TIPOS DE MODELOS DE REGRESIÓN Y SUPUESTOS PARA EL MODELO A

Slides:



Advertisements
Presentaciones similares
DISEÑO DE EXPERIMENTOS EXPERIMENTOS DE COMPARACIÓN SIMPLE
Advertisements

1. MODELO DE REGRESIÓN SIMPLE
REGRESION LINEAL SIMPLE
Modelos de Variable Dependiente Binaria -Logit y Probit-
¿Cómo se relacionan entre sí la Tasa de Inflación y la Tasa de Paro en el Corto y en el Mediano Plazo?
Capitulo 9: Modelos unívariados de series temporales
KRIGING.
Pruebas de Especificación en el Modelo de Regresión Múltiple
PROPIEDADES ESTADÍSTICAS DE LOS ESTIMADORES
MODELO DE REGRESIÓN MÚLTIPLE
MANUAL DE LABORATORIO DE CÓMPUTO ECONOMETRÍA I MULTICOLINEALIDAD
ESTRATEGIAS Y DISEÑOS AVANZADOS DE INVESTIGACIÓN SOCIAL
Econometria 2. Modelo de Regresión Lineal Simple
TOPICOS DE ECONOMETRIA APLICADA Series de Tiempo Introducción
Regresión y correlación
Estadística Descriptiva: 4. Correlación y Regresión Lineal
9 Regresión Lineal Simple
División de Estudios Políticos, CIDE
COMPORTAMIENTO DE LAS DISTRIBUCIONES DE
FUNCIONES DE DENSIDAD DE PROBABILIDAD
Tests de hipótesis Los tres pasos básicos para testear hipótesis son
Estadística 2010 Maestría en Finanzas Universidad del CEMA Profesor: Alberto Landro Asistente: Julián R. Siri.
Representación de Señales y Ruido por medio de Series Ortogonales
Pronósticos, Series de Tiempo y Regresión
Pronósticos, Series de Tiempo y Regresión
1 INTERPRETACIÓN DE UNA ECUACIÓN DE REGRESIÓN El diagrama muestra el ingreso por hora en 2002 graficado contra los años de educación, definido como el.
Modelo de regresión simple: Y =  1 +  2 X + u 1 Hemos visto que los coeficientes de regresión b 1 y b 2 son variables aleatorias. Estos, respectivamente,
Modelo de regresión simple: Y =  1 +  2 X + u Ahora, demostraremos que el estimador ordinario de mínimos cuadrados (OLS) del coeficiente de la pendiente.
Tema 17: Contraste paramétrico de hipótesis I: Pruebas de contraste para un grupo. Pruebas de contraste para dos grupos: independientes o relacionados.
INTERVALO DE CONFIANZA
DERIVADO DE LOS COEFICIENTES DE REGRESIÓN LINEAL Y X Esta sequencia muestra cómo los coeficientes de regresión para un modelo de regresión lineal simple.
ESTIMACIÓN DE COEFICIENTES DE MÁXIMA VEROSIMILITUD
Modelo de regresión con dos variables: Estimación
Unidad V: Estimación de
Valor que toma la variable aleatoria
LOS COMPONENTES ALEATORIOS DE LOS COEFICIENTES DE REGRESIÓN
Introducción La inferencia estadística es el procedimiento mediante el cual se llega a inferencias acerca de una población con base en los resultados obtenidos.
Universidad Nacional de Colombia Curso Análisis de Datos Cuantitativos.
Titular: Agustín Salvia
Normalidad, Variabilidad y estimación del Modelo de Regresión
Capacidad de Proceso.
Inferencia Estadística
Estadística para administradores
Análisis de regresión MCO MELI.
Estimador de Efectos Fijos
Variables estadísticas bidimensionales
Teoría de Probabilidad Dr. Salvador García Lumbreras
SEMINARIO DE INVESTIGACION Titular: Agustín Salvia
1 Y MODELO DE REGRESIÓN SIMPLE Suponemos que una variable Y es una función lineal de otra variable X, con parámetros desconocidos  1 y  2 que queremos.
Estimación Diferencia de dos medias
Maestría en Transporte Regresamos... (el problema de la regresión lineal) Clase 5.
Modelo La forma general del modelo de regresión multiple es: y t =  1 x t1 +  2 x t  k x tk + u t o y t = x t ’  2 + u t y t =
Regresión Lineal Simple
ESTIMACIÓN DE PARÁMETROS
Variables estadísticas bidimensionales
MUESTREO ALEATORIO SIMPLE SIN REEMPLAZO (“mas”)
MANUAL DE LABORATORIO DE CÓMPUTO ECONOMETRÍA I MODELO DE REGRESIÓN GENERAL 1 Profesor: Barland A. Huamán Bravo 2011 UNIVERSIDAD NACIONAL AGRARIA DE LA.
MODELOS DE PRONOSTICOS Primer semestre 2010 Modelo de Regresión con dos variables.
Modelos de regresión lineal
Germán Fromm R. 1. Objetivo Entender los diseños metodológicos predictivos 2.
Pruebas paramétricas y no paramétricas
REGRESIÓN LINEAL SIMPLE
ESTADISTICA DESCRIPTIVA BIVARIADA MEDIDAS DE RELACIÓN ENTRE VARIABLES CUANTITATIVAS.
REGRESIÓN LINEAL SIMPLE TEMA INTRODUCCIÓN Determinar la ecuación de regresión sirve para: – Describir de manera concisa la relación entre variables.
Intervalos de Confianza M. C. José Juan Rincón Pasaye UMSNH – FIE Mayo de 2003.
Free and Quick translation of Prof. Anderson's slides1 Analisis de Regresion Multiple y =  0 +  1 x 1 +  2 x  k x k + u 1. Estimacion.
GRÁFICAS Y FUNCIONES MATEMÁTICAS Bernardo Nieto Castellanos.
Analisis de Regresion Para dos Variables. 1.Estamos interesados en explicar y cuantificar la relación causal entre la variable y, y la variable x, y =
INTERVALO DE CONFIANZA
Auxiliar 11 IN4402-1: Aplicaciones de Probabilidades y Estadística en Gestión Profesora: Paola Bordón T. Auxiliar: Andrés E. Fernández V, 28 de Julio,
Transcripción de la presentación:

