Ejemplos de estudios de series de tiempo
|
|
- María Josefa Río Olivera
- hace 6 años
- Vistas:
Transcripción
1 1 Ejemplos de estudios de series de tiempo Ejemplo 1 Pasajeros Aerolíneas Internacionales (PAI) Este estudio está realizado sobre un famoso conjunto de datos mensuales, el número de pasajeros de aerolíneas internacionales, que ha sido analizado por muchos autores incluyendo a Box y Jenkins. Problema Encontrar un modelo ARIMA adecuado que reproduzca la serie y predecir los doce meses siguientes al último mes para el que se dispone dato. Gráfica de los datos Una etapa importante en el análisis de una serie de tiempo es la representación gráfica de los datos en los sucesivos períodos de tiempo. Esta gráfica mostrará las características de la serie, si tiene tendencia, estacionalidad, discontinuidades, o existen datos situados fuera de los límites esperados. A continuación se observa la gráfica de los datos mensuales del número de Pasajeros de Aerolíneas Internacionales (PAI), para el período enero 1949 a diciembre 1960, 144 datos Pasajeros Aerolíneas Internacionales SER01 La gráfica muestra que los datos tienen una tendencia creciente y un marcado patrón estacional. Además, a medida que el nivel medio de la serie aumenta, también se incrementa la magnitud de la variación estacional. En el lenguaje de los modelos ARIMA, esto indica que podría ser adecuado ajustar a los datos un modelo estacional multiplicativo.
2 2 Transformación de los datos En algunos casos, la gráfica de los datos sugiere considerar una transformación de los mismos, por ejemplo tomar los logaritmos o la raíz cuadrada Si hay tendencia en los datos y la varianza se incrementa con la media resulta aconsejable transformar los datos. En la serie que se estudia, Box y Jenkins decidieron tomar el logaritmo de la serie. Al observar que la desviación estándar de los datos es directamente proporcional a la media, la transformación logarítmica sería adecuada LPAI Cuando la serie tiene tendencia y la magnitud del efecto estacional se incrementa con la media, puede ser aconsejable transformar los datos para que el efecto estacional sea constante en el tiempo. De esta forma, en la serie transformada el efecto estacional se dice que es aditivo mientras que en los datos originales era multiplicativo. Esta transformación solamente estabilizará la varianza, si el término de error de la serie también crece cuando aumenta la media. Esta última circunstancia también tiene que ser considerada antes de la transformación de los datos. La gráfica que antecede, describe la serie transformada, elaborada con los logaritmos de la variable original, logaritmo del número de Pasajeros Aerolíneas Internacionales, LPAI. El argumento dado por Box y Jenkins para tomar el logaritmo de los datos originales, fue que los logaritmos son tomados para analizar datos de ventas, porque es el porcentaje de variación el que sería comparable a diferentes volúmenes de ventas.
3 3 Identificación del modelo Luego de transformados los datos y observada la gráfica de los datos transformados, examinamos el correlograma de los mismos. Correlograma de los datos transformados LPAI Sample: 1949: :12 Included observations: 144 Autocorrelation Partial Correlación AC PAC Q-Stat Prob. *******. ******* ******* * ******* ****** ******. * ****** ****** ******. * ******. ** ****** ******. * ****** ****** **** ***** ***** **** **** **** **** **** ****. * **** **** **** **** ** *** *** *** *** ** ** ** ** ** ** **
4 4 En primer lugar observemos que los 36 primeros coeficientes de autocorrelación son positivos, como consecuencia de la tendencia que tienen los datos. Es necesario diferenciar la serie. Veamos nuevamente el correlograma de la serie diferenciada una vez, Δ LPAI t. = LPAI t - LPAI t-1 En la terminología de los modelos ARIMA, d = 1. Correlograma de la primera diferencia de LPAI, o sea Δ LPAI t Sample: 1949: :12 Included observations: 143 Autocorrelation Partial Correlation AC PAC Q-Stat Prob. **. ** *. ** **. * **. ** * *. ** *. * **. **** **. ** *. **** ** * ******. **** ** * *. * **.. * ** * *. * * **. * * * ** ***** ** * ** *. * *. * * **.. * *. * * * * ****
5 5 Con 144 observaciones en la serie ΔLPAI, una regla útil para decidir si un coeficiente de autocorrelación es significativamente diferente de cero es ver si su valor excede 2/ T. Aquí el valor crítico es 0.17 y encontramos coeficientes de autocorrelación significativos para los rezagos 1, 3, 4, 8, 9, 11, 12, 13, 15, 16, 20, 23, 24, 25, 27, 28, 32, 35 y 36. No hay signos de que la función de autocorrelación disminuya, por tanto se necesita otra diferenciación para obtener una serie estacionaria. Dado que los datos son mensuales y presentan una marcada estacionalidad se realiza la diferenciación de orden 12 de la primera diferencia de LPAI. Correlograma de la diferencia 12 de ΔLPAI, ΔΔ 12 LPAI t Sample: 1949: :12 Included observations: 131 Autocorrelation Partial Correlation AC PAC Q-Stat Prob ***. *** * **. ** * * *. ** * ***. *** * * *. * * *. * * * *. * * *. * **. * * *. * * * * * * * *
6 6 Examinando el correlograma y teniendo en cuenta que el valor crítico de los coeficientes de autocorrelación es también aproximadamente 0.17, encontramos valores significativos en los rezagos 1, 3, 9, 12 y 23, siendo el resto de los valores los suficientemente pequeños, para concluir que no hay signos de no estacionariedad. El valor significativo en el rezago 9 se puede considerar extraño y se ignora a menos que exista información externa indicando que debe considerarse. Ahora estamos en condiciones de identificar el modelo a ajustar a los datos. Previamente introducimos la notación habitual para el modelo general ARIMA con estacionalidad multiplicativa, el modelo llamado SARIMA. φ p (L) Φ P (L) W t = θ q (L) Θ Q (L s ) ε t donde L representa al operador del polinomio de rezagos, φ p,φ P, θ q, Θ Q son polinomios de orden p,p, q,q respectivamente, ε t es un proceso puramente aleatorio y W t es la variable Δ d Δ D Y t. Examinamos en el último correlograma presentado los valores de la función de autocorrelación en los rezagos 12, 24, 36, comenzando con la parte estacional del modelo, para elegir los valores de P y Q, es decir el orden del polinomio de rezagos de la parte autorregresiva y el orden del polinomio de la parte de medias móviles El valor para el rezago 12 es grande, pero para los restantes resulta no significativo. Esta comprobación indicaría que no tiene términos autorregresivos, pero si de medias móviles en la parte estacional. Por este motivo se hace Q = 1 y P = 0. Los valores p y q de la parte no estacional son establecidos luego de examinar los primeros valores de la función de autocorrelación. Son valores significativos los correspondientes a 1 y 3 rezagos. Comenzamos probando con un término de medias móviles haciendo p = 0 y q = 1. Estimación Luego de identificado el modelo a ajustar, que en este caso es un modelo ARIMA estacional con p = 0, q = 1, P = 0 y Q = 1, es decir ( 0, 1, 1) ( 0, 1, 1 ) 12 se procede a estimar los parámetros del modelo. En la tabla siguiente se presenta la estimación del modelo realizada utilizando el EVIEWS.
