1 Modelos de Regresión Dinámica I: variables estacionarias

2 El modelo de regresión dinámica entre dos series:la respuesta depende no solo de x(t) sino de sus retardos El ruido tiene autocorrelación donde x es una serie temporal y nt el proceso de perturbación Este modelo se denomina de regresión dinámica

3 La función de transferenciaExpresa la dependencia de y(t) de x(t) como una función lineal Donde v(1) es la ganancia. Problema: si x(t) tiene alta autocorrelacion como tenemos como Regresores los retardos de x(t) aparecera multicolinealidad

4 Forma ARMA: Si fijamos una forma simple podemos estimarla mejor.

5 Si escribrimos w/(1-aB) evitamos tener que estimar muchos coeficientesporque: y(t)=w/(1-aB) x(t)+n(t) equivale a: y(t)=ay(t-1)+wx(t)+n*(t) con n*(t)=(1-aB)n(t)

6 Conviene separar el efecto a corto y a largo plazo tomando diferencias de varios ordenesCualquier función de transferencia puede escribirse como: La ganancia (efecto a largo plazo) esta en el coeficiente de x(t) los efectos a corto en los de sus diferencias

7 Ejemplo: v(B)= .5+.3B+.2B2 =1+b(1)(1-B)+b(2)(1-2B+B2) =1+b(1)+b(2) -(b(1)+2b(2))B+b(2) B2 Por tanto =1 +b(1)+b(2) .2 = b(2) .3=- (b(1)+2b(2)) b(1)= =-.7 Luego v(B)= .5+.3B+.2B2 =1-.7 (1-B)+.2(1-2B+B2)

8 Ventajas de separar corto y largo:Si las x estan correladas, x(t) y (1-B)x(t) estarán mucho menos correladas entre si que x(t) y x(t-1). Si las x(t) son estacionarias y al diferenciar se aumenta la varianza de los regresores estimaremos mejor sus efectos

9 Otra forma de separar el efecto a corto y a largo plazo esDonde ahora: De nuevo los regresores que son ahora las diferencias de la variable estarán menos correlados entre si que los retardos de la variable original

10 Modelo para el proceso de inerciaModelo ARMA. tomar el modelo de y(t) o una simplificación de ese modelo

11 Metodología Identificar el modelo Estimarlo por MV Diagnosis

12 Identificación

13 Reglas generales para identificar la función de transferencia

14 Importancia de tener en cuenta la dinámica en la estimaciónCuando la variable x(t) es una serie temporal con autocorrelación y el proceso de ruido tiene tambien autocorrelación, los resultados de aplicar mínimos cuadrados ordinarios para estimar los parámetros en una regresion no son fiables:

15 si la variable x(t) no tiene autocorrelación, es ruido blancoindependiente de la perturbación, tenemos que: Pero si la variable x(t) tiene autocorrelación

16

17 Si no tenemos en cuenta la autocorrelación encontraremos relación entre las variables aunque sean independientes

18

19 Diagnosis

20

21

22

23

24

25

26 Modelo con varias variablesForma ARMA: Forma corto y largo:

27

28

29 Ejemplo

30