sesion5
-
Upload
edgar-junior-anticona -
Category
Documents
-
view
7 -
download
0
description
Transcript of sesion5
-
Eviews AvanzadoSesion 5
Juan Carlos Abanto [email protected]
GIDDEA Consulting & Training
Febrero - 2013
-
Parte I
Modelos No Lineales
Juan Carlos Abanto Orihuela Eviews Avanzado
-
Modelos No Lineales
Tipos de ModelosIntroduccion.
Modelos Deterministicos.Modelos Estocasticos.Algoritmo EM.
Juan Carlos Abanto Orihuela Eviews Avanzado
-
Modelos No Lineales
Tipos de ModelosIntroduccion.Modelos Deterministicos.
Modelos Estocasticos.Algoritmo EM.
Juan Carlos Abanto Orihuela Eviews Avanzado
-
Modelos No Lineales
Tipos de ModelosIntroduccion.Modelos Deterministicos.Modelos Estocasticos.
Algoritmo EM.
Juan Carlos Abanto Orihuela Eviews Avanzado
-
Modelos No Lineales
Tipos de ModelosIntroduccion.Modelos Deterministicos.Modelos Estocasticos.Algoritmo EM.
Juan Carlos Abanto Orihuela Eviews Avanzado
-
Antecedentes
Cada vez con mayor fuerza los cambios de regimen no seconsideran mas como eventos determinsticos individualessino que se considera que el regimen no observable estagobernado por un proceso estocastico.
De esta forma se considera que puede ocurrir en el futuro uncambio de regimen de manera similar.
La idea basica es que el proceso es invariante en el tiempocondicional a una variable de regimen o estado st que indicael regimen prevaleciente en el periodo t.
Estos modelos di.eren en sus supuestos sobre el procesoestocastico que genera el regimen.
Juan Carlos Abanto Orihuela Eviews Avanzado
-
Antecedentes
Cada vez con mayor fuerza los cambios de regimen no seconsideran mas como eventos determinsticos individualessino que se considera que el regimen no observable estagobernado por un proceso estocastico.
De esta forma se considera que puede ocurrir en el futuro uncambio de regimen de manera similar.
La idea basica es que el proceso es invariante en el tiempocondicional a una variable de regimen o estado st que indicael regimen prevaleciente en el periodo t.
Estos modelos di.eren en sus supuestos sobre el procesoestocastico que genera el regimen.
Juan Carlos Abanto Orihuela Eviews Avanzado
-
Antecedentes
Cada vez con mayor fuerza los cambios de regimen no seconsideran mas como eventos determinsticos individualessino que se considera que el regimen no observable estagobernado por un proceso estocastico.
De esta forma se considera que puede ocurrir en el futuro uncambio de regimen de manera similar.
La idea basica es que el proceso es invariante en el tiempocondicional a una variable de regimen o estado st que indicael regimen prevaleciente en el periodo t.
Estos modelos di.eren en sus supuestos sobre el procesoestocastico que genera el regimen.
Juan Carlos Abanto Orihuela Eviews Avanzado
-
Antecedentes
Cada vez con mayor fuerza los cambios de regimen no seconsideran mas como eventos determinsticos individualessino que se considera que el regimen no observable estagobernado por un proceso estocastico.
De esta forma se considera que puede ocurrir en el futuro uncambio de regimen de manera similar.
La idea basica es que el proceso es invariante en el tiempocondicional a una variable de regimen o estado st que indicael regimen prevaleciente en el periodo t.
Estos modelos di.eren en sus supuestos sobre el procesoestocastico que genera el regimen.
