Especialización en Finanzas [2]

Docente: MSc.

Alcides de Jesús Padilla Sierra Economista Magister en Ciencias Económicas Magister en Estudios Político Económicos

Introducción 1. LA MODELACIÓN Y LA ECONOMETRÍA 1.1. Definiciones de la Econometría 1.2. Objetivo de la Econometría 1.3. El Procedimiento Econométrico 1.4. El Modelo 1.5. El Modelo Económico 1.6. El Modelo Econométrico 1.7. Elementos que componen el Modelo 1.8. Clasificación de las Variables 1.9. Clasificación de las Ecuaciones 1.10. Clasificación de los Modelos

2. ORGANIZACIÓN DE DATOS Y ESTADÍSTICA DESCRIPTIVA 2.1. Población y Muestra 2.2. Parámetros Poblacionales y Estadísticos Muestrales 2.3. Medidas de Tendencia Central y de Dispersión 2.4. Métodos y Diagnósticos Gráficos. 2.5 Ejercicios de computador.

4.1.3. Diagrama de Dispersión 3.3.2. Ejercicios de computador . ANALISIS DE CORRELACION 3. Pruebas de Hipótesis 3. Coeficiente de Correlación Lineal 3.

9. Supuestos del modelo de regresión 4.4. Predicción 4. Función de regresión muestral y poblacional 4.10.3.6. Método de estimación de mínimos cuadrados ordinarios 4.5.8.7.11. Ejercicios de Computador .2. Varianzas y errores estándar de los estimadores 4. Intervalos de confianza 4. El Coeficiente de Determinación 4.1. Pruebas de hipótesis 4. Objetivo del análisis de regresión 4. Modelos de regresión simple 4.4. REGRESION SIMPLE 4.

REGRESION MULTIPLE LINEAL 5. Intervalos de confianza.1. Ejercicios de Computador.9. . Matriz de varianzas y covarianzas de los estimadores 5.5.8.4. Pruebas de hipótesis 5.5. Modelos de regresión múltiple 5.6. Supuestos del modelo de estimación de mínimos cuadrados ordinarios 5. 5.7. Coeficiente de determinación ajustado R2 5.

INCUMPLIMIENTO DE LOS SUPUESTOS DEL MODELO 6. 6. 6. 6.4. Heteroscedastidad Autocorrelación Error de especificación No Normalidad de los errores Ejercicios de computador.1.2.3. Multicolinealidad. 6. .6.5.6. 6.

2 Formas de proyección en excel de las series de las entidades territoriales. Modelos Uniecuacionales 7.3 Proyección en Stata de las series de las entidades territoriales.4 Metodología para escoger el mejor modelo de proyección. 7. Presentación de informes de análisis de información. 7.1 Proyección con modelos uniecuacionales. 7. 8.7. .

. el diseño y análisis de política.El curso de Econometría hace parte del área de métodos cuantitativos en economía y se constituye en una herramienta importante en la investigación económica.

.

Valores fijos de X. 5. El valor medio de la perturbación es igual a cero. Modelo de regresión lineal 2. Uno de los elementos es que no deben existir datos atípicos. 8. El número de observaciones de variables debe ser mayor que el número de parámetros por estimar. 7. o valores de X independientes del término de error 3. 6. No hay autocorrelación entre las perturbaciones. La naturaleza de las variables X.Se pueden determinar Ocho supuestos: 1. 4. No Multicolinealidad . Varianza constante de las perturbaciones o la denominada Homoscedasticidad.

Criterio de decisión y conclusión del investigador. A continuación se presenta el esquema de prueba de hipótesis para el coeficiente de correlación lineal cuando el investigador desea evaluar si hay o no dependencia lineal entre un par de variables. Regiones de decisión. Por lo tanto.La formalidad estadística sugiere realizar pruebas de hipótesis sobre los parámetros poblacionales basándose en los estadísticos encontrados.4. 3. El estadístico de prueba. Ejercicios de computador . se desea probar si el parámetro poblacional es o no diferente de cero: Paso Paso Paso Paso Paso 1: 2: 3: 4: 5: Planteamiento de la hipótesis: Nivel de significancia.

.

El objetivo principal de la etapa de estimación es encontrar los valores de los parámetros muestrales.O.O.S. Operativamente el proceso es construir una función objetivo en términos de la suma de los cuadrados de los errores y mediante optimización (condiciones de primer orden .C.) obtener las fórmulas de cálculo de los estimadores.P..C. El método de estimación más popular recibe el nombre de mínimos cuadrados ordinarios (MCO). . El criterio de este método consiste en proporcionar estimadores de los parámetros que minimicen la suma de los cuadrados de los errores. y condiciones de segundo orden .

.

.

Modelos   Recta o función lineal: Y  a  bX Parábola de segundo grado Y  a  bX  cX 2 Función Potencial  Y  AX b  Función exponencial Y  AB X .

