Econometría Aplicada
|
|
- Emilio Paz Montero
- hace 6 años
- Vistas:
Transcripción
1 Econometría Aplicada Series de Tiempo Víctor Medina
2 Series de Tiempo Series de Tiempo
3 Series de Tiempo Introducción En esta parte del curso veremos análisis de series de tiempo y procesos estocásticos. Una serie de tiempo es un conjunto de observaciones x t, donde t indica el tiempo de ocurrencia de la observación. Por ejemplo, observaciones de x t hechas en t = 1, 2, 3,..., N El tiempo puede ser medido en cualquier unidad (ej. minutos, días, meses, años, etc.) Una serie de tiempo se dice discreta cuando el conjunto de observaciones se hace en un conjunto discreto de periodos, por ejemplo, en intervalos fijos de tiempo (diarias, mensuales, trimestrales, anuales, etc.). Una serie de tiempo es continua cuando las observaciones se realizan sobre un intervalo continuo de tiempo, por ejemplo, [0, T ]. Las observaciones en sí pueden seguir siendo discretas. A nosotros nos interesará estudiar series de tiempo discretas con tiempo equiespaciado.
4 Series de Tiempo Introducción Las observaciones sucesivas en el tiempo son, en general, no independientes. Esto significa que las observaciones pasadas pueden ser usadas para predecir futuras observaciones. Si, dadas las obsevaciones x 1,..., x t 1, la observación x t se puede predecir exactamente, la serie de tiempo se dice determinística. Si las observaciones futuras no se pueden predecir exactamente, entonces se dice que la serie de tiempo es estocástica. En series estocásticas, las observaciones futuras tendrán una distribución de probabilidad. Si las observaciones son dependientes, entonces esta distribución de probabilidad será dependiente de las observaciones pasadas.
5 Ejemplos Ejemplos
6 Ejemplos Tipo de Cambio USD-Peso Chileno 600 dolar_obs fecha
7 Ejemplos Diferencia Tipo de Cambio USD-Peso Chileno 50 dif_dolar fecha
8 Ejemplos Inflación Chile 600 IPC fecha
9 Ejemplos PIB Chile PIB_MM fecha
10 Ejemplos Diferencia trimestral del PIB Chile 3 2 dif_pib fecha
11 Ejemplos IPSA Bolsa de Santiago IPSA Fecha
12 Ejemplos Diferencia diaria IPSA Bolsa de Santiago dif_ipsa Fecha
13 Ejemplos Acción Google Google Fecha
14 Ejemplos Diferencia diaria Acción Google dif_google Fecha
15 Ejemplos Objetivos de las series de tiempo Entre los objetivos de la series de tiempo podemos mencionar Describir y resumir observaciones de series de tiempo Ajustar modelos con dimensiones reducidas Realizar predicciones
16 Procesos Estacionarios y No Estacionarios Procesos Estacionarios y No Estacionarios
17 Procesos Estacionarios y No Estacionarios Variables estacionarias y no estacionarias En los gráficos presentados además de la serie misma, vimos también la diferencia en la variable, o el cambio de la variable de un periodo a otro y t = y t y t 1 Notamos que hay algunas series que al restarle a cada observación el valor del periodo anterior, la serie resultante tiende a estar acotada entre dos valores, sin embargo para otras no parece tan claro. Qué serie representa variables estacionarias y cuales son no estacionarias? Se dice que y t es estacionario si su esperanza y varianza son constante a lo largo del tiempo, y además si la covarianza entre dos valores de la serie depende sólo del largo de tiempo que separa esos dos valores (y no del momento que es evaluado) En otras palabras, la serie de tiempo y t es estacionaria si para todo t E(y t) = µ (media constante) var(y t) = σ 2 (varianza constante) cov(y t, y t+s ) = cov(y t, y t s ) = γ s (covarianza depende de s, no de t)
18 Procesos Estacionarios y No Estacionarios Modelo autorregresivo de orden 1 AR(1) Supongamos que la serie y t es una variable económica que observamos en el tiempo. En línea con la mayoría de las variables económicas, asumimos que y t tiene naturaleza estocástica porque no podemos predecirla perfectamente. Las series de tiempo univariadas son ejemplos de procesos estocásticos donde la variable y está relacionada con sus valores pasados y valores actual y pasados del error (no tenemos variables explicativas x s) El modelo autorregresivo de orden 1, AR(1), es un modelo de series de tiempo univariado útil para explicar la diferencia entre estacionario y no estacionario. Viene dado por: y t = ρy t 1 + v t, ρ < 1 Donde los errores v t son independientes, con media cero y varianza σ 2 v. Veremos que ρ < 1 implica que y t es estacionario.
19 Procesos Estacionarios y No Estacionarios Modelo autorregresivo de orden 1 AR(1) Podemos expresar el modelo de la siguiente manera Esperanza y t = ρy t 1 + v t = ρ(ρy t 2 + v t 1) + v t t 1 = ρ t y 0 + ρ i v t i i=0 t 1 E(y t) = E(ρ t y 0 + ρ i v t i) i=0 t 1 = ρ t y 0 + ρ i E(v t i) = ρ t y 0 = 0 si t es suficientemente grande (o pensar que la serie no tiene un t = 0, sino que sigue infinitamente a t = ) i=0
20 Procesos Estacionarios y No Estacionarios Modelo autorregresivo de orden 1 AR(1) Varianza t 1 var(y t) = var(ρ t y 0 + ρ i v t i) i=0 t 1 = ρ 2i var(v t i) i=0 = σ 2 v t 1 ρ 2i i=0 y si recordamos que t 1 i=0 αi = 1 αt 1 α, luego var(y t) = σv 2 1 ρ 2t 1 ρ = 1 2 σ2 v 1 ρ 2 si t es suficientemente grande y ρ < 1 (sino no converge)
