{"id":92519,"date":"2018-03-11T10:11:33","date_gmt":"2018-03-11T10:11:33","guid":{"rendered":"https:\/\/www.deberes.net\/tesis\/sin-categoria\/un-analisis-bayesiano-de-modelos-multivariantes-de-suavizado-exponencial\/"},"modified":"2018-03-11T10:11:33","modified_gmt":"2018-03-11T10:11:33","slug":"un-analisis-bayesiano-de-modelos-multivariantes-de-suavizado-exponencial","status":"publish","type":"post","link":"https:\/\/www.deberes.net\/tesis\/modelos-econometricos\/un-analisis-bayesiano-de-modelos-multivariantes-de-suavizado-exponencial\/","title":{"rendered":"Un an\u00e1lisis bayesiano de modelos multivariantes de suavizado exponencial"},"content":{"rendered":"<h2>Tesis doctoral de <strong> Ana Corber\u00e1n Vallet <\/strong><\/h2>\n<p>El objetivo principal de la tesis es obtener predicciones precisas, tanto puntuales como intervalos de predicci\u00f3n, de un conjunto de series temporales con errores correlacionados para cada instante temporal mediante la metodolog\u00eda de suavizado exponencial.  los m\u00e9todos de suavizado exponencial, dada su sencilla formulaci\u00f3n y los buenos resultados obtenidos en competiciones de predicci\u00f3n, son reconocidos como una de las herramientas m\u00e1s empleadas en la predicci\u00f3n a corto plazo de series temporales univariantes.   en la pr\u00e1ctica es com\u00fan encontrar conjuntos de series temporales sujetas a componentes aleatorias similares o donde las observaciones de una serie temporal dependen no s\u00f3lo de los valores pasados de dicha serie sino tambi\u00e9n de los valores presentes y pasados de otras series temporales. Algunos ejemplos son las series de ventas de diferentes productos de una misma compa\u00f1\u00eda, las series de demanda el\u00e9ctrica en diferentes regiones de un pa\u00eds, series de tipo de cambio, etc. En estas ocasiones, con el uso de modelos multivariantes, que incorporan la relaci\u00f3n existente entre las series, es posible mejorar tanto el ajuste como la predicci\u00f3n respecto a los an\u00e1lisis univariantes.   en la tesis doctoral introducimos una nueva formulaci\u00f3n para el modelo de holt-winters multivariante con estacionalidad y errores aditivos.  El modelo asume que cada una de las series temporales se ajusta al modelo de holt-winters univariante y que existe una correlaci\u00f3n contempor\u00e1nea entre errores correspondientes en los modelos univariantes. Entonces, utilizando la formulaci\u00f3n para el modelo de holt-winters univariante como un modelo lineal heteroced\u00e1stico, el modelo de holt-winters multivariante puede ser expresado como un modelo de regresi\u00f3n aparentemente no relacionado. Dicho modelo es una generalizaci\u00f3n del modelo lineal que aparece cuando se trabaja con una \u00fanica serie, donde el vector de errores deja de cumplir la condici\u00f3n de independencia entre sus filas.   si asumimos que los par\u00e1metros de suavizado de las distintas series temporales univariantes son iguales, el modelo de holt-winters multivariante puede formularse como un modelo de regresi\u00f3n multivariante tradicional y su an\u00e1lisis se simplifica considerablemente. Por ello, dados los valores que conforman las series temporales, el primer paso del an\u00e1lisis es comprobar si el modelo con par\u00e1metros de suavizado iguales se adecua a los datos; es decir, seleccionar entre el modelo de holt-winters multivariante general y el modelo con par\u00e1metros de suavizado iguales. Dicho problema de selecci\u00f3n de modelos puede ser resuelto a partir de los diferentes criterios de selecci\u00f3n existentes en la literatura, como pueden ser el aic, el bic o el dic.  recientemente, se ha analizado el modelo de holt-winters univariante desde el enfoque bayesiano, acomodando as\u00ed la incertidumbre propia del modelo y obteniendo intervalos de predicci\u00f3n con cobertura emp\u00edrica pr\u00f3xima a la nominal. Siguiendo este enfoque, analizamos  el modelo desde la perspectiva bayesiana. Dados los datos observados que conforman las series temporales, obtenemos la distribuci\u00f3n a posteriori de los par\u00e1metros del modelo: condiciones iniciales, par\u00e1metros de suavizado y matriz de covarianzas. Dicha distribuci\u00f3n, aunque no es anal\u00edticamente tratable, puede ser estimada mediante m\u00e9todos de simulaci\u00f3n mcmc. Finalmente, la distribuci\u00f3n predictiva, que contiene toda la informaci\u00f3n acerca de los valores futuros de las series temporales, es estimada mediante integraci\u00f3n por monte carlo.