Juan Carlos Abanto Orihuela Eviews Avanzado
-
Modelo Umbral
Modelo con 2 regmenes
yt = (v1 +
pi=1
1tyti)(1 I (t; ))+(v2 +p
i=1
2tyti)(I (t; ))+t
yt = (v1+
pi=1
1tyti)(1I (st = 2))+(v2+p
i=1
2tyti)(I (st = 2))+t
Juan Carlos Abanto Orihuela Eviews Avanzado
-
Modelo Umbral
Modelo con 2 regmenes
yt = (v1 +
pi=1
1tyti)(1 I (t; ))+(v2 +p
i=1
2tyti)(I (t; ))+t
yt = (v1+
pi=1
1tyti)(1I (st = 2))+(v2+p
i=1
2tyti)(I (st = 2))+t
Juan Carlos Abanto Orihuela Eviews Avanzado
-
Modelo Umbral
Modelo con 2 regmenes
yt = (v1 +
pi=1
1tyti)(1 I (t; ))+(v2 +p
i=1
2tyti)(I (t; ))+t
yt = (v1+
pi=1
1tyti)(1I (st = 2))+(v2+p
i=1
2tyti)(I (st = 2))+t
Juan Carlos Abanto Orihuela Eviews Avanzado
-
Modelos TAR (Threshold AR)
yt = (v1+
pi=1
1tyti)(1I (xt ; ))+(v2+p
i=1
2tyti)(I (xt ; ))+t
I (xt ; ) =
{1, si g(xt) c,0, si g(xt) < c.
Juan Carlos Abanto Orihuela Eviews Avanzado
-
Modelos TAR (Threshold AR)
yt = (v1+
pi=1
1tyti)(1I (xt ; ))+(v2+p
i=1
2tyti)(I (xt ; ))+t
I (xt ; ) =
{1, si g(xt) c,0, si g(xt) < c.
Juan Carlos Abanto Orihuela Eviews Avanzado
-
Modelos SETAR (Self Excitement Threshold AR)
yt = (v1+
pi=1
1tyti)(1I (ytd ; ))+(v2+p
i=1
2tyti)(I (ytd ; ))+t
P(st/St1,Yt1) = I (xt ; ) =
{1, si g(ytd) c,0, si g(ytd) < c.
Juan Carlos Abanto Orihuela Eviews Avanzado
-
Modelos SETAR (Self Excitement Threshold AR)
yt = (v1+
pi=1
1tyti)(1I (ytd ; ))+(v2+p
i=1
2tyti)(I (ytd ; ))+t
P(st/St1,Yt1) = I (xt ; ) =
{1, si g(ytd) c,0, si g(ytd) < c.
Juan Carlos Abanto Orihuela Eviews Avanzado
-
Modelos de Transicion Suave
Granger y Terasvirta (1993)La funcion de transicion es una funcion continua (ya no esuna funcion paso) que determina el peso asignado a losregimenes. Este peso depende de zt que puede ser laendogena rezagada o una exogena.
Pr(st = 1/St1,Yt1; Xt) = G(zt ; , c)
es un parametro de suavizamiento y c es un vector umbral.Modelo SETAR (Self Excitement Threshold AR)
yt = (v1+
pi=1
1tyti)(1G(zt ; , c))+(v2+p
i=1
2tyti)(G(zt ; , c))+t
Juan Carlos Abanto Orihuela Eviews Avanzado
-
Modelos de Transicion Suave
Granger y Terasvirta (1993)La funcion de transicion es una funcion continua (ya no esuna funcion paso) que determina el peso asignado a losregimenes. Este peso depende de zt que puede ser laendogena rezagada o una exogena.
Pr(st = 1/St1,Yt1; Xt) = G(zt ; , c)
es un parametro de suavizamiento y c es un vector umbral.Modelo SETAR (Self Excitement Threshold AR)
yt = (v1+
pi=1
1tyti)(1G(zt ; , c))+(v2+p
i=1
2tyti)(G(zt ; , c))+t
Juan Carlos Abanto Orihuela Eviews Avanzado
-
Modelos de Transicion Suave
Granger y Terasvirta (1993)La funcion de transicion es una funcion continua (ya no esuna funcion paso) que determina el peso asignado a losregimenes. Este peso depende de zt que puede ser laendogena rezagada o una exogena.
