TECNICAS AVANZADAS DE PREDICCION

César Pérez

Abril de 2016       Paginas: 670     Rústica

Código 6868     ISBN/EAN: 9788416228577

CONTENIDO:El objetivo de este libro es presentar las técnicas avanzadas de predicción en su faceta práctica. Cada capítulo comienza con una breve exposición de los conceptos teóricos a utilizar en los ejemplos y ejercicios que ilustran las diferentes técnicas de modelización. Se utilizarán los paquetes de software más adecuados como R, SAS, SPSS y STATGAPHICS.

El contenido de este libro se dirige a docentes, investigadores y estudiantes universitarios de todos los niveles que utilizan, imparten o cursan las materias de Econometría o modelización en general. También es muy útil para los profesionales de la Economía, Estadística, Ciencias Sociales, Ciencias Experimentales, Ingenierías y otras ramas científicas en las que se aplican las técnicas predictivas. El libro comienza tratando la estimación, diagnosis y predicción en el modelo de regresión múltiple, analizando profundamente las problemáticas de la heteroscedasticidad, multicolinealidad, autocorrelación, ausencia de normalidad, no linealidad y problemas de exogeneidad y regresores estocásticos. Para cada problemática se estudian tanto los métodos de detección como los métodos de corrección. Posteriormente, se abordan en profundidad el modelo lineal general y los modelos lineales generalizados.

A continuación se tratan los modelos dinámicos, así como el análisis univariante y multivariante de series temporales incluyendo los modelos ARIMA, los modelos del análisis de la intervención y los modelos de la función de transferencia a través de la metodología de Box Jenkins. Este contenido se amplía a través de los modelos multiecuacionales de ecuaciones simultáneas y los modelos VAR, VARMA, VARX, BVAR y otras tipologías de modelos multivariantes de series temporales.

La última parte del libro desarrolla los modelos no lineales uniecuacionales y multiecuacionales, los árboles de decisión y los modelos de redes neuronales.

INDICE EXTRACTADO:

1. MODELO LINEAL DE REGRESIÓN MÚLTIPLE. HIPÓTESIS, ESTIMACIÓN, INFERENCIA Y PREDICCIÓN

• • • 1.1 MODELO LINEAL DE REGRESIÓN MÚLTIPLE

• • • 1.2 ESTIMACIÓN DEL MODELO LINEAL POR MÍNIMOS CUADRADOS ORDINARIOS MCO

• • • 1.3 ESTIMACIÓN DEL MODELO LINEAL POR MÁXIMA VEROSIMILITUD

• • • 1.4 INFERENCIA EN EL MODELO POR MÍNIMOS CUADRADOS ORDINARIOS MCO

• • • 1.5 HIPÓTESIS EN EL MODELO LINEAL

• • • 1.6 ANÁLISIS DE LOS RESIDUOS

• • • 1.7 MODELO LINEAL CON RESTRICCIONES

• • • 1.8 SAS Y EL TRABAJO BÁSICO CON EL MODELO DE REGRESIÓN MÚLTIPLE

• • • 1.9 R Y EL TRABAJO BÁSICO CON EL MODELO DE REGRESIÓN MÚLTIPLE

• • • 1.10 SPSS Y EL TRABAJO BÁSICO CON EL MODELO DE REGRESIÓN MÚLTIPLE

• • • 1.11 STATGRAPHICS CENTURION Y EL TRABAJO BÁSICO CON EL MODELO DE REGRESIÓN MÚLTIPLE

2. TRATAMIENTO DE LA AUTOCORRELACIÓN, HETEROSCEDASTICIDAD, NORMALIDAD Y MULTICOLINEALIDAD

• • • 2.1 MODELOS CON AUTOCORRELACIÓN

• • • 2.2 DETECCIÓN DE LA AUTOCORRELACIÓN

• • • 2.3 SOLUCIONES PARA LA AUTOCORRELACIÓN. MODELOS DINÁMICOS

• • • 2.4 MODELOS CON HETEROSCEDASTICIDAD

• • • 2.5 DETECCIÓN DE LA HETEROSCEDASTICIDAD

• • • 2.6 SOLUCIONES PARA LA HETEROSCEDASTICIDAD

• • • 2.7 MULTICOLINEALIDAD

• • • 2.8 NORMALIDAD RESIDUAL

• • • 2.9 ANÁLISIS DE LA INFLUENCIA

• • • 2.10 SAS Y LA MULTICOLINEALIDAD, ENDOGENEIDAD, AUTOCORRELACIÓN, HETEROSCEDASTICIDAD Y VALORES INFLUYENTES. MODELOS DINÁMICOS

