flashcards_study_updated
¿Qué es una serie de tiempo estacionaria?
Una serie de tiempo es estacionaria cuando sus propiedades estadísticas, como la media y la varianza, son constantes a lo largo del tiempo.
¿Qué es una serie de tiempo no estacionaria?
Una serie de tiempo no es estacionaria cuando sus propiedades estadísticas, como la media y la varianza, cambian con el tiempo.
¿Cuáles son los componentes de una serie de tiempo?
Los componentes de una serie de tiempo incluyen: tendencia, variación estacional, variación cíclica y variación aleatoria.
¿Qué es un modelo AR (Autorregresivo)?
Un modelo AR es un modelo en el que el valor actual de la serie de tiempo depende de sus valores pasados.
¿Qué es un modelo MA (Media Móvil)?
Un modelo MA es un modelo en el que el valor actual de la serie se expresa como una combinación lineal de los errores pasados.
¿Qué es un modelo ARIMA?
Un modelo ARIMA (AutoRegresivo Integrado de Media Móvil) combina la autorregresión, diferenciación (para manejar la no estacionariedad) y media móvil.
¿Qué es la cointegración en series multivariantes?
La cointegración en series multivariantes se refiere a cuando varias series no estacionarias tienen una relación a largo plazo y tienden a regresar al equilibrio.
¿Qué es la causalidad de Granger?
La causalidad de Granger es un método estadístico para determinar si una variable predice o influye en otra a lo largo del tiempo.
¿Cuál es la diferencia entre ACF y PACF?
La ACF (Autocorrelación Simple) mide la dependencia de los valores actuales con los valores pasados, mientras que la PACF (Autocorrelación Parcial) mide la dependencia directa eliminando el efecto de los términos intermedios.
¿Qué es un modelo VAR?
Un modelo VAR (Modelo Autorregresivo Vectorial) es un modelo que captura la interrelación entre múltiples variables a través de sus rezagos.
¿Cómo se determina si una serie de tiempo tiene raíz unitaria?
Una serie de tiempo tiene raíz unitaria si la prueba de Dickey-Fuller o Phillips-Perron muestra que no es estacionaria.
¿Qué es el proceso de diferenciación en series de tiempo?
El proceso de diferenciación en series de tiempo consiste en calcular la diferencia entre los valores consecutivos para eliminar tendencias o patrones estocásticos y hacer la serie estacionaria.
¿Qué es un modelo de corrección de errores vectorial (VECM)?
El modelo VECM (Modelo de Corrección de Errores Vectorial) es utilizado cuando las series están cointegradas, para capturar las relaciones a largo plazo y los ajustes a corto plazo.
¿Qué es un modelo SARIMA?
El modelo SARIMA (ARIMA Estacional) es una extensión del modelo ARIMA que captura estacionalidades en los datos.
¿Cuáles son los métodos de prueba para series no estacionarias?
Las pruebas de raíz unitaria incluyen las pruebas de Dickey-Fuller, Phillips-Perron, y KPSS para determinar si una serie es estacionaria o no.
¿Qué modelos se utilizan para series estacionarias?
Para series estacionarias, se utilizan los modelos AR, MA, y ARMA. Para series no estacionarias, se utilizan ARIMA o SARIMA. Para series multivariantes, se utilizan VAR y VECM.
¿Qué modelos se utilizan para series no estacionarias?
Los modelos para series no estacionarias incluyen ARIMA y SARIMA, mientras que para series multivariantes, los modelos más comunes son VAR y VECM.
¿Qué modelos se utilizan para series multivariantes?
Para series multivariantes, se utilizan los modelos VAR, VECM, y redes neuronales multivariantes.
¿Cuál es el área de aplicación de los modelos AR, MA, ARIMA?
Los modelos AR, MA y ARIMA se aplican principalmente en la predicción de series temporales univariantes, como precios de activos, temperaturas, y producción económica sin tendencias fuertes.
¿Cuál es el área de aplicación de los modelos VAR, VECM, Redes Neuronales Multivariantes?
Los modelos VAR, VECM y redes neuronales multivariantes se utilizan para analizar interacciones entre varias variables económicas, financieras, y científicas, como el PIB, la inflación, o las tasas de interés.
¿Qué es una regresión espuria?
Una regresión espuria ocurre cuando dos o más variables parecen estar relacionadas estadísticamente en un análisis de regresión, pero en realidad no lo están, debido a la presencia de tendencias comunes o no estacionariedad.
¿Qué es el proceso de causalidad de Granger?
La causalidad de Granger se refiere a un test estadístico utilizado para determinar si una variable X predice temporalmente a una variable Y en series de tiempo.
¿Qué son las pruebas de raíz unitaria?
Las pruebas de raíz unitaria, como Dickey-Fuller y Phillips-Perron, sirven para determinar si una serie de tiempo es estacionaria o no, ayudando a decidir qué transformaciones aplicar.
¿Qué son las series de tiempo estocásticas?
Las series de tiempo estocásticas son aquellas en las que las observaciones están influenciadas por fenómenos aleatorios, lo que implica que no se puede predecir con certeza su comportamiento futuro.
¿Qué es la homocedasticidad?
La homocedasticidad se refiere a la propiedad de que la varianza de los errores en un modelo de regresión es constante a lo largo del tiempo o de las observaciones.
¿Qué es la heterocedasticidad?
La heterocedasticidad ocurre cuando la varianza de los errores no es constante a lo largo de las observaciones, lo cual puede afectar la validez de los modelos.
¿Qué es la multicolinealidad?
La multicolinealidad se refiere a la dependencia lineal fuerte entre dos o más variables independientes en un modelo de regresión.
¿Qué es la autocorrelación en series de tiempo?
La autocorrelación en series de tiempo ocurre cuando los errores de un modelo de regresión no son independientes entre sí, lo cual puede indicar que se ha omitido alguna variable relevante o que el modelo necesita ajustes.
