Este documento presenta el modelo lineal general y su estimación mediante mínimos cuadrados ordinarios. Introduce el modelo lineal general, sus formulaciones matriciales y la interpretación de los coeficientes. Explica que el modelo plantea problemas de estimación, inferencia, previsión y diagnóstico, requiriendo hipótesis como linealidad, normalidad de errores y homoscedasticidad. Finalmente, desarrolla el método de mínimos cuadrados ordinarios, mostrando que bajo las hipótesis, el estimador es eficiente, normal e inses
Normalidad: Test gráficos, Test Jarque-Bera, Test Shapiro Wilk.
Multicolinialidad: Factor inflador de varianza,
Heterocedasticidad: Test Breusch-Pagan, Test de White, Míınimos Cuadrados Generalizados, Errores robustos
Este documento presenta el modelo de regresión lineal y el método de mínimos cuadrados ordinarios (MCO) para estimar los parámetros del modelo. Explica que el MCO minimiza la suma de los residuos al cuadrado para obtener estimaciones puntuales de los parámetros β1 y β2. También describe las propiedades de las estimaciones MCO, como que pasan por las medias muestrales y que la suma de los residuos y de los residuos multiplicados por las variables independientes es igual a cero.
Este documento describe los pasos para estimar un modelo econométrico y analizar los resultados en el software Eviews. Explica cómo introducir una ecuación, estimar los parámetros, y examinar las pruebas estadísticas y diagnósticos para evaluar la validez del modelo, incluyendo pruebas para la normalidad de los errores, autocorrelación, multicolinealidad y heterocedasticidad.
Practica Stata - Modelos Riesgo de Credito.pptxssuserc8ee7a
Este documento describe la interfaz de usuario de Stata. Incluye las siguientes ventanas: Data editor para visualizar y editar datos, Review para revisar comandos previos, Command para ingresar comandos, Variables para ver variables de la base de datos, y Propiedades para ver propiedades de variables. También describe comandos básicos como generate, drop y describe, y de estadística descriptiva como sum, tab y histogram. Finalmente, muestra cómo importar datos de Excel y abrir bases .dta.
El documento resume el capítulo 12 sobre la reconsideración de la economía abierta. Explica el modelo Mundell-Fleming para una pequeña economía abierta y analiza los efectos de las políticas fiscal, monetaria y comercial bajo regímenes de tipos de cambio fluctuantes y fijos. También discute las causas de las diferencias en las tasas de interés entre países y analiza casos prácticos como las crisis del peso mexicano y del sudeste asiático.
1) El documento presenta notas de clase sobre el modelo macroeconómico de Mundell-Fleming, desarrollado para economías emergentes, pequeñas y abiertas. 2) Explica conceptos como tipos de cambio nominal y real, paridad del poder adquisitivo, y paridad de tasas de interés. 3) Describe el modelo de Mundell-Fleming con tipos de cambio fijos y flexibles, y cómo reacciona la economía a shocks externos e internos bajo cada régimen cambiario.
Este documento describe diferentes modelos econométricos con variables retardadas. Explica el modelo de Koyck, que transforma un modelo de rezagos distribuidos en un modelo autoregresivo, y también describe modelos derivados como el de expectativas adaptativas y el de ajuste parcial de existencias. Finalmente, introduce el modelo de Almon para aproximar coeficientes de rezagos distribuidos mediante un polinomio.
Este documento presenta el modelo clásico de regresión lineal múltiple, incluyendo su formulación matricial, el método de mínimos cuadrados ordinarios para estimar los parámetros, y las propiedades de dichos estimadores. También explica cómo realizar pruebas de hipótesis sobre los parámetros y el ajuste global del modelo usando el análisis de varianza (ANOVA). Se incluyen ejemplos ilustrativos.
Normalidad: Test gráficos, Test Jarque-Bera, Test Shapiro Wilk.
Multicolinialidad: Factor inflador de varianza,
Heterocedasticidad: Test Breusch-Pagan, Test de White, Míınimos Cuadrados Generalizados, Errores robustos
Este documento presenta el modelo de regresión lineal y el método de mínimos cuadrados ordinarios (MCO) para estimar los parámetros del modelo. Explica que el MCO minimiza la suma de los residuos al cuadrado para obtener estimaciones puntuales de los parámetros β1 y β2. También describe las propiedades de las estimaciones MCO, como que pasan por las medias muestrales y que la suma de los residuos y de los residuos multiplicados por las variables independientes es igual a cero.
Este documento describe los pasos para estimar un modelo econométrico y analizar los resultados en el software Eviews. Explica cómo introducir una ecuación, estimar los parámetros, y examinar las pruebas estadísticas y diagnósticos para evaluar la validez del modelo, incluyendo pruebas para la normalidad de los errores, autocorrelación, multicolinealidad y heterocedasticidad.
Practica Stata - Modelos Riesgo de Credito.pptxssuserc8ee7a
Este documento describe la interfaz de usuario de Stata. Incluye las siguientes ventanas: Data editor para visualizar y editar datos, Review para revisar comandos previos, Command para ingresar comandos, Variables para ver variables de la base de datos, y Propiedades para ver propiedades de variables. También describe comandos básicos como generate, drop y describe, y de estadística descriptiva como sum, tab y histogram. Finalmente, muestra cómo importar datos de Excel y abrir bases .dta.
El documento resume el capítulo 12 sobre la reconsideración de la economía abierta. Explica el modelo Mundell-Fleming para una pequeña economía abierta y analiza los efectos de las políticas fiscal, monetaria y comercial bajo regímenes de tipos de cambio fluctuantes y fijos. También discute las causas de las diferencias en las tasas de interés entre países y analiza casos prácticos como las crisis del peso mexicano y del sudeste asiático.
1) El documento presenta notas de clase sobre el modelo macroeconómico de Mundell-Fleming, desarrollado para economías emergentes, pequeñas y abiertas. 2) Explica conceptos como tipos de cambio nominal y real, paridad del poder adquisitivo, y paridad de tasas de interés. 3) Describe el modelo de Mundell-Fleming con tipos de cambio fijos y flexibles, y cómo reacciona la economía a shocks externos e internos bajo cada régimen cambiario.
Este documento describe diferentes modelos econométricos con variables retardadas. Explica el modelo de Koyck, que transforma un modelo de rezagos distribuidos en un modelo autoregresivo, y también describe modelos derivados como el de expectativas adaptativas y el de ajuste parcial de existencias. Finalmente, introduce el modelo de Almon para aproximar coeficientes de rezagos distribuidos mediante un polinomio.
Este documento presenta el modelo clásico de regresión lineal múltiple, incluyendo su formulación matricial, el método de mínimos cuadrados ordinarios para estimar los parámetros, y las propiedades de dichos estimadores. También explica cómo realizar pruebas de hipótesis sobre los parámetros y el ajuste global del modelo usando el análisis de varianza (ANOVA). Se incluyen ejemplos ilustrativos.
Este documento presenta las soluciones a varios problemas de econometría. En la primera sección, se demuestra que el estimador propuesto para el modelo yi = βxi + ui está sesgado hacia 0, y que su varianza es inferior a la del estimador MCO. En la segunda sección, se calculan la esperanza y varianza de varios estimadores propuestos para el modelo Yt = α + βXt + ut, sugiriendo que el estimador de mínimos cuadrados ordinarios debería usarse. En la tercera sección, se demuestra que el coeficiente de pendiente estimado
Este documento presenta diferentes formas funcionales y modelos de regresión que incluyen variables cualitativas. Explica formas como lineal, logarítmica, cuadrática e interacciones, así como el uso de variables dummy para capturar efectos de variables binarias. Finalmente, muestra cómo estas técnicas permiten analizar políticas públicas y comparar grupos.
