Econometría Avanzada FLACSO 2014
|
|
- María Jesús Rivas Vega
- hace 5 años
- Vistas:
Transcripción
1 Econometría Avanzada FLACSO 2014
2 Hemos cubierto: Mapa Planteamiento de una pregunta económica de interés Diferencias entre econometría y estadística Métodos: Lineales (MCO) revisión, variables instrumentales No-lineales: ML, MCNL, GMM Basado en supuestos de distribución de y Basado en información/modelo a priori de no-linealidad Metodología generalizada, permite incorporar más información a estimación (+ cierta ganancia de eficiencia), IV no lineales
3 Mapa Hasta ahora: Hemos hablado únicamente de datos transversales (no existe el tiempo) (A) Quedarían: Series de tiempo (B) Datos de Panel (datos longitudinales) - (A+B)
4 Que nos queda? 1. Concluir métodos para datos transversales Otros métodos (datos transversales): Modelos de decisión discreta: Probit, Logit, multinomiales Tobit (truncamiento) Inferencia: tests de hipótesis (cobertura incluye modelos lineales, no lineales, series de tiempo, datos de panel) 2. Métodos de panel (introducción)
5 Inferencia
6 Distribución asintótica (GMM) En cualquier modelo, inferencia se basa en distribución asintótica de los estimadores. En su forma más general: θ GMM a ~ N θ 0, (G 0 W 0 G 0 ) 1 (G 0 W 0 S 0 W 0 G 0 )(G 0 W 0 G 0 ) 1 G 0 = h (CPO) θ S 0 = h θ h θ W 0 = 1/S 0 1. Matriz de Varianza Covarianza de los Estimadores (k x k) 2. Inferencia (errores estándares) de θ o sus combinaciones tiene que ser función de los elementos de esta matriz
7 Inferencia: Tests de hipótesis (cap 7 CT) Versión no-lineal, ej.: (restricción) Existe una versión no-lineal del test de Wald, el cual se deriva utilizando el método Delta (ver CT 7.2). Dicho método, calcula la varianza de h θ, v h θ de manera que inferencia pueda ser llevada a cabo a través de: Dicha varianza es una función no-lineal de la restricción y de la varianza de los parámetros
8 Inferencia: Tests de hipótesis (cap 7 CT) Test de Wald Donde R tiene dimensiones h x k (h=#de hipótesis; k=# de regresores) Ejemplo (modelo lineal): β 0 = 1; β 2 β 3 = 2 ~χ(h)
9 Inferencia: Tests de hipótesis (cap 7 CT) Alternativa para tests de hipótesis no-lineales : bootstrap. Razones: Test de demasiado complejo calculo para aplicar método delta (Wald). Ej. (Poisson) g x = xexp(xβ) La distribución del estimador en muestras pequeñas puede ser muy distinto a la distribución asintótica. Tarea/taller 4: bootstrap.
10 Método de Bootstrap Es una variante de métodos de Monte Carlo Estudios de Monte Carlo: simulaciones, basadas en submuestreo, diseñadas para obtener resultados numéricos; es decir cuando no se cuenta con, o no son confiables, resultados analíticos (en nuestro caso, resultados asintóticos) Idea básica de Monte Carlo: existe una relación de interés que se quiere investigar pero para la cual no existe una solución analítica. Se procede a muestrear varias veces utilizando datos de las variables que se conocen para que a través de cada muestreo se vaya mapeando la relación de interés
11 Método de Bootstrap Idea básica de bootstrap: Existe una muestra de tamaño N sobre la cual se desea investigar alguna propiedad de distribución para propósitos de inferencia Se procede realizar los cálculos pertinentes (ej. Media) para una sub-muestra M<N Se repite el último paso (con reemplazo) muchas veces (ej. 1000) Se obtiene una distribución (empírica) del estadístico de interés y se procede con la inferencia
12 Ejemplo: Media Muestra de N= observaciones para variable y Queremos un estimador de la media: E y = y = 1 y N i i=1 Para posteriormente realizar una inferencia: Ho: y=0 Asumiendo y es iid y normalidad, en la situación estándar se puede utilizar el test de t: y ~t(n 1) SE(y) Sin embargo, en caso de no contar con esta última ecuación, se puede recurrir al siguiente ejercicio de bootstrap N
13 Ejemplo: Media 1. De la muestra de N= observaciones para variable y, tomar una sub-muestra (1) aleatoria M<N, por ejemplo Calcular la media para la sub-muestra (1): y 1 = 1 y N i,1 i=1 3. Guardar este valor y 1 y repetir ejercicio (con reemplazo) múltiples veces. Por ejemplo veces: y 1,, y Estas replicas de la media para cada sub-muestra representan la distribución (empírica) del estimador 4. Por lo tanto, se procede con la inferencia utilizando esta distribución: Cálculo de la media de y 1,, y Cálculo del SE de y 1,, y Cálculo de los intervalos de confianza M
14 Método de Bootstrap De manera más general. Consideremos el siguiente modelo estadístico de interés: y i = f(x i, θ, e i ) Posiblemente no lineal en x, θ y el error e. Se procede con la estimación de acuerdo a un método seleccionado por el investigador (ej. MCO, GMM, ML, etc.) y se obtienen θ. Interés está en realizar inferencia con respecto a θ o, de manera más general, a una función de θ: g(θ)
