Vectores Autorregresivos (VAR)
|
|
- María Isabel Juárez Rey
- hace 6 años
- Vistas:
Transcripción
1 Econometria de Series Temporales Vectores Autorregresivos (VAR) Walter Sosa Escudero Universidad de San Andr es y UNLP 1
2 Procesos estocasticos multivariados Y t =[Y 1t ;Y 2t ; ;Y Nt ] 0 ; t =1; 2;:::;T Estamos interesados en el comportamiento temporal de N variables simultaneamente. ² E(Y t )=¹ (vector de esperanzas) ² E(Y t ¹)(Y t ¹) 0 = ( ) (matriz de autocovarianzas) El elemento i; j es: i;j = E(Y it ¹ it )(Y j;t ¹ j;t ) Los elementos de la diagonal son las autocovarianzas y los de fuera de la diagonal las autocovarianzas cruzadas. Walter Sosa Escudero. Econometria de Series Temporales 2
3 Y t es estacionario si: 1. E(Y t )=¹<1. 2. E(Y t ¹)(Y t ¹) 0 = ( ) < 1; =0; 1; 2;::: Estacionariedad de Y t implica estacionariedad de Y it ;i=1;:::;n. El converso NO es cierto (porque?) Walter Sosa Escudero. Econometria de Series Temporales 3
4 RuidoBlancoMultivariado " t es N 1. Es RBM si: 1. E(" t )=0 2. E(" t " 0 s)= 8 < : N N si t = s 0 si t 6= s Cuidado: los elementos de " t pueden estar correlacionados contemporaneamente pero no en distintos periodos!! Walter Sosa Escudero. Econometria de Series Temporales 4
5 Vectores Autorregresivos (VAR) VAR(1) con media cero Y t = Y t 1 + " t ; " t» RBM Y t es N 1, es N N. Ejemplo: X t = Á 11 X t 1 + Á 12 Z t 1 + " 1t Z t = Á 12 X t 1 + Á 12 Z t 1 + " 2t Relacion entre el presente de una variable y el pasado de todas las variables del sistema. ² " 1t y " 2t pueden estar correlacionados. Walter Sosa Escudero. Econometria de Series Temporales 5
6 Motivacion historica y metodologica del uso de VAR's ² Motivacion: Sims (1980). ² Discusion metodologica: Pagan (1987) Walter Sosa Escudero. Econometria de Series Temporales 6
7 Algunos resultados utiles de algebra ² Si A es cuadrada y diagonal con elemento carateristico a ii, A K es una matriz diagonal con elemento i; i igual a a K ii. ² A m m. Cualquier escalar que satisfaga Ax = x para un vector m 1;x6= 0 es un autovalor de A. x es un autovector de A correspondiente al autovalor. ² Si es un autovalor de A, entonces ja Ij =0. ² La ecuacion caracteristica ja Ij =0es una ecuacion de grado m. Entonces, A mm tiene m autovalores. ² A m m con autovalores 1; 2;:::; m, entonces: (a) tr(a) = P m i=1 i (b) jaj = Q m i=1 i Walter Sosa Escudero. Econometria de Series Temporales 7
8 ² Si A m m tiene m autovalores diferentes, entonces los autovectores asociados son todos linealmente independientes. ² Si A m m tiene m autovalores diferentes y diag( 1;:::; m) y X (x 1 ;x 2 ; ;x m ), entonces: A = X X 1 ² Bajo las condiciones del resultado anterior: A K = AA A = (X X 1 )(X X 1 ) (X K X 1 ) = X K X 1 con K = diag( K1 ;:::; Km ) Walter Sosa Escudero. Econometria de Series Temporales 8
9 Estacionariedad de VAR(1) Recordar caso AR(1): Y t = ÁY t 1 + " t. Estacionario si jáj < 1. Reemplazando recursivamente en VAR(1): Y t = k 1 X j=0 j " t j + k Y t k En forma similar a AR(1) requeriremos que k! 0, o, equivalentemente, j j < 1. De acuerdo al resultado anterior =X X 1 en donde X es la matriz de autovectores y la matriz diagonal con los autovalores 1;:::; N. Entonces, k = X k X 1 de modo que K! 0 si y solo si j ij < 1;i=1;:::;N Walter Sosa Escudero. Econometria de Series Temporales 9
10 Resumiendo: Y t = Y t 1 + " t es estacionario si y solo si todos los autovalores de son<1envalorabsoluto,o, equivalentemente, si todas las raices de la ecuacion caracteristica j I N j son menores a uno en valor absoluto. Si VAR(1) es estacionario: Y t = 1X j " t j j=0 es la representacion VMA(1) estacionaria del VAR(1). Walter Sosa Escudero. Econometria de Series Temporales 10
11 VAR(p) Y t = 1 Y t Y t p Y t p + " t ; " t» RBM Estacionariedad de VAR(p): todas las raices de j pi p 1 1 p j =0 son mayores que uno en valor absoluto. Si VAR(p) es estacionario, tiene una representacion VMA(1) estacionaria. Walter Sosa Escudero. Econometria de Series Temporales 11
12 Estimacion de VAR Consideremos VAR(1): X t = Á 11 X t 1 + Á 12 Z t 1 + " 1t Z t = Á 12 X t 1 + Á 12 Z t 1 + " 2t ² Notar que los supuestos de Gauss-Markov se veri can ecuacion por ecuacion. MCO es insesgado, consistente y e ciente, ecuacion por ecuacion. ² MCO ecuacion-por-ecuacion es tambien e ciente en terminos del sistema. Idea: es un caso particular de SUR con las mismas variables explicativas en cada ecuacion: MCG coincide con MCO. Explica gran parte de la popularidad de VAR. Walter Sosa Escudero. Econometria de Series Temporales 12
13 Interpretacion de VAR ² No es una forma estructural. Los coe cientes no tienen una interpretacion clara ya que solo se busca una representacion de los datos. ² En la practica es comun basar la interpretacion en tests agregados y ejercicios de simulacion. ² Simulacion: a) Funciones impulso-respuesta, b) Descomposicion de la varianza. ² Tests: a) Relevancia de variables, b) Signi catividad de rezagos, c) Relaciones entre ecuaciones, d) Causalidad de Granger. Walter Sosa Escudero. Econometria de Series Temporales 13
