Guía breve de análisis de series temporales unidimensionales con Gretl
|
|
- María del Rosario de la Fuente Farías
- hace 7 años
- Vistas:
Transcripción
1 Guía breve de análisis de series temporales unidimensionales con Gretl 1. Pasos a seguir 1. Representación de la serie temporal (Variable Gráfico de series temporales). 2. Serie temporal no estacionaria en varianza?: Si no queda claro a partir de la representación gráfica, recurrimos al gráfico rango media (Variable Gráfico rango-media). Si el coeficiente de la recta estimada es significativamente distinto de cero, entonces la serie no es estacionaria en varianza. Para inducir estacionariedad en varianza calculamos logaritmos de la serie temporal (Añadir Logaritmos de las variables seleccionadas). 3. Si la serie temporal no es estacionaria en media aplicamos diferencias regulares tantas veces como consideremos oportuno (Añadir Primeras diferencias de las variables seleccionadas). En la práctica no es necesario diferenciar más de dos veces. 4. Una vez se tenga que la serie temporal es estacionaria (todo lo seguros que podamos estar) representamos sus funciones de autocorrelación simple, FAC, y parcial, FACP (Variable Correlograma). Serán coeficientes significativamente distintos de cero aquellos que salgan de la franja de confianza. Para los valores dudosos consultar los p-valores asociados (adviértase que puesto que se calcula un intervalo de confianza al 95 %, no debe extrañar que algún coeficiente salga de las bandas de confianza). 5. Si al representar el correlograma apreciamos dependencia estacional, aplicamos diferencias estacionales tantas veces como consideremos oportuno (Añadir Diferencias estacionales de las variables seleccionadas). En la práctica no es necesario diferenciar más de dos veces. 6. Una vez propuestos una bateria de modelos para la serie temporal tras la identificación (la componente regular se observa en los primeros s de la FAC y FACP, mientras que la estacional en los múltiplos de la estacionalidad) se procede a su estimación (Modelo Series temporales ARIMA): Como variable independiente incluir la serie temporal original o transformada mediante logaritmo, nunca la diferenciada regular o estacionalmente. Especificar los órdenes de las estructuras autorregresivas y de medias móviles así como las diferencias realizadas (tanto de la parte regular como de la estacional). Dejar las opciones especificadas por defecto. 7. Validación de resultados obtenidos: Los coeficientes han de ser significativamente distintos de cero. Las raíces han de ser en módulo mayores que 1 (estacionariedad e invertibilidad). Los residuos han de ser ruido blanco: 1
2 Guardar los residuos como nueva variable (en la ventana de resultados Guardar Residuos). Los coeficientes de la FAC y FACP han de tener todos sus coeficientes nulos (la presencia de algún tipo de estructura puede ayudar a reidentificar el modelo). 8. Obtención de predicciones (en ventana de resultados Análisis Predicciones). Indicamos el número de observaciones para los que queremos obtener predicciones y dejamos los valores por defecto en la nueva ventana. 9. Otra opción es dejar algunas observaciones finales fuera de la estimación para obtener predicciones para ellas: Establecer el número de observaciones con las que se desea hacer la estimación (Muestra Establecer rango). Volver a estimadar el modelo especificado. Establecer las observaciones que hemos dejado fuera con anterioridad como aquellas para las que se desea predecir (en la ventana de resultados Análisis Predicciones). En la ventana que aparece debe salir por defecto dichas observaciones en el dominio de predicción (si no es así, especificarlo). Dejar resto de opciones por defecto. 1. Selección de modelos: en el caso de haber considerado cómo válidos más de un modelo, seleccionar uno de ellos a partir de los valores obtenidos para los criterios de Akaike, Schwarz y Hannan- Quinn (quedarse con aquel modelo que presente menor valor en estos criterios). Importante: No se deben mezclar valores obtenidos en un criterio con los obtenidos en otro, es decir, la comparación (y decisión consecuente) sólo es posible cuando se comparan valores de un mismo criterio. Por ejemplo, no es admisible comparar un valor del criterio de Akaike con el de Schwarz. Para realizar la comparación se ha de partir de la misma variable dependiente. Es decir, no es posible comparar los valores de estos criterios si en un modelo se tiene la variable original y en otra su logaritmo. 2. Análisis de la temperatura en Granada El presente documento sobre el análisis de procesos ARIMA con el software econométrico Gretl lo estoy elaborando a finales del mes de Julio de 215 (tampoco es necesario especificar el día). Ya sé que hay muchas variables económicas muy relevantes 1, pero a día de hoy lo único que me interesa es la caló que hace. Así que he buscado datos sobre las temperaturas mensuales en la ciudad de Granada con el objetivo de conocer lo que nos espera en el futuro siguiendo los pasos del apartado anterior resumidos en la Figua 1. Sin embargo, por desgracia, sólo he podido encontrar datos desde enero de 1981 hasta diciembre de 21, por lo que la predicción que nos sería útil es demasiado lejana y no demasiado fiable 2. La representación gráfica de dichos datos 3 (ver Figura 2) se puede observar: 1 El lector puede repetir los pasos aquí dados para la serie del IPC mensual español desde enero de 22 a junio de 215 ( o para el PIB trimestral español desde 1995 a 215 ( 2 Recordemos que las series de tiempo son útiles para realizar predicciones a corto plazo. 3 Los datos están disponibles en la dirección Eco3-TemperaturasGranada.gdt. 2
