La descarga está en progreso. Por favor, espere

La descarga está en progreso. Por favor, espere

Profesor : Héctor Allende O. Departamento de Informática Universidad Técnica Federico Santa María EconometríaEconometría.

Presentaciones similares


Presentación del tema: "Profesor : Héctor Allende O. Departamento de Informática Universidad Técnica Federico Santa María EconometríaEconometría."— Transcripción de la presentación:

1 Profesor : Héctor Allende O. Departamento de Informática Universidad Técnica Federico Santa María EconometríaEconometría

2 Estructura del Curso 1.- Introducción. 2.- Modelos de Regresión Múltiple 3.- Construcción de Modelos de Regresión 4.- Verificación de Supuestos: Linealidad, Normalidad, Homocedasticidad, Independencia 5.- Contraste de Hipótesis y Estimación. 6.- Modelos Estadísticos de Series de Tiempo: Suavizamiento Exponencial, ARIMA, 7.- ANN: modelos de Regresión libre, Series de Tiempo 8. Aplicaciones

3 HECHOS DATOS TEORÍAS MODELOS FENÓMENOS INTUICIONES

4 Problema real Depuración de los datos (Análisis de datos) Estimación de los parámetros (Teoría de la estimación) Modelos Estadísticos (Cálculo de probabilidades) Planteamiento del problema Objetos y medios Recolección de información muestral (Técnicas de muestreo ; diseño de experimentos)

5 Contrastes de Simplificación (Contrastes de hipótesis) Crítica y Diagnosis del Modelo (Análisis de datos) Nuevo Conocimiento Nuevo Conocimiento PrevisionesDecisiones

6 Cómo diseñar un equipo de mantenimiento Cómo aumentar el rendimiento de un proceso MODELO Variables: - Número de averías (x 1 ) - Tiempo reparación (x 2 ) Hipótesis: las averías Se producen independientementeSe producen independientemente La probabilidad de no avería disminuye exponencialmente con el tiempoLa probabilidad de no avería disminuye exponencialmente con el tiempo Hipótesis:tiempo reparación Depende de muchos pequeños factoresDepende de muchos pequeños factores Dos ejemplos de modelos cuantitativos PREGUNTA Variables: - Rendimiento en % (y) - Temperatura x 1 - Concentración x 2 Hipótesis: El rendimiento aumenta en promedio linealmente con la temperatura y la concentraciónEl rendimiento aumenta en promedio linealmente con la temperatura y la concentración Para valores fijos de x 1 y x 2 el rendimiento varía aleatoriamente alrededor de su valor medioPara valores fijos de x 1 y x 2 el rendimiento varía aleatoriamente alrededor de su valor medio

7 RECOLECCIÓN DE INFORMACIÓN Muestreo de máquinas para estudiar sus averías y tiempo de reparación Diseño de un experimento que se varíen x 1 y x 2 y se mida y ESTIMACIÓN PARÁMETROS Estimar:, tasa media de averías, tiempo medio de reparación, variabilidad en el tiempo de reparación Estimar: El efecto de la temperatura (b) y el de la concentración (c) sobre el rendimiento Variabilidad experimental CONTRASTES DE SIMPLIFI- CACIÓN ¿Tienen todos los tipos de máquinas el mismo ? ¿Los tipos de averías, el mismo y ? ¿Es el efecto de la temperatura y concentración idéntico (b=c ) ? CRÍTICA DEL MODELO ¿Es cierta la independencia entre las averías? ¿Son la variabilidad de x 1 y x 2 en la muestra consistentes con las hipótesis ? ¿Es la relación entre y (x 1, x 2 ) lineal? ¿Es la variabilidad de y para x 1, x 2 fijos, independ. de los valores concretos de x 1, x 2 ?

8 ¿ Qué es la Econometría ? 4 Disciplina que se ocupa del análisis cuantitativo de fenómenos económicos:Teoría Económica, Economía Matemática y el Modelado Estadístico de datos Modelo Keynesiano del Consumo Modelo de Klein Modelo de Cuentas Nacionales Modelo de producción Cobb-Douglas Rol de la econometría : Rol de la econometría : Proporcionar métodos para estudiar y medir las relaciones de las variables económicas (teoría v/s la realidad)

9 Aplicaciones de los modelos Econométricos 4 Ciencias de la Ingeniería 4 Ciencias Económicas 4Ciencias Naturales 4Ciencias Médicas 4 Ciencias políticas y sociales

10 Modelo Keynesiano de Consumo (Fu Consumo) (Fu Ingreso) donde: Gasto de Consumo Ingresos Gasto de Inversión (Ahorro) Perturbación Aleatoria

11 Modelo de Klein (I) Fu Consumo Fu Inversión Demanda Trabajo Identidades

12 C : Gasto de Consumo I : Gasto de Inversión G : Gasto de Gobierno T : Impuesto Y : Ingreso descontado impuesto K : Existencia Capital W : Nómina Sector Privado W´ : Nómina Sector Público t : Tiempo P : Ganancias : Perturbaciones estocásticas

13 Relaciones Funcionales (Típicas) Modelos Estructurales (Metamodelos) a) MODELO LINEAL Estocástico b) MODELO CUADRATICO c) MODELO EXPONENCIAL d) etc.

