GUÍA PARA LAS SOLUCIONES DE LA PRÁCTICA 2 DE ECONOMETRÍA T.A: MªDolors Navarro Bergas. VARIABLE COEFICIENTE DESV.TÍP. ESTAD.
|
|
- María Ángeles Cabrera Macías
- hace 5 años
- Vistas:
Transcripción
1 GUÍA PARA LAS SOLUCIONES DE LA PRÁCTICA 2 DE ECONOMETRÍA T.A: MªDolors Navarro Bergas Ejercicio Resultados de la estimación por MCO del modelo (). Modelo : estimaciones MCO utilizando las observaciones 98:-24:4 Variable dependiente: Y ) const -2,69276, ,66 <, *** 2) M 5,, ,6E+3 <, *** 3) I -3,359, ,349 <, *** 4) G -5,94, ,4 <, *** Media de la var. dependiente = 52,36 D.T. de la var. dependiente = 49,647 Suma de cuadrados de los residuos = 2,6249 Desviación típica de los residuos =,64649 R-cuadrado =, R-cuadrado corregido =, Estadístico F (3, 96) = 2,99648e+6 (valor p <,) Estadístico de Durbin-Watson =,332 Coef. de autocorr. de primer orden =, Criterio de información de Akaike (AIC) = -73,826 Criterio de información Bayesiano de Schwarz (BIC) = -62,669 A parte de comentar el coeficiente estimado asociado a cada regresor y su significatividad, era importante darse cuenta de que el estadístico DW que aparece en la tabla de resultados anteriores indica la presencia de autocorrelación positiva en los residuos. Para demostrarlo se podían usar la siguiente tabla de DW: Valores críticos al 5% del estadístico de Durbin-Watson Número de variables explicativas (excluyendo la constante): dl du dl du dl du dl du dl du n =,65,69,63,72,6,74,59,76,57,78 Inspección de los residuos: presentan autocorrelación, en particular siguen un proceso AR(), cosa que ya el DW hacía intuir y los correlogramas y gráfico siguientes reafirmam:
2 .4 uhat con respecto a uhatret (con ajuste m nimo-cuadr tico).3.2. uhat uhatret FAC de uhat +-.96/T^ FACP de uhat +-.96/T^ Para tranformar el modelo siguiendo el procedimiento Cochrane-Orcutt, es necesario realizar primero la estimación de los residuos sobre su y guardar el coeficiente de los últimos; esto es: Modelo 2: estimaciones MCO
3 utilizando las 99 observaciones 98:2-24:4 Variable dependiente: uhat 6) uhatret,843872,5427 5,55 <, *** El modelo no tiene término constante. El estadístico F se calcula como en la sección 4.4 del libro 'Introductory Econometrics' de Ramanathan. El R-cuadrado es el cuadrado de la correlación entre los valores observado y ajustado de la variable dependiente. Media de la var. dependiente =,6 D.T. de la var. dependiente =,62577 Suma de cuadrados de los residuos =,7479 Desviación típica de los residuos =,8733 R-cuadrado =,757 R-cuadrado corregido =,757 Ahora podemos tranformar las variables del modelo de acuerdo con la siguiente regla: Xtranformada=X-rhoestimado*Xretardada donde X representa la matriz de regresores, esto es incluye la constante, la masa monetaria, la inversión bruta y el gasto público. Ytransformada=Y-rhoestimado*Yretardada Y es la variable dependiente, el PNB. Procedemos y estimamos de nuevo el modelo transformado por MCO: Modelo 2: estimaciones MCO utilizando las 99 observaciones 98:2-24:4 Variable dependiente: Ytr ) consttr -2,7934,636-43,54 <, *** 8) Mtr 4,9998, ,E+3 <, *** 9) Itr -3,4, ,26 <, *** ) Gtr -5,626, ,9E+3 <, *** El modelo no tiene término constante. El estadístico F se calcula como en la sección 4.4 del libro 'Introductory Econometrics' de Ramanathan. El R-cuadrado es el cuadrado de la correlación entre los valores observado y ajustado de la variable dependiente. Media de la var. dependiente = 8,68 D.T. de la var. dependiente = 63,964 Suma de cuadrados de los residuos =, Desviación típica de los residuos =, R-cuadrado =, R-cuadrado corregido =, Estadístico F (4, 95) =,32793e+7 (valor p <,) Estadístico de Durbin-Watson =,64777
4 Coef. de autocorr. de primer orden =,24867 Criterio de información de Akaike (AIC) = -97,295 Criterio de información Bayesiano de Schwarz (BIC) = -86,95 Comprobamos que los residuos del nuevo modelo no presentan autocorrelación uhat uhat3ret FAC de uhat /T^ FACP de uhat /T^ También deberíais fijaros en que el DW para el modelo transformado se acerca a la zona de no autocorrelación ( se aproxima al 2), lo que ocurre es que cae en la zona de indeterminación; por ello no es concluyente aunque los gráficos anteriores indican que efectivamente se ha corregido la autocorrelación.
5 Ejercicio 2 Estimación del modelo (2) por MCO: Modelo : estimaciones MCO utilizando las 98 observaciones 98:3-24:4 Variable dependiente: C ) const,2893, ,264,25869 ** 3) Cret,499752,485524,293 <, *** ) Y,643285, ,98 <, *** Media de la var. dependiente =,2258 D.T. de la var. dependiente = 3,8258 Suma de cuadrados de los residuos = 28,996 Desviación típica de los residuos =,48323 R-cuadrado =, R-cuadrado corregido =, Estadístico F (2, 95) = 6,987 (valor p <,) Estadístico de Durbin-Watson = 2,9855 Coef. de autocorr. de primer orden = -,5287 Criterio de información de Akaike (AIC) = 358,332 Criterio de información Bayesiano de Schwarz (BIC) = 366,87 Además de presentar como regresor la variable endógena retardada los residuos del modelo siguen un MA() con lo que hay autocorrelación. Ct- y los residuos están correlacionados, los estimadores por MCO del model (2) son incosistentes. Al comentar los coeficientes estimados para los regresores debíais daros cuenta de que los valores se alejaban de los que se os daba en el enunciado, que se consideraban los esperados, deduciendo que la estimación sufría algún tipo de problema. También podíais comentar que el estadístico DW para esta primera estimación caía en la zona de autocorrelación negativa, si usabais la misma tabla de antes lo podíais ver: Valores críticos al 5% del estadístico de Durbin-Watson Número de variables explicativas (excluyendo la constante): dl du dl du dl du dl du dl du n =,65,69,63,72,6,74,59,76,57,78 No obstante debíais ir con cuidado al comentar este dato, puesto que los gráficos que a continuación se muestran indicaban la presencia de un término auto correlacionado que seguía un MA(). Ante tal situación el contraste DW es poco potente pues está diseñado para detectar procesos AR() en los residuos. Inspección de los residuos: existe autocorrelación y es del tipo MA().
6 FAC de uhat +-.96/T^ FACP de uhat +-.96/T^ uhat con respecto a uhatret (con ajuste m nimo-cuadr tico) uhat uhatret El apartado 2 de este ejercicio debía contestarse de manera teórica de acuerdo con lo que habías visto en clase con Montse. En concreto, al tener un modelo con la
7 variable endógena retardada como regresor y un término de perturbación autocorrelacionado de manera MA(), es posible demostrar que la esperanza entre los regresores y residuos no es nula, E(X U)#; siendo esto así se incumple uno de los supuestos de la estimación por MCO, con lo que los estimadores obtenidos en el apartado anterior ( en concreto el asociado a Ct-) son inconsistentes. En el apartado 3 dado el anterior comentario, había que explicar que una manera de resolver el problema de la inconsistencia de la estimación por MCO consiste en usar la estimación por variables instrumentales, VI. Primero pero debías decirme qué variable usarías como instrumento; esa variable podía ser la renta retardada ya que no estaba correlacionada con el término de perturbación y sí lo estaba con el consumo ( de acuerdo con el modelo establecido y dado que el coeficiente asociado era diferente de zero), y por tanto con el consumo retardado que es el regresor que causa problemas. Aquí también podías añadir la explicación que tenéis en los apuntes de clase. Finalmente en el apartado 4 debías estimar el modelo por VI (recordad que Gretl no tiene una opción de estimación por VI propiamente dicha y que recurríamos a la estimación de MCO en dos etapas). Los resultados se detallan a continuación: Estimación por VI usando como instrumento la renta retardada un período ( mediante la estimación por MCO en dos etapas en Gretl) Modelo 5: estimaciones MC2E utilizando las 98 observaciones 98:3-24:4 Variable dependiente: C Instrumentos: Cret ) const 2,95678,2555 5,884 <, *** ) Y,562422,3957 8,7 <, *** 3) Yret,66847, ,43 <, *** Media de la var. dependiente =,2258 D.T. de la var. dependiente = 3,8258 Suma de cuadrados de los residuos =,972 Desviación típica de los residuos =, R-cuadrado =,999 R-cuadrado corregido =,99899 Estadístico F (2, 95) = 47973,7 (valor p <,) Estadístico de Durbin-Watson = 2,225 Coef. de autocorr. de primer orden = -,985 Criterio de información de Akaike (AIC) = -74,272 Criterio de información Bayesiano de Schwarz (BIC) = -66,57 Era importante que comentaseis que tras la estimación por VI los coeficientes estimados sí coincidían con sus valores esperados ( valores que se enunciaban al principio del ejercicio), con lo que la estimación ahora sí era consistente. Inspección de los residuos de la estimación por VI.
8 FAC de uhat /T^ FACP de uhat /T^ Si os fijabais en los diferentes gráficos de los residuos del nuevo modelo estimado por VI, todo parecía indicar que la autocorrelación había desaparecido. Este comentario es correcto pero debe ser interpretado con cautela. Como ya se explicó en las clases prácticas en ningún momento hemos aplicado método alguno para corregir la autocorrelación, las VI NO son una manera de corregir la autocorrelación, las VI sirven para paliar el hecho de que uno de los regresores está relacionado con el término de perturbación. El hecho de que la autocorrelación se haya corregido es simple casualidad, seguramente debido a una errata en la generación de los datos. Errata que me atribuyo personalmente.
9 .25 Residuos de la regresi n (= C observada - ajustada) residuo NOTA: Al evaluar vuestras prácticas a parte de los resultados y gráficos que me presentéis se valorarán las explicaciones de los pasos que seguís y sobretodo su justificación en base a lo visto en clase de la parte teórica.
Herramientas para el Estudio de Mercado. Técnicas de Predicción.
Herramientas para el Estudio de Mercado Proyecciones Económicas Técnicas de Predicción. Profesor: Exaú Navarro Pérez Técnicas de Predicción. Introducción. Técnicas Elementales de Predicción. Modelo Econométrico.
Más detallesEJEMPLO EMPIRICO SOBRE ESTIMACION DE SISTEMAS DE ECUACIONES UTILIZANDO EL SOFTWARE LIBRE GRETL
EJEMPLO EMPIRICO SOBRE ESTIMACION DE SISTEMAS DE ECUACIONES UTILIZANDO EL SOFTWARE LIBRE GRETL INFLACION Y GRADO DE APERTURA. Ejemplo de estimación por MC2E con Gretl. Marta Regúlez (UPV-EHU) Fichero de
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 detallesFACTORES INFLUYENTES EN EL EMPLEO. Econometría II GECO Marina Calvillo Fuentes Rocío Crespo Roldán
FACTORES INFLUYENTES EN EL EMPLEO Econometría II GECO Marina Calvillo Fuentes Rocío Crespo Roldán 2 ÍNDICE: 1. INTRODUCCIÓN 2. PLANTEAMIENTO DEL PROBLEMA 3. GRÁFICOS DE LOS DATOS 4. ESTIMACIÓN DEL MODELO
Más detallesD to de Economía Aplicada Cuantitativa I Basilio Sanz Carnero
D to de Economía Aplicada Cuantitativa I Basilio Sanz Carnero INTRODUCCIÓN El problema de medir relaciones económicas a largo plazo (regresión entre variables económicas en niveles o no estacionarias)
Más detallesModelos Dinámicos. Tema Introducción
Tema 6 Modelos Dinámicos 6.1. Introducción Este tema vuelve a ocuparse de la modelización de relaciones entre variables dentro de un contexto de datos en el tiempo o series temporales. Como ya comentamos
Más detallesSolución Ejercicio 7.
Solución Ejercicio 7. Heterocedasticidad y autocorrelación. Ejercicio 7.1 Alquiler de sombrillas Primera parte a. Modelo: S t = α + βt t + u t t = 1,..., 22 Modelo 1: MCO, usando las observaciones 2012-04-30
Más detallesEjercicio Heterocedasticidad_2
Ejercicio heterocedasticidad 2. 1 Ejercicio Heterocedasticidad_2 Tengamos los siguientes datos de los beneficios (B i ) y ventas (V i ) de 20 empresas: obs B V 1 13,2 61 2 15 78 3 22,2 158 4 15,2 110 5
Más detallesECONOMETRÍA I LICENCIATURA EN ECONOMÍA, Curso PRÁCTICA 1 (LECCIÓN 1): EN BUSCA DE ESPECIFICACIÓN Por Beatriz González López-Valcárcel
ECONOMETRÍA I LICENCIATURA EN ECONOMÍA, Curso 2003-2004 PRÁCTICA 1 (LECCIÓN 1): EN BUSCA DE ESPECIFICACIÓN Por Beatriz González López-Valcárcel En esta práctica, aplicaremos los contrastes de especificación
Más detallesMétodos Estadísticos para Economía y Gestión IN 540 Clase 7
Métodos Estadísticos para Economía y Gestión IN 540 Clase 7 Perturbaciones no Esféricas 17 de junio de 2010 1 Preliminares Matriz de Varianzas y Covarianzas cuando ɛ t es un AR(1) Naturaleza y causas de
Más 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 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 detallesEconometría. Examen 02/02/2015. La respuesta que no sea claramente interpretable se considerará incorrecta.
