Cómo desestacionalizar los datos de series de tiempo
En muchos casos, los patrones estacionales se quitan de los datos de series de tiempo cuando están en libertad bajo las bases de datos públicas. Los datos que han sido despojados de sus patrones estacionales se conoce como seasonally ajustada o desestacionalizadas datos.
Con el fin de obtener una medida de bondad de ajuste que aísla la influencia de las variables independientes, se debe estimar el modelo con valores desestacionalizados para ambas variables dependientes e independientes. Aquí está la manera de hacer precisamente eso:
Regresión la variable dependiente de las variables ficticias estacionales para obtener la función estimada
y retener los residuos de esta regresión.
Retroceder cada una de las variables independientes sobre las variables ficticias estacionales para obtener las funciones estimadas
dónde k representa una variable independiente específica, y retener los residuos de todo k de estas regresiones.
Regresión de los residuos obtenidos en el Paso 1
sobre los residuos obtenidos en el Paso 2
para estimar
El R-cuadrado de esta regresión proporciona una mejor medida de ajuste cuando la serie de tiempo exhibe considerable estacionalidad.
El tradicional R cuadrado puede inflado cuando los datos contienen patrones estacionales significativas. Si se encuentra con esta situación, simplemente estimar una regresión con datos desestacionalizados para encontrar un valor de R cuadrado alternativa.
La cifra utiliza STATA para estimar el impacto de registro mensual de desempleo y una tendencia temporal en el registro de las ventas de souvenirs, entre 1987 y 1993. En primer lugar, el modelo se estima con los datos en bruto, y luego el modelo se estima con datos desestacionalizados.
La salida para los pasos intermedios se excluye para ahorrar espacio. Como era de esperar, el R-cuadrado es menor después de que los datos se desestacionalizadas (0,9106 comparado con 0,9539), pero la diferencia no es grande. Las estimaciones de los coeficientes de las variables de desempleo y las tendencias son similares en ambas regresiones, por lo que los resultados implican que el papel de las variables independientes no se ve afectado por los patrones estacionales.
Los econometristas estiman principalmente el modelo de regresión con datos desestacionalizados para derivar el poder explicativo de las demás variables independientes. Sus resultados econométricos primarias, sin embargo, deben reportar las estimaciones del modelo con los datos en bruto y las variables ficticias temporada.
-
Cómo nuevas predicciones analíticas con regresión r - Cómo utilizar regresiones lineales en el análisis predictivo
-
Calcule un modelo de regresión en la TI-83 Plus -
Los resultados de una regresión en la TI-Nspire - Estimación econométrica y los supuestos CLRM
- Econometría: elección de la forma funcional de su modelo de regresión
Econometría y el modelo log-lineal Si utiliza valores logarítmicos naturales para su variable dependiente (Y) Y mantener sus variables independientes (X) En su escala original, la especificación econométrica se llama log-lineal del modelo. Estos modelos se utilizan normalmente…
Econometría y el modelo log-log Utilizando logaritmos naturales para las variables en ambos lados de su especificación econométrica se llama log-log modelo. Este modelo es útil cuando la relación no es lineal en los parámetros, ya que la transformación logarítmica genera la…
La estimación de la función de regresión y de los residuos La función de regresión se suele expresar matemáticamente en una de las siguientes maneras: notación básica, notación sumatoria o notación matricial. los Y variable representa el resultado que le interesa, llamada la variable dependiente, y…
Alta multicolinealidad y el modelo econométrico Resultados de alta multicolinealidad de una relación lineal entre las variables independientes con un alto grado de correlación, pero no son completamente determinista (en otras palabras, que no tienen correlación perfecta). Es mucho más común…
Cómo estimar los efectos de estacionalidad Efectos de estacionalidad se pueden correlacionar con las dos variables dependientes e independientes. A fin de evitar confundir los efectos de estacionalidad con los de las variables independientes, es necesario controlar de forma explícita para…
Cómo seleccionar variables independientes para su modelo econométrico Una de las decisiones más importantes que hacer cuando se especifica el modelo econométrico es que las variables a incluir como variables independientes. Aquí, se entera de lo que pueden producirse problemas si incluye muy pocas o demasiadas…
Cómo utilizar oles para los ajustes estacionales Cuanto mayor sea la frecuencia de una serie de tiempo económica, lo más probable es mostrar patrones estacionales. Por ejemplo, las cifras de ventas minoristas a menudo presentan un aumento significativo en torno a las vacaciones de invierno.…
Multicolinealidad perfecta y el modelo econométrico Conseguir un asimiento en multicolinealidad perfecta, que es poco frecuente, es más fácil si se puede imaginar un modelo econométrico que utiliza dos variables independientes, tales como las siguientes:Supongamos que, en este modelo,donde los…
Especificar el modelo de regresión de la econometría En la econometría, el modelo de regresión es un punto de partida común de un análisis. A medida que define el modelo de regresión, es necesario tener en cuenta varios elementos:La teoría económica, la intuición y el sentido común deben todo…
Prueba de heterocedasticidad con la prueba de blanco En econometría, una prueba muy común para heteroscedasticidad es la prueba de Blanca, que comienza al permitir que el proceso de heteroscedasticidad sea una función de una o más de las variables independientes. Es similar a la prueba…
Los 2 tipos de multicolinealidad Multicollinearity surge cuando existe una relación lineal entre dos o más variables independientes en un modelo de regresión. En la práctica, rara vez se encuentra con multicolinealidad perfecta, pero de alta multicolinealidad es bastante común…
Estadísticas de las empresas: utilizan el análisis de regresión para determinar la validez de las relaciones El análisis de regresión es una de las técnicas estadísticas más importantes para aplicaciones de negocios. Es una metodología estadística que ayuda a estimar la fuerza y la dirección de la relación entre dos o más variables. El…