Package ElastH. May 31, 2017
|
|
- Cacilda Azambuja Assunção
- 6 Há anos
- Visualizações:
Transcrição
1 Type Package Package ElastH May 31, 2017 Title Replicar metodologia de SPE/MF para calculo de elasticidade de receita Imports dlm Suggests testthat Version Date O pacote desponibiliza funções para estimar modelos de componentes não observados e determinar intervenções automaticamente. Com especial atenção para a replicação dos modelos utilizados na metodologia de calculo do resultado estrutural da SPE/MF. The package provides simple ways to estimates general unobserved components models and automatically detects intervenctions. It is specially useful to replicate Brazilian Ministry of Finance methodology to estimate income-output gap elasticities. License GPL RoxygenNote Encoding UTF-8 Language pt_br NeedsCompilation no Author Caio Figueiredo [aut, cre] Maintainer Caio Figueiredo <caio.figueiredo@fazenda.gov.br> Depends R (>= 2.10) Repository CRAN Date/Publication :27:56 UTC R topics documented: ElastH-package calcular.elasticidades
2 2 ElastH-package decompor decompor.todos Exemplo exportar Index 9 ElastH-package ElastH: Pacote para calcular as elasticidades de grupos de receita contra hiatos do produto O pacote busca simplificar a estimação de elasticidades dos grupos receitas de interesse para o primário estrutural. Para tanto utiliza-se um modelo estrutural de componentes não observados estimado por filtro de kalman, além de prover as ferramentas para que se possa replicar da melhor forma possível a metodologia da SPE/MF para o cálculo do Resultado Estrutural. ElastH - Tutorial Rápido A forma mais simples de se estimar as elasticidades usando o pacote é por meio da função decompor. O resultado da função é uma lista com várias informações, sendo que a mais importante é a variável comp, que detalha os valores dos componentes. Vide seção decompor para mais informações sobre as entradas, as saídas e o funcionamento desta função. A função decompor.todos permite estimar com facilidade um conjunto grande de diferentes hipóteses sobre o comportamento dos componentes não observados do modelo de componentes não observados. Para mais informações sobre a função ver seção decompor.todos, para mais informações sobre os componentes não observados ver a seção detalhes da função decompor. A função calcular.elasticidades faz uso de decompor.todos, para calcular as elasticidades de todo o conjunto de 11 grupos de receitas usados na metodologia de resultado estrutural da SPE/MF, inclusive já fazendo uso dos mesmos períodos iniciais que os usados pela SPE/MF. Vide exemplo abaixo e seção: calcular.elasticidades para mais informações. Por fim, para facilitar a leitura e cópia de informações para o excel, ver função exportar. Utilize-a a partir dos resultados das funções decompor.todos ou calcular.elasticidades. Depois de estimados os modelos com a diferentes hipóteses e exportado para o excel, ainda é necessário escolher com base nos testes disponíveis, vide variáveis q, h e nt da lista resultante da função decompor. As melhores hipóteses sobre o comportamento dos componentes não observados, e logo a melhor elasticidade. See Also decompor calcular.elasticidades
3 calcular.elasticidades 3 calcular.elasticidades Calculo elasticidades de todos os grupos de receitas Função para estimar as elasticidades de todos os grupos de receitas. Exige entrada de dados no formato correto. calcular.elasticidades(receitas, Hpib, Hpet = NULL, tce, fim) Arguments Receitas Hpib Hpet tce fim Matrix/ts contendo vários grupos de receitas que devem ser identificadas por um dos seguintes nomes: TRT, TFP, TRC, TI, TM, TGC, TRAN, ICMS, ISS, ROY e PE. Série de tempo do hiato do PIB. Série de tempo do hiato do Petróleo (necessário se ROY e PE estiverem presentes). Série de tempo de taxa de cambio efetiva, utilizada como variável de controle. Período final para o cálculo das elasticidades. Value Extensa lista com todas as combinações possíveis de nível, inclinacao e sazon, para os 11 grupos de receita utilizados. See Also decompor.todos decompor Exemplo exportar Examples ## Not run: data(exemplo) resultado <- calcularelasticidades(exemplo$receitas, Exemplo$Hpib, Exemplo$Hpet, c(2015,4)) receitas <- ts(matrix(runif(836), nrow=76, ncol=11), start=1997, end=c(2015,4), frequency=4) Hpib <- ts(runif(76), start=1997, end=c(2015,4), frequency=4) Hpet <- ts(runif(76), start=1997, end=c(2015,4), frequency=4) resultado <- calcularelasticidades(receitas, Hpib, Hpet, fim=c(2015,4))
4 4 decompor decompor Estimacao de componentes do Filtro de Kalman Função principal, usada para calcular as elasticidades dos grupos de receitas, ou, de modo mais genérico, decompor por meio de um Filtro de Kalman a série de tempo dependente (y) decompor(y, X = NULL, irregular = "S", nivel = "S", inclinacao = "S", sazon = "S", regres = "S", comeco = NULL, fim = NULL, freq = NULL, ipar = c(-0.5, -1, -1.5, -2, 16), interv.b = TRUE) Arguments y X irregular nivel inclinacao sazon regres comeco fim freq ipar interv.b Série temporal a ser decomposta. Série temporal independente - (Hiatos). String definidora do comportamento do disturbio da equação principal (Vide details): "S" Variância definida automaticamente "F" Variância fixa zero "N" Ignorar Componente (não é possível ignorar a equação principal) String definidora do comportamento do disturbio da equação do nível. Ver irregular para valores possíveis. String definidora do comportamento do disturbio da equação do inclinacao. Ver irregular para valores possíveis. String definidora do comportamento do disturbio da equação da sazonalidade. Ver irregular para valores possíveis. String definidora do comportamento do disturbio da equação dos coeficientes. Ver irregular para valores possíveis. Período inicial de estimação. Período final de estimação. Frequência da série de tempo. Informar somente se y não for uma série de tempo. Parâmetros iniciais para o processo de otimização. Não é aconselhável modificar os valores padrões. TRUE (Padrão) ou FALSE. Define se as intervenções serão detectadas automaticamente.
