ECONOMETRÍA APLICADA A LA TOMA DE DECISIONES
|
|
- Felisa Olivera Piñeiro
- hace 6 años
- Vistas:
Transcripción
1 ECONOMERÍA APLICADA A LA OMA DE DECIIONE EMPREARIALE Lección 4: Auocorrelación. jm
2 Diaposiiva jm e agradece la conribución de los profesores Arranz, uárez y Zamora, cuyos maeriales de clase se han uilizado en la elaboración de esa presenación. juan muro; 8/9/7
3 Auocorrelación.. Qué es un modelo con auocorrelación?. Con qué ipo de daos económicos se suelen presenar modelos auocorrelacionados? Daos de serie emporal Correlación espacial (Economería espacial) /9/ Juan Muro
4 Disinas acepciones de auocorrelación Auocorrelación o correlación serial en una serie emporal eries esacionarias y no esacionarias Auocorrelación o correlación serial en un modelo economérico Perurbaciones aleaorias A /9/ Juan Muro
5 Condiciones de esacionariedad Esacionariedad fuere La función de disribución de y se maniene a lo largo de los periodos. Esacionariedad débil (o en las covarianzas) E(y)= µ Var(y)= σ, E(y, y-s)= γs Ejemplo: ilusracion_mcg.prg; cne.wf /9/ Juan Muro A
6 eries no esacionarias P, rend saionary process eries no esacionarias que se convieren en esacionarias mediane la eliminación de una endencia deerminísica emporal. y = α + β + ε ; ε i.i.d. N(,) DP, difference saionary process eries no esacionarias que se convieren en esacionarias mediane diferencias (endencia esocásica). y = y - + ε (random walk) Ejemplo: ilusracion_mcg.prg; cne.wf /9/ Juan Muro A
7 Auocorrelación. 3. Qué problemas planea a la esimación por MCO? 3.. En qué consise el cálculo de la mariz de varianzas y covarianzas de los esimadores MCO corregida por el efeco de la auocorrelación, Newey-Wes(987)? /9/ Juan Muro
8 Auocorrelación. 4. Cómo se deeca la auocorrelación? /9/ Juan Muro
9 Auocorrelación. 5. Cómo se esima un modelo auocorrelacionado mediane esimadores que engan buenas propiedades esadísicas? Qué se eniende por la esimación de un modelo en cuasidiferencias? Qué problemas planea la uilización de un modelo en diferencias" como méodo para resolver la auocorrelación? /9/ Juan Muro
10 4.. Consecuencias de la auocorrelación. MRLG: Y =X β+u ; =,,. erie emporal; {i} core ransversal. X, β, vecores fila xk y columna kx, respecivamene; Y, u, escalares. E(u u +s X)= σ +s (elemenos de la mariz de varianzas y covarianzasω). /9/ Juan Muro
11 4.. Consecuencias de la auocorrelación. Impondremos el supueso de esacionariedad débil. σ +s =σ para s=. (homoscedasicidad). σ +s = γ s para s. (covarianza sólo depende del desfase emporal). /9/ Juan Muro
12 4.. Consecuencias de la auocorrelación. Esimador MCO: b= (ΣX X ) - ΣX Y. E(b X)=β. Var(b X)=(ΣX X ) - ΣΣE(u u s X)X X s (ΣX X ) -. Como E(u u s X)= γ -s mariz lo es. es desconocida, la /9/ Juan Muro
13 4.. Consecuencias de la En expresión maricial: σ γ E( uu') = γ auocorrelación. γ σ /9/ Juan Muro Donde Cov( u, u ) + ρ = Var( u ) Var( u γ ρ γ ρ = σ Ω = σ σ ρ ρ γ + ) γ = γ No hay resulados generales para el sesgo de la mariz por MCO, s (ΣX X ) -. s ρ ρ =, ±, ±,
14 4.. Consecuencias de la auocorrelación. La auocorrelación sigue las siguienes esrucuras, AR(p), MA(q), ARMA(p,q). Procesos auorregresivos: AR(p): u =Φ u - +Φ u - +.+Φ p u -p +ε. AR(): u =Φ u - +ε. Procesos de medias móviles: MA(q): u =ε +θ ε - +θ ε -.+θ q ε -q. MA(): u =ε +θ ε -. /9/ Juan Muro
15 4.. Consecuencias de la auocorrelación. Procesos auorregresivos y de medias móviles: ARMA(p,q): u = Φ u - + Φ u Φ p u -p +θ ε - +θ ε -.+θ q ε -q. ARMA(,): u =Φ u - +ε +θ ε -. +ε /9/ Juan Muro A
16 Mariz de Newey-Wes (987). La mariz ( ) ( ) ( ). ; '. ' ' ' ' + = = + + = = + = L l w X X e X X X X X X e e w X X l i i i i L l l l l l l /9/ Juan Muro Es un esimador consisene de la mariz de varianzas y covarianzas asinóica del esimador b. Mariz HAC. +. ' ' ' Ω = X X X X X X V MCO σ
17 Mariz de Newey-Wes (987). La sugerencia de Newey y Wes es esimar por MCO (lineal e insesgado) y calcular consisenemene los errores por medio de su mariz (esimadores no eficienes). e pueden uilizar los esadísicos (no así el F). /9/ Juan Muro A
18 4.. Conrases de auocorrelación. Carácer Exacos Asinóicos Hipóesis nula Generales (robusos) Específicos (poenes) Durbin y Wason(95, 95). Conrase exaco. Residuos Recursivos: Razón de Von Neumann modificada (MVNR) /9/ Juan Muro Breusch-Godfrey(978) Correlograma de residuos. h de Durbin(97). argan(964)
19 Durbin y Wason(95, 95). Conrase exaco. Diseñado para conrasar la presencia de procesos AR(), esacionarios. Es robuso ane la presencia de oro ipo de auocorrelación. No permie la presencia de especificación dinámica en el modelo. Las ablas de la disribución del esadísico D-W habiualmene uilizadas requieren la especificación con érmino independiene (avin-whie)(farebroher para ce). /9/ Juan Muro
20 Durbin-Wason(95, 95). Y =X β+u Con u =ρu - +ε. Conrase exaco. H : NO HAY AUOCORRELACION:ρ=. H : EXIE AUOCORRELACION EGUN UN AR():ρ ; ρ <.. Esimar el modelo por MCO. Obener los residuos minimocuadráicos e.. Calcular el esadísico de D-W: ( e - e - ) d = 3. Comprobar en las ablas oporunas de la disribución del esadísico de D-W, para un nivel de significación deerminado, si el valor anerior cae en las zonas de rechazo, indecisión o no rechazo de la hipóesis nula. 4. Emplear algún crierio para resolver la indecisión en el caso en que el valor caiga en dicha zona. /9/ Juan Muro = = e
21 ρ eniendo en cuena que: ˆ, el rango de variación del esadísico: ˆ ρ = d 4 Auocorrelación negaiva ˆ ρ = d Ausencia auocorrelación ˆ ρ = d Auocorrelación posiiva Durbin y Wason hallaron unos límies superior d u e inferior d L que permien omar una decisión acerca de la presencia o ausencia de auocorrelación: Es decir: Auocorrelación Zona Región de no rechazo: Zona Auocorrelación posiiva indecisión No auocorrelación indecisión negaiva d L d U 4-d U 4-d L 4 < d < d L e rechaza H, exise au. posiiva con esquema AR() 4- d L < d < 4 e rechaza H, exise au. negaiva con esquema AR() d u < d < 4-d u No se rechaza H, no exise auocorrelación d L < d < d u El conrase no es concluyene 4-d u < d < 4-d L El conrase no es concluyene /9/ Juan Muro A
