Apunte Extensiones de Regresion

22
ECONOMETRÍA FORTINO VELA PEÓN UAM-X 10P 1 EL MODELO EN DESVIOS Considere los datos proporcionados en el cuadro siguiente para estimar el modelo de regresión lineal i i i e X Y + + = 2 1 β β t Y X Y-Ybar X-Xbar 1 3 3 -1 0 2 1 1 -3 -2 3 8 5 4 2 4 3 2 -1 -1 5 5 4 1 1 media 4 3 0 0 Sabemos que los estimadores de MCO están dados por las expresiones: 2 1 1 2 ) ( ) ( ) ( ˆ = = - - - = n i i i n i i X X Y Y X X β X Y 2 1 ˆ ˆ β β - = que al aplicar a los datos mostrados rinden los siguientes resultados: regress y x Source | SS df MS Number of obs = 5 -------------+------------------------------ F( 1, 3) = 32.00 Model | 25.6 1 25.6 Prob > F = 0.0109 Residual | 2.4 3 .8 R-squared = 0.9143 -------------+------------------------------ Adj R-squared = 0.8857 Total | 28 4 7 Root MSE = .89443 ------------------------------------------------------------------------------ y | Coef. Std. Err. t P>|t| [95% Conf. Interval] -------------+---------------------------------------------------------------- x | 1.6 .2828427 5.66 0.011 .6998683 2.500132 _cons | -.8 .9380832 -0.85 0.456 -3.785399 2.185399 ------------------------------------------------------------------------------ Ahora, considere el mismo modelo pero estimado en términos de sus desviaciones respecto a la media, esto es, donde las variables están dadas por X * y Y * , es decir, ) ( * X X X i - = ) ( * Y Y Y i - = Una diferencia importante es que el estimador de 2 ˆ β -bajo estas condiciones- queda expresado como

description

REGRESION

Transcript of Apunte Extensiones de Regresion

  • ECONOMETRA FORTINO VELA PEN

    UAM-X 10P 1

    EL MODELO EN DESVIOS Considere los datos proporcionados en el cuadro siguiente para estimar el modelo de regresin lineal

    iii eXY ++= 21

    t Y X Y-Ybar X-Xbar 1 3 3 -1 0 2 1 1 -3 -2 3 8 5 4 2 4 3 2 -1 -1 5 5 4 1 1

    media 4 3 0 0 Sabemos que los estimadores de MCO estn dados por las expresiones:

    2

    1

    12

    )(

    )()(

    =

    =

    =

    n

    ii

    i

    n

    ii

    XX

    YYXX XY 21 =

    que al aplicar a los datos mostrados rinden los siguientes resultados: regress y x Source | SS df MS Number of obs = 5 -------------+------------------------------ F( 1, 3) = 32.00 Model | 25.6 1 25.6 Prob > F = 0.0109 Residual | 2.4 3 .8 R-squared = 0.9143 -------------+------------------------------ Adj R-squared = 0.8857 Total | 28 4 7 Root MSE = .89443 --------------------------------------------------- --------------------------- y | Coef. Std. Err. t P>| t| [95% Conf. Interval] -------------+------------------------------------- --------------------------- x | 1.6 .2828427 5.66 0.0 11 .6998683 2.500132 _cons | -.8 .9380832 -0.85 0.4 56 -3.785399 2.185399 --------------------------------------------------- ---------------------------

    Ahora, considere el mismo modelo pero estimado en trminos de sus desviaciones respecto a la media, esto es, donde las variables estn dadas por X* y Y*, es decir,

    )(* XXX i = )(* YYY i = Una diferencia importante es que el estimador de 2 -bajo estas condiciones- queda expresado como

  • ECONOMETRA FORTINO VELA PEN

    UAM-X 10P 2

    =

    ==n

    i

    n

    iii

    ix

    yx

    1

    2

    12

    mientras que 1 se puede obtener de la manera acostumbrada, esto es,

    XY 21 = (aunque Stata considera a 1 =0 (por qu?), como se muestra a continuacin. Para recuperar al estimador de 1 en Stata se puede considerar la expresin XY *21 = ). regress yybar xxbar Source | SS df MS Number of obs = 5 -------------+------------------------------ F( 1, 3) = 32.00 Model | 25.6 1 25.6 Prob > F = 0.0109 Residual | 2.4 3 .8 R-squared = 0.9143 -------------+------------------------------ Adj R-squared = 0.8857 Total | 28 4 7 Root MSE = .89443 --------------------------------------------------- --------------------------- yybar | Coef. Std. Err. t P>| t| [95% Conf. Interval] -------------+------------------------------------- --------------------------- xxbar | 1.6 .2828427 5.66 0.0 11 .6998683 2.500132 _cons | 0 .4 0.00 1.0 00 -1.272979 1.272979 --------------------------------------------------- --------------------------- REGRESIN A TRAVS DEL ORIGEN Se ha considerado el modelo