5 decompor 5 Details O modelo linear dinâmico usado neste pacote tem a seguinte estrutura: y t = µ t + β t X t + γ t + ε t µ t = µ t 1 + ν t 1 + ξ t ν t = ν t 1 + ζ t γ t = γ 1,t + γ 2,t γ 1,t = γ 1,t 2 + ω 1,t γ 2,t = γ 2,t 1 + ω 2,t β t = β t 1 + η t Onde y t é o argumento y, X t é o argumento X, e µ t, ν t, γ t e β t são os componentes não observados estimados pelo Filtro de Kalman, respectivamente, nível, inclinação, sazonalidade e coeficiente(s). Por fim os resíduos seguem as seguintes distribuições: ε t N (0, σ 2 ε) ξ t N (0, σ 2 ξ) ζ t N (0, σ 2 ζ) ω 1,t N (0, 2σ 2 ω) ω 2,t N (0, σ 2 ω) η t N (0, σ 2 η) Os argumentos irregular, nivel, inclinacao, sazon e regres controlam as variâncias dos resíduos. Quando definidos igual a "S" as variância são estimadas por um processo de otimização. Quanto definidos igual a "F", as variâncias são fixas em 0 (e logo o resíduo é 0 em todo t), por fim se forem definidos igual a "N" o componente é ignorado, por exemplo se sazon igual a "N" então γ t = 0 t e logo não é estimado efeitos de sazonalidade. Note que as equações de sazonalidade dependem da frequência dos dados. Logo, a forma funcional apresentada acima só funciona para o caso particular em questão, com frequência trimestral. Note que X pode ser um data.frame, ou seja, um conjunto de variáveis independentes. Com isso, 2 ou mais coeficientes serão estimados, nesse caso X, β e η devem ser tratados como matrix (e não um vetor). Caso interv.b seja definido como FALSE. Então intervenções não serão calculadas automaticamente, caso se deseje implementer intervenções de modo manual, então os vetores de intervenção devem ser colocados na matrix X.
6 6 decompor Value A função retorna uma lista com 15 variáveis, entre componentes e testes: y: Série que foi decomposta. dlm: Estrutura do objeto dlm usado na decomposição. f: Lista de resultados do Filtro de Kalman. Ver dlmfilter. s: Lista de resultados do processo de suavização. Ver dlmsmooth. comp: Tabela com os componentes de interesses suavizados (Resultado Principal). interv: tabela listando as intervenções, seu componente. período, valor, desvio padrão do estimador e o pvalor do teste t. choques: Matriz dos disturbios suavizados. Ver choques. e: Série dos erros de projeção um passo a frente. q: Teste de independência dos erros de projeção. q2: Teste de independência dos erros de projeção, com o dobro de lags. h: Teste de homocedasticidade dos erros de projeção. nt: Teste de normalidade dos erros de projeção. aic: Critério de Akaike. bic: Critério de Bayes. tt: Lista com resultado de testes t para os coeficientes estimados. Examples seriey <- ts(runif(76), start=1997, end=c(2015,4), frequency=4) decomposicao <- decompor(seriey) #Decomposição sem variável independente seriex <- ts(runif(76), start=1997, end=c(2015,4), frequency=4) modelo <- decompor(seriey, seriex) #Decomposição e estimação de coeficente #Decomposição e estimação com nível e inclinacao fixos e sem sazonalidade modelo2 <- decompor(seriey, seriex, nivel="f", inclinacao="f", sazon="n") #Decomposição e estimação com coeficente constante modelo3 <- decompor(seriey, seriex, regres="f") #Decomposição e estimação usando apenas um subconjunto dos dados modelo4 <- decompor(seriey, seriex, comeco=2000, fim=2010) #Decomposição e estimação sem a detecção de intervenções modelo5 <- decompor(seriey, seriex, interv.b=f)
7 decompor.todos 7 decompor.todos Estimação de alternativas hipoteses Função que calcula 8 formas funcionais para elasticidades para fins de comparação decompor.todos(y, X = NULL, comeco = NULL, fim = NULL, sazon.b = TRUE, regres = "S") Arguments y X comeco fim sazon.b regres Série de tempo a ser decomposta Série de tempo das variáveis independentes Período inicial dos cálculos Período final dos cálculos Boolean indicativa se o efeito sazonal será incorporado na forma funcional, Padrão = TRUE Define que os coeficientes devem ser fixos no tempo ("F") ou estocásticos ("S") Value lista com os 8 modelos estimados See Also decompor exportar Examples seriey <- ts(runif(96), start=1997, end=c(2015,4), frequency=4) # Estimar modelo sem variáveis indepedentes lista.dlm <- decompor.todos(seriey) seriex <- ts(runif(96), start=1997, end=c(2015,4), frequency=4) # Estimar modelos incluindo variável independente lista.dlm2 <- decompor.todos(y=seriey, X=seriex) # Estimar modelo, com variavel dependente, mas restringindo o escopo temporal lista.dlm3 <- decompor.todos(y=seriey, X=seriex, comeco=2000, fim=2014)
8 8 exportar Exemplo Exemplos de Inputs e Outputs Lista extensiva de dados utilizados somente para exemplos e testes. data(exemplo) Format An object of class list of length 29. exportar Exportacao de resultado Função que formata os dados para um padrão de exportação. exportar(resultado) Arguments resultado Lista resultante da função calcular.elasticidades ou ou da função decompor.todos com um conjunto de elasticidades calculadas. Value See Also Data frame no formato correto para exportação para o Excel. decompor.todos calcular.elasticidades Exemplo Examples ## Not run: data(exemplo) resultado <- calcular.elasticidades(exemplo$receitas, Exemplo$Hpib, Exemplo$Hpet, fim=c(2015,4)) resultado.exportacao <- exportar(resultado) write.csv2(resultado.exportacao, "/tmp/dados.csv") #Escreve resultados em arquivo CSV.
