Item Characteristic Curve In Stata Forex

Tema de Respuesta de Ítem / Modelos de Rasch en SPSS Estadísticas Problema (Resumen) Tengo datos que representan respuestas a un conjunto de preguntas de la prueba (o ítems de la encuesta de actitud), con una variable para cada pregunta. Se ha sugerido que debo analizar estas variables con un modelo de la teoría de la respuesta del artículo (IRT). Proporcione una breve definición de los modelos IRT. Resolver el problema La idea básica de los modelos IRT (también conocidos como modelos de rasgos latentes) es que hay un rasgo subyacente: una habilidad o nivel de conocimiento o una actitud, por ejemplo , Que se refleja en la respuesta a los ítems de la prueba o de la encuesta. La probabilidad de que cada elemento sea correcto (o de aceptarlo, en una encuesta de actitud) es una función de la dificultad de los elementos y la cantidad del rasgo subyacente en el encuestado. En la construcción de la prueba, usted espera encontrar elementos con niveles de dificultad a través de la gama de capacidad en su población objetivo de testees. En los modelos de 2 parámetros, la pendiente de la función IRT (discriminación) es el segundo parámetro a estimar. Los modelos de 3 parámetros incluyen un parámetro de adivinación, usualmente para elementos de opción múltiple. Los modelos de Rasch son modelos de 1 parámetro, pero también se basan en una filosofía diferente de análisis y construcción de pruebas que los modelos IRT de mayor parámetro. Para obtener un gráfico que proporcione distinciones y similitudes entre el modelo IRT de Rasch y 1-Parameter Logistic (1-PL), consulte el siguiente artículo en línea. Linacre J. M. (2005). Modelo dicotómico Rasch versus modelo logístico de un parámetro. Rasch Measurement Transactions, 19: 3, 1032. rasch. org/rmt/rmt193h. htm SPSS no tiene procedimientos incorporados para los modelos IRT. A partir de este escrito, mucho IRT investigación se sigue realizando con software IRT especializado, como el producido por Software Científico, Assessment Systems Corp. y Winsteps (para modelos Rasch), por ejemplo. Se ha presentado una solicitud de mejora con SPSS Development. Sin embargo, la comunidad de SPSS en IBM developerWorks proporciona un conjunto de comandos de extensión que se pueden instalar en el directorio SPSS Statistics para ampliar las capacidades del programa. Estos comandos de extensión requieren los plug-ins de programación para R y / o Python. Existen comandos de extensión basados ​​en IRT disponibles para versiones SPSS 17 y superiores para usuarios que han instalado el módulo SPSS Programmability y los complementos R. Haga clic en el enlace quotDownload materials for IBM SPSS Statisticsquot en el sitio de la comunidad SPSS para obtener más información sobre los complementos de programación y los comandos de extensión. A partir de esta escritura, hay cuatro comandos de extensión que aplican análisis basados ​​en IRT. Los comandos y descripciones de la página de extensiones son: 1. SPSSINC RASCH - descargado del enlace SPSSINCRASCH. zip en la página de extensiones. R Extension Command para Rasch Models Version: 1.1.0, Estadísticas mínimas Versión: 17.0.0, Autor: AR, IBM SPSS A partir de la versión 19 de Estadísticas, este paquete está incluido en R Essentials. Este paquete proporciona un procedimiento y una interfaz de cuadro de diálogo para la estimación de modelos Rasch. Requiere R, los Plug-Ins R y el paquete R ltm. 2, STATS EXRASCH - descargado del enlace STATSEXRASCH. spe en la página de extensiones. Requiere R, el R Plug-Ins y el paquete R eRm. Estadística Mínima Versión: 18 Este procedimiento calcula los modelos Rasch estándar y cinco extensiones: RM: Binary Rasch, 0/1 valores del artículo LLTM: Prueba Logística Lineal, 0/1 valores del artículo RSM: Escala de Calificación Politomosa, más de dos valores LRSM: Linear Rating Escala, más de dos valores PCM: Crédito Parcial Politómico, más de dos valores LPCM: Crédito Parcial Linear Poliótico, más de dos valores 3. STATS IRM - descargado desde el enlace STATSIRM. spe en la página de extensiones. El comando STATS IRM se ajusta a los modelos de respuesta de ítems logísticos de tres parámetros (3-PL) utilizando la función tpm del paquete R ltm. Se supone que los valores de las variables del ítem son 0,1. De forma predeterminada, el procedimiento produce estimaciones de los coeficientes del modelo y puede solicitar una salida opcional como las estadísticas de ajuste de elementos, gráficos de las puntuaciones de factores y curvas características de elementos y guardar estadísticas de ajuste de persona en un nuevo conjunto de datos. Este comando de extensión no tiene opciones para restringir el parámetro de discriminación para que sea igual a un valor especificado o tenga un valor estimado común o para fijar el parámetro de adivinación a 0. Por lo tanto, el parámetro de un parámetro (1-PL) y dos parámetros (2-PL ) Los modelos logísticos IRT no están disponibles actualmente. 