1 ( β) = [ β + ( X'X) X'ε] = β + [( X'X) X'ε] = β (por la exogeneidad) E[( βˆ β)( βˆ β)'] = ( X'X) X' εε' X( X'X) = E[( X'X) X' Σεε ' X( X'X) ] Pero ahora Σ εε σ 2 I y por tanto la expresión anterior no será igual a σ 2 (X X) -1 El estimador MCO ya no es eficiente
5 Estimación eficiente con heterocedasticidad Supongamos que conociésemos la forma de la heterocedasticidad var( ε X ) = λh( X ) Entonces el modelo transformado, tiene errores homocedásticos: i i i Yi 1 X1 i Xki εi = β0 + β βk + λhx ( ) λhx ( ) λhx ( ) λhx ( ) λhx ( ) i i i i i ε i 1 1 var = var( εi) = λhx ( i) = 1 λhx ( ) λhx ( i) λhx ( i) i Por tanto podemos estimar por MCO el modelo transformado. Este es el método de MCP y es una caso particular de MCG
6 Estimación eficiente con heterocedasticidad Por ejemplo si en Y i = β 0 + β 1 X i + ε i,var(ε i ) = λx i,en el modelo, Tendremos, Análogamente Yi 1 Xi εi = β0 + β1 + λx λx λx λx i i i i ε i 1 var = λ X i = 1 = cte. λx i λx i Yi 1 Xi εi = β0 + β1 + X X X X i i i i 2 ε i 1 var = λx i = λ = cte X i X i 2
7 Estimación eficiente con heterocedasticidad Cuando no se conoce la forma de la heterocedasticidad hay que estimarla para poder aplicar el método anterior: MCPF Una forma bastante flexible de modelizar la heteroscedasticidad es, ( ) var( ε X) = σ exp α + α X α X = σ h( X ) 2 2 i 0 1 1i k ki Si u i es una v.a. independiente de X y con media unitaria, ( X X ) u E ( X X ) ε = σ exp α + α α pues ( ε ) = σ exp α + α α i 0 1 1i k ki i i 0 1 1i k ki 2 ln( εi ) = δ0 + α0 + α1x1 i αkxki + ei que podemos estimar para obtener ˆ( ) hx y aplicar el método
8 Estimación robusta También podemos usar estimadores robustos ( ) var ˆ ( ˆ β ) ( n 2) [( X X) ˆ ε ] i i 1 = n n ( X1 i X) A la hora de decidirse por MCP o el estimador robusto, debemos tener en cuenta que, Si conocemos la forma de la heterocedasticidad, MCP es más eficiente que el estimador robusto Pero MCP (MCG) exige exogeneidad estricta En general el estimador robusto es mejor si hemos de emplear MCPF y es fácil de obtener al venir incorporado en todos los programas Considerando pros y contras junto con el hecho de que no se suele conocer la forma de la heterocedasticidad, no es extraño que hoy lo habitual sea emplear estimadores robustos
9 Partimos del modelo general, Contrastes de heterocedasticidad y β β X β X ε i = i k ki + i y queremos contrastar si el error es homocedástico, o sea deseamos contrastar, H : var( ε X,..., X ) = E( ε X,..., X ) = σ = cte i 1i ki i 1i ki Por tanto la estrategia para contrastar si se cumple la hipótesis, 2 consiste en ver si hay alguna relación entre ε i y las variables explicativas del modelo. Como no disponemos de ε i lo sustituimos por su estimador, ε. ˆi
10 Contrastes de heterocedasticidad Contraste de Breusch Pagan Para contrastar si la varianza del error se relaciona con las variables explicativas, estimamos el modelo 2 ˆ ε = α + α X α X + e i 0 1 1i k ki i A continuación contrastamos H 0 : α 1 = α k = 0. El estadístico de contraste nr 2 se distribuye como una χ 2 (k) Contraste de White Más potente y más empleado, es similar al anterior incluyendo como regresores potencias y, eventualmente, productos cruzados de las X El estadístico de contraste y su distribución son idénticos, nr 2 se distribuye como una χ 2 (k), pero ahora k será mayor
11 Ejemplo contraste heteroscedasticidad Test de Breusch-Pagan Dependent Variable: VOTEA Method: Least Squares Date: 01/14/16 Time: 17:26 Sample: Included observations: 173 Variable Coefficient Std. Error t-statistic Prob. C PRTYSTRA DEMOCA LEXPENDA LEXPENDB 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 Hannan-Quinn criter F-statistic Durbin-Watson stat Prob(F-statistic) Dependent Variable: U2 Method: Least Squares Date: 01/14/16 Time: 17:25 Sample: Included observations: 173 Variable Coefficient Std. Error t-statistic Prob. C PRTYSTRA DEMOCA LEXPENDA LEXPENDB 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 Hannan-Quinn criter F-statistic Durbin-Watson stat Prob(F-statistic) χ 2 (4)= nr 2 = = 9.093; (vc (5%) = 9,49) Econometría y predicción Matilla, M., Pérez, P. y Sanz, B. McGraw Hill
