Econometria1-Transp-tema5-2

Recommendations

Info

La derivación del EMV (MLE) utiliza de forma general: n ( ˆ MLE p – p true ) d → N(0, 2 σ ln f /a 2 )) • Los errores estándar se obtienen encontrando expresiones para 2 σ ln f /a 2 • Extensión a varios parámetros (β0, β1) mediante cálculo matricial • Dado que la distribución es normal para n grande, la inferencia se lleva a cabo de la forma habitual, opr ejemplo, el intervalo de confianza al 95% es MLE ± 1.96SE. • La expresión de arriba utiliza errores estándar “robustos”. Se puede simplificar al caso de errores estándar no robustos si ∂ln f ( pY ; ) / ∂ pes homocedástico. i 9-52
Resumen: distribution del EMV (MLE) • El EMV (MLE) sigue distribución normal para n grande • Hemos trabajado este resultado en detalle para el modelo probit “sin X” (distribución Bernoulli) • Para n grande, los intervalos de confianza y los contrastes de hipótesis se construyen de la forma usual. • Si el modelo está correctamente especificado, el EMV (MLE) es eficiente, es dicer, tiene menor varianza que cualquier otro estimador (esto no lo hemos desarrollado). • Estos métodos se extiende a otros modelos con variables dependientes discretas, por ejemplo, datos de recuento (# delitos/día) – ver SW Apéndice. 9.2. 9-53
Page 1 and 2: Regresión con variable dependiente
Page 3 and 4: El modelo de probabilidad lineal (S
Page 5 and 6: El modelo de probabilidad lineal (c
Page 7 and 8: 9-7
Page 9 and 10: Incluyamos ahora la variable negro
Page 11 and 12: Probit and Logit Regression (SW Sec
Page 13 and 14: La regresión probit modeliza la pr
Page 15 and 16: Regresión probit (cont.) ¿Por qu
Page 17 and 18: Ejemplo de STATA: datos HMDA (cont.
Page 19 and 20: Ejemplo de STATA: datos HMDA . prob
Page 21 and 22: Ejemplo de STATA: datos HMDA (cont.
Page 23 and 24: Regresión logit (cont.) donde F(β
Page 25 and 26: Las probabilidades estimadas de los
Page 27 and 28: Estimación probit por mínimos cua
Page 29 and 30: Estimación probit por máxima veos
Page 31 and 32: Densidad conjunta de (Y1,Y2): Dado
Page 33 and 34: ó 1 ⎛ −1 ⎞ + − MLE MLE pˆ
Page 35 and 36: La verosimilitud probit con un regr
Page 37 and 38: La verosimilitud logit con un X •
Page 39 and 40: Distribución del EMV (MLE) para n
Page 41 and 42: 2. Igualar a cero la derivada de Λ
Page 43 and 44: 5. Sustituir y aplicar la LGN y el
Page 45 and 46: ⎛ ⎞ n 2 1 ∂ ln f( p; Yi) ∑
Page 47 and 48: Recuerda que: Por tanto, y y ∂ 2
Page 49 and 50: Numerador: so ∂ ln f ( pY , i )
Page 51: Resumen: EMV (MLE) probit , caso
Page 55 and 56: El conjunto de datos HMDA • Datos
Page 57 and 58: Especificaciones para la regresión
Page 59 and 60: 9-59
Page 61 and 62: 9-61
Page 63 and 64: Resumen de los resultados empírico
Page 65 and 66: Resumen (SW Sección 9.5) • Si Yi

Econometria1-Transp-tema5-2

You also want an ePaper? Increase the reach of your titles

Delete template?

Save as template?