Modelos básicos de datos en panel
|
|
- Emilio Torregrosa Luna
- hace 5 años
- Vistas:
Transcripción
1
2 3 tipos de estructuras de datos Corte transversal (Cross section) Muestra de individuos, hogares, firmas, países, etc. que se toman en un momento dado del tiempo. {y i, x i } N i=1, donde i representa individuos. Ej.: EPH de 2013, datos de PBI en 2013 para muchos países. Series de tiempo Muestra por varios periodos del mismo individuo, pais, firma, etc. {y t, x t } T t=1, donde t es tiempo. Ej.: Inflación en la Argentina. Datos en panel Combinación de las dos anteriores. {y it, x it } N,T i=1,t=1, donde i representa individuos y t tiempo. 1. Cortes transversales independientes 2. Muestras longitudinales
3 One-way error components model En un panel longitudinal el mismo individuo es observado a lo largo del tiempo. y it = α + X it β + u it i = 1, 2,..., N es el índice de individuos (firmas, familias, hogares, países), t = 1, 2,..., T es el índice de tiempo, α es un escalar, β es K 1, X it es la observación it de las K variables explicativas. El error tiene esta estructura: u it = µ i + ν it es el error compuesto. En inglés: one-way error components model. µ i : efecto individual no observado que captura todos los factores constantes a lo largo del tiempo en y it, ν it : errores idiosincráticos o shocks.
4 One-way error components model En notación matricial y = αι NT + X β + u = Z δ + u, donde y y u son vectores NT 1, X es una matriz NT K, Z = [ι NT, X ], δ = [α, β ] y ι NT es un vector de 1s con dimensión NT 1 u = Z µ µ + ν donde Z µ = I N ι T es una matriz NT N de 1s y 0s, es el producto de Kronecker, ι T es un vector de 1s de dimensión T, µ = [µ 1,..., µ N ] es un vector N 1 que contiene los efectos individuales, y ν es un vector NT 1 con los errores. De esta manera Z µ µ es un vector también NT 1.
5 Two-way error components model Consideremos el modelo y it = α + X it β + u it i = 1, 2,..., N es el índice de individuos (firmas, familias, hogares, países), t = 1, 2,..., T es el índice de tiempo, α es un escalar, β es K 1, X it es la observación it de las K variables explicativas. u it = µ i + λ t + ν it es el error compuesto. En inglés: two-way error components model. µ i : efecto individual no observado que captura todos los factores constantes a lo largo del tiempo en y it, λ t : efecto temporal no observado que captura todos los factores constantes a lo de los individuos en y it, ν it : errores idiosincráticos o shocks.
6 Two-way error components model En notación matricial u = Z µ µ + Z λ λ + ν, donde Z λ = ι N I T es una matriz NT T de 1s y 0s, ι N es un vector de 1s de dimensión N, λ = [λ 1,..., λ T ] es un vector T 1 que contiene los efectos temporales.
7 Paneles multi-dimensionales Los modelos anteriores se pueden extender a una mayor cantidad de dimensiones. Ejemplos de 3 dimensiones (i, j, t): 1 Modelos de comercio exterior podrían tener efectos por exportador, importador, tiempo, etc. 2 Modelos de inmigración podrían tener efectos por país de origen, país de destino, año de inmigración, etc. En ambos casos podríamos tener efectos para cada elemento, u ijt = µ i + α j + λ t + ν ijt, o efectos bilaterales, donde nos importan los efectos de a pares, u ijt = µ ij + λ t + ν ijt Un caso particular es el de los modelos anidados. Por ejemplo, si evaluamos poĺıticas educativas, tendríamos un efecto por alumno (i), que pertenece a una determinada clase (j), de una escuela (k) a lo largo del tiempo (t). Así podríamos pensar en una estructura de errores: u ijkt = µ i + α j + γ k + λ t + ν ijkt Ver el libro de Laszlo Matyas (
8 Una primera distinción Modelos Si cov(x it, u it ) = 0 OLS es sesgado. Por qué? Los siguientes estimadores se proponen como soluciones a este problema: Estimador en primeras diferencias Efectos fijos
9
10 Estimador en diferencias (first differences,fd) y it = β 0 + β 1 x it + µ i + ν it y it 1 = β 0 + β 1 x it 1 + µ i + ν it 1 y it = β 1 x it + ν it donde es el operador de diferencias, y it = y it y it 1 Lo que pasa es que µ i desaparece, entonces se acaba el problema!
11 Efectos fijos (fixed-effects,fe) y it = β 0 + β 1 x it + µ i + ν it ȳ i = β 0 + β 1 x i + µ i + ν i ỹ it = β 1 x it + ν i,t donde es una transformación que se aplica a cada invididuo (se usa en inglés within transformation), ỹ it = y it ȳ i Otra vez deseparece µ i! (porque µ i = T 1 T t=1 µ i = T 1 T µ i = µ i )
12 Efectos fijos (fixed-effects,fe) En los estimadores de efectos fijos µ i se asumen como parámetros fijos a ser estimados y ν it IID(0, σ 2 ν ). x it ν it, i, t. Otro modo de ver los modelos FE es E (ν it x it ) = 0 pero que E (ν it x it, µ i ) = 0. Entonces necesitamos estimar µ i.
13 Efectos fijos (fixed-effects,fe) En notación matricial y = αι NT + X β + Z µ µ + ν = Z δ + Z µ µ + ν Definamos P µ = Z µ (Z µz µ ) 1 Z µ como la matriz de proyección en Z µ, el subespacio de dummies por individuo. Z µ Z µ = I N J T. Entonces P µ = Z µ (Z µz µ ) 1 Z µ = I N J T donde J T = J T /T. P µ es una matriz que promedia las observaciones para los individuos. Así P µ y tiene elementos ȳ i = 1/T T t=1 y it repetido T veces para cada i. Probar que P µ es simétrica (P µ = P µ ) e idempotente (P µ P µ = P µ ) por lo que rank(p µ ) = tr(p µ ) = N.
14 Efectos fijos (fixed-effects,fe) Definamos también el complemento Q µ = I NT P µ. Q µ se define entonces como las desviaciones con respecto a las medias (en inglés within-group operator): ỹ it = y it ȳ i. Probar que Q µ es simétrica e idempotente, y que P µ Q µ = 0 NT, por lo que rank(q µ ) = tr(q µ ) = N(T 1). Entonces, Q µ y = Q µ X β + Q µ ν, ˆβ FE = (X Q µ X ) 1 X Q µ y Notar que ˆβ FE = ( N i=1 (X i (I T J T )X i )) 1 N i=1 (X i (I T J T )y i ). Qué significa? Qué tipo de variables quedan excluidas?
