Series de Tiempo

More documents

Recommendations

Info

Modelos de memoria larga Series de Tiempo Germán Aneiros Pérez Introducción Procesos FARIMA: Construcción e identificación Estimación Diagnosis Selección del modelo Predicción Aplicación a datos reales Recapitulación Aplicación a datos reales 3: Estimación del FARIMA identificado Las estimaciones de sus parámetros a través de la maximización de la aproximación de la función de verosimilitud dada por Haslett y Raftery han resultado: ̂d = 0.3938 (0.0305), ̂µ = 1147.72 y ̂σ 2 a = 4906.31. Por tanto, si los residuos superan los distintos contrastes (ruido blanco), tenemos corroborada la presencia de memoria larga (nótese que un intervalo de confianza al 95% para el parámetro de diferenciación fraccional d es (0.3340, 0.4536)). Germán Aneiros Pérez Series de Tiempo
Modelos de memoria larga Series de Tiempo Germán Aneiros Pérez Introducción Procesos FARIMA: Construcción e identificación 4: Diagnosis del modelo FARIMA(0, 0.3938, 0) Gráficos de residuos y Q-Q normal Contrastes de independencia Estimación Diagnosis Selección del modelo Predicción Aplicación a datos reales Recapitulación Germán Aneiros Pérez Series de Tiempo
Page 1 and 2: Series de Tiempo Germán Aneiros P
Page 3 and 4: Modelos de memoria larga Series de
Page 29: Modelos de memoria larga Series de
Page 37: Modelos de memoria larga Series de

Series de Tiempo

Create successful ePaper yourself

Delete template?

Save as template?