Econometría de series de tiempo aplicada a macroeconomía y nanzas
|
|
- Agustín Ruiz Cáceres
- hace 6 años
- Vistas:
Transcripción
1 Econometría de series de tiempo aplicada a macroeconomía y nanzas Pronósticos de Series de Tiempo Marzo, 2010
2 Tipo de Pronóstico Existen tres tipos de pronóstico: Resultado de un evento: Quién ganará las siguientes elecciones? Cuál será mi cali cación nal? El momento en el tiempo en el que ocurrirá un evento: Cuándo cambiará la tendencia de la economía?, Cuándo cambiará el Banco Central la tasa de interés? Pronóstico de series de tiempo: Cual será el nivel de la in ación en el futuro?, En cuánto se depreciará el tipo de cambio?
3 Tipo de Pronóstico En particular, los pronósticos de variables económicas son utilizados para: La planeación empresarial y la administración nanciera Las negociaciones contractuales La implementación de la política scal y monetaria En todos los casos, los pronósticos permiten a los agentes tomar decisiones en el presente sobre eventos aún por ocurrir.
4 Notación Supongamos un pronosticador representativo que predice una variable macroeconómica de interés h pasos hacia adelante, y t+h, con el conjunto de información disponible en el periodo t, dado por I t. Dado que la variable a pronosticar y t+h es una variable aleatoria, sólo puede ser caracterizada por una función de probabilidad, condicionada al conjunto de información disponible I t : F (y t+h y t+j, j = 1,..., hji n ).
5 Notación El pronóstico realizado en t para el horizonte h está dado por p t+h,t. Se de ne al error de pronóstico como e t+h,t = y t+h p t+h,t. Nótese que p t+h,t es conocido en el tiempo t, mientras que e t+h,t y y t+h lo son hasta el periodo t + h.
6 Pronóstico Óptimo El marco conceptual en el que se establecen las propiedades de un pronóstico óptimo surge de la interacción de cuatro elementos primordiales: 1 La función de distribución de la variable de interés a pronosticar. 2 El conjunto de información empleado por el pronosticador. 3 El modelo que se utiliza para formar el pronóstico. 4 Las preferencias del pronosticador.
7 Pronóstico Óptimo Para obtener el mejor pronóstico se necesita un criterio para discriminar entre distintas alternativas. Una forma de obtener este criterio es introducir la idea de una función de costo. Esta función asume que los agentes toman sus decisiones con base en los pronósticos que emite y por tanto pueden evaluar el costo en el que incurren ante un error de pronóstico de magnitud e t+h,t, L(e t+h,t ).
8 Pronóstico Óptimo El valor que los agentes otorgan a un pronóstico en particular es el re ejo del costo en la decisión de predecir erróneamente la variable de interés ECM Asimétrica 1 Asimétrica 2 5 Pérdida Error de Pronóstico
9 Teoría de Pronósticos Óptimos Pérdida Cuadrática Las propiedades óptimas de un pronóstico dependen, por tanto, del tipo de función de pérdida que se asume para el pronosticador. Consideremos a un pronosticador representativo con una función de pérdida cuadrática, L(e t+h,t ; α) = αe 2 t+h,t ; 8 α > 0. Esta función implica que: El pronosticador penaliza de forma simétrica errores con signos distintos pero con la misma magnitud y que, la penalización es mayor para errores más grandes.
10 Teoría de Pronósticos Óptimos Pérdida Cuadrática Para encontrar el pronóstico óptimo, pt+h,t, el pronosticador representativo minimiza el valor esperado de su función de pérdida: p t+h,t arg min p t+h,t E αe 2 t+h,t j I t
11 Teoría de Pronósticos Óptimos Pérdida Cuadrática De namos a la esperanza de y t+h condicionada al conjunto de información disponible como µ y = E [y t+h ji t ], entonces: E (y t+h p t+h,t ) 2 j I t i = E h((y t+h µ y ) + (µ y p t+h,t )) 2 j I t (yt+h µ = E y ) 2 + (µ y p t+h,t ) 2 + 2(y t+h µ y )(µ y p t+h,t )j I t = E h(y t+h µ y ) 2 + (µ y p t+h,t ) 2i De esta forma se puede reescribir el pronóstico óptimo, p t+h,t, como: p t+h,t arg min p t+h,t (µ y p t+h,t ) 2 + var [y t+h ji t ]
12 Teoría de Pronósticos Óptimos Pérdida Cuadrática Al resolver la condición de primer orden para encontrar el pronóstico óptimo, sólo es necesario derivar el primer término de la derecha de la ecuación, el cual tiene un mínimo global en cero: M h p t+h,t = 0 () E [y t+h p t+h,t j I t ] = 0 () p t+h,t = E [y t+h j I t ]. El pronóstico óptimo bajo una función de pérdida del ECM es simplemente la esperanza de la variable a pronosticar condicionada al conjunto de información disponible.