4. STATS GRM: descargado del enlace STATSGRM. spe en la página de extensiones. Este paquete se ajusta al modelo de Respuesta Gradual para datos politomatosos ordinales a través de un enfoque IRT. Requiere R, el complemento R y el paquete R ltm. Los cuatro comandos de extensión anteriores requieren al menos la versión 17.0 de SPSS Statistics. El área quotEssentials y Plugins de la página quotDownloads para IBM SPSS Statisticsquot le ayudará a instalar las herramientas de programación y las versiones correctas de Python y R para su versión de SPSS Statistics. Una vez que se ha descargado un comando de extensión en su computadora, puede instalarse desde el paquete Utilidades-gtExtension Bundles-gtInstall Local Extension Bundle en SPSS Statistics. A partir de SPSS Statistics v. 22, los pasos de descarga e instalación se pueden realizar en un solo paso desde el menú SPSS Utilidades-gtExtension Bundles-gtDescargar e instalar lotes de extensión. Si instala desde Windows 7 u 8, asegúrese de que SPSS Statistics se ha iniciado en quotRun como modo administratorquot. (Haga clic con el botón derecho del ratón en el icono de SPSS Statistics en el escritorio o en el menú Inicio y seleccione quotRun como administrador. Tenga en cuenta que los paquetes R ltm y eRM, que se enumeran anteriormente, se instalan al instalar los comandos de extensión respectivos. Resumen: Un modelo de tres factores que utiliza los factores estandarizados-inesperados-ganancias y el flujo de caja-a-precio explica 15 anomalías bien conocidas de precios de activos. Nuestro experimento de minería de datos proporciona un telón de fondo en el que se pueden evaluar tales reclamaciones. Hemos construido tres - Factor de los modelos de fijación de precios lineales que coinciden con los márgenes de retorno asociados con un máximo de 15 de las 27 características de la empresa comúnmente utilizados sobre la muestra de 1971 - 2011. Formamos activos objetivo por la clasificación de las empresas en diez carteras sobre cada una de las características elegidas Posiciones largas y cortas en las carteras de deciles extremos. Nuestro análisis agota todos los posibles 351 modelos de tres factores, que consta de dos factores característicos, además de la cartera de mercado. 65 de los modelos de factores examinados coinciden con una fracción mayor de las secciones de retorno objetivo que el CAPM o el modelo Fama-Francés de tres factores. Encontramos que el desempeño relativo del conjunto completo de modelos de tres factores es altamente sensible a la elección de la muestra ya la metodología de construcción del factor. Nuestros resultados ponen de relieve los retos de la evaluación de los modelos de factores empíricos. Resumen: Varios estudios previos han analizado el efecto de las crisis financieras sobre el producto real varios años después de la crisis. El propósito de este trabajo es examinar si el crecimiento del producto potencial también se ve afectado por las recesiones, incluidas o no las crisis financieras. La tendencia del crecimiento de la producción per cápita se calcula utilizando los filtros de HP y se compara el crecimiento promedio de los dos años anteriores a una recesión, los dos años inmediatamente posteriores a un pico de recesión y los dos años posteriores. Las regresiones de los paneles se llevan a cabo para determinar si las características de las recesiones, incluyendo la profundidad, la longitud, el grado en que se sincronizan entre países y si incluyen o no una crisis financiera, pueden explicar la pérdida acumulada de cuatro años en el nivel de producción potencial Un pico de salida que precede a una recesión. El resultado principal es que la profundidad de una recesión tiene un efecto significativo sobre la pérdida de potencial para los países avanzados, mientras que la longitud es importante para los mercados emergentes. Estos resultados implican que la Gran Recesión podría haber resultado en una disminución en el crecimiento de la tendencia al crecimiento promedio de alrededor del 3 por ciento para las economías avanzadas, pero parece haber tenido poco efecto en el crecimiento de las tendencias de los mercados emergentes. Resumen: Proponemos una explicación novedosa para el aumento observado en la correlación de los precios de las materias primas en la última década. En contraste con las teorías que dependen de la creciente influencia de los especuladores financieros, mostramos que la correlación de precios puede aumentar como resultado de una disminución de las tasas de interés. En términos más generales, se examina el efecto de las tasas de interés sobre la volatilidad y correlación de los precios de los productos básicos, teóricamente a través del marco de Deaton y Laroque (1992) y empíricamente a través de un modelo GARCH de panel. En teoría, mostramos que las menores tasas de interés disminuyen la volatilidad de los precios, ya que los menores costos de inventario promueven el suavizado de los choques transitorios y pueden aumentar la correlación de precios si los choques comunes son más persistentes que los choques idiosincrásicos. Empíricamente, como se predice por la teoría, encontramos que la volatilidad de los precios atribuible a los shocks transitorios disminuye con los tipos de interés, mientras que, especialmente para los precios de los metales, la correlación de precios aumenta a medida que las tasas de interés disminuyen. Resumen: Desarrollamos un modelo parcimonioso bivariado de inflación y desempleo que permite una variación persistente en la inflación tendencial y en la tasa de desempleo no acelerante. El modelo, que consta de cinco componentes no observados incluyendo las tendencias) con volatilidad estocástica, implica un modelo de autorregresión vectorial variable en el tiempo para los cambios en las tasas de inflación y desempleo. La curva Phillips implícita hacia atrás tiene una pendiente variable en el tiempo que es más pronunciada en los años setenta que en los años noventa. Pseudo fuera de la muestra de predicción de