UNIVERSIDAD TÉCNICA DE COTOPAXI

FACULTAD DE CIENCIAS ADMINISTRATIVAS

Carrera Licenciatura Comercial

Nombre: Maira Mata Fecha: 04/07/2019

Ciclo: Quinto Docente: Ing. Gabriel Viteri

ASPECTOS ADICIONALES DEL MCO

El análisis de muestras grandes es aún más importante en contextos de series de tiempo, a veces

esto resulta un tanto irónico, ya que es difícil conseguir muestras grandes de series de tiempo, pero

a menudo la única opción que se tiene es basarse en aproximaciones de muestras grandes, las series

de tiempo que tienen una correlación temporal sustancial requieren una atención especial en el

análisis de regresión. La importancia del presente resumen alertará sobre ciertos temas que atañen

a tales series en el análisis de regresión.

En relación a las series de tiempo, se interpreta que estos presentan los conceptos clave que se

necesitan para aplicar las aproximaciones comunes de muestras grandes en el análisis de regresión

con datos de series de tiempo, además de ser definido como aquel en el que sus distribuciones de

probabilidad se mantienen estables con el paso del tiempo. Su clasificación consta de las series de

tiempo estacionarias y débilmente dependientes .

En las series de tiempo estacionarias y no estacionarias se destacan el proceso estocástico

estacionario en el que resalta que las restricciones a la manera en que x1 y x2+1 se relacionan

entre ellas; de hecho, podrían tener una correlación muy estrecha, la cual exige que la naturaleza

de cualquier correlación entre términos adyacentes sea la misma en todos los periodos. Por lo

contrario el proceso no estacionario interpreta que la estacionariedad es un aspecto del proceso

estocástico subyacente, no de la única realización disponible, es muy difícil determinar si los datos

reunidos fueron generados por un proceso estacionario.

Por otro lado se encuentra las series de tiempo débilmente dependientes, las cuales refieren que

la estacionariedad tiene que ver con las distribuciones conjuntas de un proceso a medida que avanza

en el tiempo; característico de la dependencia débil, la cual impone restricciones a qué tan estrecha

puede ser la relación entre las variables .La noción de dependencia débil es más fácil de tratar para

una serie de tiempo estacionaria.

Propiedades asintóticas de MCO

Debido a la presencia de casos en los cuales los supuestos del modelo lineal clásico no se cumplían

con ciertos problemas de series de tiempo, se debe recurrir a las propiedades en muestras grandes

de MCO:

Supuesto ST.1 Lineal en los parámetros

El proceso estocástico supone que el modelo es exactamente el mismo que en el supuesto ST.1,

pero ahora se añade el supuesto de que {(x1, y1): t 1, 2, …} es estacionario y débilmente

dependiente. En particular, la ley de los grandes números y el teorema del límite central pueden

aplicarse a los promedios muestrales.

Se considera que eel supuesto ST.1 es similar, en efecto a la premisa RLM.1 (el primer supuesto

del corte transversal), sólo que ahora se está especificando un modelo lineal para datos de series de

tiempo.
Se ha incluido estacionariedad en el supuesto ST.1' porque resulta conveniente para establecer e

interpretar los supuestos. Si se derivaran con cuidado las propiedades asintóticas de MCO, como

se hace en el apéndice E, la estacionariedad también simplificaría dichas deducciones

Supuesto ST.2 No hay colinealidad perfecta

Igual al supuesto ST.2

En relación a la muestra y a los procesos de series de tiempo subyacentes, ninguna variable

dependiente es constante ni es una combinación perfecta de las otras.

Supuesto ST.3 Media condicional cero

Este supuesto es considerado el más natural concerniente a la relación entre ut y las variables

explicativas. Es mucho más débil que el supuesto ST.3 ya que no impone restricciones sobre cómo

se relaciona u1 con las variables explicativas en otros periodos. Las variables explicativas son

contemporáneamente exógenas, por lo que es notablemente más débil que el supuesto de

exogeneidad estricta ST.3'.

Teorema 10.1 Insesgamiento de los estimadores de MCO

Esta interpreta la conclusión de que los estimadores de MCO son consistentes, pero no

necesariamente insesgados. Segundo, en el teorema 11.1 se ha debilitado el sentido en el cual las

variables explicativas deben ser exógenas, pero la dependencia débil se requiere en las series de

tiempo subyacentes. La dependencia débil también es crucial para obtener resultados de

distribución aproximados, los cuales se cubrirán más adelante.

Uso de series de tiempo altamente persistentes en el análisis de regresión

Se puede afirmar que varias series de tiempo económicas no pueden caracterizarse por una

dependencia débil. El uso de series de tiempo con dependencia fuerte en el análisis de regresión no

plantea ningún problema, pero los procedimientos de inferencia usuales son muy sensibles a la

violación de estos supuestos cuando los datos no son débilmente dependientes, debido a que no se

puede recurrir a la ley de los grandes números ni al teorema del límite central, por lo que es

constante de series de tiempo altamente persistentes o fuertemente dependiente.

