Presentación de PowerPointblog.uclm.es/diegopedregal/files/2018/05/diapositivas.pdf · Estimación...
Transcript of Presentación de PowerPointblog.uclm.es/diegopedregal/files/2018/05/diapositivas.pdf · Estimación...
![Page 1: Presentación de PowerPointblog.uclm.es/diegopedregal/files/2018/05/diapositivas.pdf · Estimación óptima de parámetros desconocidos (hiper-parametros): •Máxima Verosimilitud](https://reader035.fdocuments.ec/reader035/viewer/2022062916/5ebc62d571821806ff4d29ef/html5/thumbnails/1.jpg)
Diego J. PedregalUNIVERSIDAD DE CASTILLA-LA MANCHA
ESCUELA TÉCNICA SUPERIOR INGENIEROS INDUSTRIALES (CIUDAD REAL)
Universidad Complutense de Madrid18 de Mayo de 2018
Inteligencia predictiva a través de modelos de Espacio de los Estados y
otras consideraciones
![Page 2: Presentación de PowerPointblog.uclm.es/diegopedregal/files/2018/05/diapositivas.pdf · Estimación óptima de parámetros desconocidos (hiper-parametros): •Máxima Verosimilitud](https://reader035.fdocuments.ec/reader035/viewer/2022062916/5ebc62d571821806ff4d29ef/html5/thumbnails/2.jpg)
Esquema:
• Inteligencia predictiva a través de modelos de Espacio de los Estados
• Otras consideraciones: Investigación, Big Data, etc.
Modelos de Espacio de los Estados (I) 2
![Page 3: Presentación de PowerPointblog.uclm.es/diegopedregal/files/2018/05/diapositivas.pdf · Estimación óptima de parámetros desconocidos (hiper-parametros): •Máxima Verosimilitud](https://reader035.fdocuments.ec/reader035/viewer/2022062916/5ebc62d571821806ff4d29ef/html5/thumbnails/3.jpg)
Inteligencia predictiva a través de modelos de Espacio de los Estados
Modelos de Espacio de los Estados (I) 3
![Page 4: Presentación de PowerPointblog.uclm.es/diegopedregal/files/2018/05/diapositivas.pdf · Estimación óptima de parámetros desconocidos (hiper-parametros): •Máxima Verosimilitud](https://reader035.fdocuments.ec/reader035/viewer/2022062916/5ebc62d571821806ff4d29ef/html5/thumbnails/4.jpg)
• El Modelo EE general (flexible):
Modelos de Espacio de los Estados (I) 4
• Forma muy general, aplicable a:– Modelos con parámetros cambiantes.
– Modelos con heterocedasticidad.
– Modelos en tiempo continuo.
– Series con diferentes períodos de muestreo.
– Agregación temporal.
– Algunas familias de modelos no lineales.
– Modelos no - Gaussianos
– ...
ttttttt
ttttttt
vCuDxHz
wEuxx
:nObservació de Ecuación
: Estadosde Ecuación 1
![Page 5: Presentación de PowerPointblog.uclm.es/diegopedregal/files/2018/05/diapositivas.pdf · Estimación óptima de parámetros desconocidos (hiper-parametros): •Máxima Verosimilitud](https://reader035.fdocuments.ec/reader035/viewer/2022062916/5ebc62d571821806ff4d29ef/html5/thumbnails/5.jpg)
• El Modelo EE general (flexible):
Modelos de Espacio de los Estados (I) 5
ttttttt
ttttttt
vCuDxHz
wEuxx
:nObservació de Ecuación
: Estadosde Ecuación 1
• Cuatro características del modelo:– Dos sistemas de ecuaciones.
– Todos los elementos que aparecen son matrices o vectores (negrita).
– Todo tiene subíndices de tiempo.
– La ecuación de transición es dinámica, la de observación estática.
