Los conceptos de Econometría II, definidos en una línea. Ordenados de la A a la Z.
Rasgo de los procesos i(2): la tasa de crecimiento cambia por las perturbaciones.
Revisión z^_(t+1)(k - 1) = z^_t(k) + psi(k-1) a_(t+1) al observar un dato nuevo.
Predicción como media ponderada de los datos pasados con pesos (1 - theta) theta^j.
Inclusión en un modelo de series de variables artificiales filtradas que recogen sucesos especificos (box y tiao, 1975).
Mecanismo económico que mantiene cointegrados los precios de activos sustitutos como oro y plata.
Función del paquete astsa de r que calcula los pesos pi de la representación ar(infinito) de un arma.
Función de r que calcula los pesos psi de la representación ma(infinito) de un arma.
AO: alteración de una sola observación, z_t = y_t + omega i_t, por ejemplo un error de medida.
IO: alteración de la innovación en h que se propaga a la serie con los pesos psi.
Media mu = c/(1 - phi) hacia la que converge un proceso estacionario tras una perturbación.
Proceso (1 - phi_s l^s) x_t = a_t con dependencia solo en los retardos s, 2s, ...
El futuro no causa el pasado (a) y la información no es redundante (b).
Estimación de los valores previos a la muestra en la máxima verosimilitud exacta.
Estimador de mínimos cuadrados generalizados factible de efectos aleatorios en datos de panel.
Límites +-2/raíz(t) que contienen aproximadamente el 95 % de las autocorrelaciones muestrales de un ruido blanco.
Ls: desplazamiento permanente omega s_t de la serie desde un instante.
Modificacion de los coeficientes de la regresión de un período a otro, detectable con dummies de año e interacciones.
TC: efecto omega/(1 - 0,7b) que decae geométricamente tras el instante h.
Estudio de 1994 que estima con diferencias en diferencias el efecto de un aumento del salario mínimo sobre el empleo en comida rápida.
Una variable causa a otra si su pasado mejora la predicción de la otra, dado el pasado de esta.
El pasado de y cambia la esperanza condicional de x_(n+1): delta_(n+1) distinto de cero.
Causalidad de granger establecida respecto de un conjunto de información limitado y no del universo.
Una serie causa a la otra en el sentido de granger, pero no al revés.
Función de r que calcula la correlación cruzada entre x_(t+k) e y_t.
Vector beta = e(XX')^-1 e(xy) que resuelve las ecuaciones normales q_XX beta = q_xy.
Media del período estacional de la serie sin tendencia menos la media general; suman cero.
Relación entre series i(1) cuya combinación lineal, dada por el vector de cointegración, es estacionaria i(0).
Conjunto de muestras aleatorias independientes de una población tomadas en distintos momentos del tiempo, con unidades que cambian en cada corte.
Predicción compuesta lambda x^(1) + (1 - lambda) x^(2) con pesos estimados por MCO.
Desviaciones sistemáticas respecto de la tendencia distintas de la estacionalidad.
Ruido residual tras extraer tendencia, ciclo y estacionalidad.
Solución de nabla^d p_t(k) = 0: la tendencia prevista, polinomio de grado d - 1 en el horizonte.
Solución de phi(l) t_t(k) = 0, mezcla de exponenciales y ciclos que tiende a cero.
Tendencia, ciclo, estacionalidad e irregular en que se descompone una serie, que no se observan por separado.
Igualdad e(xe)=0 que expresa la ortogonalidad entre el error de proyección y los regresores.
Factorizar d(y_t, z_t / pasado) como condicional de y_t dado z_t por marginal de z_t.
Variables y valores pasados respecto de los cuales se define la causalidad de granger.
Versión del contraste de dickey-fuller con retardos de la diferencia para absorber la autocorrelación de los errores.
Prueba f de cambio estructural que testea si el intercepto y las pendientes de la regresión difieren entre períodos.
Contraste de raíz unitaria con nula alpha = 0 en delta x_t = alpha x_(t-1) + e_t y estadístico tau = alpha_hat/ee de distribución no estándar.
Estadístico d = j restringido menos j no restringido, análogo a la razón de verosimilitudes, con q grados de libertad.
