gretl-common 2017d-3build1 / usr / share / gretl / gretl_gui_help.gl

# add Tests "Engadir variables a un modelo"

As variables escollidas engádense ao modelo previo e estímase o novo modelo así resultante. Como consecuencia, preséntase o valor dun estatístico que comproba a significación conxunta das variables engadidas, xunto coa súa probabilidade asociada (valor p). 

Ruta do menú: Fiestra de modelo: Probas/Engadir variables

Instrución de guión: <@ref="add">

# addline Graphs "Engadir unha liña a unha gráfica"

Esta caixa de diálogo te permite engadirlle a unha gráfica, unha liña definida mediante unha fórmula que debe de ser unha expresión admisible para Gnuplot. Debes de usar <@lit="x"> para denotar o valor da variable do eixe de abscisas. Ten en conta que Gnuplot utiliza <@lit="**"> para a elevar á potencia, e que o carácter decimal debe de indicarse con “.”. Exemplos: 

<code>          
   10+0.35*x
   100+5.3*x-0.12*x**2
   sin(x)
   exp(sqrt(pi*x))
</code>

# adf Tests "Proba ampliada de Dickey-Fuller"

Esta instrución necesita que indiques o nivel de retardos cun número enteiro; se o nivel é cero, execútase a proba estándar de Dickey–Fuller (non ampliada). Con ela calcúlase un conxunto de probas de Dickey–Fuller sobre a(s) variable(s) do argumento, sendo a hipótese nula a existencia dunha raíz unitaria. (Agora ben, cando escolles a opción 'difference', calcúlase a primeira diferenza da(s) variable(s) antes de facer a proba, e a discusión de abaixo debes de entendela como referida á(s) variable(s) transformada(s).) 

En tódolos casos, a variable dependente é a primeira diferenza da variable especificada (<@mth="y">) e a variable independente clave é o primeiro retardo de <@mth="y">. O modelo constrúese de xeito que o coeficiente da variable <@mth="y"> retardada, é igual á raíz en cuestión menos 1. Por exemplo, o modelo con constante pode escribirse como 

  <@fig="adf1">

. Baixo a hipótese nula de existencia dunha raíz unitaria, o coeficiente da variable <@mth="y"> retardada é igual a cero; e baixo a hipótese alternativa de que <@mth="y"> é estacionaria, este coeficiente é negativo. 

Se o nivel de retardos (<@mth="k">) é maior ca 0, entón inclúense <@mth="k"> retardos da variable dependente no lado dereito de cada unha das regresións necesarias para calcular os estatísticos das probas, suxeito isto ao seguinte requisito. Cando marcas o cadriño de “Probar desde o máximo nivel de retardos cara abaixo”, o nivel de retardos que indicas tómase como máximo, e o nivel de retardos concreto que se utilizará, obtense probando cara abaixo (mediante o criterio que elixas na lista despregable adxunta). 

Cando pides que se probe cara atrás mediante AIC ou BIC, o nivel de retardos final para a ecuación ADF é o que optimiza o criterio de información escollido (de Akaike ou Bayesiano de Schwarz). 

Cando pides que se probe cara atrás mediante o método do estatístico <@mth="t">, o procedemento é como se indica deseguido: 

<indent>
1. Estímase a regresión de Dickey–Fuller utilizando <@mth="k"> retardos da variable dependente. 
</indent>

<indent>
2. É significativo o último retardo? Se o é, execútase a proba cun nivel de retardos <@mth="k">. Se non o é, faise que <@mth="k"> = <@mth="k"> – 1, e vólvese ao paso 1 cun retardo menos. O proceso repítese ata que sexa significativo o último retardo dunha regresión, ou ata que <@mth="k"> sexa 0 (faríase a proba cun nivel de retardos igual a 0). 
</indent>

No contexto do paso 2 de arriba, “significativo” quere dicir que o estatístico <@mth="t"> do derradeiro retardo ten un valor <@itl="p"> asintótico de dúas colas igual ou menor a 0.10, fronte á distribución Normal. 

Os valores <@itl="P"> para as probas de Dickey–Fuller están baseadas en <@bib="MacKinnon (1996);mackinnon96">; e o código relevante inclúese co amable permiso do propio autor. No caso da proba coa tendencia linear utilizando MCX (GLS), estes valores <@itl="P"> non son aplicables; por iso, no seu lugar amósanse os puntos críticos da Táboa 1 que hai en <@bib="Elliott, Rothenberg e Stock (1996);ERS96">. 

Ruta do menú: /Variable/Probas de raíz unitaria/Proba ampliada de Dickey-Fuller

Instrución de guión: <@ref="adf">

# anova Statistics "ANOVA"

Análise da Varianza: O argumento <@var="resposta"> deberá de ser unha serie que mida algún efecto de interese, e <@var="tratamento"> deberá de ser unha variable discreta que codifique dous ou máis tipos de tratamento (ou non tratamento). Para un ANOVA de dous factores, a variable <@var="control"> (que tamén será discreta) deberá de codificar os valores dalgunha variable de control. 

A hipótese nula da proba <@mth="F"> é que a resposta media é invariante con respecto ao tipo de tratamento ou, noutras palabras, que o tratamento non ten efecto. Falando estritamente, a proba só é válida cando a varianza da resposta é a mesma para tódolos tipos de tratamento. 

Cae na conta de que os resultados que amosa esta instrución son de feito un subconxunto da información ofrecida polo seguinte procedemento, que podes preparar doadamente no Gretl. (1) Xera un conxunto de variables ficticias que codifiquen todos os tipos de tratamento agás un. Para un ANOVA de dous factores, xera ademais un conxunto de variables ficticias que codifiquen todos os bloques de “control” agás un. (2) Fai a regresión de <@var="resposta"> sobre unha constante e as variables ficticias utilizando <@ref="ols">. Cun só factor, preséntase a táboa ANOVA mediante a opción <@opt="--⁠anova"> nesa función <@lit="ols">. No caso de dous factores, a proba <@mth="F"> relevante atópala utilizando a instrución <@ref="omit"> logo da regresión. Por exemplo, (asumindo que <@var="resposta"> é <@lit="y">, que <@lit="xt"> codifica o tratamento, e que <@lit="xb"> codifica os bloques de “control”): 

<code>          
   # Un factor
   list Fict_xt = dummify(xt)
   ols y 0 Fict_xt --anova
   # Dous factores
   list Fict_xb = dummify(xb)
   ols y 0 Fict_xt Fict_xb
   # Proba de significación conxunta de Fict_xt
   omit Fict_xt --quiet
</code>

Ruta do menú: /Modelar/Outros Modelos Lineais/ANOVA

Instrución de guión: <@ref="anova">

# ar Estimation "Estimación autorregresiva"

Calcula as estimacións dos parámetros utilizando o procedemento iterativo xeneralizado de Cochrane–Orcutt; consulta a Sección 9.5 de <@bib="Ramanathan (2002);ramanathan02">. As iteracións rematan cando a sucesión de sumas de erros cadrados non difire dun termo ao seguinte en máis do 0.005 por cento, ou despois de 20 iteracións. 

Coa “lista de retardos AR” especificas a estrutura do proceso xerador do termo de perturbación. Por exemplo, a indicación “1 3 4” correspóndese co proceso: 

  <@fig="arlags">

Ruta do menú: /Modelar/Series temporais/Perturbacións AR (MCX)

Instrución de guión: <@ref="ar">

# ar1 Estimation "Estimación AR(1)"

Calcula estimacións MCX que sexan viables para un modelo no que o termo de perturbación asúmese que sigue un proceso autorregresivo de primeira orde. 

O método utilizado por defecto é o procedemento iterativo de Cochrane–Orcutt; por exemplo, consulta a sección 9.4 de <@bib="Ramanathan (2002);ramanathan02">. O criterio para acadar a converxencia é que as estimacións sucesivas do coeficiente de autocorrelación, non difiran en máis de 1e-6 ou, cando indicas a opción <@opt="--⁠loose">, en máis de 0.001. Se isto non se acada antes de que se fagan as 100 iteracións, amósase un fallo. 

Cando indicas a opción <@opt="--⁠pwe">, utilízase o estimador de Prais–Winsten. Isto implica unha iteración similar á de Cochrane–Orcutt; a diferenza está en que mentres que o método de Cochrane–Orcutt descarta a primeira observación, o método de Prais–Winsten fai uso dela. Para obter máis detalles consulta, por exemplo, o capítulo 13 de <@bib="Greene (2000);greene00">. 

Cando indicas a opción <@opt="--⁠hilu">, utilízase o procedemento de procura de Hildreth–Lu. Nese caso afínanse os resultados utilizando o método de Cochrane–Orcutt, agás que especifiques a opción <@opt="--⁠no-corc">. Esta opción <@opt="--⁠no-corc"> ignórase para estimadores diferentes ao do método de Hildreth–Lu. 

Ruta do menú: /Modelar/Series temporais/Perturbacións AR (MCX)

Instrución de guión: <@ref="ar1">

# arch Estimation "Modelo ARCH"

Neste momento, esta instrución mantense por compatibilidade con versións anteriores, pero saes gañando se utilizas o estimador máximo verosímil que ofrece a instrución <@ref="garch">. Se queres estimar un modelo ARCH sinxelo, podes usar o GARCH facendo que o seu primeiro parámetro sexa 0. 

Estima a especificación indicada do modelo permitindo ARCH (Heterocedasticidade Condicional Autorregresiva). Primeiro, estímase o modelo mediante MCO, e logo execútase unha regresión auxiliar, na que se regresa o erro cadrado da primeira sobre os seus propios valores retardados. O paso final é a estimación por mínimos cadrados ponderados, utilizando como ponderacións as inversas das varianzas dos erros axustados coa regresión auxiliar. (Se varianza que se predí para algunha observación coa regresión auxiliar non é positiva, entón utilízase no seu lugar o erro cadrado correspondente). 

Os valores <@lit="alpha"> presentados debaixo dos coeficientes son os parámetros estimados do proceso ARCH coa regresión auxiliar. 

Consulta tamén <@ref="garch"> e <@ref="modtest"> (opción <@opt="--⁠arch">). 

Instrución de guión: <@ref="arch">

# arima Estimation "Modelo ARIMA"

Advertencia: <@lit="arma"> é un alcume aceptable para esta instrución. 

Estima un modelo ARMA, con ou sen regresores esóxenos. Se a orde de diferenciación é maior ca cero, o modelo vólvese un ARIMA. Cando os datos teñen unha frecuencia maior ca 1, se te presenta a posibilidade de que inclúas unha compoñente estacional. 

Se queres incluír no modelo unicamente retardos AR ou MA específicos (en contraposición a incluír todos os retardos ata un nivel indicado), marca o cadriño á dereita do botón con frechas arriba/abaixo e teclea unha lista de retardos no campo de anotación, separados por espazos. De forma alternativa, se tes definida unha matriz que contén o conxunto de retardos que desexas, podes teclear o seu nome no campo de anotación. 

Por defecto, utilízase a funcionalidade ARMA “propia” de Gretl, coa estimación Máximo Verosímil (MV) exacta utilizando o filtro de Kalman; pero dispós da opción de facer a estimación mediante MV condicional. (Se o programa ARIMA X-12 está instalado no ordenador, tes a posibilidade de utilizalo en vez do código propio.) Para outros detalles relacionados con estas opcións, consulta o <@pdf="Guía de usuario de Gretl#chap:timeseries"> (Capítulo 27). 

O valor do AIC de Akaike indicado en conexión con modelos ARIMA, calcúlase de acordo coa definición que utiliza o ARIMA X-12, concretamente 

  <@fig="aic">

onde <@fig="ell"> é o logaritmo da verosimilitude e <@mth="k"> é o número total de parámetros estimados. Observa que o ARIMA X-12 non produce criterios de información tales como AIC cando a estimación é por Máxima Verosimilitude condicional. 

As raíces AR e MA amosadas en conexión coa estimación ARMA baséanse na seguinte representación dun proceso ARMA(p, q): 

<mono>          
      	(1 - a_1*L - a_2*L^2 - ... - a_p*L^p)Y =
        c + (1 + b_1*L + b_2*L^2 + ... + b_q*L^q) e_t
</mono>

Polo tanto, as raíces AR son as solucións a 

<mono>          
       1 - a_1*z - a_2*z^2 - ... - a_p*L^p = 0
</mono>

e a estabilidade require que estas raíces se atopen fóra do círculo de radio unitario. 

A cantidade “Frecuencia” presentada en conexión coas raíces AR e MA é o valor λ que soluciona <@mth="z"> = <@mth="r"> * exp(i*2*π*λ) onde <@mth="z"> é a raíz en cuestión e <@mth="r"> é o seu módulo. 

Ruta do menú: /Modelar/Series temporais/ARIMA

Instrución de guión: <@ref="arima">

# arma Estimation "Modelo ARMA"

Consulta <@ref="arima">; <@lit="arma"> é un alcume. 

Instrución de guión: <@ref="arma">

# bfgs-config Estimation "Opcións de BFGS"

Este diálogo te permite controlar algúns aspectos do funcionamento do maximizador BFGS. No caso de que o maximizador falle na converxencia, pode mellorar a cousa, nalgúns casos, ao aumentar o número de iteracións permitidas e/ou ao aumentar (facer máis permisiva) a tolerancia da converxencia. Porén, debes de sospeitar dos resultados que obteñas utilizando unha tolerancia elevada e considerar a posibilidade de que o modelo que estimas estea mal especificado. 

Para a maioría das aplicacións, te recomendamos que utilices o maximizador BFGS habitual pero, para algúns problemas, a variante do algoritmo con “memoria limitada” L-BFGS-B, pode producir unha converxencia máis rápida. Cando seleccionas L-BFGS-B, tes a posibilidade de establecer o número de correccións utilizadas na matriz de memoria limitada (entre 3 e 20, con 8 por defecto). 

# bootstrap Tests "Opcións de Bootstrap"

Nesta caixa de diálogo vas a elixir: 

<indent>
• A variable ou o coeficiente a examinar. (Utilizando este método, só podes probar un coeficiente de cada vez .) 
</indent>

<indent>
• O tipo de análise a realizar. O intervalo de confianza por defecto (do 95 por cento) baséase directamente nos cuantís das estimacións dos coeficientes mediante bootstrap. A versión do intervalo “studentizado” é consonte a Davidson e MacKinnon, <@bib="Economic Theory and Methods;davidson-mackinnon04"> (ETM, capítulo 5): en cada repetición do bootstrap fórmase unha razón <@mth="t"> que se calcula collendo a diferenza na estimación dos coeficientes obtida mediante bootstrap e de partida, e dividíndoa entre a desviación padrón mediante bootstrap. O intervalo de confianza baséase entón nos cuantís desta razón <@mth="t"> de bootstrap, como se explica nese ETM. A opción valor p baséase na distribución da razón <@mth="t"> de bootstrap: é a proporción das repeticións nas que o valor absoluto deste estatístico excede o valor absoluto da razón <@mth="t"> de partida. 
</indent>

<indent>
• O tipo de método Bootstrap. Baixo a primeira opción, vólvese a renovar a mostra dos erros da estimación orixinal, con substitución (logo de volvelos a escalar como se suxire en ETM). Baixo a segunda, vólvese a renovar a mostra con substitución dos “pares” ou “casos”; é dicir, as filas de datos (<@mth="y">, <@mth="X">). Na terceira opción, os erros orixinais transfórmanse primeiro consonte a <@bib="Davidson e Flachaire (2001);davidson-flachaire01">; entón en cada repetición do bootstrap cada erro transformado multiplícase por 1 ou –1, con probabilidade igual a 0.5 en cada caso. Na opción final, xéranse valores normais pseudoaleatorios utilizando a varianza dos erros orixinais. 
</indent>

<indent>
• O número de repeticións a realizar. Ten en conta que cando estás construíndo un intervalo co 95 por cento de confianza, é desexable que 0.05(<@mth="B"> + 1)/2 sexa un enteiro (onde <@mth="B"> é o número de repeticións). Así, Gretl pode axustar o número de repeticións que escollas para garantir que este é o caso. 
</indent>

<indent>
• Produce ou non unha gráfica da distribución bootstrap. Esta opción emprega o servizo de estimación da densidade do kernel de Gretl. 
</indent>

# boxplot Graphs "Gráficas de caixa"

Estas gráficas amosan a distribución dunha variable. Unha caixa central encerra o 50 por cento central dos datos; i.e. está deslindado polo primeiro e terceiro cuartís. Un “bigote” esténdese desde cada límite da caixa cun rango igual a 1.5 veces o rango intercuartil. As observacións que están fóra dese rango considéranse valores atípicos e represéntanse mediante puntos. Debúxase unha liña ao largo da caixa na mediana. O signo “+” utilízase para indicar a media. Se escolles a opción de amosar un intervalo de confianza para a mediana, este calcúlase mediante o método bootstrap e amósase con formato de liñas con raias horizontais por arriba e/ou abaixo da mediana. 

A opción “factorized” te permite examinar a distribución da variable elixida condicionada ao valor de algún factor discreto. Por exemplo, se un conxunto de datos contén unha variable cos salarios e unha variable ficticia co xénero, podes escoller a dos salarios como obxectivo e a do xénero como o factor, para ver así as gráficas de caixas de salarios de homes e mulleres unha a carón da outra. 

Ruta do menú: /Ver/Gráfica de variables indicadas/Gráficas de caixa

Instrución de guión: <@ref="boxplot">

# bwfilter Transformations "O filtro de Butterworth"

O filtro de Butterworth é unha aproximación a un filtro ideal de ondas cadradas que permite pasar con total potencia ás frecuencias que superan un certo rango, mentres detén todas as outras. 

En principio, os valores máis elevados do parámetro de orde (<@mth="n">) producen unha aproximación máis precisa ao filtro ideal, pero co posible custo de ter inestabilidade numérica. O valor “de corte” establece o límite entre a banda de paso e a banda de parada; exprésase en graos, e debe de ser maior ca 0 e menor ca 180° (ou π radiáns, correspondéndose este coa maior frecuencia dos datos). Os valores máis pequenos do valor de corte producen unha tendencia máis suave. 

Cando queiras aplicar este filtro, resulta un limiar moi útil que revises antes o periodograma da serie que te interesa. Consulta o <@pdf="Guía de usuario de Gretl#chap:genr"> (Capítulo 9) para obter máis detalles. 

Ruta do menú: /Variable/Filtro/Butterworth

# chow Tests "Proba de Chow"

Esta instrución necesita ben un número de observación (ou unha data, con datos que as teñan), ou ben o nome dunha variable ficticia. 

Debe de ir a continuación dunha regresión MCO (OLS). Se indicas un número de observación ou unha data, proporciona unha proba respecto á hipótese nula de que non existe cambio estrutural no punto de corte indicado. O procedemento consiste en crear unha variable ficticia que toma o valor 1 desde o punto de corte especificado por <@var="obs"> ata o final da mostra, e 0 noutro caso, así como xerar termos de interacción entre esa ficticia e os regresores orixinais. Se indicas unha ficticia, próbase esa hipótese nula de homoxeneidade estrutural respecto desa variable ficticia e tamén engádense termos de interacción. En cada caso execútase unha regresión ampliada incluíndo os termos adicionais. 

Por defecto, calcúlase un estatístico <@mth="F">, considerando a regresión ampliada como o modelo sen restricións e o modelo orixinal como o restrinxido. Pero se o modelo orixinal utilizou un estimador robusto para a matriz de covarianzas, o estatístico de proba é un de Wald con distribución khi-cadrado e co seu valor baseado nun estimador robusto da matriz de covarianzas da regresión ampliada. 

Ruta do menú: Fiestra de modelo: Probas/Proba de Chow

Instrución de guión: <@ref="chow">

# cluster Estimation "Estimación con varianza robusta"

Se escolles a segunda opción, debes de ofrecer o nome dunha variable de agrupación. Esta variable debería de ter ao menos dous valores diferentes, pero xeralmente deberá de ter un número de valores diferentes considerablemente menor que o número de observacións que haxa no rango da mostra. 

O estimador con varianza “robusta por agrupación” divide a mostra nun número de subconxuntos ou grupos de acordo co valor que tome a variable seleccionada. En lugar do suposto clásico de que o termo de perturbación está independente e identicamente distribuído, este estimador permite que as varianzas das perturbacións difiran por grupos e tamén permite un grao de dependencia da perturbación dentro de cada grupo. 

# coeffsum Tests "Suma de coeficientes"

Esta instrución necesita unha lista de variables, seleccionadas dun conxunto de variables independentes dun modelo dado. 

Calcula a suma dos coeficientes das variables da lista especificada. Presenta esta suma xunto coa súa desviación padrón e a probabilidade asociada ao estatístico para probar a hipótese nula de que a suma é cero. 

Ten en conta a diferenza entre isto e a instrución <@ref="omit">, pois esta última te permite probar a hipótese nula de que os coeficientes dun subconxunto especificado de variables independentes son <@itl="todos"> nulos. 

Ruta do menú: Fiestra de modelo: Probas/Suma dos coeficientes

Instrución de guión: <@ref="coeffsum">

# coint Tests "Proba de cointegración de Engle-Granger"

Proba de cointegración de Engle–Granger. O proceso por defecto consiste en: (1) realizar as probas de Dickey–Fuller respecto á hipótese nula de que cada unha das variables enumeradas ten unha raíz unitaria; (2) estimar a regresión de cointegración; e (3) facer unha proba DF respecto aos erros que comete a regresión de cointegración. Porén, se marcas o cadriño de “Omitir as probas DF iniciais”, o primeiro destes pasos omítese. 

Se o nivel de retardos (<@mth="k">) é maior ca 0, entón inclúense <@mth="k"> retardos da variable dependente no lado dereito da regresión que se fai para cada proba, agás que marques o cadriño titulado “Probar desde o máximo nivel de retardos cara abaixo”. Nese caso o nivel de retardos que indicas tómase como máximo, e o nivel de retardos concreto que se utilizará, obtense probando cara abaixo. Consulta a instrución <@ref="adf"> para ter máis detalles sobre este procedemento. 

Por defecto, a regresión de cointegración contén unha constante. Se queres eliminar a constante ou engadir unha tendencia linear (ou linear e cadrada), escolle a opción adecuada do conxunto que te ofrece o botón de selección na caixa de diálogo Cointegración. 

Os valores <@itl="P"> (probabilidades asociadas) desta proba baséanse en <@bib="MacKinnon (1996);mackinnon96">. O código relevante inclúese co amable permiso do propio autor. 

Ruta do menú: /Modelar/Series temporais/Multivariante

Instrución de guión: <@ref="coint">

# coint2 Tests "Proba de cointegración de Johansen"

Leva a cabo a proba de cointegración de Johansen entre as variables indicadas para o nivel de retardos seleccionado. Para obter máis detalles sobre esta proba consulta, por exemplo, o capítulo 20 do libro <@itl="Time Series Analysis"> (1994) de Hamilton. As probabilidades asociadas (valores p) calcúlanse mediante a aproximación Gamma de Doornik (1998). Amósanse dous conxuntos de valores p para a proba da traza: valores asintóticos directos e valores axustados polo tamaño da mostra. 

A inclusión de termos determinísticos no modelo contrólase por medio dunha lista despregable de opcións. Por defecto, inclúese unha “constante non restrinxida”, que permite a presenza dunha ordenada na orixe non nula nas relacións de cointegración, así como unha tendencia nos niveis das variables endóxenas. Na literatura xerada a partir do traballo de Johansen (por exemplo, consulta o seu libro de 1995) refírese esta situación como o “caso 3”. As 4 primeiras opcións indicadas arriba producen respectivamente os casos 1, 2, 4 e 5. Tanto o significado destes casos como o criterio para seleccionar un caso explícanse no <@pdf="Guía de usuario de Gretl#chap:vecm"> (Capítulo 29). 

