Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Respuestas Taller1 PDF
Respuestas Taller1 PDF
EL MODELO EN DESVIOS
Yi = β 1 + β 2 X i + ei
t Y X Y-Ybar X-Xbar
1 3 3 -1 0
2 1 1 -3 -2
3 8 5 4 2
4 3 2 -1 -1
5 5 4 1 1
media 4 3 0 0
Sabemos que los estimadores de MCO están dados por las expresiones:
∑(X i − X )(Yi − Y )
βˆ 2 = i =1
2
βˆ1 = Y − βˆ 2 X
n
∑(X
i =1
i − X)
regress y x
------------------------------------------------------------------------------
y | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-------------+----------------------------------------------------------------
x | 1.6 .2828427 5.66 0.011 .6998683 2.500132
_cons | -.8 .9380832 -0.85 0.456 -3.785399 2.185399
------------------------------------------------------------------------------
X* = (X i − X ) Y * = (Yi − Y )
UAM-X 1 10P
ECONOMETRÍA FORTINO VELA PEÓN
∑x y i i
β̂ 2 = i =1
n
∑x
i =1
2
i
------------------------------------------------------------------------------
yybar | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-------------+----------------------------------------------------------------
xxbar | 1.6 .2828427 5.66 0.011 .6998683 2.500132
_cons | 0 .4 0.00 1.000 -1.272979 1.272979
------------------------------------------------------------------------------
Se ha considerado el modelo
Yi = β 1 + β 2 X i + ei
Yi = β 2 X i + ei
esto es, una línea que pasa a través del origen. Este modelo se llama modelo sin
intercepto.
El forzar que la línea pase a través del origen puede deberse a razones teóricas o
por otras consideraciones físicas y/o materiales del caso particular en estudio( por
ejemplo, la distancia de viaje es una función del tiempo pero no debe tener ninguna
constante).
UAM-X 2 10P
ECONOMETRÍA FORTINO VELA PEÓN
∑X Y i i
β̂ 2 = i =1
n
∑X
i =1
2
i
Yˆi = βˆ 2 X i + ei i= 1, 2,…, n.
y la residual correspondiente es
σˆ
ee( βˆ 2 ) =
n
∑X
i =1
2
i
donde
SCE
σˆ 2 =
n −1
Observe que los grados de libertad para SCE son n-1, y ya no n-2, como lo es en el
caso del modelo con intercepto.
n n n
VT = VE + VNE = SCT = SCR + SCE = ∑ Yi 2 =∑ Yˆi 2 + ∑ ei
2
i =1 i =1 i =1
lo que se a su vez redefine a R2 como
n n
∑ Yˆi 2 ∑e
2
i
R2 = i =1
n
= 1− i =1
n
∑Y i =1
i
2
∑Y
i =1
i
2
Ésta es la forma apropiada de R2 para los modelos sin intercepto. Note, sin
embargo, que las interpretaciones para los casos del modelo con y sin intercepto
UAM-X 3 10P
ECONOMETRÍA FORTINO VELA PEÓN
Como se apunto anteriormente, los modelos sin intercepto deben ser utilizados
siempre que sean consistentes con la teoría que esta en estudio o debido a
consideraciones físicas y materiales. En algunos usos, sin embargo, uno puede no
estar seguro qué modelo debe ser utilizado. En estos casos, la decisión entre los
modelos dados (con y sin intercepto) tiene que ser tomada con cuidado1.
_______________________________________________________________________________________________
Ejemplo
_______________________________________________________________________________________________
Uno puede preguntarse si la gente de altura similar tiende a casarse. Con este fin,
una muestra de parejas recientemente casados fue seleccionada. Sea X la altura del
esposo y Y la altura de la esposa. Las alturas se encuentran dadas en centímetros y
se muestran en el cuadro siguiente.
1 Una exposición excelente de los modelos de regresión a través del origen es proporcionada por
Eisenhauer (2003) que también alerta a los usuarios de los modelos de regresión a través del
origen a tener cuidado cuando ajustan estos modelos usando los programas de computo, ya que
algunos de ellos dan los resultados incorrectos.
