1 / 30

Las variables son cualesquiera:

Las variables son cualesquiera:. Y= X1= X2= X3=. Se esperaría que: crece X1 implicará decrece Y crece X2 implicará decrece Y crece X3 implicará decrece Y Hay que justificar teóricamente cada una de estas relaciones. 1). 2). Si se conoce la varianza.

sybill-brooks
Télécharger la présentation

Las variables son cualesquiera:

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript

  1. Las variables son cualesquiera: Y= X1= X2= X3= Se esperaría que: crece X1 implicará decrece Y crece X2 implicará decrece Y crece X3 implicará decrece Y Hay que justificar teóricamente cada una de estas relaciones

  2. 1)

  3. 2)

  4. Si se conoce la varianza • Divídase el modelo entre la desviación típica conocida.

  5. En el caso de que se desconozca la varianza • Aplicar Mínimos Cuadrados ponderados

  6. Veamos el caso más conocido, cuando la varianza no se conoce, entonces hay que indentificar el patrón. • Patrones de la varianza:

  7. CASO 1)

  8. CASO 2)

  9. Caso 3)

  10. Caso 4)

  11. Sin corrección de heterocedasticidad Intentando corregir la heterocedasticidad

  12. Regresando a nuestro caso teníamos esto

  13. Hay un problema atípico con los primero y ultimos datos

  14. Pretendemos corregir quitando 10 datos de cada extremo

  15. Aún con la corrección existe heterocedasticidad grafica y según White

  16. El modelo con las tres variables 3)

  17. Corrigiendo como en el anterior por la variable heterocedástica X1, asi que dividimos entre la raíz de x1. [sigue habiendo heterocedasticidad según WHITE] White Heteroskedasticity Test: F-statistic 7.284180 Probability 0.000000 Obs*R-squared 57.58004 Probability 0.000000

  18. Decidimos en aplicar logaritmos a las explicativas [persiste el problema de heterocedasticida] White Heteroskedasticity Test: F-statistic 3.093285 Probability 0.001383 Obs*R-squared 26.48571 Probability 0.001701

  19. Aplicamos también logaritmos a la explicada, [parece mejorar el problema, gráfica residuos].

  20. Añadimos la corrección automática de e-views de “errores estándar consistentes de White”

  21. El problema parece solucionarse. Ya no hay heterocedasticidad, [NO podemos rechazar la hipótesis nula de homocedasticidad en los residuales].

  22. VERIFICAR SI X2 y X3 son NO significativas. Lo haremos mediante la prueba de Wald que esta en E-views. Se rechaza la hipótesis nula de que los estimadores de X2 Y X3 SEAN AMBOS CERO. 4 PUNTO) Estimation Equation: ===================== LOG(Y/(X1^0.5)) = C(1) + C(2)*LOG(1/(X1^0.5)) + C(3)*LOG(X2/(X1^0.5)) + C(4)*LOG(X3/(X1^0.5))

  23. FIN

More Related