Econometría básica aplicada con Gretl

Estas notas de clase son de utilidad como material docente, sirviendo de apoyo o complemento, para aquellos alumnos que bien vayan a hacer o hayan seguido alguna asignatura como Introducción a la Econometría (en LE o LADE), Estadística Actuarial: Regresión (LCAF), Econometría aplicada al mercado (LITM). También puede estar indicada para alumnos de las licenciaturas ofrecidas en la Facultad de Ciencias Sociales y de la Comunicación, por ejemplo la Licenciatura de Publicidad y RR.PP. y de algunas Ingenierías, por ejemplo Ingeniería en Organización Industrial. Las notas de clase se estructuran en siete temas. El primero de ellos introduce el concepto de Econometría, define algunos de los términos más habituales y presenta el software libre a utilizar en las aplicaciones, el programa Gretl. En el tema dos se especifica y estima el Modelo de Regresión Lineal Simple. Se desarrolla el estimador Mínimo Cuadrático Ordinario, sus propiedades y se muestra como hacer inferencia con él. En el tema tres se especifica y estima el Modelo de Regresión Lineal General. En el tema cuatro se muestra como realizar contrastes de restricciones lineales. En el tema cinco se revisa su comportamiento bajo mala especificación del modelo. En los temas seis y siete se muestran, respectivamente, las consecuencias de disponer de una muestra de variables altamente correlacionadas y como utilizar variables ficticias. Al final de cada tema se proponen ejercicios para aplicar lo aprendido en el mismo. Al final de las notas aparece la bibliografía completa.

Oinarrizko ekonometria Gretl erabiliz

Estas notas de clase son de utilidad como material docente, sirviendo de apoyo o complemento, para aquellos alumnos que bien vayan a hacer o hayan seguido alguna asignatura como Introducción a la Econometría (en LE o LADE), Estadística Actuarial: Regresión (LCAF), Econometría aplicada al mercado (LITM). También puede estar indicada para alumnos de las licenciaturas ofrecidas en la Facultad de Ciencias Sociales y de la Comunicación, por ejemplo la Licenciatura de Publicidad y RR.PP. y de algunas Ingenierías, por ejemplo Ingeniería en Organización Industrial. Las notas de clase se estructuran en siete temas. El primero de ellos introduce el concepto de Econometría, define algunos de los términos más habituales y presenta el software libre a utilizar en las aplicaciones, el programa Gretl. En el tema dos se especifica y estima el Modelo de Regresión Lineal Simple. Se desarrolla el estimador Mínimo Cuadrático Ordinario, sus propiedades y se muestra como hacer inferencia con él. En el tema tres se especifica y estima el Modelo de Regresión Lineal General. En el tema cuatro se muestra como realizar contrastes de restricciones lineales. En el tema cinco se revisa su comportamiento bajo mala especificación del modelo. En los temas seis y siete se muestran, respectivamente, las consecuencias de disponer de una muestra de variables altamente correlacionadas y como utilizar variables ficticias. Al final de cada tema se proponen ejercicios para aplicar lo aprendido en el mismo. Al final de las notas aparece la bibliografía completa.

Promedio bayesiano de modelos para la predicción del consumo máximo de oxígeno en deportistas con datos de no-ejercicio

