Series de Tiempo I. Alvaro J. Riascos Villegas Universidad de los Andes y Quantil. Febrero de 2012
|
|
- Alejandro Farías Moya
- hace 7 años
- Vistas:
Transcripción
1 Contenido Motivación Vectores Autorregresivos (VAR) Priors Series de Tiempo I Alvaro J. Riascos Villegas Universidad de los Andes y Quantil Febrero de 2012
2 Contenido Motivación Vectores Autorregresivos (VAR) Priors 1 Motivación 2 Vectores Autorregresivos (VAR) 3 Priors
3 Motivación Contenido Motivación Vectores Autorregresivos (VAR) Priors Algunos problemas de interés en macroeconomía requieren de pronósticar variables económicas. Para esto resulta valiosos contar con la mayor cantidad de información disponible (series de tiempo). Modelos tradicionales que han resultado ser útilies para realizar pronósticos y son a la vez bastante flexibles son los modelo de vectores autorregresivos. Al utilizar muchas variables se corre el riesgo de sobre parametrizar y es necesario reducir la incertidumbre de los parámetros (shrink).
4 Motivación Vamos a discutir modelos VAR Bayesianos con diferentes priors. 1 No informativa. 2 Natural conjugada. 3 Minnesota. 4 Independinte Normal - Wishart. Modelos lineales de esapcio estado (un caso particular siendo los modelos con parámetros cambiantes TV-VARS)
5 VAR Contenido Motivación Vectores Autorregresivos (VAR) Priors Un VAR es un proceso estocástico multivariado Y t (K dimensional) tal que: Y t = ν + A 1 Y t A p Y t p + ɛ t (1) que se puede expresar de forma equivalente como: y t = (I K Z) β + ɛ t (2) donde y t es la vectorización de Y, Z es una matriz K T, ɛ t = N(0, Σ I T ) y es el producto directo o producto de Kronecker de dos matrices.
6 VAR Dadas dos matrices A, B (sin importar las dimensiones) el producto de Kronecker se define como: Obsérvese que C ij es una matriz. A B = C (3) C ij = a ij B (4) La distribución muestral es: p(y t β, Σ) La función de verosimilitud se puede expresar como el producto de dos. 1 La condicional de β dado Σ y y es normal. 2 La condicional de Σ 1 dado y es Wishart.
7 Contenido Motivación Vectores Autorregresivos (VAR) Priors Cuatro ideas para evaluar la conveniencia de los priors. 1 Los VARs son modelos que típicamente utilizan muchos parámetros. Las distribuciones iniciales sirven para imponer restriciones flexibles en forma de distribuciones. 2 Algunos priors permiten obtener distribuciones posteriores de forma análitica y disminuir el peso computacional de ejercicios como estimadores puntuales o pronósticos. 3 Pueden evaluarse con respecto a la flexibilidad que le permiten a los parámetros del modelo: parámetros que varian en el tiempo, correlaciones entre variables, etc. 4 Demanda computacional. Por ejemplo, si el interés es hacer pronósticos recursivos el esfuerzo computacional es grande.
8 Priors Vamos a considerar cuatro tipos de distribuciones iniciales. 1 Minnesota. 2 No informativa. 3 Natural conjugada. 4 Independiente Normal - Wishart.
9 Contenido Minnesota Prior natural conjugada Prior no informativa Prior Normal - Wishart independiente Pronósticos y análisis de impulso respuesta Modelos de Espacio Estado Series de Tiempo II Alvaro J. Riascos Villegas Universidad de los Andes y Quantil Febrero de 2012
10 Contenido Minnesota Prior natural conjugada Prior no informativa Prior Normal - Wishart independiente Pronósticos y análisis de impulso respuesta Modelos de Espacio Estado 1 Minnesota 2 Prior natural conjugada 3 Prior no informativa 4 Prior Normal - Wishart independiente 5 Pronósticos y análisis de impulso respuesta 6 Modelos de Espacio Estado
11 Contenido Minnesota Prior natural conjugada Prior no informativa Prior Normal - Wishart independiente Pronósticos y análisis de impulso respuesta Modelos de Espacio Estado Minnesota La prior de Minnesota consiste en una simplificación sustancial del problema motivada por su simplicidad pero no completamente fiel al espíritu Bayesiano. En esta se sustituye la matriz varianza - covarianza Σ por un estimador putual. Por ejemplo el estimador clásico. En ese caso basta con definir una prior para β. Por ejemplo: β N(µ M 0, V M 0 ) (1)
12 Minnesota Para determinar la media de la prior recordemos que las variables explicativas contienen una constante, rezagos de la variable dependiente y posiblemente otras variables exógenas. Si las variables están en tasas de crecimiento y se sospecha una perisitencia baja, lo natural es hacer cero la media de la prior. Si la prior es en niveles es natural poner en uno la prior en los rezagos de la variable dependiende sugiriendo caminatas aleatorias en niveles.
13 Minnesota La matriz de varianza covarianza típicamente se supone diagonal (véase página 7 de Koops y Korobilis). La gran ventaja de esta prior es que la posterior es normal: p(α y) N(µ M, V M ) (2) donde existen exiten fórmulas expĺıcitas para la media y varianza covarianza posterior. En cualquier caso desonocer que la matriz de varianza covarianza es una variable aleatoria es una sobre simplificación de esta escogencia.