Pr(st = 1/St1,Yt1; Xt) = G(zt ; , c)
es un parametro de suavizamiento y c es un vector umbral.Modelo SETAR (Self Excitement Threshold AR)
yt = (v1+
pi=1
1tyti)(1G(zt ; , c))+(v2+p
i=1
2tyti)(G(zt ; , c))+t
Juan Carlos Abanto Orihuela Eviews Avanzado
-
Modelos de Transicion Suave
Funciones de transicion:
G(zt ; , c) =1
1 + exp((zt c))G(zt ; , c) = 1 exp((zt c)2)
G(zt ; , c) =1
1 + exp((zt c1)(zt c2))
Juan Carlos Abanto Orihuela Eviews Avanzado
-
Modelos de Transicion Suave
Funciones de transicion:
G(zt ; , c) =1
1 + exp((zt c))G(zt ; , c) = 1 exp((zt c)2)
G(zt ; , c) =1
1 + exp((zt c1)(zt c2))
Juan Carlos Abanto Orihuela Eviews Avanzado
-
Modelos Estocasticos
MSVAR asume que el regimen st es generado por una cadenade markov oculta, homogenea y ergodica de estado discreto.
Pr(st/St1,Yt1; Xt) = Pr(st/st1; )
Probabilidad de transicion:
pij = Pr(st = j/st1 = i)
Dos especificaciones:
yy(st) = At(st)(yt1(stp))+...+Ap(st)(ytp(stp))+t
yy = vt(st) + At(st)yt1 + ...+ Ap(st)ytp + t
Juan Carlos Abanto Orihuela Eviews Avanzado
-
Modelos Estocasticos
MSVAR asume que el regimen st es generado por una cadenade markov oculta, homogenea y ergodica de estado discreto.
Pr(st/St1,Yt1; Xt) = Pr(st/st1; )
Probabilidad de transicion:
pij = Pr(st = j/st1 = i)
Dos especificaciones:
yy(st) = At(st)(yt1(stp))+...+Ap(st)(ytp(stp))+t
yy = vt(st) + At(st)yt1 + ...+ Ap(st)ytp + t
Juan Carlos Abanto Orihuela Eviews Avanzado
-
Modelos Estocasticos
MSVAR asume que el regimen st es generado por una cadenade markov oculta, homogenea y ergodica de estado discreto.
Pr(st/St1,Yt1; Xt) = Pr(st/st1; )
Probabilidad de transicion:
pij = Pr(st = j/st1 = i)
Dos especificaciones:
yy(st) = At(st)(yt1(stp))+...+Ap(st)(ytp(stp))+t
yy = vt(st) + At(st)yt1 + ...+ Ap(st)ytp + t
Juan Carlos Abanto Orihuela Eviews Avanzado
-
Modelos Estocasticos
MSVAR asume que el regimen st es generado por una cadenade markov oculta, homogenea y ergodica de estado discreto.
Pr(st/St1,Yt1; Xt) = Pr(st/st1; )
Probabilidad de transicion:
pij = Pr(st = j/st1 = i)
Dos especificaciones:
yy(st) = At(st)(yt1(stp))+...+Ap(st)(ytp(stp))+t
yy = vt(st) + At(st)yt1 + ...+ Ap(st)ytp + t
Juan Carlos Abanto Orihuela Eviews Avanzado
-
Modelos Estocasticos
MSVAR asume que el regimen st es generado por una cadenade markov oculta, homogenea y ergodica de estado discreto.
Pr(st/St1,Yt1; Xt) = Pr(st/st1; )
Probabilidad de transicion:
pij = Pr(st = j/st1 = i)
Dos especificaciones:
yy(st) = At(st)(yt1(stp))+...+Ap(st)(ytp(stp))+t
yy = vt(st) + At(st)yt1 + ...+ Ap(st)ytp + t
Juan Carlos Abanto Orihuela Eviews Avanzado
-
Modelos Estocasticos
MSVAR asume que el regimen st es generado por una cadenade markov oculta, homogenea y ergodica de estado discreto.