Podes controlar as variables esóxenas engadíndoas á caixa da lista inferior. Por defecto, estas entran a formar parte do modelo en forma non restrinxida (indicada por un <@lit="U"> á beira do nome da variable). Se queres que unha determinada variable esóxena estea restrinxida ao espazo de cointegración, preme co botón dereito do rato sobre ela e escolle “Restrinxido” no menú emerxente; e o símbolo á beira da variable vaise mudar a R. 

Se os datos son trimestrais ou mensuais, amósase un cadriño de verificación que te permite incluír un conxunto de variables ficticias estacionais centradas. En todos os casos, un cadriño de verificación adicional (“Amosar os detalles”) permite a presentación das regresións auxiliares que forman o punto de comezo do procedemento de estimación máximo verosímil de Johansen. 

A seguinte táboa ofrécese como guía para a interpretación dos resultados da proba que se amosan, para o caso con 3 variables. <@lit="H0"> denota a hipótese nula, <@lit="H1"> a hipótese alternativa, e <@lit="c"> o número de relacións de cointegración. 

<mono>          
         Rango    Proba traza        Proba Lmáx
                  H0     H1          H0     H1
         ---------------------------------------
          0      c = 0  c = 3       c = 0  c = 1
          1      c = 1  c = 3       c = 1  c = 2
          2      c = 2  c = 3       c = 2  c = 3
         ---------------------------------------
</mono>

Consulta tamén a instrución <@ref="vecm">. 

Ruta do menú: /Modelar/Series temporais/Multivariante

Instrución de guión: <@ref="coint2">

# compact Dataset "Compactar datos"

Cando engades unha serie a un conxunto de datos que é de menor frecuencia, é necesario “compactar” a nova serie. Por exemplo, terás que compactar unha serie mensual para adaptala a un conxunto de datos trimestrais. 

Ademais, ás veces podes querer compactar un conxunto enteiro de datos cara a unha frecuencia menor (quizais antes de engadir unha variable de baixa frecuencia ao conxunto de datos). 

Gretl ofrece 5 opcións para compactar: 

<indent>
• Coa media: O valor que se escribe no conxunto de datos vai ser a media aritmética dos valores das series relevantes. Por exemplo, o valor que se escribe para o primeiro trimestre de 1990 vai ser a media aritmética dos valores para os meses de xaneiro, febreiro e marzo de 1990. 
</indent>

<indent>
• Sumando: O valor que se escribe no conxunto de datos vai ser a suma dos valores pertinentes de maior frecuencia. Por exemplo, o valor do primeiro cuarto vai ser a suma dos valores de xaneiro, febreiro e marzo. 
</indent>

<indent>
• Valores final-de-período: O valor que se escribe no conxunto de datos é o último valor pertinente dos datos de frecuencia maior. Por exemplo, o primeiro cuarto de 1990 vai ter o valor de marzo de 1990. 
</indent>

<indent>
• Valores principio-de-período: O valor que se escribe no conxunto de datos é o primeiro valor pertinente dos datos de frecuencia maior. Por exemplo, o primeiro cuarto de 1990 vai ter o valor de xaneiro de 1990. 
</indent>

<indent>
• “Espallando”: Neste caso, non se perde ningunha información da frecuencia maior; máis ben, espállase nun conxunto de <@mth="m"> series, onde <@mth="m"> é a razón entre a frecuencia maior e a menor. Cada serie dese conxunto contén os valores dun determinado subperíodo, que se identifica cun sufixo específico. Por exemplo, cando se compacta unha serie <@lit="x"> de mensual a trimestral, os nomes das series xeradas van ser <@lit="x_m01">, <@lit="x_m02"> e <@lit="x_m03"> para os tres meses de cada trimestre. 
</indent>

No caso de querer compactar un conxunto de datos enteiro, a elección que fas nesta caixa de diálogo determina o método por defecto. Pero se estableciches un método para compactar unha variable individual (no menú “Variable/Editar atributos”), vaise usar ese método en troques do establecido por defecto. Se xa estableciches o método para compactar en todas e cada unha das variables, non se te presenta a posibilidade de elixir un método por defecto para compactar. 

# controlled Graphs "Gráficas de dispersión con control"

Esta instrución require a selección de 3 variables: unha para o eixe X, outra para o eixe Y e outra para o que queres controlar (chámalle Z). A gráfica amosa o Y corrixido fronte ao X corrixido, onde a versión corrixida da variable é o erro dunha regresión MCO sobre Z. 

Exemplo: Tes datos de salarios, experiencia e nivel de educación para unha mostra de persoas. Queres debuxar os salarios fronte ao nivel de educación, controlados pola experiencia. Nese caso, seleccionarías salarios para o eixe Y, nivel de educación para o eixe X e experiencia como control. A gráfica amosa os salarios fronte ao nivel de educación, coas dúas variables “depuradas” do efecto da experiencia. 

# corr Statistics "Coeficientes de correlación"

Presenta os coeficientes de correlación (correlación produto-momento de Pearson) por pares das variables escollidas. O comportamento por defecto desta instrución consiste en utilizar todas as observacións dispoñibles para calcular cada coeficiente por parellas de variables, pero se marcas o cadriño de opcións, a mostra limítase (se é necesario) de xeito que se utiliza o mesmo conxunto de observacións para todos os coeficientes. Esta opción é adecuada só cando hai un número diferente de valores ausentes nas variables utilizadas. 

Ruta do menú: /Ver/Matriz de correlacións
Outro acceso: Fiestra principal: Menú emerxente (selección múltiple)

Instrución de guión: <@ref="corr">

# corrgm Statistics "Correlograma"

Presenta os valores da función de autocorrelación (FAC ou ACF) do argumento <@var="serie">, que pode especificarse polo seu nome ou número. Os valores defínense como ρ(<@mth="u"><@sub="t">, <@mth="u"><@sub="t-s">) onde <@mth="u"><@sub="t"> é a <@mth="t">-ésima observación da variable <@mth="u"> e <@mth="s"> denota o número de retardos. 

Tamén se presentan as autocorrelacións parciais (FACP ou PACF, que se calculan utilizando o algoritmo de Durbin–Levinson), e que están libres dos efectos dos retardos intermedios. Ademais, preséntase o estatístico <@mth="Q"> de Ljung–Box que podes utilizar para probar a hipótese nula de que a serie é un “ruído branco”, e que se distribúe asintoticamente como unha khi-cadrado con tantos graos de liberdade como o número de retardos utilizados. 

Utilízanse asteriscos para indicar a significación estatística das autocorrelacións individuais. Por defecto, isto avalíase utilizando unha desviación padrón igual ao cociente entre 1 e a raíz cadrada do tamaño da mostra, pero tes a opción de utilizar as desviacións padrón de Bartlett para a FAC. Esta opción tamén determina a banda de confianza que se debuxa na gráfica da FAC. 

Ruta do menú: /Variable/Correlograma
Outro acceso: Fiestra principal: Menú emerxente (selección única)

Instrución de guión: <@ref="corrgm">

# count-model Estimation "Modelos para datos de reconto"

Tómase a variable dependente para representar un reconto do número de veces que ocorre un suceso dalgún tipo, e debe de ter só valores enteiros non negativos. Por defecto, utilízase a distribución de Poisson, pero o botón da lista despregable dáche a opción de utilizar a distribución Binomial Negativa. (A variante NegBin 2 utilízase habitualmente en Econometría, pero tamén está dispoñible a menos utilizada NegBin 1.) 

Opcionalmente, podes engadir unha variable de “exposición” á especificación. Esta é unha variable de escala, cuxo logaritmo se engade á función de regresión linear (implicitamente, cun coeficiente de 1). Isto é lóxico se agardas que o número de veces que ocorra o suceso en cuestión sexa proporcional a algún factor coñecido (supoñendo o demais constante). Por exemplo, se asumes que o número de accidentes de tráfico é proporcional ao volume de tráfico (co demais constante), nese caso podes especificar o volume de tráfico como unha variable de “exposición” nun modelo para o cociente entre os accidentes e o volume. A variable de exposición debe de ser estritamente positiva. 

Por defecto, as desviacións padrón calcúlanse utilizando unha aproximación numérica á matriz Hessiana na converxencia. Pero se marcas o cadriño de 'Desviacións padrón robustas', entón calcúlanse as desviacións padrón Case Máximo Verosímiles (CMV ou QML), utilizando un “emparedado” entre a inversa da matriz Hessiana e o produto externo do vector gradiente. 

# curve Graphs "Debuxar unha curva"

Esta caixa de diálogo te permite xerar unha gráfica de Gnuplot especificando unha fórmula, que deberá ser unha expresión que admita Gnuplot. Utiliza <@lit="x"> para denotar a variable no eixe 'x'. Ten en conta que Gnuplot utiliza <@lit="**"> para preceder a un expoñente (elevar á potencia) e que o carácter decimal debe de indicarse con “.”. Exemplos: 

<code>          
   10+0.35*x
   100+5.3*x-0.12*x**2
   sin(x)
   exp(sqrt(pi*x))
</code>

Para poñer unha liña adicional nunha gráfica xerada deste xeito, preme co botón dereito do rato na gráfica e escolle “Editar”, selecciona o tabulador “Liñas” no cadro de diálogo de edición de gráficas, e utiliza o botón “Engadir liña”. 

# cusum Tests "Proba CUSUM"

Debe de ir despois da estimación dun modelo mediante MCO. Te permite levar adiante a proba CUSUM de estabilidade dos parámetros (ou a proba CUSUMSQ se indicas a opción <@opt="--⁠squares">). Vas obter unha serie cos erros de predición adiantados un paso, executando unha serie de regresións: na primeira regresión se utilizan as primeiras <@mth="k"> observacións e permíteche xerar a predición da variable dependente na observación <@mth="k"> + 1; na segunda se utilizan as primeiras <@mth="k"> + 1 observacións e xera unha predición para a observación <@mth="k"> + 2, e así sucesivamente (onde <@mth="k"> é o número de parámetros do modelo orixinal). 

Preséntase e debúxase a suma acumulada dos erros de predición escalados (ou os cadrados destes erros). A hipótese nula de estabilidade dos parámetros rexéitase cun nivel de significación do 5 por cento cando a suma acumulada se afasta da banda de confianza do 95 por cento. 

No caso da proba CUSUM, tamén se presenta o estatístico <@mth="t"> de Harvey–Collier para probar a hipótese nula de estabilidade dos parámetros. Consulta o libro <@itl="Econometric Analysis"> de Greene para obter máis detalles. Para a proba CUSUMSQ, calcúlase a banda de confianza do 95 por cento utilizando o algoritmo indicado en <@bib="Edgerton e Wells (1994);edgerton94">. 

Ruta do menú: Fiestra de modelo: Probas/Proba CUSUM(SQ)

Instrución de guión: <@ref="cusum">

# daily-purge Dataset "Depurar datos diarios"

Cando un conxunto de datos diario está nominalmente nun calendario de 7 días, pero de feito unicamente inclúe datos de días laborables, recoméndase que elimines as filas en branco dos días do fin de semana, pasando así a un calendario de 5 días. 

Cando un conxunto de datos de días laborables contén un número relativamente pequeno de filas sen datos (presuntamente debido a festivos comerciais) poderías querer eliminar esas filas. Isto significa, de feito, tratar os valores ausentes por festivos como non existentes máis ca como verdadeiramente “ausentes”, e tratar os días comerciais como se formasen unha serie temporal continua. 

Ten en conta que se colles calquera destas opcións, aínda así Gretl vai preservar a información da data, e vaiche ser posible reconstruír o conxunto de datos de calendario completo máis tarde, se o necesitas. Podes facer isto utilizando a instrución <@ref="dataset"> coa opción <@lit="pad-daily">. 

# data-files Programming "Ficheiros de datos"

Este diálogo te permite especificar ficheiros adicionais para incluír cun paquete de funcións. Se inclúes ese material iso implica que o paquete vai tomar a forma dun ficheiro zip. Cando Gretl vaia a crear o ficheiro zip para ti, todos os ficheiros aos que se fai referencia aquí deben de estar presentes no mesmo cartafol ca o ficheiro gfn. Os subcartafoles poden indicarse igual que ficheiros normais e nese caso, iso implica que todo o seu contido deberá de incluírse no paquete zip. 

Hai dúas intencións principais para usar este servizo. En primeiro lugar, podes incluír un ficheiro de datos para utilizar co guión de mostra do paquete, se non é adecuado ningún dos ficheiros de datos ofrecidos coa distribución de Gretl. Neste caso, os datos deben de estar no formato propio de Gretl (<@lit="gdt"> ou <@lit="gdtb"> binario). Segundo, se o teu paquete require unha gran matriz (por exemplo, que conteña todos os puntos críticos dun estatístico de proba especial), poderá ser más conveniente incluíla como un ficheiro matricial de Gretl (<@lit="mat">) que integrar a matriz mediante múltiples expresións da linguaxe Hansl do Gretl. 

Para acceder a un ficheiro empaquetado <@lit="gdt"> ou <@lit="gdtb"> desde un guión de mostra, utiliza a opción <@opt="--⁠frompkg"> coa instrución <@lit="open">, indicando o nome do paquete como se fora un parámetro, como en 

<code>          
   open almon.gdt --frompkg=almonreg
</code>

Para ler un ficheiro matricial empaquetado desde dentro do teu código de paquete, utiliza a variable de cadea incorporada <@lit="$pkgdir">, como en 

<code>          
   string mname = sprintf("%s/A.mat", $pkgdir)
   matrix A = mread(mname)
</code>

(Ten en conta que nas rutas de MS Windows funcionará correctamente “<@lit="/">” como separador.) 

# datasort Dataset "Ordenar os datos"

A variable escollida utilízase como chave de ordenación para todo o conxunto de datos. Vólvense ordenar as observacións de todas as variables segundo os valores en orde ascendente da variable chave, ou segundo os valores en orde decrecente se escolles a opción “Descendente”. 

# density Statistics "Estimación da densidade Kernel"

A estimación da densidade do Kernel realízase definindo un conxunto de puntos de referencia separados de xeito uniforme sobre un rango apropiado relacionado co rango dos datos, e atribuíndo unha densidade a cada punto de referencia baseada nas observacións presentes na súa contorna. 

A fórmula utilizada para calcular a densidade estimada en cada punto de referencia (<@mth="x">) é 

  <@fig="kernel1">

onde <@mth="n"> denota o número de puntos con datos, <@mth="h"> e un parámetro de “largo de banda”, e <@mth="k">() é a función kernel. Canto maior sexa o valor do parámetro de largo de banda, máis suave vai ser a densidade estimada. 

Se te ofrece a posibilidade de utilizar un kernel Gaussiano (a densidade Normal estándar) ou o kernel de Epanechnikov. Por defecto, o largo de banda é o suxerido como norma xeral por <@bib="Silverman (1986);silverman96">, concretamente 

  <@fig="kernel2">

onde <@mth="s"> representa a desviación padrón dos datos e IQR denota o rango intercuartil. Podes ampliar ou encoller o largo de banda mediante o “factor de axuste do ancho de banda”, posto que entón o largo real de banda que se vai utilizar, obtense multiplicando o valor de Silverman polo factor de axuste. 

Para ver unha boa discusión introdutoria da estimación da densidade do kernel, consulta o capítulo 15 do libro de Davidson e MacKinnon <@itl="Econometric Theory and Methods">. 

# dfgls Tests "A proba ADF-MCX"

A proba ADF-MCX é unha variante da proba de raíz unitaria de Dickey–Fuller, para o caso no que se asume que a variable que se comproba ten unha media non nula ou amosa unha tendencia linear. A diferenza é que a detracción da media ou da tendencia da variable faise utilizando o procedemento MCX (GLS) suxerido por <@bib="Elliott, Rothenberg e Stock (1996);ERS96">. Isto proporciona unha proba con maior potencia que o enfoque estándar de Dickey–Fuller. 

Cando se proba cara abaixo, a partir dun nivel máximo de retardos que indiques, os criterios AIC e BIC “modificados” son como se describe en <@bib="Ng e Perron (2001);ng-perron01">, con ou sen a corrección proposta por <@bib="Perron e Qu (2007);perron-qu07">. Esta corrección implica utilizar datos coa tendencia detraída con MCO na etapa de determinación do nivel de retardos óptimo, e logo detraer a tendencia con MCX na proba final de raíz unitaria. 

Consulta tamén a instrución <@ref="adf"> e a opción <@opt="--⁠gls">. 

Ruta do menú: /Variable/Probas de raíz unitaria/Proba ADF-MCX

# dialog Estimation "Caixa de diálogo do modelo"

Para escoller unha variable como a dependente, salienta esa variable na lista da esquerda e preme o botón “Elixir” que apunta ao cadrado da variable Dependente. Se marcas o cadriño de “Establecer por defecto”, a variable que escolliches vaise preseleccionar como a dependente cando se volva a abrir a caixa de diálogo do modelo. Atallo: preme un dobre clic nunha variable da esquerda para escollela como a variable dependente e tamén fixala por defecto. 

Para escoller as variables independentes, saliéntaas no lado esquerdo e preme o botón “Engadir” (ou preme un clic co botón dereito do rato). Podes salientar varias variables contiguas arrastrando co rato e podes salientar un grupo de variables non contiguas premendo un clic en cada unha delas mentres mantés pulsada a tecla <@lit="Ctrl">. 

# dpanel Estimation "Modelos de panel dinámicos"

Realiza a estimación de modelos dinámicos con datos de panel (é dicir, modelos de panel que inclúen un ou máis retardos da variable dependente) utilizando ben o método MXM-DIF ou ben MXM-SYS. 

Debes de indicar a variable dependente e os regresores cos seus valores en niveis, pois xa se van diferenciar automaticamente (dado que este estimador utiliza a diferenciación para eliminar os efectos individuais). 

No referente ao manexo dos instrumentos, consulta a documentación para a versión de guión desta instrución. Actualmente non podes especificar instrumentos explicitamente na Interface Gráfica de Usuario (GUI), así tódalas variables independentes considéranse estritamente esóxenas. 

Por defecto, preséntanse os resultados da estimación en 1 etapa (coas desviacións padrón robustas) pero tes a opción de escoller a estimación en 2 etapas. En ambos casos, preséntanse as probas de autocorrelación de orde 1 e 2 , así como a proba de sobreidentificación de Sargan e o estatístico da proba de Wald para a significación conxunta dos regresores. Ten en conta que neste modelo en diferenzas, a autocorrelación de primeira orde non é unha ameaza para a validez do modelo, pero a autocorrelación de segunda orde infrinxe os supostos estatísticos vixentes. 

Para obter outros detalles e exemplos, consulta o <@pdf="Guía de usuario de Gretl#chap:dpanel"> (Capítulo 20). 

Ruta do menú: /Modelar/Panel/Modelo de Panel Dinámico

Instrución de guión: <@ref="dpanel">

# dummify Transformations "Xerar conxuntos de variables ficticias"

A operación “dummify” está dispoñible unicamente para series con valores discretos. O seu efecto consiste en xerar un conxunto de variables ficticias que codifican os distintos valores presentes nas series. 

Por exemplo, supón que tes unha serie titulada <@lit="raza">, con valores de 1 para “branco”, 2 para “negro”, 3 para “hispano” e 4 para “outros”. Crear variables ficticias a partir desta serie significa xerar 4 variables ficticias: a primeira ten o valor 1 para todas as observacións nas que raza = 1 e cero noutro caso; a segunda ten o valor 1 para todas as observacións nas que raza = 2, cero noutro caso; etcétera. 

Na práctica, é posible que para unha serie discreta con <@mth="k"> categorías queiras xerar unicamente <@mth="k"> – 1 variables ficticias, para evitar caer na denominada “trampa das variables ficticias”. De aí que teñas a posibilidade de prescindir da codificación ben do valor máis baixo ou ben do valor máis alto dos considerados. 

# ema-filter Transformations "Media Móbil Exponencial"

A fórmula que emprega Gretl para calcular a media móbil exponencial (MME ou EMA) é a de <@bib="Roberts (1959);roberts59">, concretamente 

<@mth="s"><@sub="t"> = α<@mth="y"><@sub="t"> + (1–α)<@mth="s"><@sub="t–1"> 

onde <@mth="s"> é a MME, <@mth="y"> é a serie orixinal, e α é unha constante entre 0 e 1. Os valores máis grandes de α cargan máis ponderación na observación vixente; e os valores máis pequenos producen un maior suavizado. 

Como “primeiro valor da MME”, se non se especifica, tómase o último valor previo á mostra, o que significa que o cálculo do filtro comeza coa primeira observación que hai no rango da mostra vixente. 

Para unha liña de instrución equivalente, consulta a función <@xrf="movavg">. 

# expand Dataset "Expandir datos"

Se queres engadir a un conxunto de datos unha serie que é de frecuencia menor, é necesario “expandir” a nova serie. Por exemplo, terás que expandir unha serie trimestral para axustala a un conxunto de datos mensual. Ademais, ás veces podes querer expandir un conxunto de datos enteiro a outro de frecuencia maior (quizais antes de engadir unha variable de frecuencia maior ao conxunto de datos). 

Debes considerar a expansión dos datos como unha opción para “expertos” pois necesitas saber que estás facendo. Cando combinas series de diferentes frecuencias orixinais dentro dun conxunto de datos, probablemente deberías de considerar como compactar os datos de frecuencia maior, máis ca expandir as series de frecuencia menor. 

Dito isto, Gretl permíteche dúas opcións para a expansión: (a) podes interpolar valores de alta frecuencia utilizando o método de <@bib="Chow e Lin (1971);chowlin71">, ou (b) podes repetir valores das series de frecuencia menor tantas veces como sexa necesario. 

O método de Chow–Lin está baseado na regresión, e utiliza unha constante máis unha tendencia linear e cadrada, asumindo un proceso autorregresivo de primeira orde para as perturbacións. Gástanse catro graos de liberdade con este procedemento. 

No método de repetición de valores, supón que tes unha serie trimestral co valor 35.5 en 1990:1 (o primeiro trimestre de 1990). Na expansión a mensual, vaise asignar o valor 35.5 ás observacións de xaneiro, febreiro e marzo de 1990. En consecuencia, a variable expandida é inútil para una análise pormenorizada de series temporais, agás no caso especial no que xa sabes de feito que a variable en cuestión se mantén constante durante os subperíodos. 

# export Dataset "Exportar datos"

Podes exportar datos no formato Valores Separados por Comas (CSV) que poden abrirse en follas de cálculo e moitos outros programas. Se escolles esta opción, vas ter algunhas opcións adicionais con relación ao formato específico do ficheiro CSV. 

Tamén tes a opción de exportar datos co formato dun ficheiro de datos “propio” de Gretl, ou de exportalos a un banco de datos de Gretl (se os datos son axeitados). Consulta <@url="gretl.sourceforge.net/gretl_data.html"> para ver un relatorio dos bancos de datos de Gretl. 