14 Contenido Minnesota Prior natural conjugada Prior no informativa Prior Normal - Wishart independiente Pronósticos y análisis de impulso respuesta Modelos de Espacio Estado Prior natural conjugada La prior natural conjugada (sobre todos los parámetros) se define como: 1 La condicional de β dado Σ es normal. 2 La prior de Σ 1 es Wishart. La posterior tiene la misma estructura. 1 La posterior condicional de β dado Σ y y es normal. 2 La posterior condicional de Σ 1 dado y es Wishart. Para este modelo se puede demostrar que la distribución predictiva un paso adelante es t. Para un horzionte más largo se desconoce una forma anaĺıtica.
15 Contenido Minnesota Prior natural conjugada Prior no informativa Prior Normal - Wishart independiente Pronósticos y análisis de impulso respuesta Modelos de Espacio Estado Prior no informativa La prior no informativa se escoge seleccionando de forma adecuada los hiperparámteros de la prior natural conjugada. El procedimiento es completamente análogo al caso de la prior no informativa en el modelo normal gamma. El resultado e usar la prior no informativa es que otenemos actualizaciones de los parámetros que coinciden con los estimadores clásicos. En este sentido no hay un shrinkage que mitigue el problema de sobre parametrización del modelo VAR.
16 Contenido Minnesota Prior natural conjugada Prior no informativa Prior Normal - Wishart independiente Pronósticos y análisis de impulso respuesta Modelos de Espacio Estado Prior Normal - Wishart independiente A diferencia del caso de la prior conjugada donde se usa una distribución condicional normal para los parámetros β, en este caso se supone los paramétros β y Σ son independientes siendo normal y Wishart (Σ 1 ). De la misma forma que la el modelo de regresión lineal con prior normal - gamma indpendiente, la posterior no es fácil de simular y es necesario apelar método de muestroe de Gibbs.
17 Contenido Minnesota Prior natural conjugada Prior no informativa Prior Normal - Wishart independiente Pronósticos y análisis de impulso respuesta Modelos de Espacio Estado Pronósticos y análisis de impulso respuesta Consideramos dos formas de evaluar pronósticos. MSFE y evaluacion de la distribución pronósticadas. En ambos casos se usan pronósticos recursivos. MSFE es el tradicional usando pronósticos puntuales. Para el segundo caso se evalua el valor de la distribución predictiva en el valor observado. Una medida de rendimiento es entonces la suma del logaritmo del valor de la densidad predictiva en el valor observado (condicional a los datos).
18 seen that for this empirical example, which involves a moderately large data set, Pronósticos the prior is having y análisis relatively de little impulso impact. respuesta That is, predictive means and standard deviations are similar for all six priors, although it can be seen that the predictive standard deviations with the Minnesota prior do tend to be slightly smaller than the other priors. bayesian vars.pdf Table 3. Predictive mean of y (st. dev. in parentheses) T +1 PRIOR T +1 u T +1 r T +1 Noninformative (0.315) (0.318) (0.776) Minnesota (0.302) (0.319) (0.741) Natural conjugate (0.313) (0.314) (0.748) Indep. Normal-Wishart (0.322) (0.324) (0.780) SSVS - VAR (0.323) (0.323) (0.787) SSVS (0.304) (0.317) (0.785) True value, y T Figures 2 and 3 present impulse responses of all three of our variables to all
19 Pronósticos y análisis de impulso respuesta likelihooh bayesian vars.pdf Table 4: MSFEs as Proportion of Random walk MSFEs Sums of log predictive likelihoods in parentheses Variable Minnesota Prior SSVS Prior SSVS+Minnesota M = 3 M = 20 M = 3 M = 20 M = 3 M = 20 Forecast Horizon of One Quarter GDP 0:650 0:552 0:606 0:641 0:698 0:647 ( 206:4) ( 192:3) ( 198:40) ( 205:1) ( 204:7) ( 203:9) CPI 0:347 0:303 0:320 0:316 0:325 0:291 ( 201:2) ( 195:9) ( 193:9) ( 196:5) ( 191:5) ( 187:6) FFR GDP CPI FFR 0:619 ( 238:4) 0:514 ( 229:1) 0:844 ( 252:4) Forecast Horizon of One Year 0:744 0:609 0:615 ( 220:6) ( 214:7) ( 207:8) 0:525 0:522 0:501 ( 209:5) ( 219:4) ( 208:3) 0:668 0:587 0:527 ( 243:3) ( 249:6) ( 231:2) 0:579 ( 237:2) 0:754 ( 293:2) 0:772 ( 276:4) 0:881 ( 268:1) 0:744 ( 252:7) 0:844 ( 221:6) 0:468 ( 194:4) 0:618 ( 228:8) 3 Bayesian State Space Modeling and Stochastic Volatility 3.1 Introduction and Notation In the section on Bayesian VAR modeling, we showed that the (possibly restricted) VAR could be written as: yt = Zt + " for appropriate de nitions of Zt and. In many macroeconomic applications, it is undesirable to assume to be constant, but it is sensible to assume that 0:543 ( 228:9) 0:667 ( 219:0) 0:489 ( 201:6) 0:518 ( 233:7)
20 Pronósticos y análisis de impulso respuesta response bayesian vars.pdf Figure 2: Posterior of impulse responses - Noninformative prior.
21 Contenido Minnesota Prior natural conjugada Prior no informativa Prior Normal - Wishart independiente Pronósticos y análisis de impulso respuesta Modelos de Espacio Estado Considere el siguiente modelo: y t = X t β + Z t αt + ɛ t (3) α t+1 = T t αt + µ t (4) donde: X es 1 k, Z es 1 p, T t es 1 T, ɛ t iid N(0, h 1 ) y µ t iid N(0, H 1 ). X, Z, T son conocidos pero el modelo se puede extender fácilmente al caso en el que T es desconocido. α se llama la variable de estado y su dinámica se denomina ecuación de estado. y es la variable de observación y su ecuación se denomina la ecuación observación. Muchos modelos de series de tiempo se pueden representar de esta forma.
