Un procedimiento completo para la detección de estacionalidad en series económicas

Tamaño: px
Comenzar la demostración a partir de la página:

Download "Un procedimiento completo para la detección de estacionalidad en series económicas"

Transcripción

1 Un procedimiento completo para la detección de estacionalidad en series económicas José Antonio Caracena BBVA Tesina CEMFI No Febrero 2002 Estetrabajoconstituyeunaversiónrevisadadelatesinapresentadaalcompletarel Programa de Estudios de Postgrado del Centro de Estudios Monetarios y Financieros (CEMFI). Mi más sincero agradecimiento a Agustín Maravall, por su labor de supervisión y por haberme demostrado ser un tío muy majo y competente; y a mis compañeros de clase, especialmente a Laura, por su valor, a Esther, por su bizcocho, a Merci, por su inglés, a María, por ser lo peor, a Tatiana, por su genio, a Pau, por su diplomacia, a Sergio, por su demagogia y a Roque, por su inocencia, y, por supuesto, a todos por ser como son, han sido lo mejor de estos dos últimos años. Sorte on guztioi eta ikusi arte lagunak. El esfuerzo puesto en este trabajo está especialmente dedicado a Mari, Cristinita y Mila y a mi familia, por seguir estando ahí. ( CEMFI, Casado del Alisal 5, Madrid, Spain.

2 Resumen El objetivo de este trabajo es hallar un procedimiento simple, robusto y fiable que sirva para detectar y clasificar la estacionalidad en series temporales económicas. Primero se describen los principales procedimientos existentes: Kendall, HEGY, CH, DHF, TRAMO-SEATS y X12-ARIMA, a continuación se propone uno alternativo integrado en la modelización ARIMA de la serie y finalmente se compara la versatilidad de todos ellos mediante un ejercicio de simulación.

3 1 Introducción Entia non sunt multiplicanda sine necessitate La navaja de Ockham Muchas series temporales económicas presentan un importante comportamiento estacional. Otras muchas no. Pero, qué es la estacionalidad?, cuándo se considera una serie estacional?. No existe una definición generalmente aceptada de estacionalidad. En este trabajo se adopta la definición de estacionalidad que probablemente sea la más compartida y que aparece ya en Box-Jenkins (1976, pág ): la característica fundamental de las series temporales estacionales de periodo s es que las observaciones que están separadas s periodos son similares y (para observaciones mensuales) el efecto estacional implica que una observación de un mes en particular, por ejemplo abril, está relacionada con las observaciones de los abriles previos. Se considera estacionalidad la relación existente entre las observaciones para el mismo mes en años sucesivos. Dada esta definición intuitiva de estacionalidad, parece tarea fácil determinar si una serie es estacional o no, y en ocasiones es suficiente un análisis detallado de los datos o una simple representación gráfica para obtener una respuesta contundente. Otras veces, en cambio, esta herramienta subjetiva puede no ser concluyente y es necesaria una herramienta objetiva que determine si las observaciones para el mismo mes en años sucesivos están relacionadas o no. Una vez admitida la presencia de estacionalidad en una serie económica, se plantea el problema de especificar una forma funcional para la misma. Existen diversas formas de modelizar la estacionalidad. El modo más simple de modelizarla es a través de una función determinista con variables ficticias esta- 1

4 cionales: x t = 12X i=1 β i d it con d it =1para el mes i y 0 en caso contrario y β i sus respectivos coeficientes (el presente estudio se centra en el caso de datos mensuales, aunque todos los resultados son fácilmente generalizables a cualquier otra frecuencia muestral). De modo que el componente estacional podría predecirse sin error si los parámetros β i fuesen conocidos. Si la estacionalidad cambia en el tiempo, como ocurre, por ejemplo, con el clima, uno de los principales responsables de la estacionalidad en las series económicas, la estacionalidad determinista no es la forma idónea de modelización. En estos casos el modelo adecuado es el de estacionalidad estocástica, en el cuál se representa la estacionalidad mediante un proceso estocástico, permitiendo de este modo que el componente estacional evolucione en el tiempo. En el marco del análisis ARIMA de Box y Jenkins un proceso estacional estocástico puro, x t, es: Φ(B 12 ) D 12x t = Θ(B 12 )a t (1) donde a t es ruido blanco, Φ( ) y Θ( ) son polinomios en el operador retardo estacional B 12 (B 12 s t = s t 12 ), Φ(B 12 ) tiene todas sus raíces fuera del círculo unidad (es estacionario) y 12 =(1 B 12 ) es el operador diferencia estacional. En la literatura se consideran habitualmente dos posibilidades en el modelo (1): D =0y D 6= 0, esto es, el modelo de estacionalidad estocástica estacionaria y el de estacionalidad estocástica integrada. Un ejemplo del primero de estos dos modelos es el proceso de medias móviles estacional de orden 1: x t = a t + θ 12 a t 12 con a t ruido blanco. En este proceso la observación de un determinado mes, por ejemplo abril, está relacionada con el abril del año anterior, pero no guarda 2

5 ninguna relación con ningún otro abril en toda la historia de la serie. Puede considerarse este proceso como estacional?, y si es de orden 2 y sólo guarda relación con los dos abriles anteriores?, y si es autoregresivo estacional estacionario con parámetro 0, 4, de modo que la correlación con los abriles anteriores es 0, 4, 0, 16, 0, 064,...?. Estos modelos de estacionalidad estacionaria no entran dentro de la definición de estacionalidad que se ha considerado. En estos casos es más adecuado caracterizar al proceso como poseedor de cierta correlación estacional y no como un proceso puramente estacional. Por otro lado, el concepto de estacionalidad que se ha definido se asocia también con un comportamiento diferente de la serie temporal dependiendo del mes al que corresponde la observación (mayor número de turistas en agosto y menor en febrero...). Por tanto, lo más frecuente es que conlleve una media distinta en cada mes. Esto viola la definición de estacionariedad en media. Estacionalidad y no estacionariedad son conceptos estrechamente relacionados, por tanto, en el presente estudio, no se consideran los procesos con estacionalidad estacionaria como procesos estacionales. Dar respuesta a las dos preguntas que se han planteado, existe estacionalidad? y cuál es el modelo más adecuado para el componente estacional?, puede tener, básicamente, tres objetivos finales: predicción, modelización o desestacionalización de series temporales. A la hora de predecir o ajustar un modelo que recoja las características fundamentales de una serie hay que tener en cuenta que las distintas especificaciones del componente estacional conllevan diferentes propiedades estadísticas, por lo que imponer una de ellas cuando está presente otra puede ocasionar pérdidas de información y sesgos importantes. La forma de modelizar el componente estacional también es un factor clave a la hora de desestacionalizar una serie. La desestacionalización y el empleo de 3

6 series ajustadas estacionalmente es una práctica frecuente en diversas áreas. En política económica el estudio se lleva a cabo, en general, sobre series ajustadas estacionalmente, que proporcionan una señal más limpia de la evolución subyacente de las variables y permiten realizar predicciones y tomar decisiones sin el ruido que supone la estacionalidad. Por su parte, en el análisis económico y la investigación su empleo responde a la creencia de que facilitan la interpretación de los resultados y simplifican la modelización 1. Por otro lado, desde el punto de vista de la producción de datos es práctica generalizada la desestacionalización de series (quizás cientos o miles todos los meses). Ello conlleva la necesidad de un procedimiento simple, robusto y fiable, que sea fácilmente implementable en aplicaciones a gran escala, para determinar si una serie presenta estacionalidad, y en caso de presentarla, para decidir cuál es la manera más adecuada de modelizarla de entre las dos opciones consideradas: estacionalidad determinista o estacionalidad estocástica integrada. La búsqueda de un procedimiento de estas características es el objetivo principal de este trabajo. En la siguiente sección se analiza la relación existente entre los dos modelos de estacionalidad considerados: determinista y estocástica integrada, como un paso previo a la descripción y el análisis de los principales procedimientos existentes, que se realiza en la sección 3. En la sección 4 se propone un procedimiento alternativo que se compara con los anteriores mediante una simulación descrita en la sección 5 y se presentan los resultados en la sección 6. La forma en que se han comparado los distintos procedimientos ha sido en función del porcentaje de series simuladas que se clasifican correctamente dentro del grupo al que realmente pertenecen, dado el modelo estacional o no 1 La controvertida discusión sobre la necesidad o no de desestacionalizar queda fuera de los propósitos de este estudio. 4

7 estacional con que fueron generadas. Esta forma de proceder presupone que el objetivo final no es únicamente la predicción, en cuyo caso considerar como criterio de comparación, por ejemplo, el error cuadrático medio de predicción extramuestral sería más acertado. 2 Estacionalidad integrada estable Considérense los siguientes modelos: x t =(1+θ 1 B)a t (i) x t =(1+θ 1 B)a t + 12X i=1 β i d it donde B es el operador retardo y a t ruido blanco. El primero es un modelo no estacional, IMA(1,1) y el segundo es estacional determinista. Los dos modelos tienen características muy distintas, en cuanto a estacionalidad se refiere, pero si tomamos una diferencia estacional, en ambos casos se obtiene: (ii) 12 x t =(1+θ 1 B)(1 + θ 12 B 12 )a t, (iii) con θ 12 = 1. De modo que, si se ajusta un modelo puramente ARIMA a la serie y se presenta una situación análoga a la que recoge el modelo (iii) con b θ12 cercano a 1, puede que no haya estacionalidad o que se pueda considerar que la serie presenta estacionalidad determinista y en ambos casos se haya sobrediferenciado, lo que deberá determinarse en cada caso. Por razones que se argumentarán más adelante no se considera el caso de presencia de estacionalidad determinista e integrada simultáneamente. Si se concluye que la serie presenta estacionalidad, el modelo de estacionalidad determinista, (ii), y el modelo de estacionalidad integrada estable, (iii) con θ 12 cercano a 1, son prácticamente indistinguibles en cuanto a ajuste intramuestral se refiere para 5

