0 calificaciones0% encontró este documento útil (0 votos)
6 vistas2 páginas
Este documento presenta varias actividades relacionadas con el análisis de regresión. Explica cómo despejar fórmulas para los parámetros de un modelo de regresión, e interpretar el intercepto y la pendiente para diferentes modelos (lineal, estandarizado, logarítmico, log-lineal, lineal-logarítmico). También cubre pruebas estadísticas como Breusch-Pagan-Godfrey para heteroscedasticidad y pruebas de rachas para autocorrelación.
Este documento presenta varias actividades relacionadas con el análisis de regresión. Explica cómo despejar fórmulas para los parámetros de un modelo de regresión, e interpretar el intercepto y la pendiente para diferentes modelos (lineal, estandarizado, logarítmico, log-lineal, lineal-logarítmico). También cubre pruebas estadísticas como Breusch-Pagan-Godfrey para heteroscedasticidad y pruebas de rachas para autocorrelación.
Este documento presenta varias actividades relacionadas con el análisis de regresión. Explica cómo despejar fórmulas para los parámetros de un modelo de regresión, e interpretar el intercepto y la pendiente para diferentes modelos (lineal, estandarizado, logarítmico, log-lineal, lineal-logarítmico). También cubre pruebas estadísticas como Breusch-Pagan-Godfrey para heteroscedasticidad y pruebas de rachas para autocorrelación.
Despejar las fórmulas de los coeficientes o parámetros de un modelo de regresión.
ACTIVIDAD 3
Si el intercepto es 106.35 , la variable independiente es la morosidad y la variable
dependiente es el volumen de crédito. Interprete el intercepto de acuerdo con el modelo LINEAL. si la morosidad es 0 el volumen de crédito a ser igual a 106.35%
Si la pendiente es 0.35 , la variable independiente es la solvencia y la variable
dependiente es el volumen de colocaciones. Interprete la pendiente de acuerdo con el modelo ESTANDARIZADO. Si la solvencia estandarizada incrementa en una desviación estándar en promedio el volumen de colocación estandarizada incrementara en 0.35 desviaciones estándar
Si el intercepto es 2.34, la variable independiente es el número de vehículos de la
ciudad de Quito y la variable dependiente es la contaminación ambiental. Interprete el intercepto de acuerdo con el modelo LOGARÍTMICO.
Si el número de vehículos logarítmicos es 0 la contaminación ambiental
logarítmica a va ser igual a 2.34 puntos porcentuales
Si la pendiente es 0.095 , la variable independiente es la tasa de desempleo y la
variable dependiente es la tasa de inseguridad ciudadana. Interprete la pendiente de acuerdo con el modelo LOG-LIN. Solo pendiente
Si la tasa de desempleo incrementa en un punto porcentual en promedio la tasa
de inseguridad logarítmica incrementara en 0.095 puntos porcentuales Si la pendiente es −5000.25, la variable independiente es la inflación y la variable dependiente es el consumo de los hogares. Interprete la pendiente de acuerdo con el modelo LIN-LOG. Si la inflación logarítmica incrementa en un punto porcentual el consumo de los hogares disminuirá en -5000.25
ACTIVIDAD 4
Es importante la detección de la multicolinealidad dentro de un modelo de regresión. Una de las técnicas
para detectar la multicolinealidad es la Prueba de Belsley, Kuh y Welsch. Suponiendo un valor propio mínimo de 0.62 y un valor propio máximo de 1.37, calcule el índice de condición e interprete el resultado.
Es importante la detección de la heteroscedasticidad dentro de un modelo de regresión. Una de las
técnicas para detectar la heteroscedasticidad es la Prueba de Breusch-Pagan-Godfrey. Suponiendo que la sumatoria de los estimadores cuadrados es SCE= 15.25, calcule el valor del de la distribución Chi- cuadrado e interprete el resultado (valor crítico de Chi-cuadrado es 3.00).
Es importante la detección de la multicolinealidad dentro de un modelo de regresión. Una de las técnicas
para detectar la multicolinealidad es el Factor Inflacionario de la Varianza. Suponiendo un coeficiente de determinación de 0.95, calcule el valor del FIV e interprete el resultado.
Es importante la detección de la heteroscedasticidad dentro de un modelo de regresión. Una de las
técnicas para detectar la heteroscedasticidad es la Prueba de Goldfeld-Quandt. Suponiendo que la sumatoria de los cuadrados residuales son SCR1= 1537 y SCR2= 377 respectivamente con 11 grados de libertad, calcule el valor del λ de la distribución de Fisher e interprete el resultado (valor crítico de Fisher es 4.00).
Es importante la detección de la autocorrelación dentro de un modelo de regresión. Una de las técnicas
para detectar la autocorrelación es la Prueba de Rachas. Utilice los datos desplegados en la tabla adjunta para calcular el número de observaciones de las rachas positivas (N1), el número de observaciones de las rachas negativas (N2) y el número de rachas (R). Ui 4.82 -10.36 4.45 -0.73 4.09 -1.09 -6.27 3.55 8.36 -6.82
Caracterización de La Primera Infancia en Los Entornos Educativos y Su Estructurante Educación Inicial en El Hogar Infantil Mis Años de Fantasía de La Comuna 2 en La Ciudad de Cali
Modelo de Política Social para Afrontar El Consumo Problemático de Sustancias Psicoactivantes en La Población Salvadoreña, Desde La Salud Internacional.