![Page 6: Presentación de PowerPointblog.uclm.es/diegopedregal/files/2018/05/diapositivas.pdf · Estimación óptima de parámetros desconocidos (hiper-parametros): •Máxima Verosimilitud](https://reader035.fdocuments.ec/reader035/viewer/2022062916/5ebc62d571821806ff4d29ef/html5/thumbnails/6.jpg)
• El Modelo EE general (flexible):
Modelos de Espacio de los Estados (I) 6
ttttttt
ttttttt
vCuDxHz
wEuxx
:nObservació de Ecuación
: Estadosde Ecuación 1 tw
tv
vhE
Nh
Nv
ttt
tt
tt
ruidos de scovarianza de matriz '
; 1 sobservable ruidos de vector :
; 1 ruidos de vector :
wvS
R0v
Q0w
P. e
stocá
stic
a
1 salidas o outputs deVector :
1 entradas o inputs deVector :
m
k
t
t
z
u
Info
rmac
ión
tu
tu
tz
1 : NtxVector de estados:
tx1tx
tx
![Page 7: Presentación de PowerPointblog.uclm.es/diegopedregal/files/2018/05/diapositivas.pdf · Estimación óptima de parámetros desconocidos (hiper-parametros): •Máxima Verosimilitud](https://reader035.fdocuments.ec/reader035/viewer/2022062916/5ebc62d571821806ff4d29ef/html5/thumbnails/7.jpg)
• El Modelo EE general (flexible):
Modelos de Espacio de los Estados (I) 7
ttttttt
ttttttt
vCuDxHz
wEuxx
:nObservació de Ecuación
: Estadosde Ecuación 1
vhE
Nh
Nv
ttt
tt
tt
ruidos de scovarianza de matriz '
; 1 sobservable ruidos de vector :
; 1 ruidos de vector :
wvS
R0v
Q0w
P. e
stocá
stic
aM
. del
sis
tem
a
: : :
: : :
: : :
vhhhvv
hmkmNm
vNkNNN
ttt
ttt
ttt
SRQ
CDH
Ε
t t tΕ
tH tD tC
tQ
tR
tS
![Page 8: Presentación de PowerPointblog.uclm.es/diegopedregal/files/2018/05/diapositivas.pdf · Estimación óptima de parámetros desconocidos (hiper-parametros): •Máxima Verosimilitud](https://reader035.fdocuments.ec/reader035/viewer/2022062916/5ebc62d571821806ff4d29ef/html5/thumbnails/8.jpg)
– Ejemplo 1: AR(1)
Modelos de Espacio de los Estados (I) 8
tttvzz
1
tt
ttt
xz
wxx 1
ttttttt
ttttttt
vCuDxHz
wEuxx
1
– Ejemplo 2: ARMA(1, 1)
11
ttttvvzz
ttt
ttt
vxz
vxx 1
![Page 9: Presentación de PowerPointblog.uclm.es/diegopedregal/files/2018/05/diapositivas.pdf · Estimación óptima de parámetros desconocidos (hiper-parametros): •Máxima Verosimilitud](https://reader035.fdocuments.ec/reader035/viewer/2022062916/5ebc62d571821806ff4d29ef/html5/thumbnails/9.jpg)
• Dos cuestiones fundamentales:
– 1. Estimación óptima de estados:
• Filtro de Kalman (KF):
• Algoritmo de Suavizado de Intervalo Fijo (FIS):
– 2. Estimación óptima de parámetros desconocidos (hiper-parametros):
• Máxima Verosimilitud en el dominio del tiempo, utilizando el Filtro de Kalman.
• Otras posibilidades.
Modelos de Espacio de los Estados (I) 9
![Page 10: Presentación de PowerPointblog.uclm.es/diegopedregal/files/2018/05/diapositivas.pdf · Estimación óptima de parámetros desconocidos (hiper-parametros): •Máxima Verosimilitud](https://reader035.fdocuments.ec/reader035/viewer/2022062916/5ebc62d571821806ff4d29ef/html5/thumbnails/10.jpg)
• Dos cuestiones fundamentales:
– 1. Estimación óptima de estados:
• Filtro de Kalman (KF):– Ecuaciones de predicción:
» Predicción óptima para el vector de estados
» Predicción óptima para su matriz de covarianzas
– Ecuaciones de adaptación:
» Estimación óptima del vector de estados.
» Estimación óptima de su matriz de covarianzas
– Innovaciones y su matriz de varianzas y covarianzas.
– Observaciones ausentes y predicción.
– Inicialización, intervenciones de varianza y optimalidad.
• Algoritmo de Suavizado de Intervalo Fijo (FIS):– Estimación óptima del vector de estados.
– Estimación óptima de su matriz de covarianzas.