9 Index Topic datasets Exemplo, 8 calcular.elasticidades, 2, 3, 8 decompor, 2, 3, 4, 7 decompor.todos, 2, 3, 7, 8 ElastH-package, 2 Exemplo, 3, 8, 8 exportar, 2, 3, 7, 8 9
Passo a passo de como estimar elasticidades de grupos de receita usando o pacote ElastH
Passo a passo de como estimar elasticidades de grupos de receita usando o pacote ElastH Caio Figueiredo 1 1 Secretaria de Política Econômica do Ministério da Fazenda 30 de maio de 2017 Sumário Introdução
Package RcextTools. R topics documented: September 5, Type Package
Type Package Package RcextTools September 5, 2017 Title Analytical Procedures in Support of Brazilian Public Sector External Auditing Version 0.1.1 Author Maintainer Bruno Melo
Mestrado Profissionalizante em Finanças as e Economia Empresarial FGV / EPGE Prof. Eduardo Ribeiro Julho Setembro 2007
Projeções de Séries S Temporais Econometria dos Mercados Financeiros Mestrado Profissionalizante em Finanças as e Economia Empresarial FGV / EPGE Prof. Eduardo Ribeiro Julho Setembro 2007 Objetivo do curso
ESTATÍSTICA COMPUTACIONAL
ESTATÍSTICA COMPUTACIONAL Ralph dos Santos Silva Departamento de Métodos Estatísticos Instituto de Matemática Universidade Federal do Rio de Janeiro Sumário Motivação Por exemplo, queremos analisar a série
Séries Temporais e Modelos Dinâmicos. Econometria. Marcelo C. Medeiros. Aula 6
em Econometria Departamento de Economia Pontifícia Universidade Católica do Rio de Janeiro Aula 6 O Teorema de Wold O Teorema de Wold Lei dos Grandes Números Teorema Central do Limite -M O Teorema de Wold
Econometria. Econometria MQO MQO. Resíduos. Resíduos MQO. 1. Exemplo da técnica MQO. 2. Hipóteses do Modelo de RLM. 3.
3. Ajuste do Modelo 4. Modelo Restrito Resíduos Resíduos 1 M = I- X(X X) -1 X Hipóteses do modelo Linearidade significa ser linear nos parâmetros. Identificação: Só existe um único conjunto de parâmetros
4 Modelos de Regressão Dinâmica
4 Modelos de Regressão Dinâmica Nos modelos de regressão linear (Johnston e Dinardo, 1998) estudados comumente na literatura, supõe-se que os erros gerados pelo modelo possuem algumas características como:
Séries Temporais e Modelos Dinâmicos. Econometria. Marcelo C. Medeiros. Aula 9
em Econometria Departamento de Economia Pontifícia Universidade Católica do Rio de Janeiro Aula 9 Data Mining Equação básica: Amostras finitas + muitos modelos = modelo equivocado. Lovell (1983, Review
Econometria. Econometria ( ) O modelo de regressão linear múltipla. O modelo de regressão linear múltipla. Aula 2-26/8/2010
Aula - 6/8/010 Econometria Econometria 1. Hipóteses do Modelo de RLM O modelo de regressão linear múltipla Estudar a relação entre uma variável dependente e uma ou mais variáveis independentes. Forma genérica:
Análise de Regressão Linear Simples e
Análise de Regressão Linear Simples e Múltipla Carla Henriques Departamento de Matemática Escola Superior de Tecnologia de Viseu Introdução A análise de regressão estuda o relacionamento entre uma variável
ANÁLISE DE SÉRIES TEMPORAIS
ANÁLISE DE SÉRIES TEMPORAIS Ralph S. Silva http://www.im.ufrj.br/ralph/seriestemporais.html Departamento de Métodos Estatísticos Instituto de Matemática Universidade Federal do Rio de Janeiro Estimação
Econometria em Finanças e Atuária
Ralph S. Silva http://www.im.ufrj.br/ralph/especializacao.html Departamento de Métodos Estatísticos Instituto de Matemática Universidade Federal do Rio de Janeiro Maio-Junho/2013 Motivação Motivação Por
Metodologia de Box-Jenkins. Metodologia de Box-Jenkins. Metodologia de Box-Jenkins
Programa de Pós-graduação em Engenharia de Produção Análise de séries temporais: Modelos de Box-Jenkins Profa. Dra. Liane Werner Metodologia de Box-Jenkins Para os modelos de decomposição e os modelos
Aula 22/10/2018 José Luiz Padilha 22 de outubro de 2018
Modelando a Variância Estimação Aula 22/10/2018 José Luiz Padilha 22 de outubro de 2018 A estimação dos parâmetros α 0 e α 1 em um modelo ARCH(1) é geralmente realizada por verossimilhança condicional.