Econometría Examen 02/02/2015 Alumno Grupo 1 a b c d 11 a b c d 2 a b c d 12 a b c d 3 a b c d 13 a b c d 4 a b c d 14 a b c d 5 a b c d 15 a b c d 6 a b c d 16 a b c d 7 a b c d 8 a b c d 9 a b c d 10
Más detallesEl Modelo de Regresión Lineal General Estimación
Tema 5 El Modelo de Regresión Lineal General Estimación Pilar González y Susan Orbe Dpto Economía Aplicada III (Econometría y Estadística) Pilar González y Susan Orbe OCW 2013 Tema 5 MRLG: Estimación 1
Más 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. Multicolinealidad. Contenido Multicolinealidad perfecta Multicolinealidad de grado alto
Tema 6 Multicolinealidad Contenido 6.1. Multicolinealidad perfecta...................... 108 6.. Multicolinealidad de grado alto................... 110 108 Tema 6. Multicolinealidad A la hora de estimar
Más detallesEconometría. Examen 24/06/2015. La respuesta que no sea claramente interpretable se considerará incorrecta.
Econometría Examen 24/06/2015 Alumno Grupo 1 a b c d 11 a b c d 2 a b c d 12 a b c d 3 a b c d 13 a b c d 4 a b c d 14 a b c d 5 a b c d 6 a b c d 7 a b c d 8 a b c d 9 a b c d 10 a b c d Reglas del examen
Más detallesUNIVERSIDAD NACIONAL DE TRUJILLO ESCUELA PROFESIONAL DE ECONOMÍA APUNTES DE CLASE ECUACIONES SIMULTÁNEAS: EJERCICIO 19.
UNIVERSIDAD NACIONAL DE TRUJILLO ESCUELA PROFESIONAL DE ECONOMÍA APUNTES DE CLASE ECUACIONES SIMULTÁNEAS: EJERCICIO 19.15 ECONOMETRÍA 2 Econometría.weebly.com Wilhem.weebly.com Ejercicio 19.15 Considérese
Más detallesVariables Cualitativas
Tema 7 Variables Cualitativas Contenido 7.1. Introducción. Un ejemplo...................... 118 7.2. Modelo con una variable cualitativa................ 118 7.2.1. Incorporación de variables cuantitativas.............
Más detallesT6. Modelos multiecuacionales
T6. Modelos multiecuacionales Ana J. López y Rigoberto Pérez Dpto Economía Aplicada. Universidad de Oviedo Curso 2010-2011 Curso 2010-2011 1 / 41 Índice 1 Los modelos multiecuacionales: SUR y SEM 2 Modelos
Más detallesContrastes de restricciones lineales y predicción
Tema 4 Contrastes de restricciones lineales y predicción Contenido 4.1. Contrastes de restricciones lineales................. 78 4.2. Contrastes utilizando Gretl..................... 80 4.3. Estimación
Más detallesEXAMEN ECONOMETRÍA I GRUPO 31 LADE Prof. Rafael de Arce 3 de septiembre de Nombre y Apellidos:
EXAMEN ECONOMETRÍA I GRUPO 31 LADE Prof. Rafael de Arce 3 de septiembre de 2004 Nombre y Apellidos: PRIMERA PARTE: Preguntas tipo test (sólo debe marcarse una en cada caso): 1. En el Modelo Básico de Regresión
Más detallesEconometría 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 detallesGuía breve de análisis de series temporales unidimensionales con Gretl
Guía breve de análisis de series temporales unidimensionales con Gretl 1. Pasos a seguir 1. Representación de la serie temporal (Variable Gráfico de series temporales). 2. Serie temporal no estacionaria
Más detalles4.1. El concepto de autocorrelación y su modelización
Tema 4 Autocorrelación 4.1. El concepto de autocorrelación y su modelización 4.1.1. Introducción Este tema aborda el problema de autocorrelación, una característica que puede presentar el término de error
Más detallesEXAMEN ECONOMETRÍA II GRUPO DADE Prof. Rafael de Arce 3 de septiembre de Nombre y Apellidos:
EXAMEN ECONOMETRÍA II GRUPO DADE Prof. Rafael de Arce 3 de septiembre de 2004 Nombre y Apellidos: PRIMERA PARTE: (En las preguntas tipo test sólo debe marcarse una en cada caso): 1. Para determinar si
Más 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 detallesUNIVERSIDAD CARLOS III DE MADRID ECONOMETRÍA EXAMEN FINAL (Modelo A)
TIEMPO: 2 HORAS Instrucciones: UNIVERSIDAD CARLOS III DE MADRID ECONOMETRÍA EXAMEN FINAL (Modelo A) 1. Este un modelo de examen que le servirá para autoevaluarse de todos los contenidos del curso de Econometria
Más detallesTaller 7: Problemas Econométricos Econometría
Taller 7: Problemas Econométricos 06216 09-2010 Profesor: Carlos Giovanni González Espitia Monitores: Ana Beatriz Arcos Andrés Felipe Cuadros Notas: Recuerde que únicamente tres preguntas, seleccionadas
Más detallesPROBLEMA 1: Nivel nutricional de los menores de 6 años
