NumXL Pro

NumXL es un conjunto complementos de series de Excel. Transforma su aplicación Microsoft® Excel® en una herramienta econométrica y de series de tiempo de primera. Una herramienta que ofrece la clase de exactitud estadística ofrecida por otros paquetes estadísticos mucho más costosos. NumXL se integra a la perfección con Excel, adicionando decenas de funciones econométricas, un rico conjunto de atajos y una interfaz de usuario intuitiva para guiarnos durante todo el proceso.

Ya sea que tengamos un simple problema con una tarea o un proyecto empresarial de gran escala, NumXL simplifica nuestros esfuerzos. Nos ayuda a conseguir nuestros objetivos de la forma más rápida y rigurosa posible.

NumXL tambien guarda nuestros datos y resultados conectados en Excel, permitiéndonos rastrear nuestros cálculos, adicionar nuevos puntos de datos, actualizar un análisis existente y compartir nuestros resultados con facilidad.

NumXL nos permite comenzar a ejecutar, no requiere ningún tipo de conocimiento en programación o codificación, y está diseñado para facilitar su uso; no tendremos que trasladar nuestros datos entre programas externos. También podemos realizar cualquier tipo de análisis ad hoc puesto que todas las funciones de NumXL están disponibles en nuestra hoja de cálculo y dentro del entorno de VBA en caso de que elijamos escribir macros.

¿Qué puede hacer NumXL por mí?

Videos Tutoriales
Capturas de pantalla

Ver también

La estadística descriptiva es la disciplina de describir cuantitativamente los rasgos principales de un conjunto de datos; el objetivo principal es resumir el conjunto de datos en vez de usarlos para aprender sobre la población que se cree que representan. Algunas medidas que se usan comúnmente para describir un conjunto de datos son:
  • Ubicación o tendencia central: media, mediana, tendencia, etc.
  • Variabilidad o estadística de dispersión.
  • Forma de distribución, ya sea vía índices tales como asimetría, kurtosis, centil, o vía formatos de tabulación y/o gráficos tales como histograma, EDF y Estimado de densidad de Kernel (KDE).
  • Dependencia estadística: serial/auto-correlación y correlación cruzada.
Ejemplos: media, mediana, tendencia, etc.

Funciones destacadas:

FunciónDescripción
EWMAVolatilidad Ponderada Exponencial
GINICoeficiente de GINI
QuantileCuantil de muestra
IQREl Rango Intercuartílico (RIC)
MDDiferencia absoluta Promedio
MADDesviación absoluta media
RMDDiferencia Media Relativa
LRVarVariación a largo plazo (Bartlett Kernel)

La variable de distribución está representada por una gráfica o tabulación.

Funciones destacadas:

FunciónDescripción
EDFFunción de distribución empírica
KDEEstimación de Densidad de Kernel
NxHistogram(Histograma) de Distribución de Frecuancia
  1. Para un conjunto de datos las funciones de autocorrelación o seriales(ej.. ACF, PACF) son herramientas de uso común, no solamente para revisar lo aleatorio, sino también en etapas de identificación de modelos para tipos de modelo ARMA.
    Funciones destacadas:
    FunciónDescripción
    ACFFunción de Autocorrelación (FAC)
    PACFAutocorrelación Parcial
    HurstEl exponente de Hurst
  2. Para dos o más variables, se usan correlaciones cruzadas para medir cómo esas variables se relacionan entre sí.
    Funciones destacadas
    FunciónDescripción
    XCFFunción de correlación cruzada (FCC)
    EWXCFCorrelación ponderada exponencial
Videos Tutoriales
Capturas de pantalla

Ver también

Hacer pruebas estadísticas o de hipótesis es un método común para dibujar inferencias sobre una población basada en evidencia estadística de una muestra. Por ejemplo, las pruebas estadísticas técnicas son aplicadas con frecuencia en el examen de significación (ej. Diferencia de cero) de un parámetro calculado (ej. Media, distorsión, curtosis), o para verificar la conjetura (ej. Normalidad, ruido blanco, estacionario, cointegración, multicolinealidad, etc.) usando datos de muestra finitos.

