Date post: | 15-Apr-2016 |
Category: |
Documents |
Upload: | angelika-vanessa-chamba |
View: | 11 times |
Download: | 0 times |
Introducción:Introducción:Características básicas de los datos Características básicas de los datos
económicos de series temporaleseconómicos de series temporales
• Espacio Muestral: , el conjunto de posibles resultados de un experimento aleatorio
• Resultado: , un elemento del Espacio Muestral
• Suceso: , un subconjunto del Espacio Muestral
• Algebra: , colección de sucesos que nos interesa estudiar
• Variable Aletoria: , una función del Espacio Muestral al conjunto de estados S
• Conjunto de Estados: S, el espacio que contiene todos los posibles valores de una variable aleatoria. Las elecciones mas comunes son los numeros naturales N, los reales R, vectores de dimension k Rk, los reales positivos R+, etc
• Probabilidad:
• Distribución: es un Borel Set (conjunto de la recta real que puede expresarse como uniones o interseccion de intervalos)
Breve Repaso de Tª de la ProbabilidadBreve Repaso de Tª de la Probabilidad
}{Ω
E
}E:E F
S:Z
]1,0[:P F
}:{ donde ,]1,0[: RAA BB
•Vector de Variables Aleatorias: Z= (Z1, Z2 , ..., Zk) es un vector de dimensión k donde cada componente es una variable aleatoria
•Sucesión de Variables Aleatorias: Z= (Z1, Z2 , ..., Zn) es una sucesion de n variables aleatorias
Si interpretamos t=1, ..., n como momentos equidistantes en el tiempo, Zt puede interpretarse como el resultado de un experimento aleatorio en el momento de tiempo t . Por ejemplo la sucesión de variables aleatorias podria ser los precios de las acciones de Toyota Z t en n dias sucesivos.
Un aspecto NUEVO, comparado con la situación de una sola variable aleatoria, es que ahora podemos hablar de la estructura de DEPENDENCIA dentro del vector de variables aleatorias.
•Función de Distribución FZ de Z : Es la colección de probabilidades
Breve Repaso (cont)Breve Repaso (cont)
})nz)(nZ,...,1z)(1Z:({P)nznZ,...,1z1Z(P)z(ZF
Supongamos que el tipo de cambio €/$ en cada instante fijo de tiempo t entre las 5p.m y las 6p.m. de esta tarde es aleatorio. Entonces podemos interpretarlo como una realización Zt() de la variable aleatoria Zt. . Observamos Zt(), 5<t<6. Si quisieramos hacer una predicción a las 6 p.m. sobre el tipo de cambio Z7() a las 7 p.m. es razonable considerar TODA la evolución de Zt( entre las 5 y las 6 p.m. El modelo matematico que describe esta evolución se le llama proceso estocástico.
Procesos EstocásticosProcesos Estocásticos
RZZ tt :),(Supongamos que(1) Fijamos t
Cambianos el indice temporal podemos generar varias variables aleatorias:
)(),.......(),(21
nttt ZZZ
(2) Fijamos
Esto es una variable aleatoria.
RTZ : Es una realización o trayectoria del Proceso estocástico.
La colección-sucesión de variables aleatorias se le llama PROCESO ESTOCATISCO
Una realización del proceso estocástico se le llama SERIE TEMPORAL
Una realización es:
nt t tz z z,.... ,2 1
Un proceso estocástico es una colección-sucesión de variables aleatorias indexadas por el tiempo
Definidas en un espacio muestral
),Tt),(tZ()Tt,tZ(
Procesos Estocásticos (cont)Procesos Estocásticos (cont)
Ejemplos de procesos estocásticosEjemplos de procesos estocásticos
E1: Sea el conjunto indice T={1, 2, 3} y sea el espacio muestral () el formado por los resultados de lanzar un dado:
Define
Z(t, )= t + [valor del dado]2 t
Entonces para un particular, digamos 3={3}, la realización o trayectoria es (10, 20, 30).
Q1: Dibuja todas las realizaciones de este proceso estocástico.
E2: Un Movimiento Browniano B=(Bt, t [0, infty]):
• Comienza en cero: Bo=0
• Tiene incrementos independientes y estacionarios
• Para cada t>0, Bt sigue una distribución N(0, t)
• Tiene trayectorias continuas: “no saltos”.
Distribución de un Proceso EstocásticoDistribución de un Proceso Estocástico En analogía con las variables aleatorias queremos introducir caracteristicas no aletorias de los procesos estocásticos tales como su distribución, su esperanza, etc, y describir su estructura de dependencia. Esta es una tarea mucho más complicada que en el caso de vectores de variables aleatorias. De hecho un proceso estocástico no-trivial Z=(Z t, t T) con un conjunto indice T es un objeto de dimension infinita en el sentido de que se puede entender como una colección infinita de variables aleatorias Zt, t T. Ya que los valores de Z son funciones en T, la distribucón de Z deberia ser definida sobre subconjuntos de un cierto “espacio de funciones”, i.e.
P(X A), A F,Donde F es una colección apropiada de subconjunto de este espacio de funciones. Este enfoque es posible, pero requiere matematicas muy avanzadas. En este curso intentaremos algo mucho mas simple.
Las distribuciones finito-dimensionales (fidis) de un proceso estocástico Z son las distribuciones de los vectores finito dimensionales
(Zt1,..., Ztn), t1, ..., tn T,
para todas las posibles elecciones de t1, ..., tn T y para cada n 1.
Al igual que en la Econometría básica trabajábamos con dos los supuestos de i.i.d. (idénticamente distribuido e independiente), en la Econometría de Series Temporales nos hace faltan dos supuestos equivalentes:• Estacionariedad (substituye al supuesto de identicamente distribuido)• Ergodicidad (substituye al supuesto de independencia)
Necesitamos hacer dos supuestos:Necesitamos hacer dos supuestos:
EstacionareidadEstacionareidad
Considera la probabilidad conjunta de un conjunto de variables aleatorias
),...,(),.....,(221121 nnn ttttttttt zZzZzZPzzzF
Proceso estacionario de 1st orden si
kttodoparazFzF ktt ,)()( 111
Proceso estacionario de orden n si
ktttodoparazzFzzF ktkttt ,,),(),( 212121
ktttodoparazzFzzF nktkttt nn,,).....().....( 111
Definición.
Un proceso es estrictamente (o en sentido fuerte) estacionario si es estacionario de orden n para cada n.
Proceso estacionario de 2nd orden si
MomentosMomentos
2t
2t
)tZ,tZcov()2t,1t(
)]ttZ)(ttZ[(E)tZ,tZ(Cov
tdz)tz(f2)ttZ(2)ttZ(E2t)tZ(Var
tdz)tz(ftZt)tZ(E
21
21
221121
Momentos (cont)Momentos (cont)Para procesos estrictamente estacionarios:
22
t
t
porque kttktt zFzF1111
)()(
asumiendo que
kktkttt
ktkttt
zzzz
zzFzzF
),cov(),cov(
),(),(
2121
2121
La correlación entre dos variables aleatorias depende SOLAMENTE de su diferencia temporal.
)()( 2tt ZEyZE
Estacionareidad DébilEstacionareidad DébilUn proceso se dice que es estacionario debil de orden n si todos sus momentos conjuntos de orden n existen y son invariantes en el tiempo.
Procesos Estacionarios en Covarianzas (de 2nd orden):• Esperanza constante• Varianza constante• La función de covarianza depende solo de la diferencia temporal entre las variables
Estacionariedad Fuerte:
,.....),,(,....),,( 2121 jtjtjtttt YYYFYYYF
Un proceso estacionario en covarianzas es ergodico en la mediasi
)(lim tZEzp
Una condición suficiente para ergodicidad en la media es
cuando 0 kk
Ergodicidad
Ergodicidad bajo GausanidadErgodicidad bajo Gausanidad
Si tZ es un proceso gausiano estacionario, k
k
es una condición suficiente para asegurar ergodicidad en todos los momentos
Ergodicidad para los segundos momentosErgodicidad para los segundos momentos
Una condición suficiente para ergodicidad en los segundos momentos
k
k
Funciones de Autocovarianza y de AutocorrelaciónFunciones de Autocovarianza y de Autocorrelación
Para un proceso estacionario en covarianzas:
02
2
)var()var(),cov(
),()(
)(
kk
ktt
kttk
tsst
t
t
ZZZZ
ZZCovZVar
ZE
]1,1[:(ACF) aciónautocorrel de función :
:anza autocovari de función:
k
Rk
k
k
Propiedades de la función de autocorrelaciónPropiedades de la función de autocorrelación
1.
2.
3.
