Modelos Box-Jenkins. Presentamos a continuación un ejemplo con datos reales en el que se hace uso de gran parte de lo expuesto hasta este momento.
|
|
- Virginia Naranjo Río
- hace 5 años
- Vistas:
Transcripción
1 : Presentamos a continuación un ejemplo con en el que se hace uso de gran parte de lo expuesto hasta este momento. La serie de tiempo que analizaremos se corresponde con la producción anual de tabaco en EE.UU. ( ).
2 : 1: Identificación del modelo (gráf. secuencial, fas y fap muestrales) El gráfico de la izquierda muestra presencia de heterocedasticidad y tendencia. Comenzamos transformando la serie para tratar de estabilizar la variabilidad. Puesto que ésta aumenta con el nivel de la serie (quizás la desviación típica sea lineal en la media), le aplicamos a la producción de tabaco la función logaritmo neperiano.
3 : Producción transformada (ln) El gráfico de la izquierda muestra que: La varianza de la producción se ha estabilizado al aplicarle la función logaritmo neperiano. La serie transformada tiene tendencia. La diferenciación regular podría eliminar la tendencia.
4 : Dif. reg. del ln de la producc. El gráfico de la izquierda muestra que: La tendencia ha sido eliminada al aplicarle una diferencia regular. La serie diferenciada es estacionaria (quizás presenta algún valor atípico).
5 : Dif. reg. del ln de la producc. A la espera de realizar el análisis de residuos, el gráfico de la izquierda sugiere que: La serie transformada proviene de un proceso MA(1). El logaritmo neperiano de la producción de tabaco ha sido generado por un proceso (0,1,1).
6 : El modelo identificado ((0,1,1)) se puede expresar como (1 B) Y t = c + (1 + θ 1 B) a t, siendo Y t = ln (X t ) y X t la producción de tabaco del año t. Una representación equivalente es Y t = c + Y t 1 + a t + θ 1 a t 1. Nota: Obsérvese que, puesto que el proceso diferenciado no tiene parte AR, la constante c coincide con su media µ.
7 : 2: Estimación del modelo identificado (0,1,1) Estimando los parámetros por máxima verosimilitud resulta: θ 1 = (0.0698), µ = (0.0049), y σ 2 a = Nótese que todos los parámetros son significativamente distintos de cero. Puesto que el modelo no tiene parte AR, la constante c del modelo coincide con la media µ del proceso diferenciado. Por tanto, c =
8 3: Diagnosis del modelo (0,1,1) : Residuos: gráficos secuencial y Q-Q normal Contrastes de independencia
9 : Contrastes de media cero y normalidad µ a = 0: p valor = Normalidad: Jarque-Bera: p valor = 9.39e 07 Shapiro-Wilk: p valor = Conclusión: Un modelo (0,1,1) con constante e innovaciones no gaussianas resulta adecuado como generador de la serie de la producción de tabaco (transformada a través de la función logaritmo neperiano).
10 : 4: modelo (criterio BIC) Hemos calculado los valores del criterio BIC para distintos procesos (p,1,q) (p, q {0, 1, 2, 3}). El modelo (0,1,1) resultó ser el de menor BIC (BIC= 74.31). Nótese que este modelo coincide con el previamente identificado en base a las fas y fap muestrales. Ninguno de los demás modelos evaluados alcanzó un BIC que distase del mínimo menos de 2 unidades.
11 : 5: Predicción en base al modelo (0,1,1) El (0,1,1) que hemos seleccionado, estimado y chequeado fue utilizado para realizar predicciones a horizontes de k = 1,..., 5. Éstas se muestran en el gráfico de la derecha (azul), junto con la serie histótica (negro). Puesto que no tenemos gaussianidad, no presentamos los intervalos de. Serie histótica y predicciones
12 : : La clase de procesos que acabamos de estudiar: Captura no estacionariedades provocadas por la presencia de tendencia (incluso no determinista). No captura no estacionariedades provocadas por la presencia de componente estacional. A continuación, ampliaremos la clase de procesos estudiada, de modo que la nueva clase sea capaz de modelizar no estacionariedades provocadas tanto por la presencia de tendencia (determinista o estocástica) como por la presencia de componente estacional (determinista o estocástica).
13 : ARMA : En la construcción de los procesos ya estudiados jugaban un papel fundamental los procesos ARMA. Recuérdese que: {X t } t es (p,d,q) (1 B) d X t es ARMA(p,q). Del mismo modo, necesitaremos de los procesos ARMA para construir la nueva clase de procesos.
14 : ARMA : Los procesos ARMA que ya hemos estudiado modelizan la dependencia regular: dependencia entre observaciones consecutivas ocurridas en el pasado inmediato. Por ejemplo: AR(1): X t = c + φ 1 X t 1 + a t. MA(2): X t = c + θ 1 a t 1 + θ 2 a t 2 + a t. ARMA(1,1): X t = c + φ 1 X t 1 + θ 1 a t 1 + a t. Los procesos ARMA modelizan la dependencia estacional: dependencia entre observ. ocurridas en instantes separados por múltiplos del período estacional s. Así, si s=12: AR(1) 12 : X t = c + Φ 1 X t 12 + a t. MA(2) 12 : X t = c + Θ 1 a t 12 + Θ 2 a t 24 + a t. ARMA(1,1) 12 : X t = c + Φ 1 X t 12 + Θ 1 a t 12 + a t.
15 Ejemplo de la fas y la fap de procesos AR(1) 12 y MA(2) 4 AR(1) 12 MA(2) 4 :
16 Ejemplo de la fas y la fap de procesos ARMA(1,1) 12 ARMA(1,1) 12 : Φ 1 > 0, Θ 1 > 0 ARMA(1,1) 12 : Φ 1 < 0, Θ 1 < 0 :
17 : ARMA : Definición Un proceso estacionario {X t } t que admite la representación X t = c + Φ 1 X t s + Φ 2 X t 2s + + Φ P X t Ps +a t + Θ 1 a t s + Θ 2 a t 2s + + Θ Q a t Qs, donde c, Φ 1,..., Φ P, Θ 1,..., Θ Q son constantes, se conoce como un proceso ARMA(P,Q) s (proceso ARMA estacional). Es un ARMA(sP,sQ) con muchos coeficientes nulos. Por tanto, las condiciones de estacionariedad, causalidad e invertibilidad se deducen de las de los ARMA. ARMA(P,0) s AR(P) s. ARMA(0,Q) s MA(Q) s.
