Propuesta de solución: ejercicio C3.9 (Wooldridge, 2010) Fortino Vela Peón Octubre, 2011
|
|
- Francisco José Acuña Zúñiga
- hace 5 años
- Vistas:
Transcripción
1 Propuesta de solucón: ejercco C3.9 (Wooldrdge, 010) Fortno Vela Peón Octubre, 011
2 Ejercco C3.9. Wooldrdge (010) Contans data from C:\FVELA\DATOS STATA\WOOLDRIGE\charty.dta obs: 4,68 vars: 8 5 Apr : sze: 110,968 (99.8% of memory free) storage dsplay value varable name type format label varable label respond byte %9.0g =1 f responded wth gft gft nt %9.0g amount of gft, Dutch gulders resplast byte %9.0g =1 f responded to most recent malng weekslast float %9.0g number of weeks snce last response propresp float %9.0g response rate to malngs malsyear float %9.0g number of malngs per year gftlast nt %9.0g amount of most recent gft avggft float %9.0g average of past gfts Sorted by:
3 ) gft = o + 1 malsyear + gftlast + 3 propresp+ u Modelo 1 gft = o + 1 malsyear + u Varable model1 model malsyear gftlast propresp _cons N r r_a legend: b/se/p Modelo
4 ) En el modelo 1, al aumentar en una undad el número de envíos (correos) al año, el monto de las donacones aumenta en promedo.17 flornes, mantenendo al resto de las varables constantes. Por su parte, en el modelo, al aumentar en una undad el número de envós al año, el monto de las donacones aumenta en promedo.65 flornes. ˆ 1 1 Se observa que MODELO > MODELO 1 (.65>.17) ˆ
5 ) gft = o + 1 malsyear + gftlast + 3 propresp+ u En el modelo 1, al aumentar en 1% la tasa de respuesta de los correos, en promedo, las donacones aumentan en aproxmadamente flornes, ceters parbus.
6 v) gft = o + 1 malsyear + gftlast + 3 propresp+ 4 avggft+ u Varable model1 model model malsyear gftlast propresp avggft _cons N r r_a legend: b/se/p Se puede observar que el efecto parcal de malsyear dsmnuye.
7 v) gft = o + 1 malsyear + gftlast + 3 propresp+ 4 avggft+ u Varable model1 model model malsyear gftlast propresp avggft _cons N r r_a legend: b/se/p Por su parte, el efecto parcal de la varable gftlast no solo camba de valor sno que tambén de sgno.
8 Examínenos algunos aspectos del modelo con ayuda de lo señalado en Wooldrdge (010) y Stata. F. VELA
9 Matrz de dagramas de dspersón 4 amount of gft, Dutch gulders 0 4 number of malngs per year amount of most recent gft response rate to malngs average of past gfts
10 number of malngs per year amount of most recent gft amount of gft, Dutch gulders Ftted values amount of gft, Dutch gulders Ftted values response rate to malngs average of past gfts amount of gft, Dutch gulders Ftted values amount of gft, Dutch gulders Ftted values
11 reg gft malsyear gftlast propresp avggft Source SS df MS Number of obs = F( 4, 463) = Model Prob > F = Resdual R-squared = Adj R-squared = Total Root MSE = gft Coef. Std. Err. t P> t [95% Conf. Interval] malsyear gftlast propresp avggft _cons vf Varable VIF 1/VIF avggft gftlast malsyear propresp Mean VIF 3.85
12 gft malsy~r gftlast propresp avggft gft malsyear gftlast propresp avggft F. VELA
13 Valores atípcos y leverage Leverage Normalzed resdual squared Resduals
14 Especfcacón del modelo Tres son las característcas esencales de consderar al momento de elegr un modelo: la forma funconal; la seleccón de las varables o regresores del modelo; y el cumplmento de los supuestos sobre los que se sustenta el modelo. Vamos a referrnos a las dos prmeras.
15 Forma funconal Aunque ntervenen aspectos teórcos, la eleccón de la forma funconal de la ecuacón de regresón es más un arte que una cenca. Una ayuda ndspensable son los dagramas de dspersón. Exste una prueba que tambén nos auxla a resolver este punto: la prueba RESET de Ramsey.
16 Prueba RESET Dseñada para verfcar error de especfcacón en la forma funconal plantada por el modelo pero NO como una prueba de varables omtdas.
