El objetivo de este libro es presentar las técnicas de predicción modernas basadas en el análisis de series temporales. El contenido se dirige a docentes y estudiantes universitarios de todos los niveles que imparten o cursan materias relacionadas con las series temporales o modelos econométricos que tengan relación con las series de tiempo. Asimismo, es útil para los profesionales de la Economía, Ciencias Sociales, Ciencias Experimentales y otras ramas científicas en las que se aplican las técnicas de modelización temporal y la predicción.
El libro comienza introduciendo al lector en los conceptos esenciales para el trabajo con series temporales, como el tratamiento de tendencias, variaciones estacionales y variaciones cíclicas y tratando los métodos deterministas de predicción y suavizado (medias móviles, Holt, Brown, Winters, etc.) A continuación, se abordan los métodos estocásticos de predicción presentando el análisis univariante de series temporales a través de los modelos ARIMA y la metodología de Box Jenkins, incluyendo modelos estacionales y generales con sus etapas de identificación, estimación, predicción y diagnosis. Posteriormente se abordan temas más avanzados como el análisis de la intervención y los modelos de la función de transferencia. La última parte del libro desarrolla los modelos de series temporales en el contexto multivariante (modelos VAR, VARMA, etc.)
Representa un valor añadido fundamental el análisis detallado de las posibilidades del software actual para obtener predicciones a través de las series temporales. Se utilizan los programas Eviews, Tramo/Seats, SAS, SPSS y STATGRAPHICS. Se hace hincapié en los módulos de predicción automática que incorporan estos programas en sus últimas versiones. En cuanto a la metodología, cada capítulo comienza con una exposición resumida de los conceptos teóricos y posteriormente se enfoca la parte práctica ilustrando cada concepto teórico con ejemplos desarrollados de forma muy detallada. Los capítulos finalizan con la resolución clara y precisa de problemas representativos del tema en estudio.
Capítulo 1. Series temporales y sus componentes
Datos de series temporales
Descomposición clásica de una serie temporal
Tendencia de una serie temporal: ajuste analítico, medias móviles y diferencias
Tendencia en series temporales con SPSS
Tendencia en series temporales con STATGRAPHICS
Tendencia en series temporales con STATGRAPHICS CENTURION
Tendencia en series temporales con EVIEWS
Tendencia en series temporales con SAS
Variaciones estacionales: Medias móviles, diferencias, diferencias estacionales y variables ficticias
Variaciones estacionales con SPSS. Descomposición de una serie en sus componentes
Procedimiento descomposición estacional en STATGRAPHICS. Componentes de una serie
Descomposición estacional y componentes de una serie en STATGRAPHICS CENTURION
Descomposición estacional y componentes de una serie en SAS
Variaciones cíclicas
Variaciones cíclicas y estacionales con SPSS: Periodograma y densidad espectral
Variaciones cíclicas y estacionales con STATGRAPHICS: Periodograma
Variaciones cíclicas y estacionales con STATGRAPHICS CENTURIÓN: Periodograma
Variaciones cíclicas y estacionales con SAS
Capítulo 2. Métodos autoproyectivos deterministas de predicción
Predicción y suavizado de series temporales
Métodos autoproyectivos deterministas de predicción
Predicciones incondicionales deterministas con el modelizador de SPSS. Suavizado
Predicciones incondicionales deterministas con STATGRAPHICS
Procedimientos de suavizado en STATGRAPHICS
Predicciones incondicionales deterministas con el modelizador de STATGRAPHICS CENTURION
Procedimientos de suavizado en STATGRAPHICS CENTURION
Predicciones incondicionales deterministas y suavizado con EVIEWS
Predicciones incondicionales deterministas y suavizado con SAS. Procedimiento FORECAST
Predicciones incondicionales deterministas y suavizado con el modelizador de SAS
Capítulo 3. Métodos autoprotectivos estocásticos de predicción. Metodología de Box-Jenkins
Predicciones incondicionales estocásticas
Modelos ARIMA: Primeros conceptos
Series temporales estacionales. Detección de la estacionalidad a partir de las funciones de autocorrelación y autocorrelación parcial
Análisis de la estacionariedad y estacionalidad con SPSS
Análisis de la estacionariedad y estacionalidad con STATGRAPHICS y STATGRAPHICS CENTURION
Análisis de la estacionariedad y estacionalidad con EVIEWS
Análisis de la estacionariedad y estacionalidad con SAS
Modelos autorregresivos AR(p)
Modelos de medias móviles MA(q)
Modelos ARMA(p,q)
Modelos ARIMA(p,d,q)
La metodología de Box Jenkins en modelos ARIMA
Modelos ARIMA con SPSS. Identificación, estimación, diagnosis y predicciones
Modelos ARIMA con STATGRAPHIS. Identificación, estimación, diagnosis y predicciones
Modelos ARIMA con STATGRAPHIS CENTURION. Identificación, estimación, diagnosis y predicción
Modelos ARIMA con EVIEWS
Modelos ARIMA con SAS. Identificación, estimación, diagnosis y predicciones
Capítulo 4. Metodología de Box-Jenkins. Predicción automática
Métodos automáticos de identificación
Modelo de espacio de los estados. Filtro de Kalman
Modelos ARIMA con el modelizador automático de SPSS
Modelos ARIMA con el modelizador automático de STATGRAPHICS
Modelos ARIMA con el modelizador automático de STATGRAPHICS CENTURION
Modelos ARIMA con el modelizador automático de SAS
Modelos ARIMA con el modelizador automático de EVIEWS. Programas TRAMO/SEATS
Capítulo 5. Modelos ARIMA estacionales y generales. Identificación, estimación, diagnosis y predicción
Series temporales estacionales. Detección de la estacionalidad Modelos estacionales puros
Modelos estacionales generales
SPSS y la identificación de modelos ARIMA(p,d,q)(P,D,Q)s
SPSS y la estimación, validación y predicción de modelos ARIMA(p,d,q)(P,D,Q)s
STATGRAPHICS y la identificación de modelos ARIMA(p,d,q)(P,D,Q)s
STATGRAPHICS y la estimación, validación y predicción de modelos ARIMA(p,d,q)(P,D,Q)s
STATGRAPHICS CENTURION y los modelos ARIMA(p,d,q)(P,D,Q)s
EVIEWS y la identificación, estimación, validación y predicción de modelos ARIMA(p,d,q)(P,D,Q)s
SAS y la identificación, estimación, validación y predicción de modelos ARIMA(p,d,q)(P,D,Q)s
Capítulo 6. Modelos ARIMA estacionales y generales. Predicción automática
Modelos ARIMA estacionales y generales con el modelizador automático de SPSS
Modelos ARIMA estacionales y generales con el modelizador automático de STATGRAPHICS CENTURION
Modelos ARIMA estacionales y generales con el modelizador automático de STATGRAPHICS
Modelos ARIMA estacionales y generales con el modelizador automático de EVIEWS
Modelos ARIMA estacionales y generales con el modelizador automático de SAS
Capítulo 7. Análisis de la intervención y modelos de la función de transferencia
Modelos de intervención
Identificación de modelos de intervención
Valores atípicos (Outliers)
Modelo univariante de la función de transferencia
Eviews y los modelos de intervención. Los programas TRAMO/SEATS
SAS y los modelos de intervención y función de transferencia
SPSS y los modelos de intervención
Capítulo 8. Modelos multivariantes de series temporales
Modelos ARMA vectoriales
Proceso VAR(1)
Procesos VAR(p)
Procesos VMA(q)
Procesos VARMA(p,q)
Construcción de modelos VARMA para series estacionarias
Procesos SVAR, PVAR y BVAR. Modelos de corrección del error
Estimación de modelos VAR en Eviews a través de menús
Cointegración en modelos VAR en Eviews a través de menús
Modelo de vector de corrección del error en modelos VAR con Eviews
SAS Y los modelos VAR. Contrastes de causalidad y cointegración.
Test de Johansen
Contraste de Johansen en modelos VAR con SAS
Modelo de vector de corrección del error en modelos VAR con SAS
Modelos VAR con variables exógenas (VARX) en SAS
(0 Comentarios)
