445T4rterw6tertwrt
Páginas: 13 (3073 palabras)
Publicado: 10 de noviembre de 2010
Guía para el segundo parcial
1. ¿Porque razón debe formularse el supuesto de normalidad?
Por que sin el no se puede dar pie para hacer el modelo de MCO
2. ¿Qué propiedades presentan los estimadores de mínimos cuadrados bajo el supuesto de normalidad?
Son significativos
3. Explique en qué consiste el estadístico Jarque Bera, que parámetros utiliza, contra que valor de tablas escomparado para tomar una decisión.
Se compara con la probabilidad de los coeficientes en base a la probabiliodad de que si es mayor de 0.05 se cumple el supuesto de normalidad.
4. Explique la prueba de Kolmogorov
Este contraste, que es válido únicamente para variables continuas, compara la función de distribución (probabilidad acumulada) teórica con la observada, y calcula un valor dediscrepancia, representado habitualmente como D, que corresponde a la discrepancia máxima en valor absoluto entre la distribución observada y la distribución teórica, proporcionando asimismo un valor de probabilidad P, que corresponde, si estamos verificando un ajuste a la distribución normal, a la probabilidad de obtener una distribución que discrepe tanto como la observada si verdaderamente se hubieraobtenido una muestra aleatoria, de tamaño n, de una distribución normal. Si esa probabilidad es grande no habrá por tanto razones estadísticas para suponer que nuestros datos no proceden de una distribución, mientras que si es muy pequeña, no será aceptable suponer ese modelo probabilístico para los datos.
5. Comente la prueba Anderson Darling
La prueba de Anderson-Darling es usada paraprobar si una muestra viene de una distribución especifica. Esta prueba es una modificación de la prueba de Kolmogorov- Smirnov donde se le da más peso a las colas de la distribución que la prueba de Kolmogorov-Smirnov .
En estadística, la prueba de Anderson-Darling es una prueba no paramétrica sobre si los datos de una muestra provienen de una distribución específica. La fórmula para el estadísticodetermina si los datos (observar que los datos se deben ordenar) vienen de una distribución con función acumulativaF .
Formulas:
A2= − N− S
6. Defina que es la heteroscedasticidad.
Se da cuando la varianza de los errores no es constante en las distintas observaciones ”
Homocedasticidad: E ( Ui 2 ) = 2
Heterocedasticidad: E ( Ui 2 ) =
7. Explique cuáles son lascausas por las que las varianzas de i no son constantes.
8. Qué ocurre con los estimadores en presencia de heteroscedasticidad.
En general la existencia de heterocedasticidad no afecta las condiciones de
sesgo de los estimadores pero invalida las pruebas estadísticas de contrastes
asociadas a los intervalos de confianza a partir de las distribuciones T de Student y F
de Fisher-Snedecor9. En qué consiste el método de mínimos cuadrados generalizados.
Dados los fallos que ocurren en las propiedades de los estimadores MCO, surge la conveniencia de buscar estimadores alternativos que verifiquen mejores propiedades que los de MCO.
Este es el caso de los estimadores de Mínimos cuadrados generalizados(MCG).
Para construirlos basta observar una propiedad del nuevo modelo, quedepende de la descomposición de la matriz de varianzas de las perturbaciones
10. Cómo se detecta la heteroscedasticidad
GRAFICANDO LOS RESIDUOS CONTRA EL VALOR ESTIMADO DE Y
11. Explique los métodos informales para detectar la heteroscedasticidad.
* Naturaleza del problema: Se basa en relaciones ya estudiadas que pueden ser similares a las que estamos analizando
* Casosparticulares
* Método grafico: consiste en hacer una regresión bajo el supuesto de que no existe heterocedasticidad y luego examinar los u con las y para ver si hay algún patrón de comportamiento
12. Explique la prueba de Park, la de Glejser, la se Spearman, Goldfeld-Quant, Breusch-Pagan-Godfrey, Whithe.
TEST DE GOLDFELD-QUANT: Se basa en la idea que si la varianza de los errores es igual a...
