Estadística Industrial. Universidad Carlos III de Madrid Series temporales Práctica 5
|
|
- Margarita Sáez Alvarado
- hace 7 años
- Vistas:
Transcripción
1 Estadística Industrial Universidad Carlos III de Madrid Series temporales Práctica 5 Objetivo: Análisis descriptivo, estudio de funciones de autocorrelación simple y parcial de series temporales estacionales. Formulación, predicción y estimación de modelos ARIMA estacionales. Diagnosis y validación. Fichero de datos: Practica5Series.sf Series temporales estacionales: En la práctica vimos series temporales que presentaban pautas que se repetían en forma de ciclos. Es habitual que muchas series tengan patrones estacionales cada s periodos. En series mensuales, en general, el orden de la estacionalidad es s=2; en series trimestrales s=4, cuatrimestral s=3, etc La metodología ARIMA también nos permite estudiar estas series estacionales. En este caso la formulación ARIMA es: Ejemplo: IPI Inglaterra ARIMA ( pdq,, ) ( PDQ,, ) s parte regular parte estacional Importar datos: FILE -> OPEN -> OPEN DATA FILE Representación de la serie temporal: SPECIAL -> TIME-SERIES ANALYSIS -> DESCRIPTIVE METHODS Al introducir la serie a analizar: debemos especificar que la periodicidad de la serie: SAMPLING INTERVAL -> MONTH -> STARTING AT -> SEASONALITY Si la serie es mensual s=2
2 Figura. Gráfico temporal de la serie original IPI Inglaterra /50 /53 /56 /59 /62 /65 La Figura, presenta el gráfico de la serie IPI Inglaterra. Se observa la falta de estacionariedad, ya que la serie tiene tendencia y ciclo. La variabilidad no presenta problemas y podemos concluir que la serie es homocedástica. Se puede estudiar algo más detalladamente las características del ciclo estacional mediante el gráfico de descomposición estacional visto en la práctica. La FAS y FAP de la serie original se muestra en la siguiente figura: FAS IPI Inglaterra FAP IPI Inglaterra Como puede observarse hay mucha estructura en ambas funciones. Esto es debido a la falta de estacionariedad de la serie. Como se estudió en prácticas anteriores es preciso tomar una diferencia para quitar la tendencia (parte regular, Non-seasonal order), para eliminar la estacionalidad tomaremos diferencias estacionales (Seasonal order). Para ello, en el botón derecho en ANALYSIS OPTIONS, podemos comenzar tomando una diferencia regular () y posteriormente una diferencia estacional (). NOTA: como al especificar la serie con periodicidad mensual (s=2), la diferencia estacional que tomemos la tomaremos como. 2
3 Figura 2. Serie IPI Inglaterra con una diferencia regular ( IPI ) /50 /53 /56 /59 /62 /65 La figura 2 muestra la serie IPI Inglaterra una vez eliminada la tendencia con una diferencia regular, sin embargo observamos que aún existe estacionalidad. El ciclo se aprecia en el gráfico de la serie, y en la FAS en la que las autocorrelaciones separadas por 2 retardos son significativas y decrecen lentamente, esto se refleja en su FAS y FAP (Figura 3), Figura 3. FAS (izquierda) y FAP (derecha) de la serie IPI Para eliminar los ciclos aplicaremos una diferencia estacional, es decir ANALYSIS OPTIONS-> DIFFERENCING -> SEASONAL ORDER (). 2 IPI El resultado de se presenta en la Figura 4, donde ya tenemos una serie estacionaria (sin tendencia ni ciclos), además podemos asegurar que es homocedástica., en 3
4 Figura 4. Serie IPI Inglaterra sin tendencia ni ciclo, 2 IPI /50 /53 /56 /59 /62 /65 Figura 5. FAS y FAP de la serie 2 IPI FAS FAP Estudiaremos los primeros retardos para analizar la parte regular: se observa en la FAS que existen en decaimiento lento hasta el quinto retardo. En la FAP hay dos retardos significativos. Podemos por tanto, estar ante un AR(2) en la parte regular. Si analizamos los retardos estacionales: en la FAS vemos que el retardo 2 es significativo, pero no los son ni el 24 ni el 36. Por otro lado, en la FAP se aprecian que los retardos 2 y 24 son significativos. Es posible por tanto que estemos ante un MA() 2 en la parte estacional. Alternativamente, podríamos haber eliminado primeramente la estacionalidad, tomando la diferencia estacional 2 IPI. 4
