Modelo Lineal Simple. Clase 02. Profesor: Carlos R. Pitta. ICPM050, Econometría. Universidad Austral de Chile Escuela de Ingeniería Comercial

Documentos relacionados
Modelo Lineal Múltiple. Clase 03. Profesor: Carlos R. Pitta. ICPM050, Econometría. Universidad Austral de Chile Escuela de Ingeniería Comercial

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

Regresión - Correlación

Regresión lineal simple

Tema 3 Modelo de regresión lineal simple (I)

Análisis de Regresión

INGENIERÍA INDUSTRIAL DISEÑO EXPERIMENTAL LEOPOLDO VIVEROS ROSAS

Métodos indirectos de estimación: razón, regresión y diferencia

( ) = 0 entonces ˆ i i. xy x Y Y xy Y x ˆ. β = = β =.(1) Propiedades Estadísticas de los estimadores MICO. Linealidad.

REGRESIÓN LINEAL SIMPLE

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

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

Tema 2: El modelo básico de regresión lineal múltiple (I)

RELACIÓN ENTRE DOS VARIABLES NUMÉRICAS REGRESIÓN LINEAL SIMPLE. CORRELACIÓN. realizar el calibrado en análisis instrumental.

ANÁLISIS DE REGRESIÓN Y CORRELACIÓN LINEAL

Análisis de Regresión y Correlación Lineal

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

La inferencia estadística es primordialmente de naturaleza

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

Modelos de Regresión Simple

FÍSICA EXPERIMENTAL INCERTIDUMBRE ABSOLUTA Y RELATIVA. Medición de la longitud del largo del cuaderno:

CÁLCULO NUMÉRICO (0258)

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

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

Análisis de Regresión y Correlación. Material Preparado por Olga Susana Filippini y Hugo Delfino 1

Máximos y Mínimos de funciones de dos variables

Respuesta. Si 100 manzanas es una muestra suficientemente grande podemos ocupar el TCL. Por lo tanto:

Aplicación de Boostrapping en Regresión I

Estadística. Tema 6: Análisis de Regresión.. Estadística. UNITEC Tema 6: Análisis de Regresión Prof. L. Lugo

1. Introducción 1.1. Análisis de la Relación

Análisis de Regresión y Correlación Lineal

(Véase el Ejercicio 13 Beneficio de los bancos )

GRADO EN PSICOLOGIA INTRODUCCIÓN AL ANÁLISIS DE DATOS Código Asignatura: FEBRERO 2010 EXAMEN MODELO A

V II Muestreo por Conglomerados

Inferencia Estadística

1 Estadística. Profesora María Durbán

x θ es conocida pero se desconoce θ total o ˆθ ) debe ser función de los datos de la muestra

ESTADÍSTICA. UNIDAD 3 Características de variables aleatorias. Ingeniería Informática TEORÍA

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

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

Análisis Numérico y Programación. Unidad III. -Interpolación mediante trazadores: Lineales, cuadráticos y cúbicos

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

ERRORES EN LAS MEDIDAS (Conceptos elementales)

Estadística. Tema 2: Medidas de Tendencia Central.. Estadística. UNITEC Tema 2: Medidas de Tendencia Central Prof. L. Lugo

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

Tema 1: Introducción: Generalización y Extensión del Modelo de Regresión

TRABAJO 2: Variables Estadísticas Bidimensionales (Tema 2).

Modelos Estadísticos de Regresión Lineal

Probabilidad y estadística

1.2. Medidas de Concentración

PARÁMETROS ESTADÍSTICOS ... N

Universidad de Sonora Departamento de Matemáticas Área Económico Administrativa

x x x x x Y se seguía operando

NOMBRE Apellido Paterno Apellido Materno Nombre(s)

MEDIDAS DE TENDENCIA CENTRAL

GENERALIDADES ESTADISTICA DESCRIPTIVA

Números Complejos PREGUNTAS MÁS FRECUENTES

Los Histogramas. Histograma simple

Correlación y regresión lineal. Ejemplos

Gráfica de los resultados experimentales: Variable Independiente: Variable Dependiente: Variable asociada:

4 METODOLOGIA ADAPTADA AL PROBLEMA

UNIDAD TEMÁTICA 9 REGRESIÓN LINEAL Y CORRELACIÓN ENUNCIADO 1

4. Fórmula de Lagrage El polomo de terpolacó de Hermte, p (x, de la fucó f e los putos dsttos x,,x admte la expresó: p( x f (x L (x + f '(x L (x, (Fór

