TAREA NO. 1 Jorge Daniel Reyes Cano Carne: 22007729 [email protected] Series de Tiempo: es una herramienta matemática básica que se puede utilizar en los negocios, consiste en una serie de puntos de datos indexados en el tiempo. Las series de tiempo son particularmente intuitivas, lo que las hace ideales para describir, visualizar, modelar y, por último, pronosticar un número de variables. Las series de tiempo se utilizan con una función descriptiva porque ayuda a condensar una gran cantidad de información. Las series de tiempo tienden a ser intuitivas por lo que se pueden malinterpretar regularmente, esto debido al utilizar series de tiempo. Por lo que es recomendable evitar emitir conclusiones apresuradas a partir de estas, y se debe tener en cuenta la distinción de una variable de otra. Las series de tiempo se utilizan también para comprar diferentes series y visualizar datos. Pero existe el problema de la simplicidad de los gráficos y la errónea interpretación a través de esta. Es posible utilizar diferentes técnicas de mapeo para proporcionar la mejor visualización posible de los datos. Por ejemplo, dibujar líneas entre puntos de datos da la impresión de continuidad. Al leer una serie temporal, es preciso prestar mucha atención al eje X. Algunos gráficos se concentran en intervalos de valor pequeños para destacar las variaciones en los datos, con el riesgo de que se sobrestimen las variaciones. Hay también otros fenómenos que una escala linear en el eje X representa erróneamente, como el crecimiento exponencial. Por eso, se puede elegir utilizar una escala logarítmica en la que puedan percibirse tanto las primeras etapas del crecimiento como aquellas más tardías. También son utilizadas para respaldar modelos estadísticos, con el motivo de explicar sucesos pasados y pronosticar sucesos futuros. Es habitual distinguir, dentro de una serie de tiempo, un nivel primario (llamado base), una evolución a largo plazo (llamada tendencia), variaciones cíclicas o periódicas (llamadas estacionalidad) y otras variaciones aleatorias que llamamos ruido. Esto nos permite identificar variaciones en los datos vinculadas con ciclos regulares a partir una tendencia subyacente de aumento o disminución. Estos patrones proporcionan la base para los pronósticos económicos. Existen tres tipos principales de pronósticos, cada uno de los cuales tiene finalidades diferentes. 1. Los pronósticos de punto tienen como objetivo proporcionar el "mejor" valor futuro de una variable de acuerdo con una métrica de error especificada. Un pronóstico de punto no busca representar de modo fiel la evolución de esta variable (el lector sabe bien que es probable que la temperatura varíe en torno a ese valor pronosticado), pero sirve como indicación útil para el lector y es una base sólida para tomar decisiones futuras. 2. Los pronósticos probabilísticos proporcionan todas las distribuciones de probabilidad del valor futuro. A menudo se utilizan intervalos de confianza para visualizar esos pronósticos, que pueden ser útiles. 3. Los pronósticos generativos hace que la evolución de la variable parezca "natural" o "plausible", dejando margen para un cierto grado de contingencia y evolución aleatoria. Esta "perspectiva generativa" puede ser útil cuando se realizan simulaciones. Cortes Transversales: El estudio transversal se define como un tipo de investigación observacional que analiza datos de variables recopiladas en un periodo de tiempo sobre una población muestra o subconjunto predefinido. Este tipo de estudio también se conoce como estudio de corte transversal, estudio transversal y estudio de prevalencia. Los datos transversales, o datos de corte transversal de una población de estudio, en estadística y econometría, son un tipo de datos recopilados mediante la observación de muchos sujetos al mismo tiempo, o sin tener en cuenta las diferencias en el tiempo. El análisis de los datos transversales suele consistir en comparar las diferencias entre los sujetos. Por lo general, estos datos pertenecen a una misma unidad de tiempo o las diferencias de la distribución en el tiempo por lo general son ignorados. como ejemplo se pueden levantar los datos de la encuesta en un mes determinado, sin embargo, esas diferencias en el tiempo no son tomadas en consideración. Si deseáramos medir los niveles actuales de obesidad en una población, podríamos tomar al azar una muestra de 1000 personas de esa población, medir su peso y estatura, y calcular qué porcentaje de esa muestra está clasificado como obeso. Esta muestra transversal nos proporciona una instantánea de esa población, en ese momento. Nótese que se desconoce, al basarse en una muestra transversal, si la obesidad está aumentando o disminuyendo; solo puede describirse la proporción actual. Los datos transversales difieren de los datos de las series temporales, en los que se observa la misma entidad a pequeña escala o agregada en diversos momentos del tiempo. Otro tipo de datos, los datos de panel combinan ideas de datos tanto transversales como de series temporales y analizan cómo cambian los sujetos a lo largo del tiempo. La información de corte transversal consiste en datos de una o más variables recogidos en el mismo momento del tiempo, la información de series de tiempo crea sus propios problemas especiales debido al factor estacionario; la información de corte transversal tiene también sus propios problemas, específicos de heterogeneidad. Los datos transversales difieren de los datos de las series temporales, en los que se observa la misma entidad a pequeña escala o agregada en diversos momentos del tiempo. Los datos transversales no incorporan el aspecto