15 Método de Bootstrap Al igual que en el ejemplo de la media, se procede a tomar una sub-muestra (ej. M=40) de (y,x) Para la primera sub-muestra (1), se procede con la estimación del modelo de acuerdo al método seleccionado por el investigador (ej. MCO, GMM, ML, etc.) y se obtiene θ 1 y posteriormente g(θ 1 ). Se repite el proceso (con reemplazo), múltiples veces (ej. W=1.000) Se genera una distribución de g(θ) utiilzando g θ 1,, g θ W Y se procede con inferencia
16 Método de Bootstrap Y se procede con inferencia: Media del estimador: g θ i = 1 W W i=1 g θ i Error Estándar: 1 g θ i g θ i 2 W W i=1 Intervalos de confianza (ej. α = 0,95) Se ordena g θ i de menor a mayor: g θ 1 < < g θ W CI low = g θ (1 α)/2w CI high = g θ α/2w
17 Bootstrap Paramétrico Una variación del Bootstrap se basa en utilizar la distribución de los parámetros calculados, θ, para estimar una distribución del estimador de interés g(θ) Se hace un muestreo aleatorio de θ utilizando la distribución asintótica de θ que arroja la estimación (matriz de varianza-covarianza y vector de estimados θ se utilizan para generar números aleatorios de θ provenientes de una distribución normal multivariada). Para cada θ generada de manera aleatoria con el procedimiento anterior, se estima g(θ) y se procede de manera idéntica al método de bootstrap (no paramétrico) antes descrito.
18 Bootstrap Paramétrico Esta variación se la utiliza cuando el modelo es de difícil estimación (rutinas que demoran varias semanas o meses, por ejemplo). En el taller 4 ustedes realizarán este ejercicio para los datos generados en el taller 3.
19 Otros métodos (datos transversales)
20 Modelos de Decisión Discreta Se dan cuando la variable dependiente corresponde a una y solamente una de varias opciones mutuamente excluyentes. En general el orden de las opciones no es crítica. Versión más sencilla es aquella en la que existen dos opciones: modelos Binarios Opción 1: y es codificada como 0 Opción 2: y codificada como 1
21 Modelos de Decisión Discreta Como práctica general, estos modelos se los estima con ML puesto que se utiliza la distribución Bernoulli como idónea de la generación de la variable dependiente: f y; λ = p y (1 p) 1 y Adicionalmente, dado que p, por definición, debe estar entre 0 y 1, se realiza un supuesto adicional para su distribución: Función de distribución acumulativa o cdf, la cual es la integral de la función de densidad de probabilidad o pdf (cdf = pdf)
22 Modelos de Decisión Discreta Las dos opciones más utilizadas en econometría para la cdf son el logit y el probit Logit Probit Cdf de la normal estanarizada p i =
23 Logit o Probit? Logit tiene algunas ventajas: Su cálculo es más simple pues la cdf es analítica ( solución cerrada ) CPO (necesarias para ML) son sencillas (analíticas) Razón de efectos marginales (odds ratio) es constante: dp/dx i dp/dx j = β i β j (recuerden modelos de índice simple simple index models ):
24 Logit o Probit? Sin embargo: Probit tiene extensiones importantes como el modelo Tobit (cuando datos están truncados) Algunos lo consideran por esta razón En aplicaciones sencillas (es decir pocas observaciones, pocos regresores), no existen diferencias importantes en tiempo de cómputo entre un modelo u otro. Finalmente, se puede comparar los dos modelos en función del log-likelihood
25 Qué hacemos cuando estimamos un modelo Logit (o Probit)? Ejemplo (C&T, p. 14.2, 14.3)
26 Qué hacemos cuando estimamos un modelo Logit (o Probit)? Ejemplo (C&T, p. 14.2, 14.3)
27 Qué hacemos cuando estimamos un modelo Logit (o Probit)? Ejemplo (C&T, p. 14.2, 14.3)
28 Logit y Probit como modelos de Variables Latentes En algunos casos, el modelo de interés especifica una variable dependiente, continua, que está explicada por una serie de variables independientes X: Index function model Sin embargo, y no es observable (es latente ). presente o potencial pero no evidente o activo Lo que se observa es una manifestación imperfecta de la misma:
29 Ejemplos: Logit y Probit como modelos de Variables Latentes y es una variable continua que determina el nivel de riesgo de una corrida bancaria que enfrenta un país. Se observa únicamente y = 1 si se evidencia corrida bancaria y 0 caso contrario y son las horas que una persona está dispuesta a trabajar dependiendo del nivel de salario. Se observa únicamente y = 1 si el individuo está trabajando y 0 caso contrario. y es un indicador de cuánto desea un individuo comprar un artículo. Se observa únicamente y = 1 si el individuo lo compra y 0 caso contrario.
