ANÁLISIS DE LAS SERIES DE TIEMPO - NIVEL II

Transcripción

1 ANÁLISIS DE LAS SERIES DE TIEMPO - NIVEL II

2 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 en el ámbito laboral y en los cursos más avanzados que son tocados en maestrías, tópicos de economía avanzados, especialización en finanzas, doctorados entre otros. Requisitos: Es recomendable que el alumno tenga conocimientos básicos de econometría, estadística y algebra lineal. Objetivos: Los objetivos del curso son: Dotar al participante de todos los conceptos básicos que se debe saber en el análisis de Series Temporales. Incrementar las habilidades del participante en el tratamiento de las series. Resolver ejercicios aplicativos. Realizar y analizar las proyecciones con las series de tiempo. Relacionar los conceptos econométricos con la modelización y tratamiento de las series. Certificación: El participante que cumpla con las exigencias académicas, de asistencia y que obtenga un promedio mínimo de 14, recibirá el Certificado de Aprobación. Cabe recordar, que en el certificado se indicará el desempeño obtenido por el participante.

3 Contenido: 1. Métodos de Simulación Motivaciones. Simulaciones de Monte Carlo. Técnicas de Reducción de Varianza. Bootstrapping. Generación de Números Aleatorios. Desventajas del enfoque de simulación en la solución de problemas econométricos. 2. Teoría de la Distribución No Estacionaria Introducción. Especificación. Modelos de Tendencia. Integración. Estimación. Casos de estacionariedad. Casos de no estacionariedad (tendencias estocásticas y determinísticas). Teoría asintótica para procesos integrados. Movimiento Browniano. Teorema del Límite Central Funcional. Teorema del Mapeo Continuo. Integrales Estocásticas. Análisis multivariado. 3. Series de Tiempo Univariadas No Estacionarias Introducción. Pruebas de No Estacionariedad y Estacionariedad. Pruebas de Raíz Unitaria Autoregresiva (Simulación de Dickey Fuller y Distribuciones Sesgadas Normalizadas, Casos con Tendencia, Prueba Dickey-Fuller de Raíz Unitaria, Pruebas de Raíz Unitaria de Phillips-Perron). Pruebas de Estionariedad (Simulación de Distribuciones KPSS, Pruebas de Estacionariedad utilizando lenguajes de programación). Problemas con las Pruebas de Raíz Unitaria. Pruebas Eficientes de Raíz Unitaria (Pruebas de Punto Óptimo, Prueba DF-GLS, Pruebas Eficientes PP Modificada, Estimación de λ 2, Cambio de longitud de rezagos para obtener buen tamaño y potencia). 4. Modelo Vectorial Autoregresivo Series de Tiempo Multivariadas. Estacionariedad y Ergodicidad de Series de Tiempo Multivariadas. Matriz de Correlaciones. Momentos Muestrales. Matrices de Covarianza Cruzada y de Correlaciones. matrices de Covarianza Muestral y de Correlaciones. Representación de Wold Multivariada. Varianza de Largo Plazo. Estimación No Paramétrica de la Varianza de Largo Plazo. Modelos Vectoriales Autoregresivos. El Modelo Vectorial Autoregresivo Estacionario. Representación de Wold. Estimación. Selección de Longitud de Rezagos. Causalidad de Granger. Prueba de Causalidad de Granger. Algoritmos de Predicción. Regla de la Cadena de la Predicción. Estadísticos Q Multivariados.

4 Contenido: 5. Modelo Vectorial Autoregresivo Estructural VAR estructural (SVAR). VAR en forma reducida. Representación de Wold. Representación VMA estructural (SMA). Función de Respuesta al Impulso. Identificación a través de restricciones contemporáneas. Identificación a través de restricciones de largo plazo. Estimación. Descomposiciones de Varianza del Error de Predicción (FEVD). Procedimiento de Estimación. Estimación de un SVAR basado en una ortogonalización recursiva (ordenamiento causal, de Cholesky o de restricciones de corto plazo cero). Estimación de un SVAR basado en una ortogonalización no recursiva. Representación del modelo en forma reducida. Representación de Wold. El modelo A. El modelo B. El modelo AB. El Esquema de Identificación de Blanchard- Quah (restricciones de largo plazo cero). El Esquema de Identificación Basado en Teoría. El esquema de Identificación Basado en Restricción de Signos. Los Modelos Globar VAR (GVAR). 6. Cointegración Regresiones espúreas. Cointegración. Cointegración y Tendencias Comunes. Simulación de Sistemas Cointegrados. Cointegración y Modelos de Corrección de Errores. Pruebas de cointegración cuando el vector cointegrante es preespecificado. Pruebas de Cointegración cuando el vector cointegrantes es estimado. Estimador por Mínimos Cuadrados. Estimador de Stock y Watson. Estimación de Modelos de Corrección de Errores por Mínimos Cuadrados. El VAR cointegrado. Especificación de Términos Determinísticos. Prueba de Ratio de Verosimilitud para el Número de Vectores Cointegrantes. Pruebas de Hipótesis sobre Vectores Cointegrantes usando R y MATLAB. Estimación por Máxima Verosimilitud de un VECM Cointegrado. Estimación por Máxima Verosimilitud de un VECM Cointegrado utilizando lenguajes de programación. Predicción a partir de un VECM.

5 Informes e inscripciones: