LADE y DER-LADE. Primer evaluación parcial

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

Download "LADE y DER-LADE. Primer evaluación parcial"

Transcripción

1 ECONOMETRÍA II CURSO 2007 LADE y DER-LADE Primer evaluación parcial 1. Considere la variable y t para el proceso y t = c + φ y t 1 + a t, donde a t es un ruido blanco. Suponga para φ los valores φ = 0.3 (caso A) y φ = 0.8 (caso B). a) Describa la estructura de dependencia entre la variables y t y y t k, k > 0, en ambos casos. Comente si en cada uno de ellos existe una restricción y calcúlela. Comente, si es el caso, cómo esas restricciones particulares se generalizan para cualquier AR(1). b) En el caso φ < 1, discuta las características de la variable y t en función de valores de c 0. Cuál sería la característica de la variable y t si c < 0? 1

2 2. Para la serie X t de las que se tienen 120 observaciones, se ha propuesto el siguiente modelo anual. logx t = c + d t + β a t 1 + a t, (1) donde a t es un proceso ruido blanco y c, d y β son parámetros. Al analizar los datos con este modelo se detecta que en la serie temporal hay una ruptura en su crecimiento tendencial en la observación 63. a) Amplíe el modelo (1) con una variable adicional dígase, r t, para captar dicha ruptura tendencial y describa dicha variable. Denomine e al parámetro de la variable r t. b) Suponga que al estimar el modelo ampliado, dígase modelo (2), se obtiene que ĉ = 7.23 ˆd = 0.05 ê = ˆβ = 0.7 Describa la tendencia del modelo (2) e interprete los parámetros de la misma. Describa el componente estacional de (1) y sus diferencias con el de (2). c) Describa el modelo que siguen las desviaciones de logx t sobre su tendencia, denomine V t a dichas desviaciones. Existe o no dependencia temporal en V t? Cuál es la correlación entre V t y V t 4? 2

3 ECONOMETRÍA II CURSO 2007 LADE y DER-LADE Primer evaluación parcial 1. Sea el modelo y t = c + θa t 1 + a t, donde a t es un ruido blanco con varianza σ 2. Se supone además que θ < 1. a) Calcule la media marginal. Calcule la media condicional y compárela con la media marginal. Dé ejemplos en los que la media condicional sea superior a la marginal. La media condicional no es constante en el tiempo, sin embargo, el proceso es estacionario. Explique este hecho. b) Compare las varianzas marginal y condicional y señale en qué caso coincidirían. Discuta si la varianza condicional cambia a la largo del tiempo, tal como ocurría con la media condicional. Soluciones sugeridas: a) E(y t ) = c + θe(a t 1 ) + E(a t ) y a t es ruido blanco, en consecuencia, µ = E(y t ) = c. (1) Esperanza matemática condicional respecto todo el pasado anterior (I t 1 ): E(y t I t 1 ) = c + θa t 1. (2) La esperanza matemática condicional es igual a la esperanza marginal más el término θa t 1. Este término tiene como media el valor cero y por tanto no contribuye a µ, la media marginal de y t. Sin embargo, a t 1, aunque media cero, toma, en general, valores distintos de cero, que condicional a I t 1, son conocidos y entran, por tanto, en la media condicional de y t. Supóngase que θ > 0, entonces siempre que la innovación a t 1 cumpla a t 1 > 0 la media condicional será superior a la media marginal, y siempre que en este ejemplo a t 1 < 0 ocurrirá lo contrario. La media marginal es un parámetro fijo, c, en este caso, pero la media condicional depende además de los valores de las variables condicionantes. Estas son variables temporales y en este caso a t 1. Por eso la media condicional de y t que toma la expresión 1

4 (2) cambia en cada momento t, pues depende de una a t 1 diferente. Sin embargo, su estructura, recogida en (2), es fija, constante, válida para cualquier y t, pero como incluye valores de la innovación anterior el valor concreto de esa estructura fija (2) cambia con t. Pero siendo la estructura (2) fija la variable y t puede ser estacionaria, como ciertamente lo es, pues al seguir un modelo MA(1) su varianza y correlaciones temporales no dependen de t. b) Varianza marginal: γ 0 = V ar(y t ) = E(y t c) 2 = E(θa t 1 + a t ) = E(θ 2 a 2 t 1 + 2θa t 1 a t + a 2 t ) = θ 2 E(a 2 t 1) + 2θE(a t 1 a t ) + E(a 2 t ). (3) En (3) las esperanzas matemáticas de los términos al cuadrado son la varianza del proceso ruido blanco, es decir, σ 2 según el enunciado de la pregunta. El término E(a t 1 a t ) es una covarianza entra variables ruido blanco con distinto índice temporal y por tanto es cero. En consecuencia de (3) se obtiene γ 0 = V ar(y t ) = σ 2 (1 + θ 2 ). (4) Varianza condicional V ar(y t I t 1 ) = E[y t E(y t I t 1 ] 2 = E(y t c θa t 1 ) 2 = E(a 2 t ) = σ 2. (5) Ambas varianzas (4) y (5) sólo pueden coincidir si θ = 0, en cuyo caso y t no sigue un proceso MA(1), sino que ella misma y t = a t es el ruido blanco a t. En el caso de la varianza condicional, su estructura recogida en (5) no sólo es fija en el tiempo sino que viene dada por σ 2, sin depender de valores pasados de a t. Por tanto para cualquier momento t, la varianza condicional de y t, que es la varianza residual del modelo MA(1) que genera a y t, es la misma: σ 2. 2

5 2. Al estimar el modelo trimestral para logx t logx t = logx t 1 + m + βa t 4 + a t, (1) se obtiene ˆm = con una desviación estándar de 0.014, pero se detecta que es incorrecto y que debe ampliarse con variables artificiales estacionales. a) Reformule el modelo (1) excluyendo a m e incluyendo en él cuatro variables artificiales estacionales cada una con el valor unidad en su trimestre de referencia y cero en todas las demás. Denomine (2) al modelo resultante. Interprete las características evolutivas del nivel tendencial y estacional de logx t según el modelo (2). b) En la estimación de los coeficientes de las cuatro variables estacionales, m 1, m 2, m 3 y m 4, se obtiene m 1 = 0.01 m 2 = 0.06 m 3 = 0.05 m 4 = 0.04 Interprete los parámetros m 1 a m 4, calcule el crecimiento tendencial, y señale cuál es el trimestre en el que el crecimiento trimestral se desvía más del crecimiento tendencial. Compare los crecimientos tendenciales estimados por (1) y por (2) y realice un comentario crítico. c) A partir de (2) formule un modelo para la tasa de crecimiento trimestral de X t aproximada por la primera diferencia de los logaritmos. Discuta si es o no estacionaria y describa sus características. d) Bajo el supuesto que X t viene determinado por el modelo (2), señale cómo obtendría la transformación estacionaria de X t, y denomínela r t. Comente si existe o no dependencia temporal en la serie r t. a) Soluciones sugeridas: 4 logx t = logx t 1 + m j S jt + βa t 4 + a t, (2) j=1 3