17 El procedmento es el sguente: H 0 : Forma funconal vs H 1 : La forma funconal es adecuada no es adecuada Estme el modelo de regresón suponendo que la forma funconal es la correcta. Yˆ Obtenga los valores. Calcule el cuadrado y cubo de estos valores 3 (esto es, Yˆ y Yˆ ), y agréguese al modelo como varables ndependentes. Estme el nuevo modelo y pruebe la sgnfcanca conjunta de los coefcentes asocados a las nuevas varables.
18 De esta manera, para el ejemplo consderado, se tene: gft = malsyear+ gftlast+ 3 propresp+ 4 avggft+ u (1) gft = + 1 malsyear+ gftlast+ 3 propresp γ1 Ŷ +γ Ŷ + u avggft () Al modelo () se le denomna el modelo no restrngdo, mentras que al modelo (1) el modelo restrngdo. La restrccón mpuesta en (1) es que γ 1 =γ =0
19 H 0 : Forma funconal vs H 1 : La forma funconal es adecuada no es adecuada equvalentes H 0 : γ 1 =γ =0 vs H 1 : cualquer otra cosa El estadístco de prueba apropado para este contraste de hpótess esta dado por: F = ( SCER SCE SCENR ) / M /( n k) NR donde M= # de restrccones; n= # obs. y k= # coefcentes del modelo no restrngdo.
20 H 0 : γ 1 =γ =0 vs H 1 : cualquer otra cosa Varable full restr~o malsyear gftlast propresp avggft yhat yhat _cons N r r_a rss 7.7e e legend: b/se/p F = = ( SCER SCE SCENR ) / M /( n k) NR ( ) / /(468 7) = Regla de decsón Rechazar H o ss F c > F t donde F t =F (-461) =3.00
21 Otra versón de la prueba sería: gft = + 1 malsyear+ gftlast+ 3 propresp+ 4 avggft 0 + gft = + 1 malsyear+ gftlast+ 3 propresp γ Ŷ + γ Ŷ + γ Ŷ u avggft u (1) () Técncamente no hay problema pero consume más grados de lbertad y la prueba perde potenca en la medda que se agregan más térmnos. A esta versón se le suele denomnar RESET(3), ya que se tenen tres restrccones. La anteror versón, por ende, sería RESET().
22 Varable full1 restr~o malsyear gftlast propresp avggft yhat yhat yhat _cons N r r_a rss 7.1e e legend: b/se/p F = ( SCER SCE SCENR ) / M /( n k) NR ( ) / 3 = /(468 8) = Regla de decsón Rechazar H o ss F c > F t donde F t =F (3,460) =3.00. La decsón sería la msma, Rechazar Ho.
23 RESET(3) es la versón que por default tene ntegrada Stata en sus rutnas. quetly reg gft malsyear gftlast propresp avggft estat ovtest Ramsey RESET test usng powers of the ftted values of gft Ho: model has no omtted varables F(3, 460) = Prob > F = Pero observe lo que se señala en H o. Tenga cudado.
24 SELECCIÓN DE REGRESORES Dos casos: Omtr varables relevantes. Inclur varables rrelevantes. Cada uno tene dferentes mplcacones sobre el modelo. En el caso de omsón los estmadores son sesgados.
25 OMISIÓN DE VARIABLES Sea Y + u = = 1 + (1) modelo real Y + v () modelo estmado donde v + u ˆ = 3 3 Recordemos que, en general, n = 1 ( ( ) = 0 )( Y = ( ) Y ) (3) (4) (5)
26 Reescrbendo a (4) se tene (6) donde = ) ( ) ( ) ( ˆ Y Y (7) Tomando en cuenta (5) queda como = = = wy Y Y ) ( ) ( ) ( ) ( ˆ = ) ( ) ( w
27 Por lo tanto (6) es ˆ = w Y (6) Recuerde tambén que w presenta las propedades w = 0 w =1 (7 ) (7 ) Susttuyendo a () en (6) se tene ˆ = ) w v w ( v = 1 w + w + ˆ + = w v (8)
28 Ahora susttuyendo (3) en (8) (9) (10) Consderando (7) y (7 ) la expresón (9 ) se reescrbe como + + = + + = + = u w w u w v w ) ( ˆ + = + = ) ( ) ( ˆ w ) ( ), ( ) ( ) )( ( ˆ Var Cov + = + = Tomando la esperanza de (9) [ ] + = + + = w w E u w E ) ( ˆ (9 )
29 Por lo tanto de (10) se desprende que: ˆ Cov(, = + 3 Var( ) 3 ) (10) ) Ante la omsón de varables relevantes en el modelo, los estmadores son sesgados; ) La dreccón del sesgo depende del sgno de 3 estmado y de la covaranza entre y 3 ; ) En un modelo de regresón lneal smple, el sesgo podría sobrevalorar la contrbucón de la varable ncluda en el modelo.