22 Modelos de Espacio Estado Obsérvese que si los parámetros α t son conocidos entonces el modelo se puede representar como: donde y t X t β. y = X t β + ɛ t (5) Esto reduce el modelo a uno de regresion lineal estándar y sugiero el algoritmo de Gibbs para simular la posterior ya que si definimos una distribución para p(α 1,..., α T y, β, h, H) bastaría con especificar p(β, h, H y, α 1,..., α T ) y básicamente se podría apelar a la teoría del caso de regresión lineal.
23 Modelos de Espacio Estado Específicamente supongamos que las priors son independientes, β es normal, h es normal gamma, H es Wishart y la distribución de p(α 1,..., α T y, β, h, H) la determina la ecuación de estado. Entonces: p(β, h, H, α 1,..., α T ) = p(β)p(h)p(h)p(α 1,..., α T H) (6) La prior de los parámetros alpha se determina de forma jerárquica usando la dinámica de las variables de estado: p(α 1,..., α T H) = p(α 1 H) p(α 2 α 1, H)... (7) donde p(α t+1 α t, H) es normal y p(α 1 H) es normal.
Alvaro J. Riascos Villegas Universidad de los Andes y Quantil. Marzo 14 de 2012
Contenido Motivación Métodos computacionales Integración de Montecarlo Muestreo de Gibbs Rejection Muestreo Importante Metropolis - Hasting Markov Chain Montecarlo Method Complemento ejemplos libro: Bayesian
Más detallesESTIMACIÓN Estas transparencias contienen material adaptado del curso de PATTERN RECOGNITION AND MACHINE LEARNING de Heikki Huttunen y del libro Duda.
ESTIMACIÓN Estas transparencias contienen material adaptado del curso de PATTERN RECOGNITION AND MACHINE LEARNING de Heikki Huttunen y del libro Duda. APRENDIZAJE AUTOMÁTICO, ESTIMACIÓN Y DETECCIÓN Introducción
Más detallesIntroducción. Distribución Gaussiana. Procesos Gaussianos. Eduardo Morales INAOE (INAOE) 1 / 47
Eduardo Morales INAOE (INAOE) 1 / 47 Contenido 1 2 3 (INAOE) 2 / 47 Normalmente, en los algoritmos de aprendizaje que hemos visto, dado un conjunto de ejemplos de entrenamiento se busca encontrar el mejor
Más detallesModelo Lineal Generalizado GAMMA. Distribución gamma: Otra parametrización mediante el parámetro de forma y la media:
Modelo Lineal Generalizado GAMMA Distribución gamma: Otra parametrización mediante el parámetro de forma y la media: La distribución gamma es de tipo exponencial: 1 Supongamos que se dispone de r subpoblaciones
Más detallesEjercicio 1. Ejercicio 2
Guía de Ejercicios Ejercicio. Calcular los momentos de primer y segundo orden (media y varianza) de una variable aleatoria continua con distribución uniforme entre los límites a y b.. Sabiendo que la función
Más detallesEconometría II Grado en finanzas y contabilidad
Econometría II Grado en finanzas y contabilidad Procesos autorregresivos Profesora: Dolores García Martos E-mail:mdgmarto@est-econ.uc3m.es Este documento es un resumen/modificación de la documentación
Más detallesClasificación Supervisada
Clasificación Supervisada Ricardo Fraiman 26 de abril de 2010 Resumen Reglas de Clasificación Resumen Reglas de Clasificación Descripción del problema Muestra de entrenamiento (X 1, Y 1 ),..., (X n, Y
Más detallesEstadística Bayesiana y Riesgos
Estadística Bayesiana y Riesgos Manuel Mendoza Ramírez Instituto Tecnológico Autónomo de México Seminario Aleatorio. Contribuciones Recientes de la Estadística a la Actuaría en México. ITAM. México, D.F.
Más detallesCapítulo 2. Medidas Estadísticas Básicas Medidas estadísticas poblacionales
Capítulo 2 Medidas Estadísticas Básicas 2.1. Medidas estadísticas poblacionales Sea X una variable aleatoria con función de probabilidad p(x) si es discreta, o función de densidad f(x) si es continua.
Más detallesModelos Estadísticos de los Factores de Riesgo: Series de Tiempo
Contenido Estructura básica análisis de riesgo Ejemplos Distribuciones codicionales y no condicionales Hacia donde vamos?: medidas de riesgo Métodos para deducir la distribución del proceso de pérdidas
Más detallesEconometría de series de tiempo aplicada a macroeconomía y finanzas
Econometría de series de tiempo aplicada a macroeconomía y finanzas Series de Tiempo Estacionarias (Multivariadas) Carlos Capistrán Carmona ITAM 1 Principios de Pronóstico. 2 Pruebas de Hipótesis. 3 Estimación
Más detallesUn modelo AR dinámico para el análisis de series de tiempo múltiples
Un modelo AR dinámico para el análisis de series de tiempo múltiples Luis E. Nieto Barajas (conjunto con Fernando Quintana) Departamento de Estadística ITAM IIMAS-UNAM 15 noviembre 2016 Luis E. Nieto Barajas
Más detallesDistribuciones multivariadas
Distribuciones multivariadas Si X 1,X 2,...,X p son variables aleatorias discretas, definiremos la función de probabilidad conjunta de X como p(x) =p(x 1,x 2,...,x k )=P (X 1 = x 1,X 2 = x 2,...,X p =
Más detallesAgro 6998 Conferencia 2. Introducción a los modelos estadísticos mixtos
Agro 6998 Conferencia Introducción a los modelos estadísticos mixtos Los modelos estadísticos permiten modelar la respuesta de un estudio experimental u observacional en función de factores (tratamientos,
Más detallesClase 3: Vectores gaussianos *
Clase 3: Vectores gaussianos * Índice 1. Vectores gaussianos 1. Simulación de vectores gaussianos.1. Simulación de variables gaussianas: el método de Box-Muller.. Simulation of bi-dimensional Gaussian
Más detallesEconometría de series de tiempo aplicada a macroeconomía y finanzas
Econometría de series de tiempo aplicada a macroeconomía y finanzas Series de Tiempo no Estacionarias Carlos Capistrán Carmona ITAM Tendencias Una tendencia es un movimiento persistente de largo plazo
Más detalles1. Supongamos que queremos estimar el estado de la economía española (el Índice (x t )). Sin embargo x t resulta inobservable.
