Glosario IA
El diccionario completo de la Inteligencia Artificial
Prueba de Granger
Prueba estadística desarrollada por Clive Granger para determinar si una serie temporal contiene información predictiva sobre otra serie temporal futura. Esta prueba se basa en la hipótesis de que el conocimiento de los valores pasados de una variable X mejora la predicción de una variable Y más allá de lo que es posible solo con los valores pasados de Y.
Predicción lineal
Método de previsión que utiliza una combinación lineal de los valores pasados de una o más variables para estimar los valores futuros. La prueba de Granger clásica se basa en modelos de predicción lineal para evaluar las relaciones de causalidad entre series temporales.
Retardo temporal
Retraso temporal entre una causa y su efecto, representado por el número de períodos pasados utilizados para predecir los valores futuros en los modelos de causalidad. La elección adecuada del retardo es crucial para la validez de la prueba de Granger y puede determinarse mediante criterios de información como el AIC o el BIC.
Prueba F de Granger
Versión específica de la prueba de Granger que utiliza la estadística F para comparar dos modelos de regresión: un modelo restringido (sin la variable causal supuesta) y un modelo no restringido (con esta variable). La nulidad de los coeficientes de la variable causal en el modelo restringido se contrasta contra su no nulidad en el modelo completo.
Integración
Orden de integración de una serie temporal, denotado como I(d), que indica el número de veces que la serie debe diferenciarse para volverse estacionaria. El conocimiento del orden de integración es fundamental para aplicar correctamente las pruebas de Granger y evitar las regresiones espurias.
Prueba de causalidad multivariante
Extensión de la prueba de Granger al caso de varias variables simultáneas, utilizando modelos VAR (Autoregresivo Vectorial) para analizar las relaciones de causalidad en un sistema complejo. Este enfoque permite controlar los efectos de otras variables e identificar las relaciones de causalidad directas.
Prueba de Granger instantánea
Prueba de causalidad que examina si los cambios simultáneos en dos variables en el mismo período de tiempo son estadísticamente significativos, a diferencia de la prueba de Granger clásica que se centra en los desfases temporales. Esta prueba es especialmente relevante para los datos de alta frecuencia donde los efectos instantáneos pueden ser importantes.
Criterio de información de Akaike (AIC)
Métrica estadística utilizada para seleccionar el número óptimo de retardos en los modelos de prueba de Granger, equilibrando el ajuste del modelo y su complejidad. El AIC penaliza menos severamente la complejidad que el BIC, tendiendo a seleccionar modelos con más parámetros.
Criterio de información bayesiano (BIC)
Criterio de selección de modelos para determinar el número óptimo de retardos en las pruebas de Granger, favoreciendo la parsimonia en comparación con el AIC. El BIC impone una penalización más fuerte para los parámetros adicionales, reduciendo el riesgo de sobreajuste en los modelos de causalidad.
Modelo VAR (Autorregresivo Vectorial)
Modelo econométrico donde cada variable se regresa sobre sus propios valores pasados y sobre los valores pasados de las otras variables del sistema, base de las pruebas de causalidad multivariada de Granger. Los modelos VAR permiten capturar las interdependencias dinámicas entre varias series temporales.
Funciones de impulso-respuesta
Análisis complementario a las pruebas de Granger que traza la evolución de las variables a lo largo del tiempo tras un choque en una variable específica en un modelo VAR. Esta técnica permite cuantificar la amplitud y la duración de los efectos de causalidad identificados por las pruebas de Granger.
Descomposición de varianza
Método estadístico que determina la proporción de la varianza del error de predicción de una variable atribuible a los choques sobre sí misma y sobre las otras variables del sistema. Este análisis cuantifica la importancia relativa de las relaciones de causalidad de Granger en la explicación de las variaciones de las variables.
Prueba de no linealidad
Extensión de las pruebas de Granger a las relaciones no lineales entre series temporales, utilizando modelos como las redes neuronales o los modelos de transición de régimen. Estas pruebas detectan causalidades que las pruebas lineales clásicas podrían pasar por alto.
Causalidad condicional
Prueba de Granger que evalúa la relación de causalidad entre dos variables condicionando sobre un conjunto de variables de control, aislando así el efecto directo de causalidad. Este enfoque permite distinguir la causalidad directa de la causalidad indirecta mediada por otras variables.
Prueba de Granger no lineal
Variante de la prueba de Granger diseñada para detectar relaciones predictivas no lineales entre series temporales, utilizando métodos como los modelos umbral o de núcleo. Esta prueba es particularmente útil cuando las relaciones económicas presentan asimetrías o cambios de régimen.