Los conceptos de Econometría I, definidos en una línea. Ordenados de la A a la Z.
Corrección por grados de libertad que multiplica la varianza robusta antes de tomar la raíz.
h1: beta j > 0 o h1: beta j < 0; toda el área alfa en una sola cola.
Razones por las que el estimador es sesgado o inconsistente o los errores estándar son incorrectos.
Estudio de la dirección y magnitud del sesgo que produce estimar un modelo distinto del verdadero.
Usó de la regresión para estudiar el efecto de políticas o programas, a menudo con binarias.
Estudio de los residuos de observaciones individuales para ver si están por encima o por debajo de lo predicho.
Distancia 2 c ee(beta gorro j) entre los extremos; mide la precisión de la estimación.
Usó de 100 por el cambio en log(y) como cambio porcentual de y; pierde precisión con cambios grandes.
Reparto al azar del tratamiento que hace comparables en promedio a tratados y controles.
Participación elegida por los propios individuos, posiblemente relacionada con factores no observados; vuelve endógena la binaria de participación.
Interacción d·z que deja que el efecto de z dependa del grupo.
Reescalar y o x por una constante, que cambia los coeficientes de forma predecible.
Efecto de un cambio en x en probit o logit: probabilidad con el valor nuevo menos probabilidad con el inicial.
100 [exp(beta gorro j por delta xj) - 1]; corrige la aproximación 100 beta gorro j cuando el cambio es grande.
Efecto sobre y gorro de mover varios x a la vez: suma de cada coeficiente por su cambio.
Regresión de u gorro^2 sobre y gorro y y gorro^2; siempre dos restricciones.
Más de dos grupos representados con g - 1 binarias y un intercepto.
Situacion en que x causa y y a la vez y causa x; vuelve sesgado e inconsistente a MCO.
Condición de mantener constantes todos los demás factores relevantes al variar uno.
Probabilidad de que el procedimiento produzca un intervalo que contenga al parámetro.
Asteriscos que r imprime según el valor p: *** < 0,001, ** < 0,01, * < 0,05, . < 0,1.
Coeficiente estandarizado bj = (sigma gorro j/sigma gorro y) beta gorro j; efecto en desviaciones estándar de y de subir xj una desviación estándar.
Medida adimensional de asociación lineal entre -1 y 1, sxy/raíz(sxx syy).
r^2 = SCE/SCT = 1 - SCR/SCT, proporción de la variación de y explicada por x.
Caso con tantos instrumentos como regresores endógenos, m = k.
Caso con más instrumentos que regresores endógenos, m > k.
Caso con menos instrumentos que regresores endógenos, m < k; no se puede estimar por vi.
Relación lineal exacta entre regresores (x lambda = 0 con lambda no nulo) que viola RLM.3 e impide calcular MCO.
Union de cortes transversales de distintos períodos con unidades en general distintas.
Expresion como beta1 - beta2 o beta1 + beta2 que se prueba como una sola restricción con un t.
Requisito corr(z, u) = 0; en general no se puede contrastar porque u no se observa.
Requisito necesario de al menos tantas exógenas excluidas como explicativas endógenas incluidas.
Condición suficiente de identificación; con una endógena exige un instrumento excluido con coeficiente no nulo en la forma reducida.
Requisito corr(z, x) distinta de 0; se contrasta con una prueba t en la regresión de x sobre z.
Propiedad de un estimador que converge en probabilidad al parámetro cuando n crece.
Prueba de h0: beta j = 0 contra h1: beta j distinto de 0 para una sola variable.
Estadístico j = m f de los instrumentos en la regresión de los residuos de MC2e; ji cuadrado con m - k gl.
Prueba con nula de instrumentos débiles que compara el f de la primera etapa con críticos entre 9,08 y 11,52 al 5 %.
Datos de n unidades distintas observadas en un mismo momento o período.
Cov(beta gorro 1, beta gorro 2), elemento fuera de la diagonal de sigma^2 (x'x)^-1; se estima con s12.