6 donde las variables S jt son las cuatro variables artificiales definidas en el enunciado de la pregunta. En (2) logx t tiene, según (1), una media distinta de cero, que podemos denominar m, es decir, m j = m 0, j=1 con lo que los coeficientes m j se pueden formular como, m j = m + m j de modo que ahora, por construcción, se cumple que 4 m j = 0. j=1 En consecuencia (2) se puede escribir como 4 logx t = logx t 1 + m + m js jt + βa t 4 + a t. (3) En (3) se ve que X t tiene una tendencia con crecimiento sistemático, en la que el nivel es estocástico con una raíz unitaria y el crecimiento es determinista ya que de (3) se desprende que E( logx t ) = m. (4) j=1 Además de tendencia, logx t tiene oscilaciones estacionales de nivel, pues las esperanzas matemáticas de los trimestres naturales toma la forma E (j) ( logx t ) = m + m j, (5) donde E (j) significa la esperanza matemática sólo de las variables logx t correspondientes al trimestre natural j. Es decir que la esperanza matemática de logx t cambia en cada trimestre por un término m j que se añade a la esperanza matemática m, resultante para toda la muestra. b) m j = m + m j, (6) 4

7 con lo que m = j=1 m j = 0.04 es, según lo dicho anteriormente, el crecimiento tendencial y los parámetros m j las medias de los crecimientos estacionales que según (6) se componen del crecimiento tendencial m y de la oscilación estacional en la media (m j), que se denomina coeficiente estacional. Estos m j son m 1 = 0.03, m 2 = 0.02, m 3 = 0.01, m 4 = 0, con lo que el trimestre que más se desvía del crecimiento tendencial es el primero. En (1) el crecimiento tendencial estimado es y en (2) 0.04, que no son significativamente distintos entre sí ya que la desviación estándar del primero es de b) El modelo pedido es 4 logx t = m + m js jt + βa t 4 + a t. (7) j=1 En (7) vemos que la media de logx t cambia con el trimestre natural. Al no ser constante la media el proceso no es estacionario. Sin embargo, logx t no tiene tendencia pues su media es un valor fijo m, ya que las desviaciones de la media de logx t sobre m, suman cero dentro de cada año natural. En consecuencia, logx t es una variable no estacionaria sin tendencia, pero con oscilaciones estacionales en el nivel. d) La transformación estacionaria se obtendría: Por tanto, 4 V t = logx t m m js jt. (8) V t = βa t 4 + a t, j=1 que sigue un proceso MA(4) y por tanto existe dependencia temporal en V t. En efecto, comparando V t con V t j, j = 1, 2,..., 5 tenemos V t = a t + βa t 4 V t 1 = a t 1 + βa t 5 V t 2 = a t 2 + βa t 6 V t 3 = a t 3 + βa t 7 V t 4 = a t 4 + βa t 8 V t 5 = a t 5 + βa t 9 5

8 y se puede ver que las únicas variables que tienen innovaciones comunes con V t y, por tanto, están correlacionadas con ella es V t 4. Así la FAC de este proceso es: ρ 1 = 0 ρ 2 = 0 ρ 3 = 0 ρ 4 = β 1+β 2 ρ j = 0, j > 4 Esta FAC tiene punto de corte en j = 4 y por tanto sigue un proceso MA(4). 6

9 ECONOMETRÍA II CURSO 2007 LADE y DER-LADE Primer evaluación parcial 1. Sea el modelo y t = c + φy t 1 + a t, donde a t es un ruido blanco con varianza σ 2. Se supone además que φ < 1. Indicación para cálculo de varianzas: Escriba el modelo en desviaciones de la media µ: y t µ = φ(y t 1 µ) + a t. a) Calcule la media marginal. Calcule la media condicional y compárela con la media marginal. Dé ejemplos en los que la media condicional sea superior a la marginal. La media condicional no es constante en el tiempo, sin embargo, el proceso es estacionario. Explique este hecho. b) Compare las varianzas marginal y condicional y señale en qué caso coincidirían. Discuta si la varianza condicional cambia a la largo del tiempo, tal como ocurría con la media condicional. 1

10 2. Al estimar el modelo trimestral para logx t logx t = logx t 1 + m + βa t 4 + a t, (1) se obtiene ˆm = con una desviación estándar de 0.014, pero se detecta que es incorrecto y que debe ampliarse con variables artificiales estacionales. a) Reformule el modelo (1) excluyendo a m e incluyendo en él cuatro variables artificiales estacionales cada una con el valor unidad en su trimestre de referencia y cero en todas las demás. Denomine (2) al modelo resultante. Interprete las características evolutivas del nivel tendencial y estacional de logx t según el modelo (2). b) En la estimación de los coeficientes de las cuatro variables estacionales, m 1, m 2, m 3 y m 4, se obtiene m 1 = 0.01 m 2 = 0.06 m 3 = 0.05 m 4 = 0.04 Interprete los parámetros m 1 a m 4, calcule el crecimiento tendencial, y señale cuál es el trimestre en el que el crecimiento trimestral se desvía más del crecimiento tendencial. Compare los crecimientos tendenciales estimados por (1) y por (2) y realice un comentario crítico. c) A partir de (2) formule un modelo para la tasa de crecimiento trimestral de X t aproximada por la primera diferencia de los logaritmos. Discuta si es o no estacionaria y describa sus características. d) Bajo el supuesto que X t viene determinado por el modelo (2), señale cómo obtendría la transformación estacionaria de X t, y denomínela r t. Comente si existe o no dependencia temporal en la serie r t. 2

11 ECONOMETRÍA II CURSO 2007 LADE y DER-LADE Primer evaluación parcial 1. Considere la variable y t para el proceso y t = c + θa t 1 + a t, donde a t es un ruido blanco. Suponga para θ los valores θ = 0.3 (caso A) y θ = 0.8 (caso B). a) Describa la estructura de dependencia entre la variables y t y y t k, k > 0, en ambos casos. Comente si en cada uno de ellos existe una restricción y calcúlela. Comente, si es el caso, cómo esas restricciones particulares se generalizan para cualquier MA(1). b) Discuta las características de la variable y t en función de valores de c 0. Cuál sería la característica de la variable y t si c < 0? 1

12 2. Para la serie X t de las que se tienen 120 observaciones, se ha propuesto el siguiente modelo anual. logx t = c + d t + β a t 1 + a t, (1) donde a t es un proceso ruido blanco y c, d y β son parámetros. Al analizar los datos con este modelo se detecta que en la serie temporal hay una ruptura en su crecimiento tendencial en la observación 63. a) Amplíe el modelo (1) con una variable adicional dígase, r t, para captar dicha ruptura tendencial y describa dicha variable. Denomine e al parámetro de la variable r t. b) Suponga que al estimar el modelo ampliado, dígase modelo (2), se obtiene que ĉ = 7.23 ˆd = 0.05 ê = ˆβ = 0.7 Describa la tendencia del modelo (2) e interprete los parámetros de la misma. Describa el componente estacional de (1) y sus diferencias con el de (2). c) Describa el modelo que siguen las desviaciones de logx t sobre su tendencia, denomine V t a dichas desviaciones. Existe o no dependencia temporal en V t? Cuál es la correlación entre V t y V t 4? 2

13 ECONOMETRÍA II CURSO 2007 LADE y DER-LADE Primer evaluación parcial 1. Sea el proceso y t = a t + θa t 1, donde a t es un proceso ruido blanco. a) Bajo qué condiciones se puede escribir este modelo como un proceso autorregresivo? b) Asumiendo que se verifican las condiciones necesarias, escriba este proceso como proceso autorregresivo. A partir de la expresión autorregresiva, explique las implicaciones de las condiciones del apartado a). 1

14 2. Al estimar el modelo trimestral para logx t logx t = logx t 1 + m + βa t 4 + a t, (1) se obtiene ˆm = con una desviación estándar de 0.014, pero se detecta que es incorrecto y que debe ampliarse con variables artificiales estacionales. a) Reformule el modelo (1) excluyendo a m e incluyendo en él cuatro variables artificiales estacionales cada una con el valor unidad en su trimestre de referencia y cero en todas las demás. Denomine (2) al modelo resultante. Interprete las características evolutivas del nivel tendencial y estacional de logx t según el modelo (2). b) En la estimación de los coeficientes de las cuatro variables estacionales, m 1, m 2, m 3 y m 4, se obtiene m 1 = 0.01 m 2 = 0.06 m 3 = 0.05 m 4 = 0.04 Interprete los parámetros m 1 a m 4, calcule el crecimiento tendencial, y señale cuál es el trimestre en el que el crecimiento trimestral se desvía más del crecimiento tendencial. Compare los crecimientos tendenciales estimados por (1) y por (2) y realice un comentario crítico. c) A partir de (2) formule un modelo para la tasa de crecimiento trimestral de X t aproximada por la primera diferencia de los logaritmos. Discuta si es o no estacionaria y describa sus características. d) Bajo el supuesto que X t viene determinado por el modelo (2), señale cómo obtendría la transformación estacionaria de X t, y denomínela r t. Comente si existe o no dependencia temporal en la serie r t. 2

15 ECONOMETRÍA II CURSO 2007 LADE y DER-LADE Primer evaluación parcial 1. Sea el proceso y t = φ y t 1 + a t, donde a t es un proceso ruido blanco. a) Bajo qué condiciones se puede escribir este modelo como un proceso de media móvil? b) Asumiendo que se verifican las condiciones necesarias, escriba este proceso como proceso de media móvil. A partir de esta expresión, explique las implicaciones de las condiciones del apartado a). 1

16 2. Al estimar el modelo trimestral para logx t logx t = logx t 1 + m + βa t 4 + a t, (1) se obtiene ˆm = con una desviación estándar de 0.014, pero se detecta que es incorrecto y que debe ampliarse con variables artificiales estacionales. a) Reformule el modelo (1) excluyendo a m e incluyendo en él cuatro variables artificiales estacionales cada una con el valor unidad en su trimestre de referencia y cero en todas las demás. Denomine (2) al modelo resultante. Interprete las características evolutivas del nivel tendencial y estacional de logx t según el modelo (2). b) En la estimación de los coeficientes de las cuatro variables estacionales, m 1, m 2, m 3 y m 4, se obtiene m 1 = 0.01 m 2 = 0.06 m 3 = 0.05 m 4 = 0.04 Interprete los parámetros m 1 a m 4, calcule el crecimiento tendencial, y señale cuál es el trimestre en el que el crecimiento trimestral se desvía más del crecimiento tendencial. Compare los crecimientos tendenciales estimados por (1) y por (2) y realice un comentario crítico. c) A partir de (2) formule un modelo para la tasa de crecimiento trimestral de X t aproximada por la primera diferencia de los logaritmos. Discuta si es o no estacionaria y describa sus características. d) Bajo el supuesto que X t viene determinado por el modelo (2), señale cómo obtendría la transformación estacionaria de X t, y denomínela r t. Comente si existe o no dependencia temporal en la serie r t. 2

Técnicas de Predicción Solución Examen Final

Técnicas de Predicción Solución Examen Final Técnicas de Predicción Solución Examen Final Administración y Dirección de Empresas 23 de Junio, 2008 Prof. Antoni Espasa Secciones 3h Nota: Todas las respuestas deben ser adecuadamente razonadas. Respuestas

Más detalles

Econometría II Grado en finanzas y contabilidad

Econometría 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 detalles

Econometría II Grado en finanzas y contabilidad

Econometría 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 detalles

Econometría II Grado en finanzas y contabilidad

Econometría II Grado en finanzas y contabilidad Econometría II Grado en finanzas y contabilidad Variables aleatorias y procesos estocásticos. La FAC y el correlograma Profesora: Dolores García Martos E-mail:mdgmarto@est-econ.uc3m.es Este documento es

Más detalles

Procesos Integrados. Si (Y t ) no es estacionario pero la serie (Z t ) de las primeras diferencias. Z t = Y t = Y t Y t 1,

Procesos Integrados. Si (Y t ) no es estacionario pero la serie (Z t ) de las primeras diferencias. Z t = Y t = Y t Y t 1, Capítulo 5 Procesos Integrados Un proceso no estacionario puede no ser estable en la media, en la varianza o en las autocorrelaciones. Por ejemplo, las series 3, 5-13, 19, 29-31, 35-37, y 39 del Capítulo

Más detalles

Econometria con Series Temporales

Econometria con Series Temporales May 24, 2009 Porque series temporales? Inhabilidad de la economia de producir experimentos controlados para estudiar relaciones causales entre variables. Una alternativa consiste en estudiar estas relaciones

Más detalles

Econometría dinámica y financiera

Econometría dinámica y financiera Econometría dinámica y financiera Introducción a la econometría financiera. Modelos ARCH Profesora: Dolores García Martos E-mail:mdgmarto@est-econ.uc3m.es Introducción Los modelos que hemos visto son lineales

Más detalles

Predicción con modelos ARIMA

Predicción con modelos ARIMA Capítulo 7 Predicción con modelos ARIMA 7.1. INTRODUCCIÓN Información disponible: Observamos una realización y n = (y 1,...,y n ) de tamaño n de un proceso ARIMA(p, d, q). Objetivo: Predicción de valores

Más detalles

Procesos autorregresivos

Procesos autorregresivos Capítulo 3 Procesos autorregresivos Los procesos autorregresivos deben su nombre a la regresión y son los primeros procesos estacionarios que se estudiaron. Proceso autorregresivo: Un proceso autorregresivo

Más detalles

Tema 2 M O D E L O S U N I V A R I A N T E S L I N E A L E S.