7 7 El resultado es: ΔΔ 12 LPAI t = ( L) ( L 12 ) ε t Sample: 1950: :12 Included observations: 131 Convergence achieved after 6 iterations Backcast: 1949: :01 Variable Coefficient Std. Error t-statistic Prob. C MA(1) MA(12) R-squared Mean dependent var Adjusted R-squared S.D. dependent var S.E. of regression Akaike info criterion Sum squared resid Schwarz criterion Log likelihood F-statistic Durbin-Watson stat Prob(F-statistic) (** Esta especificación del modelo difiere de la elegida en Práctico 9 Ejercicio 4 (2009). En este último no se incluyó término constante en el modelo). Luego de la estimación del modelo se procede a examinar si el modelo ajustado proporciona una adecuada descripción de los datos. Para esto, como es usual se estudian los residuos del modelo. Tenemos un buen modelo cuando los residuos son aleatorios y próximos a cero. En la gráfica siguiente en la parte superior se presentan el valor ajustado y las observaciones superpuestos y en la parte inferior los residuos del ajuste. La gráfica de los residuos parece indicar que estamos frente a un proceso puramente aleatorio. Examinamos el correlograma de los residuos para confirmar esta afirmación Residual Actual Fitted
8 8 Correlograma de los residuos del modelo ajustado Sample: 1950: :12 Included observations: 131 Q-statistic probabilities adjusted for 2 ARMA term(s) Autocorrelation Partial Correlation AC PAC Q-Stat Prob *. * *. * * *. * *. * *. * * *. * *. * *. * **. * * * * * *. * * * Al mirar el valor de los coeficientes de autocorrelacion para 1, 2 y 12 vemos que no son significativamente distintos de cero. Si lo fueran habría que modificar el modelo para tener en cuenta esos valores significativos.
9 9 PREDICCIÓN Dado el último dato observado PAI 60:12 del proceso SARIMA (0, 1, 1) (0, 1, 1) 12 se desea estimar la variable para el período 1961/1 a 1961/12.Veamos en detalle como hacerlo. La variable modelada fue ΔΔ 12 LPAI t, la predicción para el período t+1, es decir 61/1, de esta variable es La variable ΔΔ 12 LPAI t se nombra W t y se escribe la relación entre esa variable y las originales PAI: W t = ΔΔ 12 LPAI t = ( 1 L ) ( 1 - L 12 ) LPAI t = LPAI t - LPAI t-1 - LPAI t-12 + LPAI t-13 == ( L) ( L 12 ) ε t Por tanto, el proceso LPAI se obtiene sumando, o lo que es lo mismo integrando el proceso W. Tengamos en cuenta que partimos de una serie no estacionaria PAI, que fue diferenciada para alcanzar un proceso estacionario, sin tendencia y sin estacionalidad. Por tanto el modelo integrado es aquel obtenido por suma o integración de un proceso estacionario, luego de remover la tendencia y estacionalidad de la serie. El valor de LPAI 61/1 es 6,1084 siendo el antilogaritmo 450. De esta forma se obtiene la predicción de la serie original el número de pasajeros aerolíneas internacionales, PAI para enero de 1961 y operando en forma similar se completa la predicción hasta diciembre de D1D12LPAI D1D12LPAIF
10 10 El gráfico anterior contiene la predicción de la variable, W t, para el período 1949/1 a 1961/12 (línea punteada) y las observaciones disponibles del período 1949/1 a 1960/12. Conclusiones La serie estudiada, tiene tendencia y estacionalidad muy marcadas, y el modelo estacionario resultante después de removidas ambas, es decir luego de la diferenciación conveniente de los datos, es un modelo de medias móviles, tanto en la componente estacional como en la no estacional. Luego de realizar éste ejercicio, cabe preguntarse si no hubiera sido más razonable utilizar el método de alisamiento exponencial, examinado en la primera parte del curso, para modelar la tendencia y estacionalidad de esta serie, y realizar una predicción de corto plazo. Utilizando el EVIEWS 3, aplicando la técnica de alisamiento exponencial, a la misma serie (PAI) le ajustamos un modelo de tendencia lineal con estacionalidad multiplicativa, para realizar una predicción mensual de enero de 1961 a diciembre de 1961, de la misma forma que lo hicimos con la aproximación ARIMA. Aplicamos el método de Holt Winters multiplicativo, método apropiado para la predicción cuando la serie tiene una tendencia lineal y una variación estacional multiplicativa. A continuación se presenta la gráfica con los valores observados y la predicción de la serie LPAI LPAISM LPAI El valor de LPAI 61/1 es 6, siendo el antilogaritmo 450. Por tanto el resultado de la predicción es idéntico al obtenido con el modelo SARIMA.
11 11 Ejemplo 2 Para este segundo ejemplo de aplicación de las técnicas de modelización ARIMA se eligió una serie de datos mensuales, que presentan tendencia y estacionalidad. Se trata de la entrada mensual de leche a plantas de Conaprole, en millones de litros, desde enero de 1990 a julio de Problema Elaborar un modelo ARIMA estacional que sea útil para la predicción mensual del período agosto 1998 / diciembre Gráfica de los datos El examen gráfico de la serie mensual de Entrada de leche a plantas de Conaprole (de aquí en más LECHE), es el primer paso para atender las características que presenta la serie, considerar si tiene tendencia, es decir si es no estacionaria en media, que ocurre con la varianza y tener en cuenta la estacionalidad de la misma LECHE Se observa que la serie LECHE tiene tendencia y estacionalidad, contiene un componente periódico que se repite cada doce observaciones, s = 12. En este caso, se espera que la leche entrada en plantas de Conaprole en el mes de setiembre de 1998, dependa de la entrada de setiembre de 1997 y posiblemente de la entrada de A diferencia con el Ejemplo 1, serie PAI, en éste caso, no se observa que la varianza se incremente con la media. Cuando se examinó la serie PAI, para remover ese efecto se realizó la transformación logarítmica de los datos. No se considera necesario en este caso.
