Conceptos Fundamentales de Econometría: Regresión, Contraste de Hipótesis y Criterios de Selección de Modelos

Proporción marginal del Consumo(x=0,..) t>2óValor p peque 4 b1=0 H(0) se rechaza

DsvTipVbleDep=(EDsvC)^0.5/(n-1)

( )^2(n-1)=ETotaldCuad:SCE/SRC       R^2=SEC/STC

DTR=promediodeN/lineadeR = DsvTipResidual=(SRC/n-k)^0.5 Valor de p > 0.05 nose rechaza

Heterocedasticidad

Contraste de White H(0) no hay Het. EstadisticoLM(se mira en la tabla) valor de p.Se acepta si B1>P(chi^2>LM)

Múltiples: si R^2 es muy grande /HET/Colín/AUTOCOR)

Colín VIF=(1/(1-R^2) PruebaH:si hay problema en valores mayores que N, puede haber colinealidad por lo que la H no se rechaza

Autocor:
contraste hasta orden H(0) no hay autocor Estadístico LMF cuando el valor de p es peque se rechaza

Criterio Schwarz ln(e'e/n)+k/n*ln n     Criterio d inflancion d Akaike ln(e'e/n)+2k/n

Criterion de Information Hannan-Quinn (HQC)
Es una medida de bondad de ajsute de un modelo estadístico, y frecuentemente se utiliza como un criterio para seleccionar el modelo entre un conjunto finito de modelos. No se basa en la función de log-veroimilitud (LLF), y más relacionado con el criterio de información de Akaike.

Al igual que en la AIC, el HQC introduce un término de penalización para el número de parámetros en el modelo, pero la pena es mayor que uno en la AIC.

1. En general, el BIC se define como:HQC=n×lnRSSn+2×k×ln(lnn)HQC=n×ln⁡RSSn+2×k×ln⁡(ln⁡n)Donde:
   
   • nn es el número de observaciones.
   • kk es el número de parámetros del modelo.
   • RSSRSS es la suma residual de cuadrados que resultan del modelo estadístico.
2. Dados dos modelos estimados, el modelo con el menor valor de HQC es preferido; un menor HQC implica un número menor de variables explicativas, mejor ajuste, o ambas cosas.

Notas

1. HQC, como BIC, pero a diferencia de AIC, no es asintóticamente eficiente.
2. Es importante tener en cuenta que el HQC puede ser utilizado para comparar los modelos estimados sólo cuando los valores numéricos de la variable dependiente son idénticos para que todas las estimaciones sean comparadas.
3. BIC ha sido ampliamente utilizada para la identificación del modelo en series de tiempo y la regresión lineal. Puede, sin embargo, ser aplicado ampliamente a cualquier conjunto de modelos basados en una de máxima probabilidad.