Prueba que compara efectos fijos y aleatorios para evaluar la incorrelación entre la heterogeneidad inobservable y los regresores.
Contraste de normalidad con JB = n/6 [a^2 + (k - 3)^2/4], chi-cuadrado con 2 gl bajo la nula.
Contraste conjunto de que las primeras h autocorrelaciones son nulas con q(h) = t(t + 2) suma de r_j^2/(t - j).
Contraste de autocorrelación sobre los residuos al cuadrado para evaluar varianza constante.
Contraste de raíz unitaria que corrige la autocorrelación de los errores de forma no paramétrica.
Contraste RV = -2 ln[l(restringido)/l(no restringido)] con distribución chi-cuadrado y q grados de libertad.
Contraste de sobreidentificación para MC2e bajo homocedasticidad, generalizado por el contraste j de hansen.
Prueba t sobre el coeficiente de la razón de mills en la segunda etapa; si es significativo hay sesgo de selección.
Contraste de una hipótesis sobre theta = r(beta) basado en la normalidad asintótica del estimador MGM.
Contraste de raíz unitaria que estima de forma endógena la fecha de un cambio estructural.
Contraste de sobreidentificación que evalúa la validez conjunta de las condiciones de momento, con estadístico igual al mínimo del criterio eficiente.
Contraste con hipótesis nula de estacionariedad y alternativa de raíz unitaria, complementario del ADF.
Contraste de autocorrelación residual de un var con k^2(h - p) grados de libertad.
Estadístico tipo ljung-box sobre las correlaciones cruzadas entre residuos e input preblanqueado.
Un polinomio converge si toma valores finitos para todo h con -1 <= h <= 1; el inverso converge si todas las raíces están fuera del círculo unitario.
Representación de las autocorrelaciones muestrales r_k en función del retardo.
Gráfico de la función de correlación cruzada muestral para distintos desfases.
BIC = -2 logl + k ln(n) en r; penaliza más los parámetros y es consistente.
AIC = -2 logl + 2k en r (ln sigma^2 + 2(p + q)/t en el curso); tiende a sobreparametrizar.
Forma cuadrática j_n(beta) = n g_n(beta)' w g_n(beta) que minimiza el estimador MGM.
Argumento de lucas (1976): los parámetros de comportamiento cambian cuando cambia la regla de política.
Transformación de efectos aleatorios que resta a cada variable una fracción theta de su media individual.
Conjunto de datos que sigue a las mismas unidades de un corte transversal a lo largo de varios períodos de tiempo.
Experimento de simulación de 1993 que midio frecuencias de rechazo falso de 66 % con n = 50 y 85 % con n = 250.
Factorización triangular de la matriz de covarianzas que identifica shocks ortogonales con un orden causal contemporáneo.
Proporción del error de predicción de cada variable atribuible a cada shock estructural.
Extracción del componente estacional de una serie para estudiar su tendencia.
Proceso con e(z_t | z_(t-1), ..., z_1) = 0; si es estacionario con varianza finita es ruido blanco.
Log x_t - log x_(t-1), aproximación de la tasa de variación cuando esta es pequeña.
Estimador del efecto de una política que resta al cambio temporal del grupo tratado el cambio temporal del grupo de control.
Distribución condicional f(y|y>c) igual a la densidad dividida entre la probabilidad de superar el umbral.
Correspondencia por la que la FAC de un ma(q) se comporta como la FACP de un ar(q) y viceversa.
Variable binaria que identifica el período de una observación y permite que el intercepto cambie en el tiempo al combinar cortes transversales.
Lambda^2 + b lambda + c = 0, cuyas raíces dan la solución de la ecuación homogénea de segundo orden.
Regresión de nivel entre las series cuya relación de largo plazo se busca en la primera etapa de engle y granger.
Igualdad e(g_i(beta))=0 con g_i función conocida de la observación y del parámetro.
Phi(l) nabla^d z^_t(k) = c, válida para k > q, cuando la parte de medias móviles ya no actúa.
Ecuación latente y_2* = z'gamma + u_2 cuyo signo determina si la observación es observada, estimada como probit.
