Documente Academic
Documente Profesional
Documente Cultură
1.-INTRODUCCIN
2.-TIPOS DE MODELOS DE REGRESIN
3.-MODELOS DE REGRESIN UNIECUACIONALES
4.-MODELOS DE REGRESIN DE ECS.SIMULTANEAS
5.-MODELOS DE SERIES TEMPORALES
BIBLIOGRAFA:
ECONOMETRA D.GUJARATI
INTRODUCCIN A LA ECONOMETRA MADDALA
PROBABILIDAD Y ESTADSTICA PARA INGENIEROS
MILLER-FREUND-JHONSON
INVESTIGACIONES ES EFECTUAR
PREDICCIONES EN BASE DE ECUACIONES
MATEMTICOS LLAMADOS MODELOS
LA HERRAMIENTA FUNDAMENTAL ES EL
ANLISIS DE LA REGRESIN
ANLISIS DE LA REGRESIN:
a)ESTABLECER LA RELACIN FUNCIONAL
ENTRE LAS VARIABLES (Xs e Y) Y= f(Xs)
b)ESTABLECER LA VARIACIN CONJUNTA
ENTRE Xs e Y coeficiente de correlacin (r)
1.-Formulacin y planteamiento de
modelos verificables
2.-Estimacin, interpretacin y
comprobacin de los modelos
3.-Utilizacin de los modelos:
a) En la prediccin
b) En la realizacin de polticas de
control
METODOLOGA DE LA INVESTIGACIN
TEORA HIPTESIS
MODELO MATEMTICO DE LA TEORA Y=f(Xs)
MODELO REGRESIVO DE LA TEORAY=f(X,)
DATOS
regresivo
PRUEBAS DE HIPTESIS
PRONSTICO PREDICCIN
POLTICAS DE CONTROL
A)SIMPLE :
a)Lineal,b)Logartmicos,c)semilogartmicos
d) Tendencia,e)Recprocos,f)Anova
B)MLTIPLE:
a) Simple ,b)Polinomiales c)Logartmicos
d)Ancovas
MODELOS DE REGRESIN DE ECS.SIMULTANEAS
MODELOS DE SERIES TEMPORALES
TCNICAS DE ESTIMACIN
1.-Manual : x ; y; x ; y; x y
X; ; Sxy = x y-n(X)(); Sxx = x -n(X); Syy= y-n( )
2= Sxy/Sxx ; 1 = - 2X r= Sxy/(SxxSyy) ;r =r
2.-Modo Estadstico (modelos simples).
3- Matricial (modelos simples y mltiples)
-1
Diagrama de dispersin
y
1.65
1.36
x
x
1.18
1.17
x
x
0.78
0.75
0.56
x
x
x
0.37
0.35
x
x
0.18
20
40
60
100
140
180
220
Modelo estimado
La FRM = 0.069 + 0.0038 X r=0.9053 . r= 0.9515
Interpretacin.1 =0.069 es el coef. de evaporacin autnoma
no depende de la velocidad del aire
2 =Coef.de regresin. PME de evaporacin
por c/u que se la velocidad del aire se espera que se
epvapore las gotitas de combustible en aprox. 0.4%
r = 0.9053 significa un ajuste del 91%
r= 0.9515 significa una asociacin lineal de aprox. 95% entre
XeY
Estimacin
a) Para X= 190 = 0.069 + 0.0038 (190)=0.79 (mm/seg)
b) Para X= 390 = 0.069 + 0.0038 (390)=1.551 (mm/seg
x
Linealizando ,aplicando ln lnY =ln 1 + X ln 2 +
Aplicando Los M:C:O se puede estimar
cuya FRM ln =ln 1 + X ln 2 aplicando cualquier tcnica de
estimacin teniendo presente que al intruducir los datos de y
deben estar logaritmizados
Donde 2 = cambio porcentual en y . 100%
cambio absoluto en X
Ej de modelo exponencial
Se tiene las cifras sobre el porcentaje de las llantas radiales producidas por cierto
fabricante que an pueden usarse despus de recorrer cierto nmero de millas
Millas recorridas Porcentaje
(miles) X
Util Y
1
98.2
2
91.7
5
81.3
10
64.0
20
36.4
30
32.6
40
17.1
50
11.3
Y 5.0
4.6 x x
4.5
x
x
4.0
x
x
3.5
r= -0.9940
x
3.0
x
2.5
x
2.0
0 1 2
10
20
30
40
50
x
Representacin del modelo exponencial estimado
Modelo potencial
2
La FRP Y = 1 X e
Se aplica cuando se
quiere estimar cambios porcentulaes en laY
debido a un cambio del 1% en el X
Linealizando aplicando Ln
Ln Y = ln 1 2 Ln X + u
Cuya FRM Ln = ln 1 2 Ln X
donde 2 = (cambio porcentual en y) /(cambio porcentual en 1% enX)
2 = ELASTICIDAD si 2 < 1 inelstica
si 2 = 1 Unitaria
si 2 > 1 elstica
B.-Modelos de Reg.Mltiple
Gralmente Una Y = f( Xs)
1.-Mltiple lineal
La FRP Y= 0 + 1X1
+ 2X2 + + kXk + u ; R; R
Los polinomiales:
a) Los Cuadrticos
2
cuya FRP Y = 0 + 1Xi 2 Xi +
b) Los Cbicos
2
3
cuya FRP Y = 0 + 1Xi 2 Xi + 3 Xi +
Los log-log exponenciales
2
3
cuya FRP Y = 1X2 X3 e
LnY = ln 1 + 2 ln X2 +3X3 +
Diagrama de dispersin
y
12x
x
10
x
x
X
x
6
4
2
0
= 7.9 hrs.
La FRP Y = 0 + 1Xi 2 Xi + 3 Xi +
2
3
La FRM = 141.7667 + 63.4776 X - 12.9615 X + 0.9396 X
ee= (6.3753)
(4.7786)
t= (22.2369) (13.2837)
(o.9857)
(0.0591)
(-13.1495) (15.8985)
R=0.9983 R=0.9991
La estimacin del costo de producir 11 PCs
2
2 3
cuya FRP Y = 1X2 X3 e
LnY = ln 1 + 2 ln X2 +3X3 +
Generalmente en modelos de produccin
Y=Produccin : X2 = insumo trabajo; X3 = insumo capital
si
si
si
a) La FRPLnY = ln 1 + 2 ln X2+3X3 +
1993
1994
1995
1996
1997
1998
24
26
27
28
29
27
831.6
465.8
403.0
628.7
904.5
508.2
283.0
300.7
307.5
303.7
304.7
298.6
22076.6
23445.2
24939.0
26713.7
29957.8
31585.9
1999
2000
2001
2002
29
29
31
20
035.5
281.5
535.8
171.2
295.5
299.0
288.1
269.7
Modelos Dicotmicos
La FRP Y= f(tiempo)
Estacionariedad.- E(Y) =
V(Y) =
COV(Y) =k
Pruebas de estacionariedad:
-Correlograma
-Individuales.
Q-stat , LB
-Totales : Raz unitaria,DFA
Mtodos de prediccin
En la introduccion se dijo que la prediccin es una parte del
anlisis de regresin,Cmo se pronostican cualquier variable a
traves del tiempo?.Existen 2 mtodos:
1.-Autorregresivo integrado de media mvil (ARIMA)
-No tienen causa ni efecto: Permitir que la informacin hable
por sim misma Atericos
2.-Autorregresivo vectorial (VAR)
- se asemeja a los modelos de ecs. Simultaneas,donde cada
variable endgena es exolicada por sus valores rezagados
pasados y por los valores rezagados de todas las dems
variables endgenas en el modelo.no hay variables exgenas
q
Proceso autorregresivo integrado y de media mvil( ARIMA)
ARIMA(1.1.1) autorregresivo de 1er orden ,integrado una vez y demedia
mvil de 1 er orden
ARIMA(p.d.q)
PIB
3356.7
3369.2
3381
3416.3
3466.4
3525
3574.4
3567.2
3591.8
3707
3735.6
3779.6
3780.8
3784.3
3807.5
3814.6
3830.8
3732.6
3733.5
3808.5
3860.5
3844.4
3864.5
3803.1
PIB
3756.1
3771.1
3754.4
3759.6
3783.5
3886.5
3944.4
4012.1
4089.5
4144
4166.4
4194.2
4221.8
4254.8
4309