15 Efectos fijos (fixed-effects,fe) Notar que ˆβ FE es equivalente a un modelo OLS con una dummy para cada individuo i, ˆβ LSDV. La prueba es una aplicación del Teorema de Frisch-Waugh-Lovell y = X 1 β 1 + X 2 β 2 + u con estimadores OLS ˆβ = [ ˆβ 1 ˆβ2 ]. Usemos M 1 y = M 1 X 2 β 2 + M 1 u donde M 1 es la projección residual de X 1, el teorema muestra que ˆβ 2 = (X 2 M 1X 2 ) 1 X 2 M 1y Prueba: Consideremos y = P X y + M X y = X 1 ˆβ1 + X 2 ˆβ2 + M X y. Multiplicar ambos lados por X 2 M 1 y obtenemos X 2 M 1y = X 2 M 1X 2 ˆβ2. (usando M 1 X 1 = 0 y M X M 1 X 2 = 0). Resolver.
16 Efectos fijos (fixed-effects,fe) Notar que var( ˆβ FE ) = σ 2 ν (X Q µ X ) 1. Podemos plantear ˆµ i = ŷ i ˆβ FE x i o ˆµ FE = Q µ y ˆβ FE QµX como el estimador de los efectos fijos. Si T, ( ˆµ FE, ˆβ FE ) son estimadores consistentes e insesgados. Pero si T está fijo y N, sólo ˆβ FE es consistente, aunque ambos son insesgados. El problema es conocido como el problema de parámetros incidentales de Neyman y Scott (1948). Contraste de efectos fijos: correr el modelo LSDV, y contrastar conjuntamente por la significatividad de las dummies.
17 Efectos fijos (fixed-effects,fe)-two-way Para el modelo two-way tenemos Z λ Z λ = J N I T. Entonces P λ = Z λ (Z λ Z λ) 1 Z λ = J N I T donde J N = J N /N. Definamos la proyección residual Q µλ = E N E T = I N I T I N J T + J N I T + J N J T donde E N = I N J N y E T = I T J T. Esta transformación elimina los efectos de µ i y λ t simultáneamente. La matriz Q µλ hace la siguiente transformación: y it ȳ i ȳ t + ȳ. Entonces, Q µλ y = Q µλ X β + Q µλ ν, ˆβ FE 2 = (X Q µλ X ) 1 X Q µλ y Qué tipo de variables quedan excluidas?
18 Efectos fijos (fixed-effects,fe) Usar efectos fijos tiene algunas desventajas: Hay un costo en comparación con OLS sin controlar por las dummies por individuo. La transformación within es equivalente a estimar una dummy para cada individuo. O sea estimar N 1 parámetros adicionales. Más parámetros significa menos precisión. Entonces eso afecta los grados de libertad y por ende la precisión de lo que estimamos. Los grados de libertad son NT N K, comparado con NT 1 K También la transformación within (y first-differences) elimina TODO aquello que esta fijo para cada individuo. Entonces no se puede medir por ejemplo el efecto de SEXO, para individuos, o CONTINENTE para países.
19 Efectos fijos (fixed-effects,fe) Comparando FE con FD (Baltagi, p.17): FE es más eficiente que FD cuando ν it iid(0, σ 2 ν ). FD es más eficiente que FE cuando ν it es un paseo aleatorio (random walk).
20 Efectos aleatorios (random-effects,re) Un modelo alternativo es el de efectos aleatorios. Tiene un supuesto MUY importante y restrictivo: cov(x, µ) = 0. Consideremos el modelo y it = β 0 + β 1 x it + u it = β 0 + β 1 x it + µ i + ν it En este caso hay correlación serial: Cov(u it, u is ) = Cov(µ i + ν it, µ i + ν is ) = Var(µ i ) = 0 para t = s. El estimador de efectos aleatorios (RE) tiene en cuenta esta particularidad y produce un estimador eficiente GLS: ˆβ RE = (X Ω 1 X ) 1 (X Ω 1 y), donde Ω = E (uu ) es la matriz de varianzas-covarianzas de los errores compuestos. Una de las ventajas de RE es que se pueden reincorporar variables fijas por individuos: y it = β 0 + β 1 x it + β 2 z i + µ i + ν it donde z captura todas las variables que estan fijas para cada individuo y que se pueden observar.
21 Efectos aleatorios (random-effects,re) En el modelo RE µ i iid(0, σ 2 µ), ν it iid(0, σ 2 ν ), µ i ν it. Además tenemos X it µ i y X it ν it para todo i y t. Ω = E (uu ) = Z µ E (µµ )Z µ + E (νν ) = σ 2 µ(i N J T ) + σ 2 ν (I N I T ). Ω tiene esta estructura: cov(u it, u js ) = σµ 2 + σν 2 para i = j, t = s = σµ 2 para i = j, t = s = 0 para i = j Otra forma de verlo es como un modelo de equicorrelación intra cluster: correl(u it, u js ) = 1 para i = j, t = s = σ 2 µ/(σ 2 µ + σ 2 ν ) := ρ para i = j, t = s = 0 para i = j, t = s
22 Efectos aleatorios (random-effects,re) Cuáles serían las consecuancias de ignorar la correlación serial? Supongamos el siguiente modelo de regresión univariada: y it = βx it + µ i + ν it, donde µ i iid(0, σ 2 µ), ν it iid(0, σ 2 ν ), µ i ν it. Además tenemos x it µ i y X it ν it para todo i y t. Por un lado se puede probar que el estimador OLS ˆβ OLS = N i=1 T t=1 y it x it N i=1 T t=1 x2 it es insesgado y consistente. Sin embargo la varianza de OLS var( ˆβ OLS ) = σµ+ν 2 1 N i=1 T t=1 x2 it que es lo que estimaríamos de ignorar la correlación entre observaciones del mismo individuo. En particular, tendríamos var( ˆβ OLS ) = σµ+ν 2 1 N + σ 2 N i=1 T t=1 T s=1,t =s x it x is i=1 T t=1 x2 µ it ( N. i=1 T t=1 x2 it )2 El resultado es que los errores estándar que estima son incorrectos, por lo que toda la inferencia es incorrecta. Esta diferencia se llama el factor de Moulton. Notar que depende de la correlación intra-individuo de las Xs. En particular si las Xs no están relacionadas entre sí para un mismo individuo, o sea Cov(x it, x is ) = 0, t = s, entonces la varianza estándar es correcta.