12 Ejemplo contraste heteroscedasticidad Dependent Variable: VOTEA Method: Least Squares Date: 01/14/16 Time: 17:26 Sample: Included observations: 173 Test de White Variable Coefficient Std. Error t-statistic Prob. C PRTYSTRA DEMOCA LEXPENDA LEXPENDB 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 Hannan-Quinn criter F-statistic Durbin-Watson stat Prob(F-statistic) Test Equation: Dependent variable U2 Variable Coefficient Std. Error t-statistic Prob. C PRTYSTRA^ PRTYSTRA*DEMOCA PRTYSTRA*LEXPEND PRTYSTRA*LEXPEND PRTYSTRA DEMOCA^ DEMOCA*LEXPENDA DEMOCA*LEXPENDB LEXPENDA^ LEXPENDA*LEXPEND LEXPENDA LEXPENDB^ LEXPENDB 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 Hannan-Quinn criter F-statistic Durbin-Watson stat Prob(F-statistic) χ 2 (13)= nr 2 = = 31,10; (vc (5%) = 22,4) Econometría y predicción Matilla, M., Pérez, P. y Sanz, B. McGraw Hill
13 Problemas de heteroscedasticidad Estimador robusto Dependent Variable: VOTEA Method: Least Squares Date: 01/14/16 Time: 17:26 Sample: Included observations: 173 Variable Coefficient Std. Error t-statistic Prob. C PRTYSTRA DEMOCA LEXPENDA LEXPENDB 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 Hannan-Quinn criter F-statistic Durbin-Watson stat Prob(F-statistic) Dependent Variable: VOTEA Method: Least Squares Date: 01/14/16 Time: 18:00 Sample: Included observations: 173 HAC standard errors covariance (Bartlett kernel, Newey-West fixed bandwidth = ) Variable Coefficient Std. Error t-statistic Prob. C PRTYSTRA DEMOCA LEXPENDA LEXPENDB 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 Hannan-Quinn criter F-statistic Durbin-Watson stat Prob(F-statistic) Wald F-statistic Prob(Wald F-statistic) Econometría y predicción Matilla, M., Pérez, P. y Sanz, B. McGraw Hill
14 Regresión con autocorrelación Hay autocorrelación serial si corr(ε t ε s ) 0 para t s Esta circunstancia afecta a la eficiencia de los estimadores MCO La autocorrelación es mucho más frecuente en series temporales (en series transversales se conoce como autocorrelación espacial) Entre los motivos por los que puede surgir el problema cabe señalar: Omisión de variables que por naturaleza están autocorrelacionadas Inercia propia de las series temporales Utilización de variables retardadas Manipulación de los datos
15 Regresión con autocorrelación Esta circunstancia afecta a la eficiencia de los estimadores MCO Si las perturbaciones están correlacionadas, Σ εε ' = E( εε ' X) es una matriz en la que no todos los elementos fuera de la diagonal principal son nulos En estas condiciones, como antes con heterocedasticidad, var( βˆ X) = ( X'X) X' Σ X( X'X) 1 1 εε ' es diferente de la habitual σ 2 (X X) -1. El estimador MCO ya no es eficiente
16 Perturbaciones esféricas Matriz εε homocedástica y no autocorrelacionada! " $ % Econometría y predicción Matilla, M., Pérez, P. y Sanz, B. McGraw Hill
17 Perturbaciones esféricas Matriz εε homocedástica y no autocorrelacionada! " $ % Matriz εε heterocedástica y no autocorrelacionada! " $ % Econometría y predicción Matilla, M., Pérez, P. y Sanz, B. McGraw Hill
18 Perturbaciones esféricas Matriz εε homocedástica y no autocorrelacionada! " $ % Matriz εε homocedástica y autocorrelacionada! " $ % Econometría y predicción Matilla, M., Pérez, P. y Sanz, B. McGraw Hill
19 Regresión con autocorrelación En un modelo de regresión simple con autocorrelación, la varianza del estimador de la pendiente puede descomponerse en, var ( ˆ β ) Entre corchetes la varianza de autocorrelación f T =1. 1 var[( X µ ) ε ] = f t X t T ( σ x ) ˆβ 1 T sin autocorrelación. Es decir, sin