Ecuación cuya incógnita es una sucesión x_n definida a partir de sus términos anteriores y condiciones iniciales.
Sistema rho = r phi que relaciona las autocorrelaciones con los parámetros de un ar(p).
Sistema q_XX beta = q_xy que caracteriza el coeficiente de proyección lineal.
Variación de una serie mensual por el largo del mes y la composición de días de la semana.
Componente ai del modelo de panel que recoge factores no observados constantes en el tiempo propios de cada unidad.
Derivada de e(y|y>0,x) en el tobit, igual a beta_j por 1 - lambda(a + lambda) con a = x'beta/sigma.
Derivada de e(y|x) en el tobit, igual a beta_j por el factor de escala phi(x'beta/sigma).
Derivada de e(y*|x) respecto de un regresor, igual al coeficiente beta_j del tobit.
En una serie en logaritmos, 100(e^omega - 1) mide el cambio porcentual atribuible a la intervención.
Efecto medio de la política sobre el resultado, estimado por el coeficiente de la interacción período por tratamiento.
Tendencia determinista omega r_t con r_t = t + 1 - h desde h; se confunde con un IO en series i(2).
Modelo y estimador de panel que trata la heterogeneidad inobservable como parte del error y supone que no correlaciona con los regresores.
Modelo y estimador de panel que elimina la heterogeneidad inobservable permitiendo que correlacione con los regresores.
Modelo de panel que incluye efectos fijos de unidad y de tiempo simultaneamente.
La predicción no puede mejorarse con la información disponible; errores no predecibles.
Valor o senda hacia la que tiende la predicción si no llegan nuevas sorpresas.
Con pérdida cuadrática la decisión óptima solo requiere la esperanza condicional de la variable futura.
Independencia asintótica: la dependencia entre variables se desvanece al crecer el desfase y habilita la inferencia con una sola serie.
Suma del efecto inobservable y el error idiosincrático, vit = ai + uit, en el modelo de panel.
e[(z_(t+k) - z^)^2 | datos]; varianza condicional más sesgo al cuadrado.
Diferencia e = y - m(x) entre la variable y su esperanza condicional, con media condicional nula e(e|x)=0.
e_t(k) = z_(t+k) - z^_t(k) = a_(t+k) + psi1 a_(t+k-1) + ... + psi(k-1) a_(t+1).
Componente uit del error de panel que varía entre unidades y a lo largo del tiempo.
MAPE = media de 100|e|/|z|, medida de precisión sin escala.
Condición de autovalores de a1 con módulo menor que 1, o raíces de |phi(b)| = 0 fuera del círculo unidad.
Oscilaciones sistemáticas dentro del año natural que se repiten cada año.
Propiedad de un proceso cuyas características probabilisticas no cambian al trasladarlo en el tiempo; en sentido débil, media y varianza constantes y autocovarianzas que dependen solo del retardo.
Media y varianza constantes y autocovarianzas que dependen solo del retardo k.
Invarianza de la distribución conjunta de cualquier conjunto de variables del proceso ante traslaciones en el tiempo.
Serie igual a una tendencia determinista más un proceso estacionario.
Tamaño estimado del atípico dividido por su desvío, calculado en cada instante para detectar atípicos.
Contraste conjunto tipo f sobre varios coeficientes de la regresión auxiliar con valores críticos propios.
Estadístico del contraste de dickey-fuller con constante y tendencia, valor crítico 5 % de -3,45 para t = 100.
Estimador que resuelve las ecuaciones de momento muestrales, del que MCO y vi son casos particulares.
Estimador de momentos basado en e(ze)=0, de forma cerrada (z'x)^-1 z'y en el caso justo identificado.
Estimador de panel que regresa las medias temporales de cada unidad y usa solo la variación entre unidades.
Estimador de stock y watson que agrega retardos y adelantos de la diferencia del regresor y es asintóticamente normal.
Estimador obtenido al enchufar los momentos muestrales en la fórmula del parámetro beta = g(mu).
Comparar las predicciones con observaciones reservadas que no se usaron para estimar.
Condición bajo la cual los parámetros de interés dependen solo del modelo condicional y este es de variación libre respecto del marginal.
