Introducción Estimación de una tendencia determinista Estimación del componente estacional Conclusiones Tendencias Derterministas Segmentadas Estimación de una tendencia determinista y un componente estacional Práctica N o 1 Técnicas en Predicción Administración y Dirección de Empresas Departamento de Estadísitica Universidad Carlos III 18 de Marzo, 2009 Roberto Morales Arsenal - Práctica N o 1 Tendencia y Estacionalidad
65
Embed
Estimación de una tendencia determinista y un componente ... · Introducción Estimación de una tendencia determinista Estimación del componente estacional Conclusiones Tendencias
This document is posted to help you gain knowledge. Please leave a comment to let me know what you think about it! Share it to your friends and learn new things together.
Transcript
IntroducciónEstimación de una tendencia determinista
Estimación del componente estacionalConclusiones
Tendencias Derterministas Segmentadas
Estimación de una tendencia determinista y uncomponente estacional
Práctica No1
Técnicas en PredicciónAdministración y Dirección de Empresas
Departamento de EstadísiticaUniversidad Carlos III
18 de Marzo, 2009
Roberto Morales Arsenal - Práctica No1 Tendencia y Estacionalidad
IntroducciónEstimación de una tendencia determinista
Estimación del componente estacionalConclusiones
Tendencias Derterministas Segmentadas
Descomposición de series económicas: Método Clásico.
Objetivos de la práctica
Modelar los siguientes fénomenos:
1 Descomposición de una serie a través del método clásicoo tradicional.
Roberto Morales Arsenal - Práctica No1 Tendencia y Estacionalidad
IntroducciónEstimación de una tendencia determinista
Estimación del componente estacionalConclusiones
Tendencias Derterministas Segmentadas
Descomposición de series económicas: Método Clásico.
El Análisis Clásico de Series Temporales
Proporciona estimaciones aproximadas de los componentestendencial, estacional, cíclico e irregular. Parte de unarepresentación de una serie temporal yt formada por cuatrocomponentes, tendencia Tt , ciclo Ct , estacional Et , y errores It .
Tipos:1 Modelo de componentes aditivos ⇒ yt = Tt + Ct + Et + It2 Modelo de componentes multiplicativos ⇒yt = TtCtEt It3 Modelo de componentes mixto ⇒yt = TtCtEt + It
Un supuesto fundamental del análisis clásico es laindependencia de las variaciones residuales respecto de losdemás componentes.
Roberto Morales Arsenal - Práctica No1 Tendencia y Estacionalidad
IntroducciónEstimación de una tendencia determinista
Estimación del componente estacionalConclusiones
Tendencias Derterministas Segmentadas
Descomposición de series económicas: Método Clásico.
Descomposición de una serie en sus factores noobservables con Eviews
Descomposición aditiva de una serie temporal
yt = Tt + St︸ ︷︷ ︸
No Estacionaria
+ Ct + rt︸ ︷︷ ︸
Estacionaria
Agregando, los componentes más oscilantes ↓ mientras que elcomponente de tendencia ↑.
yt = Senda de Evolutividad + ωt
ωt ≡ Desviaciones respecto a la SE. La única incertidumbreasociada a este modelo es var(ωt) = γ0
Roberto Morales Arsenal - Práctica No1 Tendencia y Estacionalidad
IntroducciónEstimación de una tendencia determinista
Estimación del componente estacionalConclusiones
Tendencias Derterministas Segmentadas
Descomposición de series económicas: Método Clásico.
Serie de Pasajeros de líneas Aéreas: 1949:01 a1960:12
La serie muestra: Tendencia, estacionalidad y principio deproporcionalidad.
Roberto Morales Arsenal - Práctica No1 Tendencia y Estacionalidad
IntroducciónEstimación de una tendencia determinista
Estimación del componente estacionalConclusiones
Tendencias Derterministas Segmentadas
Descomposición de series económicas: Método Clásico.