temporal, representa el análisis de información para las unidades individuales de estudio, en un momento determinado de tiempo (dimensión estructural). Los estudios transversales son rápidos de conducir en comparación a los estudios longitudinales. Los estudios longitudinales llevarse un tiempo más prolongado, desde años hasta incluso algunas décadas. Un estudio transversal se conduce en un periodo de tiempo determinado. En una sección transversal aleatoria, tanto la presencia de un individuo en la muestra como el momento en que el individuo es incluido en la muestra se determinan al azar. Por ejemplo, una encuesta política puede decidir entrevistar a 1000 personas. Primero selecciona estos individuos al azar de entre toda la población. A continuación, asigna una fecha aleatoria a cada individuo. Esta es la fecha aleatoria en la que el individuo será entrevistado y, por lo tanto, incluido en la encuesta. Los datos transversales pueden utilizarse en la regresión transversal, que es el análisis de regresión de los datos transversales. Por ejemplo, se puede realizar una regresión de los gastos de consumo de varios individuos en un mes fijo con respecto a sus ingresos, niveles de riqueza acumulada y sus diversas características demográficas para averiguar cómo las diferencias en esas características conducen a diferencias en el comportamiento de los consumidores. Información Combinada: Los datos combinados reúnen elementos de series de tiempo y transversales. Estas técnicas permiten analizar dos aspectos que forman parte de la heterogeneidad no observable, los efectos individuales específicos y los efectos temporales. Cuando hablamos de efectos individuales específicos nos estamos refiriendo a aquellos que afectan de manera desigual a cada uno de los individuos o agentes de estudio contenidos en una muestra (bancos, empresas, ciudades, países) los cuales son invariables en el tiempo y afectan de manera directa las decisiones que toman dichas unidades. Este tipo de efecto se identifica por lo general con la capacidad empresarial, acceso a la tecnología, eficiencia operativa, etc. Cuando nos referimos a los efectos temporales nos referimos a aquellos que afectan por igual a todas las unidades individuales de estudio en un periodo de tiempo. Este tipo de efecto puede asociarse a los choques de naturaleza macroeconómica que pueden afectar por igual a todas las unidades de estudio. La expresión matemática que permite representar un modelo de Datos Panel puede escribirse: Donde Yit es una función lineal de k variables explicativas: i = individuo o unidad de estudio. t = dimensión u observaciones en el tiempo. β0 = vector de interceptos de n parámetros. β = es un vector de k parámetros. k = variables explicativas. Xkit = i-ésima observación al momento t para la variable explicativa k. Uit = Termino de error que representa los efectos de todas las variables omitidas en el modelo. Tenemos que β0 y βk son los parámetros que se quieren estimar; β0 es la ordenada en el origen, mientras que el resto de los parámetros βk son las pendientes de Yit con respecto a cada una de las variables independientes. En este tipo de modelo Uit se puede descomponer en: los efectos no observables que difieren entre las unidades de estudio, pero permanece invariable en el tiempo; generalmente asociados a la capacidad empresarial, μi. los efectos no cuantificables que varían en el tiempo pero no entre unidades de studio o individuos δt. el término de error puramente aleatorio εit que representa el efecto de todas las otras variables que varían entre individuos y además a través del tiempo. La mayoría de las aplicaciones de los modelos de datos de panel utilizan el modelo de componente del error conocido como “One Way”; donde δt=0 o sea no consideran efectos individuales que varían con el tiempo. Existen diferentes variantes para el modelo “One Way” de componentes de error y estas surgen de los distintos supuestos que se hacen a cerca de μi. Una ventaja de usar datos de panel en estimaciones econométricas es que se obtiene aumentos en la precisión de los parámetros estimados, debido al gran número de observaciones utilizadas al combinar datos de corte seccional con los de series de tiempo. Ese beneficio sólo se obtiene si se corrige por cualquier tipo de correlación serial en las observaciones relacionadas con cualquier individuo. En ese tipo de estructura de datos, además, se puede controlar por efectos individuales no observables, que pudieran causar sesgos en estimaciones con otro tipo de datos. Dentro de los desarrollos econométricos con datos de panel, ocurridos en las últimas décadas, está la construcción de modelos dinámicos uni-ecuaciones y modelos de vectores autorregresivos (PVAR). BIBLIOGRAFIA 1. Datos transversales. (n.d.). Google Arts & Culture. Retrieved July 24, 2022, from https://artsandculture.google.com/entity/m0941zx?hl=es 2. Información de corte transversal. (2022, July 25). Econometria. Retrieved July 24, 2022, from https://laeconometria.blogspot.com/2013/09/informacion-de-corte-transversal.html 3. Mordán, N. R. (2021, April 4). Estructura de datos, una consideración importante para el análisis econométrico (I). betaeconomia.blogspot.com. Retrieved July 24, 2022, from http://betaeconomia.blogspot.com/2012/08/estructura-de-datos-una-consideracion.html 4. Series de tiempo (Cadena de suministro). (2021, June 21). lokad.com. Retrieved July 24, 2022, from https://www.lokad.com/es/series-de-tiempo-en-cadena-de-suministro 5. Tipos de datos - Datos combinados. (2022, July 25). Econometria. Retrieved July 24, 2022, from https://laeconometria.blogspot.com/2022/02/tipos-de-datos-datos-combinados.html