Econometría I Tema 3: Modelo múltiple: estimación Guía de respuestas para algunos ejercicios
|
|
- Lorena Torres Juárez
- hace 5 años
- Vistas:
Transcripción
1 . Consideramos el siguiente modelo: Econometría I Tema 3: Modelo múltiple: estimación Guía de respuestas para algunos ejercicios Modelo() ln(price i ) = β 0 + β ln(nox i ) + β 2 rooms i + u i donde price precio medio de la vivienda en una zona expresado en dólares, nox nivel de contaminación medido por la presencia de óxido nitroso, rooms número de habitaciones que tienen en promedio las viviendas de la zona. a. Esperamos que el signo para β sea negativo: la contaminación se refleje negativamente en el precio de una casa. Así que esperemos una elasticidad negativa del precio respecto a la contaminación. El parámetro β 2 es una semielasticidad. Esperamos que β 2 sea positivo, ya que esperamos que tener una habitación adicional estará asociado a tener un precio más alto en promedio. b. Después de importar los datos hprice2.xls desde Gretl, hemos de crear los logarítmos de las variables price y nox. Después escribimos el guión de comandos de Gretl: Gretl guión output: c. Gretl output: Como vemos, la estimación definiendo las matrices apropiadas o utilizando los menús de Gretl coinciden.
2 d. Regresión ajustada: ln(price i ) = 9, , 776 ln(nox i ) + 0, 3059 rooms i R 2 = 0, 54 e. Consideramos que una casa A tiene una habitación adicional en comparación a una casa B, pero las dos estan en la misma zona. Entonces: ln(price A ) = 9, , 776 ln(nox A ) + 0, 3059 (rooms B + ) ln(price B ) = 9, , 776 ln(nox B ) + 0, 3059 (rooms B ) ln(price A ) ln(price B ) = 0, 3059 lnprice = 0, 3059 Una casa como la A sería, en media, 30,59 % más cara que una casa como la B. f. Dado que la variable dependiente y el regresor estan en logarítmos, podemos interpretar el coeficientes como una elasticidad. Así, de acuerdo con nuestras estimaciones, un % más contaminación estará asociado a un precio un 0.78% más bajo, controlando por el número de habitaciones. g. Para poder interpretar la estimación de β como el efecto causal de la contaminación sobre los precios de las casas, los cambios en la contaminación se han de realizar bajo condiciones ceteris paribus. Es decir, la contaminación no se ha de correlacionar con la perturbación. En otras palabras, cuando la contaminación varía, nada más relevante no observado se ha de mover de forma sistemática. E(u ln(nox), rooms) = 0 Pensad, que una variable que se incloye en u podría ser el ingreso medio de la zona en la que se encuentra la casa. Áreas con ingresos más bajoos tienden a bajar los precios de las casas. Pero, también, se podría pensar que las activitades contaminantes tienden a situar-se en zonas de ingresos más bajos. En este caso, ln(nox) se correlacionaría con la perturbación, u negativamente. Las condiciones ceteris paribus no se cumplirían. 4. a. Para un modelo con K = 3, SRC asociada a la estimació de este modelo es: ũ 2 i = (y i β 0 β x i β 2 x i2 ) 2, Min β 0, β, β 2 y las ecuaciones normales vienen dadas por: 2 (y i ˆβ 0 ˆβ x i ˆβ 2 x i2 ) = 0 () 2 2 x i (y i ˆβ 0 ˆβ x i ˆβ 2 x i2 ) = 0 (2) x i2 (y i ˆβ 0 ˆβ x i ˆβ 2 x i2 ) = 0 (3) 2
3 Vamos a reorganizar estas ecuaciones un poco: y i = ˆβ 0 + ˆβ x i + ˆβ 2 x i2 () y i x i = ˆβ 0 x i + ˆβ x 2 i + ˆβ 2 x i2 x i (2) y i x i2 = ˆβ 0 x i2 + ˆβ x i x i2 + ˆβ 3 x 2 i2 (3) Si x i2 = 2x i, podemos substituir x i2 p0r x i en las ecuaciones, 2 y 3. Obtenemos: y i = ˆβ 0 + ˆβ x i + 2 ˆβ 2 x i ( ) 2 y i x i = ˆβ 0 x i + ˆβ x 2 i + 2 ˆβ 2 x 2 i (2 ) y i x i = 2 ˆβ 0 x i + 2 ˆβ x 2 i + 4 ˆβ 3 x 2 i (3 ) Podemos ver que las ecuaciones 2 y 3 son las mismas. Así, tenemos sólo dos ecuaciones relevantes y tres incógnitas: ˆβ0, ˆβ y ˆβ 2. El sistema es indeterminado, tiene infinitas soluciones. Por tanto, no se puede obtener una solución única para ˆβ 0, ˆβ y ˆβ 2. b. Fijémonos que si x i3 = 2x i2, entonces la matriz X tiene dos columnas en combinación lineal perfecta. x x 2 x 2 x x 2 x 22 X =... = x 2 2 x 2... x n x n2 x n 2 x n Esta característica se traspasa a la matriz X X, haciendo que dos columnas y dos filas guarden también una relación lineal perfecta. n n x i 2 n X X = n x n i x2 i 2 n 2 n x i 2 n x2 i 4 n x i x2 i x2 i Así, esta matriz no tendrá rango completo. Es una matriz singular. det(x X) = 0 rang(x X) < 3 3
