Scribd Logo
Cargar

¡Te damos la bienvenida a Scribd!

  • 23 vistas

    Supuestos Del MCO: Teorema Del Limite Central

    Cargado por

    Marlon Alejdro
    Este documento describe los supuestos del modelo de regresión lineal clásica (MCO). Explica el teorema del límite central, los supuestos de Gauss-Markov como linealidad, homocedasticidad, independencia y normalidad. Luego aplica pruebas como Breusch-Pagan, Shapiro-Wilk y Anderson-Darling a diferentes modelos para verificar el cumplimiento de los supuestos.

    Copyright:

    © All Rights Reserved
    Descargue como PDF, TXT o lea en línea desde Scribd

    Supuestos Del MCO: Teorema Del Limite Central

    Cargado por

    Marlon Alejdro
    23 vistas13 páginas
    Este documento describe los supuestos del modelo de regresión lineal clásica (MCO). Explica el teorema del límite central, los supuestos de Gauss-Markov como linealidad, homocedasticidad, independencia y normalidad. Luego aplica pruebas como Breusch-Pagan, Shapiro-Wilk y Anderson-Darling a diferentes modelos para verificar el cumplimiento de los supuestos.

    Descripción original:

    Fundamentos de Econometría

    Título original

    S6

    Derechos de autor

    © © All Rights Reserved

    Formatos disponibles

    PDF, TXT o lea en línea desde Scribd

    ¿Le pareció útil este documento?

    ¿Este contenido es inapropiado?

    Este documento describe los supuestos del modelo de regresión lineal clásica (MCO). Explica el teorema del límite central, los supuestos de Gauss-Markov como linealidad, homocedasticidad, independencia y normalidad. Luego aplica pruebas como Breusch-Pagan, Shapiro-Wilk y Anderson-Darling a diferentes modelos para verificar el cumplimiento de los supuestos.

    Copyright:

    © All Rights Reserved
    Descargue como PDF, TXT o lea en línea desde Scribd
    Descargar como pdf o txt
    23 vistas13 páginas

    Supuestos Del MCO: Teorema Del Limite Central

    Cargado por

    Marlon Alejdro
    Este documento describe los supuestos del modelo de regresión lineal clásica (MCO). Explica el teorema del límite central, los supuestos de Gauss-Markov como linealidad, homocedasticidad, independencia y normalidad. Luego aplica pruebas como Breusch-Pagan, Shapiro-Wilk y Anderson-Darling a diferentes modelos para verificar el cumplimiento de los supuestos.

    Copyright:

    © All Rights Reserved
    Descargue como PDF, TXT o lea en línea desde Scribd
    Descargar como pdf o txt
    de 13

    Supuestos del MCO

    Sergio Diaz

    2023-06-21

    Teorema del limite central


    El teorema del límite central (TLC) es uno de los resultados más importantes en estadística y probabilidad.
    Afirma que, bajo ciertas condiciones, la suma o media de un gran número de variables aleatorias indepen-
    dientes e idénticamente distribuidas (iid) tiende a seguir una distribución normal, sin importar cuál sea la
    distribución original de las variables.
    En términos más específicos, el TLC establece lo siguiente:
    Las variables aleatorias deben ser independientes entre sí. Esto significa que el resultado de una variable no
    afecta el resultado de las otras variables.
    Las variables aleatorias deben tener la misma distribución. Esto significa que todas las variables tienen la
    misma probabilidad de tomar cualquier valor dentro de su rango.
    Las variables aleatorias deben tener una varianza finita. En otras palabras, la dispersión de los valores de
    las variables no debe ser infinitamente grande.

    Datos con distribucion normal

    hist(log(df$l))

    1
    Histogram of log(df$l)
    150
    Frequency

    100
    50
    0

    2 3 4 5 6 7 8

    log(df$l)

    Se realizan distintos muestreos sobre estos datos y se obtienen promedios distintos

    muestra <- 70
    n_muestra <- 50
    cont <- c()
    for(i in 1:muestra){
    mean <- mean(sample(log(df$k),n_muestra))
    cont <- c(cont,mean)
    }

    hist(cont)

    2
    Histogram of cont
    20
    15
    Frequency

    10
    5
    0

    4.6 4.7 4.8 4.9 5.0 5.1 5.2 5.3

    cont

    Datos sin distribucion normal

    hist(df$l)