TIPOS DE MODELOS DE REGRESIÓN Y SUPUESTOS PARA EL MODELO A Tipos de datos Transversales: Observaciones sobre individuos, hogares, empresas, países, etc., en un momento determinado en el tiempo. (Capítulos 1–10, Modelos A y B). Series de tiempo: Observaciones sobre ingreso, consumo, tasas de interés, etc., a lo largo de un periodos (años, meses, trimestres…) (Capítulos 11–13, Modelo C) Datos de panel: Observaciones transversales sobre los mismos individuos, hogares, etc., a lo largo de cierto periodo de tiempo. (Capítulo 14, Modelo B) Durante este curso trabajaremos con los tres tipos de datos descritos arriba. 1

Tipos de modelos Modelo A: Datos transversales con regresores no-estocásticos. Sus valores observados en una muestra no tienen componentes estocásticos o aleatorios. Modelo B: Datos transversales con regresores estocásticos. Los valores de los regresores son elegidos, de manera aleatoria e independiente, desde una población definida. Modelo C: Datos de series de tiempo. Los valores de los regresores pueden mostrar persistencia o dependencia temporal. Las regresiones con series de tiempo pueden implicar complejos problemas técnicos que, al inicio, podremos pasar por alto. Diferentes modelos de regesión son apropiados para disntintos tipos de datos. Nosotros consideraremos tres tipos de modelos de regresión, como se muestra arriba. 2

Tipos de modelos Modelo A: Datos transversales con regresores no-estocásticos. Sus valores observados en una muestra no tienen componentes estocásticos o aleatorios. Modelo B: Datos transversales con regresores estocásticos. Los valores de los regresores son elegidos, de manera aleatoria e independiente, desde una población definida. Modelo C: Datos de series de tiempo. Los valores de los regresores pueden mostrar persistencia o dependencia temporal. Las regresiones con series de tiempo pueden implicar complejos problemas técnicos que, al inicio, podremos pasar por alto. Comenzaremos con el Modelo A por simple conveniencia analitica. Este modelo nos permite discutir el análisis de regresión dentro de un marco teórico “simple” conocido como el “Modelo Clásico de Regresión Lineal”. 3

Tipos de modelos Modelo A: Datos transversales con regresores no-estocásticos. Sus valores observados en una muestra no tienen componentes estocásticos o aleatorios. Modelo B: Datos transversales con regresores estocásticos. Los valores de los regresores son elegidos, de manera aleatoria e independiente, desde una población definida. Modelo C: Datos de series de tiempo. Los valores de los regresores pueden mostrar persistencia o dependencia temporal. Las regresiones con series de tiempo pueden implicar complejos problemas técnicos que, al inicio, podremos pasar por alto. En el Capítulo 8, reemplazamos el modelo clásico por un supuesto más débil pero más realista y adecuado para regresiones con datos de corte transversal: que los regresores son una muestra aleatoria de una población definida. 4