Podes tamén exportar datos nun formato de texto plano axeitado para usalos cos seguintes programas: 

<indent>
• GNU R (<@url="www.r-project.org">): Escríbense os datos co formato que utiliza espazos separados e que a función <@lit="read.table"> de R pode asimilar doadamente. Sufixo, por defecto, do nome de ficheiro: <@lit=".txt"> 
</indent>

<indent>
• GNU octave (<@url="www.gnu.org/software/octave">): Os datos se escriben como unha matriz no formato favorito de Octave. Sufixo, por defecto, do nome de ficheiro: <@lit=".m"> 
</indent>

<indent>
• JMulTi (<@url="www.jmulti.de">): Sufixo, por defecto, do nome de ficheiro: <@lit=".dat"> 
</indent>

<indent>
• PcGive (<@url="www.pcgive.com">): Sufixo, por defecto, do nome de ficheiro: <@lit=".dat"> 
</indent>

Se queres exportar os datos copiándoos ao portapapeis mellor que escribíndoos nun ficheiro do disco, selecciona na xanela principal as series que queres copiar, preme co botón dereito do rato na selección e escolle “Copiar ao portapapeis”. (Só se admite o formato CSV neste contexto.) 

# factorized Graphs "Gráfica con factor de separación"

Esta instrución require que selecciones 3 variables, e a última delas debe de ser unha variable ficticia (con valores 1 ou 0). A variable Y se representa graficamente fronte á variable X, cos puntos de datos colorados de forma diferente dependendo do valor da terceira variable. 

Exemplo: Supón que tes datos sobre salarios e cualificacións educativas para unha mostra de persoas, e tamén unha variable ficticia co valor 1 para os homes e 0 para as mulleres (como en <@lit="data7-2"> de Ramanathan). Unha “gráfica con factor de separación” de <@lit="WAGE"> fronte a <@lit="EDUC">, utilizando a variable ficticia <@lit="GENDER"> como factor, amosará os puntos de datos para os homes nunha cor e aqueles para as mulleres noutra (cunha lenda para identificalos). 

# fcast Prediction "Xerar predicións"

Debe de ir despois dunha instrución de estimación. As predicións xéranse para o rango especificado de observacións. Dependendo da natureza do modelo, tamén poden xerarse as desviacións padrón (mira abaixo). 

A elección entre unha predición estática ou dinámica aplícase unicamente no caso de modelos dinámicos, cunha perturbación cun proceso autorregresivo e/ou que inclúan un ou máis valores retardados da variable dependente como regresores. As predicións estáticas son un paso adiantadas (baseadas nos valores acadados no período previo), mentres que as predicións dinámicas empregan a regra da cadea de predición. Por exemplo, se unha predición para <@mth="y"> en 2008 require como entrada un valor de <@mth="y"> en 2007, unha predición estática é imposible sen datos actualizados para 2007, pero unha predición dinámica para 2008 é posible se podes substituír unha predición previa para <@mth="y"> en 2007. 

Por defecto proporciónase: (a) unha predición estática para algunha porción do rango de predición que cae dentro do rango da mostra sobre o que se estima o modelo, e (b) unha predición dinámica (se é relevante) fóra da mostra. A opción <@opt="--⁠dynamic"> solicita unha predición dinámica a partir da data o máis temperá posible, e a opción <@opt="--⁠static"> solicita unha predición estática aínda fóra da mostra. 

A natureza das desviacións padrón das predicións (se están dispoñibles) depende da natureza do modelo e da predición. En modelos lineais estáticos, as desviacións padrón calcúlanse utilizando o método bosquexado por <@bib="Davidson e MacKinnon (2004);davidson-mackinnon04">; eles incorporan tanto a incerteza debida ao proceso da perturbación como a incerteza nos parámetros (resumida na matriz de covarianzas dos estimadores dos parámetros). En modelos dinámicos, as desviacións padrón das predicións calcúlanse unicamente no caso dunha predición dinámica, e non incorporan a incerteza nos parámetros. Para modelos non lineais, as desviacións padrón das predicións non están dispoñibles actualmente. 

Ruta do menú: Xanela de modelo: Análise/Predicións

Instrución de guión: <@ref="fcast">

# fractint Statistics "Integración fraccional"

Comproba a integración fraccional (“memoria longa”) das series especificadas probando a hipótese nula de que a orde de integración da serie é cero. Por defecto, utilízase o estimador local de Whittle <@bib="(Robinson, 1995);robinson95">, pero cando indicas a opción <@opt="--⁠gph">, realízase a proba GPH <@bib="(Geweke e Porter-Hudak, 1983);GPH83"> en troques. Cando decidas indicar a opción <@opt="--⁠all">, entón vanse presentar os resultados de ámbalas dúas probas. 

Para obter máis detalles sobre esta clase de proba, consulta <@bib="Phillips e Shimotsu (2004);phillips04">. 

Cando non indicas o argumento <@var="nivel"> (opcional), o nivel para a(s) probas(s) establécese automaticamente como o número menor entre <@mth="T">/2 e <@mth="T"><@sup="0.6">. 

Podes recuperar os resultados utilizando os accesorios <@xrf="$test"> e <@xrf="$pvalue">. Estes valores baséanse no Estimador Local de Whittle agás cando indicas a opción <@opt="--⁠gph">. 

Ruta do menú: /Variable/Probas de raíz unitaria/Integración fraccional

Instrución de guión: <@ref="fractint">

# freq Statistics "Distribución de frecuencias"

Na caixa de diálogo de gráfica de frecuencia podes controlar as características da gráfica de calquera destes dous xeitos. 

Primeiro, podes escoller o número de intervalos. Neste caso, calcúlanse automaticamente o ancho e a situación dos intervalos. 

Como alternativa, podes especificar o límite inferior do intervalo situado máis á esquerda, e o ancho dos intervalos. Neste caso, o número de intervalos calcúlase automaticamente. 

Se queres aliñar os intervalos en números arredondados, aquí tes un xeito de proceder: comeza especificando o número de intervalos que queres e bota unha ollada á gráfica que se produce. Se non é do teu agrado, apunta a modificación que se require (por exemplo, facer que o intervalo situado máis á esquerda comece en 100 e impón un ancho de intervalo de 200). Entón fai unha segunda proba especificando o límite esquerdo e o ancho do intervalo. 

Este diálogo tamén permite elixir unha distribución teórica para representar fronte aos datos: ou a Normal ou a Gamma. Cando escolles a opción Normal, calcúlase o estatístico da proba de Normalidade de Doornik–Hansen. Cando seleccionas a opción Gamma, Gretl calcula o estatístico da proba non paramétrica de Locke respecto á hipótese nula que sostén que a variable segue unha distribución Gamma. Cae na conta de que a forma na que se indican en Gretl os parámetros da distribución Gamma é (forma, escala). 

Ruta do menú: /Variable/Distribución de frecuencias

Instrución de guión: <@ref="freq">

# garch Estimation "Modelo GARCH"

Estima un modelo GARCH (GARCH, Heterocedasticidade Condicional Autorregresiva Xeneralizada), ben nun modelo univariante ou ben incluíndo as variables esóxenas indicadas (cando se escollen variables independentes). A ecuación da varianza condicionada amósase abaixo. 

  <@fig="garch_h">

Así, o parámetro <@var="p"> representa o nivel Xeneralizado (ou “AR”), mentres que <@var="q"> representa o nivel normal ARCH (ou “MA”). Cando <@var="p"> é non nulo, <@var="q"> tamén debe ser non nulo; noutro caso, o modelo non está identificado. Con todo, podes estimar un modelo ARCH normal establecendo que <@var="q"> é un valor positivo e que <@var="p"> é cero. A suma de <@var="p"> e <@var="q"> non debe de ser maior ca 5. 

Por defecto, utilízase o propio código de Gretl para estimar os modelos GARCH, pero tamén tes a opción de usar o algoritmo de <@bib="Fiorentini, Calzolari e Panattoni (1996);fiorentini96">. O primeiro utiliza o maximizador BFGS mentres que o último usa a matriz de información para maximizar a verosimilitude, cunha posta a punto mediante a matriz Hessiana. 

Dispós de diversas variantes da matriz estimada das covarianzas dos estimadores con esta instrución. Por defecto, utilízase a matriz Hessiana agás que marques o cadriño “Desviacións padrón robustas”, en cuxo caso vaise usar a matriz de covarianzas CMV (QML de White). Tamén podes especificar outras posibilidades (e.g. a matriz de información ou o estimador de Bollerslev–Wooldridge) utilizando a instrución <@ref="set">. 

Podes acceder á varianza condicionada estimada, así como aos erros e a varios outros estatísticos do modelo, e engadilos ao conxunto de datos utilizando o menú “Gardar” da xanela onde se presenta o modelo. Se marcas o cadriño titulado “Estandarizar os erros”, divídense os erros pola raíz cadrada da varianza condicionada. 

Ruta do menú: /Modelar/Series temporais/GARCH

Instrución de guión: <@ref="garch">

# genr Dataset "Xerar unha nova variable"

NOTA: Esta instrución experimentou numerosos cambios e melloras desde que se escribiu o seguinte texto de axuda, por iso para comprender e actualizar a información sobre esta instrución, deberás de seguir a referencia do <@pdf="Guía de usuario de Gretl#chap:genr"> (Capítulo 9). Por outra banda, esta axuda non contén nada actualmente incorrecto, polo que interpreta o que sigue como “tes isto, e máis”. 

Utiliza esta caixa para definir unha nova variable, co padrón <@var="novavariable"> = <@var="fórmula">. A fórmula debe de ser unha combinación ben feita de nomes de variables, constantes, operadores e funcións (detalles máis abaixo). Para asegurarte de que obtés o tipo de variable que queres, podes preceder a fórmula cun tipo de nome (e.g. <@lit="scalar">, <@lit="series"> ou <@lit="matrix">). Por exemplo, para xerar unha serie que teña un valor constante igual a 10, podes escribir 

<code>          
   series c = 10
</code>

(noutro caso, <@lit="c = 10"> xeraría unha variable escalar). 

Se admiten os <@itl="operadores aritméticos">, en orde de prioridade: <@lit="^"> (elevar á potencia); <@lit="*">, <@lit="/"> e <@lit="%"> (módulo ou resto); <@lit="+"> e <@lit="-">. 

Os <@itl="operadores booleanos "> dispoñibles son (de novo, en orde de prioridade): <@lit="!"> (negación), <@lit="&&"> (E lóxico), <@lit="||"> (OU lóxico), <@lit=">">, <@lit="<">, <@lit="=="> (igual a), <@lit=">="> (maior ou igual que), <@lit="<="> (menor ou igual que) e <@lit="!="> (non igual). Tamén podes utilizar os operadores booleanos na construción de variables ficticias: por exemplo, <@lit="(x > 10)"> devolve 1 no caso de que <@lit="x"> > 10, e 0 noutro caso. 

As constantes integradas son <@lit="pi"> e <@lit="NA">. A última é o código de valor ausente: podes iniciar unha variable co valor ausente mediante <@lit="scalar x = NA">. 

A instrución <@lit="genr"> admite un amplo rango de funcións matemáticas e estatísticas, incluíndo todas as habituais máis varias que son especiais de Econometría. Ademais, ofrece acceso a moitas variables internas que se definen durante a execución das regresións, a realización de probas de hipóteses, etcétera. Para ver unha listaxe de funcións e accesorios, consulta o <@gfr="Referencia ás funcións de Gretl">. 

Ademais dos operadores e das funcións indicados arriba, hai algúns usos especiais de <@lit="genr">: 

<indent>
• <@lit="genr time"> xera unha variable de tendencia temporal (1,2,3,…) chamada <@lit="time">. E <@lit="genr index"> ten o mesmo efecto salvo que a variable chámase <@lit="index">. 
</indent>

<indent>
• <@lit="genr dummy"> xera tantas variables ficticias como a periodicidade dos datos. No caso de ter datos trimestrais (periodicidade 4), o programa xera <@lit="dq1"> = 1 para o primeiro trimestre e 0 para os outros trimestres, <@lit="dq2"> = 1 para o segundo trimestre e 0 para os outros trimestres, etcétera. Con datos mensuais, as variables ficticias noméanse <@lit="dm1">, <@lit="dm2">, etcétera. Con outras frecuencias, os nomes son <@lit="dummy_1">, <@lit="dummy_2">, etc. 
</indent>

<indent>
• <@lit="genr unitdum"> e <@lit="genr timedum"> xeran conxuntos de variables ficticias especiais para utilizar con datos de panel, codificando a primeira as unidades de sección cruzada e a segunda o período de tempo das observacións. 
</indent>

<@itl="Advertencia">: Co programa en liñas de instrución, as instrucións <@lit="genr"> que recuperan datos relacionados cun modelo, sempre se refiren ao modelo que se estimou máis recentemente. Isto tamén é certo no programa de Interface Gráfica de Usuario (GUI), cando se utiliza <@lit="genr"> na “consola de Gretl”ou se introduce unha fórmula usando a opción “Definir nova variable” baixo o menú Engadir na xanela principal. Coa GUI, porén, tes a opción de recuperar datos de calquera dos modelos que se amosan nese momento nunha xanela (sexa ou non sexa o modelo estimado máis recentemente). Podes facer isto baixo o menú “Gardar” da xanela do modelo. 

A variable especial <@lit="obs"> serve como índice para as observacións. Por exemplo, <@lit="series dum = (obs==15)"> xera unha variable ficticia que ten valor 1 para a observación 15, e o valor 0 noutro caso. Tamén podes usar esta variable para escoller observacións concretas por data ou nome. Por exemplo, <@lit="series d = (obs>1986:4)">, <@lit="series d = (obs>"2008-04-01")">, ou <@lit="series d = (obs=="CA")">. Cando utilizas datas diarias ou marcadores de observación neste contexto, debes de contornalas entre comiñas, pero podes usar as datas trimestrais e mensuais (cos dous puntos) sen comiñas. Ten en conta que, no caso de datos de series temporais anuais, o ano non se distingue sintacticamente dun sinxelo número enteiro. Polo tanto, se queres comparar observacións fronte a <@lit="obs"> por ano, debes de usar a función <@lit="obsnum"> para converter así o ano nun valor índice en base 1, como se fai en <@lit="series d = (obs>obsnum(1986))">. 

Podes sacar os valores escalares dunha serie no contexto dunha fórmula <@lit="genr">, utilizando a sintaxe <@var="varname"><@lit="["><@var="obs"><@lit="]"> na que podes indicar o valor <@var="obs"> por número ou data. Exemplos: <@lit="x[5]">, <@lit="CPI[1996:01]">. Para datos diarios, debes de usar a forma <@var="YYYY-MM-DD">; e.g. <@lit="ibm[1970-01-23]">. 

Podes modificar unha observación individual dunha serie mediante <@lit="genr">. Para facer isto, debes de engadir un número de observación ou de data válidos, entre corchetes, ao nome da variable no lado esquerdo da fórmula. Por exemplo, <@lit="genr x[3] = 30"> ou <@lit="genr x[1950:04] = 303.7">. 

Ruta do menú: /Engadir/Definir nova variable
Outro acceso: Xanela principal: Menú emerxente

Instrución de guión: <@ref="genr">

# genrand Programming "Xerar variables aleatorias"

Neste diálogo debes de indicar un nome para a variable que se vai xerar, máis algunha información adicional dependendo do tipo de distribución. 

<indent>
• Uniforme: Os límites inferior e superior da distribución. 
</indent>

<indent>
• Normal: A media e a desviación padrón (positiva). 
</indent>

<indent>
• Khi-cadrado e t de Student: Os graos de liberdade (que deben de ser positivos). 
</indent>

<indent>
• F: Os graos de liberdade tanto do numerador como do denominador. 
</indent>

<indent>
• Gamma: Os parámetros de forma e de escala (ambos positivos). 
</indent>

<indent>
• Binomial: A probabilidade de “éxito” e un enteiro co número de intentos. 
</indent>

<indent>
• Poisson: A media positiva (que tamén é igual á varianza). 
</indent>

Se queres xerar secuencias repetibles de números pseudoaleatorios, podes establecer a semente no menú Ferramentas. 

# genseed Programming "Establecer a semente para números aleatorios"

A 'semente' controla o punto de inicio para a secuencia de números pseudoaleatorios xerados nunha sesión determinada de Gretl. Por defecto, a semente establécese cando se inicia o programa, utilizando o reloxo do sistema. Isto te asegura que obtés unha secuencia distinta de números aleatorios cada vez que executas o programa. Se queres obter secuencias repetibles, necesitas establecer a semente de forma manual (e tomar nota do valor que utilizas). 

Ten en conta que sempre que premes un clic 'OK' nesta caixa de diálogo, o xerador vólvese reiniciar utilizando a semente indicada. Así, por exemplo, se (a) estableces a semente en (digamos) 147; (b) xeras unha serie con distribución Normal estándar; (c) volves visitar este diálogo e premes un clic 'OK' de novo coa semente aínda en 147; e (d) xeras unha segunda serie con distribución Normal estándar, as dúas series xeradas serán idénticas. 

# gmm Estimation "Estimación MXM"

Realiza a estimación co Método Xeneralizado dos Momentos (MXM ou GMM) utilizando o algoritmo BFGS (Broyden, Fletcher, Goldfarb, Shanno). Debes de especificar: (a) unha ou máis instrucións para actualizar as cantidades relevantes (tipicamente erros MXM), (b) un ou máis conxuntos de condicións de ortogonalidade, (c) unha matriz inicial de ponderacións, e (d) unha listaxe cos parámetros a estimar, todo contornado entre as etiquetas <@lit="gmm"> e <@lit="end gmm">. Calquera opción deberá de engadirse á liña <@lit="end gmm">. 

Consulta o <@pdf="Guía de usuario de Gretl#chap:gmm"> (Capítulo 23) para obter máis detalles sobre esta instrución. Aquí simplemente o ilustramos cun exemplo sinxelo. 

<code>          
   gmm e = y - X*b
     orthog e ; W
     weights V
     params b
   end gmm
</code>

No exemplo de arriba, asumimos que <@lit="y"> e <@lit="X"> son matrices de datos, <@lit="b"> é un vector de valores dos parámetros coa dimensión adecuada, <@lit="W"> é unha matriz de instrumentos, e <@lit="V"> é unha matriz axeitada de ponderacións. A expresión 

<code>          
   orthog e ; W
</code>

indica que o vector de erros (<@lit="e">) é ortogonal en principio a cada un dos instrumentos que constitúen as columnas de <@lit="W">. 

<@itl="Nomes dos parámetros"> 

Ao estimar un modelo non linear, frecuentemente resulta conveniente que nomees os parámetros de xeito conciso. Ao presentar os resultados, porén, pode que desexes utilizar etiquetas máis informativas. Podes acadar isto mediante a palabra chave adicional <@lit="param_names"> dentro do bloque de instrución. Para un modelo con <@mth="k"> parámetros, o argumento que sigue a esta palabra chave debe de ser ben unha cadea de texto literal entre comiñas que conteña <@mth="k"> nomes separados por espazos ou ben o nome dunha variable de cadea que conteña <@mth="k"> deses nomes. 

Ruta do menú: /Modelar/Método Xeneralizado Momentos

Instrución de guión: <@ref="gmm">

# graphing Graphs "Representar gráficas"

Gretl solicita que un programa distinto, concretamente Gnuplot, xere gráficas. Gnuplot é un programa de representación gráfica moi completo con miles de opcións. Mediante unha interface gráfica, Gretl dáche acceso directo a un subconxunto destas opcións e trata de elixir valores sensatos para ti; se queres, tamén te permite que teñas un control completo sobre os detalles da gráfica. 

Cunha gráfica xa representada, podes facer clic na xanela da gráfica para obter un menú emerxente con varias opcións, incluídas estas: 

<indent>
• Gardar como PNG: Garda en formato 'Portable Network Graphics' 
</indent>

<indent>
• Gardar como postscript: Garda a gráfica en formato 'Encapsulated postscript' (EPS) 
</indent>

<indent>
• Gardar na sesión como icona: A gráfica aparecerá en forma de icona cando escollas “Vista de iconas” no menú da sesión 
</indent>

<indent>
• Zoom: Permíteche seleccionar unha área dentro da gráfica para facer unha inspección máis de preto 
</indent>

<indent>
• Copiar ao portapapeis: Permíteche pegar a gráfica en aplicacións tales como procesadores de texto 
</indent>

<indent>
• Editar: Abre un controlador para a gráfica que te permite axustar varios aspectos do seu aspecto 
</indent>

<indent>
• Pechar: Pecha a xanela da gráfica 
</indent>

Se tes algún coñecemento sobre Gnuplot e queres obter un control máis fino sobre o aspecto dunha gráfica ca o que é accesible mediante o controlador gráfico (opción “Editar”), dispós dunha opción adicional: 

<indent>
• Unha vez que gardaches a gráfica como icona de sesión, preme o botón dereito do rato sobre esa icona para ver un menú emerxente posterior. Aquí, unha das opcións é “Editar as ordes de gráfica”: isto abre unha xanela de edición coa presentación das instrucións Gnuplot vixentes. Podes editar estas instrucións e, ben gardalas para executalas no futuro, ou ben envialas a Gnuplot (coa icona Executar da barra de ferramentas na xanela de instrucións da gráfica). 
</indent>

Para descubrir máis sobre Gnuplot, consulta <@url="www.gnuplot.info">. 

# graphpg Graphs "Páxina de gráficas de Gretl"

A sesión “Paxina de gráficas” vai funcionar só cando teñas instalado o sistema de composición tipográfica LaTeX, e podas xerar e ver un resultado PDF ou PostScript. 

Na xanela de iconas da sesión, podes arrastrar ata 8 gráficas sobre a icona de páxina de gráficas. Cando premas un dobre clic sobre a páxina de gráficas (ou premas o botón dereito e elixas “Amosar”), vaise compoñer unha páxina que contén as gráficas seleccionadas e vaise abrir cun visor adecuado. Dende aí deberías de poder imprimir a páxina. 

Para limpar a páxina de gráficas, preme o botón dereito do rato sobre a súa icona e selecciona “Limpar”. 

Ten en conta que en sistemas diferentes a MS Windows, poderías ter que axustar a configuración do programa utilizado para ver ficheiros PDF ou PostScript. Atópao baixo a lapela “Programas” na caixa de diálogo das Preferencias xerais de Gretl (baixo o menú Ferramentas da xanela principal). 

Tamén é posible traballar na páxina de gráficas mediante guión, ou utilizando a consola (no programa de Interface Gráfica de Usuario, GUI). Dáselle apoio ás seguintes instrucións e opcións: 

Para engadir unha gráfica á páxina de gráficas, podes indicar a instrución <@lit="graphpg add"> logo de gardar unha gráfica definida, como en 

<code>          
   grf1 <- gnuplot Y X
   graphpg add
</code>

Para amosar a páxina de gráficas: <@lit="graphpg show">. 

Para limpar a páxina de gráficas: <@lit="graphpg free">. 

Para axustar a escala da fonte utilizada na páxina de gráficas, usa <@lit="graphpg fontscale"> <@var="escala">, onde <@var="escala"> é un múltiplo (por defecto igual a 1.0). Deste xeito, para facer que o tamaño da fonte sexa un 50 por cento maior ca o tamaño por defecto, podes facer 

<code>          
   graphpg fontscale 1.5
</code>

Para solicitar a impresión da páxina da gráfica nun ficheiro, usa a opción <@opt="--⁠output="> máis un nome de ficheiro; este nome debería de ter a extensión “<@lit=".pdf">”, “<@lit=".ps">” ou “<@lit=".eps">”. Por exemplo: 

<code>          
   graphpg --output="myfile.pdf"
</code>

O ficheiro resultante vai escribirse no cartafol establecido nese momento (<@ref="workdir">), agás que a cadea <@var="nomeficheiro"> conteña unha especificación completa da ruta. 

Neste contexto, para o resultado se utilizan liñas de cores por defecto; para utilizar padróns punto/raia en vez de cores podes engadir a opción <@opt="--⁠monochrome">. 