21 Procesos Estacionarios y No Estacionarios Modelo autorregresivo de orden 1 AR(1) Autocovarianza t 1 t+s 1 cov(y t, y t+s) = cov(ρ t y 0 + ρ i v t i, ρ t+s y 0 + ρ j v t+s j) t 1 = cov( i=0 t 1 = ρ s cov( i=0 ρ i v t i, i=0 i=0 ρ i v t i, t+s 1 j=0 t 1 i= s ρ j v t+s j) ρ i v t i) t 1 t 1 = ρ s cov( ρ i v t i, ρ i v t i) t 1 = σvρ 2 s i=0 ρ s ρ 2i i=0 = σv 2 1 ρ 2 Obs. no depende de t, sino que de la distancia s. j=0
22 Procesos Estacionarios y No Estacionarios Modelo autorregresivo de orden 1 AR(1) Podemos definir la función de autocovarianzas γ(y t, y t+s) = cov(y t, y t+s) en el caso donde sólo dependa de la distancia o lag s, γ(s) = γ(y t, y t+s) (fijarse que γ(0) = var(y t)) Tambíen podemos definir la función de autocorrelación (ACF) r(y t, y t+s) = cov(y t, y t+s) var(yt)var(y t+s) y nuevamente, en el caso que sólo dependa de s, r(s) = r(y t, y t+s) = γ(s) γ(0) Para AR(1), tenemos que r(s) = γ(s) γ(0) = ρs
23 Procesos Estacionarios y No Estacionarios Modelo autorregresivo de orden 1 AR(1) con constante En la realidad es difícil encontrarse con procesos de media cero. Podemos incluir un término µ de la siguiente manera o expresado de otra forma y t µ = ρ(y t 1 µ) + v t y t = α + ρy t 1 + v t, ρ < 1 con α = µ(1 ρ) Extendiendo la serie, tenemos y t = α + ρy t 1 + v t = α + ρ(α + ρy t 2 + v t 1) + v t t 1 t 1 = ρ t y 0 + α ρ i + ρ i v t i i=0 i=0
24 Procesos Estacionarios y No Estacionarios Modelo autorregresivo de orden 1 AR(1) con constante Esperanza. Si utilizamos la última expresión, rescatamos que Varianza E(y t) = α 1 ρ = µ t 1 t 1 var(y t) = var(ρ t y 0 + α ρ i + ρ i v t i) = σv ρ 2 Autocovarianza Autocorrelación (ACF) i=0 i=0 ρ s cov(y t, y t+s) = σv 2 1 ρ = γ(s) 2 r(s) = γ(s) γ(0) = ρs Obs. La ACF debiera ir decayendo a medida que aumentamos el lag s
25 Procesos Estacionarios y No Estacionarios Gráficamente modelo autorregresivo de orden 1 sin y con constante
26 Procesos Estacionarios y No Estacionarios Modelo autorregresivo de orden 1 AR(1) con constante y tendencia temporal Otra extensión al modelo es considerar que AR(1) fluctua entorno a una linea recta, es decir y t µ δt = ρ(y t 1 µ δ(t 1)) + v t, ρ < 1 que también puede ser expresado de la siguiente manera y t = α + λt + ρy t 1 + v t donde α = µ(1 ρ) + ρδ y λ = δ(1 ρ) Esperanza E(y t) = µ + δt Varianza Es estacionario? var(y t) = σv ρ 2
27 Procesos Estacionarios y No Estacionarios
28 Procesos Estacionarios y No Estacionarios Modelos de caminata aleatoria (Random Walk) Para el caso especial en que ρ = 1, tenemos que y t = y t 1 + v t al cual se le conoce como random walk. Su nombre proviene porque la serie pareciera caminar para arriba o para abajo sin seguir ningún patrón aparente. Expansión de la serie Esperanza Varianza t 1 y t = y t 1 + v t = y t 2 + v t 1 + v t = y 0 + E(y t) = y 0 var(y t) = tσv 2 i=0 v t i
29 Procesos Estacionarios y No Estacionarios
30 Procesos Estacionarios y No Estacionarios Caminata aleatoria con constante y tendencia temporal Otra extensión no estacionaria es la que resulta si se agrega un término constante a la caminata aleatoria y t = α + y t 1 + v t modelo conocido como caminata aleatoria con constante Si además agregamos una tendencia temporal, tenemos y t = α + δt + y t 1 + v t
31 Procesos Estacionarios y No Estacionarios Gráficamente
32 Procesos Estacionarios y No Estacionarios Series de tiempo interactivo
33 Procesos Estacionarios y No Estacionarios Regresiones espúreas
34 Procesos Estacionarios y No Estacionarios Regresiones espúreas
35 Procesos Estacionarios y No Estacionarios Regresiones espúreas La principal razón de por qué es importante saber si una serie es estacionaria o no estacionaria antes de realizar un análisis de regresión, es que cuando las series usadas son no estacionarias existe la problemática de obtener resultados aparentemente significativos sobre data que no tiene relación. Estas regresiones se llaman espúreas. En otras palabras, cuando series de tiempo no estacionarias son usadas en un análisis de regresión, el resultado puede indicar una relación significativa cuando en realidad no existe. Estimadores de Mínimos Cuadrados (MC) pierden sus propiedades y los estadísicos t no son confiables. Como muchas variables económicas son no estacionarias, es importante tener presente cómo deben ser tratadas. Cómo podemos testear si una serie es estacionaria o no? Cómo podemos hacer regresiones cuando tenemos series no estacionarias?
36 Procesos Estacionarios y No Estacionarios Test de estacionariedad Existen variados test para determinar si una serie es estacionaria o no. Discutiremos uno de los más populares en econometría, test de Dickey-Fuller. 1. Dickey-Fuller, sin constante y sin tendencia y t = ρy t 1 + v t 2. Dickey-Fuller, con constante y sin tendencia y t = α + ρy t 1 + v t 3. Dickey-Fuller, con constante y con tendencia y t = α + λt + ρy t 1 + v t
37 Procesos Estacionarios y No Estacionarios 1. Dickey-Fuller, sin constante y sin tendencia o alternativamente y t = ρy t 1 + v t y t = (ρ 1)y t 1 + v t = βy t 1 + v t Luego, la hipótesis nula puede escribirse en términos de ρ o β H 0 : ρ = 1 H 0 : β = 0 H 1 : ρ < 1 H 1 : β < 0 La hipótesis nula es que la serie es no estacionaria. En otras palabras, si no rechazamos la nula, concluímos que no existe evidencia para rechazar que el proceso es no estacionario. Y, por el contrario, si rechazamos la nula, concluímos que la serie es estacionaria.
