División de Estadísticas y Proyecciones Económicas (DEPE) Centro de Proyecciones Económicas (CPE)

Documentos relacionados
Capítulo 2 Análisis de datos (Bivariados( Bivariados) Estadística Computacional I Semestre 2006 Parte II

Se entiende por sistema de fuerzas a un conjunto de fuerzas como se indica

En cualquier punto donde coloquemos nuestra segunda carga, su posición podrá darse con un vector de posición que cumple:

MANUAL DE PRÁCTICAS DE LABORATORIO DE HIDRÁULICA PROPAGACIÓN DE ERRORES. Escuela de Geociencias y Medio Ambiente

Evento E es cualquier subconjunto de posibles resultados de un experimento (Ω o S también se le conoce como evento seguro).

8- Estimación puntual

Modelos de Regresión Simple

Santiago de la Fuente Fernández. Regresión Lineal Múltiple

Introducción a la Inferencia Estadística. Dept. of Marine Science and Applied Biology Jose Jacobo Zubcoff

En esta sección estudiaremos el caso en que se usa un solo "Predictor" para predecir la variable de interés ( Y )

Regresión - Correlación

ESTUDIO CIS Nº 3020 CIUDADANÍA ISSP 1 FICHA TÉCNICA

Matemáticas Aplicadas CC. SS. I -- I. E. S. Sabinar

1. Introducción 1.1. Análisis de la Relación

MEDIDAS DE FORMA: ASIMETRÍA Y CURTOSIS. MOMENTOS

Consideremos una lista p (l), p (2), p (3),... de proposiciones con índices en P. Todas las proposiciones p(n) son verdaderas a condición de que:

UNIDAD TEMÁTICA 9 REGRESIÓN LINEAL Y CORRELACIÓN ENUNCIADO 1

TEMA 6 VALORACIÓN FINANCIERA DE RENTAS (III)

3.5 Factores y Coeficientes de Forma

Soluciones de los ejercicios de Selectividad sobre Inferencia Estadística de Matemáticas Aplicadas a las Ciencias Sociales II

Análisis de Regresión

SOLUCIÓN: cara. sale. Sea X i = cruz. sale. 1 p = ; con ello 2

Estadística Tema 9. Modelos de distribuciones. Pág. 1

Modelos de Regresión análisis de regresión diagrama de dispersión coeficientes de regresión

-Métodos Estadísticos en Ciencias de la Vida

Intensificación en Estadística

5. Estimación puntual. Curso Estadística

5. Estimación puntual. Curso Estadística

TEMA 5 SISTEMAS DE N GRADOS DE LIBERTAD. Sistemas de N Grados de Libertad

Métodos indirectos de estimación: razón, regresión y diferencia

UNIDAD 14.- Distribuciones bidimensionales. Correlación y regresión (tema 14 del libro)

REGRESIÓN LINEAL SIMPLE

Capítulo 2: ANÁLISIS ESTADÍSTICO

1. Los postulados de la Mecánica Cuántica. 2. Estados Estacionarios. 3. Relación de Incertidumbre de Heisenberg. 4. Teorema de compatibilidad.

Variables aleatorias

ESTUDIO CIS Nº Encuesta a población inmigrante (Immigrant Citizens Survey 1 )

1. ESPACIOS VECTORIALES

Estimación de observaciones faltantes mediante la media aritmética y su efecto en el análisis de componentes principales

Test de Hipótesis. Error de tipo I: Rechazar H 0 siendo H 0 Verdadera. Error de tipo II: No rechazar H 0 siendo H 0 Falsa

TEMA 2 MEDIDAS DE CENTRALIZACIÓN

División de Estadísticas y Proyecciones Económicas (DEPE) Centro de Proyecciones Económicas (CPE)

TEMA 5.- LA DECISIÓN DE INVERTIR EN UN CONTEXTO DE RIESGO Introducción.

Facultad de Ciencias del Mar. Curso 2008/09 25/06/09

Espacio Euclídeo real n-dimensional TEOREMA DE WEIERSTRASS

Electrostática: Definición.

EL TEOREMA EGREGIUM. Introducción

Tema 5 Modos de convergencias de sucesiones de variables aleatorias

Análisis de Regresión y Correlación Lineal

Electrostática: Definición.

Qué es ESTADISTICA? OBJETIVO. Variabilidad de las respuestas. Las mismas condiciones no conducen a resultados exactamente similares PROBLEMA SOLUCIÓN

CAPÍTULO 6 TEOREMAS ENERGÉTICOS

TEMA 3. Medidas de variabilidad y asimetría. - X mín. X máx

TEMA: ANALISIS DE VELOCIDADES.