FACULDADE DE ECONOMIA, ADMINISTRAÇÃO E CONTABILIDADE FEA/USP. Lista 7 - Econometria I
FACULDADE DE ECONOMIA, ADMINISTRAÇÃO E CONTABILIDADE FEA/USP São Paulo - Nov/2017 Lista 7 - Econometria I Professora: Paula Pereda EAE0324 Monitores: Bernardo Ostrovski e Igor Barreto ALUNO: ATENÇÃO: A
2 Modelos em Espaço de Estado Lineares: Formulação Geral
2 Modelos em Espaço de Estado Lineares: Formulação Geral 2.1 Definição Geral de um Modelo Linear Apresenta-se uma definição de modelos em EE lineares que seja a mais geral e flexível possível, e que segue
Estimação da Receita Líquida de uma Empresa de Varejo através de uma Modelagem Estrutural
Estimação da Receita Líquida de uma Empresa de Varejo através de uma Modelagem Estrutural Marco Antônio dos Santos Martins (ESPM Sul/Unifin) - mmartins@jminvest.com Frederike Monika Budiner Mette (ESPM
Aula 2 Tópicos em Econometria I. Porque estudar econometria? Causalidade! Modelo de RLM Hipóteses
Aula 2 Tópicos em Econometria I Porque estudar econometria? Causalidade! Modelo de RLM Hipóteses A Questão da Causalidade Estabelecer relações entre variáveis não é suficiente para a análise econômica.
Séries Temporais e Modelos Dinâmicos. Econometria. Marcelo C. Medeiros. Aula 12
em Econometria Departamento de Economia Pontifícia Universidade Católica do Rio de Janeiro Aula 12 Regressão com Variáveis Não-Estacionárias Considere três processos estocásticos definidos pelas seguintes
Análise de regressão linear simples. Diagrama de dispersão
Introdução Análise de regressão linear simples Departamento de Matemática Escola Superior de Tecnologia de Viseu A análise de regressão estuda o relacionamento entre uma variável chamada a variável dependente
Modelo de Regressão Múltipla
Modelo de Regressão Múltipla Modelo de Regressão Linear Simples Última aula: Y = α + βx + i i ε i Y é a variável resposta; X é a variável independente; ε representa o erro. 2 Modelo Clássico de Regressão
Ajuste sazonal das séries trimestrais. Diretoria de Pesquisa Coordenação de Contas Nacionais
Ajuste sazonal das séries trimestrais Diretoria de Pesquisa Coordenação de Contas Nacionais A série encadeada original O componente sazonal A tendência (trend cycle) A série encadeada com ajuste sazonal
Ralph S. Silva
ANÁLISE ESTATÍSTICA MULTIVARIADA Ralph S Silva http://wwwimufrjbr/ralph/multivariadahtml Departamento de Métodos Estatísticos Instituto de Matemática Universidade Federal do Rio de Janeiro Sumário Revisão:
Análise Multivariada Aplicada à Contabilidade
Mestrado e Doutorado em Controladoria e Contabilidade Análise Multivariada Aplicada à Contabilidade Prof. Dr. Marcelo Botelho da Costa Moraes www.marcelobotelho.com mbotelho@usp.br Turma: 2º / 2016 1 Agenda
Gabarito P2. Álgebra Linear I ) Decida se cada afirmação a seguir é verdadeira ou falsa.
Gabarito P2 Álgebra Linear I 2008.2 1) Decida se cada afirmação a seguir é verdadeira ou falsa. Se { v 1, v 2 } é um conjunto de vetores linearmente dependente então se verifica v 1 = σ v 2 para algum
Capítulo 11 - Projeto de Testes e Escolha de Estruturas
Capítulo 11 - Projeto de Testes e Escolha de Estruturas Prof. Samir Martins UFSJ-CEFET/MG Programa de Pós Graduação em Engenharia Elétrica - PPGEL São João del-rei, 22 de novembro de 2016 1 / 38 Introdução
Séries Temporais e Modelos Dinâmicos. Econometria. Marcelo C. Medeiros. Aula 8
em Econometria Departamento de Economia Pontifícia Universidade Católica do Rio de Janeiro Aula 8 Variáveis Não-Modeladas Condição de Ordem e Condição de Posto Estimação O Modelo Estrutural Seja z t =
A Metodologia de Box & Jenkins
A Metodologia de Box & Jenins Aula 03 Bueno, 0, Capítulo 3 Enders, 009, Capítulo Morettin e Toloi, 006, Capítulos 6 a 8 A Metodologia Box & Jenins Uma abordagem bastante utilizada para a construção de
Séries Temporais e Modelos Dinâmicos. Econometria. Marcelo C. Medeiros. Aula 7
em Econometria Departamento de Economia Pontifícia Universidade Católica do Rio de Janeiro Aula 7 O Modelo Estrutural Identificação Seja z t = (z 1t,...,z mt ) R m um vetor composto das variáveis de interesse.
Processamento de erros grosseiros - Identiمحcaچcﷺao
Processamento de erros grosseiros - Identiمحcaچcﷺao Método ˆb Base: variável ˆβ interpretada como uma estimativa do erro associado à medida; verificação da magnitude do erro com relação a faixa esperada
3 Filtro de Kalman Discreto
3 Filtro de Kalman Discreto As medidas realizadas por sensores estão sujeitas a erros, como pode ser visto no Capítulo 2. Os filtros são aplicados aos sinais medidos pelos sensores para reduzir os erros,
Vetores Auto-Regressivos (VAR) Cristian Rafael Pelizza Estágio de docência
Vetores Auto-Regressivos (VAR) Cristian Rafael Pelizza Estágio de docência Forma estrutural e reduzida O método VAR busca capturar a interdependência entre múltiplas séries de tempo. Estrutura-se equações
Econometria. Séries Temporais Lista de Exercícios
Econometria Séries Temporais Lista de Exercícios 1. Estimação da Autocovariância e da Autocorrelação Tome a série de dados da planilha estimacao.xlsx e estime o que se pede sobre a série de tempo dada.