Pr(st/St1,Yt1; Xt) = Pr(st/st1; )
Probabilidad de transicion:
pij = Pr(st = j/st1 = i)
Dos especificaciones:
yy(st) = At(st)(yt1(stp))+...+Ap(st)(ytp(stp))+t
yy = vt(st) + At(st)yt1 + ...+ Ap(st)ytp + t
Juan Carlos Abanto Orihuela Eviews Avanzado
-
Modelos Estocasticos
MSVAR asume que el regimen st es generado por una cadenade markov oculta, homogenea y ergodica de estado discreto.
Pr(st/St1,Yt1; Xt) = Pr(st/st1; )
Probabilidad de transicion:
pij = Pr(st = j/st1 = i)
Dos especificaciones:
yy(st) = At(st)(yt1(stp))+...+Ap(st)(ytp(stp))+t
yy = vt(st) + At(st)yt1 + ...+ Ap(st)ytp + t
Juan Carlos Abanto Orihuela Eviews Avanzado
-
Cadena de Markov
Proceso estocastico discreto que cumple la propiedad deMarkov.
Pr(st = j/st1 = i ; st1 = i , ...) = Pr(st = j/st1 = i) = pij
No depende el tiempo t
Probabilidad de que el estado i sea seguido por el estado j.
Las probabilidades de transicion pueden representase en unamatriz de transicion para un proceso ergodico irreducible demarkov.
P =
[p11 p12p21 p22
]
Obs:Filas suman 1
Juan Carlos Abanto Orihuela Eviews Avanzado
-
Cadena de Markov
Proceso estocastico discreto que cumple la propiedad deMarkov.
Pr(st = j/st1 = i ; st1 = i , ...) = Pr(st = j/st1 = i) = pij
No depende el tiempo t
Probabilidad de que el estado i sea seguido por el estado j.
Las probabilidades de transicion pueden representase en unamatriz de transicion para un proceso ergodico irreducible demarkov.
P =
[p11 p12p21 p22
]
Obs:Filas suman 1
Juan Carlos Abanto Orihuela Eviews Avanzado
-
Cadena de Markov
Proceso estocastico discreto que cumple la propiedad deMarkov.
Pr(st = j/st1 = i ; st1 = i , ...) = Pr(st = j/st1 = i) = pij
No depende el tiempo t
Probabilidad de que el estado i sea seguido por el estado j.
Las probabilidades de transicion pueden representase en unamatriz de transicion para un proceso ergodico irreducible demarkov.
P =
[p11 p12p21 p22
]
Obs:Filas suman 1
Juan Carlos Abanto Orihuela Eviews Avanzado
-
Cadena de Markov
Proceso estocastico discreto que cumple la propiedad deMarkov.
Pr(st = j/st1 = i ; st1 = i , ...) = Pr(st = j/st1 = i) = pij
No depende el tiempo t
Probabilidad de que el estado i sea seguido por el estado j.
Las probabilidades de transicion pueden representase en unamatriz de transicion para un proceso ergodico irreducible demarkov.
P =
[p11 p12p21 p22
]
Obs:Filas suman 1
Juan Carlos Abanto Orihuela Eviews Avanzado
-
Cadena de Markov
Proceso estocastico discreto que cumple la propiedad deMarkov.
Pr(st = j/st1 = i ; st1 = i , ...) = Pr(st = j/st1 = i) = pij
No depende el tiempo t
Probabilidad de que el estado i sea seguido por el estado j.
Las probabilidades de transicion pueden representase en unamatriz de transicion para un proceso ergodico irreducible demarkov.
P =
[p11 p12p21 p22
]
Obs:Filas suman 1
Juan Carlos Abanto Orihuela Eviews Avanzado
-
Cadena de Markov
Proceso estocastico discreto que cumple la propiedad deMarkov.
Pr(st = j/st1 = i ; st1 = i , ...) = Pr(st = j/st1 = i) = pij
No depende el tiempo t
Probabilidad de que el estado i sea seguido por el estado j.
Las probabilidades de transicion pueden representase en unamatriz de transicion para un proceso ergodico irreducible demarkov.
