Dynamic analysis of multivariate time series
DOI:
https://doi.org/10.61799/2216-0388.618Keywords:
time series, statistical model, dynamic systemAbstract
The study of dynamic systems is a topic of great interest in basic sciences, economics, business, among others, allows direct inference of the behavior of different systems. The objective of this work is the application of statistical models of time series to the empirical estimation of equations that conform dynamic systems with the purpose of describing the relations between factors capable of producing alterations in an economic, physical, social or environmental system and to propose equations of evolution for that system. The methodology is framed in the quantitative paradigm and uses a deductive reasoning that, from the analysis of univariate and multivariate data, collected at regular intervals of time, allows establishing a path to adjust reliable dynamic models that explain the behavior of random variables over time. The applications are important for the different sciences since they allow identifying and estimating models that describe dynamic systems in stochastic related variables.
Downloads
References
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
Downloads
Published
How to Cite
Issue
Section
License
This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License.