Análisis de Regresión y Correlación Lineal

y. Diferenciando la primera condición en (1) con respecto a x, la segunda respecto a y y sumando obtenemos

La inferencia estadística es primordialmente de naturaleza

ANÁLISIS DE REGRESIÓN. Departamento de Matemáticas Universidad de Puerto Rico Recinto Universitario de Mayagüez

al nivel de significación α P6: Conclusión: Se debe interpretar la decisión tomada en Paso 5.

Fundamentos de Estadística:

CÁLCULO NUMÉRICO (0258)

3 Metodología de determinación del valor del agua cruda

IES Mediterráneo de Málaga Solución Junio 2012 Juan Carlos Alonso Gianonatti. Serie 3

Orden de la tirada. Figura 1: Frecuencia relativa de cara para una sucesión de 400 tiradas.

que queremos ajustar a los datos. Supongamos que la función f( x ) describe la relación entre dos cantidades físicas: x e y = f( x)

7. Muestreo con probabilidades desiguales.

Modelos Estadísticos de Regresión Lineal

Regresión lineal simple

Signif. codes: 0 *** ** 0.01 *

(Véase el Ejercicio 13 Beneficio de los bancos )

02 ) 2 0 en el resto. Tiempo (meses) Ventilador adicional No No Si No Si Si Si Si No Si Tipo carcasa A C B A B A B C B C

Estimación de Parámetros. Estimación Puntual. Universidad Técnica Federico Santa María. Estimación de Parámetros. Estimación de Parámetros.

ANÁLISIS DE REGRESIÓN Y CORRELACIÓN LINEAL

Tema 1. La medida en Física. Estadística de la medida Cifras significativas e incertidumbre

Aplicación de Boostrapping en Regresión I

FUNDAMENTOS FÍSICOS Y TECNOLÓGICOS DE LA INFORMÁTICA

TEMA 2: LOS NÚMEROS COMPLEJOS

x x x x x Y se seguía operando

ESTIMACIÓN DE LA DEMANDA EN PUBLICACIONES PERIÓDICAS CON MÚTIPLES PUNTOS DE VENTA Y STOCKOUTS INFRECUENTES

V II Muestreo por Conglomerados

ESTADÍSTICA poblaciones

GENERALIDADES SOBRE ESPACIOS VECTORIALES

DISEÑO DE SISTEMAS BONUS-MALUS EN EL CASO TRANSITORIO

TRABAJO 2: Variables Estadísticas Bidimensionales (Tema 2).

ESTADÍSTICA. Tercera Prueba de Evaluación continua 30 de noviembre de 2015

Máximos y Mínimos de funciones de dos variables

REVISTA INVESTIGACIÓN OPERACIONAL Vol. 27, No. 2, , 2006

FUNDAMENTOS DE LA TEORÍA DE LA

Análisis de la Varianza

ANalysis Of VAriance ANOVA Análisis de la Varianza. Teresa Villagarcía

ERRORES EN LAS MEDIDAS (Conceptos elementales)

1 Estadística. Profesora María Durbán

Análisis estadístico básico (II) Magdalena Cladera Munar Departament d Economia Aplicada Universitat de les Illes Balears

Tema 2: Distribuciones bidimensionales

Tema 3 Modelo de regresión lineal simple (I)

Nombre del estudiante:

ESPACIOS VECTORIALES SUBESPACIOS FINITAMENTE GENERADOS:

PyE_ EF1_TIPO2_

Regresión Simple. Resumen. Ejemplo de StatFolio: simple reg.sgp

el blog de mate de aida MATEMÁTICAS I. Números complejos. Pág. 1 Diofanto, un adelantado a su época.

Transcripción:

