Directores, Analistas, Profesionales, Académicos, Investigadores y en general a todas las personas interesadas en una introducción a la modelación de series de tiempo no estacionarias y series de tiempo multivariadas.

Dar una perspectiva general de la modelación de series de tiempo no estacionarias y de los modelos multivariados. Dar a conocer diversas pruebas y metodologías de estimación y ámbitos de aplicación. Introducir los conceptos teóricos con ejercicios prácticos desarrollados por los participantes.

1. Repaso del modelo autorregresivo univariado – AR(p)
1. Estimación
2. Ruido blanco – Prueba Ljung-Box (Estadístico Q)
3. Correlograma
4. Principio de parsimonia
2. Vector Autorregresivo en forma reducida – VAR(p)
1. Ventajas y limitaciones
2. Estimación
3. Validación
4. Pronóstico
5. Bondad de ajuste
6. Función impulso-respuesta
7. Prueba de causalidad de Granger/Exogeneidad de Wald
8. Extensiones: S-VAR y VAR-X
3. Pruebas de raíz unitaria
1. Estacionariedad
2. Estacionalidad
3. Regresión espuria
4. Prueba Phillips-Perron (PP)
5. Prueba Dickey-Fuller (DF)
6. Prueba Dickey-Fuller Aumentada (ADF)
7. Prueba Kwiatowski-Phillips-Schmidt-Shin (KPSS)
8. Quiebres estructurales
9. Mención a modelos no lineales de series de tiempo (TAR, SETAR, STAR y MSW)
4. Cointegración univariada
1. Teorema de la repesentación de Granger
2. Engle-Granger
1. Identificación
2. Propiedad de superconsistencia
3. Estimación de la relación de corto plazo
4. Estimación de la relación de largo plazo
5. Interpretación
3. Phillips-Ouliaris
5. Cointegración multivariada: Vector de corrección de error – VECM
1. Metodología de Johansen
2. Prueba traza
3. Prueba del máximo eigenvalor (valor propio)
6. AR(p) y VAR(p) en diferencias
1. Raíces unitarias no cointegradas
2. S-VAR vs. VECM
7. Resumen

Laura Juliana Vargas Rueda
Economista con énfasis en métodos cuantitativos y magister en economía de la Pontificia Universidad Javeriana en Colombia. Actualmente se desempeña como docente de cátedra de esta misma Universidad y como Consultora independiente. Dentro de su experiencia laboral ha hecho parte de empresas consultoras como Datos procesos y tecnología DPT SAS y Oportunidad Estratégica Ltda. Donde se desempeñó como Economista de Apoyo y Coordinadora del grupo de investigación registrado en CONCIENCIAS ¨Economía Ecológica¨, y coordinadora de propuestas respectivamente. Adicionalmente hizo sus prácticas en el Banco de la República de Colombia en el Departamento de Modelos Macroeconómicos. Experiencia en el manejo de software como Stata, Eviews y Matlab

Mayores informes de inscripción y costos:
LISSA MURCIA
Asistente de Entrenamientos
Entrenamientos@SOFTWARE-shop.com
Ext. 120 - 220 Según país.

Argentina: +54-(11) 5077-9516 Chile: +56-(2) 899-0455 Colombia: +57-(1) 619 4000 México: +52-(555) 351 1755 Perú: +51-(1) 706 8197 USA: +1-(425) 651 4090 Venezuela: +58-(212) 335 0588

Uno de los requisitos importantes para la elaboración de estimaciones fuera de muestra (pronósticos) es la estacionariedad en la serie. Cuando esta premisa no es verificable podemos recurrir a los conceptos de Cointegración y Vector de Corrección de Errores. Por otro lado una series de tiempo en “solitario” -univariada- no siempre genera los modelos con el mejor ajuste. A veces, considerar más de dos series en la estimación puede generar mejores modelos para el pronóstico. Éste es el ámbito de los Vectores Autorregresivos (VAR).