Pasos a seguir:
1 Obtención de componente estacional aplicando unproceso de desestacionalización ⇒ xt − St = Tt + Ct + rt
2 Aplicamos el filtro de Hodrick-Prescott sobre la seriedesestacionalizada para obtener el componente detendencia.
3 Generamos una nueva serie libre de tendencia yestacionalidad por diferencia entre la seriedesestacionalizada y la tendencia. ⇒ xt −St −Tt = Ct + rt .
4 Obtenemos el componente cíclico utilizando una mediamóvil de orden 4 (@MOVAV(nombre, orden)).
5 Obtenemos la parte irregular de la serie como diferenciade la serie generada en el paso 3 menos la serie generadaen el paso 4.
Roberto Morales Arsenal - Práctica No1 Tendencia y Estacionalidad
IntroducciónEstimación de una tendencia determinista
Estimación del componente estacionalConclusiones
Tendencias Derterministas Segmentadas
Descomposición de series económicas: Método Clásico.
Serie Desestacionalizada
Guardamos el componente estacional.Roberto Morales Arsenal - Práctica No1 Tendencia y Estacionalidad
IntroducciónEstimación de una tendencia determinista
Estimación del componente estacionalConclusiones
Tendencias Derterministas Segmentadas
Descomposición de series económicas: Método Clásico.
Comparativa de la serie desestacionalizada y laoriginal
Roberto Morales Arsenal - Práctica No1 Tendencia y Estacionalidad
IntroducciónEstimación de una tendencia determinista
Estimación del componente estacionalConclusiones
Tendencias Derterministas Segmentadas
Descomposición de series económicas: Método Clásico.
Componente estacional
Roberto Morales Arsenal - Práctica No1 Tendencia y Estacionalidad
IntroducciónEstimación de una tendencia determinista
Estimación del componente estacionalConclusiones
Tendencias Derterministas Segmentadas
Descomposición de series económicas: Método Clásico.
Componente de tendencia
Roberto Morales Arsenal - Práctica No1 Tendencia y Estacionalidad
IntroducciónEstimación de una tendencia determinista
Estimación del componente estacionalConclusiones
Tendencias Derterministas Segmentadas
Descomposición de series económicas: Método Clásico.
Comparativa
Roberto Morales Arsenal - Práctica No1 Tendencia y Estacionalidad
IntroducciónEstimación de una tendencia determinista
Estimación del componente estacionalConclusiones
Tendencias Derterministas Segmentadas
Descomposición de series económicas: Método Clásico.
Xt − St − Tt = Ct + rt
Roberto Morales Arsenal - Práctica No1 Tendencia y Estacionalidad
IntroducciónEstimación de una tendencia determinista
Estimación del componente estacionalConclusiones
Tendencias Derterministas Segmentadas
Descomposición de series económicas: Método Clásico.
Componente cíclico
Roberto Morales Arsenal - Práctica No1 Tendencia y Estacionalidad
IntroducciónEstimación de una tendencia determinista
Estimación del componente estacionalConclusiones
Tendencias Derterministas Segmentadas
Descomposición de series económicas: Método Clásico.
Componente irregular
Roberto Morales Arsenal - Práctica No1 Tendencia y Estacionalidad
IntroducciónEstimación de una tendencia determinista
Estimación del componente estacionalConclusiones
Tendencias Derterministas Segmentadas
Descomposición de series económicas: Método Clásico.
Comparativa
Roberto Morales Arsenal - Práctica No1 Tendencia y Estacionalidad
IntroducciónEstimación de una tendencia determinista
Estimación del componente estacionalConclusiones
Tendencias Derterministas Segmentadas
Descomposición de series económicas: Método Clásico.
Componentes de una serie temporal
Roberto Morales Arsenal - Práctica No1 Tendencia y Estacionalidad
IntroducciónEstimación de una tendencia determinista
Estimación del componente estacionalConclusiones
Tendencias Derterministas Segmentadas
Descomposición de series económicas: Método Clásico.
La descomposición tradicional requiere imponer fuertesrestricciones en la caracterización de Tt , Ct y rt .
En particular, que tales componentes son independientes.
Hoy en día no existe consenso sobre que sea factible laespecificación y estimación de Tt , Ct y rt con restriccionesde aceptación general.
La idea de que las series económicas tienen tendencia,ciclos y fluctuaciones residuales resulta muy útil paraexpresar las características básicas de los datoseconómicos.
Roberto Morales Arsenal - Práctica No1 Tendencia y Estacionalidad
IntroducciónEstimación de una tendencia determinista
Estimación del componente estacionalConclusiones
Tendencias Derterministas Segmentadas
El caso del IPI
Tendencias Deterministas
yt = µt + at
µt = f (t , β)
µt ≡ Nivel de la serie y at ≡ innovación at ∼ N(0, σ2a)
Predicción
yt(k) = µT+k = f(T + k , β)
Roberto Morales Arsenal - Práctica No1 Tendencia y Estacionalidad
IntroducciónEstimación de una tendencia determinista
Estimación del componente estacionalConclusiones
Tendencias Derterministas Segmentadas
El caso del IPI
Tendencias Deterministas
Modelo de nivel constante o sin tendencia
yt = µ + at
Modelo con tendencia lineal
µt = β0 + β1t
yT (k) = β0 + β1(T + k)
Modelo con tendencia polinómica
µt = β0 + β1t + ... + βr t r
Roberto Morales Arsenal - Práctica No1 Tendencia y Estacionalidad
IntroducciónEstimación de una tendencia determinista
Estimación del componente estacionalConclusiones
Tendencias Derterministas Segmentadas
El caso del IPI
Tendencias Deterministas
Tendencias
La naturaleza agregada de muchas variables económicaspresentan una pauta creciente a lo largo del tiempo que nopermite observar aspectos de interés que ocurren a cortoplazo, como el caso del IPI. Este pauta la denominamostendencia. Como la tendencia se desconoce es precisoestimarla previamente y, para ello, es preciso a su vezespecificar un determinado modelo de tendencia.
Roberto Morales Arsenal - Práctica No1 Tendencia y Estacionalidad
IntroducciónEstimación de una tendencia determinista
Estimación del componente estacionalConclusiones
Tendencias Derterministas Segmentadas
El caso del IPI
Tendencias
Tipos
Deterministas.
Estocásticas.
Características básicas
Se perpetúan en el futuro.
Evolucionan de forma acíclica.
Factores causantes de la tendencia
Aumentos en la población.
Inflación mantenida en el tiempo.
Cambios tecnológicos.
Cambios en preferencias, hábitos, regulaciones sociales.Roberto Morales Arsenal - Práctica No1 Tendencia y Estacionalidad
IntroducciónEstimación de una tendencia determinista
Estimación del componente estacionalConclusiones
Tendencias Derterministas Segmentadas
El caso del IPI
Tendencias Deterministas
Se dice que una tendencia es determinista si conociendo susvalores pasados se puede determinar sin error sus valoresfuturos. Con tendencias deterministas no hay incertidumbresobre ellas.
Tendencias Deterministas en Eviews
Tendencia=@trend+1
Roberto Morales Arsenal - Práctica No1 Tendencia y Estacionalidad
IntroducciónEstimación de una tendencia determinista
Estimación del componente estacionalConclusiones
Tendencias Derterministas Segmentadas
El caso del IPI
Métodos de ajuste de la Tendencia
1 Método de ajuste análitico ⇒ Realizamos un ajuste porregresión de los valores de la serie a una función deltiempo que sea sencilla y recoja de manera satisfactoria lamarcha general del fenómeno representado por la serietemporal.
2 Método de Medias Móviles ⇒ Analiza la tendencia de unaserie temporal a partir de los datos iniciales mediantedeterminadas medias.
