Econometria Rolly Vasquez

ECONOMETRA I
Lic. Rolly Vasquez1111
10/07/2012 rolly vasquez
1. La idea detrs del anlisis de regresin es la dependencia estadstica de una variable , la variable dependiente, sobre una o ms variables, las variables explicativas. 2. El objetivo de dicho anlisis es estimar y/o predecir el valor promedio de la variable dependiente sobre la base de valores conocidos o fijados de la variable explicativa. 3. En la prctica el xito del anlisis de regresin depende de la disponibilidad de datos apropiados.
ALGUNAS IDEAS BSICAS DEL MODELO DE

REGRESIN CON DOS VARIABLES




10/07/2012
El concepto de funcin de regresin poblacional (PRF)
rolly vasquez
Como una primera aproximacin o hiptesis de trabajo asumiremos que PRF E(Y | Xi) es una funcin lineal de Xi, del tipo

El significado del trmino lineal. Linealidad en las Variables Linealidad in los Parmetros

Especificacin estocstica de la PRF Podemos la desviacin de un Yi cualquiera de su valor esperado de la siguiente forma:
Tecnicamente, ui es conocido como el trmino de perturbacin estocstica o error estocstico Por el momento asumiresmo que es un proxi de todas las variables omitidas que podran afectar a Y pero que no han sido (o no pueden ser ) incluidas en el modelo de regresin

Por que no se introducen estas variables en el modelo de regresin?. 1. Poca presicin de la teoria 2. Disponibilidad de datos: 3. Aleatoridad intrinseca enel comportamiento humano 4. Variables proxy muy pobres 5. Principio de parsimonia 6. Forma funcional incorrecta Por estas razones, las perturbaciones estocsticas ui asumen un rol extremadamente crtico en el anlisis de regrtesin
10/07/2012
rolly vasquez

La funcin de regresin muestral (SRF)

Nuestro objetivo primario en el analisis de regresin es estimar la PRF
Sobre la base de la SRF.

.
EL MODELO DE REGRESIN CON DOS VARIABLES: LA ESTIMACIN

.

.

El gausiano, standard, o clasico modelo de regresin lineal (CLRM), que es la piedra angular de la mayora de la teora economica, establece 10 supuestos. Supuesto 1: modelo de regresin lineal. La regresin es lineal en los parmetros
10/07/2012
Supuesto 2: los valors de X son fijos en muestreos repetidos. Los valores del regresor . Tecnicamente, esto impluica que X no es estocstico
rolly vasquez

3.
Supuesto 3: valor promedio cero de la perturbacin ui. Dado un valor de X, la media, o valor esperado del termino de perturbacin ui es cero. Symbolicamente, no afectan la regresin

4.
Supuesto 4: Homoscedasticidad

5.
Supuesto 5: No autocorrelacin estre las perturbaciones. Dados cualquier par de valores de X values, Xi y Xj (i = j), la correlacin entre cualquier par ui y uj (i = j) es zero. Simbolicamente:

5.
Supuesto 5: No autocorrelacion.

Supuesto 6: Cero covarianza entre ui y Xi, o E(uiXi) = 0. Formalmente,

Supuesto 7: El numero de observaciones n debe ser mayor que el numero de parmetros a ser estimados. Alternativamente, el number de observaciones n debe ser mayor que el numero de variables explicativas. Supuesto 8: Variabilidad en los valors de X . Technicamente, var (X) debe ser un numero finito positivo Supuesto 9: El modelo de regresin esta correctamente esopecificado. Alternativamente, no hay sesgo de especificacin o error en el modelo utilizado para anlisis emprico. Supuesto 10: No hay multicollinealidad perfecta

GaussMarkov Theorem: Dados los supuestos del modelo de regresin lineal clsico, los estimadores de MCO, son MELI (BLUE).

.

Una estadistica relacionada con el R2 pero conceptualmente diferente es el coeficiente de correlacion r.

.