13 Pronóstico Óptimo para Modelos Particulares AR(1) Supongamos que el pronóstico se basa en un modelo AR(1): y t = φy t 1 + ε t, donde E [ε t j y t 1, y t 2,...] = 0.y jφj < 1. La variable un paso hacia delante está dada por: y t+1 = φy t + ε t+1 El pronóstico óptimo es: pt+1,t = E [φy t + ε t+1 ji t ] = φe [y t ji t ] + E [ε t+1 ji t ] = φy t
14 Pronóstico Óptimo para Modelos Particulares AR(1) La variable dos pasos hacia delante está dada por: y t+2 = φy t+1 + ε t+2 El pronóstico óptimo es: pt+2,t = E [φy t+1 + ε t+2 ji t ] i = E hφ(φy t + ε t+1) + ε t+2 ji t = E φ 2 y t + φε t+1 + ε t+2 ji t = φ 2 y t De esta forma, pt+h,t = φh y t
15 Pronóstico Óptimo para Modelos Particulares MA(1) Supongamos que el pronóstico se basa en un modelo MA(1): y t = ε t + βε t 1. La variable un paso hacia delante está dada por: y t+1 = ε t+1 + βε t. El pronóstico óptimo es: pt+1,t = E [ε t+1 + βε t ji t ] = E [ε t+1 ji t ] + E [βε t ji t ] βε t. En esta última expresión es preciso estimar ε t.
16 Pronóstico Óptimo para Modelos Particulares MA(1) La variable dos pasos hacia delante está dada por: El pronóstico óptimo es: y t+2 = ε t+2 + βε t+1. p t+2,t = E [ε t+2 + βε t+1 ji t ] = E [ε t+2 ji t ] + βe [ε t+1 ji t ] = 0 Por, tanto los modelos MA no son utilizados frecuentemente para realizar pronósticos.
17 Teoría de Pronósticos Óptimos Condición de Ortogonalidad De la condición de primer orden se tiene que, E [e t+h,t j Ω t] = 0. Esto signi ca que los errores de un pronóstico óptimo son impredecibles en base al conjunto de información disponible, I t. De esta forma, los errores de un pronóstico óptimo no se encuentran correlacionados con ningún elemento, v t donde v t 2 I t (Condición de ortogonalidad). E [v t e t+h,t] = 0 8v t 2 I t.
18 Propiedades de Pronósticos Óptimos Para poder determinar la e ciencia de un pronóstico es necesario especi car el conjunto de información del pronosticador. Al de nir los elementos, v t, que se extraen del conjunto de información I t, es posible derivar de la condición de ortogonalidad las distintas propiedades que caracterizan a un pronóstico óptimo.
19 Propiedades de Pronósticos Óptimos Insesgamiento Al restringir v t = 1, la condición de ortogonalidad se convierte en E [e t+h,t ] = 0. Por tanto, El error óptimo tiene una media no condicional de cero. Un pronóstico óptimo no presenta sesgos sistemáticos a subestimar o sobreestimar la variable de interés. En caso de que los pronósticos presentaran un sesgo sistemático, sería posible mejorarlos simplemente añadiendo (o sustrayendo) dicho sesgo.
20 Propiedades de Pronósticos Óptimos Insesgamiento Ejemplo de un error de pronóstico insesgado (un paso hacia delante). Pronóstico de in ación mensual proveniente de encuestas. % Observado Pronóstico % Jun 95 Jun 97 Jun 99 Jun 01 Jun 03 Jun 05 Jun 07 Jun 95 Jun 97 Jun 99 Jun 01 Jun 03 Jun 05 Jun 07 Error de Pronóstico
21 Propiedades de Pronósticos Óptimos Autocorrelación Si el conjunto de información contiene el pasado y presente de la variable a pronosticar, y t+h, es decir, v t = y t j, 8 j 0, el error de un pronóstico óptimo presenta una estructura de autocorrelación como la de un promedio móvil de orden h 1 (MA(h 1)). Esta estructura de correlación serial se presenta cuando el horizonte de pronóstico es mayor a la frecuencia con la que se generan los pronósticos.
22 Propiedades de Pronósticos Óptimos Autocorrelación Intuición: Un pronóstico realizado en el mes de enero para dos meses hacia delante (marzo) tiene información conocida hasta enero, por lo que cualquier evento que se presenta entre febrero y marzo no se toma en cuenta. De la misma forma, en febrero se emite otro pronóstico para dos meses hacia delante (abril) con información hasta febrero, que no incluye lo ocurrido entre marzo y abril. Por tanto, cualquier evento que suceda en marzo impacta a ambos pronósticos, lo que se re eja en un término MA(1) en los errores de pronóstico.