30 Recordemos lo que sucede en nuestro ejemplo. gft = o + 1 malsyear + gftlast + 3 propresp+ u gft = o + 1 malsyear + u Modelo Varable model1 model malsyear gftlast propresp _cons N r r_a legend: b/se/p Modelo
31 INCLUSIÓN DE VARIABLES NO RELEVANTES La posbldad de omtr varables podría hacer pensar que una buena estratega sería nclur al mayor número de varables en el modelo. Esto no solo complca la nterpretacón de los resultados sno que nfla las varanzas de los estmadores. De esta manera, se reduce la precsón de los estmadores.
32 En el ejemplo consderado se tene: Varable model1 model model malsyear gftlast propresp avggft _cons N r r_a legend: b/se/p
33 Multcolnealdad F. VELA
34 Sntaxs en Stata.quetly reg gft malsyear gftlast propresp.estmates store model1.quetly reg gft malsyear.estmates store model.estmates table model1 model, b(%7.4f) se(%7.4f) p(%7.4f) stats(n r r_a).quetly reg gft malsyear gftlast propresp avggft.estmates store model3
35 .estmates table model1 model model3, b(%7.4f) se(%7.4f) p(%7.4f) stats(n r r_a).graph matrx gft malsyear gftlast propresp avggft.twoway (sc gft malsyear) (lft gft malsyear), savng(c:\fvela\grafcasstata\x1.gph)
36 .twoway (sc gft gftlast) (lft gft gftlast), savng(c:\fvela\grafcasstata\x.gph).twoway (sc gft propresp) (lft gft propresp), savng(c:\fvela\grafcasstata\x3.gph).twoway (sc gft avggft) (lft gft avggft), savng(c:\fvela\grafcasstata\x4.gph)
37 .graph combne C:\FVELA\grafcasstata\x1.gph C:\FVELA\grafcasstata\x.gph C:\FVELA\grafcasstata\x3.gph C:\FVELA\grafcasstata\x4.gph, ycommon.reg gft malsyear gftlast propresp avggft.vf.pwcorr gft malsyear gftlast propresp avggft, sg F. VELA
38 **Valores atípcos y leverage**.quetly reg gft malsyear gftlast propresp avggft.predct res, res.predct h, lev.sum res h.graph box res.ds 5.8e-09-(3* ).ds 5.8e-09+(3* ).lst res f <res< lst h f h>.50.lvrplot
39 **Prueba de homoscedastcdad**.rvfplot.rvpplot malsyear, ms(oh) ylne(0).graph save Graph "C:\FVELA\grafcasstata\x5.gph".rvpplot propresp, ms(oh) ylne(0).graph save Graph "C:\FVELA\grafcasstata\x6.gph".rvpplot gftlast, ms(oh) ylne(0).graph save Graph "C:\FVELA\grafcasstata\x7.gph".rvpplot avggft, ms(oh) ylne(0)
40 .graph save Graph "C:\FVELA\grafcasstata\x8.gph".gr combne C:\FVELA\grafcasstata\x5.gph C:\FVELA\grafcasstata\x6.gph C:\FVELA\grafcasstata\x7.gph C:\FVELA\grafcasstata\x8.gph.quetly reg gft malsyear gftlast propresp avggft.hettest.whtetst.mtest, whte
41 **RESET**.quetly reg gft malsyear gftlast propresp avggft.estmates store full.estmates table full, b(%7.4f) se(%7.4f) p(%7.4f) stats(n r r_a rss).predct yhat.gen yhat=yhat^.gen yhat3=yhat^3.quetly reg gft malsyear gftlast propresp avggft yhat yhat3.estmates store restrngdo.estmates table full, b(%7.4f) se(%7.4f) p(%7.4f) stats(n r r_a rss)
42 **RESET**.quetly reg gft malsyear gftlast propresp avggft.estmates store full.predct yhat.gen yhat=yhat^.gen yhat3=yhat^3.quetly reg gft malsyear gftlast propresp avggft yhat yhat3.estmates store restrngdo.estmates table full restrngdo, b(%7.4f) se(%7.4f)p(%7.4f) stats(n r r_a rss).scalar num=( )/.scalar den= /(468-7).ds num/den
43 **RESET(3)**.gen yhat4=yhat^4.quetly reg gft malsyear gftlast propresp avggft yhat yhat3 yhat4.estmates store full1.estmates table full1 restrngdo, b(%7.4f) se(%7.4f)p(%7.4f) stats(n r r_a rss).scalar num=( )/3.scalar den= /(468-8).ds num/den.quetly reg gft malsyear gftlast propresp avggft.estat ovtest
Variables Dummy (parte I)
Varables Dummy (parte I) Fortno Vela Peón Unversdad Autónoma Metropoltana fvela@correo.xoc.uam.mx Octubre, 2010 19/10/2010 Méxco, D. F. 1 Introduccón Algunas de las varables son por su naturaleza propa
Más detallesTema 3: Procedimientos de Constrastación y Selección de Modelos
Tema 3: Procedmentos de Constrastacón y Seleccón de Modelos TEMA 3: PROCEDIMIENTOS DE CONTRASTACIÓN Y SELECCIÓN DE MODELOS 3) Introduccón a los Modelos con Restrccones Estmacón Restrngda 3) Contrastes
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 detallesImages created with STATA software. Regresión múltiple. Por qué controlar?
