Beruflich Dokumente
Kultur Dokumente
ECONMICAS
ESTADISTICOS BSICOS
Media de la variable dependiente
1
y
T
m
T
t 1
yt
Desviacin estndar:
SD
t 1
( yt y) 2
T 1
( SSS r SSRu ) /( k 1)
SSR /(T K )
Dr. Galindo
ESTADISTICOS BSICOS
La funcin de mxima verosimilitud es la funcin de densidad de los
datos vista como funcin de los parmetros del modelo.
Maximizar la funcin de mxima verosimilitud implica minimizar la
suma del cuadrado de los residuales.
La varianza muestral:
2
e
e 1 t
T
S2
T K
Dr. Galindo
ESTADISTICOS BSICOS
El error estndar de la regresin:
2
e
t 1 t
T
SER S 2
T K
et y t y t
L (e ) e 2
Dr. Galindo
ESTADISTICOS BSICOS
1.Pronsticos de un punto: un solo nmero.
2.Intervalos de pronstico: La presencia de shocks e incertidumbre en
una economa hace que existan errores de pronstico que no son
cero.
Dr. Galindo
ESTADISTICOS BSICOS
El
tamao del
intervalo provee informacin sobre la
incertidumbre del pronstico.
Intervalos
Dr. Galindo
TIPOS DE PRONSTICO
3. Los pronsticos con funcin de densidad: presenta la
probabilidad de distribucin de los valores futuros de una
variable conociendo la distribucin se conocen los intervalos
y la media.
Dr. Galindo
TIPOS DE PRONSTICO
Razones de Kiss:
a) Las estimaciones son ms precisas.
b)Los modelos se entienden mejor y por tanto
comportamientos anmalos se identifican ms fcilmente.
c) Ms intuitivo.
d) Evita data mining.
Dr. Galindo
con U 0 ytf yt
con U 1 el modelo predice muy mal
Dr. Galindo
Proporciones de desigualdad
Sesgo
Varianza
Covarianza
Dr. Galindo
Uc = 1
Dr. Galindo
PRONSTICO Y TENDENCIA
1) y t 0 1T 2 T 2 u t
1. 1 0 y 2 0
2. 1 0 y 2 0
3. 1 0 y 2 0
Dr. Galindo
MSE
2
e
t
t 1
e t y t y tf
y t f 0 1T
Coeficiente de determinacin:
1 t 1 e t2
T
R2
2
(
y
y
)
t
t 1
Data mining:
R 2 MSE
Dr. Galindo
S2
T K
e /(T K ) 1
1
( y y) / T 1
2
e
t
t 1
2
t
t 1
t 1
S2
( y t y) / T 1
t 1
Criterios de informacin:
Akaike (AIC) =
ln( 2 )
2k
T
k
2
Schwartz (SIC)= ln( ) t ln T
2 residual variance.
Dr. Galindo
Dr. Galindo
Ejercicio 1
Ejercicio con tendencia y tendencia asinttica
Estimar el ingreso con respecto a t y t cuadrada, seleccionar y
pronosticar a 2007 y comentar.
Dr. Galindo
ESTACIONALIDAD
Ejercicio Generar Dummies estacionales para
el crecimiento del PIB, estimar modelo y
analizar variabilidad
Dr. Galindo
CICLOS
Series estacionarias:
Funcin de autocorrelacin:
cov ( y t , y t i )
var( y t ) var( y t i )
Dr. Galindo
CICLOS
~ N (0, 1 )
T
1
T
(la
T ~ N (0,1)
Box Pierce =
QBP T 2 (m)
i 1
Dr. Galindo
y t B(L) e t bi e t 1
i 0
et %
. N(0, 2 )
Dr. Galindo
MODELOS DE CICLOS
Representaciones de Wold: MA, AR, ARMA
MA (1):
y t e t e t 1 (1 L)e t
e t (0, 2 )
Dr. Galindo
MODELOS DE CICLOS
(1) y t e t e t 1
e t (0, 2 )
Despejando:
(2) e t y t e t 1
Rezagando para ms periodos:
e t 1 y t 1 e t 2
e t 2 y t 2 e t 3
e t 3 y t 3 e t 4
Dr. Galindo
EJERCICIO:
Utilizar modelo de PIB con tendencia y
tendencia cuadrtica y analizar las
autocorrelaciones
Dr. Galindo
MODELOS DE CICLOS
Sustituyendo recursivamente:
2
2
y
y t 3 ...