3 Serie Temporal Es estacionaria? SI NO Inducir estacionariedad Identificación Estimación NO Validación SI Deshacer transformaciones NO Pronóstico adecuado SI Modelo aceptado Figura 1: Pasos a seguir para analizar una serie temporal mediante procesos ARIMA La serie temporal es estacionaria en varianza. Aún así, haciendo el gráfico rango-media (ver Figura 3) se obtiene que los puntos de distribuyen de forma aleatoria. Es más, la pendiente es estadísticamente cero (p-valor mayor que.5), luego la serie es estacionaria en varianza. Un patrón repetitivo: temperaturas altas en los meses de verano y bajas en los de invierno. Por tanto, podemos pensar que hay una componente estacional en la serie de datos. Esta cuestión se confirma al observar en la FAC un comportamiento sinusoidal con valores extremos en los múltiplos de seis 4 (ver Figura 4). Por tanto, para eliminar la componente estacional consideramos diferencias estacionales en la serie obteniendo la representación de la Figura 5. Podemos pensar que la serie es estacionaria en media, sin embargo, si calculamos unas diferencias regulares se obtiene una representación gráfica donde parece más clara la estacionariedad en media (ver Figura 6). Además, si se observa la representación gráfica del correlograma de la serie con sólo diferencias estacionales (ver Figura 7) se tiene que: La parte regular podría 5 corresponder a un AR(1), MA(1) o ARMA(1,1), según se considere que a) la FAC decrece y la FACP se corta, b) la FAC se corta y la FACP decrece o c) ambas decrecen. La parte estacional podría corresponder a un MA(1) 12 ya que la FAC se corta en el primer estacional y la FACP decrece en los s estacionales. 4 Ojo! Una vez corregida la componente estacional es cuando nos debemos de fijar en los múltiplos de s. 5 Digo podría ya que interpretar una representación gráfica del correlograma es una cuestión subjetiva de manera que donde un investigador observa una cosa otro puede observar otra. 3
4 Temperatura Figura 2: Representacíón gráfica de las temperaturas en la ciudad de Granada desde enero de 1981 a diciembre de gráfico rango media de Temperatura 21 2 rango media Figura 3: Representacíón gráfico rango-media 4
5 FAC de Temperatura /T FACP de Temperatura /T Figura 4: Correlograma de la serie de tiempo original 6 4 sd T emperatura Figura 5: Representacíón gráfica de las diferencias estacionales de la serie de tiempo 5
6 8 6 4 d s d T emperatur Figura 6: Representacíón gráfica de las diferencias regulares de las diferencias estacionales de la serie de tiempo FAC de sd T emperatura /T FACP de sd T emperatura /T Figura 7: Correlograma de la serie de tiempo con diferencias estacionales 6
7 FAC de d s d T emperatur /T FACP de d s d T emperatur /T Figura 8: Correlograma de la serie de tiempo con diferencias estacionales y regulares Mientras que si se observa el correlograma de la serie de tiempo con diferencias estacionales y regulares (ver Figura 8) se tiene que: La parte regular correponde a un MA(1) ya que la FAC se corta y la FACP decrece. La parte estacional sigue correspondindo a un MA(1) 12. Por tanto, se podrían analizar cuatro modelos distintos: ARIMA(1,, )x(, 1, 1) 12, ARIMA(,, 1)x(, 1, 1) 12, ARIMA(1,, 1)x(, 1, 1) 12, ARIMA(, 1, 1)x(, 1, 1) 12. En este documento se va a trabajar con el primero y el cuarto, si bien el lector podría completarlo analizando el resto de modelos. Para el modelo ARIMA(1,,)x(,1,1) 12 se obtienen los siguientes resultados: Modelo 1: ARIMA, usando las observaciones 1982:1 21:12 (T = 348) Variable dependiente: (1 L s )Temperatura Desviaciones típicas basadas en el Hessiano Coeficiente Desv. Típica z Valor p const φ Θ Media de la vble. dep D.T. de la vble. dep media innovaciones.999 D.T. innovaciones Log-verosimilitud Criterio de Akaike Criterio de Schwarz Hannan Quinn