23 Efectos aleatorios (random-effects,re) Para estimarlo vamos a tratar el problema como GLS (generalized least squares) donde se estima Ω. Siguiendo a Wansbeek y Kapteyn (1982,1983), Baltagi p.18, reemplacemos J T por T J T, y I T por (E T + J T ), donde por definición E T = I T J T. Entonces reagrupando términos tenemos Ω = T σ 2 µ(i N J T ) + σ 2 ν (I N E T ) + σ 2 ν (I N J T ) donde σ 2 1 = (T σ2 µ + σ 2 ν ). = (T σ 2 µ + σ 2 ν )(I N J T ) + σ 2 ν (I N E T ) = σ 2 1 P µ + σ 2 ν Q µ Esta es la descomposición espectral de Ω donde σ 2 1 (de multiplicidad N) y σ2 ν (de multiplicidad N(T 1)) son las raíces características de Ω. Esto permite hallar Ω r = σ1 2r P + σ2r ν Q para todo r (en particular r = 1). [ Por qué? Probar que es cierto.]
24 Efectos aleatorios (random-effects,re) Entonces, surgen los siguientes estimadores ˆσ 1 2 = u P µ u N tr(p µ ) = T ūi 2 /N i=1 ˆσ 2 ν = u Q µ u tr(q µ ) = T t=1 N i=1 (u it ū i ) 2 N(T 1) Notar que u no es observado... hay diferentes alternativas, todas ellas consistentes: (i) usar los residuos OLS, (ii) los residuos de FE, y (iii) otras.
25 Efectos aleatorios (random-effects,re) El estimador RE es entonces ˆβ RE = [(X Q µ X /σ 2 ν ) + (X (P µ J NT )X /σ 2 1 )] 1 [(X Q µ y/σ 2 ν ) + (X (P µ J NT )y/σ 2 1 )] = [W XX + φ 2 B XX ] 1 [W Xy + φ 2 B Xy ] donde W XX = X Q µ X, B XX = X (P µ J NT )X, φ 2 = σ 2 ν /σ 2 1. También var( ˆβ RE ) = σ 2 ν [W XX + φ 2 B XX ] 1. Por otro lado ˆβ FE = W 1 XX W Xy y ˆβ BE = B 1 XX B Xy, FE: fixed-effects-within; BE: between. Entonces, ˆβ RE = W 1 ˆβ FE + W 2 ˆβ BE donde W 1 = [W XX + φ 2 B XX ] 1 W XX y W 2 = [W XX + φ 2 B XX ] 1 φ 2 B XX = I W 1. Nota: Análisis cuando T, N, (σ 2 ν, σ 2 µ) 0,.
26 Efectos aleatorios (random-effects,re)-two-way En el modelo RE two-way µ i iid(0, σ 2 µ), λ t iid(0, σ 2 λ ), ν it iid(0, σ 2 ν ), µ i ν it, λ i ν it. Además tenemos X it µ i, X it λ t y X it ν it para todo i y t. Ω tiene esta estructura: Ω = E (uu ) = Z µ E (µµ )Z µ + Z µ E (λλ )Z λ + E (νν ) = σ 2 µ(i N J T ) + σ 2 λ (J N I T ) + σ 2 ν (I N I T ). cov(u it, u js ) = σµ 2 + σλ 2 + σ2 ν para i = j, t = s = σµ 2 para i = j, t = s = σλ 2 para i = j, t = s = 0 para i = j
27 Efectos aleatorios (random-effects,re)-two-way Para estimarlo vamos a tratar el problema como GLS (generalized least squares) donde se estima Ω. Baltagi p.37, reemplazar J N por NJ N, I N por E N + J N, J T por T J T, I T por E T + J T,entonces 4 Ω = η j Q j j=1 donde η 1 = σ 2 ν, η 2 = T σ 2 µ + σ 2 ν, η 3 = Nσ 2 λ + σ2 ν, y η 4 = T σ 2 µ + Nσ 2 ν + σ 2 ν, Q 1 = E N E T, Q 2 = E N J T, Q 3 = J N E T, y Q 4 = J N J T. Esta es la descomposición espectral de Ω donde η j son las raíces características. Cada Q j es simétrica e idempotente. Entonces, surgen los siguientes estimadores ˆη j = u Q j u, j = 1, 2, 3, 4 tr(q j )
28 Efectos aleatorios (random-effects,re)-two-way El estimador RE es entonces ˆβ RE = [(X Q 1 X /σ 2 ν ) + (X Q 2 X /η 2 ) + (X Q 3 X /η 3 )] 1 ] [(X Q 1 y/σ 2 ν ) + (X Q 2 y/η 2 ) + (X Q 3 y/η 3 )] = [W XX + φ 2 2 B XX + φ 2 3 C XX ] 1 [W Xy + φ 2 2 B Xy + φ 2 3 C Xy ] donde W XX = X Q 1 X, B XX = X Q 2 X, C XX = X Q 3 X, φj 2 var( ˆβ RE ) = σν 2 [W XX + φ2 2B XX + φ3 2C XX ] 1. = σ 2 ν /η j, j = 2, 3. También Entonces, ˆβ RE = W 1 ˆβ FE + W 2 ˆβ BE1 + W 3 ˆβ BE2 donde W 1 = [W XX + φ 2 2 B XX + φ 2 3 C XX ] 1 W XX, W 2 = [W XX + φ 2 2 B XX + φ 2 3 C XX ] 1 φ 2 2 B XX, y W 3 = [W XX + φ 2 2 B XX + φ 2 3 C XX ] 1 φ 2 2 C XX. [Probar que en este caso también el estimador es un promedio ponderado de tres estimadores. Análisis cuando T, N, (σν 2, σµ, 2 σλ 2 ) 0,.]