38 Procesos Estacionarios y No Estacionarios 2. Dickey-Fuller, con constante y sin tendencia o alternativamente y t = α + ρy t 1 + v t y t = α + (ρ 1)y t 1 + v t = α + βy t 1 + v t H 0 : ρ = 1 H 0 : β = 0 H 1 : ρ < 1 H 1 : β < 0 3. Dickey-Fuller, con constante y con tendencia o alternativamente y t = α + λt + ρy t 1 + v t y t = α + λt + (ρ 1)y t 1 + v t = α + λt + βy t 1 + v t H 0 : ρ = 1 H 0 : β = 0 H 1 : ρ < 1 H 1 : β < 0
39 Procesos Estacionarios y No Estacionarios Valores críticos del test Dickey-Fuller Un camino lógico para testear la hipótesis de DF, sería realizar la regresión por MC y luego construír el estadístico t = ˆβ/ŝe( ˆβ). Desgraciadamente, el estadístico t ya no distribuye bajo una distribución t cuando la nula es cierta Problema: cuando la nula es cierta, y t es no estacionario y su varianza incrementa a medida que la muestra crece. Este incremento altera la distribución usual. Para reconocer este hecho, usualmente a este estadístico se le llama τ (tau) y su valor debe ser comparado con valores especiales (los cuales cambian dependiendo del tipo de test DF que apliquemos). Table 1: Valores críticos Dickey-Fuller Modelo 1% 5% 10% y t = βy t 1 + v t y t = α + βy t 1 + v t y t = α + λt + βy t 1 + v t Normal estándar
40 Procesos Estacionarios y No Estacionarios Dickey-Fuller aumentado Una importante extensión del test de Dickey-Fuller permite la inclusión de modelos con el término del error autocorrelacionado. Esta autocorrelación es probable que aparezca si nuestro modelo no incorporó términos anteriores de la serie y t s que capturen la dinámica de nuestro proceso. Usando la versión de DF con constante, una extensión sería y t = α + βy t 1 + m a s y t s + v t con y t s = y t s y t s 1. Se agregan tantos términos de retraso como sea necesario para asegurar que los residuos no están autocorrelacionados. Este test, con variaciones de constante y tendencia respectiva, se conoce como Dickey-Fuller aumentado En la práctica siempre usamos el test DF aumentado s=1
41 Procesos Estacionarios y No Estacionarios Ejemplo test Dickey-Fuller Considerando la serie Inflación Chile IPC fecha
42 Procesos Estacionarios y No Estacionarios Ejemplo test Dickey-Fuller cuál? 1. IP C t = β IP C t 1 + v t 2. IP C t = α + β IP C t 1 + v t 3. IP C t = α + λt + β IP C t 1 + v t
43 Procesos Estacionarios y No Estacionarios Ejemplo test Dickey-Fuller Alternativamente comando Stata dfuller 1. IP C t = β IP C t 1 + v t 2. IP C t = α + β IP C t 1 + v t 3. IP C t = α + λt + β IP C t 1 + v t
44 Procesos Estacionarios y No Estacionarios Orden de integración Hasta el momento hemos discutido si una serie es estacionaria o no. Podemos llevar nuestro análisis un paso más allá incluyendo el concepto de orden de integración Recordemos que si y t = y t 1 + v t es un camino aleatorio, entonces y t = y t y t 1 = v t es estacionaria. Series como y t, que pueden convertirse en estacionarias tomando su primera diferencia, se les llama integradas de orden 1, denotadas por I(1) Las series estacionarias, se les dice integradas de orden 0, I(0) En general, el orden de integración de una serie es el número mínimo de veces que debe ser diferenciada para hacerla estacionaria.
45 Procesos Estacionarios y No Estacionarios Orden de integración Es estacionaria? 10.0 IPC dif_ipc valor fecha
46 Procesos Estacionarios y No Estacionarios Orden de integración Aplicando Dickey-Fuller (pareciera que fluctúa entorno a cero) ( IP C) t = β( IP C) t 1 + v t donde ( IP C) t = IP C t IP C t 1 Luego, podriamos afirmar que IPC es una serie I(1), ya que no es estacionaria, pero su diferencia si lo es.
47 Procesos Estacionarios y No Estacionarios Cointegración Como regla general, series no estacionarias no deberían usarse en modelos de regresión para evitar regresiones espúreas. Sin embargo, existe una excepción a la regla. Si y t y x t son variables I(1) no estacionarias, entonces cualquier combinación lineal de ellas e t = y t β 1 β 2x t también es I(1). En el caso particular en que e t = y t β 1 β 2x t es estacionaria I(0), se dice que y t y x t están cointegradas Esto quiere decir que y t y x t comparten tendencias estocásticas similares (nunca diverge una muy lejos de la otra). Una forma de testear si y t y x t están cointegradas es ver si los errores e t = y t β 1 β 2x t son estacionarios. Como e t son no observables, testeamos la estacionariedad de los residuos de mínimos cuadrados ê t = y t ˆβ 1 ˆβ 2x t usando test de Dickey-Fuller. Testear cointegración es efectivamente testear la estacionariedad de los residuos. Si los residuos son estacionarios, entonces y t y x t están cointegrados. Si por el contrario, los residuos no son estacionarios, entonces las series no están cointegradas y la relación entre ellas es espúrea.
48 Procesos Estacionarios y No Estacionarios Cointegración El test de estacionariedad de los residuos se basa entonces en la ecuación ê t = γê t 1 + v t donde ê t = ê t ê t 1. Y tal como se explicó anteriormente, se examina el estadístico t (o mejor dicho τ) arrojado por la regresión. Como basamos este test en valores estimados del error, los valores críticos para τ difieren de los que vimos anteriormente: Table 2: Valores críticos Dickey-Fuller para test de cointegración Modelo 1% 5% 10% y t = βx t + e t y t = β 1 + β 2x t + e t y t = β 1 + δt + β 2x t + e t
49 Procesos Estacionarios y No Estacionarios Regresión sin cointegración Hasta el momento hemos aprendido que regresiones con variables I(1) son aceptables si éstas están cointegradas (residuos estacionarios). Qué pasa cuando no hay cointegración entre variables I(1)? Convertir las series no estacionarias en estacionarias. Depende de si las variables son estacionarias en diferencia o en tendencia. Estacionario en diferencia de orden 1 Consideremos nuevamente la caminata aleatoria y t = α + y t 1 + v t que puede transformarse en estacionaria tomando la primera diferencia (I(1)) y t = y t y t 1 = α + v t Supongamos que tenemos otra variable x t no estacionaria pero su primera diferencia es estacionaria (I(1)). Sin embargo, no está cointegrada con y t.
50 Procesos Estacionarios y No Estacionarios Estacionario en diferencia de orden 1 Luego, si las dos series son I(1) pero no cointegradas, una regresión adecuada entre ellas sería relacionar y t y x t (ambas estacionarias) y t = α + β 0 x t + e t En general, si una serie y t es I(1), entonces y t, y t 1 = y t 1 y t 2, etc. son estacionarias. Luego, el modelo anterior se puede generalizar incluyendo diferencias que se estimen relevantes, por ejemplo y t = α + θ y t 1 + β 0 x t + β 1 x t 1 + e t Estacionario en tendencia Consideremos ahora el siguiente modelo y t = α + δt + v t A la variable se le dice que es estacionaria en tendencia porque se puede estacionarizar restándole su tendencia, de la forma y t α δt = v t
51 Procesos Estacionarios y No Estacionarios Estacionario en tendencia Si dos variables y y x son estacionarias en tendencia, un posible modelo autorregresivo con tendencias sería y t = θy t 1 + β 0x t + β 1x t 1 + e t donde y t = y t α 1 δ 1t y x t = x t α 2 δ 2t (los coeficientes (α 1, δ 1) y (α 2, δ 2) pueden ser estimados por MC) Alternativamente a la creación de y t y x t, podemos estimar directamente el modelo y t = α + δt + θy t 1 + β 0x t + β 1x t 1 + e t que no es más que el desarrollo algebráico de la ecuación anterior con α = α 1(1 θ 1) α 2(β 0 + β 1) + θ 1δ 1 + β 1δ 2 y δ = δ 1(1 θ 1) δ 2(β 0 + β 1)
52 Pronóstico Pronóstico
53 Pronóstico Pronóstico Los métodos de pronóstico suponen que las series son estacionarias o pueden ser transformadas en estacionarias. Los métodos más tradicionales son 1. Modelos ARIMA 2. Modelos VAR (Vector Autoregression) 3. Modelos de alisamiento exponencial 4. Modelos de regresión uniecuacional 5. Modelos de regresión de ecuaciones simultáneas Nos concentraremos en los modelos ARIMA y supondremos que estamos trabajando con series estacionarias, o series que podemos estacionarizar en diferencia o tendencia.
