Location via proxy:   [ UP ]  
[Report a bug]   [Manage cookies]                
Scribd Logo
Cargar

¡Te damos la bienvenida a Scribd!

  • 34 vistas

    Correcion Financiera

    Cargado por

    Orlando Munar Benitez
    Este documento describe el ajuste de un modelo exponencial autorregresivo de orden 1 (EAR(1)) a datos de deserción estudiantil semestral de una institución educativa entre 1980-2000. Se realizan pruebas estadísticas como Kolmogorov-Smirnov y gráficas exploratorias que muestran que los datos soportan un modelo EAR(1). El modelo ajustado arroja un parámetro ρ cercano a 1, indicando alta autorregresión. Sin embargo, las gráficas también sugieren que los datos podrían model

    Copyright:

    © All Rights Reserved
    Descargue como DOCX, PDF, TXT o lea en línea desde Scribd

    Correcion Financiera

    Cargado por

    Orlando Munar Benitez
    34 vistas5 páginas
    Este documento describe el ajuste de un modelo exponencial autorregresivo de orden 1 (EAR(1)) a datos de deserción estudiantil semestral de una institución educativa entre 1980-2000. Se realizan pruebas estadísticas como Kolmogorov-Smirnov y gráficas exploratorias que muestran que los datos soportan un modelo EAR(1). El modelo ajustado arroja un parámetro ρ cercano a 1, indicando alta autorregresión. Sin embargo, las gráficas también sugieren que los datos podrían model

    Título original

    Correcion financiera (1)

    Derechos de autor

    © © All Rights Reserved

    Formatos disponibles

    DOCX, PDF, TXT o lea en línea desde Scribd

    ¿Le pareció útil este documento?

    ¿Este contenido es inapropiado?

    Este documento describe el ajuste de un modelo exponencial autorregresivo de orden 1 (EAR(1)) a datos de deserción estudiantil semestral de una institución educativa entre 1980-2000. Se realizan pruebas estadísticas como Kolmogorov-Smirnov y gráficas exploratorias que muestran que los datos soportan un modelo EAR(1). El modelo ajustado arroja un parámetro ρ cercano a 1, indicando alta autorregresión. Sin embargo, las gráficas también sugieren que los datos podrían model

    Copyright:

    © All Rights Reserved
    Descargue como DOCX, PDF, TXT o lea en línea desde Scribd
    Descargar como docx, pdf o txt
    34 vistas5 páginas

    Correcion Financiera

    Cargado por

    Orlando Munar Benitez
    Este documento describe el ajuste de un modelo exponencial autorregresivo de orden 1 (EAR(1)) a datos de deserción estudiantil semestral de una institución educativa entre 1980-2000. Se realizan pruebas estadísticas como Kolmogorov-Smirnov y gráficas exploratorias que muestran que los datos soportan un modelo EAR(1). El modelo ajustado arroja un parámetro ρ cercano a 1, indicando alta autorregresión. Sin embargo, las gráficas también sugieren que los datos podrían model

    Copyright:

    © All Rights Reserved
    Descargue como DOCX, PDF, TXT o lea en línea desde Scribd
    Descargar como docx, pdf o txt
    de 5

    Universidad Nacional de Colombia

    Econometría Financiera
    Carlos Andrés Teleche

    El modelo Exponencial Autorregresivo de orden 1, EAR (1), se define en Gaver and Lewis (1980)
    mediante la ecuación:

    X n=ρ X n−1 + I n En , n=0,1,2…

    Se asume una sucesión iid de variables Bernoulli con parámetro ρ , 0< ρ< 1, I n iid Ber ( ρ). De tal
    forma que I n ∈ { 0,1 } ,con Ρ ( I n=1 )=1−ρ , Ρ ( I n=0 )=ρ . Y otra sucesión En iidExp( λ), tal que
    Ρ ( En≤ x )=1−e− λx y Ε ( En )=1/ λ
    Los datos del porcentaje de deserción estudiantil semestral en una institución de
    educación tecnológica, durante el periodo 1980-2000, es una serie de tiempo con
    valores positivos, Xn. Se trata de ajustarles un modelo Exponencial Autorregresivo de
    orden 1, EAR (1).

    Ilustración 1. Trayectoria de un EAR (1). Deserción estudiantil, semestral. (Simulación) and Fac, Xn vs Xn-1

    Desde la ilustración 1, con la gráfica de la fac NO, es factible asumir que X n es


    estacionario en covarianza, según el criterio 4.4.11 Mediante la estimación de ~ρ ( k ) en R, se
    obtiene de la parte entera de N/4, es decir, m que debería ser igual a un múltiplo del periodo
    1
    Econometría Financiera. Notas de clase. (pág. 58)
    de la componente estacional. En conclusión, la gráfica de R(k) en el caso de un proceso
    estacionario en covarianza, debe mostrar una tendencia hacia cero. En caso de mostrar una
    tendencia decreciente muy lenta, sería un indicador de no estacionariedad tal cual como se
    muestra, donde los rezagos decrecen lentamente. Sin embargo, se plantea la posibilidad de
    una relación lineal entre X n y X n−1 .
    Para detallar la factibilidad de un modelo exponencial EAR (1), se realiza una prueba
    Kolmogorov-Smirnorv, donde la hipo tesis nula plantea que Xn presenta una distribución
    normal.
    Ho: Xn iid N (1,0)
    H a : Xn ≠iid N (1,0)

    One-sample Kolmogorov-Smirnov test

    data: Xn
    D = 0.054079, p-value = 0.8742
    alternative hypothesis: two-sided

    Debido al p-value (0.87> 0,05) se valida la factibilidad un modelo autorregresivo, puesto se


    acepta la hipótesis nula, de normalidad en Xn.

    Ilustración 2. Modelo Ajustado.

    La estimación se puede realizar utilizando un modelo generalizado lineal autorregresivo


    con distribución condicional Gamma, ya que la Exponencial es un caso particular de esta.
    Como la esperanza condicional es una función lineal E ( X n| X n−1 )= p+ p X n −1 se asume la
    función de enlace identidad. La librería mgcv tiene la función gam() que permite
    implementar la estimación. Mediante la inspección grafica se observa alta variabilidad en la
    relación lineal ajustada. Se obtiene una ~ρ=0 , 9 8.

    Family: Gamma
    Link function: identity

    Formula:
    y ~ x

    Parametric coefficients:
    Estimate Std. Error t value Pr(>|t|)
    (Intercept) 0.014806 0.006502 2.277 0.0246 *
    x 0.989866 0.134100 7.382 2.48e-11 ***
    ---

    (M)
    estimado
    alfa 85.3657854
    beta 0.9898656
    nu 1.2638930

    Ilustración 3. Chequeo Gaussiano

    En la ilustración 3, damos cuenta que los datos no soportan un modelo Gaussiano, mediante
    el procedimiento exploratorio recomendado, la gráfica muestra huecos, debería mostrar
    gráficamente una nube. Por lo que no se podría definir la esperanza condicional como el
    pronostico de un proceso Gaussiano, que dependa de la autocorrelación.

    Ilustración 4. Trayectoria AR (1) Guassiano. Fac, Fac parcial y densidad estimada de un Gamma-AR(1)

    Desde la ilustración 4, con la gráfica de la fac NO, es factible asumir en un primer


    momento que X n es estacionario en covarianza, según el criterio 4.4.12 Presenta una
    tendencia decreciente muy lenta, índice de no estacionariedad tal cual como se muestra. Se
    realiza un chequeo gaussiano.

    2
    Econometría Financiera. Notas de clase. (pág. 58)
    Ilustración 5. Histograma

    Ilustración 6. Cheque Guassiano AR(1)

    En la ilustración 5, damos cuenta que los datos soportan un modelo Gaussiano, mediante el
    procedimiento exploratorio recomendado, la gráfica no muestra huecos. Por lo que se puede
    concluir que el AR(1) los parámetros dan muy diferentes, Se obtiene una ~ρ=0 , 69.

    También podría gustarte