PyE_ EF1_TIPO2_

METODO DE MAXIMA VEROSIMILITUD. Supongamos una muestra aleatoria de 10 observaciones de una distribución Poisson:

SEMESTRE DURACIÓN MÁXIMA 2.5 HORAS DICIEMBRE 10 DE 2008 NOMBRE

ANALISIS DE DATOS EN PSICOLOGÍA I FEBRERO ª P.P. 2ª SEMANA UNIÓN EUROPEA

Probabilidad y estadística

MODELOS DE REGRESIÓN. Prof. Susana Martín Fernández

Veamos un ejemplo numérico:

SISTEMAS DE ECUACIONES NO LINEALES

Teoría Simplificada de ERRORES Suscriben este documento los coordinadores de Laboratorio de Química, Física I y Física II.

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

ENUNCIADOS DE LOS EJERCICIOS PROPUESTOS EN 2010 EN MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES.

Tema 6: Introducción al muestreo. Estimadores

-Métodos Estadísticos en Ciencias de la Vida

Probabilidad ( A) Los axiomas de la probabilidad. φ = el conjunto vacío A B = A y no B C

NOMBRE. para los nuevos datos, incrementando 5 unidades cada calificación. entonces la media sumando 5 unidades a cada calificación es

Tema 2: Distribuciones bidimensionales

ESTADÍSTICA poblaciones

Supongamos que hemos aplicado el test F y hemos rechazado la H0.

APUNTES DE ESTADÍSTICA PARA UN CURSO INTRODUCTORIO DE ECONOMETRÍA. Julio César Alonso C.

Regresión y correlación lineal.

Veamos un ejemplo numérico:

Experimento: TEORÍA DE ERRORES. UNIVERSIDAD DE ATACAMA Facultad de Ciencias Naturales Departamento de Física I. OBJETIVOS

1 DISTRIBUCIONES DE PROBABILIDAD DE VARIABLE DISCRETA. LA BINOMIAL

TEMAS CUESTIONARIO DE AUTOEVALUACIÓN

Análisis de la Varianza

Tema 60. PARÁMETROS ESTADÍSTICOS: CÁLCULO, PROPIEDADES Y SIGNIFICADO.

TEMA 6 MUESTREO POR CONGLOMERADOS MONOETÁPICO

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

Estadística aplicada al Periodismo

Introducción a la Regresión Lineal

VARIABLE ALEATORIA Y FUNCIÓN DE DISTRIBUCIÓN

Introducción a la Econometría Curso 2009/ Serie de Problemas 21

n p(a ) = n p(a ) = n k Nº de casos favorables de A Nº de casos posibles de E p(a) = Capítulo PROBABILIDAD 1. Introducción

Distribuciones Muestrales

DISTRIBUCIÓN DE LA MEDIA Y EL TEOREMA DEL LÍMITE CENTRAL

SERIE TEMA 7 ANÁLISIS DE DATOS BIVARIADOS PROBLEMAS CON RESOLUCIÓN

6. ESTIMACIÓN PUNTUAL

Transcripción:

Uversdad Austral de Chle Escuela de Igeería Comercal ICPM5, Ecoometría Clase Modelo Leal Smple Profesor: Carlos R. Ptta Ecoometría, Prof. Carlos R. Ptta, Uversdad Austral de Chle.

El Modelo de Regresó Smple = + + u Ecoometría, Prof. Carlos R. Ptta

Alguos térmos uevos E el modelo de regresó leal smple, e dode = + + u, ormalmete os refermos a como: Varale Depedete, o Varale de Lado Izquerdo, o Predcha, Eplcada, o Regresados, Edógea u Ojetvo Ecoometría, Prof. Carlos R. Ptta 3

Alguos térmos uevos E la regresó leal smple de sore, típcamete descrremos a como: Varale Idepedete, o Predctor, o Varale Eplcatva, o Regresor, o Idepedete, o Eógea Ecoometría, Prof. Carlos R. Ptta 4

Supuestos El Valor Promedo de u, el térmo de error, e la polacó es. Es decr, E(u) = Esta o es u supuesto restrctvo, dado que sempre podemos usar para ormalzar E(u) a Ecoometría, Prof. Carlos R. Ptta 5

Meda Codcoal Nula Necestamos hacer u supuesto crucal sore la maera e que se relacoa u Queremos que sea certo que el coocer algo sore o os rde gua formacó sore u, de maera que esté completamete o relacoados. Es decr: E(u ) = E(u) =, lo que mplca qué: E( ) = + Ecoometría, Prof. Carlos R. Ptta 6

E( ) como ua fucó leal de, dode para cada la dstrucó de se cetra e E( ) f().. E( ) = + Ecoometría, Prof. Carlos R. Ptta 7

