Econometría de series de tiempo aplicada a macroeconomía y finanzas
|
|
- José Manuel Cáceres Soriano
- hace 7 años
- Vistas:
Transcripción
1 Econometría de series de tiempo aplicada a macroeconomía y finanzas Series de Tiempo no Estacionarias Carlos Capistrán Carmona ITAM
2 Tendencias Una tendencia es un movimiento persistente de largo plazo de una variable a través del tiempo. Una serie de tiempo fluctua alrededor de su tendencia. Existen dos clases de tendencias: Una tendencia determinística es una función no aleatoria del tiempo. Por ejemplo, puede ser lineal en el tiempo. Si la inflación se incrementara 0.1 de punto porcentual cada trimestre, podríamos escribir esta tendencia como 0.1t, t medido en trimestres. Una tendecia estocástica es aleatoria y cambia con el tiempo. Por ejemplo, una tendencia estocástica en la inflación podría presentar incrementos por un periodo largo de tiempo, seguido por un periodo largo de reducciones. Hay que tener cuidado al definir la tendecia. Si medimos la temperatura entre las 6:00 am y las 12:00 pm, podemos pensar que el proceso que genera la temperatura durante el día tiene una tendencia creciente.
3 Caminata aleatoria o Random Walk El modelo más simple de una variable con una tendencia estocástica es una caminata aleatoria. Una serie de tiempo y t sigue una caminata aleatoria si el cambio en y t es i.i.d., esto es, si: y t = y t 1 + ε t ε t es i.i.d. En general, es común referirse a una serie como caminanta aleatoria si sigue un modelo como el anterior pero con E [ε t y t 1, y t 2,...] = 0 La idea básica atrás de una caminata aleatoria es que el valor de una serie mañana es el valor de hoy más un cambio impredecible (la trayectoria de y t sigue pasos aleatorios). E [y t y t 1, y t 2,...] = y t 1. Si y t sigue una caminata aleatoria, el mejor pronóstico del valor de mañana es el valor de hoy. Si la serie tiene una tendecia a moverse, esta se conoce como caminata aleatoria con tendencia (o Random walk with drift ): y t = α 0 + y t 1 + ε t
4 Una caminata aleatoria no es estacionaria Si y t sigue una caminata aleatoria, entonces no es estacionaria. La varianza de una caminata aleatoria aumenta con el tiempo, por lo que la distribución de y t cambia con el tiempo: y t = y t 1 + ε t, var (y t ) = var (y t 1 ) + var (ε t ), var (y t ) = var (y t 1 ) Otra forma de verlo es pensando que y t empieza en cero, es decir, y 0 = 0. Entonces, y 1 = ε 1, y 2 = ε 1 + ε 2, de tal forma que y t = ε 1 + ε ε t. Y por lo tanto, var (y t ) = var (ε 1 + ε ε t ) = tσ 2 ε. A pesar de que las autocorrelaciones poblacionales de una caminata aleatoria no están definidas, las autocorrelaciones muestrales tienden a ser cercanas a 1.
5 Tendencias estocásticas, modelos autorregresivos y raíces unitarias La caminata aleatoria es un caso especial de un AR(1) con α 1 = 1. Es decir, si α 1 = 1, entonces y t tiene una tendencia estocástica y no es estacionaria. En cambio, si α 1 < 1, entonces y t es estacionaria. Para el caso de un AR(p), la condición que se debe cumplir para que sea estacionario es que las soluciones a la ecuación 1 α 1 z α 2 z 2... α p z p = 0 tienen que ser mayores a 1 en valor absoluto (i.e., las raíces del polinomio tienen que estar fuera del círculo unitario). En el caso de un AR(1), la raíz es z = 1 α 1, por lo que la raíz es mayor a uno en valor absoluto si α 1 < 1. Si el AR(p) tiene una raíz que es igual a 1, entonces la serie tiene una raíz unitaria y tiene una tendencia estocástica.
6 Problemas ocasionados por tendencias estocásticas Si el regresor tiene una raíz unitaria, el estimador de MCO de su coeficiente y su estadístico t de MCO, pueden tener distribuciones distintas a la normal, incluso en muestras grandes. Esto genera por lo menos tres problemas específicos: 1 El estimador del coeficiente del autorregresivo en un AR(1) está sesgado hacia 0 si su verdadero valor es 1. 2 Los estadísticos t de los regresores con tendencias estocásticas pueden tener una distribución diferente a la normal, incluso en muestras grandes. 3 Dos series que son independientes podrían, con alta probabilidad, parecer estar relacionadas si ambas tienen tendencias estocásticas (regresión espuria).
7 Pruebas de raíz unitaria en procesos autorregresivos De manera informal, podemos detectar tendencias en series de tiempo utilizando la gráfica de la serie contra el tiempo y el correlograma. En particular, si la serie tiene una tendencia estocástica, la primera autocorrelación es cercana a 1, por lo tanto, una primera autocorrelación pequeña y una gráfica contra el tiempo que no muestra una tendencia sugieren que la serie no tiene una tendecia. Un procedimiento más formal consiste en llevar a cabo una prueba de raíz unitaria. Una prueba muy usada, y una de las más confiables, es la prueba de Dickey-Fuller (1979).
8 Pruebas de raíz unitaria en procesos autorregresivos La prueba de Dickey-Fuller para el AR(1) Sea X t un proceso AR(1): X t = ρx t 1 + ε t X t X t 1 = ρx t 1 X t 1 + ε t X t = (ρ 1)X t 1 + ε t X t = ax t 1 + ε t. Si ρ = 1,entonces X t sigue una caminata aleatoria (es no estacionaria), por lo tanto: H 0 : a = 0 (i.e. raíz unitaria) H a : a < 0 (i.e. serie estacionaria). donde la hipótesis alternativa corresponde a estacionariedad.
