Series Temporales
Este elemento es una ampliación de los cursos y guías de Lawi. Ofrece hechos, comentarios y análisis sobre este tema. [aioseo_breadcrumbs] Las regularidades observadas resumidas en forma de estadísticas descriptivas o como un modelo específico son, por supuesto, de principal interés para la economía. Pueden utilizarse para probar teorías particulares o para descubrir nuevas características. Uno de los principales supuestos en que se basa el análisis de las series cronológicas es que las regularidades observadas en el período de muestra no son específicas de ese período, sino que pueden extrapolarse al futuro. Esto lleva a la cuestión de la previsión, que es otra de las principales aplicaciones del análisis de series cronológicas.
Aunque sus raíces se encuentran en las ciencias naturales y en la ingeniería, el análisis de series cronológicas, desde las primeras contribuciones de Frisch (1933) y Slutzky (1937), se ha convertido en un instrumento indispensable de la economía empírica. Las primeras aplicaciones consistieron principalmente en poner a disposición de la economía los conocimientos y métodos adquiridos allí.
Puntualización
Sin embargo, con la progresión de la econometría como campo científico independiente, se han desarrollado cada vez más técnicas específicas para las características de los datos económicos. Sólo mencionar el análisis de series temporales univariadas y multivariadas integradas, respectivamente cointegradas, la identificación de modelos vectoriales autorregresivos (VAR), y el análisis de la volatilidad (véase su definición en el diccionario y más detalles, en esta plataforma, sobre este término) de los datos de los mercados financieros. [rtbs name=”mercados-financieros-mundiales”]Cada uno de estos temas por sí solo justificaría el tratamiento del análisis de series temporales en la economía como un subcampo separado.
Estacionalización
Una idea importante en el análisis de series temporales es que las realizaciones en diferentes períodos están relacionadas entre sí. El valor del PIB en algún año depende obviamente de los valores de los años anteriores. Esta dependencia temporal puede representarse mediante un modelo explícito o, de forma descriptiva, mediante covarianzas, respectivamente correlaciones. Debido a que la realización de X t en algún año t puede depender, en principio, de todas las realizaciones pasadas Xt-1,Xt-2,…, no tenemos que especificar sólo un número finito de covarianzas, sino infinitas covarianzas. Esto nos lleva al concepto de la función de covarianza. La función de covarianza no sólo es una herramienta para resumir las propiedades estadísticas de una serie temporal, sino que también es instrumental en la derivación de previsiones, en la estimación de los modelos ARMA, y en la clase de modelos más importante.
Construcción de procesos estocásticos
Una noción importante en el análisis de series temporales es construir procesos más complicados a partir de los simples. El bloque de construcción más simple es un proceso con cero autocorrelación llamado proceso de ruido blanco que se introduce a continuación. (Tal vez sea de interés más investigación sobre el concepto). Tomar promedios móviles de este proceso o utilizarlo en una recursión da lugar a un proceso más sofisticado con funciones de autocovarianza más elaboradas. Slutzky (1937) introdujo por primera vez la idea de que los promedios móviles de procesos simples pueden generar series temporales cuyo movimiento se asemeja a las fluctuaciones de los ciclos comerciales.
El proceso de la media móvil de la Orden Uno
El proceso de ruido blanco puede ser usado como un bloque de construcción para construir procesos más complejos con una estructura de autocorrelación más involucrada. El procedimiento más sencillo es tomar promedios móviles durante períodos consecutivos.
Desestacionalización
Un importante concepto que será objeto de oportuno desarrollo.
Procesos autorregresivos y de media móvil en series temporales en Economía
En inglés: Autoregressive and Moving-Average Time-Series Processes in economics. Véase también acerca de un concepto similar a Series Temporales en economía.
Introducción a: Procesos autorregresivos y de media móvil en series temporales en este contexto
La caracterización de las series temporales mediante procesos autorregresivos (AR) o de media móvil (MA) o procesos combinados autorregresivos de media móvil (ARMA) fue sugerida, más o menos simultáneamente, por el estadístico y economista ruso E. Slutsky (1927) y el estadístico británico G.U. Yule (1921, 1926, 1927). Slutsky y Yule observaron que si empezamos con una serie de números puramente aleatorios y luego tomamos sumas o diferencias, ponderadas o no, de dichos números, la nueva serie así producida tiene muchas de las propiedades cíclicas aparentes que se cree que caracterizan a las series económicas y otras series temporales. Estas sumas o diferencias de números puramente aleatorios son la base de los modelos ARMA de los procesos por los que se supone que se generan muchos tipos de series temporales económicas y, por tanto, constituyen la base de recientes sugerencias para el análisis, la previsión y el control (por ejemplo, Box y Jenkins 1970). El análisis de las series temporales económicas es fundamental para una amplia gama de aplicaciones, como la medición del ciclo económico, la gestión del riesgo financiero, el análisis de políticas basado en modelos econométricos dinámicos estructurales y la previsión. Otro texto que esta en esta plataforma digital ofrece una visión general de los problemas de especificación, estimación e inferencia en modelos de series temporales lineales estacionarios y ergódicos, así como en modelos no estacionarios, la predicción de los valores futuros de una serie temporal y la extracción de sus componentes subyacentes. Este texto tratará de equilibrar importantes preocupaciones teóricas con debates empíricos clave para ofrecer una visión general de este importante tema sobre: Series Temporales. Para tener una panorámica de la investigación contemporánea, puede interesar asimismo los textos sobre economía conductual, economía experimental, teoría de juegos, microeconometría, crecimiento económico, macroeconometría, y economía monetaria.
Basado en la experiencia de varios autores, mis opiniones, perspectivas y recomendaciones se expresarán a continuación (o en otros lugares de esta plataforma, respecto a las características en 2026 o antes, y el futuro de esta cuestión):
Datos verificados por: Sam.
[rtbs name=”economia-fundamental”] [rtbs name=”macroeconomia”] [rtbs name=”microeconomia”] [rtbs name=”economia-internacional”] [rtbs name=”finanzas-personales”] [rtbs name=”ciencia-economica”] [rtbs name=”pensamiento-economico”] [rtbs name=”principios-de-economia”] [rtbs name=”mercados-financieros”] [rtbs name=”historia-economica”] [rtbs name=”sistemas-economicos”] [rtbs name=”politicas-economicas”][rtbs name=”macroeconometria”]Recursos
[rtbs name=”informes-jurídicos-y-sectoriales”][rtbs name=”quieres-escribir-tu-libro”]Véase También
autocorrelación
estudio longitudinal
media móvil
análisis predictivo
minería de datos
Dinámica de sistemas
Teoría de Sistemas
Serie temporal de anomalías
Chirrido
Descomposición de las series temporales
Análisis de fluctuación de tendencias
Procesamiento de la señal digital
Retraso distribuido
Teoría de la estimación
Previsión
Exponente de Hurst
El método de Monte Carlo
Análisis del panel
Caminata al azar
Correlación a escala
Ajuste estacional
Análisis de secuencias
Procesamiento de la señal
Base de datos de series de tiempo (TSDB)
Estimación de la tendencia
Series temporales espaciadas de forma desigual
Economía, Econometría, Macroeconomía, Economía Monetaria, Economía Financiera
Caminata aleatoria Función de autocorrelación del producto interno bruto Análisis de series temporales
Producto interno bruto real
▷ Esperamos que haya sido de utilidad. Si conoces a alguien que pueda estar interesado en este tema, por favor comparte con él/ella este contenido. Es la mejor forma de ayudar al Proyecto Lawi.