30 Logit y Probit como modelos de Formalmente: Variables Latentes Porqué?
31 Logit y Probit como modelos de Formalmente: Variables Latentes Porqué? Volvemos al caso de especificar forma funcional para F (): Probit (normal) o Logit Principal diferencia: aquí se hace un supuesto sobre la distribución del error u en el caso anterior (ej. Taller 3) no existió error (explícito). Esto permite expresar de manera más intuitiva modelos multinomiales
32 Modelos Multinomiales Extensión directa de modelos binomiales. Intuición es la misma, excepto que al tener más de 2 alternativas, la distribución ya no es binomial sino multinomial. Específicamente, para m alternativas: Adicionalmente, y haciendo uso de la especificación estos modelos como uno de variable latente:
33 Modelos Multinomiales Por lo tanto, la densidad multinomial (para propósitos de estimación ML) está dada (para un individuo/observación) por: Más específicamente: Con el requerimiento de que: p ij ε 0,1 y que p ij j = 1 Modelo Logit: cumple con estas condiciones; ej:
34 Modelos Multinomiales Dada la densidad para un individuo i: f i y = p i1 y i1 p im y im = m p ij y ij j=1 Pregunta: Cómo se procedería a la estimación via ML si i = 1, N? Trabajo en grupo: escribir la función likelihood, loglikelihood y la condición de primer orden con respecto a un parámetro β
35 Modelo Tobit Pueden existir otros problemas de latencia parcial : Censura (Censoring): valores de y superiores a un umbral no son observados (pero si sus variables explicativas). Ej. se tienen datos x (variables explicativas) para todos los individuos, pero datos para la variable y solo para individuos de ingreso bajo y medio (por ej por razones de confidencialidad). Truncamiento (Truncation): caso más severo pues no se observa ni y ni x más allá del umbral. Ej. Solo se observa la muestra de la población de ingresos bajos
36 Ilustración del problema Simlulación C&T (sección 16.2): Número de horas de trabajo que uno desea trabajar (potencialmente negativo)
37 Logística Esta semana Clases viernes, Mayo 2 Asignación de taller # 4, entrega 5 de Mayo Siguientes dos semanas: Clases Miércoles y Viernes siguiente semana (5-9 de Mayo), posible laboratorio Mayo 9 Taller 5 (final) entrega Mayo 12 Lunes (12) y Miércoles (14), presentaciones proyecto Viernes (16) examen final (lista de preguntas de preparación será distribuida con 1 semana de anticipación)
ESCUELA SUPERIOR POLITECNICA DEL LITORAL
ESCUELA SUPERIOR POLITECNICA DEL LITORAL PRIMER TÉRMINO 2017 ECONOMETRÍA II EXAMEN FINAL Profesor: Gonzalo E. Sánchez Yo,, al firmar este compromiso, reconozco que el presente examen está diseñado para
Más detallesMicroeconometría. Karoll GOMEZ Segundo semestre 2017
Microeconometría Karoll GOMEZ kgomezp@unal.edu.co http://karollgomez.wordpress.com Segundo semestre 2017 Generalidades: 3 horas a la semana por 16 semanas. Horario clases: Miercoles de 2pm-5pm. Inicio
Más detallesAuxiliar 9. MNL y MLE. Daniel Olcay. 21 de octubre de 2014 IN4402. Daniel Olcay (IN4402) Auxiliar 9 21 de octubre de / 13
Auxiliar 9 MNL y MLE Daniel Olcay IN4402 21 de octubre de 2014 Daniel Olcay (IN4402) Auxiliar 9 21 de octubre de 2014 1 / 13 Índice Modelos no lineales Probabilidad lineal Probit Logit Máxima verosimilitud
Más detallesModelo de regresión múltiple: estimación, inferencia y predicción Concepto de econometría...