Tema 2 M O D E L O S U N I V A R I A N T E S L I N E A L E S. Tema 2 1 M O D E L O S U N I V A R I A N T E S L I N E A L E S. Estructura del tema 1) Procesos estocásticos estacionarios. Modelos univariantes: la función de autocorrelación y el correlograma. 2) El

Más detalles

Tema 2 MODELOS UNIVARIANTES LINEALES.

Tema 2 MODELOS UNIVARIANTES LINEALES. Tema 2 MODELOS UNIVARIANTES LINEALES. 1 Estructura del tema 1) Procesos estocásticos estacionarios. Modelos univariantes: la función de autocorrelación y el correlograma. 2) El proceso ruido blanco. 3)

Más detalles

Departamento de Matemática Aplicada a las T.I.C. SOLUCIONES

Departamento de Matemática Aplicada a las T.I.C. SOLUCIONES Departamento de Matemática Aplicada a las T.I.C. ASIGNATURA: ESTADÍSTICA Y PROCESOS ESTOCÁSTICOS EAMEN FINAL Otoño 25-6 FECHA: 5 de Enero de 26 Fecha publicación notas: 22 de Enero de 26 Fecha revisión

Más detalles

Nombre y Apellidos:... SOLUCIÓN EXAMEN de TÉCNICAS ECONOMÉTRICAS (Junio 2012, Convocatoria extraordinaria)

Nombre y Apellidos:... SOLUCIÓN EXAMEN de TÉCNICAS ECONOMÉTRICAS (Junio 2012, Convocatoria extraordinaria) Nombre y Apellidos:... ID:... Grupo:... Ha realizado evaluación continua?... SOLUCIÓN EXAMEN de TÉCNICAS ECONOMÉTRICAS (Junio 2012, Convocatoria extraordinaria) Lea cuidadosamente cada pregunta. Responda

Más detalles

Héctor G. González Padilla Banco Central de la República Argentina. 30 de deptiembre de 2016

Héctor G. González Padilla Banco Central de la República Argentina. 30 de deptiembre de 2016 Una Aplicación del Análisis de Intervención: Una Evaluación del Efecto del Régimen de Control de Cambios sobre el PIB Trimestral en Argentina en el Período 2011-2015 1 Héctor G. González Padilla Banco

Más detalles

Nombre y Apellidos:... EXAMEN ECONOMETRÍA II (Septiembre 2010)

Nombre y Apellidos:... EXAMEN ECONOMETRÍA II (Septiembre 2010) Nombre y Apellidos:... NIU:... Grupo:... EXAMEN ECONOMETRÍA II (Septiembre 2010) Lea cuidadosamente cada pregunta. Marque muy claramente la respuesta de cada pregunta en la hoja de respuestas. Observe

Más detalles

Soluciones Examen Final de Econometría Universidad Carlos III de Madrid 26 de Mayo de 2015

Soluciones Examen Final de Econometría Universidad Carlos III de Madrid 26 de Mayo de 2015 Soluciones Examen Final de Econometría Universidad Carlos III de Madrid 26 de Mayo de 2015 Conteste todas las preguntas en dos horas y media. Pregunta 1 (33 puntos: Un investigador está considerando las

Más detalles

Econometría de series de tiempo aplicada a macroeconomía y finanzas

Econometría de series de tiempo aplicada a macroeconomía y finanzas Econometría de series de tiempo aplicada a macroeconomía y finanzas Series de Tiempo Estacionarias (Multivariadas) Carlos Capistrán Carmona ITAM 1 Principios de Pronóstico. 2 Pruebas de Hipótesis. 3 Estimación

Más detalles

Curso de nivelación Estadística y Matemática

Curso de nivelación Estadística y Matemática Modelo de Curso de nivelación Estadística y Matemática Pruebas de hipótesis, y Modelos ARIMA Programa Técnico en Riesgo, 2017 Agenda Modelo de 1 2 Asociación Medidas de asociación para variables intervalo

Más detalles

5. Estimación del Modelo y Resultados

5. Estimación del Modelo y Resultados 5. Estimación del Modelo y Resultados 5.1. Forma reducida del modelo Como no se tienen datos sobre la tasa natural de desempleo, es necesario hacer una forma reducida del modelo para poder estimarlo utilizando

Más detalles

Procesos de media móvil y ARMA

Procesos de media móvil y ARMA Capítulo 5 Procesos de media móvil y ARMA Herman Wold (1908-1992) Estadístico y económetra sueco. Desarrolló la representacion general de procesos estacionarios y la metodología econométrica estudiando

Más detalles

Nombre y Apellidos:... EXAMEN ECONOMETRÍA II (Enero 2010)

Nombre y Apellidos:... EXAMEN ECONOMETRÍA II (Enero 2010) Nombre y Apellidos:... NIU:... Grupo:... EXAMEN ECONOMETRÍA II (Enero 2010) Lea cuidadosamente cada pregunta. Marque muy claramente la respuesta de cada pregunta en la hoja de respuestas. Observe que los

Más detalles

PRACTICAS 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 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 detalles

Econometría II. Hoja de Problemas 2

Econometría II. Hoja de Problemas 2 Econometría II. Hoja de Problemas 2 1. Se quiere estudiar si los beneficios de las empresas dependen del gasto en I+D que realizan. Para estimar la ecuación beneficios t = β 1 +β 2 ventas t +β 3 gid t

Más detalles

Análisis Univariante mediante la metodología Box-Jenkins Análisis de la incertidumbre asociada a los modelos ARMA

Análisis Univariante mediante la metodología Box-Jenkins Análisis de la incertidumbre asociada a los modelos ARMA Análisis Univariante mediante la metodología Box-Jenkins Análisis de la incertidumbre asociada a los modelos ARMA Técnicas en Predicción Administración y Dirección de Empresas Departamento de Estadísitica

Más detalles

Más Allá del Modelo de Regresión Lineal. Dante A. Urbina

Más Allá del Modelo de Regresión Lineal. Dante A. Urbina Más Allá del Modelo de Regresión Lineal Dante A. Urbina CONTENIDOS 1. Modelos de Regresión No Lineales 2. Modelos de Respuesta Cualitativa 3. Datos de Panel 4. Modelos Autorregresivos y de Rezagos 5. Modelos

Más detalles

incendios forestales para el periodo de estudio. El software E-Views 9 es utilizado para las

incendios forestales para el periodo de estudio. El software E-Views 9 es utilizado para las 23 Capítulo 4: Resultados y análisis Para esta investigación, se necesita obtener las series de tiempo; tanto de los precios de cierre del IPC, como de los desastres naturales de tipo hidrometeorológico,

Más detalles

ECONOMETRÍA II: ECONOMETRÍA DE SERIES TEMPORALES. Modelos ARMA

ECONOMETRÍA II: ECONOMETRÍA DE SERIES TEMPORALES. Modelos ARMA ECONOMETRÍA II: ECONOMETRÍA DE SERIES TEMPORALES Modelos ARMA Definición: Ruido blanco. Se dice que el proceso {ɛ t } es ruido blanco ( white noise ) si: E(ɛ t ) = 0 Var(ɛ t ) = E(ɛ 2 t ) = σ 2 Para todo

Más detalles

Herramientas para el Estudio de Mercado. Técnicas de Predicción.

