Procesos Econométricos
Enviado por antoniocg123 • 24 de Octubre de 2014 • 506 Palabras (3 Páginas) • 146 Visitas
1 Introducción
1.1 Introducción
• Repaso histórico: a comienzos de los años 70, Box (profesor de estadística de
Wisconsin) y Jenkins (profesor de ingeniería de sistemas de Lancaster) realizan un
estudio sobre el comportamiento del smog (niebla contaminante) en la bahía de San
Francisco (California). Los datos eran series sobre los niveles de contaminación.
Para predecir y controlarla desarrollan un nuevo enfoque en el tratamiento de
series temporales discretas: la modelización de series con el método "Integrado
Autorregresivo y de Medias Móviles", que se difundiría con el nombre de ARIMA o
el método de Box-Jenkins. En 1977, Granger1 y Newbold aplican el método ARIMA
al pronóstico de series de indicadores económicos. El enfoque ARIMA surge de
considerar la naturaleza de las series económicas estocásticas, en contraposición al
enfoque clásico (temas 1 y 2).
• Tanto en los métodos de descomposición como en los modelos de alisado, el
análisis establece un esquema a priori y después procede a los cálculos estadísticos
correspondientes. Y atribuye la naturaleza aleatoria de las series temporales
a errores de observación, de medidas, etc., no modelizables, suponiendo que la
naturaleza del proceso subyacente es determinista. Por el contrario, en los modelos
ARIMA (temas 3 y 4) se considera que la serie temporal objeto de estudio ha sido
generada por un Proceso Estocástico.
• Las técnicas de elaboración de los modelos ARIMA van precisamente dirigidas a
identificar el proceso generador de datos para, después, en un proceso iterativo,
1Granger recibió el premio Nobel de Economía en 2003, junto con Engle, por haber desarrollado
métodos de análisis temporales con tendencias comunes (cointegración).
1
estimar y verificar el modelo que, una vez aceptado, se utiliza para predecir los
valores futuros de la serie temporal.
• Este nuevo enfoque es un enfoque probabilístico, se centra en la parte aleatoria de
la serie y la modeliza (es decir, busca el modelo que la ha generado). En el enfoque
clásico, por contraste, el componente irregular era puramente residual.
• Consideran que cualquier serie se puede representar en función de su historia
(estocástica) pasada: yt = f(yt−1, ..., yt−p; εt, εt−1, ..., et−q) es decir, el valor
observado en un momento determinado está condicionado por los valores que tomó
en el pasado. Se tratará de encontrar qué modelo estocástico exactamente generó
los datos observados. Para ello utilizará las autocorrelaciones presentes en la misma
serie.
• Brevemente, podemos adelantar que el objetivo de este nuevo enfoque consiste en
utilizar
...