Cuatro conjuntos de datos con igual r^2, recta y promedios pero patrones distintos.
Datos de las mismas n unidades observadas en t períodos.
Variable dependiente que cuenta eventos; se modela con poisson o binomial negativa.
Datos de experimentos en los que el investigador controla la asignación del factor de interés.
Observaciones sin dato en y o en alguna x; sesgan solo si faltan por un proceso ligado a y.
Datos no experimentales en los que nadie fija los valores de las variables explicativas.
Interpretación de MCO: b1 gorro es la pendiente de y sobre la parte de x1 no explicada por los demás regresores.
Efecto de una binaria aditiva: cambia el intercepto de un grupo y deja rectas paralelas.
De(beta gorro j) = raíz de var(beta gorro j); depende de sigma desconocido.
Raíz de la varianza muestral de una variable; se usa para estandarizar y para los coeficientes beta.
Coeficiente de una binaria multiplicada por una variable continua; diferencia de pendiente entre grupos.
100 [exp(beta gorro) - 1] para el coeficiente de una binaria cuando la dependiente es log(y).
Distribución de probabilidad de un estimador entre todas las muestras posibles.
Distribución de referencia del estadístico ML, con tantos grados de libertad como restricciones.
Distribución simétrica con colas más pesadas que la normal que converge a la normal al crecer los gl.
Elección entre un estimador insesgado con más varianza y uno sesgado con menos varianza al incluir u omitir regresores.
Disciplina que desarrolla métodos estadísticos para cuantificar relaciones económicas, probar teorías y evaluar políticas.
Modelo original más y gorro^2 e y gorro^3, usado solo para calcular la prueba RESET.
Ecuación que mide la relación causal de interés, como y1 = b0 + b1 y2 + b2 z1 + u1.
Ecuación original dividida entre raíz(hi), con error homocedástico de varianza sigma^2.
Sistema de dos ecuaciones que surge de las condiciones de primer orden de MCO.
Cambio en y provocado por un cambio en xj con los demás factores relevantes fijos.
Efecto de una explicativa medido en desviaciones estándar de y por desviación estándar de la explicativa.
Propiedad del MPL: un aumento unitario de xj cambia la probabilidad en beta j sin importar el punto de partida.
Derivada parcial de la media condicional e(y | x) respecto de xj.
Supuesto de que cada aumento de una unidad de un regresor tiene el mismo efecto; con binarias ordinales equivale a restricciones lineales.
Propiedad de un estimador de tener menor varianza en su distribución muestral.
Propiedad de MCO de tener la menor varianza asintótica dentro de una clase de estimadores consistentes bajo gauss-markov.
Cambio porcentual de y ante un cambio del 1 % en x; es b1 en el modelo log-log.
Elasticidad calculada con promedios en los denominadores de los cambios porcentuales.
Elasticidad que depende del nivel de la variable, como beta1 + 2 beta2 log(nox) al incluir el cuadrado de log(nox).
Respuesta porcentual de la cantidad a un aumento de 1 % del precio en horizontes largos, como diferencias a 10 años.
Se rechaza h0: beta j = a j al nivel alfa en dos colas si y solo si a j queda fuera del IC al (1 - alfa) 100 %.
Forma de la regresión estimada distinta de la poblacional; sesgo por no linealidades omitidas.
e gorro 0 = y0 - y gorro 0, diferencia entre el valor nuevo de y y su predicción.
Estimación de la desviación estándar de un estimador, como ee(b1 gorro) = sigma gorro/raíz(sxx).
Raíz de la varianza estimada de MCO cuando el error no es normal; solo se justifica con muestras grandes.
Estimador de sigma: raíz de SCR/(n - 2); en r, residual standard error.
Raíz de ee1^2 + ee2^2 - 2 s12; no es la resta ni la suma de los errores estándar.
Raíz de suma rij^2 ui^2 / scrj^2; válido en muestras grandes con o sin heterocedasticidad.
