Brainscape's Knowledge GenomeTM

Browse over 1 million classes created by top students, professors, publishers, and experts.


See full index

ZZ Econometria > Tema 2: Hipótesis Estadísticas Básicas > Flashcards

Tema 2: Hipótesis Estadísticas Básicas Flashcards

1
Q

Dos características deseables de cualquier estimador son:

A
    • Insesgadez

2. - Eficiencias relativa

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
2
Q

Insesgadez

A

Que el parámetro estimado sea, en promedio igual al “verdadero” parámetro poblacional.

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
3
Q

Eficiencia relativa

A

Que del conjunto de estimadores insesgados tenga la menor varianza.

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
4
Q

¿Con cuales propiedades cuenta el estimador MCO?

A

Cuenta con ambas propiedades (Insesgadez y eficiencia relativa) bajo ciertas condiciones: los supuesto Gauss-Markov

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
5
Q

Supuesto que tendremos en el hipótesis en el contexto de datos de corte transversal (4)

A
    • Linealidad en los parámetros
    • Muestreo aleatorio
    • Media condicional nula
    • No hay multiconealidad (colinealidad) perfecta
How well did you know this?
1
Not at all
2
3
4
5
Perfectly
6
Q

Supuesto 1.- Linealidad en los parámetros

A

El modelo poblacional es lineal en los parámetros (desconocidos) y viene dada por:
Y=B0+B1X1+b2x2+…+BkXk+u

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
7
Q

Supuesto 2.- Muestreo aleatoria

A

Disponemos de una muestra aleatorio de tamaño n, {(yi, xij)i=1,2,3…k} del modelo poblacional.
Por tanto podemos escribir el modelo en términos de la muestra como: yi=B0+B1xi1+B2xi2+…+Bkxik+ui i=1,2,3…n

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
8
Q

Supuesto 3.- Media condicional nula

A

E(u|x1…xk)=E(u)=0

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
9
Q

Para una muestra aleatoria, ¿que implica el supuesto 3?

A

Partiendo del supuesto que la muestra es aleatoria (S2), nos permite concluir que las variables explicativas son exógenas.

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
10
Q

Exógenas según Green

A

Las variables independientes no llevan información relevante para predecir u

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
11
Q

¿Porque puede incumplirse el supuesto 3?

A

Debido a errores de especificación como la omisión de variables relevantes correlacionada con cualquiera de las variables xj.

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
12
Q

Supuesto 4.- No hay multicolinealidad (colinealidad) perfecta

A

En la muestra (y, por tanto, en la población), ninguna de las variables explicativas es constante (estamos suponiendo que el modelo tiene término constantes), y no existen relaciones lineales exactas entre las variables independientes.

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
13
Q

Multiconealidad perfecta

A

Si un variable es independiente es una combinación Lionela exacta de las otras variables independientes

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
14
Q

Sabiendo el S4, ¿entonces no podrá hacer correlación entre variables?

A

Puede existir correlación entre variables, pero no perfecta pues en ese caso no podrían obtenerse los estimadores MCO

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
15
Q

¿De que forma fue el condición del S4 más sencillo en el modelo lineal simple?

A

Ya que únicamente había una x, exigíamos que los valores de xi para Vi=1,2…n no fuesen iguales a la misma constantes en la muestra (mismo valor para todos los individuos).

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
16
Q

Dentro del marco del S4, ¿qué exigiremos de n (tamaño muéstral)? ¿Por qué?

A

Que no sea menor que k+1 (número de parámetros del modelo).
Intuitivamente, esto tiene sentido para estimar k+1 parámetros, necesitamos al menos k+1 observación.
Si el modelo se especifica de forma cuidadosa y n>=k+1, es my raro que el S4 no se cumpla, lo que podrás suceder solo debido a la mala suerte al recoger la muestra.

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
17
Q

¿Cuantas observaciones como mínimo necesitamos para construir una recta?

A

2 observaciones, 2 parámetros.

Si n>2 la recta ya no pasaría necesariamente por eso 2 puntos

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
18
Q

¿Que pasara al Insesgadez si falla el S1 a 4?

A

Generalmente si alguno de los supuesto 1 a 4 falla, falla la Insesgadez pero esto es evidente si no se cumple S3

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
19
Q

LA distribución muestral de nuestros estimadores Bj(^), ¿alrededor de que estará centrada?

A

Alrededor del parámetro Bj (es insesgado)

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
20
Q

¿Por que nos importa saber cuánto podemos esperar que se desvíe en promedio el valor de Bj (^) de su valor esperado (medida de la incertidumbre)?

A

Sábelo nos permitirá escoger el mejor estimador posible de la gama de estimadores insesgados.

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
21
Q

¿Cual sera el supuesto 5 adicional que estableceremos?