20 Regresión con autocorrelación Cuando hay autocorrelación f T 1. En general Siendo f T =1+ 2 T (T 1)ρ T (T 2)ρ T ρ T 1 ε t = ρ 1 ε t 1 + ρ 2 ε t ρ T 1 ε t (t 1) y la expresión típica de la varianza del estimador dada por la fórmula anterior, deja de ser válida Como en el caso de la heterocedasticidad, si se conoce la forma de la autocorrelación podemos aplicar una transformación que conduce a un modelo con residuos no autocorrelacionados (MCG)
21 Regresión con autocorrelación: MCG Supongamos que en el modelo Y t =β 0 +β 1 X t + ε t el patrón de la autocorrelación de ε t es un AR(1), ε t = ρε t +u t, con ρ <1 Retardando un periodo y multiplicando por ρ, se tiene ρy t-1 = ρ β 0 + ρ β 1 X t-1 + ρε t-1, y restando del modelo original o bien, Y ρy = β ρβ + β X ρβ X + ( ε ρε ) = t t t 1 t 1 t t 1 = β (1 ρ) + β ( X ρx ) + u 0 1 t t 1 t Y = β + β X + u * * * t 0 1 t t donde, por definición, no hay autocorrelación y puede estimarse por MCO. Este es el método de MCG, pero exige conocer ρ o estimarlo (MCG factibles)
22 Regresión con autocorrelación: MCG El método anterior implica la pérdida de la primera observación, lo que puede ser relevante si la muestra es pequeña. Prais y Winstein idearon un método para recuperarla, Y = Y 1 ρ * X = X 1 ρ * Todo el desarrollo anterior está basado en el supuesto concreto de que la autocorrelación sigue un proceso AR(1) Si fuese otro, la transformación sería también diferente. Para un AR(2), * * Y = Y ρy ρ Y, X = X ρ X ρ X t t 1 t 1 2 t 2 t t 1 t 1 2 t 2
23 Regresión con autocorrelación Como en la regresión con heterocedasticidad, suele recurrirse a un estimador robusto para solucionar el problema (estimador HAC) Este viene dado por la expresión general σ 2 β1 = ˆσ 2 β1 f T 2 donde σˆβ 1 es el estimador de la varianza sin autocorrelación y la función f debe conocerse o estimarse. En la econometría actual hay diversos estimadores robustos, aunque en nuestro programa solo mencionamos uno de ellos
24 Contrastes de autocorrelación Contraste de Durbin y Watson. Se basa en el supuesto de que la autocorrelación es AR(1) y responde a la expresión, DW T 2 ( ˆ ε ˆ t εt 1) t= 2 = T 2 ˆ εt t= 1 2(1 ˆ ρ) En ausencia de autocorrelación (ρ = 0), DW = 2 Los valores críticos dependen del nº de parámetros (k) Contraste por defecto en todos los programas El funcionamiento de este contraste diferente del habitual
25 Zonas del contraste DW Contrastes de autocorrelación Autocorrelación (+) Indetermi nación NO AUTOCORRELACIÓN Indetermi nación Autocorrelación (-) 0 d L d U 2 4-d U 4-d L 4 Problemas del contraste DW Diseñado para AR(1) Exige variables explicativas no estocásticas No es aplicable si entre las explicativas hay retardos de la endógena Existencia de regiones no concluyentes
26 Contrastes de autocorrelación Contraste de Breusch-Godfrey. Contrasta la autocorrelación de cualquier orden. Se basa en la estimación de la ecuación ˆ ε = β + β X β X + ρεˆ ρ ˆ ε + e t 0 1 1t k kt 1 t 1 q t q t La hipótesis nula es H 0 : ρ 1 = = ρ q = 0 y el estadístico de contraste (n-q)r 2 se distribuye como una Ji cuadrada con q g.l. Cabe mencionar los contrastes de Box Pierce y de Ljung Box Q= T q j= 1 ˆ ρ 2 j Q' = T( T + 2) q j= 1 T ˆ ρ 2 j j
27 Autocorrelación: ejemplo Dependent Variable: LC Method: Least Squares Date: 01/14/16 Time: 18:12 Sample: 1 35 Included observations: 35 Variable Coefficient Std. Error t-statistic Prob. C LY I 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 Hannan-Quinn criter F-statistic Durbin-Watson stat Prob(F-statistic) Relación entre consumo, renta dispobible y tipo de interés Para n=35 y k = 2, d L y d u son respectivamente, y 1,584 Como 0,6999 está entre 0 y d L, rechazaríamos H 0 en favor de autocorrelación positiva El test de Breusch Godfrey para la autocorrelación de primer orden es, χ 2 (1) = 14,05, i.e., lleva a la misma conclusión Econometría y predicción Matilla, M., Pérez, P. y Sanz, B. McGraw Hill