Supuestos para el Modelo A (regresores no-estocásticos) A.1: El modelo es lineal en sus parámetros y está correctamente especificado: Y = b1 + b2X + u Ejemplos de modelos que no son lineales en los parámetros: Y = b1 + b2X2 + b3X3 + b2b3X4 + u ‘Lineal en sus parámetros’ significa que cada término del lado derecho una incluye una b como un factor simple y sin relación alguna con las otras bs. Aplazaremos la discusión sobre asuntos de linealidad y no-linealidad hasta el Capítulo 4. 5

Supuestos para el Modelo A A.2: Existe cierta variación en el regresor en la muestra Debe existir cierta variación en el regresor en la muestra. De lo contrario, no podríamos explicar ninguna variación observada en Y. 6

Supuestos para el Modelo A A.2: Existe cierta variación en el regresor en la muestra Si intentáramos estimar una regresión de Y en X, cuando X es constante, no podríamos calcular los coeficientes de regresión. El numerador y el denominador de la expresión para b2 serían iguales a cero. Y tampoco podríamos obtener b1. 7

Supuestos para el Modelo A A.3 El término de error tiene valor esperado cero E(ui) = 0 para toda i Suponga Y = b1 + b2X + u Defina vi = ui – mu Entonces E(vi) = E(ui – mu) = E(ui) – E(mu) = mu – mu = 0 Asumimos que el valor esperado del término de error para cualquier observación debe ser cero. El término de error será a veces positivo, a veces negativo, pero no debe tener una tendencia sistemática en cualquier dirección. 8

Supuestos para el Modelo A A.3 El término de error tiene valor esperado cero E(ui) = 0 para toda i Suponga Yi = b1 + b2Xi + ui Defina vi = ui – mu Entonces E(vi) = E(ui – mu) = E(ui) – E(mu) = mu – mu = 0 Realmente, si incluimos un intercepto en la ecuación de regresión, es razonable asumir que esta condición se satisface de manera automática. 9

Supuestos para el Modelo A A.3 El término de error tiene valor esperado cero E(ui) = 0 para toda i Suponga Yi = b1 + b2Xi + ui Defina vi = ui – mu Entonces E(vi) = E(ui – mu) = E(ui) – E(mu) = mu – mu = 0 El papel del intercepto es capturar cualquier tendencia sistemática pero constante observada en Y y que no esté explicada por el/los regresor(es). 10

Supuestos para el Modelo A A.3 El término de error tiene valor esperado cero E(ui) = 0 para toda i Suponga Yi = b1 + b2Xi + ui Defina vi = ui – mu Entonces E(vi) = E(ui – mu) = E(ui) – E(mu) = mu – mu = 0 Supongamos que el término de error tuviera una media poblacional distinta de cero. 11

Supuestos para el Modelo A A.3 El término de error tiene valor esperado cero E(ui) = 0 para toda i Suponga Yi = b1 + b2Xi + ui Defina vi = ui – mu Entonces E(vi) = E(ui – mu) = E(ui) – E(mu) = mu – mu = 0 Defina una nueva variable aleatoria vi = ui – mu. 12

Supuestos para el Modelo A A.3 El término de error tiene valor esperado cero E(ui) = 0 para toda i Suponga Yi = b1 + b2Xi + ui Defina vi = ui – mu Entonces E(vi) = E(ui – mu) = E(ui) – E(mu) = mu – mu = 0 Entonces podemos reescribir el modelo como se muestra. vi se convierte en el nuevo término de error y el intercepto ha absorbido a la constante mu. 13

Supuestos para el Modelo A A.3 El término de error tiene valor esperado cero E(ui) = 0 para toda i Suponga Yi = b1 + b2Xi + ui Defina vi = ui – mu Entonces E(vi) = E(ui – mu) = E(ui) – E(mu) = mu – mu = 0 El término de error en el modelo revisado satisface ahora el supuesto A.3. 14

Supuestos para el Modelo A A.3 El término de error tiene valor esperado cero E(ui) = 0 para toda i Suponga Yi = b1 + b2Xi + ui Defina vi = ui – mu Entonces E(vi) = E(ui – mu) = E(ui) – E(mu) = mu – mu = 0 Es claro que la interpretación del intercepto cambia un poco pues ahora ha absorbido el componente distinto de cero del término de error, además de la información que incluía previamente. 15