Images created wth STATA software. Regresón múltple Por qué controlar? Ejemplo de la smpatía de Gore Supongamos: La smpatía de Gore está en funcón de la de Clnton y no drectamente en funcón del partdo.
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 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 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 detallesEJERCICIOS CAPITULO 9. GUJARATI-PORTER (2010)
EJERCICIOS CAPITULO 9. GUJARATI-PORTER (2010) 9.21 a) clear edit tsset year list +-------------------------------+ year savings income dum ------------------------------- 1. 1970 61 727.1 0 2. 1971 68.6
Más 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 detallesMULTICOLINEALIDAD (Gujarati y Porter, Capítulo 10) Ejemplo de la sección donde
MULTICOLINEALIDAD (Gujarati y Porter, 2010. Capítulo 10) Ejemplo de la sección 10.10 Datos Longley obs Y X1 X2 X3 X4 X5 TIME 1947 60323 830 234289 2356 1590 107608 1 1948 61122 885 259426 2325 1456 108632
Más detallesEjercicios Wooldridge (2010) 5ª. ed.
Ejercicios Wooldridge (2010) 5ª. ed. Capitulo 2 C2.2 use "C:\fvela\econometrics wooldridge\stata\ceosal2.dta", clear i) sum salary ceoten Variable Obs Mean Std. Dev. Min Max ---------------------- salary
Más detallesMODELOS DE ELECCIÓN BINARIA
MODELOS DE ELECCIÓN BINARIA Econometría I UNLP http://www.econometra1.depeco.econo.unlp.edu.ar/ Modelos de Eleccón Bnara: Introduccón Estamos nteresados en la probabldad de ocurrenca de certo evento Podemos
Más detallesEJC 15: DATOS PANEL. PRIMERA DIFERENCIA-EFECTOS FIJOS-EFECTOS ALEATORIOS Wooldridge, pags. 419, 441, 449, 452.