Cambio de las unidades de medición de y o de alguna xj; altera coeficientes y errores estándar pero no los t, los f ni el r^2.
Entorno institucional, legal, social y económico de un estudio.
Error de un modelo que no capta bien la relación entre y y las explicativas observadas, como omitir un cuadrado o una interacción.
f de los instrumentos en la regresión de y - b1,0 x sobre w y z; válido aun con instrumentos débiles.
Estadístico f que compara la SCR conjunta con la suma de las SCR de cada grupo para probar si dos grupos siguen la misma regresión.
w = (r beta gorro - r)'[r(x'x)^-1 r']^-1 (r beta gorro - r)/sigma gorro^2; f = w/q.
ML = n por el r^2 de regresar los residuos restringidos sobre todas las explicativas; asintóticamente ji cuadrada con q gl.
f = [(SCR_r - SCR_nr)/q]/[SCR_nr/(n - k - 1)]; bajo h0 y el MLC sigue una f(q, n - k - 1).
f de que los coeficientes de los instrumentos son cero en la primera etapa; menor que 10 indica instrumentos débiles.
Prueba de restricciones múltiples válida con heterocedasticidad de forma desconocida; también llamado wald robusto.
n - SCR1 de la regresión de 1 sobre r1 u, ..., rq u sin intercepto; aproximadamente ji cuadrada con q gl.
t = (beta gorro j - a j)/ee(beta gorro j); bajo h0 y el MLC sigue una t con n - k - 1 gl.
(estimación - valor hipotético)/error estándar robusto; solo cambia el error estándar.
Restar la media y dividir entre la desviación estándar para obtener una variable con media 0 y varianza 1.
Rango de valores plausibles para un parámetro en lugar de un solo número.
Función de la muestra que da una estimación del parámetro y es una variable aleatoria.
Valores de los parámetros que maximizan la verosimilitud; consistente, normal en muestras grandes y eficiente.
Con un regresor y un instrumento, szy/szx; consistente pero no insesgado cuando x esta correlacionada con u.
Estimador cuyo valor esperado es igual al parámetro que estima.
Estimador que se escribe como suma de wij yi, con pesos que dependen solo de los regresores.
Estimador de duan alfa gorro 0 = n^-1 suma de exp(u gorro i), usado para predecir y desde un modelo en log(y).
Análisis del efecto de un programa económico o social sobre quienes participan.
Experimento en el que el factor de interés se asigna al azar entre las unidades.
Hecho externo que asigna casi al azar la variable de interés y genera un instrumento, como la lotería de vietnam.
Predicción para valores de los regresores fuera del rango de los datos, como el intercepto en muchos modelos.
Fivj = 1/(1 - rj^2): cuantas veces se infla var(bj gorro) por la correlación de xj con los demás regresores.
Versión n r^2 de la prueba de breusch-pagan que no supone errores normales.
Expresion matemática concreta que se le asigna a f, en general la lineal.
f = [(r2_nr - r2_r)/q]/[(1 - r2_nr)/(n - k - 1)]; exige misma variable dependiente y mismas observaciones.
Ecuación que escribe una variable endógena en función de todas las variables exógenas.
Var(beta gorro | x) = (x'x)^-1 x' omega x (x'x)^-1, varianza de MCO cuando var(u | x) = omega.
Cuadrática con coeficiente lineal negativo y cuadrático positivo; el efecto de x crece con x.
Phi(z) = pr(z <= z) para z normal estándar; es la función del probit.
Ponderador 1/hi, proporcional al inverso de la varianza del error, que se indica al programa en MCP.
Recta estimada y gorro = b0 gorro + b1 gorro x, versión muestral de la FRP.
Esperanza condicional e(y | x) = b0 + b1 x, fija y desconocida.
h(x) distinta de la verdadera; MCP sigue consistente pero requiere errores estándar robustos.
Distribución de probabilidad conjunta de los datos vista como función de los parámetros desconocidos.
Función de distribución acumulada f(z) = 1/[1 + exp(-z)] usada por el logit.