9 Pruebas de raíz unitaria en procesos autorregresivos La prueba de Dickey-Fuller para el AR(1) Existen tres formas de realizar la prueba: X t = ax t 1 + ε t X t = m + ax t 1 + ε t, (i.e., con constante) X t = m + αt + ax t 1 + ε t, (i.e., con constante y tendencia). estas son distintas dependiendo de qué proceso estocástico se asuma para la hipótesis alternativa. La prueba esta basada en â o en tâ. Si el valor de tâ es muy grande, entonces rechazamos la hipótesis nula de raiz unitaria. El estadistico asociado a â, tâ, es conocido como Estadístico Dickey-Fuller, el cual posee una distribución diferente a una t, y por lo tanto posee diferentes valores críticos. El valor crítico correspondiente a la prueba con un constante, y un nivel de significancia de 5% es 2.86, mientras que el correspondiente a una normal sería 1.64.
10 Pruebas de raíz unitaria en procesos autorregresivos La prueba de Dickey-Fuller Aumentada La prueba se puede aumentar para aplicarla a procesos AR(p), la regresion de la ADF es: X t = (m+)ax t 1 (+β 0 t) + β 1 X t β k X t k + ε t H 0 : a = 0 (i.e. raíz unitaria) H 1 : a < 0 (i.e. serie estacionaria). Se realiza la prueba de esta manera, por que en la DF, ε t podría no ser ruido blanco, lo que afectaría la distribución de â. Se utiliza algun criterio de información, como BIC o AIC, para seleccionar los k rezagos. La Prueba de Dickey-Fuller Aumentada usa las mismas tablas que la Prueba de Dickey-Fuller.
11 Cambios estructurales Son otro tipo de no-estacionaridad que surge cuando la función de regresion poblacional cambia durante la muestra. Pueden surgir por cambios discretos en los coeficientes de la regresión o por una evolución gradual de estos.
12 Cambios estructurales Problemas causados por cambios estructurales Si existe un cambio estructural en la muestra y estimamos una regresión utilizando MCO, los estimadores usando toda la muestra estimarán una regresión promedio (van a combinar los dos periodos), lo que afectará negativamente la inferencia y los pronósticos. La magnitud del problema depende de donde ocurra el cambio (en qué parte de la muestra).
13 Cambios estructurales Cómo se modelan los cambios estructurales? La manera más sencilla de modelar los cambios estructurales es por medio de variables dicotómicas (i.e. variables dummy). Supongamos un caso con la siguiente forma poblacional: y t = α 0 + u t en la cual exista un cambio estructural en el parametro α 0 en el tiempo τ. Definimos la variable dicotómica: D = { 0, t = 0...τ 1 1, t = τ...t Podemos entonces correr la regresión: y t = α 0 + γ 0 D + u t E[y t D = 0] = α 0 E[y t D = 1] = α 0 + γ 0
14 Cambios estructurales Cómo se modelan los cambios estructurales? Si la forma poblacional fuera, y t = α 0 + α 1 x t + u t, y exisitiera un cambio estructural en la misma fecha que afectara tanto al parámetro α 0 cómo al parámetro α 1,la variable dicotómica se utiliza de la siguiente manera: y t = α 0 + γ 0 D + α 1 x t + γ 1 Dx t + u t E[y t D = 0] = α 0 + α 1 x t E[y t D = 1] = (α 0 + γ 0 ) + (α 1 + γ 1 ) x t
15 Cambios estructurales Pruebas para detectar cambios estructurales Si la fecha de cambio es conocida, se pueden utilizar variables dummies para probar si existe el cambio estructural. Por ejemplo, sea el modelo poblacional: y t = α 0 + α 1 y t 1 + α 2 x t + u t u t iid(0, σ 2 ) con fecha de cambio estructural conocida, τ. Formamos la variable dicotómica: { 0, t < τ D = 1, t τ Incorporando la dummy a la forma poblacional anterior: y t = α 0 + γ 0 D t (τ) + α 1 y t 1 + γ 1 D t (τ)y t 1 + α 2 x t + γ 2 D t (τ)x t + u H 0 : γ 0 = γ 1 = γ 2 = 0 No existe cambio estructural en τ H 1 : γ i = 0 i = 1, 2, ó, 3 Si existe cambio estructural en τ
16 Cambios estructurales Pruebas para detectar cambios estructurales A la prueba descrita anteriormente se le conoce como Prueba de Chow. Los supuestos para poder realizar la prueba de Chow son: La fecha de cambio es conocida de manera exógena. La varianza de los errores no cambia, en caso de existir cambios en la varianza, no será posible detectar los cambios buscados. Un punto importante de la prueba de Chow es que es flexible como para poder buscar cambios estructurales en cualquier subconjunto de los coeficientes de la regresion, es decir, se puede probar la existencia de cambios estructurales únicamente en α 0, ó en α 0, α 1, ó en α 0, α 1, α 2, etc.
17 Cambios estructurales Pruebas para detectar cambios estructurales cuando la fecha del cambio no es conocida En estos casos, suponemos que el cambio estructural ocurrió entre una fecha τ 0 y τ 1 (τ 0 podría ser el inicio de la muestra y τ 1 podría ser el final de la muestra). Se calcula la prueba de Chow para cada una de las observaciones entre τ 0 y τ 1. Una vez que se tienen los n estadísticos F que se derivan de las n pruebas de Chow, se realiza la prueba conocida como QLR: QLR = máx [F(τ 0 ), F(τ o + 1),..., F(τ 1 )]
18 Cambios estructurales Pruebas para detectar cambios estructurales cuando la fecha del cambio no es conocida El estadístico QLR selecciona la F más grande. La fecha correspondiente al estadístico F más grande, es la fecha de cambio estimada. Dado que el estadístico QLR es el máximo de muchos estadísticos F, su distribución no es la de una F individual. Se necesita una distribucion que depende del número de restricciones en las pruebas conjuntas y de τ 0 /T y τ 1 /T. Las tablas con la distribución del estadístico QLR se pueden encontrar en Andrews, D.W.K (2003) Econométrica.
