series de tiempo

LABORATORIO SERIES DE TIEMPO UNIVARIADAS
Los modelos para volatilidad es cuando se modela la heteroscedasticidad: ARCH, GARCH, etc.
Aquello que se repite cada cierto tiempo se llama estacionariedad.
Tendencia es el comportamiento de la serie cuando uno quita el componente estacional.
La tendencia en series de tiempo será la media de los datos, que será cambiante y los puntos que están afuerade la tendencia es la varianza por lo que en análisis de series de tiempo hay heteroscedasticidad pues la varianza no es constante.

CAMBIOS DE TENDENCIA
Los cambios pueden deberse a cambios estructurales, es conveniente modelarlos. Se puede hacer con variables dicotómicas haciendo valer 1 al momento desde donde hubo un cambio hacia adelante y de allí hacia atrás vale 0.
También algo mejores hacer un análisis de intervención donde la tendencia es continua pero cambia lentamente cuando hay cambios estructurales.

GENERAR LA VARIABLE TIEMPO
genr Tiempo=@trend-86
Generamos la variable tiempo -86 porque restringimos los datos para que empezaran en abril 1995 y cuando genero la serie tiempo Eviews toma el primer dato como 0.

R cuadrada ajustada nos da la bondad de ajuste pero tomaen cuenta el número de datos y el número de parámetros que tengo porque el coeficiente R cuadrada va creciendo conforme voy aumentando el número de variables.

S. E. OF REGRESSION
Es el error estándar estimado de la regresión, es decir, .
Se puede calcular de la Sum square resid dividido el número de observaciones menos el número de parámetros incluídos en la regresión. Luego si sacamosraíz cuadrada a ese valor obtenemos .

Los Criterios de información para ver que modelo es mejor se construyen a través de log likelihood.
Las pruebas de hipótesis son pruebas sobre los parámetros aunque los cálculos son inferencias sobre los estimadores de los parámetros.

MEAN DEPENDENT VAR
Es la media estimada de la variable dependiente, , este estimador es pésimo para series de tiempo puesla media estimada en series de tiempo se mueve conforme cambia el tiempo.

S. D. dependent var
Es la desviación estándar muestral y no es igual al error estándar de la regresión porque el error estándar de la regresión esta siendo modelado con el tiempo en cambio la desviación estándar de la variable dependiente es calculada mediante los datos que se observan de la variable dependiente.Cuando el error estándar es más pequeño quiere decir que el modelo explica más pues la varianza es mínima.

DURBIN-WATSON STAT
Sirve para ver si los errores tienen correlación de primer orden. Si no hay un orden no tiene sentido ver este estadístico. En series de tiempo hay un orden natural.

COMPARAR LOS RESIDUOS
En la gráfica de los residuos se puede ver lo que aún no se ha podido explicar,es decir, lo que no he modelado. Puede ser que se haya modelado la tendencia pero aún no se le ha quitado la estacionariedad y eso se reflejará en la gráfica de los residuos.

CORRELACIÓN
Si hay muchas variables x’s correlacionadas el determinante va ser cercano a cero o no existe por lo que al calcular la matriz inversa de X el sistema va ser muy inestable porque los números van a tender ainfinito.
Una solución cuando hay problemas de multicolinealidad y no se quiere quitar variables es Ridge regression, al aplicarla dará estimadores que no serán insesgados pero toma en cuenta la sensibilidad de la matriz inversa.
Si se incluyen 11 dummies el mes que se quitará será contra el que se quiere comparar.


MODELANDO LA ESTACIONALIDAD
GENERAR DUMMIES PARA CADA MES
genr enero=@seas(1)Sirve para agregar variables dummies para el sample elegido donde nombro como quiero que se llame la serie y elijo el período que quiero que tenga valor 1 en cada año.
Para febrero sería genr febrero=@seas(2) y le dará un valor 1 a cada período 2 de cada año.

Luego generamos la regresión lineal
ls venta_autos c enero febrero marzo abril mayo junio julio agosto septiembre octubre...