Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
SERIES DE TIEMPO
Docente:
Esp. John Chuke Yepes L
Estadístico U de M
johnyepes6778@correo.itm.edu.co
- Pruebas de Multicolinealidad
- Pruebas Heteroscedasticidad
- Pruebas Autocorrelación serial
• Modelos de Elasticidades
• Modelos de Demanda
• Modelo de Oferta
• Modelo de Mercado de Capitales
2.3. Predicción
3.5. Proyecciones
John Chuke Yepes
Programa
Bibliografía
Comprender y Desarrollar
Objetivos Específicos
Capacitar en:
1.1. Contextualización
1.2. Identificación de valores outliers
-Estadística descriptiva y
- Estadística Inferencial.
Se tienen la siguientes medidas:
1. Estadística Descriptiva
1.1. Medidas de tendencia central
1.2. Medidas de variabilidad
1.3. Medidas de forma
1.4. Análisis de Correlación
2. Estadística Inferencial
2.1. Intervalos de Confianza
2.2. Pruebas de Hipótesis
2.3. Selección de Tamaño de muestra
- Estadística descriptiva y
- Estadística Inferencial.
Muestra Población
Medida
Estadística Parámetros
Tamaño n N
Media m
Varianza S² s²
Desviación estándar S s
Proporción p p
Correlación r r
SERIE DE DATOS
Definición
ETAPA 5
No ¿Es
Validación de los
adecuado
Supuesto
el Modelo?
Si
ETAPA 7
Uso del Modelo
John Chuke Yepes Proyecciones
Esquema
VARIABLES INDEPENDIENTES:
MODELOS ECONOMÉTRICOS
PROCESO ARIMA(p,d,q)
MODELOS SERIES TEMPORALES
Filtro Modelo
Pruebas estadísticas
Estacionariedad: Dickey-Fuller, Correlograma
Homoscedasticidad: Normalidad de Residuales, White, ARCH
Autocorrelación: Durbin-Watson, Breush-Godfrey
Por tanto,
𝒁𝒕 = 𝒇(𝒁𝒕−𝟏 )+𝒂𝒕
ETAPA 5
No ¿Es
Validación de los
adecuado
Supuesto
el Modelo?
Si
ETAPA 7
Uso del Modelo
Proyecciones
Pronóstico
Filtro Modelo
Pruebas estadísticas
Estacionariedad: Dickey-Fuller, Correlograma
Homoscedasticidad: Normalidad de Residuales, White, ARCH
Autocorrelación: Durbin-Watson, Breush-Godfrey
𝒁𝒕 = 𝑷𝑺𝒕 + 𝒂𝒕
Zt = Serie de observaciones
PSt = Parte sistemática o comportamiento regular de la variable,
at : Es la parte aleatoria, también denominada innovación.
t: Secuencia cronológica-temporal para todo t=1,2,3,…., T
Procesos estocásticos
Un proceso estocástico es una colección o familia
de variables aleatorias {Zt, con t ∈ T}, ordenadas
según el subíndice t que en general se suele
identificar con el tiempo.
Zt
con lo que un proceso estocástico puede
interpretarse como una sucesión de variables
aleatorias cuyas características pueden variar a lo
largo del tiempo.
Contextualización
Procesos estocásticos
Por ejemplo,
PROCESOS ESTOCÁSTICOS
En general,
• Función de autocovarianzas:
Cov ( t , t +k) = E [( zt - mt ) ( zt+k - mt+k ]
• Función de autocorrelación:
r(t, t+k) = Cov ( t , t +k) / st st+k
Procesos estocásticos
Las condiciones que deben verificarse para que la inferencia a partir
de una única realización sea posible son dos:
• Ergodicidad.
Función de distribución.
f [Zti ]; ti
• E [zt ] = mt
• r k = k / o
IDENTIFICACIÓN DEL PATRÓN DE
EVOLUCIÓN
La función de Autocovarianza
t ,k E[Yt m t )(Yt k m t )]
r t ,k
t ,k t E(Yt m) 2 E(Yt k m) 2
o
k E[(Yt m )(Yt k m )]
rt ,k
0 E (Yt m ) 2
Definición
E ( z t ) m, m
E(z t m t ) 2 s 2
EZ t m t Z t m t ,
John Chuke Yepes
Modelos Autorregresivos
𝝓𝒑 (𝑳)𝒁𝒕 = 𝝁 + 𝒂𝒕
o
𝝓𝒑 (𝟏 − 𝝓𝟏 𝑳 − 𝝓𝟐 𝑳𝟐 − 𝝓𝟑 𝑳𝟑 − ⋯ − 𝝓𝒑 𝑳𝒑 )𝒁𝒕 = 𝝁 + 𝒂𝒕
Operador Rezago
𝑳𝒁𝒕 = 𝒁𝒕−𝟏
𝑳𝒑 𝒁𝒕 = 𝒁𝒕−𝒑
John Chuke Yepes
Modelos Autorregresivos Series Temporales
Procesos AR(1)
Sea un proceso AR(1):
𝒁𝒕 = 𝝁 + 𝝓𝟏 𝒁𝒕−𝟏 + 𝒂𝒕
Entonces,
Procesos AR(1)
En esta ecuación tenemos dos constantes :
m y f1 ; 𝒂𝒕 ~𝑹𝑩(𝟎; 𝝈𝟐 )
Si un modelo AR(1) es estacionario, entonces su esperanza y
su varianza son constantes en el tiempo y se tiene que:
Esperanza
𝝁
𝑬 𝒁𝒕 = 𝝁 + 𝝓𝟏 𝑬 𝒁𝒕−𝟏 + 𝑬 𝒂𝒕 = 𝝁 + 𝝓𝟏 𝑬 𝒁𝒕−𝟏 =(1-𝝓𝟏 ) 𝝁 =
𝟏−𝝓𝟏
Varianza
𝝈𝒂𝟐
V 𝒁𝒕 = 𝝓𝟐1 𝑽 𝒁𝒕−𝟏 + 𝑽 𝒂𝒕 = 𝝈𝒁𝟐 =
𝟏 − 𝝓1𝟐
Procesos AR(1)
La función de autocovarianzas asume la forma:
𝜸𝒌 = 𝝓1𝒌 𝜸𝟎
Mientras que la función de autocorrelación -FAC
satisface la siguiente ecuación:
𝒌
𝝆𝒌 = 𝝓 1
La fórmula del coeficiente de determinación: R²
𝝈𝒂𝟐 [𝑨𝑹 𝟏 ]
𝑹𝟐1 = 𝟏 − = 𝝆1 𝟐 = 𝝓 𝟐
𝝈𝒛𝟐 1
Ejercicios
Determine :
a. La función de autocorrelación –FAC
b. Determine que patrón presente la serie Zt.
Ejercicios
Determine :
a. La función de autocorrelación –FAC
b. Determine que patrón presente la serie Zt.
Procesos AR(2)
Siendo:
𝒁𝒕 = 𝝁 + 𝝓𝟏 𝒁𝒕−𝟏 + 𝝓𝟐 𝒁𝒕−𝟐 + 𝒂𝒕
La representación del proceso estocástico, la condición de
estacionariedad se verifica cuando las raíces de su ecuación
característica:
B 1f B f B 0
1 2
2
f2 f1 1
f2 f1 1
f2 1
John Chuke Yepes
Modelos Autorregresivos Series Temporales
Procesos AR(2)
La FAC del AR(2), que satisface la ecuación en diferencias:
𝝓𝟏
𝝆𝟏 =
𝟏 − 𝝓𝟐
𝝓𝟐1
𝝆𝟐 = 𝝓 𝟐 +
𝟏 − 𝝓𝟐
Queda determinada por los dos primeros valores de
En particular;
𝝆𝟏 = 𝝓𝟏 + 𝝓𝟐 𝝆𝟏
𝝆𝟐 = 𝝓𝟏 𝝆𝟏 + 𝝓𝟐
Si K 3
𝝆𝒌 = 𝝓𝟏 𝝆𝒌−𝟏 + 𝝓𝟐 𝝆𝒌−𝟐
John Chuke Yepes
Modelos Autorregresivos
Procesos AR(2)
Ejercicios
𝒁𝒕 = 𝟎, 𝟗𝒁𝒕−𝟏 − 𝟎, 𝟐𝒁𝒕−𝟐
𝒂𝒕 ~𝑹𝑩(𝟎; 𝝈𝟐 )
Determine :
a. La función de autocorrelación –FAC
b. Determine que patrón presente la serie Zt.
Modelos Autorregresivos
Procesos AR(2)
Ejercicios
𝒁𝒕 = 𝟎, 𝟖𝒁𝒕−𝟏 − 𝟎, 𝟔𝒁𝒕−𝟐
𝒂𝒕 ~𝑹𝑩(𝟎; 𝝈𝟐 )
Determine :
a. La función de autocorrelación –FAC
b. Determine que patrón presente la serie Zt.
Modelos Autorregresivos
Procesos AR(2)
Ejercicios
𝒁𝒕 = 𝟎, 𝟕𝒁𝒕−𝟏 − 𝟎, 𝟏𝒁𝒕−𝟐
𝒂𝒕 ~𝑹𝑩(𝟎; 𝝈𝟐 )
Determine :
a. La función de autocorrelación –FAC
b. Determine que patrón presente la serie Zt.
Modelos Autorregresivos
Procesos AR(2)
Ejercicios
𝒁𝒕 = −𝟎, 𝟔𝟓𝒁𝒕−𝟏 + 𝟎, 𝟐𝒁𝒕−𝟐
𝒂𝒕 ~𝑹𝑩(𝟎; 𝝈𝟐 )
Determine :
a. La función de autocorrelación –FAC
b. Determine que patrón presente la serie Zt.
Contextualización