19 Cambios estructurales Pruebas para detectar cambios estructurales cuando la fecha del cambio no es conocida Debido a que la distribución asintótica asume que τ 0 y τ 1 no están en los extremos, lo que se hace para tener buenas estimaciones es no utilizar el principio ni el final de la muestra. Así si se fija un triming de 15%, τ 0 = 0.15T y τ 1 = 0.75T, y por lo tanto sólo se utilizaría el 70% de la muestra.
20 Bibliografía Enders, Walter Applied Econometric Time Series. 3a ed. New Jersey:Wiley. Hamilton, James D Times Series Analysis. Princeton University Press. Hansen, B.E The New Econometrics of Structural Change: Dating Breaks in US Labor Productivity. The Journal of Economic Perspectives, 15(4), Stock, James H. y Mark W. Watson n edition. Introduction to Econometrics. Pearson, Addison Wesley.
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 detallesECONOMETRIA ORDEN DE INTEGRACIÓN N Y RAÍCES UNITARIAS. Mtro. Horacio Catalán Alonso
ECONOMETRIA ORDEN DE INTEGRACIÓN N Y RAÍCES UNITARIAS Mtro. Horacio Catalán Alonso Orden de Integración ORDEN DE INTEGRACIÓN Econometría (1) X t = X t-1 + u t Como: E(u t ) = 0 y la Var(u t ) = 2 constante
Más detallesTeorema Central del Límite (1)
Teorema Central del Límite (1) Definición. Cualquier cantidad calculada a partir de las observaciones de una muestra se llama estadístico. La distribución de los valores que puede tomar un estadístico
Más detallesECONOMETRÍA II: ECONOMETRÍA DE SERIES TEMPORALES. Modelos ARMA
ECONOMETRÍA II: ECONOMETRÍA DE SERIES TEMPORALES Modelos ARMA Definición: Ruido blanco. Se dice que el proceso {ɛ t } es ruido blanco ( white noise ) si: E(ɛ t ) = 0 Var(ɛ t ) = E(ɛ 2 t ) = σ 2 Para todo
Más detallesAgro 6998 Conferencia 2. Introducción a los modelos estadísticos mixtos
Agro 6998 Conferencia Introducción a los modelos estadísticos mixtos Los modelos estadísticos permiten modelar la respuesta de un estudio experimental u observacional en función de factores (tratamientos,
Más detallesTema 9: Contraste de hipótesis.
Estadística 84 Tema 9: Contraste de hipótesis. 9.1 Introducción. El objetivo de este tema es proporcionar métodos que permiten decidir si una hipótesis estadística debe o no ser rechazada, en base a los
Más detallesESTADÍSTICA. Tema 4 Regresión lineal simple
ESTADÍSTICA Grado en CC. de la Alimentación Tema 4 Regresión lineal simple Estadística (Alimentación). Profesora: Amparo Baíllo Tema 4: Regresión lineal simple 1 Estructura de este tema Planteamiento del
Más detallesMulticolinealidad. Universidad de Granada. RSG Incumplimiento de las hipótesis básicas en el modelo lineal uniecuacional múltiple 1 / 17
Román Salmerón Gómez Universidad de Granada RSG Incumplimiento de las hipótesis básicas en el modelo lineal uniecuacional múltiple 1 / 17 exacta: aproximada: exacta: aproximada: RSG Incumplimiento de las
Más detallesTema 5. Muestreo y distribuciones muestrales
1 Tema 5. Muestreo y distribuciones muestrales En este tema: Muestreo y muestras aleatorias simples. Distribución de la media muestral: Esperanza y varianza. Distribución exacta en el caso normal. Distribución
Más detallesEconometria con Series Temporales
May 24, 2009 Porque series temporales? Inhabilidad de la economia de producir experimentos controlados para estudiar relaciones causales entre variables. Una alternativa consiste en estudiar estas relaciones
Más detallesTEMA 3: Contrastes de Hipótesis en el MRL
TEMA 3: Contrastes de Hipótesis en el MRL Econometría I M. Angeles Carnero Departamento de Fundamentos del Análisis Económico Curso 2011-12 Econometría I (UA) Tema 3: Contrastes de Hipótesis Curso 2011-12
Más detallesEconometría de series de tiempo aplicada a macroeconomía y finanzas
Econometría de series de tiempo aplicada a macroeconomía y finanzas Series de Tiempo Estacionarias (Univariadas) Carlos Capistrán Carmona ITAM Serie de tiempo Una serie de tiempo es una sequencia de valores
Más detallesPronósticos, Series de Tiempo y Regresión. Capítulo 4: Regresión Lineal Múltiple
Pronósticos, Series de Tiempo y Regresión Capítulo 4: Regresión Lineal Múltiple Temas Modelo de regresión lineal múltiple Estimaciones de Mínimos Cuadrados Ordinarios (MCO); estimación puntual y predicción
Más detallesEstadística y sus aplicaciones en Ciencias Sociales 6. Prueba de hipótesis. Facultad de Ciencias Sociales, UdelaR
Estadística y sus aplicaciones en Ciencias Sociales 6. Prueba de hipótesis Facultad de Ciencias Sociales, UdelaR Índice 1. Introducción: hipótesis estadística, tipos de hipótesis, prueba de hipótesis 2.