22 MVNR(94). Conrase exaco. Y =X β+u Con u =ρu - +ε. H : NO HAY AUOCORRELACION:ρ=. H : EXIE AUOCORRELACION EGUN UN AR():ρ ; ρ <.. Esimar el modelo por mínimos cuadrados recursivos. Obener los -k residuos recursivos (w ).. Calcular el esadísico de la razón de von Neumann modificada (MVNR): MV R = - k ( w = k + - k - /9/ Juan Muro = k + - w w - )
23 MVNR(94). Conrase exaco. 3. Comprobar en las ablas de la disribución del esadísico MVNR, para un nivel de significación deerminado, si el valor anerior cae en las zonas de rechazo o no rechazo de la hipóesis nula. 4. El conrase se realiza como un conrase de una sola cola frene a la auocorrelación posiiva y negaiva, respecivamene. /9/ Juan Muro A
24 H de Durbin(97). Conrase y = con asinóico. Y *' u β = + ρ u donde la Y* significa una mariz de valores reardados de la variable regresando y; X mariz de regresores que no incluye los valores reardados del regresando. H : NO HAY AUOCORRELACION:ρ=. H : EXIE AUOCORRELACION EGUN UN AR():ρ, ρ <.. Esimar el modelo por MCO y obener los residuos MCO e.. Esimar r. De una manera apropiada es el coeficiene de e - en la regresión de e frene a e -. e puede hacer ambién a ravés del esadísico de D-W. /9/ Juan Muro X ' γ + + ε u
25 H de Durbin(97). Conrase asinóico. 3. Forma del conrase: bajo la hipóesis nula el esadísico h se disribuye asinóicamene como una N(,). h = r - var( donde b es el coeficiene de y - en la regresión del aparado y el amaño de la muesra. El conrase es de una sola cola. b ) /9/ Juan Muro
26 H de Durbin(97). Conrase asinóico. 4. En el supueso de que h no pueda ser calculado por ser el radicando negaivo, Durbin sugiere un procedimieno asinóicamene equivalene que consise en 4. Esimar la regresión del aparado. 4. Esimar la regresión siguiene e = e +Y*' +X' +u Bajo la hipóesis nula, el coeficiene de e - significaivamene disino de cero. β γ no será /9/ Juan Muro A
27 Breusch-Godfrey(978). Conrase asinóico. con u = u - y o, = X + u u = ' β + u - Θ +..+ ( ε ) + ε donde X puede conener valores reardados del regresando. q p u - p H : NO HAY AUOCORRELACION: Φ τ =; Θ τ =; para odoτ. H : EXIE AUOCORRELACION EGUN UN AR(p) o MA(q).. Esimar el modelo original por MCO y obener los residuos minimocuadráicos e. /9/ Juan Muro
28 Breusch-Godfrey(978). Conrase asinóico.. Esimar la regresión e = X 'β + E ' p γ + u. 3. Forma del conrase (conrase de muliplicadores de Lagrange): bajo la hipóesis nula el esadísico R se disribuye asinóicamene como una Chi- con p grados de liberad. /9/ Juan Muro A
29 Correlograma de residuos. H : No hay auocorrelación. H : Auocorrelación de cualquier ipo AR(p), MA(q), ARMA(p,q). e rechaza la hipóesis nula en el caso de que el correlograma no sea plano, es decir, en el caso de que no odos los valores de la función de auocorrelación y auocorrelación parcial esén denro de las bandas.. Ajusar el modelo por MCO. Obener los residuos MCO e.. Calcular el correlograma de los residuos MCO e. 3. Calcular el esadísico de Ljung-Box y la probabilidad asociada a dicho esadísico bajo la hipóesis nula. 4. Cualquier valor de la probabilidad asociada al esadísico de Ljung-Box inferior a.5 permie rechazar la hipóesis nula a un nivel de significación del 5%. /9/ Juan Muro A
30 Conrase de argan(964). Conrase de fala de especificación dinámica en un modelo (la auocorrelación es un sínoma de esa especificación errónea) i y = β x + u con u = ρ u - + ε ; ρ < /9/ Juan Muro
31 Conrase de argan(964). y susiuimos la segunda ecuación en la primera, queda y Generaliza para que ambos = ρ y ndo, modelos H - y + ( = : β x β y sean - ρ x - = + - β idénicos - β. β β 3 ) β + ε. x + β 3 x - + ε debe cumplirse. Esimar el modelo general por MCO.. Conrasar la hipóesis nula H por medio del conrase de WALD. En concreo: [f(b) ] ~ W = A var[f(b)] donde b son los esimadores MCO del modelo general. Χ /9/ Juan Muro A
32 4.3. olución a la auocorrelación. Y =X β+u ; =,,. erie emporal; {i} core ransversal. X, β, vecores fila xk y columna kx, respecivamene; Y, u, escalares. E(u i u j X)=σ ij. /9/ Juan Muro
33 4.3. olución a la auocorrelación. MCO: esimación lineal, insesgada y no ópima; mariz de Newey y Wes(987). MCG: exige el conocimieno de la mariz Ω. Esimación lineal, insesgada y ópima; auocorrelación eórica. MCGF: Esimación en dos eapas o ieraiva, consisene. MV: exige una paramerización de la mariz Ω. Esimación consisene, asinóicamene eficiene y con disribución asinóica normal. /9/ Juan Muro A
34 Esimación por MCG. Es imposible en casi odos los casos por el desconocimieno de Ω. El realizar supuesos sobre la esrucura de la auocorrelación ayuda poco. /9/ Juan Muro
35 Esimación por MCGF. Esimación para un AR() esacionario u u = + ε. /9/ Juan Muro
36 Esimación por MCGF. En ese caso, E(u ) σ ε = Var( u) = E( u ) = < E(u u ) = σ ρ u γ = σ ρ = E(uu ) = γ = σ ρ = u E(uu s ) = γ = σ ρ = u /9/ Juan Muro
37 Esimación por MCGF. La mariz de varianzas y covarianzas es uu X) = σ u σε ( ' = E uu = /9/ Juan Muro
38 La mariz Ω es: y su inversa, Ω = /9/ Juan Muro = Ω
39 La mariz de ransformación será: con P Ω P' = I P' P = Ω P = Por lo que el modelo de regresión que cumple los supuesos del MRLC, será el que relaciona las variables ransformadas: ( ) ( ) X Y * * Y Y X X Y = X = /9/ Y Y Juan X Muro X
