15 Introducción a la regresión de series de tiempo y pronóstico
Los datos de series de tiempo son datos que se recopilan para una sola entidad a lo largo del tiempo. Esto es fundamentalmente diferente de los datos de sección transversal, que son datos sobre múltiples entidades en el mismo momento. Los datos de series de tiempo permiten estimar el efecto en \(Y\) de un cambio en \(X\) a lo largo del tiempo. Esto es lo que los econometristas llaman un efecto causal dinámico. Volviendo a la aplicación al consumo de cigarrillos del capítulo 13 donde interesaba estimar el efecto sobre la demanda de cigarrillos de un aumento de precio causado por un aumento del impuesto general a las ventas. Se podrían utilizar datos de series de tiempo para evaluar el efecto causal de un aumento de impuestos sobre el tabaquismo tanto inicialmente como en períodos posteriores.
Otra aplicación de los datos de series de tiempo es la previsión. Por ejemplo, los servicios meteorológicos utilizan datos de series de tiempo para predecir la temperatura del mañana, entre otras cosas, utilizando la temperatura actual y las temperaturas del pasado. Para motivar un ejemplo económico, los bancos centrales están interesados en pronosticar las tasas de desempleo del próximo mes.
El resto de los capítulos del curso trata de las técnicas econométricas para el análisis de datos de series de tiempo y las aplicaciones para pronosticar y estimar los efectos causales dinámicos. Esta sección cubre los conceptos básicos de las series de tiempo, en las que se explica cómo visualizar datos de series de tiempo y se demuestra cómo estimar modelos autorregresivos simples, donde los regresores son valores pasados de la variable dependiente u otras variables. En este contexto también se discute el concepto de estacionariedad, una propiedad importante que tiene consecuencias de gran alcance.
La mayoría de las aplicaciones empíricas de este capítulo se refieren a pronosticar y utilizar datos sobre indicadores macroeconómicos o series de tiempo financieras de EE. UU. como el Producto Interno Bruto (PIB), la tasa de desempleo o el exceso de rendimiento de las acciones.
Los siguientes paquetes y sus dependencias son necesarios para la reproducción de los fragmentos de código presentados a lo largo de este capítulo:
- AER (Kleiber and Zeileis 2020)
- dynlm (Zeileis 2019)
- forecast (Hyndman et al. 2021)
- readxl (Wickham and Bryan 2019)
- stargazer (Hlavac 2018)
- scales (Wickham and Seidel 2020)
- quantmod (Ryan and Ulrich 2020)
- urca (Pfaff 2016)
Verifique que el siguiente fragmento de código se ejecute en su máquina sin ningún error:
library(AER)
library(dynlm)
library(forecast)
library(readxl)
library(stargazer)
library(scales)
library(quantmod)
library(urca)