14 Funciones impulso-respuesta Investigar que sucede con el sistema VAR ante variaciones exogenas. Consideremos la representacion VMA(1) de VAR(p): Y t = 1X ª s " t s ; ª 0 = I m ; " t» RBM t j t =ª s ª ij (s) :Efecto sobre Y i;t+s de cambiar " jt en una unidad. ª ij (s)= p V (" jt ): Efecto sobre Y i;t+s de cambiar " jt en un desvio estandar: Funcion de impulso-respuesta simple. Walter Sosa Escudero. Econometria de Series Temporales 14
15 Ejemplo: VAR(1) con N =2, hay 4 funciones de impulso respuesta simple. Problema: " it no son independientes. N =2 V (" t )= = 2 4 ¾ 11 ¾ 12 ¾ 21 ¾ No es intuitivo hablar de cambios en " 1t dejando " 2t. Walter Sosa Escudero. Econometria de Series Temporales 15
16 Masresultadosdealgebra 1. Si es simetrica y positiva de nida, existe H no singular, tal que = HH 0. H es una `raiz cuadrada' de. H no es unica. 2. Si " t es un vector aleatorio con E(" t )=0y V (" t )=E(" t " 0 t )=, existe H tal que " t = Hv t, en donde v t es un vector aleatorio con E(v t )=0y V (v t )=I. v t son las innovaciones ortogonales de " t. La idea es: v t! Hv t! " t! Y t Entonces, lo que realmente nos interesa t+s =@v t. ² Problema: H no es unica. Si es simetrica y positiva de nida, existe una unica matrix P no-singular y triangular inferior tal que PP 0 =. P es la matriz de Choleski de. Walter Sosa Escudero. Econometria de Series Temporales 16
17 La idea, entonces, es utilizar: " t = Pv t. Reemplazando: Y t = 1X ª s Pv t s = i=1 1X s v t s ; ª s P t s t = s Elemento caracteristico: Á (s) ij = cambio en Y i;t+s resultante de cambios en v j;t en una unidad. Á (s) ij = funcion de impulso-respuesta con respecto a las innovaciones ortogonales. Notar que como V (v j;t =1)tambien mide el efecto de cambios en 1 desvio estandar. Walter Sosa Escudero. Econometria de Series Temporales 17
18 Cuestion importante: el uso de P (la descomposicion de Choleski) implica cierta arbitrariedad. Ejemplo: N =2 Ã " 1t " 2t! = Ã P 11 0 P 21 P 22!Ã v 1t v 2t! " 1t depende solo de v 1t " 2t depende de v 1t y v 2t La dependencia entre " 1t y " 2t es generada por esta estructura recursiva. Que implicaciones tiene, por ejemplo, si Y 1 es la tasa de crecimiento de la cantidad nominal de dinero y Y 2 es la tasa de in acion? Entonces, el orden de las variables en la matriz de Choleski es muy importante. Walter Sosa Escudero. Econometria de Series Temporales 18
19 Notar que si = 2 4 ¾ ¾ =) P = 2 4 p ¾ p ¾ ² Si es diagonal el orden de la descomposicion de Choleski no importa. ² Trivialmente, las innovaciones originales son tambien las innovaciones ortogonales. ² En la practica, entonces, es importante evaluar empiricamente la diagonalidad de. Walter Sosa Escudero. Econometria de Series Temporales 19
20 Seguimos con el algebra... ² Si es simetrica y pd, existe una unica matriz H triangular inferior con 1's en la diagonal principal, y una unica matriz diagonal D con todos sus elementos positivos, tal que = HDH 0. ² Si " t es un vector aleatorio con E(" t )=0 y V (" t )=, entonces " t puede escribirse com " t = Hu t,cone(u t )=0 y V (u t )=D, en donde H y D satisfacen = HDH 0. Notar que V (u jt )=d j,elj esimo elemento de la diagonal principal de D. La idea, en este caso, es permitir que cada una de las innovaciones ortogonales tenga su propia varianza. Walter Sosa Escudero. Econometria de Series Temporales 20
21 Disgresion notacional X = 2 4 A 1 B 1 A 2 B h A B i Chequear que: 2 XX 0 = 4 A 1 A h A 1 A 2 i B 1 B h B 1 B 2 i En general, si x i es la i-esima columna de X, XX 0 = P x i x 0 i. Es facil veri car que si D es diagonal con elemento caracteristico d i, XDX 0 = P d i x i x 0 i Walter Sosa Escudero. Econometria de Series Temporales 21
22 Descomposicion de la varianza ² Supongamos un VAR con N variables. Cuanto de la variabilidad total de una variable es atribuible a movimientos en cada una de las otras variables? ² R 2 en el modelo lineal: proporcion de la varianza de Y que es explicada por movimientos en X. Laideaes proporcionar una idea similar para descomponer la variabilidad total de una variable del VAR en terminos de las variabilidades exogenas de cada una de las variables del sistema. Walter Sosa Escudero. Econometria de Series Temporales 22
23 Partimos de la representacion MA(1) de VAR: Y t = 1X ª s " t s ; ª 0 = I m ; " t» RBM s=0 que implica que: V (Y t ) = = = = 1X ª s ª 0 s s=0 1X ª s HDH 0 ª 0 s s=0 ( 1X N ) X ª s d i h i h 0 i s=0 i=1 ª 0 s ( NX 1 ) X d i ª s h i h 0 iª 0 s i=1 s=0 Walter Sosa Escudero. Econometria de Series Temporales 23
24 V (Y t ) = = ( NX 1 ) X V (u i ) ª s h i h 0 iª 0 s i=1 s=0 NX V (u i ) B (i) i=1 En particular, la j-esima varianza: 1= V (Y tj )= NX i=1 NX i=1 V (u i )B (i) jj V (Y tj ) V (u i )B (i) jj = NX i=1 z ji z ji = proporcion de la varianza de la j esima variable que es explicada por el componente exogeno de cada una de las i =1; 2;:::;N variables del sistema. Walter Sosa Escudero. Econometria de Series Temporales 24
25 En la practica: no podemos computar 1 rezagos! Partimos de la representacion VMA(1) de VAR en t +1: Y t+1 = " t+1 +ª 1 " t +ª 2 " t 1 + La prediccion de Y t+1 con la informacion disponible en t es la esperanza de Y t+1 condicional en toda la informacion disponible en t: E t (Y t+1 )=ª 1 " t +ª 2 " t 1 + El error de pronostico de predecir Y t+1 en t sera: Y t+1 E t (Y t+1 )=" t+1 Walter Sosa Escudero. Econometria de Series Temporales 25
26 Analogamente, el error de pronostico de predecir Y t+s en t sera: e t+2 Y t+s E t (Y t+s )=" t+s +ª 1 " t+s 1 +ª 2 " t+s 2 + +ª s 1 " t+1 El valor esperado de e t+s es cero y su varianza es: V (e t+s )= +ª 0 1 ª 1 +ª 0 2 ª 2 + +ª 0 s 1 ª s 1 ² Da una idea de la magnitud del error de prediccion (es el error cuadratico medio ya que la esperanza es cero!). ² Notar que cuando s!1, V (e t+s )! V (Y t ). En la practica: computar la descomposicion para s =1; 2; 3;::: Walter Sosa Escudero. Econometria de Series Temporales 26
27 Tests de hipotesis basicas en VAR Supongamos que nos interesa evaluar si cierta restriccion sobre los parametros del VAR es correcta, H 0 : h(µ) =0 versus h(µ) =0 en donde µ sontodoslosparametrosdel VAR y h es cualquier funcion continua. Si " t» RBN(0; ) (T c) ³ ln j^ r j ln j^ u j» Â 2 (m) asintoticamente bajo H 0, en donde ^ r y u son las matrices de varianzas estimadas bajo el modelo restringido y sin restringir, respectivamente, m es el numero de restricciones, c es el numero de parametros estimados en cada ecuacion en el modelo sin restringir, y T es el numero de observaciones utilizables. Walter Sosa Escudero. Econometria de Series Temporales 27
28 Ejemplos 1. Relevancia de rezagos: Ejemplo, si en con series trimestrales los rezagos del 9 al 12 son relevantes. Modelo sin restringir: incluye los 12 rezagos, sin restringir: solo los primeros Relevancia de variables: todos los rezagos de una variable son irrelevantes en todas las ecuaciones. Walter Sosa Escudero. Econometria de Series Temporales 28
29 Causalidad de Granger Consideremos la primera ecuacion de la representacion VAR(p) para x t y y t : x t = c + px i x t i + i=1 px i=1 iy t i y t no causa a x t en el sentido de Granger si 1 = 2 = = p =0 La hipotesis puede ser facilmente evaluada con un test F de signi catividad conjunta (existen varias alternativas). En forma similar se puede de nir ausencia de causalidad de Granger de x t. Walter Sosa Escudero. Econometria de Series Temporales 29
30 ² Es uno de los resultados mas abusados en econometria. ² En realidad evalua si el pasado de y t contribuye a predecir x t. Es mas un test que tiene que ver con precedencia temporal y no con causalidad. Ejemplo 1: Forward-looking behavior y precios de acciones. Ejemplo 2: Shocks en los precios de petroleo y recesiones. Ejemplo 3: Efectos reales del dinero (Stock y Watson (1989), Christiano y Ljungqvist (1988)). Walter Sosa Escudero. Econometria de Series Temporales 30
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 detallesEconometria de Series Temporales
Econometria de Series Temporales Walter Sosa Escudero wsosa@udesa.edu.ar Universidad de San Andr es 1 Introduccion >Porque series temporales? ² Inhabilidad de la economia de producir experimentos controlados
Más detallesEconometria con Series Temporales
May 24, 2009 Porque series temporales? Inhabilidad de la economia de producir experimentos controlados para estudiar relaciones causales entre variables. Una alternativa consiste en estudiar estas relaciones
Más detallesEconometria de Datos en Paneles
Universidad de San Andres Agosto de 2011 Porque paneles? Ejemplo (Cronwell y Trumbull): Determinantes del crimen y = g(i), y = crimen, I = variables de justicia criminal. Corte transversal: (y i, I i )
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 detallesTema 2 Datos multivariantes
Aurea Grané Máster en Estadística Universidade Pedagógica 1 Aurea Grané Máster en Estadística Universidade Pedagógica 2 Tema 2 Datos multivariantes 1 Matrices de datos 2 Datos multivariantes 2 Medias,
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 detallesRepaso de conceptos de álgebra lineal
MÉTODOS AVANZADOS EN APRENDIZAJE ARTIFICIAL: TEORÍA Y APLICACIONES A PROBLEMAS DE PREDICCIÓN Manuel Sánchez-Montañés Luis Lago Ana González Escuela Politécnica Superior Universidad Autónoma de Madrid Repaso
Más detallesÁLGEBRA MATRICIAL. 1. La traspuesta de A es A; (A ) = A. 2. La inversa de A 1 es A; (A 1 ) 1 = A. 3. (AB) = B A.