UNIVERSIDAD CARLOS III DE MADRID ECONOMETRÍA I Curso 2012/13 SOLUCIONES EXAMEN FINAL (Convocatoria Ordinaria) 10 de Enero de 2013 PROBLEMA 1: Nivel nutricional de los menores de 6 años 1. Los nutricionistas
Más detallesMODELO ECONOMÉTRICO. José María Cara Carmona. Adrián López Ibáñez. Explicación del desempleo
José María Cara Carmona Adrián López Ibáñez MODELO ECONOMÉTRICO Explicación del desempleo Desarrollaremos un modelo econométrico para intentar predecir el desempleo. Trataremos los diversos problemas que
Más detallesy x Estimar por MCO un modelo lineal entre la variable explicada (y) y las
Ejercicio MLG Disponemos de los siguientes datos y x x3 7 6 0 4 3 7 8 6 3 6 6 5 8 9 8 Se pide. Estimar por MCO un modelo lineal entre la variable explicada (y) y las explicativas (x).. Comprobar que el
Más detallesD to de Economía Aplicada Cuantitativa I Basilio Sanz Carnero
D to de Economía Aplicada Cuantitativa I Basilio Sanz Carnero Tendencia estocástica y determinista Una serie de tiempo tiene tendencia estocástica (o también denominadas estacionarias en diferencias) cuando
Más detallesEl Modelo de Regresión Lineal
ECONOMETRÍA I El Modelo de Regresión Lineal Dante A. Urbina CONTENIDOS 1. Regresión Lineal Simple 2. Regresión Lineal Múltiple 3. Multicolinealidad 4. Heterocedasticidad 5. Autocorrelación 6. Variables
Más 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 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 detallesUNIVERSIDAD CARLOS III DE MADRID ECONOMETRÍA EXAMEN FINAL (Modelo C)
UNIVERSIDAD CARLOS III DE MADRID ECONOMETRÍA EXAMEN FINAL (Modelo C) DURACION: 2 HORAS Y 15 MINUTOS Instrucciones: 1. Este un modelo de examen que le servirá para autoevaluarse de todos los contenidos
Más detallesSEMINARIO ECONOMETRIA 14 DE MAYO DEL CASO: Determinando un éstandar de productividad comercial en banca
SEMINARIO ECONOMETRIA 14 DE MAYO DEL 212 CASO: Determinando un éstandar de productividad comercial en banca 1.1. Objetivo del análisis: Un banco quiere estimar la productividad estándar esperada de cada
Más detallesRegresión con heterocedasticidad y autocorrelación
Regresión con heterocedasticidad y autocorrelación Tema 6 Regresión con heterocedasticidad La heterocedasticidad significa que var( i ) cte Es la norma, no la excepción, en especial con datos transversales
Más detallesEXAMEN ECONOMETRÍA I GRUPO 53 - DADE 8 de septiembre de 2005 Prof. Rafael de Arce
EXAMEN ECONOMETRÍA I GRUPO 53 - DADE 8 de septiembre de 005 Prof. Rafael de Arce NOMBRE: DNI: PARTE I.- TEST 1. La hipótesis de rango pleno en el MBRL supone: Que las variables explicativas no tengan ninguna
Más detallesCAPÍTULO 5. Proyecciones de las Fuentes de Empleo Características Generales del Modelo de Regresión Lineal Múltiple de las Fuentes
CAPÍTULO 5 Proyecciones de las Fuentes de Empleo 5.1. Características Generales del Modelo de Regresión Lineal Múltiple de las Fuentes de Empleo a Nivel Nacional. Para la proyección de las fuentes de empleo
Más detallesEXAMEN FINAL DE ECONOMETRÍA SOLUCIONES Conteste cada pregunta en un cuadernillo diferente en dos horas y media
EXAMEN FINAL DE ECONOMETRÍA SOLUCIONES Conteste cada pregunta en un cuadernillo diferente en dos horas y media 1. Sean (Y; X; W ) tres variables aleatorias relacionadas por el siguiente modelo de regresión
Más detallesEconometría II Grado en finanzas y contabilidad
Econometría II Grado en finanzas y contabilidad Metodología Box-Jenkins Profesora: Dolores García Martos E-mail:mdgmarto@est-econ.uc3m.es Este documento es un resumen/modificación de la documentación elaborada
Más detallesNOMBRE: I. TEST (debe marcar sólo un resultado como válido en cada pregunta)
ECONOMETRÍA I Examen DADE 20 de enero de 2005 NOMBRE: I. TEST (debe marcar sólo un resultado como válido en cada pregunta) 1. El contraste del predictor Sirve para determinar si las predicciones del modelo
Más 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 detallesGuía de taller de Economía Cuantitativa V. Profesor: ALBERTO REYES DE LA ROSA.
Guía de taller de Economía Cuantitativa V. Profesor: ALBERTO REYES DE LA ROSA. Debe ser resuelta a mano, citar bibliografía (no usar internet). Términos clave 1. Ceteris Paribus 2. Grado de libertad 3.