Históricamente, los modelos de no-ejercicio para predecir el consumo máximo de oxígeno (VO2max) han sido construidos mediante regresión lineal frecuentista, usando técnicas estándar de selección de modelos. Sin embargo, existe incertidumbre acerca de la estructura estadística en el proceso de selección del modelo. En este estudio se propuso construir un modelo de no-ejercicio para predecir el VO2max en deportistas orientados al rendimiento, considerando la incertidumbre de modelo a través del Promedio Bayesiano de Modelos (BMA). Un objetivo adicional fue comparar la performance predictiva del BMA con las de los modelos derivados de varias técnicas frecuentistas usuales de selección de variables. Con tal fin, se implementó un submuestreo aleatorio estratificado repetido. Los datos incluyeron observaciones de la variable respuesta (en L·min-1), así como registros de Género, Deporte, Edad, Peso, Talla e Índice de masa corporal (BMI) (Edad = 22.1 ± 4.9 años, media ± SD; n = 272). Se propuso una clasificación de deportes con el objetivo de incluirla dentro del proceso de construcción del modelo: Combate, Juego, Resistencia 1 y Resistencia 2. El enfoque BMA se implementó en base a dos métodos: Occam's window y Composición de Modelo mediante el método de Monte Carlo con Cadenas de Markov (MC²). Se observaron discrepancias en la selección de variables entre los procedimientos frecuentistas. Ambos métodos de BMA produjeron resultados muy similares. Los modelos que incluyeron Género y las variables dummies para Resistencia 1 y Resistencia 2 acumularon virtualmente toda la probabilidad de modelo a posteriori. El Peso fue el predictor continuo con la más alta probabilidad de inclusión a posteriori (menor a 0.8). Las combinaciones de variables que involucraron predictores con un alto nivel de multicolinealidad fueron desacreditadas. Los modelos con sustancial contribución para el BMA presentaron un ajuste apreciable (R² ajustado menor a 0.8). Entre los modelos seleccionados por estrategias frecuentistas, el obtenido mediante el método de regresión por pasos (Stepwise regression method) con alfa igual a 0.05 fue el más respaldado por los datos, en términos de probabilidad de modelo a posteriori. En concordancia con la literatura, el BMA tuvo mejor performance predictiva de los datos fuera de la muestra que los modelos seleccionados por técnicas frecuentistas, medida por la cobertura del intervalo de predicción de 90 por ciento. La clasificación de deportes reveló resultados consistentes.

Análisis predictivo de los eventos adversos relacionados con los indicadores de eficiencia hospitalaria de una IPS de Bogotá

En este estudio se realizó un análisis predictivo de la aparición de eventos adversos de los pacientes de una IPS de Bogotá, Mederi Hospital Universitario de Barrios Unidos (HUBU) durante el año 2013; relacionados con los indicadores de eficiencia hospitalaria (Porcentaje de ocupación hospitalaria, número de egresos hospitalarios, promedio de estancia hospitalaria, número de egresos de urgencias, promedio de estancia en urgencias). Los datos fueron exportados a una matriz de análisis de las variables cualitativas; fueron presentadas con frecuencias absolutas y relativas, las variables cuantitativas (edad, tiempos de estancia) fueron presentadas con media, desviaciones estándar. Se agruparon los datos de eventos adversos y de eficiencia hospitalaria en una nueva matriz que permitiera el análisis predictivo la nueva matriz fue exportada al software de modelación estadístico Eviews 6.5; se especificaron modelos predictivos multivariados para la variable número de eventos adversos, respecto de los indicadores de eficiencia hospitalaria y se estimaron las probabilidades de ocurrencia, análisis de correlación y multicolinealidad; los resultados se presentaron en tablas de estimación para cada modelo, se restringieron los eventos adversos prevenibles y no prevenibles información obtenida a través de un sistema de información que registra los factores relacionados con la ocurrencia de eventos adversos en salud, a través del sistema de reporte de eventos en salud, reporte en las historias clínicas, reporte individual, reporte por servicio, análisis de datos y estudios de caso, de la misma forma fueron extraídos los datos de eficiencia hospitalaria para el mismo periodo. El análisis y gestión de eventos adversos pretende establecer estrategias de mejoramiento continuo y análisis de resultados frente a los indicadores de eficiencia que permitan intervención de los factores de riesgo operativo de los servicios del Hospital Universitario de Barrios Unidos (HUBU), relacionados con eventos adversos en la atención de los pacientes en especial se debe enfocar en la gestión de los egresos de pacientes de acuerdo a los resultados obtenidos con el fin de alinearse y fortalecer las políticas de seguridad del paciente para brindar una atención integral con calidad y eficiencia, disminuyendo las quejas en la atención, las glosas, los riesgos jurídicos, de acuerdo al modelo predictivo estudiado.