Instrución de guión: <@ref="graphpg">

# 3-D Graphs "Gráficas en 3 dimensións"

Se o botón “Facer a gráfica interactiva” está dispoñible e marcado, podes manexar a gráfica 3-D co rato (xirala, expandir ou encoller os eixes). 

Ao compoñer unha gráfica 3-D, ten en conta que o eixe Z vaise amosar como eixe vertical. Así, se tes algunha variable dependente que pensas que pode estar influída por dúas variables independentes, debes de colocar a variable dependente no eixe Z, e as variables independentes nos eixes X e Y. 

Ao contrario da maioría das gráficas de Gretl, unha gráfica interactiva 3-D contrólase mediante Gnuplot e non co propio Gretl. O menú de edición de gráficas de Gretl non está dispoñible. 

# gui-funcs Programming "Funcións especiais"

Este diálogo permíteche especificar as funcións (se existe algunha) dentro dun paquete que deben de asignarse a certos roles especiais. Ten en conta que podes asignar unha determinada función como moito a un dos seguintes roles; e que unha función ten que satisfacer certos criterios para cualificala como candidata para un deses roles. 

<indent>
• <@lit="bundle-print">: Presenta o resultado baseado no contido dun feixe producido polo teu paquete. Criterios: Esta función debe de ter como primeiro parámetro un punteiro-feixe (“bundle”). Cando se presenta un segundo parámetro, debe de ter o formato dun conmutador enteiro que teña un valor por defecto. 
</indent>

<indent>
• <@lit="bundle-plot">: Xera unha ou máis gráficas utilizando un feixe producido polo teu paquete. Criterios: Igual que para <@lit="bundle-print">. 
</indent>

<indent>
• <@lit="bundle-test">: Realiza algún tipo de proba estatística utilizando un feixe producido polo teu paquete. Criterios: Igual que para <@lit="bundle-print">. 
</indent>

<indent>
• <@lit="gui-main">: A interface pública que debera de presentarse por defecto aos usuarios ao utilizar a Interface Gráfica de Usuario (GUI). Isto resulta útil só cando o paquete ten máis dunha interface pública. 
</indent>

<indent>
• <@lit="gui-precheck">: Función gardián que devolve 0 se a funcionalidade do teu paquete é aplicable no contexto vixente, e noutro caso devolve non cero. Isto está pensado para utilizar con paquetes que afectan a un modelo dalgún xeito, para diferenciar os tipos de modelos que non se manexan co paquete. 
</indent>

Ademais, certas funcións poden indicarse con “no-print”. En xeral, cando se chama a unha función mediante o programa de Interface Gráfica de Usuario (GUI), Gretl abre unha xanela para amosar o seu resultado en texto. Ao marcar este cadriño estás indicándolle a Gretl que non faga isto, de aí que non debas de agardar resultados en texto. 

Finalmente, podes marcar a función <@lit="gui-main"> (se existe) como “menu-only”. Isto indícalle a Gretl que a función en cuestión está deseñada especificamente para que se invoque desde o menú da Interface Gráfica de Usuario (GUI) á que está unida, e non debe de presentarse aos usuarios a non ser nese caso. 

# gui-htest Tests "Calculadora de estatísticos de proba"

A calculadora de probas de Gretl acha os valores dos estatísticos de proba e das súas probabilidades asociadas (valores p) en varias probas habituais de hipóteses, relativas a unha ou dúas poboacións. As entradas que se requiren consisten en estatísticos mostrais obtidos dunha ou dúas mostras, en función da proba escollida; e podes escribir estes estatísticos con valores numéricos. Alternativamente, se tes aberto un ficheiro de datos, podes lograr que Gretl calcule os estatísticos mostrais para unha ou varias variables escollidas (no caso de medias e varianzas, pero non no caso de proporcións). 

Se queres basear a túa proba nunha variable do conxunto de datos, primeiro activa esta opción marcando o cadriño titulado “Utilice unha variable do conxunto de datos”. Entón, a lista despregable coas variables activarase e poderás elixir unha variable. Cando escolles unha variable da lista, os estatísticos destacados insírense automaticamente nas caixas de debaixo. 

Amais da simple selección dunha variable, tes a opción de especificar unha restrición sobre a variable escollida (é dicir, definindo unha submostra). Por exemplo, supón que tes datos de salarios nunha variable chamada <@lit="salario">, e tamén tes unha variable ficticia chamada <@lit="xenero"> que é igual a 1 para homes e a 0 para mulleres (ou viceversa). Entón, na proba da diferenza entre as dúas medias, podes escoller <@lit="salario"> en ambas caixas pero engade á mesma caixa de arriba <@lit="(xenero=0)"> e á de abaixo <@lit="(xenero=1)">. Así, isto ofréceche unha proba da diferenza entre o ingreso medio masculino e o ingreso medio feminino. Cae na conta de que cando tecleas unha restrición deste xeito, entón debes de premer a tecla Intro para obter os estatísticos mostrais calculados. 

Debes de colocar a restrición da submostra entre parénteses a continuación da variable escollida, e en xeral esa restrición ten a forma 

<code>          
   var2 op val
</code>

onde <@lit="var2"> é o nome dunha variable do conxunto vixente de datos, <@lit="val"> é un valor numérico, e <@lit="op"> é un dos seguintes operadores de comparación: 

<code>          
   ==  !=  <  >  <=  >=
</code>

(indicando respectivamente: igualdade, desigualdade, menor que, maior que, menor ou igual que, e maior ou igual que). Os espazos arredor do operador son optativos. 

# gui-htest-np Tests "Probas non paramétricas"

Tes á túa disposición 3 tipos de probas non paramétricas mediante este diálogo: para a diferenza entre grupos, para a aleatoriedade, e para a correlación (por rangos). 

<@itl="Probas de diferenzas"> 

Baixo a lapela “Proba de diferenzas” podes efectuar unha proba non paramétrica da diferenza entre dúas poboacións ou grupos, dependendo a proba concreta da opción que selecciones. 

<indent>
• <@itl="Proba de signos">: Esta proba baséase no feito de que cando se extraen dúas mostras, <@mth="x"> e <@mth="y">, de forma aleatoria dunha mesma distribución, a probabilidade de que <@mth="x"><@sub="i"> > <@mth="y"><@sub="i">, para cada observación <@mth="i">, deberá de ser igual a 0.5. O estatístico de proba é <@mth="w">, é dicir, o número de observacións para as que se cumpre que <@mth="x"><@sub="i"> > <@mth="y"><@sub="i">. Baixo a hipótese nula este estatístico segue unha distribución de probabilidade Binomial con parámetros (<@mth="n">, 0.5), onde <@mth="n"> indica o número de observacións. 
</indent>

<indent>
• <@itl="Proba de suma de rangos">: Realízase a proba de suma de rangos de Wilcoxon, que se desenvolve determinando o rango en xerarquía das observacións de ambas mostras xuntas, desde a de menor valor ata a de maior, e logo calculando a suma dos rangos das observacións dunha calquera das dúas mostras. Non é necesario que as dúas mostras teñan o mesmo tamaño e, se son diferentes, utilízase a mostra máis pequena para calcular a suma dos rangos. Baixo a hipótese nula de que as mostras proceden de poboacións coa mesma mediana, a distribución de probabilidade da suma de rangos pode calcularse para calquera tamaño de mostra que se indique; e para mostras razoablemente longas, existe unha estreita aproximación Normal. 
</indent>

<indent>
• <@itl="Proba dos rangos con signo">: Realízase a proba dos rangos con signo de Wilcoxon, que está ideada para pares de datos emparellados como, por exemplo, os pares de valores dunha mesma variable nunha mostra de individuos, antes e despois dalgún tratamento. A proba desenvólvese calculando as diferenzas entre as observacións emparelladas <@mth="x"><@sub="i"> – <@mth="y"><@sub="i">, e determinando o rango destas diferenzas segundo o seu valor absoluto, ademais de asignándolle a cada par un rango cun signo que coincide co signo da diferenza. A continuación calcúlase a suma dos rangos con signo positivo (<@mth="W"><@sub="+">). De igual xeito que na proba da suma de rangos, baixo a hipótese nula de que a diferenza das medianas é cero, este estatístico segue unha distribución de probabilidade ben definida, que converxe á Normal para mostras de tamaño razoable. 
</indent>

<@itl="Aleatoriedade"> 

Baixo a lapela “Proba de ringleiras”, podes levar adiante unha proba do carácter aleatorio dunha determinada variable, baseada no número de ringleiras de valores consecutivos positivos ou negativos. Se escolles a opción “Usar a primeira diferenza”, se calcula a primeira diferenza da variable antes da análise; e por iso as ringleiras interprétanse como ringleiras de valores crecentes ou decrecentes da variable orixinal. O estatístico de proba baséase nunha aproximación Normal á distribución do número de ringleiras baixo a hipótese nula de que a variable ten carácter aleatorio. 

<@itl="Correlación"> 

Baixo a lapela “Correlación”, dispós dos coeficientes de correlación por rangos rho de Spearman e tau de Kendall. 

# hausman Tests "Diagnósticos de panel"

Esta proba está dispoñible unicamente despois de estimar un modelo con datos de panel utilizando MCO (consulta tamén <@lit="setobs">). Comproba o modelo combinado simple fronte ás principais alternativas, os modelos de efectos fixos e de efectos aleatorios. 

O modelo de efectos fixos permite que a ordenada na orixe da regresión varíe dunha unidade de sección cruzada a outra. Preséntase unha proba <@mth="F"> para a hipótese nula de que as ordenadas na orixe non difiren. O modelo de efectos aleatorios descompón a varianza de cada perturbación en dúas partes, unha parte específica da unidade de sección cruzada e outra parte específica de cada observación concreta. (Pódese calcular este estimador só cando o número de unidades de sección cruzada no conxunto de datos supera ao número de parámetros a estimar.) O estatístico de Multiplicadores de Lagrange de Breusch–Pagan comproba a hipótese nula de que o estimador combinado de MCO é axeitado fronte á alternativa de efecto aleatorios. 

O modelo combinado de MCO pode rexeitarse fronte a ambas as dúas alternativas, a de efectos fixos e a de efectos aleatorios. En tanto que a perturbación específica por unidade ou grupo non estea correlacionada coas variables independentes, o estimador de efectos aleatorios será máis eficiente que o estimador de efectos fixos; noutro caso, o estimador de efectos aleatorios será inconsistente polo que prefírese o estimador de efectos fixos. A hipótese nula da proba de Hausman indica que a perturbación específica de grupo non está así correlacionada (e por iso prefírese o modelo de efectos aleatorios). Un valor baixo da probabilidade asociada (valor p) ao estatístico desta proba vai en contra do modelo de efectos aleatorios e a favor do modelo de efectos fixos. 

As dúas opcións desta instrución pertencen ao modelo de efectos aleatorios. Por defecto, utilízase o método de Swamy e Arora, e calcúlase o estatístico de proba de Hausman utilizando o método de regresión. As opcións permiten utilizar o estimador alternativo da varianza de Nerlove, e /ou a aproximación da matriz-diferenza ao estatístico de Hausman. 

Ruta do menú: Xanela de modelo: Probas/Diagnósticos de panel

Instrución de guión: <@ref="hausman">

# hccme Estimation "Desviacións padrón robustas"

Se te ofrecen diversas variantes de cálculo das desviacións padrón que son robustas na presenza de heterocedasticidade (e de autocorrelación no caso do estimador HAC). 

HC0 produce as “Desviacións padrón de White” orixinais; HC1, HC2, HC3 e HC3a son variantes subseguintes que xeralmente se considera que producen resultados superiores (máis fiables). Para obter máis detalles sobre os estimadores, consulta <@bib="MacKinnon e White (Journal of Econometrics, 1985);mackinnon-white85"> ou <@bib="Davidson e MacKinnon, Econometric Theory and Methods (Oxford, 2004);davidson-mackinnon04">. As etiquetas que se indican aquí son as utilizadas por Davidson e MacKinnon. A variante “HC3a” é a 'navalla' (jackknife), como se describe en MacKinnon e White; e HC3 é unha aproximación estreita á 'navalla'. 

Se utilizas o estimador HAC para MCO con datos de series temporais, podes afinar a longura do retardo utilizando a instrución <@lit="set">. Consulta o manual de Gretl ou o ficheiro de axuda das instrucións dun guión para obter máis detalles. 

Cando estimas un modelo que utiliza datos de panel mediante MCO, o estimador robusto da matriz de covarianzas que se usa por defecto é o proporcionado por Arellano. A alternativa é o das Desviacións Padrón Corrixidas de Panel (PCSE) de Beck e Katz. O derradeiro ten en conta a heterocedasticidade pero non a autocorrelación. 

Ofrécense dous estimadores robustos da matriz de covarianzas para modelos GARCH: QML é o estimador de Case-Máxima Verosimilitude (CMV), e BW é o estimador de Bollerslev-Wooldridge. 

Por defecto, Gretl usa a distribución <@mth="t">-Student ao calcular as probabilidades asociadas (valores p) baseadas en desviacións padrón robustas no contexto de estimadores de mínimos cadrados. A opción titulada “Utilizar a distribución Normal para valores p robustos” pode usarse para modificar este comportamento. 

# hsk Estimation "Estimacións coa heterocedasticidade corrixida"

Esta instrución é aplicable cando existe heterocedasticidade en forma dunha función descoñecida dos regresores que pode aproximarse por medio dunha relación cuadrática. Nese contexto, ofrece a posibilidade de obter desviacións padrón consistentes e estimacións máis eficientes dos parámetros en comparación con MCO. 

O procedemento implica (a) a estimación MCO do modelo de interese, seguido de (b) unha regresión auxiliar para xerar unha estimación da varianza da perturbación, e finalmente (c) mínimos cadrados ponderados, utilizando como ponderación a inversa da varianza estimada. 

Na regresión auxiliar de (b), se regresa o logaritmo dos erros cadrados da primeira estimación MCO sobre os regresores orixinais e os seus cadrados (por defecto), ou só sobre os regresores orixinais (se non marcas o cadriño “Incluír cadrados”). A transformación logarítmica realízase para asegurar que as varianzas estimadas son todas non negativas. Denominando <@mth="u"><@sup="*"> aos valores axustados por esta regresión, a serie coas ponderacións para a estimación MCP (WLS) final fórmase entón como 1/exp(<@mth="u"><@sup="*">). 

Ruta do menú: /Modelar/Outros Modelos Lineais/Corrección de Heterocedasticidade

Instrución de guión: <@ref="hsk">

# hurst Statistics "Expoñente de Hurst"

Calcula o expoñente de Hurst (unha medida de persistencia ou longa memoria) para unha variable de tipo serie temporal que teña polo menos 128 observacións. 

<@bib="Mandelbrot (1983);mandelbrot83"> discute sobre o expoñente de Hurst. En termos teóricos, este é o expoñente (<@mth="H">) da relación 

  <@fig="hurst">

onde RS expresa o “rango que se volve a escalar” da variable <@mth="x"> en mostras de tamaño <@mth="n"> e <@mth="a"> é unha constante. O rango reescalado é o rango (valor máximo menos mínimo) do valor acumulado ou suma parcial de <@mth="x"> (logo da subtracción da súa media mostral) no período da mostra, dividida pola desviación padrón mostral. 

Como punto de referencia, se <@mth="x"> é unha variable ruído branco (con media e persistencia nulas) entón o rango do seu “paseo” (forma un paseo aleatorio) acumulado e escalado pola súa desviación típica, ten un crecemento igual á raíz cadrada do tamaño da mostra, proporcionando un expoñente de Hurst agardado de 0.5. Os valores do expoñente que estean significativamente por encima de 0.5 indican persistencia, e os menores ca 0.5 indican “antipersistencia” (autocorrelación negativa). En principio, o expoñente está acoutado entre 0 e 1, aínda que en mostras finitas é posible obter un expoñente estimado maior ca 1. 

En Gretl, o expoñente estímase utilizando submostraxe binaria: comézase co rango completo de datos, despois coas dúas metades do rango, despois cos 4 cuartos, etcétera. Para tamaños da mostra menores que o rango de datos, o valor RS é a media entre as mostras dispoñibles. O expoñente estímase así como o coeficiente da pendente nunha regresión do logaritmo de RS sobre o logaritmo do tamaño da mostra. 

Por defecto, se o programa non está en modo de procesamento por lotes, amósase unha gráfica do rango reescalado pero podes axustar isto mediante a opción <@opt="--⁠plot">. Os parámetros que se admiten para esta opción son <@lit="none"> (para suprimir a gráfica); <@lit="display"> (para presentar unha gráfica mesmo en caso de procesar por lotes); ou un nome de ficheiro. O efecto de indicar un nome de ficheiro é como o descrito para a opción <@opt="--⁠output"> da instrución <@ref="gnuplot">. 

Ruta do menú: /Variable/Expoñente de Hurst

Instrución de guión: <@ref="hurst">

# intreg Estimation "Modelo de regresión por intervalos"

Estima un modelo de regresión por intervalos. Este modelo xurde cando a variable dependente está imperfectamente observada para algunhas observacións (posiblemente todas). Noutras palabras, asúmese que o proceso xerador de datos é 

  <@mth="y* = x b + u">

pero só observamos <@mth="m <= y* <= M"> (o intervalo pode non ter límite pola esquerda ou pola dereita). Cae na conta de que para algunhas observacións <@mth="m"> pode ser igual a <@mth="M">. As variables <@var="minvar"> e <@var="maxvar"> deben de conter <@lit="NA">s para as observacións sen límite pola esquerda ou pola dereita, respectivamente. 

Na caixa de diálogo de especificación do modelo, identifícanse <@var="minvar"> e <@var="maxvar"> como a variable do límite Inferior e a variable do límite Superior, respectivamente. 

O modelo estímase mediante Máxima Verosimilitude, asumindo a distribución Normal do termo de perturbación aleatoria. 

Por defecto, as desviacións padrón calcúlanse utilizando a inversa negativa da matriz Hessiana. Se marcas o cadriño de 'Desviacións padrón robustas', entón calcúlanse no seu lugar as desviacións padrón CMV (QML) ou Huber–White. Neste caso, a matriz de covarianzas estimada é un “emparedado” entre a inversa da matriz Hessiana estimada e o produto externo do vector gradiente. 

Ruta do menú: /Modelar/Variable Dependente Limitada/Regresión por intervalos

Instrución de guión: <@ref="intreg">

# irfboot Graphs "Gráficas de resposta ao impulso"

Se escolles a opción 'bootstrap' cando representas respostas ao impulso, Gretl calcula un intervalo de confianza para as respostas utilizando o método bootstrap. Vólvese a facer a mostraxe cos erros do VAR (ou VECM) orixinal, con substitución; constrúese un conxunto de datos artificial baseado nas estimacións orixinais dos parámetros e nos erros desa nova mostraxe; o sistema vólvese a estimar e as respostas ao impulso vólvense avaliar. Isto repítese 999 veces, áchanse os cuantís α/2 e 1 – α/2 para as respostas, e debúxanse xunto coas estimacións por punto. Esta opción non está dispoñible actualmente para VECMs restrinxidos. 

Este diálogo tamén admite a reordenación das variables para facer a descomposición de Cholesky da matriz de covarianzas das ecuacións cruzadas. O proceder por defecto ven indicado pola orde na que se introducen as variables na especificación do modelo, pero podes usar as frechas de arriba e abaixo para adiantar ou retrasar a variable escollida. 

A respecto da escala das respostas ao impulso, a dimensión do “impacto” establécese nunha desviación padrón das innovacións estimadas na variable de orixe, e as respostas se proporcionan en calquera que sexa a unidade “natural” da variable obxectivo. 

# join Dataset "Engadir datos con controis"

Este diálogo dáche acceso a certa funcionalidade (pero non toda) da instrución <@lit="join">. Para obter detalles máis completos, consulta o <@pdf="Guía de usuario de Gretl#chap:join"> (Capítulo 7). 

Na esquerda deberías de ver unha listaxe das series do conxunto de datos vixente. Aquí podes escoller unha serie e utilizar os botóns coas frechas para especificala como unha ou outra das “claves internas” (opcionais). As claves funcionan para emparellar filas entre o conxunto vixente de datos e o ficheiro do que esteas importando datos. 

Na dereita deberían de listarse as series do ficheiro de datos que escolliches. Podes usar os botóns coas frechas para elixir o nome das series a importar desa lista, e (de ser necesario) os nomes das series que se corresponden coas claves “internas”. (Por defecto, presuponse que as claves internas e externas teñen o mesmo nome.) 

No medio do cadro de diálogo podes especificar parámetros adicionais para a operación “join”: 

<indent>
• Un nome co que se deberá de recoñecer á serie importada. (Por defecto, este é o mesmo ca o nome a “importar”). 
</indent>

<indent>
• Unha expresión como filtro. Esta vaise avaliar para cada fila do conxunto de datos externo, e só vanse importar as filas nas que a expresión proporcione un valor non nulo. 
</indent>

<indent>
• Un método de agregación. Este requírese só cando o emparellamento mediante as claves selecciona más dun valor externo para cada observación interna. 
</indent>

# kpss Tests "Proba de estacionariedade KPSS"

Calcula a proba de estacionariedade KPSS (Kwiatkowski, Phillips, Schmidt e Shin, Journal of Econometrics, 1992) da variable indicada (ou da súa primeira diferenza, se escolles a opción de usar as primeiras diferenzas). A hipótese nula é que a variable en cuestión é estacionaria, ben arredor dun nivel ou, se marcas o cadriño de “Incluír unha tendencia”, arredor dunha tendencia linear determinística. 

O nivel de retardos seleccionado determina o tamaño da xanela utilizada para o suavizado de Bartlett. Se marcas o cadriño de “Amosar os resultados da regresión”, preséntanse os resultados da regresión auxiliar, xunto coa varianza estimada da compoñente de paseo aleatorio da variable. 

Os puntos críticos amosados para o estatístico de proba baséanse en superficies de resposta estimadas do xeito establecido por <@bib="Sephton (Economics Letters, 1995);sephton95">, que son máis fiables para mostras pequenas ca os valores indicados no artigo orixinal de KPSS. Cando o estatístico de proba cae entre os puntos críticos do 1 e do 10 por cento, amósase unha probabilidade asociada (valor p) que se obtén mediante interpolación linear e non debe de tomarse demasiado literalmente. Consulta a función <@xrf="kpsscrit"> para ver un medio de obter eses puntos críticos coa axuda do programa. 

Ruta do menú: /Variable/Probas de raíz unitaria/Proba KPSS

Instrución de guión: <@ref="kpss">

# lad Estimation "Estimación da Mínima Desviación Absoluta"

Calcula unha regresión que minimiza a suma das desviacións absolutas dos valores axustados respecto aos valores observados da variable dependente. As estimacións dos coeficientes derívanse utilizando o algoritmo do simplex de Barrodale–Roberts; e preséntase unha advertencia se a solución non é única. 

As desviacións padrón dedúcense utilizando o procedemento 'bootstrap' con 500 extraccións. A matriz de covarianzas dos estimadores dos parámetros, que se presenta cando indicas <@opt="--⁠vcv">, baséase no mesmo 'bootstrap'. 

Ruta do menú: /Modelar/Estimación Robusta/Mínima Desviación Absoluta

Instrución de guión: <@ref="lad">

# lags-dialog Estimation "Cadro de selección de retardos"

Neste diálogo podes elixir o nivel de retardos para as variables independentes do modelo de series temporais e, nalgúns casos, tamén para a variable dependente. (Pero ten en conta que o nivel de retardos habitual para modelos de vectores como VARs e VECMs manéxase separadamente, mediante un botón con frechas arriba/abaixo de selección, na caixa de diálogo principal do modelo.) 