2 Formas de proyección en excel de las series de las entidades territoriales. 7. 7.4 Metodología para escoger el mejor modelo de proyección. .1 Proyección con modelos uniecuacionales.7.3 Proyección en Stata de las series de las entidades territoriales. 7. Modelos Univariados 7.

mientras que los segundos ayudan a generar pronósticos utilizando promedios ponderados.  En este capítulo presentamos una serie de métodos que son ampliamente utilizados en el análisis de series de tiempo. como los promedios móviles y de suavizamiento exponencial. . Los primeros permiten la realización de pronósticos a partir del promedio de observaciones pasadas.

es posible conformar un modelo a partir de una parte determinística estocástica o aleatoria. combinadas econométricamente. A pesar de las formas funcionales.1 Modelos de pronósticos con tendencia determinística Gráficamente es posible identificar la tendencia para una serie de tiempo y desde ella definir su forma funcional. . generalmente los pronósticos concebidos con los modelos determinísticos de tendencia no son tan precisos. implicando estimadores ineficientes que vulneran la condición de Gauss Markov (MELI).1.7. A partir de esta comportamiento tendencial. porque cuando se estiman las funciones los modelos incumplen algunos supuestos de MCO como: ausencia de autocorrelación en el error y homoscedasticidad.

.

. como los desarrollados en la sección anterior.7.1. sin especificación previa de alguna forma funcional o modelos. Éstas son prácticas de tanteo no paramétricas. Se aplican generalmente cuando se cuenta con muestras pequeñas (mínimo diez o menos de 30 datos) y pretendiendo proyectar escenarios de largo plazo (más de tres periodos). donde fue necesario aplicar algún método de estimación (MCO o MV) para encontrar sus parámetros.2 Pronóstico con métodos de atenuación exponencial Las técnicas de suavizamiento exponencial emplean la información histórica de para obtener sus pronósticos.

estacionales. para estimar sus valores futuros no está relacionada a la tendencia sino con su propio pasado. promedio móvil doble. Adicionalmente. existen distintos métodos de atenuación. aditivo o multiplicativo).En este caso la información de la variable. bajo esta metodología. estacionaria. . se aplican según la naturaleza de la variable. cíclica. atenuación simple. Los cuales. atenuación doble o Holt-Winters (no estacional. (tendencia. entre los que se destacan: promedio móvil. irregulares o combinación de estas).

.

En realidad es un método que consiste en ir recalculando el promedio incorporando la nueva observación y eliminando aquella que ocurrió k periodos en el pasado.1 Promedio Móvil Existen los promedios móviles los cuales incluyen las últimas observaciones de la serie histórica mensual o trimestral.1. La idea de aplicar un procedimiento de esta naturaleza es siempre con el propósito de transformar la serie original y obtener una nueva que se distinga por un comportamiento más suave a lo largo de un intervalo de tiempo.  . Es importante anotar que éste método se caracteriza por darle un peso igual a cada observación independientemente de la magnitud de la cifra.2. se puede definir como la media aritmética de las observaciones más recientes k. Un promedio como este.7.

2 Suavizamiento Exponencial Simple y Doble Alternativamente al método previamente señalado. alfa es una constante de suavizamiento que puede asumir valores sujetos a la restricción (0 <a < 0). . y es la observación real correspondiente al periodo t e yˆ es el antiguo valor suavizado o pronóstico del periodo t.1. El esquema de suavizamiento se inicia aplicando la siguiente ecuación básica: ˆ y t 1  y t  (1   ) y t  Donde la variable futura es el nuevo valor suavizado o valor pronosticado para el periodo t+1.2.7. se encuentran los que llevan a cabo un suavizamiento exponencial correspondiente a cada observación de la serie original.

Si bien el suavizamiento exponencial está basado en promedios móviles como el método anterior. se diferencia por el hecho de que son valores ponderados. La ponderación exponencial es porque le concede mayor peso a las observaciones inmediatamente anteriores y menos a las de periodos más atrasados. .El suavizamiento producido puede considerarse que es obtenido por una media móvil acompañada de ponderaciones decrecientes en forma de progresión geométrica.

Es importante mencionar que esta técnica está estrechamente relacionada con las aportaciones de Holt (1957) quien entre otros autores desarrolló las bases teóricas de su construcción. éste método se aplica cuando los datos de una serie muestran tendencia ascendente o descendente. que se identifica .Mientras que el suavizamiento exponencial simple se aplica normalmente a series que no experimentan importantes cambios aleatorios. Este método se utiliza cuando se desea suavizar una serie que manifiesta tendencia pero no estacionalidad y es justamente el método propuesto por Holt y ampliado por Winters (1960).

Este es un método asociado a los trabajos de Winters (1960) que considera tres parámetros de suavizamiento exponencial. pues su estructura es la apropiada para pronosticar series con tendencia y variación estacional multiplicativa. Su rasgo distintivo con respecto a la metodología anterior. . es que incorpora una ecuación adicional para estimar la estacionalidad.

Estadísticos para Evaluara la Capacidad Predictiva .

Sign up to vote on this title
UsefulNot useful