4 Dado que X X no tiene rango completo, (X X) ˆβ c. Bajo colinealidad perfecta, como es este caso, la muestra no permite estimar los parámetros asociados a los regresores colineales de forma única. Su estimación es indeterminada. Existen infinitas estimaciones por MCO de los parámetros β y β 2 que minimizan la SRC. V ar( β /x) y V ar( β 2 /x) es infinita. Fijémonos que otra forma de verlo es que: V ar( β x) = σ 2 ST C R 2 = σ 2 ST C = (4) donde R 2, es el coeficiente de determinación de la regresión auxiliar: x i = α 0 + α x i2 + v i. 5. a. El output de esta estimación es: b. bwght i = 6, 974 (,04898) 0, 4634cigs i + 0, 093 (0,095) (0,0292) faminc i R 2 = 0, 0298 c. Bajo el supuesto de que podemos interpretar los parámetros en términos de causalidad, el signo de la estimación obtenida de β es el esperado si creemos que un aumento del consumo de tabaco durante el embarazo tiende a perjudicar la salud de la madre y por tanto el peso del recién nacido. Bajo el mismo supuesto, el signo de la estimación obtenida de β 2 es el esperado si creemos que un mejor nivel de renta tiende a beneficiar la dieta de la madre y consecuentemente, el peso del nacido. El coeficiente de determinación es 0,0298. Es decir, sólo cerca de un 3% de la variabilidad observada en el peso de los nacidos en esta muestra se puede explicar por diferencias en el consumo de cigarrillos de sus madres y de las diferencias en su renta. d. Los regresores cigs y f aminc podrían estar correlacionados positivamente si consideramos que al aumentar el nivel de renta de la família, el consumo de tabaco sube linealmente. Podrían estar correlacionados negativamente si consideramos que el tabac es un bien inferior. Por otro lado, si consideramos que son variables independientes, que no guardan ninguna relación, entonces su correlación sería cero. 4
5 e. Necesitamos estimar la regresión auxiliar: Así: cigs i = α + α 2 faminc i + v i F IV 2 = =, f. Para analizar la correlación dentro de una muestra entre dos variables podemos utilizar el coeficiente de correlación muestral. En este caso, utilizamos Gretl: Parece presentar una correlación negativa, pero baja. g. Utilizando la opción del menú de Gretl: h. Fijémonos que tanto F IV como F IV 2 son muy cercanos a, que es el valor mínimo que puede tomar este estadístico. Así no parece que la colinealidad sea un problema en este caso. i. Gretl output asociado a la estimación del M odelo(2): 5
6 Podemos ver que la estimación de β casi no ha variado en relación a la obtenida estimando el M odelo(), cosa que indica que la correlación presente en la muestra entre el regresor incluido, cigs, y el excluido, faminc, es baja. j. Definimos R 2 () y R 2 (2) como el coeficiente de determinación asociado a la estimación del M odelo() y M odelo(2) respectivamente: R 2 () SRC() ST C() R 2 (2) SRC(2) ST C(2) Dado que los dos modelos tienen la misma variable dependiente y se estiman con la misma muestra, ST C() = ST C(2). Así: R 2 () SRC() ST C R 2 (2) SRC(2) ST C Fijémonos que el M odelo(2) es una versión restringida del M odelo(). Es decir, el Modelo(2) es un caso especial del Modelo() cuando imponemos que β 2 = 0, así, al estimar el segundo modelo por MCO es equivalente a decir que estamos estimando el primer modelo bajo la restricción β 2 = 0, haciendo que: SRC() SRC(2) R 2 () R 2 (2) Es, por lo tanto, fácil ver que en general, el coeficiente de determinación baja cuando sacamos regresores de un determinado modelo. 7. a. Gretl output para la estimación: b. Recta ajustada de regresión: êduc i = 0, 364 (0,359) 0, 094 sibs i + 0, 3 meduc i + 0, 20 feduc i R 2 = 0, 24 (0,034) (0,033) (0,027) c. El signo positivo de la educacion de los padres sobre los hijos es el esperado. De hecho, la educación de los niños depende mucho de la educación de sus padres. Los padres con más educación tienden a hijos con más educación. La relación con el número de hermanos no es tan clara. Por un lado, cuantos más hermanos menos recursos pueden destinar los padres (tanto en tiempo como en dinero) y 6
7 podría afectar negativamente al nivel de educación de una persona. Desde el otro lado, tener hermanos puede tener un efecto positivo si consideramos que los hermanos enseñan los unos a los otros. El primer efecto parece prevalecer en nuestra muestra. La bondad de ajuste es 2,4%, parece baja, indicando otros factores que no tenemos en cuenta, pero son importantes en la determinación de la educación. d. La educación de la madre y el padre podrían estar correlacionadas si hay aparejamiento selectivo. El número de hermanos también se podría correlacionar con la educación de los padres y madres. e. Utilizando menús de Gretl, calculamos factores de inflación de varianza asociados a cada regresor: En nuestro modelo los valores de F IV s estan entre y,5, lo que significa que no hay multicolinealidad en el modelo. Tenemos la sospecha de multicolinealidad cuando F IV > 0. f. Ahora calcularemos F IV sibs nosotros mismos: (a) En primer lugar, se estima la regresión auxiliar para sibs: sibs i = α 0 + α meduc i + α 2 feduc i + v i (b) Ahora calculamos: F IV sibs = R 2 sibs = 0, 09 =, 099 Este valor coincide con el valor que tenemos en la parte anterior de la estimación con menús de Gretl. 7
8 8. Vamos a estimar el siguiente modelo: Modelo() lns i = β 0 + β ed i + β 2 ex i + u i Donde lns i =el logarítmo natural de los salarios de una persona i, ed i =años de educación, ex i =años de experiencia en el mercado laboral. a. Gretl output de la estimación: Recta ajustada analítica: lns i = 4, , 0932 ed i + 0, 0407 ex i R 2 = 0, 83 (0,0638) (0,0036) (0,0023) Los signos son los esperados, ambos, educación y experiencia se relacionan positivamente con el salario. La bondad de ajuste es 8,3%, siendo baixa. b. Un año adicional de educación se espera que esté asociado a un salario un 9,3% más alto: lns β ed = 0, 093 = 0, 093( 9, 3%) c. Un año adicional de experiencia se espera que aumente el salario en 4,% : lns β 2 ex = 0, 04 = 0, 04( 4, %) d. La diferencia entre los Modelo() y Modelo(2) se encuentra en los supuestos de como la experiencia se relaciona con el salario. En el Modelo() se supone que el efecto marginal de la experiencia sobre los salarios (en forma de tasa) es constante, mientras que en el Modelo(2) el efecto marginal de la experiencia sobre los salarios varía dependiendo del nivel de experiencia. Es decir: Model() : Model(2) : E(lnwage/ed, ex) ex E(lnwage/ed, ex) ex = β 2 = β 2 + 2β 3 ex e. El output para la estimación del Modelo(2): 8
9 Recta ajustada de regresión: lns i = 4, , 0932 ed i + 0, 0898 ex i 0, 0025 ex 2 i R 2 = 0, 958 (0,0687) (0,0036) (0,007) (0,0004) f. El efecto marginal de la experiencia sobre los salarios (com una tasa), para un nivel dado de educación, se puede estimar: lns ex = β β 3 ex Por tanto, el efecto marginal depende de la experiencia. Dado que ˆβ 3 < 0, podemos ver que el efecto marginal de la experiencia sobre los salarios disminuye con la experiencia: Años de experiencia Efecto marginal ex=0 0, 0898(8, 98%) ex= 0, , 0025 = 0, 0873(8, 73%) ex=2 0, , = 0, 0848(8, 48%) ex=0 0, , = 0, 0406(4, 06%) g. Para comparar modelos en términos de bondad de ajuste tenem que utilitzar el coeficiente de determinación ajustado. R 2 () = 0.8 R 2 (2) = 0.95 Així, en términos de bondad de ajuste, el Model(2) es preferido al Model(). 9
Econometría I. Tema 3: Modelo de regresión múltiple: estimación. Ejercicios
Econometría I Tema 3: Modelo de regresión múltiple: estimación Ejercicios 1. Considera el seguiente modelo: y i = β 0 + β 1 x i1 + β 2 x i2 + u i Para estimar los parámetros de este modelo tenemos una
Econometria I. Tema 4: Modelo de regresión múltiple: inferencia. Guía de respuestas para algunos ejercicios (0,085) bajo H 0.