los experimentos indican mejoras sobre los puntos de referencia univariados. Desde 2008, la curva implícita de Phillips se ha acentuado y la tasa de desempleo no acelerada ha aumentado. Resumen: Buscamos cuantificar el impacto en el PIB de la zona del euro del Plan Europeo de Recuperación Económica (EERP) promulgado en respuesta a la crisis de la economía de la eurozona, La crisis financiera de 2008-09. Para ello, estimamos una versión ampliada del Nuevo Modelo de Área del BCE con un sector fiscal ricamente especificado. Los resultados de la estimación apuntan a la existencia de importantes complementariedades entre el consumo privado y el público y, en menor medida, entre el capital privado y el público. Primero examinamos los multiplicadores de valor presente implícitos para siete instrumentos fiscales distintos y mostramos que las complementariedades estimadas resultan en multiplicadores fiscales mayores que uno para el consumo y la inversión del gobierno. Destacamos la importancia de la acomodación monetaria para estos hallazgos. A continuación, se muestra que el PREE, si se aplicó tal como se promulgó inicialmente, tuvo un impacto considerable, aunque de corta duración, sobre el PIB de la zona del euro. Dado que el PREE comprende tanto medidas de estímulo fiscal basadas en los ingresos como en los gastos, el multiplicador total está por debajo de la unidad. El estimador de Newey y West (1987) se ha convertido en la forma estándar de estimar una heteroscedasticidad y una autocorrelación Consistente (HAC) matriz de covarianza, pero no se aplica inmediatamente a las series de tiempo con las observaciones que faltan. Demostramos que el enfoque intuitivo para estimar el espectro verdadero del proceso subyacente utilizando sólo los datos observados conduce a inferencia incorrecta. En lugar de ello, proponemos dos simples consistentes estimadores HAC para series de tiempo con datos faltantes. Primero, desarrollamos el estimador de amplitud modulada aplicando el estimador de Newey-West y tratando las observaciones faltantes como no correlacionadas en serie. En segundo lugar, desarrollamos el estimador de Espacio Equal aplicando el estimador Newey-West a la serie formada por tratar los datos como espaciados equitativamente. Se muestra la consistencia asintótica de ambos estimadores para fines de inferencia y discutir la varianza de la muestra finita y el sesgo de compensación. En las simulaciones de Monte Carlo, se demuestra que el estimador de Espacio Equal es preferido en la mayoría de los casos debido a su sesgo más bajo, mientras que el estimador de amplitud modulada es preferido para el tamaño pequeño de la muestra y baja autocorrelación debido a su menor varianza. Palabras clave: Heteroscedasticidad, correlación serial, inferencia robusta, datos faltantes Materiales Relacionados: Programas (79 KB ZIP). El código de Matlab y las instrucciones de Stata para facilitar a los investigadores la aplicación de los estimadores discutidos en el documento. Publicado: Noviembre 2012 Revisión: Julio 2013 Ricardo Correa. Horacio Sapriza. Y Andrei Zlate Resumen: Este documento documenta un nuevo tipo de canal de préstamos bancarios transfronterizos. La profundización de la crisis de la deuda soberana europea en 2011 restringió la intermediación financiera de los bancos europeos en Estados Unidos. Durante este período, algunas sucursales estadounidenses de bancos europeos se enfrentaron a una crisis de liquidez en dólares debido a su riesgo percibido que reflejaba el riesgo soberano de sus países de origen, lo que a su vez afectó a las sucursales que otorgaban a entidades estadounidenses. Utilizamos un nuevo conjunto de datos para analizar las operaciones de las sucursales de bancos extranjeros en los Estados Unidos. Nuestros resultados muestran que: (1) Las sucursales estadounidenses de bancos europeos experimentaron una corrida en sus depósitos, principalmente de fondos del mercado monetario estadounidense. (2) Las sucursales con acceso restringido a grandes depósitos a plazo dependían más de la financiación de sus propias instituciones matrices, pasando de ser proveedores netos a receptores netos de fondos en dólares de sus oficinas relacionadas. (3) Dado que la financiación adicional recibida de las instituciones de origen no fue suficiente para compensar la disminución del acceso a la financiación de los Estados Unidos, tales sucursales redujeron sus préstamos a entidades de los Estados Unidos. Resumen: La moneda de los Estados Unidos ha sido durante mucho tiempo una tienda deseable de valor y medio de cambio en tiempos y lugares donde la moneda local o los depósitos bancarios son inferiores en uno o más aspectos. De hecho, como se señaló en trabajos anteriores, una parte sustancial de la moneda estadounidense circula fuera de los Estados Unidos. Aunque no se dispone de mediciones precisas de las existencias y flujos de divisas estadounidenses fuera de los Estados Unidos, se han elaborado una variedad de fuentes de datos y métodos para proporcionar estimaciones. Este documento revisa los datos brutos disponibles para medir los flujos de billetes internacionales y presenta actualizaciones sobre los métodos indirectos de estimación de las existencias de divisas en el extranjero: el método estacional y el método biométrico. Estos métodos requieren algunos ajustes, pero continúan indicando que una gran parte de la moneda estadounidense se mantiene en el extranjero, especialmente en la denominación 100. Además