Os botóns con frechas arriba/abaixo da esquerda te permiten escoller un rango de retardos consecutivos para calquera variable dada. Para indicar retardos non consecutivos, preme un clic no cadriño a carón do campo co título “Retardos específicos”. Isto activa a caixa de anotación, na que podes teclear unha lista de retardos separados por espazos. 

A fila titulada “Por defecto” te ofrece un xeito rápido de establecer unha especificación de retardos común para todas as variables independentes pois os valores colocados nesa fila cópianse a todas as outras (agás da variable dependente, se está presente). 

A variable dependente trátase de xeito especial: o retardo mínimo debe de ser cero, o que sitúa o valor actual da variable no lado esquerdo do modelo. Calquera retardo maior aparece coas variables independentes no lado dereito do modelo. 

Os valores seleccionados neste diálogo lémbranse ao longo da duración da túa sesión cun conxunto determinado de datos. 

# leverage Tests "Observacións influentes"

Debe de ir despois dunha instrución de MCO (<@lit="ols">). Calcula o pancamento (<@mth="h">, que debe de caer no rango entre 0 e 1) para cada punto de datos da mostra sobre a que se estimou o modelo previo. Amosa o erro (<@mth="u">) para cada observación xunto co seu pancamento e unha medida da súa influencia nas estimacións, <@mth="uh">/(1 – <@mth="h">). Os “puntos de Leverage” para os que o valor de <@mth="h"> supera 2<@mth="k">/<@mth="n"> (onde <@mth="k"> é o número de parámetros que se estiman e <@mth="n"> é o tamaño da mostra) destácanse mediante un asterisco. Para obter máis detalles sobre os conceptos de pancamento e influencia, consulta o capítulo 2 do libro de <@bib="Davidson e MacKinnon (1993);davidson-mackinnon93">. 

Tamén se calculan os valores DFFITS: estes son iguais aos “erros tipificados” (erros de predición divididos polas súas desviacións padrón) multiplicados por <@fig="dffit">. Para unha discusión sobre erros tipificados e DFFITS consulta o capítulo 12 do libro de Maddala <@bib="Introduction to Econometrics;maddala92"> ou <@bib="Belsley, Kuh e Welsch (1980);belsley-etal80">. 

Abreviadamente, un “erro de predición” é a diferenza entre o valor observado da variable dependente na observación <@mth="t">, e o valor axustado para esa observación <@mth="t"> que se obtén da regresión na que se omite esa observación (ou na que se engade unha variable ficticia cun valor 1 só na observación <@mth="t">); o erro tipificado obtense dividindo o erro de predición pola súa desviación padrón. 

Coa icona '+' da parte de arriba da xanela da proba de pancamento, podes presentar na pantalla unha caixa de diálogo que te permite gardar no conxunto vixente de datos, unha ou máis das variables desa proba. 

Logo da execución, o accesorio <@xrf="$test"> devolve o criterio de validación cruzada, que se define como a suma das desviacións cadradas da variable dependente con relación aos seus valores de predición, estando a predición para cada observación baseada nunha mostra da que se exclúe esa observación. (Este é o coñecido como estimador <@itl="deixar-un-fóra">). Para unha discusión máis ampla sobre o criterio de validación cruzada, consulta o libro de Davidson e MacKinnon <@itl="Econometric Theory and Methods">, páxinas 685–686, e as referencias que contén. 

Ruta do menú: Xanela de modelo: Análise/Observacións influentes

Instrución de guión: <@ref="leverage">

# levinlin Tests "Proba de Levin-Lin-Chu"

Realiza a proba de raíz unitaria para panel descrita por <@bib="Levin, Lin e Chu (2002);LLC2002">. A hipótese nula é que todas as series temporais individuais presentan unha raíz unitaria, e a alternativa é que ningunha das series ten unha raíz unitaria. (É dicir, asúmese un mesmo coeficiente común de AR(1), aínda que noutros aspectos se permite que as propiedades estatísticas das series varíen duns individuos a outros.) 

Ruta do menú: /Variable/Probas de raíz unitaria/Proba de Levin-Lin-Chu

Instrución de guión: <@ref="levinlin">

# loess Estimation "Loess"

Realiza a regresión local (polinómica ponderada localmente) e xera unha serie que contén os valores preditos da variable dependente para cada valor non ausente da variable independente. O método é como se describe por <@bib="William Cleveland (1979);cleveland79">. 

Os controis te permiten que especifiques o nivel do polinomio da variable independente e a proporción de puntos de datos que se utilizan en cada regresión local (o largo de banda). Os valores máis grandes do largo de banda producen un resultado máis suave. 

Se marcas o cadriño de ponderacións robustas, o procedemento de regresión local reitérase dúas veces, coa modificación das ponderacións en base aos erros da iteración previa de xeito que se lle dea menos influencia aos valores atípicos. 

# logistic Estimation "Regresión loxística"

Regresión loxística: Leva a cabo unha regresión MCO utilizando a transformación loxística da variable dependente, 

  <@fig="logistic1">

A variable dependente debe de ser estritamente positiva. Se todos os seus valores están entre 0 e 1, por defecto utilízase un valor de <@mth="y"><@sup="*"> (o máximo asintótico da variable dependente) igual a 1; se os seus valores están entre 0 e 100, entón <@mth="y"><@sup="*"> é 100 por defecto. 

Podes especificar un valor máximo diferente <@mth="y">. Ten en conta que o valor que indiques debe de ser maior ca todos os valores observados da variable dependente. 

Os valores axustados e os erros da regresión transfórmanse automaticamente utilizando 

  <@fig="logistic2">

onde <@mth="z"> representa un valor axustado ou un erro, obtidos da regresión MCO que utiliza a variable dependente transformada. Deste xeito podes comparar os valores que se presentan cos da variable dependente orixinal. 

Ten en conta que se a variable dependente é binaria, debes de utilizar no seu lugar a instrución <@ref="logit">. 

Ruta do menú: /Modelar/Variable Dependente Limitada/Loxístico

Instrución de guión: <@ref="logistic">

# logit Estimation "Regresión Logit"

Se a variable dependente é unha variable binaria (todos os seus valores son 0 ou 1), obtéñense estimacións máximo verosímiles dos coeficientes das variables de <@var="indepvars"> mediante o método de Newton–Raphson. Como o modelo é non linear, as pendentes están condicionadas polos valores das variables independentes. Por defecto, calcúlanse as pendentes con respecto a cada unha das variables independentes (nas medias desas variables) e estas pendentes substitúen os valores p habituais no resultado da regresión. Podes prescindir deste proceder indicando a opción <@opt="--⁠p-values">. O estatístico khi-cadrado proba a hipótese nula de que todos os coeficientes son cero, agás o da constante. 

Por defecto, as desviacións padrón calcúlanse utilizando a inversa negativa da matriz Hessiana. Se marcas o cadriño de 'Desviacións padrón robustas', entón calcúlanse no seu lugar as desviacións padrón CMV (QML) ou de Huber–White. Neste caso, a matriz de covarianzas estimadas é un “emparedado” entre a inversa da matriz Hessiana estimada e o produto externo do vector gradiente. Consulta o capítulo 10 do libro de Davidson e MacKinnon para obter máis detalles. 

Se a variable dependente non é binaria senón discreta, entón por defecto interprétase como unha resposta ordinal e obtéñense as estimacións cun Logit Ordenado. Porén, cando indicas a opción <@opt="--⁠multinomial">, a variable dependente interprétase como unha resposta sen ordenar e xéranse as estimacións cun Logit Multinomial. (En calquera caso, se a variable escollida como dependente non é de tipo discreto, amósase un fallo.) No caso multinomial, o accesorio <@lit="$mnlprobs"> está dispoñible despois da estimación, para conseguir unha matriz que conteña as probabilidades estimadas dos posibles valores da variable dependente para cada observación (coas observacións por filas e os posibles valores por columnas). 

Se queres utilizar un Logit para a análise de proporcións, onde para cada observación a variable dependente é a proporción de casos que teñen unha determinada característica (máis que unha variable con 1 ou 0 para indicar se está presente ou non a característica), non debes de utilizar a instrución <@lit="logit">, senón máis ben construír a variable logit, como en 

<code>          
   series lgt_p = log(p/(1 - p))
</code>

e utilizar esta como a variable dependente dunha regresión MCO. Consulta o capítulo 12 de <@bib="Ramanathan (2002);ramanathan02">. 

Ruta do menú: /Modelar/Variable Dependente Limitada/Logit

Instrución de guión: <@ref="logit">

# mahal Statistics "Distancias de Mahalanobis"

Calcula as distancias de Mahalanobis entre as series indicadas en <@var="listavariables">. A distancia de Mahalanobis é a distancia entre dous puntos nun espazo de dimensión <@mth="k">, escalada pola variación estatística en cada dimensión do espazo. Por exemplo, se <@mth="p"> e <@mth="q"> son dúas observacións dun conxunto de <@mth="k"> variables con matriz de covarianzas <@mth="C">, entón a distancia de Mahalanobis entre as observacións ven dada por 

  <@fig="mahal">

onde (<@mth="p"> – <@mth="q">) é un vector de dimensión <@mth="k">. Isto redúcese á distancia euclidiana en caso de que a matriz de covarianzas sexa unha matriz identidade. 

O espazo para o que se calculan as distancias defínese polas variables seleccionadas. Para cada observación do rango vixente da mostra, a distancia calcúlase entre a observación e o centroide das variables escollidas. Esta distancia é a contrapartida multidimensional dunha puntuación <@mth="z"> estándar, e podes utilizala para xulgar se unha observación dada “ten un sitio” xunto a un grupo doutras observacións. 

Cando o número de variables seleccionadas é de 4 ou menos, preséntanse tanto a matriz de covarianzas como a súa inversa. Ao premer co rato no botón '+' no alto da xanela que amosa as distancias, te permite a posibilidade de engadir as distancias ao conxunto de datos como unha nova variable. 

Ruta do menú: /Ver/Distancias de Mahalanobis

Instrución de guión: <@ref="mahal">

# meantest Tests "Diferenza de medias"

Por defecto, o estatístico de proba calcúlase baixo o suposto de que as varianzas son iguais para as dúas variables.Coa opción <@opt="--⁠unequal-vars"> asúmese que as varianzas son diferentes; e neste caso, os graos de liberdade do estatístico de proba aproxímanse consonte a <@bib="Satterthwaite (1946);satter46">. 

Calcula o estatístico t para probar a hipótese nula de que as medias na poboación son iguais para dúas series seleccionadas, e amosa a súa probabilidade asociada (valor p). Podes invocar esta instrución asumindo ou non que as varianzas son iguais para as dúas variables. No derradeiro caso, os graos de liberdade do estatístico para a proba aproxímanse consonte a <@bib="Satterthwaite (1946);satter46">. 

Ruta do menú: /Ferramentas/Calculadora de probas

Instrución de guión: <@ref="meantest">

# MIDAS_list Dataset "Lista MIDAS"

Unha lista MIDAS (MIDAS = Mixed Data Sampling) é unha lista definida (de series) cuxos elementos representan conxuntamente unha variable de tipo serie temporal que se observa nunha frecuencia maior ca do conxunto de datos do contexto (“host”). Por exemplo, unha lista deste tipo podería representar unha serie mensual no contexto dun conxunto de datos trimestrais ou anuais, ou unha serie diaria no contexto dun conxunto de datos mensual. 

Unha lista deste tipo debe de ter <@mth="m"> elementos, onde <@mth="m"> é o número de períodos de alta frecuencia por período do conxunto de datos, e cada serie contén os valores para un determinado subperíodo. No caso mensual/trimestral, isto quere dicir que unha lista ten 3 elementos: un elemento contén os valores para o terceiro mes do trimestre, outro contén os valores para o segundo mes, e o outro os valores para o primeiro mes. 

Ademais, estes membros da lista deben de estar dispostos na orde particular <@itl="primeiro as máis recentes">, en concreto. Continuando co exemplo trimestral/mensual, a orde debe de ser: mes 3, mes 2, mes 1. Aínda que isto podería semellar “ao revés” é a orde que se require para poder xerar as listas de retardos, que é a característica distintiva da modelaxe MIDAS. 

Para ter unha guía de como xerar un conxunto de datos que admita listas MIDAS, consulta 

<@url="http://gretl.sourceforge.net/midas/midas_gretl.pdf"> 

# MIDAS_parm Estimation "Hiperparámetros do MIDAS"

Neste diálogo se te pide que escollas o tipo de disposición de parámetros para un conxunto de termos de alta frecuencia, así como o rango de retardos destes termos. Os tipos admitidos de disposición de parámetros son: 

<indent>
• U-MIDAS ou “MIDAS non restrinxido”: cada retardo ten o seu propio coeficiente. 
</indent>

<indent>
• Almon exponencial normalizada: require polo menos un parámetro e habitualmente utiliza dous. 
</indent>

<indent>
• Beta normalizada cun derradeiro retardo nulo: require exactamente dous parámetros. 
</indent>

<indent>
• Beta normalizada cun derradeiro retardo non nulo: require exactamente tres parámetros. 
</indent>

<indent>
• Polinomio de Almon: require polo menos un parámetro. 
</indent>

<indent>
• Beta normalizada, 1 parámetro: esta é unha variante do Beta normalizada cun derradeiro retardo nulo, no que o valor do primeiro parámetro fíxase en 1.0. O segundo parámetro estímase suxeito á restrición de que este é cando menos 1.0. 
</indent>

# midasreg Estimation "Regresión MIDAS"

Leva a cabo a estimación por mínimos cadrados (ben MCNL ou ben MCO, dependendo da especificación) dun modelo MIDAS (Mixed Data Sampling). Este tipo de modelos inclúe unha ou máis variables independentes que se observan cunha frecuencia maior que a variable dependente; para unha boa e breve introdución consulta <@bib="Armesto, Engemann e Owyang (2010);armesto10">. 

As variables baixo <@var="Regresores"> teñen a mesma frecuencia que a variable dependente, e escóllense da lista superior do lado esquerdo. Os modelos MIDAS habitualmente inclúen un ou máis retardos da variable dependente; isto contrólase mediante o botón con frechas arriba/abaixo de “Orde AR”, que por defecto marca 1 retardo. Para engadir termos MIDAS (alta frecuencia), elixe variables na lista do lado inferior esquerdo e usa a frecha verde inferior (ou preme o botón dereito do rato). 

Ao engadir un termo MIDAS, emerxe un diálogo para permitirche escoller: o rango de retardos, o tipo de disposición de parámetros e o número de hiperparámetros (para aqueles tipos que non teñen un número fixo de parámetros). Podes facer emerxer outra vez este diálogo para revisar unha especificación, premendo o botón dereito do rato nun termo MIDAS da dereita. 

O método de estimación que utiliza esta instrución depende da especificación dos elementos de alta frecuencia. No caso de U-MIDAS, o método é MCO (OLS); noutro caso é mínimos cadrados non lineais (MCNL ou NLS). Cando especificas as disposicións de parámetros Almon exponencial normalizada ou Beta normalizada, o método MCNL por defecto é unha combinación de BFGS restrinxido e MCO, agás que marques a caixiña titulada “Preferir MCNL mediante Levenberg-Marquardt”. 

Ruta do menú: /Modelar/Series temporais/MIDAS

Instrución de guión: <@ref="midasreg">

# missing Dataset "Valores para datos ausentes"

Establece un valor numérico que se interpreta como “ausente” ou “non dispoñible”, ben para unha serie de datos particular (baixo o menú Variable) ou ben globalmente para todo o conxunto de datos (baixo o menú Datos). 

Gretl ten a súa propia codificación interna para os valores ausentes, pero á veces os datos que se importan poden empregar outro código distinto. Por exemplo, se unha serie concreta está codificada de xeito que o valor '-1' indica “non aplicable”, podes escoller “Establecer código de valor ausente” baixo o menú Variable e teclear o valor “-1” (sen as comiñas). Entón Gretl vai ler eses (-1) como observacións ausentes. 

# menu-attach Programming "Anexo ao menú"

Este diálogo te permite especificar un anexo ao menú para un paquete de funcións. Para iso debes de completar os seguintes tres campos na caixa de diálogo. 

<@itl="1. Etiqueta"> 

Isto require unha curta cadea de texto como etiqueta, que aparecerá como acceso ao paquete no menú. 

<@itl="2. Xanela"> 

Selecciona “Xanela de modelo” para un paquete de funcións que fai algo cun modelo de Gretl, e deba de aparecer na barra de menús dunha xanela de modelos de Gretl. Noutro caso, selecciona “Xanela principal”. 

<@itl="3. Árbore do menú"> 

Escolle a posición dentro da árbore do menú (ben da xanela principal ou ben da xanela de modelos, como elixiches de acordo co indicado arriba), onde debe de aparecer o acceso ao paquete. 

<@itl="Elementos opcionais"> 

Ademais, podes utilizar o botón “Texto de axuda” da GUI para engadir ou editar texto de axuda específico de Interface Gráfica de Usuario (GUI) para que se amose cando se invoque o paquete desde un menú. E se o paquete está pensado para invocalo desde a xanela dun modelo, podes especificar un certo tipo de modelo (identificado pola súa palabra chave como instrución de Gretl) como requisito. 

# mle Estimation "Estimación Máximo Verosímil"

Realiza a estimación de Máxima Verosimilitude (MV ou ML) utilizando ben o algoritmo BFGS (Broyden, Fletcher, Goldfarb, Shanno) ou ben o método de Newton. Debes de especificar a función logaritmo de verosimilitude; e recoméndase tamén que proporciones as expresións das derivadas desta función con respecto a cada un dos parámetros, se é posible. 

Exemplo sinxelo: Supón que temos unha serie <@lit="X"> con valores 0 ou 1, e queremos obter a estimación máximo verosímil da probabilidade (<@lit="p">) de que <@lit="X"> = 1. (Neste caso sinxelo, pódese adiantar que a estimación MV de <@lit="p"> será simplemente equivalente á proporción de Xs iguais a 1 na mostra.) 

Debes primeiro engadir o parámetro <@lit="p"> ao conxunto de datos e indicar o seu valor inicial. Podes facer isto usando a instrución 'genr' ou mediante eleccións de menú. Podes teclear as liñas “genr” axeitadas na xanela de especificación da EMV, antes de especificar a función logaritmo de verosimilitude. 

Na xanela EMV, tecleamos as seguintes liñas: 

<code>          
   loglik = X*log(p) + (1-X)*log(1-p)
   deriv p = X/p - (1-X)/(1-p)
</code>

A primeira liña especifica a función logaritmo de verosimilitude, e a seguinte liña proporciona a derivada desa función con respecto ao parámetro 'p'. Se non indicas liñas 'deriv', calcúlase unha aproximación numérica ás derivadas. 

Cando non se expresa previamente o parámetro 'p', podemos poñer antes das liñas de arriba algo como o seguinte: 

<code>          
   scalar p = 0.5
</code>

As desviacións padrón baséanse no Produto Externo do vector Gradiente, por defecto. Se marcas o cadriño “Desviacións padrón robustas”, utilízase un estimador CMV (QML, un “emparedado” entre a inversa negativa da matriz Hessiana e a matriz de covarianzas do vector gradiente, en concreto). A matriz Hessiana aproxímase numericamente. 

Para unha descrición moito máis en profundidade da estimación <@lit="mle">, consulta o <@pdf="Guía de usuario de Gretl#chap:mle"> (Capítulo 22). 

Ruta do menú: /Modelar/Máxima Verosimilitude

Instrución de guión: <@ref="mle">

# modeltab Utilities "A táboa de modelos"

Na investigación econométrica é habitual estimar varios modelos cunha mesma variable dependente, diferenciándose eses modelos nas variables independentes que están incluídas en cada un ou, quizais, no tipo de estimador utilizado. Nesta situación, resulta conveniente presentar os resultados da regresión en forma dunha táboa, na que cada columna conteña os resultados (as estimacións dos coeficientes e das desviacións padrón) para un modelo dado, e cada fila conteña as estimacións para unha determinada variable nos diferentes modelos. 

Gretl proporciona un medio de elaborar unha táboa deste tipo (e de copiala en texto plano, LaTeX ou Rich Text Format). Aquí tes como facelo: 

<indent>
1. Estima un modelo que queiras incluír na táboa e, baixo o menú Ficheiro da xanela de modelos, selecciona “Gardar na sesión como icona” ou “Gardar como icona e pechar”. 
</indent>

<indent>
2. Repite o paso 1 para os outros modelos que se van incluír na táboa (ata un total de 6 modelos). 
</indent>

<indent>
3. Cando xa teñas feita a estimación dos modelos, abre o visor de iconas da túa sesión de Gretl (escollendo “Vista de iconas” baixo o menú de Ver na xanela principal de Gretl, ou premendo na icona titulada “Ver iconas de sesión” na barra de ferramentas de Gretl). 
</indent>

<indent>
4. Na vista de iconas de sesión, hai unha icona titulada “Táboa de modelos”. Decide o modelo que queres que apareza na columna máis á esquerda da Táboa de modelos e engádeo á táboa, ben arrastrando a súa icona sobre a icona da Táboa de modelos, ou ben premendo o botón dereito do rato na icona do modelo e escollendo “Engadir á táboa de modelos” do menú emerxente. 
</indent>

<indent>
5. Repite o paso 4 para os demais modelos que queres incluír na táboa; así o segundo modelo que selecciones vai aparecer na segunda columna empezando pola esquerda, etcétera. 
</indent>

<indent>
6. Cando remates de compoñer a táboa de modelos, amósaa premendo un dobre clic sobre a súa icona. Baixo o menú Copiar da xanela que aparece, tes a posibilidade de copiar a táboa ao portapapeis en varios tipos de formato. 
</indent>

<indent>
7. Se a orde dos modelos na táboa non é a que querías, preme o botón dereito do rato sobre a icona da táboa de modelos e escolle “Librar”. Entón volve ao paso 4 de arriba e inténtao de novo. 
</indent>

Ruta do menú: Xanela de iconas de sesión: icona de Táboa de modelos

Instrución de guión: <@ref="modeltab">

# mpols Estimation "MCO de alta precisión"

Calcula as estimacións de MCO para o modelo especificado, utilizando aritmética de punto flotante con precisión múltiple, coa axuda da biblioteca Gnu Multiple Precision (GMP). Por defecto, utilízanse 256 bits de precisión nos cálculos, pero podes aumentar isto mediante a variable de contorna <@lit="GRETL_MP_BITS">. Por exemplo, cando utilizas o intérprete Bash se te podería ocorrer a seguinte instrución para establecer unha precisión de 1024 bits antes de comezar Gretl. 

<code>          
   export GRETL_MP_BITS=1024
</code>

Ruta do menú: /Modelar/Outros Modelos Lineais/MCO lineais de alta precisión

Instrución de guión: <@ref="mpols">

# nadarwat Estimation "Nadaraya-Watson"

Calcula <@mth="m(x)">, o estimador non paramétrico de Nadaraya–Watson da media condicionada da variable dependente, para cada valor non ausente da variable independente. 

A función kernel <@mth="K"> ven dada por <@mth="K = exp(-x"><@sup="2"><@mth=" / 2h)"> para <@mth="|x| < T"> e cero noutro caso. 

O largo de banda, que habitualmente é un número pequeno, controla a suavidade de <@mth="m(x)"> (os valores máis grandes producen series máis suaves); o valor por defecto é <@mth="n"><@sup="-0.2">. 

Se marcas o cadriño de “deixar unha fóra”, emprégase unha variante do estimador na que a <@mth="i">-ésima observación non se utiliza para avaliar <@mth="m(x"><@sub="i"><@mth=")">. Isto fai que o estimador de Nadaraya–Watson sexa numericamente máis robusto, e a súa utilización aconséllase normalmente cando o estimador se calcula co propósito de facer inferencias. 

