Sinopsis

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.

Índice

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