28 Ejemplo Modelo 1: MCO, usando las observaciones (T = 30) Variable dependiente: l_pib00 Coeficiente Desv. Típica Estadístico t Valor p const 0, , ,583 0,0155 ** l_k 0, , ,30 9,77e-12 *** l_l 0, , ,968 3,32e-05 *** Media de la vble. dep. 13,20176 D.T. de la vble. dep. 0, Suma de cuad. residuos 0, D.T. de la regresión 0, R-cuadrado 0, R-cuadrado corregido 0, F(2, 27) 2079,075 Valor p (de F) 2,69e-30 Log-verosimilitud 73,27798 Criterio de Akaike 140,5560 Criterio de Schwarz 136,3524 Crit. de Hannan-Quinn 139,2112 rho 0, Durbin-Watson 0,141601
29 Ejemplo Modelo 1: MCO, usando las observaciones (T = 30) Variable dependiente: l_pib00 Coeficiente Desv. Típica Estadístico t Valor p const 0, , ,583 0,0155 ** l_k 0, , ,30 9,77e-12 *** l_l 0, , ,968 3,32e-05 *** Media de la vble. dep. 13,20176 D.T. de la vble. dep. 0, Suma de cuad. residuos 0, D.T. de la regresión 0, R-cuadrado 0, R-cuadrado corregido 0, F(2, 27) 2079,075 Valor p (de F) 2,69e-30 Log-verosimilitud 73,27798 Criterio de Akaike 140,5560 Criterio de Schwarz 136,3524 Crit. de Hannan-Quinn 139,2112 rho 0, Durbin-Watson 0, Autocorrelación (+) Indetermi nación NO AUTOCORRELACIÓN Indetermi nación Autocorrelación (-)
30 Ejemplo Modelo 1: MCO, usando las observaciones (T = 30) Variable dependiente: l_pib00 Coeficiente Desv. Típica Estadístico t Valor p const 0, , ,583 0,0155 ** l_k 0, , ,30 9,77e-12 *** l_l 0, , ,968 3,32e-05 *** Media de la vble. dep. 13,20176 D.T. de la vble. dep. 0, Suma de cuad. residuos 0, D.T. de la regresión 0, R-cuadrado 0, R-cuadrado corregido 0, F(2, 27) 2079,075 Valor p (de F) 2,69e-30 Log-verosimilitud 73,27798 Criterio de Akaike 140,5560 Criterio de Schwarz 136,3524 Crit. de Hannan-Quinn 139,2112 rho 0, Durbin-Watson 0, Modelo 2: MCO, usando las observaciones (T = 30) Variable dependiente: l_pib00 Desviaciones típicas HAC, con ancho de banda 2 (Kernel de Bartlett) Coeficiente Desv. Típica Estadístico t Valor p const 0, , ,282 0,0028 *** l_k 0, , ,641 3,98e-07 *** l_l 0, , ,650 0,0011 *** Media de la vble. dep. 13,20176 D.T. de la vble. dep. 0, Suma de cuad. residuos 0, D.T. de la regresión 0, R-cuadrado 0, R-cuadrado corregido 0, F(2, 27) 1825,727 Valor p (de F) 1,54e-29 Log-verosimilitud 73,27798 Criterio de Akaike 140,5560 Criterio de Schwarz 136,3524 Crit. de Hannan-Quinn 139,2112 rho 0, Durbin-Watson 0,141601
31 Resumen Si las perturbaciones no son esféricas los estimadores son insesgados pero no eficientes MCG: en general si Y = Xβ+ε con E(εε )=Ω entonces se busca la transformación T tal que TT =Ω -1 y entonces, en se tiene, T'Y = T'Xβ + T'ε E( ) ( ) ( ) T'εε'T = T' E εε' T = T' Ω T = T' HH' T = T'T' T T = I En función del incumplimiento variará T Estimador HAC: válido con heterocedasticidad y/o autocorrelación: σ 2 σ 2 T 1 ˆ 1 % = ρ β β T T = + j ˆ f, con f 1 2 ( T j) T, con truncamiento m, o ˆ ˆ j= 1 ( ) ˆ ˆ j ˆ ˆ ˆ m var( ˆ β m T ) = Γ (0) + 1 ( j) '( j), ( j) T ˆ εεˆ ' j= 1 Γ + Γ Γ = x x t= j+ 1 t t t t j
Regresión 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 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 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 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 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 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 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 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 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 detallesEconometría 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 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 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 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 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 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 detallesMétodos Estadísticos para Economía y Gestión IN 540 Clase 7
