Impreso
Análisis de series de tiempo
Álvaro Montenegro García
Editorial Pontificia Universidad Javeriana
Sinopsis
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.
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
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
Materias
BISAC
- EDU027000. EDUCACIÓN > Estadística
Thema
- JN. Sociedad y ciencias sociales > Educación
Propias de la editorial
- Estadística