    3
    Histogram of df$l
    800
    600
    Frequency

    400
    200
    0

    0 500 1000 1500 2000 2500 3000 3500

    df$l

    Se realizan distintos muestreos sobre estos datos y se obtienen promedios distintos

    muestra <- 70
    n_muestra <- 50
    cont <- c()
    for(i in 1:muestra){
    mean <- mean(sample(df$k,n_muestra))
    cont <- c(cont,mean)
    }

    hist(cont)

    4
    Histogram of cont
    15
    Frequency

    10
    5
    0

    200 250 300

    cont

    Supuestos de GaussMarko

    Linealidad

    # Ajustar modelo1 de regresión lineal


    modelo1 <- lm(q ~ k + l, data = df)
    modelo2 <- lm(log(q) ~ log(k) + log(l), data = df)

    Modelo no lineal

    plot(df$k,modelo1$residuals)

    5
    60000
    modelo1$residuals

    20000
    −20000

    0 500 1000 1500 2000

    df$k

    plot(df$l,modelo1$residuals)

    6
    60000
    modelo1$residuals

    20000
    −20000

    0 500 1000 1500 2000 2500 3000

    df$l

    Modelo lineal

    plot(log(df$l),modelo2$residuals)

    7
    2
    modelo2$residuals

    1
    0
    −1
    −2

    2 3 4 5 6 7 8

    log(df$l)

    plot(log(df$k),modelo2$residuals)

    8
    2
    modelo2$residuals

    1
    0
    −1
    −2

    2 3 4 5 6 7

    log(df$k)

    Homocedasticidad

    Breusch-Pagan

    # Cargar librerías
    library(lmtest)

    ## Warning: package ’lmtest’ was built under R version 4.3.1

    ## Loading required package: zoo

    ##
    ## Attaching package: ’zoo’

    ## The following objects are masked from ’package:base’:


    ##
    ## as.Date, as.Date.numeric

    bp_test <- bptest(modelo1)


    print(bp_test)

    9
    ##
    ## studentized Breusch-Pagan test
    ##
    ## data: modelo1
    ## BP = 53.778, df = 2, p-value = 2.101e-12

    Interpretacion: Si el p valor es menor ha 0.05 entonces hay heterocedasticidad(problema)

    Caso no heterocedastico

    bp_test <- bptest(modelo2)


    print(bp_test)

    ##
    ## studentized Breusch-Pagan test
    ##
    ## data: modelo2
    ## BP = 1.572, df = 2, p-value = 0.4557

    Independencia

    df$r1 <- modelo1$residuals


    df$r2 <- modelo2$residuals
    cor(df[,c("l","k","r1")])

    ## l k r1
    ## l 1.000000e+00 4.663293e-03 1.332444e-17
    ## k 4.663293e-03 1.000000e+00 -6.958644e-17
    ## r1 1.332444e-17 -6.958644e-17 1.000000e+00

    Normalidad

    Caso no normal

    hist(df$r1)

    10
    Histogram of df$r1
    500
    Frequency

    300
    100
    0

    −40000 −20000 0 20000 40000 60000 80000

    df$r1

    Caso normal

    hist(df$r2)

    11
    Histogram of df$r2
    250
    200
    Frequency

    150
    100
    50
    0

    −2 −1 0 1 2 3

    df$r2

    Test de Shapiro-Wilk

    shapiro.test(modelo1$residuals)

    ##
    ## Shapiro-Wilk normality test
    ##
    ## data: modelo1$residuals
    ## W = 0.62605, p-value < 2.2e-16

    Interpretacion: Si el p valor es menor ha 0.05 entonces no hay normalidad(problema)

    shapiro.test(modelo2$residuals)

    ##
    ## Shapiro-Wilk normality test
    ##
    ## data: modelo2$residuals
    ## W = 0.99791, p-value = 0.2473

    Interpretacion: Si el p valor es menor ha 0.05 entonces no hay normalidad(problema)

    12
    Test de Anderson-Darling

    library(nortest)
    ad.test(modelo1$residuals)

    ##
    ## Anderson-Darling normality test
    ##
    ## data: modelo1$residuals
    ## A = 90.606, p-value < 2.2e-16

    Interpretacion: Si el p valor es menor ha 0.05 entonces no hay normalidad(problema)

    ad.test(modelo2$residuals)

    ##
    ## Anderson-Darling normality test
    ##
    ## data: modelo2$residuals
    ## A = 0.45538, p-value = 0.2674

    Interpretacion: Si el p valor es menor ha 0.05 entonces no hay normalidad(problema)

    13

    También podría gustarte