Modelos de Espacio de los Estados (I) 10
![Page 11: Presentación de PowerPointblog.uclm.es/diegopedregal/files/2018/05/diapositivas.pdf · Estimación óptima de parámetros desconocidos (hiper-parametros): •Máxima Verosimilitud](https://reader035.fdocuments.ec/reader035/viewer/2022062916/5ebc62d571821806ff4d29ef/html5/thumbnails/11.jpg)
• Dos cuestiones fundamentales:
– 1. Estimación óptima de estados:
• Filtro de Kalman (KF; con S=0):– Ecuaciones de predicción:
– Ecuaciones de adaptación:
Modelos de Espacio de los Estados (I) 11
T
tt
T
ttt
ttttt
EQEPP
uΓxx
ttt
t
11|
11|
ˆˆ
ˆˆ
1|
1
1|1|
1
1|1|
1|
1|
ˆˆˆˆ
ˆˆˆˆ
ˆˆ
ˆˆ
tttt
T
tttttt
tt
T
tttttt
T
ttt
T
ttttt
tttttt
PHFHPPP
vFHPxx
CRCHPHF
DuxHzv
![Page 12: Presentación de PowerPointblog.uclm.es/diegopedregal/files/2018/05/diapositivas.pdf · Estimación óptima de parámetros desconocidos (hiper-parametros): •Máxima Verosimilitud](https://reader035.fdocuments.ec/reader035/viewer/2022062916/5ebc62d571821806ff4d29ef/html5/thumbnails/12.jpg)
• Dos cuestiones fundamentales:
– 1. Estimación óptima de estados:
• Algoritmo de Suavizado de Intervalo Fijo (FIS):
Modelos de Espacio de los Estados (I) 12
tt
T
tttttt
Ntt
T
ttt
T
tt
Nt
T
tttttt
T
tt
tttttttNt
tttttNt
HFHPΦΦΦ
0SΦSΦHFHS
0ssΦxHzFHs
PSPPP
sPxx
1
1|
1
1
1|
1
1
1|11|1||
11|1|
ˆ
th wi
h witˆ
ˆˆˆˆ
ˆˆˆ
![Page 13: Presentación de PowerPointblog.uclm.es/diegopedregal/files/2018/05/diapositivas.pdf · Estimación óptima de parámetros desconocidos (hiper-parametros): •Máxima Verosimilitud](https://reader035.fdocuments.ec/reader035/viewer/2022062916/5ebc62d571821806ff4d29ef/html5/thumbnails/13.jpg)
• Dos cuestiones fundamentales:
– 2. Estimación óptima de parámetros desconocidos (hiper-parametros):
• Máxima Verosimilitud en el dominio del tiempo, utilizando el Filtro de Kalman.
Modelos de Espacio de los Estados (I) 13
• Otras posibilidades.
T
tttt
T
tt
mTL
1
1
1ˆˆ'ˆ
2
1ˆln
2
12ln
2ln vFvF
T
ttt
T
ttttt
tttttt
CRCHPHF
DuxHzv
1|
1|
ˆˆ
ˆˆ
![Page 14: Presentación de PowerPointblog.uclm.es/diegopedregal/files/2018/05/diapositivas.pdf · Estimación óptima de parámetros desconocidos (hiper-parametros): •Máxima Verosimilitud](https://reader035.fdocuments.ec/reader035/viewer/2022062916/5ebc62d571821806ff4d29ef/html5/thumbnails/14.jpg)
Ejemplo 1: Nivel medio cambiante en el tiempo.
Modelos de Espacio de los Estados (II) 14
ttttt vwB
vTz
1
1
ttttttt
ttttttt
vCuDxHz
wEuxx
1
ttt
ttt
vxz
wxx
1
111
por MV estimadas y QR
Ejemplo 2: Caso anterior Multivariante.
ttt
ttt
vxz
wxx 111
por MV estimadas diagonales no y QR
![Page 15: Presentación de PowerPointblog.uclm.es/diegopedregal/files/2018/05/diapositivas.pdf · Estimación óptima de parámetros desconocidos (hiper-parametros): •Máxima Verosimilitud](https://reader035.fdocuments.ec/reader035/viewer/2022062916/5ebc62d571821806ff4d29ef/html5/thumbnails/15.jpg)
Ejemplo 3: Filtro de Hodrick-Prescott (IRW).
Modelos de Espacio de los Estados (II) 15
ttttt vw
BvTz
21
1
ttttttt
ttttttt
vCuDxHz
wEuxx
1
ttt
t
tt
vz
wx
x
x
x
x01
1
0
10
11
2
1
12
1
1600var
var
Q
R
w
v
t
t
Ejemplo 4: HP Multivariante.
ttt
t
tt
vx0Iz
wI
0
x
x
I0
II
x
x
2
1
12
1
por MV estimadas diagonales no y QR
![Page 16: Presentación de PowerPointblog.uclm.es/diegopedregal/files/2018/05/diapositivas.pdf · Estimación óptima de parámetros desconocidos (hiper-parametros): •Máxima Verosimilitud](https://reader035.fdocuments.ec/reader035/viewer/2022062916/5ebc62d571821806ff4d29ef/html5/thumbnails/16.jpg)
Ejemplo 5: Local Linear Trend (LLT).