Capítulo1 Capítulo Modelo de regresión múltiple: estimación, inferencia y predicción... 1.1 Conceptos: Los datos en econometría """"""""""""""""""""'" 1.1.1 Concepto de econometría... 1.1. Estructuras
Más detallesUNIVERSIDAD NACIONAL MAYOR DE SAN MARCOS. Modelos Probit y Tobit aplicados al estudio de la oferta laboral de los trabajadores secundarios en el Perú
UNIVERSIDAD NACIONAL MAYOR DE SAN MARCOS FACULTAD DE CIENCIAS MATEMÁTICAS E.A.P. DE. ESTADÍSTICA Modelos Probit y Tobit aplicados al estudio de la oferta laboral de los trabajadores secundarios en el Perú
Más detallesVariables Dependientes Limitadas
Variables Dependientes Limitadas Muestras Truncadas y Censuradas: revisión En algunos casos las variables dependientes pueden estar limitadas en su rango. Ejemplos típicos son las limitaciones por la forma
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 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 detallesModelos de Variable Dependiente Limitada. Econometría Aplicada UCEMA Daniel Lema
Modelos de Variable Dependiente Limitada Econometría Aplicada UCEMA Daniel Lema Modelos de Variable Dependiente Limitada Censura y muestras seleccionadas Modelos de regresión censurados Modelos para muestras
Más detallesDiplomado en Econometría Coordinadora académica: M.F. Esperanza Sainz López
Diplomado en Econometría Coordinadora académica: M.F. Esperanza Sainz López Brindar al alumno los conocimientos de los métodos econométricos fundamentales y de los conceptos estadísticos que éstos requieren,
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 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 detallesDiplomado en Econometría Coordinadora académica: M.F. Esperanza Sainz López
Diplomado en Econometría Coordinadora académica: M.F. Esperanza Sainz López Brindar al alumno los conocimientos de los métodos econométricos fundamentales y de los conceptos estadísticos que éstos requieren,
Más detallesEstimación Máxima Verosimilitud
Estimación Máxima Verosimilitud Microeconomía Cuantitativa R. Mora Departmento of Economía Universidad Carlos III de Madrid Outline Motivación 1 Motivación 2 3 4 5 Estrategias generales de estimación Hay
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 detallesUnidad V: Estadística aplicada
Unidad V: Estadística aplicada 5.1 Inferencia estadística: Concepto, Estimación, Prueba de hipótesis La Inferencia Estadística es la parte de la estadística matemática que se encarga del estudio de los
Más detallesANÁLISIS DE REGRESIÓN
ANÁLISIS DE REGRESIÓN INTRODUCCIÓN Francis Galtón DEFINICIÓN Análisis de Regresión Es una técnica estadística que se usa para investigar y modelar la relación entre variables. Respuesta Independiente Y
Más detallesEstimación Probit. Microeconomía Cuantitativa. R. Mora. Departmento de Economía Universidad Carlos III de Madrid
Probit Microeconomía Cuantitativa R. Mora Departmento de Economía Universidad Carlos III de Madrid R. Mora Probit Esquema El Modelo de Utilidad Aleatoria 1 El Modelo de Utilidad Aleatoria 2 3 R. Mora Probit
Más detallesINDICE. Capitulo Uno.
INDICE Prefacio XIII Capitulo Uno. 1 Introducción 1.1. Estadística: La ciencia de los datos 2 1.2. Tipos de datos 5 1.3. El papel de la estadística 7 1.4. Resumen 8 Laboratorio de Computación. Introducción
Más detalles1 Introducción. 2 Modelo. Hipótesis del modelo MODELO DE REGRESIÓN LOGÍSTICA
MODELO DE REGRESIÓN LOGÍSTICA Introducción A grandes rasgos, el objetivo de la regresión logística se puede describir de la siguiente forma: Supongamos que los individuos de una población pueden clasificarse
Más detallesModelos elección discreta y variable dependiente limitada
Modelos elección discreta y variable dependiente limitada Profesor: Graciela Sanroman Facultad de Ciencias Económicas y Administración Año 2010 Modelos multinomiales Los modelos multinomiales son aquellos
Más detalles5. Descripción teórica de los modelos econométricos. La naturaleza del estudio que esta tesis pretende realizar nos lleva a enfrentarnos
5. Descripción teórica de los modelos econométricos El problema de la auto-selección La naturaleza del estudio que esta tesis pretende realizar nos lleva a enfrentarnos inevitablemente a un problema de
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 detallesEXPERIENCIA PILOTO DE CRÉDITOS EUROPEOS UNIVERSIDAD DE CÓRDOBA CURSO FICHA DE ASIGNATURA DATOS BÁSICOS DE LA ASIGNATURA
EXPERIENCIA PILOTO DE CRÉDITOS EUROPEOS UNIVERSIDAD DE CÓRDOBA FACULTAD DE DERECHO Y CIENCIAS ECONÓMICAS Y EMPRESARIALES GUÍA DOCENTE DE LA LICENCIATURA EN DERECHO Y ADMINISTRACIÓN Y DIRECCIÓN DE EMPRESAS
Más detallesFORMATO MODALIDAD PRESENCIAL UNIVERSIDAD NACIONAL AUTÓNOMA DE MÉXICO FACULTAD DE ECONOMÍA. Plan de estudios
FORMATO MODALIDAD PRESENCIAL UNIVERSIDAD NACIONAL AUTÓNOMA DE MÉXICO FACULTAD DE ECONOMÍA Plan de estudios Clave Semestre Séptimo Créditos 7 Programa Econometría II Área Economía Campo de Economía Matemática
Más detallesPérdida Esperada. Pérdida Esperada (PE): Valor esperado de pérdida por riesgo crediticio en un horizonte de tiempo determinado.
Pérdida Esperada Uno de los objetivos de este estudio es construir una función de pérdidas para el portafolio de la cartera de préstamos que ofrece la entidad G&T Continental, basados en el comportamiento
Más detallesTeórica básica. Incluimos. - Temas
Teórica básica Incluimos - Temas 1 - Tema 1: Fenómenos aleatorios. Conceptos de probabilidad. Propiedades. Independencia de sucesos. Teorema de Bayes. - Tema 2: Variables aleatorias. Variables discretas.
Más detallesDiplomado en Estadística Aplicada
Diplomado en Estadística Aplicada Con el propósito de mejorar las habilidades para la toma de decisiones, la División de Estudios de Posgrado de la Facultad de Economía ha conjuntado a profesores con especialidad
Más detallesIntroducción a la Econometría
1Econometría Introducción a la Econometría -Que es la econometría - Por que una disciplina aparte? -Metodología de la econometría Planeamiento de la teoría o hipótesis Especificación del modelo matemático
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 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 detallesPROGRAMA DE CURSO. Código Nombre ESTADÍSTICA PARA LA ECONOMÍA Y GESTIÓN Nombre en Inglés Statistics for Economics and Management Unidades
PROGRAMA DE CURSO Código Nombre IN3401 ESTADÍSTICA PARA LA ECONOMÍA Y GESTIÓN Nombre en Inglés Statistics for Economics and Management es Horas Docencia Horas de Trabajo SCT Horas de Cátedra Docentes Auxiliar
Más detalles5 Estudios de simulación
5 Estudios de simulación El modelado a través de MLG está disponible en muchos de los paquetes estadísticos más conocidos, como Stata, SAS, Limdep, S o R. De estos paquetes quizás sea Limdep (versión 7.0)
Más detallesANÁLISIS ESTADÍSTICO REGRESIÓN LINEAL SIMPLE
ANÁLISIS ESTADÍSTICO REGRESIÓN LINEAL SIMPLE Jorge Fallas jfallas56@gmail.com 2010 1 Temario Introducción: correlación y regresión Supuestos del análisis Variación total de Y y variación explicada por
Más detallesInferencia en tablas de contingencia
GoBack Inferencia en tablas de contingencia Guillermo Ayala Gallego Universidad de Valencia 15 de octubre de 2008 1 / 36 Distribución condicionada exacta Intervalo para los odds ratio Intervalo de la diferencia
Más detallesEconometría Aplicada
Econometría Aplicada y función de Verosimilitud Víctor Medina Los objetivos de esta parte del curso principalmente son: 1. Dar algunos ejemplos de decisiones económicas donde la variable dependiente es
Más detallesPreparación de los datos de entrada
Preparación de los datos de entrada Clase nro. 6 CURSO 2010 Objetivo Modelado de las características estocásticas de los sistemas. Variables aleatorias con su distribución de probabilidad. Por ejemplo:
Más detallesAnálisis de datos Categóricos
Introducción a los Modelos Lineales Generalizados Universidad Nacional Agraria La Molina 2016-1 Introducción Modelos Lineales Generalizados Introducción Componentes Estimación En los capítulos anteriores
Más detallesEstadística Computacional. M. González
Estadística Computacional M. González Facultad de Medicina. Universidad de Extremadura M. González (UEx) Estadística Computacional 1 / 23 Índice Modelos Lineales Generalizados Bioensayos: Modelos Dosis-Respuesta
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 detallesEconometría Aplicada
Econometría Aplicada Inferencia estadística, bondad de ajuste y predicción Víctor Medina Intervalos de confianza Intervalos de confianza Intervalos de confianza Intervalos de confianza La pregunta que
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 detallesTEMA 3. Modelos de Elección Discreta
TEMA 3. Modelos de Elección Discreta Profesor: Pedro Albarrán Pérez Universidad de Alicante. Curso 2010/2011. Contenido 1 Introducción 2 Modelos para respuesta binaria Modelo Lineal de Probabilidad Modelos
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 detallesModelo Lineal Generalizado GAMMA. Distribución gamma: Otra parametrización mediante el parámetro de forma y la media:
Modelo Lineal Generalizado GAMMA Distribución gamma: Otra parametrización mediante el parámetro de forma y la media: La distribución gamma es de tipo exponencial: 1 Supongamos que se dispone de r subpoblaciones
Más detallesMÓDULO: MÉTODOS CUANTITATIVOS
MÓDULO: MÉTODOS CUANTITATIVOS 1.- Nombre del módulo y las asignaturas: Métodos Cuantitativos Econometría Avanzada Econometría Financiera 2.-Número de créditos ECTS: Econometría Avanzada: 6 ECTS. Econometría
Más detallesFormulario. Estadística Administrativa. Módulo 1. Introducción al análisis estadístico
Formulario. Estadística Administrativa Módulo 1. Introducción al análisis estadístico Histogramas El número de intervalos de clase, k, se elige de tal forma que el valor 2 k sea menor (pero el valor más
Más detallesCurso de nivelación Estadística y Matemática
Modelo de Curso de nivelación Estadística y Matemática Pruebas de hipótesis, y Modelos ARIMA Programa Técnico en Riesgo, 2017 Agenda Modelo de 1 2 Asociación Medidas de asociación para variables intervalo
Más detallesEstadística. Para el caso de dos variables aleatorias X e Y, se puede mostrar que. Pero y son desconocidos. Entonces. covarianza muestral
Para el caso de dos variables aleatorias X e Y, se puede mostrar que Pero y son desconocidos. Entonces donde covarianza muestral Estimación de intervalos de confianza Cuál es el intervalo (de confianza)
Más detallesSesión 7 - Modelos de variable censurada y truncada
Sesión 7 - Modelos de variable censurada y truncada Manuel Barrón 5 de Julio de 2010 1 Mecanismos de censura y truncamiento 1.1 Distribución truncada Una distribución truncada es una parte de una distribución
Más detallesEstimación de Parámetros. Jhon Jairo Padilla A., PhD.