40 Esimación por MCGF. Por ano, Lo primero es esimar el coeficiene Φ. En una segunda eapa se ransforman las variables y se aplican MCO al modelo resulane. La esimación en dos eapas es consisene y con disribución asinóica normal (eficiencia desconocida). El incremeno de la eficiencia se consigue ierando el proceso. /9/ Juan Muro
41 Procedimieno de Cochrane-Orcu. Procedimieno radicional de aplicar MCGF con AR(). ) e esima el modelo por MCO y se calcula la serie de residuos. ) e realiza una regresión auxiliar de los residuos sobre los residuos del periodo anerior sin incluir érmino consane. De ese modo se obiene una primera esimación del coeficiene de auocorrelación de primer orden. 3) e ransforman las variables del modelo y se repie la esimación del modelo (eapa ) y se coninua con el procedimieno descrio. 4) e finaliza cuando el esadísico d de Durbin-Wason indique que los residuos de la eapa son de ruido blanco o cuando las esimaciones de ϕ difieran en menos de una canidad prefijada por ejemplo, ó,5 (o cualquier oro crierio de convergencia) Ṡ /9/ Juan Muro
42 Esimación por MV en presencia de auocorrelación. Función de verosimiliud. ),.,, ( ),,.,, ( ),.,, ( Θ Θ = = Θ Θ. X Y Y Y Y f X Y Y Y Y Y f X Y Y Y Y )= f L(Y,X /9/ Juan Muro e obiene de la aplicación de la descomposición de la probabilidad conjuna en érminos de la condicional y de la marginal. La maximización de esa función proporciona los esimadores MV (problema de las condiciones iniciales). A )., ( ), ( Θ Θ Π = X Y f X Y Y f i i
43 Predicción con auocorrelación. La presencia de auocorrelación en un modelo debe considerarse para realizar la predicción. Por ejemplo, en un modelo de regresión con perurbaciones AR() la mejor predicción para un periodo exramuesral + debe incluir una corrección por auocorrelación; por ano, ˆ no es la mejor predicción. Y = a + bx + + La predicción que incorpora la información es: Yˆ ˆ Y = a + bx + u + + = a + bx + ˆ( ρ Y a bx + + ρˆ ) y ese predicor coincide con el que se obendría habiendo ransformado el modelo con cuasidiferencias. /9/ Juan Muro
44 Bibliografía. Breusch,..(978) "esing for Auocorrelaion in Dynamic Linear Models", Ausralian Economic Papers, 7, págs Durbin, J.(97) "esing for erial Correlaion in Leas quares Regression when ome of he Regressors are Lagged Dependen Variables", Economerica, 38, págs Durbin, J. y G.. Wason(95) "esing for erial Correlaion in Leas quares Regression", Biomerika, 37, págs ; 38, págs Farebroher, R.W.(98) "he Durbin-Wason es for erial Correlaion when here Is No Inercep in he Regression", Economerica, 48, págs Godfrey, L.G.(978) "esing Agains General Auorregresive and Moving Average Error Models when he Regressors Include Lagged Dependen Variables", Economerica, 46, págs /9/ Juan Muro
45 Bibliografía. Hannan, E.J. y R.D. errell(968) "esing for erial Correlaion afer Leas quares Regression", Economerica, 36, págs avin, N.E. y K.J. Whie(977) "he Durbin-Wason es for erial Correlaion wih Exreme ample izes or Many Regressors", Economerica, 45, págs heil, H. y A.L. Nagar(96) "esing he Independence of Regression Disurbances", JAA, 56, págs Wallis, K.F.(97) "esing for Fourh Order Auocorrelaion in Quarerly Regression Equaions", Economerica, 4, págs /9/ Juan Muro A
46 Referencia al manual de Wooldridge (6) Capíulos, y. Para maerial más avanzado, Capíulo 8. /9/ Juan Muro
ECONOMETRÍA I. Autocorrelación. Autocorrelación. Lección 4: Autocorrelación. Siga. 1. Qué es un modelo con autocorrelación?
ECONOMERÍA I Lección 4: Auocorrelación. jm Auocorrelación.. Qué es un modelo con auocorrelación?. Con qué ipo de daos económicos se suelen presenar modelos auocorrelacionados? Auocorrelación. 3. Qué problemas
Más detallesTODO ECONOMETRÍA. Autocorrelación
TODO ECONOMETRÍA Auocorrelación Índice Definición Causas Consecuencias Deección Medidas correcivas Definición de la auocorrelación Definición de auocorrelación La perurbación de una observación cualquiera
Más detallesLA METODOLOGÍA DE VECTORES AUTORREGRESIVOS (VAR)
LA METODOLOGÍA DE VECTORES AUTORREGRESIVOS (VAR) ESPECIFICACION La meodología VAR es, en ciera forma, una respuesa a la imposición de resricciones a priori que caraceriza a los modelos economéricos keynesianos:
Más detallesEjercicios de Econometría para el tema 4 Curso Profesores Amparo Sancho Amparo Sancho Guadalupe Serrano Pedro Perez
Ejercicios de Economería para el ema 4 Curso 2005-06 Profesores Amparo Sancho Amparo Sancho Guadalupe Serrano Pedro Perez 1 1. Considérese el modelo siguiene: Y X + u * = α + β 0 Donde: Y* = gasos deseados
Más detallesAnálisis estocástico de series temporales
Análisis esocásico de series emporales Ernes Pons (epons@ub.edu) Análisis esocásico de Series Temporales Moivación Ejemplos 4500000 8 4000000 6 3500000 4 3000000 2 0 2500000-2 2000000-4 500000-6 000000-8
Más detallesPROPIEDADES DE LOS ESTIMADORES MCO Profesor Rafael de Arce
Economería I. DADE Noas de Clase PROPIEDADES DE LOS ESTIMADORES MCO Profesor Rafael de Arce (rafael.dearce@uam.es) INTRODUCCIÓN Una vez lograda una expresión maricial para la esimación de los parámeros
Más detallesCurso 2006/07. Tema 1: Procesos Estocásticos. Caracterización de los procesos ARIMA. stico
Curso 6/7 Economería II Tema : Procesos Esocásicos. Caracerización de los procesos ARIMA. Concepo de proceso esocásico sico. Esacionariedad fuere y débil de los procesos esocásicos. Teoremas de ergodicidad
Más detallesSesión 2 Análisis univariado de series de tiempo
Banco Cenral de Reserva del Perú 55º Curso de Exensión Universiaria Economería Prof. Juan F. Casro Sesión Análisis univariado de series de iempo 4. Series de iempo esacionarias 4.. Qué enendemos por proceso
Más detallesECONOMETRÍA EMPRESARIAL II ADE
4 Bernardí Cabrer Economería Empresarial II Tema 8 ECONOMETRÍA EMPRESARIAL II ADE TEMA 8 MODELOS LINEALES SIN ESTACIONALIDAD I ( Modelos regulares 4 Bernardí Cabrer Economería Empresarial II Tema 8 8.