Econometria I Tema 4: Modelo de regresión múltiple: inferencia Guía de respuestas para algunos ejercicios 1. a. Output de gretl Recta ajustada: employment i 0, 545 (0,274) + 0, 489gdp i R 2 0, 59 (0,085)
TEMA 4 Modelo de regresión múltiple
TEMA 4 Modelo de regresión múltiple José R. Berrendero Departamento de Matemáticas Universidad Autónoma de Madrid Análisis de Datos - Grado en Biología Estructura de este tema Modelo de regresión múltiple.
Econometría I. Tema 2: El modelo de regresión simple Ejercicios
Econometría I Tema 2: El modelo de regresión simple Ejercicios 1. Considera el siguiente gráfico en el cual esta representada la relación entre los años de existencia del mercado de valores (A) y el rendimiento
Tema 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
Econometría I. Tema 4: Modelo de regresión múltiple: inferencia. Ejercicios. employment i = β 0 + β 1 gdp i + u i
Econometría I Tema 4: Modelo de regresión múltiple: inferencia Ejercicios 1. ( ) Considera el siguiente modelo que relaciona el crecimiento en la ocupación de un país (employment) con el crecimiento de
Capítulo 6 Multicolinealidad Luis Quintana Romero. Econometría Aplicada Utilizando R
Capítulo 6 Multicolinealidad Luis Quintana Romero Objetivo Identificar la multicolinealidad en un modelo econométrico, así como las pruebas de detección de la multicolinealidad y correcciones. Introducción
= 15 CALIFICACION:
6 + 4 + 5 = 15 CALIFICACION: Vacacion.xls Este fichero está adaptado del fichero vacation.gdt del libro de Hill et al.(2008) que se puede descargar en: http://gretl.sourceforge.net/gretl data.html PARTE
Multicolinealidad. Universidad de Granada. RSG Incumplimiento de las hipótesis básicas en el modelo lineal uniecuacional múltiple 1 / 17
Román Salmerón Gómez Universidad de Granada RSG Incumplimiento de las hipótesis básicas en el modelo lineal uniecuacional múltiple 1 / 17 exacta: aproximada: exacta: aproximada: RSG Incumplimiento de las
ECONOMETRÍA 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
Taller 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
Ejemplo 6.3. Pilar González y Susan Orbe. Dpto. Economía Aplicada III (Econometría y Estadística)
Ejemplo 6.3 Contrastes y colinealidad en el Modelo de Regresión Lineal General Pilar González y Susan Orbe Dpto. Economía Aplicada III (Econometría y Estadística) Pilar González y Susan Orbe OCW 2013 Ejemplo
Soluciones 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
Grado 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
ESTADÍSTICA APLICADA. Tema 4: Regresión lineal simple
ESTDÍSTIC PLICD Grado en Nutrición Humana y Dietética Planteamiento del problema Tema 4: Regresión lineal simple Recta de regresión de mínimos cuadrados El modelo de regresión lineal simple IC y contrastes
Hoja de Ejercicios 3 El modelo de regresión lineal múltiple
Hoja de Ejercicios 3 El modelo de regresión lineal múltiple Nota: En aquellos ejercicios en los que se incluyen estimaciones y referencia al archivo de datos utilizado, el estudiante debería comprobar
Errores 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
ECONOMETRÍA I. Tema 3: El Modelo de Regresión Lineal Múltiple: estimación
ECONOMETRÍA I Tema 3: El Modelo de Regresión Lineal Múltiple: estimación Patricia Moreno Juan Manuel Rodriguez Poo Alexandra Soberon Departamento de Economía Alexandra Soberon (UC) ECONOMETRÍA I 1 / 45
Multicolinealidad Introducción. Uno de los supuestos básicos del modelo lineal general. y = Xβ + u
CAPíTULO 6 Multicolinealidad 6.1. Introducción Uno de los supuestos básicos del modelo lineal general y = Xβ + u establece que las variables explicativas son linealmente independientes, es decir, la igualdad
ESTADÍSTICA. Tema 4 Regresión lineal simple
ESTADÍSTICA Grado en CC. de la Alimentación Tema 4 Regresión lineal simple Estadística (Alimentación). Profesora: Amparo Baíllo Tema 4: Regresión lineal simple 1 Estructura de este tema Planteamiento del
CUESTIONES Y PROBLEMAS DE DISTRIBUCIONES DE FRECUENCIAS BIDIMENSIONALES PROPUESTOS EN EXÁMENES
TUTORÍA DE INTRODUCCIÓN A LA ESTADÍSTICA (º A.D.E.) CUESTIONES Y PROBLEMAS DE DISTRIBUCIONES DE FRECUENCIAS BIDIMENSIONALES PROPUESTOS EN EXÁMENES 1º) Qué ocurre cuando r = 1: a) Los valores teóricos no
TEMA 3: Contrastes de Hipótesis en el MRL
TEMA 3: Contrastes de Hipótesis en el MRL Econometría I M. Angeles Carnero Departamento de Fundamentos del Análisis Económico Curso 2011-12 Econometría I (UA) Tema 3: Contrastes de Hipótesis Curso 2011-12
Hoja de Ejercicios 4 Análisis de regresión con información cualitativa
Hoja de Ejercicios 4 Análisis de regresión con información cualitativa Nota: En aquellos ejercicios en los que se incluyen estimaciones y referencia al archivo de datos utilizado, el estudiante debería
TEMA 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
ANÁLISIS 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
EXAMEN 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
Modelo de Regresión Lineal Simple
1. El Modelo Modelo de Regresión Lineal Simple El modelo de regresión lineal simple es un caso especial del múltple, donde se tiene una sola variable explicativa. y = β 0 + β 1 x + u (1.1) Donde u representa
Econometria I. Tema 6: Modelos de Ecuaciones Simultáneas. Universidad Carlos III. Getafe, Madrid. November 2008
Econometria I Tema 6: Modelos de Ecuaciones Simultáneas Universidad Carlos III Getafe, Madrid November 2008 Julio Cáceres Delpiano (UC3M) Econometria I 10/07 1 / 20 Ecuaciones Simultáneas El método de
Estimación del modelo lineal con dos variables
Estimación del modelo lineal con dos variables el método de mínimos cuadrados ordinarios (MCO) Mariana Marchionni marchionni.mariana@gmail.com Mariana Marchionni Estimación del modelo lineal por MCO 1
T2. 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
Soluciones Hoja de Ejercicios 4
Soluciones Hoja de Ejercicios 4 Econometría I 1. Considera la siguiente ecuación para explicar los salarios de los directores generales en términos de ventas anuales de la compañía (sales, del rendimiento
Ejercicio 5. Pilar González y Susan Orbe. Dpto. Economía Aplicada III (Econometría y Estadística)
Ejercicio 5 Estimación del Modelo de Regresión Lineal General Pilar González y Susan Orbe Dpto. Economía Aplicada III (Econometría y Estadística) Pilar González y Susan Orbe OCW 2013 Ejercicio 5 Estimación
EJEMPLO 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
con 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
Regresión Lineal. Rodrigo A. Alfaro. Rodrigo A. Alfaro (BCCh) Regresión Lineal / 16
Regresión Lineal Rodrigo A. Alfaro 2009 Rodrigo A. Alfaro (BCCh) Regresión Lineal 2009 1 / 16 Contenidos 1 Regresiones Lineales Regresión Clásica Paquetes estadísticos 2 Estadísticos de Ajuste Global 3
Estructura de este tema. Tema 4 Regresión lineal simple. Ejemplo: consumo de vino y dolencias cardíacas. Frecuencias
Estructura de este tema Tema 4 Regresión lineal simple José R. Berrendero Departamento de Matemáticas Universidad utónoma de Madrid Planteamiento del problema. Ejemplos Recta de regresión de mínimos cuadrados
Actividad A5. Modelo de Regresión Lineal General. Estimación. Pilar González y Susan Orbe. Dpto. Economía Aplicada III (Econometría y Estadística)
Actividad A5 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 Actividad A5. Estimación
Correlación. 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
El Modelo de Regresión Simple
El Modelo de Regresión Simple Carlos Velasco 1 1 Departamento de Economía Universidad Carlos III de Madrid Econometría I Máster en Economía Industrial Universidad Carlos III de Madrid Curso 2007/08 C Velasco
Econometría 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
1. Conceptos de Regresión y Correlación. 2. Variables aleatorias bidimensionales. 3. Ajuste de una recta a una nube de puntos
TEMA 10 (curso anterior): REGRESIÓN Y CORRELACIÓN 1 Conceptos de Regresión y Correlación 2 Variables aleatorias bidimensionales 3 Ajuste de una recta a una nube de puntos 4 El modelo de la correlación
Estadística para la Economía y la Gestión IN 3401
Estadística para la Economía y la Gestión IN 3401 3 de junio de 2010 1 Modelo de Regresión con 2 Variables Método de Mínimos Cuadrados Ordinarios Supuestos detrás del método MCO Errores estándar de los
ECONOMETRÍA 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
Econometría 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
Multicolinealidad. Ejercicio 6.9 POE4
clear use "C:\POE4\manuf.dta", clear gen ly=log(y) gen lk=log(k) gen ll=log(l) gen le=log(e) gen lm=log(m) regress ly lk ll le lm Multicolinealidad. Ejercicio 6.9 POE4 ln y ln ln K 3 ln L 4 ln E 5 ln M
CALIFICACION: - P C: precio medio de los productos sustitutivos existentes en el mercado en euros.
6 + 10 + 3 = 19 CALIFICACION: Ventasgdt Una empresa que produce una marca de detergente líquido desea contar con un modelo para planificar su producción, estimar las necesidades de materias primas y de
T3. 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
Lección 3. Análisis conjunto de dos variables
Lección 3. Análisis conjunto de dos variables Estadística Descriptiva Parcialmente financiado a través del PIE13-04 (UMA) GARCÍA TEMA 3. ANÁLII CONJUNTO DE DO VARIABLE 3.1 COVARIANZA COEFICIENTE DE CORRELACIÓN
Escuela 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
peso edad grasas Regresión lineal simple Los datos
Regresión lineal simple Los datos Los datos del fichero EdadPesoGrasas.txt corresponden a tres variables medidas en 25 individuos: edad, peso y cantidad de grasas en sangre. Para leer el fichero de datos
Tema 10: Introducción a los problemas de Asociación y Correlación
Tema 10: Introducción a los problemas de Asociación y Correlación Estadística 4 o Curso Licenciatura en Ciencias Ambientales Licenciatura en Ciencias Ambientales (4 o Curso) Tema 10: Asociación y Correlación
Estadística y sus aplicaciones en Ciencias Sociales 7. El modelo de regresión simple. Facultad de Ciencias Sociales - UdelaR
Estadística y sus aplicaciones en Ciencias Sociales 7. El modelo de regresión simple Facultad de Ciencias Sociales - UdelaR Índice 7.1 Introducción 7.2 Análisis de regresión 7.3 El Modelo de Regresión
Estadística II Examen final junio 27/6/17 Curso 2016/17 Soluciones
Estadística II Examen final junio 27/6/7 Curso 206/7 Soluciones Duración del examen: 2 h y 5 min. (3 puntos) Los responsables de un aeropuerto afirman que el retraso medido en minutos en el tiempo de salida
Ejemplo 6.2. Pilar González y Susan Orbe. Dpto. Economía Aplicada III (Econometría y Estadística)
Ejemplo 6.2 Inferencia en el Modelo de Regresión Lineal General Pilar González y Susan Orbe Dpto. Economía Aplicada III (Econometría y Estadística) Pilar González y Susan Orbe OCW 2013 Ejemplo 6.2 Inferencia
Estadística 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
TODO 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
GUIÓN TEMA 3. CONTRASTE DE HIPÓTESIS EN EL MRL Contrastes de hipótesis en el MRL
ECONOMETRIA I. Departamento de Fundamentos del Análisis Económico Universidad de Alicante. Curso 011/1 GUIÓN TEMA 3. CONTRASTE DE HIPÓTESIS EN EL MRL Los procedimientos clásicos de contrastes de hipótesis
Lectura No. 8. Contextualización. Nombre: Métodos de Análisis ANÁLISIS FINANCIERO 1
Análisis financiero ANÁLISIS FINANCIERO 1 Lectura No. 8 Nombre: Métodos de Análisis Contextualización Uno de los mayores obstáculos que se presentan en el momento de desarrollar un modelo econométrico
REGRESIÓN Y ESTIMACIÓN TEMA 1: REGRESIÓN LINEAL SIMPLE
UNIDAD 3 REGRESIÓN Y ESTIMACIÓN TEMA 1: REGRESIÓN LINEAL SIMPLE Relación entre variables de interés 1 Relación entre variables de interés Muchas decisiones gerenciales se basan en la relación entre 2 o
Tema 8: Regresión y Correlación
Tema 8: Regresión y Correlación Estadística. 4 o Curso. Licenciatura en Ciencias Ambientales Licenciatura en Ciencias Ambientales (4 o Curso) Tema 8: Regresión y Correlación Curso 2008-2009 1 / 12 Índice
TEMA 3: PROPIEDADES DEL ESTIMADOR MCO
TEMA 3: PROPIEDADES DEL ESTIMADOR MCO S. Álvarez, A. Beyaert, M. Camacho, M. González, A. Quesada Departamento de Métodos Cuantitativos para la Economía y la Empresa Econometría (3º GADE) Lo que estudiaremos
Prueba de Hipótesis. Para dos muestras
Prueba de Hipótesis Para dos muestras Muestras grandes (n mayor a 30) Utilizar tabla Z Ho: μ1 = μ2 H1: μ1 μ2 Localizar en valor de Zt en la tabla Z Error estándar de la diferencia de medias Prueba de
Capítulo 8. Selección de variables Introducción
Capítulo 8 Selección de variables 8.1. Introducción En muchos problemas de regresión es posible considerar un número importante de variables predictoras. Un empresario podría estudiar los factores que
Tema 4. Regresión lineal simple
Tema 4. Regresión lineal simple Contenidos El objeto del análisis de regresión La especificación de un modelo de regresión lineal simple Estimadores de mínimos cuadrados: construcción y propiedades Inferencias
Modelo 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
UNIVERSIDAD 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
El 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
Análisis de Regresión Múltiple: Estimación
Análisis de Regresión Múltiple: Estimación Carlos Velasco 1 1 Departamento de Economía Universidad Carlos III de Madrid Econometría I Máster en Economía Industrial Universidad Carlos III de Madrid Curso
Estimación MCO, MCI en Modelos de Ecuaciones Simultáneas
Estimación MCO, MCI en Modelos de Ecuaciones Simultáneas Economía Aplicada III (UPV/EHU) OCW 2013 Contents 1 Estimación MCO de la Forma Estructural 2 3 4 Estimador MCO de la FE Consideremos la -ésima ecuación
SOLUCION 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
INTRODUCCIÓN AL ANÁLISIS DE DATOS ORIENTACIONES (TEMA Nº 4)
OBJETIVOS DE APRENDIZAJE: TEMA Nº ANÁLISIS CONJUNTO DE DOS VARIABLES Distinguir entre variables cualitativas y cuantitativas, y saber elegir los métodos en cada caso. Conocer métodos gráficos y cuantitativos
Modelo lineal general (K variables)
Modelo lineal general (K variables) Interpretación y usos Mariana Marchionni marchionni.mariana@gmail.com Mariana Marchionni Modelo lineal general 1 / 45 Temario de la clase 1 El modelo lineal general
TODO 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:
Tema 3: Análisis de datos bivariantes
Tema 3: Análisis de datos bivariantes 1 Contenidos 3.1 Tablas de doble entrada. Datos bivariantes. Estructura de la tabla de doble entrada. Distribuciones de frecuencias marginales. Distribución conjunta
Econometría. Auxiliar 4. Profesor : Mattia Makovec Semestre : Otoño 2010 Auxiliar : Gonzalo Viveros A.
Econometría Auxiliar 4 Profesor : Mattia Makovec Semestre : Otoño 2010 Auxiliar : Gonzalo Viveros A. Pregunta 1 El archivo salarios.xls contiene observaciones mensuales en US$ del salario (Wage) de 935
Regresión múltiple. Demostraciones. Elisa Mª Molanes López
Regresión múltiple Demostraciones Elisa Mª Molanes López El modelo de regresión múltiple El modelo que se plantea en regresión múltiple es el siguiente: y i = β 0 + β 1 x 1i + β 2 x 2i +...+ β k x ki +
El 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
Prácticas Tema 2: El modelo lineal simple
Prácticas Tema 2: El modelo lineal simple Ana J. López y Rigoberto Pérez Departamento de Economía Aplicada. Universidad de Oviedo PRACTICA 2.1- Se han analizado sobre una muestra de 10 familias las variables
Prácticas 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)
Prácticas Tema 5. Ampliaciones del Modelo lineal básico
Prácticas Tema 5. Ampliaciones del Modelo lineal básico Ana J. López y Rigoberto Pérez Dpto. Economía Aplicada, Universidad de Oviedo PRÁCTICA 5.1. Se ha examinado la evolución reciente de las ventas de
(X t X)(Y t Y ) S 2 X = (X t X) 2. Análogamente, las expresiones de los estimadores MCO en el modelo (2) son. (Xt X )(Yt Y ) (Xt X ) 2. b 2.
