econometria

Econometría.
Capítulo 12.
Términos y conceptos Claves. (PG. 379)
Colinealidad Perfecta: cuando una o más variables, son una combinación lineal de otra, es decir, existe un coeficiente de determinación entre estas dos variables de 1. Se da cuando hay una relación lineal perfecta entre las variables explicativas (X), es decir no se puede obtener estimaciones únicas de todos los parámetros, porlo tanto no hay como realizar contrastación de hipótesis (la contrastación y estimación de los coeficientes individuales de la regresión en una regresión múltiple no son posibles. Podemos obtener estimaciones de una combinación lineal es decirla suma o diferencia de los coeficientes originales pero no de cada uno de ellos individualmente.
Colinealidad Imperfecta: cuando una o más variables, noson exactamente una combinación lineal de la otra, pero existe un coeficiente de determinación entre estas variables muy cercano al uno. Es la que se da con mucha frecuencia en los casos económicos, es decir no tienen una relación exactamente lineal pero si aproximada, por lo que decimos que es elevada pero no perfecta.
Coeficiente de correlación parcial: El coeficiente de correlación parcial deprimer orden, anotado aquí , permite conocer el valor de la correlación entre dos variables A y B, si la variable C había permanecido constante para la serie de observaciones consideradas. Dicho de otro modo, el coeficiente de correlación parcial es el coeficiente de correlación total entre las variables A y B cuando se les retiró su mejor explicación lineal en término de C.
Regresión Auxiliar oSubsidiaria: es hacer una regresión de cada variable X sobre las demás variables X y calcular el correspondiente R2.
Factor de Inflación de la Varianza (VIF): A medida que aumentan los R2 , la varianza aumenta o se infla y por tanto el error estándar tanto de b3 como b3 se inflan.
Eliminación de una o varias variables en el modelo: es la más sencilla de todas pero esto puede ser perjudicialpara el modelo ya que esa variable que se elimine sea muy significativa dentro del mismo.
Error de especificación del modelo:
Obtención de una nueva muestra o datos adicionales: a veces la adquisición de datos adicionales puede reducir la gravedad del problema de Colinealidad. Esto puede llegar a ser costoso, además no siempre va a reducir la multicolinealidad si los datos son similares. Es muyviable si estas restricciones no son muy prohibitivas.
Replanteamiento del modelo: es posible que el modelo no este planteado correctamente o se hayan omitido variables en el mismo, de esta manera, hay que volver a revisarlo y plantearlo.
Información exógena o previa: no siempre es posible encontrar la información previa, pero si logramos conseguir dicha información, el suponer que lainformación anterior sigue cumpliéndose puede que en la muestra que estamos estudiando puede ser un supuesto elevado.
Transformación de variables: puede minimizar o resolver el problema de Colinealidad, por supuesto no hay garantías de que esta transformación siempre resulte útil.
Análisis de componentes principales y regresión de perturbaciones: no solo nos llevaría demasiado lejos en nuestro análisis,sino también exigiría tener unos conocimientos estadísticos que estén muy fuera del alcance de nuestros conocimientos por lo que decimos que estos análisis son muy complejos.

CAPITULO 13
Términos y conceptos clave
Homocedasticidad: A medida que aumenta la variable explicativa, también aumenta de media la variable dependiente, pero la varianza de la variable dependiente en torno a su valormedio permanece igual para todos los niveles de la variable explicativa.
Heterocedasticidad: Aunque el nivel medio de la variable dependiente aumenta a medida que lo hace la variable explicativa, la varianza de la variable dependiente no permanece igual para todos los niveles de la variable explicativa.
a) Datos de sección cruzada: En los datos de sección cruzada se suelen tener miembros de una...