Más detallesProcesos estocásticos. Definición
Procesos estocásticos Definición http://humberto-r-alvarez-a.webs.com Definición de proceso estocástico Estudio del comportamiento de una variable aleatoria a lo largo del tiempo El ajuste de cualquier
Más detallesDeterminación del tamaño de muestra (para una sola muestra)
STATGRAPHICS Rev. 4/5/007 Determinación del tamaño de muestra (para una sola muestra) Este procedimiento determina un tamaño de muestra adecuado para la estimación o la prueba de hipótesis con respecto
Más detallesECONOMETRÍA II: ECONOMETRÍA DE SERIES TEMPORALES. Modelos VAR
ECONOMETRÍA II: ECONOMETRÍA DE SERIES TEMPORALES Modelos VAR Introducción modelos VAR Hasta ahora hemos estudiado modelos uniecuacionales Ahora vamos a estudiar un modelo multiecuacional que se llama Vector
Más detallesTema 4. El Modelo de Regresión Lineal con Series Temporales.
Tema 4. El Modelo de Regresión Lineal con Series Temporales. En este tema, estudiaremos en detalle la estimación e inferencia del modelo de regresión con datos de series temporales. Dadas las diferencias
Más detallesINFERENCIA ESTADISTICA
1 INFERENCIA ESTADISTICA Es una rama de la Estadística que se ocupa de los procedimientos que nos permiten analizar y extraer conclusiones de una población a partir de los datos de una muestra aleatoria,
Más detallesNombre y Apellidos:... EXAMEN ECONOMETRÍA II (Enero 2010)
Nombre y Apellidos:... NIU:... Grupo:... EXAMEN ECONOMETRÍA II (Enero 2010) Lea cuidadosamente cada pregunta. Marque muy claramente la respuesta de cada pregunta en la hoja de respuestas. Observe que los
Más detallesMétodos Estadísticos Multivariados
Métodos Estadísticos Multivariados Victor Muñiz ITESM Victor Muñiz (ITESM) Métodos Estadísticos Multivariados Agosto-Diciembre 2011 1 / 20 Victor Muñiz (ITESM) Métodos Estadísticos Multivariados Agosto-Diciembre
Más detallesRESUMEN 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 detallesSimulación I. Investigación Operativa, Grado en Estadística y Empresa, 2011/12
Simulación I Prof. José Niño Mora Investigación Operativa, Grado en Estadística y Empresa, 2011/12 Esquema Modelos de simulación y el método de Montecarlo Ejemplo: estimación de un área Ejemplo: estimación
Más detallesTema 5. Contraste de hipótesis (I)
Tema 5. Contraste de hipótesis (I) CA UNED de Huelva, "Profesor Dr. José Carlos Vílchez Martín" Introducción Bienvenida Objetivos pedagógicos: Conocer el concepto de hipótesis estadística Conocer y estimar
Más detallesCONTRASTE SOBRE UN COEFICIENTE DE LA REGRESIÓN
Modelo: Y =! 1 +! 2 X + u Hipótesis nula: Hipótesis alternativa H 1 :!!! 2 2 Ejemplo de modelo: p =! 1 +! 2 w + u Hipótesis nula: Hipótesis alternativa: H :!! 1 2 1. Como ilustración, consideremos un modelo
Más detallesExamen de Grado Sección de Econometría Agosto y se obtienen los siguientes resultados. Observe que parte de la información ha sido omitida.
Examen de Grado Sección de Econometría Agosto 2015 Pregunta 1. (40 puntos). Suponga que estamos interesados en determinar cuáles características del colegio y/o del hogar determinan el resultado de una
Más detallesPercepción de los Precios por Parte de los Hogares: El caso de la Electricidad en el Perú
Percepción de los Precios por Parte de los Hogares: El caso de la Electricidad en el Perú Luis Bendezú Medina Universidad de Chile Diciembre 2007 Contenido Introducción Modelo Teórico Implementación Empírica
Más detallesContraste de hipótesis Tema Pasos del contraste de hipótesis. 1.1 Hipótesis estadísticas: nula y alternativa. 1.3 Estadístico de contraste
1 Contraste de hipótesis Tema 3 1. Pasos del contraste de hipótesis 1.1 Hipótesis estadísticas: nula y alternativa 1.2 Supuestos 1.3 Estadístico de contraste 1.4 Regla de decisión: zona de aceptación y
Más detallesINDICE. Prólogo a la Segunda Edición
INDICE Prólogo a la Segunda Edición XV Prefacio XVI Capitulo 1. Análisis de datos de Negocios 1 1.1. Definición de estadística de negocios 1 1.2. Estadística descriptiva r inferencia estadística 1 1.3.
Más detallesTema 1. El Modelo de Regresión Lineal con Regresores Aleatorios.
ema El Modelo de Regresión Lineal con Regresores Aleatorios Introducción En este tema vamos a analizar las propiedades del modelo de regresión lineal con regresores aleatorios Suponer que los regresores
Más detalles1 Introducción. 2 Modelo. Hipótesis del modelo MODELO DE REGRESIÓN LOGÍSTICA
MODELO DE REGRESIÓN LOGÍSTICA Introducción A grandes rasgos, el objetivo de la regresión logística se puede describir de la siguiente forma: Supongamos que los individuos de una población pueden clasificarse
Más detallesESTADÍSTICA. Población Individuo Muestra Muestreo Valor Dato Variable Cualitativa ordinal nominal. continua
ESTADÍSTICA Población Individuo Muestra Muestreo Valor Dato Variable Cualitativa ordinal nominal Cuantitativa discreta continua DISTRIBUCIÓN DE FRECUENCIAS Frecuencia absoluta: fi Frecuencia relativa:
Más detallesSe permite un folio escrito por las dos caras. Cada problema se realiza en hojas diferentes y se entregan por separado.
NORMAS El examen consta de dos partes: 0.0.1. Diez Cuestiones: ( tiempo: 60 minutos) No se permite ningún tipo de material (libros, apuntes, calculadoras,...). No se permite abandonar el aula una vez repartido
Más detallesEstadística y sus aplicaciones en Ciencias Sociales 7. El modelo de regresión simple. Facultad de Ciencias Sociales - UdelaR
Estadística y sus aplicaciones en Ciencias Sociales 7. El modelo de regresión simple Facultad de Ciencias Sociales - UdelaR Índice 7.1 Introducción 7.2 Análisis de regresión 7.3 El Modelo de Regresión
Más detallesT4. Modelos con variables cualitativas
T4. Modelos con variables cualitativas Ana J. López y Rigoberto Pérez Dpto Economía Aplicada. Universidad de Oviedo Curso 2010-2011 Ana J. López y Rigoberto Pérez (Dpto EconomíaT4. Aplicada. Modelos Universidad
Más detallesINTERPRETACIÓN DE LA REGRESIÓN. Interpretación de la regresión
INTERPRETACIÓN DE LA REGRESIÓN Este gráfico muestra el salario por hora de 570 individuos. 1 Interpretación de la regresión. regresión Salario-Estudios Source SS df MS Number of obs = 570 ---------+------------------------------
Más detallesPruebas de Hipótesis. Diseño Estadístico y Herramientas para la Calidad. Pruebas de Hipótesis. Hipótesis
Diseño Estadístico y Herramientas para la Calidad Pruebas de Hipótesis Expositor: Dr. Juan José Flores Romero juanf@umich.mx http://lsc.fie.umich.mx/~juan M. en Calidad Total y Competitividad Pruebas de
Más detallesTema 8: Contraste de hipótesis
Tema 8: Contraste de hipótesis 1 En este tema: Conceptos fundamentales: hipótesis nula y alternativa, nivel de significación, error de tipo I y tipo II, p-valor. Contraste de hipótesis e IC. Contraste
Más detallesCRONOGRAMA DE LA ASIGNATURA TRABAJO DEL ALUMNO DURANTE LA SEMANA. Elegir el proyecto empírico que se va a realizar durante el curso.
1 1 Características de los datos económicos de series temporales. Procesos estocásticos y series temporales. Estacionareidad y ergodicidad. Función de autocorrelación simple (FAC) y parcial (PAC). (Marcar
Más detallesEconometria de Series Temporales
Econometria de Series Temporales Walter Sosa Escudero wsosa@udesa.edu.ar Universidad de San Andr es 1 Introduccion >Porque series temporales? ² Inhabilidad de la economia de producir experimentos controlados
Más detallesModelo clásico de regresión lineal normal (MCRLN)
Capítulo 4 Modelo clásico de regresión lineal normal (MCRLN) La llamada teoría clásica de la inferencia estadística consta de dos ramas, a saber: estimación y pruebas de hipótesis. Hasta el momento hemos
Más detallesMétodo de cuadrados mínimos
REGRESIÓN LINEAL Gran parte del pronóstico estadístico del tiempo está basado en el procedimiento conocido como regresión lineal. Regresión lineal simple (RLS) Describe la relación lineal entre dos variables,
Más detallesINTERVALOS DE CONFIANZA. La estadística en cómic (L. Gonick y W. Smith)
INTERVALOS DE CONFIANZA La estadística en cómic (L. Gonick y W. Smith) EJEMPLO: Será elegido el senador Astuto? 2 tamaño muestral Estimador de p variable aleatoria poblacional? proporción de personas que
Más detallesContrastes de hipótesis paramétricos
Estadística II Universidad de Salamanca Curso 2011/2012 Outline Introducción 1 Introducción 2 Contraste de Neyman-Pearson Sea X f X (x, θ). Desonocemos θ y queremos saber que valor toma este parámetro,
Más detallesPruebas de Hipótesis Multiples
Pruebas de Hipótesis Multiples Cuando queremos hacer comparaciones de mas de dos poblaciones, una alternativa es comparar todos los grupos a la vez con el método de Análisis de Varianza (ANOVA) H o : µ
Más detallesEjercicio 1(10 puntos)
ESTADISTICA Y SUS APLICACIONES EN CIENCIAS SOCIALES. Segundo Parcial Montevideo, 4 de julio de 2015. Nombre: Horario del grupo: C.I.: Profesor: Ejercicio 1(10 puntos) La tasa de desperdicio en una empresa
Más detallesDistribuciones de probabilidad bidimensionales o conjuntas
Distribuciones de probabilidad bidimensionales o conjuntas Si disponemos de dos variables aleatorias podemos definir distribuciones bidimensionales de forma semejante al caso unidimensional. Para el caso
Más detallesTÉCNICAS RECURSIVAS DE ESTIMACIÓN DE LOS COEFICIENTES DE REGRESIÓN
DIVISIÓN ECONÓMICA DEPARTAMENTO DE INVESTIGACIONES ECONÓMICAS INFORME TÉCNICO DIE-66-2003-IT TÉCNICAS RECURSIVAS DE ESTIMACIÓN DE LOS COEFICIENTES DE REGRESIÓN ANA CECILIA KIKUT V. JULIO, 2003 Los modelos
Más detallesCointegración El caso bivariado
Cointegración El caso bivariado Definición: La serie Y t es integrada de orden d (denotada I(d)) si al menos debe ser diferenciada d veces para que sea estacionaria. Ejemplos: 1. El proceso random walk
Más detallesAplicación del modelo de frontera estocástica de producción para analizar la eficiencia técnica de la industria eléctrica en México
SECCIÓN DE ESTUDIOS DE POSGRADO E INVESTIGACIÓN Aplicación del modelo de frontera estocástica de producción para analizar la eficiencia técnica de la industria eléctrica en México Presentan: Dr. Miguel
Más detallesFunciones de Regresión No Lineales (SW Cap. 6)
