Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Traduccion MICRO II
Traduccion MICRO II
CATEDRA: MICROECONOMIA II
CATEDRÁTICO: TICSE
SEMESTRE: IV
1.-PRUEBA CLASICA DE PRUEBA-BOSQUEJO DE PRUEBA:
Modelo 𝑅 𝑒𝑖 = 𝑎𝑖 + 𝛽𝑖 𝑓𝑡 + ∑𝑖 𝑡
𝐸(𝑅 𝑒𝑖 ) = 𝛽𝑖𝜎 + 𝛼𝑖
Estmacion: 𝛽̂ 𝛼̂ 𝛾̂
Error estándar: 𝜎(𝛽̂ ) 𝜎(𝛼̂ ) 𝜎(𝛾̂)
Prueba: 𝛼̂ , 𝑣̂ , 𝛼̂ demasiado grande
Evaluar diagnostico SML (demasiado plano)
E(R) vs. 𝛽 , no m
𝑓 𝑒𝑠 𝑅 𝑒 , 𝜎 = 𝐸(𝑓)𝑝𝑜𝑏𝑙𝑎𝑐𝑖𝑜𝑛 𝑚𝑜𝑑𝑒𝑙𝑜
𝑅𝑡𝑒𝑖 = 𝛼𝑖 + 𝛽𝑖 𝑓𝑖 + ∑ 𝑖𝑡 𝑡 = 1,2, … . 𝑇 ∀𝑖
Implícito:
𝐸(𝑅 𝑒𝑖 ) = 𝛼𝑖 + 𝛽𝑖 𝐸(𝑓)
2
𝛼̂ 𝐶𝑂𝑉[𝛼 ̂,
1 ̂
𝛼2 , 𝛼
̂~𝑋
3 𝑜 𝐹 𝑖𝑛𝑡𝑒𝑟𝑐𝑒𝑝𝑐𝑖𝑜𝑛𝑒𝑠 𝑑𝑒 𝑙𝑎𝑠 𝑟𝑒𝑔𝑟𝑒𝑠𝑖𝑜𝑛𝑒𝑠]
𝑇−𝑁−𝑛 ̂𝑡 𝛼̂
a) ∑ 𝑖 = 𝑖𝑖𝐷 𝑁 − 𝑁 [1 + 𝑓 ∑𝑡 𝑓 ]𝛼̂ ∑
𝐸𝑇 𝐸 (𝑅 − 𝛼 − 𝛽𝑓𝑡 0
b) 𝐺𝑀𝑀: 𝐺𝑡 (𝑏) = [𝐸 ]=[ 𝑇 ][ ]
(𝑓𝑟 ,𝐸𝑟 ) 𝐸𝑇 (𝑅𝑡 − 𝛼 − 𝛽𝑓𝑡 0
c) Regresion de pilas es fácil…!!
𝜎(𝛼̂𝛽̂ 𝛾̂, 𝛼̂ 𝑐𝑜𝑣(𝛼̂) 𝛼̂~𝑋 2 )
MONTECARLO, BOOTSTRAP muestra finita
3.-REGRESIONES TRANSVERSALES:
1. TS 𝑅𝑡𝑒𝑖 = 𝛼𝑖 + 𝛽𝑖 𝑓𝑡 + ∑𝑖 𝑡 𝑡 = 1,2,3, … , 𝑇 ∀𝑖
𝑒𝑖
2. CS 𝐸(𝑅 ) = 𝛾 + 𝛽𝑖 𝜎 + 𝛼𝑖 𝑖 = 1,2,3, … , 𝑁
𝑦 = 𝑎 + 𝑥𝑏 +𝑐 𝑖 = 1,2,3, … , 𝑁.