23 Propiedades de Pronósticos Óptimos Autocorrelación Ejemplo de un error de pronóstico con autocorrelación óptima (un paso hacia delante). Pronóstico de depreciación proveniente de instrumentos de mercado. % (Anualizado) Error Forward Autocorrelación Dos Errores Estándar Dic 97 Dic 98 Dic 99 Dic 00 Dic 01 Dic 02 Dic 03 Dic 04 Dic 05 Dic Rezago
24 Propiedades de Pronósticos Óptimos Autocorrelación Ejemplo de un error de pronóstico con autocorrelación óptima (doce paso hacia delante). Pronóstico de depreciación proveniente de instrumentos de mercado Error Forward Dos Errores Estándar % (Anualizado) Autocorrelación Nov 98 Nov 99 Nov 00 Nov 01 Nov 02 Nov 03 Nov 04 Nov 05 Nov Rezago
25 Propiedades de Pronósticos Óptimos Contenido de Información El conjunto de información, I t puede contener otras variables distintas a la que se busca pronosticar, tal que v t = x t, donde x t representa un conjunto de variables conocidas por el pronosticador. Los pronósticos óptimos tienen la propiedad de incorporar e cientemente la información contenida en estas variables y no es posible hacer uso de éstas para predecir el error.
26 Propiedades de Pronósticos Óptimos Contenido de Información Ejemplo de un error de pronóstico no correlacionado con variables conocidas (doce pasos hacia delante). Pronóstico de in ación anual proveniente de encuestas a especialistas. Regresión: e t+h = α + βx t + ε t+h, ε t+h MA(h 1) Regresión estimada: x t ( 0.02) ( 1.52) Error Inflación México Inflación EUA
27 Pronóstico Óptimo Propiedades Asumiendo normalidad, podemos obtener un intervalo de con anza para el pronóstico al 95%: q p t+h,t 1.96 var(e t+h,t ), en algunas ocasiones, dado que este intervalo es muy ancho, es mejor dar los cuantiles al 25% y 75%. Otra característica importante es que la varianza del pronóstico óptimo es menor a la varianza de la serie de interés (i.e., el pronóstico es más suave): y t+h = p t+h + e t+h,t var(y t+h ) = var(p t+h ) + var(e t+h,t ) var(y t+h ) > var(p t+h ), ya que var(e t+h,t ) > 0.
28 Evaluación de Pronósticos Evaluación de una serie de pronósticos Existen algunas di cultades en la comparación de pronósticos y valores actuales de una serie de tiempo: Las propiedades de un pronóstico óptimo usualmente di eren de aquellas de la serie de valores actuales (e.g., var(p t+h ) < var(y t+h )) En situaciones prácticas, uno no tiene idea de la mínima varianza del error de pronostico alcanzable (i.e., algunas series son inherentemente más di ciles de pronosticar)
29 Evaluación de Pronósticos Evaluación de una serie de pronósticos Un tipo de evaluación es determinar si la serie de pronósticos incorpora información de acuerdo a las propiedades que se derivan de un pronóstico óptimo (pruebas de e ciencia ) e t+h,t = vt 0 γ + u t+h H 0 : γ = 0. Regresión con Mínimos Cuadrados Ordinarios. Supuestos: 1 Tanto el error de pronóstico como las variables del conjunto de información, v t son estacionarias 2 u t+h es ruido blanco: cierto únicamente para errores de pronóstico un paso hacia adelante, para h > 1, el error presenta autocorrelación como la de un MA(h 1); pronósticos que no son óptimos pueden generar mayor autocorrelación
30 Evaluación de Pronósticos Evaluación de una serie de pronósticos Si el pronóstico es óptimo, γ = 0, u t+h s MA(h es que con esta regresión podemos probar ambas. 1), la idea Si rechazamos la hipótesis de e ciencia, podemos corregir el pronóstico inmediatamente: p (corr ) t+h,t = p t+h,t + be t+h,t = p t+h,t + v 0 t bγ
31 Evaluación de Pronósticos Comparación entre 2 o más pronósticos Otro tipo de evaluación del desempeño de un pronóstico consiste en evaluar el desempeño relativo entre dos pronósticos en tiempo real Usando cierta función de costos c(e) : f (1) : e (1) t+h,t = y t+h p (1) t+h,t f (2) : e (2) t+h,t = y t+h p (2) t+h,t. Podriamos comparar: 1 T T t=1 c e (1) t+h,t vs 1 T Supongamos c(e) = e 2, entonces: 1 T T e (1) 2 1 t+h vs t=1 T T t=1 c e (2) t+h,t. T e (2) 2 t+h t=1
32 Evaluación de Pronósticos Comparación entre 2 o más pronósticos Para comparar los elementos de la expresión anterior, podemos utilizar la prueba propuesta por Diebold y Mariano (1995). Se de ne al diferencial de costos como d t = c e (1) t+h,t c e (2) t+h,t. La prueba se puede expresar como: H 0: E [d t ] = 0 H 1: E [d t ] 6= 0. En muestras su cientemente grandes se puede emplear el estadístico t asociado al diferencial de costos _ d _ d = 1 T T t=1 d t, dado por S = bσ( _ s N(0, 1), donde bσ d ) (_ d) es el error _ estándar estimado de d.
33 Evaluación de Pronósticos Comparación entre 2 o más pronósticos _ La media muestral del diferencial de costos, d se puede obtener mediante la regresión general: d t = α + ε t+h ε t+h s MA(h 1). (1) H 0 : α = 0. h i h i Si α > 0, E c e (1) t+h,t > E c e (2) t+h,t, p (1) t+h,t preciso que p (2) t+h,t y viceversa. es menos
34 Combinación de Pronósticos Existe algun tipo de combinacion que, de alguna manera, sea mejor que los pronósticos individuales? c t+1 = λp (1) t+1,t + φp(2) t+1,t para pronósticos insesgados φ = 1 λ Usualmente, la combinación es mejor, mientras σ 2 c min σ 2 1, 2 σ2, aun cuando ambos pronósticos se encuentren elaborados con base en el mismo conjunto de información. (aunque esto implique suboptimalidad de ambos).
35 Combinación de Pronósticos Cómo estimamos λ y φ? Usando la regresión y t+1 = ˆλf (1) t+1,t + ˆφf (2) t+1,t Nota: En caso de la presencia de un muy mal pronóstico (pero consistente), podriamos obtener pesos negativos. Como la regresión es ine ciente con muchos pronósticos, podemos usar simplemente el promedio entre ellos, o podemos discriminar entre los peores pronósticos y eliminarlos de la regresion, para sólo trabajar con los mejores ("Trimming").
36 Bibliografía Recomendada Elliott, Graham, Clive W.J. Granger y Allan Timmermann, eds Handbook of Economic Forecasting. Elsevier. Granger, Clive W.J. y Paul Newbold Forecasting Economic Time Series. 2a ed. San Diego:Academic Press.
5. Estimación del Modelo y Resultados
5. Estimación del Modelo y Resultados 5.1. Forma reducida del modelo Como no se tienen datos sobre la tasa natural de desempleo, es necesario hacer una forma reducida del modelo para poder estimarlo utilizando
Más 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 detallesCOMBINACIONES DE PROYECCIONES DE INFLACIÓN: NUEVAS METODOLOGÍAS
COMBINACIONES DE PROYECCIONES DE INFLACIÓN: NUEVAS METODOLOGÍAS Carlos Mora G. Adolfo Rodríguez V. Departamento Investigación Económica BANCO CENTRAL DE COSTA RICA Agosto 2009 1. Objetivos Emplear nuevas
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 detallesConceptos básicos de inferencia estadística (I): Inferencia estadística (repaso)
Conceptos básicos de inferencia estadística (I): Inferencia estadística (repaso) Tema 1 (I) Estadística 2 Curso 08/09 Tema 1 (I) (Estadística 2) Inferencia estadística Curso 08/09 1 / 24 Inferencia estadística
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 detallesVectores Autorregresivos (VAR)
Econometria de Series Temporales Vectores Autorregresivos (VAR) Walter Sosa Escudero Universidad de San Andr es y UNLP 1 Procesos estocasticos multivariados Y t =[Y 1t ;Y 2t ; ;Y Nt ] 0 ; t =1; 2;:::;T
Más 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 detallesLas Expectativas Macroeconómicas de los Especialistas: Una Evaluación de Pronósticos de Corto Plazo en México
Banco de México Documentos de Investigación Banco de México Working Papers N 2008-11 Las Expectativas Macroeconómicas de los Especialistas: Una Evaluación de Pronósticos de Corto Plazo en México Carlos
Más detallesFundamentos para la inferencia. Estadística Prof. Tamara Burdisso
Fundamentos para la inferencia Estadística 018 - Prof. Tamara Burdisso 1 Distribución muestral de la varianza muestral Hasta aquí nos ocupamos de hacer inferencia sobre la media y/o la proporción de una
Más detallesDescomposición Factorial de la In ación en Perú
Descomposición Factorial de la n ación en Perú Alberto Humala (BCRP) Gabriel Rodríguez (BCRP) XXV Encuentro de Economistas Banco Central de Reserva del Perú 26-28/11/2008 Humala-Rodríguez () n ación 26-28/11/2008
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 detallesEconometría II Grado en finanzas y contabilidad
Econometría II Grado en finanzas y contabilidad Modelos multivariantes estacionarios: VAR(p). La dependencia temporal. La causalidad en el sentido de Granger. La estimación de los modelos VAR. Profesora:
Más detallesEconometría II Grado en finanzas y contabilidad
Econometría II Grado en finanzas y contabilidad Metodología Box-Jenkins Profesora: Dolores García Martos E-mail:mdgmarto@est-econ.uc3m.es Este documento es un resumen/modificación de la documentación elaborada
Más detallesEstadística. Tema 3. Esperanzas Esperanza. Propiedades Varianza y covarianza. Correlación
Estadística Tema 3 Esperanzas 31 Esperanza Propiedades 32 Varianza y covarianza Correlación 33 Esperanza y varianza condicional Predicción Objetivos 1 Medidas características distribución de VA 2 Media
