Examinando por Autor "Bonifazi, Fernanda"
Mostrando 1 - 2 de 2
Resultados por página
Opciones de ordenación
Ítem Acceso Abierto Estimación robusta de la función de autocorrelación(2014-11) Bonifazi, Fernanda; Méndez, Fernanda; Secretaría de Ciencia y Tecnología. Facultad de Ciencias Económicas y Estadística. Universidad Nacional de RosarioEn este trabajo se aborda el problema de la robustez de la función de autocorrelación muestral, y se proponen dos estimadores: uno basado en un estimador robusto de escala y la función de autocorrelación truncada. Se realiza un estudio de simulaciones para investigar y comparar el comportamiento del estimador clásico -FACM- y estos dos nuevos estimadores en procesos contaminados con valores atípicos. Se observa que la FACM no es resistente a la presencia de observaciones extremas y se confirma la robustez de la FACMR en situaciones con outliers de diferentes magnitudes. Por lo tanto, dado que en la práctica se suele desconocer la existencia de valores extremos, se aconseja calcular conjuntamente el estimador clásico y los estimadores robustos de la función de autocorrelación. Si dichas estimaciones son similares, se puede asumir que el efecto de los valores atípicos es insignificante. Por el contrario, si son significativamente diferentes, se debe actuar con cuidado. Queda pendiente el análisis del desempeño de estos estimadores en presencia de múltiples datos atípicos en la serie y en el caso de procesos con estacionalidad.Ítem Desconocido Estimación Robusta de la Prueba de Portmanteau(2015-11-18) Bonifazi, Fernanda; Méndez, Fernanda; Secretaría de Ciencia y Tecnología. Facultad de Ciencias Económicas y Estadística. Universidad Nacional de RosarioEn este trabajo se considera el problema de la comprobación de la idoneidad de un modelo de series de tiempo en presencia de valores atípicos. La prueba de significación conjunta de portmanteau se generaliza a un estadístico robusto basado en el recorte o truncamiento de observaciones extremas (Chan, 1994). Se compara el desempeño de este nuevo estimador y del estimador clásico mediante un estudio de simulaciones y una aplicación a datos reales. Los resultados indican que el nuevo estimador es preferible a la alternativa clásica cuando las observaciones están contaminadas por valores atípicos. También se dan comentarios sobre cada estimador individual.