Regresión con datos de series de tiempo: Variables no estacionarias
|
|
- Rosa María Farías Río
- hace 5 años
- Vistas:
Transcripción
1 Regresión con daos de series de iempo: Variables no esacionarias En esas noas se desarrollan los aspecos eóricos y prácicos del capíulo 1 de los libros de exo de R. Carer Hill, William E. Griffihs y Guay C. Lim (1) Principles of Economerics, 4a.ed. (POE4) y de Lee C. Adkins y R. Carer Hill (1) Using Saa for Principles of Economerics (USPOE4). Variables esacionarias y no esacionarias Inspección visual use "C:\POE4\usa.da", clear generae dae = q(1984q1) + _n-1 forma dae %q sse dae sline gdp, name(gdp, replace) ylabel(()16,angle(horizonal)) xlabel(,labsize(small)) ile("real US gross domesic produc (GDP)", size(medium)) yile("") saving("c:\poe4\g1_1.gph",replace) sline D.gdp, name(dgdp, replace) yline() ylabel(-3(1)3,angle(horizonal)) xlabel(,labsize(small)) ile("change in GDP", size(medium)) yile("") saving("c:\poe4\g1_.gph",replace) graph combine gdp dgdp, saving("c:\poe4\g1_c1.gph",replace) sline inf, name(inf, replace) ylabel(()14,angle(horizonal)) xlabel(,labsize(small)) ile("inflaion rae", size(medium)) yile("") saving("c:\poe4\g1_3.gph",replace) sline D.inf, name(dinf, replace) yline() ylabel(-(1),angle(horizonal)) xlabel(,labsize(small)) ile("change in he inflaion rae", size(medium)) yile("") saving("c:\poe4\g1_4.gph",replace) graph combine inf dinf, saving("c:\poe4\g1_c.gph",replace) sline f, name(f, replace) ylabel(()1,angle(horizonal)) xlabel(,labsize(small)) ile("federal funds rae", size(medium)) yile("") saving("c:\poe4\g1_5.gph",replace) sline D.f, name(df, replace) yline() ylabel(-3(1)1,angle(horizonal)) xlabel(,labsize(small)) ile("change in he federal funds rae", size(medium)) yile("") saving("c:\poe4\g1_6.gph",replace) graph combine f df, saving("c:\poe4\g1_c3.gph",replace) sline b, name(b, replace) ylabel(()14,angle(horizonal)) xlabel(,labsize(small)) ile("three-year bond rae", size(medium)) yile("") saving("c:\poe4\g1_7.gph",replace) sline D.b, name(db, replace) yline() ylabel(-1.6(.4)1.6,angle(horizonal)) xlabel(,labsize(small)) ile("change in he bond rae", size(medium)) yile("") saving("c:\poe4\g1_8.gph",replace) graph combine inf dinf, saving("c:\poe4\g1_c4.gph",replace) graph combine gdp dgdp inf dinf, cols() saving("c:\poe4\g1_a1.gph",replace) graph combine f df b db, cols() saving("c:\poe4\g1_all_a.gph",replace)
2 Algunas series de iempo de la economía noreamericana Real US gross domesic produc (GDP) Change in GDP 1985q1 199q1 1995q1 q1 5q1 1q1 dae 1985q1 199q1 1995q1 q1 5q1 1q1 dae Inflaion rae Change in he inflaion rae 1985q1 199q1 1995q1 q1 5q1 1q1 dae 1985q1 199q1 1995q1 q1 5q1 1q1 dae 1 Federal funds rae 1 Change in he federal funds rae q1 199q1 1995q1 q1 5q1 1q1 dae 1985q1 199q1 1995q1 q1 5q1 1q1 dae Three-year bond rae Change in he bond rae 1985q1 199q1 1995q1 q1 5q1 1q1 dae 1985q1 199q1 1995q1 q1 5q1 1q1 dae
3 Esadísica descripiva summarize gdp inf f b D.gdp D.inf D.f D.b if in(1984q,1996q4) summarize gdp inf f b D.gdp D.inf D.f D.b if in(1997q1,) Propiedades de una serie esacionaria E(y ) = μ Media consane (1.1a) Var(y ) = σ Varianza consane (1.1b) Cov(y, y +s ) = Cov(y, y s ) = γ s Covarianza depende de s, no de (1.1c) La exploración visual no es suficiene. Es necesaria una prueba formal de esacionariedad. Modelo AR(1) Es un modelo úil para explicar la diferencia enre una serie esacionaria y una serie no esacionaria y = ρy 1 + v, ρ < 1 (1.a) El supueso ρ < 1 implica que y es esacionaria. El proceso AR(1) muesra que cada realización de la variable aleaoria y coniene una proporción ρ del valor del periodo pasado más un error que sigue una disribución con media cero y varianza σ v.
4 Ejemplos, con daos arificiales: y =.7y 1 + v y = 1 +.7y 1 + v y y clear se obs 5 gen =_n sse gen y= in 1 for num /5:replace y=.7*l.y+rnormal(,1) in X sline y, ylabel(-6(1)6) yline() clear se obs 5 gen =_n sse gen y= in 1 for num /5:replace y=1+.7*l.y+rnormal(,1) in X sline y, ylabel(-(1)1) yline() y = y 1 + v y = y 1 + v 4 8 y y clear se obs 5 gen =_n sse gen y= in 1 for num /5:replace y=1+.1*+.7*l.y+rnormal(,1) in X sline y, ylabel((4)4) clear se obs 5 gen =_n sse gen y= in 1 for num /5:replace y=l.y+rnormal(,1) in X sline y, ylabel(-8(4)16) yline() y =.1 + y 1 + v y = y 1 + v y y clear se obs 5 gen =_n sse gen y= in 1 for num /5:replace y=.1+l.y+rnormal(,1) in X sline y, ylabel((1)6) clear se obs 5 gen =_n sse gen y= in 1 for num /5:replace y=.1+.1*+l.y+rnormal(,1) in X sline y, ylabel(()14)
5 En general AR(p) incluye los rezagos desde y hasa y p. en =1 y 1 = ρy + v 1 en = y = ρy 1 + v = ρ(ρy + v 1 ) + v = ρ y + ρv 1 + v en =3 y 3 = ρy + v 3 = ρ(ρ y + ρv 1 + v ) + v 3 = ρ 3 y + ρ v 1 + ρv + v 3 en y = ρ y + ρ 1 v 1 + ρ v + + ρ v + ρv 1 + v En cada érmino que coniene ρ y v, el exponene de ρ es j y el subíndice de v es j. Así, por ejemplo, para el úlimo érmino de la expresión anerior el exponenes de ρ es j = y el subíndice de v es j =. Reordenando érminos y = v + ρv 1 + ρ v + + ρ v +ρ 1 v 1 + ρ y La media de y es E(y ) = E(ρ y + ρ 1 v 1 + ρ v + + ρ v + ρv 1 + v ) E(y ) = E(ρ y ) + E(ρ 1 v 1 ) + E(ρ v ) + + E(ρ v ) + E(ρv 1 ) + E(v ) E(y ) = ρ y + ρ 1 E(v 1 ) + ρ E(v ) + + ρ E(v ) + ρe(v 1 ) + E(v ) E(y ) = ρ y para grande y dado que ρ < 1 Por lo ano la media de y es E[y ] =. La varianza de y es es decir lim E(y ) = lim ρ y = y lim ρ = VAR(y ) = E[y E[y ]] = E[y ] VAR(y ) = E[ρ y + ρ 1 v 1 + ρ v + + ρ v + ρv 1 + v E(ρ y + ρ 1 v 1 + ρ v + + ρ v + ρv 1 + v )] VAR(y ) = E[ρ 1 v 1 + ρ v + + ρ v + ρv 1 + v ] Desarrollando el polinomio al cuadrado y considerando que el valor esperado de los érminos cruzados en v es cero a parir del supueso de no correlación enre las innovaciones, es decir COV(v, v s ) = E[(v j E[v j ])(v k E[v k ])] = E[v j v k ] = para odo j k, se iene
