ELEMENTOS A CONSIDERAR

Rubn Aguilar C
Junio de 2014

ELEMENTOS A CONSIDERAR

Mean dependent var 0.031 (Variable

Dependiente promedio )
El promedio muestral de la variable dependiente es:

1 T
y yt
T t 1
Este estadstico mide la tendencia central o ubicacin de

dependent var (desviacin estndar de

riable dependiente )
La desviacin estndar muestral de variable dependiente es
T
2
igual a:

DS

y
t 1

T 1

Este estadstico mide la dispersin o escala de

ELEMENTOS A CONSIDERAR

quared resid

(Suma de cuadrados de residual

Minimizar la suma de los residuales elevados al cuadrado es el

objetivo de la estimacin con mnimos cuadrados. Por consiguiente,
es natural anotar el valor minimizado de la suma de los residuales
elevados al cuadrado. Por s mismo no tiene mucho valor, pero sirve
como dato de otros diagnsticos que describiremos en breve, y es
T
til para comparar modelos y probar
hiptesis. La frmula es:

SCR et2

ikelihood

t 1

(Verosimilitud logartmica

La funcin verosimilitud es la funcin de densidad conjunta de los datos,

considerada como funcin de los parmetros del modelo. En
consecuencia, una estrategia natural de estimacin, llamada
estimacin de mxima verosimilitud, es determinar (y usar como
estimados) los valores de parmetros que maximizan la funcin
verosimilitud. Despus de todo, debido a la construccin, esos valores
de parmetro maximizan la posibilidad de obtener los datos que
realmente se obtuvieron. En el caso principal de perturbaciones de
regresin con distribucin normal, sucede que la maximizacin de la
funcin de verosimilitud equivale a minimizar la suma de los residuales
elevados al cuadrado; en consecuencia, los estimados del parmetro de

ELEMENTOS A CONSIDERAR

tatistic

(Estadistico F

Se emplea el estadstico F para comprobar la hiptesis de que los

coeficientes de todas las variables en la regresin, excepto la
ordenada al origen, son cero. Es decir, se comprueba si, consideradas
como un conjunto, las variables incluidas en el modelo de pronstico
tiene algn valor predictivo. Esto difiere del estadstico , usado para
examinar el valor predictivo de las variables una por una. Si ninguna
de las variables tiene valor predictivo, el estadstico sigue una
SSRres LaSSR

distribucin con y grados de libertad.

frmula
k 1 es:

F-statistic)

SSR

T k

(Probabilidad del estadstico F

El valor de probabilidad del estadstico expresa el nivel de significado al

cual se puede rechazar apenas, la hiptesis de que el conjunto de las
variables del lado derecho no tiene valor predictivo. En este caso, el
varo no se distingue de creo, por lo que se rechaza en forma
abrumadora la hiptesis

ELEMENTOS A CONSIDERAR

of Regression

(Error estndar de la regresin

Si conociramos los elementos de , los errores de nuestro pronstico

seran los valores
con varianza . Nos gustara contar con un
estimado de , porque nos dice si es probable que los errores de
pronstico sean grandes o pequeos, los residuales observados los
valores de
son de hecho estimados de las perturbaciones no
observadas de la poblacin, los valores . As, la varianza muestra de
las que representamos por T (se dice ese cuadrada) es un
2
estimador natural de .
et

s 2 t 1

T k

es un estimado de la dispersin de la perturbacin en la regresin , por

consiguiente, se usa para evaluar la bondad de ajuste del modelo, al
igual que la magnitud de los errores de pronstico que probablemente
se cometen. Cuanto mayor es es pero el ajuste del modelo y ser
probable cometer errores de pronstico ms grandes. Es necesario
corregir a por los grados de libertad, con el fin de tratar de obtener un
buen estimado de la varianza de errores fuera de la muestra, con base
en los residuales dentro de la muestra

ELEMENTOS A CONSIDERAR

squared

(R cuadrada

Si en la regresin se incluye una ordenada al origen, como casi

siempre se hace, cuadrada debe estar entre cero y uno. En ese caso,
cuadrada, es el porcentaje de la varianza de que explican los
variables incluidas en la regresin. mide el xito de la ecuacin de
regresin, dentro de la muestra, para predecir ; as, se usa mucho
como una comprobacin rpida de la bondad de ajuste, o facilidad
T
T
1
de pronstico2 de basada
en
las
variables
que
incluye
la
regresin.
La
2

Se
puede
definir
a
en
e
e

t
t
ecuacin
es:
T t 1
2
2
t 1
una
forma
ms
R 1 T
R 1 T
2
2
1
elaborada como sigue:
y

y
y

t
t
t t
T t 1
t 1

sted R-squared

(r cuadrada ajustada

La interpretacin de la R cuadrada ajustada es igual que la de , pero

la ecuacin es un poco distinta. La ajustada incorpora correcciones de
acuerdo con los grado de libertad que se usaron para ajustar el modelo,
para trata de compensar una apariencia muy optimista de buen ajuste,
p de gran facilidad de pronstico de , si se emplean muchas variables en
el lado derecho y se seleccionan entonces el modelo ptimo. En
consecuencia, la ajustada es una medida de bondad de ajuste ms
fiable que la sola. Siempre que haya ms de una variable en el lado

ELEMENTOS A CONSIDERAR

1 T 2
et
T k t 1

R 1

e info criterion

1 T
y t yt
T 1 t 1

(Criterio Akaike de informaci

El criterio de Akaike de informacin o CAI, es en verdad un estimado

de la varianza del error de pronstico fuera de la muestra, igual que ,
pero penaliza ms los grados de libertad. Se usa para elegir entre
T
modelos alternos de pronstico. La ecuacin
2 es:

CAI exp( 2k / T )

warz criterion

e
t 1

(Criterio de Schwarz

El criterio de informacin de Schwarz, o CIS, es una alternativa del

CAI y tiene la misma interpretacin, pero penaliza todava ms los
grados de libertad. Su ecuacin es: T 2

CIS T

e
t 1

ELEMENTOS A CONSIDERAR

n Watson stat

(Estadstico de Durbin-Watson

El estadstico Durbin Watson prueba correlaciones a travs del

tiempo, lo que se llama correlacin en serie, para ver las
perturbaciones en la regresin. Si se pueden pronosticar los errores
cometidos por un modelo de pronstico, se puede mejorar el
pronstico si se pronostican los errores del mismo. La prueba de
Durbin-Watson funcionay dentro
del modelo:
del
x contexto

1 t

t t 1 t
t N 0, 2
iid

La perturbacin de regresin se correlaciona en serie cuando . La

hiptesis que interesa es que . Cuando estos sucede se obtienen
condiciones ideales, pero cuando , la perturbacin tiene correlacin en
serie.

ELEMENTOS A CONSIDERAR

ELEMENTOS A CONSIDERAR

Rubn Aguilar C
Junio de 2014

ELEMENTOS A CONSIDERAR

onsideraciones Bsicas para una prediccin ex

Tomado de Diebold (1998) en Elementos de pronsticos
Describiremos seis tipos de pregunta, importantes en cualquier tarea
de pronstico:
(Ambiente de decisin y funcin de prdida), A qu decisin
guiar el pronstico, y cules son las implicaciones para disear,
usar y evaluar el modelo del pronstico? Cmo se cuantifica lo
que se entiende por un buen pronstico y en especial, el costo o
la prdida relacionados con errores de pronstico, de varios signos
y magnitudes? Cmo se define la optimizacin de un pronstico
en determinado caso? Cmo se calculan los pronsticos ptimos?
(Objeto del Pronstico) Cul es el objeto que se necesita
pronosticar? Es una serie temporal, por ejemplo las ventas de una
empresa registradas a travs del tiempo? O es un evento, como
una devaluacin de la moneda? Cul es la cantidad y la calidad de
los datos? Qu tan larga o grande es la muestra de los datos
disponibles? Se pronostica uno o muchos objetos? Hay
observaciones faltantes? Hay observaciones atpicas?
(Planteamiento del pronstico) Cmo se desean plantear los
pronsticos? Si, por ejemplo, el objeto por pronosticar es una serie
temporal, Interesa un solo pronstico de mejor estimacin? O,

ELEMENTOS A CONSIDERAR

onsideraciones Bsicas para una prediccin ex

(Horizonte del Pronstico) Cul es el horizonte del pronstico
que interesa, y qu lo determina? Interesa, por ejemplo,
pronosticar para un mes en el futuro, o para un ao o 10 aos en el
futuro? Es probable que la estrategia ptima de modelacin y
pronstico vare segn el horizonte de que se trate.
(Conjunto de informacin) En qu informacin se va a basar el
pronstico? Los datos disponibles, son simplemente la historia de
la serie que se va a pronosticar; o hay otras series disponibles que
se pueden relacionar con la interesa?
(Mtodos y complejidad, el principio de la parsimonia y el
principio de contraccin) Qu mtodo de pronstico es el ms
adecuado para las necesidades de determinado problema? Qu
tan complejo debe ser el modelo de pronstico? En forma ms
general, Qu clase de modelos, en lo que se refiere a la
complejidad, tienden a funcionar mejor para pronosticar en los
negocios, la economa y las finanzas? Los fenmenos que se
modelan y se pronostican son, con frecuencia, de una complejidad
tremenda, pero es necesario que nuestros modelos de pronstico
tengan que ser complejos?

PENSEMOS EN LOS
ESTRUCTURAL

Rubn Aguilar C
Junio de 2014

PENSANDO EN LO ESTRUCUTRAL

Amrica Latina: Supervit (dficit) fiscal 2005 y 2013(e)

(En porcentaje del PIB)

200
5

201
3

(e) Estimado
Fuente: Los datos para Bolivia son cifras oficiales del Ministerio de Economa y Finanzas Pblicas y del Banco Central de Bolivia (BCB), Los datos de los dems
pases de Amrica Latina fueron extrados del World Economic Outlook de abril de 2014 del Fondo Monetario Internacional (FMI).

PENSANDO EN LO ESTRUCTURAL

Bolivia: Principales variables macroeconmicas

ELEMENTOS INICIALES PARA

ENTENDER EL CONCEPTO DE
ESTACIONARIEDAD E
INTEGRABILIDAD DE PROCESOS
ESTOCSTICOS

Rubn Aguilar C
Junio de 2014

RECORDANDO ECUACIONES EN DIFERENCIAS ESTOCSTICAS

RECORDANDO ECUACIONES EN DIFERENCIAS ESTOCSTICAS

RECORDANDO ECUACIONES EN DIFERENCIAS ESTOCSTICAS

RECORDANDO ECUACIONES EN DIFERENCIAS ESTOCSTICAS

RECORDANDO ECUACIONES EN DIFERENCIAS ESTOCSTICAS

Entonces se encuentran las dos soluciones:

Y la homognea (tarea para la casa)

RECORDANDO ECUACIONES EN DIFERENCIAS ESTOCSTICAS