    iii eXY ++= 21 el cul es una recta de regresin con un intercepto. En ocasiones puede ser necesario estimar el modelo

    iii eXY += 2 esto es, una lnea que pasa a travs del origen. Este modelo se llama modelo sin intercepto. El forzar que la lnea pase a travs del origen puede deberse a razones tericas o por otras consideraciones fsicas y/o materiales del caso particular en estudio( por ejemplo, la distancia de viaje es una funcin del tiempo pero no debe tener ninguna constante). La estimacin aplicando el principio de mnimos cuadrados del modelo sin intercepto da por resultado (se recomienda al lector elaborar este ejercicio)

  • ECONOMETRA FORTINO VELA PEN

    UAM-X 10P 3

    =

    ==n

    i

    n

    iii

    iX

    YX

    1

    2

    12

    donde el valor ajustado para i-sima observacin esta dado por

    iii eXY += 2 i= 1, 2,, n. y la residual correspondiente es

    ii YYe 1 = i= 1, 2,, n El error estndar del coeficiente 2 es igual a

    =

    =n

    ii

    X

    ee

    1

    2

    2)(

    donde

    1 2

    =

    n

    SCE

    Observe que los grados de libertad para SCE son n-1, y ya no n-2, como lo es en el caso del modelo con intercepto. Adems los residuales sealados arriba no necesariamente suman cero como si ocurra con el modelo con intercepto. Tambin, la identidad SCT= SCR+SCR tampoco se cumple en general. Por esta razn, algunas medidas de la calidad de ajuste de los modelos con intercepto como no resultan ser apropiadas para los modelos sin intercepto. La identidad apropiada modelos sin intercepto se obtiene substituyendo a 0=Y en la sumas de cuadrados. Por lo tanto, la identidad fundamental de la SCT se convierte

    ===

    +==+==+=n

    ii

    n

    ii

    n

    ii eYYSCESCRSCTVNEVEVT

    1

    2

    1

    2

    1

    2

    lo que se a su vez redefine a R2 como

    =

    =

    =

    = ==n

    ii

    n

    ii

    n

    ii

    n

    ii

    Y

    e

    Y

    YR

    1

    2

    1

    2

    1

    2

    1

    2

    2 1

    sta es la forma apropiada de R2 para los modelos sin intercepto. Note, sin embargo, que las interpretaciones para los casos del modelo con y sin intercepto

  • ECONOMETRA FORTINO VELA PEN

    UAM-X 10P 4

    de R2 son diferentes. En el caso de modelos con intercepto, R2 se puede interpretar como la proporcin de la variacin de Y que es explicada por la variable X (despus de ajustar a Y por su media). Para los modelos sin intercepto, esta interpretacin ya no es posible mantenerla dado que incluso R2 puede llegar a ser negativa. Por otra parte, la frmula basada en el estadstico t para la pruebas de significancia individual sobre 2 , esto es, cuando HO: 02 = vs la alternativa H1: 01 , contina sostenindose pero con la nueva definicin de ee( 2 ) antes sealada. Como se apunto anteriormente, los modelos sin intercepto deben ser utilizados siempre que sean consistentes con la teora que esta en estudio o debido a consideraciones fsicas y materiales. En algunos usos, sin embargo, uno puede no estar seguro qu modelo debe ser utilizado. En estos casos, la decisin entre los modelos dados (con y sin intercepto) tiene que ser tomada con cuidado1. _______________________________________________________________________________________________ Ejemplo _______________________________________________________________________________________________ Uno puede preguntarse si la gente de altura similar tiende a casarse. Con este fin, una muestra de parejas recientemente casados fue seleccionada. Sea X la altura del esposo y Y la altura de la esposa. Las alturas se encuentran dadas en centmetros y se muestran en el cuadro siguiente.

    a) Calcule la covarianza entre las alturas de los esposos y las esposas. b) Cul sera la covarianza si las alturas fueron medidas en pulgadas

    (recuerde que 1cm=0.39 pulgadas). c) Calcule el coeficiente de correlacin entre las alturas de los esposos. d) Cul sera si la correlacin de las alturas si fueran medidas en

    pulgadas en lugar de centmetros? e) Cul sera la correlacin si cada hombre se casa con a una mujer

    exactamente 5 centmetros ms pequea que l? f) Deseamos ajustar un modelo de regresin que relacione a las alturas de

    los esposos y las esposas. Cul de las dos variables usted elegira como la variable de la respuesta? Justifique su respuesta.

    g) Usando su opcin de la variable de la respuesta del inciso anterior, pruebe la hiptesis nula de que el coeficiente pendiente es cero.

    h) Usando su opcin sobre la variable de respuesta del inciso (f), pruebe la hiptesis nula de que el intercepto es cero.

    i) Usando su opcin de la variable de la respuesta en (f), pruebe el hiptesis nula de que el intercepto y el coeficiente pendiente son cero.

    j) Cul de las hiptesis y pruebas antedichas elegira usted para probar que la gente de altura similar tiende a casarse? Cul es su conclusin?