29 Contraste de Hausman Modelos El estimador de efectos fijos es siempre consistente. Sin embargo, el de efectos aleatorios es válido si las Xs no estan correlacionadas con los efectos individuales (µ i ). Entonces, un contraste de la validez de efectos aleatorios es Este es el llamado contraste de Hausman. H 0 : ˆβ FE ˆβ RE = 0 H A : ˆβ FE ˆβ RE = 0
30 Contraste de Hausman Modelos Notemos que el estimador RE es GLS, entonces es el de menor varianza. Por lo tanto var( ˆβ FE ) var( ˆβ RE ) es una matriz definida positiva. Para demostrarlo notemos que tanto W XX como B XX son matrices definidas positivas (formas cuadráticas), mientras que φ 2 > 0. Entonces [W XX + φ 2 B XX ] W XX es definida positiva, por lo que [W XX + φ 2 B XX ] 1 WXX 1 es definida negativa, o var( ˆβ RE ) var( ˆβ FE ) es definida negativa. Se puede probar que var( ˆβ FE ˆβ RE ) = var( ˆβ FE ) var( ˆβ RE ). Entonces, definamos H = ( ˆβ FE ˆβ RE ) [var( ˆβ FE ) var( ˆβ RE )] 1 ( ˆβ FE ˆβ RE ) tiene una distribución χ 2 K bajo la nula.
31 Contraste de Mundlak Modelos (Hsiao, 2003, sec. 3.2; Wooldridge, 2012, sec ) Mundlak (1978) propone usar un modelo de regresión que contenga los promedios de individuos i de las variables que varían en i y t: y it = β 0 + β 1 x it + β 2 z i + β 3 x i + µ i + ν it Entonces un contraste de H 0 : β 3 = 0 es un contraste por la validez de RE.
32 Cómo implementar paneles en? Los datos hay que organizarlos: id tiempo YVAR XVAR 1 1 y 11 x y 12 x y 13 x y 21 x y 22 x y 23 x 23 Es muy importante que no haya valores repetidos. En el ejemplo se representa un panel balanceado. Podra ser desbalanceado si tuviera gaps (ej., la obs. i = 1, t = 2 no está). Primero tiene que identificar que se trata de datos en paneles. Para eso se nececita una variable numérica, ej. id, que identifica el individuo. Luego, iis id Pero si se tiene una muestra longitudinal con una estructura de series de tiempo, con una variable tiempo, tsset id tiempo Nota: la variable de tiempo tiene que ser en números discretos consecutivos. O sea, t = 2, 1, 0, 1,... o t = 1980, 1981,
33 Cómo implementar paneles en? Entonces estamos listos para usar datos en paneles: reg D.y D.x1 D.x2 D.x3 (modelo en diferencias, sólo con tsset) xtreg y x1 x2 x3, fe (modelo de efectos fijos) xi: reg y x1 x2 x3 i.id (lo mismo pero implementado a mano con dummies para id) [Nota: comparar con una regresión de las variables transformadas within. Cúal sería el problema con este modelo?] xtreg y x1 x2 x3, re (modelo de efectos aleatorios) xtreg y x1 x2 x3, be (modelo between) xi: xtreg y x1 x2 x3 i.tiempo, fe (modelo de efectos fijos, two-way)
34 Cómo implementar paneles en? Contraste de Hausman test xtreg y x1 x2 x3, fe est store fe xtreg y x1 x2 x3, re est store re hausman fe re
35 Cómo implementar paneles en? webuse grunfeld
Econometria de Datos en Paneles
Universidad de San Andres Agosto de 2011 Porque paneles? Ejemplo (Cronwell y Trumbull): Determinantes del crimen y = g(i), y = crimen, I = variables de justicia criminal. Corte transversal: (y i, I i )
Más detallesI = 50, T = 4 IT = 200
i t I = 50, T = 4 IT = 200 y i,t = β 1 + β 2 y i,t 1 + β 3 x t + u i,t v i,t = µ i + v i,t ˆβ 2 ˆβ3 y it = α + X itβ + u it u it = µ i + v it µ i v it Var(v it ) = σ 2 it, Cov(v it, v js ) = 0 i j, t
Más detallesEl problema de la endogeneidad Variables proxy Variables instrumentales STATA. Endogeneidad. Gabriel Montes-Rojas
Gabriel V. Montes-Rojas El problema de la endogeneidad Una variable es endógena si Cov(x j, error) = 0. Una variable es exógena si Cov(x j, error) = 0. Consideremos el modelo log(wage) = β 0 + β 1 educ
Más detallesTema1. Modelo Lineal General.
Tema1. Modelo Lineal General. 1. Si X = (X 1, X 2, X 3, X 4 ) t tiene distribución normal con vector de medias µ = (2, 1, 1, 3) t y matriz de covarianzas 1 0 1 1 V = 0 2 1 1 1 1 3 0 1 1 0 2 Halla: a) La
Más detallesRegresión múltiple. Demostraciones. Elisa Mª Molanes López
Regresión múltiple Demostraciones Elisa Mª Molanes López El modelo de regresión múltiple El modelo que se plantea en regresión múltiple es el siguiente: y i = β 0 + β 1 x 1i + β 2 x 2i +...+ β k x ki +
Más detallesLos estimadores mínimo cuadráticos bajo los supuestos clásicos
Los estimadores mínimo cuadráticos bajo los supuestos clásicos Propiedades estadísticas e inferencia Mariana Marchionni marchionni.mariana@gmail.com Mariana Marchionni MCO bajo los supuestos clásicos 1
Más detallesEstadística para la Economía y la Gestión IN 3401 Clase 5
Estadística para la Economía y la Gestión IN 3401 Clase 5 Problemas con los Datos 9 de junio de 2010 1 Multicolinealidad Multicolinealidad Exacta y Multicolinealidad Aproximada Detección de Multicolinealidad
Más detallesMuestras longitudinales con correlación serial Paneles autorregresivos. Paneles dinámicos. Gabriel Montes-Rojas
Dos modelos que dan lugar a paneles dinámicos: (1) Muestra longitudinal y it = x it β + µ i + δ t + ν it o AR(1) : MA(1) : ν it = αν it 1 + ɛ it ν it = ɛ it + αɛ it i = 1, 2,..., N; t = 1, 2,..., T ; α
Más detallesEconomía Aplicada. Datos de Panel. Departmento de Economía Universidad Carlos III de Madrid
Economía Aplicada Datos de Panel Departmento de Economía Universidad Carlos III de Madrid Ver Wooldridge (capítulo 13), y Stock and Watson (capítulo 10) 1 / 38 Datos de Panel vs Secciones Cruzadas Repetidas
Más detallesWalter Sosa Escudero. Universidad Nacional de Cordoba Econometría de Datos en Paneles. 19 de Mayo de 2004
Universidad Nacional de Cordoba Econometría de Datos en Paneles Walter Sosa Escudero (wsosa@udesa.edu.ar) Universidad de San Andres y UNLP 19 de Mayo de 2004 Econometria de Datos en Paneles Walter Sosa
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 detallesTEMA 6. Modelos para Datos de Panel