UAM-X 4 10P
ECONOMETRÍA FORTINO VELA PEÓN
Altura Altura
id Esposo Esposa id Esposo Esposa
1 86 175 25 182 167
2 180 168 26 162 160
3 160 154 27 169 165
4 186 166 28 176 167
5 163 162 29 180 175
6 172 152 30 157 157
7 192 179 31 170 172
8 170 163 32 186 181
9 174 172 33 180 166
10 191 170 34 188 181
11 182 170 35 153 148
12 178 147 36 179 169
13 181 165 37 175 170
14 168 162 38 165 157
15 162 154 39 156 162
16 188 166 40 185 174
17 168 167 41 172 168
18 183 174 42 166 162
19 188 173 43 179 159
20 166 164 44 181 155
21 180 163 45 176 171
22 176 163 46 170 159
23 185 171 47 165 164
24 169 161 48 183 175
UAM-X 5 10P
ECONOMETRÍA FORTINO VELA PEÓN
Altura Altura
id Esposo Esposa id Esposo Esposa
49 162 156 73 179 160
50 192 180 74 170 149
51 185 167 75 170 160
52 163 157 76 165 148
53 185 167 77 165 154
54 170 157 78 169 171
55 176 168 79 171 165
56 176 167 80 192 175
57 160 145 81 176 161
58 167 156 82 168 162
59 157 153 83 169 162
60 180 162 84 184 176
61 172 156 85 171 160
62 184 174 86 161 158
63 185 160 87 185 175
64 165 152 88 184 174
65 181 175 89 179 168
66 170 169 90 184 177
67 161 149 91 175 158
68 188 176 92 173 161
69 181 165 93 164 146
70 156 143 94 181 168
71 161 158 95 187 178
72 152 141 96 181 170
192
altura esposo
86
UAM-X 6 10P
ECONOMETRÍA FORTINO VELA PEÓN
correlate, covariance
(obs=96)
| esposo esposa
-------------+------------------
esposo | 178.794
esposa | 57.7243 83.3364
55 60 65 70
pesposa
| pesposo pesposa
-------------+------------------
pesposo | 27.1945
pesposa | 8.77987 12.6755
| esposo esposa
-------------+------------------
esposo | 1.0000
esposa | 0.4729 1.0000
| 0.0000
| pesposo pesposa
-------------+------------------
pesposo | 1.0000
UAM-X 7 10P
ECONOMETRÍA FORTINO VELA PEÓN
------------------------------------------------------------------------------
esposo | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-------------+----------------------------------------------------------------
esposa | .6926666 .1331156 5.20 0.000 .4283623 .9569708
_cons | 59.75608 21.85056 2.73 0.007 16.37127 103.1409
------------------------------------------------------------------------------
------------------------------------------------------------------------------
esposo | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-------------+----------------------------------------------------------------
esposa | 1.056149 .0076114 138.76 0.000 1.041038 1.071259
------------------------------------------------------------------------------
UAM-X 8 10P
ECONOMETRÍA FORTINO VELA PEÓN
x−x
Z=
s
Tamaño Gasto
2 2 * *
id y x (y-ybar) (y-ybar) (x-xbar) (x-xbar) y x
- -
1 3 1287 -1.5 2.25 -157.30 24743.29 1.1818 0.4981
-
2 6 1352 1.5 2.25 -92.30 8519.29 1.1818 0.2923
3 5 1963 0.5 0.25 518.70 269049.69 0.3939 1.6425
4 6 1677 1.5 2.25 232.70 54149.29 1.1818 0.7369
5 6 1846 1.5 2.25 401.70 161362.89 1.1818 1.2720
- -
6 3 1443 -1.5 2.25 -1.30 1.69 1.1818 0.0041
- -
7 4 962 -0.5 0.25 -482.30 232613.29 0.3939 1.5273
- -
8 4 1183 -0.5 0.25 -261.30 68277.69 0.3939 0.8274
9 5 1547 0.5 0.25 102.70 10547.29 0.3939 0.3252
- -
10 3 1183 -1.5 2.25 -261.30 68277.69 1.1818 0.8274
45 14443 14.5 897542.1 0.0000 0.0000
media 4.5 1444.3
varianza 1.6111 99726.9
desv. estándar 1.2693 315.7957
original y = β1 + β 2 x + e
con variables estandarizadas y * = β 1* + β 2* x * + e *
Sx
βˆ 2* = βˆ 2
S
y
UAM-X 9 10P
ECONOMETRÍA FORTINO VELA PEÓN
donde
La interpretación de los valores de los coeficientes beta es muy particular: “si el tamaño
de la familia estandarizado aumenta en una desviación estándar, en promedio, el
gasto en diversión aumenta en β 2* unidades de desviación estándar”.
Observe además que si al estimar al modelo con variables estandarizadas empleamos las
formulaciones antes establecidas para encontrar a los coeficientes estimados, a los
coeficientes betas, en particular para β1* , se tiene
βˆ1* = Y * − βˆ 2* X *
Pero dado que las medias de Y y X están estandarizadas, su valor es cero, por lo
que β1* =0, esto es. Se tiene un modelo sin intercepto. Así, tenemos para los datos
considerados los siguientes resultados.