    1 Una exposicin excelente de los modelos de regresin a travs del origen es proporcionada por Eisenhauer (2003) que tambin alerta a los usuarios de los modelos de regresin a travs del origen a tener cuidado cuando ajustan estos modelos usando los programas de computo, ya que algunos de ellos dan los resultados incorrectos.

  • ECONOMETRA FORTINO VELA PEN

    UAM-X 10P 5

    k) Si ninguna de las pruebas antedichas son apropiadas para probar la hiptesis que la gente de altura similar tiende a casarse, que prueba utilizara usted ? Cul es su conclusin basada en esta prueba?

    Cuadro 1. Altura de los esposos

    Altura Altura

    id Esposo Esposa id Esposo Esposa 1 86 175 25 182 167 2 180 168 26 162 160 3 160 154 27 169 165 4 186 166 28 176 167 5 163 162 29 180 175 6 172 152 30 157 157 7 192 179 31 170 172 8 170 163 32 186 181 9 174 172 33 180 166

    10 191 170 34 188 181 11 182 170 35 153 148 12 178 147 36 179 169 13 181 165 37 175 170 14 168 162 38 165 157 15 162 154 39 156 162 16 188 166 40 185 174 17 168 167 41 172 168 18 183 174 42 166 162 19 188 173 43 179 159 20 166 164 44 181 155 21 180 163 45 176 171 22 176 163 46 170 159 23 185 171 47 165 164 24 169 161 48 183 175

  • ECONOMETRA FORTINO VELA PEN

    UAM-X 10P 6

    Altura Altura

    id Esposo Esposa id Esposo Esposa 49 162 156 73 179 160 50 192 180 74 170 149 51 185 167 75 170 160 52 163 157 76 165 148 53 185 167 77 165 154 54 170 157 78 169 171 55 176 168 79 171 165 56 176 167 80 192 175 57 160 145 81 176 161 58 167 156 82 168 162 59 157 153 83 169 162 60 180 162 84 184 176 61 172 156 85 171 160 62 184 174 86 161 158 63 185 160 87 185 175 64 165 152 88 184 174 65 181 175 89 179 168 66 170 169 90 184 177 67 161 149 91 175 158 68 188 176 92 173 161 69 181 165 93 164 146 70 156 143 94 181 168 71 161 158 95 187 178 72 152 141 96 181 170

    8619

    2al

    tura

    esp

    oso

    140 150 160 170 180altura esposa

  • ECONOMETRA FORTINO VELA PEN

    UAM-X 10P 7

    correlate, covariance (obs=96) | esposo esposa -------------+------------------ esposo | 178.794 esposa | 57.7243 83.3364

    gen pesposo= .39*esposo gen pesposa= .39*esposa

    33.5

    474

    .88

    pesp

    oso

    55 60 65 70pesposa

    correlate pesposo pesposa, covariance (obs=96) | pesposo pesposa -------------+------------------ pesposo | 27.1945 pesposa | 8.77987 12.6755

    pwcorr esposo esposa, sig | esposo esposa -------------+------------------ esposo | 1.0000 esposa | 0.4729 1.0000 | 0.0000 pwcorr pesposo pesposa, sig | pesposo pesposa -------------+------------------ pesposo | 1.0000

  • ECONOMETRA FORTINO VELA PEN

    UAM-X 10P 8

    pesposa | 0.4729 1.0000 | 0.0000

    regress esposo esposa Source | SS df MS Number of obs = 96 -------------+------------------------------ F( 1, 94) = 27.08 Model | 3798.45368 1 3798.45368 Prob > F = 0.0000 Residual | 13186.9526 94 140.286729 R-squared = 0.2236 -------------+------------------------------ Adj R-squared = 0.2154 Total | 16985.4063 95 178.79375 Root MSE = 11.844 --------------------------------------------------- --------------------------- esposo | Coef. Std. Err. t P>| t| [95% Conf. Interval] -------------+------------------------------------- --------------------------- esposa | .6926666 .1331156 5.20 0.0 00 .4283623 .9569708 _cons | 59.75608 21.85056 2.73 0.0 07 16.37127 103.1409 --------------------------------------------------- ---------------------------

    regress esposo esposa, noconst Source | SS df MS Number of obs = 96 -------------+------------------------------ F( 1, 95) =19253.94 Model | 2885282.85 1 2885282.85 Prob > F = 0.0000 Residual | 14236.1458 95 149.854167 R-squared = 0.9951 -------------+------------------------------ Adj R-squared = 0.9950 Total | 2899519 96 30203.3229 Root MSE = 12.241 --------------------------------------------------- --------------------------- esposo | Coef. Std. Err. t P>| t| [95% Conf. Interval] -------------+------------------------------------- --------------------------- esposa | 1.056149 .0076114 138.76 0.0 00 1.041038 1.071259 --------------------------------------------------- ---------------------------

    twoway lfit esposo esposa , estopts(nocons)