ÁLGEBRA MATRICIAL. 1. La traspuesta de A es A; A = A. 2. La inversa de A 1 es A; A 1 1 = A. 3. AB = B A. 4. Las matrices A A y AA son simétricas. 5. AB 1 = B 1 A 1, si A y B son no singulares. 6. Los escalares
Más detallesTema 1: Matrices. El concepto de matriz alcanza múltiples aplicaciones tanto en la representación y manipulación de datos como en el cálculo numérico.
Tema 1: Matrices El concepto de matriz alcanza múltiples aplicaciones tanto en la representación y manipulación de datos como en el cálculo numérico. 1. Terminología Comenzamos con la definición de matriz
Más detallesAlgebra lineal de dimensión finita
Algebra lineal de dimensión finita Métodos para calcular autovalores Pseudoinversa Algebra lineal númerica 1 Teorema:[Teorema 1.6] Sea A es una matriz real simétrica. Si Q(x) =< Ax, x > entonces: λ 1 =
Más detallesTema 11.- Autovalores y Autovectores.
Álgebra 004-005 Ingenieros Industriales Departamento de Matemática Aplicada II Universidad de Sevilla Tema - Autovalores y Autovectores Definición, propiedades e interpretación geométrica La ecuación característica
Más detallesMatriz inversa generalizada y descomposición del valor singular
Matriz inversa generalizada y descomposición del valor singular Divulgación Fernando Velasco Luna y Jesús Hernández Suárez Laboratorio de Investigación y Asesoría Estadística, Facultad de Estadística e
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 detallesSistemas de Ecuaciones Lineales y Matrices
Capítulo 4 Sistemas de Ecuaciones Lineales y Matrices El problema central del Álgebra Lineal es la resolución de ecuaciones lineales simultáneas Una ecuación lineal con n-incógnitas x 1, x 2,, x n es una
Más detallesTEMA 8.- NORMAS DE MATRICES Y
Álgebra II: Tema 8. TEMA 8.- NORMAS DE MATRICES Y NúMERO DE CONDICIóN Índice. Introducción 2. Norma vectorial y norma matricial. 2 2.. Norma matricial inducida por normas vectoriales......... 4 2.2. Algunos
Más detallesMatemáticas I Grado de Administración y Dirección de Empresas Examen de Febrero Curso 2011/ ?
Matemáticas I Grado de Administración y Dirección de Empresas Examen de Febrero Curso 011/1 1) (1 punto) Dado el subespacio vectorial,,,,,,,,,,, a) Obtener la dimensión, unas ecuaciones implícitas, unas
Más detallesClase 8 Matrices Álgebra Lineal
Clase 8 Matrices Álgebra Lineal Código Escuela de Matemáticas - Facultad de Ciencias Universidad Nacional de Colombia Matrices Definición Una matriz es un arreglo rectangular de números denominados entradas
Más detallesEs decir, det A = producto de diagonal principal producto de diagonal secundaria. Determinante de una matriz cuadrada de orden 3
1.- DETERMINANTE DE UNA MATRIZ CUADRADA Determinante de una matriz cuadrada de orden 1 Dada una matriz cuadrada de orden 1, A = (a), se define det A = det (a) = a Determinante de una matriz cuadrada de
Más detallesEsta expresión polinómica puede expresarse como una expresión matricial de la forma; a 11 a 12 a 1n x 1 x 2 q(x 1, x 2,, x n ) = (x 1, x 2,, x n )
Tema 3 Formas cuadráticas. 3.1. Definición y expresión matricial Definición 3.1.1. Una forma cuadrática sobre R es una aplicación q : R n R que a cada vector x = (x 1, x 2,, x n ) R n le hace corresponder
Más detallesTEMA 4: Sistemas de ecuaciones lineales II
TEM 4: Sistemas de ecuaciones lineales II ) Teorema de Rouché-Frobenius. ) Sistemas de Cramer: regla de Cramer. 3) Sistemas homogeneos. 4) Eliminación de parámetros. 5) Métodos de factorización. 5) Métodos
Más detallesDefinición: Dos matrices A y B son iguales si tienen el mismo orden y coinciden los elementos que ocupan el mismo lugar.
UNIDAD 03: MATRICES Y DETERMINANTES. 3.1 Conceptos de Matrices. 3.1.1 Definición de matriz. Definición: Se lama matriz de orden m x n a un arreglo rectangular de números dispuestos en m renglones y n columnas.