Número de instrumentos menos número de regresores endógenos, m - k; son los gl del estadístico j.
Número de residuos libres; en el MRLS, n - 2.
Grupo sin binaria propia contra el que se comparan los demás; su intercepto es el intercepto general.
Grupo que no recibe el tratamiento en un experimento y sirve de comparación.
Grupo que participa en el programa evaluado.
Situacion en que la varianza del error var(u | x) depende de x.
Caso var(u | x) = sigma^2 h(x) con h conocida y sigma^2 desconocida.
Heterocedasticidad cuya dependencia de las x no se especifica; la cubren los estadísticos robustos.
Afirmacion que se acepta como evidencia si se rechaza h0, de una o de dos colas.
Afirmacion sobre parámetros poblacionales que se pone a prueba, como h0: beta j = 0.
h0: var(u | x1, ..., xk) = sigma^2, equivalente a e(u^2 | x) = sigma^2.
Supuesto RLS.5: var(u | x) = sigma^2, igual para todo valor de x.
Relación algebraica b1 tilde = b1 gorro + b2 gorro delta1 tilde entre las pendientes de la regresión simple y la múltiple.
Posibilidad de escribir el parámetro en función de momentos poblacionales estimables, como b1 = cov(z, y)/cov(z, x).
Hipótesis de que dos grupos tienen el mismo intercepto y las mismas pendientes.
Impuesto que solo grava cigarrillos y tabaco; segundo instrumento del precio, posiblemente endógeno.
Parte del impuesto a los cigarrillos que viene del impuesto a las ventas; instrumento del precio en stock y watson.
Diferencia entre el plim del estimador y el parámetro; en la regresión simple vale cov(x1, u)/var(x1).
Columnas cuya única combinación lineal igual a 0 es la que tiene todos los coeficientes nulos.
Combinación lineal z = beta0 + beta1 x1 + ... + betak xk que se evalúa en phi para obtener la probabilidad.
Factores sin magnitud numerica natural, como género, raza, industria o región.
Estimador con la menor varianza entre todos los insesgados; MCO bajo el MLC.
Instrumentos que explican poca variación del regresor endógeno; sesgan MC2e hacia MCO y vuelven poco fiable la inferencia.
Producto de dos variables binarias que permite que la diferencia entre grupos de una dependa de la otra.
Estimación por intervalo beta gorro j +- c ee(beta gorro j) con c el percentil 1 - alfa/2 de la t.
Intervalo beta gorro j más o menos 1,96 ee(beta gorro j) válido aproximadamente con muestras grandes.
Intervalo para el valor esperado e(y | x = c), centrado en theta gorro 0 y con ee(theta gorro 0).
Intervalo para un valor individual y0: y gorro 0 más o menos c ee(e gorro 0); incluye la varianza del error.
Propiedad por la que los t, los f y sus valores p no cambian al cambiar las unidades de medición.
Resultado e(z) = e[e(z | x)] usado para pasar de esperanzas condicionales a incondicionales.
Resultado por el que los promedios muestrales convergen en probabilidad a sus valores poblacionales.
Valor al que converge en probabilidad un estimador cuando n tiende a infinito; se escribe plim.
Ecuación estimada y gorro = b0 + b1 x1 + ... + bk xk; con varios regresores es un plano o hiperplano.
Supuesto RLS.1: el modelo es lineal en b0 y b1, aunque no lo sea en x.
Logaritmo de la función de verosimilitud; maximizarlo da el mismo estimador.
Transformación usada cuando y es no negativa con pocos ceros, interpretada como si fuera log(y).
Número de ninos de 4 años del distrito; hoxby usó su desviación de la tendencia como instrumento del tamaño de las clases.
Matriz p = x(x'x)^-1 x' que proyecta y sobre el espacio de las columnas de x y da y gorro.
Matriz x de dimensión n x (k + 1) con una fila por observación y una columna por variable, incluida la constante.