MODELO DE DECISÃO PARA ESCOLHA DE PORTFOLIO DE INVESTIMENTOS
MODELO DE DECISÃO PARA ESCOLHA DE PORTFOLIO DE INVESTIMENTOS Rodrigo José Pires Ferreira UFPE Cx. Postal 7462, Recife PE, 50.630-970 rodrigo@ufpe.br Adiel Teixeira de Almeida Filho UFPE Cx. Postal 7462,
θ depende de um parâmetro desconhecido θ.
73 Método de Máxima Verosimilhança (Maximum Likelihood) Seja uma variável aleatória (v. a.) cuja densidade de probabilidade depende de um parâmetro desconhecido. Admite-se conhecida a forma de Exemplo
Aula 2 Uma breve revisão sobre modelos lineares
Aula Uma breve revisão sobre modelos lineares Processo de ajuste de um modelo de regressão O ajuste de modelos de regressão tem como principais objetivos descrever relações entre variáveis, estimar e testar
Markov Switching Models. Profa. Airlane Alencar. Depto de Estatística - IME-USP. lane. Ref: Kim e Nelson (1999) e Hamilton (1990)
Markov Switching Models Profa. Airlane Alencar Depto de Estatística - IME-USP www.ime.usp.br/ lane Ref: Kim e Nelson (1999) e Hamilton (1990) 1 Objetivo Mudança nos parâmetros de um modelo de regressão
REGRESSÃO E CORRELAÇÃO
REGRESSÃO E CORRELAÇÃO A interpretação moderna da regressão A análise de regressão diz respeito ao estudo da dependência de uma variável, a variável dependente, em relação a uma ou mais variáveis explanatórias,
Determinantes da Demanda de Óleo Diesel no Brasil. Niágara Rodrigues UFF Luciano Losekann UFF Getúlio Borges UFRJ
Determinantes da Demanda de Óleo Diesel no Brasil Niágara Rodrigues UFF Luciano Losekann UFF Getúlio Borges UFRJ Gramado Setembro de 2016 ESTRUTURA Introdução Objetivo Metodologia Resultados Conclusões
3 Modelo Matemático Definições Iniciais. Denote-se, em geral, o desvio-padrão do processo por σ = γσ 0, sendo σ 0 o
Modelo Matemático 57 3 Modelo Matemático Este trabalho analisa o efeito da imprecisão na estimativa do desvio-padrão do processo sobre o desempenho do gráfico de S e sobre os índices de capacidade do processo.
G3 de Álgebra Linear I
G de Álgebra Linear I 7 Gabarito ) Considere a transformação linear T : R R cuja matriz na base canônica E = {(,, ), (,, ), (,, )} é [T] E = a) Determine os autovalores de T e seus autovetores correspondentes
Notas de Aulas Econometria I ** Eduardo P. Ribeiro, 2010 PARTE II
Notas de Aulas Econometria I ** Eduardo P Ribeiro, 00 PARTE II Autocorrelação Autocorrelação: violação da hipótese: E [ε t ε t-s ] = 0, para s > 0, como por exemplo, ε t = ε t- + υ t, onde υ t é ruído
Análise da Regressão múltipla: MQO Assintótico y = β 0 + β 1 x 1 + β x +... β k x k + u 3. Propriedades assintóticas Antes, propriedades sobre amostra
Análise da Regressão múltipla: MQO Assintótico Capítulo 5 do Wooldridge Análise da Regressão múltipla: MQO Assintótico y = β 0 + β 1 x 1 + β x +... β k x k + u 3. Propriedades assintóticas Antes, propriedades
Análise Multivariada Aplicada à Contabilidade
Mestrado e Doutorado em Controladoria e Contabilidade Análise Multivariada Aplicada à Contabilidade Prof. Dr. Marcelo Botelho da Costa Moraes www.marcelobotelho.com mbotelho@usp.br Turma: 2º / 2016 1 Agenda
Regressão linear simples
Regressão linear simples Universidade Estadual de Santa Cruz Ivan Bezerra Allaman Introdução Foi visto na aula anterior que o coeficiente de correlação de Pearson é utilizado para mensurar o grau de associação
Cap. 8 - Intervalos Estatísticos para uma Única Amostra
Intervalos Estatísticos para ESQUEMA DO CAPÍTULO 8.1 INTRODUÇÃO 8.2 INTERVALO DE CONFIANÇA PARA A MÉDIA DE UMA DISTRIBUIÇÃO NORMAL, VARIÂNCIA CONHECIDA 8.3 INTERVALO DE CONFIANÇA PARA A MÉDIA DE UMA DISTRIBUIÇÃO
Econometria em Finanças e Atuária
Ralph S. Silva http://www.im.ufrj.br/ralph/especializacao.html Departamento de Métodos Estatísticos Instituto de Matemática Universidade Federal do Rio de Janeiro Maio-Junho/2013 Modelos condicionalmente
P4 de Álgebra Linear I
P4 de Álgebra Linear I 2008.2 Data: 28 de Novembro de 2008. Gabarito. 1) (Enunciado da prova tipo A) a) Considere o plano π: x + 2 y + z = 0. Determine a equação cartesiana de um plano ρ tal que a distância
AULA 4 - MQO Simples: Propriedades algébricas e Estatísticas
AULA 4 - MQO Simples: Propriedades algébricas e Estatísticas Susan Schommer Econometria I - IE/UFRJ Estimação: MQO recapitulando Na aula passada aprendemos estimação por MQO. Recapitulando brevemente Em
Prof. Dr. Marcone Augusto Leal de Oliveira UFJF CURSO INTRODUTÓRIO DE 12 HORAS OFERECIDO PARA A PÓS-GRADUAÇÃO DA UFABC EM NOVEMBRO DE 2017
Prof. Dr. Marcone Augusto Leal de Oliveira UFJF CURSO INTRODUTÓRIO DE 2 HORAS OFERECIDO PARA A PÓS-GRADUAÇÃO DA UFABC EM NOVEMBRO DE 207 SUMÁRIO - BREVE DESCRIÇÃO, FUNDAMENTOS, CONCEITOS, CARACTERÍSTICAS,
Um ambiente super amigável de trabalho com recursos poderosos de análise e acesso a uma ampla base de dados da economias brasileira e internacional.