TEMA 6. Modelos para Datos de Panel Profesor: Pedro Albarrán Pérez Universidad de Alicante. Curso 2010/2011. Contenido 1 Introducción 2 Modelos estáticos Modelo con Efectos Individuales: Fijos y Aleatorios
Más detallesModelo lineal general (K variables)
Modelo lineal general (K variables) Interpretación y usos Mariana Marchionni marchionni.mariana@gmail.com Mariana Marchionni Modelo lineal general 1 / 45 Temario de la clase 1 El modelo lineal general
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 detallesAnálisis de la Varianza (ANOVA) y Correlación
Universidad de Chile Rodrigo Assar FCFM MA34B Andrés Iturriaga DIM Víctor Riquelme Análisis de la Varianza (ANOVA) y Correlación Resumen El test ANOVA analiza la relación entre una variable numérica y
Más detallesB.1 ANÁLISIS FACTORIAL COMÚN. cuyo propósito es reducir los datos en cantidad. Es también una técnica en la cual todas las
B. NOTAS TEÓRICAS B.1 ANÁLISIS FACTORIAL COMÚN El análisis factorial es un nombre dado a una clase de métodos estadísticos multivariados cuyo propósito es reducir los datos en cantidad. Es también una
Más detallesTema 4. Regresión lineal simple
Tema 4. Regresión lineal simple Contenidos El objeto del análisis de regresión La especificación de un modelo de regresión lineal simple Estimadores de mínimos cuadrados: construcción y propiedades Inferencias
Más detallesEstadística II Tema 1: Distribución normal multivariante
Estadística II Tema 1: Distribución normal multivariante José R. Berrendero Departamento de Matemáticas Universidad Autónoma de Madrid Algunas propiedades de los vectores aleatorios Sea X = (X 1,..., X
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 detallesRegresión Lineal Múltiple
Unidad 4 Regresión Lineal Múltiple Javier Santibáñez (IIMAS, UNAM) Regresión Semestre 2017-2 1 / 35 Introducción La idea de la regresión lineal múltiple es modelar el valor esperado de la variable respuesta
Más detallesTEMA 2: Propiedades de los estimadores MCO
TEMA 2: Propiedades de los estimadores MCO Econometría I M. Angeles Carnero Departamento de Fundamentos del Análisis Económico Curso 2011-12 Econometría I (UA) Tema 2: Pdades de los estimadores MCO Curso
Más detallesEconometría II. Hoja de Problemas 1
Econometría II. Hoja de Problemas 1 Nota: En todos los contrastes tome como nivel de significación 0.05. 1. SeanZ 1,...,Z T variables aleatorias independientes, cada una de ellas con distribución de Bernouilli
Más detallesEconometría de series de tiempo aplicada a macroeconomía y finanzas
Econometría de series de tiempo aplicada a macroeconomía y finanzas Series de Tiempo Estacionarias (Multivariadas) Carlos Capistrán Carmona ITAM 1 Principios de Pronóstico. 2 Pruebas de Hipótesis. 3 Estimación
Más detallesTema 10: Introducción a los problemas de Asociación y Correlación
Tema 10: Introducción a los problemas de Asociación y Correlación Estadística 4 o Curso Licenciatura en Ciencias Ambientales Licenciatura en Ciencias Ambientales (4 o Curso) Tema 10: Asociación y Correlación
Más detallesRegresión lineal simple
Regresión lineal simple Unidad 1 Javier Santibáñez IIMAS, UNAM jsantibanez@sigma.iimas.unam.mx Semestre 2018-2 Javier Santibáñez (IIMAS, UNAM) Regresión simple Semestre 2018-2 1 / 62 Contenido 1 Planteamiento
Más detallesTema 2: Modelos probabilísticos de series
Tema 2: Modelos probabilísticos de Tema 2: Modelos probabilísticos de 1 2 3 4 5 6 Definición Un proceso estocástico con conjunto de índices T es una colección de variables aleatorias {X t } t T sobre (Ω,
Más detallesModelo de Análisis de la Covarianza. Introducción al modelo de Medidas Repetidas
Modelo de Análisis de la Covariza. Introducción al modelo de Medidas Repetidas Modelo de Análisis de la Covariza Introducción El diseño por bloques se considera para eliminar el efecto de los factores
Más detallesIntroduccion a los Modelos de Regresion
(wsosa@udesa.edu.ar) Universidad de San Andres Referencias Hayashi (2000) Capitulo 1, pp. 3-46. Cualquier texto basico de econometria (con matrices!!!) Introduccion Modelo lineal: y i = β 1 + β 2 x 2i
Más detallesEstadística II Ejercicios Tema 5
Estadística II Ejercicios Tema 5 1. Considera los cuatro conjuntos de datos dados en las transparencias del Tema 5 (sección 5.1) (a) Comprueba que los cuatro conjuntos de datos dan lugar a la misma recta
Más detallesModelos Lineales para Datos en Paneles. Walter Sosa Escudero. Banco Central de Chile
Modelos Lineales para Datos en Paneles Walter Sosa Escudero. Banco Central de Chile. 2006. - 1 - Datos en paneles Una base de datos en panel contiene informacion para varios individuos (empresas, paises,
Más detallesSantiago, Abril 2009
cvalle@inf.utfsm.cl Departamento de Informática - Universidad Técnica Federico Santa María Santiago, Abril 2009 1 / 51 Temario 1 2 3 4 5 6 7 Métodos que generan entradas alternativas 8 y extensiones 2
Más detallesEstadística. Tema 2. Variables Aleatorias Funciones de distribución y probabilidad Ejemplos distribuciones discretas y continuas
Estadística Tema 2 Variables Aleatorias 21 Funciones de distribución y probabilidad 22 Ejemplos distribuciones discretas y continuas 23 Distribuciones conjuntas y marginales 24 Ejemplos distribuciones
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 detalles2. Modelos con regresores endógenos
. Introducción ema 3. Regresores Endógenos. Bibliografía: Wooldridge, 5., 5.4 y 6.2 En este tema vamos a estudiar el modelo lineal con regresores potencialmente endógenos. Veremos primero las consecuencias
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 detallesEstadística. Tema 3. Esperanzas Esperanza. Propiedades Varianza y covarianza. Correlación
