MACROECONOMETRÍA. Tema 2: Series temporales. Segundo Cuatrimestre (curso 2006/07), Depto. de Economía, UC3M. Profesor: Genaro Sucarrat
|
|
- Emilio de la Cruz Ramos
- hace 5 años
- Vistas:
Transcripción
1 MACROECONOMETRÍA Tema 2: Series temporales Segundo Cuatrimestre (curso 2006/07), Depto. de Economía, UC3M Profesor: Genaro Sucarrat (Coordinador: Juan J. Dolado)
2 Conceptos fundamentales: Esperanzas condicionales vs. esperanzas incondicionales Definicón: Autocovarianza de retardo k. La autocovarianza ( autocovariance ) de retardo k de un proceso estocástico, denotado Cov(x t, x t k ), se define como donde µ t = E(x t ) y µ t k = E(x t k ) E[(x t µ t )(x t k µ t k )],
3 Conceptos fundamentales (cont.): Definicón: Estacionariedad débil. Un proceso estocástico es estacionario débil ( weakly stationary ) o estacionario en covarianza ( covariance stationary ) si: E(x t ) = µ para todo t E[(x t µ)(x t k µ)] = γ k para todo t Nota 1: Efectivamente esto significa que ni la media E(x t ) ni la covarianza E[(x t µ)(x t k µ)] dependen del tiempo t. Nota 2: Estacionaridad débil es una propiedad no condicional. Por ejemplo, E(x) es la media no condicional y E(x y) es la media condicional en y, y Cov(x, y) es la covarianza no condicional y Cov(x, y z) es la covarianza condicional en z. Nota 3: Cuando k = 0 entonces E[(x t µ)(x t k µ)] es igual a la varianza E(x t µ) 2 = Var(x t )
4 Conceptos fundamentales (cont.): Definición: Ruido blanco. Se dice que el proceso {ɛ t } es ruido blanco ( white noise ) si: E(ɛ t ) = 0 Var(ɛ t ) = E(ɛ 2 t ) = σ 2 Para todo i j : Cov(ɛ i ɛ j ) = E(ɛ i ɛ j ) = 0 Notación: ɛ t WN Ruido blanco Gaussiano: Para todo t, ɛ t N(0, σ 2 )
5 Modelos ARMA: Definición: Modelo ARMA. Un modelo autoregresivo-media móvil ( autoregressive moving average ARMA) de una serie estacionaria débil {y t } tiene la forma: y t = φ 0 + p φ i y t i + i=1 donde el proceso {ɛ t } es ruido blanco. q θ j ɛ t j, Este modelo se denota como ARMA(p, q), y normalmente se normaliza θ 0 a 1 Nota: si hay que diferenciar la serie para que sea estacionaria entonces a veces se usa la terminología ARIMA(p, d, q), donde d es el orden de integración j=0
6 Modelos ARMA (cont.): Con p = 0 obtendremos el modelo MA(q): y t = φ 0 + q θ j ɛ t j = φ 0 + (1 + θ 1 L + + θ q L q )ɛ t j=0 donde {ɛ t } es ruido blanco y donde θ 0 = 1 µ = E(y t ) = φ 0 γ 0 = Var(y t ) = (1 + θ θ2 q)σ 2 γ k = Cov(y t, y t k ) = { (θk + θ k+1 θ θ q θ q 1 )σ 2, k = 1,..., q 0 para k > q Es el modelo MA(q) estacionario? Si
7 Modelos ARMA (cont.): Con p = 0 y q, obtendremos el modelo MA( ): y t = φ 0 + θ j ɛ t j = φ 0 + (1 + θ 1 L + θ 2 L 2 + )ɛ t j=0 donde {ɛ t } es ruido blanco y donde θ 0 = 1 Cómo podemos saber si MA( ) es un proceso estacionario? Cualquiera de las condiciones siguientes es suficiente: a) j=0 θ2 j < b) j=0 θ j <
8 Modelos ARMA (cont.): Esperanzas incondicionales del MA( ): µ = φ 0 γ 0 = σ 2 (θ θ2 1 + θ2 2 + ) γ k = σ 2 (θ k θ 0 + θ k+1 θ 1 + θ k+2 θ 2 + ) Implicación: todos los modelos MA(q) con q < son estacionarios
9 Modelos ARMA (cont.): Con q = 0 obtendremos el modelo AR(p): y t = φ 0 + p φ i y t i + ɛ t = φ 0 + (φ 1 L + + φ p L p )y t + ɛ t i=1 Si todas las raíces características del polinomio (1 φ 1 L φ p L p ) están fuera del círculo unidad, entonces: El modelo AR(p) se puede escribir/representar como un modelo MA( ): y t = φ 0 1 φ 1 φ p φ 1 L φ pl p ɛ t El modelo AR(p) es estable y estacionario
10 Entonces, tenemos que: Modelos ARMA (cont.): µ = φ 0 1 φ 1 φ p γ 0 = φ 1 γ φ p γ p + σ 2 γ k = φ k γ k φ p γ k p
11 Modelos ARMA (cont.): Más generalmente, un modelo ARMA(p, q): y t = φ 0 + p φ i y t i + i=1 q θ j ɛ t j es estable/estacionario si todas las raíces características del polinomio (1 φ 1 L φ p L p ) están fuera del círculo unidad Además, un modelo ARMA(p, q) estable se puede expresar como un modelo MA( ): j=0 y t = φ θ 1L + + θ q L q 1 φ 1 φ p 1 φ 1 L φ p L p ɛ t donde ψ 0 = = ψ 0 + ψ(l)ɛ t φ 0 1 φ 1 φ p y ψ(l) = 1+θ 1L+ +θ ql q 1 φ 1 L φ pl p
12 Modelos ARMA (cont.): Si un modelo AR(p) es estable, entonces podemos expresarlo como un MA( ) Si un modelo MA(q) es invertible, entonces podemos expresarlo como un AR( ) Definición: Invertibilidad de MA(q). Un modelo MA(q) se puede expresar como y t φ 0 = (1 + θ 1 L + θ 2 L θ q L q )ɛ t. Si el MA(q) se puede expresar como un modelo AR( ) utilizando la inversa de (1 + θ 1 L + θ 2 L θ q L q ), entonces se dice que MA(q) es invertible. Condición suficiente para la invertibilidad: Que todas las raíces del polinomio (1 + θ 1 z + θ 2 z θ q z q ) = 0 estén fuera del círculo unidad
13 Tendencias: Consideramos la serie siguiente (PIB de España, ):
14 Tendencias (cont.): Se dice que esta serie tiene una tendencia ( trend ), porque crece durante toda la muestra Problema de regresión/correlación espúrea: regresiones/ correlaciones sugieren una relación entre variables con tendencias aunque no hay ninguna relación Dos soluciones comunes a este problema son: 1) tratar la serie como si tuviera una tendencia deterministica ( deterministic trend, trend stationarity ) 2) tratar la serie como si tuviera una tendencia estocástica ( stochastic trend, difference stationarity )
15 Tendencias (cont.): Dicho de otra manera, dos representaciones comunes de series económicas con tendencias son: 1) Modelos con tendencia deterministica: y t = φ 0 + δ t + e t 2) Modelos con tendencia estocástica: y t = φ 0 + φ 1 y t 1 + e t donde t es el tiempo, e t es una componente estacionaria, y donde φ 1 1 Nota: e t puede tener una estructura ARMA(p, q), por ejemplo, e t = ɛ t + θ 1 ɛ t 1 (MA(1))
16 Tendencias (cont.): Cómo reconocemos las series con tendencia? Por ejemplo, tiene esta serie una tendencia?:
17 Y esta?: Tendencias (cont.):
18 Tendencias (cont.): Trend stationarity (TS) denota la propiedad de que la serie {y t tendencia deterministica} es estacionaria (recuerda: {e t } es estacionaria e igual a {y t tendencia deterministica}) También se dice que ȳ t = y t tendencia deterministica es de-trended Difference stationarity denota la propiedad de que la serie d y t es estacionaria Nota: se pueden combinar los dos propiedades. Por ejemplo, puede ser que { y t } se caracterice por una tendencia determinística Es el problema de no-estacionariedad grave? Si, suele dar lugar a regresiones espúreas
19 Tendencias (cont.): Intuitivamente, una regresión es espúrea si las pruebas estadísticas sugieren que hay una relación entre las variables cuando no la hay Supongamos que estamos considerando estimar la regresión donde {y t } y {x t } son series con tendencias y t = β 0 + β 1 x t + ɛ t (1) Cuál es la probabilidad de una regresión espúrea? Muy alta!
20 Tendencias (cont.): Ejemplo. Paseos aleatorios independientes (series que casi tienen tendencia): y t = y t 1 + ɛ y,t, ɛ y,t WN(0, σ 2 y ) x t = x t 1 + ɛ x,t, ɛ x,t WN(0, σ 2 x) ɛ y,t y ɛ x,t independentes y t y x t independentes Cuál es la relación empírica entre y t y x t? Granger y Newbold (1974) rechazaban la hipótesis de β 1 = 0 (con un nivel de significación del 5%) en (1) para el 75% de las muestras simuladas
21 Tendencias (cont.): Terminología: Una serie {y t } es integrada ( integrated ) de orden d si d y t es una serie estacionaria. También se dice que d es el orden de integración ( order of integration ) Notación: y t I (d) y ARIMA(p, d, q), donde d 0 Si d no es un número entero, por ejemplo, si d = 0.6 o si d = 2.6, diremos que el orden d es fraccional ( fractional integration ) Nota: En este curso no vamos a ver integración fraccional, siempre vamos a tratar las series como integradas de orden entero, es decir, de orden 0, 1, 2,...