Funciones de Regresión No Lineales (SW Cap. 6) Todo anteriormente ha sido lineal en las X s La aproximación de que la función de regresión es lineal puede ser satisfactoria para algunas variables pero
Más detallesTeoría de la decisión
1.- Un problema estadístico típico es reflejar la relación entre dos variables, a partir de una serie de Observaciones: Por ejemplo: * peso adulto altura / peso adulto k*altura * relación de la circunferencia
Más detallesINDICE 1. Introducción 2. Recopilación de Datos Caso de estudia A 3. Descripción y Resumen de Datos 4. Presentación de Datos
INDICE Prefacio VII 1. Introducción 1 1.1. Qué es la estadística moderna? 1 1.2. El crecimiento y desarrollo de la estadística moderna 1 1.3. Estudios enumerativos en comparación con estudios analíticos
Más detallesPodemos definir un contraste de hipótesis como un procedimiento que se basa en lo observado en las muestras y en la teoría de la probabilidad para
VII. Pruebas de Hipótesis VII. Concepto de contraste de hipótesis Podemos definir un contraste de hipótesis como un procedimiento que se basa en lo observado en las muestras y en la teoría de la probabilidad
Más detallesProgramación NO Lineal (PNL) Optimización sin restricciones
Programación NO Lineal (PNL) Optimización sin restricciones Ejemplos de los problemas que se aplica la programación NO Lineal: Problema de transporte con descuentos por cantidad : El precio unitario de
Más detallesConceptos Básicos de Inferencia
Conceptos Básicos de Inferencia Álvaro José Flórez 1 Escuela de Ingeniería Industrial y Estadística Facultad de Ingenierías Febrero - Junio 2012 Inferencia Estadística Cuando obtenemos una muestra, conocemos
Más detallesUN MODELO DE PRONÓSTICO PARA LAS PRIMAS DE SEGUROS DE VIDA Y PERSONAS
UN MODELO DE PRONÓSTICO PARA LAS PRIMAS DE SEGUROS DE VIDA Y PERSONAS Wilson Mayorga M. Director de Cámara de Vida y Personas y Actuaría Con base en modelos de regresión que explican la evolución de las
Más detallesUnidad Temática 3: Probabilidad y Variables Aleatorias
Unidad Temática 3: Probabilidad y Variables Aleatorias 1) Qué entiende por probabilidad? Cómo lo relaciona con los Sistemas de Comunicaciones? Probabilidad - Definiciones Experimento aleatorio: Un experimento
Más detallesINSTITUTO NACIONAL DE ESTADÍSTICAS (INE) 29 de Abril de 2016
ANEXO ESTADÍSTICO 1 : COEFICIENTES DE VARIACIÓN Y ERROR ASOCIADO AL ESTIMADOR ENCUESTA NACIONAL DE EMPLEO (ENE) INSTITUTO NACIONAL DE ESTADÍSTICAS (INE) 9 de Abril de 016 1 Este anexo estadístico es una
Más detallesCAPÍTULO 7. Raíces Unitarias y Tendencias Estocásticas (ARIMA) 7.1. Introducción MOdelos ARIMA
CAPÍTULO 7 Raíces Unitarias y Tendencias Estocásticas (ARIMA) 7.1. Introducción En este capítulo se presenta en modelo alterno al de Descomposición con errores ARMA, conocido como modelo ARIMA SARIMA ó
Más detallesDistribuciones muestrales. Distribución muestral de Medias
Distribuciones muestrales. Distribución muestral de Medias TEORIA DEL MUESTREO Uno de los propósitos de la estadística inferencial es estimar las características poblacionales desconocidas, examinando
Más detallesPOBLACIÓN Y MUESTRAS EN LA INVESTIGACIÓN
POBLACIÓN Y MUESTRAS EN LA INVESTIGACIÓN Adela del Carpio Rivera Doctor en Medicina UNIVERSO Conjunto de individuos u objetos de los que se desea conocer algo en una investigación Población o universo
Más detallesESTADÍSTICA DESCRIPTIVA
ESTADÍSTICA DESCRIPTIVA Medidas de tendencia central y de dispersión Giorgina Piani Zuleika Ferre 1. Tendencia Central Son un conjunto de medidas estadísticas que determinan un único valor que define el
Más detalles3. Correlación. Introducción. Diagrama de dispersión
1 3. Correlación Introducción En los negocios, no todo es el producto, pueden existir factores relacionados o externos que modifiquen cómo se distribuye un producto. De igual manera, la estadística no
Más detallesANALISIS DE FRECUENCIA EN HIDROLOGIA JULIAN DAVID ROJO HERNANDEZ
ANALISIS DE FRECUENCIA EN HIDROLOGIA JULIAN DAVID ROJO HERNANDEZ Probabilidad - Período de retorno y riesgo La probabilidad de ocurrencia de un fenómeno en hidrología puede citarse de varias Formas: El
Más detallesEstática de Vigas. 20 de mayo de 2006
Estática de Vigas 0 de mayo de 006 Los elementos estructurales que vamos a estudiar en este capítulo estarán sometidos a fuerzas o distribuciones aplicadas lateral o transversalmente a sus ejes y el objetivo
Más detallesRegresión lineal SIMPLE MÚLTIPLE N A Z IRA C A L L E J A
Regresión lineal REGRESIÓN LINEAL SIMPLE REGRESIÓN LINEAL MÚLTIPLE N A Z IRA C A L L E J A Qué es la regresión? El análisis de regresión: Se utiliza para examinar el efecto de diferentes variables (VIs
Más detallesUNIVERSIDAD MILITAR NUEVA GRANADA FACULTAD DE CIENCIAS BASICAS Y APLICADAS DEPARTAMENTO DE MATEMÁTICAS
CONTENIDO PROGRAMÁTICO Fecha Emisión: 2011/09/15 AC-DO-F-8 Revisión No. 1 Página 1 de 6 ESTADÍSTICA II CÓDIGO 12251 PROGRAMA ADMINISTRACIÓN DE EMPRESAS Y CONTADURÍA PÚBLICA ÁREA DE FORMACIÓN CIENCIAS BÁSICAS
Más detallesINTERVALOS DE CONFIANZA Julián de la Horra Departamento de Matemáticas U.A.M.
1 Introducción INTERVALOS DE CONFIANZA Julián de la Horra Departamento de Matemáticas U.A.M. En este capítulo, vamos a abordar la estimación mediante Intervalos de Confianza, que es otro de los tres grandes
Más detallesProbabilidad y Estadística
Probabilidad y Estadística Tema 13 Inferencia en una población Objetivo de aprendizaje del tema Al finalizar el tema serás capaz de: Explicar el procedimiento de pruebas en la inferencia estadística. Aplicar
Más detallesFacultad de Ciencias Sociales - Universidad de la República
Facultad de Ciencias Sociales - Universidad de la República Estadística y sus aplicaciones en Ciencias Sociales Edición 2016 Ciclo Avanzado 3er. Semestre (Licenciatura en Ciencia Política/ Licenciatura
Más detallesAnálisis matemático de la función de Nelson y Siegel
Anexos Anexo 1 Análisis matemático de la función de Nelson y Siegel La función que define el tipo forward según el modelo propuesto por Nelson y Siegel (1987) es la siguiente: con m 0 y τ 0. 1 > m m m
Más detallesCAPÍTULO 2. SOLUCIÓN DE ECUACIONES DE UNA VARIABLE
En este capítulo analizaremos uno de los problemas básicos del análisis numérico: el problema de búsqueda de raíces. Si una ecuación algebraica o trascendente es relativamente complicada, no resulta posible
Más detallesUNIVERSIDAD MILITAR NUEVA GRANADA
CONTENIDO PROGRAMÁTICO Fecha Emisión: 2011/09/15 AC-DO-F-8 Revisión No. 1 Página 1 de 5 ESTADÍSTICA II CÓDIGO 22081 PROGRAMA ADMINISTRACIÓN DE LA SEGURIDAD INTEGRAL ÁREA DE FORMACIÓN ESTADÍSTICA SEMESTRE
Más detallesContrastes de Hipótesis paramétricos y no-paramétricos.
Capítulo 1 Contrastes de Hiptesis paramétricos y no-paramétricos. Estadística Inductiva o Inferencia Estadística: Conjunto de métodos que se fundamentan en la Teoría de la Probabilidad y que tienen por
Más detallesECONOMETRÍA I. Tema 5: Análisis de regresión múltiple con información cualitativa
ECONOMETRÍA I Tema 5: Análisis de regresión múltiple con información cualitativa Patricia Moreno Juan Manuel Rodriguez Poo Alexandra Soberon Departamento de Economía Alexandra Soberon (UC) ECONOMETRÍA
Más detallesEsta proposición recibe el nombre de hipótesis
Pruebas de hipótesis tesis. Refs: Apuntes de Estadística, Mtra Leticia de la Torre Instituto Tecnológico de Chiuhuahua, Apuntes de Estadística, Dr. Pedro Juan Rodríguez Esquerdo, Departamento de Matemáticas,
Más detalles2 Introducción a la inferencia estadística Introducción Teoría de conteo Variaciones con repetición...
Contenidos 1 Introducción al paquete estadístico S-PLUS 19 1.1 Introducción a S-PLUS............................ 21 1.1.1 Cómo entrar, salir y consultar la ayuda en S-PLUS........ 21 1.2 Conjuntos de datos..............................
Más detallesFundamentos de Estadística
Fundamentos de Estadística Introducción a la Estadística Prof. Dr. Eduardo Valenzuela Domínguez eduardo.valenzuela@usm.cl Universidad Técnica Federico Santa María Dr. Eduardo Valenzuela D.; MEE 2005 p.
Más detallesTeoría de Lenguajes. Clase Teórica 7 Autómatas de Pila y Lenguajes Independientes del Contexto Primer cuartimestre 2014
Teoría de Lenguajes Clase Teórica 7 Autómatas de Pila y Lenguajes Independientes del Contexto Primer cuartimestre 2014 aterial compilado por el Profesor Julio Jacobo, a lo largo de distintas ediciones
Más detalles4. NÚMEROS PSEUDOALEATORIOS.