Formas funcionales de los modelos de regresiónchrisrgt1999
Este documento describe diferentes modelos de regresión y sus aplicaciones. Explica los modelos de regresión lineal, los modelos de regresión lineal en logaritmos que miden elasticidades, los modelos de regresión múltiple como el modelo Cobb-Douglass, y los modelos de regresión polinomial. También discute cómo elegir la mejor forma funcional para los datos y variables en cuestión.
Este documento presenta el esquema de un curso de Econometría Aplicada a Finanzas. El objetivo general del curso es desarrollar las competencias cuantitativas necesarias para estudiantes interesados en obtener una maestría en finanzas. El contenido incluye conceptos básicos de econometría, modelos de regresión, series de tiempo, volatilidad y simulación Monte Carlo, los cuales serán aplicados a problemas financieros a través de ejercicios prácticos usando el software Eviews. El curso está
Este documento trata sobre la especificación de modelos económicos en presencia de endogeneidad. Explica que la endogeneidad puede surgir por variables omitidas, simultaneidad u errores de medición. Describe cómo usar variables instrumentales y el método de mínimos cuadrados en dos etapas para obtener estimadores consistentes cuando hay variables endógenas. También presenta pruebas como Ramsey RESET y Hausman para detectar la endogeneidad y validar las variables instrumentales.
El documento describe el modelo de las tres brechas, que analiza los desequilibrios fundamentales de la economía conocidos como brecha externa, pública y privada. El modelo se basa en identidades keynesianas y es útil para probar hipótesis sobre las interrelaciones macroeconómicas. Explica que la inversión bruta se financia con el ahorro privado, público y externo, representado por la ecuación (S - I) + (T - G) + (X - M) = 0.
Este documento presenta un resumen de un capítulo sobre modelos de vectores autorregresivos (VAR). Explica que los modelos VAR permiten modelar las relaciones dinámicas entre múltiples variables económicas de manera flexible y sin necesidad de especificar relaciones causales. También describe cómo los modelos VAR pueden usarse para realizar pruebas de causalidad entre variables y análisis de descomposición de varianzas y respuestas a impulsos.
Este documento trata sobre la normalidad de las perturbaciones en los modelos de regresión lineal. Explica conceptos como la curva normal, la simetría y la curtosis. También describe efectos de la no normalidad como la pérdida de eficiencia, y las causas como valores atípicos o distribuciones asimétricas. Finalmente, detalla métodos para identificar la normalidad como gráficos, histogramas y tests de hipótesis como el de Jarque-Bera.
1. El documento presenta ejercicios y soluciones relacionados con el crecimiento y desarrollo económico. Incluye preguntas sobre conceptos como retornos constantes a escala, retornos decrecientes del capital y la ecuación de Solow.
2. Se pide calcular tasas de crecimiento, niveles de capital y producción en estados estacionarios usando diferentes funciones de producción y valores de parámetros.
3. También se analizan conceptos como convergencia absoluta, bienes públicos y trampas de pobre
Aquí se brinda un tratamiento más detallado a los modelos de heterocedasticidad. Test Breusch-Pagan. Test de White. Mínimos cuadrados ponderados (MCP). Mínimos cuadrados generalizados (MCG). Mínimos cuadrados generalizados factibles (MCGF). Estimación consistente de White.
Este documento presenta un capítulo sobre el crecimiento económico que incorpora el progreso tecnológico en el modelo de Solow. Explica cómo la tecnología puede aumentar la eficiencia del trabajo a una tasa exógena y cómo esto afecta las tasas de crecimiento en el estado estacionario. También resume los hallazgos empíricos sobre la convergencia condicional de las economías, la importancia relativa de la acumulación de capital y la eficiencia productiva, y el impacto positivo del comercio en la eficiencia
1. El documento describe diferentes modelos de regresión para datos de panel. Explica las características de los datos de corte transversal, series de tiempo y datos de panel. 2. Discute el modelo de efectos fijos y cómo permite dimensiones de tiempo y espacio. 3. Compara el modelo de componentes de error con el modelo de efectos fijos y cuando cada uno es apropiado.
Segura 2006 -- equilibrio general introducción - notas de claseJuan Segura
Este documento presenta los conceptos fundamentales del modelo de equilibrio general. Brevemente, introduce el modelo de equilibrio competitivo de Arrow-Debreu, el cual describe una economía con múltiples consumidores y bienes donde los precios se determinan de forma que la demanda total sea igual a la oferta total para cada bien. Asimismo, explica el concepto de caja de Edgeworth, una herramienta gráfica que permite representar las posibilidades de intercambio entre consumidores.
El documento describe las relaciones entre el estadístico F y el coeficiente de determinación R2. F y R2 están directamente relacionados y F es una medida de la significancia del R2. También se discuten métodos para seleccionar variables explicativas como el R2 ajustado, el criterio de información de Akaike y el criterio de Schwarz, los cuales penalizan la adición de variables. Finalmente, se presenta la prueba F para comparar modelos restringidos y no restringidos.
El documento presenta varios problemas relacionados con el modelo IS-LM. Se piden calcular curvas IS y LM, determinar equilibrios e identificar efectos de políticas monetarias y fiscales. Se analizan cambios en variables como gasto público, oferta monetaria, tasas impositivas e inversión y sus consecuencias sobre producción, consumo, tipo de interés e inversión.
Para aquellos interesados en saber estimar VAR, hacer pruebas de cointegración, VEC, pruebas de Johansen, raices unitarias, en sí, series de tiempo. He aquí un manual de uso para el software EViews.
John Maynard Keynes fue un economista británico influyente del siglo XX. En su teoría general, Keynes argumentó que el Estado debía complementar el mercado privado e incrementar el gasto público durante las recesiones para generar demanda e impulsar la inversión y reducir el desempleo. Keynes también propuso poner más dinero en circulación para estimular la economía y reducir las tasas de interés para incentivar los préstamos e inversión. Rechazó la idea de que reducir los salarios podría mantener el empleo, argumentando que el
Clase10 Endogeneidad y estimación por variables instrumentalesNerys Ramírez Mordán
Tratamiento, variables instrumentales, Validez del instrumento, Varianza del estimador VI, Mínimo cuadrado en 2 etapas
(MC2E), Prueba de endogeneidad de Hausman
El documento presenta conceptos clave sobre el equilibrio general y el intercambio puro entre dos consumidores y dos bienes. Explica la caja de Edgeworth y cómo muestra las asignaciones eficientes de Pareto que pueden lograrse a través del intercambio. También introduce las nociones de demanda bruta, demanda neta, y equilibrio de Walras, donde la tasa marginal de sustitución es igual entre los consumidores y la oferta es igual a la demanda en cada mercado.
El documento describe el análisis de un modelo ARIMA para predecir la emisión monetaria en Bolivia. Se realizó una prueba de raíz unitaria que mostró que la serie no era estacionaria. Luego de diferenciar la serie para quitar la tendencia y estacionalidad, el modelo final estimado no mostró problemas de autocorrelación, heterocedasticidad o no normalidad de los residuos. El modelo puede usarse para hacer predicciones sobre la emisión monetaria futura.
Nosferi - Perturbaciones no esfericas en el modelo linealMiguel Jerez
Este documento trata sobre perturbaciones no esféricas en modelos de regresión. Discuten tratamientos generales como la estimación por mínimos cuadrados generalizados para hacer frente a la autocorrelación y heterocedasticidad. También cubre métodos para detectar autocorrelación como el test de Breusch-Godfrey y métodos para detectar heterocedasticidad como el test de Breusch-Pagan y el test de White. El documento contiene ejemplos ilustrativos de cada uno de estos conceptos.