  • ECONOMETRA FORTINO VELA PEN

    UAM-X 10P 9

    Regresin sobre variables estandarizadas Otro aspecto importante de considerar es lo que se obtendra si estimamos un modelo donde las variables se encuentren estandarizadas, esto es, libres de unidades de medida (recuerde que una variable estandarizada se caracteriza por contar con media igual a cero y desviacin estndar a 1). Para ver esto consideraremos nuevamente al conjunto de datos relativos a los gastos en diversin de las familias y al tamao de las mismas. Calcularemos entonces las variables estandarizadas y*= gasto y x*=tamao, mediante la siguiente expresin general:

    s

    xxZ

    =

    Los resultados se muestran en el siguiente cuadro.

    Tamao Gasto

    id y x (y-ybar) (y-ybar) 2 (x-xbar) (x-xbar) 2 y* x*

    1 3 1287 -1.5 2.25 -157.30 24743.29 -

    1.1818 -

    0.4981

    2 6 1352 1.5 2.25 -92.30 8519.29 1.1818 -

    0.2923 3 5 1963 0.5 0.25 518.70 269049.69 0.3939 1.6425 4 6 1677 1.5 2.25 232.70 54149.29 1.1818 0.7369 5 6 1846 1.5 2.25 401.70 161362.89 1.1818 1.2720

    6 3 1443 -1.5 2.25 -1.30 1.69 -

    1.1818 -

    0.0041

    7 4 962 -0.5 0.25 -482.30 232613.29 -

    0.3939 -

    1.5273

    8 4 1183 -0.5 0.25 -261.30 68277.69 -

    0.3939 -

    0.8274 9 5 1547 0.5 0.25 102.70 10547.29 0.3939 0.3252

    10 3 1183 -1.5 2.25 -261.30 68277.69 -

    1.1818 -

    0.8274 45 14443 14.5 897542.1 0.0000 0.0000 media 4.5 1444.3 varianza 1.6111 99726.9 desv. estndar 1.2693 315.7957

    Estimemos entonces los modelos:

    original exy ++= 21 con variables estandarizadas ***2

    *1

    * exy ++= donde se puede comprobar que

    =

    y

    x

    S

    S2

    *2

  • ECONOMETRA FORTINO VELA PEN

    UAM-X 10P 10

    donde

    =xS desviacin estndar de x (original). =yS desviacin estndar de y (original).

    A los coeficientes de la ecuacin de regresin con variables estandarizadas, es decir, *1 y

    *2 , se les denomina coeficientes beta.

    La interpretacin de los valores de los coeficientes beta es muy particular: si el tamao de la familia estandarizado aumenta en una desviacin estndar, en promedio, el gasto en diversin aumenta en *2 unidades de desviacin estndar. Observe adems que si al estimar al modelo con variables estandarizadas empleamos las formulaciones antes establecidas para encontrar a los coeficientes estimados, a los coeficientes betas, en particular para *1 , se tiene

    **2

    **1

    XY = Pero dado que las medias de Y y X estn estandarizadas, su valor es cero, por lo que *1 =0, esto es. Se tiene un modelo sin intercepto. As, tenemos para los datos considerados los siguientes resultados. regress gasto tamao, noheader --------------------------------------------------- --------------------------- gasto | Coef. Std. Err. t P>| t| [95% Conf. Interval] -------------+------------------------------------- --------------------------- tamao | 146.5862 71.07385 2.06 0.0 73 -17.31039 310.4828 _cons | 784.6621 331.0852 2.37 0.0 45 21.17832 1548.146 --------------------------------------------------- ---------------------------

    regress ys xs, noheader --------------------------------------------------- --------------------------- ys | Coef. Std. Err. t P>| t| [95% Conf. Interval] -------------+------------------------------------- --------------------------- xs | .5891824 .2856713 2.06 0.0 73 -.0695767 1.247942 _cons | -1.99e-08 .2710115 -0.00 1.0 00 -.6249535 .6249535 --------------------------------------------------- --------------------------- regress ys xs, nocons noheader --------------------------------------------------- --------------------------- ys | Coef. Std. Err. t P>| t| [95% Conf. Interval] -------------+------------------------------------- --------------------------- xs | .5891824 .2693334 2.19 0.0 56 -.0200921 1.198457 --------------------------------------------------- ---------------------------

