corrección de heterocedasticidad

Поділитися
Вставка
  • Опубліковано 19 лис 2024

КОМЕНТАРІ • 7

  • @josejesusvillanunez4582
    @josejesusvillanunez4582 2 роки тому +1

    Gracias por la explicación! Estaría muy padre que siguieras con autocorrelación.

    • @actedros83
      @actedros83  7 місяців тому +1

      ua-cam.com/video/rC1Fz7ZJpQI/v-deo.html

  • @antt5602
    @antt5602 5 місяців тому

    ¡Muchas gracias por compartir tu conocimiento, estimado Eduardo! Consulta: Respecto al cumplimiento de los supuestos en la Regresion Lineal (linealidad, homocedasticidad, normalidad...), ¿existe un orden para comprobar los supuestos?

    • @actedros83
      @actedros83  5 місяців тому +1

      Qué tal Toño: No hay un orden estricto y único para verificar los supuestos de la regresión lineal. Pero en mi experiencia identifico la siguiente secuencia:
      1.Multicolinealidad
      2.Linealidad
      3.Estacionariedad (si es aplicable)
      4.Independencia de los Errores (No Autocorrelación)
      5.Homoscedasticidad
      6.Normalidad de los Errores
      7.Cambios Estructurales
      8.Sobre o Subestimación del Modelo

  • @MarcosSteven100
    @MarcosSteven100 3 роки тому +1

    Estimado Profesor,
    Tengo una duda, una vez que se realiza la corrección de la heterocedasticidad en el 1er modelo con el comando coeftest nos arroga el resumen de la regresión, ahora para verificar que si se corrigió el problema de heterocedasticidad a esa regresión como le aplico los tests, de paso sería el mismo proceso para una regresión logística y en ese caso corrigiendo dicho problema tendría la nueva regresión pero a esta regresión en resumen como le extraería los efectos marginales para tener la interpretación económica. Muchas gracias por su respuesta!!!

  • @stevenmoreirasong2626
    @stevenmoreirasong2626 Рік тому +1

    Una pregunta, cuales son las técnicas para la corrección del supuesto heterocedasticidad?

    • @actedros83
      @actedros83  7 місяців тому +2

      Transformación de datos, Uso de Mínimos Cuadrados Ponderados (WLS), Estimadores Robustos,