22 Tendencias (cont.): Ejemplos: Si y t no es estacionaria, pero y t lo es, entonces denotamos y t I (1) Si ni y t, ni y t son estacionarias, pero 2 y t lo es, entonces denotamos y t I (2). etc. Si y t ya es estacionaria, entonces denotamos y t I (0)
23 Tendencias (cont.): Cómo encontramos el orden de integración adecuado? Para apoyar o rechazar una hipótesis de orden d = 1, por ejemplo, podemos utilizar varios tipos de información: (a) Inspección visual de gráficos (b) Propiedades y tests estadísticos (c) Sentido común (d) Teoría Nota: Hay casos en los que los investigadores no están de acuerdo. Por ejemplo, hay casos en que no están de acuerdo si p t I (1) o si p t I (2), donde p t denota un índice de precios en logaritmos
24 Prueba de Dickey-Fuller: Consideramos el modelo y t = φ 1 y t 1 + ɛ t, ɛ t WN(0, σ 2 ) (2) φ 1 < 1: {y t } estacionario prueba de la t es válida φ 1 = 1: {y t } no es estacionario {y t } prueba de la t no es válida
25 Prueba de Dickey-Fuller (cont.): Dickey y Fuller (1979) mostraron que, aunque la prueba de la t no es válida en (2) cuando φ 1 = 1, la prueba de la t es válida para la especificación y t = φ 0 + πy t 1 + ɛ t (3) cuando la hipótesis nula es φ 1 = 1 y donde π = φ 1 1 Esta propiedad la utilizaron Dickey y Fuller (1979) para desarrollar una prueba de estacionalidad La prueba de Dickey-Fuller es una prueba de raíz unitaria ( unit root ), y para determinar los valores críticos para la hípotesis nula de φ 1 = 1 se necesita el método de Monte Carlo (simulación)
26 La prueba de Dickey-Fuller: Prueba de Dickey-Fuller (cont.): Estima y t = φ 0 + πy t 1 + ɛ t con MCO H 0 : π = 0 H 1 : π < 0 Compara el estadístico con el valor de la tabla de Dickey y Fuller (1979) o, mejor, con la tabla de MacKinnon (1996) Nota: EViews nos da los valores críticos de MacKinnon (1996) automáticamente
27 Prueba de Dickey-Fuller (cont.): Normalmente, las variables requieren una representación AR(p) y no sólo AR(1) La prueba de Dickey-Fuller aumentada: Con MCO, estima y t = φ 0 + π 0 y t 1 + π 1 y t π p y t p + ɛ t (4) H 0 : π 0 = 0 H 1 : π 0 < 0 Compara el estadístico con el valor de la tabla de Dickey y Fuller (1979) o, mejor, con la tabla de MacKinnon (1996) Nota: EViews nos da los valores críticos de MacKinnon (1996) automáticamente
28 Problema práctico: elegir p Soluciones posibles: Prueba de Dickey-Fuller (cont.): Incluir retardos de y t hasta que el error sea ruido blanco Incluir retardos de y t significativos Utilizar AIC, SBC, etc. ( information criteria ), para elegir p Sin embargo, la prueba de Dickey-Fuller es frágil siempre hay que utilizar información adicional (inspección visual de la serie, sentido común, historia, teoría) antes de aceptar o rechazar lo que suguiere la prueba de Dickey-Fuller
29 Prueba de Dickey-Fuller (cont.): Tendencia lineal vs. tendencia estocástica: la prueba de Dickey-Fuller nos permite incluir un término de tendencia lineal δ t Es decir, contrastar π 0 = 1 con la especificación y t = φ 0 + π 0 y t 1 + δt + π 1 y t π p y t p + ɛ t (5) Problema: si hay variables innecesarias en (5), es más difícil rechazar la hipótesis nula de π 0 = 0 (raíz unitaria) cuando en realidad π 0 < 0 Una solución: hacer tres pruebas 1. Sin la constante φ 0 y sin el término δt 2. Con la constante φ 0 pero sin el término δt 3. Con la constante φ 0 y el término δt
30 Descomposiciones: La descomposición de Beveridge y Nelson (1981) empieza con un modelo ARIMA(p, 1, q) de una serie {y t } Es decir, se supone que y t I (1), y nosotros vamos a estudiar solamente el caso p = 0 En este caso un modelo ARIMA(0, 1, q) de {y t } es igual a y t = φ 0 + e t, (6) donde e t =MA(q), es decir, e t = q j=0 θ jɛ t j con θ 0 = 1 El modelo (6) también se puede representar como un paseo aleatorio y t = φ 0 + y t 1 + e t, es decir, como un ARMA(1,q) no-estacionario
31 Descomposiciones (cont.): Para obtener la descompocición Beveridge-Nelson, primero hay que calcular la predicción condicional K > 0 periodos hacia al futuro Tenemos que y t+k = φ 0 K + y t + K k=1 e t+k K E t (y t+k ) = φ 0 K + y t + E t ( e t+k ) k=1 donde E t ( ) es la esperanza condicional E( y t, ɛ t, ɛ t 1,...) El término φ 0 K es la parte determinística, y la tendencia estocástica se define como lim [E t(y t+k ) φ 0 K] K
32 Descomposiciones (cont.): Ejemplo. Un modelo ARIMA(0,1,1) se puede escribir como: y nos da y t = φ 0 + y t 1 + ɛ t + θ 1 ɛ t 1 y t+k = φ 0 K + y t + K ɛ t+k + θ 1 k=1 E t (y t+k ) = φ 0 K + y t + θ 1 ɛ t lim t(y t+k ) φ 0 K] K = y t + θ 1 ɛ t Si y t = 10, θ 1 = 0, 1 y ɛ t = 1, entonces lim E t(y t+k ) φ 0 K = 10, 1 K K ɛ t+k 1 k=1
