EL FILTRO DE KALMAN: APLICACION AL ESTUDIO DEL CICLO ECONOMICO

Slides:



Advertisements
Presentaciones similares
PRACTICAS SOBRE LA MODELIZACIÓN DE SERIES TEMPORALES
Advertisements

4. ANÁLISIS FACTORIAL Introducción Modelo factorial ortogonal
Cluster.
Error Estándar de la Media
Modelos de Variable Dependiente Binaria -Logit y Probit-
Curso FSE – Comunidad de Madrid
Estimación: de una Función de Demanda Mensual por Emisión Monetaria ( ) para Honduras, mediante modelos Econométricos, serie de tiempo y Pronostico.
REGRESION Y CORRELACION LINEALES. REGRESION LINEAL SIMPLE Finalidad Estimar los valores de y (variable dependiente) a partir de los valores de x (variable.
Covarianza muestral Sean x1, x2, ..., xn e y1, y2, ..., yn dos muestras aleatorias independientes de observaciones de X e Y respectivamente. La covarianza.
Modelado y simulación en Ingeniería Química. Manuel Rodríguez
PROPIEDADES ESTADÍSTICAS DE LOS ESTIMADORES
ANALISIS DE COMPONENTES PRINCIPALES.
SERIES TEMPORALES.
AREA DE MODELIZACIÓN MACROECONÓMICA
CAMBIOS ESTRUCTURALES Y LA SELECCIÓN DE MODELOS MACROECONOMETRICOS Peter A. Prazmowski.
Modelación de la inversión con resultados empíricos para Centroamérica y la República Dominicana José R. Sánchez-Fung Kingston University, Londres CEPAL,
INTRODUCCIÓN A LAS SERIES DE TIEMPO
Capitulo 10: La metodología Box-Jenkins
Regresión y correlación
CONTRASTE Y VALIDACIÓN DE UN MODELO
Estadística Descriptiva: 4. Correlación y Regresión Lineal
Tema 1- Regresión lineal simple.
Estadística Descriptiva: 4. Correlación y Regresión Lineal Ricardo Ñanculef Alegría Universidad Técnica Federico Santa María.
Regresión Lineal Simple
Fundamentos de Programación Matemática y Casos de Estudio en Economía.
Maracaibo, 5 de Noviembre de 2007 Universidad del Zulia Facultad de Ingeniería Instituto de Cálculo Aplicado Universidad del Zulia Facultad de Ingeniería.
Análisis de Correlación y de Regresión lineal simple
Estadística 2010 Maestría en Finanzas Universidad del CEMA Profesor: Alberto Landro Asistente: Julián R. Siri.
Método de Gauss-Seidel
Cuantificación de la capacidad predictiva de la SST del Atlántico en las temperaturas de Europa S.R. Gámiz-Fortis, M.J. Esteban-Parra, D. Argüeso, J.M.
Inmigración y desempleo en España: impacto de la crisis económica
CONTRASTE Y VALIDACIÓN DE UN MODELO
Flujo de carga en Sistemas de Potencia.
Mario Francisco, Pastora Vega
Predicción: Aproximación intuitiva. La actividad de predicción es un fenómeno inherente a la condición humana y permanentemente estamos realizando predicciones.
Pronósticos, Series de Tiempo y Regresión
SERIES TEMPORALES.
1 INTERPRETACIÓN DE UNA ECUACIÓN DE REGRESIÓN El diagrama muestra el ingreso por hora en 2002 graficado contra los años de educación, definido como el.
Método de previsión para el turismo.
Análisis de series de tiempo Semana 9 Abril –Julio 2009.