Estadística Tema 3 Esperanzas 31 Esperanza Propiedades 32 Varianza y covarianza Correlación 33 Esperanza y varianza condicional Predicción Objetivos 1 Medidas características distribución de VA 2 Media
Más detallesTaller I Econometría I
Taller I Econometría I 1. Considere el modelo Y i β 1 + ɛ i, i 1,..., n donde ɛ i i.i.d. N (0, σ 2 ). a) Halle el estimador de β 1 por el método de mínimos cuadrados ordinarios. Para realizar el procedimiento
Más detallesTests de Hipotesis en Base al Principio de Verosimilitud
Tests de Hipotesis en Base al Principio de Verosimilitud Universidad de San Andres, Argentina Conceptos basicos Y f(y; θ), θ Θ R K. θ es un vector de K parametros. Θ es el espacio de parametros : conjunto
Más detallesErrores de especificación
CAPíTULO 5 Errores de especificación Estrictamente hablando, un error de especificación es el incumplimiento de cualquiera de los supuestos básicos del modelo lineal general. En un sentido más laxo, esta
Más detallesEconomía Aplicada. Datos de panel. Ver Wooldridge cap. 13 y Stock y Watson cap. 10. Departamento de Economía Universidad Carlos III de Madrid 1 / 26
Economía Aplicada Datos de panel Departamento de Economía Universidad Carlos III de Madrid Ver Wooldridge cap. 13 y Stock y Watson cap. 10 1 / 26 Datos de Panel vs Secciones Cruzadas Repetidas En el curso
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 detallesExperimentos de Monte Carlo. Walter Sosa-Escudero
Introduccion Test de Breusch-Pagan de heterocedasticidad: LM = 1 2 SCE g,z χ 2 (p 1) g = residuos al cuadrado, z, variables explicativas de la heterocedasticidad. Esta es una aseveracion asintotica. Que
Más detallesINTERPRETACIÓN DE LA REGRESIÓN. Interpretación de la regresión
INTERPRETACIÓN DE LA REGRESIÓN Este gráfico muestra el salario por hora de 570 individuos. 1 Interpretación de la regresión. regresión Salario-Estudios Source SS df MS Number of obs = 570 ---------+------------------------------
Más detallesTEORÍA DE LA COMUNICACIÓN TEMA 2 RUIDO EN LOS SISTEMA DE COMUNICACIONES. Variable aleatoria (Real)
TEORÍA DE LA COMUNICACIÓN TEMA 2 RUIDO EN LOS SISTEMA DE COMUNICACIONES Grado Ing Telemática (UC3M) Teoría de la Comunicación Variable Aleatoria / 26 Variable aleatoria (Real) Función que asigna un valor
Más detallesNombre y Apellidos:... EXAMEN ECONOMETRÍA II (Septiembre 2010)
Nombre y Apellidos:... NIU:... Grupo:... EXAMEN ECONOMETRÍA II (Septiembre 2010) Lea cuidadosamente cada pregunta. Marque muy claramente la respuesta de cada pregunta en la hoja de respuestas. Observe
Más detallesMínimos Cuadrados Generalizados
Tema 2 Mínimos Cuadrados Generalizados 2.1. Modelo de regresión con perturbaciones no esféricas En el tema de Mínimos Cuadrados Generalizados vamos a relajar dos de las hipótesis básicas sobre la perturbación.
Más detallesRelación 3 de problemas
ESTADÍSTICA II Curso 2016/2017 Grado en Matemáticas Relación 3 de problemas 1. La Comunidad de Madrid evalúa anualmente a los alumnos de sexto de primaria de todos los colegios sobre varias materias. Con
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 detallesFormulación matricial del modelo lineal general
Formulación matricial del modelo lineal general Estimadores MCO, propiedades e inferencia usando matrices Mariana Marchionni marchionni.mariana@gmail.com Mariana Marchionni Formulación matricial del modelo
Más detallesECONOMETRÍA I. Tema 4: El Modelo de Regresión Lineal Múltiple: inferencia y validación
ECONOMETRÍA I Tema 4: El Modelo de Regresión Lineal Múltiple: inferencia y validación Patricia Moreno Juan Manuel Rodriguez Poo Alexandra Soberon Departamento de Economía Alexandra Soberon (UC) ECONOMETRÍA
Más detallesTema 4. Análisis multivariante de la varianza
Máster en Técnicas Estadísticas Análisis Multivariante Año 2008 2009 Profesor: César Sánchez Sellero Tema 4 Análisis multivariante de la varianza 4 Presentación del modelo Se trata de comparar las medias
Más detallesRegresión Simple. Leticia Gracia Medrano. 2 de agosto del 2012
Regresión Simple Leticia Gracia Medrano. lety@sigma.iimas.unam.mx 2 de agosto del 2012 La ecuación de la recta Ecuación General de la recta Ax + By + C = 0 Cuando se conoce la ordenada al origen y su pendiente
Más detallesECONOMETRÍA I. Tema 2: El Modelo de Regresión Lineal Simple. Patricia Moreno Juan Manuel Rodriguez Poo Alexandra Soberon Departamento de Economía
ECONOMETRÍA I Tema 2: El Modelo de Regresión Lineal Simple Patricia Moreno Juan Manuel Rodriguez Poo Alexandra Soberon Departamento de Economía Alexandra Soberon (UC) ECONOMETRÍA I 1 / 42 Modelo de Regresión
Más detallesGrado en Finanzas y Contabilidad
Econometría Grado en Finanzas y Contabilidad Apuntes basados en el libro Introduction to Econometrics: A modern Approach de Wooldridge 3.1 Colinealidad Exacta 3.2 Los efectos de la multicolinealidad Del
Más detallesHeteroscdasticidad y MCG
May 24, 2009 Modelo lineal clasico: 1 Linealidad: Y = Xβ + u. 2 Exogeneidad: E(u) = 0 3 No Multicolinealidad: ρ(x) = K. 4 No heteroscedasticidad ni correlacion serial: V (u) = σ 2 I n. Teorema de Gauss/Markov
Más detalles2 Introducción a la inferencia estadística Introducción Teoría de conteo Variaciones con repetición...
Contenidos 1 Introducción al paquete estadístico S-PLUS 19 1.1 Introducción a S-PLUS............................ 21 1.1.1 Cómo entrar, salir y consultar la ayuda en S-PLUS........ 21 1.2 Conjuntos de datos..............................
Más detallesTema 8: Regresión y Correlación
Tema 8: Regresión y Correlación Estadística. 4 o Curso. Licenciatura en Ciencias Ambientales Licenciatura en Ciencias Ambientales (4 o Curso) Tema 8: Regresión y Correlación Curso 2008-2009 1 / 12 Índice
Más detallesANALISIS FACTORIAL. Jorge Galbiati R.