Condición de que la primera diferencia del error no correlacione con la de las variables explicativas.
Incorrelación del regresor con los errores de todos los períodos, pasados, presentes y futuros.
Supuesto de efectos fijos de que el error idiosincrático no correlaciona con las variables explicativas pasadas, presentes ni futuras de la unidad.
Exogeneidad débil más ausencia de causalidad de granger de la variable endógena hacia la exógena.
Situación en que un evento exógeno asigna un tratamiento a un grupo y no a otro, imitando un experimento.
Phi(x'beta/sigma) acotado entre 0 y 1 que atenúa el efecto no condicional del tobit respecto del coeficiente.
Valores g_i tales que phi_p(l) = (1 - g1 l)...(1 - gp l); son las inversas de las raíces.
Relación negativa estimada con fertil1 entre años de educación y número de hijos de las mujeres entre 1972 y 1984.
Cociente omega_s(l)/delta_r(l) que da forma dinámica al efecto de una variable artificial.
Stats::filter con method recursive: aplica 1/(1 - c l) a una variable; con c = 0,7 crea un TC y con c = 1 un escalón.
Propiedad de un modelo cuyas predicciones contienen toda la información de las de otro.
Descomposición del inverso como suma de k_j/(1 - g_j z), con g_j inversas de las raíces.
Raíz unitaria del polinomio autorregresivo regular, asociada a la tendencia y no a la estacionalidad.
Secuencia rho_k = gamma_k/gamma_0 en función del retardo k.
Secuencia phi_kk: correlación entre x_t y x_(t-k) eliminando el efecto de los valores intermedios.
Gamma(t, t + k) = cov(x_t, x_(t+k)); en procesos estacionarios gamma_k depende solo de k.
Covarianza cruzada estandarizada rho_xy(k) = gamma_xy(k)/(sigma_x sigma_y); no es simétrica en k.
Gamma_xy(k) = e[(x_t - mu_x)(y_(t+k) - mu_y)], covarianza entre una serie y otra desfasada k períodos.
Distribución conjunta de w_1, ..., w_t dadas las condiciones iniciales, con parámetros que pueden variar con t.
Función m(x) = e(y|x=x) que da el valor medio de y en la subpoblación con x fijo.
Pesos psi_j que miden el efecto de una innovación pasada a_(t-j) sobre x_t.
Criterio l(e) que penaliza los errores de predicción; puede ser simétrica o asimétrica.
Solución b1 g1^h + ... + b(p+d) g(p+d)^h de la ecuación final, una para cada origen (espasa y cancelo).
Cociente de polinomios omega(l) l^b / delta(l) que describe como se transmite el efecto del input al output.
Efecto total o de largo plazo de un filtro de intervención: suma de los efectos parciales, omega(1)/delta(1).
Representación de una predicción de densidad con bandas de probabilidad que se abren con el horizonte.
Autores que en 1974 documentaron mediante simulación los rechazos excesivos de la nula de no relación entre paseos aleatorios.
Conjunto de unidades no afectadas por la política que aproxima el contrafactual de los tratados.
Conjunto de unidades afectadas por la política o el evento cuyo efecto se quiere estimar.
Procedimiento de heckman en dos etapas: probit de selección y luego MCO del resultado con la razón de mills como regresor.
Dependencia de la varianza condicional de un período respecto de las varianzas pasadas.
Número de períodos k (o h) entre el origen y la observación que se predice.
Situación con igual número de ecuaciones de momento que de parámetros, l = k.
Parte de la incertidumbre (parámetros y shocks futuros) cuya magnitud puede calcularse de antemano.
Forma de memoria que reemplaza la independencia: la dependencia se desvanece con el desfase.
a_t = x_t - e(x_t / pasado): parte de x_t que su pasado no explica.
Propiedad de una predicción cuyos errores tienen esperanza nula.
Producto entre la dummy de año y una variable explicativa que permite que el efecto parcial de esa variable cambie entre períodos.
Repetición de la estructura regular de la FAC a ambos lados de los retardos estacionales.
Intervalo z^_t(k) +- lambda raíz(var(e_t(k))) que contiene el valor futuro con probabilidad dada.