8 los tamaños de muestra habituales en series económicas. El modelo integrado estable es equivalente a permitir una pequeña variación en el tiempo de los coeficientes de las variables ficticias en (ii). Ahora bien, si el modelo estimado para la serie es (iii), pero con b θ 12 À 1, entonces no surge ningún dilema: la serie presenta estacionalidad estocástica integrada, ya que no hay peligro de que se haya sobrediferenciado la serie. Resta aún una última cuestión por responder: a partir de qué valor del parámetro de medias móviles estacional, θ 12, se considera la estacionalidad integrada como estable?. El valor crítico, θ 12 < 0, hasta el cual se considera que se está próximo a la no invertibilidad, y a la cancelación de los polinomios estacionales, va a depender del tamaño muestral y se va a fijar mediante simulación. Se han simulado series del modelo (iii) con a t iidn(0, 1), θ 1 U( 1, 1) y θ 12 = 1, es decir, no invertible, para los dos tamaños muestrales considerados en la simulación de la sección 5, T=120 y T=300. Corresponden a 10 y 25 años respectivamente, dos tamaños de muestra frecuentes en series económicas. Se ha estimado imponiendo el modelo de líneas aéreas a dichas series y obteniendo como resultado las estimaciones de θ 1 y θ 12 que aparecen representadas en los histogramas del gráfico 1. Para las dos longitudes muestrales se observa que b θ 1 se distribuye aproximadamente como una U( 1, 1) y que c θ 12 se condensa más en torno al verdadero valor, θ 12 = 1, alincrementar el tamaño muestral 2. Los valores críticos correspondientes a los percentiles 10%, 5%, 2,5% y 1% de la cola superior para los dos tamaños muestrales aparecen en la tabla 2. Al 5% se considerará la estacionalidad integrada como estable si c θ 12 < θ 12 = 0, La simulación se ha realizado empleando el generador de números aleatorios del programa estadístico Splus 4.0 y la estimación se ha llevado a cabo mediante el programa TRAMO- SEATS

9 cuando T=120 y si θ c 12 < θ 12 = 0, 887 cuando T=300. Estos valores críticos no se van a ver afectados en gran medida por variaciones en la parte regular o estacional del modelo empleado, el de líneas aéreas representado en (iii), uno de los más frecuentes en series económicas. En parte debido a que empíricamente es raro enfrentarse a modelos con órdenes mayores que la unidad en la parte estacional y porque la correlación entre la parte estacional y regular de los modelos comúnmente empleados es reducida, ver por ejemplo Box y Jenkins (1976, pág ). 3 Procedimientos disponibles En esta sección se presentan los principales procedimientos de decisión disponibles para clasificar una serie en uno de los 3 grupos descritos: series no estacionales, series con estacionalidad determinista o series con estacionalidad estocástica integrada. Primero se presenta el contraste de Kendall, que únicamente clasifica las series en dos grupos, estacionales o no estacionales. A continuación, se analiza el procedimiento de Pierce, que permite la coexistencia de diferentes tipos de estacionalidad en el mismo modelo. Posteriormente, dada la relevancia que se ha comprobado tiene la estacionalidad integrada, se exponen los procedimientos basados en los contrastes de raíces unitarias estacionales como una de las principales opciones. Por último, dos procedimientos de especial relevancia son los basados en los modelos de componentes inobservables y que se hallan implementados en los programas econométricos TRAMO-SEATS y X11 y X12-ARIMA y que permiten tratar simultáneamente gran número de series. 7

10 3.1 Contraste de Kendall Kendall y Ord (1990) proponen un sencillo contraste de estacionalidad basado en rangos. Consiste en ordenar las observaciones de cada año y asignarles un valorde1,alamenor,hasta12,alamayor. Paracadamessesumantodoslos valores de todos los años, obteniendo cx M i = rank(mes i) j j=1 donde c es el número de años en la muestra. Finalmente, bajo la hipótesis nula de no existencia de estacionalidad, el estadístico: K = 12 cr(r +1) rx i=1 µ M i 2 c(r +1), 2 donde r es el número de observaciones por año, 12 con datos mensuales, se distribuye como una X 2 con (r 1) grados de libertad. Para valores grandes de K se concluye que existe componente estacional y para valores inferiores al cuantil considerado de la X 2 r 1 se asigna la serie al grupo de las no estacionales. 3.2 Procedimiento de Pierce Pierce (1978) desarrolla un modelo general en el que permite la coexistencia de estacionalidad determinista y estocástica. Para contrastar la presencia de estacionalidad determinista realiza la siguiente aproximación al contraste F habitual que tiene en cuenta la estructura estocástica presente en los residuos: 1. Se estima la regresión de la serie sobre variables ficticias mensuales. 2. Se ajusta un modelo ARIMA a los residuos de la regresión anterior y se calcula la suma de cuadrados de los nuevos residuos, SCNR (desempeña el papel de suma de cuadrados del modelo no restringido). 8

11 3. Se ajusta el mismo modelo ARIMA identificado para los residuos a la serie original (incluyendo una constante) y se halla la suma de cuadrados residual de este modelo, SCR (es la suma de cuadrados bajo la hipótesis nula de no significatividad de las variables ficticias estacionales). 4. Se computa el estadístico F del siguiente modo: F = (SCR SCNR)/11 SCNR/(T 12) que bajo la hipótesis nula de no estacionalidad determinista se distribuye como una FdeSnedecorcon 11 y T 12 grados de libertad 3,siendoT el número de observaciones. Para valores grandes del estadístico se rechaza la hipótesis nula y se estima un componente estacional determinista. Para ello se transforma en estacionaria la serie original, tomando diferencias y/o logaritmos cuando sea necesario, de modo que la estimación por MCO de la regresión de la serie sobre variables ficticias mensuales proporciona una estimación consistente de la estacionalidad determinista. A continuación, a la serie resultante de restar a la serie original el componente determinista, en caso de haberlo, se le ajusta un modelo ARIMA. La parte estacional de este proceso es el componente estacional estocástico (estacionario en general) del modelo global. Su significatividad se contrasta prestando atención a las autocorrelaciones estacionales de la serie a la que se ajusta el modelo ARIMA. Pierce sugiere una versión de la QdeLjung-Boxestacional. El gráfico 2 resume el procedimiento de Pierce. Debido a la forma en que se contrasta y se estima la estacionalidad determinista, el procedimiento de Pierce la favorece enormemente. Aunque la estacional- 3 Son 11 restricciones debido a que se ha excluido una variable ficticia estacional para evitar colinealidad con la constante. 9

12 idad presente en la serie no sea en absoluto fija o determinista, prácticamente de cualquier componente estacional se puede extraer una parte determinista. Un segundo problema de este procedimiento es que, debido al carácter residual del componente estacional estocástico, proporciona, en general, estacionalidades estocásticas estacionarias, que como ya se ha mencionado, no se pueden considerar como verdadera estacionalidad. Este problema queda perfectamente ilustrado en el ejemplo representado en el gráfico 3. En la parte superior aparece representado el logaritmo del Índice de Producción Industrial de Bienes de Consumo en España (1975:1 a 2000:12, 300 observaciones) y la transformación que convierte en estacionaria la parte regular de dicha serie. En la parte central se representan los componentes estacionales que se obtienen aplicando el procedimiento de Pierce (ambos significativos). El componente estacional estocástico es un autoregresivo estacional estacionario de coeficiente 0, 36. Puedereal- mente considerarse dicho componente como estacionalidad?. Realmente no, el componente estacional estacionario representado tiene poco sentido y una interpretación dudosa. Unos componentes como los representados en los dos gráficos inferiores, fruto de modelos puramente estocásticos, recogen de modo más coherente la estacionalidad presente en la serie a través de modelos integrados. Debido a estos problemas, en la simulación de la sección 5 se ha obviado el procedimiento de Pierce y en el resto de las secciones no se ha considerado la posibilidad de coexistencia de más de uno de los tipos de estacionalidad expuestos anteriormente. 3.3 Contrastes de raíces unitarias estacionales Dickey, Hasza y Fuller (DHF, 1984) desarrollaron un procedimiento para contrastar la presencia de raíces unitarias estacionales. Sin embargo, no contemplan la posibilidad de que dicha raíz exista únicamente en alguna de las frecuencias 10

13 estacionales y su hipótesis alternativa tiene una forma muy cerrada, en la que todas las raíces tienen el mismo módulo. Hylleberg, Engle, Granger y Yoo (HEGY, 1990) proponen un procedimiento más refinado que soluciona este problema y que permite contrastar la presencia de raíces unidad en cada una de las frecuencias estacionales por separado, así como en la frecuencia cero. Franses (1991) y Beaulieu y Miron (BM, 1993) extienden el contraste HEGY para el caso de datos mensuales. Empíricamente se ha constatado que tanto el contraste DHF, como el HEGY, presentan poca potencia en los tamaños de muestra habituales (Hylleberg, 1995; Canova y Hansen, 1995; y Franses y Kunst, 1999) y que surgen serios problemasdetamañocuandoseestápróximoalacancelacióndelospolinomios estacionales (Ghysels, Lee y Noh, GLN, 1994; y Clements y Hendry, 1997). Canova y Hansen (CH, 1995) tratan de paliar este problema considerando la raíz unitaria como parte de la hipótesis alternativa y no, como en DHF y HEGY, de la hipótesis nula, de modo que un rechazo de la hipótesis nula tendría la fuerte implicación de existencia de raíz unitaria. En las siguientes subsecciones se describen los procedimientos basados en estos tres contrastes Procedimiento HEGY El operador diferencia estacional 12 =(1 B 12 ) puede expresarse como (1 B 12 )=(1 B)(1 + B)(1 + B 2 )(1 + B + B 2 )(1 B + B 2 )(1 B + B 4 ) de modo que las doce raíces unidad que se derivan son 1; 1; ±i; 1 ³ 1 ± 3i ; 1 ³ 1 ± 3i ; 1 ³ 3 ± i ; 1 ³ 3 ± i (2) que corresponden a las frecuencias 0, π, ± π 2, ± 2π 3, ± π 3, ± 5π 6 y ± π 6 respectivamente. 11

14 El contraste HEGY presupone que el proceso generador de los datos es puramente autoregresivo ϕ(b)x t = µ t + ε t, ε t iid(0, σ 2 ) (3) donde µ t son elementos deterministas (constante, tendencia lineal y variables ficticias estacionales) y se linealiza el polinomio autoregresivo en torno a las 12 raíces unidad dadas en (2) más un resto 4 : ϕ(b) = 12X k=1 λ k (B) 1 δ k(b) δ k (B) + (B)ϕ (B) (4) donde ϕ (B) es el resto, un polinomio posiblemente infinito o racional, δ k (B) = Q 1 1 θ k B, (B) = 12 δ k (B) y λ k = Q ϕ(θ k) constantes. θ δ k (θ k ) k son los puntos en k=1 j6=k torno a los cuales se considera la expansión y que en nuestro caso son las 11 raíces unitarias estacionales y la raíz unitaria de la frecuencia cero que aparecen en (2). Por definición de las constantes λ k es inmediato comprobar que el polinomio ϕ(b) tendrá como raíz θ k si y solo si el λ k correspondiente es cero. Contrastar la hipótesis nula de presencia de raíces unidad se va a reducir a contrastar la nulidad de los coeficientes de la regresión auxiliar que resulta al sustituir las raíces de (2) en (4) e introducir el resultado en la ecuación (3): ϕ (B)y 13t = 12X k=1 π k y k,t 1 + µ t + ε t (5) donde ϕ (B) es un polinomio en el operador de retardos con todas las raíces fuera del círculo unidad, y 1t = (1+B + B 2 + B 3 + B 4 + B 5 + B 6 + B 7 + B 8 + B 9 + B 10 + B 11 )x t 4 Mediante un teorema empleado en teoría de la aproximación y debido originalmente a Lagrange. Para más detalles, ver HEGY (1990). 12

15 y 2t = (1 B + B 2 B 3 + B 4 B 5 + B 6 B 7 + B 8 B 9 + B 10 B 11 )x t y 3t = (B B 3 + B 5 B 7 + B 9 B 11 )x t y 4t = (1 B 2 + B 4 B 6 + B 8 B 10 )x t 3 y 5t = 3 (y 6t +2y 6t 1 ) 3 y 6t = 2 (1 B + B3 B 4 + B 6 B 7 + B 9 B 10 )x t 3 y 7t = 3 (y 8t 2y 8t 1 ) 3 y 8t = 2 (1 + B B3 B 4 + B 6 + B 7 B 9 B 10 )x t ³ y 9t = 3y10t +2y 10t 1 y 10t = 1 2 (1 3B +2B 2 3B 3 + B 4 B 6 + 3B 7 2B 8 + 3B 9 B 10 )x t ³ y 11t = 3y12t 2y 12t 1 y 12t = 1 2 (1 + 3B +2B 2 + 3B 3 + B 4 B 6 3B 7 2B 8 3B 9 B 10 )x t y 13t = (1 B 12 )x t y π k son combinaciones lineales de las constantes λ 5 k. La ecuación (5) se puede estimar por mínimos cuadrados ordinarios, posiblemente con retardos adicionales de 12 x t debido a ϕ (θ k ), para blanquear el término de error, ya que, mientras que la introducción de retardos no altera la distribución de los estadísticos de interés, la autocorrelación destruye las propiedades del contraste. Para contrastar la hipótesis ϕ(θ k )=0,siendo θ k las raíces unitarias, frente a la alternativa de estacionariedad ϕ(θ k ) > 0, es suficiente contrastar que λ k =0. Para las raíces 1 y -1, frecuencias 0 y π respectivamente, es equivalente a contrastar H 0 : π k =0, frente a H 1 : π k < 0, k =1, 2. En el resto de las frecuencias habrá integración cuando el par {π j, π j+1 } sea simultáneamente igual a cero (j =3, 5, 7, 9, 11), debido a que cada una de estas 5 Para más detalles ver Beaulieu y Miron (1993). 13

16 frecuencias estacionales está asociada a un par complejo conjugado de raíces unidad 6. Los valores críticos para los dos estadísticos t a una cola (π 1 y π 2 ) yparalos cinco contrastesf ({π 3, π 4 }, {π 5, π 6 }, {π 7, π 8 }, {π 9, π 10 }, {π 11, π 12 }) en muestras finitas se obtienen mediante una simulación de Montecarlo. En Franses y Hobijn (1997) se proporcionan valores críticos generados mediante Gauss para T=120, pero no para T=300, el otro tamaño muestral considerado en la simulación de la sección 5. En el presente estudio se emplea Splus 4.0 yparaevitar cualquier posible sesgo en los valores críticos debido al generador de números aleatorios y hallar los valores críticos para T=300 se han recomputado dichos valores, tabla 1. Los computados para T=120 son similares a los obtenidos por Franses y Hobijn. Para mostrar que no existe raíz unitaria en ninguna frecuencia estacional hay que probar que π 2 y al menos un miembro de cada par {π 3, π 4 }, {π 5, π 6 }, {π 7, π 8 }, {π 9, π 10 } y {π 11, π 12 } deben ser no nulos. El tamaño conjunto de estos contrastes es mucho mayor debido a la desigualdad de Bonferroni, (Dickey, 1993; y Taylor, 1998). La solución es realizar un contraste F conjunto sobre {π j } 12 j=2. Otro contraste que puede resultar interesante en algunos contextos es el de existencia de raíces unitarias estacionales complejas, un contraste F conjunto sobre {π j } 12 j=3, (GLN, 1994). Valores críticos para estos dos estadísticos aparecen tambiénenlatabla1. El término µ t en las ecuaciones (3) y (5) recoge la parte determinista y puede consistir en una constante, una tendencia y/o variables ficticias estacionales, dependiendo de la hipótesis que se considere como alternativa a la nula de 6 Hasta ahora otra alternativa era contrastar a dos colas la significatividad de π j y, si no se rechaza, contrastar la significatividad de π j+1 a una cola. Pero, recientemente, Burridge y Taylor (1999) han probado que la distribución de estos estadísticos t se puede ver afectada por la introducción de retardos de 12 x t para blanquear el ruido. 14

17 raíces unidad. Su especificación altera considerablemente la distribución de los estadísticos de contraste, tal y como se aprecia en la tabla 1. A la hora de analizar las conclusiones sobre estacionalidad que extraería un individuo que realizara el contraste HEGY, dos hipótesis alternativas van a ser relevantes: µ t simplemente una constante (contraste A) y µ t una constante y 11 variables ficticias estacionales (contraste B). Setienendoscontrastesconhipótesisalternativasanidadas 7, Contraste A ½ H0 : raíz unitaria estacional en alguna frecuencia H A 1 : no estacionalidad ½ H0 : raíz unitaria estacional en alguna frecuencia Contraste B H1 B : estacionalidad determinista Para un tamaño de contraste dado, el contraste B tiene menos potencia que el contraste A. Esto es debido a que parte de la estacionalidad, en caso de haberla, será recogida por las variables ficticias y los coeficientes cuya nulidad se contrasta tenderán a ser menos significativos. Si el proceso generador de los datos no presenta estacionalidad determinista y se lleva a cabo el contraste B, se están incluyendo regresores irrelevantes en la ecuación auxiliar del contraste HEGY, ecuación (5). Esta inclusión infla la varianza de los coeficientes estimados y favorece su no significatividad. Por otro lado, si el proceso generador de los datos presenta variables ficticias estacionales y no se incluyen éstas en la regresión auxiliar (5), habrá un sesgo por omisión de variables relevantes en la estimación de los parámetros. BM (1993, pág. 318) y Ghysels, Lee y Noh (GLN, 1994, pág. 432 y 436) recomiendan incluir las variables ficticias en la regresión, ya que la pérdida de potencia por incluirlas es insignificante en comparación con el sesgo que resultaría de su omisión cuando son necesarias, incluir una constante y variables 7 Dentro de la hipótesis alternativa del contraste A se engloba también la estacionalidad estacionaria y dentro de la del contraste B, como ya se argumentó anteriormente, no se considera la coexistencia de estacionalidad determinista y estacionaria. 15