Series de tiempo altamente persistentes

Muchas series de tiempo económicas se caracterizan mejor por el modelo AR(1) con 1, pues es

independiente e idénticamente distribuida con media cero y varianza. Asimismo, se da por hecho

que el valor inicial, y0, es independiente .

Transformaciones de series de tiempo altamente persistentes

Refiere que cuando en una ecuación de regresión se usan series de tiempo altamente persistentes

del tipo que exhibe un proceso de raíz unitaria, el resultado puede ser engañoso si se violan los

supuestos del MCL., aunque existen transformaciones simples que hacen que los procesos de raíz

unitaria sean débilmente dependientes.

Por otro lado se manifiesta la suposición de Decidir si una serie de tiempo es o no I(1) la cual

Determinar si una realización de una serie de tiempo en particular es el resultado de un proceso

I(1) o I(0) puede ser muy difícil, por lo que se suelen utilizar las pruebas estadísticas.
Modelos dinámicamente completos y ausencia de correlación serial

Esta interpreta que los errores {u1} deben ser no correlacionados serialmente ya que el supuesto

ST.5se satisface: suponer que no existe una correlación serial es casi lo mismo que suponer que

sólo un rezagosin importar las variables que forman parte de x1, se han incluido suficientes rezagos

de y para que rezagos adicionales de y, de las variables explicativas no tengan importancia en la

explicación de y1. Cuando esta condición se cumple, se tiene un modelo dinámicamente completo.

Como se vio antes, la completitud dinámica llega a ser un supuesto muy fuerte en los modelos

estáticos y de rezagos distribuidos finitos. En cuanto se incluyen y rezagadas como variables

explicativas, se suele pensar que el modelo debe ser dinámicamente completo

El supuesto de homocedasticidad en los modelos de series de tiempo

Existe un gran parecido entre el supuesto de homocedasticidad en las regresiones de series de

tiempo con el supuesto de las regresiones de corte transversal. Sin embargo, puesto que x1 puede

contener y rezagadas así como variables explicativas rezagadas, se expondrá en forma breve el

significado del supuesto de la homocedasticidad para diferentes regresiones de series de tiempo.

En el modelo estático simple.

De forma general, se establece que cualquiera que sea la variable explicativa que aparezca en el

modelo, se debe suponer que la varianza de y1 dadas estas variables, es constante. Si el modelo

contiene y rezagadas o variables explicativas rezagadas, entonces se descartan explícitamente las

formas dinámicas de heterocedasticidad

CONCLUSIONES
Se concluye que en relación a las series de tiempo, estos presentan los conceptos clave que se

necesitan para aplicar las aproximaciones comunes de muestras grandes en el análisis de regresión

con datos de series de tiempo, además se evidencio temas mas importantes como son las series de

tiempo estacionarias y no estacionarias se destacan el proceso estocástico estacionario en el que

resalta que las restricciones a la manera en que x1 y x2+1 se relacionan entre ellas
 MAPA CONCEPTUAL DE LOS ASPECTOS ADICIONALES DEL MCO

ASPECTOS ADICIONALES DEL MCO

Modelos dinámicamente El supuesto de

Propiedades asintóticas
Series de tiempo
de MCO
Uso de series de tiempo
altamente persistentes
homocedasticidad en los
completos y ausencia de
correlación serial modelos de series de
tiempo

Series de tiempo Débilmente Supuestos del modelo Varias series de tiempo es

estacionarias dependientes lineal no cumplían con económicas no pueden Los errores {u1} deben ser parecido al supuesto de
problemas y se recurrió caracterizarse por una no correlacionados las regresiones de corte
a las propiedades las dependencia débil serialmente ya que el transversal.
Distribucione
propiedades MCO: supuesto ST.5se satisface
Distribución-
s de es conjuntas
probabilidad Altamente
de un Supuesto ST.1 (Linealidad
se mantienen persistentes: Cualquier variable
proceso a y dependencia débil)
estables con explicativa presente el
el paso del medida que Caracterizada la completitud dinámica modelo, supone que la
tiempo. avanza en el por el modelo es un supuesto fuerte en
Supuesto ST.2 (No hay varianza de y1, dadas las
tiempo AR(1) . modelos estáticos y de
colinealidad perfecta variables, es constante.
rezagos distribuidos
Transformaciones finitos.
Supuesto ST.3 Media de series de tiempo: Si
condicional cero
Proceso estocástico
estacionario. Transformaciones simples haciendo el modelo contiene
Supuesto ST.4 que procesos de raíz unitaria sean variables explicativas
Homocedasticidad débilmente dependientes. rezagadas, se descartan e
las formas dinámicas de
Teorema10.1 Insesgamiento Decidir si una serie heterocedasticidad.
Proceso estacionario de los estimadores de MCO de tiempo es o no :
en covarianza.
Determinar si realización de una
serie de tiempo es el resultado de un
proceso.