Más detallesE C O N O M E T R I A
UNIVERSIDAD NACIONAL DE PIURA FACULAD DE ECONOMIA DPO. DE ECONOMERIA Y MEODOS CUANIAIVOS E C O N O M E R I A I M. Sc. Eco. LUIS A. ROSALES GARCÍA CASILLA, AGOSO DEL 001 CAPIULO I PERURBACIONES AUOCORRELACIONADAS
Más detallesAnálisis Estadístico de Datos Climáticos
Análisis Esadísico de Daos Climáicos SERIES TEMPORALES I Mario Bidegain (FC) Alvaro Diaz (FI) Universidad de la República Monevideo, Uruguay 2011 CONTENIDO Esudio de las series emporales en Climaología.
Más detallesIII EXÁMENES DE ECONOMETRÍA EMPRESARIAL
III EXÁMENES DE ECONOMETRÍA EMPRESARIAL 1* a) Indique razonadamene las hipóesis sobre el érmino de perurbación en el modelo lineal básico. b) Suponiendo las hipóesis básicas del aparado a), los residuos
Más detallesSesión 2 Análisis univariado de series de tiempo. 5. Series de tiempo no estacionarias en media
Banco Cenral de Reserva del Perú 55º Curso de Exensión Universiaria Economería Prof. Juan F. Casro Sesión 2 Análisis univariado de series de iempo 5. Series de iempo no esacionarias en media La maoría
Más detallesSistemas lineales con ruido blanco
Capíulo 3 Sisemas lineales con ruido blanco 3.1. Ruido Blanco En la prácica se encuenra procesos esocásicos escalares u con media cero y la propiedad de que w( 1 ) y w( 2 ) no esán correlacionados aún
Más detallesCURSO INTERNACIONAL: CONSTRUCCIÓN DE ESCENARIOS ECONÓMICOS Y ECONOMETRÍA AVANZADA. Instructor: Horacio Catalán
CURSO INTERNACIONAL: CONSTRUCCIÓN DE ESCENARIOS ECONÓMICOS Y ECONOMETRÍA AVANZADA Insrucor: Horacio Caalán TEORÍA DE COINTEGRACIÓN Efecos de las propiedades esocásicas de las series en un modelo de regresión
Más detallesh + para cualquier m 1, 5.2. Modelo E-GARCH Introducción
5.2. Modelo E-GARCH Inroducción Los modelos GARCH exponenciales nacen a parir de la publicación de Daniel Nelson (99) sobre heerocedasicidad condicional en los modelos de renabilidad de acivos. Dicho auor
Más detallesAnálisis de Series Temporales. Jose Jacobo Zubcoff. Departamento de Ciencias del Mar y Biología Aplicada
Análisis de Series Temporales Jose Jacobo Zubcoff Deparameno de Ciencias del Mar y Biología Aplicada Inroducción al análisis de series emporales Objeivo: analizar la evolución de una variable a ravés del
Más detallesCapítulo 20. REGRESORES ESTOCASTICOS
Capíulo 20. REGRESORES ESTOCASTICOS 20.. INTRODUCCIÓN... 860 CONSECUENCIAS SOBRE LA ESTIMACIÓN MCO... 862 DISTRIBUCIÓN CONDICIONADA... 866 CASO A. VARIABLE EXPLICATIVA ENDÓGENA CON RETARDO... 868 CASO
Más detallesNotas sobre Análisis de Series de Tiempo: Estacionariedad, Integración y Cointegración
Noes on Time Series Analysis:\Saionariy, Inegraion and Coinegraion hp://www.personal.rdg.ac.uk/~lessda/lecure3.hm Noas sobre Análisis de Series de Tiempo: Esacionariedad, Inegración y Coinegración Generalidades
Más detallesEspecificación y Estimación de los MODELOS ARCH. Horacio Catalán Alonso
Especificación y Esimación de los MODELOS ARCH Horacio Caalán Alonso Noviembre de 0 Caracerísicas de las series financieras:. Son lepokuricas (achaadas y con colas más gordas).las relaciones enre ganancia
Más detallesERRORES DE MEDICION Y EL USO DE VARIABLES INSTRUMENTALES
Apnes de eoría Economérica I. Profesor: Viviana Fernández ERRORES DE MEDICION EL USO DE VARIABLES INSRUMENALES I Casos de Errores de Medición En esa sección analizaremos la exisencia de errores de medición
Más detallesEXAMEN FINAL DE ECONOMETRIA, 3º CURSO (GRADOS EN ECO y ADE) 28 de Junio de :00 horas. Pregunta 19 A B C En Blanco. Pregunta 18 A B C En Blanco
EXAMEN FINAL DE ECONOMETRIA, 3º CURSO (GRADOS EN ECO y ADE) 28 de Junio de 2013 12:00 horas Primer Apellido: Nombre: DNI: Teléfono: Segundo Apellido: Grupo y Grado: Profesor(a): e mail: Preguna 1 A B C
Más detallesPROCESOS NO ESTACIONARIOS: TEST DE RAICES UNITARIAS Y COINTEGRACION
Apunes de eoría Economérica I. Profesor: Viviana Fernández PROCESOS NO ESACIONARIOS: ES DE RAICES UNIARIAS Y COINEGRACION I INRODUCCION Una serie emporal que presena una endencia deerminísica puede ser
Más detalles1. INTRODUCCIÓN. XVI Jornadas ASEPUMA IV Encuentro Internacional Vol Actas_16 Issue 1: 901
Esimación de un nuevo modelo de volailidad esocásica asimérico por umbrales (modelo TA-ARSV). Aplicación a series de rendimieno del precio medio de maerias primas Esimación de un nuevo modelo de volailidad
Más detallesy t = α 0 + α 1t + γ(l)ε (16.1)
CAPITULO 6 MODELOS DE SERIES DE TIEMPO NO ESTACIONARIAS 6.. INTRODUCCIÓN El análisis esadísico radicional de series de iempo, presenado en capíulo anerior, supone la exisencia de la propiedad esadísica
Más detalles" CONTRASTES DE EXPECTATIVAS RACIONALES Y NEUTRALIDAD DE LA POLITICA MONETARIA A CORTO PLAZO: EL CASO DE ESPAÑA "
" CONTRASTES DE EXPECTATIVAS RACIONALES Y NEUTRALIDAD DE LA POLITICA MONETARIA A CORTO PLAZO: EL CASO DE ESPAÑA " Ignacio Díaz-Emparanza Herrero INDICE [-------------------------------------------------]
Más detallesTEMA VI: EL MODELO DE REGRESIÓN LIENAL SIMPLE
El modelo de regresión lineal simple EMA VI: EL MODELO DE REGREIÓN LIENAL IMPLE VI..- Inroducción. VI..- El modelo de regresión lineal simple. Propiedades. VI.3.- Obención de los esimadores por mínimos