Herramientas 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 detalles

Econometría II. Hoja de Problemas 4

Econometría II. Hoja de Problemas 4 Econometría II. Hoja de Problemas 4 1. Analice si los siguientes procesos son estacionarios y, cuando lo sean, determine la media, la varianza y la función de autocovarianzas. a) v t = ε 1t +tε 2t, siendo

Más detalles

Macroeconometría ( ) Examen final

Macroeconometría ( ) Examen final Macroeconometría (2004 2005) Examen final Nikolas Müller-Plantenberg * 15 de junio de 2005 Nombre: Apellido: NIF: Instrucciones Por favor, no leer las preguntas antes de que la profesora lo indique. Hay

Más detalles

Índice General de Ventas en Grandes Almacenes y su logaritmo

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 detalles

Econometría II. Hoja de Problemas 1

Econometría II. Hoja de Problemas 1 Econometría II. Hoja de Problemas 1 Nota: En todos los contrastes tome como nivel de significación 0.05. 1. SeanZ 1,...,Z T variables aleatorias independientes, cada una de ellas con distribución de Bernouilli

Más detalles

Tema1. Modelo Lineal General.

Tema1. Modelo Lineal General. Tema1. Modelo Lineal General. 1. Si X = (X 1, X 2, X 3, X 4 ) t tiene distribución normal con vector de medias µ = (2, 1, 1, 3) t y matriz de covarianzas 1 0 1 1 V = 0 2 1 1 1 1 3 0 1 1 0 2 Halla: a) La

Más detalles

Modelos ARCH y GARCH

Modelos ARCH y GARCH Modelos y Roberto Cruz Oropesa Francisco Javier Rivera Miguel Ángel Sánchez Adán Uribe Bravo Diciembre 9, 2013 Series de Tiempo y Series Finacieras Series Financieras Hechos estilizados. Sea p t el precio

Más detalles

Tema 8: AUTOCORRELACIÓN

Tema 8: AUTOCORRELACIÓN Universidad Carlos III de Madrid César Alonso ECONOMETRÍA Tema 8: AUTOCORRELACIÓN Índice 1. Introducción 1 2. El modelo de regresión con series temporales 6 3. Consecuencias sobre la estimación MCO 9 4.

Más detalles

ECONOMETRÍA I. Tema 2: El Modelo de Regresión Lineal Simple. Patricia Moreno Juan Manuel Rodriguez Poo Alexandra Soberon Departamento de Economía

ECONOMETRÍA I. Tema 2: El Modelo de Regresión Lineal Simple. Patricia Moreno Juan Manuel Rodriguez Poo Alexandra Soberon Departamento de Economía ECONOMETRÍA I Tema 2: El Modelo de Regresión Lineal Simple Patricia Moreno Juan Manuel Rodriguez Poo Alexandra Soberon Departamento de Economía Alexandra Soberon (UC) ECONOMETRÍA I 1 / 42 Modelo de Regresión

Más detalles

Cálculo de Probabilidades II Preguntas Tema 2

Cálculo de Probabilidades II Preguntas Tema 2 Cálculo de Probabilidades II Preguntas Tema 2 1. Demuestre que la suma de n v.a. Bernuolli(p) independientes tiene una distribución Binomial con parametros (n, p). 2. Se dice que una v.a tiene una distribución

Más detalles

Part III. Modelos Box-Jenkins. Series de Tiempo. Germán Aneiros Pérez. Introducción. Procesos ARMA: Procesos ARIMA:

Part 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 detalles

Hoja de Ejercicios 3 El modelo de regresión lineal múltiple

Hoja de Ejercicios 3 El modelo de regresión lineal múltiple Hoja de Ejercicios 3 El modelo de regresión lineal múltiple Nota: En aquellos ejercicios en los que se incluyen estimaciones y referencia al archivo de datos utilizado, el estudiante debería comprobar

Más detalles

Errores de especificación

Errores de especificación CAPíTULO 5 Errores de especificación Estrictamente hablando, un error de especificación es el incumplimiento de cualquiera de los supuestos básicos del modelo lineal general. En un sentido más laxo, esta

Más detalles

EXAMEN DE ECONOMETRÍA

EXAMEN DE ECONOMETRÍA EXAMEN DE ECONOMETRÍA UNIVERSIDAD CARLOS III DE MADRID CURSO 2015-1 Responda todas las preguntas en 2 horas y media. Valores críticos al final del examen. 1 A partir de una muestra aleatoria de compra-venta

Más detalles

Regresión con errores autocorrelacionados

Regresión con errores autocorrelacionados Series de tiempo Gerardo Ortega Miguel Pluma Luis Osorio Johnatan García 09 de diciembre de 2013 Contenido 1 Introducción Idea intuitiva 2 Algoritmo 3 Propiedades de los estimadores 4 Estadístico de Durbin-Watson

Más detalles

Econometría 1. Karoll GOMEZ Segundo semestre 2017

Econometría 1. Karoll GOMEZ   Segundo semestre 2017 Econometría 1 Karoll GOMEZ kgomezp@unal.edu.co http://karollgomez.wordpress.com Segundo semestre 2017 II. El modelo de regresión lineal Esperanza condicional I Ejemplo: La distribución de los salarios

Más detalles

Conceptos básicos sobre Series de Tiempo

Conceptos básicos sobre Series de Tiempo Conceptos básicos sobre Series de Tiempo Jorge Hans Alayo Gamarra 27 de junio de 2014 En el presente reporte se presentan los conceptos básicos sobre series de tiempo. 1. Enfoque para modelar series de

Más detalles

Ejercicio 5. Pilar González y Susan Orbe. Dpto. Economía Aplicada III (Econometría y Estadística)

Ejercicio 5. Pilar González y Susan Orbe. Dpto. Economía Aplicada III (Econometría y Estadística) Ejercicio 5 Estimación del Modelo de Regresión Lineal General Pilar González y Susan Orbe Dpto. Economía Aplicada III (Econometría y Estadística) Pilar González y Susan Orbe OCW 2013 Ejercicio 5 Estimación

Más detalles

Análisis de series temporales

Análisis de series temporales CAPíTULO 8 Análisis de series temporales Los datos estadísticos y, en particular, los datos económicos se recopilan a menudo en forma de series temporales. Una serie temporal es un conjunto ordenado de

Más detalles

Vectores Autorregresivos (VAR)

Vectores Autorregresivos (VAR) Econometria de Series Temporales Vectores Autorregresivos (VAR) Walter Sosa Escudero Universidad de San Andr es y UNLP 1 Procesos estocasticos multivariados Y t =[Y 1t ;Y 2t ; ;Y Nt ] 0 ; t =1; 2;:::;T

Más detalles

Apuntes de Series Temporales

Apuntes de Series Temporales Apuntes de Series Temporales David Rodríguez 7 de Noviembre de 2009. Modelos de Series Temporales Modelo AR() El modelo AutoRegresivo AR() es un proceso aleatorio de la forma X t = ϕx t + σϵ t, ϵ t N (0,

Más detalles

Econometría II Grado en finanzas y contabilidad

Econometría II Grado en finanzas y contabilidad Econometría II Grado en finanzas y contabilidad Estructuras determinísticas y estocásticas tendencia y la estacionalidad Profesora: Dolores García Martos E-mail:mdgmarto@est-econ.uc3m.es Este documento

Más detalles

Econometría 1. Karoll GOMEZ Segundo semestre 2017

Econometría 1. Karoll GOMEZ   Segundo semestre 2017 Econometría 1 Karoll GOMEZ kgomezp@unal.edu.co http://karollgomez.wordpress.com Segundo semestre 2017 II. El modelo de regresión lineal Esperanza condicional I Ejemplo: La distribución de los salarios

Más detalles

ESCUELA SUPERIOR POLITÉCNICA DEL LITORAL

ESCUELA SUPERIOR POLITÉCNICA DEL LITORAL ESCUELA SUPERIOR POLITÉCNICA DEL LITORAL FACULTAD DE CIENCIAS NATURALES Y MATEMÁTICAS DEPARTAMENTO DE MATEMÁTICAS TEMA 1 (20 puntos): RUBRICA La magnitud de temblores registrados en una región de América

Más detalles

Modelo de Regresión Lineal Simple

Modelo de Regresión Lineal Simple 1. El Modelo Modelo de Regresión Lineal Simple El modelo de regresión lineal simple es un caso especial del múltple, donde se tiene una sola variable explicativa. y = β 0 + β 1 x + u (1.1) Donde u representa

Más detalles

ECONOMETRÍA I. Tema 1: La naturaleza de la econometría y los datos econométricos

ECONOMETRÍA I. Tema 1: La naturaleza de la econometría y los datos econométricos ECONOMETRÍA I Tema 1: La naturaleza de la econometría y los datos econométricos Patricia Moreno Juan Manuel Rodriguez Poo Alexandra Soberon Departamento de Economía Alexandra Soberon (UC) ECONOMETRÍA I

Más detalles

Econometría II Grado en finanzas y contabilidad

Econometría II Grado en finanzas y contabilidad Econometría II Grado en finanzas y contabilidad Modelos multivariantes estacionarios: VAR(p). La dependencia temporal. La causalidad en el sentido de Granger. La estimación de los modelos VAR. Profesora:

Más detalles

Ejercicio 1. Ejercicio 2

Ejercicio 1. Ejercicio 2 Guía de Ejercicios Ejercicio. Calcular los momentos de primer y segundo orden (media y varianza) de una variable aleatoria continua con distribución uniforme entre los límites a y b.. Sabiendo que la función

Más detalles

EXAMEN FINAL DE ECONOMETRÍA SOLUCIONES Conteste cada pregunta en un cuadernillo diferente en dos horas y media

EXAMEN FINAL DE ECONOMETRÍA SOLUCIONES Conteste cada pregunta en un cuadernillo diferente en dos horas y media EXAMEN FINAL DE ECONOMETRÍA SOLUCIONES Conteste cada pregunta en un cuadernillo diferente en dos horas y media 1. Sean (Y; X; W ) tres variables aleatorias relacionadas por el siguiente modelo de regresión

Más detalles

Requisitos Matemáticos. Clase 01. Profesor: Carlos R. Pitta. ICPM050, Econometría. Universidad Austral de Chile Escuela de Ingeniería Comercial

Requisitos Matemáticos. Clase 01. Profesor: Carlos R. Pitta. ICPM050, Econometría. Universidad Austral de Chile Escuela de Ingeniería Comercial Universidad Austral de Chile Escuela de Ingeniería Comercial ICPM050, Econometría Clase 01 Requisitos Matemáticos Profesor: Carlos R. Pitta Econometría, Prof. Carlos R. Pitta, Universidad Austral de Chile.

Más detalles

Séptima Entrega. New Workfile Daily (5 days week) 1:1:1991 a 2:16:1998. File Import Read Text Lotus Excel

Séptima Entrega. New Workfile Daily (5 days week) 1:1:1991 a 2:16:1998. File Import Read Text Lotus Excel Prácticas de la asignatura Series Temporales Séptima Entrega 1 Modelos de heterocedasticidad condicional A partir de la decada de los 80, muchos investigadores se han dedicado al estudio de modelos no

Más detalles

Lectura No. 8. Contextualización. Nombre: Métodos de Análisis ANÁLISIS FINANCIERO 1

Lectura No. 8. Contextualización. Nombre: Métodos de Análisis ANÁLISIS FINANCIERO 1 Análisis financiero ANÁLISIS FINANCIERO 1 Lectura No. 8 Nombre: Métodos de Análisis Contextualización Uno de los mayores obstáculos que se presentan en el momento de desarrollar un modelo econométrico

Más detalles

Series de Tiempo. Pablo Flores. Universidad Iberoamericana 1 de noviembre de 2016

Series de Tiempo. Pablo Flores. Universidad Iberoamericana 1 de noviembre de 2016 Series de Tiempo Pablo Flores Universidad Iberoamericana paflores@bcie.org 1 de noviembre de 2016 Pablo Flores (UNIBE) Short title 1 de noviembre de 2016 1 / 12 Sumario Definición. Ejemplos Pablo Flores

Más detalles

Estadística aplicada al medio ambiente

Estadística aplicada al medio ambiente Estadística aplicada al medio ambiente III. Regresión lineal 3 o de CC. AA. Departamento de Matemáticas Universidad Autónoma de Madrid 2011/12 Planteamiento Modelo Estimación de parámetros Intervalos de

Más detalles

Macroeconometría (Primavera 2005) Examen de prueba

Macroeconometría (Primavera 2005) Examen de prueba Macroeconometría (Primavera 2005) Examen de prueba Nikolas Müller-Plantenberg * 26 de mayo de 2005 Nombre: Apellido: NIF (sólo examen final): Instrucciones Por favor, no leer las preguntas antes de que

Más detalles

Econometría de Económicas Ejercicios para el tema 2 y 3

Econometría de Económicas Ejercicios para el tema 2 y 3 Econometría de Económicas Ejercicios para el tema 2 y 3 Curso 2005-2006 Profesores Amparo Sancho Perez Guadalupe Serrano Pedro Perez 1 1- Los datos que se adjuntan hacen referencia a los datos de producción

Más detalles

Guía 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. 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 detalles

Grado en Finanzas y Contabilidad

Grado en Finanzas y Contabilidad Econometría Grado en Finanzas y Contabilidad Apuntes basados en el libro Introduction to Econometrics: A modern Approach de Wooldridge 3.1 Colinealidad Exacta 3.2 Los efectos de la multicolinealidad Del

Más detalles

Econometría de series de tiempo aplicada a macroeconomía y finanzas

Econometría de series de tiempo aplicada a macroeconomía y finanzas Econometría de series de tiempo aplicada a macroeconomía y finanzas Series de Tiempo no Estacionarias Carlos Capistrán Carmona ITAM Tendencias Una tendencia es un movimiento persistente de largo plazo

Más detalles

UNIVERSIDAD CARLOS III DE MADRID ECONOMETRÍA EXAMEN FINAL (Modelo C)

UNIVERSIDAD CARLOS III DE MADRID ECONOMETRÍA EXAMEN FINAL (Modelo C) UNIVERSIDAD CARLOS III DE MADRID ECONOMETRÍA EXAMEN FINAL (Modelo C) DURACION: 2 HORAS Y 15 MINUTOS Instrucciones: 1. Este un modelo de examen que le servirá para autoevaluarse de todos los contenidos

Más detalles

Estadística II Examen Final 19/06/2015 Soluciones. Responda a las preguntas siguientes en los cuadernillos de la Universidad

Estadística II Examen Final 19/06/2015 Soluciones. Responda a las preguntas siguientes en los cuadernillos de la Universidad Estadística II Examen Final 19/06/2015 Soluciones Responda a las preguntas siguientes en los cuadernillos de la Universidad Utilice diferentes cuadernillos para responder a cada uno de los ejercicios Indique

Más detalles

Econometría 2. Modelos no estacionarios y contrastes de raíz unitaria = 0 8. (0 4) 1 +, (0 2 ), y valores críticos

Econometría 2. Modelos no estacionarios y contrastes de raíz unitaria = 0 8. (0 4) 1 +, (0 2 ), y valores críticos Econometría 2 Modelos no estacionarios y contrastes de raíz unitaria 1. Cuál de las siguientes afirmaciones es verdadera? (a) Un proceso I(1) es un camino aleatorio; (b) Un camino aleatorio es un ruido

Más detalles

Series de tiempo con aplicaciones: Enfoque temporal

Series de tiempo con aplicaciones: Enfoque temporal Series de tiempo con aplicaciones: Enfoque temporal Gladys E. Salcedo E. 25o Simposio Internacional de Estadística Agosto 6,7 de 2015 Armenia, Quindío Datos 1: Series igualmente espaciadas Turbiedad 20

Más detalles

EXAMEN EXTRAORDINARIO DE ECONOMETRÍA Universidad Carlos III de Madrid Junio 2016

EXAMEN EXTRAORDINARIO DE ECONOMETRÍA Universidad Carlos III de Madrid Junio 2016 EXAMEN EXTRAORDINARIO DE ECONOMETRÍA Universidad Carlos III de Madrid Junio 2016 Responda a las 4 preguntas en dos horas y media. 1. Se está llevando a cabo una investigación econométrica sobre los precios

Más detalles

ECONOMETRIA II ADE LADE-DERECHO. CURSO 2006/2007

ECONOMETRIA 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 detalles

Tema 2. Heterocedasticidad. 1 El modelo de regresión lineal con errores heterocedásticos

Tema 2. Heterocedasticidad. 1 El modelo de regresión lineal con errores heterocedásticos ema 2. Heterocedasticidad. El modelo de regresión lineal con errores heterocedásticos En este tema vamos a analizar el modelo de regresión lineal Y t = X tβ + u t, donde X t = (X t, X 2t,.., X kt y β =

Más detalles

Tendencias y ciclos en las variables macroeconómicas

Tendencias y ciclos en las variables macroeconómicas . Tendencias y ciclos en las variables macroeconómicas Rafael Doménech Temas de Análisis Macroeconómico. Tema 2 1/30 Introducción Necesitamos una estimación que permita extraer el comportamiento tendencial

Más detalles

Econometría II - examen (SOLUCION)

Econometría II - examen (SOLUCION) Econometría II - examen (SOLUCION) 4 de septiembre de 2006 Nombre y Apellidos: ID: Grupo: Lea cuidadosamente cada pregunta Responda muy claramente dentro del espacio asignado El valor de cada pregunta

Más detalles

CLASES DE ESTADÍSTICA II ESPERANZA ABSOLUTA

CLASES DE ESTADÍSTICA II ESPERANZA ABSOLUTA 1 CLASES DE ESTADÍSTICA II CLASE ) ESPERANZA ABSOLUTA. ESPERANZA CONDICIONAL. ESPERANZA ABSOLUTA El cálculo de valores esperados o esperanzas a nivel de dos variables aleatorias es una generalización matemática

Más detalles

1. Modelos para conteos

1. Modelos para conteos 1. Modelos para conteos En esta sección se modelarán conteos, que resultan de diversas situaciones, por ejemplo: el número de accidentes en una carretera, el número de caries que tiene una persona, el

Más detalles

Econometría II Grado en finanzas y contabilidad

Econometría II Grado en finanzas y contabilidad Econometría II Grado en finanzas y contabilidad Modelos con variables cointegradas. Regresiones espurias. Cointegración. Contrastes de cointegración Profesora: Dolores García Martos E-mail:mdgmarto@est-econ.uc3m.es

Más detalles

RESUMEN DE ALGUNOS CONCEPTOS ESTADÍSTICOS ELEMENTALES Y NOTACIÓN EMPLEADA EN EL CURSO

RESUMEN DE ALGUNOS CONCEPTOS ESTADÍSTICOS ELEMENTALES Y NOTACIÓN EMPLEADA EN EL CURSO RESUMEN DE ALGUNOS CONCEPTOS ESTADÍSTICOS ELEMENTALES Y NOTACIÓN EMPLEADA EN EL CURSO 1 rojo 1 2 3 4 5 6 Supongamos que tenemos dos dados, uno rojo y otro verde, cada uno de los cuales toma valores entre

Más detalles

Prácticas Tema 2: El modelo lineal simple

Prácticas Tema 2: El modelo lineal simple Prácticas Tema 2: El modelo lineal simple Ana J. López y Rigoberto Pérez Departamento de Economía Aplicada. Universidad de Oviedo PRACTICA 2.1- Se han analizado sobre una muestra de 10 familias las variables

Más detalles

Guía sobre la utilización del material didáctico de esta asignatura,

Guía sobre la utilización del material didáctico de esta asignatura, Guía sobre la utilización del material didáctico de esta asignatura, Cada diapositiva está construida con poco texto para que su proyección en clase resulte visible de forma cómoda a toda la audiencia.esto

Más detalles

Prácticas Tema 4: Modelo con variables cualitativas

Prácticas Tema 4: Modelo con variables cualitativas Prácticas Tema 4: Modelo con variables cualitativas Ana J. López y Rigoberto Pérez Departamento de Economía Aplicada. Universidad de Oviedo PRACTICA 4.1- Se dispone de información sobre 16 familias sobre

Más detalles

Soluciones Hoja de Ejercicios 4

Soluciones Hoja de Ejercicios 4 Soluciones Hoja de Ejercicios 4 Econometría I 1. Considera la siguiente ecuación para explicar los salarios de los directores generales en términos de ventas anuales de la compañía (sales, del rendimiento

Más detalles

Tema 4. El Modelo de Regresión Lineal con Series Temporales.