5 Figura 6. Gráfico de la serie IPI Inglaterra con una diferencia estacional /50 /53 /56 /59 /62 /65 Figura 7. FAS y FAP de la serie IPI Inglaterra con una diferencia estacional FAS FAP Aunque hemos eliminado los ciclos, la serie no es estacionaria, puesto que aún se observa tendencia (Figura 6). La FAS presenta un decaimiento lineal, pero no hay retardos estacionales significativos. Estimación de un modelo ARIMA(p,d,q)x(P,D,Q) s Un vez que la serie 2 IPI es estacionaria, podemos estimar un modelo ARIMA(2,,0)x(0,,) 2. En SPECIAL-> TIMES-SERIES ANALYSIS -> FORECASTING, introducimos la serie IPI Inglaterra. Por defecto, el número de periodos a predecir (Number of forecasts) es 2. Para estimar el modelo ARIMA, procedemos de la misma forma que hicimos en la práctica anterior. Ahora, como hemos especificado la serie como mensual. El modelo ARIMA permite ajustar diferencias y parámetros AR y MA estacionales. 5
6 Figura 8. Especificación de un modelo ARIMA(2,,0)x(0,,) 2 En ARIMA Model, podemos ahora especificar (Figura 8): o Nonseasonal order: Número de diferencias regulares d o Seasonal order: Numero de diferencias estacionales D o AR: Orden del autorregresivo regular p o MA: Orden de la media móvil regular q o SAR: Orden del autorregresivo estacional P o SMA: Orden de la media móvil estacional Q Los parámetros estimados los podemos obtener en el ANALYSIS SUMMARY, ARIMA Model Summary Parameter Estimate Stnd. Error t P-value AR() -0, , ,3026 0, AR(2) 794 0, ,0282 0, SMA() 0, , ,77 0, Mean -0, , , , Constant -0, En la tabla observamos que los parámetros son significativos, ya que el valor de la t- student es mayor que 2 en valor absoluto y los p-valores menores a El modelo se puede escribir como: donde y t es la serie estacionaria de la t-student. y = c y 0.272y + a 0.897a (-6.30) (-3.02) (29,77) t t t 2 t t 2 2 IPI y entre paréntesis se indica el valor crítico Alternativamente, en término del operador de retardos B. ( φ B φ B ) y = ( Θ B ) a t 2 t 6
7 Reemplazando los valores estimados: 2 2 ( B B ) yt = ( B ) at La FAS y FAP de los residuos del modelo ajustado se muestran en la figura 9. Figura 9. FAS y FAP de los residuos del modelo ARIMA(2,,0)x(0,,) 2 FAS ARIMA(2,,0)x(0,,)2 with constant FAP ARIMA(2,,0)x(0,,)2 with constant En la Figura 9, observamos que aparentemente no existen retardos significativos ni en FAS ni FAP de los residuos del modelo ajustado, por lo que tenemos evidencia de que pueden ser ruido blanco. Para ver si hay evidencia suficiente de que son ruido blanco, analizamos el test de Box-Pierce. En TABULAR OPTIONS, marcamos las opciones de RESIDUAL TEST OF RANDOMNESS y de MODEL COMPARISONS si queremos comparar el modelo con otros alternativos. El resultado del test de Box-Pierce es de y por tanto tenemos evidencias de que los residuos sí son ruido blanco. Predicción y validación: Una vez ajustado un modelo paramétrico a la serie original podemos utilizarlo para realizar predicciones futuras. En TABULAR OPTIONS, la opción FORECAST TABLE, nos permite obtener la predicción del modelo para los periodos siguientes. Lower 95,0% Upper 95,0% Period Forecast Limit Limit /6 2,243 7,797 24,689 3/6 23,095 9,335 26,854 4/6,843 07,732 5,954 5/6 0,098 05,482 4,74 6/6 2,787 07,828 7,745 7/6 05,346 00,05 4 8/6 0,928 96, ,556 9/6 5,466 09,536 2,395 0/6 8,947 2,728 25,66 /6 23, 6,64 29,609 2/6,0 04,248 7,774 /62,576 04,557 8,
8 Por defecto la predicción se realizar para 2 periodos. En la primera columna tenemos los periodos que predecimos, en la segunda columna, la predicción de nuestro modelo y por último los límites superior e inferior de los intervalos de predicción. La Figura siguiente muestra las predicciones y sus intervalos ARIMA(2,,0)x(0,,)2 with constant /50 /53 /56 /59 /62 /65 actual forecast 95,0% limits El modelo ARIMA propuesto, presenta los valores más bajos para el Error Cuadrático Medio (MSE), y para el Error Medio Absoluto (MAE) Models (A) ARIMA(2,,0)x(0,,)2 with constant (B) Constant mean = 06,045 (C) Linear trend = 96, ,4458 t (D) Simple moving average of 5 terms (E) Simple exponential smoothing with alpha = 0,52 Estimation Period Model MSE MAE MAPE ME MPE (A) 2,704,30257,2257-0, ,5492 (B) 88,9745 7, ,476 3,00244E-4-0,8525 (C) 58,37 6, ,9920 3,25888E-4-0,52385 (D) 60,705 6,8859 6, , ,06634 (E) 52,2074 6,2229 5, , ,3654 Model RMSE RUNS RUNM AUTO MEAN VAR (A),64352 OK OK OK OK OK (B) 9,43263 *** *** *** *** OK (C) 7,640 *** *** *** OK OK (D) 7,75696 *** *** *** OK OK (E) 7,22547 *** ** *** OK OK