En NumXL, las funciones de prueba estadística pueden ser desagregadas en las siguientes categorías:

Esta categoría describe un conjunto de pruebas de una muestra que comparan: la media de una muestra (u otra medida de ubicación) con un estándar conocido (conocido en la teoría o que sea calculado sobre la población).

Funciones destacadas:

FunciónDescripción
TEST_MEANPrueba media de una muestra de población

Estas también son pruebas de una muestra que comparan la varianza de una muestra (u otra medida de dispersión estadística) con un estándar conocido (conocido en la teoría pero que es calculado sobre la población).

Funciones destacadas:

FunciónDescripción
TEST_STDEVPrueba de desviación estándar
TEST_SKEWPrueba de Asimetria
TEST_XKURTPrueba de Exceso de curtosis

Las pruebas estadísticas son pruebas de una muestra que examinan la conjetura sobre la distribución de una variable aleatoria.

Funciones destacadas:

FunciónDescripción
NormalityTestPruebas para distribución normal o gaussiana

En esta categoría agrupamos la funcionalidad basándonos en el número de variables que se aplican a:

  1. Una variable – correlación serial (aka Auto) Funciones destacadas:
    Función Descripción
    ACFTest Prueba de Autocorrelación
    WNTest Prueba de ruido blanco
    ARCHTest Prueba ARCH
    ADFTest Prueba estacionaria de Dickey Fuller Aumentada

  2. Dos o más variables -correlación cruzada Funciones destacadas:
    Función Descripción
    XCFTest Prueba de Correlación Cruzada
    JohansenTest Prueba de Cointegración Johansen
    Chow Test Prueba de Estabilidad de Regresión
    CollinearityTest Prueba de Colinealidad/Multi-colinealidad

Videos Tutoriales
Capturas de pantalla

Ver también

El ajuste de datos (aka ajuste de curva) es el proceso de construir una curva/función que tenga el mejor ajuste en una serie de puntos de datos, y luego usar esta función para calcular valores para nuevas observaciones.

La construcción de la curva puede involucrar interpolación donde se requiere un ajuste exacto a los datos, o suavizado; en el que se construye la función que se ajusta a los datos de manera aproximada.

Descubre una función que se ajusta exactamente a los puntos de datos. NumXL soporta una o dos interpolaciones dimensionales.

Funciones destacadas:

FunciónDescripción
NxINTRPLExtrapolación e interpolación lineal, polinomial, spline cubica
NxINTRPL2D2- Extrapolación e interpolación dimensional

Encuentra una función que se ajusta aproximadamente a los puntos de datos pero le damos espacio al error y permitimos que nuestros puntos estén cerca pero no necesariamente en la curva, dado que el error es minimizado en general.

Funciones destacadas:

FunciónDescripción
NxRegressRegresión
NxKNNK Barrios más cercanos (K-NN ) Regresión
NxKREGRegresión de Kernel
NxLOCREGRegression local movimiento polinomial

Videos Tutoriales
Capturas de pantalla

Ver también

La transformación variable es un paso preliminar común en el análisis real para obtener una variable más representativa para el propósito del análisis. También puede ser usada simplemente para permitir que la distribución de sus variables se acerque a una distribución normal (ej. Box-Cox), o mejor, distribuir los valores (e.g. log) y evadir futuros sesgos en su modelo.

Funciones destacadas:

FunciónDescripción
DIFFOperador de Diferencias de Series Temporales
LAGRezago u operador de rezago
INTGOperador integral de series de tiempo

Funciones destacadas:

FunciónDescripción
BoxCoxTransformada de Box-Cox
CLOGLOGTransformación Log-Log Complementaria
LOGITTransformación de logit
PROBITTransformación Probit
DETRENDElimina tendencias

Funciones destacadas:

FunciónDescripción
SUBNAValores faltantes interpolados

Funciones destacadas:

FunciónDescripción
RESAMPLESeries de tiempo de remuestreo

Videos Tutoriales
Capturas de pantalla

Ver también

En estadística, el muestreo es la selección (un muestreo estadístico) de un subgrupo de individuos de entre una población estadística, para estimar las características de toda la población.