A

Homoscedasticidad (o varianza constante): Var(u|x1….xk)=Var(u|x)=. Donde x=(x1…xk)

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
22
Q

Supuesto 5.- Homscedasticidad (o varianza constante)

A

Este supuesto significa que la varianza del término de error u, condicionada a las variables explicativas del modelo es la misma para todas las combinaciones de valores de las variables explicativas. No depende de las x’s y es constante para todas las observaciones

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
23
Q

¿Cuando se dirá que el término de error presente hereroscedasticidad?

A

Cuando Var(u|x) depende de x, no siendo constante para las distintas observaciones

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
24
Q

¿Que diremos del término de error cuando Var(u|x) depende de x, no siendo constaten para las distintas observaciones?

A

Que presenta Heretoscedacidad

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
25
Q

¿Que papel juega el S5 a la hora de calcular los estimadores y si éstos son insesgados?

A

Ninguna

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
26
Q

¿Por que impone el Supuesto 5?

A

Para facilitar el cálculo de la varianza y para obtener buenas propiedades de los estimadores (Eficiencia).

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
27
Q

Dada la hipótesis de E(u|x)=E(u)=0

A

Var(u|x)=Var(u)=. (Que es también la varianza incondicional de u)

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
28
Q

¿Como denominamos. ?

A

Varianza del error o de la peturbación

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
29
Q

¿Como denominamos. ?

A

Desviación típica del error

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
30
Q

¿Cuanto mayor sea la desviación típica del error () como sera la disperción de las variables inobservables que afectan a y?

A

Mayor

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
31
Q

Una forma equivalente de enunciar el supuesto homoscedasticidad es:

A

Var(y|x1…xk) = Var(y|x) = varianza de error o pertubación donde x=(x1…xk)

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
32
Q

Si hay homoscedasticidad, ¿como sera la varianza de y?

A

Dado x=x1,x2…xk es constante

33
Q

La heteroscedasticidad implica…

A

Var(u|x) y por tanto Var(y|x) depende de x.

34
Q

Supuesto Gauss-Markov

A

En el análisis de corte transversal el conjunto de los supuesto 1-5

35
Q

¿Que pasara con los supuesto en serie-temporal?

A

Que consideramos el supuesto de no autocorelación y eliminaremos el de muestreo aleatorio

36
Q

Con una sola x en la Homoscedasticidad

A

La varianza de las perturbaciones es constante para todos las observaciones

37
Q

Con una sola x en la HEteroscedasticidad

A

La varianza de las perturbaciones no es constante para todas las observaciones

38
Q

Y=B0+B1x^2+u ¿es lineal en los parámetros? ¿Y en los variables?

A

Sí en los parámetros

No en los variables

39
Q

¿Que importa que sea lineal en los parámetros o en los variables?

A

En los parámetros

40
Q

Y=B0+B1ln(x)+u ¿es lineal en los parámetros? ¿Y en los variables?

A

Si en los parámetros

No en los variables

41
Q

Y= 1/ (B0+B1x) + u ¿es lineal en los parámetros?

A

No

42
Q

Y= B0e^(B1x) + u ¿es lineal en los parámetros?

A

No

43
Q

¿Que significa que una muestra es aleatoria?

A

Que todos los individuos tiene la misma probabilidad de ser extraída y son independiente entre si

44
Q

¿Que pasara si una muestra no es aleatoria?

A

Puede haber sesgos

45
Q

Según S3, ¿como es covarianza de x, u?

A

Covarianza (x,u)=0

46
Q

Y=Bo+B1x+B2(2x)+u ¿se puede estimar?

A

No, porque existe relación lineal exacta

47
Q

Y=B0+B1x+B2x^2+u ¿se puede estimar?

A

Sí, existe relación, pero no es lineal exacta

48
Q 
Se hace un experimente con este modelo: 
Rendimiento Académico = B0+B1^x %de participación programa de almuerzo + u 
Esperamos B1(^)>0 porque alumno bien alimentado rinde más, pero nos sale B1<0, ¿porque?
A

Por que hemos dejado índice de pobreza de las familias dentro de la u, esto es variable relevant que esta positivamente afectada por B1
Si volvemos a for el modelo con B2 x IP de familia B1(^) > 0

49
Q

¿Que pasaría si tuviera más parámetros que observaciones?

A

No se podría estimar

Deber ser n>= k+1

50
Q

En caso de Insesgadez, si podemos hacer infinitos nuestras, ¿como sera el promedio?

A

El promedio sera el verdadero valor poblacional

51
Q

Si tengo herosceesidad, ¿puedo decir que mi modelo es igual de fiable en todos los puntos?

A

No

52
Q

Si tengo homoscesidad, ¿puedo decir que mi modelo es igual de fa el en todos los puntos?

A

Sí

53
Q

Homoscesidad implica…

A

Mayor precisión

54
Q

Heteroscesidad implica…

A

Menor precisión

55
Q

¿Que es básicamente E(B(^)-t[B(^)])^2=E[B(^)-B]^2?