de estos métodos indirectos existentes, elabore un marco y variantes básicas de un nuevo método para estimar la participación de la moneda estadounidense en el exterior. Aunque los métodos y las estimaciones son dispares, proporcionan apoyo a varias hipótesis sobre las existencias y flujos de dólares transfronterizos. En primer lugar, una vez que un país o región comienza a utilizar dólares, las crisis posteriores generan entradas adicionales: las fuentes dominantes de la demanda internacional durante la última década y media son los países y regiones que eran conocidos como usuarios de dólares a principios de la mitad de la década, Años noventa En segundo lugar, la estabilización económica y la modernización parecen dar lugar a la reversión de estas entradas. Específicamente, la demanda de moneda estadounidense fue extremadamente fuerte a través de los años noventa, un período de turbulencia para la ex Unión Soviética y para Argentina, dos de los mayores usuarios de ultramar de la moneda estadounidense. La demanda disminuyó a principios de los años 2000 a medida que las condiciones se estabilizaban gradualmente y se desarrollaban las instituciones financieras. Sin embargo, esta tendencia se revirtió bruscamente con el inicio de la crisis financiera a finales de 2008 y ha continuado desde entonces. Palabras clave: Moneda, billetes, dolarización, crisis Octubre 2012 Stephanie E. Curcuru y Charles P. Thomas Resumen: Un rompecabezas de larga data es que Estados Unidos es un prestatario neto del resto del mundo, pero sigue recibiendo ingresos por su posición externa . Una gran diferencia entre los rendimientos de la inversión directa en el país y en el extranjero es responsable y en este documento se examinan posibles explicaciones de este diferencial. Encontramos que la mayor parte del diferencial desaparece después de que uno ajusta los impuestos estadounidenses adeudados por el padre sobre los ingresos externos, el riesgo soberano y los costos irrecuperables asociados con la inversión en el extranjero y la edad de la inversión extranjera directa en los Estados Unidos. La mayor parte de la diferencia en los rendimientos debe permanecer mientras exista una diferencia en las tasas impositivas entre los Estados Unidos y los países en los que las empresas estadounidenses invierten, y las inversiones estadounidenses se perciben como relativamente seguras. Esto tiene implicaciones para la sostenibilidad a largo plazo del déficit en cuenta corriente de los Estados Unidos, que dependerá, en parte, del comportamiento a largo plazo de estos ingresos. Palabras clave: Inversión extranjera directa, diferenciales de rentabilidad, cuenta corriente de los Estados Unidos Octubre 2012 Neil R. Ericsson y Erica L. Reisman Resumen: Las autorregresiones globales de vector (GVAR) tienen varias características atractivas: múltiples canales potenciales para la transmisión internacional de shocks macroeconómicos y financieros; Selección estandarizada y económicamente atractiva de variables para cada país o región examinada, tratamiento sistemático de propiedades a largo plazo mediante análisis de cointegración y especificación dinámica flexible mediante modelos de corrección de errores vectoriales. Pesaran, Schuermann y Smith (2009) generan y evalúan pronósticos de un paradigma GVAR con 26 países, basado en Des, di Mauro, Pesaran y Smith (2007). El presente trabajo evalúa empíricamente el GVAR en Des, di Mauro, Pesaran y Smith (2007) con saturación de indicadores de impulso (IIS), un nuevo procedimiento genérico para evaluar la constancia de parámetros, que es un elemento central en la predicción basada en modelos. Los resultados empíricos indican un espacio considerable para una especificación mejorada y más robusta de ese GVAR. Algunas pruebas sugieren cómo lograr tales mejoras. Palabras clave: Cointegración, corrección de errores, pronóstico, GVAR, saturación del indicador de impulso, modelo de diseño, evaluación de modelos, selección de modelos, constancia de parámetros, VAR Agosto 2012 Resumen: En los Estados Unidos, Procíclica, y una gran fracción de su ajuste asociado con los cambios en la productividad es lento. Esto último es totalmente inexplicado por el modelo de agente homogéneo de referencia de la teoría del desempleo de equilibrio. Yo demuestro que la búsqueda endógena y la heterogeneidad horizontal de los trabajadores en la capacidad de producción pueden ser importantes para explicar este rompecabezas de propagación. Impulsado por las diferencias en los incentivos de búsqueda de desempleados y en busca de empleo, la probabilidad de que cualquier empresa con una apertura de trabajo coincida con un trabajador dotado de una ventaja comparativa en ese trabajo exhibe una etapa de ajuste procíclico de movimiento lento. En consecuencia, también lo hacen las ganancias esperadas de las vacantes de contabilización y, por tanto, la relación V / U. El modelo tiene canales a través de los cuales se puede contabilizar la mayoría de las relaciones V / U, propiedades de ajuste lento y su elasticidad con respecto a la producción por trabajador. Palabras clave: Ampliación, ventaja comparativa, búsqueda endógena, heterogeneidad, tensión en el mercado, desajuste, búsqueda en el trabajo, propagación, búsqueda y búsqueda, intensidad de búsqueda, desempleo, vacantes Agosto 2012 Etienne Gagnon. David Lopez-Salido. Y Nicholas Vincent Resumen: Las empresas emplean una rica variedad de estrategias de precios cuyas implicaciones para