Estocreg - Regresores estocasticos en el modelo linealMiguel Jerez
Este documento trata sobre regresores estocásticos en modelos de regresión. Explica que cuando una variable endógena actúa también como explicativa, como en modelos de ecuaciones simultáneas o dinámicos, se producen regresores estocásticos. Esto hace que el estimador MCO sea inconsistente. Se introduce el estimador de variables instrumentales como una alternativa consistente cuando hay regresores estocásticos. Finalmente, se incluyen ejemplos de modelos con ecuaciones simultáneas y dinámicos donde se aplica esta metod
Este documento presenta las soluciones a varios problemas de econometría. En la primera sección, se demuestra que el estimador propuesto para el modelo yi = βxi + ui está sesgado hacia 0, y que su varianza es inferior a la del estimador MCO. En la segunda sección, se calculan la esperanza y varianza de varios estimadores propuestos para el modelo Yt = α + βXt + ut, sugiriendo que el estimador de mínimos cuadrados ordinarios debería usarse. En la tercera sección, se demuestra que el coeficiente de pendiente estimado
Este documento presenta diferentes formas funcionales y modelos de regresión que incluyen variables cualitativas. Explica formas como lineal, logarítmica, cuadrática e interacciones, así como el uso de variables dummy para capturar efectos de variables binarias. Finalmente, muestra cómo estas técnicas permiten analizar políticas públicas y comparar grupos.
Formas funcionales de los modelos de regresiónchrisrgt1999
Este documento describe diferentes modelos de regresión y sus aplicaciones. Explica los modelos de regresión lineal, los modelos de regresión lineal en logaritmos que miden elasticidades, los modelos de regresión múltiple como el modelo Cobb-Douglass, y los modelos de regresión polinomial. También discute cómo elegir la mejor forma funcional para los datos y variables en cuestión.
Este documento presenta el esquema de un curso de Econometría Aplicada a Finanzas. El objetivo general del curso es desarrollar las competencias cuantitativas necesarias para estudiantes interesados en obtener una maestría en finanzas. El contenido incluye conceptos básicos de econometría, modelos de regresión, series de tiempo, volatilidad y simulación Monte Carlo, los cuales serán aplicados a problemas financieros a través de ejercicios prácticos usando el software Eviews. El curso está
Este documento trata sobre la especificación de modelos económicos en presencia de endogeneidad. Explica que la endogeneidad puede surgir por variables omitidas, simultaneidad u errores de medición. Describe cómo usar variables instrumentales y el método de mínimos cuadrados en dos etapas para obtener estimadores consistentes cuando hay variables endógenas. También presenta pruebas como Ramsey RESET y Hausman para detectar la endogeneidad y validar las variables instrumentales.
El documento describe el modelo de las tres brechas, que analiza los desequilibrios fundamentales de la economía conocidos como brecha externa, pública y privada. El modelo se basa en identidades keynesianas y es útil para probar hipótesis sobre las interrelaciones macroeconómicas. Explica que la inversión bruta se financia con el ahorro privado, público y externo, representado por la ecuación (S - I) + (T - G) + (X - M) = 0.
Este documento presenta un resumen de un capítulo sobre modelos de vectores autorregresivos (VAR). Explica que los modelos VAR permiten modelar las relaciones dinámicas entre múltiples variables económicas de manera flexible y sin necesidad de especificar relaciones causales. También describe cómo los modelos VAR pueden usarse para realizar pruebas de causalidad entre variables y análisis de descomposición de varianzas y respuestas a impulsos.
Este documento trata sobre la normalidad de las perturbaciones en los modelos de regresión lineal. Explica conceptos como la curva normal, la simetría y la curtosis. También describe efectos de la no normalidad como la pérdida de eficiencia, y las causas como valores atípicos o distribuciones asimétricas. Finalmente, detalla métodos para identificar la normalidad como gráficos, histogramas y tests de hipótesis como el de Jarque-Bera.
1. El documento presenta ejercicios y soluciones relacionados con el crecimiento y desarrollo económico. Incluye preguntas sobre conceptos como retornos constantes a escala, retornos decrecientes del capital y la ecuación de Solow.
2. Se pide calcular tasas de crecimiento, niveles de capital y producción en estados estacionarios usando diferentes funciones de producción y valores de parámetros.
3. También se analizan conceptos como convergencia absoluta, bienes públicos y trampas de pobre
Aquí se brinda un tratamiento más detallado a los modelos de heterocedasticidad. Test Breusch-Pagan. Test de White. Mínimos cuadrados ponderados (MCP). Mínimos cuadrados generalizados (MCG). Mínimos cuadrados generalizados factibles (MCGF). Estimación consistente de White.
Este documento presenta un capítulo sobre el crecimiento económico que incorpora el progreso tecnológico en el modelo de Solow. Explica cómo la tecnología puede aumentar la eficiencia del trabajo a una tasa exógena y cómo esto afecta las tasas de crecimiento en el estado estacionario. También resume los hallazgos empíricos sobre la convergencia condicional de las economías, la importancia relativa de la acumulación de capital y la eficiencia productiva, y el impacto positivo del comercio en la eficiencia
1. El documento describe diferentes modelos de regresión para datos de panel. Explica las características de los datos de corte transversal, series de tiempo y datos de panel. 2. Discute el modelo de efectos fijos y cómo permite dimensiones de tiempo y espacio. 3. Compara el modelo de componentes de error con el modelo de efectos fijos y cuando cada uno es apropiado.
Segura 2006 -- equilibrio general introducción - notas de claseJuan Segura
Este documento presenta los conceptos fundamentales del modelo de equilibrio general. Brevemente, introduce el modelo de equilibrio competitivo de Arrow-Debreu, el cual describe una economía con múltiples consumidores y bienes donde los precios se determinan de forma que la demanda total sea igual a la oferta total para cada bien. Asimismo, explica el concepto de caja de Edgeworth, una herramienta gráfica que permite representar las posibilidades de intercambio entre consumidores.
El documento describe las relaciones entre el estadístico F y el coeficiente de determinación R2. F y R2 están directamente relacionados y F es una medida de la significancia del R2. También se discuten métodos para seleccionar variables explicativas como el R2 ajustado, el criterio de información de Akaike y el criterio de Schwarz, los cuales penalizan la adición de variables. Finalmente, se presenta la prueba F para comparar modelos restringidos y no restringidos.
El documento presenta varios problemas relacionados con el modelo IS-LM. Se piden calcular curvas IS y LM, determinar equilibrios e identificar efectos de políticas monetarias y fiscales. Se analizan cambios en variables como gasto público, oferta monetaria, tasas impositivas e inversión y sus consecuencias sobre producción, consumo, tipo de interés e inversión.
Para aquellos interesados en saber estimar VAR, hacer pruebas de cointegración, VEC, pruebas de Johansen, raices unitarias, en sí, series de tiempo. He aquí un manual de uso para el software EViews.
