Actuaría (plan 2006) 2019-2
Optativas, Series de Tiempo
Grupo 9163, 27 lugares. Un alumno.
Requisitos: Estadística I, II y III, Algebra Lineal I, Probabilidad I y II.
Temario:
-
Introducción al análisis de Series de Tiempo: La idea será la de justificar la transición del modelo de regresión lineal simple a los modelos de Series de Tiempo.
-
Ejemplos, motivación y relación con regresión lineal simple.
-
Series de Tiempo en su versión clásica.
-
Tendencia y Estacionalidad.
-
Suavizamiento exponencial simple, Método de Holt, Método de Holt-Winters.
-
Series estacionarias: Una serie será estacionaria si mantiene sus propiedas estadísticas a lo largo del tiempo. Con base en la estacionariedad podremos realizar prónosticos.
-
Definición y tipos de estacionariedad (Fuerte y Débil).
-
Funciones y sucesiones de autocovarianza y autocorrelación.
-
Ruido blanco.
-
Modelos de promedios móviles MA(q) y autoregresivos AR(p).
-
Descomposición de tendencia y estacionalidad usando métodos clásicos: promedios móviles, descomposición clásica, uso de regresiones simples y diferencias (operadores de retraso).
-
Transformación de Box-Cox.
-
Ejemplos prácticos usando paquetes estadísticos (R e ITSM).
-
Modelos Autoregresivos y de Promedios Móviles para series de tiempo univariadas: Generalización de los modelos AR(p) y MA(q).
-
Modelos ARMA(p,q).
-
Causalidad e invertibilidad: Definición, relación con procesos estacionarios y obtención de función de autocovarianza y autocorrelación.
-
Autocovarianza, autocorrelación muestral y autocorrelación parcial teórica y muestral (ecuaciones de predicción).
-
Identificación de modelos: uso de gráficas de autocorrelación (ACF) y de autocorrelación parcial (PACF). Pruebas de hipótesis asociadas.
-
Estimación de parámetros vía Yule-Walker y vía máxima verosimilitud. Algoritmo de Durbin-Levinson.
-
Pronósticos.
-
Pruebas de raíces unitarias: Dickey-Fuller y Dickey-Fuller aumentada.
-
Diagnósticos y selección de modelos.
-
Modelos ARIMA y multiplicativos estacionales (SARIMA).
-
Aplicaciones usando paquetes estadísticos (R e ITSM).
-
Series de tiempo multivariadas:
-
Importancia, uso y ejemplos.
-
Definiciones generales equivalentes al caso univariado: estacionariedad, ruido blanco y proceso lineal.
-
Procesos ARMA multivariados, causalidad e invertibilidad.
-
Estimación de media y función de covarianza. Pruebas para checar independencia de series estacionarias bivariadas.
-
Procesos AR multivariados (modelos VAR).
-
Estimación y pronóstico en modelos VAR.
-
Aplicaciones usando paquetes estadísticos (R e ITSM).
-
Modelos de regresión dinámica: La idea subyacente será la de utilizar modelos de regresión lineal (simple o bien múltiple) con errores ARMA(p,q) o bien ARIMA(p,d,q).
-
Ejemplos y aplicaciones usando programas de cómputo (R e ITSM).
-
Modelos ARCH y GARCH usados bajo la presencia de heteroscedasticidad:
-
Relación con modelos ARMA, identificación del modelo GARCH adecuado y planteamiento de modelo de regresión con errores ARMA cuyo ruido blanco asociado tiene un modelo ARCH o GARCH.
-
Estimación de los modelos GARCH: Máxima verosimilitud y estimación iterativa.
-
Pronósticos.
-
Estimación de la volatilidad en el precio de acciones del mercado de capitales mediante paquetes estadísticos (R).
EVALUACIÓN GENERAL DEL CURSO
Tareas (3) - 10% c/u.
Examen (2) - 20% c/u y Tarea-Examen (1) - 30%.
Participaciones.
Las tareas se entregan en equipos.
No hay reposiciones.