1 Índice FEDEA 1.1 El Índice (Teoría) 1. Supongamos que queremos estimar el estado de la economía española (el Índice (x t )). Sin embargo x t resulta inobservable. 2. Pero disponemos de algunos datos
Más detalles5. Estimación del Modelo y Resultados
5. Estimación del Modelo y Resultados 5.1. Forma reducida del modelo Como no se tienen datos sobre la tasa natural de desempleo, es necesario hacer una forma reducida del modelo para poder estimarlo utilizando
Más detallesProbabilidades. 11 de noviembre de 2013. Felipe Bravo Márquez
Felipe José Bravo Márquez 11 de noviembre de 2013 Motivación Las probabilidades son el lenguaje de la incertidumbre que a la vez es la base de la inferencia estadística. El problema estudiado en probabilidades
Más detallesVariables aleatorias. Utilizando el resultado anterior, vemos que
Variables aleatorias Utilizando el resultado anterior, vemos que Variables aleatorias Otro tipo de función generadora (generatriz) es la función generadora de momentos Para una variable aleatoria X y un
Más detallesLos números. 0 cero 1 uno / un 2 dos 3 tres 4 cuatro. 6 seis 7 siete 8 ocho 9 nueve 10 diez 5 cinco
53 31 16 0 cero 1 uno / un 2 dos 3 tres 4 cuatro 6 seis 7 siete 8 ocho 9 nueve 10 diez 5 cinco 11 - once 12 - doce 13 - trece 14 - catorce 17 - diecisiete 18 - dieciocho 19 - diecinueve 20 - veinte 15
Más detallesUna aproximación bayesiana al problema de heteroscedasticidad en el modelo lineal simple
Revista Colombiana de Estadística Volumen 8 N o pp 7 a Junio 005 Una aproximación bayesiana al problema de heteroscedasticidad en el modelo lineal simple Juan Carlos Correa * Resumen Presentamos una implementación
Más detallespeso edad grasas Regresión lineal simple Los datos
Regresión lineal simple Los datos Los datos del fichero EdadPesoGrasas.txt corresponden a tres variables medidas en 25 individuos: edad, peso y cantidad de grasas en sangre. Para leer el fichero de datos
Más detallesAnálisis multivariante II
Análisis multivariante II Tema 1: Introducción Pedro Galeano Departamento de Estadística Universidad Carlos III de Madrid pedro.galeano@uc3m.es Curso 2016/2017 Grado en Estadística y Empresa Pedro Galeano
Más detallesTema 4 - Introducción
Tema 4 - Introducción 1 Tema 3. Estimación puntual Criterios de comparación de estimadores: Insesgadez. Estimadores de mínima varianza. Error cuadrático medio. Consistencia. Cómo obtener estimadores? Tema
Más detallesEconometría 1. Karoll GOMEZ Segundo semestre 2017
Econometría 1 Karoll GOMEZ kgomezp@unal.edu.co http://karollgomez.wordpress.com Segundo semestre 2017 II. El modelo de regresión lineal Esperanza condicional I Ejemplo: La distribución de los salarios
Más detallesEl Algoritmo E-M. José Antonio Camarena Ibarrola
El Algoritmo E-M José Antonio Camarena Ibarrola Introducción Método para encontrar una estimación de máima verosimilitud para un parámetro ѳ de una distribución Ejemplo simple 24 Si tiene las temperaturas
Más detallesCOMPONENTES PRINCIPALES
COMPONENTES PRINCIPALES Jorge Galbiati R. El método de Componentes Principales tiene por objeto reducir la dimensionalidad de un problema de múltiples variables, aplicando una sucesión de transformaciones
Más detallesTema1. Modelo Lineal General.
Tema1. Modelo Lineal General. 1. Si X = (X 1, X 2, X 3, X 4 ) t tiene distribución normal con vector de medias µ = (2, 1, 1, 3) t y matriz de covarianzas 1 0 1 1 V = 0 2 1 1 1 1 3 0 1 1 0 2 Halla: a) La
Más detalles1.-Fuentes de perturbación no esféricas. Autocorrelación y Heterocedasticidad.
Tema 9: Perturbaciones no esféricas l modelo lineal con matriz de covarianzas de los errores general -Fuentes de perturbación no esféricas Autocorrelación y Heterocedasticidad l estimador MCO en presencia
Más detallesANÁLISIS DE REGRESIÓN
ANÁLISIS DE REGRESIÓN INTRODUCCIÓN Francis Galtón DEFINICIÓN Análisis de Regresión Es una técnica estadística que se usa para investigar y modelar la relación entre variables. Respuesta Independiente Y
Más detalles2.3. Análisis bayesiano para datos normales
2.3. Análisis bayesiano para datos normales 87 2.3. Análisis bayesiano para datos normales Otra de las situaciones más frecuentes en la práctica estadística es aquella en la que nos encontramos con datos
Más detallesCálculo de Probabilidades II Preguntas Tema 2
Cálculo de Probabilidades II Preguntas Tema 2 1. Demuestre que la suma de n v.a. Bernuolli(p) independientes tiene una distribución Binomial con parametros (n, p). 2. Se dice que una v.a tiene una distribución
Más detallesEconometría 1. Karoll GOMEZ Segundo semestre 2017
Econometría 1 Karoll GOMEZ kgomezp@unal.edu.co http://karollgomez.wordpress.com Segundo semestre 2017 II. El modelo de regresión lineal Esperanza condicional I Ejemplo: La distribución de los salarios
Más detallesANÁLISIS DE LAS SERIES DE TIEMPO - NIVEL II
ANÁLISIS DE LAS SERIES DE TIEMPO - NIVEL II Introducción: Este curso está orientado a formar una base en el análisis de las series temporales que brindará las bases para desenvolverse con gran calidad
Más detallesVariables aleatorias
Variables aleatorias Un poco más general: si ahora S n está dada por la suma de variables independientes de la forma: S n =c 1 X 1 +... +c n X n, entonces la función generatriz viene dada por: Variables
Más detallesEstadística II Tema 1: Distribución normal multivariante
Estadística II Tema 1: Distribución normal multivariante José R. Berrendero Departamento de Matemáticas Universidad Autónoma de Madrid Algunas propiedades de los vectores aleatorios Sea X = (X 1,..., X
Más detallesEstadística Bayesiana
Universidad Nacional Agraria La Molina 2017-1 Teoría de la decisión Riesgo de Bayes La teoría de decisión es un área de suma importancia en estadística ya que muchos problemas del mundo real pueden tomar
Más detallesVectores aleatorios (distribuciones multivariantes)
Vectores aleatorios (distribuciones multivariantes) Tema 9. Distribución conjunta de un vector aleatorio. Distribuciones marginales y condicionadas Ignacio Cascos Depto. Estadística, Universidad Carlos
Más detallesANALISIS FACTORIAL. Jorge Galbiati R.
ANALISIS FACTORIAL Jorge Galbiati R El análisis factorial es un modelo matamático que pretende explicar la correlación entre un conjunto grande de variables observadas y un pequeño conjunto de factores
Más detallesAnálisis Multivariante de Datos
Análisis Multivariante de Datos Curso 2016-2017 Por qué es importante realizar inferencia sobre los parámetros de la normal? La estimación máximo-verosímil (MV) de la distribución Normal son la media y
Más detallesModelo de Regresión Lineal Simple
1. El Modelo Modelo de Regresión Lineal Simple El modelo de regresión lineal simple es un caso especial del múltple, donde se tiene una sola variable explicativa. y = β 0 + β 1 x + u (1.1) Donde u representa
Más detallesEconomía Aplicada. Modelos con variables dependiente binarias. Departamento de Economía Universidad Carlos III de Madrid
Economía Aplicada Modelos con variables dependiente binarias Departamento de Economía Universidad Carlos III de Madrid Ver Stock y Watson (capítulo 11) 1 / 28 Modelos con variables dependiente binarias:
Más detallesEl método de mínimos cuadrados. Curso de Estadística TAE, 2005 J.J. Gómez-Cadenas
El método de mínimos cuadrados Curso de Estadística TAE, 005 J.J. Gómez-Cadenas Mínimos cuadrados y máxima verosimilitud Teorema del límite central Una medida y, puede considerarse como un variable aleatoria,
Más detallesModelos lineales. Tema 1: Modelo de regresión lineal simple. 6 de febrero de Carmen Armero
Carmen Armero 6 de febrero de 2012 Introducción Un poco de historia Definición y propiedades Mínimos cuadrados Máxima verosimilitud Ejemplo: Masa muscular y edad 1.I La edad es uno de los factores determinantes
Más detallesIntroducción al Tema 9
Tema 2. Análisis de datos univariantes. Tema 3. Análisis de datos bivariantes. Tema 4. Correlación y regresión. Tema 5. Series temporales y números índice. Introducción al Tema 9 Descripción de variables
Más detallesUNA COMPARACIÓN DE LOS MODELOS POISSON Y BINOMIAL NEGATIVA CON STATA: UN EJERCICIO DIDÁCTICO
3er Encuentro de Usuarios de Stata en México UNA COMPARACIÓN DE LOS MODELOS POISSON Y BINOMIAL NEGATIVA CON STATA: UN EJERCICIO DIDÁCTICO Noé Becerra Rodríguez Fortino Vela Peón Mayo, 2011 Mo9vación Ac#vidad
Más detallesBernardo y Smith (1994), Sección 5.3. Gelman et al (1995), Capítulo 4, Secciones y Apéndice B.