John Maynard Keynes fue un economista británico influyente del siglo XX. En su teoría general, Keynes argumentó que el Estado debía complementar el mercado privado e incrementar el gasto público durante las recesiones para generar demanda e impulsar la inversión y reducir el desempleo. Keynes también propuso poner más dinero en circulación para estimular la economía y reducir las tasas de interés para incentivar los préstamos e inversión. Rechazó la idea de que reducir los salarios podría mantener el empleo, argumentando que el
Clase10 Endogeneidad y estimación por variables instrumentalesNerys Ramírez Mordán
Tratamiento, variables instrumentales, Validez del instrumento, Varianza del estimador VI, Mínimo cuadrado en 2 etapas
(MC2E), Prueba de endogeneidad de Hausman
El documento presenta conceptos clave sobre el equilibrio general y el intercambio puro entre dos consumidores y dos bienes. Explica la caja de Edgeworth y cómo muestra las asignaciones eficientes de Pareto que pueden lograrse a través del intercambio. También introduce las nociones de demanda bruta, demanda neta, y equilibrio de Walras, donde la tasa marginal de sustitución es igual entre los consumidores y la oferta es igual a la demanda en cada mercado.
El documento describe el análisis de un modelo ARIMA para predecir la emisión monetaria en Bolivia. Se realizó una prueba de raíz unitaria que mostró que la serie no era estacionaria. Luego de diferenciar la serie para quitar la tendencia y estacionalidad, el modelo final estimado no mostró problemas de autocorrelación, heterocedasticidad o no normalidad de los residuos. El modelo puede usarse para hacer predicciones sobre la emisión monetaria futura.
Nosferi - Perturbaciones no esfericas en el modelo linealMiguel Jerez
Este documento trata sobre perturbaciones no esféricas en modelos de regresión. Discuten tratamientos generales como la estimación por mínimos cuadrados generalizados para hacer frente a la autocorrelación y heterocedasticidad. También cubre métodos para detectar autocorrelación como el test de Breusch-Godfrey y métodos para detectar heterocedasticidad como el test de Breusch-Pagan y el test de White. El documento contiene ejemplos ilustrativos de cada uno de estos conceptos.
Estocreg - Regresores estocasticos en el modelo linealMiguel Jerez
Este documento trata sobre regresores estocásticos en modelos de regresión. Explica que cuando una variable endógena actúa también como explicativa, como en modelos de ecuaciones simultáneas o dinámicos, se producen regresores estocásticos. Esto hace que el estimador MCO sea inconsistente. Se introduce el estimador de variables instrumentales como una alternativa consistente cuando hay regresores estocásticos. Finalmente, se incluyen ejemplos de modelos con ecuaciones simultáneas y dinámicos donde se aplica esta metod
Este documento presenta una introducción a la econometría. Explica que la econometría utiliza la teoría económica, las matemáticas y la estadística para estudiar fenómenos económicos mediante la estimación de modelos econométricos. Describe las fases del método econométrico, incluida la especificación del modelo, la obtención de datos, la estimación de parámetros y la prueba de hipótesis. También introduce conceptos como los modelos econométricos, la regresión múltiple y los
Qué puede aportar la econometría a mi estrategia de marketing online (parte 1)Álvaro Fierro
Primera parte de cómo la econometría es válida para decidir acciones de marketing online. Parte teórica introductoria a la econometría que se irá ampliando con casos reales.
Este documento compara dos modelos para pronosticar la curva cero cupón de un año en Colombia: el modelo Vasicek y el modelo Cox Ingersoll Ross. Utilizando Matlab, el documento demuestra matemáticamente cada modelo y determina cuál pronostica con más precisión la tasa cero cupón mediante una prueba de rendimiento contra datos observados. El objetivo es identificar el mejor método de pronóstico para estimar el precio de otros instrumentos financieros y trazar estrategias de inversión.
Este documento presenta un curso básico de econometría. Cubre temas como regresión lineal simple y múltiple, índices numéricos y series temporales. Explica el modelo de regresión lineal y el método de mínimos cuadrados ordinarios para estimar los parámetros. También describe cómo evaluar la bondad del ajuste del modelo a través del coeficiente de determinación y cómo realizar inferencia estadística sobre los estimadores mediante intervalos de confianza y pruebas de hipótesis.
Este documento presenta una introducción a la simulación. Explica conceptos clave como sistemas, variables, eventos y aplicaciones de la simulación. Luego describe elementos básicos de la simulación como procesos, estados, eventos y variables. Finalmente, introduce métodos para la generación de números aleatorios y el uso de hojas de cálculo para simulación.
Este documento presenta el Modelo Lineal General (MLG), incluyendo su especificación, interpretación de los parámetros, y las hipótesis subyacentes. El MLG define una relación lineal y estocástica entre una variable endógena y variables explicativas. Los parámetros miden el efecto de cada variable explicativa sobre la variable endógena, manteniendo las demás constantes. El documento también cubre la representación matricial del MLG y ofrece ejemplos de su aplicación.
Este documento presenta un modelo econométrico semi-estructural calibrado para la economía peruana desarrollado por el Banco Central de Reserva del Perú. El modelo consta de ecuaciones de demanda agregada, oferta agregada y paridad de tasas de interés. Se calibran los parámetros en lugar de estimarlos econométricamente para tener en cuenta la inestabilidad estructural. El modelo se utiliza para proyectar la inflación y brecha de producto bajo diferentes escenarios de política monetaria.
Inferen - Inferencia en el modelo de regresiónMiguel Jerez
El documento presenta el contraste de hipótesis, intervalos de confianza y previsión en modelos de regresión lineal general. Introduce estadísticos como F de Snedecor y t de Student para contrastar hipótesis sobre los parámetros del modelo. Explica cómo calcular intervalos de confianza para parámetros individuales y conjuntos de ellos. Finalmente, describe la previsión puntual como predictor óptimo de nuevas observaciones basado en el modelo estimado.
El documento describe el modelo de regresión lineal múltiple, incluyendo variables dependientes e independientes, el proceso de estimación de parámetros para minimizar la suma de los cuadrados de los residuos, y los beneficios de trabajar con datos centrados para simplificar los cálculos.
1) El documento presenta diferentes tipos de modelos dinámicos uniecuacionales, incluyendo modelos de regresión estática, series de tiempo univariantes, en diferencias, indicadores adelantados, retardos distribuidos, ajuste parcial, factores comunes y corrección de errores.
2) Se describen tres clasificaciones de modelos dinámicos: modelos ingenuos de expectativas, modelos econométricos de expectativas adaptativas, ajuste parcial y expectativas racionales.
3) Se provee un
Este documento presenta una introducción a los modelos dinámicos uniecuacionales. Explica la justificación para incluir la dinámica temporal en los modelos económicos debido a factores como desfases en la información y procesos de ajuste. Luego describe nueve tipos de modelos dinámicos uniecuacionales y tres enfoques para las expectativas: expectativas adaptativas, ajuste parcial y expectativas racionales. Finalmente, menciona que cuando la variable endógena incluye valores rezagados, deja
Este documento trata sobre la estimación robusta. Explica que un estimador robusto produce buenas estimaciones ante una amplia variedad de procesos generadores de datos, a diferencia de los estimadores tradicionales que pueden verse afectados por violaciones a sus supuestos. Luego describe diferentes tipos de estimadores robustos como los estimadores M, Lp, L y de mínimos cuadrados recortados, los cuales permiten obtener estimaciones más precisas incluso ante la presencia de datos atípicos o influyentes.
1) El documento introduce los conceptos de regresión lineal y no lineal para ajustar ecuaciones a datos experimentales. 2) Explica que la modelización matemática busca ecuaciones que describan el comportamiento de sistemas de forma empírica o teórica. 3) Finalmente, detalla los procedimientos de regresión lineal y no lineal por mínimos cuadrados para encontrar los parámetros óptimos que ajusten mejor las ecuaciones a los datos.