1 entonces )var( Si 00 tZ
0
k
1n,correlació de ecoeficient un es Como
kk
ktkt
kktktk
kk
kk
ZZE
ZZE
))((
))(( queya )(
Funcion de Autocorrelación Parcial (o correlación Funcion de Autocorrelación Parcial (o correlación condicional)condicional)
Esta función mide la correlación entre dos variable separadas k periodos cuando la dependencia lineal en el medio de esos periodos (entre t y t+k ) es eliminada.
),......|,(por dada vienela PACF,aleatorias variablesdos y Sean
11
kttktt
ktt
ZZZZZZ
Motivación Piensa en el modelo de regresión lineal (asume E(Z)=0 sin perdida de generalidad)
kjkkjkjk
jktktjkttkkjktktkjktktkktjkt
jkt
jktkt
kttkkktkktkkt
ZeZZZZZZZZ
Z
jZeeZZZZ
......esperanzas toma )2(
......
por multiplica (1)
1 conionada incorrleacesta donde......
2211j
2211
2211
kjkkjkjk ......2211j
Dividiendo por la varianza del proceso:
kj ,...2,1
011
2112
1011
.......
.......
.......
kkkkk
kkkk
kkkk
Ecuaciones deYule-Walker
0331322313
1330321312
2331320311
0221212
1220211
1110111
3
2
1
k
k
k
11
1
1
1
21
1
22
11
1
11
12
11
21
312
21
11
33
E4: Zt=
Yt si t es par
Yt+1 si t es impar
donde Yt es una serie estacionaria. Es Zt estacionaria debil?
E5: Defina el proceso St = X1+ ... + Xn ,
donde Xi es iid (0, Muestra que para h>0
Cov (St+h, St) = t
y por lo tanto St no es estacionario debil.
Ejemplos de Procesos EstocásticosEjemplos de Procesos Estocásticos
Ejemplos de Procesos Estocásticos (cont)Ejemplos de Procesos Estocásticos (cont)
E6: Procesos RUIDO BLANCOUna secuencia de variables
0para 0),( )(
)0 te(normalmen )(:2
kaaCovaVar
aEa
ktt
at
aatt
0001
0001
0 00
aciónautocorrelanza y Autocovari2
kk
kk
kk
kk
k
ak
. . . .1 2 3 4 k
k
Como vamos a estimar los momentos poblaciones de las Como vamos a estimar los momentos poblaciones de las series temporales????series temporales????
Utilizaremos el metodo de analogia tan usado en Econometria I:
•Momentos poblaciones se estiman via momentos muestrales.•Asumiendo estacionareidad y ergodicidad estos estimadores seran consistentes.
Donde Estamos?Donde Estamos?
Considera el Problema de la Prediccion como motivación:
Predecir Zt+1 dado el conjunto de información It en el tiempo t.
La esperanza condicional puede ser modelada en una forma parametrica o en una forma no-parametrica. En este curso elegiremos la primera. Los modelos parametricos pueden ser lineales o no-lineales. En este curso elegiremos los modelos lineales. Resumiendo los modelos que vamos a estudiar en este curso son ing
modelos parametricos y lineales
]|[:
][
11
211
ttt
tt
IZEZSolución
ZZEMin
Apendice I: Transformaciones Apendice I: Transformaciones ((vease el conjunto de notas extravease el conjunto de notas extra))
• Objetivo: Tratar con procesos mas manejables
•Transformación logaritimica reduce cierto tipo de heterocedasticidad. Si asumimos que
t=E(Xt) y V(Xt) = k 2t,
se puede demostrar (por el metodo delta) que la varianza del log es aproximadamente constante:
• Tomar dieferencias elimina la tendencia (no muy informativo sobre la naturaleza de la tendencia)
• Diferencias del Log = Tasa de Crecimiento
k)tZ(Var2)t/1()tZ(log(Var)Z(Var2)('f))Z(f(Var
1tZ1tZtZ
)1tZ
1tZtZ1log()
1tZtZ
log()1tZlog()tZlog(
Apendice II: Analisis GraficoApendice II: Analisis Grafico• Objetivo: Descubrir caracteristicas basicas de los datos
• Realice graficos de la serie economica en niveles, en logaritmos, en primeras diferencias y en tasas de crecimiento e intente decidir que transformacion hace la serie paracer mas estacionaria.
• Correlograma de las transformacions propuestas previamente. En el capitulo siguiente aprendera a identificar una familia de modelos en base al correlograma.
• Descarguese la base de datos Eco-Win de la Biblioteca de la UC3M y analice graficamente las series que mas le interesen.
• Recuerde que el movimiento se demuestra andando.