Más detallesANALISIS DE SERIES DE TIEMPO MULTIVARIADAS CON MODELOS DE ESPACIO DE ESTADO - UN EJEMPLO: PRODUCTO BRUTO Y DEMANDA GLOBAL DE LA REPÚBLICA ARGENTINA
María Teresa Blaconá Insiuo de Invesigaciones Teóricas y Aplicadas, Escuela de Esadísica ANALISIS DE SERIES DE TIEMPO MULTIVARIADAS CON MODELOS DE ESPACIO DE ESTADO - UN EJEMPLO: PRODUCTO BRUTO Y DEMANDA
Más detalles4. Modelos de series de tiempo
4. Modelos de series de iempo Los modelos comunes para el análisis de series de iempo son los que se basan en modelos auorregresivos y modelos de medias móviles o una combinación de ambos. Es posible realizar
Más detallesTEMA 2 MODELO LINEAL SIMPLE (MLS) Gujarati, Econometria (2004)
EMA 2 MODELO LINEAL SIMPLE (MLS) Gujarai, Economeria (2004). Planeamieno e inerpreación del modelo economérico lineal simple. Capíulo 2 páginas 36 a 39 2. Hipóesis Básicas del Modelo Capíulo 3 páginas
Más detallesEconometría de Series de Tiempo 1
Economería de Series de Tiempo Economería II Prof. Arlee Belran Barco En esa sección, se desarrollará un análisis de la economería de series de iempo que abarcará res grandes emas: el análisis univariado,
Más detallesModelo de regresión lineal simple
Modelo de regresión lineal simple Inroducción Con frecuencia, nos enconramos en economía con modelos en los que el comporamieno de una variable,, se puede explicar a ravés de una variable X; lo que represenamos
Más detallesPREVISIÓN DE LA DEMANDA
Capíulo 0. Méodos de Previsión de la OBJETIVOS. Los pronósicos y la planificación de la producción y los invenarios. 2. El proceso de elaboración de los pronósicos. Méodos de previsión de la demanda 4.
Más detallesCOBERTURA DE CARTERAS ÍNDICE DE RENTA VARIABLE CON FUTUROS SOBRE EL IBEX 35
UNIVERSIDAD COMPLUTENSE DE MADRID FACULTAD DE CIENCIAS ECONÓMICAS Y EMPRESARIALES Deparameno de Economía Financiera y Conabilidad III (Economía y Adminisración Financiera de la Empresa) COBERTURA DE CARTERAS
Más detallesCapítulo 19. MINIMOS CUADRADOS NO LINEALES
Capíulo 9. MINIMOS CUADRADOS NO LINEALES 9. PRUEBA DE LINEALIDAD DEL MODELO... 84 9.. ESPECIFICACIÓN DE MODELOS NO LINEALES... 85 9.3. ESTIMACIÓN POR MCNL... 830 9.4. EVALUACIÓN DE ECUACIONES DE REGRESIÓN
Más detallesECONOMETRÍA II 1. La Econometría de Series de Tiempo
ECONOMETRÍA II. La Economería de Series de Tiempo Economería II Noas de clase.. Análisis Univariado de Series de Tiempo... Series de Tiempo Esacionarias Análisis univariado: se idenifica cada variable
Más detallesTema: Análisis de regresión y análisis de varianza. La tabla ANOVA tiene la siguiente representación: CMR F c CME SCE CME=SCE/GLE
Clase de economería 1: Universidad Cenroamericana UCA Tema: Análisis de regresión y análisis de varianza La abla ANOVA iene la siguiene represenación: Fuenes de variación Grados de liberad uma de cuadrados
Más detallesD to de Economía Aplicada Cuantitativa I Basilio Sanz Carnero
D o de Economía Aplicada Cuaniaiva I Basilio Sanz Carnero PROCESOS ESTOCÁSTICOS Un proceso esocásico «Z» considera «n» variables aleaorias, Z n, en momenos de iempo sucesivos, cada una de esas «n» variables
Más detallesEstimación de modelos de volatilidad estocástica asimétrica. Aplicación en series de rendimientos de índices bursátiles.
Esimación de modelos de volailidad esocásica asimérica. Aplicación en series de rendimienos de índices bursáiles. Esimación de modelos de volailidad esocásica asimérica. Aplicación en series de rendimienos
Más detallesIES CASTELAR BADAJOZ Examen Junio de 2011(General) Solución Antonio Mengiano Corbacho
IES CASTELAR BADAJOZ Eamen Junio de (General) Anonio Mengiano Corbacho PRUEBA DE ACCESO (LOGSE) UNIVERSIDAD DE BALEARES JUNIO (GENERAL) MATEMÁTICAS II Tiempo máimo: horas y minuos Conese de manera clara
Más detallesSerie Apuntes de Clase ΩΒΓ
Serie Apunes de Clase ΩΒΓ N 4 Seiembre del 04 Rafael Busamane Romaní UNIVERSIDAD NACIONAL MAYOR DE SAN MARCOS Universidad del Perú, DECANA DE AMÉRICA FACULTAD DE CIENCIAS ECONÓMICAS La Serie Apunes de
Más detallesUNIVERSIDAD NACIONAL DE PIURA FACULTAD DE ECONOMIA DEPARTAMENTO ACADEMICO DE ECONOMIA
UNIVERSIDAD NACIONAL DE PIURA FACULTAD DE ECONOMIA DEPARTAMENTO ACADEMICO DE ECONOMIA. CAPITULO I MODELOS DINÁMICOS 1. INTRODUCCIÓN 1.1. JUSTIFICACIÓN La necesidad de incluir la dinámica emporal en los
Más detallesEstudio Empírico de la Selección y Estimación de los Modelos de Crecimiento Estadístico
Esudio Empírico de la Selección Esimación de los Modelos de Crecimieno Esadísico S. Amirkhalhali, U.L.G. Rao and S. Amirkhalkhali 1 Resumen: En ese papel se comparan los modelos de crecimieno Lineal Exponencial
Más detallesUNIDAD V. Levantamiento de Supuestos
UNIDAD V Levanamieno de Supuesos UNIDAD V Qué es levanamieno de supuesos? La Esadísica demuesra que lo bien hecho siempre es mejor que lo bien dicho I Ching Qué es Mulicolinealidad? Cómo se presena? Cuáles
Más detallesFacultad de Ciencias del Mar. Curso 2007/08 11/07/08
Esadísica Convocaoria de Junio Faculad de Ciencias del ar. Curso 007/08 /07/08 El galludo (Squalus egalops) es una especie de iburón de aguas empladas a ropicales, que habia la plaaforma coninenal exerior
Más detallesUNIVERSIDAD NACIONAL DE PIURA FACULTAD DE ECONOMIA DEPARTAMENTO ACADEMICO DE ECONOMIA
UNIVERSIDAD NACIONAL DE PIURA FACULAD DE ECONOMIA DEPARAMENO ACADEMICO DE ECONOMIA CAPIULO I MODELOS DINÁMICOS. INRODUCCIÓN.. JUSIFICACIÓN La necesidad de incluir la dinámica emporal en los modelos es:
Más detallesPRÁCTICA 2: Ejercicios del capítulo 4
PRÁCTICA : Ejercicios del capíulo 4. Un psicólogo clínico desea evaluar la eficacia de una erapia para reducir la ansiedad de los ejecuivos que padecen esrés en la oma de decisiones empresariales. Para
Más detallesDETERMINANTES Y VULNERABILIDAD
DETERMINANTES Y VULNERABILIDAD DE LA DEUDA PÚBLICA P EN VENEZUELA María a Fernanda Hernández ndez Edgar Rojas Lizbeh Seijas 30 de enero de 2007 Conenido 2 Objeivo Dinámica y deerminanes de la deuda Aspecos
Más detallesÁLGEBRA (Selectividad 2014) 1 ALGUNOS PROBLEMAS DE ÁLGEBRA PROPUESTOS EN LAS PRUEBAS DE SELECTIVIDAD DE 2014
ÁLGEBR (Selecividad 04) LGUNOS PROBLEMS DE ÁLGEBR PROPUESTOS EN LS PRUEBS DE SELECTIVIDD DE 04 Casilla y León, junio 4 a a+ a+ Sea la mariz = a a+ 3 a+ 4 a a+ 5 a+ 6 a) Discuir su rango en función de los
Más detallesCONTRASTES DE SIGNIFICATIVIDAD INDIVIDUAL DE LOS PARÁMETROS
ECONOMETRÍA I. LADE Página /8 APUNTES DE CLASE Profesor Rafael de Arce rafael.dearce@uam.es CONTRASTES DE SIGNIFICATIVIDAD INDIVIDUAL DE LOS PARÁMETROS. Inroducción. Inervalo de confianza de los parámeros
Más detallesMODELOS DE REGIMENES CAMBIANTES ESTOCÁSTICOS Markov switching regimes
MODELOS DE REGIMENES CAMBIANES ESOCÁSICOS Markov wiching regime Comporamieno dinámico de la variable dependen del eado de la economía Modelo AR y SAR: vario regímene en función del valor de una variable
Más detallesProcesos Estocásticos. Procesos Estocásticos. Procesos Estocásticos. 1 Introducción y conceptos básicos. Al final del tema el alumno será capaz de:
Procesos socásicos Procesos socásicos I Inroducción y concepos básicos sadísicos de un proceso esocásico Referencias: Capíulo 8 de Inroducción a los Sisemas de Comunicación. Sremler, C.G. 993 Apunes de
Más detallesEconometría Examen Parcial #1 Cali, Sábado 27 de Febrero de 2010
Economería 0616 Examen Parcial #1 Cali, Sábado 7 de Febrero de 010 Profesores: Julio César Alonso C. Carlos Giovanni González Ana Isabel Gallego L. Esudiane: Código: Insrucciones: 1. Lea cuidadosamene
Más detallesModelo de volatilidad estocástica asimétrica por umbrales (modelo TA-ARSV).
Modelo de volailidad esocásica asimérica por umbrales (modelo TA-ARSV). García Ceneno, María del Carmen (garcen@ceu.es) Deparameno de Méodos Cuaniaivos e Informáica Universidad CEU San Pablo Madrid RESUMEN
Más detallesVOLATILIDAD DE LA TASA DE CAMBIO PESO DÓLAR: ESTIMACIÓN DE UN INDICADOR PARA LA GESTIÓN DEL RIESGO Y LA PLANEACIÓN DE ESTRATEGIAS DE INVERSIÓN
VOLATILIDAD DE LA TASA DE CAMBIO PESO DÓLAR: ESTIMACIÓN DE UN INDICADOR PARA LA GESTIÓN DEL RIESGO Y LA PLANEACIÓN DE ESTRATEGIAS DE INVERSIÓN MARCELA CONSTANZA TECANO MOLANO Direcor Ingeniero DIEGO HERNÁNDEZ
Más detallesEstadística Descriptiva y Analisis de Datos con la Hoja de Cálculo Excel. Series Temporales
Esadísica Descripiva y Analisis de Daos con la Hoja de Cálculo Excel Series Temporales Serie emporal una serie emporal es una sucesión de observaciones de una variable realizadas a inervalos regulares
Más detallesSeries Temporales Univariantes
Profesoras Carolina García-Maros (garcia.maros@upm.es) María Jesús Sánchez Naranjo (mjsan@esii.upm.es) ÍNDICE Inroducción a las series emporales (objeivos, clasificación de los modelos de series, análisis
Más 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 detallesANÁLISIS DE LAS TASAS DE DESOCUPACIÓN DEL GRAN ROSARIO Y GRAN BUENOS AIRES A TRAVÉS DE MODELOS UNIVARIADOS DE SERIES DE TIEMPO (1º º 2002)
Ocavas Jornadas "Invesigaciones en la Faculad" de Ciencias Económicas y Esadísica, noviembre de 003. Blaconá, María Teresa* Bussi, Javier** Venroni, Nora** *Insiuo de Invesigaciones Teóricas y Aplicadas
Más detallesDeterminación de las garantías para el contrato de futuros de soja en pesos. Value at Risk
Deerminación de las garanías para el conrao de fuuros de soja en pesos. Value a Risk Gabriela acciano inancial Risk Manager gfacciano@bcr.com.ar Direcora Deparameno de Capaciación y Desarrollo de Mercados
Más detallesModelos de Heteroscedasticidad Condicional
Modelos de Heeroscedasicidad Condicional El objeivo de ese ema es esudiar algunos méodos esadísicos y modelos economéricos disponibles en la lieraura para modelizar la volailidad del rendimieno de un acivo.
Más detallesTema 2. Heterocedasticidad. 1 El modelo de regresión lineal con errores heterocedásticos
ema 2. Heterocedasticidad. El modelo de regresión lineal con errores heterocedásticos En este tema vamos a analizar el modelo de regresión lineal Y t = X tβ + u t, donde X t = (X t, X 2t,.., X kt y β =
Más detallesMODELO ARIMA(p, d, q) (P, D, Q) s
SERIES TEMPORALES: MODELO ARIMA Faculad Ciencias Económicas y Empresariales Deparameno de Economía Aplicada Profesor: Saniago de la Fuene Fernández MODELO ARIMA(p, d, q) (P, D, Q) s Se han analizado las
Más detallesModelos de Ecuaciones Simultáneas. donde R y Y son variables endógenas, y M es determinada exógenamente.