3 Método de diferencias ⇒ Consiste en derivar de la serieoriginal yt una nueva serie zt obtenida como la diferenciaentre el valor de la variable en el momento actual y el valoren el momento inmediatamente anteriorzt = yt − yt−1 = ∇yt
Roberto Morales Arsenal - Práctica No1 Tendencia y Estacionalidad
IntroducciónEstimación de una tendencia determinista
Estimación del componente estacionalConclusiones
Tendencias Derterministas Segmentadas
El caso del IPI
Estimación de Modelos de Tendencia
Regresión por MCO
Para ajustar los diversos modelos de tendencia a los datos deuna serie temporal se usa MCO.
β = argmínθ
T∑
t=1
[yt − Tt(θ)]2
donde β es el conjunto de parámetros a estimar.
Roberto Morales Arsenal - Práctica No1 Tendencia y Estacionalidad
IntroducciónEstimación de una tendencia determinista
Estimación del componente estacionalConclusiones
Tendencias Derterministas Segmentadas
El caso del IPI
El índice de producción industrial
La serie IPI muestra unaclara tendencia y estructuraestacional, es decir, suvalor esperado no esconstante. E(zt) = E(zt+s),con una estacionalidad deperíodo s. En el caso delIPI se produce un bruscodescenso todo los mesesde agosto debido alperíodo vacacional que secompensa de formaespecífica en cada uno delos restantes meses delaño.
Roberto Morales Arsenal - Práctica No1 Tendencia y Estacionalidad
IntroducciónEstimación de una tendencia determinista
Estimación del componente estacionalConclusiones
Tendencias Derterministas Segmentadas
El caso del IPI
Tomando logaritmos
Roberto Morales Arsenal - Práctica No1 Tendencia y Estacionalidad
IntroducciónEstimación de una tendencia determinista
Estimación del componente estacionalConclusiones
Tendencias Derterministas Segmentadas
El caso del IPI
Estimando la tendencia lineal para IPI
Tt = a + bt ; t ≡ TIEMPO = (1, 2, 3, ..T )
Roberto Morales Arsenal - Práctica No1 Tendencia y Estacionalidad
IntroducciónEstimación de una tendencia determinista
Estimación del componente estacionalConclusiones
Tendencias Derterministas Segmentadas
El caso del IPI
Estimando la tendencia parabólica para IPI
Tt = a + bt + ct2
Roberto Morales Arsenal - Práctica No1 Tendencia y Estacionalidad
IntroducciónEstimación de una tendencia determinista
Estimación del componente estacionalConclusiones
Tendencias Derterministas Segmentadas
El caso del IPI
Estimando la tendencia exponencial para IPI
Tt = aebTIEMPO Principio de Proporcionalidad
Roberto Morales Arsenal - Práctica No1 Tendencia y Estacionalidad
IntroducciónEstimación de una tendencia determinista
Estimación del componente estacionalConclusiones
Tendencias Derterministas Segmentadas
El caso del IPI
Tendencias exponenciales≡log-lineal
Tt = Tt−1 + Tt−1b ⇒ b =Tt − Tt−1
Tt−1
Aplicando la aproximación de Taylor de primer orden.
∆logTt = logTt − logTt−1 = b
procediendo recursivamente obtenemos
logTt = a + bt
siendo a ⇒ log de la tendencia en el momento cero.
Tt = e(a+bt); xt = exp(a + bt)exp(wt)
Podemos linealizarlo: logxt = a + bt + wt donde b es el factorincremental que entra de forma multiplicativa.
Roberto Morales Arsenal - Práctica No1 Tendencia y Estacionalidad
IntroducciónEstimación de una tendencia determinista
Estimación del componente estacionalConclusiones
Tendencias Derterministas Segmentadas
El caso del IPI
Estimando la tendencia log-lineal para IPI
logIPI = a + bt + wt
Roberto Morales Arsenal - Práctica No1 Tendencia y Estacionalidad
IntroducciónEstimación de una tendencia determinista
Estimación del componente estacionalConclusiones
Tendencias Derterministas Segmentadas
El caso del IPI
Gráfico de los residuos del Modelo log-lineal
Los residuos muestran una clara estructura estacional que noha sido captada por el modelo.