𝛽: 𝑟𝑒𝑔𝑟𝑒𝑐𝑖𝑜𝑛𝑒𝑠 𝑔𝑒𝑛𝑒𝑟𝑎𝑐𝑖𝑜𝑛𝑎𝑙𝑒𝑠
𝐸𝑇 (𝑅 𝑇 ) = 𝛽 −1 𝛽𝜎
𝜎 = (𝛽𝛽1 )𝛽
GMM se reduce a lo clasico
1
𝜎 2 (𝜎̂𝑂𝐿𝑆 ) = [(𝛽1 𝛽)−1 𝛽1 ∑ 𝛽 𝛽1 𝛽−1 [𝐼𝑇 ∑ 𝜎]] + 𝑐𝑜𝑣(𝜎̂𝑂𝐿𝑆 )
𝑇 𝑓
1 1
= [𝐼 − 𝛽(𝛽𝛽 −1 )−1 𝛽1 ] ∑[. ] (1 + 𝜎 1 ∑ 𝑓)
𝑇
Test:
𝜎 1 𝑐𝑜𝑣(𝛼̂)𝛼̂~𝑋 2 , 𝑖𝑖𝐷 𝑁
4.-COMENTARIOS:
TS A 𝑅𝑡𝑒𝑖 = 𝛼𝑖 + 𝛽𝑖 𝑓𝑡 + ∑𝑡 𝑖 𝑡 = 1,2, … , 𝑇 ∀𝑖
B 𝐸(𝑅 𝑒𝑖 ) = 𝛽𝑖 𝜎 + 𝛼𝑖 𝑇 = 1,2, … , 𝑁
𝐸(𝑅 𝑒𝑖 ) = 𝛾 + 𝛽𝑖 𝜎 + 𝛼𝑖 𝑇 = 1,2, … , 𝑁
1) A es “Modelo de Variacion”
B es “Model Media”Imputado
𝑡𝑟(𝛽), 𝑡(𝛼, 𝑅 2 ) 𝐵𝑅𝐸𝑁𝑇 "𝑃𝑟𝑢𝑒𝑏𝑎"
(𝛼̂, 𝛾 −1 , 𝛼̂ ) 𝑒𝑠 𝑠𝑜𝑙𝑎𝑚𝑒𝑛𝑡𝑒 "𝑃𝑟𝑢𝑒𝑏𝑎".
Modelo de Variacion, es un diagnostico importante pero no una “PRUEBA”
2) TS vs. CS No de beria importar a menos que el modo sea horrible asíntotas del
mismo valle
CS: 𝑓𝐼𝑆 𝑛𝑜 𝑅 𝑒 no confies f, desea utilizar otra información de acceso
GLS: CS=TS=iiD N MLE si 𝐹 𝑒𝑠 𝑢𝑛 𝑅 𝑒
𝑅𝑡𝑒𝑖 = 𝑎𝑖 + 𝛽𝑖 𝑓𝑡 + ∑ 𝑖
𝑡
5.-FAMA-MACBETH:
i. TS→ 𝛽 𝑅𝑇𝑒𝑖 = 𝑎𝑖 + 𝛽𝑖 𝑓𝑡 + ∑𝑡 𝑖
ii. CS cada t 𝑅𝑇𝑒𝑖 = 𝐵𝑖𝜎𝑡 + 𝛼𝑖𝑡 𝑖 = 1,2, … , 𝑁 ∀𝑡
iii. 𝜎̂ = 𝐸𝑇 (𝜎̂𝑡 ) ̂𝛼 = 𝐸𝑇 (𝛼̂𝑡 )
̂ )
𝜌(𝜎
iv. 𝜌(𝜎 −1 ) = 𝑡 (𝐶𝑂𝑅 𝐺𝑀𝑀); 𝑐𝑜𝑣(𝛼̂, 𝛽̂ ) =
√𝑇
𝑐𝑜𝑣(𝛼̂𝑡 , 𝛽̂𝑡 )[𝛼̂, 𝑐𝑜𝑣(𝛼̂, 𝛼̂)−1 𝛼~𝑥 2 ]
𝜎̂𝛽̂
𝜎̂𝛽̂
[𝐹(𝑡) 𝑅] → 𝜎̂ ∗ 𝛽̂ ∗
Comentarios:
i. Si 𝛽 ′ constante Overtime
FMB=CS estimados
𝐹𝑀𝐵𝜎 = 𝐶𝑆𝜎 “corrección afeitada”.
ii. FMB lejos de computar a la fuerza
iii. FMB para la regresión agrupada
𝑦𝑖𝑡 = 𝑎 + 𝑏𝑡𝑖𝑡 + ∑ 𝑡
𝑖
FMB fácil de manejar! muchos papeles ignoran 𝑐𝑜𝑣(∑ 𝑖 ∑ 𝑡), 𝑡 𝑓𝑢𝑒𝑟𝑎 𝑝𝑜𝑟 10
42%-Peterson.