P =
[p11 p12p21 p22
]
Obs:Filas suman 1
Juan Carlos Abanto Orihuela Eviews Avanzado
-
Proyeccion
Proyeccion en una cadena de Markov
t+1 = Pt + vt+1
t+m = vt+1 + Pvt+m1 + P2vt+m2 + ...+ Pm1vt+1 + Pmt
E(t+m/t) = Pmt
Donde t es un vector cuyo jesimo elemento es 1 cuando nosencontramos en el estado j , y 0 en otro caso.
Juan Carlos Abanto Orihuela Eviews Avanzado
-
Proyeccion
Proyeccion en una cadena de Markov
t+1 = Pt + vt+1
t+m = vt+1 + Pvt+m1 + P2vt+m2 + ...+ Pm1vt+1 + Pmt
E(t+m/t) = Pmt
Donde t es un vector cuyo jesimo elemento es 1 cuando nosencontramos en el estado j , y 0 en otro caso.
Juan Carlos Abanto Orihuela Eviews Avanzado
-
Proyeccion
Proyeccion en una cadena de Markov
t+1 = Pt + vt+1
t+m = vt+1 + Pvt+m1 + P2vt+m2 + ...+ Pm1vt+1 + Pmt
E(t+m/t) = Pmt
Donde t es un vector cuyo jesimo elemento es 1 cuando nosencontramos en el estado j , y 0 en otro caso.
Juan Carlos Abanto Orihuela Eviews Avanzado
-
Proyeccion
Proyeccion en una cadena de Markov
t+1 = Pt + vt+1
t+m = vt+1 + Pvt+m1 + P2vt+m2 + ...+ Pm1vt+1 + Pmt
E(t+m/t) = Pmt
Donde t es un vector cuyo jesimo elemento es 1 cuando nosencontramos en el estado j , y 0 en otro caso.
Juan Carlos Abanto Orihuela Eviews Avanzado
-
Cadena de Markov Ergodicas
1 engenvalue de P es 1 si los demas estan dentro del circulounitario.
Entonces la cadena de Markov es ergodica.
La proyecion de largo plazo no depende del estado corriente.(Analogo con estacionariedad)
El eigen vector unitario define el vector de probabilidadesergodicas incondicionales.
P(st = j) = pi =
[pi1pi2
]=
[(1 p22)/(2 p11 p22)(1 p11)/(2 p11 p22)
]
Juan Carlos Abanto Orihuela Eviews Avanzado
-
Cadena de Markov Ergodicas
1 engenvalue de P es 1 si los demas estan dentro del circulounitario.
Entonces la cadena de Markov es ergodica.
La proyecion de largo plazo no depende del estado corriente.(Analogo con estacionariedad)
El eigen vector unitario define el vector de probabilidadesergodicas incondicionales.
P(st = j) = pi =
[pi1pi2
]=
[(1 p22)/(2 p11 p22)(1 p11)/(2 p11 p22)
]
Juan Carlos Abanto Orihuela Eviews Avanzado
-
Cadena de Markov Ergodicas
1 engenvalue de P es 1 si los demas estan dentro del circulounitario.
Entonces la cadena de Markov es ergodica.
La proyecion de largo plazo no depende del estado corriente.(Analogo con estacionariedad)
El eigen vector unitario define el vector de probabilidadesergodicas incondicionales.
P(st = j) = pi =
[pi1pi2
]=
[(1 p22)/(2 p11 p22)(1 p11)/(2 p11 p22)
]
Juan Carlos Abanto Orihuela Eviews Avanzado
-
Cadena de Markov Ergodicas
1 engenvalue de P es 1 si los demas estan dentro del circulounitario.
Entonces la cadena de Markov es ergodica.
La proyecion de largo plazo no depende del estado corriente.(Analogo con estacionariedad)
El eigen vector unitario define el vector de probabilidadesergodicas incondicionales.