1 Modelos de Ecuaciones Simuláneas Considere el siguiene modelo: R = β + β M + β Y + u (1) 0 1 2 1 Y = α + α R + u (2) 0 1 2 donde R y Y son variables endógenas, y M es deerminada exógenamene. La información
Más detallesMODELO JUNIO 2005 MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES II
Modelo de eamen Junio MODELO JUNIO MTEMÁTICS PLICDS LS CIENCIS SOCILES II OPCIÓN. (Punuación máima: punos) Se dice que una mari cuadrada es orogonal si T I: Noa: La noación T significa mari ranspuesa de.
Más detallesMétodos de Previsión de la Demanda Pronóstico para Series Temporales Niveladas Representación Gráfica
Méodos de Previsión de la Demanda Pronósico para Series Temporales Niveladas Represenación Gráfica REPRESENTACIÓN GRÁFICA DE LA SERIE DE DATOS Período i Demanda Di 25 2 2 3 225 4 24 5 22 Para resolver
Más detallesAlgunos problemas en el empleo de los métodos econométricos
Algunos problemas en el empleo de los méodos economéricos Angel Vilariño. Los daos En las ciencias físicas es cosumbre presenar los daos juno con una medida del error de observación, mienras que en las
Más detallesGRADO TURISMO TEMA 6: SERIES TEMPORALES
GRADO TURISMO TEMA 6: SERIES TEMPORALES Prof. Rosario Marínez Verdú 1 TEMA 6: SERIES TEMPORALES 1. Componenes de una serie emporal. 2. Análisis de la Tendencia. 3. Análisis de las Variaciones Esacionales.
Más detallesMarch 2, 2009 CAPÍTULO 3: DERIVADAS PARCIALES Y DIFERENCIACIÓN
March 2, 2009 1. Derivadas Parciales y Funciones Diferenciables En ese capíulo, D denoa un subconjuno abiero de R n. Definición 1.1. Consideremos una función f : D R y sea p D, i = 1,, n. Definimos la
Más detallesExamen Parcial de Econometría II. Nombre: RESOLUCION DEL EXAMEN PARCIAL Paralelo:
Escuela Superior Poliécnica del Lioral Faculad de Economía y Negocios 30-11-2011 Examen Parcial de Economería II Nombre: RESOLUCION DEL EXAMEN PARCIAL Paralelo: REGLAMENTO DE EVALUACIONES Y CALIFICACIONES
Más detallesComentarios de la Nota Técnica sobre la Determinación del Incremento de la Reserva de Previsión
Comenarios de la Noa Técnica sobre la Deerminación del Incremeno de la Reserva de Previsión Fernando Solís Soberón y Rosa María Alaorre Junio 1992 Serie Documenos de Trabajo Documeno de rabajo No. 3 Índice
Más detallesNormalidad de los errores. Fortino Vela Peón Universidad Autónoma Metropolitana
Normalidad de los errores Forino Vela Peón Universidad Auónoma Meropoliana fvela@correo.xoc.uam.mx Ocubre, 00 0/0/0 México, D. F. Inroducción Uno de los supuesos básicos del modelo de regresión lineal
Más detallesUSO DE LAS TRANSFORMADAS DE LAPLACE Y Z EN EL ÁREA DE PROBABILIDAD
USO DE LAS TRANSFORMADAS DE LAPLACE Y Z EN EL ÁREA DE PROBABILIDAD Inroducción. En muchas áreas de ingeniería se uilizan procesos esocásicos o aleaorios para consruir modelos de sisemas ales como conmuadores
Más detallesAnálisis de Series Temporales
Inroducción al Análisis de Series Temporales José Albero Mauricio Universidad Compluense de Madrid OBSERVACIONES PRELIMINARES El origen de ese libro es una colección de ransparencias que preparé durane
Más detallesComplejidad de modelos: Sesgo y Varianza
Complejidad de modelos: Sesgo y Varianza 17 de abril de 2008 Noas de clase. Rolando Belrán A Las medidas de sesgo y varianza son úiles para los modeladores en ano que ayudan a regular la complejidad del
Más detallesEstimación puntual ± Margen de error
Esimación Punual Para esimar el valor de un parámero poblacional se calcula la caracerísica correspondiene de la muesra, a lo que se le conoce como esadísico muesral. A la media muesral x se le idenifica
Más detallesModelos no lineales. Contenidos. Econometría II. Grado en Economía Universidad de Granada 17:19:57 17:19:57. Econometría II Modelos no lineales 2 / 47
Modelos no lineales Economería II Grado en Economía Universidad de Granada Economería II Modelos no lineales 1 / 47 Conenidos MCNL y MV MCNL y MV Economería II Modelos no lineales 2 / 47 MCNL y MV lineal
Más detallesCAPÍTULO III. METODOLOGÍA. En este capítulo se expondrán los diversos modelos de pronósticos así como su notación, la
CAPÍTULO III. METODOLOGÍA En ese capíulo se expondrán los diversos modelos de pronósicos así como su noación, la esimación de sus parámeros para poder enonces escoger el modelo que más se adecue a la Serie
Más detallesGuía de Ejercicios Econometría II Ayudantía Nº 3
Guía de Ejercicios Economería II Ayudanía Nº 3 1.- La serie del dao hisórico del IPC Español desde enero de 2002 hasa diciembre de 2011, esá represenada en el siguiene gráfico: 115 110 105 100 95 90 85
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 detallesASPECTOS TEÓRICOS SOBRE ALGUNOS TEMAS ECONOMÉTRICOS
BANCO CENTRAL DE COSTA RICA DIVISIÓN ECONÓMICA DEPARTAMENTO DE INVESTIGACIONES ECONÓMICAS DIE/01-2003-NT NOTA TÉCNICA JUNIO, 2003 ASPECTOS TEÓRICOS SOBRE ALGUNOS TEMAS ECONOMÉTRICOS Ana Cecilia Kiku Valverde
Más detallesRaúl Ramos Lobo Miquel Clar López Jordi Suriñach Caralt
COMPARACIÓN DE LA CAPACIDAD PREDICTIVA DE LOS MODELOS DE COEFICIENTES FIJOS FRENTE A VARIABLES EN LOS MODELOS ECONOMÉTRICOS REGIONALES: UN ANÁLISIS PARA CATALUÑA Raúl Ramos Lobo Miquel Clar López Jordi