Estimación de Parámetros Jhon Jairo Padilla A., PhD. Inferencia Estadística La inferencia estadística puede dividirse en dos áreas principales: Estimación de Parámetros Prueba de Hipótesis Estimación de
Más detallesEstimación de Parámetros. Jhon Jairo Padilla A., PhD.
Estimación de Parámetros Jhon Jairo Padilla A., PhD. Inferencia Estadística La inferencia estadística puede dividirse en dos áreas principales: Estimación de Parámetros Prueba de Hipótesis Estimación de
Más detallesCURSO ECONOMETRÍA AVANZADA MULTISOFTWARE
CURSO ECONOMETRÍA AVANZADA MULTISOFTWARE El objetivo de este curso es la presentación de las TÉCNICAS ECONOMÉTRICAS AVANZADAS, tanto clásicas como modernas, y su tratamiento con las herramientas más adecuadas
Más detallesResumen. Recordemos que una cópula es una función C : I 2 I tal que: C(u 2, v 2 ) C(u 2, v 1 ) C(u 1, v 2 ) + C(u 1, v 1 ) 0. (2)
Contenido 1 2 3 Cópula Empírica Cópula Kernel Resumen Recordemos que una cópula es una función C : I 2 I tal que: 1 Para cualesquiera u, v en I := [0, 1] C(u, 0) = 0 = C(0, v), C(u, 1) = u, C(1, v) = v.
Más detallesEstimación del Probit Ordinal y del Logit Multinomial
Estimación del Probit Ordinal y del Logit Multinomial Microeconomía Cuantitativa R. Mora Departmento de Economía Universidad Carlos III de Madrid Esquema Introducción 1 Introducción 2 3 Introducción El
Más detallesESTADISTICA INFERENCIAL DR. JORGE ACUÑA A.
ESTADISTICA INFERENCIAL DR. JORGE ACUÑA A. 1 PROBABILIDAD Probabilidad de un evento es la posibilidad relativa de que este ocurra al realizar el experimento Es la frecuencia de que algo ocurra dividido
Más detallesGuía docente 2007/2008
Guía docente 2007/2008 Plan 247 Lic.Investigación y Tec.Mercado Asignatura 43579 METODOS CUANTITATIVOS PARA LA INVESTIGACION DE MERCADOS Grupo 1 Presentación Métodos y técnicas cuantitativas de investigación
Más detallesINTRODUCCIÓN A LA TERCERA PARTE: UNA CLASIFICACIÓN DE LOS MÉTODOS DEL ANÁLISIS MULTIVARIADO
INTRODUCCIÓN A LA TERCERA PARTE: UNA CLASIFICACIÓN DE LOS MÉTODOS DEL ANÁLISIS MULTIVARIADO En un sentido amplio, el análisis multivariado designa un conjunto de métodos de análisis que tratan más de una
Más detallesTema 1. Introducción: el modelo econométrico
1. Introducción. a. Qué es la econometría? b. Metodología en Econometría Gujarati, Econometría (2004) páginas 1 a 11 c. Terminología y notación d. Clasificación de los modelos econométricos 1 1. Introducción
Más detallesTEST DE RAZÓN DE VEROSIMILITUD GENERALIZADA
TEST DE RAZÓN DE VEROSIMILITUD GENERALIZADA JUAN C. MANRÍQUEZ 1, LUIS CID 2 y MARCELA VALDEZ 3 1 Universidad del Bío Bío, Facultad de Ciencias, Departamento de Matemáticas jcmanriq@ubiobio.cl 2 Universidad
Más detallesSelección de distribuciones de probabilidad
Selección de distribuciones de probabilidad Georgina Flesia FaMAF 3 de mayo, 2012 Análisis estadístico de datos simulados Los sistemas reales tienen fuentes de aleatoriedad: Tipo de sistema Fabricación
Más detallesINDICE Capitulo uno Introducción y estadísticas descriptiva Capitulo dos Conceptos en probabilidad Capitulo tres
INDICE Capitulo uno Introducción y estadísticas descriptiva 1.1. Introducción 1.2. descripción grafica de los datos 3 1.3. medidas numéricas descriptivas 11 Ejercicios 22 Apéndice: sumatorias y otras notaciones
Más detallesESTIMACIÓN Y PRUEBA DE HIPÓTESIS INTERVALOS DE CONFIANZA
www.jmontenegro.wordpress.com UNI ESTIMACIÓN Y PRUEBA DE HIPÓTESIS INTERVALOS DE CONFIANZA PROF. JOHNNY MONTENEGRO MOLINA Objetivos Desarrollar el concepto de estimación de parámetros Explicar qué es una
Más detallesUniversidad de la República, Facultad de Ciencias Económicas y Administración.