P(st = j) = pi =
[pi1pi2
]=
[(1 p22)/(2 p11 p22)(1 p11)/(2 p11 p22)
]
Juan Carlos Abanto Orihuela Eviews Avanzado
-
Modelo MS
Modelo de distribuciones simultaneas
Consideremos 2 regimenes, pueden ser mas
yt N(1, 21) si st = 1;
yt N(2, 22) si st = 2;
f (yt/st = j ; ) =1
2pijexp(
(yt j)22j
)
Pr(st = j ; ) = pij
Entonces
Pr(yt , st = j/) = pij1
2pijexp(
(yt j)22j
)
Juan Carlos Abanto Orihuela Eviews Avanzado
-
Modelo MS
Modelo de distribuciones simultaneas
Consideremos 2 regimenes, pueden ser mas
yt N(1, 21) si st = 1;
yt N(2, 22) si st = 2;
f (yt/st = j ; ) =1
2pijexp(
(yt j)22j
)
Pr(st = j ; ) = pij
Entonces
Pr(yt , st = j/) = pij1
2pijexp(
(yt j)22j
)
Juan Carlos Abanto Orihuela Eviews Avanzado
-
Modelo MS
Modelo de distribuciones simultaneas
Consideremos 2 regimenes, pueden ser mas
yt N(1, 21) si st = 1;
yt N(2, 22) si st = 2;
f (yt/st = j ; ) =1
2pijexp(
(yt j)22j
)
Pr(st = j ; ) = pij
Entonces
Pr(yt , st = j/) = pij1
2pijexp(
(yt j)22j
)
Juan Carlos Abanto Orihuela Eviews Avanzado
-
Modelo MS
Modelo de distribuciones simultaneas
Consideremos 2 regimenes, pueden ser mas
yt N(1, 21) si st = 1;
yt N(2, 22) si st = 2;
f (yt/st = j ; ) =1
2pijexp(
(yt j)22j
)
Pr(st = j ; ) = pij
Entonces
Pr(yt , st = j/) = pij1
2pijexp(
(yt j)22j
)
Juan Carlos Abanto Orihuela Eviews Avanzado
-
Modelo MS
Modelo de distribuciones simultaneas
Consideremos 2 regimenes, pueden ser mas
yt N(1, 21) si st = 1;
yt N(2, 22) si st = 2;
f (yt/st = j ; ) =1
2pijexp(
(yt j)22j
)
Pr(st = j ; ) = pij
Entonces
Pr(yt , st = j/) = pij1
2pijexp(
(yt j)22j
)
Juan Carlos Abanto Orihuela Eviews Avanzado
-
Modelo MS
Armamos la funcion de densidad incondicional de yt
f (yt/) =Nj=1
Pr(yt , st = j/)
L() =Tt=1
log(f (yt/))
Inferencia sobre s
Pr(st = j/yt ; ) =Pr(yt , st = j/)
f (yt/)= pij
f (yt/st = j ; )
f (yt/)
Juan Carlos Abanto Orihuela Eviews Avanzado
-
Modelo MS
Armamos la funcion de densidad incondicional de yt
f (yt/) =Nj=1
Pr(yt , st = j/)
L() =Tt=1
log(f (yt/))
Inferencia sobre s
Pr(st = j/yt ; ) =Pr(yt , st = j/)
f (yt/)= pij
f (yt/st = j ; )
f (yt/)
Juan Carlos Abanto Orihuela Eviews Avanzado
-
Modelo MS
Armamos la funcion de densidad incondicional de yt
f (yt/) =Nj=1
Pr(yt , st = j/)
L() =Tt=1
log(f (yt/))
Inferencia sobre s
Pr(st = j/yt ; ) =Pr(yt , st = j/)
f (yt/)= pij
f (yt/st = j ; )
f (yt/)
Juan Carlos Abanto Orihuela Eviews Avanzado
-
Modelo MS
Armamos la funcion de densidad incondicional de yt
f (yt/) =Nj=1
Pr(yt , st = j/)
L() =Tt=1
log(f (yt/))