18 : ARMA : Definición La ecuación que define al proceso ARMA(P,Q) s X t = c + Φ 1 X t s + Φ 2 X t 2s + + Φ P X t Ps +a t + Θ 1 a t s + Θ 2 a t 2s + + Θ Q a t Qs, se puede escribir en la forma compacta donde Φ (B s ) X t = c + Θ (B s ) a t, Φ (B s ) = ( 1 Φ 1 B s Φ 2 B 2s Φ P B Ps), Θ (B s ) = ( 1 + Θ 1 B s + Θ 2 B 2s + + Θ Q B Qs) y B s denota al operador retardo estacional, definido por B s X t = X t s.
19 : ARMA : Identificación fas Retardos s, 2s,... : AR(P) s Muchos coeficientes no nulos Se anula para todo MA(Q) s retardo mayor que Qs Retardos s, 2s,... : ARMA(P,Q) s Muchos coeficientes no nulos fap Se anula para todo retardo mayor que Ps Retardos s, 2s,... : Muchos coeficientes no nulos Retardos s, 2s,... : Muchos coeficientes no nulos Los valores en los retardos no (distintos de ks) son nulos.
20 Utilizando la información contenida en la tabla anterior, y la distribución muestral de ρ k ó α k bajo procesos MA ó AR, respect., identificamos algunos procesos ARMA. : Serie, fas y fap Conclusión Los gráficos de la izquierda sugieren que la serie: 1 Es estacionaria. 2 Ha sido generada por un proceso AR(1) 3.
21 : Serie, fas y fap Conclusión Los gráficos de la izquierda sugieren que la serie: 1 Es estacionaria. 2 Ha sido generada por un proceso AR(1) 12, o por un MA(1) 12.
22 : ARMA multiplicativos: Definición φ (B) X t = c + θ (B) a t. Modeliza la dependencia regular. ARMA estacional: Φ (B s ) X t = c + Θ (B s ) a t. Modeliza la dependencia estacional. ARMA estacional multiplicativo: Combinando ambos modelos, podemos modelizar conjuntamente la dependencia regular y la estacional a través del modelo φ (B) Φ (B s ) X t = c + θ (B) Θ (B s ) a t. Este modelo se denota por ARMA(p,q) (P,Q) s y es, en particular, un ARMA(p+sP,q+sQ) con muchos coeficientes nulos.
23 : ARMA multiplicativos: Ejemplos El proceso AR(1) MA(1) (1 φ 1 B) X t = c + ( 1 + Θ 1 B 12) a t. 2 X t = c + φ 1 X t 1 + a t + Θ 1 a t 12. El proceso MA(1) AR(1) 12. ( 1 1 Φ1 B 12) X t = c + (1 + θ 1 B) a t. 2 X t = c + Φ 1 X t 12 + a t + θ 1 a t 1. El proceso AR(1) AR(1) (1 φ 1 B) ( 1 Φ 1 B 12) X t = c + a t. 2 X t = c + φ 1 X t 1 + Φ 1 X t 12 φ 1 Φ 1 X t 13 + a t. El proceso MA(1) MA(1) X t = c + (1 + θ 1 B) ( 1 + Θ 1 B 12) a t. 2 X t = c + a t + θ 1 a t 1 + Θ 1 a t 12 + θ 1 Θ 1 a t 13.
24 Ejemplos de la fas y la fap de ARMAs multiplicativos AR(1) MA(1) 12 MA(1) AR(1) 12 :
25 Ejemplos de la fas y la fap de ARMAs multiplicativos AR(1) AR(1) 12 MA(1) MA(1) 12 :
26 : ARMA multiplicativos: Identificación Fas de un proceso ARMA estacional multiplicativo: En los retardos bajos (1, 2,..., [s/2]) se observará la fas de la parte regular. En los retardos (s, 2s, 3s...) se observará la fas de la parte estacional. A ambos lados de los retardos se repetirá la fas de la parte regular (invertida, si la fas en el retardo estacional es negativa).
27 : ARMA multiplicativos: Identificación Fap de un proceso ARMA estacional multiplicativo: En los retardos bajos (1, 2,..., [s/2]) se observará la fap de la parte regular. En los retardos (s, 2s, 3s...) se observará la fap de la parte estacional. A la derecha de cada retardo estacional aparecerá la fap de la parte regular (invertida, si la fap en el retardo estacional es positiva). A la izquierda de cada retardo estacional aparecerá la fas de la parte regular (invertida, si la fap en el retardo estacional es negativa).
28 Utilizando la información contenida en las 2 transparencias anteriores, y la distribución muestral de ρ k ó α k bajo procesos MA ó AR, respectivamente, identificamos algunos procesos ARMA multiplicativos. : Serie, fas y fap Conclusión Los gráficos de la izquierda sugieren que la serie: 1 Es estacionaria. 2 Ha sido generada por un proceso AR(1) AR(1) 7.
29 : Serie, fas y fap Conclusión Los gráficos de la izquierda sugieren que la serie: 1 Es estacionaria. 2 Ha sido generada por un proceso MA(1) AR(1) 12.
30 : : Sea X t = S t + V t, donde {S t } t no es estacionario, {V t } t sí y 1 S t = S t s (componente estacional determinista), ó 2 S t = S t s + W t donde {W t } t es estacionario con media 0 (componente estacional estocástica). {X t } t no es estacionario, pues contiene una componente que no lo es, S t. Sin embargo, sí lo es el proceso diferenciado estacionalmente 1 X t X t s = V t V t s ó 2 X t X t s = W t + V t V t s. Conclusión: A veces, la diferenciación estacional consigue eliminar la componente estacional.
31 : : Basándonos en los ejemplos anteriores, ante una serie con tendencia y/o componente estacional, sugerimos: Eliminar la tendencia aplicando d diferencias regulares ((1 B) d ). En general, es suficiente d 3. Eliminar la componente estacional aplicando D diferencias ((1 B s ) D ). En general, es suficiente D = 1. Una vez que la serie diferenciada es estacionaria, modelizarla a través de un Sólo dependencia regular: ARMA(p,q). Sólo dependencia estacional: ARMA(P,Q) s. Ambos tipos de dependencia: ARMA(p,q) (P,Q) s.
32 : : Definición Un proceso (p,d,q) (P,D,Q) s (o estacional multiplicativo) es aquél que, después de aplicarle d diferencias regulares y D diferencias de periodo s, se corvierte en un proceso ARMA(p,q) (P,Q) s. Equivalentemente: {X t } t es un proceso (p,d,q) (P,D,Q) s (o estacional multiplicativo) si admite una representación del tipo: φ (B) Φ (B s ) (1 B) d (1 B s ) D X t = c + θ (B) Θ (B s ) a t, donde el polinomio φ (z) Φ (z s ) no tiene raíces de módulo 1.
33 : Ejemplo: Proceso (1,1,1) (1,1,1) 12 La expresión del (1,1,1) (1,1,1) 12 es AR reg. AR est. Dif. reg. Dif. est. (1 φ 1 B) ( 1 Φ 1 B 12) (1 B) ( 1 B 12) X t = c + (1 + θ 1 B) ( 1 + Θ 1 B 12) a t MA MA reg. est.
34 : Ejemplo: Proceso (1,1,1) (1,1,1) 12 Operando en la expresión del (1,1,1) (1,1,1) 12 (1 φ 1 B) ( 1 Φ 1 B 12) (1 B) ( 1 B 12) X t = c + (1 + θ 1 B) ( 1 + Θ 1 B 12) a t se obtiene la representación: X t = c + (1 + φ 1 ) X t 1 φ 1 X t 2 + (1 + Φ 1 ) X t 12 (1 + φ 1 + Φ 1 + φ 1 Φ 1 ) X t 13 + (φ 1 + φ 1 Φ 1 ) X t 14 Φ 1 X t 24 + (Φ 1 + φ 1 Φ 1 ) X t 25 φ 1 Φ 1 X t 26 +a t + θ 1 a t 1 + Θ 1 a t 12 + θ 1 Θ 1 a t 13
35 : : Definición El proceso (p,d,q) (P,D,Q) s : Es estacionario cuando d = D = 0 (se convierte en un proceso ARMA(p,q) (P,Q) s ). Modeliza la dependencia regular (p o q 0). Modeliza la dependencia estacional (s > 1, y P o Q 0) Captura no estacionariedades provocadas por la presencia de tendencia (d > 0). Captura no estacionariedades provocadas por la presencia de componente estacional (s > 1 y D > 0). Generaliza a todos los procesos que hemos estudiado. Es, posiblemente, el proceso más utilizado en la modelización de series de tiempo univariantes.
36 : : Identificación En la práctica, ante una serie real,... cuándo propondremos un estacional como su generador? Cuando, siendo homocedástica, detectemos la presencia de componente estacional. La presencia de componente estacional en una serie (y, por tanto, la necesidad de diferenciarla estacionalmente para eliminarla) suele ser delatada por: El gráfico secuencial de la serie. La fas muestral: Presenta fuerte correlación positiva en el retardo estacional (y, posiblemente, en sus múltiplos), Converge lentamente a cero a medida que el retardo crece. Presenta periodicidad del mismo periodo que la serie,
37 : Serie original Serie diferenciada regularmente
38 : Serie dif. reg. y estac. (s=12) Conclusión Los gráficos estudiados sugieren que la serie original: 1 No es estacionaria. 2 Ha sido generada por un proceso (0,1,1) (0,1,1) 12, o quizás por un (1,1,0) (0,1,1) 12.
39 : Heterocedasticidad En los modelos teóricos que hemos presentado, la falta de estacionariedad venía provocada por la presencia de tendencia y/o componente estacional. Aplicando diferencias (regulares y/o, respectivamente) conseguíamos eliminar este tipo de no estacionariedad. Otra fuente que provoca falta de estacionariedad es la heterocedasticidad (la varianza no es constante o estable). A continuación veremos cómo eliminar la heterocedasticidad.
40 : En el gráfico de la derecha, se intuye que la variabilidad de la serie (consumo de electricidad...) no es constante. Concretamente, parece que la variabilidad aumenta al hacerlo el nivel de la serie. Serie heterocedástica
41 : En el gráfico de la derecha, se muestra la serie transformada a través de la función logaritmo neperiano. Se observa que la aplicación de dicha función ha conseguido estabilizar la varianza. Serie homocedástica (log)
42 : TRANSFORMACIONES PARA ESTABILIZAR LA VARIANZA Transformaciones de Box-Cox La familia de transformaciones de Box-Cox se define como aquélla que transforma a x t en: xt λ 1, si λ 0 λ ln(x t ), si λ = 0 Si la desviación típica es una función potencial de la media (σ t = kµ t 1 λ ), entonces la transformación de Box-Cox con parámetro λ consigue estabilizar la varianza. Un situación muy usual es aquélla en que σ t = kµ t. En este caso λ = 0 y la aplicación del logaritmo neperiano estabiliza la varianza.
43 : Obtención de un valor apropiado para λ Partiendo de la igualdad se obtiene que donde a = log(k) y b = 1 λ. σ t = kµ 1 λ t, log(σ t ) = a + b log(µ t ), Por tanto, si disponemos de estimaciones ˆµ t y ˆσ t y ajustamos un modelo lineal a {(log(ˆµ t ), log(ˆσ t ))}, obtendremos una estimación para el valor de λ: ˆλ = 1 ˆb
44 Para estimar la media y la desviación típica utilizamos las 12 observaciones de cada año. : Regresión lineal: ˆλ = Intuitiva: ˆλ = 0 (log)
45 : : Identificación De manera esquemática, las etapas a seguir para identificar un modelo como posible generador de una serie de tiempo son: 1 Si la serie presenta heterocedasticidad, eliminarla a través de una transformación de Box-Cox. 2 Si la serie (quizás transformada en la etapa 1) presenta tendencia, eliminarla a través de la diferenciación regular. 3 Si la serie (quizás transformada en las etapas 1 y/o 2) presenta componente estacional, eliminarla a través de la diferenciación estacional. 4 Identificar un modelo ARMA para la serie (quizás transformada en las etapas 1, 2 y/o 3).
46 : Proc. : Estim., diag. y selec. del modelo Como consecuencia de la estrecha relación que existe entre los procesos y los procesos ARMA (diferenciando los primeros se obtienen los segundos), se tiene que la aplicación práctica de los está totalmente basada en la correspondiente a los Estimación: Se ajusta un ARMA (regular, estacional o estacional multiplicativo) a la serie diferenciada (regular y/o estacionalmente). Diagnosis: Se chequean los residuos procedentes del ajuste ARMA anterior. modelo: Se selecciona, para la serie diferenciada, el modelo ARMA cuyos órdenes (p, q, P y/o Q) minimicen uno de los criterios AIC, AICC o BIC.
47 : : Predicción Del mismo modo, la de valores futuros de procesos se basa en la de procesos ARMA. Los pasos a seguir son: 1 Diferenciar (regular y/o estacionalmente) la serie procedente del hasta obtener una serie procedente de un ARMA (regular, estacional o estacional multiplic.). 2 Predecir los valores futuros del proceso ARMA. 3 Deshacer la diferenciación en las predicciones del ARMA, obteniendo entonces las predicciones del proceso original. En cuanto a los intervalos de, su construcción es análoga a lo ya hecho para procesos ARMA.
48 : Presentamos a continuación un ejemplo con en el que se hace uso de gran parte de lo expuesto en este capítulo. Para ello: Dividiremos en 2 trozos la serie del consumo de electricidad (introducida en el primer capítulo): 1 Consumo entre los meses de enero 1972 y diciembre 2003 (T = 384). 2 Consumo durante los próximos 12 meses. El primer trozo será utilizado para seleccionar y ajustar un modelo. En base a dicho modelo, realizaremos predicciones para el consumo correspondiente a los próximos 12 meses, que serán comparadas con los consumos reales (2 o trozo).
49 : 1: Identificación del modelo (fas y fap muestrales) Enero Diciembre 2003 El gráfico de la izquierda muestra presencia de heterocedasticidad, tendencia y componente estacional. Comenzamos transformando la serie para tratar de estabilizar la variabilidad. Puesto que ésta aumenta con el nivel de la serie (quizás la desviación típica sea lineal en la media), le aplicamos al consumo la función logaritmo neperiano.
50 : Consumo transformado (ln) El gráfico de la izquierda muestra que: La varianza del consumo se ha estabilizado al aplicarle la función logaritmo neperiano. La serie transformada tiene tendencia y componente estacional. La diferenciación regular podría eliminar la tendencia.
51 : Dif. reg. del ln del consumo El gráfico de la izquierda muestra que: La tendencia ha sido eliminada al aplicarle una diferencia regular. La componente estacional se mantiene (s = 12). La diferenciación estacional podría eliminar la componente estacional.
52 : Dif. reg. y estac. del ln del consumo (s=12) A la espera de realizar el análisis de residuos, el gráfico de la izquierda sugiere que: La serie transformada proviene de un proceso estacionario; concretamente, de un ARMA(0,2) (0,1) 12. El logaritmo neperiano del consumo eléctrico ha sido generado por un proceso (0,1,2) (0,1,1) 12.
53 El modelo identificado ((0,1,2) (0,1,1) 12 ) se puede expresar como : (1 B) ( 1 B 12) Y t = c + ( 1 + θ 1 B + θ 2 B 2) ( 1 + Θ 1 B 12) a t, siendo Y t = ln (X t ) y X t el consumo eléctrico del mes t. Una representación equivalente es Y t = Y t 1 + Y t 12 Y t 13 +c + a t + θ 1 a t 1 + θ 2 a t 2 +Θ 1 a t 12 + θ 1 Θ 1 a t 13 + θ 2 Θ 1 a t 14. Nota: Obsérvese que, puesto que el proceso diferenciado no tiene parte AR, la constante c coincide con su media µ.
54 : 2: Estimación del modelo identificado (0,1,2) (0,1,1) 12 Estimando los parámetros por máxima verosimilitud resulta: θ 1 = (0.0440), θ 2 = (0.0452), Θ 1 = (0.0377), µ = 0e + 00 (1e-04) y σ 2 a = Puesto que la media µ del proceso diferenciado no es significativamente distinta de cero, estimaremos un (0,1,2) (0,1,1) 12 con µ = 0 o, lo que es lo mismo, con c = 0.
55 : Bajo la restricción µ = 0, se obtienen las estimaciones: θ 1 = (0.0439), θ 2 = (0.0451), Θ 1 = (0.0377) y σ 2 a = , resultando todos los parámetros significativamente distintos de cero. Por tanto, el (0,1,2) (0,1,1) 12 estimado es: Y t = Y t 1 + Y t 12 Y t 13 +a t a t a t a t a t a t 14, siendo la varianza del ruido blanco.
56 3: Diagnosis del modelo (0,1,2) (0,1,1) 12 : Residuos: gráficos secuencial y Q-Q normal Contrastes de independencia
57 : Conclusiones: El contraste de Ljung-Box rechaza la independencia de los residuos. Un modelo (0,1,2) (0,1,1) 12 no resulta adecuado como posible generador de la serie del consumo eléctrico (transformada a través del logaritmo neperiano). Puesto que no tenemos independencia en los residuos, los contrastes propuestos de media cero y normalidad no tienen validez.
58 : 4: Identificación del modelo (criterio BIC) Hemos calculado los valores del criterio BIC para distintos procesos (p,1,q) (P,1,Q) 12 (p, q {0, 1, 2, 3} y P, Q {0, 1, 2}). El modelo (1,1,2) (0,1,1) 12 resultó ser el de menor BIC (BIC= , siendo la constante del modelo nula). De entre los modelos evaluados, sólo uno (el (2,1,1) (0,1,1) 12 ) tuvo un valor BIC que no distase más de 2 unidades del óptimo.