Comsó Ecoómca paa Améca Lata y el Cabe (CEPAL Dvsó de Estadístcas y Poyeccoes Ecoómcas (DEPE Ceto de Poyeccoes Ecoómcas (CPE Modelo Clásco de Regesó Alguos Temas Complemetaos Chsta A. utado Navao Mayo, 6. Cteos Geeales paa la Seleccó de Modelos Sabemos que al cemeta el úmeo de vaables e u modelo, la suma de esduos al cuadado SCR ˆ ε ˆ' ε ˆ ε dsmuá, metas que el R aumetaá, peo al costo de pede gados de lbetad. Tato el R como SCR el eo estáda de los esduos, toma e cueta el tade-off ete la educcó e la SCR y la pédda de gados de lbetad. Ambos so los cteos más usados paa la compaacó de modelos. E geeal se ecomeda el uso de modelos smples, e base a dos cosdeacoes téccas:. La clusó de demasadas vaables tede a empeoa la pecsó de los coefcetes dvduales.. la pédda de gados de lbetad que esulta podía educ el pode de los test de hpótess paa los coefcetes. Po lo tato, la pobabldad de o echaza ua hpótess falsa (eo tpo II se cemeta a medda que los gados de lbetad se educe. Po ello que los modelos so más fácles de compede que los modelos complejos. Es po lo tato deseable desaolla cteos que pealce los modelos más gades peo que o vaya al extemo de sempe escoge el modelo smple. E años ecetes se ha popuesto vaos cteos de seleccó de modelos. Todos ellos se foma a pat de la suma de los eoes al cuadado (SCR multplcada po u facto de pealdad que depede de la complejdad del modelo, bajo la pemsa de que u modelo más complejo educá la SCR peo cemetaá la pealdad. Estos cteos etega así oto tpo de tade-off ete la bodad de ajuste de u modelo y la complejdad del msmo.

Estos cteos queda esumdos e la sguete tabla: Cteo SGMASQ AKAIKE (AIC PE ómula SCR SCR e SCR ( + GCV SCR Q SCR ( l( ( RICE SCWARS (BIC SIBATA SCR SCR SCR + Aae desaolló dos cteos. Uo coocdo como Eo de Pedccó to y el oto coocdo como cteo de fomacó de Aae (AIc. aa y Qu sugee oto pocedmeto, coocdo como cteo Q. Paa estos y demás cteos expuestos e la tabla, el objetvo es mmza los valoes obtedos, es dec, se elegá aquel modelo que mmce el o los cteos de seleccó utlzados. Nótese que la tabla ateo o cluye el R, dado que SGMASQ σ y el R está vesamete elacoados, po lo que u bajo SGMASQ mplca u alto R. El R es útl sólo paa detema la faccó de la vaacó e Y que es explcada po los X s. Idealmete os gustaía u modelo que tuvea bajos valoes paa todos los estadígafos, e elacó a u modelo alteatvo. Peo, aú cuado sea posble aea alguos de estos cteos paa uos SCR, y dados, tal odeameto caece de setdo poque los modelos dfee pecsamete e SCR, y. De hecho, es posble que bajo cetas

ccustacas u modelo se a supeo a oto de acuedo a u cteo, metas que lo cotao se cumpla co el oto cteo.. Matz de Coelacoes Dado que hay vaables explcatvas e el modelo, etoces tedemos ( coefcetes de coelacó smple ete paes de vaables, los cuales puede epesetase e ua Matz de Coelacoes R: L L L L R M M O M M M O M L L Dode j es el coefcete de coelacó ete la vaable y la vaable j, y mde la coelacó exstete ete ambas, metas que j, es el coefcete de coelacó ete las vaables y j, mateedo costate la flueca de. los coefcetes de coelacó de tpo j se deoma de ode ceo, metas que los coefcetes de coelacó de tpo j, se deoma de ode, poque toma e cueta la flueca de ota vaable adcoal. Co dos o más egesoes, las coelacoes pacales so elevates, dado que os pude ayuda a descub los evetuales efectos de algua vaable o cosdeada e el modelo, que puede esta fluyedo sobe los esultados de la egesó estmada. A pat de esta matz de coelacó, es posble obtee todo los coefcetes de coelacó de pme ode y supeo, los cuales puede sev, po ejemplo paa calcula sesgos de omsó de vaables. A modo de ejemplo, las coelacoes pacales de ode paa tes vaables explcatvas, de u modelo y ˆ β + ˆ β ˆ ˆ x + β x + βx, so las sguetes:.. E geeal,.

j. j j j. Cotbucó Icemetal o Magal de ua Vaable Cosdeemos el esultado de ua estmacó: Yˆ 5. +.766X.76X ( ˆ σ (.6 (.87 (.886 ( t (.8 (.96 (.6 ( p value (.8 (. (.6 R R.9988 g. l..9986, 58.88 Es posble ve que los coefcetes asocados a las vaables explcatvas so ambos estadístcamete sgfcatvos co base a las puebas t sepaadas. Además, la egesó como u todo també es sgfcatva, como lo muesta el test. Supogamos que toducmos de maea secuecal las vaables X y X. Esto es, pmeo egesoamos u modelo del tpo + ˆ Y β + βx y se evalúa su sgfcaca. A cotuacó se le agega la vaable X, paa ve s cotbuye de algua foma al modelo; es dec, s cotbuye a cemeta la suma explcada po la egesó de maea sgfcatva. El tema de la cotbucó magal de las vaables es muy mpotate e la páctca puesto que u vestgado puede o esta seguo de s se justfca agega uevas vaables al modelo, habedo ya otas e el msmo. E otas palabas, o se desea clu uevas vaables cuya cotbucó al SEC sea baja, así como tampoco se desea exclu vaables de u modelo cuya cotbucó a la SEC es alta. Qué cteos utlza paa decd e ambos casos? Supogamos que la estmacó del modelo de dos vaables geea los sguetes esultados: Yˆ.76.766X ( ˆ σ (.688 (. ( t (.759 ( 7.98 ( p value (.8 (. + R R.9978.9977, g. l. 597.5

Como es posble ve, el coefcete ˆβ de uevo modelo es claamete sgfcatvo. Además el test os etega u valo bastate alto, lo que sgfca que la egesó e su cojuto es sgfcatva. Supogamos que agegamos la vaable X, y obteemos el esultado de la egesó múltple cal. Etoces cuál es la cotbucó magal de X sabedo que X ya está e el modelo? Es esta cotbucó magal estadístcamete sgfcatva? Qué cteo os pemte toma ua decsó? Paa evalua la cotbucó cemetal o magal de X, después de cosdea la cotbucó de X, se pocede a calcula: ( SECN SEC A (( ( SEC N A ( ( SECN SEC A ( N A N A, SECN ( N N N ~ ( Dode N se efee al uevo modelo (cluyedo a la vaable X. Así, SEC N coespode a la suma de cuadados explcada de la ueva egesó, SEC A es la suma de cuadados explcada de la egesó ogal (sólo X, y N - A es el úmeo de uevos egesoes copoados a la egesó. Note que la expesó ateo puede educse a: ( RN RA ( N A ~ ( N A N ( R (, N N Luego, la vaable adcoal cluda cotbuá sgfcatvamete a la egesó, s C > *. Co especto a cuado copoa ua ueva vaable, la pueba o test ecé descta costtuye u método apopado y fomal paa decd s se debe agega o o ua vaable. E la páctca, los vestgadoes copoaá ua ueva vaable toda vez que ella eleve el R aumetaá s el valo del test t asocado a la vaable copoada es mayo que uo e valo absoluto. N

. Pueba de gualdad de dos coefcetes. Supogamos que teemos el sguete modelo: Y β X + ε β + β X + β X + β X + β X + ε y que se desea poba las sguetes hpótess: : β β : β β ó : β β : β β Como pocedemos? Bajo los supuestos del modelo clásco de egesó, es posble mosta que: t c ( ˆ β ˆ β ( β β ( ˆ β ˆ β ( ˆ β ˆ β ( β β ( ˆ β + va( ˆ β cov( ˆ β, ˆ ~ t( σ va β Po lo que s t c > t * se echaza la hpótess ula. 5. Mímos cuadados Restgdos: Pueba de pótess Sobe Restccoes Leales. A modo d ejemplo, cosdeemos el sguete modelo o leal e las vaables: β β Y β X X e Dode Y es el vel de poduccó e el secto ; X es la catdad de tabajo, y X es la catdad de captal. S lealzamos el modelo, obteemos: l ( Y β + β l( X + β ( X + ε l Ua hpótess teesate de poba co este modelo es la peseca de etoos costates a escala. Esto es β + β, paa poba esta ε hpótess, exste dos pocedmetos alteatvos: Test t: El pocedmeto más smple es estma la egesó s toma e cueta la estccó mpuesta po la hpótess ula β + β. A esta : estmacó se le llama egesó o estgda o mímos cuadados o estgdos. abedo estmado β y β po OLS, es posble ealza el test t: c t ( ˆ β + ˆ β ( β + β σ ( ˆ + ˆ β va ( ˆ β + ˆ β ( β + β ( ˆ β + va( ˆ β cov( ˆ β, ˆ β + β