# negbin Estimation "Regresión Binomial Negativa"

Estima un modelo Binomial Negativo. Tómase a variable dependente para representar un reconto do número de veces que ocorre un suceso dalgún tipo, e debe de ter só valores enteiros non negativos. Por defecto, utilízase o modelo NegBin 2 no que a varianza condicionada do reconto ven determinada por μ(1 + αμ), onde μ denota a media condicionada. Pero se indicas a opción <@opt="--⁠model1">, a varianza condicionada é μ(1 + α). 

A serie de exposición (<@lit="offset">, opcional) funciona do mesmo xeito que para a instrución <@ref="poisson">. O modelo de Poisson é unha forma restrinxida da Binomial Negativa na que α = 0 por construción. 

Por defecto, as desviacións padrón calcúlanse utilizando unha aproximación numérica á matriz Hessiana na converxencia. Pero se indicas a opción <@opt="--⁠opg">, a matriz de covarianzas baséase no Produto Externo do vector Gradiente, PEG (OPG), e se indicas a opción <@opt="--⁠robust">, calcúlanse as desviacións padrón CMV (QML), utilizando un “emparedado” entre a inversa da matriz Hessiana e o PEG. 

Ruta do menú: /Modelar/Variable Dependente Limitada/Datos de Reconto

Instrución de guión: <@ref="negbin">

# nls Estimation "Mínimos Cadrados Non Lineais"

Realiza a estimación de Mínimos Cadrados Non Lineais (MCNL ou NLS) utilizando unha versión modificada do algoritmo de Levenberg–Marquardt. Debes de proporcionar a especificación dunha función; e aínda que non é imprescindible, recoméndase que tamén proporciones as expresións das derivadas desta función con respecto a cada un dos parámetros, se é posible. Se non ofreces as derivadas, no seu lugar debes de indicar unha lista dos parámetros que se van estimar (separados por espazos ou comas), precedida pola palabra chave <@lit="params">; estes poden ser ben escalares, ben vectores ou ben calquera combinación dos dous. 

Exemplo: Supón que tes un conxunto de datos coas variables <@mth="C"> e <@mth="Y"> (e.g. <@lit="greene11_3.gdt">) e que desexas estimar unha función non linear de consumo coa expresión 

  <@fig="greene_Cfunc">

En primeiro lugar, debes de engadir os parámetros alfa, beta e gamma ao conxunto de datos e de darlles os seus valores iniciais. Podes escribir as liñas apropiadas na xanela de especificacións de MC Non Lineais antes de definir a función. 

Na xanela MC Non Lineais, escribes as seguintes liñas: 

<code>          
   C = alfa + beta * Y^gamma
   deriv alfa = 1
   deriv beta = Y^gamma
   deriv gamma = beta * Y^gamma * log(Y)
</code>

A primeira liña especifica a función de regresión, e as seguintes 3 liñas proporcionan as derivadas desa función con respecto a cada parámetro, de un en un. Se non indicas as liñas 'deriv', calcúlase unha aproximación numérica ao Xacobiano. 

Se non enuncias previamente os parámetros alfa, beta e gamma, podes preceder as liñas de arriba con algo como o seguinte: 

<code>          
   scalar alfa = 1
   scalar beta = 1
   scalar gamma = 1
</code>

Para outros detalles sobre a estimación MCNL (NLS), consulta o <@pdf="Guía de usuario de Gretl#chap:nls"> (Capítulo 21). 

Ruta do menú: /Modelar/Mínimos Cadrados Non Lineais

Instrución de guión: <@ref="nls">

# normtest Tests "Proba de Normalidade"

Realiza unha proba de normalidade para a <@var="serie"> indicada. O tipo de proba en concreto contrólase polo indicador de opción (e execútase a proba de Doornik–Hansen cando non indicas ningunha opción). Advertencia: As probas de Doornik–Hansen e Shapiro–Wilk son máis recomendables que as outras, tendo en conta as súas mellores propiedades en mostras pequenas. 

Mediante os accesorios <@xrf="$test"> e <@xrf="$pvalue"> podes recuperar o estatístico de proba e a súa probabilidade asociada (valor p), respectivamente. Ten en conta que cando indicas a opción <@opt="--⁠all">, o resultado gardado é o da proba de Doornik–Hansen. 

Ruta do menú: /Variable/Probas de Normalidade

Instrución de guión: <@ref="normtest">

# nulldata Dataset "Xerar un banco de datos baldeiro"

Establece un conxunto de datos “en branco” que: inclúe só unha constante máis unha variable índice, ten periodicidade 1 e contén o número de observacións especificado no argumento. Podes utilizar isto coa intención de facer simulacións, pois funcións coma <@lit="uniform()"> e <@lit="normal()"> xeran series artificiais comezando polo principio, para reencher o conxunto de datos. Esta instrución pode ser moi útil en combinación con <@lit="loop">. Consulta tamén a opción “semente” da instrución <@ref="set">. 

Por defecto, esta instrución libra todos os datos do espazo vixente de traballo de Gretl, non só as series senón tamén as matrices, os escalares, as cadeas de texto, etc. Agora ben, cando indicas a opción <@opt="--⁠preserve">, retense calquera variable que non sexa unha serie e estea definida nese momento. 

Ruta do menú: /Ficheiro/Novo conxunto de datos

Instrución de guión: <@ref="nulldata">

# ols Estimation "Mínimos Cadrados Ordinarios"

Calcula as estimacións de mínimos cadrados ordinarios (MCO ou OLS) para o modelo especificado. 

Aparte das estimacións dos coeficientes e das desviacións padrón, o programa tamén presenta as probabilidades asociadas (valores p) aos estatísticos <@mth="t"> (con dúas colas) e <@mth="F">. Un 'valor p' por debaixo de 0.01 indica significación estatística a un nivel do 1 por cento, e márcase con <@lit="***">. A marca <@lit="**"> indica niveles de significación entre 1 e 5 por cento, e a marca <@lit="*"> indica niveles entre 5 e 10 por cento. Tamén preséntanse os estatísticos para elixir modelos (o Criterio de Información de Akaike ou AIC, e o Criterio de Información Baiesiano de Schwarz). A fórmula utilizada para o AIC é a proporcionada por <@bib="Akaike (1974);akaike74">, en concreto, menos dúas veces o logaritmo da verosimilitude maximizada máis dúas veces o número de parámetros estimados. 

Ruta do menú: /Modelar/Mínimos Cadrados Ordinarios
Outro acceso: Botón co símbolo beta na barra de ferramentas

Instrución de guión: <@ref="ols">

# omit Tests "Excluír variables"

Esta instrución volve estimar un determinado modelo, ben logo de excluír as variables especificadas, ou ben logo de omitir de xeito secuencial as variables que non son significativas (se o correspondente cadriño está dispoñible e o marcas). Aparte do resultado habitual do modelo, presenta unha proba da significación conxunta das variables excluídas. A hipótese nula é que os verdadeiros coeficientes de todas as variables excluídas son iguais a cero. 

A eliminación secuencial funciona por pasos, como se indica deseguido. En cada etapa exclúese a variable ligada á maior probabilidade asociada (valor p), ata que todas as que queden estean ligadas a valores p que non sexan maiores ca algún valor de corte. Por defecto, este é o 10 por cento (con 2 colas) e podes axustalo co botón con frechas arriba/abaixo. Este proceso opera automaticamente sobre todas as variables no modelo (aparte da constante). Se queres limitalo só a un subconxunto das variables, marca o cadriño de “Probar só as variables seleccionadas” e fai a selección. 

Ruta do menú: Xanela de modelo: Probas/Excluír variables

Instrución de guión: <@ref="omit">

# online Dataset "Acceso a bancos de datos en liña"

Gretl é capaz de acceder a bancos de datos da Universidade Wake Forest (o teu ordenador debe de estar conectado a Internet para que isto funcione). 

Baixo o menú “Ficheiro: Bancos de datos”, escolle a opción “No servidor de bancos de datos”. Debera de aparecer unha xanela, amosando unha listaxe dos bancos de datos de Gretl dispoñibles na Wake Forest. (Dependendo da túa localización e da velocidade da túa conexión a Internet, isto pode levar uns poucos segundos.) Xunto co nome do banco de datos e unha curta descrición, aparece unha anotación “Estado local”: esta indica se tes instalado localmente un dos bancos de datos (no disco duro do teu ordenador) e no caso de ser así, se está ou non actualizado en comparación coa versión dispoñible no servidor. 

Se tes un determinado banco de datos xa instalado localmente, e está actualizado, non tes ningunha vantaxe accedendo a el por medio do servidor. Pero para un banco de datos que non está aínda instalado nin actualizado, poderías querer obter unha listaxe das súas series de datos, entón preme un clic sobre “Listar as series”. Isto abre unha xanela máis, desde a que podes representar os valores dunha das series que elixas de datos, debuxar eses valores ou mesmo importalos ao espazo de traballo de Gretl. Podes completar estas tarefas utilizando o menú “Series”, ou mediante o menú emerxente que aparece cando premes o botón dereito do rato sobre unha determinada serie. Tamén podes buscar a listaxe dunha variable de interese (no elemento “Buscar” do menú). 

Se queres un acceso máis rápido aos datos ou desexas acceder ao banco de datos fóra de liña, entón escolle a liña que amosa o banco de datos que queres (na xanela inicial do banco de datos) e preme o botón “Instalar”. Isto vai descargar o banco de datos en formato comprimido, logo descomprimilo e instalalo no teu disco duro. En adiante xa deberas de ser capaz de atopalo baixo “Ficheiro, Bancos de datos, Propio de Gretl” no menú. 

# packages Utilities "Paquetes de funcións"

Podes ampliar as prestacións de Gretl mediante a utilización de paquetes de función que son de dúas clases: os “Engadidos” oficiais e os paquetes de contribucións. En conxunto, cobren moitos estimadores e utilidades que non están dispoñibles como instrucións ou funcións integradas no programa. 

Os 'Engadidos' oficiais están incluídos nos instaladores de Gretl para Windows e para Mac. Para Linux, se non se instalan previamente entón descárganse cando se solicite (por exemplo, se escolles o elemento do menú /Modelar/Series temporais/GARCH, entón Gretl vai descargar o 'Engadido' <@lit="gig"> (GARCH in Gretl). Podes verificar que os teus 'Engadidos' están actualizados mediante <@mnu="PkgHelp:SFAddons"> no menú Axuda. 

Podes botar unha ollada aos paquetes de contribucións instalados no teu ordenador mediante o elemento do menú <@mnu="PkgHelp:LocalGfn"> e, se estás conectado á rede, podes acceder a unha lista de paquetes dispoñibles mediante o elemento <@mnu="PkgHelp:RemoteGfn">. Ambos elementos atópanse baixo o elemento /Ficheiro/Paquetes de funcións. 

Moitos paquetes propoñen anexarse por si mesmos aos menús da Interface Gráfica de Usuario (GUI). Podes revisar estas anexións mediante <@mnu="PkgHelp:Registry"> (accede mediante o botón de Preferencias no navegador para paquetes instalados). 

Para obter detalles completos sobre a instalación e o traballo con paquetes de funcións, consulta <@mnu="PkgHelp:Pkgbook"> (baixo o menú Axuda). Esta guía tamén contén detalles sobre como escribir paquetes de funcións. 

# panel Estimation "Modelos de panel"

Estima un modelo de panel. Por defecto, utilízase o estimador de efectos fixos; isto ponse en práctica restándolles as medias de grupo ou unidade, aos datos orixinais. 

Se marcas o cadriño de 'Efectos aleatorios', vanse calcular as estimacións (MCX) de efectos aleatorios. Por defecto, utilízase o método de Swamy e Arora para a transformación MCX, pero está dispoñible o método de Nerlove como opción (mediante o botón para despregar). O método de “Swamy-Arora/Baltagi-Chang” tamén é unha opción adicional, pois no caso dun panel non equilibrado fai unha chamada a unha modificación do método de Swamy-Arora ideada por <@bib="Baltagi and Chang (1994);baltagi-chang94">. Noutro caso, simplemente é equivalente ao método normal de Swamy-Arora. 

Para obter máis detalles sobre a estimación dun panel, consulta o <@pdf="Guía de usuario de Gretl#chap:panel"> (Capítulo 19). 

Ruta do menú: /Modelar/Panel

Instrución de guión: <@ref="panel">

# panel-between Estimation "Modelo entre-grupos"

Este diálogo te permite introducir unha especificación para o modelo “between” no contexto de datos de panel. Esta regresión utiliza as medias de grupo dos datos, ignorando polo tanto a variación dentro dos grupos. Este modelo raramente resulta de gran interese por si mesmo, pero pode serte útil co fin de facer comparacións (por exemplo, co modelo de efectos fixos). 

# panel-mode Dataset "Organización de datos de panel"

Este diálogo ofrece ata 3 opcións con respecto á definición dun conxunto de datos como un panel. As dúas primeiras opcións requiren que o conxunto de datos estea xa organizado no formato dun panel (mesmo que Gretl aínda non o teña recoñecido). A terceira opción require que o conxunto de datos conteña variables que representen a estrutura dun panel. 

<@itl="Serie temporais amontoadas">: Supón que <@var="N"> é o total de unidades de sección cruzada do conxunto de datos e que <@var="T"> = o número observacións das series temporais por unidade. Escollendo esta opción estaslle indicando a Gretl que o conxunto de datos componse nese momento de <@var="N"> bloques consecutivos de <@var="T"> observacións de series temporais, un por cada unidade de sección cruzada. A seguinte etapa será especificar o valor de <@var="N">. 

<@itl="Seccións cruzadas amontoadas">: Estaslle indicando a Gretl que o conxunto de datos componse nese momento de <@var="T"> bloques consecutivos de <@var="N"> observacións de sección cruzada, un por cada período de tempo. A seguinte etapa, de novo, será especificar o valor de <@var="N">. 

Se o número total de observacións do conxunto vixente de datos é primo, non tes dispoñibles as opcións de arriba. 

<@itl="Utilizar variables índice">: Estás indicando que o conxunto de datos está organizado nese momento de xeito descoidado (non importa como), pero que contén dúas variables que indexan as unidades de sección cruzada e os períodos de tempo, respectivamente. A seguinte etapa será escoller esas dúas variables. As variables índices dun panel non deben de ter nada agás valores enteiros non negativos, sen valores ausentes. Se non hai esas variables no conxunto de datos, non dispós desta opción. 

# panel-wls Estimation "Mínimos Cadrados Ponderados por grupos"

Mínimos cadrados ponderados por grupos para datos de panel. Calcula as estimacións de mínimos cadrados ponderados (MCP ou WLS), coas ponderacións baseadas nas varianzas estimadas da perturbación para as respectivas unidades de sección cruzada da mostra. 

Cando seleccionas a opción de iteración, o procedemento repítese. En cada volta, os erros vólvense calcular utilizando as estimacións MCP actuais dos parámetros, con eles xérase un novo conxunto de estimacións das varianzas das perturbacións e, a parir delas, un novo conxunto de ponderacións. As iteracións rematan cando (a) a máxima diferenza nas estimacións dos parámetros dunha volta á seguinte, cae por debaixo de 0.0001, ou (b) o número de iteracións chega a 20. Se a iteración converxe, as estimacións resultantes son Máximo Verosímiles. 

# pca Statistics "Análise de Compoñentes Principais"

Análise de Compoñentes Principais. Presenta os autovalores da matriz de correlacións (ou da matriz de covarianzas se marcas o cadriño de opcións) para as variables de <@var="listavariables">, xunto coa proporción da varianza conxunta representada por cada compoñente. Tamén presenta os correspondentes autovectores (ou “pesos das compoñentes”). 

Na xanela que presenta os resultados, tes a posibilidade de gardar as compoñentes principais como series no conxunto de datos. 

Ruta do menú: /Ver/Compoñentes principais
Outro acceso: Xanela principal: Menú emerxente (selección múltiple)

Instrución de guión: <@ref="pca">

# pergm Statistics "Periodograma"

Calcula e amosa o espectro da serie especificada. Por defecto, indícase o periodograma da mostra, pero utilízase opcionalmente unha xanela de retardo de Bartlett ao estimar o espectro, (consulta por exemplo, o libro de Greene <@itl="Econometric Analysis"> para ver unha discusión sobre isto). A longura por defecto da xanela de Bartlett é dúas veces a raíz cadrada do tamaño da mostra pero se pode establecer isto de xeito manual utilizando o parámetro <@var="anchobanda">, ata un máximo da metade do tamaño da mostra. 

Cando indicas a opción <@opt="--⁠log">, represéntase o espectro nunha escala logarítmica. 

As opcións (mutuamente excluíntes) <@opt="--⁠radians"> e <@opt="--⁠degrees"> afectan ao aspecto do eixe de frecuencias cando se debuxa o periodograma. Por defecto, a frecuencia escálase polo número de períodos da mostra, pero esas dúas opcións provocan que o eixe se etiquete desde 0 ata π radiáns ou desde 0 a 180°, respectivamente. 

Por defecto, se o programa non está en modo de procesamento por lotes, amósase unha gráfica do periodograma. Podes axustar isto mediante a opción <@opt="--⁠plot">. Os parámetros admisibles para esta opción son <@lit="none"> (para suprimir a gráfica), <@lit="display"> (para representar unha gráfica mesmo en modo de procesamento por lotes), ou un nome de ficheiro. O efecto de indicar un nome de ficheiro é como se describe para a opción <@opt="--⁠output"> da instrución <@ref="gnuplot">. 

Ruta do menú: /Variable/Periodograma
Outro acceso: Xanela principal: Menú emerxente (selección única)

Instrución de guión: <@ref="pergm">

# polyweights Transformations "Axustar unha tendencia polinómica"

Ao axustar unha tendencia polinómica a unha serie temporal podes querer darlles un peso adicional ás observacións do principio e do final da mostra. (Os puntos no medio do rango da mostra teñen veciños a ambos lados que é probable que estean tirando do axuste na mesma dirección común.) 

Podes utilizar os esquemas de ponderación (cuadrático, coseno-campá e por pasos) que se ofrecen aquí con ese propósito. Se escolles un destes esquemas, debes de elixir dúas opcións adicionais. Primeiro: Que ponderación máxima se debe de utilizar (a mínima ponderación básica é 1.0)? Segundo: A que fracción central da mostra se lle debe de aplicar unha ponderación uniforme (a mínima)? 

Supón, por exemplo, que elixes unha ponderación máxima de 3.0 e unha fracción central de 0.4. Isto significa que o 40 por cento central dos datos teñen unha ponderación de 1.0. Se seleccionas a forma “steps”, o primeiro e o último 30 por cento das observacións teñen unha ponderación de 3.0; noutro caso, para o primeiro 30 por cento de observacións as ponderacións declinan gradualmente desde 3.0 ata 1.0, e para o último 30 por cento as ponderacións aumentan desde 1.0 ata 3.0. 

# poisson Estimation "Estimación de Poisson"

Estima unha regresión de Poisson. Cóllese a variable dependente para representar o acaecemento de sucesos dalgún tipo, e debe de ter só valores enteiros non negativos. 

Se unha variable aleatoria discreta <@mth="Y"> segue unha distribución de Poisson, entón 

  <@fig="poisson1">

para <@mth="y"> = 0, 1, 2,…. A media e a varianza da distribución son ambas iguais a <@mth="v">. No modelo de regresión de Poisson, o parámetro <@mth="v"> está representado como unha función dunha ou máis variables independentes. A versión máis habitual (e a única que admite Gretl) cumpre 

  <@fig="poisson2">

ou, noutras palabras, o logaritmo de <@mth="v"> é unha función linear das variables independentes. 

Como opción, podes engadir unha variable de exposición (“offset”) á especificación. Esta é unha variable de escala, e o logaritmo dela engádese á función linear de regresión (implicitamente, cun coeficiente de 1.0). Isto ten sentido se agardas que o número de ocorrencias do evento en cuestión é proporcional (manténdose o demais constante) a algún factor coñecido. Por exemplo, podes supoñer que o número de accidentes de tráfico é proporcional ao volume de tráfico (manténdose o demais constante) e, nese caso, o volume de tráfico pode expresarse como unha variable “de exposición” nun modelo de Poisson do cociente de accidentes. A variable de exposición debe de ser estritamente positiva. 

Por defecto, calcúlanse as desviacións padrón utilizando a inversa negativa da matriz Hessiana. Se especificas a opción <@opt="--⁠robust">, entón calcúlanse no seu lugar as desviacións padrón CMV (QML) ou de Huber–White. Neste caso, a matriz de covarianzas estimada é un “emparedado” entre a inversa da matriz Hessiana estimada e o produto externo do vector gradiente. 

Consulta tamén <@ref="negbin">. 

Ruta do menú: /Modelar/Variable Dependente Limitada/Datos de reconto

Instrución de guión: <@ref="poisson">

# probit Estimation "Modelo Probit"

Se a variable dependente é unha variable binaria (todos os seus valores son 0 ou 1), obtéñense estimacións máximo verosímiles dos coeficientes das variables de <@var="indepvars"> mediante o método de Newton–Raphson. Como o modelo é non linear, as pendentes están condicionadas polos valores das variables independentes. Por defecto, calcúlanse as pendentes con respecto a cada unha das variables independentes (nas medias desas variables) e estas pendentes substitúen os valores p habituais no resultado da regresión. Podes prescindir deste proceder indicando a opción <@opt="--⁠p-values">. O estatístico khi-cadrado proba a hipótese nula de que todos os coeficientes son cero, agás o da constante. 

Por defecto, as desviacións padrón calcúlanse utilizando a inversa negativa da matriz Hessiana. Se marcas o cadriño de 'Desviacións padrón robustas', entón calcúlanse no seu lugar as desviacións padrón CMV (QML) ou de Huber–White. Neste caso, a matriz de covarianzas estimadas é un “emparedado” entre a inversa da matriz Hessiana estimada e o produto externo do vector gradiente. Consulta o capítulo 10 do libro de Davidson e MacKinnon para obter máis detalles. 

Se a variable dependente non é binaria senón discreta, entón se obteñen as estimacións dun Probit Ordenado. (Se a variable elixida como dependente non é discreta, amósase un fallo.) 

<@itl="Probit para datos de panel"> 

Coa opción <@opt="--⁠random-effects">, asúmese que cada perturbación está composta por dúas compoñentes Normalmente distribuídas: (a) un termo invariante no tempo que é específico da unidade de sección cruzada ou “individuo” (e que se coñece como efecto individual), e (b) un termo que é específico da observación concreta. 

A avaliación da verosimilitude deste modelo implica utilizar a cuadratura de Gauss-Hermite para aproximar o valor das esperanzas de funcións de variables Normais. Podes escoller o número de puntos de cuadratura utilizados mediante a opción <@opt="--⁠quadpoints"> (por defecto é de 32). Utilizando máis puntos mellórase a precisión dos resultados, pero co custo de máis tempo de cálculo; así con moitos puntos de cuadratura, a estimación cun conxunto de datos moi grande pode consumir tempo de máis. 

Amais das estimacións habituais dos parámetros (e dos estatísticos asociados) relacionados cos regresores incluídos, preséntase algunha información adicional sobre a estimación desta clase de modelo: 

<indent>
• <@lit="lnsigma2">: A estimación máximo verosímil do logaritmo da varianza do efecto individual; 
</indent>

<indent>
• <@lit="sigma_u">: A estimación da desviación padrón do efecto individual; e 
</indent>

<indent>
• <@lit="rho">: A estimación da parte do efecto individual na varianza composta da perturbación (tamén coñecida como a correlación intra-clase). 
</indent>

A proba de Razón de Verosimilitudes respecto á hipótese nula de que <@lit="rho"> é igual a cero, proporciona un xeito de avaliar se é necesaria a especificación de efectos aleatorios. Se a hipótese nula non se rexeita, iso suxire que é axeitada unha simple especificación Probit combinada. 