1. ¿Porque razón debe formularse el supuesto de normalidad?
Por que sin el no se puede dar pie para hacer el modelo de MCO
2. ¿Qué propiedades presentan los estimadores de mínimos cuadrados bajo el supuesto de normalidad?
Son significativos
3. Explique en qué consiste el estadístico Jarque Bera, que parámetros utiliza, contra que valor de tablas escomparado para tomar una decisión.
Se compara con la probabilidad de los coeficientes en base a la probabiliodad de que si es mayor de 0.05 se cumple el supuesto de normalidad.
4. Explique la prueba de Kolmogorov
Este contraste, que es válido únicamente para variables continuas, compara la función de distribución (probabilidad acumulada) teórica con la observada, y calcula un valor dediscrepancia, representado habitualmente como D, que corresponde a la discrepancia máxima en valor absoluto entre la distribución observada y la distribución teórica, proporcionando asimismo un valor de probabilidad P, que corresponde, si estamos verificando un ajuste a la distribución normal, a la probabilidad de obtener una distribución que discrepe tanto como la observada si verdaderamente se hubieraobtenido una muestra aleatoria, de tamaño n, de una distribución normal. Si esa probabilidad es grande no habrá por tanto razones estadísticas para suponer que nuestros datos no proceden de una distribución, mientras que si es muy pequeña, no será aceptable suponer ese modelo probabilístico para los datos.
5. Comente la prueba Anderson Darling
La prueba de Anderson-Darling es usada paraprobar si una muestra viene de una distribución especifica. Esta prueba es una modificación de la prueba de Kolmogorov- Smirnov donde se le da más peso a las colas de la distribución que la prueba de Kolmogorov-Smirnov .
En estadística, la prueba de Anderson-Darling es una prueba no paramétrica sobre si los datos de una muestra provienen de una distribución específica. La fórmula para el estadísticodetermina si los datos (observar que los datos se deben ordenar) vienen de una distribución con función acumulativaF .
Formulas:
A2= − N− S
6. Defina que es la heteroscedasticidad.
Se da cuando la varianza de los errores no es constante en las distintas observaciones ”
Homocedasticidad: E ( Ui 2 ) = 2
Heterocedasticidad: E ( Ui 2 ) =
7. Explique cuáles son lascausas por las que las varianzas de i no son constantes.
8. Qué ocurre con los estimadores en presencia de heteroscedasticidad.
En general la existencia de heterocedasticidad no afecta las condiciones de
sesgo de los estimadores pero invalida las pruebas estadísticas de contrastes
asociadas a los intervalos de confianza a partir de las distribuciones T de Student y F
de Fisher-Snedecor9. En qué consiste el método de mínimos cuadrados generalizados.
Dados los fallos que ocurren en las propiedades de los estimadores MCO, surge la conveniencia de buscar estimadores alternativos que verifiquen mejores propiedades que los de MCO.
Este es el caso de los estimadores de Mínimos cuadrados generalizados(MCG).
Para construirlos basta observar una propiedad del nuevo modelo, quedepende de la descomposición de la matriz de varianzas de las perturbaciones
10. Cómo se detecta la heteroscedasticidad
GRAFICANDO LOS RESIDUOS CONTRA EL VALOR ESTIMADO DE Y
11. Explique los métodos informales para detectar la heteroscedasticidad.
* Naturaleza del problema: Se basa en relaciones ya estudiadas que pueden ser similares a las que estamos analizando
* Casosparticulares
* Método grafico: consiste en hacer una regresión bajo el supuesto de que no existe heterocedasticidad y luego examinar los u con las y para ver si hay algún patrón de comportamiento
12. Explique la prueba de Park, la de Glejser, la se Spearman, Goldfeld-Quant, Breusch-Pagan-Godfrey, Whithe.
TEST DE GOLDFELD-QUANT: Se basa en la idea que si la varianza de los errores es igual a...
Leer documento completo
Regístrate para leer el documento completo.