Propiedad de un proceso ma cuyas raíces de theta(l) = 0 están fuera del círculo unitario; admite representación ar(infinito) convergente.
Regresor con los días de cada mes (28 a 31) que recoge también el año bisiesto.
Resultado por el que el promedio de las esperanzas condicionales e(e(y|x)) coincide con la media no condicional e(y).
Enfoque de efectos fijos que introduce una variable ficticia por cada unidad en la regresión.
Decisión de participar o no, recogida en el tobit por la probabilidad phi(x'beta/sigma) de un valor positivo.
Magnitud de la respuesta dado que se participa, recogida por la esperanza condicional en y positivo.
Eliminar de la distribución conjunta las variables que no entran en el estudio.
Proceso con e(z_t | z_(t-1), ..., z_1) = z_(t-1).
Matriz cuya inversa es la covarianza asintótica del estimador máximo verosímil, estimable por hessiana, producto externo o sándwich.
Matriz definida positiva w que pondera las ecuaciones de momento en el criterio del MGM.
Matriz omega = e(z z' e^2) de los momentos, cuya inversa es la ponderación eficiente del MGM.
Método que estima los parámetros maximizando la probabilidad de la muestra observada, igualando a cero el score.
Estimador que aplica mínimos cuadrados a todos los datos de panel ignorando su estructura.
Medida robusta de dispersión; dividida por 0,675 estima sigma_a en la detección de atípicos.
Proceso x_t = (1 - theta_s l^s) a_t con autocorrelación no nula solo en el retardo s.
Función de x que minimiza el error cuadrático medio de predicción de y, igual a la FEC m(x).
Combinación lineal de los datos con coeficientes b = gamma^-1 gamma que minimiza el error cuadrático medio.
Propiedad de los procesos estacionarios: el efecto de los shocks lejanos tiende a cero.
Propiedad de un proceso integrado por la que los shocks pasados no se olvidan y la autocorrelación tiende a uno.
Alisado doble con nivel y pendiente que evolucionan, con factores de descuento theta y gamma.
Método que estima los parámetros igualando las ecuaciones de momento muestrales a sus valores poblacionales.
Aproximación que propaga la matriz de covarianzas de los coeficientes a los errores estándar de una función de ellos.
Método que estima beta minimizando una forma cuadrática ponderada de las ecuaciones de momento cuando l > k.
Ciclo de identificación, estimación, diagnóstico y validación para construir modelos arima.
Extracción de componentes con filtros lineales de parámetros prefijados, como x-11 arima o hodrick-prescott.
Estimador MGM con ponderación óptima w = omega^-1, de menor varianza asintótica de su clase.
Implementacion del MGM eficiente que estima omega con un estimador consistente y reestima beta.
Implementacion del MGM que repite estimación y actualización de la ponderación hasta converger.
Estimador vi que es caso particular del MGM con ponderación (z'z)^-1, eficiente bajo homocedasticidad.
Modelo autorregresivo de retardos distribuidos: rezagos de la dependiente y del regresor en la misma ecuación.
SARIMA(0,1,1)x(0,1,1)s: diferencia regular y estacional con ma(1) regular y ma(1) estacional.
Modelo que une la dinámica de corto plazo con la corrección del desequilibrio de largo plazo retardado.
Modelo con ecuación de interés y ecuación de selección que corrige el sesgo muestral con la razón inversa de mills (heckman, 1979).
Retardos distribuidos geométricos v_j = gamma rho^j, estimable como regresión con la dependiente rezagada.
Regresión de y sobre valores actuales y rezagados de un regresor, con coeficientes v0, v1, ...
Modelo arma de la perturbación n_t de una función de transferencia.
Arima estacional multiplicativo phi(l) phi_p(l^s) diferencias = theta(l) theta_q(l^s) a_t.
Modelo de variable censurada inferiormente en cero con latente y* = x'beta + u normal y observada y = max(0, y*), estimado por máxima verosimilitud.
Sistema que generaliza el modelo de corrección del error con un término de desequilibrio en cada ecuación.
Modelos con una estructura distinta para cada estación cuando la dependencia estacional no es común.