Ruta do menú: /Modelar/Variable Dependente Limitada/Probit

Instrución de guión: <@ref="probit">

# qlrtest Tests "Proba de razón de verosimilitudes de Quandt"

Para un modelo estimado con datos de series temporais mediante MCO, realiza a proba da razón de verosimilitude de Quandt (QLR) para un cambio estrutural nun punto descoñecido no tempo, cun 15 por cento de recorte ao comezo e ao final do período da mostra. 

Para cada punto potencial de cambio dentro do 70 por cento central das observacións, realízase unha proba de Chow. Consulta <@ref="chow"> para obter máis detalles; pois de igual xeito que coa proba común de Chow, esta é unha proba robusta de Wald cando o modelo orixinal se estima coa opción <@opt="--⁠robust">, e unha proba F noutro caso. Entón o estatístico QLR é o máximo dos estatísticos de proba particulares. 

Obtense unha probabilidade asociada (valor p) asintótica utilizando o método de <@bib="Bruce Hansen (1997);hansen97">. 

Ademais dos accesorios <@xrf="$test"> e <@xrf="$pvalue"> típicos das probas de hipóteses, podes utilizar <@xrf="$qlrbreak"> para recuperar o índice da observación na que o estatístico de proba se maximiza. 

Cando executas de xeito interactivo (unicamente) esta instrución, amósase por defecto unha gráfica do estatístico de proba de Chow pero podes axustar isto mediante a opción <@opt="--⁠plot">. Os parámetros que se admiten nesta opción son <@lit="none"> (para eliminar a gráfica), <@lit="display"> (para amosar unha gráfica mesmo cando non se está en modo interactivo), ou un nome de ficheiro. O efecto de proporcionar un nome de ficheiro é como o descrito para a opción <@opt="--⁠output"> da instrución <@ref="gnuplot">. 

Ruta do menú: Fiestra de modelo: Probas/Proba QLR

Instrución de guión: <@ref="qlrtest">

# qqplot Graphs "Gráfica Q-Q"

Cunha única serie seleccionada, amosa unha gráfica dos cuantís empíricos desa serie dada fronte aos cuantís da distribución Normal. A serie debe de incluír cando menos 20 observacións válidas no rango vixente da mostra. Por defecto, os cuantís empíricos debúxanse fronte aos cuantís dunha distribución Normal que ten as mesmas media e varianza que os datos da mostra, pero dispós de dúas alternativas: podes tipificar os datos (trocalos en puntuacións z) antes de debuxalos, ou podes debuxar os cuantís empíricos “en bruto” fronte aos cuantís da distribución Normal estándar. 

A opción <@opt="--⁠output"> ten como efecto o envío do resultado ao ficheiro especificado; utiliza “display” para forzar que o resultado se presente na pantalla. Consulta a instrución <@ref="gnuplot"> para obter máis detalles sobre esta opción. 

Dadas dúas series como argumentos, <@var="y"> e <@var="x">, amósase unha gráfica dos cuantís empíricos de <@var="y"> fronte aos de <@var="x">. Os valores dos datos non se tipifican. 

Ruta do menú: /Variable/Gráfica Q-Q normal
Ruta do menú: /Ver/Gráfica de variables indicadas/Gráfica Q-Q

Instrución de guión: <@ref="qqplot">

# quantreg Estimation "Regresión de cuantís"

Regresión de cuantís. Por defecto, as desviacións padrón calcúlanse de acordo coa fórmula asintótica indicada por <@bib="Koenker e Bassett (<@itl="Econometrica">, 1978);koenker-bassett78">, pero se marcas o cadriño de “Desviacións padrón robustas”, utilízase a variante robusta á heterocedasticidade de <@bib="Koenker e Zhao (<@itl="Journal of Nonparametric Statistics">, 1994);koenker-zhao94">. 

Se marcas a opción “Calcular os intervalos de confianza”, Gretl calcula os intervalos de confianza para os coeficientes en lugar das desviacións padrón. E o cadriño de validación de “Desviacións padrón robustas” ten outro efecto: se non se marca, os intervalos calcúlanse baixo o suposto de perturbacións IID; e ao marcalo, Gretl utiliza o estimador robusto desenvolvido por <@bib="Koenker e Machado (<@itl="Journal of the American Statistical Association">, 1999);koenker-machado99">. Ten en conta que estes intervalos non son exactamente “máis ou menos tantas desviacións padrón” pois, en xeral, son asimétricos a respecto das estimacións puntuais dos coeficientes. 

Podes indicar unha lista de cuantís (consulta a lista despregable para algunhas posibilidades xa definidas con anterioridade). Nese caso, Gretl calcula as estimacións de cuantís e, ou ben as desviacións padrón ou ben os intervalos de confianza para cada un dos valores especificados. 

Para seguir a pista das referencias indicadas arriba, consulta o <@pdf="Guía de usuario de Gretl#chap:quantreg"> (Capítulo 35). 

Ruta do menú: /Modelar/Estimación Robusta/Regresión de cuantís

Instrución de guión: <@ref="quantreg">

# reprobit Estimation "Probit de efectos aleatorios"

O estimador Probit de efectos aleatorios proporciona un medio de estimar un modelo Probit (binario) con datos de panel. Asúmese que cada perturbación está composta por dúas compoñentes Normalmente distribuídas: (a) un termo invariante respecto ao tempo que é especifico da unidade de sección cruzada ou “individuo” (e que se coñece como efecto individual), e (b) un termo que é específico da observación concreta. 

A avaliación da verosimilitude deste modelo implica utilizar a cuadratura de Gauss-Hermite para aproximar o valor das esperanzas de funcións de variables Normais. Neste diálogo, podes escoller o número de puntos de cuadratura utilizados. Usando máis puntos mellórase a precisión dos resultados, pero co custo de máis tempo de cálculo; así con moitos puntos de cuadratura, a estimación cun conxunto de datos moi grande pode consumir tempo de máis. 

Amais das estimacións habituais dos parámetros (e dos estatísticos asociados) relacionados cos regresores incluídos, preséntase algunha información adicional sobre a estimación desta clase de modelo: 

<indent>
• <@lit="lnsigma2">: A estimación máximo verosímil do logaritmo da varianza do efecto individual; 
</indent>

<indent>
• <@lit="sigma_u">: A estimación da desviación padrón do efecto individual; e 
</indent>

<indent>
• <@lit="rho">: A estimación da parte do efecto individual na varianza composta da perturbación (tamén coñecida como a correlación intra-clase). 
</indent>

A proba de Razón de Verosimilitudes respecto á hipótese nula de que <@lit="rho"> é igual a cero, proporciona un xeito de avaliar se é necesaria a especificación de efectos aleatorios. Se a hipótese nula non se rexeita, iso suxire que é axeitada unha simple especificación Probit combinada. 

En modo guión, o modelo Probit de efectos aleatorios estímase utilizando a instrución <@lit="probit"> coa opción <@opt="--⁠random-effects">. 

# reset Tests "RESET de Ramsey"

Debe de seguir a estimación dun modelo mediante MCO. Leva a cabo a proba RESET de Ramsey sobre a especificación (non linear) dun modelo, engadíndolle á regresión o cadrado e/ou o cubo dos valores axustados, e calculando o estatístico <@mth="F"> para probar a hipótese nula de que os parámetros dos termos engadidos son cero. 

Ruta do menú: Fiestra de modelo: Probas/Proba RESET de Ramsey

Instrución de guión: <@ref="reset">

# restrict-model Tests "Restricións nun modelo"

Debes de expresar cada restrición do conxunto como unha ecuación, cunha combinación linear de parámetros á esquerda do signo de igualdade e un valor numérico á dereita. Podes referirte aos seus parámetros co formato <@lit="b["><@var="i"><@lit="]">, onde <@var="i"> representa a posición na lista de regresores (comezando no 1), ou co formato <@lit="b["><@var="nomevar"><@lit="]">, onde <@var="nomevar"> é o nome do regresor en cuestión. 

Podes antepoñer multiplicadores numéricos aos elementos <@lit="b"> da ecuación que representa unha restrición, utilizando <@lit="*"> para indicar a multiplicación, por exemplo <@lit="3.5*b[4]">. 

Aquí tes un exemplo dun conxunto de restricións: 

<code>          
   b[1] = 0
   b[2] - b[3] = 0
   b[4] + 2*b[5] = 1
</code>

# restrict-system Tests "Restricións nun sistema de ecuacións"

Debes de expresar cada restrición do conxunto como unha ecuación, cunha combinación linear de parámetros á esquerda do signo de igualdade e un valor numérico á dereita. A referencia aos parámetros faise utilizando a letra <@lit="b"> xunto con dous números colocados entre corchetes. O primeiro número representa a posición da ecuación dentro do sistema e o segundo número indica a posición do regresor dentro da lista deles, comezando por 1 en ambos casos. Por exemplo, <@lit="b[2,1]"> denota o primeiro parámetro da segunda ecuación, mentres que <@lit="b[3,2]"> denota o segundo parámetro da terceira ecuación. 

Podes antepoñer multiplicadores numéricos aos elementos <@lit="b"> da ecuación que representa unha restrición, utilizando <@lit="*"> para indicar a multiplicación, por exemplo <@lit="3.5*b[1,4]">. 

Aquí tes un exemplo dun conxunto de restricións: 

<code>          
   b[1,1] = 0
   b[1,2] - b[2,2] = 0
   b[3,4] + 2*b[3,5] = 1
</code>

# restrict-vecm Tests "Restricións nun VECM"

Utiliza esta instrución para establecer restricións lineais sobre as relacións de cointegración (beta) e/ou os coeficientes de axuste (alfa) nun Modelo de Vectores de Corrección do Erro (VECM). 

Debes de expresar cada restrición do conxunto como unha ecuación, cunha combinación linear de parámetros á esquerda do signo de igualdade e un valor numérico á dereita. As restricións sobre beta poden ser non homoxéneas (con valores distintos de cero á dereita), pero as restricións sobre alfa deben de ser homoxéneas (con ceros á dereita). 

Se o VECM é de rango 1, a referencia aos parámetros faise utilizando o formato <@lit="b["><@var="i"><@lit="]">, onde <@var="i"> representa a posición no vector de cointegración, comezando en 1. Por exemplo, <@lit="b[2]"> denota o segundo elemento de beta. Pero se o rango é maior ca 1, se utiliza <@lit="b"> xunto con dous números colocados entre corchetes. Por exemplo, <@lit="b[2,1]"> denota o primeiro elemento do segundo vector de cointegración. 

Para referirte aos elementos de alfa, utiliza <@lit="a"> en vez de <@lit="b">. 

Podes antepoñer multiplicadores numéricos aos identificadores dos parámetros da ecuación que representa unha restrición, utilizando <@lit="*"> para indicar a multiplicación, por exemplo <@lit="3.5*b[4]">. 

Aquí tes un exemplo dun conxunto de restricións nun VECM de rango 1. 

<code>          
   b[1] + b[2] = 0
   b[1] + b[3] = 0
</code>

Consulta tamén o <@pdf="Guía de usuario de Gretl#chap:vecm"> (Capítulo 29). 

# rmplot Graphs "Gráfica Rango-Media"

Gráfica Rango–Media: Esta instrución xera unha gráfica sinxela para axudar a decidir se unha serie temporal, <@mth="y">(t), ten unha varianza constante ou non. Cóllese a mostra completa (t=1,...,T) e divídese en pequenas submostras de tamaño arbitrario <@mth="k">. A primeira submostra está composta por <@mth="y">(1),...,<@mth="y">(k), a segunda por <@mth="y">(k+1), ..., <@mth="y">(2k), etcétera. Para cada submostra, calcúlase a media da mostra e o rango (= máximo menos mínimo), e constrúese unha gráfica coas medias no eixe horizontal e os rangos no vertical. Así cada submostra se representa mediante un punto neste plano. Se a varianza das series é constante, agardaríase que o rango da submostra sexa independente da media da submostra; por iso se observamos que os puntos se aproximan a unha liña con pendente positiva, isto suxire que a varianza das series aumenta a medida que o fai a media; e se os puntos se aproximan a unha liña con pendente negativa, isto suxire que a varianza decrece ao aumentar a media. 

Ademais da gráfica, Gretl amosa as medias e rangos para cada submostra, xunto co coeficiente da pendente dunha regresión MCO do rango sobre a media, e coa probabilidade asociada ao estatístico para probar a hipótese nula de que esta pendente é cero. Se o coeficiente da pendente é significativo cun nivel de significación do 10 por cento, entón amósase na gráfica a liña axustada da regresión do rango sobre a media. Se rexistran tanto o estatístico <@mth="t"> para probar a hipótese nula como a probabilidade asociada correspondente, e podes recuperalos usando os accesorios <@xrf="$test"> e <@xrf="$pvalue">, respectivamente. 

Ruta do menú: /Variable/Gráfica Rango-Media

Instrución de guión: <@ref="rmplot">

# runs Tests "Proba de ringleiras"

Realiza a proba non paramétrica “de ringleiras” para comprobar o carácter aleatorio da <@var="serie"> indicada, onde as ringleiras defínense como secuencias de valores consecutivos positivos ou negativos. Se queres probar o carácter aleatorio das desviacións respecto á mediana, para unha variable chamada <@lit="x1"> que ten unha mediana non nula, podes facer o seguinte: 

<code>          
   series signx1 = x1 - median(x1)
   runs signx1
</code>

Cando indicas a opción <@opt="--⁠difference">, vanse calcular as primeiras diferenzas da serie antes da análise, polo que as ringleiras se interpretarían como secuencias de aumentos ou de diminucións consecutivas do valor da variable. 

Cando indicas a opción <@opt="--⁠equal">, a hipótese nula tamén incorpora o suposto de que os valores positivos e negativos son igual de probables; noutro caso, o estatístico de proba resulta invariante con respecto á “neutralidade” do proceso que xerou a secuencia de valores, e a proba céntrase unicamente na independencia. 

Ruta do menú: /Ferramentas/Probas non paramétricas

Instrución de guión: <@ref="runs">

# sampling Dataset "Configurando a mostra"

O menú Mostra ofrece varios xeitos de seleccionar unha submostra do conxunto vixente de datos. 

Se escolles “Mostra/Restrinxir, a partir do criterio...” é necesario que indiques unha expresión booleana (lóxica), do mesmo tipo que usarías para definir unha variable ficticia. Por exemplo, a expresión “sqft > 1400” seleccionará só os casos nos que a variable sqft ten un valor maior ca 1400. Podes encadear as condicións utilizando os operadores lóxicos “&&” (AND) e “||” (OR), e podes aplicar a negación utilizando “!” (NOT). Se o conxunto de datos xa contén variables ficticias, tamén tes a posibilidade de escoller unha delas para definir a mostra (as observacións que teñan o valor 1 na variable ficticia escollida vanse incluír, e as outras vanse excluír). 

O elemento do menú “Mostra/Prescindir das observacións con valores ausentes” volve definir a mostra para excluír todas as observacións para as que os valores dunha ou máis variables están ausentes (deixando só os casos completos). 

Para seleccionar observacións para as que unha variable concreta ten valores non ausentes, usa “Restrinxir, a partir do criterio...” e indica a condición booleana “!missing(nomevar)” (substitúe “nomevar” co nome da variable que queiras usar). 

Se as observacións teñen etiquetas, podes excluír observacións concretas utilizando, por exemplo, <@lit="obs!="Francia""> como criterio booleano. Debes de contornar o nome da observación con comiñas. 

Debes de ter en conta a seguinte cuestión en relación á definición dunha mostra en base a unha variable ficticia, a unha expresión booleana ou ao criterio de valores ausentes. Calquera información “estrutural” no ficheiro cabeceira dos datos pérdese (en relación á temporalidade das series ou á natureza de panel dos datos). Pero podes volver forzar a estrutura co elemento “Estrutura do conxunto de datos” do menú de Datos. 

Consulta o <@pdf="Guía de usuario de Gretl#chap:sampling"> (Capítulo 5) para obter outros detalles. 

# save-labels Utilities "Gardar ou eliminar etiquetas das series"

Se escolles aquí 'Exportar', Gretl escribe un ficheiro que contén as etiquetas descritivas de calquera serie (que teña etiquetas) do conxunto vixente de datos. Ese ficheiro é de texto plano cunha liña por variable, pero a liña estará baleira para as variables que non teñan etiqueta descritiva. 

Cando escolles 'Borrar', elimínanse as etiquetas descritivas de todas as series que teñan etiquetas. Isto unicamente será oportuno no caso de que as etiquetas actuais se engadiran dalgún xeito debido a un fallo. 

# add-labels Utilities "Engadir etiquetas das series"

Se aquí escolles a opción 'Si', se te ofrece unha caixa de diálogo para abrir ficheiros, co fin de que selecciones un de texto plano que conteña as etiquetas descritivas das series do conxunto vixente de datos. O ficheiro deberá de conter unha etiqueta por liña, e unha liña en branco significará que non hai etiqueta. Gretl tratará de ler tantas etiquetas como series haxa no conxunto de datos, excluíndo a constante. 

# save-script Utilities "Gardar instrucións?"

Se aquí escolles 'Si', Gretl escribe un ficheiro que contén un rexistro das instrucións que executaches na sesión vixente. A meirande parte das instrucións que executas mediante “apuntar e facer clic” teñen unha contrapartida de “guión”, e estas instrucións de guión son as que se gardarán. Así poderás coller o ficheiro como base para escribir un guión de instrucións de Gretl. 

Se non che importa que se te avise para gardar un rexistro das instrucións ao saír, non poñas a marca na caixa no diálogo de gardar instrucións. 

# save-session Utilities "Gardar esta sesión de Gretl?"

Se aquí escolles 'Si', Gretl escribe un ficheiro que contén unha “foto instantánea” da sesión vixente, incluíndo unha copia do conxunto de datos co que se traballa xunto con calquera modelo, gráfica ou outro obxecto que gardaras “como icona”. Podes volver abrir este ficheiro máis tarde para recrear o estado de Gretl tal como era no momento no que saíches da sesión (consulta o menú “Ficheiro/Ficheiros de sesión”). 

Se traballas con Gretl utilizando a maioría das veces guións de instrucións (o que se recomenda para un traballo econométrico “serio”), probablemente non necesites gardar a sesión, pero debes de asegurarte de gardar calquera cambio no teu guión que queiras manter. Tamén podes querer gardar calquera cambio no teu conxunto de datos, agás que sexa dun tipo que podas repetir doadamente executando un guión. 

Se traballas con guións e non che importa que se te avise para gardar a túa sesión ao saír, non poñas a marca na caixa no diálogo de gardar sesión. 

# scatters Graphs "Varias gráficas de dúas variables"

Xera gráficas de dúas variables, da “Variable do eixe Y” escollida fronte a cada unha das “Variables do eixe X” escollidas, unha por unha. (Ou podes escoller varias variables para o eixe Y e unha para o eixe X.) Repasar un conxunto desas gráficas pode ser un paso conveniente na análise exploratoria de datos. O número máximo de gráficas é de 16, polo que vaise ignorar calquera variable adicional na lista. 

Cando o conxunto de datos é de series temporais, entón podes omitir a segunda lista, pois nese caso vaise tomar implicitamente ao 'tempo' como tal, polo que podes debuxar varias series temporais en gráficas separadas. 

Ruta do menú: /Ver/Gráficas múltiples

Instrución de guión: <@ref="scatters">

# script-editor Utilities "Preferencias do editor de guións"

Cae na conta de que algunhas destas preferencias só se aplican cando se editan guións de Gretl orixinais (Tabulador e Intro espelidos, Usar lapelas no editor de guións), e que outras tamén se aplican cando se edita ou mira calquera guión (Amosar os números de liña, Estilo de resalte). 

<@itl="Tabulador e Intro espelidos">: Se marcas esta opción, entón cando premes a tecla <@lit="Tabulador"> ao comezo dunha liña nun guión de Hansl, en lugar de introducir tan só un salto de tabulación, o programa vai tratar de axustar o nivel de sangrado da liña consistentemente con outras liñas que xa se introduciran antes. Igualmente, cando premes a tecla <@lit="Intro">, o programa vai tratar de asegurar que o sangrado da liña completada é correcta. 

<@itl="Amosar os números de liña">: Presenta os números de liña na marxe esquerda do editor de guións ou do visor. 

<@itl="Usar lapelas no editor de guións">: Afecta ao comportamento do programa cando esteas editando máis dun guión ao mesmo tempo. Se marcas isto, entón amósase cada guión nunha “lapela” dunha xanela con estilo de caderno de notas; e noutro caso, cada guión ten a súa propia xanela. 

<@itl="Habilitar autorecheo">: Se marcas isto, se te ofrecerá a posibilidade de completar a palabra que esteas tecleando, en basea ás palabras que xa introduciches na xanela ou lapela do editor. Para escoller unha das posibilidades, utiliza as teclas de frechas arriba/abaixo e a tecla <@lit="Intro">; ou simplemente segue tecleando para descartar os termos suxeridos. 

<@itl="Habilitar autocorchetes">: Se marcas isto, entón cando tecleas unha paréntese, corchete ou chave esquerdos ao final dunha liña, vaise engadir automaticamente o delimitador correspondente do lado dereito e vaise colocar o cursor entre os dous delimitadores. 

<@itl="Número de espazos por tabulador">: Canto queres que sexa de largo un salto de tabulador ou o nivel de sangría? Un valor enteiro de 2 a 8. 

<@itl="Estilo de resalte">: Proporciona unha lista que se desprega cara abaixo con estilos para resaltar a sintaxe. Algúns destes son 'escuro sobre claro' e algúns son 'claro sobre escuro': experimenta e atopa o que che guste. 

# setinfo Dataset "Editar os atributos dunha variable"

Nesta caixa de diálogo podes: 

* Renomear unha variable (tipo serie). 

* Engadir ou editar unha descrición da variable que aparece ao lado do nome das variables na xanela principal de Gretl. 

* Engadir ou editar o 'nome a amosar' dunha variable (se a variable é unha serie, non un escalar). Esta cadea de texto (de 19 caracteres como máximo) amósase no lugar do nome da variable cando esta se representa nunha gráfica. Así, por exemplo, podes asociar unha cadea máis comprensible tal como 'Tipo da letra do tesouro' cunha variable nomeada abreviadamente 'tb3'. 

* Determinar o método para compactar unha variable (para datos de series temporais). Ese método vaise utilizar cando decidas reducir a frecuencia do conxunto de datos, ou cando actualices unha variable importándoa dun banco de datos onde esa variable ten unha frecuencia maior que no conxunto de datos de traballo. 

* Marcar unha variable como discreta (para series que só teñen valores enteiros). Isto afecta ao xeito no que se manexa a variable cando pides unha gráfica de frecuencias. 

Ruta do menú: /Variable/Editar atributos
Outro acceso: Xanela principal: Menú emerxente

Instrución de guión: <@ref="setinfo">

# setmiss Dataset "Código de valor ausente"

Establece un valor numérico que vai interpretarse como 'ausente' ou 'non aplicable', ben para unha serie de datos en concreto (baixo o menú Variable) ou globalmente para todo o conxunto de datos (baixo o menú Datos). 

