DEFINICION DE ECONOMETRIA Oikos, nomos, metrn Economa, matemticas y estadstica Validar leyes econmicas, prediccin y cuantificar situaciones alternativas

vas de poltica econmica.

Var (u) = 2I = Var (y) Cov(uiuj) = 0 i j, yi es linealmente independiente de yj u N(0,

2

I), y N(X , 2I)

FUNCION DE VEROSIMILITUD

MODELO ECONOMETRICO

f(y1, y2, y3,yn) = f(yi) yi = [1/(2 variable funcin,

2

yn,1 = Xn,k

k,1

+ un,1

)]e-[(y-X )(y-X )/(2

2)]

y Es el vector que contiene a la dependiente, aleatoria, imagen, explicada, observable

X Matriz que contiene a las variables independientes, son fijas, dominio, explicativas, observables u Es el vector que contiene a las variables que influyen en la variable dependiente y que no estn en el modelo, se le llama perturbacin estocstica (aleatoria) y es no observable MODELO DE REGRESION LINEAL E (u) = 0, E(y) = X

FUNCION DE VEROSIMILITUD LINEALIZADA L ( , 2) = ln (1) [(n/2)ln(2 )] [(n/2)ln( 2)] [uu/(2 2)]

ESTIMADOR DE

(XX)-1Xy ESTIMADOR LINEAL INSESGADO PTIMO = c LA VARIANZA DE LA MAXIMA VEROSIMILITUD m = a y E(m) = aX , Var(m) = a = aa 2 (Xa c) EL PROBLEMA DE LA ESTIMACION
2

(u u)/n

(a)

yn,1 = Xn,k ^k,1 + n,1

n,1 = Xn,k ^k,1

BONDAD DE AJUSTE (R2)

=y i = 0
(y/n) = (/n) = 0 x = 0

Variacin explicada + Variacin no explicada = Variacin total -n( y)2 + = yy n( y)2

R2 = (variacin explicada)/ (variacin total) 0 R2 1

R2 AJUSTADO A LOS GRADOS DE LIBERTAD QUE SE ESTIMA? La funcin de regresin de la poblacin R2 = 1 (1 R2)[(n-1)/(n-K)]

EVALUACION DE PRIMER ORDEN E ( ) = Var ( ) =

2

Construya la tabla ANOVA, F = (Varianza explicada)/ (Varianza no explicada), H0: 1= 2= = k H0: R2 = 0

(XX)-1

H1: R2> 0 gl (k-1)/(n-k) Estadstico de prueba F = [R2/ (k-1)]/ [(1-R2)/(n-k)]

s2 = /(n-k) Error estndar del coeficiente (S ) s2(XX)-1

H0: H1:

EVALUACION INDIVIDUAL
i

Pr(

INTERVALO DE CONFIANZA t /2S i) = 1 -

=0 0

gl n-k Estadstico de prueba ti = i/ s

ESTIMACION CON RESTRICCIONES

R = r * = + (XX)-1 R [R(XX)-1) R] (r R )

EVALUACION CONJUNTA (ANALISIS DE VARIANZA)

H0: H1:

F=

Prueba de Farrah Glauber I. Severidad de la colinealidad

VIOLACION A LOS SUPUESTOS AUTOCORRELACION

H0: Ortogonalidad H1: Colinealidad Estadstico de prueba

2

Supuesto: cov (uiuj) = 0 i j Deteccin

= -[n-1-(1/6)(2k+5)]ln|Q|

Prueba de Durbin Watson H0: = 0 H1: 0 DW = 2(1- ) 0 DW 4

gl [(1/2)k](k-1) II. Elementos colineales H0: H1:

xixj

=0

xixj

gl n-2 Estadstico de prueba trxixj = [rxixj(n-2)]/[1-(rxixj)2]

COLINEALIDAD

III.Factores colineales Estimar xi en funcin de todas las variables explicativas diferentes de i Realizar la evaluacin conjunta de primer orden Prueba de Belsley Kuh

Supuesto: (X) = K, Xi es un vector linealmente independiente de Xj, Xi es ortogonal a Xj. Es un fenmeno muestral. Deteccin

Estime el modelo y obtenga t y la s2 Estime (t/s2) = HETEROSCEDASTICIDAD

2 0

+ 1Z + vt

Prueba de Goldfed & Quandt Muestras mayores o iguales a 30 observaciones H0: Homoscedasticidad H1: Heteroscedasticidad Se ordenan las observaciones Se retiran las (n c)/2 observaciones Se estima el modelo para cada uno de los grupos de datos, obteniendo 1 para el grupo uno y 2 para el grupo dos. El estadstico de prueba F = 2/1 , si 2 > 1, o viceversa, los gl (n c 2k)/2

Supuesto: Var(u) = Deteccin

constante y finita.