Observaciones independientes con la misma distribución, tomadas de un entorno que no evoluciona.
Efecto inmediato v0 de un aumento unitario del regresor.
Suma de los coeficientes de la respuesta, efecto total de un aumento permanente del regresor.
Vector autorregresivo en el que se eliminan coeficientes no significativos para evitar el sobreajuste.
Estudio de 1982 que no rechaza la raíz unitaria en casi todas las series macroeconómicas anuales de ee. UU.
Operador [.]_+ que elimina las potencias negativas de l en la expresión de la predicción.
Operador l tal que l x_t = x_(t-1) y l^k x_t = x_(t-k).
Operador 1 - l^s que resta el valor de s períodos atrás.
u_(s-1)(l) = 1 + l + ... + l^(s-1), factor de la diferencia estacional con s - 1 raíces de módulo uno.
Número de diferencias necesarias para que un proceso sea estacionario.
Grado delta = d + m - 1 del polinomio de la predicción a largo plazo.
Último período t (o t) cuya información se usa para predecir.
Fracción de la media individual que se resta en efectos aleatorios, igual a 1 - raíz(sigma_u al cuadrado sobre sigma_u al cuadrado más t sigma_a al cuadrado).
Parámetros que el investigador quiere estimar; la exogeneidad se define siempre respecto de ellos.
Problema del enfoque de dummies individuales en que el número de parámetros crece con el número de unidades.
Hipótesis de que a largo plazo los precios en una moneda común están ligados entre paises.
Proceso z_t = z_(t-1) + a_t, con media constante y varianza que crece linealmente con t.
Proceso diferencia z_t - z_(t-1) = c + a_t, cuya media crece linealmente con pendiente c.
Componente estacional s_t = s_(t-s) + v_t, una forma de estacionalidad no estacionaria.
Cantidad que la predicción suma en cada período en el modelo con dos diferencias; se revisa con cada dato.
Número s de observaciones que forman el ciclo estacional: 4 trimestral, 12 mensual.
Efecto de largo plazo de una innovación sobre el nivel, permanente si hay raíz unitaria y transitorio si el proceso es estacionario.
Shock de gran magnitud en una observación (por ejemplo 10 desvíos) usado para ver como se propagan las innovaciones.
Coeficientes psi_j de la representación ma(infinito) x_t = suma de psi_j a_(t-j).
Polinomio a(l) = 1 - a1 l - ... - ap l^p asociado a una ecuación en el operador de retardos.
[a_p(z)]^-1, polinomio de orden infinito con coeficientes psi_j.
Filtrado del input con su modelo arma para convertirlo en ruido blanco, aplicando el mismo filtro al output.
Estimación de toda la distribución de probabilidad del valor futuro.
Predictor que minimiza el error cuadrático medio: la esperanza condicional de la variable futura.
x_t - x_(t-1); homogeneiza el nivel medio de una serie.
Estimador de panel que elimina el efecto inobservable restando a cada observación la del período anterior de la misma unidad.
Regla que estima un parámetro poblacional sustituyendo las esperanzas por los promedios muestrales.
Método en dos etapas que estima la relación de largo plazo y contrasta la estacionariedad de sus residuos.
Proceso phi(l) diferencia^d x_t = c + theta(l) a_t, cuya diferencia de orden d es un arma estacionario.
Proceso phi_p(l) x_t = theta_q(l) a_t que combina una parte autorregresiva y una de medias móviles.
Proceso phi_p(l) x_t = a_t con phi_p(l) = 1 - phi1 l - ... - phip l^p.
Proceso x_t = c + phi x_(t-1) + a_t, estacionario si |phi| < 1.
Proceso cuya distribución futura dado el pasado depende solo del último valor observado.
Proceso x_t = theta_q(l) a_t con theta_q(l) = 1 - theta1 l - ... - thetaq l^q; siempre estacionario.
Proceso que se vuelve estacionario al diferenciarlo, (1 - l) z_t = beta + d_t, cuyos shocks tienen efecto permanente.
Sucesión infinita de variables aleatorias indexadas en el tiempo, x(t, omega).