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 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 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 de series de tiempo aplicada a macroeconomía y finanzas
Econometría de series de tiempo aplicada a macroeconomía y finanzas Introducción Carlos Capistrán Carmona ITAM Al analizar series de tiempo económicas, usualmente es muy útil empezar con representaciones
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 detallesMacroeconomía II. Laura D Amato UBA FCE. Agosto 2015
Agosto 2015 Clase 3:Expectativas racionales (basado en McCallum, 1989, Cap 8) Los agentes económicos comenten sin duda errores al proyectar los valores de algunas variables económicas Que lo hagan de forma
Más detallesEconometría 1. Karoll GOMEZ Segundo semestre 2017
Econometría 1 Karoll GOMEZ kgomezp@unal.edu.co http://karollgomez.wordpress.com Segundo semestre 2017 II. El modelo de regresión lineal Esperanza condicional I Ejemplo: La distribución de los salarios
Más 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 detallesMacroeconometría ( ) Examen final
Macroeconometría (2004 2005) Examen final Nikolas Müller-Plantenberg * 15 de junio de 2005 Nombre: Apellido: NIF: Instrucciones Por favor, no leer las preguntas antes de que la profesora lo indique. Hay
Más detallesEconometría 1. Karoll GOMEZ Segundo semestre 2017
Econometría 1 Karoll GOMEZ kgomezp@unal.edu.co http://karollgomez.wordpress.com Segundo semestre 2017 II. El modelo de regresión lineal Esperanza condicional I Ejemplo: La distribución de los salarios
Más 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 detallesMODELOS DE SERIES TEMPORALES EN FINANZAS (II): MODELOS ARCH-GARCH Modelización Económica II
MODELOS DE SERIES TEMPORALES EN FINANZAS (II): MODELOS ARCH-GARCH Modelización Económica II Referencias: Gouriéroux (1997) "ARCH Models and Financial Applications", Springer. ARCH-GARCH () Javier Perote
Más detallesUniversidad Nacional Autónoma de México Laboratorio de Cómputo Científico, F. C.
: Un Universidad Nacional Autónoma de México Laboratorio de Cómputo Científico, F. C. : Un presenta México D.F., a 23 de Septiembre de 2010. Historia : Un La estimación de mineral recobrable es muy importante
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. 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 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 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 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 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 detallesInferencia Estadística
Inferencia Estadística 2do C. 2018 Mg. Stella Figueroa Clase Nº10 Población y Muestra- Parámetro y Estimación puntual Población: Es el conjunto de todos los elementos o unidades elementales con características
Más detallesTema 3 - Introducción. Tema 2. Distribuciones en el muestreo Estadísticos y distribución muestral. Ejemplos: X y S 2.
Tema 3 - Introducción 1 Tema 2. Distribuciones en el muestreo Estadísticos y distribución muestral. Ejemplos: X y S 2. Tema 3. Estimación puntual Criterios de comparación de estimadores: Insesgadez. Estimadores
Más detallesProbabilidades y Estadística
Probabilidades y Estadística Profesor: Fernando Lema Auxiliares: Víctor Carmi - Abelino Jiménez Universidad de Chile Indice General 1 Indice General 1 Advertencias y Recomendaciones Tener presente siempre
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 detallesComportamiento asintótico de estimadores
Comportamiento asintótico de estimadores Seguimos con variable X con función de densidad/masa f (x; θ). Queremos estimar θ. Dada una muestra aleatoria, definimos un estimador T = h(x 1,..., X n ) Esperamos/deseamos
Más detallesFundamentos para la inferencia. Unidad 3 Parte II Estadísca Prof. Tamara Burdisso
Fundamentos para la inferencia Estadísca 017 - Prof. Tamara Burdisso 1 Distribución muestral de la varianza muestral Hasta aquí nos ocupamos de hacer inferencia sobre la media y/o la proporción de una
Más detallesFundamentos para la inferencia. Unidad 3 Parte II Estadísca Prof. Tamara Burdisso
Fundamentos para la inferencia Estadísca 016 - Prof. Tamara Burdisso 1 Distribución muestral de la varianza muestral Hasta aquí nos ocupamos de hacer inferencia sobre la media y/o la proporción de una
Más detallesUNIVERSIDAD DE ATACAMA