EJC 15: DATOS PANEL. PRIMERA DIFERENCIA-EFECTOS FIJOS-EFECTOS ALEATORIOS Wooldridge, pags. 419, 441, 449, 452. En este ejemplo se presentan los estimadores de primera diferencia, de efectos fijos y 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 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 detalles6 Heteroscedasticidad
6 Heteroscedastcdad Defncón casas de heteroscedastcdad Defncón: la varanza de la pertrbacón no es constante. Casas: a natraleza de la relacón entre las varables Ejemplo : relacón gasto-renta; Hogares con
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 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 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 detallesEjercicios y Talleres. puedes enviarlos a
Ejerccos y Talleres puedes envarlos a klasesdematematcasymas@gmal.com www.klasesdematematcasymas.com EJERCICIOS DE REGRESIONES Y ANALISIS DE COVARIANZA Analzar la nformacón recoplada por medo de los dferentes
Más detallesGuía de interpretaciones y comandos STATA en apoyo a la solución de algunos ejercicios de la tarea para el Examen Final con
UNAM Facultad de Economía Curso de licenciatura Introducción a la econometría Guía de interpretaciones y comandos STATA en apoyo a la solución de algunos ejercicios de la tarea para el Examen Final con
Más detallesExamen Final de Econometría Grado
Examen Fnal de Econometría Grado 17 de Mayo de 2016 15.30 horas Apelldos: Grado (ADE/ ECO): Nombre del profesor(a): Nombre: Grupo: Emal: Antes de empezar a resolver el examen, rellene TODA la nformacón
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 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 detallesEspecialista en Estadística y Docencia Universitaria REGRESION LINEAL MULTIPLE
Especalsta en Estadístca y Docenca Unverstara REGRESION LINEAL MULTIPLE El modelo de regresón lneal múltple El modelo de regresón lneal múltple con p varables predctoras y basado en n observacones tomadas
Más detalles... *Elasticidad ingreso del gasto en electricidad (Modelo Restringido). reg lviv ling
---- ---------------------------------------- log: C:\datos\docencia\econIccee\practicas2009\chowlog log type: text opened on: 17 Sep 2009, 17:58:52 use "$ruta\chowdta", clear * crear variable logaritmo
Más 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 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 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 5: Incumplimiento de las Hipótesis sobre el Término de Perturbación
Tema 5: Incumplmento de las Hpótess sobre el Térmno de Perturbacón TEMA 5: INCMPLIMIENTO DE LAS HIPÓTESIS SOBRE EL TÉRMINO DE PERTRBACIÓN 5.) Introduccón 5.) El Modelo de Regresón Lneal Generalzado 5.3)
Más detallesVarianza del error no constante: heteroscedasticidad. Fortino Vela Peón Universidad Autónoma Metropolitana
Varianza del error no constante: heteroscedasticidad Fortino Vela Peón Universidad Autónoma Metropolitana fvela@correo.xoc.uam.mx Octubre, 2010 11/08/2011 México, D. F. 1 Tipos de residuales En ocasiones
Más detallesAgenda del 17/5/2017
Agenda del 17/5/2017 Regresón lneal Idea y orgen La geometría de los mínmos cuadrados Los problemas numércos que conducen a malos resultados. Ejemplo real. Mínmos cuadrados no lneales Demostracón de software
Más detallesPRUEBA DE FALTA DE AJUSTE (Lack-of-fit Test) Fortino Vela Peón fvela@correo.xoc.uam.mx
PRUEBA DE FALTA DE AJUSTE (Lack-of-fit Test) Fortino Vela Peón fvela@correo.xoc.uam.mx Octubre, 2011 Introducción Un supuesto básico del modelo es la existencia de una relación lineal entre la variable
Más detallesYearly analysis Confidence interval ci ch4
Data obtained from the statistical program stata: Yearly analysis Confidence interval ci 243 49.80329 1.063871 47.70766 51.89892 sum,d ------------------------------------------------------------- Percentiles
Más detallesFE DE ERRATAS Y AÑADIDOS AL LIBRO FUNDAMENTOS DE LAS TÉCNICAS MULTIVARIANTES (Ximénez & San Martín, 2004)
FE DE ERRATAS Y AÑADIDOS AL LIBRO FUNDAMENTOS DE LAS TÉCNICAS MULTIVARIANTES (Xménez & San Martín, 004) Capítulo. Nocones báscas de álgebra de matrces Fe de erratas.. Cálculo de la transpuesta de una matrz
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 detallesPronósticos, Series de Tiempo y Regresión. Capítulo 4: Regresión Lineal Múltiple
Pronósticos, Series de Tiempo y Regresión Capítulo 4: Regresión Lineal Múltiple Temas Modelo de regresión lineal múltiple Estimaciones de Mínimos Cuadrados Ordinarios (MCO); estimación puntual y predicción
Más detallesModelo de Regresión Lineal Múltiple. Heterocedasticidad. Dr. Víctor Aguirre
Modelo de Regresón Lneal Múltple. Heterocedastcdad. Dr. Víctor Agurre Propósto Estudar el caso en que la varanza condconal de Y dado no sea constante. Veremos Porqué sucede? Consecuencas sobre el EMC Deteccón.
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 detallesEstimación de una función de gasto en alimentos
Base de datos http://www.principlesofeconometrics.com/poe4/poe4stata.htm Definición de variables http://www.principlesofeconometrics.com/poe4/data/def/food.def food.def food_exp income Obs: 40 food_exp
Más detallesSolución de los Ejercicios de Práctica # 1. Econometría 1 Prof. R. Bernal
Solucón de los Ejerccos de ráctca # 1 Econometría 1 rof. R. Bernal 1. La tabla de frecuencas está dada por: Marca A Marca B
Más detalles1.-Especificaciones lineales de las variables explicativas
Tema 6: Especfcacón De La Forma Funcona De La Ecuacón. Interpretacon Aplcacones.-Especfcacones lneales de las varables explcatvas.- Especfcacón cuadrátca 3.- Especfcacón lneal o cuadrátca con un térmno
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 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 detallesEl contexto básico para el análisis es un modelo de regresión de la forma: α (1)
ECONOMETRIA - ECON 3301 - SEMESTRE II - 08 Profesor: Ramón Rosales; rrosales@unandes.edu.co Profesor Taller: Wllam Delgado; w-delgad@unandes.edu.co Profesor Taller: Juan Carlos Vasquez; jvasquez@unandes.edu.co
Más detallesVariables Dummy (parte II) Fortino Vela Peón Universidad Autónoma Metropolitana
Varables Dummy (parte II) Fortno Vela Peón Unversdad Autónoma Metropoltana fvela@correo.xoc.uam.mx Octubre, 2010 20/10/2011 Méxco, D. F. 1 Introduccón Solo se ha consderado modelos donde ntervenen úncamente
Más detallesRegresión y correlación simple 113
Regresón y correlacón smple 113 Captulo X ANALISIS DE REGRESION Y CORRELACION El análss de regresón consste en emplear métodos que permtan determnar la mejor relacón funconal entre dos o más varables concomtantes
Más detallesEXAMEN FINAL DE ECONOMETRIA, 3º CURSO (GRADOS EN ECO y ADE) 19 de Septiembre de :30 horas. Pregunta 19 A B C En Blanco
EXAMEN FINAL DE ECONOMETRIA, 3º CURSO (GRADOS EN ECO y ADE) 19 de Septembre de 01 15:30 horas Prmer Apelldo: Nombre: DNI: Teléfono: Segundo Apelldo: Grupo y Grado: Profesor(a): e mal: Pregunta 1 A B C
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 detallesTema 2.- Regresión lineal múltiple (I) Introducción 2.2. Especificación del modelo de regresión lineal múltiple. 2.3.
Tema.- Regresón lneal múltple (I)... Introduccón.. Especfcacón del modelo de regresón lneal múltple..3. Estmacón de los parámetros del modelo por mínmos cuadrados..4. Interpretacón de la ecuacón de regresón..5.
Más detalles17/02/2015. Ángel Serrano Sánchez de León
Ángel Serrano Sánchez de León 1 Índce Introduccón Varables estadístcas Dstrbucones esde frecuencas c Introduccón a la representacón gráfca de datos Meddas de tendenca central: meda (artmétca, geométrca,
Más detallesa) DIAGRAMA DE DISPERSION
SIS 335 - A EJEMPLO.- Se ha recogdo datos de una localdad medante sendas encuestas sobre el consumo (Y) de productos de hogar y de la renta (X) de los consumdores consultados, obtenéndose los sguentes
Más detallesPUBLICACIONES DE 4º CURSO
PUBLICACIONES DE 4º CURSO Grado: DERECHO-ADE Asgnatura: ECONOMERÍA Grupos: Únco ema: ESQUEMA EMA Profesores: Inmaculada Vllanúa Departamento de ANÁLISIS ECONÓMICO Curso Académco 04/5 ema : El Modelo Lneal
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 detallesTODO ECONOMETRIA. Variables cualitativas
TODO ECONOMETRIA Varables cualtatvas Índce Defncón de las varables dummy (o varables fctcas) Regresón con varables explcatvas dummy Varables dummy S queremos estudar s los hombres ganan más que las mujeres,
Más detallesCOLEGIO INGLÉS MEDIDAS DE DISPERSIÓN
COLEGIO IGLÉS DEPARTAMETO IVEL: CUARTO MEDIO PSU. UIDAD: ESTADISTICA 3 PROFESOR: ATALIA MORALES A. ROLADO SAEZ M. MIGUEL GUTIÉRREZ S. JAVIER FRIGERIO B. MEDIDAS DE DISPERSIÓ Las meddas de dspersón dan
Más detallesTEMA III EL ANÁLISIS DE REGRESIÓN LINEAL MÚLTIPLE
TEMA III EL ANÁLISIS DE REGRESIÓN LINEAL MÚLTIPLE LECTURA OBLIGATORIA Regresón Lneal Múltple. En Ral, A. y Varela, J. (008). Estadístca Práctca para la Investgacón en Cencas de la Salud. Coruña: Netbblo.
