Prepara tus exámenes y mejora tus resultados gracias a la gran cantidad de recursos disponibles en Docsity
Gana puntos ayudando a otros estudiantes o consíguelos activando un Plan Premium
Prepara tus exámenes
Prepara tus exámenes y mejora tus resultados gracias a la gran cantidad de recursos disponibles en Docsity
Prepara tus exámenes con los documentos que comparten otros estudiantes como tú en Docsity
Encuentra los documentos específicos para los exámenes de tu universidad
Estudia con lecciones y exámenes resueltos basados en los programas académicos de las mejores universidades
Responde a preguntas de exámenes reales y pon a prueba tu preparación
Consigue puntos base para descargar
Gana puntos ayudando a otros estudiantes o consíguelos activando un Plan Premium
Comunidad
Pide ayuda a la comunidad y resuelve tus dudas de estudio
Ebooks gratuitos
Descarga nuestras guías gratuitas sobre técnicas de estudio, métodos para controlar la ansiedad y consejos para la tesis preparadas por los tutores de Docsity
Asignatura: econometria, Profesor: , Carrera: Administración y dirección de empresas, Universidad: URJC
Tipo: Apuntes
1 / 94
Esta página no es visible en la vista previa
¡No te pierdas las partes importantes!
Hipotesis para el modelo C C.1 El modelo es lineal en parámetros y correctamente especificado_._
1
2
2
k
k
La hipótesis C.6 is raramente genera problemas en datos de sección cruzada, sin embargo es bastante común si nos enfrentamos a series temporales. Hipótesis para el Modelo C C.6 los valores del término de perturbación tienen distribuciones independientes u t se distribuye independientemente de u t' para t' ≠ t C.7 El término de perturbación se distribuye independientemente de los regresores u t se distribuye independientemente de X jt' para todo t' (incluido t ) y j C.8 El término de perturbación tiene una distribución normal. HIPOTESIS PARA EL MODELO C. REGRESION CON DATOS DE SERIES TEMPORALES
Una de las hipótesis clave del modelo es que los valores del término de perturbación en cada observación se generan de forma independiente una de la otra 1 Y^ =^ ^1
2 X Y X
En el gráfico superior esta hipótesis parece no cumplirse pues valores positivos tienden a ser seguidos por otros positivos y los negativos tienden a ser seguidos por otros valores negativos. Valores sucesivos tienden a tener el mismo signo. Esto es conocido como autorocorrelación positiva 1 Y X Y^ =^ ^1
2 X
Autocorrelación autoregresiva de primer orden : AR(1) t t t Y X u 1 2
t t t
1 Un tipo muy comun de autocorrelación es la autocorrelación autoregresiva de primer orden, denominada habitualmente AR(1). Es autoregresiva porque ut depende de los valores retardados de si misma y de primer orden porque depende de su valor previo ( U t- ). ut también depende de un error aleatorio t ,.
Modelo autoregresivo de quinto ordeen t t t t t t t
1 1 2 2 3 3 4 4 5 5 Pueden existir modelos más complejos de autocorrelación autoregresiva. Por ejemplo un modelo de orden 5, denominado AR(5), porque depende de los valores retardados de ut en los 5 periodos previos. t t t Y X u 1 2
Media Móvil de tercer orden 0 1 1 2 2 3 3
t t t t t
Este ejemplo podemos describirlo como una MA(3), porque depende de las 3 perturbaciones previas así como de la actual. t t t Y X u 1 2
A continuación veremos algunos ejemplos de representaciones que son generados cuando el término de perturbación esta sujeta a una autocorrelación de tipo AR (1) para que sirvan como benchmark
1
Si 0, No hay autocorrelación. Incrementaremos progresivamente en escalones de 0.1.
1
1
Con = 0.3, una senda de autocorrelación positiva comienza a ser aparente t t t
1
t t t
1
Con =0.6, es obvio que u está sujeto a autocorrelación positiva. Valores positivos son seguidos por otros positivos y los negativos por otros negativos. t t t
1
t t t
1