Este documento presenta el diseño de un observador de estados para un convertidor Buck. Primero introduce los conceptos de observadores de estado y su aplicación al diagnóstico de fallas. Luego, describe el diseño de un observador de orden completo para el convertidor Buck usando la fórmula de Ackerman. Finalmente, presenta los resultados de la simulación del observador diseñado en MatLab.
Este documento presenta una introducción al análisis de regresión lineal múltiple. Explica los objetivos del análisis de regresión múltiple, la formulación del modelo de regresión, los supuestos del modelo y cómo estimar los parámetros del modelo. También incluye un ejemplo práctico donde se analiza la relación entre el consumo de petróleo y variables como la temperatura y el aislamiento en casas.
Este documento describe los pasos para diseñar experimentos de simulación por computadora de manera sistemática. Explica que el diseño determina el análisis estadístico y el éxito del experimento. Luego detalla tres pasos clave: 1) determinar los criterios del diseño, 2) sintetizar el modelo experimental, 3) seleccionar el diseño óptimo comparando opciones. Finalmente, ofrece consideraciones como el número de factores, niveles y repeticiones para lograr el aprendizaje más económico posible.
Este documento presenta los conceptos básicos de la regresión lineal múltiple. Introduce el modelo de regresión lineal múltiple y sus suposiciones, y explica cómo estimar los parámetros del modelo usando mínimos cuadrados ordinarios. También cubre cómo calcular el error estándar de los estimadores, construir intervalos de confianza, y realizar pruebas de hipótesis sobre los coeficientes. Finalmente, discute cómo realizar predicciones e inferencias basadas en el modelo estimado.
Similar a MLG - Modelo Lineal General de regresión (20)
El curso de Texto Integrado de 8vo grado es un programa académico interdisciplinario que combina los contenidos y habilidades de varias asignaturas clave. A través de este enfoque integrado, los estudiantes tendrán la oportunidad de desarrollar una comprensión más holística y conexa de los temas abordados.
En el área de Estudios Sociales, los estudiantes profundizarán en el estudio de la historia, geografía, organización política y social, y economía de América Latina. Analizarán los procesos de descubrimiento, colonización e independencia, las características regionales, los sistemas de gobierno, los movimientos sociales y los modelos de desarrollo económico.
En Lengua y Literatura, se enfatizará el desarrollo de habilidades comunicativas, tanto en la expresión oral como escrita. Los estudiantes trabajarán en la comprensión y producción de diversos tipos de textos, incluyendo narrativos, expositivos y argumentativos. Además, se estudiarán obras literarias representativas de la región latinoamericana.
El componente de Ciencias Naturales abordará temas relacionados con la biología, la física y la química, con un enfoque en la comprensión de los fenómenos naturales y los desafíos ambientales de América Latina. Se explorarán conceptos como la biodiversidad, los recursos naturales, la contaminación y el desarrollo sostenible.
En el área de Matemática, los estudiantes desarrollarán habilidades en áreas como la aritmética, el álgebra, la geometría y la estadística. Estos conocimientos matemáticos se aplicarán a la resolución de problemas y al análisis de datos, en el contexto de las temáticas abordadas en las otras asignaturas.
A lo largo del curso, se fomentará la integración de los contenidos, de manera que los estudiantes puedan establecer conexiones significativas entre los diferentes campos del conocimiento. Además, se promoverá el desarrollo de habilidades transversales, como el pensamiento crítico, la resolución de problemas, la investigación y la colaboración.
Mediante este enfoque de Texto Integrado, los estudiantes de 8vo grado tendrán una experiencia de aprendizaje enriquecedora y relevante, que les permitirá adquirir una visión más amplia y comprensiva de los temas estudiados.
Examen de Selectividad. Geografía junio 2024 (Convocatoria Ordinaria). UCLMJuan Martín Martín
Examen de Selectividad de la EvAU de Geografía de junio de 2023 en Castilla La Mancha. UCLM . (Convocatoria ordinaria)
Más información en el Blog de Geografía de Juan Martín Martín
http://blogdegeografiadejuan.blogspot.com/
Este documento presenta un examen de geografía para el Acceso a la universidad (EVAU). Consta de cuatro secciones. La primera sección ofrece tres ejercicios prácticos sobre paisajes, mapas o hábitats. La segunda sección contiene preguntas teóricas sobre unidades de relieve, transporte o demografía. La tercera sección pide definir conceptos geográficos. La cuarta sección implica identificar elementos geográficos en un mapa. El examen evalúa conocimientos fundamentales de geografía.
La Unidad Eudista de Espiritualidad se complace en poner a su disposición el siguiente Triduo Eudista, que tiene como propósito ofrecer tres breves meditaciones sobre Jesucristo Sumo y Eterno Sacerdote, el Sagrado Corazón de Jesús y el Inmaculado Corazón de María. En cada día encuentran una oración inicial, una meditación y una oración final.
1. Ver. 28/09/2006, Slide # 1
Septiembre 2009
Econometría I
El Modelo Lineal General (I): Estimación
Miguel Jerez y Sonia Sotoca
Universidad Complutense de Madrid
2. Ver. 28/09/2006, Slide # 2
Índice
• El modelo lineal general
• Hipótesis del modelo
• Mínimos cuadrados
ordinarios
• Máxima verosimilitud
• Medidas de ajuste
• Anexos
3. Ver. 28/09/2006, Slide # 3
El modelo lineal general (I): Definición
Sea el Modelo Lineal General (MLG), definido por:
en donde:
: observación t-ésima de la variable endógena o dependiente,
: observación t-ésima de la i-ésima variable exógena, variable explicativa o regresor,
: i-ésimo parámetro o coeficiente,
: t-ésimo valor del término de error o perturbación,
k : número de parámetros, y
n : número de observaciones o casos de la muestra.
( , , , )
k
t i ti t
i
y x t nb e
=
= + =å1
1 2 K (1)
ty
tix
ib
te
Por tanto el MLG define una relación:
• lineal entre una variable endógena y k variables explicativas,
• estocástica, ya que admite errores de ajuste, y
• útil para inferir los valores condicionados aty ( , , , )tix i k= 1 2 K
4. Ver. 28/09/2006, Slide # 4
En notación vectorial, la expresión (1) puede escribirse como:
en donde:
: vector (1xk) de observaciones de cada una de las k variables explicativas
correspondientes al caso t-ésimo, y
: vector (kx1) de parámetros.