Métodos Estadísticos para Economía y Gestión IN 540 Clase 7 Perturbaciones no Esféricas 17 de junio de 2010 1 Preliminares Matriz de Varianzas y Covarianzas cuando ɛ t es un AR(1) Naturaleza y causas de
Más 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 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 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 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 detallesModelos Econométricos Lección 4. Estimación de una sola ecuación entre variables cointegradas (con mecanismo de corrección del error)
Modelos Econométricos Lección 4. Estimación de una sola ecuación entre variables cointegradas (con mecanismo de corrección del error) Presentado por Juan Muro Motivación Para entender en profundidad la
Más 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 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. 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 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 detallesD to de Economía Aplicada Cuantitativa I Basilio Sanz Carnero
D to de Economía Aplicada Cuantitativa I Basilio Sanz Carnero Tendencia estocástica y determinista Una serie de tiempo tiene tendencia estocástica (o también denominadas estacionarias en diferencias) cuando
Más 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 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 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 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 detallesENUNCIADOS DE PROBLEMAS
UNIVERSIDAD CARLOS III DE MADRID ECONOMETRÍA I Curso 2005/06 EXAMEN FINAL (Convocatoria extraordinaria) 1 de Septiembre de 2006 ENUNCIADOS DE PROBLEMAS PROBLEMA 1: INVERSIÓN Y VALOR DE MERCADO Deseamos
Más detallesModelos con Datos de Panel
Modelos con Datos de Panel Econometría II Grado en Economía Universidad de Granada Modelosdedatosdepanel 1/26 Contenidos Modelosdedatosdepanel 2/26 Elmodelo Modelosdedatosdepanel 3/26 Elmodelo Hasta el
Más 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 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 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 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 detallesD to de Economía Aplicada Cuantitativa I Basilio Sanz Carnero
D to de Economía Aplicada Cuantitativa I Basilio Sanz Carnero INTRODUCCIÓN El problema de medir relaciones económicas a largo plazo (regresión entre variables económicas en niveles o no estacionarias)
Más 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 detallesT5. Ampliación del modelo lineal básico
T5. Ampliación del modelo lineal básico Ana J. López y Rigoberto Pérez Dpto Economía Aplicada. Universidad de Oviedo Curso 2010-2011 Ana J. López y Rigoberto Pérez (Dpto Economía T5. Aplicada. Ampliación
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 detallesT3. El modelo lineal básico
T3. El modelo lineal básico Ana J. López y Rigoberto Pérez Dpto Economía Aplicada. Universidad de Oviedo Curso 2010-2011 Curso 2010-2011 1 / 41 Índice 1 Regresión lineal múltiple Planteamiento Hipótesis
Más detallesLEY DE WAGNER EN EL CASO COLOMBIANO,
865 II Congreso Virtual Internacional Desarrollo Económico, Social y Empresarial en Iberoamérica (Junio 2017) LEY DE WAGNER EN EL CASO COLOMBIANO, 1970-2010. Astrid León Camargo* Docente de la Universidad
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 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 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 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 detallesEl Modelo de Regresión Lineal General Estimación