Modelos de Espacio de los Estados (II) 16
ttt vTz
ttttttt
ttttttt
vCuDxHz
wEuxx
1
ttt
ttt
vz
w
w
x
x
x
x
x01
10
01
10
11
2
1
2
1
12
1
2
22
21
0
0
RQ
![Page 17: Presentación de PowerPointblog.uclm.es/diegopedregal/files/2018/05/diapositivas.pdf · Estimación óptima de parámetros desconocidos (hiper-parametros): •Máxima Verosimilitud](https://reader035.fdocuments.ec/reader035/viewer/2022062916/5ebc62d571821806ff4d29ef/html5/thumbnails/17.jpg)
– Ejemplo 6: Componentes NO Observables.
Modelos de Espacio de los Estados (II) 17
ttttt vSCTz
ttttttt
ttttttt
vCuDxHz
wEuxx
1
q
qQS
w
w
S
S
S
S
tt
ttt
0
0 ;01
10
01
'cossen
sencos
' 2
1
1
x
• Modelo de Estacionalidad (o ciclo):
• Modelo completo:
ttt
ttt
vz
w
w
w
S
S
D
T
S
S
D
T
x
0
0
0
0
0101
10
01
1
0
'cossen
sencos
10
11
'2
1
0
1
![Page 18: Presentación de PowerPointblog.uclm.es/diegopedregal/files/2018/05/diapositivas.pdf · Estimación óptima de parámetros desconocidos (hiper-parametros): •Máxima Verosimilitud](https://reader035.fdocuments.ec/reader035/viewer/2022062916/5ebc62d571821806ff4d29ef/html5/thumbnails/18.jpg)
– Ejemplo 7: Dynamic Harmonic Regression
Modelos de Espacio de los Estados (II) 18
ttttt vSCTz
ttttttt
ttttttt
vCuDxHz
wEuxx
1
q
qQttS
w
w
a
a
a
a
tt
ttt
0
0 ;sincos
10
01
'10
01
'
11
2
1
1
x
• Modelo de Estacionalidad (o ciclo):
• Modelo completo:
ttt
ttt
vttz
w
w
w
a
a
D
T
a
a
D
T
x
0
0
0
0
11
2
1
0
1
sincos01
10
01
1
0
'10
01
10
11
'
![Page 19: Presentación de PowerPointblog.uclm.es/diegopedregal/files/2018/05/diapositivas.pdf · Estimación óptima de parámetros desconocidos (hiper-parametros): •Máxima Verosimilitud](https://reader035.fdocuments.ec/reader035/viewer/2022062916/5ebc62d571821806ff4d29ef/html5/thumbnails/19.jpg)
Ejemplo 8: Regresión lineal
Modelos de Espacio de los Estados (II) 19
ttt vz '' :1 Versión X
ttt vz βX
tttt
ttt
vz
X
w1 :2 Versión
• Si Q= 0 el Filtro de Kalman proporciona la estimación recursiva del sistema (útil cuando existen observaciones ausentes).
• Si Q> 0 se puede realizar la estimación de una regresión lineal con parámetros cambiantes en el tiempo.
ttttttt
ttttttt
vCuDxHz
wEuxx
1
![Page 20: Presentación de PowerPointblog.uclm.es/diegopedregal/files/2018/05/diapositivas.pdf · Estimación óptima de parámetros desconocidos (hiper-parametros): •Máxima Verosimilitud](https://reader035.fdocuments.ec/reader035/viewer/2022062916/5ebc62d571821806ff4d29ef/html5/thumbnails/20.jpg)
– Ejemplo 9: AR(2)
Modelos de Espacio de los Estados (II) 20
tttt vzzz 2211
ttttt
tt
vzzz
w
w
x21
10
01
:4 Versión
tt
t
tt
z
vx
x
x
x
x01
0
1
0
1
:1 Versión2
1
2
1
12
1
ttt
t
tt
vz
vx
x
x
x
x01
0
1
:2 Versión2
1
2
1
2
1
12
1
ttttttt
ttttttt
vCuDxHz
wEuxx
1
Versión 3: 𝑧𝑡 = 𝜙1 𝜙2𝑧𝑡−1𝑧𝑡−2
+ 𝑣𝑡
![Page 21: Presentación de PowerPointblog.uclm.es/diegopedregal/files/2018/05/diapositivas.pdf · Estimación óptima de parámetros desconocidos (hiper-parametros): •Máxima Verosimilitud](https://reader035.fdocuments.ec/reader035/viewer/2022062916/5ebc62d571821806ff4d29ef/html5/thumbnails/21.jpg)
– Ejemplo 9: AR(2)
Modelos de Espacio de los Estados (II) 21
tttt vzzz 2211
ttttt
tt
vzzz
w
w
x21
10
01
:4 Versión
• En todos los casos, excepto en las versiones 3 y 4 se pueden estimar los coeficientes sin problemas de valores ausentes.
• Si Q= 0 el Filtro de Kalman proporciona la estimación recursiva del sistema.
