Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Series de Tiempo
Series de Tiempo
Series de Tiempo
Universidad de Valparaíso
Junio 2021
Contenidos
1 Introducción
3 Resultados
4 Modelos Arima
Contenidos
1 Introducción
3 Resultados
4 Modelos Arima
Tipos de modelos
I Modelo Estático
yt = β0 + β1 zt + ut
I Modelos de rezagos distribuidos
yt = α0 + β1 xt + β2 xt−1 + ut
Supuestos
Supuestos
Supuestos
Supuestos
Herramientas útiles
I Importar librerías
import wooldridge
i m p o r t numpy a s np
i m p o r t p a n d a s a s pd
from p l o t n i n e i m p o r t ∗
i m p o r t s t a t s m o d e l s . a p i a s sm
from s t a t s m o d e l s . f o r m u l a . a p i i m p o r t o l s , r l m
I Importar Datos
df_data = w o o l d r i d g e . d a t a ( ’ h s e i n v ’ )
df_data . head ( )
I Carga de modelos
model1 = o l s ( ’ l i n v p c ~ l p r i c e ’,
d a t a=df_data ) . f i t ()
model2 = o l s ( ’ l i n v p c ~ l p r i c e + t’ ,
d a t a=df_data ) . f i t ()
Contenidos
1 Introducción
3 Resultados
4 Modelos Arima
Interpretación de Resultados
Interpretación de Resultados
Contenidos
1 Introducción
3 Resultados
4 Modelos Arima
Modelos MA
I Un modelo es MA(1) (moving average de orden 1) cuando
presenta la siguiente relación de dependencia.
xt = et + α1 et−1 , t = 1, 2, . . .
I La generalización (MA(n)) es la siguiente.
Modelos MA
I Un modelo es MA(1) (moving average de orden 1) cuando
presenta la siguiente relación de dependencia.
xt = et + α1 et−1 , t = 1, 2, . . .
I La generalización (MA(n)) es la siguiente.
Modelos MA
I Un modelo es MA(1) (moving average de orden 1) cuando
presenta la siguiente relación de dependencia.
xt = et + α1 et−1 , t = 1, 2, . . .
I La generalización (MA(n)) es la siguiente.
Modelos MA
I Un modelo es MA(1) (moving average de orden 1) cuando
presenta la siguiente relación de dependencia.
xt = et + α1 et−1 , t = 1, 2, . . .
I La generalización (MA(n)) es la siguiente.
Modelos MA
I Un modelo es MA(1) (moving average de orden 1) cuando
presenta la siguiente relación de dependencia.
xt = et + α1 et−1 , t = 1, 2, . . .
I La generalización (MA(n)) es la siguiente.
Modelos AR
I Un modelo es AR(1) (autoregresive de orden 1) cuando
presenta la siguiente relación de dependencia.
yt = et + ρ1 yt−1 , t = 1, 2, . . .
I La generalización (AR(n)) es la siguiente.
Modelos AR
I Un modelo es AR(1) (autoregresive de orden 1) cuando
presenta la siguiente relación de dependencia.
yt = et + ρ1 yt−1 , t = 1, 2, . . .
I La generalización (AR(n)) es la siguiente.
Modelos AR
I Un modelo es AR(1) (autoregresive de orden 1) cuando
presenta la siguiente relación de dependencia.
yt = et + ρ1 yt−1 , t = 1, 2, . . .
I La generalización (AR(n)) es la siguiente.
Modelos AR
I Un modelo es AR(1) (autoregresive de orden 1) cuando
presenta la siguiente relación de dependencia.
yt = et + ρ1 yt−1 , t = 1, 2, . . .
I La generalización (AR(n)) es la siguiente.
Modelos AR
I Un modelo es AR(1) (autoregresive de orden 1) cuando
presenta la siguiente relación de dependencia.
yt = et + ρ1 yt−1 , t = 1, 2, . . .
I La generalización (AR(n)) es la siguiente.
Contenidos
1 Introducción
3 Resultados
4 Modelos Arima
Modelos ARCH
E [yt |xt ] = xt β
Modelos ARCH
E [yt |xt ] = xt β
Modelos ARCH
Modelos GARCH
I Un modelo es GARCH(1) (generalize autoregresive condicional
heteroskedasticity) cuando presenta la siguiente relación de
dependencia.
yt = µ + et
E [et |et−1 ] = 0
2 2
Var (et |et−1 ) = α0 + α1 et−1 + δσt−1
I Si el error et condicionado a xt es cero, entonces
E [yt |xt ] = xt β
Modelos GARCH
I Un modelo es GARCH(1) (generalize autoregresive condicional
heteroskedasticity) cuando presenta la siguiente relación de
dependencia.
yt = µ + et
E [et |et−1 ] = 0
2 2
Var (et |et−1 ) = α0 + α1 et−1 + δσt−1
I Si el error et condicionado a xt es cero, entonces
E [yt |xt ] = xt β
Bibliography I
William H Greene.
Econometric analysis.
Pearson Education India, 2003.
Jeffrey M Wooldridge.
Introductory econometrics: A modern approach.
Cengage learning, 2015.
Series de Tiempo
Universidad de Valparaíso
Junio 2021