o, de forma más compacta, como:
en donde:
y : vector (nx1) de observaciones de la variable endógena, y
X : matriz (nxk) que recoge en cada fila las observaciones de todas las variables
explicativas correspondientes a cada valor de la variable endógena y, en cada columna,
recoge todas las observaciones de cada variable explicativa
El modelo lineal general (II): Formulaciones matriciales
( , , , )t ty t ne= + = 1 2 KT
tx b
T
tx
b
= +y X b e
k
k
n n nk
x x x
x x x
x x x
é ù é ù
ê ú ê ú
ê ú ê ú
ê ú ê ú= =ê ú ê ú
ê ú ê ú
ê ú ê ú
ê ú ë ûë û
1
2
11 12 1
21 22 2
1 2
K
K
M M O MM
K
T
T
T
n
x
x
X
x
(2)
é ù
ê ú
ê ú
ê ú= ê ú
ê ú
ê ú
ë û
1
2
M
n
y
y
y
y
5. Ver. 28/09/2006, Slide # 5
El modelo lineal general (III): Interpretación de los coeficientes
Modelo Interpretación matemática y conceptual
Cambio esperado en yt cuando xt
aumenta en una unidad
Cambio porcentual (en tanto por
uno) esperado en yt cuando xt
aumenta un uno por ciento (en tanto
por uno)
Cambio porcentual (en tanto por
uno) esperado en yt cuando xt
aumenta en una unidad
Cambio esperado en yt cuando xt
aumenta un uno por ciento (en tanto
por uno)
t t ty xb e= +
ln lnt t ty xb e= +
ln t t ty xb e= +
lnt t ty xb e= +
t
t
dy
dx
b =
ln
ln
t t t
t t t
d y x dy
d x y dx
b = =
ln t t
t t t
d y dy
dx y dx
b = =
1
ln
t t
t
t t
dy dy
x
d x dx
b = =
Cuando las variables explicativas son continuas, los coeficientes de un modelo de
regresión pueden interpretarse como derivadas parciales de la variable endógena con
respecto a las variables explicativas. Si las variables tienen algún tipo de transformación,
esta interpretación general puede concretarse de varias formas. Por ejemplo:
6. Ver. 28/09/2006, Slide # 6
El modelo lineal general (IV): Utilidad
Entre otros usos, los modelos de regresión resultan útiles para:
• Predecir los valores de las variables endógenas que con mayor probabilidad
acompañarán a un conjunto de valores concretos de las variables explicativas. Ejemplo:
Los sistemas de scoring crediticio de los bancos comerciales estiman la probabilidad de
impago de las solicitudes de préstamo en función de las características de la operación
y del solicitante
• Controlar, calculando los valores las variables explicativas sobre las que se tiene
influencia que generarán con mayor probabilidad el valor que se desea para la variable
endógena. Ejemplo: Los bancos centrales calculan el nivel de los tipos de intervención
que llevará la tasa esperada de inflación al objetivo
• Descomponer, estimando la contribución de cada variable explicativa a los valores
observados de las variables endógenas. Ejemplo: Calcular la contribución de la
inversión publicitaria a las ventas de un producto, dado el precio del mismo
• Simular el comportamiento de la variable endógena ante una hipótesis sobre el
comportamiento de las variables exógenas y valores aleatorios del término de error.
Ejemplo: en finanzas avanzadas a menudo se simula el rendimiento de una cartera de
valores ante una hipótesis de revalorización de un índice bursátil, para calcular
numéricamente la probabilidad de pérdidas
• Estimar una derivada o elasticidad. Por ejemplo, la sensibilidad del valor de una
cartera ante movimientos en un índice es un parámetro importante para decidir su
cobertura óptima usando futuros u opciones referenciados a ese índice
7. Ver. 28/09/2006, Slide # 7
El MLG plantea, inicialmente, tres problemas estadísticos relevantes:
• Estimación, que consiste en obtener una buena aproximación al valor de los
parámetros a partir de una muestra de las variables xt e yt.
• Inferencia (o contraste de hipótesis), acerca del verdadero valor de los
parámetros.
• Previsión de valores no observados de la variable endógena a partir del
modelo estimado y los correspondientes valores de las variables exógenas
Para resolver estos tres problemas es necesario hacer una serie de hipótesis acerca
del MLG. Esto da lugar un cuarto problema:
• Diagnosis que consiste en, una vez estimado el modelo tentativo:
– detectar incumplimientos de las hipótesis,
– valorar sus posibles efectos negativos sobre la estimación, inferencia y
previsión y, si se considera necesario,
– resolver los problemas que puedan derivarse de estos incumplimientos
El modelo lineal general (V): Cuestiones abiertas
8. Ver. 28/09/2006, Slide # 8
Índice
• El modelo lineal general
• Hipótesis del modelo
• Mínimos cuadrados
ordinarios
• Máxima verosimilitud
• Medidas de ajuste
• Anexos
9. Ver. 28/09/2006, Slide # 9
Hipótesis del modelo (I)
[H.1] El modelo está correctamente especificado. Dentro de esta hipótesis general,
pueden distinguirse tres hipótesis parciales:
[H.1.1] La relación entre la variable endógena y las variables explicativas es lineal.
[H.1.2] El modelo incluye todas las variables explicativas relevantes.
[H.1.3] El modelo no incluye ninguna variable explicativa irrelevante.
[H.2] Los parámetros del modelo son constantes, al menos dentro de la muestra
que se está considerando.
[H.3] Suficientes grados de libertad. El número de observaciones es al menos igual
que el número de parámetros que se desea estimar. Matemáticamente: n ≥ k.
[H.4] Regresores no estocásticos. Las variables explicativas son deterministas.
[H.5] Ausencia de colinealidad. Las variables explicativas son linealmente
independientes o, equivalentemente, que
[H.6] Perturbaciones esféricas:
[H.6.1] Esperanza nula:
[H.6.2] Homoscedasticidad:
[H.6.3] Ausencia de autocorrelación:
( ) ( , , , )tE t ne = =0 1 2 K
var( ) ( ) ( , , , )t tE t ne e s= = =2 2
1 2 K
cov( , ) ( ) ( )t tE tt te e e e t= = ¹0
0¹T
X X
10. Ver. 28/09/2006, Slide # 10
Hipótesis del modelo (II)
[H.7] Normalidad. La distribución de probabilidad del término de error es normal.
A menudo las hipótesis [H.6] y [H.7] se resumen en el siguiente enunciado:
“El término de error del MLG se distribuye idéntica e independientemente como una
variable aleatoria normal, de media nula y varianza constante”.
En notación matemática:
o bien:
Teniendo en cuenta la expresión (2) resulta trivial demostrar que:
o bien:
Por tanto, las hipótesis [H.1], [H.4], [H.6] y [H.7] permiten caracterizar completamente la
estructura estocástica de y dada la información disponible en X.
( , )N s0 2
:X Ie ( , ) ( , , , )t iidN t ne s =2
0 1 2: KT
tx
( , )N s 2
:y X X Ib ( , ) ( , , , )ty iidN t ns =2
1 2: KT T
t tx x b
11. Ver. 28/09/2006, Slide # 11
Índice
• El modelo lineal general
• Hipótesis del modelo
• Mínimos cuadrados
ordinarios
• Máxima verosimilitud
• Medidas de ajuste
• Anexos
12. Ver. 28/09/2006, Slide # 12
Mínimos cuadrados ordinarios (I): Estimador
Lo que caracteriza a un método de estimación es:
• el criterio que utiliza para estimar los parámetros a partir de la muestra, y
• sus propiedades frente a otros estimadores.
A partir del MLG en forma vectorial [expresión (2)], y una estimación concreta de , que
denotaremos , definimos:
• el vector de valores ajustados o “previsiones intramuestrales”,
• el correspondiente vector de residuos como:
Un posible criterio consiste en calcular el valor de que minimiza la suma de los residuos
al cuadrado. Este criterio se conoce como de mínimos cuadrados ordinarios (MCO).
Para aplicarlo es necesario resolver el siguiente problema de optimización:
Cuyas condiciones de primer orden proporcionan la siguiente solución (bajo [H.3] y [H.5]):
b
b
ˆb
ˆˆ =y X b
ˆˆˆ = - = -y y y Xe b
ˆb
ˆ ˆ ˆ ˆ ˆ ˆMin ( ) ( (
ˆ
S = - ) - ) = - +2Τ Τ Τ T Τ T
y X y X y y X y X Xb b b b b b
b
ˆ( ) ˆ
ˆ
ˆ ˆ ( )
Sd
d
-
= - + =
= Û =
0 0
1
; 2 2 ;
b
b
b
b b
T T
ΜCΟΤ
T T T T
ΜCΟ ΜCΟ
X y X X
X X X y X X X y
(3)
13. Ver. 28/09/2006, Slide # 13
De acuerdo con [H.1], la expresión (3) puede escribirse como:
y, consecuentemente, si se cumplen [H.4], [H.6] y [H.7]:
• la distribución del estimador es normal, ya que es una función lineal
determinista de una variable aleatoria normal, y
• el estimador es insesgado; Aplicando el operador esperanza a ambos lados de
(4) se obtiene
Por tanto, es un vector determinista, pero su estimador por MCO es un vector de
variables aleatorias normales, centradas en el valor que se quiere estimar.