• Si Q> 0 se puede realizar la estimación del modelo con parámetros cambiantes en el tiempo.
ttttttt
ttttttt
vCuDxHz
wEuxx
1
Versión 3: 𝑧𝑡 = 𝜙1 𝜙2𝑧𝑡−1𝑧𝑡−2
+ 𝑣𝑡
![Page 22: Presentación de PowerPointblog.uclm.es/diegopedregal/files/2018/05/diapositivas.pdf · Estimación óptima de parámetros desconocidos (hiper-parametros): •Máxima Verosimilitud](https://reader035.fdocuments.ec/reader035/viewer/2022062916/5ebc62d571821806ff4d29ef/html5/thumbnails/22.jpg)
– Ejemplo 10: ARMA(1, 1).
Modelos de Espacio de los Estados (II) 22
11 tttt vvzz
ttt
ttt
vxz
vxx 1 :2 Versión
tt
t
tt
z
vx
x
x
x
x01
1
1
00 :1 Versión2
1
12
1
ttttttt
ttttttt
vCuDxHz
wEuxx
1
![Page 23: Presentación de PowerPointblog.uclm.es/diegopedregal/files/2018/05/diapositivas.pdf · Estimación óptima de parámetros desconocidos (hiper-parametros): •Máxima Verosimilitud](https://reader035.fdocuments.ec/reader035/viewer/2022062916/5ebc62d571821806ff4d29ef/html5/thumbnails/23.jpg)
– Ejemplo 11: VARMA(p, p).
Modelos de Espacio de los Estados (II) 23
ptpttptptt vΘvΘvzφzφz 1111
ttt
t
pp
pp
t
p
p
t
vx000Iz
v
Θφ
Θφ
Θφ
Θφ
x
000φ
I00φ
0I0φ
00Iφ
x
11
22
11
1
2
1
1
ttttttt
ttttttt
vCuDxHz
wEuxx
1
![Page 24: Presentación de PowerPointblog.uclm.es/diegopedregal/files/2018/05/diapositivas.pdf · Estimación óptima de parámetros desconocidos (hiper-parametros): •Máxima Verosimilitud](https://reader035.fdocuments.ec/reader035/viewer/2022062916/5ebc62d571821806ff4d29ef/html5/thumbnails/24.jpg)
– Ejemplo 12: MCNO Multivariantes.
Modelos de Espacio de los Estados (II) 24
ttttt vSCTz
ttttttt
ttttttt
vCuDxHz
wEuxx
1
ttt
ttt
vx0I0Iz
w
w
w
I0
0I0
0I
0
S
S
D
T
II
II0
0I0
II
S
S
D
T
2
1
0
1'cossen
sencos
'
por MV estimadas diagonales no y QR
![Page 25: Presentación de PowerPointblog.uclm.es/diegopedregal/files/2018/05/diapositivas.pdf · Estimación óptima de parámetros desconocidos (hiper-parametros): •Máxima Verosimilitud](https://reader035.fdocuments.ec/reader035/viewer/2022062916/5ebc62d571821806ff4d29ef/html5/thumbnails/25.jpg)
Ejemplo 13: Ciclos modulados.
Modelos de Espacio de los Estados (II) 25
ttttt vSCTz
ttttttt
ttttttt
vCuDxHz
wEuxx
1
q
qQttS
w
w
S
S
S
S
tt
ttt
0
0 ;sincos
10
01
'cossen
sencos
'
11
2
1
00
00
1
x
• Modelo de Estacionalidad (o ciclo):
• Modelo completo:
ttt
ttt
vttz
w
w
w
S
S
D
T
S
S
D
T
x
0
0
0
0
11
2
1
0
00
00
1
sincos01
10
01
1
0
'cossen
sencos
10
11
'
![Page 26: Presentación de PowerPointblog.uclm.es/diegopedregal/files/2018/05/diapositivas.pdf · Estimación óptima de parámetros desconocidos (hiper-parametros): •Máxima Verosimilitud](https://reader035.fdocuments.ec/reader035/viewer/2022062916/5ebc62d571821806ff4d29ef/html5/thumbnails/26.jpg)
– Ejemplo 14: Función de transferencia
Modelos de Espacio de los Estados (II) 26
ttt vuB
BwBwz
1
221
ttt
t
tt
vz
uw
w
x
x
x
x
x01
00
1
2
1
2
1
12
1
122111 tttttt vvuwuwzz
ttttttt
ttttttt
vCuDxHz
wEuxx
1
![Page 27: Presentación de PowerPointblog.uclm.es/diegopedregal/files/2018/05/diapositivas.pdf · Estimación óptima de parámetros desconocidos (hiper-parametros): •Máxima Verosimilitud](https://reader035.fdocuments.ec/reader035/viewer/2022062916/5ebc62d571821806ff4d29ef/html5/thumbnails/27.jpg)
– Ejemplo 15: Concatenación de sistemas.Función de transferencia con ruido
Modelos de Espacio de los Estados (II) 27
ttt vB
BBu
B
BwBwz
11
221
221
ttt
tt
tt
vz
vuw
w
x
x
x
x
x
x
x
x
x
0
0
0101
0
0
0
0
0
1
00
1
2
1
2
1
4
3
2
1
2
1
14
3
2
1
ttttttt
ttttttt
vCuDxHz
wEuxx
1
![Page 28: Presentación de PowerPointblog.uclm.es/diegopedregal/files/2018/05/diapositivas.pdf · Estimación óptima de parámetros desconocidos (hiper-parametros): •Máxima Verosimilitud](https://reader035.fdocuments.ec/reader035/viewer/2022062916/5ebc62d571821806ff4d29ef/html5/thumbnails/28.jpg)
– Ejemplo 16: Modelo TAR.