Roberto Morales Arsenal - Práctica No1 Tendencia y Estacionalidad
IntroducciónEstimación de una tendencia determinista
Estimación del componente estacionalConclusiones
Tendencias Derterministas Segmentadas
El caso del IPI
Correlograma de los residuos
Roberto Morales Arsenal - Práctica No1 Tendencia y Estacionalidad
IntroducciónEstimación de una tendencia determinista
Estimación del componente estacionalConclusiones
Tendencias Derterministas Segmentadas
El caso del IPI
Interpretación de los parámetros de la estimación
Var. Depend. Var. Indep. Interpret. de β1
Nivel-Nivel y x ∆y = β1∆xNivel-Log y log(x) ∆y = (β1/100)%xLog-Nivel log(y) x %∆y = (100β1)∆xLog-Log log(y) log(x) %∆y = β1 %∆x
Roberto Morales Arsenal - Práctica No1 Tendencia y Estacionalidad
IntroducciónEstimación de una tendencia determinista
Estimación del componente estacionalConclusiones
Tendencias Derterministas Segmentadas
El caso del IPI
Interpretación de los parámetros de la estimación
En nuestro caso hemos obtenido:
logIPI = 4,07 + 0,001520TIEMPO + εt
a Valor de la tendencia en el momento anterior alcomienzo de la muestra.
b ⇒ Factor incremental, la tendencia crece mensualmenteun 0.152 %.
Roberto Morales Arsenal - Práctica No1 Tendencia y Estacionalidad
IntroducciónEstimación de una tendencia determinista
Estimación del componente estacionalConclusiones
Tendencias Derterministas Segmentadas
El caso del IPI
Predicción (in sample) del Modelo Final log-lineal
Roberto Morales Arsenal - Práctica No1 Tendencia y Estacionalidad
IntroducciónEstimación de una tendencia determinista
Estimación del componente estacionalConclusiones
Tendencias Derterministas Segmentadas
El caso del IPI
Predicción (in sample) del Modelo Final log-lineal
Roberto Morales Arsenal - Práctica No1 Tendencia y Estacionalidad
IntroducciónEstimación de una tendencia determinista
Estimación del componente estacionalConclusiones
Tendencias Derterministas Segmentadas
El caso del IPI
Selección de Modelos
Criterios de Información
ECP =
T∑
t=1
e2t
T ⇒ Error Cuadrático Medio
AIC = exp(2k/T )
T∑
t=1
e2t
T ⇒ Akaike Information Criterion
SIC = T ( kT )
T∑
t=1
e2t
T ⇒ Schwarz Information Criterion
Orientación negativa: cuanto menor mejor.
Roberto Morales Arsenal - Práctica No1 Tendencia y Estacionalidad
IntroducciónEstimación de una tendencia determinista
Estimación del componente estacionalConclusiones
Tendencias Derterministas Segmentadas
El caso del IPI
La Estacionalidad
Pauta o comportamiento estacional que se repite cadaaño.
Esta puede ser exacta, cuando se refiere aestacionalidad determinista o bien, aproximada, si sehabla de estacionalidad estocástica .
Puede provocar una distorsión del verdadero movimientode la serie.
Al proceso de eliminar el componente estacional se ledenomina desestacionalización o ajuste estacional .Destacan los programas X11 y X12 del Bureau of theCensus de EEUU para desestacionalizar.
Roberto Morales Arsenal - Práctica No1 Tendencia y Estacionalidad
IntroducciónEstimación de una tendencia determinista
Estimación del componente estacionalConclusiones
Tendencias Derterministas Segmentadas
El caso del IPI
La Desestacionalización
Métodos de desestacionalización1 Métodos de desestacionalización del índice estacional.2 Método de Medias Móviles.3 Método de diferencias estacionales.4 Método de variables artificiales. ⇒ los residuos estimados
de la regresión ut = yt − yt serán los valores de la seriedesestacionalizada.