18 ficticias estacionales parece una decisión prudente y la estrategia más segura en las aplicaciones empíricas es la inclusión de estos (posiblemente irrelevantes) términos en el modelo. Otro factor importante que conduce al mismo dilema que la inclusión o no de variables ficticias es la selección del número de retardos de 12 x t a incluir en la regresión para blanquear el ruido. Demasiados retardos generarían una pérdida de potencia, pero por otra parte su número debe ser suficiente para blanquear el ruido. En la literatura se han empleado diversos criterios: por ejemplo BM (1993) y Taylor (1998) emplean la estrategia general a específico. Introducen inicialmente cierto número de retardos y van quitando los no significativos. BM también consideran la posibilidad de emplear el AIC o el BIC. Otra estrategia es la seguida, por ejemplo, por Clements y Hendry (1997) y Paap, Franses y Hoek (1997), que emplean un contraste LM de correlación serial de hasta cuarto orden en los residuos. Por último otra estrategia considerada y la seguida en el presente estudio es incluir retardos en la regresión hasta que el estadístico QdeLjung-Boxde los residuos no sea significativo al 5% y un máximo de 12 retardos 8. Un problema crucial del contraste HEGY es que el procedimiento es muy sensible tanto a la especificación del componente determinista, µ t,quealtera las distribuciones, como al número de retardos incluidos en la regresión (Taylor, 1997). Como el proceso generador de datos es desconocido, el problema es cómo determinar qué variables incluir en la regresión. La estrategia sugerida de incluir las variables ficticias por defecto en la regresión no es, por tanto, adecuada. Conviene realizar los dos contrastes propuestos para obtener conclusiones más robustas. Al realizar los dos contrastes anteriores se pueden presentar cuatro posi- 8 Se ha escogido Q(18) para las series de 120 observaciones y Q(24) para las de

19 bles casos, según se rechace o no la hipótesis nula en cada uno de ellos. Cada escenario llevará a unas conclusiones distintas con relación a la clase de estacionalidad presente en la serie y que aparecen esquematizadas en el gráfico 4: - Si no se rechaza H 0 en los dos contrastes: en este caso indudablemente existe raíz unitaria estacional en la serie y por tanto se clasifica la serie en el conjunto de series con estacionalidad estocástica integrada. - Si se rechaza H 0 en B y no se rechaza en A: en este caso en el contraste A se acepta la presencia de raíz unitaria estacional, que se rechaza en B a favor de la estacionalidad determinista. Ocurre cuando la inclusión de las variables ficticias en la regresión ocasiona la no significatividad de los coeficientes. Se concluye que la serie presenta estacionalidad determinista. - Si no se rechaza H 0 en B y se rechaza en A: del mismo modo que en el caso anterior se concluye que la serie no es estacional. - Si se rechaza H 0 en los dos contrastes: en este caso se va a complementar el contraste HEGY con un contraste F de significatividad conjunta de las variables ficticias mensuales en una regresión de la serie sobre las mismas, de modo que se pueda asignar la serie a una de las dos hipótesis alternativas. Para incrementar la potencia del contraste F se diferencia previamente la serie si el contraste HEGY detecta raíz unitaria regular, facilitando así la detección de la posible estacionalidad al quitar parte de la tendencia. Si se rechaza la hipótesis nula de no significatividad de las variables ficticias, la serie presenta estacionalidad determinista, y si no se rechaza se concluye que la serie carece de estacionalidad. 17

20 3.3.2 Procedimiento DHF La metodología es completamente análoga a la expuesta para el contraste HEGY y presenta los problemas ya comentados. Se basa en la siguiente regresión auxiliar: px x t = αx t x t j + µ t + ε t j=1 donde la notación es igual a la del contraste HEGY y p de nuevo es el mínimo suficiente para blanquear ε t. El procedimiento de decisión se basa en dos contrastesanálogosalosdelcontrastehegy(gráfico 4), donde ahora H 0 : α =1, frente a las alternativas de no estacionalidad (contraste A) o estacionalidad determinista (contraste B). Los valores críticos se toman de DHF (1984). En la simulación para incrementar la potencia del contraste de significatividad de las variables ficticias mensuales se diferencian todas las series (que como se verá, es lo correcto, dado que todas han sido simuladas con una raíz unitaria en la frecuencia cero) sin contrastarlo previamente, lo cual supondría otra posible fuente de errores adicional. Como se apreciará en los resultados, esta pequeña ventaja otorgada a este procedimiento será irrelevante, ya que será ampliamente mejorado por el procedimiento HEGY. Se limita a 24 el número máximo de retardos de 12 x t a introducir para blanquear el ruido, lo que supone la pérdida, como máximo, de 3 años de muestra. Prácticamente todos los problemas y matizaciones comentadas para el procedimiento HEGY también son extensibles al procedimiento basado en el contraste de DHF Procedimiento CH Los contrastes de DHF y HEGY tienen como hipótesis nula la existencia de raíz unitaria estacional. El rechazo de su H 0 implica que la serie no tiene 18

Métodos y Modelos Cuantitativos para la toma de Decisiones

Métodos y Modelos Cuantitativos para la toma de Decisiones Métodos y Modelos Cuantitativos para la toma de Decisiones David Giuliodori Universidad Empresarial Siglo 21 David Giuliodori (UE-Siglo 21) MMC 1 / 98 Índice: 1 Conceptos Generales 2 Enfoque Clásico Tendencia

Más detalles

BREVE APUNTE SOBRE EL PROBLEMA DE LA MULTICOLINEALIDAD EN EL MODELO BÁSICO DE REGRESIÓN LINEAL

BREVE APUNTE SOBRE EL PROBLEMA DE LA MULTICOLINEALIDAD EN EL MODELO BÁSICO DE REGRESIÓN LINEAL BREVE APUNTE SOBRE EL PROBLEMA DE LA MULTICOLINEALIDAD EN EL MODELO BÁSICO DE REGRESIÓN LINEAL Ramón Mahía Febrero 013 Prof. Ramón Mahía ramon.mahia@uam.es Qué se entiende por Multicolinealidad en el marco

Más detalles

- se puede formular de la siguiente forma:

- se puede formular de la siguiente forma: Multicolinealidad 1 Planteamiento Una de las hipótesis del modelo de regresión lineal múltiple establece que no existe relación lineal exacta entre los regresores, o, en otras palabras, establece que no

Más detalles

Series de Tiempo. Una Introducción

Series de Tiempo. Una Introducción Series de Tiempo. Una Introducción Series de Tiempo Muchas veces, sobretodo para realizar pronósticos, resulta conveniente no suponer un modelo explícito para que explique la variables de interés, sino

Más detalles

Estacionalidad. Series de tiempo. Modelos econométricos. Modelos econométricos. Q= T Kα Lβ

Estacionalidad. Series de tiempo. Modelos econométricos. Modelos econométricos. Q= T Kα Lβ Estacionalidad Qué es la estacionalidad? La estacionalidad es una componente que se presenta en series de frecuencia inferior a la anual (mensual, trimestral,...), y supone oscilaciones a corto plazo de

Más detalles

FACTORES COMUNES EN LA VOLATILIDAD DE LOS TIPOS DE INTERÉS DEL MERCADO INTERBANCARIO

FACTORES COMUNES EN LA VOLATILIDAD DE LOS TIPOS DE INTERÉS DEL MERCADO INTERBANCARIO "FACTORES COMUNES EN LA VOLATILIDAD DE LOS TIPOS DE INTERÉS DEL MERCADO INTERBANCARIO" José Miguel Navarro Azorín Dpto. de Métodos Cuantitativos para la Economía Universidad de Murcia (versión preliminar)

Más detalles

Notas Económicas Regionales

Notas Económicas Regionales El X-13 ARIMA- como método de desestacionalización 1. Introducción Sandra Hernández 1 shernandez@secmca.org En el análisis económico de variables mensuales y trimestrales es frecuente el uso de técnicas

Más detalles

Breve Introducción a las Series Temporales

Breve Introducción a las Series Temporales Breve Introducción a las Series Temporales 1 Series Temporales Colección de observaciones tomadas de forma secuencial en el tiempo {X t } t T. La hipótesis de independencia entre las observaciones puede

Más detalles

ANÁLISIS DE SERIE DE TIEMPO DE CAUDALES DEL RÍO EL TALA PERIODO 1937-1960

ANÁLISIS DE SERIE DE TIEMPO DE CAUDALES DEL RÍO EL TALA PERIODO 1937-1960 ANÁLISIS DE SERIE DE TIEMPO DE CAUDALES DEL RÍO EL TALA PERIODO 1937-1960 Verón, Juan Antonio* ; Herrera, Carlos Gabriel*; Rodríguez, Norma Leonor** * Facultad de Tecnología y Ciencias Aplicada de la UNCa.

Más detalles

TEMA 1. Introducción al análisis empírico de variables económicas.

TEMA 1. Introducción al análisis empírico de variables económicas. TEMA 1. Introducción al análisis empírico de variables económicas. Profesor: Pedro Albarrán Pérez Universidad de Alicante. Curso 2010/2011. Contenido 1 Datos Económicos Introducción Tipos de Datos. Tratamiento

Más detalles

Econometría de Económicas

Econometría de Económicas Econometría de Económicas Apuntes para el tema 6 Curso 2004-2005 Profesoras Amparo Sancho Guadalupe Serrano Modelos de panel de datos Datos de Panel son aquellos que surgen de la observación de una misma

Más detalles

La demanda de plazas en la licenciatura de Medicina en España

La demanda de plazas en la licenciatura de Medicina en España La demanda de plazas en la licenciatura de Medicina en España Estudio econométrico por Comunidades Autónomas de la demanda de plazas en las facultades de Medicina españolas para el curso 2006/2007 Asignatura:

Más detalles

Metodología. del ajuste estacional. Tablero de Indicadores Económicos

Metodología. del ajuste estacional. Tablero de Indicadores Económicos Metodología del ajuste estacional Tablero de Indicadores Económicos Metodología del ajuste estacional Componentes de una serie de tiempo Las series de tiempo están constituidas por varios componentes que,

Más detalles

Tema 3: El modelo de regresión lineal múltiple

Tema 3: El modelo de regresión lineal múltiple Econometría 1 curso 2009-2010 Tema 3: El modelo de regresión lineal múltiple Genaro Sucarrat (Departamento de Economía, UC3M) http://www.eco.uc3m.es/sucarrat/ Recordamos: El modelo de regresión lineal

Más detalles

CLASE 0- MÉTODOS DE ALISADO EXPONENCIAL

CLASE 0- MÉTODOS DE ALISADO EXPONENCIAL CLASE 0- MÉTODOS DE ALISADO EXPONENCIAL Contextualización En la primera parte del curso hemos estudiado el análisis clásico de series temporales en el que se asume que una serie temporal resulta de la

Más detalles

Precio del alquiler de pisos durante una serie de meses. Evolución del índice del precio del trigo con mediciones anuales.

Precio del alquiler de pisos durante una serie de meses. Evolución del índice del precio del trigo con mediciones anuales. Series Temporales Introducción Una serie temporal se define como una colección de observaciones de una variable recogidas secuencialmente en el tiempo. Estas observaciones se suelen recoger en instantes

Más detalles

Capítulo 3. Análisis de Regresión Simple. 1. Introducción. Capítulo 3

Capítulo 3. Análisis de Regresión Simple. 1. Introducción. Capítulo 3 Capítulo 3 1. Introducción El análisis de regresión lineal, en general, nos permite obtener una función lineal de una o más variables independientes o predictoras (X1, X2,... XK) a partir de la cual explicar

Más detalles

RECOMENDACIÓN UIT-R TF.538-3 MEDICIONES DE LA INESTABILIDAD DE FRECUENCIA Y EN EL TIEMPO (FASE) (Cuestión UIT-R 104/7)

RECOMENDACIÓN UIT-R TF.538-3 MEDICIONES DE LA INESTABILIDAD DE FRECUENCIA Y EN EL TIEMPO (FASE) (Cuestión UIT-R 104/7) Caracterización de las fuentes y formación de escalas de tiempo Rec. UIT-R TF.538-3 1 RECOMENDACIÓN UIT-R TF.538-3 MEDICIONES DE LA INESTABILIDAD DE FRECUENCIA Y EN EL TIEMPO (FASE) (Cuestión UIT-R 104/7)

Más detalles

Vectores Autorregresivos (VAR)

Vectores Autorregresivos (VAR) Vectores Autorregresivos (VAR) 1 Procesos estocasticos multivariados Y t = [Y 1t, Y 2t,, Y Nt ], t = 1, 2,..., T Estamos interesados en el comportamiento temporal de N variables simultaneamente. E(Y t

Más detalles

REGRESIONES QUE APARENTEMENTE NO ESTAN RELACIONADAS (SUR)

REGRESIONES QUE APARENTEMENTE NO ESTAN RELACIONADAS (SUR) BANCO CENTRAL DE COSTA RICA DIVISIÓN ECONÓICA DEPARTAENTO DE INVESTIGACIONES ECONÓICAS NT-06-96 REGRESIONES QUE APARENTEENTE NO ESTAN RELACIONADAS (SUR) Rigoberto Araya onge Juan E. uñoz Giró NOVIEBRE,

Más detalles

Procesos de Media Móvil y ARMA

Procesos de Media Móvil y ARMA Capítulo 4 Procesos de Media Móvil y ARMA Los procesos AR no pueden representar series de memoria muy corta, donde el valor actual de la serie sólo está correlado con un número pequeño de valores anteriores

Más detalles

TEMA 4: Variables binarias

TEMA 4: Variables binarias TEMA 4: Variables binarias Econometría I M. Angeles Carnero Departamento de Fundamentos del Análisis Económico Curso 2011-12 Econometría I (UA) Tema 4: Variables binarias Curso 2011-12 1 / 51 Variables

Más detalles

Métodos de promedios. Diplomado en Gestión Estratégica de las Finanzas Públicas MÉTODOS ESTADÍSTICOS PARA LA ESTIMACIÓN DE INGRESOS

Métodos de promedios. Diplomado en Gestión Estratégica de las Finanzas Públicas MÉTODOS ESTADÍSTICOS PARA LA ESTIMACIÓN DE INGRESOS MÉTODOS ESTADÍSTICOS PARA LA ESTIMACIÓN DE INGRESOS La estimación o proyección de ingresos futuros puede llevarse a cabo mediante diferentes métodos estadísticos de extrapolación, entre ellos: sistema

Más detalles

TEMA 9: Desarrollo de la metodología de Taguchi

TEMA 9: Desarrollo de la metodología de Taguchi TEMA 9: Desarrollo de la metodología de Taguchi 1 La filosofía de la calidad de Taguchi 2 Control de calidad Off Line y On Line Calidad Off Line Calidad On Line 3 Función de pérdida 4 Razones señal-ruido

Más detalles

REGRESIÓN LINEAL MÚLTIPLE

REGRESIÓN LINEAL MÚLTIPLE REGRESIÓN LINEAL MÚLTIPLE.- Planteamiento general....- Métodos para la selección de variables... 5 3.- Correlaciones parciales y semiparciales... 8 4.- Multicolinealidad en las variables explicativas...

Más detalles

DISEÑO DE UN MODELO DE APROXIMACIÓN TRIMESTRAL PARA LA ECONOMÍA DE MADRID

DISEÑO DE UN MODELO DE APROXIMACIÓN TRIMESTRAL PARA LA ECONOMÍA DE MADRID DISEÑO DE UN MODELO DE APROXIMACIÓN TRIMESTRAL PARA LA ECONOMÍA DE MADRID Ana López Yigal Montejo Instituto L. R. Klein, UAM Junio 2000 RESUMEN El presente trabajo estudia la economía madrileña basándose

Más detalles

CONTENIDOS MÍNIMOS BACHILLERATO

CONTENIDOS MÍNIMOS BACHILLERATO CONTENIDOS MÍNIMOS BACHILLERATO I.E.S. Vasco de la zarza Dpto. de Matemáticas CURSO 2013-14 ÍNDICE Primero de Bachillerato de Humanidades y CCSS...2 Primero de Bachillerato de Ciencias y Tecnología...5

Más detalles

DIPLOMADO EN RELACIONES LABORALES Estadística Asistida por Ordenador Curso 2008-2009

DIPLOMADO EN RELACIONES LABORALES Estadística Asistida por Ordenador Curso 2008-2009 Índice general 6. Regresión Múltiple 3 6.1. Descomposición de la variabilidad y contrastes de hipótesis................. 4 6.2. Coeficiente de determinación.................................. 5 6.3. Hipótesis

Más detalles

Modelos de Pronóstico para el PIB de los establecimientos financieros, seguros, inmuebles y servicios a las empresas

Modelos de Pronóstico para el PIB de los establecimientos financieros, seguros, inmuebles y servicios a las empresas Modelos de Pronóstico para el PIB de los establecimientos financieros, seguros, inmuebles y servicios a las empresas Victor Germán Hernández Ruíz Departamento Nacional de Planeación Agosto 13, 2004 Contenido

Más detalles

Empresarial y Financiero

Empresarial y Financiero Curso de Excel Empresarial y Financiero SESIÓN : REGRESIÓN Rosa Rodríguez Relación con el Mercado Descargue de yahoo.com los Datos de precio ajustado de cierre de las acciones de General Electric (GE),

Más detalles

UCM. Autores: Juan E. Tettamanti Xin Jing [ANÁLISIS DE VARIABLES DE POSIBLE INFLUENCIA EN EL PRECIO DE LAS ACCIONES DE ALUAR]

UCM. Autores: Juan E. Tettamanti Xin Jing [ANÁLISIS DE VARIABLES DE POSIBLE INFLUENCIA EN EL PRECIO DE LAS ACCIONES DE ALUAR] UCM Autores: [ANÁLISIS DE VARIABLES DE POSIBLE INFLUENCIA EN EL PRECIO DE LAS ACCIONES DE ALUAR] Madrid, 27 de Abril de 2013 Página1 Í ndice Introducción... 2 Análisis... 2 Contrastación de Hipótesis...

Más detalles

REGRESION simple. Correlación Lineal:

REGRESION simple. Correlación Lineal: REGRESION simple Correlación Lineal: Dadas dos variable numéricas continuas X e Y, decimos que están correlacionadas si entre ambas variables hay cierta relación, de modo que puede predecirse (aproximadamente)

Más detalles

El Análisis de la Regresión a través de SPSS

El Análisis de la Regresión a través de SPSS El Análisis de la Regresión a través de SPSS M. D olores M artínez M iranda Profesora del D pto. E stadística e I.O. U niversidad de G ranada Referencias bibliográficas. Hair, J.F., Anderson, R.E., Tatham,

Más detalles

Análisis Estadístico de Datos Climáticos

Análisis Estadístico de Datos Climáticos Análisis Estadístico de Datos Climáticos SERIES TEMPORALES 3 (Análisis espectral) 2015 Dominio temporal vs. dominio de frecuencias Son dos enfoques para encarar el análisis de las series temporales, aparentemente

Más detalles

MODELOS DE CÁLCULO DE LA VOLATILIDAD *

MODELOS DE CÁLCULO DE LA VOLATILIDAD * MODELOS DE CÁLCULO DE LA VOLATILIDAD * Uno de los objetivos principales perseguidos en el análisis de series temporales es poder predecir de la manera más aproximada el comportamiento futuro que pueden

Más detalles

UN MODELO DE PRONÓSTICO PARA LAS PRIMAS DE SEGUROS DE VIDA Y PERSONAS

UN MODELO DE PRONÓSTICO PARA LAS PRIMAS DE SEGUROS DE VIDA Y PERSONAS UN MODELO DE PRONÓSTICO PARA LAS PRIMAS DE SEGUROS DE VIDA Y PERSONAS Wilson Mayorga M. Director de Cámara de Vida y Personas y Actuaría Con base en modelos de regresión que explican la evolución de las

Más detalles

Universidad del CEMA Prof. José P Dapena Métodos Cuantitativos V - ESTIMACION PUNTUAL E INTERVALOS DE CONFIANZA. 5.1 Introducción

Universidad del CEMA Prof. José P Dapena Métodos Cuantitativos V - ESTIMACION PUNTUAL E INTERVALOS DE CONFIANZA. 5.1 Introducción V - ESTIMACION PUNTUAL E INTERVALOS DE CONFIANZA 5.1 Introducción En este capítulo nos ocuparemos de la estimación de caracteristicas de la población a partir de datos. Las caracteristicas poblacionales

Más detalles

Metodología de cálculo para sistemas solares térmicos

Metodología de cálculo para sistemas solares térmicos Metodología de cálculo para sistemas solares térmicos MetaSol es una metodología para el cálculo de la contribución solar mínima de agua caliente sanitaria en instalaciones solares térmicas. Con ésta,

Más detalles

Modelos de elección binaria

Modelos de elección binaria Modelos de elección binaria Prof.: Begoña Álvarez García Econometría II 2007-2008 Estamos interesados en la ocurrencia o no-ocurrencia de un cierto evento (ej: participación en el mercado laboral; inversión

Más detalles

INNOVACIÓN DOCENTE EN TÉCNICAS DE PREDICCIÓN ECONÓMICA

INNOVACIÓN DOCENTE EN TÉCNICAS DE PREDICCIÓN ECONÓMICA INNOVACIÓN DOCENTE EN TÉCNICAS DE PREDICCIÓN ECONÓMICA Balaguer, Jacint 1 Ripollés, Jordi 2 Departamento de Economía Facultad de Ciencias Jurídicas y Económicas Universidad Jaume I de Castellón Av. de

Más detalles

estudios estudios Desestacionalización - X12 ARIMAcon Efecto Calendario Índice Supermercados Septiembre de 2008 N 12

estudios estudios Desestacionalización - X12 ARIMAcon Efecto Calendario Índice Supermercados Septiembre de 2008 N 12 estudios estudios Desestacionalización - X12 ARIMAcon Efecto Calendario Índice Supermercados Septiembre de 2008 N 12 INSTITUTO NACIONAL DE ESTADÍSTICAS Desestacionalización -X12 ARIM A- con Efecto Calendario

Más detalles

Econometría de series de tiempo aplicada a macroeconomía y finanzas

Econometría de series de tiempo aplicada a macroeconomía y finanzas Econometría de series de tiempo aplicada a macroeconomía y finanzas Series de Tiempo Estacionarias (Univariadas) Carlos Capistrán Carmona ITAM Serie de tiempo Una serie de tiempo es una sequencia de valores

Más detalles

Análisis de procesos estocásticos en el dominio del tiempo

Análisis de procesos estocásticos en el dominio del tiempo Análisis de procesos estocásticos en el dominio del tiempo F. Javier Cara ETSII-UPM Curso 2012-2013 1 Contenido Introducción Procesos estocásticos Variables aleatorias Una variable aleatoria Dos variables

Más detalles

Análisis de los datos del robo de vehículos asegurados: una aplicación de las series de tiempo. Alejandro Román Vásquez

Análisis de los datos del robo de vehículos asegurados: una aplicación de las series de tiempo. Alejandro Román Vásquez Análisis de los datos del robo de vehículos asegurados: una aplicación de las series de tiempo Alejandro Román Vásquez 2 de mayo del 2012 Índice general 1. Introducción 5 1.1. Contexto, motivación y propósito

Más detalles

CLAVE: LII PROFESOR: MTRO. ALEJANDRO SALAZAR GUERRERO

CLAVE: LII PROFESOR: MTRO. ALEJANDRO SALAZAR GUERRERO Estadística Superior CLAVE: LII PROFESOR: MTRO. ALEJANDRO SALAZAR GUERRERO 1 1. REGRESIÓN LINEAL SIMPLE Y MÚLTIPLE 1.1. Regresión lineal simple 1.2. Estimación y predicción por intervalo en regresión lineal

Más detalles

Grado en Finanzas y Contabilidad

Grado en Finanzas y Contabilidad Econometría Grado en Finanzas y Contabilidad Apuntes basados en el libro Introduction to Econometrics: A modern Approach de Wooldridge 5.2 Estimadores de Variables Instrumentales La endogeneidad aparece

Más detalles

SERIES DE TIEMPO INTRODUCCIÓN

SERIES DE TIEMPO INTRODUCCIÓN Clase Nº 5 SERIES DE TIEMPO INTRODUCCIÓN La forma más utilizada para el análisis de las tendencias futuras es realizar pronósticos. La función de un pronóstico de demanda de un bien, por ejemplo ventas

Más detalles

Reformas impositivas y crecimiento económico. César Pérez López Instituto de Estudios Fiscales (cesar.perez@ief.minhap.es)

Reformas impositivas y crecimiento económico. César Pérez López Instituto de Estudios Fiscales (cesar.perez@ief.minhap.es) Reformas impositivas y crecimiento económico César Pérez López Instituto de Estudios Fiscales (cesar.perez@ief.minhap.es) Nuria Badenes Pla Instituto de Estudios Fiscales (nuria.badenes@ief.minhap.es)

Más detalles

Enseñanza e Investigación en Ciencias Sociales

Enseñanza e Investigación en Ciencias Sociales Cursos Metodológicos para la Enseñanza e Investigación en Ciencias Sociales Organizado por: Fundación General UGr-Empresa Facultad de Ciencias Económicas y Empresariales Universidad de Granada Econometría

Más detalles

Covarianza y coeficiente de correlación

Covarianza y coeficiente de correlación Covarianza y coeficiente de correlación Cuando analizábamos las variables unidimensionales considerábamos, entre otras medidas importantes, la media y la varianza. Ahora hemos visto que estas medidas también

Más detalles

Estimación de parámetros, validación de modelos y análisis de sensibilidad

Estimación de parámetros, validación de modelos y análisis de sensibilidad Tema 6 Estimación de parámetros, validación de modelos y análisis de sensibilidad 6.1 Calibración Una vez que se ha identificado el modelo y se ha programado, necesitamos aplicarlo al problema concreto

Más detalles

6 Sexta. 6.1 Parte básica. Unidad Didáctica "REGRESIÓN Y CORRELACIÓN"

6 Sexta. 6.1 Parte básica. Unidad Didáctica REGRESIÓN Y CORRELACIÓN 352 6 Sexta Unidad Didáctica "REGRESIÓN Y CORRELACIÓN" 6.1 Parte básica 353 6.1.1 Introducción Regresión es una palabra un tanto rara. La utilizan los biólogos, los médicos, los psicólogos... y suena como

Más detalles

Modelos de Valoración de Activos. Estimación y Contraste

Modelos de Valoración de Activos. Estimación y Contraste Modelos de Valoración de Activos. Estimación y Contraste M a Victoria Esteban González Departamento de Economía Aplicada III. Econometría y Estadística Facultad de Ciencias Económicas y Empresariales Universidad

Más detalles

Capítulo 15. Análisis de varianza factorial El procedimiento Modelo lineal general: Univariante

Capítulo 15. Análisis de varianza factorial El procedimiento Modelo lineal general: Univariante Capítulo 15 Análisis de varianza factorial El procedimiento Modelo lineal general: Univariante Los modelos factoriales de análisis de varianza (factorial = más de un factor) sirven para evaluar el efecto

Más detalles

DEPARTAMENTO DE ESTADÍSTICA E INVESTIGACIÓN OPERATIVA UNIVERSIDAD DE VALLADOLID

DEPARTAMENTO DE ESTADÍSTICA E INVESTIGACIÓN OPERATIVA UNIVERSIDAD DE VALLADOLID d e p a r t a m e n t o d E 0.8 300 0.6 I O 0.4 250 0.2 50 100 200 150 200 250 www.eio.uva.es 300 150 universidad de valladolid e s t a d í s t i c a Ver.norm media desv. estand. o p e r a t i v a i n

Más detalles

Pronósticos Por Lic. Gabriel Leandro, MBA http://www.auladeeconomia.com

Pronósticos Por Lic. Gabriel Leandro, MBA http://www.auladeeconomia.com Pronósticos Por Lic. Gabriel Leandro, MBA http:// 1.1. Necesidad de pronosticar Entorno altamente incierto La intuición no necesariamente da los mejores resultados Mejorar la planeación Competitividad

Más detalles

Aplicación 3: Rendimiento y riesgo de los activos financieros: el modelo CAPM

Aplicación 3: Rendimiento y riesgo de los activos financieros: el modelo CAPM Aplicación 3: Rendimiento y riesgo de los activos financieros: el modelo CAPM Idea de las modernas t as de finanzas: Relacionar el riesgo y el rdto (esperado) de un activo Más concretamente: explicar el

Más detalles

T.3 ESTIMACIÓN PUNTUAL

T.3 ESTIMACIÓN PUNTUAL T.3 ESTIMACIÓN PUNTUAL 1. INTRODUCCIÓN: ESTIMACIÓN Y ESTIMADOR 2. PROPIEDADES DE LOS ESTIMADORES 3. MÉTODOS DE ESTIMACIÓN. EJEMPLO 1, EJEMPLO 2 1. Introducción: Estimación y Estimador En este tema se analizan

Más detalles

Modelos de regresión: lineal simple y regresión logística

Modelos de regresión: lineal simple y regresión logística 14 Modelos de regresión: lineal simple y regresión logística Irene Moral Peláez 14.1. Introducción Cuando se quiere evaluar la relación entre una variable que suscita especial interés (variable dependiente

Más detalles

IES CANARIAS CABRERA PINTO DEPARTAMENTO DE MATEMÁTICAS CONTENIDOS MÍNIMOS 1º ESO SEPTIEMBRE 2015

IES CANARIAS CABRERA PINTO DEPARTAMENTO DE MATEMÁTICAS CONTENIDOS MÍNIMOS 1º ESO SEPTIEMBRE 2015 CONTENIDOS MÍNIMOS 1º ESO SEPTIEMBRE 2015 UNIDAD 1: LOS NÚMEROS NATURALES. OPERACIONES Y RELACIONES El sistema de numeración decimal Estimación y redondeo de un número natural Las operaciones con números

Más detalles

EL FILTRO DE KALMAN. Resumen

EL FILTRO DE KALMAN. Resumen EL FILTRO DE KALMAN Carlos Pillajo Universidad Politécnica Salesiana - Ecuador cpillajo@ups.edu.ec Javier E. Sierra Universidad Pontificia Bolivariana Colombia javier.sierra@upb.edu.co Resumen El filtro

Más detalles

TRATAMIENTO DE BASES DE DATOS CON INFORMACIÓN FALTANTE SEGÚN ANÁLISIS DE LAS PÉRDIDAS CON SPSS

TRATAMIENTO DE BASES DE DATOS CON INFORMACIÓN FALTANTE SEGÚN ANÁLISIS DE LAS PÉRDIDAS CON SPSS Badler, Clara E. Alsina, Sara M. 1 Puigsubirá, Cristina B. 1 Vitelleschi, María S. 1 Instituto de Investigaciones Teóricas y Aplicadas de la Escuela de Estadística (IITAE) TRATAMIENTO DE BASES DE DATOS

Más detalles

INDICE 1. Introducción 1.2. Qué es Realimentación y Cuáles son sus Efectos? 1.3. Tipos de Sistemas de Control Realimentado

INDICE 1. Introducción 1.2. Qué es Realimentación y Cuáles son sus Efectos? 1.3. Tipos de Sistemas de Control Realimentado INDICE Prefacio XIX Prefacio al Software de Computadora para Sistemas de Control XXII 1. Introducción 1 1.1. Introducción 1 1.1.1. Componentes básicos de un sistema de control 2 1.1.2. Ejemplos de aplicaciones

Más detalles

Controladores PID. Virginia Mazzone. Regulador centrífugo de Watt

Controladores PID. Virginia Mazzone. Regulador centrífugo de Watt Controladores PID Virginia Mazzone Regulador centrífugo de Watt Control Automático 1 http://iaci.unq.edu.ar/caut1 Automatización y Control Industrial Universidad Nacional de Quilmes Marzo 2002 Controladores

Más detalles

Dr. Carlos L. Jave Gutiérrez

Dr. Carlos L. Jave Gutiérrez PLANIFICACION DE LA PRODUCCION: PRONOSTICOS Dr. Carlos L. Jave Gutiérrez Universidad San Martín de Porras 2010-2 PLANIFICACION DE LA PRODUCCION Son variados y similares los enfoques que con respecto al

Más detalles

Variable dependiente binaria

Variable dependiente binaria Econometría II Tema 3: Modelos de variable dependiente limitada. Variable dependiente binaria Graciela Sanroman Año 2010 Modelos de elección discreta (de variable cualitativa): Los modelos de variable

Más detalles

TEMA 6: Gráficos de Control por Variables

TEMA 6: Gráficos de Control por Variables TEMA 6: Gráficos de Control por Variables 1 Introducción 2 Gráficos de control de la media y el rango Función característica de operación 3 Gráficos de control de la media y la desviación típica 4 Gráficos

Más detalles

Matemáticas 2º BTO Aplicadas a las Ciencias Sociales

Matemáticas 2º BTO Aplicadas a las Ciencias Sociales Matemáticas 2º BTO Aplicadas a las Ciencias Sociales CONVOCATORIA EXTRAORDINARIA DE JUNIO 2014 MÍNIMOS: No son contenidos mínimos los señalados como de ampliación. I. PROBABILIDAD Y ESTADÍSTICA UNIDAD

Más detalles

8.1. Introducción... 1. 8.2. Dependencia/independencia estadística... 2. 8.3. Representación gráfica: diagrama de dispersión... 3. 8.4. Regresión...

8.1. Introducción... 1. 8.2. Dependencia/independencia estadística... 2. 8.3. Representación gráfica: diagrama de dispersión... 3. 8.4. Regresión... Tema 8 Análisis de dos variables: dependencia estadística y regresión Contenido 8.1. Introducción............................. 1 8.2. Dependencia/independencia estadística.............. 2 8.3. Representación

Más detalles

Clase 8: Distribuciones Muestrales

Clase 8: Distribuciones Muestrales Clase 8: Distribuciones Muestrales Distribución Muestral La inferencia estadística trata básicamente con generalizaciones y predicciones. Por ejemplo, podemos afirmar, con base a opiniones de varias personas

Más detalles

Métodos y Diseños utilizados en Psicología

Métodos y Diseños utilizados en Psicología Métodos y Diseños utilizados en Psicología El presente documento pretende realizar una introducción al método científico utilizado en Psicología para recoger información acerca de situaciones o aspectos

Más detalles

Medidas de concordancia: el índice de Kappa

Medidas de concordancia: el índice de Kappa Investigación: Medidas de concordancia: el índice de Kappa 1/5 Medidas de concordancia: el índice de Kappa Autores: López de Ullibarri Galparsoro I, Pita Fernández, S. Unidad de Epidemiología Clínica y

Más detalles

Estudio sobre la evolución del número de pasajeros en el metro de Barcelona

Estudio sobre la evolución del número de pasajeros en el metro de Barcelona Estudio sobre la evolución del número de pasajeros en el metro de Barcelona Un análisis basado en Series Temporales. Autor: Origen 1.- Introducción 2.- Metodología estadística 3.- Análisis descriptivo

Más detalles

Contenido. Horizontes temporales de la previsión La influencia del ciclo de vida del producto

Contenido. Horizontes temporales de la previsión La influencia del ciclo de vida del producto Previsión Contenido Qué es la previsión? Horizontes temporales de la previsión La influencia del ciclo de vida del producto Tipos de previsiones La importancia estratégica de la previsión Recursos humanos

Más detalles

ASIGNATURA: MATEMÁTICAS APL.CIENC.SOCIALES 1º BACHILLERATO. Unidad 1 Números Reales

ASIGNATURA: MATEMÁTICAS APL.CIENC.SOCIALES 1º BACHILLERATO. Unidad 1 Números Reales ASIGNATURA: MATEMÁTICAS APL.CIENC.SOCIALES 1º BACHILLERATO Unidad 1 Números Reales Utilizar los números enteros, racionales e irracionales para cuantificar situaciones de la vida cotidiana. Aplicar adecuadamente

Más detalles

Máster Universitario en Ingeniería de Caminos, Canales y Puertos Introducción al Análisis Numérico

Máster Universitario en Ingeniería de Caminos, Canales y Puertos Introducción al Análisis Numérico Máster Universitario en Ingeniería de Caminos, Canales y Puertos Introducción al Análisis Numérico Departamento de Matemática Aplicada Universidad Granada Introducción El Cálculo o Análisis Numérico es

Más detalles

GUIÓN TEMA 4. VARIABLES BINARIAS 4.1. Variables binarias

GUIÓN TEMA 4. VARIABLES BINARIAS 4.1. Variables binarias ECONOMETRIA I. Departamento de Fundamentos del Análisis Económico Universidad de Alicante. Curso 2011/12 GUIÓN TEMA 4. VARIABLES BINARIAS 4.1. Variables binarias Bibliografía apartados : Greene, 8.2 A.F.Gallastegui:

Más detalles

Capítulo 8. Tipos de interés reales. 8.1. Introducción

Capítulo 8. Tipos de interés reales. 8.1. Introducción Capítulo 8 Tipos de interés reales 8.1. Introducción A lo largo de los capítulos 5 y 7 se ha analizado el tipo de interés en términos nominales para distintos vencimientos, aunque se ha desarrollado más

Más detalles

Capítulo 18 Análisis de regresión lineal El procedimiento Regresión lineal

Capítulo 18 Análisis de regresión lineal El procedimiento Regresión lineal Capítulo 18 Análisis de regresión lineal El procedimiento Regresión lineal Introducción El análisis de regresión lineal es una técnica estadística utilizada para estudiar la relación entre variables. Se

Más detalles

Material del curso Análisis de datos procedentes de investigaciones mediante programas informáticos Manuel Miguel Ramos Álvarez

Material del curso Análisis de datos procedentes de investigaciones mediante programas informáticos Manuel Miguel Ramos Álvarez Curso de Análisis de investigaciones con programas Informáticos 1 UNIVERSIDAD DE JAÉN Material del curso Análisis de datos procedentes de investigaciones mediante programas informáticos Manuel Miguel Ramos

Más detalles

ORIENTACIONES PARA LA PRUEBA DE APTITUD PARA EL ACCESO A LA UNIVERSIDAD

ORIENTACIONES PARA LA PRUEBA DE APTITUD PARA EL ACCESO A LA UNIVERSIDAD ORIENTACIONES PARA LA PRUEBA DE APTITUD PARA EL ACCESO A LA UNIVERSIDAD MODALIDAD CIENTÍFICO-TÉCNICO 1. NOMBRE DE LA MATERIA: Matemáticas II 2. NOMBRE DEL COORDINADOR: Miguel Delgado Pineda (mdelgado@mat.uned.es,

Más detalles

ECONOMETRÍA II: ECONOMETRÍA DE SERIES TEMPORALES. Modelación con ARMA

ECONOMETRÍA II: ECONOMETRÍA DE SERIES TEMPORALES. Modelación con ARMA ECONOMETRÍA II: ECONOMETRÍA DE SERIES TEMPORALES Modelación con ARMA Método Box-Jenkins: Un libro que ha tenido una gran influencia es el de Box y Jenkins (1976): Time Series Analysis: Forecasting and

Más detalles

Modelos vectoriales autoregresivos (VAR)

Modelos vectoriales autoregresivos (VAR) Modelos vectoriales autoregresivos (VAR) Alfonso Novales Universidad Complutense Noviembre 24 Preliminary version No citar sin permiso del autor @Copyright A.Novales 24 Contents Modelos VAR 2. Un modelo

Más detalles

NT8. El Valor en Riesgo (VaR)

NT8. El Valor en Riesgo (VaR) NT8. El Valor en Riesgo (VaR) Introducción VaR son las siglas de Valor en el Riesgo (Value at Risk) y fue desarrollado por la división RiskMetric de JP Morgan en 1994. es una manera de medir el riesgo

Más detalles

Tema 5. Análisis de regresión (segunda parte) Estadística II, 2010/11

Tema 5. Análisis de regresión (segunda parte) Estadística II, 2010/11 Tema 5 Análisis de regresión (segunda parte) Estadística II, 2010/11 Contenidos 5.1: Diagnóstico: Análisis de los residuos 5.2: La descomposición ANOVA (ANalysis Of VAriance) 5.3: Relaciones no lineales

Más detalles

METODOLOGIA DE SUPERFICIES DE RESPUESTA. Esto se logra al determinar las condiciones óptimas de operación del sistema.

METODOLOGIA DE SUPERFICIES DE RESPUESTA. Esto se logra al determinar las condiciones óptimas de operación del sistema. 37 CAPITULO METODOLOGIA DE SUPERFICIES DE RESPUESTA En este capítulo hablaremos de qué es la Metodología de Superficies de Respuesta, su representación gráfica, el procedimiento a seguir hasta encontrar

Más detalles

Modelo SETAR para la volatilidad de la rentabilidad de las acciones: Aplicación de la propuesta metodológica.

Modelo SETAR para la volatilidad de la rentabilidad de las acciones: Aplicación de la propuesta metodológica. Capítulo 8 Modelo SETAR para la volatilidad de la rentabilidad de las acciones: Aplicación de la propuesta metodológica. En los capítulos anteriores hemos propuesto una nueva metodología que mejora la

Más detalles

Universitat Pompeu Fabra Licenciatura de ADE y Economía Econometría I / 10143) Profesor: Javier Coronado Examen Final Diciembre 2011

Universitat Pompeu Fabra Licenciatura de ADE y Economía Econometría I / 10143) Profesor: Javier Coronado Examen Final Diciembre 2011 Econometría I Examen Final 1 Universitat Pompeu Fabra Licenciatura de ADE y Economía Econometría I / 10143) Profesor: Javier Coronado Examen Final Diciembre 2011 Este examen consta de un total de 50 puntos.

Más detalles

INTRODUCCIÓN A LA ECONOMETRÍA E INFORMÁTICA MODELOS ECONOMÉTRICOS E INFORMACIÓN ESTADÍSTICA

INTRODUCCIÓN A LA ECONOMETRÍA E INFORMÁTICA MODELOS ECONOMÉTRICOS E INFORMACIÓN ESTADÍSTICA INTRODUCCIÓN A LA ECONOMETRÍA E INFORMÁTICA MODELOS ECONOMÉTRICOS E INFORMACIÓN ESTADÍSTICA Eva Medina Moral (Febrero 2002) EXPRESIÓN DEL MODELO BASICO DE REGRESIÓN LINEAL La expresión formal del modelo

Más detalles

HERRAMIENTAS Y TECNICAS DE LA PLANEACIÓN

HERRAMIENTAS Y TECNICAS DE LA PLANEACIÓN HERRAMIENTAS Y TECNICAS DE LA PLANEACIÓN Análisis del Entorno. Es el análisis de grandes cantidades de información del medio ambiente para detectar tendencias emergentes y crear escenarios. Análisis del

Más detalles

Econometría de las series de tiempo, cointegración y heteroscedasticidad condicional autoregresiva* *

Econometría de las series de tiempo, cointegración y heteroscedasticidad condicional autoregresiva* * Cuestiones Económicas Vol. 20, No 2:3,2004 Econometría de las series de tiempo, cointegración y heteroscedasticidad condicional autoregresiva* * CLIVE GRANGER Y ROBERT ENGLE 1. Introducción La investigación

Más detalles

GRÁFICAS DE CONTROL DE LA CALIDAD EMPLEANDO EXCEL Y WINSTATS

GRÁFICAS DE CONTROL DE LA CALIDAD EMPLEANDO EXCEL Y WINSTATS GRÁFICAS DE CONTROL DE LA CALIDAD EMPLEANDO EXCEL Y WINSTATS 1) INTRODUCCIÓN Tanto la administración de calidad como la administración Seis Sigma utilizan una gran colección de herramientas estadísticas.

Más detalles

Las Matemáticas En Ingeniería

Las Matemáticas En Ingeniería Las Matemáticas En Ingeniería 1.1. Referentes Nacionales A nivel nacional se considera que el conocimiento matemático y de ciencias naturales, sus conceptos y estructuras, constituyen una herramienta para

Más detalles

El impulso. y el PBI. en el Perú: 1992 2009. crediticio

El impulso. y el PBI. en el Perú: 1992 2009. crediticio análisis El impulso crediticio y el PBI en el Perú: 1992 2009 Erick Lahura* y Hugo Vega* *Especialistas en Investigación Económica del BCRP. erick.lahura@bcrp.gob.pe hugo.vega@bcrp.gob.pe La literatura

Más detalles

Tema 2. Espacios Vectoriales. 2.1. Introducción

Tema 2. Espacios Vectoriales. 2.1. Introducción Tema 2 Espacios Vectoriales 2.1. Introducción Estamos habituados en diferentes cursos a trabajar con el concepto de vector. Concretamente sabemos que un vector es un segmento orientado caracterizado por

Más detalles

INFORME TÉCNICO PREVIO DE EVALUACIÓN DE SOFTWARE ESTADÍSTICO Y ECONOMÉTRICOS Nº 004 TI CMACT

INFORME TÉCNICO PREVIO DE EVALUACIÓN DE SOFTWARE ESTADÍSTICO Y ECONOMÉTRICOS Nº 004 TI CMACT "AÑO DE LA UNIÓN NACIONAL FRENTE A LA CRISIS EXTERNA". INFORME TÉCNICO PREVIO DE EVALUACIÓN DE SOFTWARE ESTADÍSTICO Y ECONOMÉTRICOS Nº 004 TI CMACT 1. NOMBRE DEL AREA Departamento de Tecnología de Información

Más detalles

DIPLOMADO ACTUALIZACIO N EN MATEMA TICAS PARA PROFESIONALES DE BANCA Y SEGUROS

DIPLOMADO ACTUALIZACIO N EN MATEMA TICAS PARA PROFESIONALES DE BANCA Y SEGUROS DIPLOMADO ACTUALIZACIO N EN MATEMA TICAS PARA PROFESIONALES DE BANCA Y SEGUROS Objetivo y alcance del diplomado General Brindar al participante una actualización en diferentes temas de probabilidad y estadística,

Más detalles

DISEÑOS DE INVESTIGACIÓN Y ANÁLISIS DE DATOS [TEMA

DISEÑOS DE INVESTIGACIÓN Y ANÁLISIS DE DATOS [TEMA 2011 UNED DISEÑOS DE INVESTIGACIÓN Y ANÁLISIS DE DATOS [TEMA 7] Diseños con más de dos grupos independientes. Análisis de varianza con dos factores completamente aleatorizados 1 Índice 7.1 Introducción...

Más detalles

ANÁLISIS DE LOS DATOS E INTERPRETACIÓN DE LOS RESULTADOS.

ANÁLISIS DE LOS DATOS E INTERPRETACIÓN DE LOS RESULTADOS. ANÁLISIS DE LOS DATOS E INTERPRETACIÓN DE LOS RESULTADOS. Si bien el análisis e interpretación de los resultados es la última etapa del proceso de investigación, todas Ias anteriores, comprendidas en el

Más detalles

Capítulo 14. Análisis de varianza de un factor: El procedimiento ANOVA de un factor

Capítulo 14. Análisis de varianza de un factor: El procedimiento ANOVA de un factor Capítulo 14 Análisis de varianza de un factor: El procedimiento ANOVA de un factor El análisis de varianza (ANOVA) de un factor sirve para comparar varios grupos en una variable cuantitativa. Se trata,

Más detalles