Matriz con varianzas en la diagonal y covarianzas fuera; para MCO, var(b gorro | x) = sigma^2 (x'x)^-1.
Matriz que multiplicada por si misma da la misma matriz, como p y m = i - p.
Matriz a^-1 de una matriz cuadrada a tal que a a^-1 = i; existe si el determinante es distinto de 0.
Matriz var(u | x) de los errores; con muestreo aleatorio y heterocedasticidad es diagonal con varianzas sigma_i^2 distintas.
Matriz cuadrada sin inversa, con determinante 0; x'x es singular si hay colinealidad perfecta.
Matriz a' que se obtiene intercambiando filas y columnas de a; cumple (ab)' = b'a'.
Estimador vi mejor centrado que MC2e con instrumentos débiles; minimiza el estadístico de anderson-rubin.
Valor esperado de y dado el conjunto de variables explicativas, e(y | x).
Supuesto RLS.4: e(u | x) = 0 para todo valor de x.
Lo que estima MCO cuando solo vale la correlación cero: la mejor aproximación lineal a la función de regresión poblacional.
Estimador de mínima varianza entre los lineales e insesgados; MCO lo es bajo RLS.1 a RLS.5.
Comparación de muchos estudios relacionados sobre el mismo tema.
Método que reemplaza condiciones poblacionales como e(u) = 0 por sus análogos muestrales.
Extensión de variables instrumentales a modelos no lineales en los datos y en los parámetros.
Problema de tamaño de muestra pequeño que, como la multicolinealidad, agranda la varianza de los estimadores.
Estimador que regresa x sobre los instrumentos y luego y sobre los valores predichos de x.
MCO aplicado a la ecuación transformada para que el error sea homocedástico; con h conocida es MELI.
MCP con la función de varianza estimada, h gorro = exp(g gorro); consistente y asintóticamente eficiente pero sesgado.
Estimador que minimiza la suma de errores al cuadrado de una función de regresión no lineal en los parámetros.
Método que estima b0 y b1 minimizando la suma de los residuos al cuadrado.
Estimador que minimiza la suma de residuos al cuadrado ponderada por 1/hi; equivale a MCO en la ecuación transformada.
La medida es el valor verdadero más un error aleatorio no correlacionado con el ni con u.
El encuestado reporta la esperanza condicional del valor verdadero; MCO es consistente con más varianza.
Modelo que estima el valor marginal de los atributos de un bien, como los de una vivienda.
Regresión lineal múltiple con variable dependiente binaria estimada por MCO; sus coeficientes son cambios en la probabilidad de éxito.
Modelo y = b0 + b1 x1 + ... + bk xk + u con k regresores, lineal en los parámetros.
Modelo y = b0 + b1 x + u que explica una variable y con una sola variable x.
Especificación con una forma funcional concreta, parámetros desconocidos y un término de error.
Relación y = f(x1, ..., xk) sugerida por la teoría económica, sin forma funcional especifica.
Modelo que contiene a dos modelos no anidados como casos especiales, propuesto por mizon y richard.
Modelo que cumple los supuestos RLM.1 a RLM.6: gauss-markov más normalidad del error.
Ln(y) = b0 + b1 ln(x) + u, de elasticidad constante b1.
Ln(y) = b0 + b1 x + u; un aumento unitario de x cambia y en (100 b1) %.
Modelo para y binaria con pr(y = 1 | x) = 1/[1 + exp(-(beta0 + beta1 x1 + ... + betak xk))].
Modelo con varias ecuaciones que describen relaciones simultáneas, como oferta y demanda.
y = b0 + b1 ln(x) + u; un aumento del 1 % en x cambia y en b1/100 unidades.
Modelo completo, sin imponer h0; su SCR va en el denominador del f.
Modelo más sencillo, con menos parámetros, preferible si todo lo demás es igual.
Modelo para y binaria con pr(y = 1 | x) = phi(beta0 + beta1 x1 + ... + betak xk), phi normal estándar acumulada.