8 AR MA (estacional) Real Imaginaria Módulo Frecuencia Raíz 1 3,8278, 3,8278, Raíz 1 1,1293, 1,1293, Se puede observar que: Los coeficientes son significativamente distintos de cero. Aunque el término independiente no lo sea lo dejaremos en el modelo (otra opción es estimar el mismo modelo sin término independiente). Las raíces de los polinomios característicos son, en módulo 6, mayores que 1. Luego el proceso es estacionario e invertible. El proceso estimado corresponde a (1,261244B)(1 B 12 )y t =,14195+(1,885525B 12 )ɛ t. Por otro lado, tras guardar los residuos de este modelo: Su representación (ver Figura 9) parace indicar estacionariedad en media y varianza. Su correlograma (ver Figura 1) tiene prácticamente todos sus s nulos 7. Realizado el correspondiente contraste de normalidad en ningún caso 8 se rechaza la hipótesis nula de normalidad (p-valores mayores que.5). Por tanto, se podría decir que los residuos corresponden a ruido blanco gaussiano y, en tal caso, la identificación y estimación realizadas son válidas. Para el modelo ARIMA(,1,1)x(,1,1) 12 se obtienen los siguientes resultados: Modelo 2: ARIMA, usando las observaciones 1982:2 21:12 (T = 347) Variable dependiente: (1 L)(1 L s )Temperatura Desviaciones típicas basadas en el Hessiano Coeficiente Desv. Típica z Valor p const θ Θ Media de la vble. dep D.T. de la vble. dep media innovaciones.612 D.T. innovaciones Log-verosimilitud Criterio de Akaike Criterio de Schwarz Hannan Quinn MA MA (estacional) Real Imaginaria Módulo Frecuencia Raíz 1 1,71, 1,71, Raíz 1 1,962, 1,962, 6 Si la raíz es real, el módulo coincide con el valor absoluto. Si la raíz es imaginaria, es decir, de la forma a ± b i, el módulo correponde a a 2 + b 2. 7 Adviértase que puesto que se ha calculado un intervalo de confianza al 95 % no debe extrañarnos que algún coeficiente, para k relativamente grande, salga de las bandas de confianza. Eso sí, no confundir este comentario con los s significativamente distintos de cero debido a la estacionalidad. 8 Gretl oferece los contrastes de Doornik-Hansen, Shapiro-Wilk, Lilliefors y Jarque-Vera. 8
9 uhat Figura 9: Representación gráfica de los residuos del modelo ARIMA(1,,)x(,1,1) FAC de uhat /T FACP de uhat /T.5 Figura 1: Correlograma de los residuos del modelo ARIMA(1,,)x(,1,1) 12 9
10 uhat Figura 11: Representación gráfica de los residuos del modelo ARIMA(,1,1)x(,1,1) 12 Se puede observar que: Los coeficientes son significativamente distintos de cero. Las raíces de los polinomios característicos son, en módulo, mayores que 1. Luego el proceso es estacionario e invertible. El proceso estimado corresponde a (1 B)(1 B 12 )y t =,515 + (1,934533B)(1,912273B 12 )ɛ t. Por otro lado, tras guardar los residuos de este modelo: Su representación (ver Figura 11) parace indicar estacionariedad en media y varianza. Sus FAC y FACP (ver Figura 12) tienen el primer claramente no nulo, es decir, los residuos tienen cierta estructura que no ha sido recogida en el modelo. Realizado el correspondiente contraste de normalidad en ningún caso se rechaza la hipótesis nula de normalidad (p-valores mayores que.5). Por tanto, no se podría decir que los residuos corresponden a ruido blanco y, en tal caso, la identificación y estimación realizadas no son válidas 9. Supongamos que el segundo modelo hubiese sido válido, con cuál de los dos modelos me quedo? Atendiendo a los valores obtenidos para los distintos criterios de selección de modelos (ver tabla del Cuadro 1) se tiene que en todos los casos son menores para el modelo ARIMA(1,,)x(,1,1) 12, por lo que nos quedaríamos con este modelo. En la Figura 13 se recogen las temperaturas observadas, las estimadas y las predicciones realizadas para 24 meses con el modelo validado. 9 Para reespecificar el modelo puede ser útil el correlograma de los residuos. Éstos sugieren en la parte regular una estructura AR(1), MA(1) o ARMA(1,1) dependiendo de si se considera que a) la FAC decrece y la FACP se corta, b) la FAC se corta y la FACP decrece y c) ambas decrecen. En tal caso el modelo se reespecificaría como ARIMA(1,1,1)x(,1,1) 12, ARIMA(,1,2)x(,1,1) 12 ó ARIMA(1,1,2)x(,1,1) 12. Se aconseja al lector analizar estas opciones. 1
11 FAC de uhat /T FACP de uhat /T.5 Figura 12: Correlograma de los residuos del modelo ARIMA(,1,1)x(,1,1) 12 Criterio Ajaike Schwarz Hannan-Quinn ARIMA(1,,)x(,1,1) ARIMA(,1,1)x(,1,1) Cuadro 1: Valores para los distintos criterios de selección de modelos en los dos modelos considerados 3 25 Temperatura predicción Intervalo de 95 por ciento Figura 13: Predicción para dos años con el modelo ARIMA(1,,)x(,1,1) 12 11
Pronósticos Automáticos
Pronósticos Automáticos Resumen El procedimiento de Pronósticos Automáticos esta diseñado para pronosticar valores futuros en datos de una serie de tiempo. Una serie de tiempo consiste en un conjunto de
Más detallesEstadística Industrial. Universidad Carlos III de Madrid Series temporales Práctica 5
Estadística Industrial Universidad Carlos III de Madrid Series temporales Práctica 5 Objetivo: Análisis descriptivo, estudio de funciones de autocorrelación simple y parcial de series temporales estacionales.
Más detallesEconometría II Grado en finanzas y contabilidad
Econometría II Grado en finanzas y contabilidad Variables aleatorias y procesos estocásticos. La FAC y el correlograma Profesora: Dolores García Martos E-mail:mdgmarto@est-econ.uc3m.es Este documento es
Más detallesMODELO ECONOMÉTRICO. José María Cara Carmona. Adrián López Ibáñez. Explicación del desempleo
José María Cara Carmona Adrián López Ibáñez MODELO ECONOMÉTRICO Explicación del desempleo Desarrollaremos un modelo econométrico para intentar predecir el desempleo. Trataremos los diversos problemas que
Más detallesMáster en comunicaciones. Clase 2. Modelos predictores.