Más detallesEstimación MC3E, MVIC en Modelos de Ecuaciones Simultáneas
Estimación MC3E, MVIC en Modelos de Ecuaciones Simultáneas Economía Aplicada III (UPV/EHU) OCW 2013 Contenidos 1 Información Completa 2 3 Información Completa Un método de información completa considera
Más detallesVariables Parcialmente Continuas. Walter Sosa Escudero. wsosa@udesa.edu.ar Universidad de San Andr es
Variables Parcialmente Continuas Walter Sosa Escudero wsosa@udesa.edu.ar Universidad de San Andr es 1 Introduccion ² Variables aleatorias discretas: los valores del soporte pueden ocurrir con probabilidad
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 detalles1 SISTEMAS DE ECUACIONES LINEALES. MÉTODO DE GAUSS
1 SISTEMAS DE ECUACIONES LINEALES. MÉTODO DE GAUSS 1.1 SISTEMAS DE ECUACIONES LINEALES Una ecuación lineal es una ecuación polinómica de grado 1, con una o varias incógnitas. Dos ecuaciones son equivalentes
Más detallesNombre y Apellidos:... EXAMEN ECONOMETRÍA II (Enero 2010)
Nombre y Apellidos:... NIU:... Grupo:... EXAMEN ECONOMETRÍA II (Enero 2010) Lea cuidadosamente cada pregunta. Marque muy claramente la respuesta de cada pregunta en la hoja de respuestas. Observe que los
Más detallesResumen de Teoría de Matrices
Resumen de Teoría de Matrices Rubén Alexis Sáez Morcillo Ana Isabel Martínez Domínguez 1 de Octubre de 2004 1. Matrices. Generalidades. Definición 1.1. Se llama matriz de orden m n sobre un cuerpo K a
Más detallesMatrices, Determinantes y Sistemas Lineales.
12 de octubre de 2014 Matrices Una matriz A m n es una colección de números ordenados en filas y columnas a 11 a 12 a 1n f 1 a 21 a 22 a 2n f 2....... a m1 a m2 a mn f m c 1 c 2 c n Decimos que la dimensión
Más detallesModelización por medio de sistemas
SISTEMAS DE ECUACIONES DIFERENCIALES LINEALES. Modelización por medio de sistemas d y dy Ecuaciones autónomas de segundo orden: = f ( y, ) Una variable independiente. Una variable dependiente. La variable
Más detallesTema 3.1: Modelo lineal general: hipótesis y estimación. Universidad Complutense de Madrid 2013
ema 3.1: Modelo lineal general: hipótesis y estimación Universidad Complutense de Madrid 2013 Introducción El objetivo es especificar y estimar un Modelo Lineal General (MLG) en donde una variable de interés
Más detallesECONOMETRÍA II: ECONOMETRÍA DE SERIES TEMPORALES. Modelos VAR
ECONOMETRÍA II: ECONOMETRÍA DE SERIES TEMPORALES Modelos VAR Introducción modelos VAR Hasta ahora hemos estudiado modelos uniecuacionales Ahora vamos a estudiar un modelo multiecuacional que se llama Vector
Más detalles1.1 De niciones basicas
1 ALGEBRAMATRICIAL 1.1 De niciones basicas 1.1.1 Matriz Una matriz de orden, o de dimensi on, M por N (escrita como M N) es un conjunto de M N elementos ordenados en M las y N columnas. Por tanto, una
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 detallesDescomposición en valores singulares Notas para los cursos 21 y 22 (J.L. Mancilla Aguilar)
Valores Singulares Descomposición en valores singulares Notas para los cursos y (JL Mancilla Aguilar) Tanto los valores singulares como la descomposición en valores singulares de una matriz son conceptos
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 detallesFACULTAD DE CIENCIAS EXACTAS, INGENIERÍA Y AGRIMENSURA U.N.R.
FACULTAD DE CIENCIAS EXACTAS, INGENIERÍA Y AGRIMENSURA U.N.R. PROGRAMA ANALÍTICO DE LA ASIGNATURA: ALGEBRA LINEAL Código L2.07.1 PLAN DE ESTUDIOS: 2002 CARRERA: Licenciatura en Matemática DEPARTAMENTO:
Más detallesECONOMETRÍA II: ECONOMETRÍA DE SERIES TEMPORALES. Modelos ARMA
ECONOMETRÍA II: ECONOMETRÍA DE SERIES TEMPORALES Modelos ARMA Definición: Ruido blanco. Se dice que el proceso {ɛ t } es ruido blanco ( white noise ) si: E(ɛ t ) = 0 Var(ɛ t ) = E(ɛ 2 t ) = σ 2 Para todo
Más detallesSOBRE INVERSAS GENERALIZADAS Y SU APLICACIÓN EN LA REGRESIÓN 0.- INTRODUCCIÓN. Sobre Matrices Inversas Generalizadas
SOBRE INVERSAS GENERALIZADAS Y SU APLICACIÓN EN LA REGRESIÓN José Carlos de Miguel Domínguez Agustín Ramos Calvo Dpto. de Métodos Cuantitativos para la Economía y la Empresa Fac. de C.C.E.E. Santiago de
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 detallesEspacios Vectoriales, Valores y Vectores Propios
, Valores y Vectores Propios José Juan Rincón Pasaye, División de Estudios de Postgrado FIE-UMSNH Curso Propedéutico de Matemáticas para la Maestría en Ciencias opciones: Sistemas de Control y Sistemas
Más detallesCONTENIDOS. 1. Procesos Estocásticos y de Markov. 2. Cadenas de Markov en Tiempo Discreto (CMTD) 3. Comportamiento de Transición de las CMTD
CONTENIDOS 1. Procesos Estocásticos y de Markov 2. Cadenas de Markov en Tiempo Discreto (CMTD) 3. Comportamiento de Transición de las CMTD 4. Comportamiento Estacionario de las CMTD 1. Procesos Estocásticos
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 detallesMatemáticas 2.º Bachillerato. Matemáticas 2.º Bachillerato. Matemáticas 2.º Bachillerato. Ejemplo:
Mapa conceptual Determinante de segundo orden Dada una matriz cuadrada de segundo orden: a a 11 12 A = a a 21 22 se llama determinante de A al número real: det (A)= A = a11 a 12 = a a a a a21 a22 11 22
Más detallesTema 1. El Modelo de Regresión Lineal con Regresores Aleatorios.
ema El Modelo de Regresión Lineal con Regresores Aleatorios Introducción En este tema vamos a analizar las propiedades del modelo de regresión lineal con regresores aleatorios Suponer que los regresores
Más detallesMENORES, COFACTORES Y DETERMINANTES
MENORES, COFACTORES Y DETERMINANTES 1. Introducción. 2. Determinante de una matriz de 3 x 3. 3. Menores y cofactores. 4. Determinante de una matriz de n x n. 5. Matriz triangular. 6. Determinante de una
Más detallesSe permite un folio escrito por las dos caras. Cada problema se realiza en hojas diferentes y se entregan por separado.