Modelo estimado imponiendo las restricciones de h0; tiene menos parámetros y mayor SCR.
Modelo de regresión censurado para una variable con masa en cero y parte continua.
Modelo que explica una variable solo con su propia historia.
Modelo poblacional de RLM.1 que genera los datos, distinto del que eventualmente se estima.
Modelos en que uno, el restringido, es un caso especial del otro.
Modelos en que ninguno es un caso especial del otro; no se comparan con la prueba f usual.
Supuesto RLS.2: observaciones independientes e idénticamente distribuidas.
Division de la población en grupos que se muestrean con frecuencias distintas.
Correlación fuerte pero no perfecta entre regresores; no viola RLM.3 pero aumenta var(bj gorro).
Proporción 1 - alfa de intervalos que contendrian al parámetro en muestreo repetido.
Probabilidad alfa de rechazar h0 cuando es verdadera.
Conclusión de una prueba que no encuentra evidencia contra h0; no equivale a aceptarla.
Distribución conjunta normal de un vector aleatorio; beta gorro ~ n(beta, sigma^2 (x'x)^-1).
Propiedad de un estimador cuya distribución se aproxima a la normal cuando n crece.
Observación cuya eliminacion cambia mucho las estimaciones de MCO.
Condición x'u gorro = 0: cada regresor es ortogonal al vector de residuos de MCO.
Valor fijo y desconocido de la población, como b0, b1 o sigma^2.
Los coeficientes b1, ..., bk distintos del intercepto en el MRLM.
Componente b0 + b1 x de y, explicado por x, igual a e(y | x).
Con heterocedasticidad MCO deja de ser MELI y de ser asintóticamente eficiente, aunque sigue insesgado.
Frecuencia con que se recolectan los datos de una serie de tiempo.
Población a la que se quieren aplicar las inferencias causales del estudio.
Población de la que se extrajo la muestra del estudio.
Capacidad de una prueba de rechazar h0 cuando es falsa; RESET no la tiene contra la heterocedasticidad.
Exp(log y gorro) sin ajuste; subestima el valor esperado de y en un modelo con log(y).
Diferencia salarial estimada entre casados y solteros ceteris paribus.
p(y = 1 | x), la probabilidad de éxito condicional en las explicativas.
Métodos de inferencia válidos al menos en muestras grandes, haya o no heterocedasticidad, sin saber cual es el caso.
Resultados que valen en toda muestra por construcción, como suma de residuos igual a 0.
Propiedades de un estimador o estadístico definidas por lo que ocurre cuando el tamaño de muestra crece sin límite.
Propiedades que valen para cualquier tamaño de muestra, como la insesgadez de MCO bajo RLM.1 a RLM.4.
Fraccion de observaciones bien clasificadas con la regla del 50 %.
Prueba de heterocedasticidad que regresa u gorro^2 sobre las x; ML = n r^2 con k gl o f con k y n - k - 1 gl.
Prueba de un modelo con el t de los valores ajustados del modelo rival agregados como explicativa.
Agrega los residuos de la forma reducida de y2 a la ecuación estructural y contrasta su significación.
Regresión de log(u gorro^2) sobre las x usada como prueba; no se recomienda.
Prueba de heterocedasticidad que regresa u gorro^2 sobre las x, sus cuadrados y sus productos cruzados.
Prueba de error de especificación de la regresión de ramsey: f de los coeficientes de y gorro^2 e y gorro^3 agregados al modelo.
1 - ln(f max del modelo)/ln(f max sin regresores); mide el ajuste de probit y logit.
Valor z* = -delta0/delta1 en que se igualan las rectas de dos grupos con interceptos y pendientes distintos.
Valor x* = -b1/(2 b2) donde se anula el efecto parcial en un modelo con x y x^2.
Cambio absoluto de una tasa o porcentaje, distinto de su cambio porcentual.
r barra cuadrada = 1 - [SCR/(n - k - 1)]/[SCT/(n - 1)]; penaliza agregar explicativas.
r0^2 = 1 - SCR/SCT0 con SCT0 = suma de yi^2; suele inflar el ajuste en regresiones sin intercepto.