Funciones destacadas:

FunciónDescripción
NxSortClasificación de un conjunto de datos
NxReverseReversa el orden cronológico
NxShuffleMezcla el orden de los elementos en el conjunto de datos

Funciones destacadas:

FunciónDescripción
NxSubsetSubconjunto de series de tiempo
NxChooseMuestreo Aleatorio

Videos Tutoriales
Capturas de pantalla

Ver también

Elimine el ruido de su conjunto de datos y descubra importantes funciones y componentes: nivel, tendencia y estacionalidad. Sin embargo, podemos usar también el suavizado para añadir valores faltantes y/o conducir un pronóstico.

Promedio ponderado móvil unilateral, centrado, simple o doble.

Funciones destacadas:

FunciónDescripción
NxEMAPromedio exponencial móvil ponderado (en curso/corriendo)
NxMAPromedio móvil (en curso) usando puntos de datos previos
WMAPromedio móvil ponderado
NxCMAFiltro promedio móvil centrado
NxSMAFiltro estacional movil promedio

Optimizador incorporado para parametros de suavizado y valor inicial.

Funciones destacadas:

FunciónDescripción
SESMTHSuavizado Exponencial Simple de Brown
LESMTHSuavizado exponencial lineal de Brown
DESMTHDoble Suavizado Exponencial de Holt
TESMTHSuavizado triple exponencial de Holt-Winters
GESMTHSuavizado exponencial general

El análisis de tendencia se usa con mucha frecuencia (incluso se abusa) en la industria para hacer un pronóstico rápido (y turbio). Los ejecutivos podrán utilizar la herramienta de tendencia como una verificación de juicio cuando se examinen resultados para modelos más avanzados. NumXL soporta varias formas de tendencia: lineal, polinomial, poder, exponencial y logarítmico.

Funciones destacadas:

FunciónDescripción
NxTrendDeterministic trend in a time series

Videos Tutoriales
Capturas de pantalla

Ver también

NumXL ofrece una amplia selección de modelos ARMA/ARIMA tales como ARMA (Promedio autorregresivo móvil), ARIMA (Promedio autorregresivo integrado móvil), SARIMA (Promedio autorregresivo estacional integrado móvil), ARMAX (Promedio autorregresivo movil con variables exógenas), SARIMAX, y ARIMA X12 para el Censo EEUU.

Por definición, el promedio autorregresivo móvil (ARMA) es un proceso estacionario estocástico hecho con sumas de componentes autorregresivos y de promedio móvil:

\[ x_t -\phi_o – \phi_1 x_{t-1}-\phi_2 x_{t-2}-\cdots -\phi_p x_{t-p}= \\ a_t + \theta_1 a_{t-1} + \theta_2 a_{t-2} + \cdots + \theta_q a_{t-q} \]

Donde:

  • $x_t$ es el resultado observado en un tiempo t.
  • $a_t$ es la innovación, el shock o término de error en un tiempo t.
  • $p$ es el orden de las últimas variables retrasadas.
  • $q$ es el orden de la última innovación retrasada o shock.
  • $a_t$ Las observaciones de una serie de tiempo _t son independientes e idénticamente distribuidas
    (i.e. i.i.d) y siguen una distribución gaussiana
    (i.e. $\Phi(0,\sigma^2)$).