Universidad de la República, Facultad de Ciencias Económicas y Administración. ECONOMETRIA II- CURSO 2010 Practica 5 MODELOS DE VARIABLE DEPENDIENTE TRUNCADA CENSURADA, MODELOS DE SELECTIVIDAD, MODELOS
Más detallesJUEGO DE BASKETBALL. Repaso de Distribuciones de Probabilidad Discretas y Continuas
JUEGO DE BASKETBALL Repaso de Distribuciones de Probabilidad Discretas y Continuas PREGUNTA #1 Qué es una variable aleatoria uniforme discreta? Cómo es su distribución? Qué es una variable aleatoria uniforme
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 detallesRegresión Lineal Simple y Múltiple Regresión Logística
Regresión Lineal Simple y Múltiple Regresión Logística Miguel González Velasco Departamento de Matemáticas. Universidad de Extremadura MUI en Ciencias de la Salud MUI en Ciencias de la Salud (UEx) Regresión
Más detallesHoja 4 Variables aleatorias multidimensionales
Hoja 4 Variables aleatorias multidimensionales 1.- Estudiar si F (x, y) = 1, si x + 2y 1, 0, si x + 2y < 1, es una función de distribución en IR 2. 2.- Dada la variable aleatoria 2-dimensional (X, Y )
Más detallesLa econometría : una mirada de pájaro
La econometría : una mirada de pájaro Contenido Objetivo Definición de Econometría Modelos determinista y estocástico Metodología de la econometría Propiedades de un modelo econométrico Supuestos de un
Más detallesFacultad de Ciencias Sociales - Universidad de la República
Facultad de Ciencias Sociales - Universidad de la República Estadística y sus aplicaciones en Ciencias Sociales Edición 2016 Ciclo Avanzado 3er. Semestre (Licenciatura en Ciencia Política/ Licenciatura
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 detallesObligatoria Optativa Extracurricular Curso Seminario Taller. Clave seriación 45 Laboratorio. Horas prácticas de campo
Carta descriptiva Datos de identificación Programa Nombre de la asignatura Tipo de Asignatura Maestría en Economía Aplicada Econometría I Ciclo Primer semestre Obligatoria Optativa Extracurricular Curso
Más detallesINDICE. Prólogo a la Segunda Edición
INDICE Prólogo a la Segunda Edición XV Prefacio XVI Capitulo 1. Análisis de datos de Negocios 1 1.1. Definición de estadística de negocios 1 1.2. Estadística descriptiva r inferencia estadística 1 1.3.
Más detallesTaller 10: Modelos con variable dependiente cualitativa Econometría
Taller 10: Modelos con variable dependiente cualitativa 06216 11-04- 2011 Profesor: Carlos Giovanni González Espítia Monitores: Adriana Caicedo Jessica Echeverry Samir Aristizábal Notas: Recuerde que únicamente
Más detallesPrograma Oficial de Asignatura. Ficha Técnica. Presentación. Competencias y/o resultados del aprendizaje. Econometría
Ficha Técnica Titulación: Grado en Administración y Dirección de Empresas Plan BOE: BOE número 67 de 19 de marzo de 2014 Asignatura: Módulo: Análisis Económico Curso: Créditos ECTS: 6 Tipo de asignatura:
Más detallesmatemáticas como herramientas para solución de problemas en ingeniería. PS Probabilidad y Estadística Clave de la materia: Cuatrimestre: 4
PS0401 - Probabilidad y Estadística DES: Ingeniería Programa(s) Educativo(s): Ingeniería de Software Tipo de materia: Obligatoria Clave de la materia: PS0401 Cuatrimestre: 4 UNIVERSIDAD AUTÓNOMA DE Área
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 detallesSOLUCION TALLER 1 SOLUCION PUNTO 1. - Función de producción cuadrática. Se espera que: >0 porque x2 es un insumo de producción
SOLUCION TALLER 1 SOLUCION PUNTO 1 - Función de producción cuadrática Se espera que: >0 porque x1 es un insumo de producción >0 porque x2 es un insumo de producción
Más detallesGuillermo Ayala Gallego Universidad de Valencia
GoBack Regresión logística Guillermo Ayala Gallego Universidad de Valencia 4 de febrero de 2009 1 / 22 Puede que sea el procedimiento estadístico más utilizado. Con aplicaciones frecuentes en Medicina
Más detallesPROBABILIDAD Y ESTADÍSTICA ECON 2302 Sección 4 HAROLD CORONADO ARANGO
PROBABILIDAD Y ESTADÍSTICA ECON 2302 Sección 4 HAROLD CORONADO ARANGO hcoronad@uniandes.edu.co hcoronad@hotmail.com 2010-1 Las clases inician el 18 de enero de 2010 y culminan el 7 de mayo de 2010. 1.