54 Pronóstico ARIMA Los modelos ARIMA se construyen con modelos Promedios móviles de orden q, MA(q) Autorregresivos de orden p, AR(p) La combinación de estos últimos, AR(p) y MA(q) que se denominan ARMA(p,q) Si tenemos además integración de orden d, entonces se denominan ARIMA(p,d,q) Partiremos analizando los modelos MA(q)
55 Pronóstico MA(q) Si {Z t} W N(0, σ 2 ) para t Z, entonces la serie {X t} se dice que sigue un proceso de promedios móviles de orden q si donde θ 1,..., θ q son constantes. Esperanza X t = Z t + θ 1Z t θ qz t q E(X t) = E(Z t + θ 1Z t θ qz t q) = 0 Autocovarianza (considerando θ 0 = 1) γ(k) = cov(x t, X t+k ) = E(X tx t+k ) 0 = E[(θ 0Z t θ qz t q)(θ 0Z t+k θ qz t+k q )] q q = θ sθ re[z t sz t+k r ] r=0 s=0
56 Pronóstico Pero { σ 2 t s = t + k r E(Z t sz t+k r ) = 0 sino Luego, utilizando el cambio de variable j = r k, tenemos Entonces y por lo tanto, γ(k) = { σ 2 q k s=0 θrθ r+k k q 0 k > q var(x t) = γ(0) = σ 2 q r=0 θ 2 r q k s=0 θrθ r+k q k q r(k) = r=0 θ2 r 0 k > q
57 Pronóstico X t = Z t 0.8Z t 1
58 Pronóstico Ejemplos de modelación de procesos MA Sabemos que un proceso de promedios móviles es una suma ponderada de un número fijo de eventos de ruido blanco. Algunos ejemplos de cuando un modelo de este tipo puede adecuarse en la práctica son El efecto de las huelgas en alguna métrica económica, por ejemplo, productividad. Las huelgas pueden ser consideradas eventos aleatorios. La productividad en el tiempo puede verse afectada tanto por las huelgas ocurridas en ese momento como también (en menor medida) por huelgas que ocurrieron en periodos previos. Ventas de bienes durables, por ejemplo, lavadoras. La gente compra nuevas lavadoras cuando la que tenían está defectuosa. La fluctuación en el número de fallas en el tiempo puede ser considerada como ruido blanco. El número de personas que compra una lavadora en un periodo depende tanto del numero de fallas en ese periodo como también en los anteriores (personas que aún no han reemplazado su lavadora).
59 Pronóstico MA interactivo
60 Pronóstico Procesos Autorregresivos Considerando {Z t} W N(0, σ 2 ) con t Z. La serie de tiempo {X t} es un proceso autorregresivo de orden p (AR(p)) si X t = α 1X t 1 + α 2X t α px t p + Z t donde α 1, α 2,..., α p son constantes. Ejemplo: modelo AR(1) Anteriormente habíamos visto que un modelo AR(1) tenía la forma y que además Esperanza E(X t) = 0 X t = α 1X t 1 + Z t Función de autocovarianzas, si α 1 < 1, γ(k) = σ2 α k 1 (1 α 2 1 ) Función de autocorrelación, si α 1 < 1, r(k) = γ(k) = γ(0) αk 1
61 Pronóstico Ejemplo de modelación de procesos AR(1) Los modelos autorregresivos asumen que el valor actual de una serie de tiempo es la suma ponderada de un numero fijo de valores previos más ruido blanco. Un ejemplo interesante de las ciencias forenses, es modelar las muestras de cocaína en los fajos de billetes. La cocaína se transfiere de un billete a otro. Luego, la cantidad de cocaína en un billete está relacionada a la cantidad de cocaína en los billetes previos más ruido (que puede ser contaminación de otras fuentes). Notar que la posición del billete en el fajo es la que se utiliza como tiempo.
62 Pronóstico Ejemplo de modelación de procesos AR(1) La serie de tiempo ilustra la contaminación de cocaína en 1065 billetes incautados de alguien que posteriormente fue acusado de un crimen que involucraba manipulación de esta droga.
63 Pronóstico Ejemplo realizado en clases: AR(2) X t = α 1X t 1 + α 2X t 2 + Z t 1. Calcular E(X t) 2. Calcular γ(0) = var(x t) 3. Calcular γ(1) = cov(x t, X t 1) 4. Calcular γ(2) = cov(x t, X t 2) 5. Calcular r(1) = cov(x t, X t 1)/var(X t) 6. Calcular r(2) = cov(x t, X t 2)/var(X t)
64 Pronóstico AR interactivo
65 Pronóstico Estimaciones mediante las observaciones Supongamos que tenemos observaciones de la serie de tiempo {X t} para los periodos t = 1, 2,..., N. Suponemos también que {X t} es estacionario, luego las estimaciones de ˆµ, ˆγ(k) y ˆr(k) vienen dadas por 1. Estimamos µ con el promedio muestral x = x1 + x xn N 2. γ(k) es estimado, para el lag k, como N k t=1 ˆγ(k) = (xt x)(x t+k x) N k obs Algunos textos prefieren el uso de N en el denominador en vez de N k.
66 Pronóstico 3. r(k) es estimado, para el lag k, como ˆr(k) = ˆγ(k) ˆγ(0) Las fórmulas, tanto para ˆγ(k) como para ˆr(k) deben ser usadas sólo cuando k es considerablemente menor relativo a N, por ejemplo, k < N/3.