t c ( ˆ β + ˆ β ( ˆ β ˆ β ( ˆ β + ˆ β ( ˆ β + va( ˆ β cov( ˆ β, ˆ ~ t( σ + va + β Dado que ˆ β + ˆ β bajo la hpótess ula. Test : u efoque más decto seía copoa la estccó dectamete e la ecuacó de egesó. Así, s hacemos ˆ β ˆ β, estmaemos: Dode Y X l l l ( Y β + ( β l( X + β l( X + ε ( Y β + l( X + β ( l( X l( X + ε ( Y l( X β + β ( l( X l( X + ε Y l X X β β + l + ε X es la azó poducto-empleo, y X X es la azó captal-tabajo. Medate este pocedmeto se gaatzaá que se cumple la hpótess ula ˆ β + ˆ β. Este pocedmeto se cooce como mímos cuadados estgdos, y puede se geealzado paa modelos co vaables explcatvas y más de ua estccó de gualdad leal. Así teemos que: ˆ, NR ˆ, R ε SCR egesó o estgda. ε SCR egesó estgda. m Númeo de estccoes leales. Númeo de paámetos e la egesó o estgda. Númeo de obsevacoes. Etoces, o e efoque matcal, ( SCR SCR R NR, SCRNR ( (( ε ' ε ( ε ' ε ( m ~ ( m R NR, ( ε ' ε NR m ~ ( m Debe obsevase que NR R R R y que SCRNR SCRR.

Test (global: el test ateo (e sus dos vesoes popocoa u método geeal paa el testeo de hpótess aceca de uo o más paámetos del modelo de egesó co paámetos: Y β + β X + β X + β X + K + β X + ε Podíamos po ejemplo, esta teesados e testea hpótess del tpo: : β β : β + β + β5 : β β β5 β 6 : β + β : β + β La estatega geeal es la sguete: º. Exste u modelo amplo, geeal: el modelo o estgdo. º. Exste u modelo más pequeño: el modelo estgdo, el cual se obtee a pat del modelo geeal mpoedo las estccoes establecdas e las hpótess ulas. º. Ambos modelos so estmados y se obtee los espectvos R R y R NR. º. El modelo o estgdo tee (- gados de lbetad, metas que el modelo estgdo tee m gados de lbetad, dode m es el úmeo de estccoes leales mpuestas po las hpótess ulas. 5º. Luego se calcula la azó dada po: * ( ε ' ε ε ' ε R NR, ε ' ε NR ( m ~ ( m 6º. S c es mayo que α,( m,, dode α,( m, es el cítco a u α% de sgfcaca, etoces se echaza las hpótess ulas. E cualque oto caso, estas o se echaza. * 6. pótess Geeales Ua vez estmado el vecto de paámetos OLS, β, el paso sguete es usa estas estmacoes paa testea cetas hpótess especto de los compoetes de dcho vecto. Po ejemplo, cosdeemos las sguetes hpótess:

. : β. Esta hpótess establece que la vaable depedete X o tee flueca sobe Y. Este es el típco test de sgfcaca dvdual.. : β β,. E este caso β, es ceto valo específco. S po ejemplo, s β coespode a la elastcdad peco, uo podía testea s esta elastcdad es -.. β + β. S los β s coespode a la elastcdad empleo y : captal, espectvamete, etoces esta hpótess está plateado etoos costates a escala e la fucó de poduccó. v. : β β, o : β β. La hpótess es que tato X como X tee el msmo coefcete. v. β : M. Establece la hpótess de que el cojuto completo β M de vaables depedetes o tee efecto sobe Y. e el fodo, se testea la sgfcaca de toda la elacó. Todos estos ejemplos, y otos más se ajusta pefectamete a la sguete estuctua leal. Rβ Φ Dode R es ua matz de ode q x, co q <, Φ es u vecto co q costates coocdas. Cada hpótess ula detema los elemetos elevates e R y Φ. Así:. [ K K ] R ; Φ ; q, dode va e la poscó - éssma del vecto.. R [ K β, K ] ; β, éssma del vecto.. [ K ] R ; Φ ; q. v. [ K ] R ; Φ ; q. R ; Φ ; q -. v. [ I ] Φ ; q, dode β, va e la poscó - La foma efcete de pocede es deva u pocedmeto de testeo o pueba de hpótess paa la hpótess geeal: : Rβ Φ Luego, s se asume que los εˆ tee ua dstbucó omal multvaada, etoces se puede demosta que:

( Rβ Φ ' R( X ' X R' ( Rβ Φ ( ~ ( q, ε ' ε NR El pocedmeto de testeo es que se echaza la hpótess Rβ Φ s el c es mayo que el de tabla a ua sgfcaca pedetemada. Ahoa podemos ve a qué aputa este pocedmeto e el caso específco de las hpótess ecé plateas. E alguas aplcacoes es a veces coveete eescb la expesó ateo como: ( Rβ Φ '( ˆ σ R( X ' X R' ( Rβ Φ ~ q, q q ( ˆ ˆ ε ' ε dode σ ( es el estmado OLS de σ.