Um ambiente super amigável de trabalho com recursos poderosos de análise e acesso a uma ampla base de dados da economias brasileira e internacional. Mais de 12 mil séries de tempo relativas às economias
HOW TO DEAL WITH STRUCTURAL CHANGES IN TIMES SERIES? Professor Catedrático da Instituto Superior de Economia e Gestão
COMO LIDAR COM AS MUDANÇAS DE ESTRUTURA EM SÉRIES TEMPORAIS? HOW TO DEAL WITH STRUCTURAL CHANGES IN TIMES SERIES? Autor: Daniel Müller Professor Catedrático da Instituto Superior de Economia e Gestão.
Mais de 12 mil séries de tempo relativas às economias brasileira e mundial, selecionadas por sua relevância e que podem ser acessadas de forma
Mais de 12 mil séries de tempo relativas às economias brasileira e mundial, selecionadas por sua relevância e que podem ser acessadas de forma simples e eficiente. Séries diárias, mensais trimestrais e
MAP Métodos Numéricos e Aplicações Escola Politécnica 1 Semestre de 2017 EPREC - Entrega em 27 de julho de 2017
1 Preliminares MAP3121 - Métodos Numéricos e Aplicações Escola Politécnica 1 Semestre de 2017 EPREC - Entrega em 27 de julho de 2017 A decomposição de Cholesky aplicada a Finanças O exercício-programa
O efeito interacção em modelos de equações estruturais
O efeito interacção em modelos de equações estruturais Maria de Fátima Salgueiro - ISCTE Business School, Lisboa fatima.salgueiro@iscte.pt XIV Congresso Anual da SPE - Covilhã 2006 XIV CONGRESSO DA SPE
Modelagem estrutural da série mensal de consumo residencial de energia elétrica na região Nordeste
Modelagem estrutural da série mensal de consumo residencial de energia elétrica na região Nordeste José Francisco Moreira Pessanha Departamento de Engenharia Elétrica DEE/PUC-RJ francisc@domain.com.br.
Correlação e Regressão Linear
Correlação e Regressão Linear Prof. Marcos Vinicius Pó Métodos Quantitativos para Ciências Sociais CORRELAÇÃO LINEAR Coeficiente de correlação linear r Mede o grau de relacionamento linear entre valores
RESUMO TRAÇADO DE RETAS, ALGARISMOS SIGNIFICATIVOS E PROPAGAÇÃO DE ERROS
RESUMO TRAÇADO DE RETAS, ALGARISMOS SIGNIFICATIVOS E PROPAGAÇÃO DE ERROS Dados experimentais em um gráfico. Quando se obtém dados experimentais em um gráfico nunca pode se contentar com quantidade de dados
Universidade de São Paulo Instituto de Ciências Matemáticas e de Computação
Universidade de São Paulo Instituto de Ciências Matemáticas e de Computação Francisco A. Rodrigues Departamento de Matemática Aplicada e Estatística - SME Objetivo Dada M classes ω 1, ω 2,..., ω M e um
Introdução ao modelo de Regressão Linear
Introdução ao modelo de Regressão Linear Prof. Gilberto Rodrigues Liska 8 de Novembro de 2017 Material de Apoio e-mail: gilbertoliska@unipampa.edu.br Local: Sala dos professores (junto ao administrativo)
Estimação e Testes de Hipóteses
Estimação e Testes de Hipóteses 1 Estatísticas sticas e parâmetros Valores calculados por expressões matemáticas que resumem dados relativos a uma característica mensurável: Parâmetros: medidas numéricas
Econometria Lista 1 Regressão Linear Simples
Econometria Lista 1 Regressão Linear Simples Professores: Hedibert Lopes, Priscila Ribeiro e Sérgio Martins Monitores: Gustavo Amarante e João Marcos Nusdeo Exercício 1 (2.9 do Wooldridge 4ed - Modificado)
MAE0229 Introdução à Probabilidade e Estatística II
Exercício Entre jovens atletas, um nível alto de colesterol pode ser considerado preocupante e indicativo para um acompanhamento médico mais frequente. Suponha que são classificados como tendo taxa de
Neste capítulo apresentam-se os modelos STVAR-Tree, o principal da dissertação, além dos modelos competidores PAR(p) e Neuro-Fuzzy.