67 Pronóstico Correlogramas o ACF Ya hemos visto e interpretado los correlogramas. En términos de nuestra estimaciones, estos gráficos no son más que las estimaciones ˆr(k) para distintos valores de k y permiten la interpretación de los coeficientes de correlación. Por ejemplo, las siguientes figuras. La de la izquierda es un proceso AR(1) y la figura de la derecha un proceso MA(1)
68 Pronóstico Detección de un proceso MA(q) Como vimos anteriormente, para un proceso MA(q), r(k) = 0 para todo k > q. Entonces cuando el número de observaciones es grande y la serie {X t} es un proceso MA(q), esperariamos 1. ˆr(1), ˆr(2),..., ˆr(q) estén cerca de r(1), r(2),..., r(q) y, por lo tanto, sean distintos de cero. 2. ˆr(q + 1), ˆr(q + 2),... estén aleatoreamente distribuídos alrededor de cero. En particular, si ˆr(1) es grande y ˆr(2), ˆr(3),... son cercanos a cero, esperaríamos poder ajustar un proceso MA(1).
69 Pronóstico Ejemplo de detección de MA(q) Los siguientes dos correlogramas son de dos series de tiempo diferentes. Usted decide ajustar un proceso de medias móviles a cada uno, Por qué? Qué orden sugeriría para cada modelo?
70 Pronóstico Detección de un proceso AR(p) Vimos que la función de autocorrelación para un proceso AR(1) X t = α 1X t 1 + Z t está dada por r(k) = γ(k) γ(0) = αk 1 Por lo tanto, esperaríamos que los coeficientes de la estimación muestral de la función de autocorrelación ˆr(k) sean cercados a α1. k Notar que, a diferencia del modelo MA(1), los valores ˆr(k) no caen a cero luego de haber superado el orden del proceso. Como ˆr(1) se espera que sea cercano a α 1, el valor de ˆr(1) puede ser usado para obtener una estimación gruesa de α 1.
71 Pronóstico Ejemplo de detección de AR(1) Los siguientes dos correlogramas fueron obtenidos de dos series que se saben siguen un proceso AR(1). Qué valores de α 1 estimaría para cada proceso?
72 Pronóstico Detección de un proceso AR(p) Detectar el orden de un proceso AR(p) sólo a través del correlograma puede ser difícil, ya que los ˆr(k) en general no caen a cero luego de algún valor (como en el caso de MA(q)). Para el proceso general X t = p α ix t i + Z t i=1 donde Z t W N(0, σ 2 ), estimaciones de α i con i {1, 2,..., p}, dada las observaciones x 1,..., x N, pueden ser obtenidas minimizando 1 N N t=p+1 ( xt p ) 2 α ix t i Las estimaciones resultantes ˆα 1, ˆα 2,..., ˆα p son las estimaciones de mínimos cuadrados. La estimación ˆα p se le conoce como coeficiente de autocorrelación parcial de la muestra para el rezago p. i=1
73 Pronóstico Para obtener los coeficientes de autocorrelación parcial de la muestra, por ejemplo, en el rezago k, un proceso AR(k) se ajusta a la muestra (ecuación anterior). Luego, la estimación ˆα k es el coeficiente de autocorrelación parcial de la muestra para el rezago k. El coeficiente de autocorrelación parcial para el rezago p, por ejemplo, mide la autocorrelación en el rezago p que no está considerada por las autocorrelaciones en los rezago 1, 2,..., p 1. Los coeficientes de autocorrelación parcial pueden ser graficados en función del rezago, análogo al ACF (que grafica ˆr(k) vs k). Este gráfico se llama función de autocorrelación parcial (PACF). Para un proceso AR(p), los coeficientes ˆα p+1, ˆα p+2,... deberían caer a cero porque no son significativos. De esta forma, el PACF puede ser usado para estimar el orden p del proceso AR(p) (de la misma manera que el correlograma es usado para estimar el orden q del proceso MA(q)).
74 Pronóstico Ejemplo detección de un proceso AR(p) Los siguientes dos gráficos son dos PACF de dos procesos diferentes. El primero es un proceso AR(1) con α 1 = 0.8 y el segundo es un AR(2) con α 2 = 0.6
75 Pronóstico Ejemplo: cocaína en billetes Habíamos considerado que la serie era un proceso AR(1) La serie de tiempo ilustra la contaminación de cocaína en 1065 billetes incautados de alguien que posteriormente fue acusado de un crimen que involucraba manipulación de esta droga.
76 Pronóstico Ejemplo: cocaína en billetes EL PACF y el ACF de la serie son Por lo tanto, preferiríamos ajustar a la data una serie de un proceso AR(2) en vez de uno AR(1).
77 Pronóstico Procesos ARMA(p,q) Un proceso AR(p) junto con uno MA(q) se pueden combinar para formar un modelo ARMA(p,q) La serie {X t} se dice que es un proceso ARMA(p,q) si X t viene dado por X t = α 1X t 1 + α 2X t α px t p + Z t + θ 1Z t θ qz t q donde Z t W N(0, σ 2 ) Desde este punto de vista se puede observar que MA(q) y AR(p) son casos particulares de procesos ARMA, obtenidos para p = 0 y q = 0, respectivamente. Es decir MA(q)=ARMA(0,q) AR(p)=ARMA(p,0) Ruido blanco=arma(0,0)
78 Pronóstico Ejemplo: ARMA(1,1) X t = α 1X t 1 + Z t + θ 1Z t 1 Esperanza Autocovarianza Caso k = 0 Caso k = 1 Autocorrelación Caso k = 0 Caso k = 1 E(X t) = E(α 1X t 1 + Z t + θ 1Z t 1) cov(x t, X t+k ) = E(X tx t+k )
79 Pronóstico ARMA interactivo
80 Pronóstico ARMA(p,q) con constante El proceso ARMA(p,q) recién visto puede ser generalizado a X t = c + α 1X t 1 + α 2X t α px t p + Z t + θ 1Z t θ qz t q con c 0. A este proceso lo llamaremos ARMA(p,q) con término constante Si el proceso es estacionario, entonces la esperanza µ c µ = 1 α 1 α 2... α p Haciendo la misma transformación vista en clases pasadas Y t = X t µ
81 Pronóstico Y t = X t µ entonces Y t ARMA(p,q), ya que X t = c + α 1X t 1 + α 2X t α px t p + Z t + θ 1Z t θ qz t q = µ(1 α 1... α p) + α 1X t α px t p + Z t + θ 1Z t θ qz t X t µ = α 1(X t 1 µ) α p(x t p µ) + Z t + θ 1Z t θ qz t q Y t = α 1Y t 1 + α 2Y t α py t p + Z t + θ 1Z t θ qz t q Luego tratamos Y t tal cual hemos visto hasta ahora y si queremos rescatar una expresión para X t, entonces usamos X t = µ + Y t Notar que la función de autocorrelación r(k) es la misma tanto para X t como para Y t ya que γ(k) no depende de µ
82 Pronóstico Pasos del proceso de ajuste del modelo El modelo ARMA(p,q) con E(X t) = µ (ARMA(p,q) con constante) tiene p + q + 2 parámetros: α 1, α 2,..., α p θ 1, θ 2,..., θ q µ, σ 2 y una muestra con N observaciones {x 1, x 2,..., x N }. El proceso de ajuste tiene las siguientes etapas: 1. Identificación de los modelos posibles. Esta etapa puede incluir el preprocesamiento de la data para lograr la estacionariedad (por ejemplo, diferenciar en el caso de series integradas - procesos ARIMA que veremos a continuación). Los gráficos ACF y PACF pueden ser usados como ayuda para identificar los modelos apropiados. Para comparar los modelos seleccionados un criterio muy utilizado es el AIC.