9 Otro posible análisis que permite validar el modelo ARIMA propuesto, consiste en realizar predicciones sobre la muestra. Este procedimiento consiste en coger del total de n observaciones de la serie temporal, las n-k primeras. Y una vez elegido el modelo validar su capacidad predictiva sobre la submuestra formada por las k últimas observaciones. En la opción de INPUT DIALOG,, introducimos en la casilla de WITHHOLD FOR VALIDATION el tamaño de submuestra que deseamos, en el caso de series mensuales para que este análisis sea válido cogeremos un ciclo completo de k=2 observaciones. Con este análisis la tabla de predicciones (FORECAST TABLE), incluye el residuo de la predicción sobre esta submuestra Period Data Forecast Residual 2/60 7,3 6,65 V /60 9,5 8,988 V0,5876 4/60 07,7 07,844 V-0,4426 5/60 08,9 05,94 V2,9865 6/60 09, 0,035 V-0, /60 03,3 02,039 V, /60 00,0 99,5207 V0, /60 2,6 2,938 V-0, /60 7,7 6,379 V,3245 /60 23,2 20,996 V2, /60 0,3 09,785 V0,54985 /6 0,94 V-0, La tabla de comparación de modelos (MODELS COMPARISON), incluye una tabla adicional para los valores del MSE y MAE o de la raíz cuadrada del MSE (RMSE). Models (A) ARIMA(2,,0)x(0,,)2 with constant (B) Constant mean = 05,486 (C) Linear trend = 95, t (D) Simple moving average of 5 terms (E) Simple exponential smoothing with alpha = 0,573 Estimation Period Model MSE MAE MAPE ME MPE (A) 2,86055,33577, (B) 90,904 7, , ,25323E-4-0, (C) 58,5864 6,2433 5,9662 3,55859E-4-0, (D) 60,3762 6, ,5942 0, , (E) 52,3767 6, ,9575 0, Model RMSE RUNS RUNM AUTO MEAN VAR (A),6932 OK * OK OK OK (B) 9,49686 *** *** *** *** OK (C) 7,6548 *** *** *** OK OK (D) 7,7702 *** *** *** OK OK (E) 7,2377 *** ** *** OK OK Validation Period Model MSE MAE MAPE ME MPE (A),6646 0,9754 0, (B) , ,4979 6,9738 5,2308 (C) 62,784 6, ,2743-4, ,494 (D) 58,88 6,56 5,83885, , (E) 50,5692 5,9888 5,29789,56345,
10 Este procedimiento nos permitirá de una manera más precisa discriminar entre modelos ARIMA alternativos, en el caso de tener modelos que cumplan todas las hipótesis de manera satisfactoria (significatividad de los parámetros, test de Boxpierce), nos intereserá más tener un modelo cuya capacidad predictiva sea mejor (menores valores del RMSE, MSE y/o MAE). Cuestiones: Analiza el resto de las series del fichero Practica5Series.sf3. Propón uno o varios modelos ARIMA. Formula la ecuación del modelo y su representación en términos del operador de retardos. Realiza una validación del modelo ARIMA en función de la capacidad predictiva de cada uno de ellos. 0
Series temporales. 1. Introducción. 2. Análisis de la serie. 3. Modelos ARMA y ARIMA. 4. Predicción. Est.Ind. 08/09 - fjnm 1
Series temporales 1. Introducción. 2. Análisis de la serie. 3. Modelos ARMA y ARIMA. 4. Predicción. Est.Ind. 08/09 - fjnm 1 Introducción Introducción Serie temporal: Conjunto de observaciones z t, cada
Más detallesSERIE TEMPORAL TASA PASIVA REFERENCIAL ECUADOR MAT. GEOVANNY TOALOMBO Agosto 2006
SERIE TEMPORAL TASA PASIVA REFERENCIAL ECUADOR MAT. GEOVANNY TOALOMBO Agosto 20 Se presenta a continuación el estudio de la serie de tiempo, para la Tasa Pasiva Referencial fuente Banco Central de Ecuador
Más detallesSeries temporales. Series temporales
Series temporales Series temporales Una serie temporal es una variable cuya evolución se sigue a lo largo del tiempo. Para obtenerla tomaremos observaciones de la variable a intervalos regulares de tiempo.
Más detallesPronósticos Automáticos
Pronósticos Automáticos Resumen El procedimiento de Pronósticos Automáticos esta diseñado para pronosticar valores futuros en datos de una serie de tiempo. Una serie de tiempo consiste en un conjunto de
Más detallesINTRODUCCION AL ECONOMETRIC VIEWS. Aquí se introduce la frecuencia y las fechas de comienzo y final de los datos.
INTRODUCCION AL ECONOMETRIC VIEWS Introducción de datos 1. Creando una hoja de trabajo (workfile) File New Workfile Aquí se introduce la frecuencia y las fechas de comienzo y final de los datos. 2. Importación
Más detallesEconometría II Grado en finanzas y contabilidad
Econometría II Grado en finanzas y contabilidad Metodología Box-Jenkins Profesora: Dolores García Martos E-mail:mdgmarto@est-econ.uc3m.es Este documento es un resumen/modificación de la documentación elaborada
Más detallesEstadística II Curso 2010/11. Guión de la Práctica 2 El modelo de regresión lineal y su tratamiento en Statgraphics
Estadística II Curso 2010/11 Guión de la Práctica 2 El modelo de regresión lineal y su tratamiento en Statgraphics 1. Contenidos de la práctica - Introducción - El modelo de regresión lineal simple o Estimación
Más detallesDepartamento de Estadística e Investigación Operativa Aplicadas y Calidad. Licenciado en Administración y Dirección de Empresas A.D.E. - U.P.V.