Rho^2 = 1 - sigma u^2/sigma y^2, proporción de la variación de y explicada en la población.
1 - sigma_u^2/sigma_y^2 con varianzas incondicionales; la heterocedasticidad no la afecta.
Máximo número de columnas linealmente independientes; MCO requiere rango(x) = k + 1.
Cantidad de estudiantes por maestro de un distrito, regresor de interés en los estudios de california y massachusetts.
Tendencia de los valores extremos a volver hacia el promedio, observada por galton.
Regresión sin intercepto que impone que la recta pase por x = 0, y = 0.
Regresión de un regresor sobre los demás regresores del modelo, de la que salen r gorro y rj^2.
Regresión de los residuos de MCO al cuadrado sobre explicativas, base de las pruebas de heterocedasticidad.
Variable x que se usa para explicar y en el modelo de regresión.
Aumento porcentual del salario asociado a un año adicional de educación.
Pendiente de educ para cada grupo: beta1 para hombres y beta1 + delta1 para mujeres.
En una cobb-douglas, h0: beta1 + beta2 = 1.
Reescribir el modelo para que el parámetro de interés theta sea el coeficiente de una variable construida.
Diferencia observable entre el valor observado y el valor ajustado, yi - yi gorro.
Residuo dividido por una estimación de su desviación estándar; es el t de una binaria para esa observación.
Yi - b0 - b1 xi con las estimaciones de vi y la x original; con ellos se estima sigma^2 dividiendo por n - 2.
Hipótesis de que el coeficiente de una variable es cero, que permite excluirla del modelo.
Hipótesis con un solo signo de igualdad, aunque involucre varios parámetros.
SCR de la regresión que junta ambos grupos en una sola ecuación; es la SCR restringida de chow.
Otra medición de la misma variable con error no correlacionado con el de la primera; sirve de instrumento.
Elección de la muestra según la variable dependiente; MCO sesgado e inconsistente.
Elección de la muestra según variables explicativas; no sesga a MCO.
Cambio en y por cambio relativo en x, o cambio relativo en y por cambio unitario en x.
Datos de una misma unidad observada a lo largo de t períodos en orden cronológico.
Diferencia entre el valor esperado de un estimador y el parámetro, e(theta gorro) - theta.
Sesgo hacia cero de MCO por error de medición clásico en x: plim beta1 gorro = beta1 sigma_x^2/(sigma_x^2 + sigma_w^2).
Sesgo que surge cuando la muestra se selecciona según la variable dependiente.
Sesgo de selección al estudiar solo las unidades que siguen existiendo, como los fondos que no cerraron.
Sesgo b2 delta1 tilde que aparece en b1 tilde al excluir una variable relevante x2 correlacionada con x1.
Caso en que la esperanza del estimador es menor que el parámetro: e(b1 tilde) < b1.
Caso en que la esperanza del estimador supera al parámetro: e(b1 tilde) > b1.
Caso en que e(b1 tilde) esta más cerca de 0 que b1.
Sesgo de MCO cuando una explicativa se mide con error; persiste en muestras grandes.
Rechazo de que un grupo de coeficientes sea cero a la vez; no dice cual de ellos importa.
Prueba de h0: beta1 = ... = betak = 0 con f = (r^2/k)/[(1 - r^2)/(n - k - 1)].
Importancia práctica de un efecto según la magnitud y el signo de beta gorro j en sus unidades.
Rechazo de h0: beta j = 0 al nivel elegido; depende de la magnitud de t.
Controlar en la regresión factores que cambian junto con la variable de política y no deberían mantenerse fijos.
Inclusión de una variable irrelevante, con coeficiente poblacional 0; no sesga MCO.
Reemplazar la variable no observada por su proxy antes de correr MCO.
Omisión de una variable relevante del modelo verdadero; en general sesga MCO.