Distribución conjunta de todas las variables que representan las decisiones de los agentes económicos.
Arima(0,1,1): diferencia de z_t = c + (1 - theta l) a_t, asociado al alisado exponencial simple.
Proceso que se vuelve estacionario tras d diferencias; i(1) si basta una.
Representación ma(infinito) x_t = mu + suma de psi_j a_(t-j) con psi_0 = 1.
Secuencia de reducciones del PGD hasta un modelo estadístico: marginalizar, condicionar y restringir.
Mejor predictor lineal x'beta de y sobre x, con coeficiente beta = e(XX')^-1 e(xy).
Solución constante b/(1 - a) de x_(n+1) = a x_n + b con a distinto de 1.
Cambio permanente de nivel de una serie.
Raíces compartidas por los polinomios ar y ma de un arma, que se cancelan y vuelven el modelo sobreparametrizado.
RMSE = raíz de la media de los errores al cuadrado.
Raíz igual a uno del polinomio autorregresivo, factor (1 - l), que da efectos permanentes a las innovaciones.
Cociente lambda(c) = phi(c)/phi(c) de la normal estándar, término de corrección de la media truncada y del sesgo de selección.
Causalidad de granger en ambas direcciones entre dos series.
Una de las infinitas trayectorias posibles de un proceso estocástico; la serie observada es una realización única.
Regresión entre series no estacionarias independientes que arroja t significativo y r^2 alto pese a no existir relación real.
Modelo estimado por máxima verosimilitud sobre la densidad truncada, con función truncreg en r.
Forma pi(l) x_t = a_t de un proceso invertible, dual de la representación de wold.
Residuo dividido por el desvío estimado sigma; valores fuera de +-3 señalan atípicos.
Residuo de una regresión que conserva una raíz unitaria, indicio de que la regresión es espuria.
Variable incluida en la ecuación de selección pero no en la de resultado, que mejora la identificación del modelo de heckman.
Supuesto de parámetros constantes en el tiempo, lambda_t = lambda.
Número l - k de condiciones de momento en exceso respecto de los parámetros, grados de libertad del contraste j.
Media de los retardos ponderada por los coeficientes impulso-respuesta, v'(1)/v(1).
Número b de períodos que tarda el input en empezar a afectar al output.
Proceso estacionario con media cero, varianza constante y variables incorreladas; representa la incertidumbre pura.
Vector de derivadas de la log-verosimilitud respecto de los parámetros, que se anula en el estimador máximo verosímil.
Mecanismo en que la variable de interés solo se observa para una submuestra elegida por otra decisión, lo que sesga MCO.
Nombre uruguayo de la semana santa, festividad móvil que se modela con un impulso o con los días que caen en cada período.
Forma de la FAC de un ar(2) con factores complejos de módulo raíz(-phi2) < 1.
Sucesión de datos cuantitativos ordenados por fecha y observados a intervalos regulares.
Inconsistencia del MCO agrupado cuando el efecto inobservable esta correlacionado con las variables explicativas.
Estimar un modelo de orden mayor (ar o ma por separado) para ver si los nuevos parámetros son significativos.
Aplicar más diferencias de las necesarias; introduce una parte ma no invertible.
Situación con más ecuaciones de momento que parámetros, l > k, con exceso de información.
Situación en que un modelo incluye parámetros redundantes, por ejemplo factores ar y ma que se cancelan.
Respuesta que concentra masa de probabilidad en cero por una elección óptima del agente y es continua en los positivos.
Estimación que fija en cero las innovaciones iniciales y minimiza la suma de cuadrados de los residuos.
Propiedad del estimador MCO del vector de cointegración que converge a velocidad t, más rápida que la raíz de t.
Exogeneidad débil más invarianza de los parámetros condicionales ante cambios del proceso marginal.
(x_t - x_(t-1))/x_(t-1); con variaciones moderadas se aproxima por la diferencia de logaritmos.
Nivel mu_t = f(t, beta) que es una función fija del tiempo, como una recta o un polinomio.
Tendencia cuyo nivel o pendiente cambian por perturbaciones aleatorias, como en un proceso integrado.