59 : 5: Estimación del modelo (1,1,2) (0,1,1) 12 El modelo (1,1,2) (0,1,1) 12 se puede expresar como (1 φ 1 B) (1 B) ( 1 B 12) Y t = ( 1 + θ1 B + θ 2 B 2) ( 1 + Θ 1 B 12) a t. Las estimaciones de sus parámetros por máxima verosimilitud han resultado: φ 1 = (0.0901), θ 1 = (0.0898), θ 2 = (0.0784), Θ 1 = (0.0391), y σ 2 a =
60 6: Diagnosis del modelo (1,1,2) (0,1,1) 12 : Residuos: gráficos secuencial y Q-Q normal Contrastes de independencia
61 : Contrastes de media cero y normalidad µ a = 0: p valor = Normalidad: Jarque-Bera: p valor = Shapiro-Wilk: p valor = Conclusión: Un modelo (1,1,2) (0,1,1) 12 sin constante y con innovaciones gaussianas resulta adecuado como generador de la serie del consumo de electricidad (transformada a través de la función logaritmo neperiano).
62 : 7: Predicción en base al modelo (1,1,2) (0,1,1) 12 Para finalizar el estudio, el (1,1,2) (0,1,1) 12 que hemos seleccionado, estimado y chequeado fue utilizado para realizar predicciones con origen en T = 384 y horizontes de k = 1,..., 12. Éstas se pueden observar en el gráfico de la derecha (azul), junto con los valores reales (verde) y los intervalos de al 95% (rojo). Predicciones,...
63 : Valores numéricos Mes Consumo Predicción Intervalo de Predicción (95%) enero ( , ) febr ( , ) mar ( , ) abril ( , ) mayo ( , ) junio ( , ) julio ( , ) agos ( , ) sept ( , ) oct ( , ) nov ( , ) dic ( , )
64 : Resumen: Construcción del modelo generador de la serie Etapas a seguir para identificar un (p,d,q) (P,D,Q) s como posible generador de la serie de tiempo a analizar: Etapa 1: Representar gráficamente la serie frente al tiempo, y su fas muestral frente al retardo. 1 Si el gráfico de la serie sugiere presencia de variabilidad no constante, transformar (Box-Cox) la serie para estabilizar la varianza. 2 Si el gráfico de la serie (quizás transformada en el paso anterior) y/o el gráfico de su fas muestral sugiere/n presencia de tendencia, aplicar diferencias regulares (d) hasta eliminarla. 3 Si el gráfico de la serie (posiblemente transformada en alguno de los 2 pasos anteriores) y/o el gráfico de su fas muestral sugiere/n presencia de componente estacional (s), aplicar diferencias (D) hasta eliminarla.
65 : Resumen: Construcción del modelo generador de la serie Etapa 2: Representar gráficamente la serie (posiblemente transformada en la etapa 1) frente al tiempo, y sus fas y fap muestrales frente al retardo (en caso necesario, constuir también la tabla relativa a la fase muestral). Dichos gráficos debieran sugerir la procedencia de la serie (posiblemente transformada en la etapa 1) de un proceso estacionario (ARMA, quizás multiplicativo), pues en caso contrario no deberíamos haber pasado a esta etapa 2. 1 Tratar de identificar sus órdenes p, q, P y Q a través del estudio de su fas y fap muestrales (quizás sea necesaria, además, la fase muestral). 2 Identificar sus órdenes p, q, P y Q a través del estudio de las funciones AIC, AICC y/o BIC.
66 : Resumen: Construcción del modelo generador de la serie Una vez que uno o varios modelos han sido identificados, la siguiente etapa es su estimación. A continuación, el/los modelo/s estimado/s debe/n ser chequeado/s (es necesario comprobar que verifica/n las hipótesis básicas que se han supuesto en su construcción). Principalmente, comprobaremos la hipótesis de que las innovaciones son ruido blanco (preferiblemente gaussiano). Si disponemos de varios modelos que han superado el análisis de residuos (), seleccionaremos aquél que, teniendo un AIC, AICC y/o BIC pequeño (diferencias de hasta 2 unidades no se consideran relevantes), resulte más simple. En base a dicho modelo, realizaremos las predicciones.
67 : Recapitulación A lo largo de este tema: Se ha construido la clase de modelos Box-Jenkins. Se han propuesto métodos para identificar sus órdenes: Basados en el estudio de sus fas, fap y fase muestrales. Basados en el estudio de las funciones AIC, AICC y BIC. Se han propuesto estimadores de sus parámetros y se han mostrado algunas de sus propiedades asintóticas. Se han propuesto técnicas para chequear el modelo ajustado. Se han propuesto métodos para predecir sus valores futuros, y se han construido intervalos de.
Part III. Modelos Box-Jenkins. Series de Tiempo. Germán Aneiros Pérez. Introducción. Procesos ARMA: Procesos ARIMA:
Part III Modelos Box-Jenkins Bibliografía Bibliografía Brockwell, P.J. y Davis, R.A. (2002). Introduction to Time Series and Forecasting. 2 a edición. Springer. Cowpertwait, P.S.P. y Metcalfe, A.V. (2009).
Más detallesEconometría 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 detallesGuía breve de análisis de series temporales unidimensionales con Gretl
Guía breve de análisis de series temporales unidimensionales con Gretl 1. Pasos a seguir 1. Representación de la serie temporal (Variable Gráfico de series temporales). 2. Serie temporal no estacionaria
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 detallesANÁLISIS EN EL DOMINIO DEL TIEMPO
Matemáticas y Estadística aplicada POLITÉCNICA ANÁLISIS EN EL DOMINIO DEL TIEMPO Indice de contenidos: INTRODUCCIÓN MODELOS DE SERIES TEMPORALES (Box-Jenkins, 1973): De Procesos estacionarios De Procesos
Más 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 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 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 detallesEJC 22: METODOLOGÍA BOX JENKINS
EJC 22: METODOLOGÍA BOX JENKINS La publicación de G.P.E Box y G.M Jenkins Times Series Análisis: Forecasting and Control en la década de los 70 s generó un nuevo conjunto de herramientas de predicción,
Más 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 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 detallesARCH y GARCH. Series de tiempo. Miguel Ángel Chong R. 14 de mayo del 2013
Estadística Miguel Ángel Chong R. miguel@sigma.iimas.unam.mx 14 de mayo del 013 Modelos estacionales multiplicativos y estacionarios En la mayor parte de los casos los datos no sólo están correlacionados
Más 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 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 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 detallesEjemplos de estudios de series de tiempo
1 Ejemplos de estudios de series de tiempo Ejemplo 1 Pasajeros Aerolíneas Internacionales (PAI) Este estudio está realizado sobre un famoso conjunto de datos mensuales, el número de pasajeros de aerolíneas
Más detallesTODO ECONOMETRÍA. A continuación voy a realizar un primer gráfico para observar el comportamiento de mi serie.
Sabemos que se aprende de las regularidades del comportamiento pasado de la serie y se proyectan hacia el futuro. Por lo tanto, es preciso que los procesos aleatorios generadores de las series temporales
Más 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 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 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 detallesSeries Temporales. Teresa Villagarcía
Series Temporales Teresa Villagarcía 1 1. Introducción. El estudio de series temporales tiene por objeto analizar la evolución de una variable a través del tiempo. La diferencia esencial entre las series
Más detallesCurso 2006/07. Tema 4: Tratamiento de la estacionalidad. Modelos SARIMA. 2. Estudio teórico de los modelos estacionales
Tema 4: Tratamiento de la estacionalidad. Modelos SARIMA 1. Introducción 2. Estudio teórico de los modelos estacionales 3. La estacionariedad en media en los modelos estacionales 4. Identificación de modelos
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 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 detallesRelación 3 de problemas
ESTADÍSTICA II Curso 2016/2017 Grado en Matemáticas Relación 3 de problemas 1. La Comunidad de Madrid evalúa anualmente a los alumnos de sexto de primaria de todos los colegios sobre varias materias. Con
Más detallesEstadística aplicada al medio ambiente
Estadística aplicada al medio ambiente III. Regresión lineal 3 o de CC. AA. Departamento de Matemáticas Universidad Autónoma de Madrid 2011/12 Planteamiento Modelo Estimación de parámetros Intervalos de
Más detallesSOLUCIONES PRÁCTICA 6: SERIES TEMPORALES DIPLOMADO EN ESTADÍSTICA
SOLUCIONES PRÁCTICA 6: SERIES TEMPORALES DIPLOMADO EN ESTADÍSTICA Problema 1 Calcular las primeras 12 autocorrelaciones simples teóricas del proceso (1 0,8B)Y t = (1 0,5B 12 )a t utilizando tanto la fórmula
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 detallesREGRESIÓN LINEAL SIMPLE
REGRESIÓN LINEAL SIMPLE 1. El problema de la regresión lineal simple. Método de mínimos cuadrados 3. Coeficiente de regresión 4. Coeficiente de correlación lineal 5. El contraste de regresión 6. Inferencias
Más detallesAnálisis de Series de Tiempo. Universidad Nacional Autónoma de México. M. en C. César Almenara Martínez. 10 de Noviembre de 2010.
Análisis de Series de Tiempo. M. en C. César Almenara Martínez. Universidad Nacional Autónoma de México. 10 de Noviembre de 2010. 1 Receta. 2 Análisis. 1 Receta. 2 Análisis. Para hacer un análisis básico
Más detallesQuinta Entrega. 3. Diagnosis: se comprueba que los residuos verifican la hipótesis de ruido blanco.
Prácticas de la asignatura Series Temporales Quinta Entrega 1 Identificación y Predicción de modelos ARIMA En esta entrega veremos como ajustar modelos ARIMA a series de datos reales. Supongamos que tenemos
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 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 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 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 detallesTercera práctica de REGRESIÓN.
Tercera práctica de REGRESIÓN. DATOS: fichero practica regresión 3.sf3 1. Objetivo: El objetivo de esta práctica es aplicar el modelo de regresión con más de una variable explicativa. Es decir regresión
Más detallesSERIE TEMPORAL TASA PASIVA REFERENCIAL ECUADOR MAT. GEOVANNY TOALOMBO Agosto 2006
SERIE TEMPORAL TASA PASIVA REFERENCIAL ECUADOR MAT. GEOVANNY TOALOMBO Agosto 20 Se presenta a continuación el estudio de la serie de tiempo, para la Tasa Pasiva Referencial fuente Banco Central de Ecuador
Más 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 detallesModelo Lineal Generalizado GAMMA. Distribución gamma: Otra parametrización mediante el parámetro de forma y la media:
Modelo Lineal Generalizado GAMMA Distribución gamma: Otra parametrización mediante el parámetro de forma y la media: La distribución gamma es de tipo exponencial: 1 Supongamos que se dispone de r subpoblaciones
Más detallesEstadística Industrial. Universidad Carlos III de Madrid Series temporales Práctica 5
Estadística Industrial Universidad Carlos III de Madrid Series temporales Práctica 5 Objetivo: Análisis descriptivo, estudio de funciones de autocorrelación simple y parcial de series temporales estacionales.
Más detallesMáster en comunicaciones. Clase 2. Modelos predictores.
Máster en comunicaciones. Clase 2. Modelos predictores. 1. Introducción Uno de los cometidos más importantes de la estadística es la explotación de los datos observados de una o más características de
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 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 detallesSEMINARIO ECONOMETRIA 14 DE MAYO DEL CASO: Determinando un éstandar de productividad comercial en banca
SEMINARIO ECONOMETRIA 14 DE MAYO DEL 212 CASO: Determinando un éstandar de productividad comercial en banca 1.1. Objetivo del análisis: Un banco quiere estimar la productividad estándar esperada de cada
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 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 detallesNo usar por academias
ECUACIONES DIFERENCIALES I Grupo D 1 de septiembre de 003 Apellidos: Nombre: D.N.I.: Firma: 1. Considérese la ecuación y = 1 + y x. i) Hallar su solución general. ii) Dibujar aproximadamente sus curvas
Más detallesEl Movimiento Browniano en la modelización del par EUR/USD
MÁSTER UNIVERSITARIO EN DIRECCIÓN FINANCIERA Y FISCAL TESINA FIN DE MÁSTER El Movimiento Browniano en la modelización del par EUR/USD Autor: José Vicente González Cervera Directores: Dr. Juan Carlos Cortés
Más detallesAjustando Curva SnapStat
STATGRAPHICS Rev. 9/14/26 Ajustando Curva SnapStat Resumen El procedimiento Ajustando Curva SnapStat crea un resumen de una pagina que describe la relación entre un solo factor cuantitativo X y una variable
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 detalles7. ANÁLISIS DE VARIABLES CUANTITATIVAS: REGRESIÓN LINEAL SIMPLE
ESCUELA UNIVERSITARIA DE ENFERMERIA DE TERUEL 1 er CURSO DE GRADO DE ENFERMERIA Estadística en Ciencias de la Salud 7. ANÁLISIS DE VARIABLES CUANTITATIVAS: REGRESIÓN LINEAL SIMPLE PROFESOR Dr. Santiago
Más detallesEstimación del impacto de la subida del Impuesto sobre el Valor Añadido en el Índice de Precios al Consumo
Estimación del impacto de la subida del Impuesto sobre el Valor Añadido en el Índice de Precios al Consumo Bruno Díaz Doce Directores: Germán Aneiros Pérez Esteban Andión Hermida Este proyecto ha sido
Más detallesEstadística II Ejercicios Tema 5
Estadística II Ejercicios Tema 5 1. Considera los cuatro conjuntos de datos dados en las transparencias del Tema 5 (sección 5.1) (a) Comprueba que los cuatro conjuntos de datos dan lugar a la misma recta
Más detallesDiseño de experimentos Hugo Alexer Pérez Vicente
Diseño de experimentos Hugo Alexer Pérez Vicente Transformación de datos Introducción La idoneidad de las inferencias realizadas depende de la validez de los supuestos del modelo propuesto. Los tres supuestos
Más detallesAnálisis de Series. Modelos Heterocedásticos.