Tema 4. El Modelo de Regresión Lineal con Series Temporales. Tema 4. El Modelo de Regresión Lineal con Series Temporales. En este tema, estudiaremos en detalle la estimación e inferencia del modelo de regresión con datos de series temporales. Dadas las diferencias

Más detalles

Estadística para la Economía y la Gestión IN 3401

Estadística para la Economía y la Gestión IN 3401 Estadística para la Economía y la Gestión IN 3401 3 de junio de 2010 1 Modelo de Regresión con 2 Variables Método de Mínimos Cuadrados Ordinarios Supuestos detrás del método MCO Errores estándar de los

Más detalles

Diplomado en Econometría Coordinadora académica: M.F. Esperanza Sainz López

Diplomado en Econometría Coordinadora académica: M.F. Esperanza Sainz López Diplomado en Econometría Coordinadora académica: M.F. Esperanza Sainz López Brindar al alumno los conocimientos de los métodos econométricos fundamentales y de los conceptos estadísticos que éstos requieren,

Más detalles

Estadística II Examen final junio 27/6/17 Curso 2016/17 Soluciones

Estadística II Examen final junio 27/6/17 Curso 2016/17 Soluciones Estadística II Examen final junio 27/6/7 Curso 206/7 Soluciones Duración del examen: 2 h y 5 min. (3 puntos) Los responsables de un aeropuerto afirman que el retraso medido en minutos en el tiempo de salida

Más detalles

Práctica 5: cointegración

Práctica 5: cointegración Práctica 5: cointegración Los datos provienen de: http://www.econ.kuleuven.ac.be/gme/ Para leer más sobre este ejemplo, ver Marno Verbeek, A guide to Modern Econometrics (sections 8.5, 9.3). En esta práctica,

Más detalles

Guía sobre la utilización del material didáctico de esta asignatura,

Guía sobre la utilización del material didáctico de esta asignatura, Guía sobre la utilización del material didáctico de esta asignatura, Cada diapositiva está construida con poco texto para que su proyección en clase resulte visible de forma cómoda a toda la audiencia.esto

Más detalles

Ejemplo 6.3. Pilar González y Susan Orbe. Dpto. Economía Aplicada III (Econometría y Estadística)

Ejemplo 6.3. Pilar González y Susan Orbe. Dpto. Economía Aplicada III (Econometría y Estadística) Ejemplo 6.3 Contrastes y colinealidad en el Modelo de Regresión Lineal General Pilar González y Susan Orbe Dpto. Economía Aplicada III (Econometría y Estadística) Pilar González y Susan Orbe OCW 2013 Ejemplo

Más detalles

Diplomado en Econometría Coordinadora académica: M.F. Esperanza Sainz López

Diplomado en Econometría Coordinadora académica: M.F. Esperanza Sainz López Diplomado en Econometría Coordinadora académica: M.F. Esperanza Sainz López Brindar al alumno los conocimientos de los métodos econométricos fundamentales y de los conceptos estadísticos que éstos requieren,

Más detalles

Repaso de conceptos de álgebra lineal

Repaso de conceptos de álgebra lineal MÉTODOS AVANZADOS EN APRENDIZAJE ARTIFICIAL: TEORÍA Y APLICACIONES A PROBLEMAS DE PREDICCIÓN Manuel Sánchez-Montañés Luis Lago Ana González Escuela Politécnica Superior Universidad Autónoma de Madrid Repaso

Más detalles

Actividad A5. Modelo de Regresión Lineal General. Estimación. Pilar González y Susan Orbe. Dpto. Economía Aplicada III (Econometría y Estadística)

Actividad A5. Modelo de Regresión Lineal General. Estimación. Pilar González y Susan Orbe. Dpto. Economía Aplicada III (Econometría y Estadística) Actividad A5 Modelo de Regresión Lineal General. Estimación Pilar González y Susan Orbe Dpto. Economía Aplicada III (Econometría y Estadística) Pilar González y Susan Orbe OCW 2013 Actividad A5. Estimación

Más detalles

Departamento de Matemática Aplicada a la I.T. de Telecomunicación

Departamento de Matemática Aplicada a la I.T. de Telecomunicación Departamento de Matemática Aplicada a la I.T. de Telecomunicación ASIGNATURA: ESTADÍSTICA Y PROCESOS ESTOCÁSTICOS CONVOCATORIA: ENERO 22/23 FECHA: 9 de Enero de 23 Duración del examen: 3 horas Fecha publicación

Más detalles

D to de Economía Aplicada Cuantitativa I Basilio Sanz Carnero

D 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 detalles

Generalmente, el objetivo de cualquier estudio de econometría es la. búsqueda de relaciones matemáticas que permitan explicar el comportamiento

Generalmente, el objetivo de cualquier estudio de econometría es la. búsqueda de relaciones matemáticas que permitan explicar el comportamiento 5. METODOLOGÍA ECONOMÉTRICA. Generalmente, el objetivo de cualquier estudio de econometría es la búsqueda de relaciones matemáticas que permitan explicar el comportamiento de una variable económica a partir

Más detalles

ASIGNATURA: ESTADISTICA II (II-055) Ing. César Torrez https://torrezcesar.wordpress.com

ASIGNATURA: ESTADISTICA II (II-055) Ing. César Torrez https://torrezcesar.wordpress.com ASIGNATURA: ESTADISTICA II (II-055) Ing. César Torrez torrezcat@gmail.com https://torrezcesar.wordpress.com 0416-2299743 Programa de Estadística II UNIDAD IV: REGRESIÓN Y CORRELACIÓN MÚLTIPLE LINEAL TANTO

Más detalles

TEMA 2 Diseño de experimentos: modelos con varios factores

TEMA 2 Diseño de experimentos: modelos con varios factores TEMA 2 Diseño de experimentos: modelos con varios factores José R. Berrendero Departamento de Matemáticas Universidad Autónoma de Madrid Análisis de Datos - Grado en Biología Esquema del tema Modelo bifactorial

Más detalles

TEMA 5: Especificación y Predicción en el MRL

TEMA 5: Especificación y Predicción en el MRL EMA 5: Especificación y Predicción en el MRL Econometría I M. Angeles Carnero Departamento de Fundamentos del Análisis Económico Curso 2011-12 Econometría I (UA) ema 5: Especificación y Predicción Curso

Más detalles

Índice Introducción Economía y Estadística Análisis de Regresión. Clase 1. Introducción a la Econometría. Profesor: Felipe Avilés Lucero

Índice Introducción Economía y Estadística Análisis de Regresión. Clase 1. Introducción a la Econometría. Profesor: Felipe Avilés Lucero Clase 1 Introducción a la Econometría Profesor: Felipe Avilés Lucero 26 de mayo de 2010 1 Introducción 2 Economía y Estadística 3 Análisis de Regresión Función de Regresión Poblacional Función de Regresión

Más detalles