4 Metodologia 4.1. Introdução Neste capítulo apresentam-se os modelos STVAR-Tree, o principal da dissertação, além dos modelos competidores PAR(p) e Neuro-Fuzzy. 4.2. Modelo STVAR-Tree O modelo vetorial
PLATAFORMA DE PROJEÇÃO DE DEMANDA USANDO MODELO VETORIAL. Alexandre Cafure Lafranque
PLATAFORMA DE PROJEÇÃO DE DEMANDA USANDO MODELO VETORIAL Alexandre Cafure Lafranque AGENDA Projeção de Demanda com o Modelo Vetorial O Desafio da Projeção de Carga Introdução ao Modelo Vetorial Plataforma
I Workshop em Inteligência Computacional e Aprendizado Estatístico Aplicados à Agropecuária
I Workshop em Inteligência Computacional e Aprendizado Estatístico Aplicados à Agropecuária Camila Ferreira Azevedo Professora Departamento de Estatística - UFV Email: camila.azevedo@ufv.br 1 Colaboradores:
Análise de Dados Longitudinais Aula
1/35 Análise de Dados Longitudinais Aula 08.08.2018 José Luiz Padilha da Silva - UFPR www.docs.ufpr.br/ jlpadilha 2/35 Sumário 1 Revisão para dados transversais 2 Como analisar dados longitudinais 3 Perspectiva
FATORES EXPLICATIVOS DO SALDO DA BALANÇA COMERCIAL DO BRASIL 1990 A 1997
Economia e Desenvolvimento, nº 11, março/2000 Artigo Acadêmico FATORES EXPLICATIVOS DO SALDO DA BALANÇA COMERCIAL DO BRASIL 1990 A 1997 Zenir Adornes da Silva * Resumo: Neste artigo, analisa-se a influência
5 Metodologia e Resultados 5.1. Metodologia
5 Metodologia e Resultados 5.1. Metodologia Realizamos estimações utilizando o modelo de efeitos fixos para dados em painel. A escolha do modelo econométrico a seguirmos decorre das hipóteses que desejarmos
A análise de séries temporais é uma área da estatística dedicada ao estudo de dados orientados no tempo (MONTGOMERY, 2004).
3 Séries temporais A análise de séries temporais é uma área da estatística dedicada ao estudo de dados orientados no tempo (MONTGOMERY, 2004). 3.1. Princípios fundamentais Conforme Box et al. (1994), uma
Estimação da Resposta em Frequência
27 Estimação da Resposta em Frequência jω Ge ( ) = jω Ye ( ) jω Ue ( ) Objectivo: Calcular a magnitude e fase da função de transferência do sistema, para um conjunto grande de frequências. A representação
Rafael Izbicki 1 / 38
Mineração de Dados Aula 7: Classificação Rafael Izbicki 1 / 38 Revisão Um problema de classificação é um problema de predição em que Y é qualitativo. Em um problema de classificação, é comum se usar R(g)
TESTES DE HIPÓTESES E INTERVALOS DE CONFIANÇA EM MODELOS LINEARES GENERALIZADOS
TESTES DE HIPÓTESES E INTERVALOS DE CONFIANÇA EM MODELOS LINEARES GENERALIZADOS Antes de apresentar alguns dos testes de hipóteses e intervalos de confiança mais usuais em MLG, segue a definição de modelos
Carteiras de Variância Mínima no Brasil
no Brasil Itaú-Unibanco Abril de 2012 no Brasil Agenda Conceitos básicos em Finanças 1 Conceitos básicos em Finanças 2 3 4 5 no Brasil Seleção de carteiras de investimento Suponha N ativos de risco, com
AULA 11 - Normalidade e Inferência em Regressão Múltipla - Parte 1
AULA 11 - Normalidade e Inferência em Regressão Múltipla - Parte 1 Susan Schommer Econometria I - IE/UFRJ Distribuições amostrais dos estimadores MQO Nas aulas passadas derivamos o valor esperado e variância
Séries Temporais e Modelos Dinâmicos. Econometria. Marcelo C. Medeiros. Aula 2
em Econometria Departamento de Economia Pontifícia Universidade Católica do Rio de Janeiro Aula 2 O Modelo Estrutural Seja z t = (z 1t,...,z mt ) R m um vetor composto das variáveis de interesse. Considere
UNIVERSIDADE FEDERAL DE MINAS GERAIS FACULDADE DE FILOSOFIA E CIÊNCIAS HUMANAS DEPARTAMENTO DE CIÊNCIA POLÍTICA CURSO DE GESTÃO PÚBLICA
1 UNIVERSIDADE FEDERAL DE MINAS GERAIS FACULDADE DE FILOSOFIA E CIÊNCIAS HUMANAS DEPARTAMENTO DE CIÊNCIA POLÍTICA CURSO DE GESTÃO PÚBLICA Professor: Ernesto Friedrich de Lima Amaral Disciplina: Avaliação
Testes de Raiz Unitária para Dados em Painel
Aula 7 Bibliografia: Stata, 2017. help xtunitroot. From Stata/SE 13 (accessed on Oct. 23, 2018). Pesaran, M.H. (2015). Time series and panel data econometrics. Oxford: Oxford University Press. Rafael S.