12 12 Identificación del modelo En primer lugar observemos el correlograma de los datos Leche Autocorrelation Partial Correlation AC PAC Q-Stat Prob. ******. ****** **** **** *. ** * ** ***. ** **.. ** *.. * *.. *** ***. ** *****. * ****** ***** ** ***. * *..* *.. * ** *** ** * * *** **** ***** **** ** ** * ** ***..* ***.. * ** *..* ** *** ***. * Los coeficientes de los 36 primeros coeficientes de autocorrelación son todos significativos. En éste resultado está influyendo la tendencia de la serie y su marcada estacionalidad. Por tanto, diferenciamos la serie para eliminar a ambas, una diferencia de orden 1 y otra de orden 12: ( 1 - L )( 1 - L 12 )
13 13 Correlograma de la serie ΔΔ 12 Leche Included observations: 90 Autocorrelation Partial Correlation AC PAC Q-Stat Prob ****. **** * ** * *..* * **. * *.. * ****. *** * *** * *.. ** *..* *..* ** * * * * *.. * * *..* ** * *..* * * * El valor crítico para los coeficientes de autocorrelación es 0.21 y encontramos valores significativos para estos coeficiente en los rezagos 2, 12, y 14, siendo el resto de los mismos lo suficientemente pequeños para concluir que no hay signos de no estacionariedad. Si ΔΔ 12 Leche es una serie estacionaria, estamos en condiciones de identificar el modelo ARMA que se ajusta mejor a los datos.
14 14 A partir del correlograma de la serie ΔΔ 12 Leche se identifica el siguiente modelo: SARIMA (0,1,2)(0,1,12) 12. Estimación Utilizando el software EVIEWS 3.0 se estiman los parámetros del modelo. El resultado es: ΔΔ 12 Leche t = ( L L 2 ) ( L 12 ) ε t La tabla que sigue contiene el resultado detallado de la estimación. Sample(adjusted): 1991: :07 Included observations: 90 after adjusting endpoints Convergence achieved after 11 iterations Backcast: 1989: :01 Variable Coefficient Std. Error t-statistic Prob. MA(1) MA(2) SMA(12) R-squared Mean dependent var Adjusted R-squared S.D. dependent var S.E. of regression Akaike info criterion Sum squared resid 6.19E+08 Schwarz criterion Log likelihood F-statistic Durbin-Watson stat Prob(F-statistic) Respecto de los coeficientes estimados del modelo, cabe señalar que el coeficiente del MA(1) no es significativo, en cambio tanto el del MA(2) como el del SMA(12), correspondiente a la componente estacional, son altamente significativos. En la parte inferior de la tabla se presentan un conjunto de estadísticos, entre los cuales Akaike Information Criterion (AIC), es de utilidad para considerar la bondad del ajuste en el caso de que en la etapa de identificación se especifiquen varios modelos alternativos. El criterio de AKAIKE consiste en seleccionar aquel modelo para el que se obtiene el estadístico AIC más bajo. En el caso a estudiado el modelo seleccionado, fue el que tuvo el mínimo AIC, entre las especificaciones probadas. Luego del examen de los estadísticos anteriores preparamos el correlograma de los residuos del modelo ajustado. Si el modelo especificado es correcto, los residuos, es decir la diferencia entre los valores observados y los estimados, tienen que tener un comportamiento similar a un ruido blanco. Los coeficientes de autocorrelación y autocorrelación parcial estimados que se presentan en ese correlograma, no deben ser significativamente distintos de cero.
15 15 Sample: 1991: :07 Included observations: 90 Q-statistic probabilities adjusted for 3 ARMA term(s) Autocorrelation Partial Correlation AC PAC Q-Stat Prob *..* *..* *. ** *.. * *..* **. ** *.. * * **..* *..* * * * * *..* *.. * *..* * * * *..* *..*
16 Residual Actual Fitted La gráfica de los residuos también estaría indicando que estamos frente a una serie de ruido blanco. Predicción La predicción realizada con el modelo SARIMA (0,1,2)(0,1,1) 12 para 1998/8 de leche entrada a plantas de Conaprole es de millones de litros. Se recuerda que el último dato observado para el estudio, fue 1998/7. La predicción realizada por el método de Alisamiento Exponencial (Holt Winters multiplicativo), para igual mes es de millones de litros. El gráfico siguiente presenta con línea punteada la variable Leche estudiada y con línea llena el resultado del alisamiento exponencial, incluido la predicción hasta 1998/ LECHESM LECHE
Índice General de Ventas en Grandes Almacenes y su logaritmo
En los gráficos y cuadros que se presentan en las páginas siguientes se presentan resultados relativos a la variable Índice General de Ventas en grandes superficies en España con periodicidad mensual desde
Más detallesCorrelograma de la serie Y. Included observations: 900 Autocorrelation Partial Correlation AC PAC Q-Stat Prob
EXAMEN DE ECONOMETRIA EMPRESARIAL II (MÓDULO PRÁCTICO) 23 FEBRERO 2002 1 APELLIDO 2ª APELLIDO NOMBRE GRUPO PRÁCTICO NOMBRE DEL PROFESOR PREGUNTA 1 Un economista desea identificar y estimar el proceso generador
Más detallesINTRODUCCION AL ECONOMETRIC VIEWS. Aquí se introduce la frecuencia y las fechas de comienzo y final de los datos.
INTRODUCCION AL ECONOMETRIC VIEWS Introducción de datos 1. Creando una hoja de trabajo (workfile) File New Workfile Aquí se introduce la frecuencia y las fechas de comienzo y final de los datos. 2. Importación
Más detallesSOLUCIÓN DEL EXAMEN PARCIAL DE ECONOMETRIA I
UNIVERSIDAD NACIONAL DE PIURA FACULTAD DE ECONOMIA SOLUCIÓN DEL EXAMEN PARCIAL DE ECONOMETRIA I 1º El investigador especifica los modelos siguientes: MODELO 1: IMP(t) = a + b IMP(t-1) + c IPM(t) + u(t)
Más detallesAVISO IMPORTANTE EL PROFESOR DARÁ ASESORÍA ESTE VIERNES 13 DE OCTUBRE EN LA SALA JOSE SOLITICA EL ARCHIVO EN EXCEL PARA COMPLETAR LA GUIA AL CORREO
AVISO IMPORTANTE EL PROFESOR DARÁ ASESORÍA ESTE VIERNES 13 DE OCTUBRE EN LA SALA JOSE AYALA DE 13 A 15 HRS SOLITICA EL ARCHIVO EN EXCEL PARA COMPLETAR LA GUIA AL CORREO tere_vieyra@yahoo.com.mx Guía para
Más detallesModelo de Regresión Lineal Múltiple. Multicolinealidad. Dr. Víctor Aguirre Torres ITAM
Modelo de Regresión Lineal Múltiple. Multicolinealidad Dr. Víctor Aguirre Torres ITAM Temas Qué es la multicolinealidad? Consecuencias sobre la estimación. Detección. Algunas contramedidas. Guión 19. Dr.