Funciones destacadas:

FunciónDescripción
ARMADefinición de un modelo ARMA
ARMA_CHECKCompruebe los valores de los parámetros para la estabilidad del modelo
ARMA_PARAMValores de los parámetros del modelo
ARMA_GOFValores de los parámetros del modelo
ARMA_FITModelo ARMA Valores Ajustados
ARMA_FOREPronóstico del modelo ARMA
ARMA_SIMValores simulados de un modelo ARMA

Por definición, el promedio autorregresivo móvil (ARMA) es un proceso estacionario estocástico hecho de sumas de componentes autorregresivos o de promedio móvil:

\[ (1-\phi_1 L – \phi_2 L^2 -\cdots – \phi_p L^p)(1-L)^d x_t – \phi_o= \\(1+\theta_1 L+\theta_2 L^2 + \cdots + \theta_q L^q)a_t \]
\[ y_t = (1-L)^d x_t \]

Donde:

  • $x_t$ es la salida original no estacional en el momento t.
  • $y_t$ es la salilda diferenciada (estacional) observada en el momento t.
  • $d$ es el orden de integración de la series de tiempo.
  • $a_t$ es el cambio o innovation, choque o término de error en el tiempo t.
  • $p$ es el orden de la última variable rezagada (lagged).
  • $q$ es el orden del último cambio de rezago o choque.
  • $a_t$ las observaciones de las series de tiempo son independientes e idénticamente distribuídas (es decir, i.i.d) y siguen una distribución Gaussianna (es decir, $\Phi(0,\sigma^2)$)

Funciones destacadas:

FunciónDescripción
ARIMADefinición de un modelo ARIMA
ARIMA_CHECKComprueba los valores de los parámetros para la estabilidad del modelo
ARIMA_PARAMValores de los parámetros del modelo
ARIMA_GOFCalidad de ajuste de un modelo ARIMA
ARIMA_FITModelo ARIMA Valores Ajustados
ARIMA_FOREPronóstico del modelo ARIMA
ARIMA_SIMValores Simulados de un Modelo ARIMA

El modelo SARIMA es la extensión del modelo ARIMA, usada con frecuencia cuando sospechamos que un modelo pueda tener un efecto estacional.

Por definición, el proceso del promedio estacional autorregresivo integrado móvil SARIMA (p,d,q)(P,D,Q)s – es la multiplicación de dos procesos ARMA de series de tiempo diferenciadas.

\[ (1-\sum_{i=1}^p {\phi_i L^i})(1-\sum_{j=1}^P {\Phi_j L^{j \times s}})(1-L)^d
(1-L^s)^D x_t = \\ (1+\sum_{i=1}^q {\theta_i L^i})(1+\sum_{j=1}^Q {\Theta_j L^{j
\times s}}) a_t \]
\[ y_t = (1-L)^d (1-L^s)^D  \]

Donde:

  • $x_t$ es la salida original no estacional en el tiempo t.
  • $y_y$ es la salida diferenciada (estacional)en el tiempo t.
  • $d$ es el orden de integración no estacional de las series temporales.
  • $p$es el orden del componente AR no estacional.
  • $P$ es el orden del componente AR no estacional.
  • $q$ es el orden del componente MA no estacional.
  • $Q$ es el orden del componente MA estacional.
  • $s$ es la duración de la estcionalidad.
  • $D$ es el orden de integración de las series de tiempo esatcionales.
  • $a_t$ es la innonvation, choque o término de error en el tiempo t.
  • $\{a_t\}$ las series de tiempo son independientes e identicamente distribuidas (es ecir i.i.d) y siguen una distribución de Gauss. (i.e. $\Phi(0,\sigma^2)$)

Funciones destacadas:

FunciónDescripción
SARIMADefinición del Modelo SARIMA
SARIMA_CHECKValidación del Modelo SARIMA
SARIMA_PARAMParámetros del modelo SARIMA
SARIMA_GOFBondad de ajuste SARIMA
SARIMA_FITAjuste en la muestra SARIMA
SARIMA_FOREFunción de pronóstico SARIMA
SARIMA_SIMModelado Basado en Simulación SARIMA

El modelo de aerolínea es un caso especial -pero usado con frecuencia, de modelos multiplicativos ARIMA. Para una longitud (s) estacional dada, el modelo de aerolínea se define por 4 parámetros: $\mu$, $\sigma$, $\theta$ and $\Theta$).

\[ (1-L^s)(1-L)Y_t = \mu + (1-\theta L)(1-\Theta L^s)a_t \] OR
\[ Z_t = (1-L^s)(1-L)Y_t = \mu + (1-\theta L)(1-\Theta L^s)a_t \] OR
\[ Z_t = \mu -\theta \times a_{t-1}-\Theta \times a_{t-s} +\theta\times\Theta \times a_{t-s-1}+ a_t \]

Donde:

  • $s$ es la longitud de la estacionalidad.
  • $\mu$ es la media del modelo.
  • $\theta$ es el coeficiente del primer cambio del rezago.
  • $\Theta$ es el coeficiente del cambio del rezago standard.
  • $\left [a_t\right ] $ son los cambios o innovations de las series de tiempo.