<\/p>\n<p>&nbsp;<\/p>\n<h3>Datos acad\u00e9micos de la tesis doctoral \u00ab<strong>Un an\u00e1lisis bayesiano de modelos multivariantes de suavizado exponencial<\/strong>\u00ab<\/h3>\n<ul>\n<li><strong>T\u00edtulo de la tesis:<\/strong>\u00a0 Un an\u00e1lisis bayesiano de modelos multivariantes de suavizado exponencial <\/li>\n<li><strong>Autor:<\/strong>\u00a0 Ana Corber\u00e1n Vallet <\/li>\n<li><strong>Universidad:<\/strong>\u00a0 Universitat de val\u00e9ncia (estudi general)<\/li>\n<li><strong>Fecha de lectura de la tesis:<\/strong>\u00a0 27\/03\/2009<\/li>\n<\/ul>\n<p>&nbsp;<\/p>\n<h3>Direcci\u00f3n y tribunal<\/h3>\n<ul>\n<li><strong>Director de la tesis<\/strong>\n<ul>\n<li>Jos\u00e9 Domingo Berm\u00fadez Edo<\/li>\n<\/ul>\n<\/li>\n<li><strong>Tribunal<\/strong>\n<ul>\n<li>Presidente del tribunal: Mar\u00eda  Jes\u00fas Bayarri garcia <\/li>\n<li>Miguel angel Gomez villegas (vocal)<\/li>\n<li>Francisco Javier Gir\u00f3n gonz\u00e1lez-torre (vocal)<\/li>\n<li>Jos\u00e9 vicente Segura heras (vocal)<\/li>\n<\/ul>\n<\/li>\n<\/ul>\n<p>&nbsp;<\/p>\n","protected":false},"excerpt":{"rendered":"<p>Tesis doctoral de Ana Corber\u00e1n Vallet El objetivo principal de la tesis es obtener predicciones precisas, tanto puntuales como intervalos [&hellip;]<\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"site-sidebar-layout":"default","site-content-layout":"","ast-site-content-layout":"","site-content-style":"default","site-sidebar-style":"default","ast-global-header-display":"","ast-banner-title-visibility":"","ast-main-header-display":"","ast-hfb-above-header-display":"","ast-hfb-below-header-display":"","ast-hfb-mobile-header-display":"","site-post-title":"","ast-breadcrumbs-content":"","ast-featured-img":"","footer-sml-layout":"","theme-transparent-header-meta":"","adv-header-id-meta":"","stick-header-meta":"","header-above-stick-meta":"","header-main-stick-meta":"","header-below-stick-meta":"","astra-migrate-meta-layouts":"default","ast-page-background-enabled":"default","ast-page-background-meta":{"desktop":{"background-color":"var(--ast-global-color-4)","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-gradient":""},"tablet":{"background-color":"","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-gradient":""},"mobile":{"background-color":"","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-gradient":""}},"ast-content-background-meta":{"desktop":{"background-color":"var(--ast-global-color-5)","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-gradient":""},"tablet":{"background-color":"var(--ast-global-color-5)","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-gradient":""},"mobile":{"background-color":"var(--ast-global-color-5)","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-gradient":""}},"footnotes":""},"categories":[524,11527,4030],"tags":[191343,3368,191344,183057,191345,33070],"class_list":["post-92519","post","type-post","status-publish","format-standard","hentry","category-modelos-econometricos","category-series-temporales","category-tecnicas-de-prediccion-estadistica","tag-ana-corberan-vallet","tag-francisco-javier-giron-gonzalez-torre","tag-jose-domingo-bermudez-edo","tag-jose-vicente-segura-heras","tag-maria-jesus-bayarri-garcia","tag-miguel-angel-gomez-villegas"],"_links":{"self":[{"href":"https:\/\/www.deberes.net\/tesis\/wp-json\/wp\/v2\/posts\/92519","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.deberes.net\/tesis\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/www.deberes.net\/tesis\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/www.deberes.net\/tesis\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/www.deberes.net\/tesis\/wp-json\/wp\/v2\/comments?post=92519"}],"version-history":[{"count":0,"href":"https:\/\/www.deberes.net\/tesis\/wp-json\/wp\/v2\/posts\/92519\/revisions"}],"wp:attachment":[{"href":"https:\/\/www.deberes.net\/tesis\/wp-json\/wp\/v2\/media?parent=92519"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.deberes.net\/tesis\/wp-json\/wp\/v2\/categories?post=92519"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.deberes.net\/tesis\/wp-json\/wp\/v2\/tags?post=92519"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}