Más detallesECONOMETRIA II ADE LADE-DERECHO. CURSO 2006/2007
ECONOMETRIA II ADE LADE-DERECHO. CURSO 2006/2007 Hoja de ejercicios 3 PARTE A) Marque con una X la respuesta o respuestas correctas A.1. En el gabinete de estudios de una empresa de inversión en activos
Más detallescon los supuestos clásicos, uno de ellos es que ninguna de las variables X 1, X 2,, X K es
TEMA 2: EXTENSIONES DEL MODELO DE REGRESIÓN LINEAL MÚLTIPLE: MULTICOLINEALIDAD Y TRANSFORMACIONES LINEALES. Wooldridge: Capítulos 6 (apartado 6.1) y 7 Gujarati: Capítulos 9 (apartado 9.8), 10 y 12 1. MULTICOLINEALIDAD
Más detallesEconometría I (LADE). Curso 2001/2002 PRÁCTICA 08
PRÁCTICA 08 HETEROCEDASTICIDAD Y NORMALIDAD En el fichero Datos08.wf1 tenemos la renta y consumo anual (en dólares) para 500 familias con el que se pretende estimar el siguiente modelo: C i = β + β R +
Más detallesUNIVERSIDAD NACIONAL DE TRUJILLO ESCUELA PROFESIONAL DE ECONOMÍA APUNTES DE CLASE ECUACIONES SIMULTÁNEAS: EJERCICIO 19.
UNIVERSIDAD NACIONAL DE TRUJILLO ESCUELA PROFESIONAL DE ECONOMÍA APUNTES DE CLASE ECUACIONES SIMULTÁNEAS: EJERCICIO 19.15 ECONOMETRÍA 2 Econometría.weebly.com Wilhem.weebly.com Ejercicio 19.15 Considérese
Más detallesEJEMPLO DE APLICACIÓN DE MODELIZACIÓN ARIMA A LA SERIE DE COTIZACIONES DIARIAS DE TERRA - LYCOS NOVIEMBRE 1999 A JUNIO 2001
EJEMPLO DE APLICACIÓN DE MODELIZACIÓN ARIMA A LA SERIE DE COTIZACIONES DIARIAS DE TERRA - LYCOS NOVIEMBRE 1999 A JUNIO 2001 CURSO DE TÉCNICAS DE PREVISIÓN DE VARIABLES FINANCIERAS PROGRAMA CITIUS Junio
Más detallesEconometría II Grado en finanzas y contabilidad
Econometría II Grado en finanzas y contabilidad Metodología Box-Jenkins Profesora: Dolores García Martos E-mail:mdgmarto@est-econ.uc3m.es Este documento es un resumen/modificación de la documentación elaborada
Más detallesCointegración del Índice de Precios al Consumidor y Liquidez monetaria ( ). Venezuela.
Cointegración del Índice de Precios al Consumidor y Liquidez monetaria (1997-211). Venezuela. Informe Técnico. PC LC/FT. 2 de Octubre 212 Jhoner Perdomo Karen Tizado Resumen En la búsqueda de una variable
Más detallesModelo 1: MCO, usando las observaciones 1994: :03 (T = 218) Variable dependiente: INFLACION
UNIVERSIDAD NACIONAL DE PIURA FACULTAD DE ECONOMIA DPTO. ACAD. DE ECONOMIA 1º El investigador especifica el modelo siguiente: EXAMEN PARCIAL DE ECONOMETRIA I Se le pide estimar el modelo por el método
Más detallesSOLUCIÓN DE LA PRIMERA PRÁCTICA CALIFICADA DE ECONOMETRIA I
UNIVERSIDAD NACIONAL DE PIURA FACULTAD DE ECONOMIA SOLUCIÓN DE LA PRIMERA PRÁCTICA CALIFICADA DE ECONOMETRIA I 1º El investigador especifica el modelo siguiente: (7 puntos) M1(t) = a + b P(t) + c(0) PBI(t)
Más detallesNOMBRE: I. TEST (debe marcar sólo un resultado como válido en cada pregunta)
ECONOMETRÍA I Examen DADE 20 de enero de 2005 NOMBRE: I. TEST (debe marcar sólo un resultado como válido en cada pregunta) 1. El contraste del predictor Sirve para determinar si las predicciones del modelo
Más detallesEXAMEN ECONOMETRÍA II GRUPO DADE Prof. Rafael de Arce 3 de septiembre de Nombre y Apellidos:
EXAMEN ECONOMETRÍA II GRUPO DADE Prof. Rafael de Arce 3 de septiembre de 2004 Nombre y Apellidos: PRIMERA PARTE: (En las preguntas tipo test sólo debe marcarse una en cada caso): 1. Para determinar si
Más detallesEJERCICIO T2 NOMBRE: Correctas Incorrectas En Blanco Puntos
ECONOMETRÍA APLICADA EJERCICIO T2 APELLIDOS: NOMBRE: FIRMA: GRUPO: DNI: Pregunta 1 A B C En Blanco Pregunta 2 A B C En Blanco Pregunta 3 A B C En Blanco Pregunta 4 A B C En Blanco Pregunta 5 A B C En Blanco
Más detallesHoja de ejercicios 4 Econometría II Curso 2011/2012
Hoja de ejercicios 4 Econometría II Curso 2011/2012 1) Se dispone de las series de diferencias anuales del logaritmo de las series mensuales índice de precios al consumo en España y la Comunidad de Andalucía
Más detallesPRÁCTICAS DE LA ASIGNATURA ECONOMETRIA II. CURSO 2006/2007
PRÁCTICAS DE LA ASIGNATURA ECONOMETRIA II. CURSO 2006/2007 Práctica 3 1. Planteamiento y Objetivos de la Práctica En la presente práctica se propone la modelización univariante por medio del enfoque de
Más detallesEXAMEN ECONOMETRÍA I GRUPO 31 LADE Prof. Rafael de Arce 3 de septiembre de Nombre y Apellidos:
EXAMEN ECONOMETRÍA I GRUPO 31 LADE Prof. Rafael de Arce 3 de septiembre de 2004 Nombre y Apellidos: PRIMERA PARTE: Preguntas tipo test (sólo debe marcarse una en cada caso): 1. En el Modelo Básico de Regresión
Más detallesModelo de Regresión Lineal Múltiple. Normalidad. Dr. Víctor Aguirre Torres ITAM
Modelo de Regresión Lineal Múltiple. Normalidad Dr. Víctor Aguirre Torres ITAM Temas Porqué ocurre falta de normalidad Consecuencias Detección Enfoques para manejarla Guión 18. Dr. V. Aguirre Porqué ocurre?
Más detallesErrores de especificación. Series simuladas
Estimación modelo correcto Dependent Variable: Y Date: 05/13/02 Time: 17:07 Sample: 2 100 Included observations: 99 Errores de especificación. Series simuladas C 5.376164 0.253524 21.20578 0.0000 X1 0.954713
Más detallesPRÁCTICAS DE LA ASIGNATURA ECONOMETRIA II. CURSO 2004/2005
PRÁCTICAS DE LA ASIGNATURA ECONOMETRIA II. CURSO 2004/2005 Práctica 3 1. Planteamiento y Objetivos de la Práctica En la presente práctica se propone la modelización univariante por medio del enfoque de
Más detallesECONOMETRÍA II PRÁCTICAS DE ORDENADOR. Práctica 3
ECONOMETRÍA II PRÁCTICAS DE ORDENADOR Práctica 3 Considere la ecuación de inversión RINV t = β 1 +β 2 RPIB t +β 3 r t +u t donde RINV es la inversión real privada, RPIB es el PIB real y r es el tipo de
Más detallesAnálisis Estadístico
Universidad Torcuato Di Tella Análisis Estadístico Examen Final 05/07/2017 TEMA 1 Nombre y Apellido: Número de legajo: Instrucciones El examen tiene dos partes. La parte A (40 puntos) contiene 10 preguntas
Más detallesEXTENSIÓN DEL MODELO DE REGRESIÓN LINEAL DE DOS VARIABLES
EXTENSIÓN DEL MODELO DE REGRESIÓN LINEAL DE DOS VARIABLES REGRESIÓN A TRAVÉS DEL ORIGEN Y Y i = β 1 + β 2X i + ε i Y i = β 2X i + ε i X A MENOS QUE EXISTA UNA EXPECTATIVA A PRIORI MUY FUERTE ES ACONSEJABLE
Más detallesSeminario Regional Proyecto: Fortaleciendo las Capacidades de Análisis de la Política Macroeconómica en Centroamérica y El Caribe
Estimación: de una Función de Demanda Mensual por Emisión Monetaria (1997-2004) para Honduras, mediante modelos Econométricos, serie de tiempo y Pronostico. Seminario Regional Proyecto: Fortaleciendo las
Más detallesProyecciones del PBI para el 2003.
Proyecciones del PBI para el 2003. Por Pablo Frigolé, para Stockssite pablofrigole@stockssite.com Después de muchas preguntas sobre cuál sería el valor de las variables futuras más importantes de la economía
Más detallesEXAMEN ECONOMETRÍA I GRUPO 53 - DADE 8 de septiembre de 2005 Prof. Rafael de Arce
EXAMEN ECONOMETRÍA I GRUPO 53 - DADE 8 de septiembre de 005 Prof. Rafael de Arce NOMBRE: DNI: PARTE I.- TEST 1. La hipótesis de rango pleno en el MBRL supone: Que las variables explicativas no tengan ninguna
Más detalles(5 x 3) ( 3 x 5) ( 5 x 1) b1 335, ,3-26, ,59 b2 = 0, , ,8 12,85 = 2,94 b3-26,79 13,8 2, ,31
VENTAS PUBLIC. PRECIOS 1990 0, 0, 10 1991 1 0, 1992 2 0,8 199, 0,8 199 1, Y X U 0, 1 0, 10 U1 Modelo matricial con término constante 1 1 0, U2 (el vector de unos recoge ese término constante) 2 1 0,8 U,
Más detalles1.- Enumere las hipótesis básicas del modelo básico de regresión lineal
Introducción a la Econometría Grupo Derecho y Administración de Empresas Profesor Rafael de Arce 20 de junio de 2008 Nombre: DNI: 1.- Enumere las hipótesis básicas del modelo básico de regresión lineal
Más detallesGUÍA DE EJERCICIOS 4 ECONOMETRIA III
GUÍA DE EJERCICIOS 4 ECONOMETRIA III 1) Se dispone de las series de diferencias anuales del logaritmo de las series mensuales índice de precios al consumo en España y la Comunidad de Andalucía y asumimos
Más detallesPRACTICAS SOBRE LA MODELIZACIÓN DE SERIES TEMPORALES MENSUALES CON LA METODOLOGÍA DE BOX-JENKINS
PRACTICAS SOBRE LA MODELIZACIÓN DE SERIES TEMPORALES MENSUALES CON LA METODOLOGÍA DE BOX-JENKINS Preparado por Dolores García Martos FICO GR 21 Guía para seleccionar el orden de un proceso autorregresivo
Más detallesSOLUCIÄN DE LA PRIMERA PRÅCTICA CALIFICADA DE ECONOMETRIA II
UNIVERSIDAD NACIONAL DE PIURA FACULTAD DE ECONOMIA DPTO. ACAD. DE ECONOMIA SOLUCIÄN DE LA PRIMERA PRÅCTICA CALIFICADA DE ECONOMETRIA II 1Ä El investigador especifica el modelo siguiente: Donde: Se le pide:
Más detallesMODELO VAR ARGENTINA
MODELO VAR ARGENTINA 1.-INTRODUCCIÓN Argentina es una de las economías más grandes de América Latina. En los últimos años, Argentina priorizó promover un desarrollo económico con inclusión social. El país
Más detallesREGRESIÓN CON DOS VARIABLES: ESTIMACIÓN DE INTERVALOS Y PRUEBA DE HIPÓTESIS
REGRESIÓN CON DOS VARIABLES: ESTIMACIÓN DE INTERVALOS Y PRUEBA DE HIPÓTESIS Teoría de la estimación: Estimación puntual Estimación por intervalos ESTIMACIÓN DE INTERVALOS: IDEAS BÁSICAS 1 Lo que se busca
Más detalles1. VARIABLES FICTICIAS
TEMA 1: EXTENSIONES DEL MODELO DE REGRESIÓN LINEAL MÚLTIPLE: VARIABLES FICTICIAS Y CAMBIO ESTRUCTURAL. Wooldridge: Capítulos 6 (apartado 6.1) y 7 Gujarati: Capítulos 9 (apartado 9.8), 10 y 12 1. VARIABLES
Más detallesEconometría II LADE/LADE-DERECHO Prof. Esther Ruiz Curso 2007/2008. Práctica 6
Econometría II LADE/LADE-DERECHO Prof. Esther Ruiz Curso 2007/2008 Práctica 6 El objetivo de esta práctica es el análisis de las relaciones dinámicas entre el tipo de interés Overnight (Swaps) a 9 meses
Más detallesECONOMETRÍA I LICENCIATURA EN ECONOMÍA, Curso PRÁCTICA 1 (LECCIÓN 1): EN BUSCA DE ESPECIFICACIÓN Por Beatriz González López-Valcárcel
ECONOMETRÍA I LICENCIATURA EN ECONOMÍA, Curso 2003-2004 PRÁCTICA 1 (LECCIÓN 1): EN BUSCA DE ESPECIFICACIÓN Por Beatriz González López-Valcárcel En esta práctica, aplicaremos los contrastes de especificación
Más detallesLEY DE WAGNER EN EL CASO COLOMBIANO,
865 II Congreso Virtual Internacional Desarrollo Económico, Social y Empresarial en Iberoamérica (Junio 2017) LEY DE WAGNER EN EL CASO COLOMBIANO, 1970-2010. Astrid León Camargo* Docente de la Universidad
Más detallesEn el caso más simple, cuando dos series tienen una única raíz estacionaria, son I(1,0), si están cointegradas implica que: Existe una relación en el
En el caso más simple, cuando dos series tienen una única raíz estacionaria, son I(1,0), si están cointegradas implica que: Existe una relación en el largo plazo entre las dos series que es estable en
Más detallesAugmented Dickey-Fuller. Test de raíces unitarias en Z T
ANEXOS CUADRO A1. Augmented Dickey-Fuller. Test de raíces unitarias en Z T Estadístico ADF -3.231287 1% Valor Crítico -3.4549* 5% Valor Crítico -2.8718 10% Valor Crítico -2.5722 Variable Dependiente D(LOG(Z93))
Más detallesTema 6.- Variables ficticias y contrastes de estabilidad
Guía de estudio de los temas principales del 2º examen parcial. Econometría 4º de Economía.Facultade de CC.Económicas de la USC Curso 2003-2004. Nota ampliada el 13-5-2004. Esta guía está disponible en
Más detallesGuía de taller de Economía Cuantitativa V. Profesor: ALBERTO REYES DE LA ROSA.