Funciones destacadas:

FunciónDescripción
AIRLINE_CHECKCompruebe los valores de los parámetros para la estabilidad del modelo
AIRLINE_PARAMValores de los parámetros del modelo
AIRLINE_GOFCalidad de ajuste de un modelo Airline
AIRLINE_FITModelo Airline Valores Ajustados
AIRLINE_FOREPronóstico del modelo Airline
AIRLINE_SIMValores simulados de un modelo Airline

En principio, un modelo ARMAX es un modelo de regresión lineal que usa un proceso de tipo ARMA (i.e. wt) para modelar residuos:

\[ y_t = \alpha_o + \beta_1 x_{1,t} + \beta_2 x_{2,t} + \cdots + \beta_b x_{b,t} + w_t \]
\[ (1-\phi_1 L – \phi_2L^2-\cdots-\phi_pL^p)(y_t-\alpha_o -\beta_1 x_{1,t} – \beta_2 x_{2,t} – \cdots – \beta_b x_{b,t})= (1+ \theta_1 L + \theta_2 L^2 + \cdots + \theta_q L^q)a_t \]
\[ (1-\phi_1 L – \phi_2 L^2 – \cdots – \phi_p L^p)w_t= (1+\theta_1 L+ \theta_2 L^2 + \cdots + \theta_q L^q ) a_t \]
\[ a_t \sim \textrm{i.i.d} \sim \Phi (0,\sigma^2) \]

Donde

  • $L$ es el operador de rezago (también conocido como back-shift).
  • $y_t$ es la salida observada en el tiempo t.
  • $x_{k,t}$ es la variable k-ésima en el tiempo t.
  • $\beta_k$ es el valor del coeficiente para la k-ésima variable de entrada explicativa.
  • $b$ es el número de variables de entrada exógenas.
  • $w_t$ son los residuales de regresión autocorrelacinados.
  • $p$ es el orden de las últimas variables rezagadas.
  • $q$ es el orden del último cambio rezagado o choque.
  • $a_t$ es el cambio (innovation), choque o terminos de error en el tiempo t.
  • $a_t$ observaciones de series de tiempo son independientes e idénticamente distribuidas (es decir, i.i.d) y seguidas de una distribución Gaussian (es decir. $\Phi(0,\sigma^2)$)

Funciones destacadas:

FunciónDescripción
ARMAXDefinición de un modelo ARMAX
ARMAX_CHECKCompruebe los valores de los parámetros para la estabilidad del modelo
ARMAX_PARAMValores de los parámetros del modelo
ARMAX_GOFCalidad de ajuste de un modelo ARMAX
ARMAX_FITModelo ARMAX Valores Ajustados
ARMAX_FOREPronóstico para el modelo ARMAX
ARMAX_SIMModelo de simulación ARMAX

En principio, un modelo SARIMAX es un modelo de regresión lineal que usa un proceso tipo SARIMA (i.e.) Este modelo es util en casos en los que sospechamos que pueden existir residuos en una tendencia o patrón estacional.

\[ w_t = y_t – \beta_1 x_{1,t}-\beta_2 x_{2,t} – \cdots – \beta_b x_{b,t} \]
\[ (1-\sum_{i=1}^p {\phi_i L^i})(1-\sum_{j=1}^P {\Phi_j L^{j \times s}})(1-L)^d (1-L^s)^D w_t -\eta =  (1+\sum_{i=1}^q {\theta_i L^i})(1+\sum_{j=1}^Q {\Theta_j L^{j \times s}}) a_t \]
\[ a_t \sim \textrm{i.i.d} \sim \Phi(0,\sigma^2) \]

Donde:

  • $L$ es el operador de rezago (mejor conocido como back-shift).
  • $y_t$ es la salida observada en el tiempo t.
  • $x_{k,t}$ es la variable de entrada exógena k-ésimo en el tiempo t.
  • $\beta_k$ es el valor del coeficiente de la variable de entrada k-ésima exógena (explicativa).
  • $b$ el el número de variables de entradas exógenas.
  • $w_t$ son los residuos de la regresión de auto-correlación.
  • $p$ es el orden del componente AR no estacional.
  • $P$ es el orden del componente RA estacional.
  • $q$ es el orden del componente MA no estacional.
  • $Q$ es el orden del componente estacional MA.
  • $s$ es la duarción de la estacionalidad.
  • $D$ es el orden de integración de estacionalidad de la series de tiempo.
  • $\eta$ es una constante en el modelo SARIMA.
  • $a_t$ es la innovación, shock o término de error en el tiempo t.
  • $\{a_t\}$ las observaciones de series de tiempo son independientes e idénticamente distribuidos (es decir i.i.d) y siguen una distribución de Gauss (i.e. $\Phi(0,\sigma^2)$).

Funciones destacadas:

FunciónDescripción
SARIMAXDefinición de un modelo SARIMAX
SARIMAX_PARAMParámetros del modelo SARIMA
SARIMAX_CHECKValidación del modelo SARIMAX
SARIMAX_GOFBondad de ajuste SARIMAX
SARIMAX_FITValores ajustados en la muestra SARIMAX
SARIMAX_FOREPronósticos basados en SARIMAX
SARIMAX_SIMSimulación basada en modelos SARIMAX

El software X-12-ARIMA viene con extensas series de tiempo de modelado y capacidades de modelado de selección para modelos de regresión lineal con errores ARIMA (modelos regARIMA).

Los modelos ARIMA, como lo discutieron Box y Jenkins (1976), son usados frecuentemente para series de tiempo estacionales. Un modelo general multiplicativo estacional ARIMA para una serie de tiempo z_t se puede escribir:

\[ \phi(L)\Phi(L^s)(1-L)^d (1-L^s)^D\times z_t = \theta(L)\Theta(L^s)a_t \]

Donde:

  • $L$ es el rezago del operador Backshift.
  • $s$ es el periodo estacional.
  • $(\phi(L)=\phi_o+\phi_1 L+\phi_2 L^2 +\cdots +\phi_p L^p)$ es el modelo del componente no estacional autorregresivo (AR).
  • $(\Phi(L)=\Phi_o+\Phi_1 L+\Phi_2 L^2 +\cdots +\Phi_P L^P)$ es el modelo del componente estacional autorregresivo (AR).
  • $(\theta(L)=\theta_o+\theta_1 L+\theta_2 L^2 +\cdots +\theta_q L^q)$
    es el promedio móvil no estacional del modelo componente (MA).
  • $(\Theta(L)=\Theta_o+\Theta_1 L+\Theta_2 L^2 +\cdots +\Theta_Q L^Q)$
    es el promedio móvil (MA) estacional del modelo componente.
  • $(1-L)^d$ es el orden del operador de rezago de la diferencia no estacionalde is the non-seasonal differencing operator of order d.
  • $\{a_t\}\sim \textrm{i.i.d}\sim N(0,\sigma^2)$

Funciones destacadas:

FunciónDescripción
X12ARIMADefinición de un modelo X12-ARIMA
X12APROPX11 Ajuste estacional y propiedades del modelo X12-ARIMA
X12ACOMPSeries de tiempo de salida X12-ARIMA
X12AFOREPronóstico para el modelo X12-ARIMA

Videos Tutoriales
Capturas de pantalla

Ver también

Los modelos ARCH son comúnmente empleados en el modelado de series de tiempo financieras que exhiben volatilidad de tiempo variado y volatilidad acumulada, ej. períodos de vaivenes intercalados con períodos de relativa calma. Los modelos de tipo ARCH son a veces considerados parte de la familia de los modelos de volatilidad estocástica, aunque esto es estrictamente incorrecto desde que en el tiempo t la volatilidad es completamente pre determinada (determinista) si se dan valores previos.