Departamento de Estadística e Investigación Operativa Aplicadas y Calidad Licenciado en Administración y Dirección de Empresas A.D.E. - U.P.V. ECONOMETRÍA CONVOCATORIA EXTRAORDINARIA - 05/05/2006 NOMBRE
Más detallesÍndice 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 detallesOctava Entrega. 1 Modelos de función de transferencia o de regresión dinámica
Prácticas de la asignatura Series Temporales Octava Entrega 1 Modelos de función de transferencia o de regresión dinámica 1.1 El modelo Supongamos que tenemos dos series temporales, x t e y t, tales que:
Más detallesSeries Temporales. Teresa Villagarcía
Series Temporales Teresa Villagarcía 1 1. Introducción. El estudio de series temporales tiene por objeto analizar la evolución de una variable a través del tiempo. La diferencia esencial entre las series
Más detallesDepartamento de Estadística e Investigación Operativa Aplicadas y Calidad. Licenciado en Administración y Dirección de Empresas A.D.E. - U.P.V.
Departamento de Estadística e Investigación Operativa Aplicadas y Calidad Licenciado en Administración y Dirección de Empresas A.D.E. - U.P.V. ECONOMETRÍA CONVOCATORIA ORDINARIA - 20/01/2005 NOMBRE Y APELLIDOS
Más detallesCurso 2006/07. Tema 4: Tratamiento de la estacionalidad. Modelos SARIMA. 2. Estudio teórico de los modelos estacionales
Tema 4: Tratamiento de la estacionalidad. Modelos SARIMA 1. Introducción 2. Estudio teórico de los modelos estacionales 3. La estacionariedad en media en los modelos estacionales 4. Identificación de modelos
Más detallesIntervalos de confianza con STATGRAPHICS
Intervalos de confianza con STATGRAPHICS Ficheros empleados: TiempoaccesoWeb.sf3 ; TiempoBucle.sf3; 1. Ejemplo 1: Tiempo de acceso a una página Web Se desean construir intervalos de confianza para la media
Más detallesEconometría 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 detallesQuinta Entrega. 3. Diagnosis: se comprueba que los residuos verifican la hipótesis de ruido blanco.
Prácticas de la asignatura Series Temporales Quinta Entrega 1 Identificación y Predicción de modelos ARIMA En esta entrega veremos como ajustar modelos ARIMA a series de datos reales. Supongamos que tenemos
Más detallesDepartamento de Estadística e Investigación Operativa Aplicadas y Calidad. Licenciado en Administración y Dirección de Empresas A.D.E. - U.P.V.
Departamento de Estadística e Investigación Operativa Aplicadas y Calidad Licenciado en Administración y Dirección de Empresas A.D.E. - U.P.V. ECONOMETRÍA CONVOCATORIA ORDINARIA - 18/01/2007 NOMBRE Y APELLIDOS
Más detallesGuía breve de análisis de series temporales unidimensionales con Gretl
Guía breve de análisis de series temporales unidimensionales con Gretl 1. Pasos a seguir 1. Representación de la serie temporal (Variable Gráfico de series temporales). 2. Serie temporal no estacionaria
Más detallesEjemplos de estudios de series de tiempo
1 Ejemplos de estudios de series de tiempo Ejemplo 1 Pasajeros Aerolíneas Internacionales (PAI) Este estudio está realizado sobre un famoso conjunto de datos mensuales, el número de pasajeros de aerolíneas
Más detallesTema 5: Planteamiento de los modelos de series temporales. Coro Chasco Yrigoyen Universidad Autónoma de Madrid (UAM) Asignatura: Econometría II
Tema 5: Planteamiento de los modelos de series temporales Coro Chasco Yrigoyen Universidad Autónoma de Madrid (UAM) Asignatura: Econometría II 1 Parte II. Modelos univariantes de series temporales Tema
Más detallesProcesos 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 detallesSéptima 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 detallesCAPITULO 4 4. SOFTWARE UTILIZADO PARA EL ANÁLISIS DE SERIES DE TIEMPO. En el presente capitulo se realizara una descripción del tipo de software
9 CAPITULO. SOFTWARE UTILIZADO PARA EL ANÁLISIS DE SERIES DE TIEMPO En el presente capitulo se realizara una descripción del tipo de software utilizado para el análisis de series de tiempo que se presenta
Más detallesEl ejemplo que utilizaremos en este artículo ha empleado los siguientes precios:
Oracle Crystal Ball lanzó en los últimos días la nueva versión Crystal Ball 11.1.2.1 la cual brinda nuevas técnicas de modelación de supuestos a los modelos de simulación, principalmente aplicados a las
Más detallesANÁLISIS EN EL DOMINIO DEL TIEMPO
Matemáticas y Estadística aplicada POLITÉCNICA ANÁLISIS EN EL DOMINIO DEL TIEMPO Indice de contenidos: INTRODUCCIÓN MODELOS DE SERIES TEMPORALES (Box-Jenkins, 1973): De Procesos estacionarios De Procesos
Más detallesPart III. Modelos Box-Jenkins. Series de Tiempo. Germán Aneiros Pérez. Introducción. Procesos ARMA: Procesos ARIMA:
Part III Modelos Box-Jenkins Bibliografía Bibliografía Brockwell, P.J. y Davis, R.A. (2002). Introduction to Time Series and Forecasting. 2 a edición. Springer. Cowpertwait, P.S.P. y Metcalfe, A.V. (2009).