4. NÚMEROS PSEUDOALEATORIOS. En los experimentos de simulación es necesario generar valores para las variables aleatorias representadas estas por medio de distribuciones de probabilidad. Para poder generar
Más detallesModelos Estocásticos I Tercer Examen Parcial Respuestas
Modelos Estocásticos I Tercer Examen Parcial Respuestas. a Cuál es la diferencia entre un estado recurrente positivo y uno recurrente nulo? Cómo se define el período de un estado? Demuestre que si el estado
Más detallesEstadística Espacial en Ecología del Paisaje
Estadística Espacial en Ecología del Paisaje Introducción H. Jaime Hernández P. Facultad de Ciencias Forestales U. de Chile Tipos de datos en análisis espacial Patrones espaciales puntuales Muestras geoestadísticas
Más detallespara una muestra Ref: Apuntes de Estadística, Mtra Leticia de la Torre Instituto Tecnológico de Chiuhuahua
Pruebas de hipótesis para una muestra Ref: Apuntes de Estadística, Mtra Leticia de la Torre Instituto Tecnológico de Chiuhuahua En muchas situaciones cuando queremos sacar conclusiones sobre una muestra,
Más detallesMASTER EN CIENCIAS ACTUARIALES Y FINANCIERAS PLAN Módulo: FORMACIÓN FUNDAMENTAL. Créditos ECTS: 6 Presenciales: 5 No presenciales: 1
MASTER EN CIENCIAS ACTUARIALES Y FINANCIERAS PLAN 2009 Nombre de asignatura: AMPLIACIÓN DE ESTADÍSTICA Código:603358 Materia: MATEMÁTICAS Y ESTADÍSTICA Módulo: FORMACIÓN FUNDAMENTAL Carácter: OBLIGATORIA
Más detallesPRUEBAS DE RAÍZ UNITARIA CON CAMBIO ESTRUCTURAL DE LEE Y STRAZICICH
BANCO CENTRAL DE COSTA RICA DIVISIÓN ECONÓMICA DEPARTAMENTO DE INVESTIGACIÓN ECONÓMICA PRUEBAS DE RAÍZ UNITARIA CON CAMBIO ESTRUCTURAL DE LEE Y STRAZICICH Adolfo Rodríguez Vargas Nota Técnica DEC-DIE-011-2009-IT,
Más detallesClasificación de sistemas
Capítulo 2 Clasificación de sistemas 2.1 Clasificación de sistemas La comprensión de la definición de sistema y la clasificación de los diversos sistemas, nos dan indicaciones sobre cual es la herramienta
Más detallesAnálisis de la varianza ANOVA
Estadística Básica. Mayo 2004 1 Análisis de la varianza ANOVA Francisco Montes Departament d Estadística i I. O. Universitat de València http://www.uv.es/~montes Estadística Básica. Mayo 2004 2 Comparación
Más detallesVARIABLES ESTADÍSTICAS BIDIMENSIONALES
VARIABLES ESTADÍSTICAS BIDIMENSIONALES 1.- En una variable estadística bidimensional, el diagrama de dispersión representa: a) la nube de puntos. b) las varianzas de las dos variables. c) los coeficientes
Más detalles1.8. Número de créditos/credit allotment
1.1. ASIGNATURA/COURSE TITLE Estadística y Econometría para Finanzas/Statistics and Econometrics in Finance 1.2. Código /Course number 30521 1.3. Materia/ Content area Estadística, Econometría, Finanzas./Statistics,
Más detallesAlgunas Distribuciones Continuas de Probabilidad. UCR ECCI CI-1352 Probabilidad y Estadística Prof. M.Sc. Kryscia Daviana Ramírez Benavides
Algunas Distribuciones Continuas de Probabilidad UCR ECCI CI-1352 Probabilidad y Estadística Prof. M.Sc. Kryscia Daviana Ramírez Benavides Introducción El comportamiento de una variable aleatoria queda
Más detallesOPTIMIZACIÓN Y SIMULACIÓN PARA LA EMPRESA. Tema 4 Optimización no Lineal
OPTIMIZACIÓN Y SIMULACIÓN PARA LA EMPRESA Tema 4 Optimización no Lineal ORGANIZACIÓN DEL TEMA Sesiones: El caso sin restricciones: formulación, ejemplos Condiciones de optimalidad, métodos Caso con restricciones:
Más detallesEL PRINCIPIO DE MÁXIMA VEROSIMILITUD (LIKELIHOOD)
EL PRINCIPIO DE MÁXIMA VEROSIMILITUD (LIKELIHOOD) Fortino Vela Peón fvela@correo.xoc.uam.mx FVela-0 Objetivo Introducir las ideas básicas del principio de máxima verosimilitud. Problema Considere el experimento
Más detallesProbabilidad y Estadística
Probabilidad y Estadística Grupo Lunes jueves 1PM22 11:00-12:00 11:00-13:00 Prof. Miguel Hesiquio Garduño. Depto. De Ingeniería Química Petrolera ESIQIE-IPN hesiquiogm@yahoo.com 1 de Agosto de 2011 OBJETIVO
Más detallesMMAF: Espacios normados y espacios de Banach
MMAF: Espacios normados y espacios de Banach Licenciatura en Estadística R. Álvarez-Nodarse Universidad de Sevilla Curso 2011/2012 Espacios vectoriales Definición Sea V un conjunto de elementos sobre el
Más detalles1. VALORES FALTANTES 2. MECANISMOS DE PÉRDIDA
1. VALORES FALTANTES Los valores faltantes son observaciones que en un se tenía la intención de hacerlas, pero por distintas razones no se obtuvieron. Puede ser que no se encuentre a un encuestado, entonces
Más detallesCálculo de Probabilidades II Preguntas Tema 1
Cálculo de Probabilidades II Preguntas Tema 1 1. Suponga que un experimento consiste en lanzar un par de dados, Sea X El número máximo de los puntos obtenidos y Y Suma de los puntos obtenidos. Obtenga
Más detallesComplementos de Análisis. Año 2016
Complementos de Análisis. Año 2016 Práctica 8. Ecuaciones diferenciales ordinarias. 1 Modelando con ecuaciones diferenciales Modelar con ecuaciones diferenciales las siguientes situaciones. Intentar resolver
Más detallesSubconjuntos notables de un Espacio Topológico
34 Capítulo 4 Subconjuntos notables de un Espacio Topológico 4.1 Adherencia Definición 4.1.1 (Punto adherente). Sea (X, τ) un espacio topológico, y sea S un subconjunto de X. Diremos que x X es un punto
Más detallesVectores Autorregresivos (VAR)
Vectores Autorregresivos (VAR) 1 Procesos estocasticos multivariados Y t = [Y 1t, Y 2t,, Y Nt ], t = 1, 2,..., T Estamos interesados en el comportamiento temporal de N variables simultaneamente. E(Y t
Más detalles