TRABAJO FIN DE MASTER. Análisis de Series. Modelos Heterocedásticos. ÍNDICE 1.INTRODUCCIÓN... 3 2.MODELOS SARIMA... 7 2.1.FORMULACIÓN GENERAL MODELOS ARIMA... 7 2.2.PASOS EN LA CONSTRUCCIÓN DE LOS MODELOS
Más detallesEconometría II Grado en finanzas y contabilidad
Econometría II Grado en finanzas y contabilidad Estructuras determinísticas y estocásticas tendencia y la estacionalidad Profesora: Dolores García Martos E-mail:mdgmarto@est-econ.uc3m.es Este documento
Más detallesEJERCICIO T1 NOMBRE: Correctas Incorrectas En Blanco Puntos
ECONOMETRÍA APLICADA EJERCICIO T APELLIDOS: NOMBRE: FIRMA: GRUPO: DNI: Pregunta A B C En Blanco Pregunta A B C En Blanco Pregunta 3 A B C En Blanco Pregunta A B C En Blanco Pregunta 5 A B C En Blanco Pregunta
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 detallesEstacionalidad Determinista Segmentada, Efecto Calendario, Efecto Semana Santa y predicción de modelos con Raíces Unitarias
Estacionalidad Determinista Segmentada, Efecto Calendario, Efecto Semana Santa y predicción de modelos con Raíces Unitarias Práctica N o 2 Técnicas en Predicción Administración y Dirección de Empresas
Más detallesEl modelo de regresión múltiple
El de regresión múltiple Simple El de regresión múltiple es la extensión a k variables explicativas del de regresión simple. La estructura del de regresión múltiple es la siguiente: y = f (x 1,..., x k
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 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 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 detallescon los supuestos clásicos, uno de ellos es que ninguna de las variables X 1, X 2,, X K es
TEMA 2: EXTENSIONES DEL MODELO DE REGRESIÓN LINEAL MÚLTIPLE: MULTICOLINEALIDAD Y TRANSFORMACIONES LINEALES. Wooldridge: Capítulos 6 (apartado 6.1) y 7 Gujarati: Capítulos 9 (apartado 9.8), 10 y 12 1. MULTICOLINEALIDAD
Más detallesÍndice General de Ventas en Grandes Almacenes y su logaritmo
En los gráficos y cuadros que se presentan en las páginas siguientes se presentan resultados relativos a la variable Índice General de Ventas en grandes superficies en España con periodicidad mensual desde
Más detallesCAPÍTULO 4 DESARROLLO DE LA INVESTIGACIÓN. En este capítulo se aplicarán los métodos seleccionados a la información. Primero se
37 CAPÍTULO 4 DESARROLLO DE LA INVESTIGACIÓN En este capítulo se aplicarán los métodos seleccionados a la información. Primero se describirá la teoría necesaria para cada uno de los métodos y enseguida
Más detallesModelación estadística: La regresión lineal simple
Modelación estadística: La regresión lineal simple Gabriel Cavada Ch. 1 1 División de Bioestadística, Escuela de Salud Pública, Universidad de Chile. Statistical modeling: Simple linear regression Cuando
Más detallesEstadística I Tema 5: Introducción a la inferencia estadística
Estadística I Tema 5: Introducción a la inferencia estadística Tema 5. Introducción a la inferencia estadística Contenidos Objetivos. Estimación puntual. Bondad de ajuste a una distribución. Distribución
Más detallesTécnicas de Predicción Solución Examen Final
Técnicas de Predicción Solución Examen Final Administración y Dirección de Empresas 23 de Junio, 2008 Prof. Antoni Espasa Secciones 3h Nota: Todas las respuestas deben ser adecuadamente razonadas. Respuestas
Más detallesDepartamento de Matemática Aplicada a las T.I.C. SOLUCIONES
Departamento de Matemática Aplicada a las T.I.C. ASIGNATURA: ESTADÍSTICA Y PROCESOS ESTOCÁSTICOS EAMEN FINAL Otoño 25-6 FECHA: 5 de Enero de 26 Fecha publicación notas: 22 de Enero de 26 Fecha revisión
Más detallesMínimos Cuadrados Generalizados
Mínimos Cuadrados Generalizados Román Salmerón Gómez Los dos últimos temas de la asignatura han estado enfocados en estudiar por separado la relajación de las hipótesis de que las perturbaciones estén
Más detallesAjuste por mínimos cuadrados
Mathieu Departamento de Matemática Aplicada y Estadística Universidad Politécnica de Cartagena Cartagena, Enero 2010 Guión 1 Planteamiento 2 Criterio de mínimos cuadrados 3 Casos concretos: regresión lineal
Más detallesRegresión Lineal Múltiple
Unidad 4 Regresión Lineal Múltiple Javier Santibáñez (IIMAS, UNAM) Regresión Semestre 2017-2 1 / 35 Introducción La idea de la regresión lineal múltiple es modelar el valor esperado de la variable respuesta
Más 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 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 detallesSeries temporales. Series temporales
Series temporales Series temporales Una serie temporal es una variable cuya evolución se sigue a lo largo del tiempo. Para obtenerla tomaremos observaciones de la variable a intervalos regulares de tiempo.