83 Pronóstico Pasos del proceso de ajuste del modelo 2. Estimacion de los parámetros del modelo. En general existen 3 enfoques: métodos de los momentos, minimos cuadrados no lineales, y máxima verosimilitud. 3. Verificación del modelo escogido. Esto puede hacerse revisando los residuos {Ẑt}, los cuales deben ser ruido blanco. Graficar {Ẑt} versus el tiempo (qué se deberia ver?) o realizar un correlograma (los residuos no tienen que estar correlacionados) (Más adelante veremos una aplicación de este estilo)
84 Pronóstico Procesos ARIMA En la práctica, la serie {X t} puede no ser estacionaria Para estacionarizar, debemos controlar por el efecto no estacionario de la serie (tendencia, por ejemplo) Como vimos anteriormente si consideramos las diferencias de la serie a veces podemos rescatar estacionariedad Orden 1: X t = X t X t 1 Orden 2: ( X t) = 2 X t =? En general, si la serie {X t} tiene una tendencia que sigue un polinomio de grado d en el tiempo t, entonces consideramos el proceso en diferencias de orden d W t = d X t Luego, si {W t} puede ser modelado usando un proceso ARMA(p,q) entonces la serie {X t} se dice que es un modelo ARIMA(p,d,q)
85 Pronóstico Ejemplo: ARIMA(0,1,1) Consideremos el modelo X t = X t 1 + Z t θz t 1 Luego, podemos expresar W t = X t X t 1 = Z t θz t 1 entonces {W t} ARMA(0,1) y {X t} ARIMA(0,1,1)
86 Pronóstico Ejemplo: Box-Jenkins La data de Box-Jenkins consiste en el total mensual de pasajeros internacionales en EEUU, de enero 1949 a diciembre 1960 La serie ha sido log-transformada, y la periodicidad ha sido removida Un gráfico se muestra a continuación Podemos ver una clara tendencia, aproximadamente lineal
87 Pronóstico Ejemplo: Box-Jenkins
88 Pronóstico Ejemplo: Box-Jenkins La primera diferencia... Se ve mejor, podriamos decir entonces que el modelo ARIMA(p,1,q) es adecuado.
89 Pronóstico Pronóstico con un proceso ARMA (Box-Jenkins) Ahora queremos estimar valores futuros de una serie de valores observados. Supongamos que tenemos las observaciones x 1,..., x N. El problema es estimar el valor X N+h para algún entero h. Para simplificar asumiremos que no hay término constante. Notación Denotamos X N N+h el pronóstico hecho en t = N para X N+h Ejemplo, cuando h = 1 tenemos X N N+1 que es el pronóstico de X N+1 hecho en t = N Idea general La idea general es reemplazar Z T = 0 para cualquier valor T > t (valor futuro de t). Así, al periodo N, Z N+1, Z N+2,... son reemplazados por cero. Por otra parte, X t es reemplazado por su pronóstico para valores futuros de t. Por ejemplo, para un pronóstico hecho en N, X N+1 es reemplazado por X N N+1. Es decir, el pronóstico se realiza utilizando la forma del modelo (este enfoque se conoce como Box-Jenkins)
90 Pronóstico Pronóstico de X N+1 en el periodo N De la definición de un proceso ARMA(p,q), sabemos que X N+1 = α 1X N +α 2X N α px N+1 p+z N+1+θ 1Z N +...+θ qz N+1 q Para obtener el pronóstico del periodo N + 1, hecho en el periodo N (X N N+1), reemplazamos Z N+1 = 0, luego X N N+1 = α 1X N + α 2X N α px N+1 p + θ 1Z N θ qz N+1 q Entonces X N N+1 = X N+1 Z N+1
91 Pronóstico Ejemplo: AR(1) Consideremos que las observaciones {x 1,..., x N } siguen el proceso X t = 0.5X t 1 + Z t Calcular el pronóstico para h = 1, en t = N Calcular el pronóstico para h = 2, en t = N Calcular el pronóstico para h, cualquier entero, en t = N.
Econometría 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 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 detallesEconometría Aplicada
Econometría Aplicada Inferencia estadística, bondad de ajuste y predicción Víctor Medina Intervalos de confianza Intervalos de confianza Intervalos de confianza Intervalos de confianza La pregunta que
Más detallesAnálisis Estadístico de Datos Climáticos SERIES TEMPORALES 2
Análisis Estadístico de Datos Climáticos SERIES TEMPORALES 2 2015 Contenido Procesos estacionarios y débilmente estacionarios Algunos procesos estocásticos útiles: Procesos puramente aleatorios (ruido
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 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 detallesEconometría 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 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 detallesEconometría II Grado en finanzas y contabilidad
Econometría II Grado en finanzas y contabilidad Procesos autorregresivos Profesora: Dolores García Martos E-mail:mdgmarto@est-econ.uc3m.es Este documento es un resumen/modificación de la documentación
Más 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 detallesNombre 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 detallesAnálisis de Series de Tiempo
CURSO REGIONAL SOBRE HOJA DE BALANCE DE ALIMENTOS, SERIES DE TIEMPO Y ANÁLISIS DE POLÍTICA MSc. Sandra Hernández sandra.hernandezro@gmail.com Sede Subregional de la CEPAL en México Ciudad de México, del
Más detallesANÁLISIS DE REGRESIÓN
ANÁLISIS DE REGRESIÓN INTRODUCCIÓN Francis Galtón DEFINICIÓN Análisis de Regresión Es una técnica estadística que se usa para investigar y modelar la relación entre variables. Respuesta Independiente Y
Más detallesMétodos Estadísticos para Economía y Gestión IN 540 Clase 7
Métodos Estadísticos para Economía y Gestión IN 540 Clase 7 Perturbaciones no Esféricas 17 de junio de 2010 1 Preliminares Matriz de Varianzas y Covarianzas cuando ɛ t es un AR(1) Naturaleza y causas de
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 detallesARCH y GARCH. Series de tiempo. Miguel Ángel Chong R. 14 de mayo del 2013
Estadística Miguel Ángel Chong R. miguel@sigma.iimas.unam.mx 14 de mayo del 013 Modelos estacionales multiplicativos y estacionarios En la mayor parte de los casos los datos no sólo están correlacionados
Más 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 detallesTema1. 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 detallesEstadística 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 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 detallesLos estimadores mínimo cuadráticos bajo los supuestos clásicos
Los estimadores mínimo cuadráticos bajo los supuestos clásicos Propiedades estadísticas e inferencia Mariana Marchionni marchionni.mariana@gmail.com Mariana Marchionni MCO bajo los supuestos clásicos 1
Más detallesEconometría 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 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 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 detallesSeries de tiempo. Una serie de tiempo es una colección de observaciones realizadas de forma secuencial a lo largo del tiempo.