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 detallesTEMA III EL ANÁLISIS DE REGRESIÓN LINEAL MÚLTIPLE
TEMA III EL ANÁLISIS DE REGRESIÓN LINEAL MÚLTIPLE LECTURA OBLIGATORIA Regresón Lneal Múltple. En Ral, A. y Varela, J. (008). Estadístca Práctca para la Investgacón en Cencas de la Salud. Coruña: Netbblo.
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 detalles1.Variables ficticias en el modelo de regresión: ejemplos.
J.M.Arranz y M.M. Zamora.Varables fctcas en el modelo de regresón: ejemplos. Las varables fctcas recogen los efectos dferencales que se producen en el comportamento de los agentes económcos debdo a dferentes
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 detallesMATEMÁTICAS para estudiantes de primer curso de facultades y escuelas técnicas
Unversdad de Cádz Departamento de Matemátcas MATEMÁTICAS para estudantes de prmer curso de facultades y escuelas técncas Tema 13 Dstrbucones bdmensonales. Regresón y correlacón lneal Elaborado por la Profesora
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 detallesPRÁCTICA 16: MODELO DE REGRESIÓN MÚLTIPLE SOLUCIÓN
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 b + e, explcar la forma
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 detallesREGRESION LINEAL SIMPLE
REGREION LINEAL IMPLE Jorge Galbat Resco e dspone de una mustra de observacones formadas por pares de varables: (x 1, y 1 ) (x, y ).. (x n, y n ) A través de esta muestra, se desea estudar la relacón exstente
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 detallesEstadísticos muéstrales
Estadístcos muéstrales Una empresa dedcada al transporte y dstrbucón de mercancías, tene una plantlla de 50 trabajadores. Durante el últmo año se ha observado que 5 trabajadores han faltado un solo día
Más detallesRegresión Lineal Simple y Correlación
4 Regresón Lneal Smple y Correlacón 4.1. Fundamentos teórcos 4.1.1. Regresón La regresón es la parte de la estadístca que trata de determnar la posble relacón entre una varable numérca, que suele llamarse
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 detallesRegresión de Datos de Vida
Regresón de Datos de Vda Resumen El procedmento Regresón de Datos de Vda está dseñado para ajustar un modelo estadístco paramétrco relaconado con tempos de falla a una o más varables predctoras. Los predctores
Más detallesEl subestimado problema de la confusión residual. Héctor Lamadrid-Figueroa; Alejandra Montoya; Gustavo Ángeles
El subestmado problema de la confusón resdual Héctor Lamadrd-Fgueroa; Alejandra Montoya; Gustavo Ángeles El objetvo de la estmacón del efecto Establecer s exste una relacón causal entre una exposcón y
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 detallesMULTICOLINEALIDAD: EXTENSIONES. Para fijar ideas, consideremos el siguiente modelo lineal:
puntes de eoría Econométrca I. Profesor: Vvana Fernández MUICOINEIDD: EXENSIONES I INRODUCCION El problema de la multcolnealdad surge cuando las varables explcatvas de un modelo econométrco presentan un
Más detallesAJUSTES DE CURVAS MÉTODOS LINEALES Y ESTIMACIÓN POR MÍNIMOS CUADRADOS
AJUSTES DE CURVAS MÉTODOS LINEALES Y ESTIMACIÓN POR MÍNIMOS CUADRADOS Introduccón Métodos de los mínmos cuadrados Error estándar en la estmacón Coefcente de determnacón Coefcente de correlacón Regresón
Más detallesINTEREXPORT TELECOMUNICACIONES Y SERVICIOS S.A.