Caso: Situación de las Comunidades Autónomas españolasen cuanto a indicadores de bienestar En el periódico “El País” del día 17 de enero de 2002 se publicó.
MODELOS STR PARA EL ANÁLISIS DE LA RESPUESTA NO LINEAL DE LA DEMANDA DE ELECTRICIDAD A LA TEMPERATURA CONGRESO ASEPELT MODELOS STR PARA EL ANÁLISIS DE.
La Tierra de las Raíces Unitarias Jesús Gonzalo U. Carlos III de Madrid.
Universidad de La Laguna, 14/11/2013 Mareas y Corrientes IV: Análisis de datos de corrientes.
Act. Carlos Vladimir Rodríguez Caballero HSBC MÉXICO Facultad de Ciencias Riesgo de CréditoUNAM AME p.1/16.
Introducción a la Inferencia Estadística
Modelo de Clasificación Análisis de la Varianza Ejemplo 1:Modelo de Clasificación unifactorial Comparación del porcentaje de semillas germinadas en función.
LA RECTA DE REGRESIÓN CONTENIDOS:
1. Actualmente el marco general en el que una organización lleva a cabo su actividad se caracteriza por una alta dinamicidad y cambios permanentes. Ante.
Repaso de clase anterior
ANÁLISIS MULTIVARIANTE
PARÁMETROS GENÉTICOS Y RESPUESTA A LA SELECCIÓN EN UNA POBLACIÓN DE GALLINAS DE RAZA CASTELLANA NEGRA Archivos de Zootecnia vol. 55, Nº 209, Pág
 Introducción  Modelo factorial ortogonal  Construcción del modelo factorial: método de componentes principales  Construcción del modelo factorial:
Multiple Camera Tracking of Interacting and Occluded Human Motion SHILOH L. DOCKSTADER, STUDENT MEMBER, IEEE, AND A. MURAT TEKALP, SENIOR MEMBER, IEEE.
Trabajo Final Econometría. Universidad del CEMA2 Aspectos Formales  Fecha límite de entrega: Fecha Examen final  Entregas parciales: Elección y presentación.
ANÁLISIS DE LA DISTRIBUCIÓN TERRITORIAL Y PERSONAL DE LAS RENTAS SUJETAS AL IRPF EN ESPAÑA: ESTEFANÍA LÓPEZ LLOPIS Universidad de Alicante.
Una Estructura en Cascada para Prediccion Lineal Adaptiva Presentado por: Guillermo Dalla Vecchia ) Martes 14 de Setiembre, 2003.
BLOQUE III. ESTADÍSTICA DESCRIPTIVA CON DOS O MÁS VARIABLES. 3. 1
REGRESIÓN MULTIPLE CON DOS VARIABLES EXPLICATIVAS: EJEMPLO INGRESO EXP S 11 1 INGRESO =  1 +  2 S +  3 EXP + u Esta presentación proporciona una interpretación.
Análisis de series de tiempo
- ALUMNAS: RANGEL ADA G. CI GIL VENECIA A. S. CI CATEDRA: COMPUTACION ESTADISTICA.
1 F. Corrales, R. Doménech y J. Varela 27 de Enero 2003 El Déficit Cíclico y Estructural de la Economía Española.
TEMA : ANALISIS DE REGRESION
Proceso de desarrollo de Software
FASE 1 PREPARACION PARA LA FORMULACION DE PROYECTOS PREPARACION DEL PLAN DE TRABAJO DE FORMULACION 1.2. PLAN DE TRABAJO PARA LA FORMULACION PREPARADO PRINCIPALES.
Capítulo 10 Análisis de los datos.
LA BIOTECNOLOGÍA ESPAÑOLA: IMPACTO ECONÓMICO, EVOLUCIÓN Y PERSPECTIVAS Antonio Pulido Madrid 29 Noviembre 2005 Universidad Autónoma de Madrid Relevancia.
INTRODUCCIÓN 1.- Estadística: concepto, contenido y relaciones
Free and Quick Translation of Anderson's slides1 Analisis de Regresion Multiple y =  0 +  1 x 1 +  2 x  k x k + u 4. Mas Aspectos de este Modelo.
Transcripción de la presentación:

EL FILTRO DE KALMAN: APLICACION AL ESTUDIO DEL CICLO ECONOMICO DOCTORADO EN MODELIZACION ECONOMICA APLICADA. INSTITUTO L. R. KLEIN. UNIVERSIDAD AUTONOMA DE MADRID Julián Moral Carcedo Area Macroeconomía

INDICE 1.- Representación de sistemas dinámicos lineales en el espacio de los estados. 2.- El filtro de Kalman. 3.-Aplicación práctica. BIBLIOGRAFIA RECOMENDADA. J.D. Hamilton. (Capítulo 13). Time series analysis. Princeton University Press. 1991 J.D. Hamilton. State space Models. Handbook of Econometrics. Volumen IV. 1994. A.C. Harvey. Forecasting structural time series model and the Kalman filter. Cambridge University Press. 1989. Chang-Jin Kim y Charles R. Nelson. State-Space Models with regime switching. MIT Press (1999).

RE`PRESENTACION EN EL ESPACIO DE LOS ESTADOS : “STATE-SPACE REPRESENTATION” Ecuación de medida /observación PARTE ESTATICA (nx1) (nxk)(kx1) (nxr)(rx1) (nx1) PARTE DINAMICA (rx1) (rxr)(rx1) (rx1) Ecuación de estado

MODELO DINAMICO ESPACIO ESTADOS ...... ...... INOBSERVADO GENERALMENTE

EJEMPLOS AR(1) AR(p) MODELO DINAMICO ESPACIO ESTADOS MODELO DINAMICO (1x1) (1x1) (1x1) (1x1)(1x1) (1x1) (1x1) (1x1)(1x1) (1x1) AR(p) MODELO DINAMICO (1x1) (1x1)(1x1) (1x1)(1x1) (1x1)(1x1) (1x1)

ESPACIO ESTADOS AR(p) (1x1) (1xp) (px1) (px1) (pxp) (px1) (px1)

EJEMPLOS ARMA(p,q) MODELO DINAMICO ESPACIO ESTADOS

EL FILTRO DE KALMAN El filtro de Kalman consiste en un algoritmo que proporciona estimaciones de la ecuación de estado a partir de la información disponible hasta el momento t (“condicionada” a la información disponible en t) y de la ecuación de medida, para posteriormente, corregir las estimaciones conforme se amplia la información disponible. El algoritmo precisa de dar un valor inicial t=1 al vector , (y a su error cuadrático medio) el cual no se basa en información muestral, sino que puede considerarse un prior que se impone.

DIAGRAMA DE FLUJO DEL FILTRO DE KALMAN

¿Existe un ciclo común entre las principales economías europeas? APLICACIÓN PRACTICA OBJETIVO: ¿Existe un ciclo común entre las principales economías europeas?

COEFICIENTES DE CORRELACION

El ciclo observado en un país responde a dos componentes inobservables: un ciclo específico propio o residual y un ciclo común que comparten todos los países Ciclo observado, crecimiento interanual del PIB del país j en el momento t Ciclo específico del país j en el momento t, es un componente residual (lo que resulta de restar al ciclo el componente común) Ciclo común a todos los países en el momento t

SIMILITUDES Y DIFERENCIAS CON EL ANALISIS FACTORIAL AF: Estático FK: Dinámico F1 Y1 Y2 Y3 FE1 FE2 FE3 t-1 t F1 Y1 Y2 Y3 FE1 FE2 FE3

FORMULACION ESPACIO ESTADOS ECUACION DE MEDIDA ECUACION DE ESTADO Ausencia de relación entre el ciclo común y los ciclos específicos y entre éstos últimos. La ecuación de estado es una identidad

ESPECIFICACION EVIEWS 4.0 D(LOG(ALEMANIA))=SV1+SV2 D(LOG(ESPA))=SV2+SV3 D(LOG(ITALIA))=SV2+SV4 D(LOG(FRANCIA))=SV2+SV5 @STATE SV1=C(5)*SV1(-1) + [var=exp(C(14))] @STATE SV2=C(6)*SV2(-1) + [var=exp(C(15))] @STATE SV3=C(7)*SV3(-1) + [var=exp(C(16))] @STATE SV4=C(8)*SV4(-1) + [var=exp(C(17))] @STATE SV5=C(9)*SV5(-1) + [var=exp(C(18))] ESPECIFICACION EVIEWS 3.1 D(LOG(ALEMANIA))=SV1+SV2 D(LOG(ESPA))=SV2+SV3 D(LOG(ITALIA))=SV2+SV4 D(LOG(FRANCIA))=SV2+SV5 @STATE SV1=C(5)*SV1(-1) @STATE SV2=C(6)*SV2(-1) @STATE SV3=C(7)*SV3(-1) @STATE SV4=C(8)*SV4(-1) @STATE SV5=C(9)*SV5(-1)

1º CREAR OBJETO SSPACE

2º ESPECIFICACION ESPACIO ESTADOS

3º ESTIMACION : ELEGIR LAS OPCIONES: matriz de varianzas de la ecuación de medida y de la ecuación de estado 4º ALGORITMO DE ESTIMACION Y OPCIONES DE ITERACIÓN

5º ESPERAR Y “REZAR” PARA QUE EL ALGORITMO DE ESTIMACION CONVERGA A UNA MÁXIMO DE LA FUNCIÓN DE VEROSIMILITUD (LOCAL O GLOBAL)

6º EL PROGRAMA HA CREADO NUEVAS SERIES QUE CONTIENEN LAS VARIABLES DE ESTADO, TAMBIEN PODEMOS SOLICITAR LAS VERSIONES ALISADAS Y SU MSE

COEFICIENTES DE CORRELACION RESULTADOS COEFICIENTES DE CORRELACION

La serie CE Francia parece presentar anomalías, en el sentido de que carece de ciclo específico, resultado coherente con la alta correlación que presenta la serie Francia con el ciclo común.

“... Cuando se registran fases expansivas la economía española registra crecimientos superiores a los de sus socios europeos, de manera contraria, las recesiones resultan más profundas en España ...”