• • • 2.11 SPSS Y LA HETEROSCEDASTICIDAD, ENDOGENEIDAD, REGRESORES ESTOCÁSTICOS Y AUTOCORRELACIÓN. MODELOS DINÁMICOS

• • • 2.12 MULTICOLINEALIDAD, AUTOCORRELACIÓN, HETEROSCEDASTICIDAD Y VALORES INFLUYENTES A TRAVÉS DE R

• • • 2.13 MULTICOLINEALIDAD, AUTOCORRELACIÓN, HETEROSCEDASTICIDAD Y VALORES INFLUYENTES A TRAVÉS DE STATGRAPHICS

3. MODELOS CON MULTICOLINEALIDAD. EL MÉTODO DE MÍNIMOS CUADRADOS PARCIALES PLS Y LA REGRESIÓN EN CADENA (RIDGE REGRESSION)

• • • 3.1 EL PROBLEMA DE LA MULTICOLINEALIDAD

• • • 3.2 EL MÉTODO PLS DE LOS MÍNIMOS CUADRADOS PARCIALES

• • • 3.3 EL MÉTODO RIDGE REGRESSION DE LA REGRESIÓN EN CADENA

4. EL MODELO LINEAL GENERAL GLM

• • • 4.1 MODELO LINEAL GENERAL (GLM)

• • • 4.2 MODELOS DE REGRESIÓN, ANÁLISIS DE LA VARIANZA Y LA COVARIANZA CON SAS: EL PROCEDIMIENTO GLM

• • • 4.3 MODELOS DE REGRESIÓN Y MODELOS ANOVA Y ANCOVA UNIVARIANTES CON IBM SPSS

• • • 4.4 EL MODELO LINEAL GENERAL Y LOS MODELOS DE DATOS DE PANEL EN SPSS

• • • 4.5 SPSS Y LOS MODELOS MANOVA Y MANCOVA MULTIVARIANTES DE UNO Y VARIOS FACTORES

• • • 4.6 SPSS Y LOS MODELOS LINEALES MIXTOS. DATOS DE PANEL

• • • 4.7 REGRESIÓN, ANOVA Y ANCOVA CON MLG EN STATGRAPHICS

• • • 4.8 EL MODELO LINEAL GENERAL Y LOS MODELOS DE DATOS DE PANEL EN STATGRAPHICS

• • • 4.9 STATGRAPHICS Y LOS MODELOS MANOVA Y MANCOVA MULTIVARIANTES

• • • 4.10 EL MODELO LINEAL GENERAL Y LOS MODELOS DE DATOS DE PANEL EN SAS

5. MODELOS LINEALES GENERALIZADOS

• • • 5.1 MODELO LINEAL GENERALIZADO

• • • 5.2 FUNCIONES DE ENLACE PARA MODELOS LOGIT, PROBIT, POISSON Y BINOMIAL NEGATIVA

• • • 5.3 FAMILIA EXPONENCIAL DE DISTRIBUCIONES

• • • 5.4 MODELOS LINEALES GENERALIZADOS CON SAS

• • • 5.5 MODELOS LINEALES GENERALIZADOS CON SPSS

• • • 5.6 MODELOS LINEALES GENERALIZADOS CON R

• • • 5.7 MODELOS LINEALES GENERALIZADOS EN R A TRAVÉS DE MENÚS

• • • 5.8 MODELOS LINEALES GENERALIZADOS A TRAVÉS DE STATGRAPHICS

6. MODELOS DINÁMICOS: MODELOS DE LA FUNCIÓN DE TRANSFERENCIA

• • • 6.1 MODELOS DINÁMICOS

• • • 6.2 TIPOS ESPECIALES DE MODELOS DINÁMICOS

• • • 6.3 PREDICCIONES INCONDICIONALES ESTOCÁSTICAS

• • • 6.4 MODELOS ARIMA: PRIMEROS CONCEPTOS

• • • 6.5 MODELOS AUTORREGRESIVOS AR(P)

• • • 6.6 MODELOS DE MEDIAS MÓVILES MA(Q)

• • • 6.7 MODELOS ARMA(P,Q)

• • • 6.8 MODELOS ARIMA(P,D,Q)

• • • 6.9 METODOLOGÍA BOX JENKINS EN MODELOS ARIMA

• • • 6.10 SERIES TEMPORALES ESTACIONALES. DETECCIÓN DE LA ESTACIONALIDAD

• • • 6.11 MODELOS ARIMA ESTACIONALES GENERALES

• • • 6.12 MODELOS DE INTERVENCIÓN

• • • 6.13 MODELO DE LA FUNCIÓN DE TRANSFERENCIA

• • • 6.14 SAS Y LA IDENTIFICACIÓN, ESTIMACIÓN, VALIDACIÓN Y PREDICCIÓN DE MODELOS ARIMA (P,D,Q)(P,D,Q)S

• • • 6.15 SAS Y LOS MODELOS ARIMA DE INTERVENCIÓN Y DE FUNCIÓN DE TRANSFERENCIA

• • • 6.16. SPSS Y LOS MODELOS ARIMA CON INTERVENCIÓN

• • • 6.17. SPSS Y LOS MODELOS DE LA FUNCIÓN DE TRANSFERENCIA

7. MODELOS DINÁMICOS: MODELOS DE ECUACIONES SIMULTÁNEAS Y MODELOS MULTIVARIANTES DE SERIES TEMPORALES

• • • 7.1 MODELOS LINEALES MULTIECUACIONALES. FORMA ESTRUCTURAL Y ECUACIONES SIMULTÁNEAS

• • • 7.2 MODELO MULTIECUACIONAL EN FORMA REDUCIDA

• • • 7.3 IDENTIFICACIÓN DE MODELOS ESTRUCTURALES DE ECUACIONES SIMULTÁNEAS. ESTIMACIÓN MCI

• • • 7.4 ESTIMACIÓN DE MODELOS LINEALES DE ECUACIONES SIMULTÁNEAS

• • • 7.5 SAS Y LOS MODELOS DE ECUACIONES SIMULTÁNEAS LINEALES: PROC SYSLIN

• • • 7.6 SAS Y LOS MODELOS DE ECUACIONES SIMULTÁNEAS LINEALES: PROC MODEL

• • • 7.7 MODELOS MULTIVARIANTES DE SERIES TEMPORALES. MODELOS DE VECTORES AUTORREGRESIVOS (VAR)

• • • 7.8 IDENTIFICACIÓN EN MODELOS VAR

• • • 7.9 ESTIMACIÓN DE UN MODELO VAR

• • • 7.10 MODELOS VARMA

• • • 7.11 COINTEGRACIÓN EN MODELOS VAR. TEST DE JOHANSEN

• • • 7.12 SAS Y LOS MODELOS VAR. CONTRASTES DE CAUSALIDAD Y COINTEGRACIÓN. TEST DE JOHANSEN

8. MODELOS NO LINEALES

• • • 8.1 MODELOS NO LINEALES

• • • 8.2 MODELOS NO LINEALES SENCILLOS

• • • 8.3 MÍNIMOS CUADRADOS NO LINEALES. ALGORITMOS DE NEWTON Y MARQUARDT

• • • 8.4 REGRESIÓN POR TRAMOS O SEGMENTADA

• • • 8.5 SPSS Y LA ESTIMACIÓN NO LINEAL Y SEGMENTADA

• • • 8.6 SAS Y LA ESTIMACIÓN NO LINEAL. PROCEDIMIENTO NLIN

• • • 8.7 SAS Y LA ESTIMACIÓN NO LINEAL Y SEGMENTADA. PROCEDIMIENTO MODEL

• • • 8.8 SAS Y LOS MODELOS DE ECUACIONES SIMULTÁNEAS NO LINEALES: PROCEDIMIENTO MODEL

9. ÁRBOLES DE DECISIÓN

• • • 9.1 ÁRBOLES DE DECISIÓN

• • • 9.2 CARACTERÍSTICAS DE LOS ÁRBOLES DE DECISIÓN

• • • 9.3 TIPOS DE ÁRBOLES DE DECISIÓN

• • • 9.4 IBM SPSS Y LOS ÁRBOLES DE DECISIÓN

10. MODELOS DE REDES NEURONALES

• • • 10.1 DESCRIPCIÓN DE UNA RED NEURONAL

• • • 10.2 REDES NEURONALES Y AJUSTE DE MODELOS DE REGRESIÓN

• • • 10.3 APRENDIZAJE EN LAS REDES NEURONALES

• • • 10.4 FUNCIONAMIENTO DE UNA RED NEURONAL

• • • 10.5 EL ALGORITMO DE APRENDIZAJE RETROPROPAGACIÓN (BACK- PROPAGATION)

• • • 10.6 ANÁLISIS DISCRIMINANTE A TRAVÉS DEL PERCEPTRÓN

• • • 10.7 ANÁLISIS DE SERIES TEMPORALES MEDIANTE REDES NEURONALES

• • • 10.8 ANÁLISIS DE COMPONENTES PRINCIPALES CON REDES NEURONALES

• • • 10.9 CLUSTERING MEDIANTE REDES NEURONALES

• • • 10.10 SPSS Y LAS REDES NEURONALES