Supuestos para el Modelo A A.3 El término de error tiene valor esperado cero E(ui) = 0 para toda i Suponga Yi = b1 + b2Xi + ui Defina vi = ui – mu Entonces E(vi) = E(ui – mu) = E(ui) – E(mu) = mu – mu = 0 Esto es generalmente aceptable porque el papel de la constante es captar cualquier tendencia sistemática en Y no explicada por el/los regresor(es). 16

Supuestos para el Modelo A A.4 El término de error es homoscedástico Asumimos que el término de error es homoscedástico, lo que significa que, para cada observación, el término de error proviene de una distribución con varianza poblacional constante. 17

Supuestos para el Modelo A A.4 El término de error es homoscedástico En el lenguaje de la sección de muestreo y estimadores del repaso estadístico, esto es un concepto “asumido de antemano”, pues suponemos el comportamiento potencial del término de error aún antes de generar la muestra. 18

Supuestos para el Modelo A A.4 El término de error es homoscedástico Una vez que hemos generado la muestra, el término de error resultará mayor para algunas observaciones, y más pequeño para otras, pero no debe haber ninguna razón para que éste sea más errático en algunas observaciones que en otras. 19

Supuestos para el Modelo A A.4 El término de error es homoscedástico Puesto que E(ui) = 0, por el supuesto A.3, la varianza poblacional de ui es igual a E (ui2), así que la condición puede también ser escrita como se muestra. 20

Supuestos para el Modelo A A.4 El término de error es homoscedástico Si no se cumple el supuesto A.4, los coeficientes de regresión de OLS serán ineficientes y se podrían obtener resultados más confiables usando una técnica de regresión modificada. Esto será discutido en el Capítulo 7. 21

Supuestos para el Modelo A A.5 Los valores del término de error tienen distribuciones independientes ui se distribuye independientemente de uj para todo j ≠ i Asumimos que no existe autocorrelación en el término de error. Es decir que no debe haber ninguna asociación sistemática entre los errores de dos observaciones cualquiera. 22

Supuestos para el Modelo A A.5 Los valores del término de error tienen distribuciones independientes ui se distribuye independientemente de uj para todo j ≠ i Por ejemplo, el que el término de error sea grande y positivo para una observación i, no implica que el error también sea grande y positivo en la siguiente observación--ni grande y negativo, o pequeño y positivo, o pequeño y negativo, etc.--en última instancia. 23

Supuestos para el Modelo A A.5 Los valores del término de error tienen distribuciones independientes ui se distribuye independientemente de uj para todo j ≠ i Este supuesto implica que la covarianza poblacional entre ui y uj es cero. Nótese que ui y uj tienen ambas una media poblacional igual a cero, dado el supuesto A.3, y que E(uiuj) se puede expresar como E(ui)E(uj) siempre que ui y uj sean independientes entre sí (ver el repaso). 24

Supuestos para el Modelo A A.5 Los valores del término de error tienen distribuciones independientes ui se distribuye independientemente de uj para todo j ≠ i Si este supuesto no se cumple, OLS producirá otra vez estimadores ineficientes. El capítulo 12 discute este tipo de problemas y la manera de atenderlos. Las violaciones de este supuesto en datos de corte transversal son raras (y muy frecuentes en series de tiempo y de tipo panel). 25

Supuestos para el Modelo A A.6 El término de error tiene una distribución normal Usualmente asumimos que el término de error tienen una distribución normal. La justifación de este supuesto esta basada en el Teorema de Límite Central. 26

Supuestos para el Modelo A A.6 El término de error tiene una distribución normal Esencialmente, el Teorema del Límite Central indica que, si una variable aleatoria es el resultado compuesto de los efectos de una gran cantidad de variables aleatorias, ésta tendrá una distribución aproximadamente normal incluso si sus componentes no la tienen, siempre y cuando ninguno de ellos tenga un efecto dominante. 27

Supuestos para el Modelo A A.6 El término de error tiene una distribución normal Y como el término de error u se compone de un gran número de factores no incluidos explícitamente en la regresión, entonces podemos asumir que u se distribuya normalmente--incluso si no sabemos nada sobre la distribución de aquellos factores no incluidos. 28

Copyright Christopher Dougherty 1999–2006 Copyright Christopher Dougherty 1999–2006. This slideshow may be freely copied for personal use. 21.06.06