CAPÍTULO 6. MUESTRAS GRANDES Para leer Bernardo y Smith (1994), Sección 5.3. Gelman et al (1995), Capítulo 4, Secciones 4.1 4.3 y Apéndice B. Si la muestra es muy grande, está claro que los valores de
Más detallesMÉTODOS AVANZADOS EN APRENDIZAJE ARTIFICIAL: TEORÍA Y APLICACIONES A PROBLEMAS DE PREDICCIÓN
MÉTODOS AVANZADOS EN APRENDIZAJE ARTIFICIAL: TEORÍA Y APLICACIONES A PROBLEMAS DE PREDICCIÓN Manuel Sánchez-Montañés Luis Lago Ana González Escuela Politécnica Superior Universidad Autónoma de Madrid Teoría
Más detallesEl modelo de azar proporcional: la regresión de Cox
El modelo de azar proporcional: la regresión de Cox Alfonso Luis Palmer Pol y Jose Maria Losilla Vidal El Análisis de la Supervivencia (Palmer, 1988) engloba una variedad de técnicas estadísticas que permiten
Más detallesGeneración de números aleatorios con distribución uniforme
Generadores de Números Aleatorios 1 Existen en la actualidad innumerables métodos para generar números aleatorios En la literatura disponible se pueden encontrar gran cantidad de algoritmos. Generación
Más detallesEstadística II Tema 4. Regresión lineal simple. Curso 2009/10
Estadística II Tema 4. Regresión lineal simple Curso 009/10 Tema 4. Regresión lineal simple Contenidos El objeto del análisis de regresión La especificación de un modelo de regresión lineal simple Estimadores
Más detallesT3. El modelo lineal básico
T3. El modelo lineal básico Ana J. López y Rigoberto Pérez Dpto Economía Aplicada. Universidad de Oviedo Curso 2010-2011 Curso 2010-2011 1 / 41 Índice 1 Regresión lineal múltiple Planteamiento Hipótesis
Más detallesGeneralmente, el objetivo de cualquier estudio de econometría es la. búsqueda de relaciones matemáticas que permitan explicar el comportamiento
5. METODOLOGÍA ECONOMÉTRICA. Generalmente, el objetivo de cualquier estudio de econometría es la búsqueda de relaciones matemáticas que permitan explicar el comportamiento de una variable económica a partir
Más detallesECONOMETRÍA II Prof.: Begoña Álvarez TEMA 1 INTRODUCCIÓN. Estimación por máxima verosimilitud y conceptos de teoría asintótica
ECONOMETRÍA II Prof.: Begoña Álvarez 2007-2008 TEMA 1 INTRODUCCIÓN Estimación por máxima verosimilitud y conceptos de teoría asintótica 1. ESTIMACIÓN POR MÁXIMA VEROSIMILITUD (MAXIMUM LIKELIHOOD) La estimación
Más detallesECONOMETRÍA II: ECONOMETRÍA DE SERIES TEMPORALES. Regresión con autocorrelación
ECONOMETRÍA II: ECONOMETRÍA DE SERIES TEMPORALES Regresión con autocorrelación Introducción: Consideramos la regresión y t = β 0 + β 1 x 1t + + β k x kt + + β K x Kt + u t = β x t + u t con las hipótesis
Más detallesAnálisis de datos Categóricos
Introducción a los Modelos Lineales Generalizados Universidad Nacional Agraria La Molina 2016-1 Introducción Modelos Lineales Generalizados Introducción Componentes Estimación En los capítulos anteriores
Más detallesEstadística Avanzada y Análisis de Datos
1-1 Estadística Avanzada y Análisis de Datos Javier Gorgas y Nicolás Cardiel Curso 2006-2007 2007 Máster Interuniversitario de Astrofísica 1-2 Introducción En ciencia tenemos que tomar decisiones ( son
Más detallesPráctica 4 vgaribay PRÁCTICA 4. CONTRASTE DE HIPOTESIS. 1 ESTUDIO DE NORMALIDAD Plot de normalidad. Camino 1
PRÁCTICA 4. CONTRASTE DE HIPOTESIS OBJETIVOS: Estudiar el plot de normalidad Manejar los módulos de contrastes de hipótesis. Obtener las probabilidades de error de tipo I y II, la función de potencia y
Más detallesUNIVERSIDAD DE ATACAMA
UNIVERSIDAD DE ATACAMA FACULTAD DE INGENIERÍA / DEPARTAMENTO DE MATEMÁTICA ESTADÍSTICA Y PROBABILIDAD GUÍA DE TRABAJO 3 Profesor: Hugo S. Salinas. Primer Semestre 2010 1. Sea X 1,..., X n una muestra aleatoria
Más detallesErrores de especificación. Series simuladas
Estimación modelo correcto Dependent Variable: Y Date: 05/13/02 Time: 17:07 Sample: 2 100 Included observations: 99 Errores de especificación. Series simuladas C 5.376164 0.253524 21.20578 0.0000 X1 0.954713
Más detallesEstadística Diplomado
Diplomado HRB UNAM 1 / 25 1 Estimación Puntual Momentos Máxima Verosimiltud Propiedades 2 / 25 1 Estimación Puntual Momentos Máxima Verosimiltud Propiedades 2 Estimación por Intervalos Cantidades Pivotales
Más detallesJuegos con Comunicación
Contenido Motivation Equilibrio Correlacionado en Forma Reducida Ejemplo: Valor de la Información Juegos con Comunicación Alvaro J. Riascos Villegas Noviembre de 2016 Universidad de los Andes y Quantil
Más detallesRegresión Lineal Múltiple
Unidad 4 Regresión Lineal Múltiple Javier Santibáñez (IIMAS, UNAM) Regresión Semestre 2017-2 1 / 35 Introducción La idea de la regresión lineal múltiple es modelar el valor esperado de la variable respuesta
Más detallesTEMA 5: Especificación y Predicción en el MRL
EMA 5: Especificación y Predicción en el MRL Econometría I M. Angeles Carnero Departamento de Fundamentos del Análisis Económico Curso 2011-12 Econometría I (UA) ema 5: Especificación y Predicción Curso
Más detallesEstimación Bayesiana y Máximo a Posteriori
Estimación Bayesiana y Máximo a Posteriori Alvaro Gómez & Pablo Musé {agomez, pmuse}@fing.edu.uy Departamento de Procesamiento de Señales Instituto de Ingeniería Eléctrica Facultad de Ingeniería Marzo
Más detallesAuxiliar 9. MNL y MLE. Daniel Olcay. 21 de octubre de 2014 IN4402. Daniel Olcay (IN4402) Auxiliar 9 21 de octubre de / 13
Auxiliar 9 MNL y MLE Daniel Olcay IN4402 21 de octubre de 2014 Daniel Olcay (IN4402) Auxiliar 9 21 de octubre de 2014 1 / 13 Índice Modelos no lineales Probabilidad lineal Probit Logit Máxima verosimilitud
Más detallesEstadística. Para el caso de dos variables aleatorias X e Y, se puede mostrar que. Pero y son desconocidos. Entonces. covarianza muestral
Para el caso de dos variables aleatorias X e Y, se puede mostrar que Pero y son desconocidos. Entonces donde covarianza muestral Estimación de intervalos de confianza Cuál es el intervalo (de confianza)
Más detallesClasificación. Aurea Grané. Análisis Discriminante
Diplomatura en Estadística 1 Diplomatura en Estadística 2 Análisis discriminante Análisis Discriminante y Clasificación Aurea Grané Departamento de Estadística Universidad Carlos III de Madrid Supongamos
Más detallesEstadística Bayesiana
Modelos uniparamétricos Universidad Nacional Agraria La Molina 2017-1 Modelos uniparamétricos Se tiene una secuencia de ensayos independientes de Bernoulli y 1,, y n. Sea y el número total de éxitos en
Más detallesEstimación Bayesiana en el modelo lineal generalizado
Estimación Bayesiana en el modelo lineal generalizado Hernando Alvarado Quintero and Fabian Guillermo Rojas Rodríguez Universidad Nacional de Colombia halvaradoq@unal.edu.co and fgrojasro@unal.edu.co July
Más detallesGEOESTADÍSTICA APLICADA
UNIVERSIDAD NACIONAL AUTÓNOMA DE MÉXICO GEOESTADÍSTICA APLICADA Tema: Análisis Exploratorio de Datos Instructores: Dr. Martín A. Díaz Viera (mdiazv@imp.mx) Dr. Ricardo Casar González (rcasar@imp.mx) 2009
Más detallesVariables Dependientes Limitadas
Variables Dependientes Limitadas Muestras Truncadas y Censuradas: revisión En algunos casos las variables dependientes pueden estar limitadas en su rango. Ejemplos típicos son las limitaciones por la forma
Más detallesPregunta 1 Suponga que una muestra de 35 observaciones es obtenida de una población con media y varianza. Entonces la se calcula como.
Universidad de Costa Rica Programa de Posgrado en Computación e Informática Doctorado en Computación e Informática Curso Estadística 18 de febrero 2013 Nombre: Segundo examen corto de Probabilidad Pregunta
Más detallesTeórica básica. Incluimos. - Temas
Teórica básica Incluimos - Temas 1 - Tema 1: Fenómenos aleatorios. Conceptos de probabilidad. Propiedades. Independencia de sucesos. Teorema de Bayes. - Tema 2: Variables aleatorias. Variables discretas.
Más detallesBBVA Bancomer Metodologías de Riesgo. Collection Score: Actualización Bayesiana. Jesús Luján Iván Solórzano Claudia Espinoza
make connections share ideas be inspired BBVA Bancomer Metodologías de Riesgo Collection Score: Actualización Bayesiana Jesús Luján Iván Solórzano Claudia Espinoza C o p y r i g h t 2 0 1 3, S A S I n
Más detallesMODELOS DE SERIES DE TIEMPO 1. Modelos capaces de predecir, interpretar y evaluar hipótesis con datos económicos y financieros.
MODELOS DE SERIES DE TIEMPO 1 Introducción Modelos capaces de predecir, interpretar y evaluar hipótesis con datos económicos y financieros. Originalmente tuvieron como objetivo hacer predicciones. Descomposición
Más detallesRegresión Lineal Múltiple
Universidad Nacional Agraria La Molina 2011-2 Efectos de Diagnósticos de Dos predictores X 1 y X 2 son exactamente colineales si existe una relación lineal tal que C 1 X 1 + C 2 X 2 = C 0 para algunas
Más detallesMétodos Estadísticos Multivariados
Métodos Estadísticos Multivariados Victor Muñiz ITESM Victor Muñiz (ITESM) Métodos Estadísticos Multivariados Agosto-Diciembre 2011 1 / 20 Victor Muñiz (ITESM) Métodos Estadísticos Multivariados Agosto-Diciembre
Más detalles(a) Calculate a point estimate of the mean pull-off force of all connectors in the population. State which estimator you used and why.
PROBLEMAS DE CLASE Problema 7.22 Data on pull-off force (pounds) for connectors used in an automobile engine application are as follows: 79.3, 75.1, 78.2, 74.1, 73.9, 75.0, 77.6, 77.3, 73.8, 74.6, 75.5,
Más detallesSistemas de Reconocimiento de Patrones
Sistemas de Reconocimiento de Patrones p. 1/33 Sistemas de Reconocimiento de Patrones Luis Vázquez GTI - IIE Facultad de Ingeniería Universidad de la República Sistemas de Reconocimiento de Patrones p.