4333.5
4390.5
4387.7
4412.6
4427.1
4460
4515.3
4559.3
4625.5
PIB
4655.3
4704.8
4734.5
4779.7
4809.8
4832.4
4845.6
4859.7
4880.8
4900.3
4903.3
4855.1
4824
4840.7
4862.7
4868
Ej de Serie temporal
Verificando la estacionariedad de la serie mediante el corrlograma
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
AC
0.969
0.935
0.901
0.866
0.830
0.791
0.752
0.713
0.675
0.638
0.601
0.565
0.532
0.500
0.468
0.437
0.405
0.375
PAC
0.969
-0.058
-0.020
-0.045
-0.024
-0.062
-0.029
-0.024
0.009
-0.010
-0.020
-0.012
0.020
-0.012
-0.021
-0.001
-0.041
-0.005
Q-Stat
85.462
166.02
241.72
312.39
378.10
438.57
493.85
544.11
589.77
631.12
668.33
701.65
731.56
758.29
782.02
803.03
821.35
837.24
Prob
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
1% Critical Value*
5% Critical Value
10% Critical Value
*MacKinnon critical values for rejection of hypothesis of a unit root.
Variable
Coefficient
PIB(-1)-0.001368 0.006242
C
28.20542 24.36532
R-squared
0.000565
Adjusted R-squared
S.E. of regression 36.13503
Sum squared resid 110987.9
Log likelihood
-434.5278
-3.5064
-2.8947
-2.5842
-6.630339
1% Critical Value*
5% Critical Value
10% Critical Value
*MacKinnon critical values for rejection of hypothesis of a unit root.
-3.5073
-2.8951
-2.5844
Q-Stat
. |**
. |*.
.|.
.|.
.|.
.|.
.*| .
**| .
.*| .
.|.
.|.
**| .
.*| .
**| .
.*| .
.|.
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
Partial Correlation
Prob
. |**
. |*.
.|.
.|.
.|.
.|.
.*| .
**| .
. |*.
. |*.
.|.
**| .
.|.
.*| .
.|.
.|.
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
0.316
0.186
0.049
0.051
-0.007
-0.019
-0.073
-0.289
-0.067
0.019
0.037
-0.239
-0.117
-0.204
-0.128
-0.035
AC
0.316
0.095
-0.038
0.033
-0.032
-0.020
-0.062
-0.280
0.128
0.100
-0.008
-0.311
0.011
-0.114
-0.051
-0.021
9.0136
12.165
12.389
12.631
12.636
12.672
13.188
21.380
21.820
21.855
21.991
27.892
29.314
33.712
35.474
35.610
PAC
0.003
0.002
0.006
0.013
0.027
0.049
0.068
0.006
0.009
0.016
0.024
0.006
0.006
0.002
0.002
0.003
0.0043
0.0091
21.52933
9.905695
0.000017
36.55936
9.782096
9.813965
. | .
|
.|.
|
. |*.
|
. |*. |
.*| .
|
.*| .
|
. | .
|
.|.
|
.*| .
|
.|.
|
. |*.
|
. |*. |
. | .
|
.|.
|
. |** |
. |*. |
. | .
|
.|.
|
. | .
|
.|.
|
.*| .
|
.*| . |
. | *. |
. |*. |
. | . |
.|.
|
. | *. |
. |*. |
. | *. |
. |*. |
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
AC
-0.054
0.159
-0.115
-0.017
-0.067
0.141
-0.026
0.242
-0.034
0.037
-0.117
0.079
-0.001
0.194
0.069
PAC
-0.054
0.156
-0.102
-0.052
-0.037
0.143
-0.008
0.196
0.007
-0.023
-0.070
0.079
0.053
0.120
0.093
Q-Stat
0.2295
2.2258
3.2948
3.3185
3.6907
5.3609
5.4179
10.460
10.563
10.681
11.917
12.484
12.484
16.031
16.494
Prob
0.069
0.158
0.147
0.247
0.063
0.103
0.153
0.155
0.187
0.254
0.140
0.170
FIN