Igual que en el caso de ARMA/ARIMA, el modelado del modelo tipo GARCH es muy fácil. Usando la herramienta GARCH podemos generar una tabla de modelo de resultado con todos los valores de coeficiente y cálculos relacionados (ej. LLF y diagnóstico residual). Esta tabla puede ser usada para calibrar el modelo y predecir valores fuera de la muestra.

Si un modelo promedio autorregresivo móvil (modelo ARMA) se asume como error de varianza, el modelo es un modelo de heterocedasticidad condicional autorregresiva generalizada (GARCH, Bollerslev(1986)).

\[ x_t = \mu + a_t \]
\[ \sigma_t^2 = \alpha_o + \sum_{i=1}^p {\alpha_i a_{t-i}^2}+\sum_{j=1}^q{\beta_j \sigma_{t-j}^2} \]
\[ a_t = \sigma_t \times \epsilon_t \]
\[ \epsilon_t \sim P_{\nu}(0,1) \]

Donde:

  • $x_t$ es el valor de las series de timepo en el tiempo t.
  • $\mu$ es la media del modelo GARCH.
  • $a_t$ es residual del modelo en el tiempo t.
  • $\sigma_t$ es la desviación estándar condicional (es decir, la volatilidad) en el tiempo t.
  • $p$ es el orden del modelo de componentes ARCH.
  • $\alpha_o,\alpha_1,\alpha_2,…,\alpha_p$ son los parámetros de la el modelo de componente ARCH.
  • $q$ es el orden del modelo de componente GARCH.
  • $\beta_1,\beta_2,…,\beta_q$ son los parámetros del modelo de componente GARCH.
  • $\left[\epsilon_t\right]$ son los residuos estandarizados:
    $\left[\epsilon_t\right] \sim i.i.d$
    $E\left[\epsilon_t\right]=0$
    $\mathit{VAR}\left[\epsilon_t\right]=1$
  • $P_{\nu}$ es la función de distribución de probabilidad para$\epsilon_t$.
    En la actualidad, son compatibles las siguientes distribuciones:
    1. Distribución Normal
      $P_{\nu} = N(0,1) $.
    2. Distribución t de Student
      $P_{\nu} = t_{\nu}(0,1) $
      $\nu \succ 4 $
    3. Distribución de error generalizado (GED)
      $P_{\nu} = \mathit{GED}_{\nu}(0,1) $
      $\nu \succ 1 $

Funciones destacadas:

FunciónDescripción
GARCHDefinición de un modelo GARCH
GARCH_GUESSValores Iniciales de los parámetros GARCH
GARCH_CHECKVerificar los valores de los parámetros para la estabilidad del modelo
GARCH_LLFFunción Log-Probabilidad GARCH
GARCH_RESIDResiduales GARCH
GARCH_FOREModelo de Pronóstico para el modelo GARCH
GARCH_SIMsimulación basada en GARCH
GARCH_VLVolatilidad a largo plazo GARCH

La heterocedasticidad condicional autorregresiva general exponencial (EGARCH) es otra forma del modelo GARCH. El modelo E-GARCH fue propuesto por Nelson (1991) para superar las debilidades en el manejo GARCH de series de tiempo financieras. En particular, para permitir que los efectos asimétricos entre los rendimientos de activos positivos y negativos:

\[ x_t = \mu + a_t \]
\[ \ln\sigma_t^2 = \alpha_o + \sum_{i=1}^p {\alpha_i \left(\left|\epsilon_{t-i}\right|+\gamma_i\epsilon_{t-i}\right )}+\sum_{j=1}^q{\beta_j \ln\sigma_{t-j}^2} \]
\[ a_t = \sigma_t \times \epsilon_t \]
\[ \epsilon_t \sim P_{\nu}(0,1) \]