------------------------------------------------------------------------------
gasto | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-------------+----------------------------------------------------------------
tamaño | 146.5862 71.07385 2.06 0.073 -17.31039 310.4828
_cons | 784.6621 331.0852 2.37 0.045 21.17832 1548.146
------------------------------------------------------------------------------
------------------------------------------------------------------------------
ys | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-------------+----------------------------------------------------------------
xs | .5891824 .2856713 2.06 0.073 -.0695767 1.247942
_cons | -1.99e-08 .2710115 -0.00 1.000 -.6249535 .6249535
------------------------------------------------------------------------------
------------------------------------------------------------------------------
ys | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-------------+----------------------------------------------------------------
xs | .5891824 .2693334 2.19 0.056 -.0200921 1.198457
------------------------------------------------------------------------------
UAM-X 10 10P
ECONOMETRÍA FORTINO VELA PEÓN
------------------------------------------------------------------------------
gasto | Coef. Std. Err. t P>|t| Beta
-------------+----------------------------------------------------------------
tamaño | 146.5862 71.07385 2.06 0.073 .5891823
_cons | 784.6621 331.0852 2.37 0.045 .
------------------------------------------------------------------------------
Sx
βˆ 2* = βˆ 2 = 146.5862 1.269296 = 0.58918243
315.7957
Sy
edit
sum
sum
UAM-X 11 10P
ECONOMETRÍA FORTINO VELA PEÓN
Datos anuales
Dado que la primera observación corresponde al año 1959 es posible generar una
variable o índice de tiempo mediante el comando
generate t=1959+_n-1
tsset t, annual
Observe que la variable “_n” es un índice natural de las observaciones, el cual inicia en
1 y corre hasta el número de observaciones n. La instrucción generate crea una
variable llamada “t” la cual agrega valores desde 1959 hasta “_n”, para entonces
subtraer 1, de forma tal que la serie creada va desde “1959”, “1960”, “1961”, de uno
en uno, hasta “2005”, en este caso.
Por su parte, la instrucción tsset establece a la variable “t” a ser considerada como
un índice de tiempo.
UAM-X 12 10P
ECONOMETRÍA FORTINO VELA PEÓN
Datos trimestrales
Stata almacena al índice de tiempo como un entero. Así, por ejemplo, para datos
trimestrales usa la convención de que el primer trimestre de 1960 es 0. El segundo
trimestre de 1960 es 1, el primer trimestre de 1961 es 4, etc. La fechas antes de 1960
son enteros negativos, de forma tal que el cuatro trimestre de 1959 es ‐1, el tercer
trimestre es ‐2, etc.
Cuando se formatea a las fechas, Stata despliega a los periodos trimestrales como
“1957q2”, que significa el segundo trimestre de 1957 (aún cuando Stata lo almacena
como un número “‐11”, es decir, el undécimo trimestre antes de 1960 1960q1.)
generate t=tq(1991q4)+_n-1
format t %tq
tsset t
UAM-X 13 10P
ECONOMETRÍA FORTINO VELA PEÓN
Datos mensuales
El manejo de datos mensuales es similar pero reemplazando una “m” por la “q” del
trimestral. Stata almacena el índice del tiempo con la convención 1960m1 es 0. Para
generar un índice mensual iniciando el segundo mes de 1962 se deben utilizar los
siguientes comandos:
generate t=tm(1962m2)+_n-1
format t %tm
tsset t
Datos semanales
Con datos semanales es similar usando “w” en lugar de “q” y “m”, donde la base del
periodo es, por ejemplo, 1960w1. De esta manera, para una serie que inicia en la 7ª.
semana de 1973 se utilizan los comandos:
generate t=tw(1973w7)+_n-1
format t %tw
tsset t
UAM-X 14 10P
ECONOMETRÍA FORTINO VELA PEÓN
Datos diarios
Los datos diarios son almacenados por fechas. Por ejemplo, “01jan1960” es Jan 1,
1960, el cual es el periodo base. Para generar un índice de tiempo diario iniciando en
April 18, 1962, se utilizan los comandos
generate t=td(18apr1962)+_n-1
format t %td
tsset t
UAM-X 15 10P
ECONOMETRÍA FORTINO VELA PEÓN
matrix A= (2,4,3,7\1,5,3,1)
2 4 3 7
A=
1 5 3 1
matrix list A
con lo que Stata despliega la dimensión y los elementos de la matriz A, esto es:
A[2,4]
c1 c2 c3 c4
r1 2 4 3 7
r2 1 5 3 1
Los vectores columna y renglón son creados con el mismo comando. De esta
forma, el comando "matrix A=(2,1,4,3)" elabora una vector renglón de
UAM-X 16 10P
ECONOMETRÍA FORTINO VELA PEÓN
Aquí las matrices son creadas a partir de una base de datos existente. De esta
manera, se puede desear construir una matriz a partir de un archivo que contenga
3 variables (por ejemplo, las variables V1, V2 y V3) dentro de una matriz
denominada A con lo que se escribe
b) Manipulación de matrices
matrix A = J (#1, #2, #3) Crea una matriz rectangular #1 por #2 cuyos
valores en todos sus elementos es igual a valor
fijado en #3.