Más detallesDiplomado en Econometría Coordinadora académica: M.F. Esperanza Sainz López
Diplomado en Econometría Coordinadora académica: M.F. Esperanza Sainz López Brindar al alumno los conocimientos de los métodos econométricos fundamentales y de los conceptos estadísticos que éstos requieren,
Más detallesGrado en Finanzas y Contabilidad
Econometría Grado en Finanzas y Contabilidad Apuntes basados en el libro Introduction to Econometrics: A modern Approach de Wooldridge 3.1 Colinealidad Exacta 3.2 Los efectos de la multicolinealidad Del
Más detallesANÁLISIS DE COMPONENTES PRINCIPALES
ANÁLISIS DE COMPONENTES PRINCIPALES INTRODUCCIÓN El objetivo principal de la mayoría de las técnicas numéricas de análisis multivariado, es reducir la dimensión de nuestros datos. Por supuesto, si esta
Más detallesEconometría dinámica y financiera
Econometría dinámica y financiera Introducción a la econometría financiera. Modelos ARCH Profesora: Dolores García Martos E-mail:mdgmarto@est-econ.uc3m.es Introducción Los modelos que hemos visto son lineales
Más detallesEstimación de regresión multivariante insesgada
Estadística Española Volumen 58, número 190 / 2016, pp. 123-131 Estimación de regresión multivariante insesgada Mariano Ruiz Espejo Universidad Católica San Antonio de Murcia Resumen Proponemos un estimador
Más detallesMétodos Bayesianos (Convocatoria Febrero 2005)
Dpto. Métodos Cuantitativos en Economía y Gestión Univ. de Las Palmas de G.C. Licenciatura en Economía Cuarto curso Curso 04/05 Métodos Bayesianos (Convocatoria Febrero 005) EJERCICIO 1. El método estándar
Más detallesModelos para variables categóricas
Gabriel V. Montes-Rojas Modelo logit multinomial Supongamos que la variable dependiente toma muchos valores, ej. y = 0, 1, 2..., J, aunque los valores de y no representan ningún orden en particular. Éste
Más detalles6. ESTIMACIÓN DE PARÁMETROS
PROBABILIDAD Y ESTADÍSTICA Sesión 7 6. ESTIMACIÓN DE PARÁMETROS 6.1 Características el estimador 6. Estimación puntual 6..1 Métodos 6..1.1 Máxima verosimilitud 6..1. Momentos 6.3 Intervalo de confianza
Más detallesobservar que la distribución colapsa y que las medias calculadas usando 1000 iteraciones están muy próximas a 0.
EJERCICIOS BLOQUE I Ejercicio 1.- Para cada una de las distribuciones comentadas realizar un gráfico ilustrativo de la PDF y la CDF. Elije valores comunes para los parámetros que definen a cada distribución:
Más detallesIDENTIFICACIÓN DE SISTEMAS SISTEMAS LINEALES Y PROCESOS ESTOCÁSTICOS
IDENTIFICACIÓN DE SISTEMAS SISTEMAS LINEALES Y PROCESOS ESTOCÁSTICOS Ing. Fredy Ruiz Ph.D. ruizf@javeriana.edu.co Maestría en Ingeniería Electrónica Pontificia Universidad Javeriana 2013 Sistema Un sistema
Más detallesAnálisis de datos Categóricos
Introducción Universidad Nacional Agraria La Molina 2017-1 Variable cualitativa Variable respuesta cualitativa Variable respuesta y explicativa Variable de conteo y proporción Escalas de medición Una variable
Más detalles1. Análisis de Conglomerados
1. Análisis de Conglomerados El objetivo de este análisis es formar grupos de observaciones, de manera que todas las unidades en un grupo sean similares entre ellas pero que sean diferentes a aquellas
Más detallesTema 6: Introducción a la Inferencia Bayesiana
Tema 6: Introducción a la Inferencia Bayesiana Conchi Ausín Departamento de Estadística Universidad Carlos III de Madrid concepcion.ausin@uc3m.es CESGA, Noviembre 2012 Contenidos 1. Elementos básicos de
Más detallesEJERCICIO T1 NOMBRE: Correctas Incorrectas En Blanco Puntos
ECONOMETRÍA EJERCICIO T1 APELLIDOS: NOMBRE: FIRMA: GRUPO: DNI: Pregunta 1 A B C En Blanco Pregunta A B C En Blanco Pregunta 3 A B C En Blanco Pregunta 4 A B C En Blanco Pregunta 5 A B C En Blanco Pregunta
Más detallesAgregación de Riesgos y Capital Económico
Agregación de Riesgos y Capital Económico Fernando García, SAS México Agenda Introducción. Metodologías de Agregación de Riesgos. Asignación de Capital. SAS Risk Solutions. Conclusiones. Introducción El
Más detallesProcesos estocásticos no lineales Cambio estructural Modelos de umbrales. Procesos no lineales. Gabriel Montes-Rojas
Gabriel V. Montes-Rojas Motivación Procesos estocásticos no lineales Muchas de las series temporales en macroeconomía y en finanzas son no lineales: asimetría en la ocurrencia y persistencia de los shocks
Más detallesPFC: Localización de robots mediante filtro de Kalman
6.- FILTRO DE KALMAN 6.1.- MOTIVACIÓN Los sistemas de navegación se han convertido en un estándar, ya que se venden más y más, sobre todo con los coches nuevos. La mayoría de estos sistemas de navegación
Más detalles