Tema 5 El Modelo de Regresión Lineal General Estimación Pilar González y Susan Orbe Dpto Economía Aplicada III (Econometría y Estadística) Pilar González y Susan Orbe OCW 2013 Tema 5 MRLG: Estimación 1
Más 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 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 detallesFundamentos del Análisis Econométrico. Dante A. Urbina
Fundamentos del Análisis Econométrico Dante A. Urbina Qué es la Econometría? Etimológicamente Econometría significa medición de la economía. En ese contexto, la Econometría es la aplicación de métodos
Más 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 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 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 detallesT6. Modelos multiecuacionales
T6. Modelos multiecuacionales Ana J. López y Rigoberto Pérez Dpto Economía Aplicada. Universidad de Oviedo Curso 2010-2011 Curso 2010-2011 1 / 41 Índice 1 Los modelos multiecuacionales: SUR y SEM 2 Modelos
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 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 detallesPRÁCTICA 05 HETEROCEDASTICIDAD, SELECCIÓN DE REGRESORES Y PREDICCIÓN
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
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 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 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 detallesCAPITULO 4. MODELO ECONOMETRICO. 4.1 Planteamiento del modelo.
96 CAPITULO 4. MODELO ECONOMETRICO. 4. Planteamiento del modelo. Desde el principio de esta investigación se ha hecho hincapié en descubrir el peso que tiene la inversión neta en el crecimiento de la economía
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 detallesTema 4: Cuestiones importantes en el Modelo Lineal General (MLG) Universidad Complutense de Madrid Febrero de 2012
Tema 4: Cuestiones importantes en el Modelo Lineal General (MLG) Universidad Complutense de Madrid Febrero de 2012 Colinealidad (I) La multicolinealidad es un problema que surge cuando las variables explicativas
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 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 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 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 detalleslog Y = log + v log K + (1 )v log L 1=2 log(1 )v[log(k=l)] 2 + U = log K + 2 log L + 3 [log(k=l)] 2 + U;
Universidad Carlos III de Madrid Econometría Examen Final, Convocatoria Extraordinaria, Curso 2014-2015. Duración del examen: 2 horas. Nota importante: Alguna información contenida en las salidas es redundante.
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 detallesUNIVERSIDAD CARLOS III DE MADRID ECONOMETRÍA I Curso 2004/05 EXAMEN FINAL (Convocatoria extraordinaria) 1 de Septiembre de 2005 PROBLEMA
UNIVERSIDAD CARLOS III DE MADRID ECONOMETRÍA I Curso 2004/05 EXAMEN FINAL (Convocatoria extraordinaria) 1 de Septiembre de 2005 PROBLEMA La especi cación de curvas de Engel para gasto en alimentación establece
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 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 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 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 detallesTema 2. Heterocedasticidad. 1 El modelo de regresión lineal con errores heterocedásticos
ema 2. Heterocedasticidad. El modelo de regresión lineal con errores heterocedásticos En este tema vamos a analizar el modelo de regresión lineal Y t = X tβ + u t, donde X t = (X t, X 2t,.., X kt y β =
Más detallesEconometría 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 detallesSOLUCIÓN DE LA QUINTA PRÁCTICA CALIFICADA DE ECONOMETRIA II. Variable Coefficient Std. Error t-statistic Prob.
