TRATAMIENTO PREVIO DE DATOS

Slides:



Advertisements
Presentaciones similares
Predicción: Aproximación intuitiva. La actividad de predicción es un fenómeno inherente a la condición humana y permanentemente estamos realizando predicciones.
Advertisements

El análisis de los riesgos determinará cuáles son los factores de riesgo que potencialmente tendrían un mayor efecto sobre nuestro proyecto y, por lo.
VALORES AGRUPADOS EN INTERVALOS. El consejo académico del colegio aplicó una prueba de conocimientos, entre 70 estudiantes elegidos al azar. El puntaje.
ADMINISTRACIÓN DEL MERCADO ELÉCTRICO  Datos de generación eólica real  Datos meteorológicos medidos por las estaciones de medida (MET) de los.
República Bolivariana de Venezuela Instituto Universitario Politécnico “Santiago Mariño" Estadísticas I - OV Estadística Profesor : Bachiller: Pedro Beltrán.
INTRODUCCIÓN A LOS MODELOS ARIMA
Distribuciones bidimensionales: Relación entre dos variables estadísticas Tema 3:
Facultad de Ciencias Sociales
Análisis de casos ECOTEC.
Qué es la Econometría No hay acuerdo en la definición ya que:
ANÁLISIS PRIMARIO DE SERIES TEMPORALES
TEMA 3: Distribuciones bidimensionales: relación entre dos variables estadísticas. Cristhian Lopez.
TRATAMIENTO PREVIO DE DATOS
El modelo simple de regresión
Introducción a los modelos econométricos
Introducción a los modelos econométricos
ANÁLISIS PRIMARIO DE SERIES TEMPORALES
ANÁLISIS DE RIESGO SIMULACIÓN DE SISTEMAS 2009
Unidad 4 Anexo 3. Capítulo X. Ecuación de Euler.
MODELOS MULTIECUACIONALES
METODOLOGÍA Y TÉCNICAS DE INVESTIGACIÓN EN CIENCIAS SOCIALES
CI 43A Análisis de Sistemas de Transporte
MODELOS MULTIECUACIONALES
DISEÑOS EXPERIMENTALES DE INVESTIGACION
“VA A PASAR LO QUE HA PASADO”
ESTIMACION DEL TAMAÑO DE LA MUESTRA.
MODELOS VAR Origen: Fueron planteados inicialmente por C.Sims en un artículo publicado en 1980 en ECONOMETRICA, bajo el título de “Macroeconomía y realidad”
Estimación de la Demanda
METODOS DE DESAGREGACION TEMPORAL: CHOW-LIN, FERNANDEZ Y LITTERMAN
CAPÍTULO 9: DETECCIÓN DE LÍNEAS
Calidad técnica de los EXANI
ANÁLISIS BÁSICO DE SERIES TEMPORALES
ESTADÍSTICA UNIDIMENSIONAL
Bioestadística Regresión y Correlación Múltiple:
Variables estadísticas bidimensionales
REGRESÍON LINEAL SIMPLE
REGRESIÓN LINEAL SIMPLE
METODO DE TRANSPORTE APROXIMACION DE VOGEL
MODELOS MULTIECUACIONALES
Decisiones de Inversión y Evaluación de Proyectos
INTERVALO DE CONFIANZA
METODOLOGÍA DE BOX - JENKINS
Análisis de covarianza
VARIABLES MACROECONÓMICAS
VARIABLE INDEPENDIENTE Cualitativa dicotómica
CONTENIDO Teoría del muestreo ¿Cómo seleccionar una muestra?
Aplicaciones Estadísticas a las Finanzas
Matriz de Insumo-Producto
Kriging Consideremos información de determinada propiedad en el yacimiento y puntos en los cuales se tiene la estimación dea partir de los puntos.
PIB Trimestral CNT 2006.
CONTROL E INSTRUMENTACIÓN DE PROCESOS TEMA 2 Control de Procesos
Taller de Matemáticas Financieras
METODOS PARA ANALISIS DE TALUDES
Estadística Administrativa II
PARA LA REGRESIÓN LINEAL SIMPLE
Sea la ecuación diferencial lineal de orden “n” y de coeficientes variables
Dr. Carlomagno Araya Alpízar
Tema 8: Procesos Estocásticos
PROBABILIDAD Y ESTADISTICA APLICADA A LOS NEGOCIOS
El modelo sistémico Un instrumento de Planificación para Sistemas Complejos, y un Modelo de Sensibilidad.
“Factores Macroeconómico condicionantes del comportamiento del PBI peruano durante el periodo ” Octubre 2017.
Evaluación de Proyectos con riesgo
MODELOS DE PRONOSTICOS
Microeconomía   Sesión 3. Funcionamiento de los mercados. Parte II.
Capacidad forrajera.
Estadística Económica Sara Mateo. Capítulo 10 Números índice Contenidos: Concepto y aplicaciones Clasificación. Números índice simples y números.
ANALISIS DE REGRESION SIMPLE
ESTUDIO DE MERCADO. MÉTODOS DE PROYECCIÓN ¿Qué es una proyección? Es una estimación del comportamiento de una variable en el futuro. Específicamente, se.
REGRESION LINEAL SIMPLE
REGRESION LINEAL SIMPLE
Transcripción de la presentación:

TRATAMIENTO PREVIO DE DATOS Condicionantes de partida: El análisis cuantitativo precisa de la disponibilidad de un conjunto amplio de mediciones homogéneas de un fenómeno económico. (serie) Estas series deben ser los más largas posibles y no presentar discontinuidades. Habitualmente necesitamos disponer de la información lo más actual posible. Situaciones reales: Las series estadísticas a menudo incorporan cambios metodológicos y perfeccionamientos que no las hacen homogéneas. Podemos encontrarnos con datos no disponibles, bien intermedios o bien actualizados.

TRATAMIENTO PREVIO DE DATOS Cambios metodológicos en las series estadísticas. La situación más habitual que nos podemos encontrar son los cambios de base en series de tipo INDICE. En el caso de las Cuentas Nacionales nos encontramos adicionalmente con cambios metodológicos unidos a cambios de base contable. Sistema de cuentas nacionales: Año Base: 1970 1980 1986 1995 2000 Metodología: CNE-70 (No homogénea) Sec-79 Sec-95 Sec-95 (Ind. Encadenados)

TRATAMIENTO PREVIO DE DATOS Cambios metodológicos en las series estadísticas. Si no se han producido cambios metodológicos y únicamente se trata de un cambio de base (en una serie en índices) se podrán recalcular las series disponibles en una base anterior y expresarlas en términos de la nueva base. Unicamente necesitamos disponer de la serie en la base antigua (80) incluyendo el valor de nuevo año base (90) en la base antigua (Ind9080)

TRATAMIENTO PREVIO DE DATOS Cambios metodológicos en las series estadísticas. Si existen cambios metodológicos el enlace de las series es bastante más complejo ya que tendríamos que disponer de los datos originales y rehacer las series con la nueva metodología. Habitualmente no se dispone de esta información y tendremos que acudir a enlaces aproximados en base a coeficientes correctores o manteniendo las tasas de variación, siempre que se disponga de un dato común.

TRATAMIENTO PREVIO DE DATOS Cambios metodológicos en las series estadísticas. Un problema que puede plantearse es la disponibilidad de varios años comunes, en cuyo caso el coeficiente corrector no es único. Las alternativas que se nos plantean son varias: Utilizar sólo el primero disponible Utilizar una media (si es mas o menos constante) Estimar la dinámica del coeficiente.(p.e. Media móvil)

TRATAMIENTO PREVIO DE DATOS Cambios metodológicos en las series estadísticas. Un segundo problema a tratar en los enlaces de cambios metodológicos sería la no disponibilidad de ningún punto común. Ante esta circunstancia una primera aproximación consistiría en respetar las tasas de crecimiento observadas en cada base y estimar la evolución (tasa de crecimiento) en el punto de corte. Una estimación sencilla consistiría en interpolar linealmente la tasa de variación del punto de corte, calculando la media entre las tasa previa y la posterior.

TRATAMIENTO PREVIO DE DATOS Cambios metodológicos en las series estadísticas. El problema más complejo ante un cambio metodológico surge cuando existen a su vez restricciones entre varias variables a enlazar. P.e Corrientes, constantes y deflactores, PIB oferta=PIB demanda; etc. Ante estas circunstancias se suele primar un enlace, o varios, y obtener los otros a partir de la restricción, comprobando que no se aleja en exceso de la realidad observada.

TRATAMIENTO PREVIO DE DATOS Existencia de datos perdidos En algunas ocasiones se nos presente el problema de la inexistencia de datos, bien por que no se han realizado las mediciones, o bien porque no somos capaces de localizar la fuente estadística. En estos casos podemos realizar una estimación simple mediante la interpolación lineal, o bien mediante la utilización de una tasa media acumulada.