ANALISIS FACTORIAL Jorge Galbiati R El análisis factorial es un modelo matamático que pretende explicar la correlación entre un conjunto grande de variables observadas y un pequeño conjunto de factores
Más detallesModelo de Regresión Lineal Simple
1. El Modelo Modelo de Regresión Lineal Simple El modelo de regresión lineal simple es un caso especial del múltple, donde se tiene una sola variable explicativa. y = β 0 + β 1 x + u (1.1) Donde u representa
Más detallesEconometría III Examen. 29 de Marzo de 2012
Econometría III Examen. 29 de Marzo de 2012 El examen consta de 20 preguntas de respuesta múltiple. El tiempo máximo es 1:10 minutos. nota: no se pueden hacer preguntas durante el examen a no ser que sean
Más detallesRegresión Lineal Múltiple
Universidad Nacional Agraria La Molina 2011-2 Efectos de Diagnósticos de Dos predictores X 1 y X 2 son exactamente colineales si existe una relación lineal tal que C 1 X 1 + C 2 X 2 = C 0 para algunas
Más detallesEconometría 1. Karoll GOMEZ Segundo semestre 2017
Econometría 1 Karoll GOMEZ kgomezp@unal.edu.co http://karollgomez.wordpress.com Segundo semestre 2017 II. El modelo de regresión lineal Esperanza condicional I Ejemplo: La distribución de los salarios
Más detallesMulticolinealidad Introducción. Uno de los supuestos básicos del modelo lineal general. y = Xβ + u
CAPíTULO 6 Multicolinealidad 6.1. Introducción Uno de los supuestos básicos del modelo lineal general y = Xβ + u establece que las variables explicativas son linealmente independientes, es decir, la igualdad
Más detallesEstadística aplicada al medio ambiente
Estadística aplicada al medio ambiente III. Regresión lineal 3 o de CC. AA. Departamento de Matemáticas Universidad Autónoma de Madrid 2011/12 Planteamiento Modelo Estimación de parámetros Intervalos de
Más detallesMínimos Cuadrados Generalizados
Mínimos Cuadrados Generalizados Román Salmerón Gómez Los dos últimos temas de la asignatura han estado enfocados en estudiar por separado la relajación de las hipótesis de que las perturbaciones estén
Más detallesECONOMETRÍA II Prof.: Begoña Álvarez TEMA 1 INTRODUCCIÓN. Estimación por máxima verosimilitud y conceptos de teoría asintótica
ECONOMETRÍA II Prof.: Begoña Álvarez 2007-2008 TEMA 1 INTRODUCCIÓN Estimación por máxima verosimilitud y conceptos de teoría asintótica 1. ESTIMACIÓN POR MÁXIMA VEROSIMILITUD (MAXIMUM LIKELIHOOD) La estimación
Más detallesTema 1. El Modelo de Regresión Lineal con Regresores Aleatorios.
ema El Modelo de Regresión Lineal con Regresores Aleatorios Introducción En este tema vamos a analizar las propiedades del modelo de regresión lineal con regresores aleatorios Suponer que los regresores
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 detallesRegresion lineal simple
Unidad 2 Regresion lineal simple Javier Santibáñez (IIMAS, UNAM) Estadística II Semestre 2018-1 1 / 73 Planteamiento El modelo de regresión lineal simple relaciona la variable de interés Y, llamada dependiente,
Más detallesAnálisis Geostadístico. de datos funcionales
á í á - á é í : í é : á ó í ( ). é í á ó,,,., í é.,, é ó., í á. í., ó, ó. é ó., á, ó.., ó - ()., é á í. é á., á. ó, ó á. é ó é. í á ó. : ; ; ó ; ; ; ó. ó í............................... á..............................................................
Más detallesModelos para variables categóricas
Gabriel V. Montes-Rojas Modelo logit multinomial Supongamos que la variable dependiente toma muchos valores, ej. y = 0, 1, 2..., J, aunque los valores de y no representan ningún orden en particular. Éste
Más detallesEconometría 1. Karoll GOMEZ Segundo semestre 2017
Econometría 1 Karoll GOMEZ kgomezp@unal.edu.co http://karollgomez.wordpress.com Segundo semestre 2017 II. El modelo de regresión lineal Esperanza condicional I Ejemplo: La distribución de los salarios
Más detallesAnálisis de datos Categóricos
Introducción Universidad Nacional Agraria La Molina 2017-1 Variable cualitativa Variable respuesta cualitativa Variable respuesta y explicativa Variable de conteo y proporción Escalas de medición Una variable
Más detallesNombre y Apellidos:... EXAMEN ECONOMETRÍA II (Enero 2010)
Nombre y Apellidos:... NIU:... Grupo:... EXAMEN ECONOMETRÍA II (Enero 2010) Lea cuidadosamente cada pregunta. Marque muy claramente la respuesta de cada pregunta en la hoja de respuestas. Observe que los
Más 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 detallesSeries de tiempo I. Procesos univariados y estacionarios. Gabriel Montes-Rojas. Series temporales estacionarias Estacionariedad Predicción
Ruido blanco Procesos univariados y estacionarios Gabriel V. Montes-Rojas Ruido blanco La estructura de las series temporales Series temporales Información para diferentes periodos indexados por el tiempo
Más detallesMínimos cuadrados generalizados y máxima verosimilitud
CAPíTULO 9 Mínimos cuadrados generalizados y máxima verosimilitud 9.1. Introducción En el marco del modelo clásico, los supuestos de homocedasticidad, E(u 2 i ) = σ2 u (i = 1, 2,... n), y ausencia de autocorrelación,
Más detallesEstadística Diplomado
Diplomado HRB UNAM 1 / 25 1 Estimación Puntual Momentos Máxima Verosimiltud Propiedades 2 / 25 1 Estimación Puntual Momentos Máxima Verosimiltud Propiedades 2 Estimación por Intervalos Cantidades Pivotales
Más detallesEstadística para la Economía y la Gestión IN 3401
Estadística para la Economía y la Gestión IN 3401 3 de junio de 2010 1 Modelo de Regresión con 2 Variables Método de Mínimos Cuadrados Ordinarios Supuestos detrás del método MCO Errores estándar de los
Más detallesEscuela de Economía Universidad de Carabobo Profesor: Exaú Navarro Pérez.