Guía de taller de Economía Cuantitativa V. Profesor: ALBERTO REYES DE LA ROSA. Debe ser resuelta a mano, citar bibliografía (no usar internet). Términos clave 1. Ceteris Paribus 2. Grado de libertad 3.
Más detallesTODO ECONOMETRÍA. A continuación voy a realizar un primer gráfico para observar el comportamiento de mi serie.
Sabemos que se aprende de las regularidades del comportamiento pasado de la serie y se proyectan hacia el futuro. Por lo tanto, es preciso que los procesos aleatorios generadores de las series temporales
Más detallesAnálisis de la Estacionalidad del Turismo en España. Un análisis detallado por Camunidades Autónomas.
Cómo citar este artículo? Apellidos, Nombre (del autor del texto elegido) (2011). Texto (del artículo), en Giménez Rodríguez, S.; García Manso, A. y Díaz Cano, E. Innovaciones en la sociedad del riesgo.
Más detallesGuía breve de análisis de series temporales unidimensionales con Gretl
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
Más detallesModelo SARIMA para la llegada mensual de visitantes extranjeros por el Aeropuerto Internacional Jorge Chávez
59 Modelo SARIMA para la llegada mensual de visitantes extranjeros... Modelo SARIMA para la llegada mensual de visitantes extranjeros por el Aeropuerto Internacional Jorge Chávez SARIMA model for the monthly
Más detallesESTIMACIÓN DE LA FUNCIÓN DE EXPORTACIONES DE CATALUÑA A LOS PRINCIPALES PAÍSES EUROPEOS
ESTIMACIÓN DE LA FUNCIÓN DE EXPORTACIONES DE CATALUÑA A LOS PRINCIPALES PAÍSES EUROPEOS Estimaciones individuales Dependent Variable: LOG(X?) Method: Pooled Least Squares Date: 11/23/02 Time: 13:14 Sample(adjusted):
Más detallesUSO DEL FILTRO DE KALMAN PARA ESTIMAR LA TENDENCIA DE UNA SERIE
DIVISIÓN ECONÓMICA DEPARTAMENTO DE INVESTIGACIONES ECONÓMICAS INFORME TÉCNICO DIE-87-003-IT USO DEL FILTRO DE KALMAN PARA ESTIMAR LA TENDENCIA DE UNA SERIE Ana Cecilia Kikut V. OCTUBRE, 003 Entre los diferentes
Más detallesIntroducción al tema de raíces unitarias en la modelación econométrica
Banco Central de Costa Rica Departamento de Investigación Económica DIE-NT-01-2008 SEMINARIO-TALLER TÓPICOS DE ECONOMETRIA APLICADA PARTE I Introducción al tema de raíces unitarias en la modelación econométrica
Más detallesMODELOS ECONOMÉTRICOS UNIVARIADOS Y MULTIVARIADOS
MODELOS ECONOMÉTRICOS UNIVARIADOS Y MULTIVARIADOS NOMBRE : DANIELA ARROYO PEREZ CODIGO : C5844-0 MATERIA: ECONOMETRIA II CARRERA: INGENIERIA COMERCIAL CURSO : SEXTO A DOCENTE : LIC. RODRIGO PANIAGUA TAPIA
Más detallesPRACTICA 3. CONTRASTES Y PREDICCION.
ECONOMETRIA I (LADE). CURSO 2001/2002 PRACTICA 3. CONTRASTES Y PREDICCION. En el archivo prac3.xls disponemos de las siguientes observaciones correspondientes a un país: Y: consumo privado, medido en millones
Más detallesCAPÍTULO 4 DESARROLLO DEL MODELO ECONOMÉTRICO
CAPÍTULO 4 DESARROLLO DEL MODELO ECONOMÉTRICO 4.1 La Regresión Lineal El objetivo principal de este estudio es obtener los riesgos que afectan a las instituciones del sector bancario. como se mencionó
Más detallesCointegración El caso bivariado
Cointegración El caso bivariado Definición: La serie Y t es integrada de orden d (denotada I(d)) si al menos debe ser diferenciada d veces para que sea estacionaria. Ejemplos: 1. El proceso random walk
Más detallesAnálisis de Series de Tiempo
CURSO REGIONAL SOBRE HOJA DE BALANCE DE ALIMENTOS, SERIES DE TIEMPO Y ANÁLISIS DE POLÍTICA MSc. Sandra Hernández sandra.hernandezro@gmail.com Sede Subregional de la CEPAL en México Ciudad de México, del
Más detallesValidación del Modelo Univariable de Inflación empleado en la Combinación de Pronósticos
BANCO CENTRAL DE COSTA RICA DIVISIÓN ECONÓMICA DEPARTAMENTO DE INVESTIGACIÓN ECONÓMICA Validación del Modelo Univariable de Inflación empleado en la Combinación de Pronósticos Evelyn Muñoz Salas Informe
Más detallesPronósticos 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 detallesEXAMEN D'ECONOMETRIA II. LLICENCIATURA EN ECONOMIA. JUNY DE 2006 COGNOMS... NOM...
EXAMEN D'ECONOMETRIA II. LLICENCIATURA EN ECONOMIA. JUNY DE 2006 COGNOMS... NOM... 1. A partir de dades individuals corresponents a 706 individus, s ha estimat per mínims quadrats ordinaris un model de
Más detallesQUINTA PRÁCTICA CALIFICADA DE ECONOMETRIA II. Dependent Variable: CREDITOSB Method: Least Squares Sample: 1992M M07 Included observations: 211
UNIVERSIDAD NACIONAL DE PIURA FACULTAD DE ECONOMIA QUINTA PRÁCTICA CALIFICADA DE ECONOMETRIA II 1º Verificar si cointegra el modelo siguiente: CREDITOSB = a + b EMI + U 1.1. Aplicando la prueba alternativa
Más detallesLA MODELACIÓN DEL PRECIO MENSUAL DE LA ELECTRICIDAD EN COLOMBIA: ELEMENTOS ECONOMÉTRICOS. Elkin Castaño V.