TRATAMIENTO PREVIO DE DATOS Agregaciones de series, reducción de frecuencia. A menudo nos encontramos casos en los que las series que queremos analizar de forma conjunta presentan periodicidades distintas. (frecuencias). La norma general consistiría en utilizar las series en la frecuencia que presenta menor periodicidad, ya que siempre es posible “agregar”información, es decir reducir la frecuencia. Dependiendo del tipo de información contenida la agregación se realizará por suma, media, o por último dato.

TRATAMIENTO PREVIO DE DATOS Desagregación de series, aumento de frecuencia. En algunas ocasiones nos interesa el análisis de las series con la frecuencia más alta posible, a pesar de que alguna de las variables sólo este disponible en frecuencias más bajas. Ante estas circunstancias debemos optar por desagregar la variable de frecuencia más baja, aumentando su frecuencia. El problema fundamental en estas circunstancias se suele presentar por el cumplimiento de la restricción de agregación. (la nueva serie debe ser tal que al agregarla nos reproduzca la serie original).

TRATAMIENTO PREVIO DE DATOS Desagregación de series, aumento de frecuencia. Entre las distintas propuestas metodológicas para aumentar las frecuencia de una serie el método de Suavizado de Boot,Feibes y Lisman en uno de los más sencillos. Se trata de minimizar la suma de diferencias cuadráticas entre cada par de observaciones sucesivas sujeto a la restricción de que la suma de dichas observaciones sea el dato agregado.

TRATAMIENTO PREVIO DE DATOS Desagregación de series, aumento de frecuencia. Suavizado de Boot, Feibes y Lisman: La solución al problema de minimización se realiza mediante el lagrangiano:

TRATAMIENTO PREVIO DE DATOS Desagregación de series, aumento de frecuencia. Utilización de indicadores CHOW-LIN Una alternativa al método de suavizado consiste en la utilización de indicadores o variables “proxi” de alta frecuencia. (Para el caso trimestral Xqtj) Se parte de la estimación de una regresión entre la variable objetivo (Yt) y la proxi anualizada Xqt. A continuación se obtiene la variable de alta frecuencia (trimestralizada) aplicando los coeficientes estimados a los valores de alta frecuencia de la variable proxi.

TRATAMIENTO PREVIO DE DATOS Desagregación de series, aumento de frecuencia. Utilización de indicadores CHOW-LIN El cumplimiento de la restricción longitudinal se garantiza agregando al valor obtenido el error de la estimación en baja frecuencia distribuido entre los distintos periodos. En la alternativa más simple y asumiendo un ruido blanco en la perturbación de la regresión de baja frecuencia el coeficiente de distribución del error sería igual a 1/j. (para el caso trimestral)

TRATAMIENTO PREVIO DE DATOS Desagregación de series, aumento de frecuencia. Utilización de indicadores CHOW-LIN Si se detecta algún tipo de comportamiento anómalo en la matriz de varianzas-covarianzas de la perturbación aleatoria, utilizaríamos el estimador de Aitkien para determinar los valores de los parámetros . El valor trimestral de la variable objetivo se obtendría aplicando los coeficientes estimados al valor del indicador trimestral y añadiéndole el valor del error ponderado por la matriz de varianzas-covarianzas, ampliada a rango trimestral.

TRATAMIENTO PREVIO DE DATOS Desagregación de series, aumento de frecuencia. Especificaciones alternativas de la matriz de var-cov. La diferencia fundamental entre las distintas aproximaciones se centra en la estructura asumida para las perturbaciones del modelo trimestral subyacente. Ruido blanco: Chow y Lin (1971)

TRATAMIENTO PREVIO DE DATOS Desagregación de series, aumento de frecuencia. Especificaciones alternativas de la matriz de var-cov. Paseo aleatorio: Fernández (1981)

TRATAMIENTO PREVIO DE DATOS Desagregación de series, aumento de frecuencia. Especificaciones alternativas de la matriz de var-cov. AR(1): Chow y Lin (1971)

TRATAMIENTO PREVIO DE DATOS Desagregación de series, aumento de frecuencia. Especificaciones alternativas de la matriz de var-cov. AR(1): Chow y Lin (1971) El problema fundamental es estimar . Di fonzo y Filosa proponen su estimación a partir de la relación con el coeficiente anual a