Máster en comunicaciones. Clase 2. Modelos predictores. 1. Introducción Uno de los cometidos más importantes de la estadística es la explotación de los datos observados de una o más características de
Más detallesESTADÍSTICA. Tema 4 Regresión lineal simple
ESTADÍSTICA Grado en CC. de la Alimentación Tema 4 Regresión lineal simple Estadística (Alimentación). Profesora: Amparo Baíllo Tema 4: Regresión lineal simple 1 Estructura de este tema Planteamiento del
Más detallesTÉCNICAS ESTADÍSTICAS APLICADAS EN NUTRICIÓN Y SALUD
TÉCNICAS ESTADÍSTICAS APLICADAS EN NUTRICIÓN Y SALUD Contrastes de hipótesis paramétricos para una y varias muestras: contrastes sobre la media, varianza y una proporción. Contrastes sobre la diferencia
Más detallesTema 5: Planteamiento de los modelos de series temporales. Coro Chasco Yrigoyen Universidad Autónoma de Madrid (UAM) Asignatura: Econometría II
Tema 5: Planteamiento de los modelos de series temporales Coro Chasco Yrigoyen Universidad Autónoma de Madrid (UAM) Asignatura: Econometría II 1 Parte II. Modelos univariantes de series temporales Tema
Más detallesAnálisis de datos del Aguacate Hass (presentación caja 10 kilogramos)
Análisis de datos del Aguacate Hass (presentación caja 10 kilogramos) Alberto Contreras Cristán, Miguel Ángel Chong Rodríguez. Departamento de Probabilidad y Estadística Instituto de Investigaciones en
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 detallesEVOLUCIÓN DE DOS ÍNDICES BURSÁTILES Y DEL PRECIO DEL PETÓLEO EN ECONOMÍAS ABIERTAS EN CICLOS DE EXPANSIÓN-CRISIS EN EL PERÍODO 2003:1-2010:5.
EVOLUCIÓN DE DOS ÍNDICES BURSÁTILES Y DEL PRECIO DEL PETÓLEO EN ECONOMÍAS ABIERTAS EN CICLOS DE EXPANSIÓN-CRISIS EN EL PERÍODO 2003:1-2010:5. En este trabajo realizo un estudio entre las variables, con
Más detallesAPÉNDICE A GRÁFICAS Y TABLAS EMPLEADAS PARA LA DETERMINACIÓN DE LOS MODELOS
APÉNDICE A GRÁFICAS Y TABLAS EMPLEADAS PARA LA DETERMINACIÓN DE LOS MODELOS 48 GRÁFICAS Y TABLAS EMPLEADAS PARA LA DETERMINACIÓN DE LOS MODELOS Para determinar el modelo que se ha empleado para las estimaciones,
Más detallesT4. Modelos con variables cualitativas
T4. Modelos con variables cualitativas Ana J. López y Rigoberto Pérez Dpto Economía Aplicada. Universidad de Oviedo Curso 2010-2011 Ana J. López y Rigoberto Pérez (Dpto EconomíaT4. Aplicada. Modelos Universidad
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 detallesSeries 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 detallesDiplomatura en Ciencias Empresariales X Y 10 10000 100 1000 1000 100 10000 10
DEPARTAMENTO DE ESTADÍSTICA E INVESTIGACIÓN OPERATIVA Diplomatura en Ciencias Empresariales ESTADÍSTICA II Relación Tema 10: Regresión y correlación simple. 1. Ajustar una función potencial a los siguientes
Más detallesEstimación de un modelo de ecuaciones simultáneas usando el software econométrico Gretl
Estimación de un modelo de ecuaciones simultáneas usando el software econométrico Gretl Catalina García, María del Mar López y Román Salmerón Departamento de Métodos Cuantitativos para la Economía y la
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 detallesINTERPRETACIÓN DE LA REGRESIÓN. Interpretación de la regresión
INTERPRETACIÓN DE LA REGRESIÓN Este gráfico muestra el salario por hora de 570 individuos. 1 Interpretación de la regresión. regresión Salario-Estudios Source SS df MS Number of obs = 570 ---------+------------------------------
Más detalles3. ASOCIACIÓN ENTRE DOS VARIABLES CUALITATIVAS
1. INTRODUCCIÓN Este tema se centra en el estudio conjunto de dos variables. Dos variables cualitativas - Tabla de datos - Tabla de contingencia - Diagrama de barras - Tabla de diferencias entre frecuencias
Más detallesTercera práctica de REGRESIÓN.
Tercera práctica de REGRESIÓN. DATOS: fichero practica regresión 3.sf3 1. Objetivo: El objetivo de esta práctica es aplicar el modelo de regresión con más de una variable explicativa. Es decir regresión
Más detallesDELTA MASTER FORMACIÓN UNIVERSITARIA C/ Gral. Ampudia, 16 Teléf.: 91 533 38 42-91 535 19 32 28003 MADRID ECONOMETRIA PRIMER PARCIAL 17 DE ENERO DE 2008 1.- A) La transformación estacionaria es SOLUCIONES
Más detallesEl Análisis de Correspondencias tiene dos objetivos básicos:
Tema 8 Análisis de correspondencias El Análisis de Correspondencias es una técnica de reducción de dimensión y elaboración de mapas percentuales. Los mapas percentuales se basan en la asociación entre
Más detallesMulticolinealidad. Universidad de Granada. RSG Incumplimiento de las hipótesis básicas en el modelo lineal uniecuacional múltiple 1 / 17
Román Salmerón Gómez Universidad de Granada RSG Incumplimiento de las hipótesis básicas en el modelo lineal uniecuacional múltiple 1 / 17 exacta: aproximada: exacta: aproximada: RSG Incumplimiento de las
Más detallesECONOMETRÍA 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 detallesBreve 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 detallesSeries temporales. Series temporales
Series temporales Series temporales Una serie temporal es una variable cuya evolución se sigue a lo largo del tiempo. Para obtenerla tomaremos observaciones de la variable a intervalos regulares de tiempo.
