Análisis dinámico de series temporales multivariadas
DOI:
https://doi.org/10.61799/2216-0388.618Palabras clave:
sistema dinámico, serie temporal, modelo estadísticoResumen
El estudio de los sistemas dinámicos es un tema de gran interés en las ciencias básicas, económicas, empresariales, entre otras, permite realizar inferencia directa del comportamiento de los diferentes sistemas. El objetivo del trabajo consiste en la aplicación de modelos estadísticos de series temporales a la estimación empírica de ecuaciones que conforman sistemas dinámicos con el propósito de describir las relaciones entre factores capaces de producir alteraciones en un sistema económico, físico, social o ambiental y plantear ecuaciones de evolución para ese sistema. La metodología se enmarca en el paradigma cuantitativo y utiliza un razonamiento deductivo que, a partir del análisis de datos univariados y multivariados, recolectados a intervalos regulares de tiempo, permite establecer un derrotero para ajustar modelos dinámicos confiables que expliquen el comportamiento de variables aleatorias a lo largo del tiempo. Las aplicaciones revisten importancia para las diferentes ciencias puesto que permiten identificar y estimar modelos que describan sistemas dinámicos en variables estocásticas relacionadas.
Descargas
Citas
L. Maldonado. El modelamiento matemático en la formación del ingeniero, Bogotá: Ediciones Universidad Central, 2013
M. Ginovart. “¿Qué pueden ofrecer los modelos basados en agentes vivos en el contexto docente?” Modelling in Science Education and Learnig, vol. 8, no. 2, pp. 5-25, 2015
R. Hibbeler. Mecánica vectorial para ingenieros: dinámica. México: Pearson Educación, 2004
H. Gallardo, J. Rojas y O. Gallardo. Modelación de Series Temporales en el Sector Productivo del Norte de Santander. Bogotá: ECOE, 2019
H. Gallardo, M. Vergel y J. Rojas. “Dynamic and sequential update for time series forecasting” Journal of Physics: Conference Series, vol. 1587 art. 012016, 2020
J. Mauricio. Introducción al Análisis de Series Temporales. Madrid: Universidad Complutense de Madrid, 2007
D. Peña. Análisis de series temporales. Barcelona: Alianza Editorial, 2010
V. Guerrero. Análisis estadístico de series de tiempo económicas. México: Universidad Autónoma Metropolitana, 2003
A. Nova. Procesamiento de series de tiempo. México: Fondo de Cultura Económica, 2013
D. Peña. Estadística Modelos y Métodos. Barcelona: Alianza Editorial, 1990
J. Hamilton. Time series Analysis. New Jersey: Princeton University Press, 1994
J. Abril. “Análisis de la evolución de las técnicas de series tiempo. Un enfoque unificado” Estadística, vol. 63, no. 181, pp. 5-56, 2011
G. Box y G. Jenkins. Time Series Analysis, Forecasting and Control. San Francisco: Holden–Day, 1969
H. Gallardo, O. Gallardo y J. Rojas. “Estimation of models and cycles in time series applying fractal geometry” Journal of Physics: Conference Series, vol. 1329, art. 012018, 2019
P. Brockwell y R. Davis. Introduction to Time Series and Forecasting. New York: Springer, 2002
R. Engle y W. Granger. “Cointegration and error correction representation, estimation and testing” Econometrica, vol. 55, pp. 251-276, 1987.
J. Rosel, P. Jara y J. Oliver. “Cointegración en series temporales multivariadas” Psicothema, vol. 11, no. 2, pp. 409-419, 1999.
M. Nores y M. Díaz, “Construcción de modelos GEE para variables con distribución simétrica” Revista de la Sociedad Argentina de Estadística, vol. 9, pp. 43-63, 2005.
Departamento Administrativo Nacional de Estadística. Cuentas Nacionales. Bogotá: Departamento Administrativo Nacional de Estadística, 2020
Unidad de Planeación Minero-Energética. Sistema de Información Minero Energético Colombiano. Bogotá: Ministerio de Minas y Energía, 2019
Descargas
Publicado
Cómo citar
Número
Sección
Licencia
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial 4.0.