Mímos Cuadrados Ordaros (MICO) Idea ásca: estmar parámetros polacoales a partr de ua muestra Defa {(, ): =,,} como ua muestra aleatora de tamaño oteda a partr de la polacó Para cada oservacó de la muestra, será certo qué: = + + u Ecoometría, Prof. Carlos R. Ptta 8

Líea de regresó polacoal, datos muestrales sus térmos de error asocados 4 E( ) = + u 4 {. 3.} u. 3 u {. } u 3 4 Ecoometría, Prof. Carlos R. Ptta 9

Dervado u estmador MICO Para ecotrar u estmador MICO teemos que daros cueta que uestro supuesto prcpal de que E(u ) = E(u) = tamé mplca qué: Cov(,u) = E(u) = Porqué? Recuerde de proaldad ásca que Cov(X,Y) = E(XY) E(X)E(Y) Ecoometría, Prof. Carlos R. Ptta

Dervado u estmador MICO Podemos escrr uestras restrccoes solo e térmos de,,, dado que u = E( ) = E[( )] = Dchas ecuacoes so llamadas restrccoes de mometos Ecoometría, Prof. Carlos R. Ptta

Dervado MICO vía Mometos El método de mometos para la estmacó mplca mpoer las restrccoes de los mometos polacoales a los mometos muestrales Qué sgfca esto? Recuerde que para E(X), la meda de ua dstrucó polacoal, u estmador muestral de E(X) es smplemete la meda artmétca de la muestra. Ecoometría, Prof. Carlos R. Ptta

Ecoometría, Prof. Carlos R. Ptta 3 Dervado MICO vía Mometos Queremos escoger los valores de los parámetros que os asegure que las versoes muestrales de uestras restrccoes de mometos so verdad Las versoes muestrales so:

Dervado MICO vía Mometos Dada la defcó de meda muestral, las propedades de suma, podemos escrr la prmera codcó cómo:, ó Ecoometría, Prof. Carlos R. Ptta 4

Ecoometría, Prof. Carlos R. Ptta 5 Dervado MICO vía Mometos

Ecoometría, Prof. Carlos R. Ptta 6 De maera que el estmador MICO de la pedete es: sempre que

Estmador MICO de la pedete El estmador de la pedete es la covaraza muestral etre e dvdda por la varaza muestral de S e está correlacoadas postvamete, la pedete será postva S e se ecuetra correlacoadas egatvamete, la pedete será egatva Solo ecestados que varíe e la muestra Ecoometría, Prof. Carlos R. Ptta 7

Más sore MICO Itutvamete, MICO es ecotrar ua líea a través de los putos muestrales tales que la suma de los resduos al cuadrado sea lo más pequeña posle, de allí el térmo mímos cuadrados. El resduo, û, es ua estmacó del térmo de error, u, es la dfereca etre la líea estmada (la fucó de regresó muestral) el puto de la muestra. Ecoometría, Prof. Carlos R. Ptta 8

Líea de regresó muestral, dato muestral los térmos de error estmados asocados 4 3 }. û. 3 û { û 4. { }. û 3 4 Ecoometría, Prof. Carlos R. Ptta 9

Métodos alteratvos para la dervacó Dado lo tutvo de la dea de ecotrar ua líea, podemos escrr el prolema formal de mmzacó Esto es, queremos escoger uestros parámetros de maera de mmzar lo sguete: u Ecoometría, Prof. Carlos R. Ptta

Ecoometría, Prof. Carlos R. Ptta Métodos alteratvos para la dervacó S usamos cálculo para resolver el prolema de mmzacó e dos parámetros oteemos las sguetes codcoes de prmer orde, que so las msmas que otuvmos ates, multplcadas por

Propedades Algeracas de MICO La suma de los resduos MICO es cero Por lo tato, el promedo muestral de los resduos MICO tamé será cero La covaraza muestral etre los regresores los resduos MICO es cero La líea de regresó MICO sempre pasa por las medas muestrales. Ecoometría, Prof. Carlos R. Ptta

Ecoometría, Prof. Carlos R. Ptta 3 E térmos más precsos: u u u por lo tato,

Más termología Podemos pesar a cada oservacó como la composcó de ua parteeplcada, ua parteo eplcada, u u Etoces defremo s : suma de cuadrados totales (SCT) suma de cuadrados eplcada (SCE) suma de cuadrados resduales (SCR) Etoces, SCT SCE SCR Ecoometría, Prof. Carlos R. Ptta 4