Series de tiempo Introducción Una serie de tiempo es una colección de observaciones realizadas de forma secuencial a lo largo del tiempo. Una característica intrínseca muy importante de las series de tiempo,
Más detallesMACROECONOMETRÍA. Tema 2: Series temporales. Segundo Cuatrimestre (curso 2006/07), Depto. de Economía, UC3M. Profesor: Genaro Sucarrat
MACROECONOMETRÍA Tema 2: Series temporales Segundo Cuatrimestre (curso 2006/07), Depto. de Economía, UC3M Profesor: Genaro Sucarrat (Coordinador: Juan J. Dolado) Conceptos fundamentales: Esperanzas condicionales
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 detallesApuntes 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 detallesEconometría Aplicada
Econometría Aplicada Regresión Lineal Simple Víctor Medina Regresión Lineal Simple Regresión Lineal Simple Regresión Lineal Simple Introducción La economía sugiere muchas relaciones entre variables económicas.
Más detallesSeries de tiempo. Miguel Ángel Chong R. 2 de abril del 2013
Estadística Miguel Ángel Chong R miguel@sigmaiimasunammx de abril del 03 Autorregresivos Diremos que un proceso {X t } tt es un autorregresivo de orden p, y lo denotaremos como AR(p), si para p unenteroy,,
Más detallesSeries de Tiempo Estacionarias
Series de Tiempo Estacionarias Pablo Lavado Universidad del Pacíco April 2, 2013 Lavado (Universidad del Pacíco) Econometría II April 2, 2013 1 / 1 Procesos Estocásticos Discretos (PED) Un PED es una sucesión
Más detallesTendencias 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 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 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 detallesPronóstico con Modelos ARIMA para los casos del Índice de Precios y Cotizaciones (IPC) y la Acción de América Móvil (AM)
Pronóstico con Modelos ARIMA para los casos del Índice de Precios y Cotizaciones (IPC) y la Acción de América Móvil (AM) Rosa María Domínguez Gijón Resumen este proyecto son el IPC y la acción de América
Más detallesEconometría 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 detalles1. CONCEPTOS BASICOS DE SERIES DE TIEMPO 1.1 INTRODUCCIÓN
GUÍA ECONOMETRÍA II. PROFESOR: GUERRERO FLORES ALEJANDRO. 1. CONCEPTOS BASICOS DE SERIES DE TIEMPO 1.1 INTRODUCCIÓN Toda institución, ya sea la familia, la empresa o el gobierno, tiene que hacer planes
Más detallesEconometría Aplicada
Econometría Aplicada y función de Verosimilitud Víctor Medina Los objetivos de esta parte del curso principalmente son: 1. Dar algunos ejemplos de decisiones económicas donde la variable dependiente es
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 detallesEstadística 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 detallesEconometría 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 detallesPredicción. Capítulo Predictores lineales
Capítulo 6 Predicción 6.1. Predictores lineales Consideramos ahora el problema de predecir los valores X n+h, h > 0 de una serie de tiempo estacionaria con media µ función de autocovarianza γ conocidas,
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 detallesEstadística para la Economía y la Gestión IN 3401 Clase 5
Estadística para la Economía y la Gestión IN 3401 Clase 5 Problemas con los Datos 9 de junio de 2010 1 Multicolinealidad Multicolinealidad Exacta y Multicolinealidad Aproximada Detección de Multicolinealidad
Más detallesRegresión Simple. Leticia Gracia Medrano. 2 de agosto del 2012
Regresión Simple Leticia Gracia Medrano. lety@sigma.iimas.unam.mx 2 de agosto del 2012 La ecuación de la recta Ecuación General de la recta Ax + By + C = 0 Cuando se conoce la ordenada al origen y su pendiente
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 detallesEconometría Aplicada
Econometría Aplicada Especificación y problemas con la data Víctor Medina Introducción Hasta el momento hemos considerado el modelo como dado y nos hemos preguntado cosas del estilo Dado el modelo y =
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 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 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 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 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 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 detallesSeries de tiempo I. Procesos univariados y estacionarios. Gabriel Montes-Rojas. Series temporales estacionarias Estacionariedad Predicción
Ruido blanco Procesos univariados y estacionarios Gabriel V. Montes-Rojas Ruido blanco La estructura de las series temporales Series temporales Información para diferentes periodos indexados por el tiempo
Más detallesConceptos básicos de inferencia estadística (IV): Inferencia no paramétrica: Contrastes de aleatoriedad.