LA MODELACIÓN DEL PRECIO MENSUAL DE LA ELECTRICIDAD EN COLOMBIA: ELEMENTOS ECONOMÉTRICOS Elkin Castaño V. Escuela de Estadística Universidad Nacional de Colombia Departamento de Economía Universidad de
Más detalles1. Sean dos variables aleatorias discretas X e Y. La siguiente tabla describe la función de masa de probabilidad conjunta de estas variables:
Examen de Introducción a la Econometría Universidad Carlos III de Madrid 2 a Convocatoria Curso 2004/205 Conteste las preguntas siguientes en 2 horas y media 1. Sean dos variables aleatorias discretas
Más detallesTRABAJO FINAL ECONOMETRIA MODELO ECONOMETRICO MULTIVARIADO PASS TROUGH (PAIS DE BRASIL)
TRABAJO FINAL ECONOMETRIA MODELO ECONOMETRICO MULTIVARIADO PASS TROUGH (PAIS DE BRASIL) 1. Introducción.- El presente trabajo hace referencia al modelo económico Pass Through en el cual se analizará el
Más detallesUNIVERSIDAD CARLOS III DE MADRID ECONOMETRÍA EXAMEN FINAL (Modelo A)
TIEMPO: 2 HORAS Instrucciones: UNIVERSIDAD CARLOS III DE MADRID ECONOMETRÍA EXAMEN FINAL (Modelo A) 1. Este un modelo de examen que le servirá para autoevaluarse de todos los contenidos del curso de Econometria
Más detallesEconometría II Grado en finanzas y contabilidad
Econometría II Grado en finanzas y contabilidad Procesos autorregresivos Profesora: Dolores García Martos E-mail:mdgmarto@est-econ.uc3m.es Este documento es un resumen/modificación de la documentación
Más detallesEJC 22: METODOLOGÍA BOX JENKINS
EJC 22: METODOLOGÍA BOX JENKINS La publicación de G.P.E Box y G.M Jenkins Times Series Análisis: Forecasting and Control en la década de los 70 s generó un nuevo conjunto de herramientas de predicción,
Más detallesAnálisis de Series de Tiempo. Universidad Nacional Autónoma de México. M. en C. César Almenara Martínez. 10 de Noviembre de 2010.
Análisis de Series de Tiempo. M. en C. César Almenara Martínez. Universidad Nacional Autónoma de México. 10 de Noviembre de 2010. 1 Receta. 2 Análisis. 1 Receta. 2 Análisis. Para hacer un análisis básico
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 detallesNueva estimación sobre el volumen del PBI informal en base al método de la demanda de circulante. Joaquín Días y Carla Di Paula.
Nueva estimación sobre el volumen del PBI informal en base al método de la demanda de circulante. Joaquín Días y Carla Di Paula Octubre 2009 Este documento tiene por objetivo presentar una nueva estimación
Más detallesD to de Economía Aplicada Cuantitativa I Basilio Sanz Carnero
D to de Economía Aplicada Cuantitativa I Basilio Sanz Carnero Tendencia estocástica y determinista Una serie de tiempo tiene tendencia estocástica (o también denominadas estacionarias en diferencias) cuando
Más detallesDiferencia de la tasa de cambio
Ejemplo 1: Prueba de raíz unitaria de Dickey y Fuller Este ejemplo utiliza información del archivo erate1.wf1. Sea LO el logaritmo de la tasa de cambio oficial peso-dólar en Colombia para el período 197:1
Más detallesILUSTRACIÓN DEL PROBLEMA DE LA IDENTIFICABILIDAD EN LOS MODELOS MULTIECUACIONALES
ILUSTRACIÓN DEL PROBLEMA DE LA IDENTIFICABILIDAD EN LOS MODELOS MULTIECUACIONALES El objetivo de este documento es ilustrar matemáticamente, y con un caso concreto, el problema de la identificación en
Más detallesEste estudio tiene como objetivo la demostración y aplicación de los modelos econométricos ANÁLISIS EMPÍRICO DEL ESTIMADOR PARA LA PRODUCCIÓN
ANÁLISIS EMPÍRICO DEL ESTIMADOR PARA LA PRODUCCIÓN DE TABACO CON MÍNIMOS CUADRADOS ORDINARIOS Diego Axel López Peláez* Resumen 15 Utilizando modelos econométricos, de mínimos cuadrados ordinarios, buscamos
Más detallesDocumento de Trabajo. Debo inscribir más de 22 créditos?
Documento de Trabajo Debo inscribir más de 22 créditos? Rodrigo Navia Carvallo 2004 El autor es Ph.D in Economics, Tulane University, EEUU. Máster of Arts in Economics, Tulane University, EEUU. Licenciado
Más detallesDiseño de Ciudad. Planeación. Desarrollo. Ejecucion de la Politica
Incidencia de las Políticas Públicas de Desarrollo Urbanístico en la Ciudad de Cali Conceptos Fundamentales de la Economía Regional y Urbana con Aplicaciones a la Economía del Sector Publico y al Análisis
Más detallesHerramientas para el Estudio de Mercado. Técnicas de Predicción.
Herramientas para el Estudio de Mercado Proyecciones Económicas Técnicas de Predicción. Profesor: Exaú Navarro Pérez Técnicas de Predicción. Introducción. Técnicas Elementales de Predicción. Modelo Econométrico.
Más detallesEJERCICIO T1 NOMBRE: Correctas Incorrectas En Blanco Puntos
ECONOMETRÍA EJERCICIO T1 APELLIDOS: NOMBRE: FIRMA: GRUPO: DNI: Pregunta 1 A B C En Blanco Pregunta A B C En Blanco Pregunta 3 A B C En Blanco Pregunta 4 A B C En Blanco Pregunta 5 A B C En Blanco Pregunta
Más detallesDepartamento de Estadística e Investigación Operativa Aplicadas y Calidad. Licenciado en Administración y Dirección de Empresas A.D.E. - U.P.V.
Departamento de Estadística e Investigación Operativa Aplicadas y Calidad Licenciado en Administración y Dirección de Empresas A.D.E. - U.P.V. ECONOMETRÍA CONVOCATORIA ORDINARIA - 18/01/2007 NOMBRE Y APELLIDOS
Más detallesSERIE TEMPORAL TASA PASIVA REFERENCIAL ECUADOR MAT. GEOVANNY TOALOMBO Agosto 2006
SERIE TEMPORAL TASA PASIVA REFERENCIAL ECUADOR MAT. GEOVANNY TOALOMBO Agosto 20 Se presenta a continuación el estudio de la serie de tiempo, para la Tasa Pasiva Referencial fuente Banco Central de Ecuador
Más detallesIntroducción a la Econometría Capítulo 4
Introducción a la Econometría Capítulo 4 Ezequiel Uriel Jiménez Universidad de Valencia Valencia, Septiembre de 2013 4.1 El contraste de hipótesis: una panorámica 4.2 Contraste de hipótesis utilizando
Más detallesEjemplo # 2: A: ENFOQUE TRAD ICIONAL
Ejemplo # 2: A: ENFOQUE TRAD ICIONAL De acuerdo con la Teoría Económica se especifica que la Renta Neta Disponible (Carrascal; et al; 2000:167) de una Familia :RNDFAM, depende o esta relacionada con los
Más detallesMetodología para la estimación del riesgo de mercado del portafolio de créditos del sistema financiero boliviano
Metodología para la estimación del riesgo de mercado del portafolio de créditos del sistema financiero boliviano Por: Martín Villegas Tufiño Resumen Uno de los riesgos a los que se encuentra expuesto el
Más detallesSOLUCIÓN DE LA QUINTA PRÁCTICA CALIFICADA DE ECONOMETRIA II. Variable Coefficient Std. Error t-statistic Prob.