Más detallesUNIVERSIDAD CARLOS III DE MADRID ECONOMETRÍA EXAMEN FINAL (Modelo B)
UNIVERSIDAD CARLOS III DE MADRID ECONOMETRÍA EXAMEN FINAL (Modelo B) TIEMPO: 125 MINUTOS Instrucciones: 1. Este un modelo de examen que le servirá para autoevaluarse de todos los contenidos del curso de
Más 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 detallesFACULTAD DE CIENCIAS ECONÓMICAS Y EMPRESARIALES GRADO EN ECONOMÍA
FACULTAD DE CIENCIAS ECONÓMICAS Y EMPRESARIALES GRADO EN ECONOMÍA Una introducción práctica al análisis econométrico de series temporales Trabajo Fin de Grado presentado por Francisco Álvarez Sánchez,
Más detallesT5. Ampliación del modelo lineal básico
T5. Ampliación del modelo lineal básico Ana J. López y Rigoberto Pérez Dpto Economía Aplicada. Universidad de Oviedo Curso 2010-2011 Ana J. López y Rigoberto Pérez (Dpto Economía T5. Aplicada. Ampliación
Más detallesMODELO ECONOMÉTRICO SOBRE LA TASA DE MORA BANCARIA ECONOMETRÍA. Introducción
Rafael Andrés Rozas 3º E-3 A MODELO ECONOMÉTRICO SOBRE LA TASA DE MORA BANCARIA ECONOMETRÍA Objetivo del trabajo: Introducción El objetivo del trabajo es principalmente el de aplicar los conocimientos
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 detallesModelo de Regresión Lineal Múltiple
Tema 3 Modelo de Regresión Lineal Múltiple Contenido 3.1. Introducción. Un ejemplo...................... 52 3.2. Estimación de Mínimos Cuadrados Ordinarios utilizando Gretl. 54 3.3. Análisis de los resultados
Más detallesEconometría I (LADE). Curso 2001/2002 PRÁCTICA 08
PRÁCTICA 08 HETEROCEDASTICIDAD Y NORMALIDAD En el fichero Datos08.wf1 tenemos la renta y consumo anual (en dólares) para 500 familias con el que se pretende estimar el siguiente modelo: C i = β + β R +
Más detalleslog Y = log + v log K + (1 )v log L 1=2 log(1 )v[log(k=l)] 2 + U = log K + 2 log L + 3 [log(k=l)] 2 + U;
Universidad Carlos III de Madrid Econometría Examen Final, Convocatoria Extraordinaria, Curso 2014-2015. Duración del examen: 2 horas. Nota importante: Alguna información contenida en las salidas es redundante.
Más 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 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 detallesEVOLUCIÓN DE DOS ÍNDICES BURSÁTILES Y DEL PRECIO DEL PETÓLEO EN ECONOMÍAS ABIERTAS EN CICLOS DE EXPANSIÓN-CRISIS EN EL PERÍODO 2003:1-2010:5.
EVOLUCIÓN DE DOS ÍNDICES BURSÁTILES Y DEL PRECIO DEL PETÓLEO EN ECONOMÍAS ABIERTAS EN CICLOS DE EXPANSIÓN-CRISIS EN EL PERÍODO 2003:1-2010:5. En este trabajo realizo un estudio entre las variables, con
Más detallesDEMANDA DE AUTOMOVILES EN ESPAÑA
MODELO ECONOMETRICO DEMANDA DE AUTOMOVILES EN ESPAÑA Pablo Javier Benavides Montes (pablojavier@correo.ugr.es) 3º GECO A INDICE: Pagina 1. Resumen..2 2. Motivaciones.2 3. Introducción..2-4 4. Datos 5-9
Más detallesModelos de elección discreta Aplicaciones en ordenador
Modelos de elección discreta Aplicaciones en ordenador Román Salmerón Gómez Para ilustrar cómo abordar el análisis de Modelos de elección discreta con el software econométrico Gretl resolveremos el siguiente
Más detallesRegresión con heterocedasticidad y autocorrelación
Regresión con heterocedasticidad y autocorrelación Tema 6 Regresión con heterocedasticidad La heterocedasticidad significa que var( i ) cte Es la norma, no la excepción, en especial con datos transversales
Más detallesCOBERTURA CONTRA LA INFLACION REAL EN ARGENTINA
COBERTURA CONTRA LA INFLACION REAL EN ARGENTINA Fausto Spotorno (Director del Centro de Estudios Económicos de Orlando J. Ferreres y Asociados) Alejandro Aranda (Analista sales and trading MBA-Lazard)
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 detalles1.-Fuentes de perturbación no esféricas. Autocorrelación y Heterocedasticidad.
