944 resultados para VAR


Relevância:

20.00% 20.00%

Publicador:

Resumo:

Tesis (Maestro en Ciencias con Especialidad en Microbiolo gía) U.A.N.L.

Relevância:

20.00% 20.00%

Publicador:

Resumo:

Tesis (Maestro en Ciencias con especialidad en microbiolo gia) U.A.N.L.

Relevância:

20.00% 20.00%

Publicador:

Resumo:

Tesis (Maestría en Ciencias con Especialidad en Entomología Médica) U.A.N.L.

Relevância:

20.00% 20.00%

Publicador:

Resumo:

Tesis (Maestría en Ciencias con Especialidad en Microbiología) U.A.N.L. Facultad de Ciencias Biológicas

Relevância:

20.00% 20.00%

Publicador:

Resumo:

Tesis (Maestría en Ciencias con Especialidad en Inmunobiología) U.A.N.L. Facultad de Ciencias Biológicas.

Relevância:

20.00% 20.00%

Publicador:

Resumo:

Tesis (Maestría en Ciencias con Acentuación en Microbiología) UANL, 2014.

Relevância:

20.00% 20.00%

Publicador:

Resumo:

La causalité au sens de Granger est habituellement définie par la prévisibilité d'un vecteur de variables par un autre une période à l'avance. Récemment, Lutkepohl (1990) a proposé de définir la non-causalité entre deux variables (ou vecteurs) par la non-prévisibilité à tous les délais dans le futur. Lorsqu'on considère plus de deux vecteurs (ie. lorsque l'ensemble d'information contient les variables auxiliaires), ces deux notions ne sont pas équivalentes. Dans ce texte, nous généralisons d'abord les notions antérieures de causalités en considérant la causalité à un horizon donné h arbitraire, fini ou infini. Ensuite, nous dérivons des conditions nécessaires et suffisantes de non-causalité entre deux vecteurs de variables (à l'intérieur d'un plus grand vecteur) jusqu'à un horizon donné h. Les modèles considérés incluent les autoregressions vectorielles, possiblement d'ordre infini, et les modèles ARIMA multivariés. En particulier, nous donnons des conditions de séparabilité et de rang pour la non-causalité jusqu'à un horizon h, lesquelles sont relativement simples à vérifier.

Relevância:

20.00% 20.00%

Publicador:

Resumo:

Statistical tests in vector autoregressive (VAR) models are typically based on large-sample approximations, involving the use of asymptotic distributions or bootstrap techniques. After documenting that such methods can be very misleading even with fairly large samples, especially when the number of lags or the number of equations is not small, we propose a general simulation-based technique that allows one to control completely the level of tests in parametric VAR models. In particular, we show that maximized Monte Carlo tests [Dufour (2002)] can provide provably exact tests for such models, whether they are stationary or integrated. Applications to order selection and causality testing are considered as special cases. The technique developed is applied to quarterly and monthly VAR models of the U.S. economy, comprising income, money, interest rates and prices, over the period 1965-1996.

Relevância:

20.00% 20.00%

Publicador:

Resumo:

Tesis (Doctorado en Ciencias con Especialidad en Microbiología) UANL