Escuela superior politécnica del litoral



Descargar 377.72 Kb.
Página5/9
Fecha de conversión03.12.2017
Tamaño377.72 Kb.
Vistas368
Descargas0
1   2   3   4   5   6   7   8   9

Multicolinealidad: las variables regresaras son muy dependientes entre sí, y es difícil separar su contribución individual al modelo. Consecuencia de esto es que los parámetros del modelo son muy inestables, con varianzas muy grandes.




  • Error de especificación: el modelo de regresión no proporciona un buen ajuste a la nube de observaciones. Esto puede ser por diferentes motivos: la relación no es lineal y existen variables explicativas relevantes que no han sido incluidas en el modelo. Por ello, cuando se dispone de un conjunto amplio de posibles variables explicativas, es importante disponer de algoritmos que seleccionen el subconjunto más adecuado de variables explicativas que se deben incorporar al modelo de regresión, así como de medidas que midan la bondad del ajuste.




  • Falta de Normalidad: los residuos obtenidos en el modelo no siguen una distribución normal.




  • Heterocedasticidad: la varianza del modelo no es constante.

  • Existencia de valores atípicos o heterogéneos: existen datos atípicos que se separan de la nube de datos muestrales que pueden influir en la estimación del modelo de regresión o que no se ajustan al modelo.




  • Dependencia (autocorrelación): existe dependencia entre las observaciones.



2.4 Vectores Autorregresivos (VAR).
Cuando se tienen varias series temporales, es necesario tomar en cuenta la interdependencia entre ellas. Una forma de hacerlo es estimar un modelo de ecuaciones simultáneas, pero con rezagos en todas las variables. Este modelo se conoce como modelo dinámico de ecuaciones simultáneas. Sin embargo, esta formulación supone dos pasos:

  1. Es preciso clasificar las variables en dos categorías: endógenas y exógenas

  2. Deben imponerse ciertas restricciones en los parámetros para lograr la identificación.

Para superar esto se propone el uso de los “Vectores Autorregresivos” que no es más que una generalización del modelo Autorregresivo AR (p) a las series de tiempo múltiples.  

En particular en el manejo de series de tiempo múltiples no estacionarias es útil el uso de los Vectores Autorregresivos (VAR), para analizar la interrelación entre las diferentes series de tiempo, cuyo objetivo fundamental es proporcionar una estrategia de modelización que permita reflejar lo más fielmente posible las regularidades empíricas e interacciones entre las variables objeto de análisis.


Los Vectores Autorregresivos han provisto una exitosa técnica para hacer pronósticos en sistemas de variables de series de tiempo interrelacionadas, donde cada variable ayuda a pronosticar a las demás variables.
La estimación del modelo VAR es más sencillo, ya que es posible utilizar el método de los Mínimos Cuadrados Ordinarios (MCO).
Supóngase que se tiene interés en estudiar k series de tiempo de manera simultánea, con el fin primordial de esclarecer sus posibles interrelaciones dinámicas y construir un modelo que permita, entre otras cosas, obtener pronósticos de las k variables. Así pues, sea Wt un vector (columna) k variado de series de tiempo o sea Wt = (W1t, W2t,…Wkt)’, donde t = 1,…, N observaciones.

Si G(B) denota a la matriz de polinomios de retraso.




con


En donde B denota al operador de retraso tal que BWi,t=Wi,t-1 para toda i, entonces se obtiene la expresión alternativa



Un vector autorregresivo viene a ser entonces un modelo que sirve para explicar el comportamiento de Wt y que admite la representación vectorial





en la cual, el hecho de que el vector Wt-1 aparezca como regresor, indica que todas las variables del vector W son consideradas como potencialmente endógenas y explicadas por ellas mismas. D representa a un vector de factores deterministas, que de manera común incluye a la constante y/o variables artificiales para capturar los efectos estaciónales.
Además {at} denota a un proceso multivariado de ruido blanco normal con media cero, es decir (a1,a2,…) son vectores aleatorios independientes y con distribución normal multivariada Nk(0,Σ), donde Σ es la matriz de varianza-covarianza.

En términos prácticos para la estimación de un VAR se recomienda:

1-Limpiar cada una de las series de cualquier tipo de estacionariedad.

2-Estimar por MCO cada ecuación individualmente.  

3-Determinar el número de rezagos de las variables explicativas que deben permanecer en cada ecuación.

En general el VAR presenta alternativamente, un sistema de ecuaciones simultáneas en el que cada una de las variables es explicada por sus propios rezagos y los del resto de variables del sistema. Es decir no se admite restricciones a priori y todas las variables son consideradas endógenas. La única información a priori que se incluye está referida al número de rezagos de las variables explicativas que se incorporan en cada ecuación.  



CAPÍTULO 3


UNIDADES DE OBSERVACIÓN



    1. Introducción



En este capítulo se hará la descripción de las variables de estudio y se explicará la forma en que fueron obtenidos los datos. Para este estudio la información que se utiliza, fue proporcionada por la Corporación de Promoción de Exportaciones e Inversiones “CORPEI” con sede en Guayaquil a través de un boletín anual de la Organización de Las Naciones Unidas para la Agricultura y la Alimentación (FAO por sus siglas en inglés)


    1. Descripción de las variables

Para determinar cuales deberían ser las variables de las cuales se obtendrían los datos se acudió al organismo experto en exportaciones como lo es CORPEI. Se estableció que las variables de estudio deberían ser los Países exportadores de banano, las observaciones serían sus exportaciones anuales en el período entre 1990 y 2003, se tomó este período por ser el último período de importancia que considera la FAO.



TABLA III.I

DATOS DE LAS EXPORTACIONES ANUALES DE BANANO POR PAÍSES EN MILES DE TONELADAS METRICAS EN EL PERÍODO 1990-2003


Países

Años

1990

1991

1992

1993

1994

1995

1996

1997

1998

1999

2000

2001

2002

2003

Belice

32.8

25.1

35.8

42.9

53.4

52.1

64.8

63

50.9

56.2

65.8

50.1

43

50

Brasil

53.2

91.1

92

89.7

51.8

12.5

30

40.1

68.6

81.2

71.8

105.1

241

220.8

Colombia

1067.5

1269.7

1356

1502.4

1572

1335.6

1406.5

1509.3

1433.4

1818.3

1680.2

1516.3

1569.8

1543.1

Costa Rica

1544.4

1537.8

1749.3

1833.3

1874.6

2033.3

1933.3

1835.3

2101.1

2112.6

1883.3

1739.3

1612

1886.6

Republica Dominicana

9.1

16

49.5

72.7

95

94.2

80.2

63.9

65.5

58

80.2

130.2

112.7

122

Ecuador

2188.5

2667.6

2416.1

2581.5

3307.6

3736.5

3840.4

4456.3

3855.6

3935.2

3939.5

3526.2

4199.2

4208.5

Guatemala

340

339.6

502.9

431.8

587.9

635.5

611.2

658.8

793.3

623.4

801.3

873.8

980.3

936.1

Honduras

830.4

850

784

831.4

445.6

521.6

573.7

489.5

501.9

119.6

375.3

431.8

441.4

443.8

México

154

238

179.6

295.4

207.9

169.2

162.9

164.6

118.7

129.2

45.5

37.4

39.9

41.6

Nicaragua

72

111

61

24.6

27.1

54.3

78.2

69.8

63.4

57.2

45.5

44.1

55.1

48.9

Panamá

776.2

720.4

742.1

708.4

756.6

692.9

634

601.7

463.4

593.4

489.3

321.1

405.9

386.5

Perú

0.2

0

1.2

0

0

0.7

0.6

0.4

0

0

0.9

8

18.9

19.4

Surinam

27.4

27.7

29.9

29

33.3

33.8

26.6

28.8

23

39.5

35.4

29.4

6.5

0

Venezuela

36.6

38.4

74.1

67.1

47.7

32.4

40.4

68.3

72.1

82

36.1

23.3

26.5

20.3

Jamaica

62.7

75.3

76.7

76.8

78.6

85.2

86

79.1

61.9

52.2

42

43.1

39.9

41.9

Dominica

56.6

54.2

58

55.5

42.8

32.3

39.5

34.9

28.1

29.5

28.8

19.1

17.5

13.4

Granada

7.5

6.9

6.3

4.7

4.5

4.1

2

0.1

0.1

0.6

0.7

0.6

0.6

0.4

Santa Lucia

133.8

100.6

132.9

132.8

91.7

112.9

102.2

73.5

75.3

65.8

50.1

34.7

49.3

34.8

San Vicente Y Granadinas

79.6

62.9

77.4

58.7

30.9

44

49.9

32.9

38.9

39.5

43

33.3

36.9

28.5

China

52.2

79

78.9

69.6

61.6

47.3

57.2

52.1

72.9

57.3

50.2

39.2

39.7

53

Malasia

34

32

11.5

15

20.7

35.4

27.2

26.1

27.9

35.9

31.1

30.2

70.6

45.7

Pakistán

4

3

3.6

3.3

1.1

2.4

2.5

2.5

4.3

0

2.1

1.4

3.7

7.2

Filipinas

839.8

941.8

821.7

1153.5

1155.2

1213.4

1270.5

1153.6

1149.6

1319.6

1599.4

1600.7

1685

1829.4

Tailandia

2.1

2.1

2.2

2.2

2

2.2

2.9

2.2

1.8

6.8

7.5

5.5

5.2

7.3

Vietnam

2.9

10.7

3

2

10.2

9.8

9.6

4.4

7.5

10

4.5

4.2

4.4

8.1

Camerún

74.7

112.3

120

120

175

171

166.2

179.4

132

165

238.2

254.1

238.4

313.7

Cote D’ Ivoire

94.2

116.2

148.6

173

156.5

173.1

192.5

190.5

193

218.6

217.3

255.6

256

242.7

Etiopia

2

2

2

2

0

0

0

0

0.5

0.8

0.5

0.3

0.9

1.3

Republica De Guinea

0

0

0

0

0

0

0

0

0

2.6

12.8

5.3

6.5

0

Somalia

74.6

15

5

5

10

21.7

25

21.6

7.1

16

16

0

0

0

Oceanía

0.6

0.3

2

2

1

0.5

0.4

0.3

0.2

0.3

0.3

0.1

0.1

0.1

En la tabla III.I se puede observar los datos brindados por la FAO y CORPEI, los mismo que se organizaron y codificaron para su análisis, se puede observar en la tabla que existen 31 variables, de las que se tomarán 14 observaciones que representan a las exportaciones anuales desde el año 1990 hasta el año 2003 inclusive.
La unidad de medida de estas observaciones se encuentra en miles de toneladas métricas por ser la unidad con que es tomado este tipo de observaciones internacionalmente.




    1. Compartir con tus amigos:
1   2   3   4   5   6   7   8   9


La base de datos está protegida por derechos de autor ©psicolog.org 2019
enviar mensaje

enter | registro
    Página principal


subir archivos