UNIVERSIDAD DE ATACAMA FACULTAD DE INGENIERÍA / DEPARTAMENTO DE MATEMÁTICA ESTADÍSTICA Y PROBABILIDAD GUÍA DE TRABAJO 3 Profesor: Hugo S. Salinas. Primer Semestre 2010 1. Sea X 1,..., X n una muestra aleatoria
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 detallesLADE y DER-LADE. Primer evaluación parcial
ECONOMETRÍA II CURSO 2007 LADE y DER-LADE Primer evaluación parcial 1. Considere la variable y t para el proceso y t = c + φ y t 1 + a t, donde a t es un ruido blanco. Suponga para φ los valores φ = 0.3
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 detallesPronósticos, Series de Tiempo y Regresión. Capítulo 4: Regresión Lineal Múltiple
Pronósticos, Series de Tiempo y Regresión Capítulo 4: Regresión Lineal Múltiple Temas Modelo de regresión lineal múltiple Estimaciones de Mínimos Cuadrados Ordinarios (MCO); estimación puntual y predicción
Más detallesEstimación del modelo lineal con dos variables
Estimación del modelo lineal con dos variables el método de mínimos cuadrados ordinarios (MCO) Mariana Marchionni marchionni.mariana@gmail.com Mariana Marchionni Estimación del modelo lineal por MCO 1
Más detallesConceptos básicos de inferencia estadística (III): Inferencia no paramétrica: Contrastes de bondad de ajuste.
Conceptos básicos de inferencia estadística (III): Inferencia no paramétrica: Contrastes de bondad de ajuste. Tema 1 (III) Estadística 2 Curso 08/09 Tema 1 (III) (Estadística 2) Contrastes de bondad de
Más detallesInformación sobre Gastos de Consumo Personal y Producto Interno Bruto ( ) en miles de millones de dólares de 1992.
Universidad Nacional Autónoma de Nicaragua UNAN-Managua Curso de Análisis y Diseño de Modelos Econométricos Profesor: MSc. Julio Rito Vargas Avilés. Participantes: Docentes /FAREM-Carazo Encuentro No.4
Más detallesGuía de taller de Economía Cuantitativa V. Profesor: ALBERTO REYES DE LA ROSA.
Guía de taller de Economía Cuantitativa V. Profesor: ALBERTO REYES DE LA ROSA. Debe ser resuelta a mano, citar bibliografía (no usar internet). Términos clave 1. Ceteris Paribus 2. Grado de libertad 3.
Más detallesEconometría de Económicas Ejercicios para el tema 2 y 3
Econometría de Económicas Ejercicios para el tema 2 y 3 Curso 2005-2006 Profesores Amparo Sancho Perez Guadalupe Serrano Pedro Perez 1 1- Los datos que se adjuntan hacen referencia a los datos de producción
Más detallesEstimación de variables no observables para la economía peruana
Estimación de variables no observables para la economía peruana XXX Encuentro de Investigación del BCRP Ismael Ignacio Mendoza Mogollón imendoza@mef.gob.pe Octubre 2012 XXX Encuentro de Economistas (Institute)
Más detallesInstituto Politécnico Nacional Escuela Superior de Cómputo Modelos de Pronóstico
Instituto Politécnico Nacional Escuela Superior de Cómputo Modelos de Pronóstico M. En C. Eduardo Bustos Farías 1 Gestión de Demanda Clientes Internos y Externos Proactiva: Promociones, Políticas de Precio,
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 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 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 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 detallesECONOMETRIA. Tema 5: ERRORES DE ESPECIFICACIÓN. César Alonso UC3M. César Alonso (UC3M) ECONOMETRIA. Tema 5 1 / 35
ECONOMETRIA Tema 5: ERRORES DE ESPECIFICACIÓN César Alonso UC3M César Alonso (UC3M) ECONOMETRIA. Tema 5 1 / 35 Introducción Hemos visto que el estimador MCO tiene buenas propiedades bajo los supuestos
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 detallesPredicción con modelos ARIMA
Capítulo 7 Predicción con modelos ARIMA 7.1. INTRODUCCIÓN Información disponible: Observamos una realización y n = (y 1,...,y n ) de tamaño n de un proceso ARIMA(p, d, q). Objetivo: Predicción de valores
Más detallesECONOMETRÍA I Convocatoria Extraordinaria 22 de Septiembre de 2007
SOLUCIONES EXAMEN Tipo 1 ECONOMETRÍA I Convocatoria Extraordinaria 22 de Septiembre de 2007 1.D 2.C 3.B 4.D 5.B 6.A 7.C 8.B 9.A 10.A 11.A 12.A 13.C 14.C 15.D 16.D 17.A 18.A 19.B 20.C 21.D 22.C 23.D 24.C
Más detallesEJERCICIO T1 NOMBRE: Correctas Incorrectas En Blanco Puntos
ECONOMETRÍA EJERCICIO T1 APELLIDOS: NOMBRE: FIRMA: GRUPO: DNI: Pregunta 1 A B C En Blanco Pregunta A B C En Blanco Pregunta 3 A B C En Blanco Pregunta 4 A B C En Blanco Pregunta 5 A B C En Blanco Pregunta
Más detallesLa econometría : una mirada de pájaro