Más detallesTODO ECONOMETRIA TEMA 1: MODELO BASICO DE REGRESIÓN LINEAL MULTIPLE (MBRL)
TODO ECONOMETRIA TEMA 1: MODELO BASICO DE REGRESIÓN LINEAL MULTIPLE (MBRL) NOTA IMPORTANTE - Estas notas son complementarias a las notas de clase del primer semestre correspondientes a los temas de Regresión
Más detallesExamen de Introducción a la Econometría
NOMBRE GRUPO MODELO 1 DNI: Firma: Examen de Introducción a la Econometría 18 de junio de 2009 Sólo una respuesta es válida. Debe justificar la respuesta de cada pregunta en el espacio que se le proporciona.
Más detallesGENERACION DE NUMEROS ALEATORIOS Y VARIABLES ALEATORIAS
GENERACION DE NUMEROS ALEATORIOS Y VARIABLES ALEATORIAS La simulación de eventos se basa en la ocurrencia aleatoria de los mismos, por ello los números aleatorios y las variables aleatorias son de especial
Más detallesMás Allá del Modelo de Regresión Lineal. Dante A. Urbina
Más Allá del Modelo de Regresión Lineal Dante A. Urbina CONTENIDOS 1. Modelos de Regresión No Lineales 2. Modelos de Respuesta Cualitativa 3. Datos de Panel 4. Modelos Autorregresivos y de Rezagos 5. Modelos
Más detallesLICENCIATURA EN ECONOMÍA Y LICENCIATURA EN ADMINISTRACIÓN DE EMPRESAS
DEPARTAMENT D ECONOMIA APLICADA UNIVERSITAT DE VALENCIA LICENCIATURA EN ECONOMÍA Y LICENCIATURA EN ADMINISTRACIÓN DE EMPRESAS PROGRAMA DE ESTADÍSTICA E INTRODUCCIÓN A LA ECONOMETRÍA TEMA 1: INTRODUCCIÓN
Más detallesPROGRAMA DE CURSO. Código Nombre MA3403 Probabilidades y Estadística Nombre en Inglés Probability and Statistics SCT
PROGRAMA DE CURSO Código Nombre MA3403 Probabilidades y Estadística Nombre en Inglés Probability and Statistics SCT Unidades Horas de Horas Docencia Horas de Trabajo Docentes Cátedra Auxiliar Personal
Más detallesCurso: 2º Créditos ECTS: 6 Tipo de asignatura: Obligatoria Tipo de formación: Teórico-Práctica
Ficha Técnica Titulación: Grado en Economía Plan BOE: BOE número 75 de 28 de marzo de 2012 Asignatura: Módulo: Instrumental Curso: 2º Créditos ECTS: 6 Tipo de asignatura: Obligatoria Tipo de formación:
Más 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 detallesAplicación de la distribución empírica: Tests de bondad de ajuste
Aplicación de la distribución empírica: Tests de bondad de ajuste 4 de marzo de 2009 Test de bondad de ajuste Supongamos que se dispone de una m.a.s de tamaño n de una población X con distribución desconocida
Más detallesPROGRAMA DE CURSO. Horas de Trabajo Personal Horas de Cátedra. Básica. Resultados de Aprendizaje
Código Nombre MA3403 Probabilidades y Estadística Nombre en Inglés Probability and Statistics SCT es Docentes PROGRAMA DE CURSO Horas de Cátedra Horas Docencia Auxiliar Horas de Trabajo Personal 6 10 3
Más detallesUNIVERSIDAD AUTÓNOMA DE CHIHUAHUA Clave: 08MSU0017H. Clave: 08USU4053W FACULTAD DE INGENIERÍA PROGRAMA DEL CURSO: PROBABILIDAD Y ESTADISTICAS
UNIVERSIDAD AUTÓNOMA DE CHIHUAHUA Clave: 08MSU007H Clave: 08USU4053W FACULTAD DE INGENIERÍA PROGRAMA DEL CURSO: PROBABILIDAD Y ESTADISTICAS DES: Programa(s) Educativo(s): Tipo de materia: Clave de la materia:
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 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 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 detallesCurso: Métodos de Monte Carlo Unidad 2, Sesión 5: Cálculo de intervalos de confianza
Curso: Métodos de Monte Carlo Unidad 2, Sesión 5: Cálculo de intervalos de confianza Departamento de Investigación Operativa Instituto de Computación, Facultad de Ingeniería Universidad de la República,
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 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 detallesTEMA 5: Especificación y Predicción en el MRL
EMA 5: Especificación y Predicción en el MRL Econometría I M. Angeles Carnero Departamento de Fundamentos del Análisis Económico Curso 2011-12 Econometría I (UA) ema 5: Especificación y Predicción Curso
Más detallesModelos para Variables Censuradas y Truncadas
Modelos para Variables Censuradas y Truncadas Javier Alejo Maestría en Economía UNLP Agosto 2017 Javier Alejo Econometría Avanzada 1 Temario de la clase 1 2 3 4 5..... Javier Alejo Econometría Avanzada
Más detalles