INTEREXPORT TELECOMUNICACIONES Y SERVICIOS S.A. ESTUDIO PARA LA FIJACION DE TARIFAS DE LOS SERVICIOS AFECTOS A FIJACION TARIFARIA PRESTADOS POR INTEREXPORT TELECOMUNICACIONES Y SERVICIOS S.A. PERIODO 2010-2015
Más 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 detallesINTERVALOS DE CONFIANZA
INTERVALOS DE CONFIANZA condicional en que!! sea verdadero hipótesis nula H :!!.5%.5%! -.96sd! -sd!! +sd! +.96sd Si el nivel de significación es 5%, la estimación obtenida (círculo pequeño) no nos permitiría
Más detallesSolución Taller No. 5 Econometría II Prof. Bernal
Solución Taller No. 5 Econometría - 7 II Prof. Bernal. a. Los resultados de la estimación son los siguientes (no hay que olvidar que las variables precio hay que transformarlas a logaritmos):. gen lpreciov
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 detallesDISTRIBUCIONES BIDIMENSIONALES
Matemátcas 1º CT 1 DISTRIBUCIONES BIDIMENSIONALES PROBLEMAS RESUELTOS 1. a) Asoca las rectas de regresón: y = +16, y = 1 e y = 0,5 + 5 a las nubes de puntos sguentes: b) Asgna los coefcentes de correlacón
Más detallesRegresión Binomial Negativa
Regresón Bnomal Negatva Resumen El procedmento Regresón Bnomal Negatva está dseñado para ajustar un modelo de regresón en el cual la varable dependente Y consste de conteos. El modelo de regresón ajustado
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 detallesCURSO 2007 PRACTICO 12 MODELOS DE VARIABLE DEPENDIENTE CUALITATIVA EJERCICIO 1 A)
Unversdad de la Repúblca, Facultad de Cencas Económcas y Admnstracón. ECONOMETRÍA II - CURSO 7 PRACTICO MODELOS DE VARIABLE DEPENDIENTE CUALITATIVA EJERCICIO A) Una nvestgacón sobre el mercado laboral
Más detallesTM 6. ESPECIFICACION DE LA FORMA FUNCIONAL DE LA ECUACION. 1. ESPECIFICACIONES LINEALES DE LAS VARIABLES EXPLICATIVAS
TM 6. ESPECIFICACION DE LA FORMA FUNCIONAL DE LA ECUACION.. ESPECIFICACIONES LINEALES DE LAS VARIABLES EPLICATIVAS. ESPECIFICACION CUADRATICA 3. ESPECIFICACION LINEAL O CUADRATICA CON ALGUN TERMINO DE
Más detallesAnálisis cuantitativo aplicado al Comercio Internacional y el Transporte
Máster de Comerco, Transporte y Comuncacones Internaconales Análss cuanttatvo aplcado al Comerco Internaconal y el Transporte Ramón úñez Sánchez Soraya Hdalgo Gallego Departamento de Economía Introduccón
Más detallesRiesgos Proporcionales de Cox
Resgos Proporconales de Cox Resumen El procedmento Resgos Proporconales de Cox esta dseñado para ajustar un modelo estadístco sem-parámetrco a los tempos de falla de una o mas varables predctoras. Los
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 detallesInstrucciones: Leer detenidamente los siete enunciados y resolver seis de los siete problemas propuestos. Frecuencia absoluta (f i )
UNIVERSIDAD NACIONAL AUTÓNOMA DE MÉICO FACULTAD DE INGENIERÍA DIVISIÓN DE CIENCIAS BÁSICAS COORDINACIÓN DE CIENCIAS APLICADAS DEPARTAMENTO DE PROBABILIDAD Y ESTADÍSTICA PRIMER EAMEN FINAL RESOLUCIÓN SEMESTRE
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 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 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 detallesReconciliación de datos experimentales. MI5022 Análisis y simulación de procesos mineralúgicos
Reconclacón de datos expermentales MI5022 Análss y smulacón de procesos mneralúgcos Balances Balances en una celda de flotacón En torno a una celda de flotacón (o un crcuto) se pueden escrbr los sguentes
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 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 detallesMuestreo e inferencia
Images created with STATA software. 1 Muestreo e inferencia Calidad de los datos y las mediciones Razones para hablar de muestreo Formación académica de la población Comprender los datos que se van a utilizar
Más detallesTEMA 14. ESCALAMIENTO CONJUNTO. INTRODUCCIÓN A LA TEORÍA DE LA RESPUESTA A LOS ITEMS (TRI)
TEMA 14. ESCALAMIENTO CONJUNTO. INTRODUCCIÓN A LA TEORÍA DE LA RESPUESTA A LOS ITEMS (TRI) 14.1. La Curva Característca de los ítems (CCI) 14.. Los errores típcos de medda 14.3. La Funcón de Informacón
Más detallesINTRODUCTION TO ECONOMETRICS
INTRODUCTION TO ECONOMETRICS Abstract Econometrcs s one of the most mportant applcatons to the mathematcal statstcs and a fundamental tool n the economc research and n the desgn and analyss of economc
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 detalles