Mínimos cuadrados ordinarios (II): Normalidad e insesgadez
ˆ ( ) ( ) ( )- -
= + = +1 1T T T T
ΜCΟ X X X X X X Xb b e b e (4)
ˆ
ΜCΟb
-
= + =1ˆ( ) ( ) ( )Ε ΕT T
ΜCΟ X X X X Xb b e b
b
b
ˆb( )MCOf
Cada estimación de es una muestra de
la variable . La insesgadez significa
que esta muestra probablemente saldrá del
entorno del centro de la distribución, que
coincide con el verdadero valor.
b
ˆ
ΜCΟb
14. Ver. 28/09/2006, Slide # 14
Mínimos cuadrados ordinarios (III): Eficiencia
Para caracterizar completamente la distribución del estimador, es necesario obtener su
matriz de covarianzas. A partir de (4):
Teorema (Gauss-Markov): Si se cumplen las hipótesis [H.1]-[H.6] del MLG, entonces
es una matriz semidefinida positiva, siendo cualquier estimador lineal e insesgado de
• De forma sintética, este teorema puede enunciarse diciendo que el estimador
MCO es “BLUE” (Best Linear Unbiased Estimator)
• Este resultado es válido aunque los errores no sigan una distribución normal.
• Si los errores son normales, la estimación MCO es máximo verosímil y óptima
dentro de la familia de estimadores insesgados de
Este teorema se demuestra en el Anexo A.1.
ˆcov( ) cov( )-b bΜCΟ
b b
b
es
- -
- - -
é ù= - - =ê úë û
é ù= =ê úë û
= =
1 1
1 1 2 1
ˆ ˆ ˆ( ) ( )( )
( ) ( )
( ) ( ) ( ) ( )
T
T
T
cov E
E
E
ΜCΟ ΜCΟ ΜCΟ
T T T
T T T T
X
X X X X X X
X X X X X X X X X
b b b b b
ee
ee (5)
15. Ver. 28/09/2006, Slide # 15
Como vimos en (5), . Evidentemente esta expresión no
es computable ya que el verdadero valor de es, en general desconocido.
Para estimar la varianza del término de error puede usarse la expresión:
Que proporciona estimaciones insesgadas (ver Anexo A.2).
Consecuentemente, la matriz de covarianzas del estimador MCO puede estimarse
usando la expresión:
y, si y las variables explicativas son números fijos, esta estimación será
insesgada.
Mínimos cuadrados ordinarios (IV): Estimación de la varianza
residual y la matriz de covarianzas
ˆ( ) ( )cov es -
= 2 1T
ΜCΟ X Xb
ˆ ˆˆ
n k
es =
-
2 1 T
e e
ˆˆ ( ) ( )ˆcov es -
= 2 1T
ΜCΟ X Xb
es 2
( )ˆE e es s=2 2
(6)
(7)
16. Ver. 28/09/2006, Slide # 16
Mínimos cuadrados ordinarios (V): Distribución de los valores
ajustados y los residuos
A partir de (4) y de la definición de los valores ajustados, resulta inmediato que:
y, consecuentemente, bajo las hipótesis [H.1], [H.4], [H.6] y [H.7] del MLG, resulta:
luego:
Por otra parte,
Por tanto, bajo las hipótesis del MLG podemos escribir:
luego:
ˆ ( ) ( )- -é ù= + = +ê úë û
1 1T T T T
y X X X X X X X X Xb e b e
ˆ( )E =y X X b
ˆ( ) ( ) ( ) ( ) ( )cov E es- - -
= =1 1 2 1T T T T T T T
y X X X X X X X X X X X X Xee
ˆ ( , ( ) )N es -2 1
: T T
y X X X X X Xb
ˆˆ ( ) ( )- -é ù= - = + = -ê úë û
1 1T T T T
y y X X X X X X I X X X Xe b e - b - e e
( ˆ )E = 0Xe
e es s
- -
- - -
é ù é ù= - -ê ú ê úë û ë û
é ùé ù é ù= - - = -ê úê ú ê úë ûë û ë û
1 1
2 1 1 2 1
(ˆ ) ( ) ( ) ( )
( ) ( ) ( )
cov Ee eeT T T T T
T T T T T T
X I X X X X I X X X X
I X X X X I X X X X I X X X X
{ }ˆ , ( )N es -é ù-ê úë û
2 1
: T T
X I X X X Xe 0
17. Ver. 28/09/2006, Slide # 17
Mínimos cuadrados ordinarios (VI): Propiedades algebraicas
Cuando se estima el MLG por MCO, se cumplen las siguientes propiedades:
y, si el modelo tiene término constante se cumplen, además, las siguientes propiedades:
siendo in un vector (n×1) cuyas componentes son todas iguales a la unidad y un vector
(n×1) cuyas componentes son todas iguales a la media muestral de la variable que
aparece en el subíndice.
Por último, las propiedades (11)-(13) pueden expresarse de forma alternativa como:
ˆ = 0T
X e
ˆ ˆ = 0T
y e
ˆ ˆ ˆ ˆ= +T T T
y y y y e e
(8)
(9)
(10)
( ) ( ) ( ) ( )ˆ ˆ
ˆ ˆˆ ˆ ˆ ˆ ˆ ˆ= +
TT T
y y y yy y y y- m - m - m - m e e
(11)
(12)
(13)
ˆ = 0T
ni e
ˆ=T T
n ni y i y
ˆ ˆˆ ˆ ˆy y es s s= +2 2 2
(11’)
(12’)
(13’)
ˆˆem = 0
ˆˆ ˆy ym m=
ˆxm
18. Ver. 28/09/2006, Slide # 18
Índice
• El modelo lineal general
• Hipótesis del modelo
• Mínimos cuadrados
ordinarios
• Máxima verosimilitud
• Medidas de ajuste
• Anexos
19. Ver. 28/09/2006, Slide # 19
Máxima verosimilitud
Como vimos en apartados anteriores, bajo las hipótesis habituales se cumple que:
Por tanto la función de verosimilitud de las estimaciones, condicionada a la muestra es:
y, consecuentemente, su logaritmo es:
y las condiciones necesarias de primer orden para maximizar esta función son:
Teniendo en cuenta resultados anteriores, el estimador MV: (a) de coincide con el
MCO y (b) de la varianza del error es sesgado.