33 Descomposiciones (cont.): La descomposición de Hodrick y Prescott (1997) consiste en igualar los valores {y t } de una seria con tendencia a dos componentes µ t y e t : y t = µ t + e t Intuitivamente µ t es una tendencia, y e t = y t µ t es una componente estacionaria con E(e t ) = 0 para todo t El método de Hodrick y Prescott consiste en estimar una serie µ 1,..., µ T tal que las diferencias µ t+1 µ t oscilan suavemente
34 Descomposiciones (cont.): Más precisamente, el método de Hodrick-Prescott consiste en: 1. Eligir un valor λ del coste de incorporar fluctuaciones en la serie µ 1,..., µ T 2. Minimizar 1 T T (y t µ t ) 2 + λ T t=1 T 1 [(µ t+1 µ t ) (µ t µ t 1 )] 2 (7) t=2 λ = 0: no hay coste de incorporar fluctuaciones en la serie µ 1,..., µ T, y el mínimo de (7) se obtiene cuando y t = µ t λ : coste alto de incorporar fluctuaciones en la serie µ 1,..., µ T, y el mínimo de (7) se obtiene cuando µ t+1 µ t = µ t µ t 1. Es decir, cuando la diferencia µ t µ t 1 es constante. Cuanto más grande es λ, más suave es el cambio µ t µ t 1
35 Referencias: Beveridge, S. and C. Nelson (1981). A New Approach to Decomposition of Economic Time Series into Permanent and Transitory Components with Particular Attention to Measurement of the Business Cycles. Journal of Monetary Economics 7, Dickey, D. and W. Fuller (1979). Distribution of the estimators for autoregressive time series with a unit root. Journal of the American Statistical Association 74, Granger, C. W. and P. Newbold (1974). Spurious Regressions in Econometrics. Journal of Econometrics 2, Hodrick, R. J. and E. C. Prescott (1997). Postwar U.S. Business Cycles: An Empirical Investigation. Journal of Money, Credit and Banking 29, MacKinnon, J. G. (1996). Numerical Distribution Functions for Unit Root and Cointegration Tests. Journal of Applied Econometrics 11,
ECONOMETRÍA II: ECONOMETRÍA DE SERIES TEMPORALES. Raices unitarias
ECONOMETRÍA II: ECONOMETRÍA DE SERIES TEMPORALES Raices unitarias Consideramos la regresión Introducción: y t = β 0 + β 1 x t + ɛ t (1) Qué es la probabilidad de una regresión espuria? Ejemplo: y t = y
Más detallesECONOMETRÍA II: ECONOMETRÍA DE SERIES TEMPORALES. Modelos ARMA
ECONOMETRÍA II: ECONOMETRÍA DE SERIES TEMPORALES Modelos ARMA Definición: Ruido blanco. Se dice que el proceso {ɛ t } es ruido blanco ( white noise ) si: E(ɛ t ) = 0 Var(ɛ t ) = E(ɛ 2 t ) = σ 2 Para todo
Más 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 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 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 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 detallesECONOMETRÍA II: ECONOMETRÍA DE SERIES TEMPORALES. Modelos econométricos dinámicos uniecuacionales
ECONOMETRÍA II: ECONOMETRÍA DE SERIES TEMPORALES Modelos econométricos dinámicos uniecuacionales Introducción: Hemos estudiado modelos de tipo: y t = φ 0 + p i=1 φ iy t i + q j=0 θ jɛ t j y t = β x t +
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 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 detallesECONOMETRÍA II: ECONOMETRÍA DE SERIES TEMPORALES. Modelación con ARMA
ECONOMETRÍA II: ECONOMETRÍA DE SERIES TEMPORALES Modelación con ARMA Método Box-Jenkins: Un libro que ha tenido una gran influencia es el de Box y Jenkins (1976): Time Series Analysis: Forecasting and
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 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 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 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 detallesMACROECONOMETRÍA. Tema 7: El modelo MCEq. Segundo Cuatrimestre (curso 2007/08), Depto. de Economía, UC3M. Profesor: Genaro Sucarrat
MACROECONOMETRÍA Tema 7: El modelo MCEq Segundo Cuatrimestre (curso 2007/08), Depto. de Economía, UC3M Profesor: Genaro Sucarrat (Coordinador: Juan J. Dolado) Introducción MMCEq: El estudio del modelo
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 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 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 detallesMACROECONOMETRÍA. Tema 3: Contrastes y especificación de modelos. Segundo Cuatrimestre (curso 2006/07), Depto. de Economía, UC3M
MACROECONOMETRÍA Tema 3: Contrastes y especificación de modelos Segundo Cuatrimestre (curso 2006/07), Depto. de Economía, UC3M Profesor: Genaro Sucarrat (Coordinador: Juan J. Dolado) Introducción: Recordamos:
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 detallesSeries de tiempo con aplicaciones: Enfoque temporal
Series de tiempo con aplicaciones: Enfoque temporal Gladys E. Salcedo E. 25o Simposio Internacional de Estadística Agosto 6,7 de 2015 Armenia, Quindío Datos 1: Series igualmente espaciadas Turbiedad 20
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 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 detallesSERIES DE TIEMPO. Definición 2 : Es una sucesión de observaciones generadas por un proceso estocástico indizado con relación al tiempo.
SERIES DE TIEMPO 1 Serie de Tiempo En los capítulos anteriores mostramos que el análisis de regresión con datos de series de tiempo viola el supuestos de exogeneidad estricta. En este capítulo pretendemos
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 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 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 detallesConceptos básicos sobre Series de Tiempo
Conceptos básicos sobre Series de Tiempo Jorge Hans Alayo Gamarra 27 de junio de 2014 En el presente reporte se presentan los conceptos básicos sobre series de tiempo. 1. Enfoque para modelar series de
Más detallesEconometría Aplicada para Bancos Centrales
Econometría Aplicada para Bancos Centrales Módulo 3: Filtrando series de tiempo Instructores: Randall Romero y Luis Ortíz San José, Costa Rica, 21-25 de agosto de 2017 Contenidos 1. Introducción 2. Algunos
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 detallesProcesos de media móvil y ARMA
Capítulo 5 Procesos de media móvil y ARMA Herman Wold (1908-1992) Estadístico y económetra sueco. Desarrolló la representacion general de procesos estacionarios y la metodología econométrica estudiando
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 detallesECONOMETRIA ORDEN DE INTEGRACIÓN N Y RAÍCES UNITARIAS. Mtro. Horacio Catalán Alonso
ECONOMETRIA ORDEN DE INTEGRACIÓN N Y RAÍCES UNITARIAS Mtro. Horacio Catalán Alonso Orden de Integración ORDEN DE INTEGRACIÓN Econometría (1) X t = X t-1 + u t Como: E(u t ) = 0 y la Var(u t ) = 2 constante
Más 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 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 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 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 detallesClase 4: Modelo de Campbell (1994)
Clase 4: de Campbell (1994) Macrodinámica I Hamilton Galindo Junio - Agosto 2015 Bosquejo de la clase Paper base 1 Paper base 2 Descripción Ecuaciones principales Ecuaciones log-lineal Método de coeficientes
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 detallesECONOMETRÍA II: ECONOMETRÍA DE SERIES TEMPORALES. Modelos VAR
ECONOMETRÍA II: ECONOMETRÍA DE SERIES TEMPORALES Modelos VAR Introducción modelos VAR Hasta ahora hemos estudiado modelos uniecuacionales Ahora vamos a estudiar un modelo multiecuacional que se llama Vector
Más detallesCOMPORTAMIENTO EN MUESTRA FINITA DE LOS CONTRASTES DE RAÍCES UNITARIAS ADF Y KPSS EN SERIES AGREGADAS TEMPORALMENTE * Métodos de Análisis Regional
COMPORTAMIENTO EN MUESTRA FINITA DE LOS CONTRASTES DE RAÍCES UNITARIAS ADF Y KPSS EN SERIES AGREGADAS TEMPORALMENTE * Métodos de Análisis Regional Pons Rotger, Gabriel Sansó Rosselló, Andreu Universitat
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 detallesSeries económicas: Precios de divisas, tasas, índice de precios. Series Físicas: Meteorológica, temperatura, energia solar
Introducción Una primera denición de serie de tiempo es: un conjunto de observaciones de cierto fenómeno registradas secuencialmente en el tiempo. Estas observaciones serán denotadas por {x t1, x t2,...,
Más detallesSeries de tiempo. Miguel Ángel Chong R. 19 de marzo del 2013
Estadística Miguel Ángel Chong R. miguel@sigma.iimas.unam.mx 19 de marzo del 2013 Promedios moviles Definición Diremos que {X t } t2t es un proceso de media movil de orden q, y lo denotaremos como MA(q),
Más detallesRaíces Unitarias Estacionales y Estacionalidad Estocástica (SARIMA)
CAPÍTULO 8 Raíces Unitarias Estacionales y Estacionalidad Estocástica (SARIMA) 8.1. Modelos SARIMA Si la serie Y t tiene una componente con período s es posible eliminarla diferenciando con un rezago de
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 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 detallesSeries de tiempo: Modelos Heterocedásticos. Aplicación a una serie económica usando R.
1 Series de tiempo: Modelos Heterocedásticos. Aplicación a una serie económica usando R. Series de tiempo: Modelos Heterocedásticos. Aplicación a una serie económica usando R. Yeison López Lizcano Universidad
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 detallesHerramientas para el Estudio de Mercado. Técnicas de Predicción.
Herramientas para el Estudio de Mercado Proyecciones Económicas Técnicas de Predicción. Profesor: Exaú Navarro Pérez Técnicas de Predicción. Introducción. Técnicas Elementales de Predicción. Modelo Econométrico.
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 detallesModelos Econométricos Lección 2. Estacionariedad y raíces unitarias. Presentado por Juan Muro
Modelos Econométricos Lección 2. Estacionariedad y raíces unitarias Presentado por Juan Muro Motivación La no estacionariedad, en general, de las series económicas en el tiempo provoca consecuencias estadísticas
Más detallesNombre y Apellidos:... SOLUCIÓN EXAMEN de TÉCNICAS ECONOMÉTRICAS (Junio 2012, Convocatoria extraordinaria)
Nombre y Apellidos:... ID:... Grupo:... Ha realizado evaluación continua?... SOLUCIÓN EXAMEN de TÉCNICAS ECONOMÉTRICAS (Junio 2012, Convocatoria extraordinaria) Lea cuidadosamente cada pregunta. Responda
Más detallesLa idea de estos modelos es que los valores actuales de la serie X t dependen de los p valores
Capítulo 4 Procesos ARMA 4.1. Modelos Autoregresivos La idea de estos modelos es que los valores actuales de la serie X t dependen de los p valores previos: X t 1,..., X t p. Definición 4.1 Un modelo autoregresivo
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 detallesTEMA 3 M O D E L O S U N I V A R I A N T E S L I N E A L E S
TEMA 3 M O D E L O S U N I V A R I A N T E S L I N E A L E S Motivación El proceso de construcción de un modelo univariante ARIMA se basa en un procedimiento iterativo en el que el conocimiento de las
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 detallesRevista Colombiana de Estadística ISSN: Universidad Nacional de Colombia Colombia
Revista Colombiana de Estadística ISSN: 0120-1751 revcoles_fcbog@unal.edu.co Universidad Nacional de Colombia Colombia Castaño, Elkin; Martínez, Jorge Tendencia aleatoria o determinística: una nueva prueba
Más detallesGuía docente 2005/2006
Guía docente 2005/2006 Plan 246 Lic. en Economía Asignatura 43708 MODELOS ECONOMETRICOS Grupo 1 Presentación Complementos al Modelo de Regresión Múltiple y al Modelo de Ecuaciones Simultáneas. Series Temporales.
Más detallesNota: Las afirmaciones y los gráficos de este documento han sido extraídos de la obra cuya portada se reproduce abajo, para uso didáctico como
Nota: Las afirmaciones y los gráficos de este documento han sido extraídos de la obra cuya portada se reproduce abajo, para uso didáctico como complemento a los apuntes de una asignatura del Departamento
Más detallesSeries temporales. 1. Introducción. 2. Análisis de la serie. 3. Modelos ARMA y ARIMA. 4. Predicción. Est.Ind. 08/09 - fjnm 1
Series temporales 1. Introducción. 2. Análisis de la serie. 3. Modelos ARMA y ARIMA. 4. Predicción. Est.Ind. 08/09 - fjnm 1 Introducción Introducción Serie temporal: Conjunto de observaciones z t, cada
Más detallesCRONOGRAMA DE LA ASIGNATURA TRABAJO DEL ALUMNO DURANTE LA SEMANA. X Choose an Empirical Project to be completed during the course.
1 1 Characteristics of economic time series data. Stochastic processes and time series. Stationarity and ergodicity. Simple autocorrelation function (ACF) and Partial autocorrelation function (PACF). X
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 detallesUNIVERSIDAD CENTRAL DEL ECUADOR FACULTAD DE INGENIERÍA CIENCIAS FÍSICAS Y MATEMÁTICA CARRERA DE INFORMÁTICA
UNIVERSIDAD CENTRAL DEL ECUADOR FACULTAD DE INGENIERÍA CIENCIAS FÍSICAS Y MATEMÁTICA CARRERA DE INFORMÁTICA PRONÓSTICO DE VENTAS DE LA FARMACÉUTICA SANOFI USANDO SERIES TEMPORALES. TRABAJO DE TITULACIÓN
Más detallesCurso de Predicción Económica y Empresarial Edición 2004
Curso de Predicción Económica y Empresarial www.uam.es/predysim Edición 2004 UNIDAD 3: MODELOS ARIMA Ejercicio 1: Aplicación de los test de detección de raíces unitarias en EViews Solución A) IDENTIFICACIÓN
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 detallesEconometría Aplicada
Econometría Aplicada Series de Tiempo Víctor Medina Series de Tiempo Series de Tiempo Series de Tiempo Introducción En esta parte del curso veremos análisis de series de tiempo y procesos estocásticos.
Más detallesProcesos Estocásticos Estacionarios
Capítulo 2 Procesos Estocásticos Estacionarios Las series temporales se pueden clasificar en dos tipos: Series con valores estables alrededor de un nivel constante (capítulos 2-4). Series con tendencias,
Más detallesAnálisis de series temporales: Modelos ARIMA
Análisis de series temporales: Modelos ARIMA ISBN: 978-84-692-384- María Pilar González Casimiro 4-9 Análisis de Series Temporales: Modelos ARIMA Pilar González Casimiro Departamento de Economía Aplicada
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 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 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 M O D E L O S U N I V A R I A N T E S L I N E A L E S.
Tema 2 1 M O D E L O S U N I V A R I A N T E S L I N E A L E S. Estructura del tema 1) Procesos estocásticos estacionarios. Modelos univariantes: la función de autocorrelación y el correlograma. 2) El
Más detallesTema 2 MODELOS UNIVARIANTES LINEALES.
Tema 2 MODELOS UNIVARIANTES LINEALES. 1 Estructura del tema 1) Procesos estocásticos estacionarios. Modelos univariantes: la función de autocorrelación y el correlograma. 2) El proceso ruido blanco. 3)
Más detallesCurso de Predicción Económica y Empresarial Edición 2004
Curso de Predicción Económica y Empresarial www.uam.es/predysim Edición 24 UNIDAD 4: TÉCNICAS AVANZADAS DE PREDICCIÓN Ejercicio 2: Contraste de cointegración y estimación de un modelo VEC en EViews Solución
Más detallesUna aplicación de la metodología VAR al ámbito del marketing periodístico: el caso de la promoción de ventas
Una aplicación de la metodología VAR al ámbito del marketing periodístico: el caso de la promoción de ventas Luis P. Pedreira Andrade, Valentín A. Martínez Fernández Elías José da Conceição Rebuge y J.
Más detallesSeries de Tiempo Estacionarias
Series de Tiempo Estacionarias Pablo Lavado Universidad del Pacíco April 18, 2013 Lavado (Universidad del Pacíco) Econometría II April 18, 2013 1 / 31 Análisis Univariado La no estacionariedad en media
Más detallesEstacionariedad y estacionalidad en series de la economía cubana
Estacionariedad y estacionalidad en series de la economía cubana Por: Pável Vidal Alejandro, Eduardo Hernández Roque, Carlos Pérez Soto, Mercedes García Armenteros, Guillermo Gil Gómez y Maria de los Ángeles
Más detallesEJEMPLO APLICADO EN PRUEBAS DE ESPECIFICACIÓN ECONOMÉTRICA MODELO DE PRODUCCIÓN AGREGADA PARA LA ECONOMÍA MEXICANA
EJEMPLO APLICADO EN PRUEBAS DE ESPECIFICACIÓN ECONOMÉTRICA MODELO DE PRODUCCIÓN AGREGADA PARA LA ECONOMÍA MEXICANA DR. ROGER ALEJANDRO BANEGAS RIVERO UNIVERSIDAD AUTÓNOMA GABRIEL RENÉ MORENO A partir del
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 detallesEjercicios de Procesos Estocásticos
Ejercicios de Procesos Estocásticos Bernardo D Auria Departamento de Estadística Universidad Carlos III de Madrid GRUPO MAGISTRAL GRADO EN INGENIERÍA DE SISTEMAS AUDIOVISUALES Otros Ejemplo Considerar