La econometría : una mirada de pájaro Contenido Objetivo Definición de Econometría Modelos determinista y estocástico Metodología de la econometría Propiedades de un modelo econométrico Supuestos de un
Más detallesTests de Hipótesis basados en una muestra. ESTADÍSTICA (Q) 5. TESTS DE HIPÓTESIS PARA LA MEDIA DE UNA POBLACIÓN NORMAL CON VARIANZA CONOCIDA
2 5. TESTS DE HIPÓTESIS PARA LA MEDIA DE UNA POBLACIÓN NORMAL CON VARIANZA CONOCIDA 5. Desarrollo de un ejemplo Interesa saber si el método de absorción atómica de vapor frío para determinar mercurio introduce
Más detallesPart VII. Estadística I. Mario Francisco. Introducción a la inferencia. Estimación puntual. Propiedades deseables de los estimadores
Part VII La inferencia puede definirse como el conjunto de métodos mediante cuales podemos extraer información sobre distintas características de interés de cierta distribución de probabilidad de la cual
Más detallesSe Pueden Identificar Presiones Inflacionarias Medidas a través del INPC por medio del Comportamiento de los Subíndices de Mercancías del INPP?
Se Pueden Identificar Presiones Inflacionarias Medidas a través del INPC por medio del Comportamiento de los Subíndices de Mercancías del? Extracto del Informe Trimestral Abril Junio, Recuadro, pp. -,
Más detallesat Nombre y Apellidos:... EXAMEN de TÉCNICAS ECONOMÉTRICAS (Enero 2014)
at Nombre y Apellidos:... NIU:... Grupo Reducido:... EXAMEN de TÉCNICAS ECONOMÉTRICAS (Enero 2014) Lea cuidadosamente cada pregunta. Marque muy claramente la respuesta de cada pregunta en la hoja de respuestas.
Más detallesCarlos R. Barrera Chaupis BCRP. XXXVI Encuentro de Economistas del Banco Central de Reserva del Perú 30 de octubre del 2018
CUÁN LEJOS EN EL FUTURO SON INFORMATIVOS LOS PRONÓSTICOS DEL BCRP Y DE CONSENSUS FORECASTS? Carlos R. Barrera Chaupis BCRP XXXVI Encuentro de Economistas del Banco Central de Reserva del Perú 30 de octubre
Más detallesREGRESIÓN Y ESTIMACIÓN TEMA 1: REGRESIÓN LINEAL SIMPLE
UNIDAD 3 REGRESIÓN Y ESTIMACIÓN TEMA 1: REGRESIÓN LINEAL SIMPLE Relación entre variables de interés 1 Relación entre variables de interés Muchas decisiones gerenciales se basan en la relación entre 2 o
Más detallesCapítulo 6 Multicolinealidad Luis Quintana Romero. Econometría Aplicada Utilizando R
Capítulo 6 Multicolinealidad Luis Quintana Romero Objetivo Identificar la multicolinealidad en un modelo econométrico, así como las pruebas de detección de la multicolinealidad y correcciones. Introducción
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 detallesModelo GARCH-MIDAS con Distribución Asimétrica de Laplace: comportamiento del tipo de cambio
Modelo GARCH-MIDAS con Distribución Asimétrica de Laplace: una aproximación al comportamiento del tipo de cambio Álvaro M. Zevallos azevallosb@pucp.edu.pe Área de Estudios Económicos - Banco de Crédito
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 detallesEstimación de Parámetros.
Estimación de Parámetros. Un estimador es un valor que puede calcularse a partir de los datos muestrales y que proporciona información sobre el valor del parámetro. Por ejemplo la media muestral es un
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 detallesCálculos de Poder. Pablo Lavado Universidad del Pacífico
Cálculos de Poder Pablo Lavado Universidad del Pacífico Qué es poder estadístico? Qué es poder estadístico? Beta= Impacto Qué es poder estadístico? Beta= Impacto Qué es poder estadístico? Beta= Impacto
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 detallesTeorema Central del Límite (1)
Teorema Central del Límite (1) Definición. Cualquier cantidad calculada a partir de las observaciones de una muestra se llama estadístico. La distribución de los valores que puede tomar un estadístico
Más detallesModelo de cambios de régimen en el traspaso de las tasas de interés
Modelo de cambios de régimen en el traspaso de las tasas de interés (Regime switching in interest rate pass-through and dynamic bank modelling with risks) Alberto Humala XXIII Encuentro de Economistas
Más detallesMacroeconometría (Primavera 2005) Examen de prueba
Macroeconometría (Primavera 2005) Examen de prueba Nikolas Müller-Plantenberg * 26 de mayo de 2005 Nombre: Apellido: NIF (sólo examen final): Instrucciones Por favor, no leer las preguntas antes de que
Más detallesSistemas de comunicación
Sistemas de comunicación Práctico Repaso de procesos estocásticos Cada ejercicio comienza con un símbolo el cuál indica su dificultad de acuerdo a la siguiente escala: básica, media, avanzada, y difícil.
