Universidad de san andr s econometr a
This presentation is the property of its rightful owner.
Sponsored Links
1 / 17

Universidad de San Andrés Econometría PowerPoint PPT Presentation


  • 138 Views
  • Uploaded on
  • Presentation posted in: General

Universidad de San Andrés Econometría. Profesores: Mariana Marchionni Walter Sosa Escudero Asistentes: María Edo Amely Gibbons. Introducción a Stata - regresiones. Introducción básica a econometría usando Stata .

Download Presentation

Universidad de San Andrés Econometría

An Image/Link below is provided (as is) to download presentation

Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author.While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server.


- - - - - - - - - - - - - - - - - - - - - - - - - - E N D - - - - - - - - - - - - - - - - - - - - - - - - - -

Presentation Transcript


Universidad de san andr s econometr a

Universidad de San Andrés Econometría

Profesores:

Mariana Marchionni

Walter Sosa Escudero

Asistentes:

María Edo

AmelyGibbons


Introducci n a stata regresiones

Introducción a Stata- regresiones

Introducción básica a econometría usando Stata.

Datos: J. Biddle and D. Hamermesh (1990), “Sleep and theallocation of time”, TheJournal of PoliticalEconomy, Vol. 98, No.5, Part 1, pp. 922-943.

Objetivo del trabajo: modelar cómo afecta el mercado laboral las horas de sueño


Introducci n a stata regresiones1

Introducción a Stata- regresiones

PASO I: abrimos la base y exploramos las variables

cd "C:\Users\DE\Dropbox\Econometría 2014\x - Tutorial 2”

use sleep.dta, clear

describe totwrkslpnaps male black yrsmarr


Introducci n a stata regresiones2

Introducción a Stata- regresiones

Paso II: estadísticos descriptivos básicos de las variables

  • sum slpnapstotwrk male black yrsmarr

  • tab male black, row nofreq

    Suponganquequierenverquédiferencia de minutosdormidos hay entre los quetrabajanmenos de 20 horas y el resto. ¿Cómoharían?


Introducci n a stata regresiones3

Introducción a Stata- regresiones

a) Generar una variable que distinga a la muestra entre los que trabajan menos de 20 horas y el resto:

gen part_time=(totwrk<=1200)

b) Miramos cómo se distribuye la muestra de acuerdo a esta clasificación:

tabpart_time

c) Miramos la diferencia de minutos dormidos entre un grupo y el otro:

tablepart_time, c(mean slpnaps)


Introducci n a stata regresiones4

Introducción a Stata- regresiones

Paso III: mirarcorrelación, covarianza y regresiones

  • corrslpnapstotwrk [correlación entre las variables]

  • corrslpnapstotwrk, c [covarianza entre las variables]

  • regress slpnapstotwrkyrsmarr age educ male black


Introducci n a stata regresiones5

Introducción a Stata- regresiones

  • k: cantidad de variables

  • n: cantidad de observaciones

  • SEC: Suma Explicada de Cuadrados

  • SRC: Suma de ResiduosCuadrados

  • STC: Suma Total de Cuadrados


Introducci n a stata regresiones6

Introducción a Stata- regresiones

  • InterpretaciónCoeficiente: un aumento en un minutotrabajado, disminuye en 0.197 los minutosque se duermen.

  • ¿En cuántodisminuyen los minutos de sueñosiaumenta en unahora la cantidad de tiempotrabajado?

  • Test t: Ho: el coeficienteesigual a 0. Ha: el coeficienteesdistinto de 0. ¿Quéconcluimossi el valorobtenido de t es -9.85?


Introducci n a stata regresiones7

Introducción a Stata- regresiones

RechazoHo con unasignificatividad del 1%

RechazoHo con unasignificatividad del 10%

  • predict yest (gen yest=cons+ *x) [se obtiene la predicción lineal del modelo estimado (sólo después de ejecutar el comando regress).

  • predictresid, residual (gen resid=y-cons-*x)[genera una variable conlos errores estimados (sólo después de ejecutar el comando regress)].

  • test totwrk[testea si los coeficientes son iguales a 0-> Ho: coeficiente=0]

  • test black=male[testea si los coeficientes son iguales]


Introducci n a stata regresiones8

Introducción a Stata- regresiones

  • Después de correr una regresión, Stata guarda información de la misma. Los siguientes son algunos de los comandos que guarda:

    • Se pueden ver con el comando display

  • También guarda los coeficientes:

    • _b[_cons]: es el coeficiente de la constante.

    • _b[variable]: es el coeficiente de la variable.

      ¿Cómo podemos obtener una variable idéntica a yest?

      NOTA: Recuerden que todos estos comandos se refieren a la regresión ejecutada más recientemente.


Introducci n a stata regresiones9

Introducción a Stata- regresiones

  • regress slpnapstotwrkyrsmarr age educ male black

  • finditoutreg2

    • outreg2 from http://fmwww.bc.edu/RePEc/bocode/o

    • click here to install

  • outreg2 using nombre_archivo, excel

  • outreg2 using nombre_archivo, word


Test de hip tesis repaso

Test de hipótesis - repaso

  • El estimador de MC que obtenemos es una realización de una variable aleatoria

  • Queremos inferir, a partir de este , información acerca del valor del verdadero parámetro .

    • Por ejemplo, ¿ ? Es decir, ¿ es relevante para explicar Y?

  • Para responder a preguntas como estas necesitamos recurrir a los test de hipótesis.

  • El test de hipótesis requiere conocer alguna información sobre

    • i

    • ii.

    • iii. Distribución de


Universidad de san andr s econometr a

Test de hipótesis - repaso

  • Esta información ya la tenemos:

    • (Obtenida utilizando los supuestos 1 y 4).

    • (Obtenida utilizando los supuestos 1, 2 y 4)

    • (Obtenida agregando el supuesto 5)

  • Calculamos:

    • El t observado (i.e. el valor de dados los datos y la hipótesis nula)

    • El t crítico (dado el nivel de significatividad del test y las hipótesis planteadas -> tabla)


Test de hip tesis repaso1

Test de hipótesis - repaso

zcrítico

t crítico


Test de hip tesis repaso2

Test de hipótesis - repaso

  • Comparamos t crítico y t observado:

    • rechazamos la hipótesis nula en caso de que el valor absoluto del t observado fuera mayor al t crítico.

  • En este caso, como la cantidad de observaciones es grande, el t crítico es igual al z crítico = 1.96 < |-9.85|

  • Rechazo H0, rechazo la hipótesis de que el coeficiente es igual a 0 al nivel de significatividad del 5%.

  • Podemos continuar testeando para distintos niveles de significatividad.


P valor

P-valor

  • ¿Cuál es la probabilidad de haber obtenido este resultado (-0.197406 ) si la hipótesis nula es cierta (es decir, si en realidad )?

    Esta probabilidad es el p-valor.

  • ¿Es una “casualidad” haber obtenido el valor resultante?

  • ¿Cómo se calcula el p-valor? Es el área debajo de la curva de la distribución de a partir del valor t observado.

    Ejemplo:

    P-valor:


P valor1

P-valor

Nivel de significatividad

Una vez obtenido el p-valor, necesitamos fijar un criterio para tomar decisiones acerca de si rechazar o no la hipótesis nula.


  • Login