Más detallesESTADÍSTICA CON EXCEL
ESTADÍSTICA CON EXCEL 1. INTRODUCCIÓN La estadística es la rama de las matemáticas que se dedica al análisis e interpretación de series de datos, generando unos resultados que se utilizan básicamente en
Más detallesMedidas de dispersión
Medidas de dispersión Las medidas de dispersión nos informan sobre cuánto se alejan del centro los valores de la distribución. Las medidas de dispersión son: Rango o recorrido El rango es la diferencia
Más detalles1 Introducción. 2 Modelo. Hipótesis del modelo MODELO DE REGRESIÓN LOGÍSTICA
MODELO DE REGRESIÓN LOGÍSTICA Introducción A grandes rasgos, el objetivo de la regresión logística se puede describir de la siguiente forma: Supongamos que los individuos de una población pueden clasificarse
Más detallesTRABAJO ECONOMETRIA (ETAPAS 1,2 Y 3)
1 UNIVERSIDAD TRABAJO ECONOMETRIA (ETAPAS 1,2 Y 3) NOMBRE ALUMNO: ************** ASIGNATURA: ECONOMETRIA FECHA ENTREGA: 05/12/2011 NOTA=70% 2 1. Introducción La integración comercial de Chile al mundo
Más detallesPRÁCTICA 11. VALORES ANÓMALOS OUTLIERS Y EFECTO CALENDARIO
PRÁCTICA 11. VALORES ANÓMALOS OUTLIERS Y EFECTO CALENDARIO Los modelos ARIMA constituyan una forma práctica de representar la dinámica de una serie. Ye hemos introducido en las prácticas anteriores el
Más detallesMétodo de cuadrados mínimos
REGRESIÓN LINEAL Gran parte del pronóstico estadístico del tiempo está basado en el procedimiento conocido como regresión lineal. Regresión lineal simple (RLS) Describe la relación lineal entre dos variables,
Más detallesESTADÍSTICA. Población Individuo Muestra Muestreo Valor Dato Variable Cualitativa ordinal nominal. continua
ESTADÍSTICA Población Individuo Muestra Muestreo Valor Dato Variable Cualitativa ordinal nominal Cuantitativa discreta continua DISTRIBUCIÓN DE FRECUENCIAS Frecuencia absoluta: fi Frecuencia relativa:
Más detallesANÁLISIS 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 detallesAPUNTES DE QUIMIOMETRIA REGRESIO LINEAL
REGRESIO LINEAL APUNTES DE QUIMIOMETRIA Datos anómalos y levas en las rectas de calibrado. Regresión robusta Mínima mediana de cuadrados Recta de calibrado mediante mínimos cuadrados. Hipótesis básicas
Más detallesENUNCIADOS DE PROBLEMAS
UNIVERSIDAD CARLOS III DE MADRID ECONOMETRÍA I 22 de Septiembre de 2007 ENUNCIADOS DE PROBLEMAS Muy importante: Tenga en cuenta que algunos resultados de las tablas han podido ser omitidos. PROBLEMA 1:
Más detallesANALISIS DE LA SERIE TEMPORAL DEL IBEX-35 DESDE 1992 HASTA CONCLUSIONES PREDICTIVAS.
ANALISIS DE LA SERIE TEMPORAL DEL IBEX-35 DESDE 1992 HASTA 1997. CONCLUSIONES PREDICTIVAS. Introducción: En la presente comunicación nos proponemos analizar el comportamiento como serie temporal del índice
Más detallesCurso de Estadística Aplicada a las Ciencias Sociales. Tema 12. Contraste de hipótesis. Introducción. Introducción
Curso de Estadística Aplicada a las Ciencias Sociales Tema 12. Contraste de (Cap. 22 del libro) Tema 12. Contraste de 1. Tipos de 2. La nula y la Ejercicios Tema 12, Contraste de 2 En muchas investigaciones
Más detallesAnálisis Probit. StatFolio de Ejemplo: probit.sgp
STATGRAPHICS Rev. 4/25/27 Análisis Probit Resumen El procedimiento Análisis Probit está diseñado para ajustar un modelo de regresión en el cual la variable dependiente Y caracteriza un evento con sólo
Más detallesTEMA 3: Contrastes de Hipótesis en el MRL
TEMA 3: Contrastes de Hipótesis en el MRL Econometría I M. Angeles Carnero Departamento de Fundamentos del Análisis Económico Curso 2011-12 Econometría I (UA) Tema 3: Contrastes de Hipótesis Curso 2011-12
Más detallesTipo de punta (factor) (bloques)
Ejemplo Diseño Bloques al Azar Ejercicio -6 (Pág. 99 Montgomery) Probeta Tipo de punta (factor) (bloques) 9. 9. 9.6 0.0 9. 9. 9.8 9.9 9. 9. 9.5 9.7 9.7 9.6 0.0 0. ) Representación gráfica de los datos
Más detallesMétodos 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 detallesEstadísticos Descriptivos
ANÁLISIS EXPLORATORIO DE DATOS El análisis exploratorio tiene como objetivo identificar el modelo teórico más adecuado para representar la población de la cual proceden los datos muéstrales. Dicho análisis
Más detallesVARIABLES ESTADÍSTICAS BIDIMENSIONALES
VARIABLES ESTADÍSTICAS BIDIMENSIONALES 1.- En una variable estadística bidimensional, el diagrama de dispersión representa: a) la nube de puntos. b) las varianzas de las dos variables. c) los coeficientes
Más detallesTema: ESTADÍSTICA DESCRIPTIVA BÁSICA CON SPSS 8.0
Ignacio Martín Tamayo 11 Tema: ESTADÍSTICA DESCRIPTIVA BÁSICA CON SPSS 8.0 ÍNDICE ------------------------------------------------------------- 1. Introducción 2. Frecuencias 3. Descriptivos 4. Explorar
Más detallesEstructura de este tema. Tema 3 Contrastes de hipótesis. Ejemplo
Estructura de este tema Tema 3 Contrastes de hipótesis José R. Berrendero Departamento de Matemáticas Universidad Autónoma de Madrid Qué es un contraste de hipótesis? Elementos de un contraste: hipótesis,
Más detallesTransformaciones de Box-Cox
Transformaciones de Box-Cox Resumen El procedimiento para las Transformaciones de Box-Cox es diseñado para determinar una transformación optima para Y mientras se estima un modelo de regresión lineal.
Más detallesPráctica 9 REGRESION LINEAL Y CORRELACIÓN
Práctica 9. Regresión lineal y Correlación 1 Práctica 9 REGRESION LINEAL Y CORRELACIÓN Objetivos: En esta práctica utilizaremos el paquete SPSS para estudiar la regresión lineal entre dos variables y la
Más detalles4. Resolución de indeterminaciones: la regla de L Hôpital.
GRADO DE INGENIERÍA AEROESPACIAL. CURSO. Lección. Funciones y derivada. 4. Resolución de indeterminaciones: la regla de L Hôpital. Sean f y g dos funciones derivables en un intervalo abierto I R y sea
Más detallesTema 1.- Correlación Lineal
Tema 1.- Correlación Lineal 3.1.1. Definición El término correlación literalmente significa relación mutua; de este modo, el análisis de correlación mide e indica el grado en el que los valores de una
Más detallesTeorema Central del Límite (1)
Teorema Central del Límite (1) Definición. Cualquier cantidad calculada a partir de las observaciones de una muestra se llama estadístico. La distribución de los valores que puede tomar un estadístico
Más detallesInecuaciones con valor absoluto
Inecuaciones con valor absoluto El valor absoluto de un número real a se denota por a y está definido por: Propiedades a a si a si a 0 a < 0 i a y b son números reales y n es un número entero, entonces:
Más detallesINSTITUTO NACIONAL DE ESTADÍSTICAS (INE) 29 de Abril de 2016
ANEXO ESTADÍSTICO 1 : COEFICIENTES DE VARIACIÓN Y ERROR ASOCIADO AL ESTIMADOR ENCUESTA NACIONAL DE EMPLEO (ENE) INSTITUTO NACIONAL DE ESTADÍSTICAS (INE) 9 de Abril de 016 1 Este anexo estadístico es una
Más detallesx^new = x^old + K(b new A new x^old )
El Filtro de Kalman: La idea fundamental del filtro de Kalman es la actualización La llegada de una nueva observación supone un cambio en la mejor estimación mínimo cuatrática del parámetro x Se desea
Más detallesMASTER EN CIENCIAS ACTUARIALES Y FINANCIERAS PLAN Módulo: FORMACIÓN FUNDAMENTAL. Créditos ECTS: 6 Presenciales: 5 No presenciales: 1
MASTER EN CIENCIAS ACTUARIALES Y FINANCIERAS PLAN 2009 Nombre de asignatura: AMPLIACIÓN DE ESTADÍSTICA Código:603358 Materia: MATEMÁTICAS Y ESTADÍSTICA Módulo: FORMACIÓN FUNDAMENTAL Carácter: OBLIGATORIA
Más detalles4.1 Análisis bivariado de asociaciones
4.1 Análisis bivariado de asociaciones Los gerentes posiblemente estén interesados en el grado de asociación entre dos variables Las técnicas estadísticas adecuadas para realizar este tipo de análisis
Más detallesProf. Antonio Santillana y Ainhoa Herrarte Septiembre de 2009
La economía en el corto plazo: introducción al análisis del ciclo económico Prof. Antonio Santillana y Ainhoa Herrarte Septiembre de 2009 Contenido Definición de ciclo económico 1. Medición del ciclo económico:
Más detallesPráctica 5 MÉTODOS DESCRIPTIVOS PARA DETERMINAR LA NORMALIDAD
Práctica 5.Métodos descriptivos para determinar la normalidad 1 Práctica 5 MÉTODOS DESCRIPTIVOS PARA DETERMINAR LA NORMALIDAD Objetivos: En esta práctica utilizaremos el paquete SPSS para determinar si
Más detallesEstimación de homografías
Estimación de homografías Visión en Robótica 1er cuatrimestre de 2013 1 Introducción del problema Una homografía es una transformación proyectiva que determina una correspondencia entre puntos El problema
Más detallesINFORME DE COYUNTURA: MATRICULACIÓN DE VEHÍCULOS EN ESPAÑA.
INFORME DE COYUNTURA: MATRICULACIÓN DE VEHÍCULOS EN ESPAÑA. Carmen María Rubio Castaño. Master en Análisis Económico Aplicado. MAE 7. El último dato de Matriculación de Vehículos en España publicado por
Más detallesTema 8. Análisis de dos variables Ejercicios resueltos 1
Tema 8. Análisis de dos variables Ejercicios resueltos 1 Ejercicio resuelto 8.1 La siguiente tabla muestra la distribución del gasto mensual en libros y el gasto mensual en audiovisual en euros en los
Más detallesINTERVALOS DE CONFIANZA. La estadística en cómic (L. Gonick y W. Smith)
INTERVALOS DE CONFIANZA La estadística en cómic (L. Gonick y W. Smith) EJEMPLO: Será elegido el senador Astuto? 2 tamaño muestral Estimador de p variable aleatoria poblacional? proporción de personas que
Más detallesExamen de Grado Sección de Econometría Agosto y se obtienen los siguientes resultados. Observe que parte de la información ha sido omitida.
Examen de Grado Sección de Econometría Agosto 2015 Pregunta 1. (40 puntos). Suponga que estamos interesados en determinar cuáles características del colegio y/o del hogar determinan el resultado de una
Más detalles1. Caso no lineal: ajuste de una función potencial
1. Caso no lineal: ajuste de una función potencial La presión (P) y el volumen (V ) en un tipo de gas están ligados por una ecuación del tipo PV b = a, siendo a y b dos parámetros desconocidos. A partir
Más detallesAnálisis de Componentes de la Varianza
Análisis de Componentes de la Varianza Resumen El procedimiento de Análisis de Componentes de Varianza está diseñado para estimar la contribución de múltiples factores a la variabilidad de una variable
Más detallesAnálisis de datos del SNIIM correspondientes al Aguacate Hass (caja 10kg.)
Análisis de datos del SNIIM correspondientes al Aguacate Hass (caja 10kg.) p. 1/11 Análisis de datos del SNIIM correspondientes al Aguacate Hass (caja 10kg.) Departamento de Probabilidad y Estadística
Más detallesEJERCICIOS DE SELECTIVIDAD
EJERCICIOS DE SELECTIVIDAD INFERENCIA 1998 JUNIO OPCIÓN A Un fabricante de electrodomésticos sabe que la vida media de éstos sigue una distribución normal con media μ = 100 meses y desviación típica σ
Más detallesPráctica 3: Distribuciones de Probabilidad Binomial, Poisson y Normal
Práctica 3: Distribuciones de Probabilidad Binomial, Poisson y Normal Ejercicio 1: Todos los días se seleccionan de manera aleatoria 12 unidades de un proceso de manufactura, con el propósito de verificar
Más detallesPráctica 2: Intervalos de confianza y contrastes con SPSS 1
Estadística Aplicada Curso 2010/2011 Diplomatura en Nutrición Humana y Dietética Práctica 2: Intervalos de confianza y contrastes con SPSS 1 El objetivo de esta práctica es aprender a calcular intervalos
Más detallesUNIDAD 4: MEDIDAS DESCRIPTIVAS: Medidas de dispersión
UNIDAD 4: MEDIDAS DESCRIPTIVAS: Medidas de dispersión Para el desarrollo de este capítulo, vaya revisando conjuntamente con esta guía el capítulo 3 del texto básico, págs. 71 86 y capítulo 4 en las páginas
Más detallesLección 1: Números en teros. Orden, suma y resta
LECCIÓN 1 Lección 1: Números en teros. Orden, suma y resta En esta lección se hará un repaso de los temas abordados en las lecciones 7 y 8 del curso anterior. Los números enteros Como usted recordará,
Más detallesOtra característica poblacional de interés es la varianza de la población, 2, y su raíz cuadrada, la desviación estándar de la población,. La varianza
CARACTERÍSTICAS DE LA POBLACIÓN. Una pregunta práctica en gran parte de la investigación de mercado tiene que ver con el tamaño de la muestra. La encuesta, en principio, no puede ser aplicada sin conocer
Más detallesTEMA 1: Funciones elementales
MATEMATICAS TEMA 1 CURSO 014/15 TEMA 1: Funciones elementales 8.1 CONCEPTO DE FUNCIÓN: Una función es una ley que asigna a cada elemento de un conjunto un único elemento de otro. Con esto una función hace
Más detallesUN 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 detallesEstadística para investigadores: todo lo que siempre quiso saber y nunca se atrevió a preguntar
Estadística para investigadores: todo lo que siempre quiso saber y nunca se atrevió a preguntar Módulo 2. Estadística Descriptiva: Medidas de síntesis Mª Purificación Galindo Villardón Mª Purificación
Más detallesValidación del modelo ARMA para la proyección de la inflación en Costa Rica. Alberto Vindas Quesada
Validación del modelo ARMA para la proyección de la inflación en Costa Rica Alberto Vindas Quesada Serie Documentos de Trabajo No. 03-2011 Departamento de Investigación Económica División Económica Diciembre,
Más detallesCoordinación de Matemática I (MAT021) 1 er Semestre de 2013 Semana 7: Lunes 22 - Viernes 27 de Abril. Contenidos
Coordinación de Matemática I (MAT01) 1 er Semestre de 013 Semana 7: Lunes - Viernes 7 de Abril Cálculo Contenidos Clase 1: Álgebra de límites. Teorema del Sandwich. Cálculo de límites. Límites trigonométricos.
Más detallesRECOMENDACIÓN 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 detallesObjetivos del tema. Qué es una hipótesis? Test de Hipótesis Introducción a la Probabilidad y Estadística. Contrastando una hipótesis
Objetivos del tema Conocer el proceso para contrastar hipótesis y su relación con el método científico. Diferenciar entre hipótesis nula y alternativa Nivel de significación Test de Hipótesis Introducción
Más detallesTema 4: Cuestiones importantes en el Modelo Lineal General (MLG) Universidad Complutense de Madrid 2013
Tema 4: Cuestiones importantes en el Modelo Lineal General (MLG) Universidad Complutense de Madrid 2013 1 Colinealidad (I) La multicolinealidad es un problema que surge cuando las variables explicativas
Más detallesTema 5: Introducción a la inferencia estadística
Tema 5: Introducción a la inferencia estadística 1. Planteamiento y objetivos 2. Estadísticos y distribución muestral 3. Estimadores puntuales 4. Estimadores por intervalos 5. Contrastes de hipótesis Lecturas
Más detallesANEXO 1. CONCEPTOS BÁSICOS. Este anexo contiene información que complementa el entendimiento de la tesis presentada.