Prueba del coeficiente de correlacin de rango o de Spearman H0: = 0 H1: 0 gl n-2 Estadstico de prueba r = 1 [(6D2)/(n3 n)] tr = [(r(n-2)]/[1 (r)2] Prueba de Glesjer |t| =
0

+ 1Zht + vt PRUEBA DE NORMALIDAD H0: Normalidad H1: No normalidad

Realice la prueba de individual de primer orden para 1 Prueba de Breusch Pagan

JB = n {(s2/6) + [(k 3)2/24]}

r=t

PRUEBA DE CHOW H0: Cambio estructural H1: No hay cambio estructural F = [R NR)/k]/[(NR)/(n1+n2+2k] PRUEBA DE RAMSEY RESET H0: H1: F = [(R2nueva R2vieja)/ (nmero de regresores nuevos)]/ [(1-R2nueva)/(n-nmero de parmetros en el modelo)] PRUEBA DE CUSUM Error de pronstico yt xt
t-1

(Wr/S)
r=k+1

PRUEBA DE CUSUM Q

PRUEBA DE PRONSTICO DE UN SOLO PASO Error de pronstico t+1 = yt+1 - ft Error cuadrtico 2t+1 El pronstico de yn+1 fn =
0

+ 1yn + y1zn

Error de pronstico no conocido n+1 = yn+1 fn

-1 (1/2)

Varianza
2

= [1 + xt(Xt-1 Xt-1) xt]

2

Error estndar del pronstico Ee(n+1) = {[ee(fn)]2 + 2}(1/2)

Residuo recursivo wt = (yt xt

t-1

)/[+xt(Xt-1Xt-1)-1xt](1/2)

FUNCION

PRODUCTO CARTESIANO Sean A, B dos conjuntos, AXB = {(a, b)/ a A, b B}, BXA = {(b, a)/ b B, a A} RELACIONES (R) R AXB R = {(a, b)/ a r b} FUNCIONES (f) fR f = {(a, b)/ a no se repite} INVERSA (f-1)

BIYECTIVA

Funcin uno a uno y sobre, tanto inyectiva como suprayectiva

Si f = {(x, y), x dominio, y imagen} Entonces f = f = {(y, x), y dominio, x imagen} La funcin inversa de la funcin ln(x) es la funcin exponencial ex

INYECTIVA

f = {(a, b)/ a A} COMPOSICION

SUPRAYECTIVA

f = {(a, b)/ b B}

Sea la f = {(x, y), x dominio, y imagen} y sea la g = {(w, z), w dominio, z imagen}

Entonces f[g(x)] = {(x, z )/ y = w}

[xi * f(Xi)] E(X) = E(C) = C

LINEALIDAD

E(CX) = CE(X) E(X Y) = E(X) E(Y)

En Econometra que los b no se multipliquen, no se dividan, no sean potencia, que tengan de exponente a la unidad, que no sean afectados por alguna funcin trascendental, ni logartmica. LOGARITMOS VARIANZA ( 2) Var(X) = E [(X E(X)][ X E(X)] Var(c X) = c Var(X) c TRANSPUESTA (A + B C) = A + B C (ABC) = C* B * A (A) = A ESPERANZA MATEMATICA AA = ( aij = aji) TRAZA tr(Im,m) = (aij), i = j

logb(n) = m, bm = n log (AB) = log(A) + log(B) log (An) = n log(A) log(A/B) = log(A) log(B) ln(ex) = x

Una funcin, permite obtener el valor del centro de gravedad de una poblacin

INVERSA X-1 = (1/|X|) Adj(A) Adj(A) = [C(A)] Cij = (-1)i+jMij (A-1)-1 = A (A)-1 = (A-1) |A-1| =1/|A| EIGENVALOR Ax= x |A |= 0

t r(A B) = tr(A)tr(B) |A B| = |A|q|B|n ( A B) = (A) (B) DERIVADA DE UNA MATRIZ

Producto de Kronecker Am,n Bn,o =[aij B]mn,no A (B + C) = A B + A C (k A) B = A (k B) = k (A B) (A B)(C D) = AC BD (A B)-1 = A-1 B-1