Roberto Morales Arsenal - Práctica No1 Tendencia y Estacionalidad
IntroducciónEstimación de una tendencia determinista
Estimación del componente estacionalConclusiones
Tendencias Derterministas Segmentadas
El caso del IPI
En esta práctica nos ocuparemos de la estacionalidaddeterminista que vamos a modelar a través de variablesdummies.
logIPI = a + bt +
12∑
j=1
ajSjt + ηt
donde
Sjt =
{
1 en el mes j.
0 en los demás.
Roberto Morales Arsenal - Práctica No1 Tendencia y Estacionalidad
IntroducciónEstimación de una tendencia determinista
Estimación del componente estacionalConclusiones
Tendencias Derterministas Segmentadas
El caso del IPI
Existencia de Multicolinealidad Perfecta
Roberto Morales Arsenal - Práctica No1 Tendencia y Estacionalidad
IntroducciónEstimación de una tendencia determinista
Var(βMCO) = σ2(x ′x)−1 mucho mayores de lo normal.Las hipótesis nulas H0 : β = a tienden a no rechazarse conmás frecuencia de lo normal. ICβi = (βi ± t dt(βi ))Intervalos amplios.
Roberto Morales Arsenal - Práctica No1 Tendencia y Estacionalidad
IntroducciónEstimación de una tendencia determinista
Estimación del componente estacionalConclusiones
Tendencias Derterministas Segmentadas
El caso del IPI
Estimación del Modelo Estacional con tendencia
Todos losparámetros han resultado ser significativos. Puede observarsecomo el coeficiente más bajo corresponde al mes de agosto.
Roberto Morales Arsenal - Práctica No1 Tendencia y Estacionalidad
IntroducciónEstimación de una tendencia determinista
Estimación del componente estacionalConclusiones
Tendencias Derterministas Segmentadas
El caso del IPI
Recordatorio: Componentes de un contraste
H0 ≡ Hipótesis Nula, que se mantiene como válidamientras no se encuentre evidencia contra ella.
H1 ≡ Hipótesis Alternativa, a favor de la que se rechaza lahipótesis nula.
EC ≡ Estadístico de Contraste , variable aleatoria cuyadistribución se conoce bajo la hipótesis nula.
RC ≡ Región crítica, subconjunto de R. Si EC ≡ RC serechaza H0.
α ≡ Nivel de significación , probabilidad de error tipo I(prob. de rechazar H0 siendo cierta).
1 − β Potencia del contraste . 1 − P(Error tipo II)
Roberto Morales Arsenal - Práctica No1 Tendencia y Estacionalidad
IntroducciónEstimación de una tendencia determinista
Estimación del componente estacionalConclusiones
Tendencias Derterministas Segmentadas
El caso del IPI
Recordatorio: Contrastes de significación individual
Contraste para la hipótesis H0 : βi = ζ ⇒ t = βi−ζ
dt(βi)∼ t∗T−k
Resolución del contraste
Utilizando el valor crítico.⇒ Si |t∗T−k | > tα/2 Rechazo la H0.
Utilizando el p−value (o nivel de significación marginal)
p−value = Pr(|tT−k | > t∗T−k )
Si p−value < α Rechazo H0.
Roberto Morales Arsenal - Práctica No1 Tendencia y Estacionalidad
IntroducciónEstimación de una tendencia determinista
Estimación del componente estacionalConclusiones
Tendencias Derterministas Segmentadas
El caso del IPI
Residuos Modelo Estacional con tendencia
Los residuos muestran como todavía no se ha captado toda laestructura de la serie (un componente cíclico).