Tratamiento estadístico de variables cuantitativas por el método de regresión no lineal en datos educativos : regresión multilineal.

Plantear teóricamente el método de regresión multilineal y su desarrollo práctico. Comprobar el grado de efectividad del método multilineal, comparándolo con el método clásico de regresión, en su aplicación a las variables educativas. Verificar las condiciones de aplicación de la regresión. Estudiar la linealidad de las relaciones: regresión polinómica. 7948 sujetos de quinto de EGB, 9219 sujetos de octavo de EGB y 2850 de COU, de la que se extrajo una submuestra aleatoria mediante el programa 'Sample' del paquete SPSS con lo que la muestra real es de: 443 en quinto de EGB, 413 de octavo de EGB y 442 de COU. Para poder desarrollar la regresión multilineal se necesita hacer uso de métodos multivariantes, como son los métodos de clasificación y de discriminación. Realizar un estudio de los métodos de clasificación, análisis de Cluster, que nos permite descomponer la nube de puntos en distintos subconjuntos en los que se aplicará la regresión clásica. Para lograr una definición de los grupos constituidos se usa el análisis discriminante. Para poder comparar los resultados obtenidos tras las distintas clasificaciones se definen los coeficientes de correlación y determinación multilineales. Al final, se presentan los resultados comparados de la regresión multilineal y de la clásica. Variables dependientes: habilidad escolar, adaptación escolar. Variables independientes: inteligencia general, comprensión lectora, personalidad, inteligencia diferencial, método de estudio, intereses. Test de habilidad escolar para inteligencia general. Test de Otis-Lennon para razonamiento abstracto. Test de habilidad general para razonamiento lógico y observación. Test de comprensión verbal. Children Personality Questionnaire. Cuestionario Brown de adaptación y otros. Análisis de componentes principales. Análisis de Cluster con el que se realiza un análisis previo de los tres grupos: quinto y octavo de EGB y COU. Programa SPSS, BMDP. Regresión simple. Regresión multilineal. Regresión múltiple. Regresión múltiple multilineal. Regresión polinomial. Análisis discriminante. No hay indicios de no linealidad entre variables dependiente e independientes. Entre las variables del estudio existe multicolinealidad. Se han conseguido ligeros incrementos en los coeficientes de correlación entre variables con poca interrelación. El factor que mejor explica la variablidad de adaptación escolar es la adaptación emocional. En quinto y octavo de EGB el factor que mejor explica la habilidad escolar es la comprensión verbal. El método multilineal presenta características útiles en la investigación de las Ciencias de la Educación, aunque tiene limitaciones como la definición de los grupos obtenidos. Esta forma de análisis se puede usar como complemento de otros métodos, como la correlación canónica, análisis de componentes, etc.

Econometría. Conceptos básicos

Este trabajo pretende, en primer lugar, servir de guía a los estudiantes que se inician en el amplio campo de los métodos econométricos; y en segundo lugar, propiciar que el estudiante aproveche sus conocimientos en matemáticas y estadística para despertar una alta dosis de interés en la profundización de los diferentes temas expuestos. El libro es también la respuesta de los autores a la necesidad de disponer de un material que sirva de facilitador de exposiciones en las aulas, y por ello, en las explicaciones se ha procurado hacer un detenido trabajo con los resultados analíticos. La intención no es lanzar al mercado académico un texto más, sino hacer un modesto aporte, con base en nuestra experiencia, a la manera como se deben presentar a los estudiantes los lineamientos útiles de la econometría. Por ello, entonces, se presenta una introducción elemental, pero a la vez rigurosa, de temas como el empleo de las técnicas de regresión lineal simple, las formas funcionales, el modelo de regresión lineal múltiple, la multicolinealidad, la heteroscedasticidad, la autocorrelación y, finalmente, expone los conceptos fundamentales de modelos de variable dependiente dicótoma. Vale aclarar que su contenido se centra en lo relacionado con el modelo clásico de regresión lineal, y no en sus extensiones como los modelos de regresión con datos de panel, modelos econométricos dinámicos, modelos de educaciones simultáneos y econometría de series de tiempo.