t
t 1
t 2
(3) t
1
yt
1 L
Dr. Galindo
MODELOS DE CICLOS
La condicin de invertibilidad: El inverso de la raz del MA
(1) (1 L) debe ser menor que uno en valor absoluto.
Un polinomio de grado m tiene m races, entonces la solucin:
1 L 0
La raz es es L 1 menor que uno si 1
General MA:
y t e t 1e t 1 ... q e t 4 (L)e t
La condicin de invertibilidad del MA (q) es que la inversa de todas
las races estn dentro del crculo unitario.
Ello implica una representacin que converge:
Dr. Galindo
1
yt et
(L)
MODELOS DE CICLOS
AR (1)
(5) y t y t 1 e t
(6) (1 L)y t e t
Sustituyendo recursivamente (5):
(7)
y t e t e t 1 2e t 2 ...
(8) y t
1
et
1 L
Dr. Galindo
MODELOS DE CICLOS
AR (p):
(9)
y t 1 y t 1 2 y t 2 ... p y t p e t
(13) e t
(1 L)
yt
(1 L)
Dr. Galindo
MODELOS DE CICLOS
(14)
y t 1 y t 1 ... p y t p e t 1e t 1 ... q e t q
Dr. Galindo
MODELOS DE CICLOS
Ejercicio R (opcion LY y ver diferencias)
Estimar un MA y seleccionar rezagos, analizar residuales
Estimar un AR, seleccionar rezagos
Seleccionar un ARMA y defender sus resultados
Dr. Galindo
PRONSTICOS DE CICLOS
Conjunto de informacin:
(16) t y t , y t 1 ,...
Con series estacionarias ello equivale a:
(17) t e t , e t 1 , e t 2 ,...
El pronstico ptimo es el que tiene en promedio la menor prdida.
El pronstico ptimo es la media condicional: E(y t n / t )
Los errores de un pronstico ptimo no pueden pronosticarse
utilizando informacin disponible cuando el pronstico fue hecho.
Dr. Galindo
PRONSTICOS DE CICLOS
MA(q):
(18) y t et 1 e t 1 q e t q
Pronstico con
hq
(19) y T h ,T 0 ajuste
Con h q :
20) y t h,T 0
Dr. Galindo
PRONSTICOS DE CICLOS
Pronstico de intervalos y de densidad:
Con innovaciones normalmente distribuidas entonces:
y T h 1.96 n
95% de los pronsticos caen dentro de
Pronsticos AR:
21) y t y t 1 e t
Regla de la cadena:
22) y T 1 yT t 1
23) y T 1 y T
24) y T 2 yT 1
Dr. Galindo
EJERCICIO
Pronstico: AR, MA, ARMA,
Dr. Galindo
COMBINACIN DE PRONOSTICOS
Modelo General:
y t 1T ri D1t et
2 L et
L vt
Dr. Galindo
ESTIMACIONES RECURSIVA
Las relaciones econmicas cambian a lo largo del tiempo.
Un modelo que tiene inestabilidad es difcil hacer pronsticos
adecuados.