Roberto Morales Arsenal - Práctica No1 Tendencia y Estacionalidad
IntroducciónEstimación de una tendencia determinista
Estimación del componente estacionalConclusiones
Tendencias Derterministas Segmentadas
El caso del IPI
Correlograma de los residuos
El correlograma muestra un estructura que debe ser modelada.Roberto Morales Arsenal - Práctica No1 Tendencia y Estacionalidad
IntroducciónEstimación de una tendencia determinista
Estimación del componente estacionalConclusiones
Tendencias Derterministas Segmentadas
El caso del IPI
Predicciones con el Modelo Final:T+E
Roberto Morales Arsenal - Práctica No1 Tendencia y Estacionalidad
IntroducciónEstimación de una tendencia determinista
Estimación del componente estacionalConclusiones
Tendencias Derterministas Segmentadas
El caso del IPI
Predicciones con el Modelo Final:T+E
Roberto Morales Arsenal - Práctica No1 Tendencia y Estacionalidad
IntroducciónEstimación de una tendencia determinista
Estimación del componente estacionalConclusiones
Tendencias Derterministas Segmentadas
El caso del IPI
Contrastes de normalidad
Es un supuesto fundamental en inferencia. Se debe contrastarsiempre. Para ello utilizaremos:
Histograma de los residuos.
Test de Jarque-Bera.
El test de Jarque Bera (JB)
H0 : ut ∼ N
JB = T−k6
(S2 + 1
4(K − 3)2)∼ χ2
2
El JB tiene en cuenta la curtosis (K) y la asimetría (S)
k ≡ Número de variables estimadas y T ≡ Número deobservaciones.
Roberto Morales Arsenal - Práctica No1 Tendencia y Estacionalidad
IntroducciónEstimación de una tendencia determinista
Estimación del componente estacionalConclusiones
Tendencias Derterministas Segmentadas
El caso del IPI
Histograma del Modelo Final: T+E
No se rechaza normalidad en los residuos, por lo tanto, lossupuestos del MLG son válidos, y por tanto, la estimación delmodelo es correcta (pero el modelo no lo es).
Roberto Morales Arsenal - Práctica No1 Tendencia y Estacionalidad
IntroducciónEstimación de una tendencia determinista
Estimación del componente estacionalConclusiones
Tendencias Derterministas Segmentadas
El caso del IPI
Recordatorio
Supuestos del M.L.G.
1 El modelo es lineal o linealizable y esta correctamenteespecificado.
2 Los parámetros β son constantes.3 Las variables explicativas o regresores x son
deterministas o fijas y linealmente independientes (no haymulticolinealidad).
4 E [ut ] = 0 ∀t donde u ⇒ errores del modelo.5 La matriz de varianzas y covarianzas de los errores de un
modelo correcto es “escalar”⇒ Var(u) = σ2nI
No hay autocorrelación.No hay heterocedasticidad.
Roberto Morales Arsenal - Práctica No1 Tendencia y Estacionalidad
IntroducciónEstimación de una tendencia determinista
Estimación del componente estacionalConclusiones
Tendencias Derterministas Segmentadas
Conclusiones
1 La estructura determinística es muchas veces una malaaproximación.
2 Es importante modelizar las desviaciones sobre latendencia y la estacionalidad.
Roberto Morales Arsenal - Práctica No1 Tendencia y Estacionalidad
IntroducciónEstimación de una tendencia determinista
Estimación del componente estacionalConclusiones
Tendencias Derterministas Segmentadas
Tendencias Segmentadas
Las tendencias segmentadas son tendencias no lineales quetienen la propiedad de ser lineales a tramos o segmentos.
