Conoce Aseuc

Análisis de series de tiempo

U. Javeriana
Mira otros U. Javeriana articulos

libro

Más vistas

Análisis de series de tiempo

U. Javeriana
Mira otros U. Javeriana articulos

COP $ 55.000

Disponibilidad: No Disponible


Autor: Álvaro Montenegro García

Editorial: U. Javeriana

U. Javeriana

Año de Edición: 2010

2010

Idioma: Español

Formato: Libro Impreso

Número de páginas: 398

ISBN: 9789587163964

9789587163964
El tema de este texto es el desarrollo y la aplicación de técnicas estadísticas para modelar y predecir el comportamiento de variables a través del tiempo, específicamente en el área de la economía. Si bien las técnicas son universales, cada disciplina las aplica a sus propias variables. Por...

SKU: 72369

Producto creado el 01/06/2011

Descripción

Detalles

El tema de este texto es el desarrollo y la aplicación de técnicas estadísticas para modelar y predecir el comportamiento de variables a través del tiempo, específicamente en el área de la economía. Si bien las técnicas son universales, cada disciplina las aplica a sus propias variables. Por ejemplo, en economía se aplican a variables como precios, producción o empleo. En otras disciplinas se utilizan para estudiar la temperatura, la pluviosidad, la tasa de natalidad, la polución, el nivel de colesterol, el conteo de peces, el número de asaltos bancarios, la cantidad de manchas solares, etc. En el análisis de series de tiempo, no obstante, el relieve se pone en los métodos estadísticos y matemáticos; pero nunca debe perderse de vista ni la teoría económica ni el contexto histórico en el cual evolucionan las variables. Más aún, se verá que la práctica aceptada en la profesión es la de combinar los resultados del modelo matemático con información cualitativa o intuitiva para afinar las predicciones. Esta edición incluye una revisión general y adición a temas anteriores, con el objeto de completar y actualizar la presentación. Igualmente, se incluyen más ejemplos a lo largo del texto y nuevos problemas en la sección de ejercicios. Se abrió un "Apéndice" con tres temas complementarios: análisis espectral, filtro de Kalman y redes neurales.En el análisis de series de tiempo, no obstante, el relieve se pone en los métodos estadísticos y matemáticos; pero nunca debe perderse de vista ni la teoría económica ni el contexto histórico en el cual evolucionan las variables. Más aún, se verá que la práctica aceptada en la profesión es la de combinar los resultados del modelo matemático con información cualitativa o intuitiva para afinar las predicciones. Esta edición incluye una revisión general y adición a temas anteriores, con el objeto de completar y actualizar la presentación. Igualmente, se incluyen más ejemplos a lo largo del texto y nuevos problemas en la sección de ejercicios. Se abrió un "Apéndice" con tres temas complementarios: análisis espectral, filtro de Kalman y redes neurales.Esta edición incluye una revisión general y adición a temas anteriores, con el objeto de completar y actualizar la presentación. Igualmente, se incluyen más ejemplos a lo largo del texto y nuevos problemas en la sección de ejercicios. Se abrió un "Apéndice" con tres temas complementarios: análisis espectral, filtro de Kalman y redes neurales.
Información adicional

Información adicional

Editor / MarcaU. Javeriana
Año de Edición2010
Número de Páginas398
Idioma(s)Español
Alto y ancho17 x 24
Peso0.6000
Tipo Productolibro
Autor

Álvaro Montenegro García

información no disponible.

Tabla de Contenido

Prólogo

1. Introducción

2. Conceptos y herramientas de análisis Estacionariedad

Algunas formas de lograr estacionariedad
Ruido blanco
Ergodicidad
Función de autocovarianza
Función de auto correlación
Estimación de R (T)
Estimación de r (T)
Función de auto correlación en la práctica
Función de correlación cruzada

Operador de rezago
Ecuación de diferencias
Raíces imaginarias
Operador de diferencia
Suavizado aritmético
Suavizado exponencial de Holt- Winters
Filtro de Hodrick-Prescott     
Ajuste estacional

3. Modelo autorregresivo y modelo de promedio móvil

El modelo autorregresivo AR (p)
El AR (1)
El AR (2)
El AR (p)
El modelo de promedio móvil MA ( q)
MA (1)     
Invertibilidad
Teorema de descomposición de Wold
Modelo ARMA (p,q)     
Diagramas de bloque
Función de auto correlación parcial Estacionalidad en los modelos ARMA
Respuesta impulso de un AR (p) Predicción utilizando un AR(p)
Predicción utilizando un MA( q)
Predicción utilizando un ARMA(p,q) Varianza de predicción en modelos ARMA

4. Estimación de modelos ARMA (p,q)

La función de auto correlación y la función de auto correlación parcial
Criterios de información de Akaike y Schwarz
Estimación de los modelos AR (p)
Estimación por el método de momentos de Yule- Walker
Estimación por mínimos cuadrados ordinarios
Intuición del teorema de Mann-Wald     
Teorema de Mann-Wald     
Mínimos cuadrados ordinarios, autorregresiones y autocovarianzas     

Estimación por máxima verosimilitud condicional
Estimación por máxima verosimilitud exacta
Estimación de la varianza del error
Estimación de los modelos MA (q)
Estimación de los modelos ARMA (p,q)
Estimación asintótica de un ARMA por mínimos cuadrados ordinarios
Intuición de la optimización numérica
Valores iniciales para una optimización numérica     

5. Modelos estacionarios multivariados  
   
    
Motivación para los modelos multivariados     
El modelo VAR  
Raíces y eigenvalores
El modelo VARMA
Intuición para la estabilidad o invertibilidad de un VARM
Respuesta impulso del VAR     
Predicción con un VAR (p)
Varianza de predicción
Descomposición de la varianza del error de predicción     
Vectores autorregresivos estructurales

6. Predicción económica     
    
Conjunto de información     
Funciones de pérdida
Predicción óptima
Intuición de la predicción óptima  
Errores de predicción
Predicción e intuición
Combinación de predicciones
Consenso VS. incertidumbre     
La maldición del ganador     
Criterios para evaluar predicciones

Error cuadrado medio
Raíz del error cuadrado medio
Error medio absoluto.
Error medio porcentual absoluto
Regresión
Índice de Theil
Descomposición del error cuadrado medio     
Algunas evaluaciones empíricas
Métodos de predicción
Indicadores líderes
Causalidad     
Definición de causalidad de Granger
Implementación lineal de la prueba de causalidad

7. Modelos ARCH

Modelo ARCH
Modelo GARCH
Modelo ARCH-M
Identificación del modelo ARCH
Estimación del modelo ARCH
R2 negativo
Predicción con un ARCH
Otras aplicaciones
Valor en riesgo     

8. Procesos estocásticos no estacionarios

Paseo aleatorio
Regresiones espurias
Series integradas

9. Raíces unitarias y cointegración bivariada

Cointegración bivariada
Pruebas de raíz unitaria
Estimación de la cointegración bivariada
Modelo de corrección de error

10. Cointegración multivariada

Definiciones
Representación del vector autorregresivo y del de corrección de error     
Vector autor regresivo en diferencias     
Pruebas de causalidad en un vector de corrección de error
Estimación por máxima verosimilitud
Algoritmo de Johansen     
Estimativos de los parámetros del vector autorregresivo
Estadísticos de prueba
Cointegración en la práctica

Ejercicios Referencias

A. Análisis espectral Funciones senoidales

Representación senoidal
El periodograma
La autocovarianza
El espectro
Propiedades de muestreo Referencias

B. Filtro de Kalman

Estructura del modelo estado-espacio
Ecuaciones del filtro de Kalman
Referencias

C. Redes neurales artificiales Especificación

Estimación
Evaluación
Predicción
Referencias

Reseñas