CONSUMPTIONINCOME RELATIONSHIP in the united states, 19821996. Y = personal consumption expenditure (PCE) and X = gross domestic product (GDP), all measured in 1992 billions of dollars

Gastos en alimentos en la INDIA
La relacin entre el salario por hora y los aos de estudio o escolarizacin
EL MODELO DE REGRESIN CON DOS VARIABLES: LA

ESTIMACIN POR INTRVALO Y TESTS DE HIPTESIS Intrvalos de confianza. Test t Test F GL: k-1 n-k
EXTENSIONES DEL MODELO LINEAL DE DOS

VARIABLES
Regression Through The Origin.

VARIABLES
how to measure elasticity: the log-linear model:
consideremos el siguiente modelo exponencial

Que se puede expresar ln = log natural (log en base e, y e = 2.718)
Ejemplo una variacin de 1% en el gasto total personal PCEX sube 1%, el gasto en bienes durables sube 1.9%

VARIABLES
How to Measure the Growth Rate: The LogLin Model.
10/07/2012
Donde r es la tasa de crecimiento compuesta de Y

rolly vasquez
La tasa de crecimiento de los gastos en servicios: con datos trimestrales, los gastos han crecido a una tasa de 0,743%

VARIABLES
Linear Trend Model:
10/07/2012
Si regresamos Y, en funcin del tiempo, se trata de un modelo de lineal de tendencia, y la variable t es la variable de tendencia, si la pendiente es positiva hay una tendencia creciente y vice versa
rolly vasquez
El gasto en servicios, en promedio en los trimestres, crece en 19,69 millones.

VARIABLES
El modelo LinLog: cambio
absoluto en Y dado un
10/07/2012
cambio porcentual en X
Un incremento de 1% en el gasto total, en promedio lleva a un incremento de 2.57 en el gasto en comida. Note que se ha dividido entre 100.
rolly vasquez

VARIABLES
Modelos recprocos.
Phillips

VARIABLES
Log Hyperbola or Logarithmic Reciprocal Model. Y crece a una tasa creciente. Puede ser util para funciones de produccin de corto plazo

VARIABLES
EL MODELO DE REGRESIN LINEAL MLTIPLE:

LA ESTIMACIN
El modelo con 3 variables.
Asumimos tambin la homocedasticidad, noautocorrelacin y no colinealidad
Ejemplo: mortalidad infantil en funcin de del PIB percpita y la tasa de alfabetismo femenino:
EL MODELO DE REGRESIN LINEAL MLTIPLE: LA

ESTIMACIN
Y = producto; X2 = trabajo; X3 = capital; e = logaritmo base e.

El modelo Cobb-Douglas

ESTIMACIN
El modelo Cobb-Douglas.

ESTIMACIN
Modelos Polinomicos.
Modelo polinomico de K-simo grado

ESTIMACIN
Modelos Polinomicos. Ejemplo: tasa de crecimiento del PIB (GDPG) y PIB per cpita relativo (RGDP)en 119 pases en desarrollo, 1960-1985.
10/07/2012
La tasa de crecimiento del PIB aumenta a medida que aumenta el PIB per cpita relativo (RGDP).
rolly vasquez
El R2 ajustado bajo es frecuente en modelos de corte transversal y con un amplio numero de observaciones
REGRESIONES CON VARIABLES DUMMY

10/07/2012
Tambin denominados modelos ANOVA.
rolly vasquez
Ejemplo de salarios promedio en escuelas pblicas en 51 Estados de USA por regin.

.

Precaucin con la variables dicotmicas. Colinealidad perfecta Si una variable cualitativa tiene m categoras, se debe agregar hasta m-1 variables dicotmicas. En el modelo los coeficientes asociados con las variables dicotmicas se denomina interceptos diferenciales. Se puede eludir la trampa de la variable dicotmica eliminando el intercepto

Salario por hora en relacin con el estado civil y la regin de residencia.

Regresin con variables dummy y cuantitativ as: Modelos ANCOVA.