ECONOMETRÍA I - Examen nal. 26 enero. 2011 Curso 2010/11. Nombre....................... Apellidos.............................................. Licenciatura:................................. Grupo:.................................
3. ASOCIACIÓN ENTRE DOS VARIABLES CUALITATIVAS
1. INTRODUCCIÓN Este tema se centra en el estudio conjunto de dos variables. Dos variables cualitativas - Tabla de datos - Tabla de contingencia - Diagrama de barras - Tabla de diferencias entre frecuencias
Ejercicio 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
FACTORES 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
Curso 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
Econometría II. Tema 1: Revisión del Modelo de Regresión Múltiple Ejercicios
Econometría II Tema 1: Revisión del Modelo de Regresión Múltiple Ejercicios 1. Problema En el chero "Produccio.xls" se presenta la información sobre la producción Y, trabajo X 2 y capital X 3 en el sector
Regresión Lineal Múltiple
Universidad Nacional Agraria La Molina 2011-2 Efectos de Diagnósticos de Dos predictores X 1 y X 2 son exactamente colineales si existe una relación lineal tal que C 1 X 1 + C 2 X 2 = C 0 para algunas
Modelos linealizables.
Modelos linealizables. 1.- Tras 10 años de funcionamiento, una empresa del sector de las telecomunicaciones, quiere estudiar el beneficio obtenido en dicho periodo en función al número de clientes que
Qué es? Primer paso Representación en un sistema de coordenadas. numéricos Cada punto muestra el valor de cada pareja de datos (X e Y)
Gráfico de dispersión Qué es? Primer paso Representación en un sistema de coordenadas cartesianas de los datos numéricos Cada punto muestra el valor de cada pareja de datos (X e Y) Gráfico de dispersión
CALIFICACION: 287,33 218, sí 1 sí 1. Se especifica el siguiente modelo de regresión para el precio de las viviendas: G i =
6 + 5 = 11 CALIFICACION: PARTE 1 (6 puntos) Una empresa inmobiliaria desea conocer los determinantes del precio de la vivienda en una ciudad de tamaño medio Para ello recoge información sobre las siguientes
TEMA 10 Correlación y regresión. El modelo de regresión simple
TEMA 10 Correlación y regresión. El modelo de regresión simple Karl Pearson (1857-1936) 1. Introducción. Modelos matemáticos 2. Métodos numéricos. Resolución de sistemas lineales y ecuaciones no lineales
Actividad A5.1. Cambio de escala. a. Para estimar el modelo (1) se pincha: Modelo -- Mínimos cuadrados ordinarios SCR = 7803, 175 R 2 = 0, 89855
Actividad A5.1. Cambio de escala. Alquiler de sombrillas a. Para estimar el modelo (1) se pincha: Ŝ t = 22, 1467 0, 610208 P t + 11, 7892 T t t = 1, 2,..., 22 SCR = 7803, 175 R 2 = 0, 89855 ˆβ 1 : se estima
Índice Introducción Economía y Estadística Análisis de Regresión. Clase 1. Introducción a la Econometría. Profesor: Felipe Avilés Lucero
Clase 1 Introducción a la Econometría Profesor: Felipe Avilés Lucero 26 de mayo de 2010 1 Introducción 2 Economía y Estadística 3 Análisis de Regresión Función de Regresión Poblacional Función de Regresión
Estadística para la Economía y la Gestión IN 3401 Clase 5
Estadística para la Economía y la Gestión IN 3401 Clase 5 21 de octubre de 2009 1 Variables Dummies o cualitativas 2 Omisión de Variables Relevantes Impacto sobre el Insesgamiento Impacto sobre la Varianza
Econometría 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
Fundamentos 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
Estadística II Examen Final 19/06/2015 Soluciones. Responda a las preguntas siguientes en los cuadernillos de la Universidad
Estadística II Examen Final 19/06/2015 Soluciones Responda a las preguntas siguientes en los cuadernillos de la Universidad Utilice diferentes cuadernillos para responder a cada uno de los ejercicios Indique
PROBLEMA 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
Estadística I Solución Examen Final- 19 de junio de Nombre y Apellido:... Grupo:...
Estadística I Examen Final- 19 de junio de 2009 Nombre y Apellido:... Grupo:... (1) La siguiente tabla muestra las distribuciones de frecuencias absolutas de la variable altura (en metros) de n = 500 estudiantes