14 Formulación de Modelos E1: Conocimiento profundo del fenómeno : Observación cuidadosa y identificación de posibles elementos relevantes. (variables) E2: Estado del Arte : Revisar los postulados teoricos existentes, formular hipótesis.(nuevo conociemiento. E3: Determinar los Pocos Vitales : Pareto, causalidad. E4: Validación : Probar con Datos Empíricos, Hipótesis. Sepamos buscar como quien espera encontrar y encontrar como quien espera buscar

15 Teoría Económica Contraste de Hipótesis Validación de Modelo Análisis Explorativode Datos (DM) Formulación de Hipótesis Estimación de Parámetros Información previa Datos Modelo Econométrico

16 CLASES DE MODELOS: Función, Estructura, Referencia del Tiempo, Referencia de la Incertidumbre, Generalidad Descriptivos, Explicativos, Predictívos Icónicos, Analógicos, Simbólicos Estáticos, Dinámicos Determinísticos, Probabilísticos, de Juego Generales, Especializados

17 EstáticosDinámicos Explicativos y = + u (Primera parte) Descriptivos Extrapolativos y = + x + u (Tercera y cuarta parte) y = + y t-1 + u t (Quinta parte) y = + x + y t-1 + u t (Quinta parte)

18 DATA MINING Y Métodos Estadísticos Cuantitativos

19 Knowledge Discovery in Data Bases (KDD) Es un proceso de identificación de patrones válidos, innovativos, potencialmente útiles, no explícitos y comprensibles a partir de los datos.

20 KDD Etapas del KDD : 1. Selección de Datos 2. Depuración 3. Enriquecimiento 4. Codificación 5. Data Mining 6. Reportes

21 Information Requirement Data Bases Action External Data Data Selection Cleaning: Domain consistency De-duplication Outliers detection Enrichment Coding Data Mining Association Clustering Classification Regression Reporting Feedback KDD

22 Data Mining (DM) Etapa de reconocimiento de patrones, a través de algoritmos automáticos o semiautomáticos de grandes bases de datos con el objeto de apoyar a la toma de decisiones dentro de una organización. DM permite construir modelos mediante algoritmos automáticos SM permite construir modelos orientado por un experto.

23 DM v/s SM Capacidad o poder predictivo Manejabilidad Perfomance legibilidad Rapidez Tamano

24 Existen diversos algoritmos en Data Mining los que se pueden clasificar: Estadísticos Machine Learning Redes Neuronales etc. Actividades de Data Mining: Preparación de los datos Aplicación de algoritmos de DM Análisis de datos Algoritmos en DM

25 Algoritmos de DM: Estadísticos -Clustering -Clasificación -Regresión -Pronósticos DM

26 Energía: Apoyo a la toma de decisiones en plantas energía eléctrica (centro de despacho de cargas) Medicina: Mejora de diagnósticos y asignación de tratamientos en base a reconocimiento de patrones. Marketing: información demográfica y sistemas de información geográficos, patrones de compra, segmentación de mercados. Finanzas: predicción de valores y riesgo en el mercado de opciones. Aplicaciones

27 Una superficie de respuesta: Es un gráfico de la variable respuesta como una función de varias variables (factores). Un metamodelo: Es una representación algebraica, con los factores como variables independientes (determinísticas o estocásticas) y la variable respuesta como variable dependiente. La que representa una aproximación de la superficie de respuesta. Metamodelos típicos usado en muchas aplicaciones son: a) Regresión multiple b) Markovianos c) ANN Superficies de Respuesta y Metamodelos

28 A través de un metamodelo la metodología de superficie de respuesta (RSM) trata de encontrar la respuesta óptima de un conjunto de factores. La Experimentación con un metamodelo es comúnmente un método de adquirir información Un proceso de diseño de experimento asume un particular forma funcional o estructura dentro del metamodelo (Lineal model, Quadratic model, etc). Meta-modelos

29 Los métodos de Regresión son usados para determinar la mejor relación funcional entre las variables. Supongamos que la relación funcional puede ser representada por: E(Y) = f (X 1,..., X p / B 1,..., B E ) donde E(Y) es el valor esperado de la variable de respuesta Y; los X 1,..., X p son factores; y los B 1,..., B E son los parámetros de la forma funcional; E(Y) = B 1 + B 2 X 1 + B 3 X 2 + B 4 X 1 X 2+…… Conceptos de Análisis de Regresión

30 La observación de un valor de la respuesta Y, para un conjunto de X s, es asumida como una variable aleatoria dada por: Y = f (X 1,..., X p /B 1,..., B E ) + Donde, es una variable aleatoria con media igual a 0 y varianza. Los valores de B 1,...,B E son obtenidos por algún método de estimación conveniente ( LS, M, GM etc.). Conceptos de Análisis de Regresión

31 La metodología de superficie de respuesta (Response surface methodology RSM) involucra una combinación de metamodelos (i.e., regresión lineal y no lineal) y procedimientos secuenciales de optimización (iterative optimization). Métodos en Superficie de Respuesta

32 Modelo Estadístico(Lineal) x, y son variables independiente y dependiente respectivamente. Además u una variable estadística que representa el error. Los parámetros 0 y 1 pueden ser estimados a partir de los datos {(x i, y i )} i=1,...,n mediante método de mínimos cuadrados. Entonces Sea ;

33 Modelo de Regresión simple Supuestos: v.a. parámetros Variable de control Perturbación Aleatoria, con esperranza nula, variancia constante, distribuida normalmente con independencia Hipótesis Estructural

34 Consecuencias de los supuestos Dist. Normalmente

35

36 Distribución de los Parámetros mínimo cuadráticos

37 Ejemplo de Regresión Simple t t V(t) V(t) Sea x t = sen ty t = V(t) Luegoy(t) = a + b x t + u t

38 % de Ajuste del Modelo =


Descargar ppt "Profesor : Héctor Allende O. Departamento de Informática Universidad Técnica Federico Santa María EconometríaEconometría."

Presentaciones similares


Anuncios Google