Escuela de Economía Universidad de Carabobo Profesor: Exaú Navarro Pérez. Econometría Regresión Múltiple: Municipio Ocupados Población Analfabeta Mayor de 10 años Total de Viviendas Bejuma 18.874 1.835
Más detallesEstadística. Contrastes para los parámetros de la Normal
Contrastes para los parámetros de la Normal Prof, Dr. Jose Jacobo Zubcoff Departamento de Ciencias del Mar y Biología Aplicada Contrastes para los parámetros de la Normal Contrastes para los parámetros
Más detallesEXAMEN DE ECONOMETRÍA
EXAMEN DE ECONOMETRÍA UNIVERSIDAD CARLOS III DE MADRID CURSO 2015-1 Responda todas las preguntas en 2 horas y media. Valores críticos al final del examen. 1 A partir de una muestra aleatoria de compra-venta
Más detallesÍndice. Diseños factoriales. José Gabriel Palomo Sánchez E.U.A.T. U.P.M. Julio de 2011
Diseños factoriales José Gabriel Palomo Sánchez gabrielpalomo@upmes EUAT UPM Julio de 2011 Índice 1 Diseños factoriales con dos factores 1 Denición 2 Organización de los datos 3 Ventajas de los diseños
Más detallesECONOMETRÍA I. Tema 3: El Modelo de Regresión Lineal Múltiple: estimación
ECONOMETRÍA I Tema 3: El Modelo de Regresión Lineal Múltiple: estimación Patricia Moreno Juan Manuel Rodriguez Poo Alexandra Soberon Departamento de Economía Alexandra Soberon (UC) ECONOMETRÍA I 1 / 45
Más detallesEconometría 1. Karoll GOMEZ Segundo semestre 2017
Econometría 1 Karoll GOMEZ kgomezp@unal.edu.co http://karollgomez.wordpress.com Segundo semestre 2017 III. Propiedades del modelo de regresión lineal Propiedades en muestras finitas I A. Propiedades del
Más detallesAgro 6998 Conferencia 2. Introducción a los modelos estadísticos mixtos
Agro 6998 Conferencia Introducción a los modelos estadísticos mixtos Los modelos estadísticos permiten modelar la respuesta de un estudio experimental u observacional en función de factores (tratamientos,
Más detallesEstadística y sus aplicaciones en Ciencias Sociales 5. Estimación. Facultad de Ciencias Sociales, UdelaR
Estadística y sus aplicaciones en Ciencias Sociales 5. Estimación Facultad de Ciencias Sociales, UdelaR Índice 1. Repaso: estimadores y estimaciones. Propiedades de los estimadores. 2. Estimación puntual.
Más detallesSoluciones Examen Final de Econometría Universidad Carlos III de Madrid 26 de Mayo de 2015
Soluciones Examen Final de Econometría Universidad Carlos III de Madrid 26 de Mayo de 2015 Conteste todas las preguntas en dos horas y media. Pregunta 1 (33 puntos: Un investigador está considerando las
Más detallesEstadística II. Laura M. Castro Souto
Estadística II Laura M. Castro Souto Segundo Cuatrimestre Curso 2000/2001 Modelos de Regresión Diferencias con el Diseño de Experimentos Los modelos de regresión estudian relaciones numéricas entre variables
Más detallesEconometría II. Hoja de Problemas 2
Econometría II. Hoja de Problemas 2 1. Se quiere estudiar si los beneficios de las empresas dependen del gasto en I+D que realizan. Para estimar la ecuación beneficios t = β 1 +β 2 ventas t +β 3 gid t
Más detallesInformación sobre Gastos de Consumo Personal y Producto Interno Bruto ( ) en miles de millones de dólares de 1992.
Universidad Nacional Autónoma de Nicaragua UNAN-Managua Curso de Análisis y Diseño de Modelos Econométricos Profesor: MSc. Julio Rito Vargas Avilés. Participantes: Docentes /FAREM-Carazo Encuentro No.4
Más detallesTema 3 Normalidad multivariante
Aurea Grané Máster en Estadística Universidade Pedagógica Aurea Grané Máster en Estadística Universidade Pedagógica Tema 3 Normalidad multivariante 3 Normalidad multivariante Distribuciones de probabilidad
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 detallesTEMA 4 Modelo de regresión múltiple
TEMA 4 Modelo de regresión múltiple José R. Berrendero Departamento de Matemáticas Universidad Autónoma de Madrid Análisis de Datos - Grado en Biología Estructura de este tema Modelo de regresión múltiple.
Más detalles1. Conceptos de Regresión y Correlación. 2. Variables aleatorias bidimensionales. 3. Ajuste de una recta a una nube de puntos
TEMA 10 (curso anterior): REGRESIÓN Y CORRELACIÓN 1 Conceptos de Regresión y Correlación 2 Variables aleatorias bidimensionales 3 Ajuste de una recta a una nube de puntos 4 El modelo de la correlación
Más detallesModelo de Regresión Lineal
Modelo de Regresión Lineal Álvaro José Flórez 1 Escuela de Ingeniería Industrial y Estadística Facultad de Ingenierías Febrero - Junio 2012 Introducción Un ingeniero, empleado por un embotellador de gaseosas,
Más detallesEstadística II Examen final enero 19/1/17 Curso 2016/17 Soluciones Duración del examen: 2 h y 15 min
Estadística II Examen final enero 19/1/17 Curso 016/17 Soluciones Duración del examen: h y 15 min 1. 3 puntos El Instituto para la Diversificación y Ahorro de la Energía IDAE ha publicado un estudio sobre
Más detallesEconometría de series de tiempo aplicada a macroeconomía y finanzas
Econometría de series de tiempo aplicada a macroeconomía y finanzas Series de Tiempo no Estacionarias Carlos Capistrán Carmona ITAM Tendencias Una tendencia es un movimiento persistente de largo plazo
Más detallesTEMA 3.- VECTORES ALEATORIOS.- CURSO
TEMA 3.- VECTORES ALEATORIOS.- CURSO 017-018 3.1. VARIABLES ALEATORIAS BIDIMENSIONALES. FUNCIÓN DE DISTRIBUCIÓN CONJUNTA. 3.. VARIABLES BIDIMENSIONALES DISCRETAS. 3.3. VARIABLES BIDIMENSIONALES CONTINUAS.
Más detallesPrácticas Tema 4: Modelo con variables cualitativas
Prácticas Tema 4: Modelo con variables cualitativas Ana J. López y Rigoberto Pérez Departamento de Economía Aplicada. Universidad de Oviedo PRACTICA 4.1- Se dispone de información sobre 16 familias sobre
Más detalles