la dinámica de los precios agregados a menudo divergen. Esta situación plantea un reto a los macroeconomistas interesados ​​en reducir la rigidez micro y macro de los precios. Al responder a este desafío, observamos que las diferencias en la rigidez de los precios macro a través de los mecanismos de fijación de precios a menudo se remontan a los cambios de precios que son activados o cancelados por los shocks. Exploramos el comportamiento observado de los precios micro para cuantificar la importancia de este margen de ajuste para la respuesta de la inflación a los shocks. En una serie de ejercicios empíricos, encontramos fuertes indicios de que los cambios en el calendario de los ajustes de precios contribuyen significativamente a la flexibilidad del nivel de precios agregado. Palabras clave: Inflación, margen intensivo, amplio margen Agosto 2012 Resumen: Este artículo analiza empíricamente cómo la política cambiaria afecta la emisión y fijación de precios de los bonos internacionales para los países en desarrollo. Encontramos que los países con regímenes cambiarios menos flexibles pagan mayores diferenciales de bonos soberanos y tienen menos probabilidades de emitir bonos. Cuantitativamente, cambiar un régimen de libre flotación a un régimen fijo disminuye la probabilidad de emisión de bonos en 4,6 y aumenta el spread de bonos en un promedio de 1,3. Además, los países con sobrevaluación del tipo de cambio real tienen mayores diferenciales de bonos y mayores probabilidades de emisión de bonos. Además, estos efectos positivos de la sobrevaluación del tipo de cambio real tienden a ampliarse para los países con regímenes cambiarios fijos. Nuestros resultados sugieren que la elección de un régimen de tipo de cambio menos flexible en general conduce a mayores costos de endeudamiento para los países en desarrollo, especialmente cuando sus monedas están sobrevaluadas. Resumen: Buscamos entender cómo las curvas de Laffer difieren entre los países de Estados Unidos y la UE-14, proporcionando así una visión de los límites fiscales para el gobierno El gasto y el servicio de la deuda soberana. Como aplicación, analizamos las consecuencias para la sostenibilidad permanente de los niveles de deuda actuales, cuando las tasas de interés se incrementan permanentemente, p. Debido a los miedos por defecto. Basamos en el análisis de Trabandt y Uhlig (2011) y lo extendemos de varias maneras. Para obtener un mejor ajuste a los datos, se permite la competencia monopolística, así como la imposición parcial de los ingresos de beneficio puro. Actualizamos la muestra hasta 2010, incluyendo los recientes aumentos en el gasto público y sus consecuencias fiscales. Proporcionamos nuevos datos de tipo impositivo. Realizamos un análisis para el caso pesimista de que los cambios fiscales recientes son permanentes. Incluimos un análisis de todos los países sobre los impuestos al consumo, así como una investigación más detallada de la inclusión de consideraciones de capital humano para la tributación del trabajo. La curva de Laffer, la fiscalidad, la comparación entre países, la sostenibilidad de la deuda, los límites fiscales, el crecimiento cuantitativo endógeno, el capital humano y el impuesto al trabajo mayo 2012 Resumen: Construyo una base de datos que mapea el momento de las decisiones soberanas, Que proporciona un medio empírico de investigar las teorías de la economía política del incumplimiento soberano. No encuentro patrones sólidos en el momento de las decisiones por defecto sobre los mandatos. Tampoco encuentro evidencia en apoyo de la teoría de la reputación política del reembolso de la deuda soberana. Por último, hay algunas pruebas provisionales de que los líderes electos que incumplen también son los que tienen más probabilidades de ser reelegidos. Motivado por la evidencia anecdótica, utilizo un modelo estilizado de líderes políticos con preocupaciones de carrera para demostrar cómo esto puede ocurrir cuando los políticos se preocupan por la reelección. Resumen: Este artículo utiliza un nuevo modelo keynesiano DSGE de una pequeña economía abierta para comparar cómo los efectos de la consolidación fiscal dependen de si la política monetaria está restringida Por la pertenencia a una unión monetaria o por el límite inferior cero sobre las tasas de política. Mostramos que existen importantes diferencias en el impacto de los shocks fiscales a través de estos regímenes monetarios que dependen tanto de la duración del límite inferior cero como de las características que determinan la capacidad de respuesta de la inflación. Tara Rice y Jonathan Rose Resumen: En septiembre de 2008, las empresas patrocinadas por el gobierno (GSE) Fannie Mae y Freddie Mac fueron las siguientes: Y se suspendieron los pagos de dividendos sobre acciones ordinarias y preferentes. Como resultado, los precios de las acciones cayeron a casi cero y muchos bancos de todo el país perdió el valor de sus inversiones en las acciones preferidas. Estimamos que más de 600 instituciones depositarias en los Estados Unidos estuvieron expuestas a por lo menos 8 mil millones en pérdidas de inversión de estos valores. Además, se produjeron quince fallos y dos fusiones en dificultades, directa o indirectamente, como resultado de la adquisición. Puesto que estas inversiones de GSE fueron consideradas como inversiones seguras por parte de bancos, reguladores y agencias calificadoras, consideramos estas pérdidas como choques exógenos para el capital bancario y utilizamos