NORMAS El examen consta de dos partes: 0.0.1. Diez Cuestiones: ( tiempo: 60 minutos) No se permite ningún tipo de material (libros, apuntes, calculadoras,...). No se permite abandonar el aula una vez repartido
Más detallesDescomposición en forma canónica de Jordan (Segunda versión)
Descomposición en forma canónica de Jordan (Segunda versión) Francisco J. Bravo S. 1 de septiembre de 211 En esta guía se presentan los resultados necesarios para poder construir la forma de Jordan sin
Más detallesDos matrices son iguales cuando tienen la misma dimensión y los elementos que ocupan el mismo lugar en ambas son iguales
Introducción Las matrices aparecen por primera vez hacia el año 1850, introducidas por J.J. Sylvester. El desarrollo inicial de la teoría se debe al matemático W.R. Hamilton en 1853. En 1858, A. Cayley
Más detallesTema 4. El Modelo de Regresión Lineal con Series Temporales.
Tema 4. El Modelo de Regresión Lineal con Series Temporales. En este tema, estudiaremos en detalle la estimación e inferencia del modelo de regresión con datos de series temporales. Dadas las diferencias
Más detallesVectores y Matrices. Tema 3: Repaso de Álgebra Lineal Parte I. Contenidos
Tema 3: Repaso de Álgebra Lineal Parte I Virginia Mazzone Contenidos Vectores y Matrices Bases y Ortonormailizaciòn Norma de Vectores Ecuaciones Lineales Algenraicas Ejercicios Vectores y Matrices Los
Más detallesMAT web:
Clase No. 7: MAT 251 Matrices definidas positivas Matrices simétricas Dr. Alonso Ramírez Manzanares Depto. de Matemáticas Univ. de Guanajuato e-mail: alram@ cimat.mx web: http://www.cimat.mx/ alram/met_num/
Más detallesModelos 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 detallesEspacios Vectoriales www.math.com.mx
Espacios Vectoriales Definiciones básicas de Espacios Vectoriales www.math.com.mx José de Jesús Angel Angel jjaa@math.com.mx MathCon c 007-009 Contenido. Espacios Vectoriales.. Idea Básica de Espacio Vectorial.................................
Más detallesEscuela de Verano de Macroeconomía
Escuela de Verano de Macroeconomía José L. Torres Universidad de Málaga 21-25 junio 2010 José L. Torres (Universidad de Málaga) Escuela de Verano de Macroeconomía 21-25 junio 2010 1 / 27 Programa del curso
Más detallesSistem as de ecuaciones lineales
Sistem as de ecuaciones lineales. Concepto, clasificación y notación Un sistema de m ecuaciones lineales con n incógnitas se puede escribir del siguiente modo: a x + a 2 x 2 + a 3 x 3 + + a n x n = b a
Más detalles1 ÁLGEBRA DE MATRICES
1 ÁLGEBRA DE MATRICES 1.1 DEFINICIONES Las matrices son tablas numéricas rectangulares. Se dice que una matriz es de dimensión m n si tiene m filas y n columnas. Cada elemento de una matriz se designa
Más detallesMATRICES. Una matriz es un conjunto de números o expresiones dispuestos en forma rectangular, formando filas y columnas.
MATRICES Una matriz es un conjunto de números o expresiones dispuestos en forma rectangular, formando filas y columnas. Cada uno de los números de que consta la matriz se denomina elemento. Un elemento
Más detallesMatrices. José Vicente Romero Bauset. ETSIT-curso 2009/2010. José Vicente Romero Bauset Tema 1.- Matrices. 1
Matrices José Vicente Romero Bauset ETSIT-curso 2009/2010 José Vicente Romero Bauset Tema 1- Matrices 1 Introducción Por qué estudiar las matrices? Son muchas las situaciones de la vida real en las que
Más detallesÁlgebra Lineal Ma1010
Álgebra Lineal Ma1010 Líneas y s en el Espacio Departamento de Matemáticas ITESM Líneas y s en el Espacio Álgebra Lineal - p. 1/34 Los conjuntos solución a un sistema de ecuaciones lineales cuando tienen
Más detallesALGEBRA. Escuela Politécnica Superior de Málaga
ALGEBRA. Escuela Politécnica Superior de Málaga Tema 1. Espacios Vectoriales. Sistemas de ecuaciones. Espacio vectorial. Espacios vectoriales R n. Dependencia e independencia lineal. Base. Matrices y determinantes.
Más detallesCRONOGRAMA DE LA ASIGNATURA TRABAJO DEL ALUMNO DURANTE LA SEMANA. Elegir el proyecto empírico que se va a realizar durante el curso.