Más detallesEXAMEN DE ECONOMETRÍA 08/07/99-1
EXAMEN DE ECONOMETRÍA 08/07/99 - TEORÍA (2p) T- Metodología Box-Jenkins. CUESTIONES (2p) C- Tratar de formular al menos dos modelos ARIMA para la serie CONSUMO DE ENERGÍA ELÉCTRICA, de la cual conocemos
Más detallesHerramientas para el Estudio de Mercado. Técnicas de Predicción.
Herramientas para el Estudio de Mercado Proyecciones Económicas Técnicas de Predicción. Profesor: Exaú Navarro Pérez Técnicas de Predicción. Introducción. Técnicas Elementales de Predicción. Modelo Econométrico.
Más detallesTODO ECONOMETRÍA. A continuación voy a realizar un primer gráfico para observar el comportamiento de mi serie.
Sabemos que se aprende de las regularidades del comportamiento pasado de la serie y se proyectan hacia el futuro. Por lo tanto, es preciso que los procesos aleatorios generadores de las series temporales
Más detallesIntroducción a series de tiempo
Introducción a series de tiempo Aniel Nieves-González Abril 2013 Aniel Nieves-González () Time Series Abril 2013 1 / 20 Definiciones Definition (Serie de tiempo (Time Series)) Una serie de tiempo (ST)
Más detallesIntroducción a series de tiempo
Introducción a series de tiempo Aniel Nieves-González Spring 2014 Aniel Nieves-González () Time Series Spring 2014 1 / 20 Definiciones Definition (Serie de tiempo (Time Series)) Una serie de tiempo (ST)
Más detallesAnálisis de Series de Tiempo. Universidad Nacional Autónoma de México. M. en C. César Almenara Martínez. 10 de Noviembre de 2010.
Análisis de Series de Tiempo. M. en C. César Almenara Martínez. Universidad Nacional Autónoma de México. 10 de Noviembre de 2010. 1 Receta. 2 Análisis. 1 Receta. 2 Análisis. Para hacer un análisis básico
Más detallesModelos Arma y método Box & Jenkins
Modelos Arma y método Box & Jenkins Alumno: Aldo Fournies Pallavicini. Profesor: Humberto Villalobos. 17/07/2013 Índice. Introducción... 3 Conceptos Básicos... 4 Modelos de autoregresión.... 5 Modelo AR(p)...
Más detallesMétodos de Suavizamiento (con Eviews y Stata)
Curso de Econometría de Series de Tiempo Facultad de Economía Universidad Nacional Autónoma de México Métodos de Suavizamiento (con Eviews y Stata) Profesor: Juan Francisco Islas Adjunto: Miguel Heras
Más detallesProcesos 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 detallesMETODOLOGÍA DE PROYECCIONES A CORTO PLAZO DE LLEGADA DE TURISTAS PARA EL AÑO 2017 Box and Jenkins
20 17 METODOLOGÍA DE PROYECCIONES A CORTO PLAZO DE LLEGADA DE TURISTAS PARA EL AÑO 2017 METODOLOGÍA DE PROYECCIONES A CORTO PLAZO DE LLEGADA DE TURISTAS PARA EL AÑO 2017 FOTO DE PORTADA: Nombre: Laguna
Más detallesPRACTICAS SOBRE LA MODELIZACIÓN DE SERIES TEMPORALES MENSUALES CON LA METODOLOGÍA DE BOX-JENKINS
PRACTICAS SOBRE LA MODELIZACIÓN DE SERIES TEMPORALES MENSUALES CON LA METODOLOGÍA DE BOX-JENKINS Preparado por Dolores García Martos FICO GR 21 Guía para seleccionar el orden de un proceso autorregresivo
Más detallesANÁLISIS ESTADÍSTICO REGRESIÓN LINEAL SIMPLE
ANÁLISIS ESTADÍSTICO REGRESIÓN LINEAL SIMPLE Jorge Fallas jfallas56@gmail.com 2010 1 Temario Introducción: correlación y regresión Supuestos del análisis Variación total de Y y variación explicada por
Más detallesControl Estadístico de Procesos con Statgraphics Plus Gráficos de Control con Memoria
Control Estadístico de Procesos con Statgraphics Plus Gráficos de Control con Memoria 1 GRAFICOS DE CONTROL CUSUM Statgraphics permite dos tipos de gráficos de control CUSUM: con plantilla V y algorítmico
Más detallesCurso de Predicción Económica y Empresarial Edición 2004
Curso de Predicción Económica y Empresarial www.uam.es/predysim Edición 24 UNIDAD 4: TÉCNICAS AVANZADAS DE PREDICCIÓN Ejercicio 2: Contraste de cointegración y estimación de un modelo VEC en EViews Solución
Más detallesPráctica 4 EJERCICIOS 1.- REGRESIÓN LINEAL SIMPLE 5.1 Regresión de Peso sobre Altura Datos en Encuesta.sgd a) Estudio descriptivo de ambas variables
EJERCICIOS 1.- REGRESIÓN LINEAL SIMPLE 5.1 Regresión de Peso sobre Altura Datos en Encuesta.sgd a) Estudio descriptivo de ambas variables Marco elementos atípicos: b) Obtener la recta de regresión y comprobar
Más detallesPRÁCTICA 5: CONTRASTES DE HIPÓTESIS PARAMÉTRICOS
PRÁCTICA 5: CONTRASTES DE HIPÓTESIS PARAMÉTRICOS Objetivos Plantear y resolver problemas mediante la técnica de contraste de hipótesis. Asimilar los conceptos relativos a contrastes de hipótesis, tales
Más detallesSOLUCIONES PRÁCTICA 6: SERIES TEMPORALES DIPLOMADO EN ESTADÍSTICA
SOLUCIONES PRÁCTICA 6: SERIES TEMPORALES DIPLOMADO EN ESTADÍSTICA Problema 1 Calcular las primeras 12 autocorrelaciones simples teóricas del proceso (1 0,8B)Y t = (1 0,5B 12 )a t utilizando tanto la fórmula
Más detallesModelos Lineales. Regresión Lineal Múltiple. Práctica 5
Práctica 5 Vamos a analizar con STATGRAPHICS el problema de estimación, descomposición de la variabilidad, contraste de regresión, intervalos de confianza para los parámetros, y predicciones, sobre un
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 detallespeso edad grasas Regresión lineal simple Los datos
Regresión lineal simple Los datos Los datos del fichero EdadPesoGrasas.txt corresponden a tres variables medidas en 25 individuos: edad, peso y cantidad de grasas en sangre. Para leer el fichero de datos
Más detallesIntroducción al Análisis de Series Temporales
Cálculo de Tendencias y Estacionalidad Los contenidos a desarrollar en este tema son los siguientes: Gráficos temporales. Series estacionarias y no estacionarias. Descomposición de una serie: tendencia,
Más detallesTercera práctica de REGRESIÓN.