este evento para examinar la relación entre la condición bancaria comunitaria y los préstamos durante esta crisis. En el trimestre que siguió a la adquisición de Fannie Mae y Freddie Mac, el ratio de capital Tier 1 medido en los bancos expuestos cayó en promedio un tres por ciento, y el crecimiento de préstamos en los bancos expuestos con una capitalización mediana fue aproximadamente 2 puntos porcentuales inferior en comparación con otros Bancos en el trimestre siguiente. Por lo tanto, considerando el conjunto de bancos comunitarios que incurrió en alrededor de 2.000 millones de dólares en pérdidas relacionadas con el IGE y suponiendo que cada banco redujera el crecimiento de préstamos en 2 puntos porcentuales, la caída agregada estimada de los préstamos entre estos bancos sería de aproximadamente 4.000 millones. Palabras clave: Banca, crisis financiera, empresa patrocinada por el gobierno, contracción del crédito Marzo 2012 John Ammer. Sara B. Holland, David C. Smith y Francis E. Warnock Resumen: Los inversionistas estadounidenses son el grupo más grande de inversionistas de capital internacional en el mundo, pero hasta la fecha las pruebas concluyentes sobre qué tipos de empresas extranjeras son capaces de atraer la inversión de EE. UU. disponible. Usando un conjunto completo de datos de todas las inversiones de EE. UU. en acciones extranjeras, encontramos que el factor determinante más importante de la cantidad de inversión de los Estados Unidos que recibe una empresa extranjera es si la empresa cruza las listas en un intercambio estadounidense. Al corregir los sesgos de selección, la inclusión cruzada da lugar a una duplicación (o más) de la inversión estadounidense, un impacto mayor que todos los demás factores combinados. También mostramos que nuestro análisis a nivel de empresa tiene implicaciones para los estudios a nivel de país, lo que sugiere que la investigación que investiga patrones de inversión de capital a nivel de país debe incluir la inclusión cruzada como una variable de control endógena. Describimos métodos fáciles de implementar para incluir la importancia de la inclusión cruzada en el país. Palabras clave: Bias domésticos, selección de cartera, revelación financiera, gobierno corporativo Marzo 2012 Daniel O. Beltran. Resumen: Las tenencias oficiales extranjeras de bonos del Tesoro de los Estados Unidos aumentaron de 400 mil millones en enero de 1994 a aproximadamente 3 trillones en junio de 2010. La mayor parte de este crecimiento se explica por un puñado de economías de mercados emergentes que tienen Ha tenido grandes superávits en cuenta corriente. Estos países están canalizando sus ahorros a través del sector oficial, que luego está adquiriendo reservas de divisas. Cualquier cambio en la política para reducir sus superávit en cuenta corriente o moderar la tasa de acumulación de reservas probablemente reduciría el ritmo de las compras oficiales de bonos del Tesoro de Estados Unidos. ¿Una disminución de las compras oficiales extranjeras de bonos y bonos del Tesoro afectaría a los rendimientos del Tesoro a largo plazo? Sí, y los efectos parecen ser grandes. Según nuestras estimaciones, si los ingresos oficiales extranjeros a los bonos del Tesoro de los Estados Unidos disminuyeran en un mes dado en 100.000 millones, las tasas del Tesoro a 5 años aumentarían en unos 40-60 puntos básicos en el corto plazo. Pero una vez que permitimos que los inversores privados extranjeros reaccionen al cambio de rendimiento inducido por el shock a las entradas de funcionarios extranjeros, el efecto a largo plazo es de unos 20 puntos básicos. Para encontrar el error estándar de la estimación, tomamos la suma de todos los términos cuadrados residuales y dividimos por (n - 2), Y luego tomar la raíz cuadrada del resultado. En este caso, la suma de los residuos cuadrados es 0.090.160.642.250.04 3.18. Con cinco observaciones, n - 2 3, y SEE (3.18 / 3) 1/2 1.03. El cálculo del error estándar es relativamente similar al de la desviación estándar para una muestra (n - 2 se utiliza en lugar de n - 1). Da una idea de la calidad predictiva de un modelo de regresión, con números de SEE más bajos que indican que son posibles predicciones más precisas. Sin embargo, la medida de error estándar no indica hasta qué punto la variable independiente explica las variaciones en el modelo dependiente. Coeficiente de Determinación Al igual que el error estándar, esta estadística da una indicación de cuán bien un modelo de regresión lineal sirve como un estimador de valores para la variable dependiente. Funciona midiendo la fracción de la variación total en la variable dependiente que puede ser explicada por la variación en la variable independiente. En este contexto, la variación total se compone de dos fracciones: Variación total explicada variación variación inexplicada variación total variación total El coeficiente de determinación. O la variación explicada como porcentaje de la variación total, es el primero de estos dos términos. A veces se expresa como 1 - (variación inexplicable / variación total). Para una regresión lineal simple con una variable independiente, el método simple para calcular el coeficiente de determinación es cuadrar el coeficiente de correlación entre las variables dependientes e independientes. Dado que el coeficiente de correlación viene dado por r, el coeficiente de determinación se conoce popularmente como R2 o R-cuadrado. Por ejemplo, si el coeficiente de correlación es 0,76, el R-cuadrado