1 1 Características de los datos económicos de series temporales. Procesos estocásticos y series temporales. Estacionareidad y ergodicidad. Función de autocorrelación simple (FAC) y parcial (PAC). (Marcar
Más detallesAutovalores y autovectores Diagonalización y formas canónicas
Autovalores y autovectores Diagonalización y formas canónicas Autovalores y autovectores.propiedades Sea V un espacio vectorial sobre K y f End(V ). Fijada una base de V, existirá una matriz cuadrada A,
Más detallesMATRICES DETERMINANTES
MATRICES Y DETERMINANTES INTRODUCCIÓN, MATRICES Y DETERMINANTES Las matrices se utilizan en el cálculo numérico, en la resolución de sistemas de ecuaciones lineales, de las ecuaciones diferenciales y de
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 detallesSimulación I. Investigación Operativa, Grado en Estadística y Empresa, 2011/12
Simulación I Prof. José Niño Mora Investigación Operativa, Grado en Estadística y Empresa, 2011/12 Esquema Modelos de simulación y el método de Montecarlo Ejemplo: estimación de un área Ejemplo: estimación
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 RECURSIVAS DE ESTIMACIÓN DE LOS COEFICIENTES DE REGRESIÓN
DIVISIÓN ECONÓMICA DEPARTAMENTO DE INVESTIGACIONES ECONÓMICAS INFORME TÉCNICO DIE-66-2003-IT TÉCNICAS RECURSIVAS DE ESTIMACIÓN DE LOS COEFICIENTES DE REGRESIÓN ANA CECILIA KIKUT V. JULIO, 2003 Los modelos
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 detallesDEFINICIONES TIPOS DE MATRICES DETERMINANTES Y PROPIEDADES OPERACIONES MATRICIALES INVERSA DE UNA MATRIZ SISTEMAS DE ECUACIONES
ALGEBRA DE MATRICES DEFINICIONES TIPOS DE MATRICES DETERMINANTES Y PROPIEDADES OPERACIONES MATRICIALES INVERSA DE UNA MATRIZ SISTEMAS DE ECUACIONES DEFINICIONES 2 Las matrices y los determinantes son herramientas
Más detalles520142: ALGEBRA y ALGEBRA LINEAL
520142: ALGEBRA y ALGEBRA LINEAL Segundo Semestre 2008, Universidad de Concepción CAPITULO 10: Espacios Vectoriales DEPARTAMENTO DE INGENIERIA MATEMATICA Facultad de Ciencias Físicas y Matemáticas 1 Definición
Más detallesApéndice sobre ecuaciones diferenciales lineales
Apéndice sobre ecuaciones diferenciales lineales Juan-Miguel Gracia 10 de febrero de 2008 Índice 2 Determinante wronskiano. Wronskiano de f 1 (t), f 2 (t),..., f n (t). Derivada de un determinante de funciones.
Más detallesÁlgebra lineal y matricial
Capítulo Álgebra lineal y matricial.. Vectores y álgebra lineal Unconjuntodennúmerosreales(a,,a n )sepuederepresentar: como un punto en el espacio n-dimensional; como un vector con punto inicial el origen
Más detallesMatrices, determinantes, sistemas de ecuaciones lineales.
UNIVERSIDAD DE MURCIA Departamento de Matemáticas Óptica y Optometría Resúmenes Curso 2007-2008 Matrices, determinantes, sistemas de ecuaciones lineales. Una matriz A de orden m n es una colección de m
Más detallesUniversidad Nacional de Ingeniería Facultad de Ciencias. Física Computacional CC063. Algebra Lineal. Prof: J. Solano 2012-I
Universidad Nacional de Ingeniería Facultad de Ciencias Física Computacional CC063 Algebra Lineal Prof: J. Solano 2012-I Introduccion Aqui trabjaremos con operaciones basicas con matrices, tales como solucion
Más detallesÁlgebra Lineal Ma1010
Álgebra Lineal Ma1010 Departamento de Matemáticas ITESM Álgebra Lineal - p. 1/16 En esta lectura veremos el proceso para obtener la factorización QR de una matriz. Esta factorización es utilizada para
Más detallesACTIVIDADES SELECTIVIDAD MATRICES
ACTIVIDADES SELECTIVIDAD MATRICES Ejercicio 1 Para qué valores de m tiene solución la ecuación matricial? (b) Resuelve la ecuación matricial dada para. Ejercicio 2 Siendo I la matriz identidad de orden
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 detallesCAPÍTULO 4. Sistemas de ecuaciones lineales de primer orden
CAPÍTULO 4 Sistemas de ecuaciones lineales de primer orden Hasta ahora hemos considerado únicamente ecuaciones diferenciales aisladas Sin embargo, en muchas aplicaciones aparecen situaciones en las que
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 detallesTema 5: Análisis de Sensibilidad y Paramétrico
Tema 5: Análisis de Sensibilidad y Paramétrico 5.1 Introducción 5.2 Cambios en los coeficientes de la función objetivo 5.3 Cambios en el rhs 5.4 Análisis de Sensibilidad y Dualidad 5.4.1 Cambios en el
Más detallesPROBLEMA 1. 1. [1.5 puntos] Obtener la ecuación de la recta tangente en el punto ( 2, 1) a la curva dada implícitamente por y 3 +3y 2 = x 4 3x 2.
PROBLEMA. ESCUELA UNIVERSITARIA POLITÉCNICA DE SEVILLA Ingeniería Técnica en Diseño Industrial Fundamentos Matemáticos de la Ingeniería Soluciones correspondientes a los problemas del Primer Parcial 7/8.
Más detallesAplicación del modelo de frontera estocástica de producción para analizar la eficiencia técnica de la industria eléctrica en México
SECCIÓN DE ESTUDIOS DE POSGRADO E INVESTIGACIÓN Aplicación del modelo de frontera estocástica de producción para analizar la eficiencia técnica de la industria eléctrica en México Presentan: Dr. Miguel
Más detallesTema 2.- Formas Cuadráticas.
