Maestría en Transporte Regresamos... (el problema de la regresión lineal) Clase 5.

Slides:

Advertisements

Presentaciones similares

PROPIEDADES DE LOS ESTIMADORES DE MÍNIMOS CUADRADOS ORDINARIOS

Advertisements

Regresión mínimo cuadrada (I)

REGRESION LINEAL SIMPLE

Modelos de Variable Dependiente Binaria -Logit y Probit-

MANUAL DE LABORATORIO DE CÓMPUTO ECONOMETRÍA I HETEROSCEDASTICIDAD

Covarianza muestral Sean x1, x2, ..., xn e y1, y2, ..., yn dos muestras aleatorias independientes de observaciones de X e Y respectivamente. La covarianza.

INFERENCIA ESTADISTICA

Pruebas de Especificación en el Modelo de Regresión Múltiple

Estadísticos de Prueba en el Modelo de Regresión Múltiple

PROPIEDADES ESTADÍSTICAS DE LOS ESTIMADORES

MODELO DE REGRESIÓN MÚLTIPLE

ESTRATEGIAS Y DISEÑOS AVANZADOS DE INVESTIGACIÓN SOCIAL

Econometria 2. Modelo de Regresión Lineal Simple

Modelo básico de regresión Lineal (MBRL)

Modelo básico de regresión Lineal

Estadística 2010 Clase 5 Maestría en Finanzas Universidad del CEMA

Estimación por Intervalos de confianza

Regresión y correlación

Regresión Lineal Simple yi = b0 + b1xi + ui

Nombre: Israel Espinosa Jiménez Matricula: Carrera: TIC Cuatrimestre: 4 Página 1 de 5.

Tema 1- Regresión lineal simple.

Regresión Lineal Simple

División de Estudios Políticos, CIDE

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.

Inferencia Estadística

TIPOS DE MODELOS DE REGRESIÓN Y SUPUESTOS PARA EL MODELO A

BIOMETRIA II TEMA 2 El Modelo de Regresión.

Unidad V: Estimación de

Pronósticos, Series de Tiempo y Regresión

VARIABLE ALEATORIA Y DISTRIBUCION DE PROBABILIDAD

Tema 7: Regresión Simple y Múltiple. EJEMPLO: Aproxima bien el número de préstamos que efectúa una biblioteca a lo largo de su primer año de vida. Nos.

Modelo de regresión con dos variables: Estimación

Unidad V: Estimación de

Estimación Sea una característica, un parámetro poblacional cuyo valor se desea conocer a partir de una muestra. Sea un estadístico ( función.

Departamento de Informática Universidad Técnica Federico Santa María

Capítulo 7 Estimación de Parámetros Estadística Computacional

Titular: Agustín Salvia

Introducción a la Inferencia Estadística

Maestría en Transporte Estadística Capítulo 1. Objetivos ¿Cómo se determinan las magnitudes para planificación de transporte, operación de transporte,

Inferencia Estadística

1 TEMA II Prof. Samaria Muñoz Análisis de Regresión simple: ESTIMACION.

Análisis de regresión MCO MELI.

Estimador de Efectos Fijos

Unidad V: Estimación de

Estimación de modelos ARMA

Regresión lineal simple

Regresión lineal múltiple

DISTRIBUCIONES MUESTRALES

Maestría en Transporte Estadística

Definición del Modelo de Regresión Simple Estimaciones por MCO Método de MCO Valores Esperados y Varianzas por MCO.

ANÁLISIS DE REGRESIÓN SIMPLE

Estadística II Regresión Lineal.

ESTIMACIÓN DE PARÁMETROS

MANUAL DE LABORATORIO DE CÓMPUTO ECONOMETRÍA I MODELO DE REGRESIÓN GENERAL 1 Profesor: Barland A. Huamán Bravo 2011 UNIVERSIDAD NACIONAL AGRARIA DE LA.

ANÁLISIS DE LA INFORMACIÓN La relación entre variables.

Modelos de regresión lineal

INFERENCIA ESTADÍSTICA

Pruebas paramétricas y no paramétricas

Departamento de Informática Universidad Técnica Federico Santa María EconometríaEconometría Capitulo II.

ECONOMETRIA 2. MODELO LINEAL SIMPLE Hernán Delgadillo Dorado

REGRESIÓN LINEAL SIMPLE

REGRESIÓN LINEAL SIMPLE. Temas Introducción Análisis de regresión (Ejemplo aplicado) La ecuación de una recta Modelo estadístico y suposiciones Estimación.

REGRESIÓN LINEAL SIMPLE TEMA INTRODUCCIÓN Determinar la ecuación de regresión sirve para: – Describir de manera concisa la relación entre variables.

1 REGRESIÓN CON VARIABLES DICOTÓMICAS TEMA 1 (CONTINUACIÓN)

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.

Bioestadistica II 2014 FACULTAD DE CIENCIAS EXACTAS, FÍSICAS Y NATURALES. UNIVERSIDAD NACIONAL DE CÓRDOBA.

Propiedades de los estimadores MCO

Propiedades de los estimadores MCO

Transcripción de la presentación:

Maestría en Transporte Regresamos... (el problema de la regresión lineal) Clase 5

Históricos Aspectos Históricos –Galton : estudios de herencia, los hijos heredan la altura de sus padres pero “regresan” a una media poblacional. –Gauss y los mínimos cuadrados ¿por qué Gauss hizo tantos desarrollos, tantas cosas?

Concepto –Relación entre una variable “Y” y una variable “X” (llegado el caso, varias variables Xi) –Relación lineal

Correlación Concepto de Correlación de Pearson

Concepto II

Concepto III Se busca establecer una relación que indique que la media de una población dada depende de una variable X (o varias...), y que la relación es lineal...

Suposiciones Variable Y (dependiente) continua. Relación lineal en los parámetros. Observaciones independientes y muestreadas aleatoriamente. Existencia de incertidumbre en la relación Y -> X. Errores de valor esperado nulo y varianza constante. Errores no correlacionados. Errores no correlacionados con X. Errores aproximadamente normales.

Suposiciones II

Estimación Método de Mínimos Cuadrados –Encontrar parámetros tales que minimicen las diferencias entre Y (observación) e E(Y|X) elevadas al cuadrado... Método de Máxima Verosimilitud –Encontrar parámetros tal que la probabilidad de haber encontrado una muestra Y1...Yn sea máxima...

Estimación (OLS o MCO)

Ecuaciones normales Igual resultado se puede lograr con expresiones matriciales (preferibles!)

Estimación (OLS o MCO) Solución a las ecuaciones normales

Estimación (ML o MV)

Propiedades de Estimadores Insesgados

Propiedades de Estimadores De varianza mínima (Teorema de Gauss- Markov)

Inferencia Se puede mostrar que (dado que Xi son fijos) los estimadores pueden expresarse como funciones lineales de Yi. Si los Yi son normales... (porque lo son los errores...) Los estimadores son normales... Además...

Inferencia II

Inferencia III En la práctica no se comoce la varianza de los errores y se estima por s 2, con lo que la distribución utilizada es la “t”

Verificación de Suposiciones Linealidad Homocedasticidad (constancia de varianzas) de los errores Falta de correlación de los errores Variables exógenas (regresoras) independientes Distribución normal de los errores

Bondad de Ajuste Verificación por R 2 interpretación del R 2 ajustado

Outliers Tratamiento de Outliers Identificación de Outliers

Violaciones a los supuestos Fallas a la Normalidad Existencia de correlación en las regresoras Heterocedasticidad Existencia de correlación Errores en la especificación de modelos.