Más detallesSéptima Entrega. New Workfile Daily (5 days week) 1:1:1991 a 2:16:1998. File Import Read Text Lotus Excel
Prácticas de la asignatura Series Temporales Séptima Entrega 1 Modelos de heterocedasticidad condicional A partir de la decada de los 80, muchos investigadores se han dedicado al estudio de modelos no
Más detallesINTRODUCCION AL ECONOMETRIC VIEWS. Aquí se introduce la frecuencia y las fechas de comienzo y final de los datos.
INTRODUCCION AL ECONOMETRIC VIEWS Introducción de datos 1. Creando una hoja de trabajo (workfile) File New Workfile Aquí se introduce la frecuencia y las fechas de comienzo y final de los datos. 2. Importación
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 detallesMétodos Estadísticos para Economía y Gestión IN 540 Clase 7
Métodos Estadísticos para Economía y Gestión IN 540 Clase 7 Perturbaciones no Esféricas 17 de junio de 2010 1 Preliminares Matriz de Varianzas y Covarianzas cuando ɛ t es un AR(1) Naturaleza y causas de
Más detallesModelos de Calibración
Modelos de Calibración Resumen El procedimiento Modelos de Calibración esta diseñado para construir un modelo estadístico que describe la relación entre variables, X y Y, donde construir un modelo es construir
Más detallesUNIVERSIDAD DE ALICANTE FACULTAD DE CIENCIAS ECONÓMICAS Y EMPRESARIALES
UNIVERSIDAD DE ALICANTE FACULTAD DE CIENCIAS ECONÓMICAS Y EMPRESARIALES GRADO EN ECONOMÍA CURSO ACADÉMICO 2016-2017 ESTUDIO DE MODELOS DE HETEROCEDASTICIDAD CONDICIONAL EN ACCIONES PEDRO FERNÁNDEZ GARCÍA
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 detallesincendios forestales para el periodo de estudio. El software E-Views 9 es utilizado para las
23 Capítulo 4: Resultados y análisis Para esta investigación, se necesita obtener las series de tiempo; tanto de los precios de cierre del IPC, como de los desastres naturales de tipo hidrometeorológico,
Más detallesModelos Box-Jenkins. El paseo aleatorio X t = c + X t 1 + a t no es estacionario. Sin embargo, el proceso diferenciado regularmente
Modlos Box-Jnkins Sris d Timpo Grmán Aniros Pérz stacionals: Slcción dl El paso alatorio X t = c + X t 1 + a t no s stacionario. Sin mbargo, l procso difrnciado rgularmnt s stacionario. X t X t 1 = c +
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 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 detallesMulticolinealidad Introducción. Uno de los supuestos básicos del modelo lineal general. y = Xβ + u
CAPíTULO 6 Multicolinealidad 6.1. Introducción Uno de los supuestos básicos del modelo lineal general y = Xβ + u establece que las variables explicativas son linealmente independientes, es decir, la igualdad
Más detallesTema 8: Regresión y Correlación
Tema 8: Regresión y Correlación Estadística. 4 o Curso. Licenciatura en Ciencias Ambientales Licenciatura en Ciencias Ambientales (4 o Curso) Tema 8: Regresión y Correlación Curso 2008-2009 1 / 12 Índice
Más detallesEstadística II Examen Final 19/06/2015 Soluciones. Responda a las preguntas siguientes en los cuadernillos de la Universidad
Estadística II Examen Final 19/06/2015 Soluciones Responda a las preguntas siguientes en los cuadernillos de la Universidad Utilice diferentes cuadernillos para responder a cada uno de los ejercicios Indique
Más detallesUnidad V: Estadística aplicada
Unidad V: Estadística aplicada 5.1 Inferencia estadística: Concepto, Estimación, Prueba de hipótesis La Inferencia Estadística es la parte de la estadística matemática que se encarga del estudio de los
Más detalles5. Estimación del Modelo y Resultados
5. Estimación del Modelo y Resultados 5.1. Forma reducida del modelo Como no se tienen datos sobre la tasa natural de desempleo, es necesario hacer una forma reducida del modelo para poder estimarlo utilizando
Más detallesMACROECONOMETRÍA. Tema 2: Series temporales. Segundo Cuatrimestre (curso 2006/07), Depto. de Economía, UC3M. Profesor: Genaro Sucarrat
MACROECONOMETRÍA Tema 2: Series temporales Segundo Cuatrimestre (curso 2006/07), Depto. de Economía, UC3M Profesor: Genaro Sucarrat (Coordinador: Juan J. Dolado) Conceptos fundamentales: Esperanzas condicionales
Más detallesTema 5: Planteamiento de los modelos de series temporales. Coro Chasco Yrigoyen Universidad Autónoma de Madrid (UAM) Asignatura: Econometría II
Tema 5: Planteamiento de los modelos de series temporales Coro Chasco Yrigoyen Universidad Autónoma de Madrid (UAM) Asignatura: Econometría II 1 Parte II. Modelos univariantes de series temporales Tema
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 detallesContrastes sobre la media Sea X 1, X 2,..., X n una m.a.s. extraída de una población normal X con media desconocida µ. Se desea contrastar:
sobre la media Sea X 1, X 2,..., X n una m.a.s. extraída de una población normal X con media desconocida µ. Se desea contrastar: H 0 : µ = µ 0 Si H 0 es cierta, X N(µ 0, σ), de donde D 1 = X µ 0 n σ N(0,
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 detalles5. DISEÑO FACTORIALES 2 k
5. DISEÑO FACTORIALES 2 k Los diseños factoriales son ampliamente utilizados en experimentos en los que intervienen varios factores para estudiar el efecto conjunto de éstos sobre una respuesta. Un caso
Más detallesTema 10: Introducción a los problemas de Asociación y Correlación
Tema 10: Introducción a los problemas de Asociación y Correlación Estadística 4 o Curso Licenciatura en Ciencias Ambientales Licenciatura en Ciencias Ambientales (4 o Curso) Tema 10: Asociación y Correlación
Más detalles