Tercera práctica de REGRESIÓN. DATOS: fichero practica regresión 3.sf3 1. Objetivo: El objetivo de esta práctica es aplicar el modelo de regresión con más de una variable explicativa. Es decir regresión
Más detallesMotivación. Motivación PRONOSTICOS DE DEMANDA
4 PRONOSTICOS DE DEMANDA Dr. Jorge Ibarra Salazar Profesor Asociado Departamento de Economía Tecnológico de Monterrey Motivación Estudio de los métodos para pronosticar las ventas a partir de datos observados.
Más detallesCurso 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 detallesPrimera práctica de REGRESIÓN.
Primera práctica de REGRESIÓN. DATOS: fichero practica regresión 1.sf3 1. Objetivo: El objetivo de esta práctica es aprender cuándo se puede utilizar el análisis de regresión. En la primera parte se presentan
Más detallesCurso de Predicción Económica y Empresarial Edición 2004
Curso de Predicción Económica y Empresarial www.uam.es/predysim Edición 2004 UNIDAD 3: MODELOS ARIMA La identificación del modelo a partir de la fac y facp Tal y como se ha señalado, para identificar el
Más detallesModelos de Calibración
Modelos de Calibración Resumen El procedimiento Modelos de Calibración esta diseñado para construir un modelo estadístico que describe la relación entre variables, X y Y, donde construir un modelo es construir
Más detallesEconometría II Práctica 1. Procesos ARMA Estacionarios Univariantes
Econometría II Práctica 1. Procesos ARMA Estacionarios Univariantes December 4, 2006 1 Introducción En muchas ocasiones, en el análisis de variables económicas, los datos estan disponibles en forma temporal.
Más detallesUNIVERSIDAD NACIONAL AUTÓNOMA DE MÉXICO FACULTAD DE ESTUDIOS SUPERIORES ACATLÁN LICENCIATURA EN ECONOMÍA PROGRAMA DE ASIGNATURA HORAS SEMESTRE
UNIVERSIDAD NACIONAL AUTÓNOMA DE MÉXICO FACULTAD DE ESTUDIOS SUPERIORES ACATLÁN LICENCIATURA EN ECONOMÍA PROGRAMA DE ASIGNATURA CLAVE 6º Semestre ECONOMETRÍA II MODALIDAD (CURSO, TALLER, LABORATORIO, ETC.)
Más detallesMODELOS DE SERIES TEMPORALES EN FINANZAS (I): MODELOS ARIMA
MODELOS DE SERIES TEMPORALES EN FINANZAS (I): MODELOS ARIMA Modelización Económica II Referencias: Mills y Markellos (2008) "The Econometric Modelling of Financial Time Series", Cambridge University Press.
Más detallesPrácticas de Fiabilidad
Prácticas de Fiabilidad Práctica : Objetivo: En esta práctica se van a ajustar datos censurados. De los tres tipos de censura existentes se va a trabajar con la censura aleatoria, es decir, el proceso
Más detallesDIPLOMADO EN RELACIONES LABORALES Estadística Asistida por Ordenador Curso
Índice general 7. Análisis de variables temporales 3 7.1. Conceptos generales....................................... 3 7.2. Análisis de una serie temporal con Statgraphics........................ 4 7.2.1.