Tema 9: Perturbaciones no esféricas l modelo lineal con matriz de covarianzas de los errores general -Fuentes de perturbación no esféricas Autocorrelación y Heterocedasticidad l estimador MCO en presencia
Más detallesECONOMETRÍA I Convocatoria Extraordinaria 22 de Septiembre de 2007
SOLUCIONES EXAMEN Tipo 1 ECONOMETRÍA I Convocatoria Extraordinaria 22 de Septiembre de 2007 1.D 2.C 3.B 4.D 5.B 6.A 7.C 8.B 9.A 10.A 11.A 12.A 13.C 14.C 15.D 16.D 17.A 18.A 19.B 20.C 21.D 22.C 23.D 24.C
Más detallesCorrelación. El coeficiente de correlación mide la fuerza o el grado de asociación entre dos variables (r)
Correlación El coeficiente de correlación mide la fuerza o el grado de asociación entre dos variables (r) El coeficiente de correlación lineal de Pearson (r) permite medir el grado de asociación entre
Más detallesENUNCIADOS DE PROBLEMAS
UNIVERSIDAD CARLOS III DE MADRID ECONOMETRÍA I 22 de Septiembre de 2007 ENUNCIADOS DE PROBLEMAS Muy importante: Tenga en cuenta que algunos resultados de las tablas han podido ser omitidos. PROBLEMA 1:
Más detallesECONOMETRÍA II PRÁCTICAS DE ORDENADOR. Práctica 3
ECONOMETRÍA II PRÁCTICAS DE ORDENADOR Práctica 3 Considere la ecuación de inversión RINV t = β 1 +β 2 RPIB t +β 3 r t +u t donde RINV es la inversión real privada, RPIB es el PIB real y r es el tipo de
Más detallesGráfico 1: Evolución del exceso de rentabilidad de la empresa y de la cartera de mercado
Caso 1: Solución Apartado a) - 2 0 2 4 6 0 2 0 4 0 6 0 8 0 1 0 0 p e r i o d E x c e s s r e t u r n, c o m p a n y a e x c e s s r e t u r n m a r k e t p o r t f o l i o Gráfico 1: Evolución del exceso
Más detallesRegresión con variables instrumentales
Regresión con variables instrumentales Tema 9 Introducción Cuando el supuesto de exogeneidad no se cumple, los estimadores MCO son sesgados e inconsistentes El método de Variables Instrumentales (VI) permite
Más 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 detallesCorrelograma de la serie Y. Included observations: 900 Autocorrelation Partial Correlation AC PAC Q-Stat Prob
EXAMEN DE ECONOMETRIA EMPRESARIAL II (MÓDULO PRÁCTICO) 23 FEBRERO 2002 1 APELLIDO 2ª APELLIDO NOMBRE GRUPO PRÁCTICO NOMBRE DEL PROFESOR PREGUNTA 1 Un economista desea identificar y estimar el proceso generador
Más detallesMétodos Econométricos y Análisis de Datos
Métodos Econométricos y Análisis de Datos Autores: M. Victoria Esteban Gonzalez Juan Ignacio Modroño Herrán Marta Regúlez Castillo Departamento de Economía Aplicada III. Econometría y Estadística Facultad
Más detallesErrores de especificación. Series simuladas
Estimación modelo correcto Dependent Variable: Y Date: 05/13/02 Time: 17:07 Sample: 2 100 Included observations: 99 Errores de especificación. Series simuladas C 5.376164 0.253524 21.20578 0.0000 X1 0.954713
Más detallesFundamentos del Análisis Econométrico. Dante A. Urbina
Fundamentos del Análisis Econométrico Dante A. Urbina Qué es la Econometría? Etimológicamente Econometría significa medición de la economía. En ese contexto, la Econometría es la aplicación de métodos
Más detalles5. Estimación del Modelo y Resultados
5. Estimación del Modelo y Resultados 5.1. Forma reducida del modelo Como no se tienen datos sobre la tasa natural de desempleo, es necesario hacer una forma reducida del modelo para poder estimarlo utilizando
Más detallesTeoría de relación del precio del oro frente a la TRM del dólar. Mario Andrés Estefan Hartmann
Teoría de relación del precio del oro frente a la TRM del dólar Mario Andrés Estefan Hartmann Colegio de Estudios Superiores de Administración CESA Administración de empresas Bogotá 2017 Teoría de relación
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 detallesPrácticas Tema 6. Modelos de ecuaciones simultáneas
Prácticas Tema 6. Modelos de ecuaciones simultáneas Ana J. López y Rigoberto Pérez Dpto. Economía Aplicada, Universidad de Oviedo PRÁCTICA 6.1- La oferta agregada de determinado producto agrícola (QS)
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 detallesQuinta Entrega. 3. Diagnosis: se comprueba que los residuos verifican la hipótesis de ruido blanco.