( , )N s 2
:y X X Ib
/ /ˆ ˆ ˆ( , , ) ( ) ( ) exp ( (ˆ ˆ
ˆ
n n
L s p s
s
- -
ì üï ïï ï= - - ) - )í ý
ï ïï ïî þ
2 2 2 2
2
1
2
2
b b bΤ
y X y X y X
ˆ ˆ ˆ( , , ) ln( ) ln( ) ( (ˆ ˆ
ˆ
n n
s p s
s
= - - - - ) - )2 2
2
1
2
2 2 2
l b b bΤ
y X y X y X
{ }() ˆ ˆ ˆ; ( ( ; ( )
ˆ ˆˆs
-¶ ¶
= - - ) - ) = =
¶ ¶
1
2
1
0 0
2
l
b b b
b b
Τ T T
ΜVΤ Τ
y X y X X X X y
() ˆ ˆ; ( ( ; ˆ ˆˆ
ˆ ˆ ˆ
MV
n
n
s
s s s
¶
= - + - ) - ) = =
¶
2
2 2 4
1 1 1
0 0
2 2
l
b b e eΤ T
y X y X
b
20. Ver. 28/09/2006, Slide # 20
Índice
• El modelo lineal general
• Hipótesis del modelo
• Mínimos cuadrados
ordinarios
• Máxima verosimilitud
• Medidas de ajuste
• Anexos
21. Ver. 28/09/2006, Slide # 21
Medidas de ajuste (I): El coeficiente de determinación
Las medidas de ajuste sirven para:
• cuantificar la reducción de incertidumbre que proporciona el modelo y
• comparar modelos alternativos para la misma muestra.
La medida de ajuste más conocida es el coeficiente de determinación o R2. Este
estadístico mide el porcentaje de la varianza de la variable dependiente que explica el
modelo. El coeficiente de determinación se define como:
o bien:
La expresión (15) sólo es válida si: (a) el modelo tiene un término constante, o bien si (b)
la variable endógena está expresada en desviaciones con respecto a su media muestral.
En principio, un modelo es tanto mejor cuanto mayor sea su correspondiente R2 , ya que
un valor alto supone que el modelo explica gran parte de la variabilidad de y.
( ) ( )
( ) ( )
ˆ ˆ
ˆ ˆˆ ˆ ˆ ˆvar( )
ˆvar( )ˆ ˆ
R = =2
T
y y
T
y y
y y y
yy y
- m - m
- m - m
( ) ( )
ˆˆ ˆ var( ˆ)
ˆvar( )ˆ ˆ
R = - = -2
1 1
T
T
y y
yy y
e e e
- m - m
(14)
(15)
22. Ver. 28/09/2006, Slide # 22
Medidas de ajuste (II): Ajuste y sobreajuste
Las siguientes figuras muestran el ajuste de tres modelos distintos a una muestra que
recoge el peso y la edad de un grupo de ocho niños. Como puede verse, el mayor R2 no
siempre corresponde al mejor modelo.
p = 2.8367e + 20.612
R2
= 0.8895
35
40
45
50
55
60
65
6 8 10 12 14 16
Edad (e)
Peso(p)
16
p = -0.3573e
2
+ 10.119e - 14.545
R
2
= 0.9598
35
40
45
50
55
60
65
6 8 10 12 14
Edad (e)
Peso(p)
p = -0.1663e 3
+ 4.8722e 2
- 42.904e + 158.23
R2
= 0.9922
35
40
45
50
55
60
65
6 8 10 12 14 16
Edad (e)
Peso(p)
Una regresión lineal explica el
89% de la varianza del peso
El modelo es imperfecto
(¿qué peso predice para un
niño de 0 años?)
Estas imperfecciones pueden
deberse a: (a) limitaciones de
la muestra y (b) no linealidad
de la relación
Una regresión cuadrática
mejora el R2 (96%) y muestra
un perfil intuitivamente
razonable
A cambio, el nuevo modelo es
más complejo, ya que
requiere estimar tres
parámetros en vez de dos
Una regresión cúbica
proporciona un ajuste de
más del 99%
Este es un buen resultado,
siempre que estemos
dispuestos a aceptar que los
niños adelgazan a partir de
los 13 años
23. Ver. 28/09/2006, Slide # 23
El uso mecánico del R2 induce a sobreajustar la muestra. Para resolver este problema,
a veces se usa un estadístico alternativo: el R2 corregido con grados de libertad:
Este coeficiente: a) compara los estimadores insesgados de la varianza residual y de la
varianza de la variable dependiente y b) penaliza los modelos con un elevado número
de parámetros.
Actualmente disponemos de medidas más sofisticadas para comparar modelos, como
por ejemplo los criterios de información de Akaike (AIC) y Schwartz (SBC)
El AIC prima la capacidad predictiva del modelo y tiende a sobreparametrizarlo, el SBC
prima la especificación correcta.
Medidas de ajuste (III): Medidas alternativas
( ) ( )
ˆ ˆ
( )
ˆ ˆ
nn - kR R
n k
n
-
= - = - -
-
-
2 21
1 1 1
1
e e
- m - m
T
T
y yy y
ˆ ˆ
ln( ) ln( ) ( )AIC n n n k
n
p= + + + +2 2 1
T
e e
ˆ ˆ
ln( ) ln( ) ( )ln( )SBC n n n k n
n
p= + + + +2 1
T
e e
(16)
(17)
(18)
24. Ver. 28/09/2006, Slide # 24
Índice
• El modelo lineal general
• Hipótesis del modelo
• Mínimos cuadrados
ordinarios
• Máxima verosimilitud
• Medidas de ajuste
• Anexos
25. Ver. 28/09/2006, Slide # 25
Cualquier estimador lineal de puede expresarse como:
donde D es una matriz (k×n) arbitraria, que establece la diferencia entre el estimador
MCO y el estimador alternativo. Desarrollando la igualdad anterior y tomando esperanzas:
por lo que el estimador alternativo sólo será insesgado si la matriz de distancia es
ortogonal a las variables explicativas. A continuación obtenemos la matriz de covarianzas
de este estimador.
por tanto:
y es una matriz semidefinida positiva, que es el resultado que queríamos demostrar.
Anexo A.1. Demostración del teorema de Gauss-Markov
b
( ) ( ) ( )- -é ù é ù= + = + +ê ú ê úë û ë û
1 1
b b eT T T T
X X X D y X X X D X
= + ; = Û =( ) ( )E EX DX X DXb b b b b 0
( ) ...y,como
( ) ( )
-
- -
é ù= + + + =ê úë û
é ù é ù= + + ; - = +ê ú ê úë û ë û
1
1 1
b b b e
b e b b e
T T
T T T T
DX X X X D DX
X X X D X X X D
0
{ }
s
s
- -
- -
-
é ù é ù= + +ê ú ê úë û ë û
é ùé ù= + +ê úê úë ûë û
é ù= +ê úë û
1 1
2 1 1
2 1
cov( ) ( ) ( )
( ) ( )
( )
E
TT T T T T
T T T T
T T
X X X D X X X D X
X X X D X X X D
X X DD
e
e
b ee
T
DD
26. Ver. 28/09/2006, Slide # 26
Anexo A.2. Insesgadez del estimador de la varianza del error
e
e
e
s
s
s
-é ù= = - =ê úë û-
=
-
é ù é ù= = =ê ú ê úë û ë û- - -
é ù= =ê úë û- -
= = -
2 1
2
2
1
1
1 1 1
1 1
( ) ( ˆ ˆ ) y, como : ˆ ( )ˆ
( ) por ser idempotente,
( ) ( ) ( ) )
( ) ( )
ya que ( )
E E
n k
E
n k
E E tr E tr
n k n k n k
tr E tr
n k n k
tr n k
T T T
T
T T T
T
X I X X X X M
MM X M
M X M X M X
M X M
M
e e e e e
e e
e e e e ee
ee
27. Ver. 28/09/2006, Slide # 27
Miguel Jerez (mjerez@ccee.ucm.es)
Sonia Sotoca (sotoca@ccee.ucm.es)
Departamento de Fundamentos del Análisis Económico II
(Economía Cuantitativa)
Facultad de Ciencias Económicas, UCM
Más materiales en:
http://www.ucm.es/info/ecocuan/mjm/ectr1mj
http://econometriamj.blogspot.com/