Tipos de Segmentación de la tendencia
1 Quiebra de Nivel.2 Quiebra de crecimiento.3 Quiebra de Nivel y crecimiento.
Roberto Morales Arsenal - Práctica No1 Tendencia y Estacionalidad
IntroducciónEstimación de una tendencia determinista
Estimación del componente estacionalConclusiones
Tendencias Derterministas Segmentadas
Tendencia Segmentada
Roberto Morales Arsenal - Práctica No1 Tendencia y Estacionalidad
IntroducciónEstimación de una tendencia determinista
Estimación del componente estacionalConclusiones
Tendencias Derterministas Segmentadas
Segmentación de la tendencia
yt = β0 + β1t + β01ϕ1t + β11ξ1t + ωt
Segmentación del nivel
ϕ1t
{
0 t < t∗
1 t ≥ t∗
Segmentación del crecimiento
ξ1t
{
0 t < t∗
(t − t1 + 1) t ≥ t∗
En Eviews: ξ1t = (@trend + 1 − t1) + 1Roberto Morales Arsenal - Práctica No1 Tendencia y Estacionalidad
IntroducciónEstimación de una tendencia determinista
Estimación del componente estacionalConclusiones
Tendencias Derterministas Segmentadas
Tendencia Segmentada
Roberto Morales Arsenal - Práctica No1 Tendencia y Estacionalidad
IntroducciónEstimación de una tendencia determinista
Estimación del componente estacionalConclusiones
Tendencias Derterministas Segmentadas
Tendencia Segmentada
Roberto Morales Arsenal - Práctica No1 Tendencia y Estacionalidad
IntroducciónEstimación de una tendencia determinista
Estimación del componente estacionalConclusiones
Tendencias Derterministas Segmentadas
Otra forma de modelizar la estacionalidad
logIPI = a + bt +
11∑
j=1
βj Sjt + ηt
β1 + β2 + ... + β12 = 0 ; b12 = −
11∑
j=1
βj
donde
Sjt =
1 en el mes j.
0 resto.
−1 t ∈ Diciembre.
En Eviews: enero=(@seas(1)-@seas(12))
Roberto Morales Arsenal - Práctica No1 Tendencia y Estacionalidad
IntroducciónEstimación de una tendencia determinista
Estimación del componente estacionalConclusiones
Tendencias Derterministas Segmentadas
Estacionalidad Determinista Segmentada
yt = β0 + β1t + β01ϕ1t + β11ξ1t +11∑
j=1
βjSAjt
11∑
j=1
βjSBjt + ηt
donde
SAjt =
1 en el mes j.
0 resto.
−1 t ∈ Diciembre.
Misma estructura para SBjt
Roberto Morales Arsenal - Práctica No1 Tendencia y Estacionalidad
IntroducciónEstimación de una tendencia determinista
Estimación del componente estacionalConclusiones
Tendencias Derterministas Segmentadas
Nota sobre las predicciones
Formas de presentar las predicciones
1 Predicción puntual ⇒ Es un número fijo.2 Predicción por intervalos ⇒ ICβi = (βi ± t dt(βi )). Nos da
un cierto grado de incertidumbre asociada a la predicciónpuntual. En predicción los intervalos de confianza loestándar es obtener los intervalos al 80 % (VC=1.28).
3 Predicción de la función de densidad asociada a cada unade las predicciones.
Valores críticos en Eviews1 SCALAR CRIT=@QNORM(0.975).2 SCALAR CRIT=@QTDIST(0.9,20)
Roberto Morales Arsenal - Práctica No1 Tendencia y Estacionalidad
IntroducciónEstimación de una tendencia determinista
Estimación del componente estacionalConclusiones
Tendencias Derterministas Segmentadas
RecordatorioFunción de densidad y de distribución (t-student)
Roberto Morales Arsenal - Práctica No1 Tendencia y Estacionalidad
IntroducciónEstimación de una tendencia determinista
Estimación del componente estacionalConclusiones
Tendencias Derterministas Segmentadas
RecordatorioFunción de densidad de las predicciones
Roberto Morales Arsenal - Práctica No1 Tendencia y Estacionalidad
IntroducciónEstimación de una tendencia determinista
Estimación del componente estacionalConclusiones
Tendencias Derterministas Segmentadas
Ejemplo de estimación de funciones de densidadEl gráfico de abanico o “fan” chart
Mitchell y Hall (2005)
Las funciones de densidad estimadas proveen de unacompleta descripción de la incertidumbre asociada con lapredicción.
Roberto Morales Arsenal - Práctica No1 Tendencia y Estacionalidad