Documentos de Académico
Documentos de Profesional
Documentos de Cultura
ESPOL, Guayaquil
yt = β0 + β1 xt + β2 xt−1 + γ1 yt−1 + ut
Notación y terminologı́a 1
Rezago 1: yt−1
Rezago j: yt−j
Primera diferencia: ∆y = yt − yt−1
Diferencia de orden j:
∆j y = (yt − yt−1 ) − (yt−1 − yt−2 ) − ... − (yt−j+1 − yt−j )
Diferencia de Logaritmos:
yt − yt−1
∆ln(yt ) = ln(yt ) − ln(yt−1 ) ≈
yt−1
100∆ln(yt ) ≈ %∆yt
Lags:
l.var = var_t-1
l2.var = var_t-2
Forward:
f.var = var_t+1
Differences:
d.var = var_t - var_t-1
d2.var = (var_t - var_t-1) - (var_t-1 - var_t-2)
Seasonals:
s.var = var_t - var_t-1
s2.var = var_t - var_t-2
s12.var = var_t - var_t-12
yt = β0 + β1 xt + β2 zt + β3 wt + ut
yt = xt0 β + ut , X = {x0 , .., xT }
Linealidad
Multicolinealidad imperfecta
Exogeneidad:
I E (u |X ) = 0, ∀t, exogeneidad estricta→ coeficientes insesgados y
t
consistentes.
xt = β0 + β1 xt−1 + ut , ut ∼ iid(0, σ 2 )
yt = β0 + β1 t + ut
yt = β0 + β1 t + β2 t 2 + ut
ln(yt ) = β0 + β1 t + ut
Curva de Gompertz
Función recı́proca
1
ln(yt ) = β0 + β1
t
Función de tendencia logı́stica
1
yt = ; ∀ 0 < r < 1.
β0 + β1 r t
2k − 2ln(L)
k × ln(T ) − 2ln(L)
2k ln(ln(T )) − 2ln(L)
yt = α0 + α1 t + α2 dt + α3 t ∗ dt + ut
Estimar el modelo mediante un Spline:
yt = β0 + β1 t + β2 (t − τ ) ∗ dt + t
yt = St + Tt