Álgebra. 004 005. Ingenieros Industriales. Departamento de Matemática Aplicada II. Universidad de Sevilla. Tema.- Formas Cuadráticas. Definición y representación matricial. Clasificación de las formas
Más detallesMatrices: repaso. Denotaremos con M m n el conjunto de matrices de tamaño m n, o sea, de m filas y n columnas. Una matriz A M m n es de la forma A =
Matrices: repaso Denotaremos con M m n el conjunto de matrices de tamaño m n, o sea, de m filas y n columnas Una matriz A M m n es de la forma a 11 a 1n A = a m1 a mn Denotaremos A ij = a ij el coeficiente
Más detallesTema 3: Espacios vectoriales
Tema 3: Espacios vectoriales K denotará un cuerpo. Definición. Se dice que un conjunto no vacio V es un espacio vectorial sobre K o que es un K-espacio vectorial si: 1. En V está definida una operación
Más detallesÁLGEBRA MATRICIAL PROF. MARIELA SARMIENTO SESIÓN 10: MODELO INSUMO PRODUCTO. Introducción
ÁLGEBRA MATRICIAL PROF. MARIELA SARMIENTO SESIÓN 10: MODELO INSUMO PRODUCTO Introducción Fue introducido por primera vez a finales de los años treinta por Wassily Leontief, ganador del Premio Nóbel 1973,
Más detallesMétodos para matrices especiales. Descomposición de Cholesky
Métodos para matrices especiales. Descomposición de Cholesky MAT-251 Dr. CIMAT A.C. e-mail: alram@cimat.mx web: http://www.cimat.mx/~alram/met_num/ Dr. Joaquín Peña Acevedo CIMAT A.C. e-mail: joaquin@cimat.mx
Más detallesOPTIMIZACIÓN Y SIMULACIÓN PARA LA EMPRESA. Tema 4 Optimización no Lineal
OPTIMIZACIÓN Y SIMULACIÓN PARA LA EMPRESA Tema 4 Optimización no Lineal ORGANIZACIÓN DEL TEMA Sesiones: El caso sin restricciones: formulación, ejemplos Condiciones de optimalidad, métodos Caso con restricciones:
Más detallesRectas, planos e hiperplanos
Semestre -8, Algebra Lineal 37 Rectas, planos e hiperplanos Recta P punto de la recta L, d vector no nulo de R n (vector director de la recta) X punto de la recta L PX paralelo a d (PX = td) PX = OX OP
Más detallesAnálisis de Regresión Múltiple: Estimación
Análisis de Regresión Múltiple: Estimación Carlos Velasco 1 1 Departamento de Economía Universidad Carlos III de Madrid Econometría I Máster en Economía Industrial Universidad Carlos III de Madrid Curso
Más detallesMÓDULO: MÉTODOS CUANTITATIVOS
MÓDULO: MÉTODOS CUANTITATIVOS 1.- Nombre del módulo y las asignaturas: Métodos Cuantitativos Econometría Avanzada Econometría Financiera 2.-Número de créditos ECTS: Econometría Avanzada: 6 ECTS. Econometría
Más detallesMODELOS DE ECUACIONES MÚLTIPLES MODELOS VAR Y COINTEGRACIÓN
MODELOS DE ECUACIONES MÚLTIPLES MODELOS VAR Y COINTEGRACIÓN Por: Wbaldo Londoño Asesor Doctor: Gabriel Agudelo Viana UNIVERSIDAD EAFIT Departamento de Ciencias Básicas Maestría en Matemáticas Aplicadas
Más detallesCAPITULO 1: PERSPECTIVE GENERAL DE LA
CONTENIDO CAPITULO 1: PERSPECTIVE GENERAL DE LA INVESTIGACION DE OPERACIONES 1 1.1 Modelos matemáticos de investigación de operaciones. 1 1.2 Técnicas de investigación de operaciones 3 1.3 Modelado de
Más detallesMATEMÁTICAS 2º BACH TECNOL. MATRICES. Profesor: Fernando Ureña Portero MATRICES
CONCEPTO DE MATRIZ Definición: Se denomina matriz A o (a ij ) a todo conjunto de números o expresiones dispuestos en forma rectangular, formando filas y columnas : Columnas Filas Elemento a ij : Cada uno
Más detallesDefinición Dados dos números naturales m y n, una matriz de orden o dimensión m n es una tabla numérica rectangular con m filas y n columnas.
Tema 1 Matrices 1.1. Conceptos básicos y ejemplos Definición 1.1.1. Dados dos números naturales m y n, una matriz de orden o dimensión m n es una tabla numérica rectangular con m filas y n columnas. NOTA:
Más detallesde la forma ), i =1,..., m, j =1,..., n, o simplemente por (a i j ).
INTRODUCCIÓN. MATRICES Y DETERMINANTES Las matrices se utilizan en el cálculo numérico, en la resolución de sistemas de ecuaciones lineales, de las ecuaciones diferenciales y de las derivadas parciales.
Más detallesTEMA 1: MATRICES. Una matriz de orden mxn es un conjunto de m n números reales dispuestos en m filas y n columnas ...
TEMA : MATRICES Una matriz de orden mxn es un conjunto de m n números reales dispuestos en m filas y n columnas a a a... a n a a a... an A... am am am... amn A los números reales a ij se les llama elementos
Más detallesCapítulo 6: Variable Aleatoria Bidimensional
Capítulo 6: Variable Aleatoria Bidimensional Cuando introducíamos el concepto de variable aleatoria unidimensional, decíamos que se pretendía modelizar los resultados de un experimento aleatorio en el
Más detalles!MATRICES INVERTIBLES
Tema 4.- MATRICES INVERTIBLES!MATRICES INVERTIBLES!TÉCNICAS PARA CALCULAR LA INVERSA DE UNA MATRIZ REGULAR 1 Hemos hablado anteriormente de la matriz cuadrada unidad de orden n (I n ).. Es posible encontrar
Más detalles