Modelos de Espacio de los Estados (II) 28
01
01
2,2
22
2
2
1
2,1
21
2
1
1
tt
tt
tzvBB
zvBBz
ttttttt
ttttttt
vCuDxHz
wEuxx
1
0
0
2,2
2
12
1
2
1
2,1
2
11
2
1
1
tt
t
t
t
tt
t
t
t
zvz
zz
zvz
zz
![Page 29: Presentación de PowerPointblog.uclm.es/diegopedregal/files/2018/05/diapositivas.pdf · Estimación óptima de parámetros desconocidos (hiper-parametros): •Máxima Verosimilitud](https://reader035.fdocuments.ec/reader035/viewer/2022062916/5ebc62d571821806ff4d29ef/html5/thumbnails/29.jpg)
– Ejemplo 17: Agregación temporal.
Modelos de Espacio de los Estados (II) 29
Supongamos una variable observada a espacios de tiempo irregular.
Desde el punto de vista de la agregación temporal, las variables pueden ser de dos tipos:
1. Stock: las observaciones son estáticas.
2. Flujo: las observaciones son “dinámicas”, una
observación anual equivale a la suma (o el
promedio) de todos los meses; una
observación trimestral equivale a la suma
de los tres trimestres; etc.
La agregación temporal de variables stock es interpolación.
![Page 30: Presentación de PowerPointblog.uclm.es/diegopedregal/files/2018/05/diapositivas.pdf · Estimación óptima de parámetros desconocidos (hiper-parametros): •Máxima Verosimilitud](https://reader035.fdocuments.ec/reader035/viewer/2022062916/5ebc62d571821806ff4d29ef/html5/thumbnails/30.jpg)
Modelos de Espacio de los Estados (II) 30
t
t
t
t
t
t
t
t
t
x
z0Iz
w
v
I0
HI
x
z
Φ0
HΦ0
x
z
1
1
resto elen ,1
dato el existe cuando ,0 tCt
t
t
t
t
t
t
tt
t
t C
x
z0Iz
w
v
I0
HI
x
z
Φ0
HΦI
x
z
1
1
– Ejemplo 17: Agregación temporal.
Variables flujo:
tttt
tttt
vCHxz
wExx
1
![Page 31: Presentación de PowerPointblog.uclm.es/diegopedregal/files/2018/05/diapositivas.pdf · Estimación óptima de parámetros desconocidos (hiper-parametros): •Máxima Verosimilitud](https://reader035.fdocuments.ec/reader035/viewer/2022062916/5ebc62d571821806ff4d29ef/html5/thumbnails/31.jpg)
• SSpace:
– Toolbox de series temporales que implementa un modelo EE con alto grado de flexibilidad.
– Villegas, M.A., Pedregal, D.J. (2018), SSpace: A toolbox for State Space modelling, Journal of Statistical Software, in press.
– https://bitbucket.org/predilab/sspace-matlab/
La librería SSpace de MATLAB 31
![Page 32: Presentación de PowerPointblog.uclm.es/diegopedregal/files/2018/05/diapositivas.pdf · Estimación óptima de parámetros desconocidos (hiper-parametros): •Máxima Verosimilitud](https://reader035.fdocuments.ec/reader035/viewer/2022062916/5ebc62d571821806ff4d29ef/html5/thumbnails/32.jpg)
• Otros programas relacionados:
– E4: Terceiro et al., www.ucm.es/info/icae/e4
– CAPTAIN: Young, PC et al.,ww.es.lancs.ac.uk/cres/captain
– Ox Metrics: www.oxmetrics.net
– Ssfpack for Ox: www.ssfpack,com
– STAMP: www.stamp-software.com
– BATS: www.stat.duke.edu/~mw/bats.html
– SEATS y TRAMO: www.bde.es/servicio/software/econom.html
– ... 32Introducción
![Page 33: Presentación de PowerPointblog.uclm.es/diegopedregal/files/2018/05/diapositivas.pdf · Estimación óptima de parámetros desconocidos (hiper-parametros): •Máxima Verosimilitud](https://reader035.fdocuments.ec/reader035/viewer/2022062916/5ebc62d571821806ff4d29ef/html5/thumbnails/33.jpg)
• Cuatro pasos para la modelización SS:
1. Escribir en un papel el modelo y su forma de espacio de los estados.
2. Crear una función que traduzca el modelo en código MATLAB.
3. Estimar los parámetros desconocidos del modelo.
4. Correr el Filtro de Kalman y/o FIS para obtener estimación óptima de estados y sus covarianzas.
La librería SSpace de MATLAB 33
![Page 34: Presentación de PowerPointblog.uclm.es/diegopedregal/files/2018/05/diapositivas.pdf · Estimación óptima de parámetros desconocidos (hiper-parametros): •Máxima Verosimilitud](https://reader035.fdocuments.ec/reader035/viewer/2022062916/5ebc62d571821806ff4d29ef/html5/thumbnails/34.jpg)
1. Escribir en un papel el modelo y su forma de espacio de los estados
La librería SSpace de MATLAB 34
ttt
ttt
vxz
wxx
1
111
ttttttt
ttttttt
vCuDxHz
wEuxx
1
![Page 35: Presentación de PowerPointblog.uclm.es/diegopedregal/files/2018/05/diapositivas.pdf · Estimación óptima de parámetros desconocidos (hiper-parametros): •Máxima Verosimilitud](https://reader035.fdocuments.ec/reader035/viewer/2022062916/5ebc62d571821806ff4d29ef/html5/thumbnails/35.jpg)
2. Crear una función MATLAB que represente el modelo:
La librería SSpace de MATLAB 35
ttt
ttt
vxz
wxx
1
111
ttttttt
ttttttt
vCuDxHz
wEuxx
1
![Page 36: Presentación de PowerPointblog.uclm.es/diegopedregal/files/2018/05/diapositivas.pdf · Estimación óptima de parámetros desconocidos (hiper-parametros): •Máxima Verosimilitud](https://reader035.fdocuments.ec/reader035/viewer/2022062916/5ebc62d571821806ff4d29ef/html5/thumbnails/36.jpg)
3. Estimar los parámetros desconocidos del
modelo :
La librería SSpace de MATLAB 36
![Page 37: Presentación de PowerPointblog.uclm.es/diegopedregal/files/2018/05/diapositivas.pdf · Estimación óptima de parámetros desconocidos (hiper-parametros): •Máxima Verosimilitud](https://reader035.fdocuments.ec/reader035/viewer/2022062916/5ebc62d571821806ff4d29ef/html5/thumbnails/37.jpg)
4. Correr el Filtro de Kalman y/o FIS para obtener
estimación óptima de estados y sus covarianzas
La librería SSpace de MATLAB 37
![Page 38: Presentación de PowerPointblog.uclm.es/diegopedregal/files/2018/05/diapositivas.pdf · Estimación óptima de parámetros desconocidos (hiper-parametros): •Máxima Verosimilitud](https://reader035.fdocuments.ec/reader035/viewer/2022062916/5ebc62d571821806ff4d29ef/html5/thumbnails/38.jpg)
Ejemplo agregación temporal:
La librería SSpace de MATLAB 38
![Page 39: Presentación de PowerPointblog.uclm.es/diegopedregal/files/2018/05/diapositivas.pdf · Estimación óptima de parámetros desconocidos (hiper-parametros): •Máxima Verosimilitud](https://reader035.fdocuments.ec/reader035/viewer/2022062916/5ebc62d571821806ff4d29ef/html5/thumbnails/39.jpg)
Ejemplo agregación temporal:
La librería SSpace de MATLAB 39
![Page 40: Presentación de PowerPointblog.uclm.es/diegopedregal/files/2018/05/diapositivas.pdf · Estimación óptima de parámetros desconocidos (hiper-parametros): •Máxima Verosimilitud](https://reader035.fdocuments.ec/reader035/viewer/2022062916/5ebc62d571821806ff4d29ef/html5/thumbnails/40.jpg)
Otras consideraciones (opiniones desordenadas)
40
![Page 41: Presentación de PowerPointblog.uclm.es/diegopedregal/files/2018/05/diapositivas.pdf · Estimación óptima de parámetros desconocidos (hiper-parametros): •Máxima Verosimilitud](https://reader035.fdocuments.ec/reader035/viewer/2022062916/5ebc62d571821806ff4d29ef/html5/thumbnails/41.jpg)
41
Relación entre inteligencia artificial, Machine learning y Deep learning
Imagen tomada de http://www.devacademy.es
![Page 42: Presentación de PowerPointblog.uclm.es/diegopedregal/files/2018/05/diapositivas.pdf · Estimación óptima de parámetros desconocidos (hiper-parametros): •Máxima Verosimilitud](https://reader035.fdocuments.ec/reader035/viewer/2022062916/5ebc62d571821806ff4d29ef/html5/thumbnails/42.jpg)
• Big Data y tecnología causa transformación profunda de la sociedad y la economía:– Trabajo hecho por robots.
