Econometría

Las regresiones van a seguir un orden cronológico, veamos modelos de series de tiempo

1. Yt=B+B1Xt+Et (distribución logarítmica)

1.1. variable x depende del tiempo al igual que los errores
1.2. x tiene un desvío en el tiempo, lo que querremos saber es cuánto de ese desvio lo
podemos controlar en el tiempo
1.3. si el cambio es positivo, habría una contribución positiva en Y, igual pasa si el cambio
es negativo, ¿Qué pasa?, pues estamos hablando del comportamiento de una
variables, si el cambio va a ser negativo, la variación en Y es negativa puesto que
tienen una relación positiva, si las relación fuera negativa y da un negativo, entonces
dará una variación sería positiva
1.4. utilizamos un modelo de rezago distribuido, puesto que acarreamos efectos pasados
al modelo
2. Yt=B+sumatoria desde i= hasta p de BiXt-i + Et
2.1. Es posible sumar todos los coeficientes “beta”, por qué es a largo plazo no se puede,
3.

Si quiero saber cuál va a ser el impacto de un shock el día de hoy, recuerden que las series de
tiempo no son con variables aleatorias.

Para este modelo encontremos la media incondicional, es decir, demostrar cual va a ser el valor
de la variable y, en el largo plazo las perturbaciones son iguales a cero, con esa información
podemos estimar cual va a ser el estado estacionario de la variable y. en el largo plzo tods las y
son iguales por lo cual podemos olvidarnos del subíndice
El valor a largo plazo de y será el anterior, esto dice que el valor de la variable y está en estado
estacionario, cual es el valor de la inflación en estado estacionario en Nicaragua, es el 5% de
devaluación es el componente importante de la inflación de Nicaragua, también incluye la
inflación internacional la cual es del 7%,

Hay un paper que no está publicado en el banco, que estima esta inflación usando una
regresión de este tipo, usando este modelo vamos a estimar la inflación de rezago en Nicaragua
por medio del modelo de rezago distribuido, debo tener bien fundamentado el número de
rezagos que vamos a estimar, ustedes quieren explicar la población, el verdadero fenómeno, en
series de tiempo, quiero maximizar la ocurrencia de ese fenómeno, quieren un modelo que les
permita proyectar exactamente el valor de esta en series de tiempo, la función de verosimilitud
dice que tan probable es que un modelo sea adecuado para estimar un fenómeno, quiero
maximizar la función de verosimilitud, eviews lo hace solo dándole enter jajajajaja, aparecen
otras cosas, como los criterios de información de akaike, shwart, etrc hib va a ver un detalle,
estos criterios pueden arrojar un resultado diferente, el de shwartz es un criterio bayesiano,
eso típicamente o sea el enfoque bayesiaano, el criterip no es propiamente un criterio
bayesiano sino uno que penaliza la cantidad de parámetros, que pas ahí? Entre mayor sea la
cantidad de parámetro, requiere un mayor consumo de grtados de libertad, quiero maximizar
el uso de los grados de libertad, akaike pr su lado exige mayor cantidad de grados de libertad
que shwartz.

Tengo que ver si el supusto que estamos estimando cumplan con ls supuestos de gauss markov

En un contexto de series de tiempo necesitamos una cantidad grande para asegurar ciertos
datos,

Unos van a hablar de tasa de crecimiento de largo plazo,

Vamos a estimar inflación, encontrar la media in condicional, la inflación a largo plazo, ya no

tasa de acumuacion de capital, metodología inventarios perpetuos.
A cada una de las series le vamos a extraer una tendencia lineal