Fundamentos de Análisis de Series Temporales en R

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

Entradas populares de este blog

Valores perdidos (NA) en R: identificación y tratamiento (I)

Ejemplos de tablas en Stata

Métodos y técnicas de Investigación Económica