La siguiente entrada corresponde a una presentación sobre series temporales en R, realizada en la comunidad Data Science | DR, en marzo 14 de 2019, sobre técnicas de análisis de series temporales, con aplicaciones en R [DESCARGAR DOCUMENTO].
Contenido del documento:
1. Series temporales: aspectos básicos: procesos estocásticos; raíces unitarias, estacionariedad, operador de retardos, componentes de series temporales; proceso ruido blanco; AR; caminata aleatoria; MA; ARMA; ARIMA; SARIMA; RegARIMA.
2. Box-Jenkins: Box-cox; Dickey-Fuller; Phillip-Perron; Box-Pierce; Ljiung-Box, pronósticos; análisis residual; correlogramas; funciones de autocorrelación; criterios de información; estimación.
3. Modelos de volatilidad: Volatilidad condicional, efectos ARCH; EWMA; ventanas de volatilidad; GARCH gaussianos; ARMA-GARCH; GARCH asimetricos (gjrGARCH); Markov-GARCH; modelos de volatilidad estocástica.
4. Análisis multivariado: Vectores autoregresivos (VAR); Vectores de corrección de errores (VEC); Cointegración; Johansen; Causalidad; Funciones de respuesta al impulso; descomposición de varianza; modelos factoriales; VAR estructurales (SVAR).
5. Modelos multivariados de volatilidad: VEC; CCC; DCC; BEKK; transferencia en volatilidad; ventanas de correlaciones.
6. Métodos bayesianos: modelos lineales dinámicos.
Referencias
Recodificación de variables usando dplyr en R
Una base de datos suele tener diversos tipos de variables del tipo cualitativo y cuantitativo. En función del tipo de variables aplicamos di...
-
Missing Values (NA) in R. En la siguiente entrada se muestran algunas operaciones básicas para la identificación y tratamiento de valor...
-
Las series económicas pueden estar influidas por una serie de procesos no determinista, ni conocidos para el analista y que pueden incidir ...
-
Tablas de frecuencia con condicionales: tabulate Las tablas de frecuencia absoluta nos permiten contabilizar casos que cumplen con d...
