Preguntas

1, Porque razn un modelo no cumple con el supuesto de normalidad .de ser as

que correctivo pueden utilizarse
La normalidad se aplica sobre los errores residuales y se espera que se distribuyan
normal, donde el promedio de la media de los errores se acerca a cero. Entonces, La
distribucin debe ser simtrica, Si se tiene una funcin de densidad aplicada a la misma
y el coeficiente de asimetra es igual o debe acercarse lo mayormente posible a cero
significa que los errores tiende a ser normal.
Pruebas de Normalidad
Jarque Bera n>100 (Se verifica el valor de probabilidad que esta por encima del 5%
para aceptar Ho y su explicacin, al 5% de significancia los errores se encuentran
normalmente distribuidos se acepta Ho). Por otro lado, esta la kurtosis, si esta no es
suficientemente alta, o si es muy exagerado el resultado, no se va a cumplir
efectivamente el supuesto de normalidad y esta debe ser igual a tres.
El coeficiente de asimetra debe ser igual cero y la kurtosis es igual a tres.
Se realiza el histograma de frecuencia de los errores residuales pero tiene el problema
de que puede ser subjetivo, Si se calcula el coeficiente de la Prueba de Hiptesis de
Jarque Bera que es igual a cero, y se tiene una intuicin de que se cumple el supuesto
de normalidad.
Si la media no es igual a cero no se acepta el supuesto de normalidad.
Se tiene que aceptar Ho. Donde las errores residuales estn normalmente distribuidos.
Kolmogorv Smirnov donde n>50 para que se cumpla el modelo debe tener valor de
probabilidad mayor al 5%.
Shapiro Wilk donde n<50 debe tener el valor de la probabilidad mayor al 5%.
X2 para pruebas grandes. El valor de la probabilidad se debe acercarse al 0.
Anderson Darling
para los errores su frecuencia es pequea,
El coeficiente de asimetra es igual a cero
El numero es superior a 100 hay que fijarse en el resultado de Jarque Bera, si es inferior
hay que fijarse en el histograma.
De ser asi que correctivo puede utilizarse??
Se debe aplicar las formas funcionales.
El supuesto de normalidad se cumple cuando los errores se encuentran normalmente
distribuidos, este supuesto sirve para darle validez a la prueba t-student. Cuando los
errores no se encuentran normalmente distribuidos, se pude afirmar que los
estimadores de MCO (Mnimos Cuadrados Ordinarios) siguen siendo MELI (Mejores
estimaciones lineales insesgadas), es decir son insesgados y tienen mnima varianza.
Para que un modelo se vuelva normal o deje de ser normal se aplican formas
funcionales al modelo, como la transformacin del modelo lineal (Lin-Lin) en:
Modelo Log-Log
Modelo Log-LIn
Modelo Lin-Log
Modelos recprocos
Causas: Los residuos pueda que no se encuentren normalmente distribuidos debido a
que la forma funcional del modelo que se est utilizando no es la ms adecuada.

Consecuencias: Cuando los residuos no se encuentran normalmente distribuidos,

la prueba t-student pierde su validez, es decir, el modelo no es el ms adecuado, las
variables independientes no son estadsticamente significativas en la explicacin de
la variable dependiente

2. Se puede utilizar chi cuadrado para muestras grandes?

El valor del estadstico 2 se podr aproximar por una distribucin Chi-cuadrado
cuando el tamao muestral n sea grande (n > 30), y todas las frecuencias esperadas
sean iguales o mayores a 5 (en ocasiones deberemos agrupar varias categoras a fin de
que se cumpla este requisito).
3. FORMULA DE ANDERSON DARLING

Donde:
n es el nmero de datos
f(x): es la funcin de distribucin de probabilidad terica
FS(X): es la funcin de distribucin emprica.
Para definir la regla de rechazo para esta prueba es necesario, tambin, obtener el
estadstico ajustado para luego compararlo con los valores crticos de la tabla de
Anderson- Darling
4 Qu son los errores de tipo I y tipo II?
Cuando usted realiza una prueba de hiptesis, puede cometer dos tipos de errores: tipo
I y tipo II. Los riesgos de estos dos errores estn inversamente relacionados y son
determinados por el nivel de significancia y la potencia de la prueba. Por lo tanto, usted
debe determinar qu error tiene consecuencias ms graves para su situacin antes de
definir sus riesgos.
Ninguna prueba de hiptesis es 100% cierta. Puesto que la prueba se basa en
probabilidades, siempre existe la posibilidad de sacar una conclusin incorrecta.
Error de Tipo I: Si rechaza la hiptesis nula cuando sta es verdadera, usted comete un
error de tipo I. La probabilidad de cometer un error de tipo I es , que es el nivel de
significancia que usted establece para su prueba de hiptesis. Un de 0.05 indica que
usted est dispuesto a aceptar una probabilidad de 5% de que est equivocado cuando
rechaza la hiptesis nula. Para reducir este riesgo, debe utilizar un valor ms bajo para
. Sin embargo, si utiliza un valor ms bajo para alfa, significa que tendr menos
probabilidades de detectar una diferencia verdadera, si es que realmente existe.

Error de tipo II: Cuando la hiptesis nula es falsa y usted no la rechaza, comete un error
de tipo II. La probabilidad de cometer un error de tipo II es , que depende de la
potencia de la prueba. Puede reducir su riesgo de cometer un error de tipo II al
asegurarse de que la prueba tenga suficiente potencia. Para ello, asegrese de que el
tamao de la muestra sea lo suficientemente grande como para detectar una diferencia
prctica cuando sta realmente exista.

5 consultar modelos dinamico, intertemporalidad, variables rezagadas

6. cuales son las variables dicotmicas
Variable dicotmica o binaria : Es aquella que slo puede tomar dos valores. Por
ejemplo Sexo, tener o no una enfermedad. Si a sus valores se les pone 0 y 1 se le llama
binaria. Estas variables pueden utilizarse en los modelos de regresin de la misma
forma que las variables cuantitativas
En efecto, una variable de naturaleza cualitativa indica la presencia o la ausencia de
unacualidad o atributo, de tal manera que junto con variables explicativas
cuantitativas (Ingreso, precio, costo, produccin, etc.) se agregan stas variables
asignando el valor uno, que indica presencia del atributo o el valor cero, que indica
ausencia del atributo

7 averiguar tipos de elasticidades

Tipo de elasticidades
El concepto de elasticidad es un concepto general que puede ser aplicado a diferentes
funciones. En general, la elasticidad es el cambio porcentual del valor de una variable
ante el cambio porcentual de otra variable.
Entonces. Existen diferentes clases de elasticidad de acuerdo a las variables que se
estn analizando:
- Elasticidad precio de la demanda
Implica cmo el cambio en los precios altera el nivel de demanda de un bien o servicio
en particular. Si un mayor precio produce una menor demanda por el producto,
entonces la demanda es elstica. Si el aumento de un precio genera un cambio
pequeo o ninguno en el nivel de la demanda, entonces la demanda es inelstica. En
general, la demanda es ms inelstica para los bienes que se consideran esenciales, o
para los que hay pocos sustitutos o no existen
- Elasticidad cruzada de la demanda
Examina cmo el precio de un bien afecta el nivel de demanda de otro bien. Por lo
general, afecta a bienes que son sustitutos el uno respecto del otro, o bienes que son
complementarios. Consideremos a la carne de pollo y la carne de res como ejemplos de
bienes sustitutivos. Un aumento en los precios de la carne puede impulsar una mayor
demanda de pollo, ya que los consumidores cambian sus preferencias. Mankiw, en
"Principios de la Economa", identifica a las computadoras y al software como ejemplos
de bienes complementarios. Si el aumento de precios de las computadoras reduce la
demanda de software, escribe Mankiw, entonces la demanda de software muestra una
elasticidad cruzada de la demanda.
- Elasticidad ingreso de la demanda
A medida que cambian los ingresos, tambin lo hacen los hbitos de compra de los
consumidores. Un aumento de sueldo grande le entrega ms dinero a una persona para
gastar en bienes que l o ella no podan permitirse de otra manera. Por el contrario, una
cada en el ingreso puede obligar a una familia a recortar su presupuesto, limitndose a
lo esencial. sto introduce la elasticidad ingreso de la demanda, o el cambio en la

demanda causado por los cambios en el ingreso. El economista de Harvard, Greg

Mankiw, seala en su libro de texto "Principios de la Economa", que un mayor ingreso
aumenta la demanda de la mayora de los bienes, denominados bienes normales. Sin
embargo, un mayor ingreso puede reducir la demanda de algunos bienes, a los que se
refiere Mankiw como bienes inferiores. El autor cita los viajes en autobs como un
ejemplo de un bien inferior.
- Elasticidad precio de la oferta
La elasticidad se aplica no slo a la demanda, sino tambin a la oferta. Los proveedores
de un bien o servicio quieren vender ms de lo mismo cuando el precio sube. La
elasticidad de precio de la oferta mide cunto cambia la cantidad ofertada en respuesta
a un cambio de los precios. Mankiw seala que la elasticidad de la oferta depende en
gran medida de la capacidad de un proveedor para cambiar la cantidad de la mercanca
que produce.
- Elasticidad cruzada de la oferta
La elasticidad cruzada de la oferta se define como el cambio proporcional en la cantidad
ofrecida, ante el cambio proporcional en el precio de otro bien.
Elasticidad Cruzada de la Oferta = (Qs1/Qs1) / (P2/P2)
Los bienes complementarios en la produccin son bienes que se producen
conjuntamente. Por ejemplo, gasolina y asfalto. Ambos se producen conjuntamente a
partir del petrleo crudo.
Cuando el precio de un bien complementario en la produccin aumenta (+), la cantidad
ofrecida del bien en cuestin tambin aumenta (+). Entonces, la elasticidad cruzada de
los bienes complementarios en la produccin es positiva.
Los bienes sustitutos en la produccin son aquellos que utilizan los mismos insumos.
Un ejemplo hipottico es una fbrica de automviles que se puede dedicar a producir un
modelo de automviles u otro.
Cuando el precio de un bien sustituto en la produccin aumenta (+), la cantidad ofrecida
del bien en cuestin disminuye (-), porque se desvan recursos hacia la produccin del
bien cuyo precio aument. Entonces, la elasticidad cruzada de bienes sustitutos en la
produccin es negativa

8 cual es la diferencia entre la mediana y la moda

9 consultar que si la forma funcional tiene impacto en la normalidad
10 efecto de micronumerosidad (generado por el mayor numero de
retardos)
Nuevamente, como una parodia de multicolinealidad, Goldberger cita
diversas formas de
detectar la micronumerosidad, como el desarrollo de valores crticos del
tamao de la muestra,
n*, tales que la micronumerosidad es un problema slo si el tamao real de la
muestra n es ms
pequeo que n*. Lo importante de la parodia de Goldberger es destacar que
el tamao pequeo
de la muestra y la falta de variabilidad en las variables explicativas pueden
ocasionar problemas
por lo menos tan graves como los debidos a la multicolinealidad.
Aunque la multicolinealidad ha recibido extensa (algunos diran excesiva)
atencin en la

teora, un problema igualmente importante en la investigacin emprica es el

de la micronumerosidad,
o pequeez del tamao de la muestra. De acuerdo con Goldberger: Cuando
un artculo de investigacin acusa la presencia de multicolinealidad, los
lectores deben ver
si esa queja sera convincente si se sustituyera el concepto de
micronumerosidad por el de
multicolinealidad .46 l sugiere que el lector es quien debe decidir cun
pequea puede ser
n, el nmero de observaciones, antes de concluir que se tiene un problema
de muestra pequea,
de la misma forma que decide cun alto es un valor de R2 en una regresin
auxiliar
antes de declarar que el problema de colinealidad es muy grave.
SUPUESTOS DEL MODELO DE MCO
Pero recuerde que este modelo est basado en diversos supuestos simplifi
cadores, que son los siguientes:
Supuesto 1. El modelo de regresin es lineal en los parmetros.
Supuesto 2. Los valores de las regresoras, las X, son fi jos, o los valores de X son
independientes
del trmino de error. Aqu, esto signifi ca que se requiere covarianza
cero entre ui y cada variable X.
Supuesto 3. Para X dadas, el valor medio de la perturbacin ui es cero.
Supuesto 4. Para X dadas, la varianza de ui es constante u homoscedstica.
Supuesto 5. Para X dadas, no hay autocorrelacin, o correlacin serial, entre las
perturbaciones.
Supuesto 6. El nmero de observaciones n debe ser mayor que el nmero de
parmetros
por estimar.
Supuesto 7. Debe haber variacin suficiente entre los valores de las variables X.
Tambin se incluyen los siguientes tres supuestos en esta parte del texto:
Supuesto 8. No hay colinealidad exacta entre las variables X.
Supuesto 9. El modelo est correctamente especificado, por lo que no hay sesgo de
especificacin.
Supuesto 10. El trmino estocstico (de perturbacin) ui est normalmente distribuido.

13 que es una prueba parametrica?, que es una prueba NO

parametrica?, cuando la
utilizo?
Las pruebas parametricas asumen los parametros de la distribucin de la variable
(media y varianza) y un tipo de distribucin normal Las pruebas no parametricas no
asumen acerca de los parametros de distribucin ni se preocupa por el tipo de
distribucin, sino trabajan con simple ordenacin y recuento (asignando rankings) a los
valores de la variable sin importar la distribucin. Las pruebas estadsticas pueden ser
parametricas y no parametricas
Para usarlas deben cumplirse supuestos: Las variables tienen que ser cuantitativas y
estar medidas en escalas de intervalo o razn Los datos siguen una distribucin normal
Las varianzas son iguales Muestras grandes (n > 30)

Pruebas parametricas A veces se usa sin cumplir los supuestos pero debe usarse con
cautela en muestras ms pequeas o con varianzas desiguales, en estos casos prefiera
usar pruebas no parametricas
Se deben usar con : Datos de distribucin libre (no necesariamente normal). Si un
grupo tiene distribucin normal mientras el otro no. Si se trata de datos cuantitativos,
ordinales o nominales Con varianza grande, un grupo con varianza 0 y el otro no Al
trabajar con muestras pequeas. Pruebas no parametricas
Las pruebas parametricas tienen ms poder de contraste y pueden analizar
interacciones entre variables independientes