Modelos para analizar la estabilidad estructural de los datos.



MODELOS CON VARIABLE DEPENDIENTE DICOTMICA: Regresin Logstica Binaria
MULTICOLINEALIDAD
Consecuencias: Varianza elevada. Intrvalos de confianza ms amplios Test t no significativos R2 alto Estimadores y errores estndar muy sensibles a variaciones en los datos. Como se detecta: R2 alto y pocas razones t significativas Examen de correlaciones parciales Regresiones auxiliares
10/07/2012
rolly vasquez
HETEROCEDASTICIDAD
.
HETEROCEDASTICIDAD
Puede surgir por:
El
10/07/2012
proceso de aprendizaje. Por sesgo de especificacin Inersia Datos aberrantes Incorrecta transformacin de datos Forma funcional incorrecta
rolly vasquez
HETEROCEDASTICIDAD
La
heterocedasticidad no destruye las propiedades de consistencia e insesgamiento de los estimadores MCO Pero dejan de tener varianza mnima, dejan de ser eficientes. En presencia de heterocedasticidad las varianzas de los estimadores de MCO no se obtienen con las formulas utilizadas en MCO si se insiste se pueden llegar a grandes desatinos con los test t y F. Es mas fcil establecer sus consecuencias que detectarla
HETEROCEDASTICIDAD
Mtodo grfico de deteccin
HETEROCEDASTICIDAD
Mtodo grfico de deteccin
HETEROCEDASTICIDAD
Ejemplo entre el salario y la productividad Mtodo de Park
Mtodo de Glejser
AUTOCORRELACIN
Correlacin entre miembros de una ser de observaciones ordenadas en el tiempo o el espacio.
Puede ocurrir por
Inercia Mala especificacin del modelo El manejo de los datos Excluir variables importantes Forma funcional correcta Como resultado los estimadores dejan de ser eficientes, como resultado la pruebas X2, t y F usuales no son aplicables legtimamente
AUTOCORRELACIN
Mtodo grfico de deteccin.
AUTOCORRELACIN
Mtodo de Durbin-Watson
MODELOS ECONOMTRICOS DINMICOS:

AUTOREGRESIVOS Y DE REZAGOS DISTRIBUIDOS
10/07/2012
Auto regresivo
rolly vasquez
Rezagos distribuidos Razones psicolgicas Razones tecnolgicas Razones institucionales

El papel de los rezagos en la economa: supongamos un aumento permanente en el ingreso de $ 2,000

Para estimar un modelo de rezagos distribuidos, de acuerdo a Alt y Tinbergen, se deben incorporar rezagos hasta que dejan de ser significativos o cambian de signo Koyck sugiere el siguiente modelo: Donde es la tasa de descenso y 1- velocidad de ajuste. Note que el modelo koyck es un modelo autoregresivo

Ejemplo de gasto de consumo personal per capita GCPC en relacin con el ingreso disponible personal per capita IDPC en EUA 1970 1999.
es 0.4106 entonces La mediana de los rezagos es: El rezago medio es:

Test h de Durbin-Watson
No importando el numero de rezagos solamente nos interesa la varianza del termino autoregresivo Y t-1 , adems,
En un ejemplo, n = 30, (1 d/2) = 0.4972, y var (2) = var (PPCEt1) = (0.1546)2 = 0.0239. En la formula:

Causalidad en economa: La causalidad de Granger
10/07/2012
el tiempo no corre hacia atrs. Es decir, si un acontecimiento A sucede antes de un acontecimiento B, es posible que A cause B. no es posible que B cause A. Los acontecimientos pasados pueden propiciar sucesos que ocurren en la actualidad
rolly vasquez
el enunciado yi causa yj es solo una forma abreviada del enunciado mas preciso aunque mas extenso de que yi contiene informacin til para predecir yj adems de las historias pasadas de las dems variables del sistema

Causalidad en economa: La causalidad de Granger
Hay 4 opciones: Causalidad Unidireccional de M hacia el PIB, si los coeficientes estimados sobre M son estadsticamente significativos considerados como grupo y en conjunto. Pero no los del PIB Causalidad Unidireccional del PIB hacia M Retroalimentacin o causalidad bilateral Independencia

Como el futuro no puede predecir el pasado, si la variable X grangercausa la variable Y , los cambios en X deben preceder a los cambios en Y. Pasos: en el modelo 1. Regresar Y con todos sus rezagos pero no la variable X (regresin restringida). Obtener suma de cuadrados residuales SCRR 2. Regresar Y con todos sus rezagos incluyendo la variable X con rezagos (regresin no restringida). Obtener suma de cuadrados residuales SCRNR 3. Ho: i=0; i = 1,2,3.., n. los trminos rezagados de X (M) no pertenecen a la regresin. 4. Hacer la prueba m= numero de rezagos de X(M), k= nmero de parmetros en la regresin no restringida. 5. Si se rechaza Ho, entonces X grangercausa Y.
SERIES DE TIEMPO
Se
supone que la serie es estacionaria A veces la autocorrelacin se origina porque las series no son estacionarias. Se debe especificar el modelo para evitar regresin espurea La caminata aleatoria hace que querer pronosticar sea un ejercicio inutil Series no estacionarias tiene poco valor prctico para pronsticos, solo podemos utilizarlas para analizarlas en el periodo en consideracin.
SERIES DE TIEMPO
Procesos estocsticos: Un proceso estocstico aleatorio es una coleccin de variables aleatorias ordenadas en el tiempo Ej.: el PIB en un ao cualquiera podra asumir cualquier valor Caso especial: Ruido Blanco. Media 0, varianza nica y no autocorrelacin serial.
Procesos Estocsticos Estacionarios: Una serie es estacionaria si la media, la varianza y la covarianza (en los diferentes rezagos) permanecen iguales sin importar el momento en que se midan, es decir son invariantes en el tiempo. Es decir, si esperamos que Yt sea estacionaria la media, la varianza y la covarianza de y Yt+m deben ser las mismas que las de Yt.
SERIES DE TIEMPO
Procesos Estocsticos No Estacionarios: Paseo aleatorio sin deriva. ui= choque aleatorio ruido blanco
Persistencia de choques aleatorios, por tanto a medida que se incrementa t aumenta la varianza y eso lo hace no estacionario. Note:
SERIES DE TIEMPO
Procesos Estocsticos No Estacionarios: Paseo aleatorio con deriva. (drift)
Se deriva o desva hacia arriba o hacia abajo dependiendo de
El modelo de caminata aleatoria es lo que se conoce como proceso de raz unitaria
SERIES DE TIEMPO
Procesos de Raz Unitaria
Si = 1 tenemos lo que se conoce como problema de raz unitaria, es decir, situacin de no estacionariedad.
Por tanto: no estacionariedad, caminata aleatoria, raz unitaria y tendencia estocstica son sinnimos
SERIES DE TIEMPO
Test de Raz unitaria. Ljung-Box statistic Mide si un conjunto de autocorrelaciones son significativamente diferentes de un conjunto de autocorrelaciones que son todas cero. Test DF
10/07/2012
Si es cero concluimos que Y es no-estacionaria (=1), utilizar estadstica . Dickey-Fuller. Si la hiptesis de que es cero es rechazada, podemos utilizar el test t de student.
rolly vasquez

Econometria Rolly Vasquez

Cargado por

Información del documento

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Econometria Rolly Vasquez

Cargado por

Copyright:

Formatos disponibles

ECONOMETRA I

Lic. Rolly Vasquez1111

10/07/2012 rolly vasquez

10/07/2012 rolly vasquez

10/07/2012 rolly vasquez

10/07/2012 rolly vasquez

10/07/2012 rolly vasquez

10/07/2012 rolly vasquez

ALGUNAS IDEAS BSICAS DEL MODELO DE

ALGUNAS IDEAS BSICAS DEL MODELO DE

ALGUNAS IDEAS BSICAS DEL MODELO DE

ALGUNAS IDEAS BSICAS DEL MODELO DE

ALGUNAS IDEAS BSICAS DEL MODELO DE

El concepto de funcin de regresin poblacional (PRF)

ALGUNAS IDEAS BSICAS DEL MODELO DE

ALGUNAS IDEAS BSICAS DEL MODELO DE

ALGUNAS IDEAS BSICAS DEL MODELO DE

ALGUNAS IDEAS BSICAS DEL MODELO DE

ALGUNAS IDEAS BSICAS DEL MODELO DE

Sobre la base de la SRF.

ALGUNAS IDEAS BSICAS DEL MODELO DE

EL MODELO DE REGRESIN CON DOS VARIABLES: LA ESTIMACIN

EL MODELO DE REGRESIN CON DOS VARIABLES: LA ESTIMACIN

EL MODELO DE REGRESIN CON DOS VARIABLES: LA ESTIMACIN

EL MODELO DE REGRESIN CON DOS VARIABLES: LA ESTIMACIN

EL MODELO DE REGRESIN CON DOS VARIABLES: LA ESTIMACIN

10/07/2012 rolly vasquez

EL MODELO DE REGRESIN CON DOS VARIABLES: LA ESTIMACIN

EL MODELO DE REGRESIN CON DOS VARIABLES: LA ESTIMACIN

10/07/2012 rolly vasquez

EL MODELO DE REGRESIN CON DOS VARIABLES: LA ESTIMACIN

EL MODELO DE REGRESIN CON DOS VARIABLES: LA ESTIMACIN

EL MODELO DE REGRESIN CON DOS VARIABLES: LA ESTIMACIN

EL MODELO DE REGRESIN CON DOS VARIABLES: LA ESTIMACIN

EL MODELO DE REGRESIN CON DOS VARIABLES: LA ESTIMACIN

EL MODELO DE REGRESIN CON DOS VARIABLES: LA ESTIMACIN

EL MODELO DE REGRESIN CON DOS VARIABLES: LA ESTIMACIN

EL MODELO DE REGRESIN CON DOS VARIABLES: LA ESTIMACIN

La relacin entre el salario por hora y los aos de estudio o escolarizacin

EL MODELO DE REGRESIN CON DOS VARIABLES: LA

EXTENSIONES DEL MODELO LINEAL DE DOS

EXTENSIONES DEL MODELO LINEAL DE DOS

consideremos el siguiente modelo exponencial

EXTENSIONES DEL MODELO LINEAL DE DOS

Donde r es la tasa de crecimiento compuesta de Y

EXTENSIONES DEL MODELO LINEAL DE DOS

El gasto en servicios, en promedio en los trimestres, crece en 19,69 millones.

EXTENSIONES DEL MODELO LINEAL DE DOS

EXTENSIONES DEL MODELO LINEAL DE DOS

EXTENSIONES DEL MODELO LINEAL DE DOS

EXTENSIONES DEL MODELO LINEAL DE DOS

EL MODELO DE REGRESIN LINEAL MLTIPLE:

Asumimos tambin la homocedasticidad, noautocorrelacin y no colinealidad

EL MODELO DE REGRESIN LINEAL MLTIPLE: LA

Y = producto; X2 = trabajo; X3 = capital; e = logaritmo base e.

EL MODELO DE REGRESIN LINEAL MLTIPLE: LA

EL MODELO DE REGRESIN LINEAL MLTIPLE: LA

Modelo polinomico de K-simo grado

EL MODELO DE REGRESIN LINEAL MLTIPLE: LA

REGRESIONES CON VARIABLES DUMMY

Tambin denominados modelos ANOVA.

Ejemplo de salarios promedio en escuelas pblicas en 51 Estados de USA por regin.

REGRESIONES CON VARIABLES DUMMY

REGRESIONES CON VARIABLES DUMMY