El pronstico recursivo se obtiene como:
4
Donde:
f
t 1
i 1 it xt 1
k
et 1 y t 1 y tf1
et 1 ~ N 0, 2 rt
2 r
Dr. Galindo
ESTIMACIONES RECURSIVA
Residuales recursivos estandarizados:
wt 1
wt 1 ~
e t 1
rt
N 0,1
CUSUM:
t
CUSUM t wt 1
ik
Dr. Galindo
MODELO DE REGRESIN
Modelo General:
1
et
y t 0 1 x t et
~ N 0, 2
Pronsticos:
y T h / xT* h 0 1 xT h
Suponiendo Normalidad:
N yT h / x
*
T h
Dr. Galindo
MODELO DE REGRESIN
Fuentes de Incertidumbre:
1. Incertidumbre sobre la especificacin del modelo
2. Incertidumbre la innovacin
3. Incertidumbre en los parmetros
Se consideran aos importantes las incertidumbres en la
especificacin y en la innovacin
La incertidumbre en los parmetros desaparece al
aumentar la muestra
El pronstico incondicional requiere el pronstico de las
variables de lado derecho.
Dr. Galindo
EVALUACIN DE PRONSTICOS
Teorema de Wold implica que una serie
se puede representar como:
1
et
y t et b1et 1 b2 et 2 ...
~
0, 2
y t h n et n 1et 1 ...
Dr. Galindo
EVALUACIN DE PRONSTICOS
Propiedades de los pronsticos:
1.Los pronsticos ptimos son insesgados
Si el pronstico es ptimo entonces el error de
pronsticos tiene media cero.
et 0 u t
Con correlacin serial el pronstico de los errores puede ser
subptimo
Pueden utilizarse MA(q)
2. Los pronsticos ptimos tienen errores de un periodo
adelante que son ruido blanco
Utilizar pruebas de autocorrelacin
Dr. Galindo
EVALUACIN DE PRONSTICOS
Pruebas:
k 1
et h ,t 0 i xit u t
1 0
i 1
et h , t 0 1 y t h , t u t
0 0, 1 1
y t h 0 1 y t h ,t u t
0 0, 1 1
Restando
y t h ,t
a (5):
et h , t 0 1 y t h , t u t
0 0, 1 1
es similar a
0 0, 1 1
Dr. Galindo
EVALUACIN DE PRONSTICOS
Estadsticos bsicos:
1.Error medio:
1 T
ME e t h , t
T t 1
et h , t y t h y t h , t
Mide el sesgo del pronstico
2. Varianza del error:
1 T
2
EV e t h ,t ME
T
Mide la dispersin de los errores de pronostico
Dr. Galindo
EVALUACIN DE PRONSTICOS
3. Error cuadrtico medio:
2
1
MSE e
T t 1 t h , t
T
RMSE
4.
1
T
2
e
t h ,t
t 1
1
MAE
T
e
t 1
t h ,t
Dr. Galindo
EJERCICIO
Ecuacion de Mincer Zarnowitz, incluir MA
Dr. Galindo
y t y t 1 et
RW con drift:
y t d y t 1 et
y t y 0 et
i 1
De donde:
4.1 y t y0
4.2 Var y t t2
Dr. Galindo
y t td y 0 et
De donde:
6.1 yt y 0 td
2
6.2 Var yt t
Utilizar
:
RSP
TSP
Dr. Galindo
EJERCICIO: ARIMA
PP340
Dr. Galindo
SMOTHING
Esta tcnica no busca el mejor modelo sino que impone un modelo a
los datos
Escasez o exceso de datos
Promedios mviles
El procedimiento de exponential smothing es un algoritmo que
convierte una serie observada (yt) en una serie suavizada (yst) y
pronsticos y t n ,t
Mtodo:
1. Iniciar con
y 1 y1
s
y
2. t t 1 y t 1
3. Pronosticar:
y t h ,t yT
Dr. Galindo
SMOTHING
Holt-winters:
1. Iniciar con:
y 2s y 2
f 2 y 2 y1
s
s
y
2. 2
1 t
t 1 f t 1
0 1
f t y ts y ts1 1 f t 1
0 1
3. Pronstico:
yT n ,t y t hf t
Dr. Galindo