🎯 Key Takeaways for quick navigation: Time series can be modeled using ARIMA models, which have auto-regressive and moving average components. Before fitting an ARIMA model, it's important to ensure that the time series is stationary. Box-Jenkins methodology is a common approach for time series analysis, involving steps like stationarity testing and model identification. Stationarity can be assessed visually using plots or through statistical tests like the Dickey-Fuller test. Once stationarity is achieved, the model structure (order of auto-regressive and moving average terms) can be identified using autocorrelation and partial autocorrelation plots. Estimation and validation of ARIMA models involve assessing whether model errors are white noise and selecting the most parsimonious model. Model selection criteria like AIC can help choose the best-fitting model. After model selection, predictions can be made for future periods. Transforming time series to be stationary can be done by differencing. ARIMA modeling can be performed in software like STATA. Made with HARPA AI
Ya que no soy economista y estaba con muchísimas dudas, gracias mil, me da un mejor pantallazo. Faltaría argumentar que el modelo es ideal cuando oscila en frecuencias bajas AR(1), AR(2) AR(3), pero no cuando oscila en frecuencias muy altas y/o con varias subfrecuencias dominantes. Pdta. Ese STATA tiene un entorno similar a MatLab, ¿Son de la misma empresa?.
si , pero porque el utiliza la variable con diferencia por eso pone así "arima dwpi, arima(1,0,4)". Si deseas podrías hacer con la variable cuando no es estacionaria de la siguiente manera: "arima wpi, arima(1,1,4)" y te va a salir el mismo resultado.
Con estos modelos además de ver que los errores se comporten como ruido blanco, ¿¿También se les tiene que hacer las pruebas de normalidad, heterocedasticidad y multicolinealidad ??
Hola! Edward gracias por el video, me sirvió de mucho. ¿Cómo proyecto hacia atrás? Realicé esto para proyectar hacia adelante: tsappend, add(12) arima ing, arima(3,0,3) predict ingf, y dynamic(q(2013q4)) tsline ingf ing Quiero implementar el filtro de baxter king. Gracias por adelantado.
No entiendo por qué combinas Box-Jenkins con la revisión de la significación de los coeficientes. Si terminas decidiendo sobre la significancia; entonces deberías haber empezado con un modelo con orden mas elevado y reducirlo basado en la significancia. No hay punto entonces de empezar con Box-Jenkins. El punto es también encontrar el poder (rechazar una Ho que no es correcta) de esta metodología. Deberías incluir más revisión de literatura, parece que estas combinando métodos.
![I.N "HALLUCINATION" | [Stray Kids : SKZ-PLAYER]](http://i.ytimg.com/vi/n5B5q1Hwt_U/mqdefault.jpg)
Bro, consulté demasiados videos y el tuyo fue el que más me sirvió y al que más le entendí, de verdad muchas gracias
Gran video. Aprendí mucho. Saludos desde Colombia
tremendo video!!!....me salvaste las papas!!!! Entendi todo
Eres increible! Muchas gracias.
🤗🤗🤗
Que excelente video y me llego en el momento indicado. Gracias
Un capo!! Saludos desde Arequipa
Muy buen video! Gracias
Gracias por tus videos, papito lindo.
Gracias por el Video me va a servir mucho
6:10 , RHo de existencia de una raíz unitaria.
Gracias Estimado, un abrazo, excelente video
Tienes un error en la H0 del estadístico DF, la verdadera H0 es la existencia de una raíz unitaria, no que la serie sea estacionaria
Gracias por la corrección, acabo de revisarlo
Buena explicación amigo, gracias
🎯 Key Takeaways for quick navigation:
Time series can be modeled using ARIMA models, which have auto-regressive and moving average components.
Before fitting an ARIMA model, it's important to ensure that the time series is stationary.
Box-Jenkins methodology is a common approach for time series analysis, involving steps like stationarity testing and model identification.
Stationarity can be assessed visually using plots or through statistical tests like the Dickey-Fuller test.
Once stationarity is achieved, the model structure (order of auto-regressive and moving average terms) can be identified using autocorrelation and partial autocorrelation plots.
Estimation and validation of ARIMA models involve assessing whether model errors are white noise and selecting the most parsimonious model.
Model selection criteria like AIC can help choose the best-fitting model.
After model selection, predictions can be made for future periods.
Transforming time series to be stationary can be done by differencing.
ARIMA modeling can be performed in software like STATA.
Made with HARPA AI
EXCELENTE
Saludos, colega. Buen tema
Ya que no soy economista y estaba con muchísimas dudas, gracias mil, me da un mejor pantallazo.
Faltaría argumentar que el modelo es ideal cuando oscila en frecuencias bajas AR(1), AR(2) AR(3), pero no cuando oscila en frecuencias muy altas y/o con varias subfrecuencias dominantes.
Pdta. Ese STATA tiene un entorno similar a MatLab, ¿Son de la misma empresa?.
🍎🍎🍎
Gracias, una duda, que variable son mejores para aplicar el modelo arima?
Tengo una pregunta, al realizar la primera diferenciación en el modelo, ¿no sería ARIMA (1,1,4)?
Gracias.
si , pero porque el utiliza la variable con diferencia por eso pone así "arima dwpi, arima(1,0,4)". Si deseas podrías hacer con la variable cuando no es estacionaria de la siguiente manera: "arima wpi, arima(1,1,4)" y te va a salir el mismo resultado.
hola le agradesco por el programa pero tengo problemas para descargarlo tendra un manual paso a paso de como instalarlo
Con estos modelos además de ver que los errores se comporten como ruido blanco, ¿¿También se les
tiene que hacer las pruebas de normalidad, heterocedasticidad y multicolinealidad ??
Muy bueno el video, como lo harías si quisieras hacer un ARIMA Estacional ( SARIMA) en STATA
Modificando el orden de diferenciación, corriendo AR(12), AR(24), AR (36)...... (para diferenciación anual)
Buen video, Una consulta, como seria en el caso de un ARIMA ESTACIONAL ??
Usa un modelo SARIMA
1
logit probit con stata porfavor se lo agradeceria bastante.
Hola! Edward gracias por el video, me sirvió de mucho. ¿Cómo proyecto hacia atrás? Realicé esto para proyectar hacia adelante:
tsappend, add(12)
arima ing, arima(3,0,3)
predict ingf, y dynamic(q(2013q4))
tsline ingf ing
Quiero implementar el filtro de baxter king.
Gracias por adelantado.
No entiendo por qué combinas Box-Jenkins con la revisión de la significación de los coeficientes. Si terminas decidiendo sobre la significancia; entonces deberías haber empezado con un modelo con orden mas elevado y reducirlo basado en la significancia. No hay punto entonces de empezar con Box-Jenkins. El punto es también encontrar el poder (rechazar una Ho que no es correcta) de esta metodología. Deberías incluir más revisión de literatura, parece que estas combinando métodos.