Especialização em Engenharia de Processos e de Sistemas de Produção
Especialização em Engenharia de Processos e de Sistemas de Produção Projetos de Experimento e Confiabilidade de Sistemas da Produção Prof. Claudio Luis C. Frankenberg 3ª parte Conforme foi apresentado
Modelos de Regressão
Renato Martins Assunção DCC - UFMG 2015 Renato Martins Assunção (DCC - UFMG) 2015 1 / 19 Exemplo de preço de apto Y = y 1 y 2 y 1499 y 1500 b 0 1 1 1 1 + b 1 área 1 área 2 área 1499 área 1500 + b 2 idade
Análise de Regressão Linear Múltipla IX
Análise de egressão Linear Múltipla I Aula Gujarati e Porter - Capítulo 8 Wooldridge - Capítulo 5 Heij et al., 004 Seção 4..4 Introdução Ao longo dos próximos slides nós discutiremos uma alternativa para
6. Predição Linear e Controlo de Variância Mínima
1 6. Predição Linear e Controlo de Variância Mínima Objectivo: Projectar controladores discretos lineares para sistemas com perturbações estocásticas. Preparação para o Controlo Adaptativo. Referência:
Estimação e Modelagem de Volatilidade - Eduardo Ribeiro 1
Discutiremos agora diferentes métodos de estimação de volatilidade de ativos. Volatilidade pode ser entendido como o risco de um ativo (retorno incerto). Volatilidade é chave para precificar opções e calcular
Econometria IV Modelos Lineares de Séries Temporais. Fernando Chague
Econometria IV Modelos Lineares de Séries Temporais Fernando Chague 2016 Estacionariedade Estacionariedade Inferência estatística em séries temporais requer alguma forma de estacionariedade dos dados Intuição:
Distribuições Amostrais e Estimação Pontual de Parâmetros
Distribuições Amostrais e Estimação Pontual de Parâmetros ESQUEMA DO CAPÍTULO 7.1 INTRODUÇÃO 7.2 DISTRIBUIÇÕES AMOSTRAIS E TEOREMA DO LIMITE CENTRAL 7.3 CONCEITOS GERAIS DE ESTIMAÇÃO PONTUAL 7.3.1 Estimadores
UNIVERSIDADE FEDERAL DO ABC
UNIVERSIDADE FEDERAL DO ABC BC49 Cálculo Numérico - LISTA - sistemas lineares de equações Profs André Camargo, Feodor Pisnitchenko, Marijana Brtka, Rodrigo Fresneda Métodos diretos Analise os sistemas
Tratamento Estatístico de dados em Física Experimental
Tratamento Estatístico de dados em Física Experimental Prof. Zwinglio Guimarães 2 o semestre de 2017 Tópico 6 - Testes estatísticos (Chi-quadrado, z e t ) O método dos mínimos quadrados (revisão) O método
Tópicos de Estatística Espacial Geoestatística
Tópicos de Estatística Espacial Geoestatística Anderson Castro Soares de Oliveira Geoestatística A geoestatística é uma análise espacial que considera que a variável em estudo se distribui continuamente
Aplicação da metodologia Box & Jenkins para previsão de vendas de emulsificante
Aplicação da metodologia Box & Jenkins para previsão de vendas de emulsificante Eduardo Campana Barbosa1 Carlos Henrique Osório Silva2 Resumo: Utilizou-se a metodologia Box & Jenkins para previsão da demanda
Análise e Previsão de Séries Temporais Aula 2: Introdução às séries temporais. Eraylson Galdino
Análise e Previsão de Séries Temporais Aula 2: Introdução às séries temporais egs@cin.ufpe.br Análise e Previsão de Séries Temporais Aula 1 Agenda Resumo da Aula anterior; Estimação e eliminação dos componentes
Investigação Operacional 2º Semestre 2002/2003 Problema Resolvido
º Semestre 00/003 Problema Resolvido Resolução do problema 3 Comecemos por traçar o gráfico da série cronológica 10 140 130 10 Yt 110 100 0 4 6 8 10 1 14 16 18 0 a) Caracterizar uma série é dizer se ela
Notas de Aulas Econometria I ** Eduardo P. Ribeiro, 2011 PARTE II
Notas de Aulas Econometria I ** Eduardo P Ribeiro, 0 PARTE II Autocorrelação Autocorrelação: violação da hipótese: E [ε t ε t-s ] = 0, para s > 0, como por exemplo, ε t = ρ ε t- + υ t, onde υ t é ruído
Anexo 1 - Revisões de Teoria das Probabilidades e Processos Estocásticos
1 Anexo 1 - Revisões de Teoria das Probabilidades e Processos Estocásticos Documento auxiliar à disciplina de Modelação, Identificação e Controlo Digital Alexandre Bernardino 003/005 IST-Secção de Sistemas
5.7 Projeções Ortogonais
5.7. PROJEÇÕES ORTOGONAIS 5.7 Projeções Ortogonais V espaço vetorial de dimensão n; H V subespaço vetorial de dimensão p; γ = { u, u,..., u p } base ortogonal de H; β = { u, u,..., u p, u p+,..., u n }
Esse material foi extraído de Barbetta (2007 cap 13)
Esse material foi extraído de Barbetta (2007 cap 13) - Predizer valores de uma variável dependente (Y) em função de uma variável independente (X). - Conhecer o quanto variações de X podem afetar Y. Exemplos
Redes Neurais. A Rede RBF. Redes RBF: Função de Base Radial. Prof. Paulo Martins Engel. Regressão não paramétrica. Redes RBF: Radial-Basis Functions
Redes RBF: Função de Base Radial Redes Neurais A Rede RBF O LP é baseado em unidades que calculam uma função não-linear do produto escalar do vetor de entrada e um vetor de peso. A rede RBF pertence a
Inferências bayesianas com probabilidade
Inferências bayesianas com probabilidade Qual é a relação entre inferência bayesiana e as distribuições probabiĺısticas recém descritas? Essa conexão é feita ao se estimar parâmetros da distribuição probabiĺıstica
Gabarito e resolução da prova de seleção PPGE FURG Estatística
Gabarito e resolução da prova de seleção PPGE FURG 2019. Questão 1) Resposta: letra c) i. (FALSO) Estatística Variáveis de interação sempre podem ser incluídas mos modelos de regressão, se isso não gerar
Econometria II. Equações simultâneas
Eco monitoria Leandro Anazawa Econometria II Este não é um resumo extensivo. O intuito deste resumo é de servir como guia para os seus estudos. Procure desenvolver as contas e passos apresentados em sala
Planejamento de Experimentos Experimento com um fator aleatório
1 / 12 Planejamento de Experimentos Experimento com um fator aleatório Enrico A. Colosimo/UFMG Depto. Estatística - ICEx - UFMG 2 / 12 Modelo Estatístico para Efeitos Fixos Y ij = µ + τ i + ɛ ij em que