ANEXO 1. CONCEPTOS BÁSICOS Este anexo contiene información que complementa el entendimiento de la tesis presentada. Aquí se exponen técnicas de cálculo que son utilizados en los procedimientos de los modelos
Más detallesAnálisis de series de tiempo univariante aplicando metodología de Box-Jenkins para la predicción de ozono en la ciudad de Cali, Colombia
Revista Facultad de Ingeniería N. o 39. pp. 79-88. Marzo, 2007 Análisis de series de tiempo univariante aplicando metodología de Box-Jenkins para la predicción de ozono en la ciudad de Cali, Colombia Mauricio
Más detallesI. E. S. ATENEA. SAN SEBASTIÁN DE LOS REYES EXAMEN GLOBAL. PRIMERA EVALUACIÓN. ANÁLISIS
Eamen Global Análisis Matemáticas II Curso 010-011 I E S ATENEA SAN SEBASTIÁN DE LOS REYES EXAMEN GLOBAL PRIMERA EVALUACIÓN ANÁLISIS Curso 010-011 1-I-011 MATERIA: MATEMÁTICAS II INSTRUCCIONES GENERALES
Más detallesMEDIDAS DE VARIABILIDAD
MEDIDAS DE VARIABILIDAD 1 Medidas de variabilidad Qué son las medidas de variabilidad? Las medidas de variabilidad de una serie de datos, muestra o población, permiten identificar que tan dispersos o concentrados
Más detalles4.6. Ejercicio de aplicación
4.6. Ejercicio de aplicación En este ejercicio se analizarán los contrastes de hipótesis y la construcción de intervalos y regiones de confianza para los parámetros de un modelo estimado por Mínimos Cuadrados
Más detallesInstrucciones básicas de gretl
1 Instrucciones básicas de gretl En las prácticas de ordenador el objetivo es aprender el manejo de un software libre especialmente indicado y creado para el aprendizaje de la Econometría. Es un software
Más detallesTÉCNICAS DE PROYECCIÓN DE MERCADO FORMULACIÓN Y EVALUACIÓN DE PROYECTOS DE INGENIERÍA
TÉCNICAS DE PROYECCIÓN DE MERCADO FORMULACIÓN Y EVALUACIÓN DE PROYECTOS DE INGENIERÍA ÁMBITO DE LA PROYECCIÓN TÉCNICAS DE PROYECCIÓN DE MERCADO Ámbito de la proyección Situación presente Situación proyectada
Más detallesInstrucciones para rellenar la hoja de datos
1. Anotación de datos diarios y relleno de lagunas 1.1. De martes a viernes, habiendo observado ayer 1.2. Los días anteriores no hemos podido observar (de 1 a 4 días sin datos) 1.3. Los días anteriores
Más detallesModelo Econométrico sobre el Turismo
Modelo Econométrico sobre el Turismo Ruth Rubio Rodríguez Miriam Gómez Sánchez Mercados 3ºA GMIM Índice Planteamiento del Problema..4 1. Estadísticos Descriptivos...5 2. Matriz Correlaciones 5 3. Gráfico
Más detallesPor ejemplo, si se desea discriminar entre créditos que se devuelven o que presentan
Regresión Logística Introducción El problema de clasificación en dos grupos puede abordarse introduciendo una variable ficticia binaria para representar la pertenencia de una observación a uno de los dos
Más detallesMODELOS 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= P (Z ) - P (Z ) = P (Z 1 25) P (Z -1 25)= P (Z 1 25) [P (Z 1 25)] = P (Z 1 25) [1- P (Z 1 25)] =
El peso en kg de los estudiantes universitarios de una gran ciudad se supone aproximado por una distribución normal con media 60kg y desviación típica 8kg. Se toman 100 muestras aleatorias simples de 64
Más detallesÍNDICE INTRODUCCIÓN... 21
INTRODUCCIÓN... 21 CAPÍTULO 1. ORGANIZACIÓN DE LOS DATOS Y REPRESENTACIONES GRÁFICAS... 23 1. ORGANIZACIÓN DE LOS DATOS... 23 1.1. La distribución de frecuencias... 24 1.2. Agrupación en intervalos...
Más detallesHoja de Ejercicios 4 Análisis de regresión con información cualitativa
Hoja de Ejercicios 4 Análisis de regresión con información cualitativa Nota: En aquellos ejercicios en los que se incluyen estimaciones y referencia al archivo de datos utilizado, el estudiante debería
Más detallesEstadística y sus aplicaciones en Ciencias Sociales 7. El modelo de regresión simple. Facultad de Ciencias Sociales - UdelaR
Estadística y sus aplicaciones en Ciencias Sociales 7. El modelo de regresión simple Facultad de Ciencias Sociales - UdelaR Índice 7.1 Introducción 7.2 Análisis de regresión 7.3 El Modelo de Regresión
Más detallesUn paquete de problemas de potenciación
Un paquete de problemas de potenciación Betina Zolkower- Adriana Rabino- Ana Bressan A continuación se presenta una serie de problemas de potenciación y distintas estrategias de resolución. Betina Zolkower
Más detallesTécnicas de Planeación y Control
Técnicas de Planeación y Control 1 Sesión No. 5 Nombre: Métodos cuantitativos de pronóstico Contextualización Como vimos en la sesión anterior, el enfoque cualitativo nos sirve para efectuar pronósticos
Más detallesEJERCICIOS RESUELTOS DE ESTADÍSTICA II
EJERCICIOS RESUELTOS DE ESTADÍSTICA II RESUMEN DE EJERCICIOS DADOS EN CLASES POR: EILEEN JOHANA ARAGONES GENEY DISTRIBUCIONES DOCENTE: JUAN CARLOS VERGARA SCHMALBACH ESTIMACIÓN PRUEBAS DE HIPÓTESIS Grupo
Más detalles