  • ECONOMETRA FORTINO VELA PEN

    UAM-X 10P 11

    regress gasto tamao, beta noheader --------------------------------------------------- --------------------------- gasto | Coef. Std. Err. t P>| t| Beta -------------+------------------------------------- --------------------------- tamao | 146.5862 71.07385 2.06 0.0 73 .5891823 _cons | 784.6621 331.0852 2.37 0.0 45 . --------------------------------------------------- ---------------------------

    Comprobemos tambin que

    0.58918243315.7957

    1.269296 146.5862 2

    *2 =

    =

    =

    y

    x

    S

    S

    que en Stata puede calcularse de la manera siguiente

    dis 146.5862 *(1.269296/315.7957)=.58918243

    El modelo de regresin con variables estandarizadas es til si se desea comparar a los coeficientes estimados entre modelos rivales. Dado que las variables se encuentran libres de unidades de medicin, un valor mayor de un coeficiente de regresin indica un impacto mucho ms fuerte. edit sum Variable | Obs Mean Std. Dev. Min Max -------------+------------------------------------- ------------------- tamao | 10 4.5 1.269296 3 6 gasto | 10 1444.3 315.7957 962 1963 gen ys= (gasto- 1444.3)/315.7957 gen xs= (tamao- 4.5)/1.269296 sum Variable | Obs Mean Std. Dev. Min Max -------------+------------------------------------- ------------------- tamao | 10 4.5 1.269296 3 6 gasto | 10 1444.3 315.7957 962 1963 ys | 10 -1.99e-08 .9999999 - 1.527253 1.642518 xs | 10 0 .9999996 - 1.181757 1.181757 regress gasto tamao, noheader --------------------------------------------------- --------------------------- gasto | Coef. Std. Err. t P>| t| [95% Conf. Interval] -------------+------------------------------------- --------------------------- tamao | 146.5862 71.07385 2.06 0.0 73 -17.31039 310.4828 _cons | 784.6621 331.0852 2.37 0.0 45 21.17832 1548.146 --------------------------------------------------- ---------------------------

    .

  • ECONOMETRA FORTINO VELA PEN

    UAM-X 10P 12

    MANEJO DE LAS VARIABLES DE SERIES DE TIEMPO EN STATA Datos anuales Para manejar informacin anual, resulta conveniente establecer un ndice de tiempo.

    Considere los datos del cuadro 3.8 de Gujarati y Porter (2010) relativos al producto

    interno bruto nominal y real para el periodo 1959-2005.

    Year NGDP RGDP Year NGDP RGDP 1959 506.6 2441.3 1983 3536.7 5423.8 1960 526.4 2501.8 1984 3933.2 5813.6 1961 544.7 2560.0 1985 4220.3 6053.7 1962 585.6 2715.2 1986 4462.8 6263.6 1963 617.7 2834.0 1987 4739.5 6475.1 1964 663.6 2998.6 1988 5103.8 6742.7 1965 719.1 3191.1 1989 5484.4 6981.4 1966 787.8 3399.1 1990 5803.1 7112.5 1967 832.6 3484.6 1991 5995.9 7100.5 1968 910.0 3652.7 1992 6337.7 7336.6 1969 984.6 3765.4 1993 6657.4 7532.7 1970 1038.5 3771.9 1994 7072.2 7835.5 1971 1127.1 3898.6 1995 7397.7 8031.7 1972 1238.3 4105.0 1996 7816.9 8328.9 1973 1382.7 4341.5 1997 8304.3 8703.5 1974 1500.0 4319.6 1998 8747.0 9066.9 1975 1638.3 4311.2 1999 9268.4 9470.3 1976 1825.3 4540.9 2000 9817.0 9817.0 1977 2030.9 4750.5 2001 10128.0 9890.7 1978 2294.7 5015.0 2002 10469.6 10048.8 1979 2563.3 5173.4 2003 10960.8 10301.0 1980 2789.5 5161.7 2004 11712.5 10703.5 1981 3128.4 5291.7 2005 12455.8 11048.6

    1982 3255.0 5189.3

    Dado que la primera observacin corresponde al ao 1959 es posible generar una

    variable o ndice de tiempo mediante el comando generate t=1959+_n-1 tsset t, annual Observe que la variable _n es un ndice natural de las observaciones, el cual inicia en

    1 y corre hasta el nmero de observaciones n. La instruccin generate crea una variable llamada t la cual agrega valores desde 1959 hasta _n, para entonces subtraer 1, de forma tal que la serie creada va desde 1959, 1960, 1961, de uno

    en uno, hasta 2005, en este caso.