– 2 de cada 3 operaciones en Bolsa las hacen robots.
– Coches autónomos.
– Facebook te conoce mejor que tu madre y que tú mismo. Delegar decisiones. Google también.
– Ejemplo de marketing analytics.
– Tecnología blockchain (seguridad en redes con información compartida).
42
![Page 43: Presentación de PowerPointblog.uclm.es/diegopedregal/files/2018/05/diapositivas.pdf · Estimación óptima de parámetros desconocidos (hiper-parametros): •Máxima Verosimilitud](https://reader035.fdocuments.ec/reader035/viewer/2022062916/5ebc62d571821806ff4d29ef/html5/thumbnails/43.jpg)
– Programación por reinforcement learning de una máquina capaz de aprender a jugar al ajedrez en 72 horas. (Lai, 2017,
Giraffe: Using Deep Reinforcement Learning to Play Chess)
– AlphaGo Zero es el mejor jugador de GO, entrenado en días (Gibney, E. (2017). Self-taught AI is Best Yet at Strategy Game Go:
Artificial-Intelligence Program, AlphaGo Zero Trained in Just Days, Without Any Human Input, Nature, International Weekly Journal of Science , Oct., 2017)
– Google ha lanzado auriculares con traductor simultáneo en 40 idiomas.
– Amazon Go (https://www.cnet.com/pictures/photos-inside-amazon-go-
store-no-cashiers-seattle/).
43
![Page 44: Presentación de PowerPointblog.uclm.es/diegopedregal/files/2018/05/diapositivas.pdf · Estimación óptima de parámetros desconocidos (hiper-parametros): •Máxima Verosimilitud](https://reader035.fdocuments.ec/reader035/viewer/2022062916/5ebc62d571821806ff4d29ef/html5/thumbnails/44.jpg)
• ¿Transforma el Big Data la forma de hacer ciencia económica?
– Una parte ya se hace así, puesto que Big Data incluye la estadística clásica. Modelos de panel, factoriales, etc.
– Sí, porque se pueden analizar problemas nuevos por la abundancia y detalle de la información o de formas nuevas.
• Anécdota de función de demanda clásica.
• Demanda intermitente.
• Demanda jerárquica.
• Estudiar implicaciones de la revolución digital.
• Etc.44
![Page 45: Presentación de PowerPointblog.uclm.es/diegopedregal/files/2018/05/diapositivas.pdf · Estimación óptima de parámetros desconocidos (hiper-parametros): •Máxima Verosimilitud](https://reader035.fdocuments.ec/reader035/viewer/2022062916/5ebc62d571821806ff4d29ef/html5/thumbnails/45.jpg)
• ¿Transforma el Big Data la forma de hacer ciencia económica?
– Punto filosófico: gente friki que se sale de moldes, muy eficiente, informal, y cambian la forma de publicar resultados…
– Competiciones.
– Software libre.
– WEB 3.0.
– Necesario estar despiertos a innovaciones y ser flexibles. Formación y adaptación constante. Aprender Big Data.
45
![Page 46: Presentación de PowerPointblog.uclm.es/diegopedregal/files/2018/05/diapositivas.pdf · Estimación óptima de parámetros desconocidos (hiper-parametros): •Máxima Verosimilitud](https://reader035.fdocuments.ec/reader035/viewer/2022062916/5ebc62d571821806ff4d29ef/html5/thumbnails/46.jpg)
• ¿Significa que Big Data va a mejorar los resultados de la Economía como disciplina?
– Optimistas (u oportunistas) dicen que SÍ. Hay muchos papers de predicción que así lo dicen.
– Serias dudas: Un problema puede ser difícil por dos razones, al menos:
• Técnicamente difícil pero con estructura bien definida que detectar. Detección de imágenes, lenguaje, etc.
https://www.youtube.com/watch?v=z8RVC7VmY8k
• Técnicamente difícil y además con una estructura muy laxa (economía).
La librería SSpace de MATLAB 46