Este documento discute criterios para seleccionar un modelo de diagnóstico, incluyendo que sea adecuado para el problema, consistente con la teoría subyacente, y que las variables sean confiables. También describe tipos de errores de especificación como omitir variables importantes o incluir variables innecesarias. Explica que pruebas estadísticas como prueba t y prueba F pueden usarse para determinar si una variable o conjunto de variables deberían incluirse en un modelo.

1. N DEL
MODELO Y PRUEBAS DE
DIAGNOSTICO

2. CRITRIOS DE SELECCIÓN
Para elegir un modelo se debe tener en cuenta los
siguientes criterios:
 Ser adecuado para el modelo
 Consistente con la a mica
 Las variables genas no deben estar relacionadas
con sus errores
 Los valores de los metros deben ser confiables
 Coherencia en los datos
 Que pueda explicar sus resultados

3. Tipos de errores de especificación
 No solo basta con armar un buen modelo, sino que
se puede cometer errores de n como:
 Omitir una variable importante
 Incluir variable(s) innecesarias
 Forma funcional incorrecta
 Errores de n
 n incorrecta del rmino de error
stico

4. Pruebas de errores de especificación
 Un examen inicial para determinar si la inclusión de
una o varias variables a un modelo es necesaria, se
lo hara por medio de la verificación de estadísticos
de prueba tal como:
 Prueba t: me permite analizar la pertinencia de una
variable de manera individual.
 Prueba F: me permite determinar la pertinencia de
incluir un conjunto de variables para cierto
 modelo.

5. Considerar siempre
Akaike info criterion 6.382753
Schwarz criterion 6.662992

6. N DE SESGO DE
ESPECIFICACION

7.  Como el Fc (F-statistic) = 2.603345 < a
Ft (Log likelihood ratio) = 2.958241 por
lo tanto, se acepta la tesis
mal especificado.

8. Gracias