Econometria Examen Parcial II-figueroa Chavez
Econometria Examen Parcial II-figueroa Chavez
Econometria Examen Parcial II-figueroa Chavez
1.
Estime el modelo de acuerdo a la data proporcionada. Calcular e interpretar los
estimadores. (4 puntos)
2. Interprete: coeficiente de determinación, coeficiente de determinación ajustado y
criterio de Akaike. (4 puntos)
3. Calcular e interpretar las pruebas de hipótesis individual. (4 puntos)
4. Calcular e interpretar los intervalos de confianza al 95%. (4 puntos)
5. Interprete la matriz de coeficientes de correlación. (4 puntos)
Por otro lado, el R-Cuadrado no indica que este modelo no es muy confiable ya que esta
emuy lejos, en cuanto al R-Cuadrado corregido se aleja más de la unidad por ello nos
indica que no es un modelo confiable para analizar
Valores críticos al 5% del estadístico de Durbin-Watson, n = 18, k = 3
dL = 0.9331
dU = 1.6961
El Akaike Información Criterio: Akaike info criterion El Akaike Inromation Criterio, o AIC, es
una guía a la selección del número de condiciones en una ecuación. Es basado en la suma de
residuos cuadrados pero lugares una multa en los coeficientes extras. Bajo ciertas condiciones,
usted puede escoger la longitud de una distribución de retraso, por ejemplo, escogiendo la
especificación con el valor más bajo del AIC. El Criterio de Schwarz: Schwarz criterion El
criterio de Schwarz es una alternativa al AIC con básicamente la misma interpretación pero una
multa más grande para los coeficientes extras
La log-verosimilitud es la expresión que Minitab maximiza para determinar los valores
óptimos de los coeficientes estimados (β).
Los valores de log-verosimilitud no se pueden utilizar por sí solos como un índice de ajuste,
porque dependen del tamaño de la muestra, pero sí se pueden utilizar para comparar el ajuste de
diferentes coeficientes. Como lo que se desea es maximizar la log-verosimilitud, el valor más
alto es mejor. Por ejemplo, un valor de log-verosimilitud de -3 es mejor que -7.
1.Prueba de hipótesis:
Restricción:
b[const] = 1
Prueba de hipótesis Una hipótesis estadística es un enunciado sobre los valores de algunos
parámetros de la población hipotética de la cual se toma la muestra. Una prueba de hipótesis es
un procedimiento que responde la pregunta si la diferencia observada entre el valor de la
muestra y el valor de la población hipotético es verdadera o se debe a una variación aleatoria.
La H0 se conoce como hipótesis nula. H1 se conoce hipótesis alternativa. La probabilidad de
rechazar H0 cuando de hecho es verdadera, se conoce como nivel de significancia. Para probar
si la diferencia observada entre los datos y lo que se espera según la hipótesis nula es real o se
debe a una variación aleatoria se utiliza una estadística de prueba. Para nuestro caso
trabajaremos con las estadísticas de prueba con su distribución normal, chi cuadrado, t y F. El
nivel de significancia observado o valor P es la probabilidad de obtener un valor en la
estadística de prueba que sea tan extremo o más que el valor observado en la propia estadística
de prueba. Esta probabilidad se calcula sobre la base de que una hipótesis nula es verdadera.
4.-Calcular e interpretar los intervalos de confianza al 95%. (4 puntos)
Estimaciones restringidas: