universidad de san andr s econometr a
Download
Skip this Video
Download Presentation
Universidad de San Andrés Econometría

Loading in 2 Seconds...

play fullscreen
1 / 17

Universidad de San Andrés Econometría - PowerPoint PPT Presentation


  • 233 Views
  • Uploaded on

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 .

loader
I am the owner, or an agent authorized to act on behalf of the owner, of the copyrighted work described.
capcha
Download Presentation

PowerPoint Slideshow about ' Universidad de San Andrés Econometría' - ziazan


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
slide13

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.

ad