Más detallesD to de Economía Aplicada Cuantitativa I Basilio Sanz Carnero
D to de Economía Aplicada Cuantitativa I Basilio Sanz Carnero Tendencia estocástica y determinista Una serie de tiempo tiene tendencia estocástica (o también denominadas estacionarias en diferencias) cuando
Más detallesPRÁCTICA 8: CONTRASTES DE HIPÓTESIS PARAMÉTRICOS
PRÁCTICA 8: CONTRASTES DE HIPÓTESIS PARAMÉTRICOS Objetivos Plantear y resolver problemas mediante la técnica de contraste de hipótesis. Asimilar los conceptos relativos a contrastes de hipótesis, tales
Más detallesEconometría 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 detallesINDICE. XV 1. Introducción a los pronósticos Actividad
INDICE Prefacio XV 1. Introducción a los pronósticos 1 Historia de los pronósticos La necesidad de pronosticar 2 Tipos de pronostico Pronóstico macroeconómico 4 Selección del método de pronostico 5 Pasos
Más detallesCurso de Predicción Económica y Empresarial Edición 2004
Curso de Predicción Económica y Empresarial www.uam.es/predysim Edición 2004 UNIDAD 3: MODELOS ARIMA Ejercicio 1: Aplicación de los test de detección de raíces unitarias en EViews Solución A) IDENTIFICACIÓN
Más detallesMODELADO DE DOS INTERVENCIONES EN ALGUNAS SERIES DE PARADOS DE CASTILLA Y LEÓN (*)
XV MODELADO DE DOS INTERVENCIONES EN ALGUNAS SERIES DE PARADOS DE CASTILLA Y LEÓN (*) María Cruz VALSERO BLANCO Luis GUERRA VALSERO Universidad de Valladolid SUMARIO 1. INTRODUCCIÓN. 2. MODELOS. 3. ANÁLISIS
Más detallesUniversidad Mariano Gálvez Ingeniería Electrónica Estadística inferencial. Presenta Dra. En Ing. Rita Victoria de León Ardón
Universidad Mariano Gálvez Ingeniería Electrónica Estadística inferencial Presenta Dra. En Ing. Rita Victoria de León Ardón Objetivo de la presentación Desarrollar el concepto de regresión múltiple y sus
Más detallesEconometría Aplicada
Econometría Aplicada Series de Tiempo II Víctor Medina Estacionalidad Estacionalidad Estacionalidad Variación estacional Las series de tiempo pueden presentar variación estacional. Ejemplos claros de este
Más detallesPronóstico. Pronósticos. Factores Controlables. Porqué? Objetivo. Factores Incontrolables
2 Pronóstico Pronósticos Es una estimación cuantitativa o cualitativa de uno o varios factores (variables) que conforman un evento futuro, con base en información actual o del pasado Administración de
Más detallesAnálisis 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 detallesDeterminantes de la Demanda de Especies Monetarias* US dólares en El Salvador
Determinantes de la Demanda de Especies Monetarias* US dólares en El Salvador *Demanda de dinero para este trabajo deberá entenderse como el retiro de efectivo que realizan los bancos comerciales en el
Más detallesAplicación del Análisis de la Varianza para estudiar el tiempo de acceso en las aulas informáticas
Aplicación del Análisis de la Varianza para estudiar el tiempo de acceso en las aulas informáticas Apellidos, nombre Capilla Romá, Carmen 1 (ccapilla@eio.upv.es) Departamento Centro 1 Estadística e Investigación
Más detallesRegresión 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 detallesEstadística II Ejercicios Tema 5
Estadística II Ejercicios Tema 5 1. Considera los cuatro conjuntos de datos dados en las transparencias del Tema 5 (sección 5.1) (a) Comprueba que los cuatro conjuntos de datos dan lugar a la misma recta
Más detallesBioestadística. Curso Práctica: La recta de regresión
Bioestadística. Curso 2012-2013 Carmen M a Cadarso, M a del Carmen Carollo, Xosé Luis Otero, Beatriz Pateiro Índice 1. Introducción 2 2. El diagrama de dispersión 2 3. Covarianza 4 4. Coeciente de correlación
Más detallesSegunda práctica de REGRESIÓN.
Segunda práctica de REGRESIÓN. DATOS: fichero practica regresión 2.sf3. Objetivo: El objetivo de esta práctica es interpretar una regresión y realizar correctamente la diagnosis. En la primera parte se
Más detallesPROYECCIONES DEL TURISMO INTERNACIONAL
20 17 PROYECCIONES DEL TURISMO INTERNACIONAL Proyección de la Llegada de Turistas Extranjeros a Chile durante el 2025 y 2030, y de los principales mercados a marzo del 2018. Subsecretaría de Turismo Servicio
Más detallesAnálisis de datos del Aguacate Hass (presentación caja 10 kilogramos)
Análisis de datos del Aguacate Hass (presentación caja 10 kilogramos) Alberto Contreras Cristán, Miguel Ángel Chong Rodríguez. Departamento de Probabilidad y Estadística Instituto de Investigaciones en
Más detallesT R A B A J O D E I N V E S T I G A C I O N D E O P E R A C I O N E S I
UNIVERSIDAD SAN MARTIN DE PORRES FACULTAD DE INGENIERIA Y ARQUITECTURA T R A B A J O D E I N V E S T I G A C I O N D E O P E R A C I O N E S I A N A L I S I S D E P R O N Ó S T I C O S F O R E C A S T
Más detallesMODELOS DE SERIES TEMPORALES EN FINANZAS (II): MODELOS ARCH-GARCH Modelización Económica II