es (0,76) 2 0,578. R-cuadrado términos suelen ser expresados ​​como porcentajes por lo que 0,578 sería 57,8. Un segundo método para calcular este número sería encontrar la variación total en la variable dependiente Y como la suma de las desviaciones cuadráticas de la media de la muestra. A continuación, calcule el error estándar de la estimación siguiendo el proceso descrito en la sección anterior. El coeficiente de determinación es calculado por (variación total en Y - variación inexplicada en Y) / variación total en Y. Este segundo método es necesario para regresiones múltiples, donde hay más de una variable independiente, pero para nuestro contexto estaremos Siempre que el r (coeficiente de correlación) para calcular un R-cuadrado. Lo que R2 nos dice son los cambios en la variable dependiente Y que se explican por los cambios en la variable independiente X. R 2 de 57.8 nos dice que 57.8 de los cambios en Y resultan de X también significa que 1 - 57.8 o 42.2 de Los cambios en Y son inexplicables por X y son el resultado de otros factores. Así que cuanto más alto sea el R-cuadrado, mejor será la naturaleza predictiva del modelo de regresión lineal. Coeficientes de regresión Para un coeficiente de regresión (intercepto a o pendiente b), se puede determinar un intervalo de confianza con la siguiente información: 13 Valor estimado del parámetro de una muestra 13 Error estándar de la estimación (SEE) 13 Para un coeficiente de pendiente, la fórmula para el intervalo de confianza viene dada por btc SEE, donde tc es el valor crítico de t en nuestro nivel significativo elegido. Para ilustrarlo, tome una regresión lineal con los rendimientos de fondos mutuos como la variable dependiente y el índice SampP 500 como variable independiente. Para cinco años de rendimientos trimestrales, el coeficiente de pendiente b se encuentra en 1,18, con un error estándar de la estimación de 0,147. Los estudiantes t-distribución de 18 grados de libertad (20 cuartos - 2) en un nivel de significancia 0.05 es 2.101. Estos datos nos dan un intervalo de confianza de 1,18 (0,147) (2,101), o un rango de 0,87 a 1,49. Nuestra interpretación es que sólo hay 5 posibilidades de que la pendiente de la población sea inferior a 0,87 o mayor que 1,49 - estamos seguros de que este fondo es al menos 87 tan volátil como el SampP 500, pero no más de 149 como Volátil, basado en nuestra muestra de cinco años. Pruebas de hipótesis y coeficientes de regresión Los coeficientes de regresión se evalúan con frecuencia mediante el procedimiento de prueba de hipótesis. Dependiendo de lo que el analista tenga la intención de demostrar, podemos probar un coeficiente de pendiente para determinar si explica las posibilidades en la variable dependiente y hasta qué punto explica los cambios. Betas (coeficientes de pendiente) se puede determinar que están por encima o por debajo de 1 (más volátiles o menos volátiles que el mercado). Los alfas (el coeficiente de intersección) se pueden probar en una regresión entre un fondo mutuo y el índice de mercado relevante para determinar si hay evidencia de un alfa suficientemente positivo (sugiriendo el valor agregado por el gestor del fondo). La mecánica de las pruebas de hipótesis son similares a los ejemplos que hemos utilizado anteriormente. Una hipótesis nula se elige sobre la base de un no-igual-a, mayor o menor que el caso, con la alternativa que satisface todos los valores no cubiertos en el caso nulo. Supongamos, en nuestro ejemplo anterior, que hemos retrocedido los rendimientos de fondos mutuos de la SampP 500 durante 20 trimestres nuestra hipótesis es que este fondo mutuo es más volátil que el mercado. Un fondo igual a la volatilidad al mercado tendrá una pendiente b de 1,0, por lo que para esta prueba de hipótesis, se establece la hipótesis nula (H 0) como el caso en que la pendiente es menor o mayor que 1,0 (es decir H 0: b lt 1,0 ). La hipótesis alternativa H a tiene b gt 1,0. Sabemos que se trata de un caso mayor que un caso (es decir, una cola) - si asumimos un nivel de significancia de 0.05, t es igual a 1.734 en grados de libertad n - 2 18. Ejemplo: Interpretación de una prueba de hipótesis Había estimado b de 1,18 y error estándar de 0,147. Nuestra estadística de prueba se calcula con esta fórmula: t coeficiente estimado - coeficiente de hipótesis. / Error estándar (1,18 - 1,0) / 0,147 0,18 / 0,147, o t 1,224. Para este ejemplo, nuestra estadística de prueba calculada está por debajo del nivel de rechazo de 1.734, por lo que no podemos rechazar la hipótesis nula de que el fondo es más volátil que el mercado. Interpretación: la hipótesis de que b gt 1 para este fondo necesita probablemente más observaciones (grados de libertad) para ser probado con significación estadística. Además, con 1,18 sólo ligeramente por encima de 1,0, es muy posible que este fondo no sea tan volátil como el mercado, y estábamos en lo cierto al no rechazar la hipótesis nula. Ejemplo: Interpretación de un coeficiente de regresión Es probable que el examen CFA proporcione las estadísticas resumidas de una regresión lineal y solicite la interpretación. Para ilustrar, asumamos las siguientes estadísticas para una regresión entre un fondo de crecimiento de pequeña capitalización y el índice de Russell 2000: 13 Coeficiente de correlación 13 Las dos abreviaturas a entender son RSS y SSE: 13 RSS. O la suma de cuadrados de regresión, es la cantidad de variación total en la variable dependiente Y que se explica en la ecuación de regresión. El RSS se calcula calculando cada desviación entre un valor Y predicho y el valor medio de Y, cuadrando la desviación y sumando todos los términos. Si una variable independiente no explica ninguna de las variaciones en una variable dependiente, entonces los valores predichos de Y son iguales al valor promedio, y RSS 0. 