APLICACIONES ECONOMÉTRICAS LIC. EN ECONOMIA PRÁCTICA 23/5/03

Slides:



Advertisements
Presentaciones similares
Regresión mínimo cuadrada (II)
Advertisements

Bondad de Ajuste, MRLC Y MCO
El Modelo Econométrico
Regresión mínimo cuadrada (I)
Modelos de Variable Dependiente Binaria -Logit y Probit-
2011 Universidad Nacional Autónoma de Nicaragua UNAN-Managua
Pronósticos, Series de Tiempo y Regresión
APLICACIONES ECONOMÉTRICAS LIC. EN ECONOMIA PRÁCTICA 9/5/03
Pruebas de Estacionariedad
MANUAL DE LABORATORIO DE CÓMPUTO ECONOMETRÍA I HETEROSCEDASTICIDAD
Pruebas de Especificación en el Modelo de Regresión Múltiple
FACULTAD DE ECONOMÍA UNAM Maestría en Economía
APLICACION DEL ANALISIS DE REGRESION Al problema de Predicción
Econometría Aplicada: Series de Tiempo
APLICACIONES ECONOMÉTRICAS LIC. EN ECONOMIA PRÁCTICA 4/4/03 y 11/4/03
Capitulo 7: Autocorrelación
MANUAL DE LABORATORIO DE CÓMPUTO ECONOMETRÍA I MULTICOLINEALIDAD
Taller Técnicas de Pronósticos Tema: Ejercicio de recopilación del modelo de descomposición Norman Giraldo Septiembre 22, 2005.
ESTRATEGIAS Y DISEÑOS AVANZADOS DE INVESTIGACIÓN SOCIAL
Modelo básico de regresión Lineal
El Modelo Econométrico
INTRODUCCIÓN A LAS SERIES DE TIEMPO
VARIABLES INSTRUMENTALES
Regresión y correlación
CAMBIO ESTRUCTURAL INDICE DE LA PRESENTACIÓN.
Métodos Matemáticos I.
CONTRASTE Y VALIDACIÓN DE UN MODELO
Tema 1- Regresión lineal simple.
9 Regresión Lineal Simple
Análisis de Correlación y de Regresión lineal simple
LEAN SIGMA – FASE DE ANÁLISIS Propósito y herramientas 1.
REGRESION LINEAL En la búsqueda de mejoras o en la solución de problemas es necesario, frecuentemente, investigar la relación entre factores (o variables).
PREPARADO POR: MILITZA ALVARADO RAMOS EDUC 5105 DR. EDDIE SUÁREZ CALCULADORA GRÁFICA TI-84 PLUS PREPARADO POR: MILITZA ALVARADO RAMOS EDUC 5105 DR. EDDIE.
Regresión Lineal Múltiple
Alcaldía de Chacao Dirección de Administración Tributaria 27 de septiembre de 2006 Buenos Aires Municipio Chacao. Caracas, Venezuela Wilfredo Ramos Barrera,
Análisis Factorial de Datos Categóricos
INSTRUCCIONES SPSS.
Módulo 5 Análisis de Regresión y Series de Tiempo.
CO 3321/22 Modelos Lineales Práctica 3 Consideraremos modelos de la forma: Observación=señal + ruido Estos modelos pueden escribirse en la forma: Y=X 
Pronósticos, Series de Tiempo y Regresión
Pronósticos, Series de Tiempo y Regresión
LOS COMPONENTES ALEATORIOS DE LOS COEFICIENTES DE REGRESIÓN
Econometría III Esquema del trabajo de ordenador. Curso
REGRESION LINEAL MULTIPLE: Introducción
Titular: Agustín Salvia
Normalidad, Variabilidad y estimación del Modelo de Regresión
Introducción a la Inferencia Estadística
Píldora de evaluación estadística de ajuste de curvas Files con las tablas: T_tables.pdf F_tables.pdf Descargadas desde
Modelos Lineales CO Práctica 4 Comparación de Modelos Lineales Se desea comparar dos modelos de la forma: (1) y i =  0 +  1 x 1i  l x li.
APLICACIONES ECONOMÉTRICAS LIC. EN ECONOMIA PRÁCTICA 16/5/03.
Profesores: Walter Sosa Escudero Mariana Marchionni Asistentes: María Edo Camila Navajas.
Modelo Lineal Simple con Statgraphics para Windows.
Estadística Aplicada a las Ciencias Políticas
CO-2124 Análisis de Varianza con Un Criterio de Clasificación En clases anteriores se deseaba determinar si existían diferencias entre las medias de dos.
Regresión lineal simple. Regresión lineal: Ejemplo de juguete.
1.Introducción 2.Casos simples de reducción del orden 3.Ecuaciones lineales homogéneas con coeficientes constantes 4.Ecuaciones lineales no homogéneas.
SAS STAT: REG Y GLM -DANIEL ALEJANDRO GARCIA C.I.:
Regresión Lineal Simple
APLICACIONES ECONOMÉTRICAS LIC. EN ECONOMIA PRÁCTICA 28/3/03.
RATS MODELIZACIÓN DE DISTRIBUCIONES. RATS 1. FUNCIONES DE PROBABILIDAD.
Lic. Davide Erdas ________________________ Impacto del Precio del Petróleo en los Estados Unidos ________________________ Efecto de la dependencia del.
Dr. Salome Gonzales Chávez
EPE MA 148 ESTADÍSTICA INFERENCIAL TEMA:
Germán Fromm R. 1. Objetivo Entender los diseños metodológicos predictivos 2.
1.Introducción 2.Casos simples de reducción del orden 3.Ecuaciones lineales homogéneas con coeficientes constantes 4.Ecuaciones lineales no homogéneas.
INTRODUCCIÓN A LA ECONOMETRÍA
Econometría MSc. Daisy Espallargas Ibarra.
ECONOMETRÍA ECONOMETRÍA MSc. Daisy Espallargas Ibarra.
TEMA 7 ANÁLISIS DE LOS RESULTADOS TEMA 7 ANÁLISIS DE LOS RESULTADOS.
M.E. ADA PAULINA MORA GONZALEZ. Esta parte describe las técnicas para ajustar curvas en base a datos para estimaciones intermedias. Una manera de hacerlo.
Transcripción de la presentación:

APLICACIONES ECONOMÉTRICAS LIC. EN ECONOMIA PRÁCTICA 23/5/03

VIOLACIÓN DE LAS HIPÓTESIS BÁSICAS EN M.C.O.: CONTRASTES DE ESPECIFICACIÓN ERRÓNEA RATS/EVIEWS

1.1 HIPÓTESIS BASICAS EN M.C.O. : RATS/EVIEWS

4. CONTRASTES DE ESPECIFICACIÓN ERRÓNEA USANDO RATS v5.0

Test RESET de Ramsey de forma funcional RATS/EVIEWS

Programa LINREG_INV32.PRG: Test RESET de Ramsey de forma funcional Programa LINREG_INV32.PRG: *d) Test RESET de Ramsey de forma funcional: *Generamos la variable de la endógena estimada: SET INVR_GORRO = INVR - EPSILON *...y las diferentes potencias: SET INVR_GORRO_2 = INVR_GORRO**2 SET INVR_GORRO_3 = INVR_GORRO**3 SET INVR_GORRO_4 = INVR_GORRO**4 SET INVR_GORRO_5 = INVR_GORRO**5 *Regresión auxiliar: LINREG INVR / #CONSTANT TREND PNB TI_R $ INVR_GORRO_2 INVR_GORRO_3 INVR_GORRO_4 INVR_GORRO_5 *Estadístico y contraste: DISPLAY 'RESET TEST:' EXCLUDE #INVR_GORRO_2 INVR_GORRO_3 INVR_GORRO_4 INVR_GORRO_5 RATS

SALIDA: Linear Regression - Estimation by Least Squares Dependent Variable INVR Quarterly Data From 1980:01 To 2002:04 Usable Observations 92 Degrees of Freedom 84 Centered R**2 0.983118 R Bar **2 0.981711 Uncentered R**2 0.998728 T x R**2 91.883 Mean of Dependent Variable 22498.250000 Std Error of Dependent Variable 6458.350663 Standard Error of Estimate 873.404816 Sum of Squared Residuals 64078221.645 Regression F(7,84) 698.8131 Significance Level of F 0.00000000 Durbin-Watson Statistic 0.317255 Variable Coeff Std Error T-Stat Signif *************************************************************************** 1. Constant 1389023.6149 1014133.5112 1.36967 0.17444177 2. TREND 7850.8346 5645.5795 1.39062 0.16801509 3. PNB -33.0205 23.7770 -1.38876 0.16857724 4. TI_R -3782.5956 2762.6565 -1.36919 0.17459044 5. INVR_GORRO_2 4.7642e-03 3.0127e-03 1.58138 0.11754948 6. INVR_GORRO_3 -2.2592e-07 1.2931e-07 -1.74716 0.08426438 7. INVR_GORRO_4 5.1756e-12 2.7110e-12 1.90912 0.05966090 8. INVR_GORRO_5 -4.5914e-17 0.0000 0.00000 0.00000000 RATS

SALIDA (continuación): RESET TEST: Null Hypothesis : The Following Coefficients Are Zero INVR_GORRO_2 INVR_GORRO_3 INVR_GORRO_4 INVR_GORRO_5 F(4,84)= 5.42254 with Significance Level 0.00062148 RATS

Test CUSUM de estabilidad estructural del modelo RATS/EVIEWS

Test CUSUM de estabilidad estructural del modelo RATS/EVIEWS

Test CUSUM de estabilidad estructural del modelo Instrucción LINREG: LINREG(opciones) depvar inicio fin (serie_residuos) (serie_coefs) # exvar_1 exvar_2 ... exvar_n Se puede utilizar para guardar el modelo para ser utilizado con fines predictivos mediante la elección apropiada de las opciones. Opciones: DEFINE=nombre_ecuación =>Guarda los coeficientes del modelo estimado, con el nombre_ecuación, para que pueda ser utilizado con posterioridad NOPRINT =>Utilizadlo si no queréis que os saque la salida de la regresión RATS

Test CUSUM de estabilidad estructural del modelo Instrucción FORECAST: FORECAST(opciones) número_ecuaciones pasos fecha_inicio_predicciones # ecuación vble_prediciones Realiza predicciones dinámicas o estáticas (definiendo el número de pasos) con el modelo estimado en ecuación, utilizando los coeficientes estimados desde la fecha_inicio_predicciones para predecir la próxima observación. Opciones: PRINT => Imprime la salida de las predicciones. RATS

Instrucción CLEAR: CLEAR nombre_vble Genera una (o varias) nueva serie inicializada en blanco. Instrucción DO: DO INDEX=inicio, fin, (paso) instrucciones ejecutadas a cada paso de INDEX END DO Bucle que repite la ejecución de las instrucciones ejecutadas a cada paso de INDEX hasta que INDEX =fin RATS

Programa LINREG_INV32.PRG: *e) Test CUSUM de estabilidad estructural: *Calculamos lo resíduos recursivos RRESID: COMPUTE REGSTART = 1980:1 *Generamos la vble donde se guardaran los resíduos: CLEAR INV_GORRO RATS

Programa LINREG_INV32.PRG: *Hacemos un bucle que recorra la muestra desde fcha_de_inicio_+%NREG_-1: DO REGEND=1980:3,2002:4 *Definimos la relacion del modelo para los errores: LINREG(DEFINE=REGEQN, NOPRINT) INVR REGSTART REGEND #CONSTANT TREND PNB TI_R *Generamos las predicciones: FORECAST 1 1 (REGEND+1) #REGEQN INV_GORRO END DO *Calculamos los resíduos recursivos: SET RRESID 1980:4 2002:4 = INVR - INV_GORRO RATS

Programa LINREG_INV32.PRG: *Calculamos los valores de la serie del test BIGW *Medinate la acumulación de los valores de los resíduos recursivos *reescalados por una proporción de la varianza: SET W 1980:4 2002:4 = RRESID/SQRT(VAR/93) ACCUMULATE W 1980:4 2002:4 BIGW *Calculamos las bandas de fluctuación del 5%: COMPUTE FACTOR = 0.948*SQRT(90) SET UPPER 1980:4 2002:4 = FACTOR*(1+3.0*(T-1980:4)/(90)) SET LOWER = - UPPER *Realizamos el gráfico: GRAPH(HEADER='CUSUM TEST') 3 #BIGW 1980:4 2002:4 #UPPER 1980:4 2002:4 2 #LOWER 1980:4 2002:4 2 RATS

SALIDA: RATS