UNIVERSIDAD NACIONAL DE PIURA FACULTAD DE ECONOMIA DEPARTAMENTO DE ECONOMIA SOLUCIÓN DE LA QUINTA PRÁCTICA CALIFICADA DE ECONOMETRIA II 1º El investigador especifica el modelo siguiente: CRESB_PRI(t) =
Más detallesUNIVERSIDAD CARLOS III DE MADRID ECONOMETRÍA EXAMEN FINAL (Modelo C)
UNIVERSIDAD CARLOS III DE MADRID ECONOMETRÍA EXAMEN FINAL (Modelo C) DURACION: 2 HORAS Y 15 MINUTOS Instrucciones: 1. Este un modelo de examen que le servirá para autoevaluarse de todos los contenidos
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 detallesInflación por exceso de demanda por el lado del capital: el caso argentino reciente.
Inflación por exceso de demanda por el lado del capital: el caso argentino reciente. Santiago J. Gahn 1 Apéndice I Cuadro I: DFA Lag Length: 1 (Automatic - based on HQ, maxlag=13) t-statistic Prob.* Augmented
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 detallesLA MODELACIÓN DEL PRECIO MENSUAL DE LA ELECTRICIDAD EN COLOMBIA: ELEMENTOS ECONOMÉTRICOS. Elkin Castaño V.
LA MODELACIÓN DEL PRECIO MENSUAL DE LA ELECTRICIDAD EN COLOMBIA: ELEMENTOS ECONOMÉTRICOS Elkin Castaño V. Escuela de Estadística Universidad Nacional de Colombia Departamento de Economía Universidad de
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 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 detallesy x Estimar por MCO un modelo lineal entre la variable explicada (y) y las
Ejercicio MLG Disponemos de los siguientes datos y x x3 7 6 0 4 3 7 8 6 3 6 6 5 8 9 8 Se pide. Estimar por MCO un modelo lineal entre la variable explicada (y) y las explicativas (x).. Comprobar que el
Más 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 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 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 detallesModelo Multiecuacional para la economía española
Facultad de Ciencias Económicas y Empresariales Grado en Economía Modelo Multiecuacional para la economía española Presentado por: Kevin Alonso Moreda Tutelado por: Jesús Cavero Álvarez Valladolid, 13
Más detallesHerramientas para el Estudio de Mercado. Técnicas de Predicción.
Herramientas para el Estudio de Mercado Proyecciones Económicas Técnicas de Predicción. Profesor: Exaú Navarro Pérez Técnicas de Predicción. Introducción. Técnicas Elementales de Predicción. Modelo Econométrico.
Más detallesEJEMPLO DE APLICACIÓN DE MODELIZACIÓN ARIMA A LA SERIE DE COTIZACIONES DIARIAS DE TERRA - LYCOS NOVIEMBRE 1999 A JUNIO 2001
EJEMPLO DE APLICACIÓN DE MODELIZACIÓN ARIMA A LA SERIE DE COTIZACIONES DIARIAS DE TERRA - LYCOS NOVIEMBRE 1999 A JUNIO 2001 CURSO DE TÉCNICAS DE PREVISIÓN DE VARIABLES FINANCIERAS PROGRAMA CITIUS Junio
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 detallesNueva estimación sobre el volumen del PBI informal en base al método de la demanda de circulante. Joaquín Días y Carla Di Paula.
Nueva estimación sobre el volumen del PBI informal en base al método de la demanda de circulante. Joaquín Días y Carla Di Paula Octubre 2009 Este documento tiene por objetivo presentar una nueva estimación
Más detallesTema 4. El Modelo de Regresión Lineal con Series Temporales.
Tema 4. El Modelo de Regresión Lineal con Series Temporales. En este tema, estudiaremos en detalle la estimación e inferencia del modelo de regresión con datos de series temporales. Dadas las diferencias
Más detallesRegresión con series temporales
Regresión con series temporales Miguel Jerez Universidad Complutense de Madrid Septiembre 2014 Slide # 1 Índice Introducción Correlación espuria Transformaciones de datos Cointegración Modelos deterministas
Más detallesHoja de Ejercicios de Econometría: Autocorrelación
Hoja de Ejercicios de Economería: Auocorrelación Ejercicio Un invesigador ha esimado por MCO un modelo de relación enre el consumo ( C ), su pasado y la rena ( R ): () C = β + βc + βr + ε obeniendo los
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 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 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 detalles