MODELOS DE SERIES TEMPORALES EN FINANZAS (II): MODELOS ARCH-GARCH Modelización Económica II Referencias: Gouriéroux (1997) "ARCH Models and Financial Applications", Springer. ARCH-GARCH () Javier Perote
Más detallesCURSO ECONOMETRÍA BÁSICA MULTISOFTWARE
CURSO ECONOMETRÍA BÁSICA MULTISOFTWARE El objetivo de este curso es la presentación de las técnicas econométricas básicas, tanto clásicas como modernas, y su tratamiento con las herramientas más adecuadas
Más detallesAjuste de Regresión Lineal Simple
Ajuste de Regresión Lineal Simple Hugo Alberto Brango García 1 1 Universidad de Córdoba Estadística II Mayo de 2014 Análisis de Regresión Mayo de 2014 1 / 33 Supuestos sobre los residuales del modelo Normalidad
Más detalles7. REGRESIÓN POR MÍNIMOS CUADRADOS: REGRESIÓN POLINOMIAL. Jorge Eduardo Ortiz Triviño
7. REGRESIÓN POR MÍNIMOS CUADRADOS: REGRESIÓN POLINOMIAL Jorge Eduardo Ortiz Triviño jeortizt@unal.edu.co http:/www.docentes.unal.edu.co/jeortizt/ Introducción Los datos frecuentemente son dados para valores
Más detallesDiplomado 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 detallesMás 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 detallesPráctica de Control Estadístico de Procesos Control por Variables
Práctica de Control Estadístico de Procesos Control por Variables Fichero de datos: Sensorpresion.sf3 1. Los datos Un sensor de presión ha de trabajar en condiciones de alta temperatura. Para controlar
Más detallesEJC 22: METODOLOGÍA BOX JENKINS
EJC 22: METODOLOGÍA BOX JENKINS La publicación de G.P.E Box y G.M Jenkins Times Series Análisis: Forecasting and Control en la década de los 70 s generó un nuevo conjunto de herramientas de predicción,
Más detallesSe aplicaron de forma paralela diferentes modelos de pronósticos cuantitativos a la
CAPITULO V 5.1 RESULTADOS Se aplicaron de forma paralela diferentes modelos de pronósticos cuantitativos a la información disponible, esto es a la demanda del producto durante cinco años y medio, de enero
Más detallesIntroducción al programa EViews
Introducción al programa EViews EViews es un programa estadístico diseñado especialmente para el estudio de series temporales. El concepto de objeto es muy importante en el funcionamiento del programa
Más detallesTEMA 3 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 3 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 Motivación El proceso de construcción de un modelo univariante ARIMA se basa en un procedimiento iterativo en el que el conocimiento de las
Más detallesSERIES TEMPORALES. Isabel Molina Peralta. Departamento de Estadística Universidad Carlos III de Madrid. Roland Fried
SERIES TEMPORALES Isabel Molina Peralta Departamento de Estadística Universidad Carlos III de Madrid Roland Fried Department of Statistics Technique University of Dormund 1 CONTENIDO 0. Introducción. 1.
Más detallesANEXO 3-A LA LECTURA DE UNA ESPECIE DE COMPUTADORA
ANEXO 3-A LA LECTURA DE UNA ESPECIE DE COMPUTADORA La presente sección busca echar un vistazo en el mundo del análisis de regresión. Presentamos, pues, tres extractos de salidas de computadora que provienen
Más detallesIdentificación Paramétrica
Identificación Paramétrica Métodos para la Obtención de un Modelo Discreto Un modelo, incluyendo el ruido o perturbación, a tiempo discreto puede ser representado por la siguiente i ecuación Donde: ( )
Más detallesObjetivo: Proponer modelos para analizar la influencia
TEMA 3: REGRESIÓN LINEAL SIMPLE Objetivo: Proponer modelos para analizar la influencia de una variable cuantitativa sobre un fenómeno que nos interesa estudiar. 1. Modelo lineal l de regresión 2. Estimación
Más detallesEXTRACCIÓN DE SEÑALES EN MODELOS ARIMA
EXTRACCIÓN DE SEÑALES EN MODELOS ARIMA 1- Densidad espectral (espectro) y periodograma Los primeros estudios de las series temporales se realizaron en el dominio del tiempo y se utilizaron diversos métodos
Más detallesPRÁCTICA 3. REGRESIÓN LINEAL SIMPLE CON SPSS Ajuste de un modelo de regresión lineal simple Porcentaje de variabilidad explicado
PÁCTICA 3. EGESIÓN LINEAL SIMPLE CON SPSS 3.1. Gráfico de dispersión 3.2. Ajuste de un modelo de regresión lineal simple 3.3. Porcentaje de variabilidad explicado 3.4 Es adecuado este modelo para ajustar
Más detallesINDICE. 81 Operadores lógicos Funciones exponenciales y logarítmicas Funciones trigonométricas
INDICE Introducción XV Capitulo 1. Instalación y primeros pasos en SPSS 10 Instalación de SPSS 10 1 Comenzando con SPSS 10 8 El trabajo de trabajo de SPSS 10 9 Opciones de a barra de menú principal 10
Más detallesEJERCICIO T2 NOMBRE: Correctas Incorrectas En Blanco Puntos
ECONOMETRÍA APLICADA EJERCICIO T2 APELLIDOS: NOMBRE: FIRMA: GRUPO: DNI: Pregunta 1 A B C En Blanco Pregunta 2 A B C En Blanco Pregunta 3 A B C En Blanco Pregunta 4 A B C En Blanco Pregunta 5 A B C En Blanco
Más detalles