Gretl ten a súa propia codificación interna para os valores ausentes, pero ás veces cos datos que se importan púidose empregar un código diferente. Por exemplo, se unha serie en concreto está codificada de xeito que o valor -1 significa 'non aplicable', podes seleccionar 'Establecer código de valor ausente' baixo o menú Variable, e teclear o valor '-1' (sen comiñas). Entón Gretl lerá os valores -1 como observacións ausentes. 

Ruta do menú: /Datos/Establecer código de valor ausente

Instrución de guión: <@ref="setmiss">

# spearman Statistics "Correlación por rangos de Spearman"

Presenta o coeficiente da correlación por rangos de Spearman para un par especificado de series. Non tes que xerarquizar manualmente as series por adiantado, pois a función xa ten conta diso. 

A forma automática de xerarquizar é de maior a menor (i.e. o valor máis grande dos datos acada o rango 1). Se necesitas inverter esta forma de xerarquizar, xera unha nova variable que sexa a negativa da orixinal. Por exemplo: 

<code>          
   series altx = -x
   spearman altx y
</code>

Ruta do menú: /Ferramentas/Probas non paramétricas/Correlación

Instrución de guión: <@ref="spearman">

# store Dataset "Gardar os datos"

Garda os datos en <@var="nomeficheiro">. Por defecto, gárdanse todas as series xa definidas nese momento pero podes utilizar o argumento <@var="listavariables"> (opcional) para escoller un subconxunto de series. Se o conxunto de datos é unha submostra, só se gardan as observacións do rango vixente da mostra. 

O ficheiro resultante vai escribirse no cartafol (<@ref="workdir">) establecido nese momento, agás que a cadea <@var="nomeficheiro"> conteña unha especificación completa da ruta. 

Ata certo punto, podes controlar o formato no que se escriben os datos mediante a extensión ou sufixo de <@var="nomeficheiro">, como se indica deseguido: 

<indent>
• <@lit=".gdt"> (ou sen extensión): Formato de datos XML propio de Gretl. (Se non indicas ningunha extensión, automaticamente engádese “<@lit=".gdt">”) 
</indent>

<indent>
• <@lit=".gtdb">: Formato de datos binario propio de Gretl. 
</indent>

<indent>
• <@lit=".csv">: Valores Separados con Comas (CSV). 
</indent>

<indent>
• <@lit=".txt"> ou <@lit=".asc">: valores separados con espazos. 
</indent>

<indent>
• <@lit=".m">: Formato matricial GNU Octave. 
</indent>

<indent>
• <@lit=".dta">: Formato dta de Stata (versión 113). 
</indent>

Podes usar os indicadores de opción relacionados co formato que se amosan arriba para forzar a cuestión do formato cando se garda, con independencia do nome do ficheiro (ou para lograr que Gretl escriba nos formatos de PcGive ou JMulTi). Porén, se <@var="nomeficheiro"> ten unha extensión <@lit=".gdt"> ou <@lit=".gdtb">, isto implica utilizar necesariamente o formato propio e se engades un indicador de opción conflitivo, vai xerar un fallo. 

Cando gardas os datos no formato propio (unicamente), podes utilizar a opción <@opt="--⁠gzipped"> para comprimir os datos, o que pode ser moi útil para conxuntos grandes de datos. O parámetro (optativo) desta opción controla o nivel de compresión (de 0 a 9): os niveles máis altos producen un ficheiro máis pequeno, pero a compresión leva máis tempo. O nivel por defecto é 1, e un nivel igual a 0 significa que non se aplica ningunha compresión. 

Os indicadores de opción <@opt="--⁠omit-obs"> e <@opt="--⁠no-header"> son só aplicables cando se gardan datos no formato CSV. Por defecto, se os datos son series temporais ou de panel, ou se o conxunto de datos inclúe marcadores específicos de observación, o ficheiro CSV inclúe unha primeira columna que identifica as observacións (e.g. por data). Cando indicas a opción <@opt="--⁠omit-obs">, esta columna omítese. A opción <@opt="--⁠no-header"> elimina a habitual representación dos nomes das variables no encabezamento das columnas. 

O indicador de opción <@opt="--⁠decimal-comma"> está tamén limitado ao caso de que se garden os datos en formato CSV. O efecto desta opción consiste en substituír o punto decimal coa coma decimal; e por engadido, fórzase a que o separador de columnas sexa o punto e coma. 

A posibilidade de gardar no formato de banco de datos de Gretl está pensada para axudar a construír conxuntos longos de series, tal vez mesturando frecuencias e rangos de observacións. Neste momento, esta opción só está dispoñible para datos de series temporais de tipo anual, trimestral ou mensual. Se gardas nun ficheiro que xa existe, o efecto por defecto consiste en engadir as series recentemente gardadas ao contido existente no banco de datos. Neste contexto, é un fallo que unha (ou máis) das variables que se van gardar teña o mesmo nome ca unha variable que xa está presente no banco de datos. A opción <@opt="--⁠overwrite"> ten como consecuencia que, se hai nomes de variables en común, a variable recentemente gardada substitúe á variable do mesmo nome no conxunto de datos orixinal. 

A opción <@opt="--⁠comment"> está dispoñible cando se gardan datos como banco de datos ou en formato CSV. O parámetro que se require é unha cadea nunha liña, entre comiñas, ligada ao indicador de opción mediante un signo de igualdade. A cadea de texto insírese como comentario no ficheiro índice do banco de datos ou no encabezamento do resultado CSV. 

A instrución <@lit="store"> compórtase de xeito especial no contexto dun “bucle progresivo”. Consulta o <@pdf="Guía de usuario de Gretl#chap:looping"> (Capítulo 12) para obter máis detalles. 

Ruta do menú: /Ficheiro/Gardar datos; /Ficheiro/Exportar datos

Instrución de guión: <@ref="store">

# system Estimation "Sistemas de ecuacións"

Nesta xanela podes definir un sistema de ecuacións e escoller un estimador para o sistema. Aquí podes indicar 4 tipos de enunciado, como os seguintes: 

<indent>
• <@ref="equation">: Especifica unha ecuación do sistema. Como mínimo deben de proporcionarse dous enunciados deste tipo. 
</indent>

<indent>
• <@lit="instr">: Para estimar un sistema mediante Mínimos Cadrados en 3 etapas, indícase unha lista de instrumentos (mediante o nome da variable ou seu número). Alternativamente, podes poñer esta información na liña <@lit="equation"> usando a mesma sintaxe que na instrución <@ref="tsls">. 
</indent>

<indent>
• <@lit="endog">: Para un sistema de ecuacións simultáneas, indícase unha lista de variables endóxenas. En principio, isto está pensado para utilizar coa estimación FIML, pero podes utilizar este enfoque con Mínimos Cadrados en 3 Etapas en substitución de indicar unha lista <@lit="instr">; e entón todas as variables que non se identifiquen como endóxenas vanse utilizar como instrumentos. 
</indent>

<indent>
• <@lit="identity">: Para utilizar con Máxima Verosimilitude con Información Completa (MVIC, FIML), indícase unha identidade que enlaza dúas ou máis variables do sistema. Este tipo de enunciado se ignora cando se utiliza un estimador diferente ao de MVIC. 
</indent>

Ruta do menú: /Modelar/Ecuacións Simultáneas

Instrución de guión: <@ref="system">

# tobit Estimation "Modelo Tobit"

Estima un modelo Tobit, que pode ser o adecuado cando a variable dependente está “censurada”. Por exemplo, cando se observan valores positivos e nulos na adquisición de bens duradeiros por parte dos fogares, e ningún valor negativo, mesmo pode pensarse que as decisións sobre esas compras son o resultado dunha disposición subxacente e inobservada a comprar que pode ser negativa nalgúns casos. 

Por defecto, asúmese que a variable dependente está 'censurada' no cero pola esquerda, e que non está 'censurada' pola dereita. Porén, podes usar as caixas de anotación marcadas “Cota esquerda” e “Cota dereita” para especificar un padrón diferente de censura. Introduce un valor numérico ou <@lit="NA"> para non facer censura. 

O modelo Tobit é un caso especial da regresión por intervalos, executándose esta mediante a instrución <@ref="intreg">. 

Ruta do menú: /Modelar/Variable Dependente Limitada/Tobit

Instrución de guión: <@ref="tobit">

# transpos Dataset "Traspoñer os datos"

Traspón o conxunto vixente de datos. É dicir, cada observación (fila) do conxunto vixente de datos vaise tratar como unha variable (columna), e cada variable como unha observación. Esta instrución pode resultar útil cando se len os datos dalgunha orixe externa na que as filas da táboa de datos representan variables. 

Consulta tamén <@ref="dataset">. 

Ruta do menú: /Datos/Traspoñer datos

# tsls Estimation "Regresión con Variables Instrumentais"

A instrución require que se seleccionen 2 listas de variables: as variables independentes que aparecen no modelo indicado e un conxunto de instrumentos. Ten en conta que calquera regresor esóxeno debe de aparecer en ambas listas. 

O resultado das estimacións de Mínimos Cadrados en 2 Etapas inclúen a proba de Hausman e (se o modelo está sobreidentificado) a proba de sobreidentificación de Sargan. Na proba de Hausman, a hipótese nula é que as estimacións MCO son consistentes ou, noutras palabras, que a estimación por medio de variables instrumentais en realidade non se necesita. Un modelo desta clase está sobreidentificado se hai máis instrumentos dos que estritamente se requiren. A proba de Sargan se basea nunha regresión auxiliar dos erros da estimación do modelo por Mínimos Cadrados en 2 Etapas sobre a lista completa de instrumentos. A hipótese nula é que todos os instrumentos son válidos, e sospéitase da validez desta hipótese se a regresión auxiliar ten un grao de poder explicativo que é significativo. Para unha boa explicación das dúas probas, consulta o capítulo 8 de <@bib="Davidson e MacKinnon (2004);davidson-mackinnon04">. 

Tanto para MC2E (TSLS) como para a estimación MVIL (LIML), amósase o resultado dunha proba adicional, posto que o modelo estímase baixo o suposto de perturbacións IID (é dicir, non se escolle a opción <@opt="--⁠robust">). Esta é unha proba da debilidade dos instrumentos, pois instrumentos débiles poden levar a serios problemas na regresión de VI: estimacións nesgadas e/ou tamaño incorrecto das probas de hipóteses baseadas na matriz de covarianzas, con taxas de rexeite que superan con moito o nivel de significación nominal <@bib="(Stock, Wright e Yogo, 2002);stock-wright-yogo02">. O estatístico é o da proba <@mth="F"> da primeira etapa se o modelo contén tan só un regresor endóxeno; noutro caso, é o valor propio máis pequeno da matriz de contrapartida do <@mth="F"> da primeira etapa. Amósanse os puntos críticos baseados na análise Monte Carlo de <@bib="Stock e Yogo (2003);stock-yogo03">, cando estean dispoñibles. 

O valor de R-cadrado que se presenta para modelos estimados mediante Mínimos Cadrados en 2 Etapas é o cadrado da correlación entre a variable dependente e a variable cos valores axustados. 

Ruta do menú: /Modelar/Variables Instrumentais

Instrución de guión: <@ref="tsls">

# var Estimation "Autorregresión de vectores (VAR)"

Esta instrución require a especificación de: 

<indent>
• o nivel de retardos, é dicir, o número de retardos de cada variable que debería de incluírse no sistema; 
</indent>

<indent>
• calquera variable esóxena (pero ten en conta que: se inclúe unha constante automaticamente agás que indiques outra cousa; podes engadir unha tendencia usando o recadro de selección de tendencia; e podes engadir variables ficticias estacionais usando o recadro de selección da estacionalidade); e 
</indent>

<indent>
• unha lista de variables endóxenas, das que se inclúen os seus retardos no lado dereito de cada ecuación. (Nota: Non inclúas variables retardadas nesta lista pois vanse engadir automaticamente). 
</indent>

Vaise executar unha regresión por separado para cada variable do sistema. O resultado para cada ecuación inclúe as probas F de cero restricións sobre todos os retardos de cada unha das variables; e unha proba F para o retardo máximo, xunto con (opcionalmente) as descomposicións da varianza de predición e as funcións de resposta ao impulso. 

As descomposicións da varianza da predición e as respostas ao impulso baséanse na descomposición de Cholesky da matriz de covarianzas contemporánea e, neste contexto, ten importancia a orde na que indicas as variables (estocásticas). Así, a primeira variable da lista asúmese que é a “máis esóxena” dentro do período. Podes establecer o horizonte para as descomposicións da varianza e as respostas ao impulso, utilizando a instrución <@ref="set">. Para recuperar unha función concreta de resposta ao impulso en forma matricial, consulta a función <@xrf="irf">. 

Ruta do menú: /Modelar/Series temporais/Multivariante

Instrución de guión: <@ref="var">

# VAR-lagselect Tests "Selección da longura de retardos do VAR"

Nesta caixa de diálogo especifica un VAR como sempre, pero utiliza o botón (con frechas arriba/abaixo) do nivel de retardos para indicar o número máximo a probar. 

O resultado consiste nunha táboa que amosa os valores dos criterios de información de Akaike (AIC), Schwarz (BIC) e Hannan–Quinn (HQC), calculados para VARs de niveis desde 1 ata o máximo indicado. Isto trata de axudar na selección do nivel óptimo de retardos. 

# VAR-omit Tests "Probar as variables esóxenas dun VAR"

Utiliza esta caixa de diálogo para especificar un subconxunto de variables esóxenas dun VAR. Estas variables vanse quitar do VAR orixinal, e o sistema volve estimarse. 

Preséntase unha proba de Razón de Verosimilitudes, na que a hipótese nula é que os verdadeiros valores dos parámetros das variables omitidas son cero, en todas as ecuacións do VAR. A proba baséase na diferenza entre o logaritmo do determinante da matriz de varianzas do sistema sen restrinxir, e o do sistema restrinxido omitindo as variables elixidas. 

# vartest Tests "Probar a diferenza de varianzas"

Calcula o estatístico <@mth="F"> para probar a hipótese nula de que as varianzas nas poboacións das dúas series elixidas son iguais, e amosa a súa probabilidade asociada (valor p). 

Ruta do menú: /Ferramentas/Calculadora de probas

Instrución de guión: <@ref="vartest">

# vecm Estimation "Modelo de Vectores de Corrección do Erro"

Un VECM é unha forma de autorregresión de vectores ou VAR (consulta <@ref="var">), aplicable cando as variables do modelo son individualmente integradas de orde 1 (polo tanto son paseos aleatorios, con ou sen deriva) pero presentan cointegración. Esta instrución está intimamente relacionada coa proba de cointegración de Johansen (consulta <@ref="coint2">). 

O nivel de retardos escollido na caixa de diálogo do VECM é o do sistema VAR. O número de retardos no propio VECM (onde a variable dependente indícase como unha primeira diferenza) é de un menos ca ese número. 

O “rango” representa o número de vectores cointegrantes. Este debe de ser maior ca cero, e menor ou igual (xeralmente menor) que o número de variables endóxenas escollidas. 

No cadriño “Variables endóxenas ” podes escoller o vector de variables endóxenas, expresadas en niveis. A inclusión de termos de tipo determinístico no modelo contrólase mediante o botón da caixa de opcións. Por defecto, inclúese unha “Constante non restrinxida”, o que permite que haxa unha ordenada na orixe non nula nas relacións de cointegración, así como unha tendencia nos niveis das variables endóxenas. A literatura derivada do traballo de Johansen (por exemplo, consulta o seu libro de 1995) habitualmente refírese a isto como o “caso 3”. As outras 4 opcións xeran os casos 1, 2, 4 e 5, respectivamente. Os significados destes casos e os criterios que se usan para escoller un caso, explícanse no <@pdf="Guía de usuario de Gretl#chap:vecm"> (Capítulo 29). 

No cadriño “Variables esóxenas” podes engadir determinadas variables esóxenas. Por defecto, estas entran no modelo de forma non restrinxida (indicada cun <@lit="U"> á beira do nome da variable). Se queres que unha determinada variable esóxena estea restrinxida ao espazo de cointegración, preme un clic co botón dereito do rato sobre ela e selecciona “Restrinxida” no menú emerxente. Entón o símbolo á beira da variable vai trocarse en R. 

Se os datos son trimestrais ou mensuais, amósase un cadro de verificación que te permite incluír un conxunto de variables ficticias estacionais centradas. En todos os casos, outro cadriño de verificación (“Amosar os detalles das regresión”) permite presentar as regresións auxiliares que forman o punto de inicio do procedemento de estimación máximo verosímil de Johansen. 

Ruta do menú: /Modelar/Series temporais/Multivariante

Instrución de guión: <@ref="vecm">

# wls Estimation "Mínimos Cadrados Ponderados"

Sexa 'varponder' a variable escollida no cadriño 'Variable de ponderación'. Execútase unha regresión MCO, onde a variable dependente é o produto da raíz cadrada positiva de varponder e a variable dependente elixida, e as variables independentes se multiplican tamén pola raíz cadrada de varponder. Os estatísticos como <@itl="R">-cadrado baséase nos datos ponderados. Se varponder é unha variable ficticia, a estimación de mínimos cadrados ponderados é equivalente á que resulta ao eliminar todas as observacións que teñen un valor cero para varponder. 

Ruta do menú: /Modelar/Outros Modelos Lineais/Mínimos Cadrados Ponderados

Instrución de guión: <@ref="wls">

# workdir Utilities "Cartafol de traballo"

O cartafol de traballo (ou “workdir”) é onde Gretl fai a procura por defecto ao ler ou escribir ficheiros de datos ou guións, mediante os diálogos 'Abrir ficheiro de datos' e 'Gardar datos'. Ademais, é a localización por defecto para 

<indent>
• ler ficheiros mediante instrucións tales como <@lit="append">, <@lit="open">, <@lit="run"> e <@lit="include">; e 
</indent>

<indent>
• escribir ficheiros mediante instrucións tales como <@lit="eqnprint">, <@lit="tabprint">, <@lit="gnuplot">, <@lit="outfile"> e <@lit="store">. 
</indent>

Podes determinar o cartafol de traballo dun destes dous xeitos: (a) utilizando o diálogo ao que se accede mediante o elemento “Cartafol de traballo” no menú Ficheiro, ou (b) usando a instrución <@ref="set">, como en 

<code>          
   set workdir /ruta/a/algúnsitio
</code>

Podes revisar o valor vixente da variable <@lit="workdir"> no diálogo que se acaba de mencionar, ou mediante a instrución 

<code>          
   eval $workdir
</code>

Por defecto, o valor de <@lit="workdir"> mantense ao longo das sesións de Gretl. Porén, os usuarios que queiran traballar co indicador de instrucións (lanzando Gretl desde unha xanela dun terminal) poden preferir ter o cartafol de traballo determinado automaticamente, desde o principio, como cartafol vixente (de acordo co intérprete). Podes escoller esta opción no diálogo ou mediante a instrución 

<code>          
   set use_cwd on
</code>

(“cwd” = cartafol de traballo vixente). 

O diálogo do cartafol de traballo tamén te permite determinar o comportamento do selector de ficheiros da Interface Gráfica de Usuario (GUI). Así, se abres ou gardas un ficheiro nun determinado cartafol, o selector debe de lembralo e volver ao mesmo cartafol na seguinte solicitude? Ou o selector debe de visitar sempre o cartafol de traballo elixido? 

Ruta do menú: /Ficheiro/Cartafol de traballo

# x12a Utilities "ARIMA X-12"

Aquí hai dúas opcións para proceder, controladas polo conxunto que te ofrece o botón inferior de selección. 

Se escolles “Executar directamente ARIMA-X-12 ” entón Gretl escribe un ficheiro de instrucións para ARIMA X-12, e solicita que o programa x12a execute as instrucións. Neste caso, tes a posibilidade de xerar unha gráfica e/ou gardar series escollidas do resultado no conxunto de datos de Gretl. 

Se escolles “Preparar un ficheiro de instrucións de ARIMA X-12”, Gretl escribe un ficheiro de instrucións para ARIMA X-12 (igual que no caso de arriba), pero entón abre este ficheiro nunha xanela do editor. Nesta xanela podes facer cambios e gardar o ficheiro co nome que ti elixas. Tamén podes enviar o ficheiro para que o execute x12a (premendo un clic no botón “Executar” na barra de ferramentas da xanela do editor) e comprobar o resultado. Pero neste caso, non tes a posibilidade de gardar os datos como series nin de xerar unha gráfica de Gretl. 

# xcorrgm Statistics "Correlograma cruzado"

Presenta e debuxa o correlograma cruzado de <@var="serie1"> con <@var="serie2">, que podes especificar mediante os seus nomes ou os seus números. Os valores son os coeficientes de correlación na mostra entre o valor vixente de <@var="serie1"> e os sucesivos adiantos e retardos de <@var="serie2">. 

Se especificas un valor para <@var="nivel">, a longura do correlograma cruzado limítase a ese número de adiantos e retardos (cando menos); noutro caso, a longura determínase de forma automática en función da frecuencia dos datos e do número de observacións. 

Por defecto, xérase unha gráfica do correlograma cruzado: unha gráfica Gnuplot en modo interactivo ou unha gráfica ASCII en modo de procesamento por lotes. Podes axustar isto mediante a opción <@opt="--⁠plot">. Os parámetros admisibles para esta opción son <@lit="none"> (para omitir a gráfica), <@lit="ascii"> (para xerar unha gráfica de texto aínda que sexa en modo interactivo), <@lit="display"> (para xerar unha gráfica Gnuplot aínda que sexa en modo de procesamento por lotes), ou un nome de ficheiro. O efecto de proporcionar un nome de ficheiro é como se describiu para a opción <@opt="--⁠output"> da instrución <@ref="gnuplot">. 

Ruta do menú: /Ver/Correlograma cruzado
Outro acceso: Xanela principal: Menú emerxente (selección múltiple)

Instrución de guión: <@ref="xcorrgm">

# xtab Statistics "Tabulación cruzada de variables"

Amosa unha táboa de continxencia ou unha tabulación cruzada para cada combinación das variables escollidas. Ten en conta que todas as variables deben de ser discretas. 

Por defecto, nas celas e nas marxes da táboa amósanse os valores que contan a frecuencia. Porén, podes escoller que se amosen no seu lugar as porcentaxes, ben por filas ou ben por columnas. 

Por defecto, as celas cun reconto de cero casos amósanse como baldeiras, pero podes escoller que se amose o valor cero explicitamente. 

A proba de independencia khi-cadrado de Pearson amósase se a frecuencia agardada baixo independencia é cando menos de 1.0e-7 para todas as celas. Unha regra xeral habitual da validez deste estatístico é que polo menos o 80 por cento das celas deben de ter frecuencias agardadas iguais a 5 ou máis; e se este criterio non se cumpre, preséntase unha advertencia. 

Se unha táboa de continxencia é 2 por 2, calcúlase a Proba Exacta de independencia de Fisher. Cae na conta de que esta proba baséase no suposto de que os totais por fila e por columna son fixos, o que pode ser ou non ser adecuado dependendo de como se xeraron os datos. Debes de utilizar a probabilidade asociada (valor p) da esquerda cando a alternativa á independencia é a asociación negativa (os valores tenden a agruparse nas celas de abaixo á esquerda e de arriba á dereita); e debes de utilizar o valor p da dereita se a alternativa é a asociación positiva. O valor p de dúas colas para esta proba calcúlase mediante o método (b) da sección 2.1 de <@bib="Agresti (1992);agresti92">: isto é a suma das probabilidades de todas as táboas posibles que teñan os totais de filas e columnas indicados, e que teñan unha probabilidade menor ou igual á da táboa observada. 

Instrución de guión: <@ref="xtab">