Ecoometría, Prof. Carlos R. Ptta 5 Pruea de SCT = SCE + SCR qué : saemos SCE SCR u u u u u

Bodad del Ajuste Cómo saremos qué ta e se ajusta uestra líea de regresó a los datos muestrales? Podemos calcular la fraccó de la suma de cuadrados totales (SCT) que es eplcada por el modelo, le llamaremos el R- cuadrado de la regresó: R = SCE/SCT = SCR/SCT Ecoometría, Prof. Carlos R. Ptta 6

Usado Stata para calcular MICO Ahora que hemos dervado la fórmula para calcular los estmados MICO de uestros parámetros, estarás felz de saer que o teemos que calcularlos a mao La regresó e Stata es mu smple, para correr la regresó de e, solo ha que escrr: reg Ecoometría, Prof. Carlos R. Ptta 7

Los estmadores MICO so sesgados Asumamos que el modelo polacoal es leal e parámetros = + + u Asumamos que podemos usar ua muestra aleatora de tamaño, {(, ): =,,, }, etraída del modelo polacoal. Etoces podemos escrr el modelo muestral como = + + u Asumamos que E(u ) = por que por lo tato, E(u ) = Asumamos que este varacó e las Ecoometría, Prof. Carlos R. Ptta 8

Los estmadores MICO so sesgados Para poder pesar e el sesgo, ecestamos reescrr uestro estmador e térmos de los parámetros polacoales Comezamos smplemete reescredo la fórmula cómo:, dode s s Ecoometría, Prof. Carlos R. Ptta 9

Ecoometría, Prof. Carlos R. Ptta 3 Los estmadores MICO so sesgados u u u

Ecoometría, Prof. Carlos R. Ptta 3 Los estmadores MICO so sesgados etoces :, umerador puede ser reescrto como : que el así, s u u s

Ecoometría, Prof. Carlos R. Ptta 3 Los estmadores MICO so sesgados Etoces :, que : de maera, defa u E d s E d u s d

Coclusoes sore Sesgo Los estmadores MICO de so sesgados La pruea para ello depede de 4 supuestos s alguo de ellos falla, etoces los estmadores MICO o so ecesaramete es sesgado Recuerde que es sesgo es ua descrpcó del estmador e ua muestra dada, podemos estar cerca (sesgado) o lejos (sesgado) del parámetro polacoal. Ecoometría, Prof. Carlos R. Ptta 33

Varaza de los Estmadores MICO Ahora saemos que la dstrucó muestral de uestra estmacó se cetra alrededor del parámetro real Queremos determar qué ta dspersa se ecuetra la dstrucó Es mucho más fácl pesar a esta varaza ajo u supuesto adcoal Asumremos que Var(u ) = s (Homocedastcdad) Ecoometría, Prof. Carlos R. Ptta 34

Varaza de los Estmadores MICO Var(u ) = E(u )-[E(u )] E(u ) =, so s = E(u ) = E(u ) = Var(u) Etoces s es tamé la varaza o codcoal, llamada la varaza del error s, la raíz cuadrada de la varaza del error, es llamada la desvacó estádar del error. Podemos decr que: E( )= + Var( ) = s Ecoometría, Prof. Carlos R. Ptta 35

Homocedastcdad f( ).. E( ) = + Ecoometría, Prof. Carlos R. Ptta 36

Heterocedastcdad f( )... E( ) = + 3 Ecoometría, Prof. Carlos R. Ptta 37

Ecoometría, Prof. Carlos R. Ptta 38 Varaza de los Estmadores MICO s s s s Var s s s d s d s u Var d s d u Var s d u s Var Var

Varaza de los Estmadores MICO: U Resume Etre maor sea la varaza del error, s, maor será la varaza del estmador de la pedete Etre maor sea la varaldad e los, meor será la varaldad el estmador de la pedete Cómo resultado, u tamaño de muestra maor deerá dsmur la varaza del estmador de la pedete El prolema es que la varaza del error es descoocda Ecoometría, Prof. Carlos R. Ptta 39

Estmado la varaza del error E realdad o coocemos la varaza del error, s, porque o podemos oservar los errores, u Lo que sí oservamos so los resduos, û Podemos usar los resduos para formar u estmado de la varaza del error Ecoometría, Prof. Carlos R. Ptta 4

Ecoometría, Prof. Carlos R. Ptta 4 Estmado la varaza del error / es : de u estmador sesgado Etoces, SCR u u u u s s

Estmado la varaza del error s se s / s Recuerde Error Estádar de la que :sd S susttumos s por s tedremos : El error Estádar de, s s Regresó Ecoometría, Prof. Carlos R. Ptta 4