Conceptos básicos de inferencia estadística (IV): Inferencia no paramétrica: Contrastes de aleatoriedad. Tema 1 (IV) Estadística 2 Curso 08/09 Tema 1 (IV) (Estadística 2) Contrastes de aleatoriedad Curso
Más detallesEstadística II Tema 4. Regresión lineal simple. Curso 2009/10
Estadística II Tema 4. Regresión lineal simple Curso 009/10 Tema 4. Regresión lineal simple Contenidos El objeto del análisis de regresión La especificación de un modelo de regresión lineal simple Estimadores
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 (Multivariadas) Carlos Capistrán Carmona ITAM 1 Principios de Pronóstico. 2 Pruebas de Hipótesis. 3 Estimación
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 detalles10.1 Enfoque Bayesiano del problema de la estimación
Chapter 10 Estimadores de Bayes 10.1 Enfoque Bayesiano del problema de la estimación puntual Consideremos nuevamente un problema estadístico de estimación paramétrico. Se observa un vector X = X 1,...,
Más detallesEstadística 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 detallesRegresión Lineal Simple y Múltiple Regresión Logística
Regresión Lineal Simple y Múltiple Regresión Logística Miguel González Velasco Departamento de Matemáticas. Universidad de Extremadura MUI en Ciencias de la Salud MUI en Ciencias de la Salud (UEx) Regresión
Más detallesTópicos en Series de Tiempo
Tópicos en Series de Tiempo Autor: Grisel M. Britos Directora: Dra. Silvia María Ojeda Córdoba, Diciembre de 2012 Agradecimientos A mi familia por la paciencia, la comprensión y tanto que me han dado
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 detallesTema 8: Regresión y Correlación
Tema 8: Regresión y Correlación Estadística. 4 o Curso. Licenciatura en Ciencias Ambientales Licenciatura en Ciencias Ambientales (4 o Curso) Tema 8: Regresión y Correlación Curso 2008-2009 1 / 12 Índice
Más detallesECONOMETRÍA I. Tema 4: El Modelo de Regresión Lineal Múltiple: inferencia y validación
ECONOMETRÍA I Tema 4: El Modelo de Regresión Lineal Múltiple: inferencia y validación Patricia Moreno Juan Manuel Rodriguez Poo Alexandra Soberon Departamento de Economía Alexandra Soberon (UC) ECONOMETRÍA
Más detallesTEMA 5. PROCESOS ESTOCÁSTICOS.-CURSO 2017/18
TEMA 5. PROCESOS ESTOCÁSTICOS.-CURSO 2017/18 5.1. Concepto de proceso estocástico. Tipos de procesos. Realización de un proceso. 5.2. Características de un proceso estocástico. 5.3. Ejemplos de procesos
Más detallesD to de Economía Aplicada Cuantitativa I Basilio Sanz Carnero
D to de Economía Aplicada Cuantitativa I Basilio Sanz Carnero INTRODUCCIÓN El problema de medir relaciones económicas a largo plazo (regresión entre variables económicas en niveles o no estacionarias)
Más detallesGrado 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 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 detalles1. Conceptos de Regresión y Correlación. 2. Variables aleatorias bidimensionales. 3. Ajuste de una recta a una nube de puntos
TEMA 10 (curso anterior): REGRESIÓN Y CORRELACIÓN 1 Conceptos de Regresión y Correlación 2 Variables aleatorias bidimensionales 3 Ajuste de una recta a una nube de puntos 4 El modelo de la correlación
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 detallesEstadística 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 detallesRegresión Lineal. Rodrigo A. Alfaro. Rodrigo A. Alfaro (BCCh) Regresión Lineal / 16
Regresión Lineal Rodrigo A. Alfaro 2009 Rodrigo A. Alfaro (BCCh) Regresión Lineal 2009 1 / 16 Contenidos 1 Regresiones Lineales Regresión Clásica Paquetes estadísticos 2 Estadísticos de Ajuste Global 3
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 detallesRegresión lineal simple
Regresión lineal simple Unidad 1 Javier Santibáñez IIMAS, UNAM jsantibanez@sigma.iimas.unam.mx Semestre 2018-2 Javier Santibáñez (IIMAS, UNAM) Regresión simple Semestre 2018-2 1 / 62 Contenido 1 Planteamiento
Más detallesRegresión Lineal Múltiple
Unidad 4 Regresión Lineal Múltiple Javier Santibáñez (IIMAS, UNAM) Regresión Semestre 2017-2 1 / 35 Introducción La idea de la regresión lineal múltiple es modelar el valor esperado de la variable respuesta
Más detallesPROCESOS ESTACIONARIOS UNIVARIADOS 1
1. Series de Tiempo PROCESOS ESTACIONARIOS UNIVARIADOS 1 Un proceso estocástico es una secuencia de variables aleatorias, donde la variable de indexación puede ser discreta o continua. Por ejemplo, puede
Más detallesTEMA 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 detallesTema 4. Regresión lineal simple
Tema 4. Regresión lineal simple Contenidos El objeto del análisis de regresión La especificación de un modelo de regresión lineal simple Estimadores de mínimos cuadrados: construcción y propiedades Inferencias
Más detallesEstadística y sus aplicaciones en Ciencias Sociales 5. Estimación. Facultad de Ciencias Sociales, UdelaR
Estadística y sus aplicaciones en Ciencias Sociales 5. Estimación Facultad de Ciencias Sociales, UdelaR Índice 1. Repaso: estimadores y estimaciones. Propiedades de los estimadores. 2. Estimación puntual.
Más detalles5. 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 detallesTema 6. Análisis Factorial.
Tema 6 Análisis Factorial El modelo Sea Y = (Y,, Y p ) t un vector aleatorio con vector de medias µ y matriz de covarianzas Σ Supondremos que existe un número entero m < p, una matriz L de orden p m de
Más detallesUNIVERSIDAD 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 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 detallesEXAMEN 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 detallesTEMA 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 detallesANÁLISIS DE LAS SERIES DE TIEMPO - NIVEL II
ANÁLISIS DE LAS SERIES DE TIEMPO - NIVEL II Introducción: Este curso está orientado a formar una base en el análisis de las series temporales que brindará las bases para desenvolverse con gran calidad
Más detallesJulio Deride Silva. 4 de junio de 2010
Curvas ROC y Regresión Lineal Julio Deride Silva Área de Matemática Facultad de Ciencias Químicas y Farmcéuticas Universidad de Chile 4 de junio de 2010 Tabla de Contenidos Curvas ROC y Regresión Lineal
Más detallesModelo de Regresión Lineal
Modelo de Regresión Lineal Álvaro José Flórez 1 Escuela de Ingeniería Industrial y Estadística Facultad de Ingenierías Febrero - Junio 2012 Introducción Un ingeniero, empleado por un embotellador de gaseosas,
Más detallesT2. El modelo lineal simple
T2. El modelo lineal simple Ana J. López y Rigoberto Pérez Dpto Economía Aplicada. Universidad de Oviedo Curso 2010-2011 Curso 2010-2011 1 / 40 Índice 1 Planteamiento e hipótesis básicas 2 Estimación de
Más detallesModelación estadística: La regresión lineal simple
Modelación estadística: La regresión lineal simple Gabriel Cavada Ch. 1 1 División de Bioestadística, Escuela de Salud Pública, Universidad de Chile. Statistical modeling: Simple linear regression Cuando
Más detallesAnálisis 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 detallesRegresión múltiple. Demostraciones. Elisa Mª Molanes López
Regresión múltiple Demostraciones Elisa Mª Molanes López El modelo de regresión múltiple El modelo que se plantea en regresión múltiple es el siguiente: y i = β 0 + β 1 x 1i + β 2 x 2i +...+ β k x ki +
Más detallesEconometría 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 detallesÍndice 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 detallesUNIVERSIDAD NACIONAL DE LA PLATA FACULTAD DE CIENCIAS NATURALES Y MUSEO CÁTEDRA DE ESTADÍSTICA CLASE ESPECIAL. Tema:
UNIVERSIDAD NACIONAL DE LA PLATA FACULTAD DE CIENCIAS NATURALES Y MUSEO CÁTEDRA DE ESTADÍSTICA CLASE ESPECIAL Tema: Correlación múltiple y parcial. Ecuaciones y planos de regresión La Plata, septiembre
Más detallesTema 2: Modelos probabilísticos de series
Tema 2: Modelos probabilísticos de Tema 2: Modelos probabilísticos de 1 2 3 4 5 6 Definición Un proceso estocástico con conjunto de índices T es una colección de variables aleatorias {X t } t T sobre (Ω,
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 detallesPráctica 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