    Por su parte, la instruccin tsset establece a la variable t a ser considerada como un ndice de tiempo.

  • ECONOMETRA FORTINO VELA PEN

    UAM-X 10P 13

    Datos trimestrales Stata almacena al ndice de tiempo como un entero. As, por ejemplo, para datos

    trimestrales usa la convencin de que el primer trimestre de 1960 es 0. El segundo

    trimestre de 1960 es 1, el primer trimestre de 1961 es 4, etc. La fechas antes de 1960

    son enteros negativos, de forma tal que el cuatro trimestre de 1959 es 1, el tercer

    trimestre es 2, etc.

    Cuando se formatea a las fechas, Stata despliega a los periodos trimestrales como

    1957q2, que significa el segundo trimestre de 1957 (an cuando Stata lo almacena

    como un nmero 11, es decir, el undcimo trimestre antes de 1960 1960q1.)

    Stata utiliza la formula tq(1957q2) para convertir a la fecha formateada 1957q2 a

    un ndice numrico 11.

    Considere la siguiente informacin trimestral correspondiente al PIB y la tasa de

    desempleo de los Estados Unidos desde el ltimo trimestre de 1991. Para incluir estos

    datos en Stata se deben realizar los siguientes comandos:

    DATE GDPC1 UNRATE DATE GDPC1 UNRATE 1991-10-01 6720.9 7.10 1997-07-01 8216.6 4.87 1992-01-01 6783.3 7.37 1997-10-01 8272.9 4.67 1992-04-01 6846.8 7.60 1998-01-01 8396.3 4.63 1992-07-01 6899.7 7.63 1998-04-01 8442.9 4.40 1992-10-01 6990.6 7.37 1998-07-01 8528.5 4.53 1993-01-01 6988.7 7.13 1998-10-01 8667.9 4.43 1993-04-01 7031.2 7.07 1999-01-01 8733.2 4.30 1993-07-01 7062.0 6.80 1999-04-01 8775.5 4.27 1993-10-01 7168.7 6.63 1999-07-01 8886.9 4.23 1994-01-01 7229.4 6.57 1999-10-01 9040.1 4.07 1994-04-01 7330.2 6.20 2000-01-01 9097.4 4.03 1994-07-01 7370.2 6.00 2000-04-01 9205.7 3.97 1994-10-01 7461.1 5.63 2000-07-01 9218.7 4.07 1995-01-01 7488.7 5.47 2000-10-01 9243.8 3.93 1995-04-01 7503.3 5.67 2001-01-01 9229.9 4.17 1995-07-01 7561.4 5.67 2001-04-01 9193.1 4.47 1995-10-01 7621.9 5.57 2001-07-01 9186.4 4.83 1996-01-01 7676.4 5.53 2001-10-01 9248.8 5.60 1996-04-01 7802.9 5.50 2002-01-01 9363.2 5.63 1996-07-01 7841.9 5.27 2002-04-01 9392.4 5.83 1996-10-01 7931.3 5.33 2002-07-01 9485.6 5.77 1997-01-01 8016.4 5.23 2002-10-01 9518.2 5.90 1997-04-01 8131.9 5.00

    Fuente: Tomado de http://economics.about.com/cs/datasources/a/quarterlydata.htm

    generate t=tq(1991q4)+_n-1 format t %tq tsset t

  • ECONOMETRA FORTINO VELA PEN

    UAM-X 10P 14

    El comando generate crea a la variable t como un nmero entero. El comando format como lo dice su nombre formatea a la variable t usando el formato de serie de tiempo trimestral. La tq se refiere a una serie de tiempotrimestral. El

    comando tsset declara a la variable t como el ndice de tiempo. twoway tsline unrate

    45

    67

    8U

    NR

    AT

    E

    1992q1 1994q3 1997q1 1999q3 2002q1t

    Datos mensuales El manejo de datos mensuales es similar pero reemplazando una m por la q del

    trimestral. Stata almacena el ndice del tiempo con la convencin 1960m1 es 0. Para

    generar un ndice mensual iniciando el segundo mes de 1962 se deben utilizar los

    siguientes comandos:

    generate t=tm(1962m2)+_n-1 format t %tm tsset t Datos semanales Con datos semanales es similar usando w en lugar de q y m, donde la base del

    periodo es, por ejemplo, 1960w1. De esta manera, para una serie que inicia en la 7.

    semana de 1973 se utilizan los comandos:

    generate t=tw(1973w7)+_n-1 format t %tw tsset t

  • ECONOMETRA FORTINO VELA PEN

    UAM-X 10P 15

    Datos diarios Los datos diarios son almacenados por fechas. Por ejemplo, 01jan1960 es Jan 1,