Más detallesEconometría II. Hoja de Problemas 4
Econometría II. Hoja de Problemas 4 1. Analice si los siguientes procesos son estacionarios y, cuando lo sean, determine la media, la varianza y la función de autocovarianzas. a) v t = ε 1t +tε 2t, siendo
Más detallesTÉCNICAS ECONOMÉTRICAS PARA PROYECCIONES DE INGRESOS UTLIZANDO EVIEWS. Sesión n 5: Análisis de Series de Tiempo y Estacionariedad
TÉCNICAS ECONOMÉTRICAS PARA PROYECCIONES DE INGRESOS UTLIZANDO EVIEWS Sesión n 5: Análisis de Series de Tiempo y Estacionariedad Patrick Grady Globa Economics Ltd. Análisis de Series de Tiempo Introducción
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 detallesSobre el Pronóstico del Precio de la Energía en Bolsa. Una comparación entre ARX-NN y procesos ARMAX
Sobre el Pronóstico del Precio de la Energía en Bolsa. Una comparación entre ARX-NN y procesos ARMAX Jorge Barrientos Marín Ph.D Elkin Tabares M.Sc. & Esteban Velilla M.Sc. Universidad de Antioquia & UNAULA
Más detallesSeries de Tiempo. Pablo Flores. Universidad Iberoamericana 1 de noviembre de 2016
Series de Tiempo Pablo Flores Universidad Iberoamericana paflores@bcie.org 1 de noviembre de 2016 Pablo Flores (UNIBE) Short title 1 de noviembre de 2016 1 / 12 Sumario Definición. Ejemplos Pablo Flores
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 detallesESCUELA SUPERIOR POLITECNICA DEL LITORAL. Instituto de Ciencias Matemáticas. Ingeniería en Estadística Informática
ESCUELA SUPERIOR POLITECNICA DEL LITORAL Instituto de Ciencias Matemáticas Ingeniería en Estadística Informática Desestacionalización de las Series Económicas del Comercio Exterior del Ecuador con Tramo
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 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 detallesAnálisis de Series Temporales con GRETL
Análisis de Series Temporales con GRETL Román Salmerón Gómez Departamento de Métodos Cuantitativos para la Economía y la Empresa Granada - 15, 17, 20, 22 y 24 Noviembre 2017 Universidad de Granada Índice
Más detallesEjercicio 1. Ejercicio 2
Guía de Ejercicios Ejercicio. Calcular los momentos de primer y segundo orden (media y varianza) de una variable aleatoria continua con distribución uniforme entre los límites a y b.. Sabiendo que la función
Más detallesRepaso de Teoría de la Probabilidad
Repaso de Teoría de la Probabilidad Luis Mendo Tomás Escuela Politécnica Superior Universidad Autónoma de Madrid Febrero de 2008 1. Introducción Este documento contiene, de forma esquemática, los conceptos
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 detallesTRANSMISIÓN DE PRECIOS DEL JITOMATE SALADETTE EN EL MERCADO DE GUADALAJARA, JALISCO
COLMEME UAN TRANSMISIÓN DE PRECIOS DEL JITOMATE SALADETTE EN EL MERCADO DE GUADALAJARA, JALISCO Imelda Rosana Cih- Dzul 1 José Luis Jaramillo-Villanueva 2 Miguel Angel Martínez Damián Resumen En esta investigación
Más detallesDepartamento de Matemática Aplicada a la I.T. de Telecomunicación
Departamento de Matemática Aplicada a la I.T. de Telecomunicación ASIGNATURA: ESTADÍSTICA Y PROCESOS ESTOCÁSTICOS CONVOCATORIA: ENERO 22/23 FECHA: 9 de Enero de 23 Duración del examen: 3 horas Fecha publicación
Más detallesLA COINTEGRACIÓN EN SERIES DE TIEMPO, UNA APLICACIÓN A LA RELACIÓN ENTRE EL PIB Y EL NIVEL DE EXPORTACIONES EN COLOMBIA
LA COINTEGRACIÓN EN SERIES DE TIEMPO, UNA APLICACIÓN A LA RELACIÓN ENTRE EL PIB Y EL NIVEL DE EXPORTACIONES EN COLOMBIA Rios S. Omar A. Universidad del Valle, Facultad de Ingeniería, Escuela de Estadística
Más detallesProcesos estocásticos no lineales Cambio estructural Modelos de umbrales. Procesos no lineales. Gabriel Montes-Rojas
Gabriel V. Montes-Rojas Motivación Procesos estocásticos no lineales Muchas de las series temporales en macroeconomía y en finanzas son no lineales: asimetría en la ocurrencia y persistencia de los shocks
Más detallesGUÍA DE EJERCICIOS 4 ECONOMETRIA III
GUÍA DE EJERCICIOS 4 ECONOMETRIA III 1) Se dispone de las series de diferencias anuales del logaritmo de las series mensuales índice de precios al consumo en España y la Comunidad de Andalucía y asumimos
Más detalles