13 SSE. O la suma del error cuadrado de los residuos, se calcula encontrando la desviación entre un Y predicho y un Y real, cuadrando el resultado y sumando todos los términos. 13 TSS, o variación total, es la suma de RSS y SSE. En otras palabras, este proceso ANOVA divide la varianza en dos partes: una que se explica por el modelo y otra que no. Esencialmente, para que una ecuación de regresión tenga una alta calidad predictiva, necesitamos ver un RSS alto y un SSE bajo, lo que hará que la relación (RSS / 1) / SSE / (n - 2) sea alta y (basada en una comparación con Un valor F crítico) estadísticamente significativo. El valor crítico se toma de la distribución F y se basa en grados de libertad. Por ejemplo, con 20 observaciones, los grados de libertad serían n - 2, o 18, resultando en un valor crítico (de la tabla) de 2.19. Si RSS era 2,5 y SSE eran 1,8, entonces la estadística de prueba calculada sería F (2,5 / (1,8 / 18) 25, que está por encima del valor crítico, lo que indica que la ecuación de regresión tiene calidad predictiva (b es diferente de 0) Estimación de Estadísticas Económicas con Modelos de Regresión Los modelos de regresión se usan frecuentemente para estimar estadísticas económicas como la inflación y el crecimiento del PIB. Suponga que se hace la siguiente regresión entre la inflación anual estimada (X, o variable independiente) y el número real (Y o variable dependiente) : Utilizando este modelo, el número de inflación pronosticado se calcularía sobre la base del modelo de los siguientes escenarios de inflación: 13 Estimación de la inflación 13 Inflación basada en el modelo 13 Las predicciones basadas en este modelo parecen funcionar mejor para las estimaciones típicas de la inflación y sugieren que la inflación extrema Las estimaciones tienden a exagerar la inflación - por ejemplo, una inflación real de sólo 4,46 cuando la estimación fue de 4,7 El modelo parece sugerir que las estimaciones son altamente predictivos. Aunque para evaluar mejor este modelo, tendríamos que ver el error estándar y el número de observaciones en las que se basa. Si conocemos el valor real de los parámetros de regresión (pendiente e intercepción), la varianza de cualquier valor Y predicho sería igual al cuadrado del error estándar. En la práctica, debemos estimar los parámetros de regresión por lo que nuestro valor predicho para Y es una estimación basada en un modelo estimado. Para determinar un intervalo de predicción, emplee los siguientes pasos: 1. Predecir el valor de la variable dependiente Y sobre la base de la observación independiente X. 2. Calcular la varianza del error de predicción, La siguiente ecuación: 13 donde: s 2 es el error estándar cuadrado de la estimación, n es el número de observaciones, X es el valor de la variable independiente utilizada para hacer la predicción, X es el valor medio estimado de la variable independiente y sx 2 es la varianza de X. 3. Elija un nivel de significación para el intervalo de confianza. 4. Construir un intervalo en (1 -) por ciento de confianza, usando la estructura Y t c s f. He aquí otro caso en el que el material se vuelve mucho más técnico de lo necesario y se puede atascarse en la preparación, cuando en realidad la fórmula para la varianza de un error de predicción no es probable que se cubra. Priorizar - no despilfarrar preciosas horas de estudio memorizarlo. Si el concepto se prueba en absoluto, es probable que se le dé la respuesta a la Parte 2. Simplemente sepa cómo usar la estructura en la Parte 4 para responder a una pregunta. Por ejemplo, si la observación X predicha es 2 para la regresión Y 1.5 2.5X, tendríamos una Y prevista de 1.5 2.5 (2), o 6.5. Nuestro intervalo de confianza es de 6,5 t c s f. El t-stat se basa en un intervalo de confianza elegido y grados de libertad, mientras que sf es la raíz cuadrada de la ecuación anterior (para la varianza del error de predicción, si estos números son tc 2.10 para 95 confianza y sf 0.443, el intervalo Es 6.5 (2.1) (0.443), o 5.57 a 7.43 Limitaciones del análisis de regresión Se centran en tres limitaciones principales: 1. Parámetro Instabilidad - Esta es la tendencia de las relaciones entre las variables a cambiar con el tiempo debido a los cambios en la economía o los mercados , Entre otras incertidumbres. Si un fondo de inversión produjo una historia de retorno en un mercado donde la tecnología era un sector de liderazgo, el modelo no puede funcionar cuando los mercados extranjeros y de pequeña capitalización son líderes 2. Difusión pública de la relación - En un mercado eficiente , Esto puede limitar la eficacia de esa relación en periodos futuros. Por ejemplo, el descubrimiento de que las acciones de precio bajo a valor de libro superan el alto valor de precio a libro significa que estas acciones pueden ser pujas más altas y los enfoques de inversión basados ​​en valores No conservará la misma relación que en el pasado. 3. Violación de las relaciones de regresión - Anteriormente resumimos los seis supuestos clásicos de una regresión lineal. En el mundo real estas suposiciones son a menudo poco realistas - p. Suponiendo que la variable independiente X no es aleatoria.