    1960, el cual es el periodo base. Para generar un ndice de tiempo diario iniciando en

    April 18, 1962, se utilizan los comandos

    generate t=td(18apr1962)+_n-1 format t %td tsset t Operadores de Series de Tiempo Sea una serie de tiempo denominada y, entonces

    L. rezago y(t1) Ejemplo: L.y

    L2. 2 dos periodos de rezago y(t2) Ejemplo: L2.y

    F. adelanto y(t+1) Ejemplo: F.y

    F. 2 dos periodos de adelanto y(t+2) Ejemplo: F2.y

    D. diferencia y(t)y(t1) Ejemplo: D.y

    D2. doble diferencia (y(t)y(t1)) (y(t1)y(t2))

    Ejemplo: D2.y

    S. diferencia estacional y(t)y(ts), donde s es la frecuencia estacional

    (e.g., s=4 para trimestres) Ejemplo: S.y

    S2. 2 diferencia de periodo estacional y(t)y(t2s)

    Ejemplo: S2.y

  • ECONOMETRA FORTINO VELA PEN

    UAM-X 10P 16

    ALGEBRA MATRICIAL CON STATA

    a) Construccin de matrices en STATA

    Existen dos formas de crear matrices con STATA. La primera es utilizando el comando matrix (el cual es la abreviacin de "matrix define "); aqu la matriz se elabora elemento por elemento. La segunda, de manera alternativa, es mediante el comando mkmat el cual es usado para crear un matriz a partir de las variables existentes en una base de datos concatenando (juntando) los valores de las columnas. Veamos cada uno de estos comandos.

    a.1) Comando matrix

    Bajo este comando la sintaxis bsica es la siguiente

    matrix nombre = (elementos)

    Esto indica que despus de emplear al comando y otorgarle un nombre a la matriz, los datos que forman a la matriz deben estar encerrados dentro de parntesis observando que los elementos de una misma fila o rengln deben estar separados por comas mientras que la separacin entre filas o renglones mediante una slash inverso (\) (el nmero de columnas implica necesariamente el nmero de elemntos por cada rengln)). As, por ejemplo, si la matriz es denominada como A, siendo una matriz de dimensin 2x4, se tiene entonces que escribir (2,4,3,7\1,5,3,1), esto es,

    matrix A= (2,4,3,7\1,5,3,1)

    por lo que la matriz deber parecerse a algo como lo siguiente:

    =

    1351

    7342A

    Observe que Stata no despliega a la matriz dentro de la ventana de resultados sino que la almacena en memoria. Si se desea ver a la matriz y a sus elementos es necesario escribir

    matrix list A

    con lo que Stata despliega la dimensin y los elementos de la matriz A, esto es:

    A[2,4] c1 c2 c3 c4 r1 2 4 3 7 r2 1 5 3 1

    Los vectores columna y rengln son creados con el mismo comando. De esta forma, el comando "matrix A=(2,1,4,3) " elabora una vector rengln de

  • ECONOMETRA FORTINO VELA PEN

    UAM-X 10P 17

    dimensin 1x4 mientras que el comando "matrix A=(2\1\4\3) " crea un vector columna de orden 4x1.

    a.2) Comando mkmat

    La sintaxis utilizada bajo este comando es la siguiente

    mkmat varnames, matrix(matrix name)

    Aqu las matrices son creadas a partir de una base de datos existente. De esta manera, se puede desear construir una matriz a partir de un archivo que contenga 3 variables (por ejemplo, las variables V1, V2 y V3) dentro de una matriz denominada A con lo que se escribe

    mkmat V1, V2, V3, matrix (A)

    De esta manera, el comando concatenara (juntar) a las variables sealadas (V1, V2 y V3) dentro de la matriz A compuesta de N renglones (donde N es el nmero de casos en el archivo de datos para cada una de estas variables, observando que deber ser el mismo) y 3 columnas (1 para cada variable).

    b) Manipulacin de matrices

    matrix C = A,B une las matrices A y B (deben ser conformable).

    matrix C = A\ une a las matrices A y B de manera transpuesta (renglones por columna).

    matrix A = J (#1, #2, #3) Crea una matriz rectangular #1 por #2 cuyos valores en todos sus elementos es igual a valor fijado en #3.

    matrix I = I (#1) Crea una matriz identidad cuadrada con columnas y renglones igual a #1.

    Matrix A = DIAG (V) Crea una matriz cuadrada con valores del vector V como diagonal principal y cero en los otros elementos.

    matrix NR = ROWSOF (A) Encuentra el # de renglones en A.

    matrix NC = COLSOF (A) Encuentrael # de columnas en A.