UNIVERSIDAD NACIONAL DE PIURA FACULTAD DE ECONOMIA DEPARTAMENTO DE ECONOMIA SOLUCIÓN DE LA QUINTA PRÁCTICA CALIFICADA DE ECONOMETRIA II 1º El investigador especifica el modelo siguiente: CRESB_PRI(t) =
Más detallesECONOMETRÍA II Curso: 2009/2010 Práctica 5
ECONOMETRÍA II Curso: 2009/2010 Práctica 5 Prof. Juan de Dios Tena El objetivo de esta práctica es introducir al alumno en los ejercicios de especificación, estimación y análisis de resultados de modelos
Más detallesModelos Econométricos Lección 2. Estacionariedad y raíces unitarias. Presentado por Juan Muro
Modelos Econométricos Lección 2. Estacionariedad y raíces unitarias Presentado por Juan Muro Motivación La no estacionariedad, en general, de las series económicas en el tiempo provoca consecuencias estadísticas
Más detallesModelos de proyección de demanda de combustibles
Informe Final Modelos de proyección de demanda de combustibles Consultores en Economía Dinámica SPA Diciembre 3, 211 Índice 1. Introducción 2. Metodología y Resultados de las estimaciones 2.1 Modelos ARIMA
Más detallesARCH y GARCH. Series de tiempo. Miguel Ángel Chong R. 14 de mayo del 2013
Estadística Miguel Ángel Chong R. miguel@sigma.iimas.unam.mx 14 de mayo del 013 Modelos estacionales multiplicativos y estacionarios En la mayor parte de los casos los datos no sólo están correlacionados
Más detallesOctava Entrega. 1 Modelos de función de transferencia o de regresión dinámica
Prácticas de la asignatura Series Temporales Octava Entrega 1 Modelos de función de transferencia o de regresión dinámica 1.1 El modelo Supongamos que tenemos dos series temporales, x t e y t, tales que:
Más detallesSimulación mediante modelos
1 Un proyecto econométrico Simulación mediante modelos Esta nota está destinada a exhibir un proyecto típico de simulación mediante un modelo econométrico. Se recomienda que cada alumno desarrolle, en
Más detallesMODELOS VAR (P) MODELO VAR (P) PARA 2, 3 Y 4 VARIABLES.
MODELOS VAR (P) MODELO VAR (P) PARA 2, 3 Y 4 VARIABLES. IMPORTACIONES = f (PIB) Donde: PIB= Producto Interno VAR CON DOS VARIABLES BASE DE DATOS AÑO PIB IMPORTACIONES 197 4,77968E+12 43,9594437 1971 4,9372E+12
Más detallesSOLUCIÓN DEL EXAMEN PARCIAL DE ECONOMETRIA II
UNIVERSIDAD NACIONAL DE PIURA FACULTAD DE ECONOMIA DPTO. ACAD. DE ECONOMIA SOLUCIÓN DEL EXAMEN PARCIAL DE ECONOMETRIA II 1º El investigador especifica el siguiente modelo: Se le pide: 1.1. Realice la prueba
Más detallesPRONÓSTICO DE LAS DEFUNCIONES EN LA REPÚBLICA DE PANAMÁ UTILIZANDO LA METODOLOGÍA ARIMA O BOX-JENKINS PARA LOS AÑOS
Revista científica CENTROS 15 de diciembre de 2015 Vol. 4 No. 2 ISSN: 2304-604X pp. 189-199 Recibido: 30/06/15; Aceptado: 06/12/15 Se autoriza la reproducción total o parcial de este artículo, siempre
Más detallesPart III. Modelos Box-Jenkins. Series de Tiempo. Germán Aneiros Pérez. Introducción. Procesos ARMA: Procesos ARIMA:
Part III Modelos Box-Jenkins Bibliografía Bibliografía Brockwell, P.J. y Davis, R.A. (2002). Introduction to Time Series and Forecasting. 2 a edición. Springer. Cowpertwait, P.S.P. y Metcalfe, A.V. (2009).
Más detallesln Y = β 0 + β 1 ln X 1 + β 2 X 2 + ε, (4) ln Y = β 0 + β 1 X 1 + β 2 X 2 + ε, (3)
Examen de Econometría I Universidad Carlos III de Madrid 1aa Convocatoria (26 de enero del 2004) Curso 2003/2004 Valores críticos de diferentes distribuciones pueden encontrarse al final del examen. PREGUNTA
Más detallesAnálisis económico y energético de la remolacha en Andalucía Resultados
Análisis económico y energético de la remolacha en Andalucía Resultados 2007-2008 Dpto. Economía Aplicada II Universidad de Sevilla Sevilla, 17 noviembre 2009 Cuál era la situación de partida? AIMCRA tenía
Más detallesPRÁCTICA 05 HETEROCEDASTICIDAD, SELECCIÓN DE REGRESORES Y PREDICCIÓN
PRÁCTICA 05 HETEROCEDASTICIDAD, SELECCIÓN DE REGRESORES Y PREDICCIÓN Se pretende seleccionar un modelo, para las empresas de un determinado sector económico, que explique el gasto que éstas tienen en formación
Más detallesAjustando Curva SnapStat
STATGRAPHICS Rev. 9/14/26 Ajustando Curva SnapStat Resumen El procedimiento Ajustando Curva SnapStat crea un resumen de una pagina que describe la relación entre un solo factor cuantitativo X y una variable
Más detallesEL DESARROLLO EN COLOMBIA: UN ENFOQUE DESDE EL IDH Y LA DISTRIBUCIÓN DEL INGRESO ( )
EL DESARROLLO EN COLOMBIA: UN ENFOQUE DESDE EL IDH Y LA DISTRIBUCIÓN DEL INGRESO (1980 2015) Luis Armando Mojica Castro María Esperanza Cuenca Coral Trabajo presentado en la Serie de Seminarios IEEC Departamento
Más detallesPara hacer predicciones de una serie temporal se debe estimar la tendencia por el método de los
Estadística: CUESTIONARIO SERIES TEMPORALES Facultad Ciencias Económicas y Empresariales Departamento de Economía Aplicada Profesor: Santiago de la Fuente Fernández 1. Señalar la afirmación correcta: (a)
Más detalles