Supuesto de que tratados y controles habrían evolucionado igual en ausencia de tratamiento, clave para la causalidad en diferencias en diferencias.
Resultado asintotico que reemplaza al teorema central del límite en procesos i(1) y lleva a distribuciones no estándar.
Resultado que equipara la cointegración de un conjunto de variables con su representación de corrección del error.
Todo proceso débilmente estacionario sin componentes deterministas se escribe como suma infinita de innovaciones ponderadas por psi_j.
Producto de coeficientes regulares y estacionales que aparece al expandir un SARIMA, como theta theta l^(s+1).
Desequilibrio retardado u_(t-1) = y_(t-1) - beta x_(t-1), estacionario bajo cointegración.
Censura superior de los datos que registra un tope c cuando el valor verdadero lo supera.
Familia (y^lambda - 1)/lambda de potencias, con log y cuando lambda = 0, para estabilizar varianza y simetría.
Resta de la media temporal de cada unidad a cada observación para eliminar el efecto inobservable constante.
Región -1 < phi2 < 1, phi1 + phi2 < 1, phi2 - phi1 < 1 de los parámetros de un ar(2) estacionario.
Región theta1 + theta2 < 1, theta2 - theta1 < 1, -1 < theta2 < 1 de un ma(2) invertible.
Mecanismo en que solo se observa parte de la población según un umbral de la propia variable dependiente.
Dato no observado que se estima tratandolo como una intervención impulso sobre la serie rellenada.
Nivel constante hacia el que tienden los datos; falta en series de nivel medio no constante.
Tabla de valores críticos para el contraste de cointegración sobre residuos estimados, dependiente del número de variables.
Vector autorregresivo sin efectos contemporaneos, y_t = a0 + a1 y_(t-1) + u_t, estimable por MCO.
Forma del vector autorregresivo con efectos contemporaneos entre variables e innovaciones estructurales incorreladas.
Heteroscedasticidad en la que la desviación de la serie crece con su nivel; se trata con logaritmos.
Variable que se observa con un valor límite en lugar del verdadero, conservando todas las observaciones.
Regresor con el número relativo de días hábiles del mes; en TSW, laborables - 5/2 x fines de semana.
Variable que vale 0 antes de una fecha y 1 desde ella; recoge efectos permanentes.
Variable que vale 1 en un solo período y 0 en el resto; recoge efectos transitorios.
Variable no observada y* = x'beta + u que cumple el modelo lineal clásico y genera la variable observada del tobit.
Serie cuya media, varianza o autocovarianzas varían con el tiempo.
Regresor incorrelado con el error corriente y con los futuros, aunque pueda estarlo con errores pasados.
Variable que vale 0 hasta una fecha y luego crece de a una unidad; integral del escalón.
Regresor con los días de la semana de turismo que caen en cada trimestre o mes.
Número de lunes, ..., sábados del mes menos el número de domingos (dlu a dsa).
s - 1 variables con valores 1, -1 y 0 que representan una estacionalidad determinista.
Log x_t - log x_(t-s): compara cada período con el mismo período del año anterior.
Parte de la variación de los datos que proviene de cambios dentro de cada unidad a lo largo del tiempo.
Covarianza límite del estimador MGM, de forma sándwich en general y (q'omega^-1 q)^-1 con ponderación óptima.
Varianza de x_t dado su pasado; en el ar(1) es sigma_a^2, menor que la marginal.
Sigma^2 (1 + psi1^2 + ... + psi(k-1)^2); crece con el horizonte.
Función del paquete vars de r que elige el orden p con los criterios AIC, HQ, SC y FPE.
Sistema en que cada variable se regresa sobre p rezagos propios y de todas las demás variables.
Vector de coeficientes que combina las series no estacionarias para obtener una serie estacionaria.
Coeficiente que mide la proporción del desequilibrio de largo plazo corregida por período en cada ecuación.
Tiempo en que se corrige la mitad de un desequilibrio de largo plazo, ln(0,5)/ln(1 + delta).
Argumento de arima de r para incluir regresores, como intervenciones o variables de calendario.
No hay términos que coincidan con la búsqueda.
Índice de temas y 3 temas gratis con preguntas de parciales reales, sin registrarte.