  • ECONOMETRA FORTINO VELA PEN

    UAM-X 10P 18

    c) Operaciones bsicas de matrices

    matrix C = A + B matrix C = A - B matrix C = A * B matrix AT = A' matrix INVA = INV (A) matrix DETA = DET (A) matrix DIAGA = VECDIAG (A)

    d) Ejemplos y extensiones

    Multiplicacin por un escalar

    mat B = 3*A mat lis B B[3,2] c1 c2 r1 6 3 r2 9 6 r3 -6 6

    Suma y resta de matrices

    mat B = (1,1\4,2\-2,1) mat C = A + B mat lis C C[3,2] c1 c2 r1 3 2 r2 7 4 r3 -4 3 mat D = A - B mat lis D D[3,2] c1 c2 r1 1 0 r2 -1 0 r3 0 1

    Multiplicacin de matrices

    mat D = (2,1,3\-2,2,1) mat C = D*A mat lis C C[2,2] c1 c2

  • ECONOMETRA FORTINO VELA PEN

    UAM-X 10P 19

    r1 1 10 r2 0 4 mat C = A*D mat lis C C[3,3] c1 c2 c3 r1 2 4 7 r2 2 7 11 r3 -8 2 -4 mat D = (2,1,3) mat C = D*A mat lis C C[1,2] c1 c2 r1 1 10 mat C = A*D conformability error r(503);

    Transposicin de matrices

    mat AT = A' mat lis AT AT[2,3] r1 r2 r3 c1 2 3 -2 c2 1 2 2 mat ATT = AT' mat lis ATT ATT[3,2] c1 c2 r1 2 1 r2 3 2 r3 -2 2

    Vectores de uso comn

    Vector unitario

    mat U = J(3,1,1) mat lis U U[3,1] c1 r1 1 r2 1 r3 1

  • ECONOMETRA FORTINO VELA PEN

    UAM-X 10P 20

    Matrices de uso comn

    Matriz unitaria

    mat U = J(3,2,1) mat lis U U[3,2] c1 c2 r1 1 1 r2 1 1 r3 1 1

    Matriz diagaonal

    mat S = (2,1,4\3,2,2\-2,2,3) mat lis S S[3,3] c1 c2 c3 r1 2 1 4 r2 3 2 2 r3 -2 2 3 mat D = diag(vecdiag(S)) mat lis D symmetric D[3,3] c1 c2 c3 c1 2 c2 0 2 c3 0 0 3 mat V = (3,1,2) mat D = diag(V) mat lis D symmetric D[3,3] c1 c2 c3 c1 3 c2 0 1 c3 0 0 2

    Matriz identidad

    mat I = I(3) mat lis I symmetric I[3,3] c1 c2 c3 r1 1 r2 0 1 r3 0 0 1

    Matriz simetrica

    mat C = (2,1,5\1,3,4\5,4,-2)

  • ECONOMETRA FORTINO VELA PEN

    UAM-X 10P 21

    mat lis C symmetric C[3,3] c1 c2 c3 r1 2 r2 1 3 r3 5 4 -2 mat CT = C' mat lis CT symmetric CT[3,3] r1 r2 r3 c1 2 c2 1 3 c3 5 4 -2

    Matriz inversa

    matrix A = (4,2,2 \ 4,6,8 \ -2,2,4) matrix list A A[3,3] c1 c2 c3 r1 4 2 2 r2 4 6 8 r3 -2 2 4 matrix A1 = inv(A) matrix list A1 A1[3,3] r1 r2 r3 c1 1 -.5 .5 c2 -4 2.5 -3 c3 2.5 -1.5 2

    Matriz inversa y determinante

    mat C = (2,1,6\1,3,4\6,4,-2) mat CI = syminv(C) mat lis CI symmetric CI[3,3] r1 r2 r3 c1 .6 c2 -.2 .4 c3 0 0 0 scalar d = det(C) display d -102

    Despliegue del nmero de columnas y renglones

    mat X = (3,2\2,-2\4,6\3,1) mat lis X X[4,2]

  • ECONOMETRA FORTINO VELA PEN

    UAM-X 10P 22

    c1 c2 r1 3 2 r2 2 -2 r3 4 6 r4 3 1 scalar r = rowsof(X) scalar c = colsof(X) display r, " ", c 4 2

    Calculo de las sumas por renglon o columna

    mat A = (2,1\3,2\-2,2) mat lis A A[3,2] c1 c2 r1 2 1 r2 3 2 r3 -2 2 mat U = J(rowsof(A),1,1) mat list U U[3,1] c1 r1 1 r2 1 r3 1 mat c = U'*A mat list c c1 c2 c1 3 5

    Clculo de las medias por rengln o columna

    mat cm = c/rowsof(A) mat lis cm cm[1,2] c1 c2 r1 1 1.6666667