A

La varianza de los estimadora

56
Q

¿Que nos viene major homoscedasticidad o heteroscedasticidad?

A

Homoscedasticidad

57
Q

¿Que nos garantiza la homoscedasticidad?

A

Solo tener que calcular un varianza

58
Q

¿Que pasa si no cumple los supuesto?

A

No sera fiable

59
Q

Si es mayor sera la fiabilidad de nuestra estimación, ¿mayor o menor?

A

Menor

60
Q

Cuota mayor es la información que tenemos ¿como sera la precisión del modelo?

A

Mayor

61
Q

¿Como es la relación entre ?

A

Positivo

62
Q

¿Como es la relación entre ?

A

Negativa

63
Q

¿Como es la relación entre ?

A

Positivo

64
Q

¿Por qué es replante fijarnos en la varianza del estimador?

A

La Insesgadez es importante pero solamente nos dice que la media de la distribución muestral del estimador coincide con el parámetro que queremos estimar pero no es cuantó nos dispersamos de éste. Si dicha varianza es pequeña esto nos indicará que es menos probable que, a partir de una muestra aleatoria obtengamos una estimación del parámetro de interés que sea muy distante del verdad o parámetro.

65
Q

¿Por qué el tamaño de la Var (BJ(^)) es importante?

A

Una varianza grande significa un estimador poco preciso, y esto se traduce en intervalos de confianza grandes y contrastes de hipótesis menor precisos

66
Q

¿Mayor varianza de los de los estimadores a que equivale?

A

A menor precisión

67
Q

¿De que 3 factores depende la varianza?

A

…

68
Q

¿Que es ?

A

Varianza de la peturbación aleatoria del error

69
Q

¿Como afecta. A la varianza?

A

Cuanto mayor es mayor será la varían de los 2 estimadores. Es decir cuanto mayor sea la variación de los variables inobservables que afectan a y, más difícil será estimar con precisión el efecto parcial de cualquier x’s sobre la y, lo que traduce en varianza mayores para los estimadores de pendiente. Puesto que es una caracteristica de la población, no tiene nada que ver con el tamaño muestra. No se conocer, habrá que estimarlas.

70
Q

Solución de la dependencia de la varianza de

A

“Sacar” de u si es oportuno más variables para añadirla al modelo

71
Q

¿Que es STCj?

A

…

72
Q

¿Como afecta STCj a la varianza?

A

Cuanto mayor se la variabilidad total en xj, menor séra Var(Bj (^)). Un valor pequeño se refleja en estimadores más imprecisos. Este es el componente de la varianza del estimador que sistemáticamente depende del tamaño de la muestra si:
Aumenta n entonces disminuye var (Bj (^)))

73
Q

Solución de la dependencia de la varianza de STCj:

A

Aumenta el tamaño muestral

74
Q

¿Que es Rj^2?

A

Relaciones lineales entre variables independientes. Es la proporción de la variación muestral total en xj que puede ser explicada por las otra variables independientes que aparecen en la ecuación.

75
Q

¿Como afecta Rj^2 a la varinza?

A

Dados. Y STCj, cuando mayor sea Rj^2 (más cercano a 1), mayor será la proporción de la variación muestral de la variable xj que es explicada por las restantes variables explicativas del modelo, lo que indicará que est´estrechamente relacionada con ellas, traduciéndose esto en una mayor varianza del estimador asociada a dicha variable (Var(Bj(^) aumenta). Obviamente, el caso de multicolinealdiad perfecta Rj^2=1 no se contempla pues suponemos se cumple el supuesto 4.

76
Q

Problema de la multicolinealidad (no perfecta)

A

Si la corelacción entre las variables explicativa es muy elevada (R^2=1) los estimadores, dado y STCj, pueden ser tan imprecisos que esto puede dar lugar a problemas.
Es por esto que es preferible siempre una menor correlación entre las VEs si persigues conseguir estimadores más precisos.

77
Q

Solución de la dependienta de la varianza de Rj^2:

A

Un Rj^2 elevado puede ser compensado por una muy pequeña o una SCTj también muy elevado.

78
Q

¿Problema del multicolinealidad? (2)

A
  • Pequeñas variaciones en la muestra puede variar sensiblemente las estimaciones de los parámetro y de sus errores estándares.
  • Alguna estimaciones pueden perder significativamente estadística.
79
Q

¿Soluciones del Multicolinealidad? (4)

A
  • Eliminar represores al ata mente colineales (poco recomendable: sesgo de variable omitida).
  • Aumenta el tamaño muestral para compensar vía STCj
  • Ignorar el problema si nos interesa un parámetro asociada a una variable poco correlacionada con el resto de variables explicativas
  • Redefinir el modelo para evitar el uso de represores muy correlacionados

ZZ Econometria (7 decks)

Brainscape helps you reach your goals faster, through stronger study habits.
© 2024 Bold Learning Solutions. Terms and Conditions