Muestra suficiente Regresores deterministas No multicolinealidad Exogeneidad Permanencia Estructural Media nula de las pertubaciones aleatorias Homocedasticidad No autocorrelación Distribución normal de las perturbaciones aleatorias Hipótesis Básicas del Modelo
Estimación de los parámetros Mínimos Cuadrados Ordinarios Aquellos que minimizan la suma de los residuos al cuadrado. El error cometido en la estimación (residuo) es el estimador de la perturbación, y por tanto el objetivo a minimizar.
Máxima Versomilitud Hacen máxima la función de verosimilitud (función de densidad conjunta de la información muestral) Requieren conocer la distribución de probabilidad del modelo
Deducción de los estimadores MCO (I) Se busca la recta que minimizan la suma al cuadrado de los residuos
Aplicación Práctica (Modelo simple)
Aplicación Práctica (Modelo simple) Ecuación de regresión
Bondad de ajuste
CONTRASTE Sig: Probabilidad de equivocarme si rechazo la hipótesis nula
Sig < 0,05: Rechazo la Hipótesis nula
Contraste de Significatividad conjunta del modelo: F
Contraste de Significatividad individual de cada uno de los parámetros: t
MBRL: Múltiple Planteamiento
Hipótesis Independencia en los residuos: No autocorrelación Homocedasticidad: Varianza de residuos constante No-colinealidad: No existe relación lineal exacta entre ninguna variable independiente. Normalildad
Utilización del Modelo Predicción: sabiendo que un sujeto entró en la empresa con un salario de 1000 euros, ¿cuál será su salario actual? Simulación: ¿Cuál sería el salario actual de un sujeto que hubiera entrado en la empresa con un salario de 1000 euros? ¿y si fuera de 500 euros? Contraste de teorías: ¿la variable salario inicial sirve para explicar el salario actual? Sí, ya que el valor de su parámetro estimado siempre es distinto de cero.
| Página siguiente |