6 para grande y dado que ρ < 1 Por lo ano, la varianza de y es VAR(y ) = E[ρ 1 v 1 ] + E[ρ v ] + + E[ρ v ] + E[ρv 1 ] + E[v ] VAR(y ) = (ρ ) 1 E[v 1 ] + (ρ ) E[v ] + + (ρ ) E[v ] + (ρ )E[v 1 ] + E[v ] VAR(y ) = (ρ ) 1 VAR[v 1 ] + (ρ ) VAR[v ] + + (ρ ) VAR[v ] + (ρ )VAR[v 1 ] + VAR[v ] VAR(y ) = (ρ ) 1 σ v + (ρ ) σ v + + (ρ ) σ v + (ρ )σ v + σ v VAR(y ) = σ v [1 + ρ + (ρ ) + + (ρ ) + (ρ ) 1 ] 1 + ρ + (ρ ) + + (ρ ) + (ρ ) 1 = 1 1 ρ VAR(y ) = σ 1 v 1 ρ = σ v 1 ρ La covarianza enre dos errores e y e s que esán disanes s periodos es γ s = COV(e, e s ) = E[(e E[e ])(e s E[e s ])] = E[e e s ] Susiuyendo (9B.4) y el rezago de e a s periodos de (9B.4) se iene γ s = E[(v +ρv 1 + ρ v + ρ 3 v ρ s 1 v (s 1) + ρ s v s + ρ s+1 v (s+1) + ρ s+ v (s+) + ρ s+3 v (s+3) + )(v s +ρv (s+1) + ρ v (s+) + ρ 3 v (s+3) + )] Los érminos cruzados de v originarán érminos de covarianza enre v y v s que serán cero, de acuerdo con el supueso COV(v, v s ) = para s hecho en (9.31). Así, el resulado anerior se simplifica a = E[ρ s v s + ρ s+ v (s+1) + ρ s+4 v (s+) + ] = E[ρ s v s ] + E[ρ s+ v (s+1) ] + E[ρ s+4 v (s+) ] + = ρ s E[v s ] + ρ s+ E[v (s+1) ] + ρ s+4 E[v (s+) ] + = ρ s σ v + ρ s+ σ v + ρ s+4 σ v + = ρ s σ v (1 + ρ + ρ 4 + ) COV(e, e s ) = ρ s 1 σ v 1 ρ = ρs σ v 1 ρ Así, el modelo AR(1) expresado en (1.a) es un ejemplo clásico de un proceso esacionario con media cero. Los daos del mundo real difícilmene endrán media cero. Ahora se inroduce el caso de una media μ disina de cero, reemplazando y en (1.a) por y μ como sigue (y μ) = ρ(y 1 μ) + v despejando y y = μ(1 ρ) + ρy 1 + v
7 que puede expresarse como siendo Por recursividad se iene y = α + ρy 1 + v, ρ < 1 (1.b) α = μ 1 ρ y 1 = α + ρy + v 1 y = α + ρy 1 + v = α + ρ(α + ρy + v 1 ) + v = α(1 + ρ) + ρ y + ρv 1 + v y 3 = α + ρy + v 3 = α + ρ(α + αρ + ρ y + ρv 1 + v ) + v 3 = α(1 + ρ + ρ ) + ρ 3 y + ρ v 1 + ρv + v 3 generalizando en y = α + ρy 1 + v = α(1 + ρ + ρ + + ρ 1 ) + ρ y + ρ 1 v 1 + ρ v + + ρ v + ρv 1 + v Media Varianza E[y ] = E[α(1 + ρ + ρ + + ρ 1 ) + ρ y + ρ 1 v 1 + ρ v + + ρ v + ρv 1 + v ] E[y ] = E [α 1 1 ρ ] + E[ρ y ] + E[ρ 1 v 1 + ρ v + + ρ v + ρv 1 + v ] E[y ] = α 1 ρ = μ VAR[y ] = VAR[α(1 + ρ + ρ + + ρ 1 ) + ρ y + ρ 1 v 1 + ρ v + + ρ v + ρv 1 + v ] VAR[y ] = VAR[ρ 1 v 1 + ρ v + + ρ v + ρv 1 + v ] VAR[y ] = E[ρ 1 v 1 + ρ v + + ρ v + ρv 1 + v E[ρ 1 v 1 + ρ v + + ρ v + ρv 1 + v ]] para grande y dado que ρ < 1 Por lo ano, la varianza de y es VAR[y ] = E[ρ 1 v 1 + ρ v + + ρ v + ρv 1 + v ] VAR(y ) = E[ρ 1 v 1 ] + E[ρ v ] + + E[ρ v ] + E[ρv 1 ] + E[v ] VAR(y ) = (ρ ) 1 E[v 1 ] + (ρ ) E[v ] + + (ρ ) E[v ] + (ρ )E[v 1 ] + E[v ] VAR(y ) = (ρ ) 1 VAR[v 1 ] + (ρ ) VAR[v ] + + (ρ ) VAR[v ] + (ρ )VAR[v 1 ] + VAR[v ] VAR(y ) = (ρ ) 1 σ v + (ρ ) σ v + + (ρ ) σ v + (ρ )σ v + σ v VAR(y ) = σ v [1 + ρ + (ρ ) + + (ρ ) + (ρ ) 1 ] 1 + ρ + (ρ ) + + (ρ ) + (ρ ) 1 = 1 1 ρ
8 VAR(y ) = σ 1 v 1 ρ = σ v 1 ρ De acuerdo con lo anerior, se describe la variable desviada de la media y μ, como esacionaria alrededor de cero, o bien la variable y como esacionaria alrededor de su valor medio μ = Ejemplo: el proceso en el que E(y ) = μ = y = 1 +.7y 1 + v α 1 ρ. α 1 ρ = = 1.3 = 1 3 = 3.33 Ora exensión de (1.a) es considerar un modelo AR(1) que flucúe en orno a una endencia lineal μ + δ. En ese caso, la serie sin endencia en forma auorregresiva es y μ δ = ρ(y 1 μ δ( 1)) + v, ρ < 1 desarrollando los érminos, agrupando y despejando a y se obiene y = μ + δ + ρy 1 ρμ ρδ( 1) + v y = μ(1 ρ) + ρδ + δ + ρy 1 ρδ + v y = μ(1 ρ) + ρδ + δ(1 ρ) + ρy 1 + v que puede expresarse como y = α + ρy 1 + λ + v (1.c) donde α = μ(1 ρ) + ρδ λ = δ(1 ρ) Por recursividad se iene y 1 = α + ρy + λ + v 1 y = α + ρy 1 + λ + v = α + ρ(α + ρy + λ + v 1 ) + λ + v = α(1 + ρ) + ρ y + λ( + ρ) + ρv 1 + v y 3 = α + ρy + 3λ + v 3 = α + ρ[α(1 + ρ) + ρ y + λ( + ρ) + ρv 1 + v ] + 3λ + v 3 = α(1 + ρ + ρ ) + ρ 3 y + λ(3 + ρ + ρ ) + ρ v 1 + ρv + v 3 generalizando en y = α + ρy 1 + λ + v = α + ρ[α(1 + ρ + ρ + ) + ρ 1 y + λ{( 1) + ( )ρ + + ρ 3 + ρ } + ρ v 1 + ρ 3 v + ρ 4 v ρv + v 1 ] + λ + v = α(1 + ρ + ρ + ) + ρ y + λ{ + ( 1)ρ + ( )ρ + + 3ρ 3 + ρ + ρ 1 } + ρ 1 v 1 + ρ v + ρ 3 v ρ v + ρv 1 + v Media E[y ] = E[α(1 + ρ + ρ + ) + ρ y + λ{ + ( 1)ρ + ( )ρ + + 3ρ 3 + ρ + ρ 1 } + ρ 1 v 1 + ρ v + ρ 3 v ρ v + ρv 1 + v ] E[y ] = αe[1 + ρ + ρ + ] + E[ρ y ] + λe[ + ( 1)ρ + ( )ρ + + 3ρ 3 + ρ + ρ 1 ] + E[ρ 1 v 1 + ρ v + ρ 3 v ρ v + ρv 1 + v ]
9 E[y ] = α(1 + ρ + ρ + ) + λ{ + ( 1)ρ + ( )ρ + + 3ρ 3 + ρ + ρ 1 } + ρ 1 E[v 1 ] + ρ E[v ] + ρ 3 E[v 3 ] + + ρ E[v ] + ρe[v 1 ] + E[v ] E[y ] = α(1 + ρ + ρ + ) + λ{(1 + ρ + ρ + ) (ρ + ρ + 3ρ ρ 3 + ρ + ρ 1 )} E[y ] = α(1 + ρ + ρ + ) + λ(1 + ρ + ρ + ) λρ(1 + ρ + 3ρ + 4ρ ρ 4 + ρ 3 + ρ ) E[y ] = α 1 1 ρ + λ 1 1 ρ λρ 1 (1 ρ) = α 1 ρ ρλ (1 ρ) + λ 1 ρ haciendo δ = λ 1 ρ μ = α 1 ρ ρ λ (1 ρ) (1 ρ) = α 1 ρ ρδ 1 ρ se obiene Varianza = α ρδ 1 ρ α ρδ E[y ] = 1 ρ + λ = μ + δ 1 ρ Se deja como ejercicio desarrollar VAR[y ] para obener un puno adicional en la evaluación final. Un ejemplo de ese ipo de series es el proceso en el que y = y 1 + v λ = δ(1 ρ) =.1(1.7) =.3 α ρδ μ = 1 ρ = = Modelos de caminaa aleaoria Considerando el caso especial de ρ = 1 en el modelo AR(1) de la expresión (1.a) y = y 1 + v (1.3a) La solución por recursividad en =1 y 1 = y + v 1 en = y = y 1 + v = (y + v 1 ) + v = y + s=1 v s
10 generalizando en y = y 1 + v = y + Media s=1 v s E[y ] = y + E[v 1 + v + + v ] = y + E[v 1 ] + E[v ] + + E[v ] = y Varianza VAR[y ] = VAR[v 1 + v + + v ] = E[v 1 ] + E[v ] + + E[v ] = σ v La media es consane y la varianza no es consane, por lo que la serie de caminaa aleaoria es no esacionaria. Un ejemplo de ese ipo de caminaa aleaoria es el proceso y = y 1 + v en el que ρ = 1 y no hay endencia deerminísica. En la descomposición de y = y + s=1 v s, el érmino s=1 v s es denominado endencia esocásica. Caminaa aleaoria con drif o deriva Considerando el caso especial de ρ = 1 en el modelo AR(1) de la expresión (1.a) con un inercepo α y = α + y 1 + v (1.3b) La solución por recursividad en =1 y 1 = α + y + v 1 en = y = α + y 1 + v = α + (α + y + v 1 ) + v = α + y + generalizando en y = α + y 1 + v = α + y + Media s=1 v s s=1 v s E[y ] = E[α + y + s=1 v s ] = α + y + E[ s=1 v s ] = α + y + s=1 E[v s ] = α + y o Varianza VAR[y ] = VAR[v 1 + v + v v ] = E[v 1 ] + E[v ] + + E[v ] = σ v La media y la varianza no son consanes, dependen de, por lo que la serie de caminaa aleaoria con drif es no esacionaria. Un ejemplo de ese ipo de caminaa aleaoria es el proceso y =.1 + y 1 + v.
11 Caminaa aleaoria con drif y endencia Considerando el caso especial de ρ = 1 en el modelo AR(1) de la expresión (1.a) con un inercepo α y endencia y = α + δ + y 1 + v (1.3c) La solución por recursividad en =1 y 1 = α + δ + y + v 1 en = y = α + δ + y 1 + v = α + δ + (α + δ + y + v 1 ) + v = α + 3δ + y + v s generalizando en y = α + δ + y 1 + v = α + ( (+1) ) δ + y + v s En el resulado anerior se oma en cuena el resulado aplicable a la progresión geomérica s= = ( + 1) Se deja como ejercicio desarrollar E[y ] y VAR[y ] para obener dos punos adicionales en la evaluación final. Es claro que para ese proceso que la media y la varianza no son consanes, dependen de, por lo que el proceso de caminaa aleaoria con drif α y endencia es no esacionaria. s=1 Regresiones espurias Deecar si una serie de iempo y es esacionaria o no, anes de realizar el análisis economérico es imporane para no incurrir en el riesgo de obener resulados aparenemene significaivos a parir de daos no relacionados al emplear series no esacionarias. Esas regresiones son espurias. Para ilusrar ese problema consideremos dos series independienes de caminaa aleaoria rw 1 : y = y 1 + v 1 rw : x = x 1 + v donde v 1 y v son errores independienes N(,1). Las series se generan independienemene, de manera que una no iene relación con la ora. A coninuación, un caso ilusraivo
12 use "C:\poe4\spurious.da", clear gen ime = _n sse ime regress rw1 rw esa bgodfrey sline rw1 rw, name(g1, replace) scaer rw1 rw, name(g, replace) rw 1 = rw, R =.7 ( = 4.837) RW process 4 6 RW process ime RW process RW process 4 6 RW process
13 Cuando se esima un modelo de regresión con series de iempo no esacionarias, los resulados pueden indicar espuriamene una relación significaiva, cuando ésa no exise. Típicamene, los residuales de esas regresiones se muesran alamene correlacionados. En esos casos, los esimadores de mínimos cuadrados ordinarios no cumplen con las propiedades usuales y los esadísicos no son confiables. En virud de ese problema laene, cómo probar esacionariedad en una serie de iempo? y cómo manejar el análisis de regresión con daos no esacionarios? Pruebas Dickey-Fuller de raíces uniarias para esacionariedad La manera formal de probar esacionariedad es examinando el valor de ρ en el modelo AR(1). Casos 1. Proceso AR(1) sin consane y sin endencia A parir de y = ρy 1 + v (1.4) donde v es independiene con media cero y varianza consane σ v. Resando y 1 en ambos lados de la igualdad se obiene la ecuación de prueba y y 1 = ρy 1 y 1 + v o equivalenemene y = (ρ 1)y 1 + v y = γy 1 + v (1.5a) donde γ = ρ 1 y y = y y 1. El conrase de hipóesis es H o ρ = 1 para no esacionariedad conra H a ρ < 1 para esacionariedad. Enonces, la hipóesis puede planearse en érminos de ρ o de γ : H ρ = 1 H γ = H 1 ρ < 1 H 1 γ < Si no se rechaza H la serie corresponde a un proceso no esacionario, γ =, es decir ρ 1 =, que equivale a ρ = 1. Si se rechaza H la serie corresponde a un proceso esacionario.. Proceso AR(1) con consane y sin endencia A parir de y = α + ρy 1 + v donde v es independiene con media cero y varianza consane σ v. Resando y 1 en ambos lados de la igualdad y y 1 = α + ρy 1 y 1 + v
14 se obiene la ecuación de prueba y = α + (ρ 1)y 1 + v o equivalenemene y = α + γy 1 + v (1.5b) donde γ = ρ 1 y y = y y 1. El conrase de hipóesis es H o ρ = 1 para no esacionariedad conra H a ρ < 1 para esacionariedad. Enonces, la hipóesis puede planearse en érminos de ρ o de γ : H ρ = 1 H γ = H 1 ρ < 1 H 1 γ < Si no se rechaza H la serie corresponde a un proceso no esacionario, γ =, es decir ρ 1 =, que equivale a ρ = 1. Si se rechaza H la serie corresponde a un proceso esacionario. 3. Proceso AR(1) con consane y con endencia A parir de y = α + ρy 1 + λ + v donde v es independiene con media cero y varianza consane σ v. Resando y 1 en ambos lados de la igualdad se obiene la ecuación de prueba y y 1 = α + ρy 1 y 1 + λ + v o equivalenemene y = α + (ρ 1)y 1 + λ + v y = α + γy 1 + λ + v (1.5c) donde γ = ρ 1 y y = y y 1. El conrase de hipóesis es H o ρ = 1 para no esacionariedad conra H a ρ < 1 para esacionariedad. Enonces, la hipóesis puede planearse en érminos de ρ o de γ : H ρ = 1 H γ = H a ρ < 1 H a γ < Si no se rechaza H la serie corresponde a un proceso no esacionario, γ =, es decir ρ 1 =, que equivale a ρ = 1. Si se rechaza H la serie corresponde a un proceso esacionario.
15 Los valores críicos de la prueba Dickey-Fuller El esadísico calculado para la prueba Dickey-Fuller es denominado esadísico τ y su valor debe ser comparado con el correspondiene valor críico τ c a un nivel de significancia dado. La regla de decisión: si τ τ c se rechaza la hipóesis nula de no esacionariedad. Si τ > τ c no se rechaza la hipóesis nula. Si el érmino de error esá auocorrelacionado, se iene la ecuación con inercepo exendida en un número suficiene de érminos de rezago que capuran la dinámica complea del proceso. Dicha ecuación es y = α + γy 1 + m s=1 a s y s + v (1.6) donde y 1 = y 1 y, y = y y 3, Se agregarán anos érminos de rezago de la primera diferencia como sean necesarios que aseguren que los residuales no esén correlacionados. También se puede considerar incluir rezagos de la variable dependiene. El número de rezagos necesario puede deerminarse examinando la función de auocorrelación (ACF) de los residuales v o la significancia de los coeficienes esimados de los rezagos de primera diferencia a s. Con base en (1.6) las pruebas de raíces uniarias y sus varianes (sin inercepo o con endencia) son conocidas como pruebas Dickey-Fuller aumenadas. En la prácica se uilizan las pruebas Dickey-Fuller aumenadas (en lugar de la versión no aumenada) para asegurar que los errores son no correlacionados. En odo caso son empleados los valores críicos de la siguiene abla presenada en el exo de R. Carer Hill, William E. Griffihs y Guay C. Lim (1)
16 Procedimienos para la prueba Dickey-Fuller Los valores críicos de las pruebas Dickey-Fuller se derivan de las siguienes simulaciones Proceso verdadero Ecuación de prueba y = y 1 + v v ~N(, σ ) y = ρy 1 + v y = y 1 + v v ~N(, σ ) y = α + ρy 1 + v y = δ + y 1 + v v ~N(, σ ) y = α + ρy 1 + λ + v Primero, elaborar la gráfica de la serie de iempo de la variable y seleccionar la prueba Dickey-Fuller adecuada con base en una inspección visual de la gráfica. i) Si la serie flucúa en orno a una media muesral de cero, emplear la prueba para el modelo sin consane y sin endencia. ii) iii) Si la serie flucúa en orno a una media muesral diferene de cero, emplear la prueba para el modelo con consane y sin endencia. Si la serie flucúa en orno a una endencia lineal, emplear la prueba para el modelo con consane y con endencia. Segundo, proceder con una de las prueba de raíz uniaria omando en cuena que es imporane la elección correca de los valores críicos de acuerdo con la ecuación de prueba esimada, la cual, depende de la ausencia o presencia de los érminos consane y de endencia. Las pruebas Dickey-Fuller: ejemplo Considere dos series de iempo de asas de inerés: la asa de rendimieno de fondos federales F y la asa de rendimieno de un bono a res años B. En las gráficas respecivas de primeras diferencias se observa una media disina de cero, por lo que se realizará la prueba con la ecuación con consane y sin endencia. El modelo (1.6) con los rezagos requeridos de acuerdo a su significancia es para F F = α + γf 1 + a s F s + v m s=1
17 para B B = α + γb 1 + a s B s + v m s=1 En Saa use "C:\poe4\usa.da", clear gen dae = q(1984q1) + _n - 1 forma %q dae sse dae * Augmened Dickey Fuller Regressions wih buil in funcions dfuller f, regress lags(1) dfuller b, regress lags(1) F = F F 1 (au) (.55) B =.37.56B B 1 (au) (.73)
Regresión con datos de series de tiempo: Variables no estacionarias
Regresión con datos de series de tiempo: Variables no estacionarias En estas notas se desarrollan los aspectos teóricos y prácticos del capítulo 12 de los libros de texto de R. Carter Hill, William E.
Más detallesModelo de Vector de Corrección de Error (VEC) y Modelo de Vector Autorregresivo (VAR)
Modelo de Vecor de Corrección de Error (VEC) Modelo de Vecor Auorregresivo (VAR) Hemos esudiado las propiedades de los daos de series de iempo las relaciones de coinegración enre pares de series no esacionarias.
Más detallesSesión 2 Análisis univariado de series de tiempo
Banco Cenral de Reserva del Perú 55º Curso de Exensión Universiaria Economería Prof. Juan F. Casro Sesión Análisis univariado de series de iempo 4. Series de iempo esacionarias 4.. Qué enendemos por proceso
Más detallesEJC 19: PRUEBAS DE ESTACIONARIEDAD-RAIZ UNITARIA
EJC 19: PRUEBAS DE ESTACIONARIEDAD-RAIZ UNITARIA Coninuando con la serie de serie de venas de auomóviles (4x4) para Colombia desde el primer rimesre de 1970 hasa el segundo rimesre de 1987. Periodo Y Periodo
Más detallesCURSO INTERNACIONAL: CONSTRUCCIÓN DE ESCENARIOS ECONÓMICOS Y ECONOMETRÍA AVANZADA. Instructor: Horacio Catalán
CURSO INTERNACIONAL: CONSTRUCCIÓN DE ESCENARIOS ECONÓMICOS Y ECONOMETRÍA AVANZADA Insrucor: Horacio Caalán TEORÍA DE COINTEGRACIÓN Efecos de las propiedades esocásicas de las series en un modelo de regresión
Más detallesde precios entre distintas regiones, ciudades o países, probando la validez de la PPC y LUP, Taylor (2000), señala que, para que este modelo esté bien
3. El modelo de convergencia de precios 1, se origina para explicar las diferencias de precios enre disinas regiones, ciudades o países, probando la validez de la PPC y LUP, Taylor (000), señala que, para
Más detallesGUÍA DE EJERCICIOS 3 ECONOMETRÍA II., se quiere decidir sobre el número de raíces unitarias mediante un test Dickey-Fuller del tipo
GUÍA DE EJERCICIOS 3 ECONOMETRÍA II 1) Para una deerminada serie, y, se quiere decidir sobre el número de raíces uniarias mediane un es Dickey-Fuller del ipo y y 1 p i 2 y i i 1 Responda a las siguienes
Más detallesTema 3. Especificación, estimación y validación de modelos ARIMA
Tema 3. Especificación, esimación y validación de modelos ARIMA. La Meodología Box-Jenkins. Especificación inicial.. Conrases de raíces uniarias.. Análisis de correlogramas y correlogramas parciales 3.
Más detallesTODO ECONOMETRÍA. Autocorrelación
TODO ECONOMETRÍA Auocorrelación Índice Definición Causas Consecuencias Deección Medidas correcivas Definición de la auocorrelación Definición de auocorrelación La perurbación de una observación cualquiera
Más detallesModelo de Vector de Corrección de Error (VEC) y Modelo de Vector Autorregresivo (VAR) + 1
Modelo de Vecor de Corrección de Error (VEC) Modelo de Vecor Auorregresivo (VAR) Hemos esudiado las propiedades de los daos de series de iempo las relaciones de coinegración enre pares de series no esacionarias.
Más detallesEjercicios de Econometría para el tema 4 Curso Profesores Amparo Sancho Amparo Sancho Guadalupe Serrano Pedro Perez
Ejercicios de Economería para el ema 4 Curso 2005-06 Profesores Amparo Sancho Amparo Sancho Guadalupe Serrano Pedro Perez 1 1. Considérese el modelo siguiene: Y X + u * = α + β 0 Donde: Y* = gasos deseados
Más detallesSesión 2 Análisis univariado de series de tiempo. 5. Series de tiempo no estacionarias en media
Banco Cenral de Reserva del Perú 55º Curso de Exensión Universiaria Economería Prof. Juan F. Casro Sesión 2 Análisis univariado de series de iempo 5. Series de iempo no esacionarias en media La maoría
Más detallesECONOMETRÍA EMPRESARIAL II ADE
4 Bernardí Cabrer Economería Empresarial II Tema 8 ECONOMETRÍA EMPRESARIAL II ADE TEMA 8 MODELOS LINEALES SIN ESTACIONALIDAD I ( Modelos regulares 4 Bernardí Cabrer Economería Empresarial II Tema 8 8.
Más detallesLA METODOLOGÍA DE VECTORES AUTORREGRESIVOS (VAR)
LA METODOLOGÍA DE VECTORES AUTORREGRESIVOS (VAR) ESPECIFICACION La meodología VAR es, en ciera forma, una respuesa a la imposición de resricciones a priori que caraceriza a los modelos economéricos keynesianos:
Más detallesINTRODUCCIÓN AL ANÁLISIS DE SERIES DE TIEMPO
INTRODUCCIÓN AL ANÁLISIS DE SERIES DE TIEMPO Forino Vela Peón fvela@correo.xoc.uam.mx Noviembre, 009 Enfoque moderno del análisis de series de iempo Los fenómenos dinámicos que observamos mediane series
Más detallesCurso 2006/07. Tema 1: Procesos Estocásticos. Caracterización de los procesos ARIMA. stico
Curso 6/7 Economería II Tema : Procesos Esocásicos. Caracerización de los procesos ARIMA. Concepo de proceso esocásico sico. Esacionariedad fuere y débil de los procesos esocásicos. Teoremas de ergodicidad
Más detallesECONOMETRÍA II CURSO Segunda evaluación parcial. donde y son variables artificiales centradas relativas al trimestre i.
ECONOMETRÍA II CURSO 2008 Segunda evaluación parcial ) Suponga dos procesos diferenes para la variable rimesral donde y son variables arificiales cenradas relaivas al rimesre i. Responda si las siguienes
Más detallesEXAMEN FINAL DE ECONOMETRIA, 3º CURSO (GRADOS EN ECO y ADE) 28 de Junio de :00 horas. Pregunta 19 A B C En Blanco. Pregunta 18 A B C En Blanco
EXAMEN FINAL DE ECONOMETRIA, 3º CURSO (GRADOS EN ECO y ADE) 28 de Junio de 2013 12:00 horas Primer Apellido: Nombre: DNI: Teléfono: Segundo Apellido: Grupo y Grado: Profesor(a): e mail: Preguna 1 A B C
Más detallesNotas sobre Análisis de Series de Tiempo: Estacionariedad, Integración y Cointegración
Noes on Time Series Analysis:\Saionariy, Inegraion and Coinegraion hp://www.personal.rdg.ac.uk/~lessda/lecure3.hm Noas sobre Análisis de Series de Tiempo: Esacionariedad, Inegración y Coinegración Generalidades
Más detallesExamen de Econometría II 12 de Enero de 2010
Examen de Economería II 12 de Enero de 2010 ---------------------------------------------------------------------------------------- Apellidos y Nombres: Grupo: ----------------------------------------------------------------------------------------
Más detallesEconometría II LADE/LADE-Derecho. Curso 2004/2005. Hoja de ejercicios 1. Soluciones sugeridas PARTE A
Economería II LADE/LADE-Derecho Curso 004/005 Hoja de ejercicios 1 Soluciones sugeridas PARTE A Respuesas correcas en negria, cursiva y con A.1. Se ha modelizado la variable v de dos modos diferenes: (1)
Más detallesPROCESOS NO ESTACIONARIOS: TEST DE RAICES UNITARIAS Y COINTEGRACION
Apunes de eoría Economérica I. Profesor: Viviana Fernández PROCESOS NO ESACIONARIOS: ES DE RAICES UNIARIAS Y COINEGRACION I INRODUCCION Una serie emporal que presena una endencia deerminísica puede ser
Más detallesNombre y Apellidos:... EXAMEN de TECNICAS ECONOMETRICAS (Enero 2013)
Nombre y Apellidos:... NIU:... Grupo Reducido:... EXAMEN de TECNICAS ECONOMETRICAS (Enero 2013) Lea cuidadosamene cada preguna. Marque muy claramene la respuesa de cada preguna en la hoja de respuesas.
Más detallesy t = α 0 + α 1t + γ(l)ε (16.1)
CAPITULO 6 MODELOS DE SERIES DE TIEMPO NO ESTACIONARIAS 6.. INTRODUCCIÓN El análisis esadísico radicional de series de iempo, presenado en capíulo anerior, supone la exisencia de la propiedad esadísica
Más detallesCurso 2006/07. Tema 2: El incumplimiento de la hipótesis de estacionariedad. Cómo resolverla. 2. La falta de estacionariedad en varianza
Economería II Tema 2: El incumplimieno de la hipóesis de esacionariedad. Cómo resolverla. Inroducción 2. La fala de esacionariedad en varianza 3. La fala de esacionariedad en media Tema 2 2. Inroducción
Más detallesEstimación de modelos de volatilidad estocástica asimétrica. Aplicación en series de rendimientos de índices bursátiles.
Esimación de modelos de volailidad esocásica asimérica. Aplicación en series de rendimienos de índices bursáiles. Esimación de modelos de volailidad esocásica asimérica. Aplicación en series de rendimienos
Más detallesAnálisis Estadístico de Datos Climáticos
Análisis Esadísico de Daos Climáicos SERIES TEMPORALES I Mario Bidegain (FC) Alvaro Diaz (FI) Universidad de la República Monevideo, Uruguay 2011 CONTENIDO Esudio de las series emporales en Climaología.
Más detallesSEÑALES Y SISTEMAS - AÑO 2017 Práctica 3 Clasificación de Sistemas. Sistemas Lineales (SL). Convolución. Procesos estocásticos a través de SL.
SEÑALES Y SISTEMAS - AÑO 07 Prácica Clasificación de Sisemas. Sisemas Lineales (SL). Convolución. Procesos esocásicos a ravés de SL.. Invarianza al Desplazamieno Considere el sisema y[n] = x[n ]. a) Deermine
Más detallesLECTURA 07: PRUEBA DE HIPÓTESIS (PARTE I) TEMA 15: PRUEBA DE HIPOTESIS: DEFINICIONES GENERALES
LECTURA 7: PRUEBA DE HIPÓTESIS (PARTE I) TEMA 15: PRUEBA DE HIPOTESIS: DEFINICIONES GENERALES 1 INTRODUCCION El propósio de análisis esadísico es reducir el nivel de inceridumbre en el proceso de decisiones
Más detallesEconometría II LADE/LADE-Derecho. Curso 2004/2005. Hoja de ejercicios 2. Soluciones sugeridas PARTE A
Economería II LADE/LADE-Derecho Economería II LADE/LADE-Derecho Curso 004/005 Hoja de ejercicios Soluciones sugeridas PARTE A Respuesas correcas en negria, cursiva y con A.. Dado los dos siguienes procesos:
Más detallesSistemas lineales con ruido blanco
Capíulo 3 Sisemas lineales con ruido blanco 3.1. Ruido Blanco En la prácica se encuenra procesos esocásicos escalares u con media cero y la propiedad de que w( 1 ) y w( 2 ) no esán correlacionados aún
Más detalles12/10/2010. No independencia de los errores: autocorrelación. Estructura de la varianza bajo un proceso AR (1) Estructura AR (1) de la varianza
// No independencia de los errores: auocorrelación Forino Vela Peón Universidad Auónoma Meropoliana fvela@correoxocuammx Ocubre, // México, D F Esrucura de la varianza bajo un proceso AR () Para deerminar
Más detallesAnálisis estocástico de series temporales
Análisis esocásico de series emporales Ernes Pons (epons@ub.edu) Análisis esocásico de Series Temporales Moivación Ejemplos 4500000 8 4000000 6 3500000 4 3000000 2 0 2500000-2 2000000-4 500000-6 000000-8
Más detalles4. Modelos de series de tiempo
4. Modelos de series de iempo Los modelos comunes para el análisis de series de iempo son los que se basan en modelos auorregresivos y modelos de medias móviles o una combinación de ambos. Es posible realizar
Más detallesCapítulo Suponga que la función de producción para el país X es la siguiente:
Capíulo 5 BREVE HISTORIA Y CONCEPTOS INTRODUCTORIOS A A TEORÍA DE CRECIMIENTO. Suponga que la función de producción para el país X es la siguiene: Q= F( K, ) = A K a) Cuál de los dos facores, rabajo o
Más detallesECUACIONES DIFERENCIALES
Tema 1 ECUACIONES DIFERENCIALES EJERCICIO 1 Comprobar que la función y() = c 2 ++3 es una solución del problema de valor inicial 2 y 2y + 2y = 6, y(0) = 3, y (0) = 1, (1.1) en <
Más detallesComentarios de la Nota Técnica sobre la Determinación del Incremento de la Reserva de Previsión
Comenarios de la Noa Técnica sobre la Deerminación del Incremeno de la Reserva de Previsión Fernando Solís Soberón y Rosa María Alaorre Junio 1992 Serie Documenos de Trabajo Documeno de rabajo No. 3 Índice
Más detallesPRÁCTICA 2: Ejercicios del capítulo 4
PRÁCTICA : Ejercicios del capíulo 4. Un psicólogo clínico desea evaluar la eficacia de una erapia para reducir la ansiedad de los ejecuivos que padecen esrés en la oma de decisiones empresariales. Para
Más detalles5. Modelos dinámicos
5. Modelos dinámicos Los modelos lineales dinámicos son un caso paricular de una clase más grande de modelos dinámicos. En general los modelos dinámicos se caracerizan por ener una dinámica en los parámeros
Más detallesNombre y Apellidos:... EXAMEN de TÉCNICAS ECONOMÉTRICAS (Enero 2015) (SOLUCIONES)
Nombre y Apellidos:... NIU:... Grupo Reducido:... EXAMEN de TÉCNICAS ECONOMÉTRICAS (Enero 2015) (SOLUCIONES) Lea cuidadosamene cada preguna. Marque muy claramene la respuesa de cada preguna en la hoja
Más detallesComplejidad de modelos: Sesgo y Varianza
Complejidad de modelos: Sesgo y Varianza 17 de abril de 2008 Noas de clase. Rolando Belrán A Las medidas de sesgo y varianza son úiles para los modeladores en ano que ayudan a regular la complejidad del
Más detallesANÁLISIS DE LAS TASAS DE DESOCUPACIÓN DEL GRAN ROSARIO Y GRAN BUENOS AIRES A TRAVÉS DE MODELOS UNIVARIADOS DE SERIES DE TIEMPO (1º º 2002)
Ocavas Jornadas "Invesigaciones en la Faculad" de Ciencias Económicas y Esadísica, noviembre de 003. Blaconá, María Teresa* Bussi, Javier** Venroni, Nora** *Insiuo de Invesigaciones Teóricas y Aplicadas
Más detallesAnálisis de Series Temporales. Jose Jacobo Zubcoff. Departamento de Ciencias del Mar y Biología Aplicada
Análisis de Series Temporales Jose Jacobo Zubcoff Deparameno de Ciencias del Mar y Biología Aplicada Inroducción al análisis de series emporales Objeivo: analizar la evolución de una variable a ravés del
Más detallesCAPITULO IV DESARROLLO DE LA INVESTIGACIÓN. En este capítulo se expondrán los métodos utilizados para el pronóstico de los siniestros
CAPITULO IV DESARROLLO DE LA INVESTIGACIÓN En ese capíulo se expondrán los méodos uilizados para el pronósico de los siniesros del seguro de Gasos Médicos Mayores, con base en los daos proporcionados por
Más detallesLicenciatura de ADE y Licenciatura conjunta Derecho y ADE. Hoja de ejercicios 3
Licenciaura de ADE y Licenciaura conjuna Derecho y ADE Hoja de ejercicios 3 Ejercicio 1 El análisis de series emporales puede aplicarse a la resolución de muliud de problemas económicos. Uno de los que
Más detallesECONOMETRÍA II 1. La Econometría de Series de Tiempo
ECONOMETRÍA II. La Economería de Series de Tiempo Economería II Noas de clase.. Análisis Univariado de Series de Tiempo... Series de Tiempo Esacionarias Análisis univariado: se idenifica cada variable
Más detallesProcesos Estocásticos. Procesos Estocásticos. Procesos Estocásticos. 1 Introducción y conceptos básicos. Al final del tema el alumno será capaz de:
Procesos socásicos Procesos socásicos I Inroducción y concepos básicos sadísicos de un proceso esocásico Referencias: Capíulo 8 de Inroducción a los Sisemas de Comunicación. Sremler, C.G. 993 Apunes de
Más detallesCOBERTURA DE CARTERAS ÍNDICE DE RENTA VARIABLE CON FUTUROS SOBRE EL IBEX 35
UNIVERSIDAD COMPLUTENSE DE MADRID FACULTAD DE CIENCIAS ECONÓMICAS Y EMPRESARIALES Deparameno de Economía Financiera y Conabilidad III (Economía y Adminisración Financiera de la Empresa) COBERTURA DE CARTERAS
Más detalles11. PREVISIÓN DE LA DEMANDA
. PREVIIÓN E LA EMANA. INROUCCIÓN Anes de comenzar a desarrollar las cuenas previsionales de exploación, la empresa iene que realizar una esimación del volumen de venas que generará la acividad diaria
Más detallesrepresentando la relación existente entre los datos observados en un instante y los observados en el instante anterior.
ALISADO SERIES EMPORALES Faculad Ciencias Económicas y Empresariales Deparameno de Economía Aplicada Profesor: Saniago de la Fuene Fernández ANÁLISIS DE AUOCORRELACIÓN Dada la serie emporal ( X ) ( X,X,,X
Más detallesE C O N O M E T R I A
UNIVERSIDAD NACIONAL DE PIURA FACULAD DE ECONOMIA DPO. DE ECONOMERIA Y MEODOS CUANIAIVOS E C O N O M E R I A I M. Sc. Eco. LUIS A. ROSALES GARCÍA CASILLA, AGOSO DEL 001 CAPIULO I PERURBACIONES AUOCORRELACIONADAS
Más detallesh + para cualquier m 1, 5.2. Modelo E-GARCH Introducción
5.2. Modelo E-GARCH Inroducción Los modelos GARCH exponenciales nacen a parir de la publicación de Daniel Nelson (99) sobre heerocedasicidad condicional en los modelos de renabilidad de acivos. Dicho auor
Más detallesPATRON = TENDENCIA, CICLO Y ESTACIONALIDAD
Pronósicos II Un maemáico, como un pinor o un poea, es un fabricane de modelos. Si sus modelos son más duraderos que los de esos úlimos, es debido a que esán hechos de ideas. Los modelos del maemáico,
Más detallesEconometría II. Análisis de series temporales (I): Procesos estacionarios. Miguel Jerez y Sonia Sotoca Universidad Complutense de Madrid.
Economería II Análisis de series emporales (I): Procesos esacionarios Miguel Jerez y Sonia Sooca Universidad Compluense de Madrid Febrero 2004 Ver. /6/2003, Pag. # Índice: Inroducción Concepos básicos
Más detallesModelos estacionarios de series temporales
Modelos esacionarios de series emporales Inroducción En ese capíulo se presena una meodología para analizar una serie emporal X, únicamene en función de los valores pasados de dicha serie. La idea básica
Más detallesModelo 2 OPCIÓN A. A y B AB se puede realizar porqueel n decolumnas de Aesigual al n de filas de B AB. t t t
Insrucciones: a) Duración: 1 hora y 3 minuos. b) Elija una de las dos opciones propuesas y conese los ejercicios de la opción elegida. c) En cada ejercicio, pare o aparado se indica la punuación máxima
Más detallesPROPIEDADES DE LOS ESTIMADORES MCO Profesor Rafael de Arce
Economería I. DADE Noas de Clase PROPIEDADES DE LOS ESTIMADORES MCO Profesor Rafael de Arce (rafael.dearce@uam.es) INTRODUCCIÓN Una vez lograda una expresión maricial para la esimación de los parámeros
Más detallesEconometría de Series de Tiempo 1
Economería de Series de Tiempo Economería II Prof. Arlee Belran Barco En esa sección, se desarrollará un análisis de la economería de series de iempo que abarcará res grandes emas: el análisis univariado,
Más detallesConceptos básicos y aspectos matemáticos sobre el análisis de raíces unitarias y cointegración
Concepos básicos y aspecos maemáicos sobre el análisis de raíces uniarias y coinegración Carlos A. Rodríguez Ramos * La unidad de la eoría y la prácica no se da sólo en la eoría, sino que subsise ambién
Más detallesHoja de Ejercicios de Econometría: Autocorrelación
Hoja de Ejercicios de Economería: Auocorrelación Ejercicio Un invesigador ha esimado por MCO un modelo de relación enre el consumo ( C ), su pasado y la rena ( R ): () C = β + βc + βr + ε obeniendo los
Más detallesSOLUCION NUMERICA DE ECUACIONES DIFERENCIALES ORDINARIAS.
SOLUCION NUMERICA DE ECUACIONES DIFERENCIALES ORDINARIAS. El objeivo de esas noas complemenarias al ema de solución numérica de ecuaciones diferenciales ordinarias es dar una inroducción simple al ema,
Más detallesTEMA 4: AUTOCORRELACIÓN
Economería. Tema 4. Pilar Abad TEMA 4: AUTOCORRELACIÓN Wooldridge: Capíulo Gujarai: Capíulo 4 El análisis aplicado de muchos fenómenos económicos exige relajar el supueso de No Auocorrelación que se hace
Más detallesSeries Temporales Univariantes
Profesoras Carolina García-Maros (garcia.maros@upm.es) María Jesús Sánchez Naranjo (mjsan@esii.upm.es) ÍNDICE Inroducción a las series emporales (objeivos, clasificación de los modelos de series, análisis
Más detallesLuis H. Villalpando Venegas,
2007 Luis H. Villalpando Venegas, [SIMULACIÓN DE PRECIOS DEL PETROLEO BRENT ] En ese rabajo se preende simular el precio del peróleo Bren, a ravés de un proceso esocásico con reversión a la media, con
Más detalles1. Derivadas de funciones de una variable. Recta tangente.
1. Derivadas de funciones de una variable. Reca angene. Derivadas Vamos a ver en ese capíulo la generalización del concepo de derivada de funciones reales de una variable a funciones vecoriales con varias
Más detallesCAPÍTULO II. MARCO TEÓRICO Y CONCEPTUAL. Las investigaciones que retoman FWL para desarrollar sus propios modelos son: la
Capíulo II CAPÍTULO II. MARCO TEÓRICO Y CONCEPTUAL. 2.. Anecedenes. Las invesigaciones que reoman FWL para desarrollar sus propios modelos son: la invesigación de Sloan (996) y la invesigación de Felham
Más detallesR 2 = 0,9945 R 2 = 0,9937
II EXÁMENES DE ECONOMETRÍA 1 Se han esimado con una muesra de 39 observaciones las siguienes funciones de producción por el méodo de MCO: ˆ 1,3,3,55 O ˆ = α L K e R =,9945 ˆ ˆ 1,41,47 O = β L K R =,9937
Más detallesECONOMETRÍA APLICADA A LA TOMA DE DECISIONES
ECONOMETRÍA APLICADA A LA TOMA DE DECISIONES EMPRESARIALES Lección 3: Heeroscedasicidad. S jm1 Diaposiiva 1 jm1 Se agradece la conribución de los profesores Arranz, Suárez y Zamora, cuyos maeriales de
Más detallesDeterminación de las garantías para el contrato de futuros de soja en pesos. Value at Risk
Deerminación de las garanías para el conrao de fuuros de soja en pesos. Value a Risk Gabriela acciano inancial Risk Manager gfacciano@bcr.com.ar Direcora Deparameno de Capaciación y Desarrollo de Mercados
Más detallesM O D E L O S D E I N V E N T A R I O
nvesigación Operaiva Faculad de iencias Exacas - UNPBA M O E L O E N V E N T A O El objeivo de la eoría de modelos de invenario es deerminar las reglas que pueden uilizar los encargados de gesión para
Más detallesD to de Economía Aplicada Cuantitativa I Basilio Sanz Carnero
D o de Economía Aplicada Cuaniaiva I Basilio Sanz Carnero PROCESO PURAMENTE ALEATORIO (RB) Es el proceso esacionario puramene aleaorio es concepualmene el más sencillo de odos y ambién en el que se basan
Más detallesModelos Markov con Probabilidades de Transición Variantes: Una Aplicación al Análisis de Crisis Cambiarias
Modelos Markov con Probabilidades de ransición Varianes: Una Aplicación al Análisis de Crisis Cambiarias Albero Humala XXIV Encuenro de Economisas Gerencia de Esudios Económicos 13 15 Diciembre Moivación
Más detallesMODELO JUNIO 2005 MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES II
Modelo de eamen Junio MODELO JUNIO MTEMÁTICS PLICDS LS CIENCIS SOCILES II OPCIÓN. (Punuación máima: punos) Se dice que una mari cuadrada es orogonal si T I: Noa: La noación T significa mari ranspuesa de.
Más detallesEstadística Industrial. Universidad Carlos III de Madrid Series temporales Práctica 3
Esadísica Indusrial Universidad Carlos III de Madrid Series emporales Prácica 3 Objeivos: Coninuar con la idenificación de procesos auoregresivos (AR) y de media móvil (MA), mediane la función de auocorrelación
Más detallesTema 9 Aprendizaje por la práctica y desbordamiento del conocimiento. El modelo de Romer (1986)
Tema 9 Aprendizaje por la prácica y desbordamieno del conocimieno. El modelo de Romer (986) 9. Aprendizaje por la prácica y desbordamieno del conocimieno. 9.2 os modelos de mercado y de familias producoras.
Más detallesY K AN AN AN MODELO SOLOW MODELO
MODELO SOLOW MODELO Rendimienos consanes a escala decrecienes en uso de facores. Tasa de ahorro exógena, s. Crecimieno exógeno, a asa g, de eficiencia del rabajo. Equilibrio mercado de bienes de facores.
Más detallesUnidad II. Modelos de regresión con series de tiempo: variables estacionarias. i) y ii) Modelo autorregresivo de rezagos distribuidos (ARDL)
Unidad II. Modelos de regresión con series de tiempo: variables estacionarias 1. El contexto dinámico y las series de tiempo i) Modelo de rezago distribuido (DL) y f ( x, x, x,...) t t t 1 t 2 (9.1) ii)
Más detalles2. Información Utilizada Para la calibración y validación
ANEXO 4. FORMACIÓN DEL PRECIO DE BOLSA (DESPACHO REAL E IDEAL) (MODELO DE SIMULACIÓN). Definiciones El precio de bolsa corresponde al precio de ofera del recurso que genera el MW marginal no flexible que
Más detallesComo podrás observar, los valores de la última columna no son iguales a qué se debe esto, si para una función lineal sí resultaron iguales?
Razón de cambio de una función cuadráica Ejemplo.5 Un puno se desplaza en el plano describiendo el lugar geomérico correspondiene a la función f ( x x 6x 3. Obén la razón promedio de cambio. Considera
Más detallesAgradezo a mía tía Mary por todo su apoyo y paciencia, sin la cual nunca hubiera logrado mis objetivos profesionales. Todo se lo debo a ella.
D I D / / F K FD / / / / J O D L/ FKDK F OL/ DJEFDOFL/ M L6 IDO/ K/J F L/ :< 96;99 =/ K/DK IF F / LKLJ OF L / / F / / / N /MDOD/LE K O/ I/ IL/ =/ / / D DOFL/ / / MO K D=/ / KLJEO / I/DI JKL/ OD D I/JD
Más detallesCAPÍTULO 10 AUTOCORRELACIÓN. Fichero: capitulo 10.doc 1. INTRODUCCION. CAUSAS DE LA AUTOCORRELACION ENTRE LOS ERRORES.
CAPÍLO 0 AOCORRELACIÓN. Fichero: capiulo 0.doc. INRODCCION. CASAS DE LA AOCORRELACION ENRE LOS ERRORES. Como la heerocedasicidad, la auocorrelación es un caso de perurbaciones no esféricas pero a diferencia
Más detallesECONOMETRÍA APLICADA A LA TOMA DE DECISIONES
ECONOMERÍA APLICADA A LA OMA DE DECIIONE EMPREARIALE Lección 4: Auocorrelación. jm Diaposiiva jm e agradece la conribución de los profesores Arranz, uárez y Zamora, cuyos maeriales de clase se han uilizado
Más detallesCAPÍTULO IV. DESARROLLO DEL MÉTODO CREACIÓN DEL ÍNDICE DE RENTA FIJA MEXICANA
CAÍTULO IV. DESARROLLO DEL MÉTODO CREACIÓN DEL ÍNDICE DE RENTA FIJA MEXICANA Una vez definidos los crierios de inclusión y los bonos que se considerarán para el índice, y definir la meodología a seguir,
Más detallesECONOMETRÍA I. Autocorrelación. Autocorrelación. Lección 4: Autocorrelación. Siga. 1. Qué es un modelo con autocorrelación?
ECONOMERÍA I Lección 4: Auocorrelación. jm Auocorrelación.. Qué es un modelo con auocorrelación?. Con qué ipo de daos económicos se suelen presenar modelos auocorrelacionados? Auocorrelación. 3. Qué problemas
Más detallesCapítulo 20. REGRESORES ESTOCASTICOS
Capíulo 20. REGRESORES ESTOCASTICOS 20.. INTRODUCCIÓN... 860 CONSECUENCIAS SOBRE LA ESTIMACIÓN MCO... 862 DISTRIBUCIÓN CONDICIONADA... 866 CASO A. VARIABLE EXPLICATIVA ENDÓGENA CON RETARDO... 868 CASO
Más detallesMODELO ARIMA(p, d, q) (P, D, Q) s
SERIES TEMPORALES: MODELO ARIMA Faculad Ciencias Económicas y Empresariales Deparameno de Economía Aplicada Profesor: Saniago de la Fuene Fernández MODELO ARIMA(p, d, q) (P, D, Q) s Se han analizado las
Más detallesTEMA 7 La curva de Phillips
TEMA 7 La curva de Phillips Manual: Macroeconomía, Olivier Blanchard Presenaciones: Fernando e Yvonn Quijano La asa naural de desempleo y la curva de Phillips Figura 1 La inflación y el desempleo en Esados
Más detallesModelización univariante
Modelización univariane Miguel Jerez Universidad Compluense de Madrid Febrero 5 Slide # Índice Inroducción Procesos esocásicos elemenales Insrumenos de idenificación Idenificación y diagnosis Noación de
Más detallesFacultad de Ciencias del Mar. Curso 2007/08 11/07/08
Esadísica Convocaoria de Junio Faculad de Ciencias del ar. Curso 007/08 /07/08 El galludo (Squalus egalops) es una especie de iburón de aguas empladas a ropicales, que habia la plaaforma coninenal exerior
Más detallesCurso Combinado de Predicción y Simulación Edición 2004
Curso Combinado de Predicción y Simulación www.uam.es/predysim Edición 2004 UNIDAD 2: TÉCNICAS ELEENTALES DE PREDICCIÓN CASO DE APLICACIÓN 1.- Predicción y simulación de los coses salariales en España
Más detalles1. INTRODUCCIÓN. XVI Jornadas ASEPUMA IV Encuentro Internacional Vol Actas_16 Issue 1: 901
Esimación de un nuevo modelo de volailidad esocásica asimérico por umbrales (modelo TA-ARSV). Aplicación a series de rendimieno del precio medio de maerias primas Esimación de un nuevo modelo de volailidad
Más detallesMATEMÁTICAS II Examen del 28/05/2012 Solución Importante
MATEMÁTICAS II Examen del 8/05/0 Solución Imporane Las calificaciones se harán públicas en el aula virual el 08/06/0. La revisión será el /06/0 y el /06/0 de -3 horas en la sala D-4-. MATEMÁTICAS II 8/05/0
Más detallesExamen Final de Ecuaciones Diferenciales Septiembre 2007
Eamen Final de Ecuaciones Diferenciales Sepiembre 007 Problema La siguiene ecuación diferencial de primer orden se puede resolver por diferenes méodos según cómo se planee. d d = + () Conesar las siguienes
Más detallesLa Formulación de Black-Scholes con Jump Diffusion
La Formulación de Black-choles con Jump Diffusion INDICE: Análisis empírico y QQ Plo Movimieno browniano Disribución y proceso de Poisson Ampliación del EDP de Black-choles Coberura Dela /Arbiraje AR y
Más detallesTUTORIAL PARA LA ESTIMACIÒN DE UN MODELO CON VARIABLES DUMMY EN EasyReg. Julio César Alonso C.
TUTORIAL PARA LA ESTIMACIÒN DE UN MODELO CON VARIABLES DUMMY EN EasyReg Julio César Alonso C. No. 14 Marzo 2008 Apunes de Economía No. 14 APUNTES DE ECONOMÍA ISSN 1794-029X No. 14, Marzo de 2008 Edior
Más detallesMarch 2, 2009 CAPÍTULO 3: DERIVADAS PARCIALES Y DIFERENCIACIÓN
March 2, 2009 1. Derivadas Parciales y Funciones Diferenciables En ese capíulo, D denoa un subconjuno abiero de R n. Definición 1.1. Consideremos una función f : D R y sea p D, i = 1,, n. Definimos la
Más detallesCAPÍTULO III. METODOLOGÍA. En este capítulo se expondrán los diversos modelos de pronósticos así como su notación, la
CAPÍTULO III. METODOLOGÍA En ese capíulo se expondrán los diversos modelos de pronósicos así como su noación, la esimación de sus parámeros para poder enonces escoger el modelo que más se adecue a la Serie
Más detallesMODELOS PARA PRONOSTICAR SERIES DE TIEMPO FINANCIERAS CON REDES NEURONALES BACKPROPAGATION DEPENDIENTE DEL TIEMPO
MODELOS PARA PRONOSTICAR SERIES DE TIEMPO FINANCIERAS CON REDES NEURONALES BACKPROPAGATION DEPENDIENTE DEL TIEMPO Por: Dr. Jairo Peruz Campo. Físico, Con Esudios De Maesría En Física. Insrucor, Asesor
Más detallesTÓPICOS RECIENTES DE SERIES DE TIEMPO MULTIVARIADAS APLICADOS EN LA ECONOMÍA
Novenas Jornadas "Invesigaciones en la Faculad" de Ciencias Económicas Esadísica, noviembre de 2004. Blaconá, María Teresa Bussi, Javier Venroni, Nora Belrán, Celina Insiuo de Invesigaciones Teóricas Aplicadas
Más detallesTEMA VI: EL MODELO DE REGRESIÓN LIENAL SIMPLE
El modelo de regresión lineal simple EMA VI: EL MODELO DE REGREIÓN LIENAL IMPLE VI..- Inroducción. VI..- El modelo de regresión lineal simple. Propiedades. VI.3.- Obención de los esimadores por mínimos
Más detalles