SCR: suma de los residuos al cuadrado, variación de y no explicada.
SCE: suma de (yi gorro - y barra)^2, variación de y explicada por el modelo.
SCT: suma de (yi - y barra)^2, variación total de y en la muestra.
SCT0 = suma de yi^2, que no resta la media y es mayor o igual que SCT.
RLM.4': e(u) = 0 y cov(xj, u) = 0 para todo j; es más débil que la media condicional cero.
RLM.6: el error u es independiente de las x y se distribuye normal(0, sigma^2).
Bajo RLM.1 a RLM.5 los estimadores de MCO son los mejores estimadores lineales insesgados.
Bajo RLM.1 a RLM.4 los estimadores de MCO cumplen e(bj gorro) = bj.
Resultado por el que promedios estandarizados de variables aleatorias se distribuyen aproximadamente normal con n grande.
Regresor x^2 incluido junto a x para captar un efecto parcial que cambia con el nivel de x.
Componente u que recoge los factores que afectan a y y no se observan o no se incluyen.
Producto de dos explicativas que permite que el efecto de una dependa del nivel de la otra.
Colinealidad perfecta por incluir una binaria para cada grupo junto con el intercepto.
Instrumento de la educación de angrist y krueger basado en las leyes de escolaridad obligatoria; débil en varias especificaciones.
Un estudio la tiene si sus conclusiones se generalizan a otras poblaciones y escenarios.
Un estudio la tiene si sus inferencias sobre efectos causales son válidas para la población y el escenario estudiados.
Valor predicho por la recta estimada, b0 gorro + b1 gorro xi.
Umbral c de la distribución del estadístico que separa la región de rechazo.
Probabilidad, bajo h0, de un estadístico tan extremo como el observado; menor alfa al que se rechaza h0.
p2/2 si el signo de beta gorro j acompaña a la alternativa y 1 - p2/2 si no.
Variable menos su media dividida entre su desviación estándar; tiene media 0 y desviación estándar 1.
Variable que vale uno si ocurre un evento y cero si no; sirve para incluir información cualitativa en la regresión.
Variable que representa categorías o grupos, como el tipo de transporte.
Tercer factor relacionado a la vez con x e y que contamina la correlación entre ambas.
Variable y que se busca explicar en el modelo de regresión.
Variable dependiente que solo toma los valores cero y uno.
Variable dependiente con rango de valores acotado, como una binaria.
Valor de y en un período anterior incluido como control de factores históricos no observados.
Regresor correlacionado con el error u, cov(xj, u) distinta de 0.
Regresor que cumple e(u | x) = 0.
Variable z correlacionada con el regresor endógeno x y no correlacionada con el error u; aísla la variación de x no correlacionada con u.
Variable que ordena categorías sin escala cuantitativa, como una calificación crediticia.
Variable observada relacionada con una explicativa no observada, usada en su lugar en la regresión.
Regresores incluidos para mantener constantes otros factores al estimar el efecto de la variable de interés.
Regresores w de la ecuación de interés no correlacionados con u o que actuan como controles.
Sctj = suma de (xij - xj barra)^2; cuanto mayor, menor var(bj gorro).
Varianza de la distribución límite de raíz(n) (estimador - parámetro); para MCO es sigma^2/aj^2.
Var(y | x) = p(x)[1 - p(x)], que hace heterocedástico al MPL.
Var(u | x1, ..., xk); con homocedasticidad es la constante sigma^2 y con heterocedasticidad depende de las x.
Var(beta1 gorro) = suma (xi - x barra)^2 sigma_i^2 / sctx^2 en la regresión simple.
Var(e gorro 0) = var(y gorro 0) + sigma^2; el segundo término no baja con n.
Función de r que devuelve la matriz de varianzas y covarianzas estimada de los coeficientes.
Vector beta de dimensión (k + 1) x 1 con b0, b1, ..., bk.
No hay términos que coincidan con la búsqueda.
Índice de temas y 3 temas gratis con preguntas de parciales reales, sin registrarte.