Resumen

Los problemas de datos ausentes son muy frecuentes en la práctica. Para obtener resultados inferenciales fiables, debemos tener en cuenta esta característica de los datos. Supongamos que el conjunto de datos univariantes analizado contiene observaciones ausentes. Este trabajo examina el impacto de la selección de un conjunto de datos completo auxiliar -cuyo proceso estocástico subyacente es hasta cierto punto interdependiente del primero- para mejorar la eficiencia de los estimadores de los parámetros relevantes del modelo. El modelo vectorial autorregresivo (VAR) se ha revelado como una herramienta extremadamente útil para capturar la dinámica de series temporales bivariantes. Proponemos estimadores de máxima verosimilitud para los parámetros del Modelo VAR(1) basados en el patrón monótono de datos perdidos. También se deduce la precisión de los estimadores. Posteriormente, comparamos el esquema de modelización bivariante con su homólogo univariante. Más concretamente, el conjunto de datos univariantes con observaciones ausentes se modelizará mediante un modelo de media móvil autorregresiva (ARMA(2,1)). También analizaremos el comportamiento del modelo autorregresivo de orden uno, AR(1), debido a su importancia práctica. Nos centramos en el valor medio del proceso estocástico principal. Mediante estudios de simulación, concluimos que el estimador basado en el Modelo VAR(1) es preferible a los derivados del contexto univariante.

• Materias:Matemáticas Análisis Matemático Álgebra Ingeniería Matemática aplicada Lógica matemática
• Subjects:mathematics Mathematical Analysis Algebra Engineering Applied Mathematics Mathematical logic
• Palabras claves:modelo, datos univariantes, patrón monótono de datos ausentes, media móvil autorregresiva, datos completos auxiliares, esquema de modelización bivariante, series temporales bivariantes, proceso estocástico principal, estimadores de máxima verosimilitud, resultados inferenciales fiables
• Keywords:model, univariate data, monotone missing data pattern, autoregressive moving average, auxiliary complete data, bivariate modelling scheme, bivariate time series, main stochastic process, maximum likelihood estimators, reliable inferential results