FMB Ignorar! Variación en tiempo extra.𝑏̂ solo obtiene variación
6.-GMM Y SDF:
0 = 𝐸(𝑀𝑅 ∗ )
𝑚 = 1 − 𝑏 ′ (𝑓 − 𝐸𝑓) = 1 − 𝑏 ′ 𝑓̂
[1 = 𝐸(𝑀𝑅 𝑒 )]
𝐺𝑇 = 𝐸𝑇 [𝑅 𝑒 (1 − 𝑏𝑓̂)]
𝑑 = −𝐸(𝑅 ∗ 𝑓̂) = −𝑐𝑜𝑣(𝑅 𝑒 𝑓 ´ ) = −𝑐
min 𝐺𝑇 ´ 𝑊𝐺𝑇 → 𝑑´ 𝑊𝐺𝑇 = 0
𝑑´ 𝑊𝐸𝑇 (1 − 𝑏𝑓̂) = 0
𝑏 = (𝑐 ´ 𝑊𝑐)𝑐 ´ 𝑊𝐸𝑇 (𝑅 𝑡 )
GMM es un CS regresión de 𝐸(𝑅 𝑒 ) en 𝑐𝑜𝑣(𝑅 𝑓 , 𝑓 1 )
Pero 𝐸𝑇 (𝑓)
𝐸 (𝑓𝑅)𝑤 0 𝐸𝑇 [𝑅𝑒 − 𝑅 𝑒 [𝑓 ′ − 𝐸𝑓 ´ ]𝑏1 ] 0
[ 𝑇 ][ ]=[ ]
0 𝐼𝑛 𝐸𝑇 [𝑓 − 𝐸𝑓] 0
𝑚 = 1 − 𝑏𝑓̂ 𝑜 , 𝐸(𝑚, 𝑅 𝑒 )
𝐸(𝑅 𝑒 ) = cos(𝑅 𝑒 𝑓 ´ )𝑏
𝐺𝑀𝑀 = cos(𝑅 𝑒 𝑓 ´ ) 𝑏
7.-COMENTARIOS II:
Series de tiempo
FAMA MACBETH
i. Todo lo mismo
𝜎(. ) 𝑆𝑇𝐷 𝑒𝑟𝑟𝑜𝑟
′ −1
𝛼 𝛾 𝛼 𝐺𝑇 𝑐𝑜𝑣𝐺 𝐺𝑇 𝑝𝑟𝑢𝑒𝑏𝑎
ii. ALL 𝛼̂ 𝛽̂ 𝜎̂ = 𝐺̂𝑟 𝑏̂
iii. Deberia dar~mismas respuestas/por lo menos
iv. Actualizar distribución teorica
v. “No rechazar”≠ “Modelo bueno”
Diagnostico”
RESPUESTAS INCORRECTAS:
Muchas preguntas
𝑅 𝑒𝑖 = 𝛼𝑖 + 𝛽𝑖 𝑅𝑡𝑒 + 𝑚𝑖 𝑅𝑡𝑒 + ∑ 𝑡
𝑖
𝐸(𝑅 𝑒 )𝑀𝑆𝐹𝑇 > 0! 𝑡(𝑀𝑖 ) > 0! 𝑅 2 ↑ !
𝐴𝑁𝑆𝑊𝐸𝑅 𝑅̂ 𝑒 𝑀𝑆𝐹𝑇 − 𝛽 𝑀𝑆𝐹𝑇 𝑅𝑒𝑚 𝑠𝑖 𝐶𝐴𝑃𝑀 𝐸(𝑅̂ 𝑒 𝑀𝑆𝐹𝑇
)=0