Más detallesGUIÓN TEMA 3. CONTRASTE DE HIPÓTESIS EN EL MRL Contrastes de hipótesis en el MRL
ECONOMETRIA I. Departamento de Fundamentos del Análisis Económico Universidad de Alicante. Curso 011/1 GUIÓN TEMA 3. CONTRASTE DE HIPÓTESIS EN EL MRL Los procedimientos clásicos de contrastes de hipótesis
Más detalles4.5 Algoritmo RLS (Recursive Least Squares)
4.5 Algoritmo RLS (Recursive Least Squares) Método de mínimos cuadrados (LS) Ecuaciones normales Pseudoinversa Variantes del LS Algoritmo RLS (Recursive Least Squares) Introducción Cálculo recursivo de
Más detallesTema 4 Shocks Nominales en Modelos del Ciclo en Equilibrio. Macroeconomía Avanzada Tema 4 1 / 27
Tema 4 Shocks Nominales en Modelos del Ciclo en Equilibrio Macroeconomía Avanzada Tema 4 1 / 27 Introducción Curva de Phillips: trade-o a corto plazo entre in ación y desempleo. Evidencia favorable a los
Más detallesUniversidad Austral de Chile Escuela de Ingeniería Comercial
Escuela de Ingeniería Comercial Ayudantía # 03: Crecimiento, inflación Profesor: Carlos R. Pitta 1 1 cpitta@spm.uach.cl COMENTES Comente 01: En el equilibrio de mediano y largo plazo, la economía alcanza
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 detallesConceptos básicos de inferencia estadística (II): Contrastes de hipótesis (repaso)
Conceptos básicos de inferencia estadística (II): Contrastes de hipótesis (repaso) Tema 1 (II) Estadística 2 Curso 08/09 Tema 1 (II) (Estadística 2) Contrastes de hipótesis Curso 08/09 1 / 21 Contrastes
Más detallesOptimización. Escuela de Ingeniería Informática de Oviedo. (Dpto. de Matemáticas-UniOvi) Computación Numérica Optimización 1 / 19
Optimización Escuela de Ingeniería Informática de Oviedo (Dpto. de Matemáticas-UniOvi) Computación Numérica Optimización 1 / 19 Introducción Problema general de optimización (minimización) Dado f : Ω R
Más detallesCálculo de Probabilidades II Preguntas Tema 2
Cálculo de Probabilidades II Preguntas Tema 2 1. Demuestre que la suma de n v.a. Bernuolli(p) independientes tiene una distribución Binomial con parametros (n, p). 2. Se dice que una v.a tiene una distribución
Más detallesviii CAPÍTULO 2 Métodos de muestreo CAPÍTULO 3 Análisis exploratorio de datos
Contenido Acerca de los autores.............................. Prefacio.... xvii CAPÍTULO 1 Introducción... 1 Introducción.............................................. 1 1.1 Ideas de la estadística.........................................
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 detallesADMINISTRACION DE OPERACIONES I
ADMINISTRACIÓN DE LA DEMANDA 1. GENERALIDADES Para diseñar y ejecutar un sistema de operación que satisfaga a los clientes una empresa debe conocer cuanta demanda tiene que satisfacer, lo cual le conduce
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 detallesCURSO: ECONOMETRÍA Y ANÁLISIS DE POLÍTICAS FISCALES INSTRUCTOR: HORACIO CATALÁN ALONSO. Especificación de los modelos VAR
CURSO: ECONOMETRÍA Y ANÁLISIS DE POLÍTICAS FISCALES INSTRUCTOR: HORACIO CATALÁN ALONSO Especificación de los modelos VAR Modelos VAR es una extensión de un AR(p) Permiten un mejor entendimiento de la
Más detallesDistribuciones Fundamentales de Muestreo. UCR ECCI CI-0115 Probabilidad y Estadística Prof. Kryscia Daviana Ramírez Benavides
Distribuciones Fundamentales de Muestreo UCR ECCI CI-0115 Probabilidad y Estadística Prof. Kryscia Daviana Ramírez Benavides Distribuciones Muestrales La distribución de probabilidad de un estadístico
Más detalles