Más detallesECONOMETRIA II LADE/ LADE-DERECHO. CURSO 2009/2010. Soluciones Hoja de ejercicios 4
ECONOMETRIA II LADE/ LADE-DERECHO. CURSO 2009/2010 Soluciones Hoja de ejercicios 4 A1) Considere el siguiene modelo VAR con mecanismo de corrección del equilibrio (del error) Δy 0.2 0.1 0.3 Δy 1 ε1 = (
Más detallesESTUDIO DE MERCADO. MÉTODOS DE PROYECCIÓN
ESTUDIO DE MERCADO. MÉTODOS DE PROECCIÓN Qué es una proyección? Es una esimación del comporamieno de una variable en el fuuro. Específicamene, se raa de esimar el valor de una variable en el fuuro a parir
Más detallesCAPÍTULO 5 VALIDACIÓN DEL MODELO DE REGRESIÓN: CONTRASTES DE ESPEFICIACIÓN INCORRECTA Y CONTRASTES DE ESPECIFICACIÓN
Fichero: capiulo 5 CAPÍTULO 5 VALIDACIÓN DEL MODELO DE REGRESIÓN: CONTRASTES DE ESPEFICIACIÓN INCORRECTA Y CONTRASTES DE ESPECIFICACIÓN. INTRODUCCION. TIPOS DE PRUEBAS DE VALIDACIÓN DE LOS RESULTADOS DE
Más detallesCAPITULO 15 SERIES DE TIEMPO ESTACIONARIAS
CAPITULO 5 SERIES DE TIEMPO ESTACIONARIAS 5.. INTRODUCCIÓN Una serie de iempo es una secuencia de daos numéricos, cada uno de los cuales se asocia con un insane específico del iempo. Podemos ciar como
Más detallesGESTIÓN DE INVENTARIOS Código: M. Docente: Julio César Londoño Ortega
GESTIÓN DE INVENTARIOS Código: 760033M Docene: Julio César ondoño Orega 1. Concepos avanzados de pronósicos de demanda 1. CONCEPTOS AVANZADOS DE PRONÓSTICOS DE DEMANDA Medición y análisis de los errores
Más detallesECONOMETRÍA APLICADA
Faculad de Ciencias Económicas y Empresariales ANÁLISIS UNIVARIANTE DE SERIES TEMPORALES José Albero Mauricio Deparameno de Fundamenos del Análisis Económico II EcrAp-JAM-TR.pdf COPYRIGHT -6 José Albero
Más detalles4.1. El concepto de autocorrelación y su modelización
Tema 4 Autocorrelación 4.1. El concepto de autocorrelación y su modelización 4.1.1. Introducción Este tema aborda el problema de autocorrelación, una característica que puede presentar el término de error
Más detallesMODELOS DE VOLATILIDAD DEL FUTURO SOBRE EL BONO NOCIONAL A 10 AÑOS ABSTRACT
MODELOS DE VOLATILIDAD DEL FUTURO SOBRE EL BONO NOCIONAL A 10 AÑOS Ricardo Gimeno a (Universidad Ponificia Comillas) y Eduardo Morales b (Universidad San Pablo CEU) ABSTRACT La información proporcionada
Más detallesEconometría II. Análisis de series temporales (I): Procesos estacionarios. Miguel Jerez y Sonia Sotoca Universidad Complutense de Madrid.
Economería II Análisis de series emporales (I): Procesos esacionarios Miguel Jerez y Sonia Sooca Universidad Compluense de Madrid Febrero 2004 Ver. /6/2003, Pag. # Índice: Inroducción Concepos básicos
Más detallesInvestigación y Técnicas de Mercado. Previsión de Ventas TÉCNICAS CUANTITATIVAS ELEMENTALES DE PREVISIÓN UNIVARIANTE.
Invesigación y écnicas de Mercado Previsión de Venas ÉCNICAS CUANIAIVAS ELEMENALES DE PREVISIÓN UNIVARIANE. (II) écnicas elemenales: Modelos Naive y Medias Móviles. Medición del error de previsión. Profesor:
Más detallesTEMA 5. CONTROL ADAPTATIVO. CONTROL AVANZADO DE PROCESOS Prof. M.A. Rodrigo TEMA 3. CONTROL ADAPTATIVO
TEMA 5. CONTROL ADAPTATIVO 1 DINÁMICA DE PROCESOS. LINEALIZACIÓN INTRODUCCIÓN ANÁLISIS DINÁMICO Definición: esudio del comporamieno no esacionario de un sisema Objeivo: sisemaizar comporamienos de sisemas
Más detallesMilagro económico dominicano: buena suerte y buenas políticas (Andújar, 2009)
Comenarios al documeno: Milagro económico dominicano: buena suere y buenas políicas (Andújar 2009) III Foro de invesigadores económicos de los bancos cenrales miembros del CMCA San José Cosa Rica Agoso
Más detallesLECTURA 07: PRUEBA DE HIPÓTESIS (PARTE I) TEMA 15: PRUEBA DE HIPOTESIS: DEFINICIONES GENERALES
LECTURA 7: PRUEBA DE HIPÓTESIS (PARTE I) TEMA 15: PRUEBA DE HIPOTESIS: DEFINICIONES GENERALES 1 INTRODUCCION El propósio de análisis esadísico es reducir el nivel de inceridumbre en el proceso de decisiones
Más detallesTest. Cada pregunta correcta está valorada con 0.5 puntos y cada incorrecta resta 0.25 puntos
Teléf.: 91 533 38 4-91 535 19 3 8003 MADRID EXAMEN DE ECONOMETRÍA (enero 010) 1h 15 Apellidos: Nombre: Tes. Cada preguna correca esá valorada con 0.5 punos y cada incorreca resa 0.5 punos 1.- Al conrasar
Más detallesModelos estructurales de series de tiempo Est. Laura I. Giménez
Modelos esrucurales de series de iempo Es. Laura I. Giménez Universidad Nacional del Nordese Insiuo Nacional de Tecnología Agropecuaria 1 Programa Jueves, 30 de julio de 009 Inroducción al análisis de
Más detallesMaterial sobre Diagramas de Fase
Maerial sobre Diagramas de Fase Ese maerial esá dedicado a los esudianes de Conrol 1, para inroducirse a los diagramas de fase uilizados para el Análisis de Esabilidad de los punos de equilibrio del sisema
Más detallesOPCIÓN A MATEMÁTICAS 2º BACHILLERATO B
MTEMÁTICS º BCHILLERTO B -5-11 OPCIÓN 1.- 1 Dadas las funciones f( x) = x x+, gx ( ) = x+ 1 a) Esboza sus gráficas y calcula su puno de core b) Señala el recino limiado por las gráficas de ambas funciones
Más detallesUna aplicación Bayesiana a la Modelización de Mercados
Una aplicación Bayesiana a la Modelización de Mercados Maser Oficial en Ingeniería Maemáica Problema planeado por BAYES INFERENCE, S. A. Exposición del problema (I) Se considera un mercado de compeencia
Más detalles