Descriptivo

Tópicos Avanzados de Series de Tiempo

Descripción:

Entrenamiento Especializado presencial con repaso Conceptual y aplicaciones en Stata para el tratamiento de Series de Tiempo. Se realizará una exposición magistral por parte de Instructor, y se desarrollarán ejercicios en clase para consolidar los conocimientos adquiridos.
Directores, Profesionales, Analistas e Investigadores que en sus labores requieran de la utilización de Métodos Estadísticos y Econométricos, particularmente de Series de Tiempo.
El objetivo primordial es llevar al participante las diferentes aproximaciones tanto Teóricas como Prácticas para el tratamiento de Series de Tiempo y de una manera muy simple realizar un Análisis de Manejo de Datos.

1. Repaso de Modelos de Regresión:

Análisis de Datos. 

Diagramas de Dispersión.

Supuestos de un Modelo de Regresión Lineal.

Modelo de Regresión Lineal Simple.

Modelo de Regresión Lineal Múltiple.


2. Modelos para Series de Tiempo Estacionarias:

Estacionariedad y Conceptos Previos

Componentes de una Serie de Tiempo

Descomposición de una Serie de Tiempo (Uso de Filtros)

Procesos Univariados Estacionarios: AR, MA y ARMA

Parametrización e Invertibilidad.

Metodología Box Jenkins: Identificación y Estimación.

Predicción.

Estacionalidad y Quiebre Estructural.


3. Modelos para Series de Tiempo No Estacionarias en Media

Tendencias Determinísticas y Estocásticas.

Pruebas Estadísticas de Raíz Unitaria: Dickey-Fuller y Variantes, Phillip-Perron, KPSS ElliotRothenberg Stock, Ng y Perron.

Cambio Estructural y Pruebas Estadísticas de Raíz Unitaria: Zivot y Andrews, Perron, Perrony Rodríguez.


4. Modelos para Series de Tiempo No Estacionarias en Varianza

ARCH: Un Modelo de la Volatilidad variable en el tiempo

Extensiones al Modelo ARCH o GARCH: Limitar el Orden del Modelo o Otras Extensiones

-Respuestas Asimétricas a "Noticias"

-Las variaciones en la Volatilidad afectan a la Media de la Serie Observable

-Errores no Normales

-Probabilidades y Extremos


5. Modelos para Series de Tiempo Multiecuacionales

Modelos de Vectores Autorregresivos o VAR.

Representación, estimación y predicción con modelos VAR.

Causalidad en el sentido de Granger.

VAR estructural: Identificación, funciones de impulso respuesta y descomposición de varianza.


6. Cointegración y Modelo de Corrección de Errores 

Procesos Integrados y Combinaciones Lineales.

Tendencias Comunes.

Modelos Uniecuacionales y Cointegración:

-Pruebas de Cointegración: Engle-Granger, Phillip-Ouliaris.

-Modelo de Corrección de Errores o MCE.

Modelos Multiecuacionales y Cointegración:

-Prueba de Johansen: Estadístico "Traza" y "Lambda Max" o Modelo de Corrección de Errores Vectorial y VECM

-Cointegración, MCE y Pruebas ADL.




¡Guarda esta información!

Descargalo en PDF

Descargar

¡Comparte este evento con tus colegas!

Email

Enviar

WhatsApp

Facebook

Cotizar
Próximos
Eventos

X

Mis cotizaciones:

Comentarios a tu solicitud:

Cotizar