Matrix A = DIAG (V) Crea una matriz cuadrada con valores del vector
V como diagonal principal y cero en los otros
elementos.
UAM-X 17 10P
ECONOMETRÍA FORTINO VELA PEÓN
matrix C = A + B
matrix C = A - B
matrix C = A * B
matrix AT = A'
matrix INVA = INV (A)
matrix DETA = DET (A)
matrix DIAGA = VECDIAG (A)
d) Ejemplos y extensiones
mat B = 3*A
mat lis B
B[3,2]
c1 c2
r1 6 3
r2 9 6
r3 -6 6
mat B = (1,1\4,2\-2,1)
mat C = A + B
mat lis C
C[3,2]
c1 c2
r1 3 2
r2 7 4
r3 -4 3
mat D = A - B
mat lis D
D[3,2]
c1 c2
r1 1 0
r2 -1 0
r3 0 1
Multiplicación de matrices
mat D = (2,1,3\-2,2,1)
mat C = D*A
mat lis C
C[2,2]
c1 c2
UAM-X 18 10P
ECONOMETRÍA FORTINO VELA PEÓN
r1 1 10
r2 0 4
mat C = A*D
mat lis C
C[3,3]
c1 c2 c3
r1 2 4 7
r2 2 7 11
r3 -8 2 -4
mat D = (2,1,3)
mat C = D*A
mat lis C
C[1,2]
c1 c2
r1 1 10
mat C = A*D
conformability error
r(503);
Transposición de matrices
mat AT = A'
mat lis AT
AT[2,3]
r1 r2 r3
c1 2 3 -2
c2 1 2 2
ATT[3,2]
c1 c2
r1 2 1
r2 3 2
r3 -2 2
Vector unitario
mat U = J(3,1,1)
mat lis U
U[3,1]
c1
r1 1
r2 1
r3 1
UAM-X 19 10P
ECONOMETRÍA FORTINO VELA PEÓN
Matriz unitaria
mat U = J(3,2,1)
mat lis U
U[3,2]
c1 c2
r1 1 1
r2 1 1
r3 1 1
Matriz diagaonal
mat S = (2,1,4\3,2,2\-2,2,3)
mat lis S
S[3,3]
c1 c2 c3
r1 2 1 4
r2 3 2 2
r3 -2 2 3
mat D = diag(vecdiag(S))
mat lis D
symmetric D[3,3]
c1 c2 c3
c1 2
c2 0 2
c3 0 0 3
mat V = (3,1,2)
mat D = diag(V)
mat lis D
symmetric D[3,3]
c1 c2 c3
c1 3
c2 0 1
c3 0 0 2
Matriz identidad
mat I = I(3)
mat lis I
symmetric I[3,3]
c1 c2 c3
r1 1
r2 0 1
r3 0 0 1
Matriz simetrica
mat C = (2,1,5\1,3,4\5,4,-2)
UAM-X 20 10P
ECONOMETRÍA FORTINO VELA PEÓN
mat lis C
symmetric C[3,3]
c1 c2 c3
r1 2
r2 1 3
r3 5 4 -2
mat CT = C'
mat lis CT
symmetric CT[3,3]
r1 r2 r3
c1 2
c2 1 3
c3 5 4 -2
Matriz inversa
A[3,3]
c1 c2 c3
r1 4 2 2
r2 4 6 8
r3 -2 2 4
matrix A1 = inv(A)
matrix list A1
A1[3,3]
r1 r2 r3
c1 1 -.5 .5
c2 -4 2.5 -3
c3 2.5 -1.5 2
mat C = (2,1,6\1,3,4\6,4,-2)
mat CI = syminv(C)
mat lis CI
symmetric CI[3,3]
r1 r2 r3
c1 .6
c2 -.2 .4
c3 0 0 0
scalar d = det(C)
display d
-102
mat X = (3,2\2,-2\4,6\3,1)
mat lis X
X[4,2]
UAM-X 21 10P
ECONOMETRÍA FORTINO VELA PEÓN
c1 c2
r1 3 2
r2 2 -2
r3 4 6
r4 3 1
scalar r = rowsof(X)
scalar c = colsof(X)
display r, " ", c
4 2
mat A = (2,1\3,2\-2,2)
mat lis A
A[3,2]
c1 c2
r1 2 1
r2 3 2
r3 -2 2
mat U = J(rowsof(A),1,1)
mat list U
U[3,1]
c1
r1 1
r2 1
r3 1
mat c = U'*A
mat list c
c1 c2
c1 3 5
mat cm = c/rowsof(A)
mat lis cm
cm[1,2]
c1 c2
r1 1 1.6666667
UAM-X 22 10P