Prácticas de la asignatura Series Temporales Quinta Entrega 1 Identificación y Predicción de modelos ARIMA En esta entrega veremos como ajustar modelos ARIMA a series de datos reales. Supongamos que tenemos
Más detallesModelo Econométrico sobre el Turismo
Modelo Econométrico sobre el Turismo Ruth Rubio Rodríguez Miriam Gómez Sánchez Mercados 3ºA GMIM Índice Planteamiento del Problema..4 1. Estadísticos Descriptivos...5 2. Matriz Correlaciones 5 3. Gráfico
Más detallesModelado y simulación en Ingeniería Química. Manuel Rodríguez
ÍNDICE Modelos de caja gris Calibración de modelos Estimación de parámetros Análisis de la estimación Regresión no lineal 1. Modelos de caja gris Son modelos de un sistema (o proceso), donde: Desarrollados
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 detallesTODO ECONOMETRIA. Bondad del ajuste Contraste de hipótesis
TODO ECONOMETRIA Bondad del ajuste Contraste de hipótesis Índice Bondad del ajuste: Coeficiente de determinación, R R ajustado Contraste de hipótesis Contrastes de hipótesis de significación individual:
Más detallesEJERCICIO T1 NOMBRE: Correctas Incorrectas En Blanco Puntos
ECONOMETRÍA EJERCICIO T1 APELLIDOS: NOMBRE: FIRMA: GRUPO: DNI: Pregunta 1 A B C En Blanco Pregunta A B C En Blanco Pregunta 3 A B C En Blanco Pregunta 4 A B C En Blanco Pregunta 5 A B C En Blanco Pregunta
Más detallesTema 3.1: Modelo lineal general: hipótesis y estimación. Universidad Complutense de Madrid 2013
ema 3.1: Modelo lineal general: hipótesis y estimación Universidad Complutense de Madrid 2013 Introducción El objetivo es especificar y estimar un Modelo Lineal General (MLG) en donde una variable de interés
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 detallesINSTITUTO POLITÉCNICO NACIONAL ESCUELA SUPERIOR DE ECONOMÍA GUIA DE MODELOS ECONOMETRICOS ( ) ( ) ( ) (0.08)
GUIA DE MODELOS ECONOMETRICOS Se estimó el siguiente modelo de inversión: Fbk t = 31032550-92480.81r t + 6537785t + 0.79FBK t-1 (25993807) (674994.4) (2596703) (0.08) R 2 = 0.99 DW = 2.081 n = 53 R 2 ajustada
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 detallesEstimación de un modelo de ecuaciones simultáneas usando el software econométrico Gretl
Estimación de un modelo de ecuaciones simultáneas usando el software econométrico Gretl Catalina García, María del Mar López y Román Salmerón Departamento de Métodos Cuantitativos para la Economía y la
Más detallesEJC 22: METODOLOGÍA BOX JENKINS
EJC 22: METODOLOGÍA BOX JENKINS La publicación de G.P.E Box y G.M Jenkins Times Series Análisis: Forecasting and Control en la década de los 70 s generó un nuevo conjunto de herramientas de predicción,
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 detallesAnálisis de Series Temporales con GRETL
Análisis de Series Temporales con GRETL Román Salmerón Gómez Departamento de Métodos Cuantitativos para la Economía y la Empresa Granada - 15, 17, 20, 22 y 24 Noviembre 2017 Universidad de Granada Índice
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 detallesEJERCICIOS RESUELTOS DE ECONOMETRÍA CON GRETL
EJERCICIOS RESUELTOS DE ECONOMETRÍA CON GRETL PRÁCTICA Rosa Badillo Amador Susana Tena Nebot Rocío Munuera Navarro PRÁCTICA Se pretende analizar de qué factores depende el salario mensual de las familias
Más detallesHeterocedasticidad y autocorrelación
Heterocedasticidad y autocorrelación Tema 6 Heterocedasticidad y Autocorrelación Esquema 1. Supuestos del modelo de regresión. 2. Distribución de los estimadores MCO. 3. Varianzas de los estimadores. 4.
Más detallesUniversidad Carlos III de Madrid ECONOMETRÍA I Curso 2006/07 EXAMEN FINAL (Convocatoria extraordinaria) 22 de Septiembre de 2007
Tipo de examen: 1 Universidad Carlos III de Madrid ECONOMETRÍA I Curso 2006/07 EXAMEN FINAL (Convocatoria extraordinaria) 22 de Septiembre de 2007 TIEMPO: 2 HORAS Y 30 MINUTOS Instrucciones: ANTES DE EMPEZAR
Más detallesPARTICIPACIÓN DE LOS BENEFICIOS Y SALARIOS EN EL PRODUCTO INTERNO BRUTO: LA FUNCIÓN DE PRODUCCIÓN COBB-DOUGLAS VS EL SISTEMA DE CUENTAS NACIONALES
PARTICIPACIÓN DE LOS BENEFICIOS Y SALARIOS EN EL PRODUCTO INTERNO BRUTO: LA FUNCIÓN DE PRODUCCIÓN COBB-DOUGLAS VS EL SISTEMA DE CUENTAS NACIONALES Supuestos del Modelo 1 Competencia Perfecta Se supone
Más detallesPlan de Trabajo Docente
Plan de Trabajo Docente Rendimiento académico (Art. 20 punto 11) OCA 1560/11) correspondiente a: Asignatura: ECONOMETRÍA I Ciclo Académico: 2016 Conceptos Total Inscriptos Método A (sin descontar ausentes)
Más detalles