Inferencia sobre s
Pr(st = j/yt ; ) =Pr(yt , st = j/)
f (yt/)= pij
f (yt/st = j ; )
f (yt/)
Juan Carlos Abanto Orihuela Eviews Avanzado
-
Modelo MS
Estimacion por ML de
j =
Tt=1 ytPr(st = j/yt ; )Tt=1 Pr(st = j/yt ; )
j =
Tt=1(yt j)2Pr(st = j/yt ; )T
t=1 Pr(st = j/yt ; )
pij = T1
Tt=1
Pr(st = j/yt ; )
Juan Carlos Abanto Orihuela Eviews Avanzado
-
Modelo MS
Estimacion por ML de
j =
Tt=1 ytPr(st = j/yt ; )Tt=1 Pr(st = j/yt ; )
j =
Tt=1(yt j)2Pr(st = j/yt ; )T
t=1 Pr(st = j/yt ; )
pij = T1
Tt=1
Pr(st = j/yt ; )
Juan Carlos Abanto Orihuela Eviews Avanzado
-
Modelo MS
Estimacion por ML de
j =
Tt=1 ytPr(st = j/yt ; )Tt=1 Pr(st = j/yt ; )
j =
Tt=1(yt j)2Pr(st = j/yt ; )T
t=1 Pr(st = j/yt ; )
pij = T1
Tt=1
Pr(st = j/yt ; )
Juan Carlos Abanto Orihuela Eviews Avanzado
-
Modelo MS
Estimacion por ML de
j =
Tt=1 ytPr(st = j/yt ; )Tt=1 Pr(st = j/yt ; )
j =
Tt=1(yt j)2Pr(st = j/yt ; )T
t=1 Pr(st = j/yt ; )
pij = T1
Tt=1
Pr(st = j/yt ; )
Juan Carlos Abanto Orihuela Eviews Avanzado
-
Algoritmo de Optimizacion
Algoritmo EM
0
Pr(st = j/yt ; 0)
Estimar ML
Nuevo estimador 1
Reevaluar Pr(st = j/yt ; )
Continuar hasta que el cambio entre m+1 y m < Criterio deconvergencia especificado.
Juan Carlos Abanto Orihuela Eviews Avanzado
-
Algoritmo de Optimizacion
Algoritmo EM
0
Pr(st = j/yt ; 0)
Estimar ML
Nuevo estimador 1
Reevaluar Pr(st = j/yt ; )
Continuar hasta que el cambio entre m+1 y m < Criterio deconvergencia especificado.
Juan Carlos Abanto Orihuela Eviews Avanzado
-
Algoritmo de Optimizacion
Algoritmo EM
0
Pr(st = j/yt ; 0)
Estimar ML
Nuevo estimador 1
Reevaluar Pr(st = j/yt ; )
Continuar hasta que el cambio entre m+1 y m < Criterio deconvergencia especificado.
Juan Carlos Abanto Orihuela Eviews Avanzado
-
Algoritmo de Optimizacion
Algoritmo EM
0
Pr(st = j/yt ; 0)
Estimar ML
Nuevo estimador 1
Reevaluar Pr(st = j/yt ; )
Continuar hasta que el cambio entre m+1 y m < Criterio deconvergencia especificado.
Juan Carlos Abanto Orihuela Eviews Avanzado
-
Algoritmo de Optimizacion
Algoritmo EM
0
Pr(st = j/yt ; 0)
Estimar ML
Nuevo estimador 1
Reevaluar Pr(st = j/yt ; )
Continuar hasta que el cambio entre m+1 y m < Criterio deconvergencia especificado.
Juan Carlos Abanto Orihuela Eviews Avanzado
-
Algoritmo de Optimizacion
Algoritmo EM
0
Pr(st = j/yt ; 0)
Estimar ML
Nuevo estimador 1
Reevaluar Pr(st = j/yt ; )
Continuar hasta que el cambio entre m+1 y m < Criterio deconvergencia especificado.
Juan Carlos Abanto Orihuela Eviews Avanzado
Modelos No Lineales