Donde:

  • $x_t$ es el valor de las series de tiemoi en el tiempo t.
  • $\mu$ es la media del modelo GARCH.
  • $a_t$ es el modelo residual en el tiempo t.
  • $\sigma_t$ es la desviación estándar condicional (es decir, volatilidad) en el tiempo t.
  • $p$ es el orden del componente del modelo ARCH.
  • $\alpha_o,\alpha_1,\alpha_2,…,\alpha_p$ son los parámetros del modelo de componente ARCH.
  • $q$ es el orden del modelo de componente GARCH.
  • $\beta_1,\beta_2,…,\beta_q$ son los parámetros del modelo de componente GARCH.
  • $\left[\epsilon_t\right]$ son los residuos estandarizados:
    $ \left[\epsilon_t \right] \sim i.i.d$
    $ E\left[\epsilon_t\right]=0$
    $ \mathit{VAR}\left[\epsilon_t\right]=1$
  • $P_{\nu}$ es la función de distribución de probabilidad para $\epsilon_t$.
    En la actualidad, las siguientes distribuciones son compatibles:
    1. Distribución Normal
      $P_{\nu} = N(0,1) $
    2. Distribución t de Student
      $P_{\nu} = t_{\nu}(0,1) $
      $\nu \gt 4 $
    3. Distribución de Error Generalizado (GED)
      $P_{\nu} = \mathit{GED}_{\nu}(0,1) $
      $\nu \gt 1 $

Funciones destacadas:

FunciónDescripción
EGARCHDefinición de un modelo EGARCH
EGARCH_GUESSValores iniciales de los parámetros del modelo
EGARCH_CHECKCompruebe los valores de los parámetros para la estabilidad del modelo
EGARCH_LLFFunción de verosimilitud de registro de un modelo de EGARCH
EGARCH_RESIDEGARCH ajusta los valores de los residuos estandarizados
EGARCH_FOREPronóstico del modelo EGARCH
EGARCH_SIMSimulated values of a EGARCH Model
EGARCH_VLLong-run Volatility of the EGARCH Model

En finanzas el rendimiento de un valor puede depender de su volatilidad (riesgo). Para modelar tal fenómeno el modelo GARCH en la media (GARCH-M) agrega un término de heterocedasticidad en la ecuación media. Tiene la siguiente especificación:

El modelo GARCH-M(p,q) está escrito así:

\[ x_t = \mu + \lambda \sigma_t + a_t \]
\[\sigma_t^2 = \alpha_o + \sum_{i=1}^p {\alpha_i a_{t- i}^2}+\sum_{j=1}^q{\beta_j \sigma_{t-j}^2} \]
\[ a_t = \sigma_t \times \epsilon_t \]
\[ \epsilon_t \sim P_{\nu}(0,1) \]

Donde:

  • $x_t$ El modelo GARCH-M(p,q) está escrito así:
  • $\mu$ es la media del modelo GARCH.
  • $\lambda$ es el coeficiente de volatilidad para la media.
  • $a_t$ es residual del modelo en el tiempo t.
  • $\sigma_t$ es la desviación estándar condicional (es decir, la volatilidad) en el tiempo t.
  • $p$ es el orden del modelo de componente ARCH.
  • $\alpha_o,\alpha_1,\alpha_2,…,\alpha_p$ son los parámetros del modelo de componentes ARCH.
  • $q$ es el fin del modelo de componentes GARCH.
  • $\beta_1,\beta_2,…,\beta_q$ son los parámetros del modelo de componentes GARCH.
  • $\left[\epsilon_t\right]$ son los residuos estandarizados:
    $ \left[\epsilon_t \right]\sim i.i.d$
    $ E\left[\epsilon_t\right]=0$
    $ \mathit{VAR}\left[\epsilon_t\right]=1$
  • $P_{\nu}$ es la función de distribución de probabilidad para $\epsilon_t$.
    En la actualidad, son compatibles las siguientes distribuciones:
    1. Distribución Normal
      $P_{\nu} = N(0,1) $
    2. Distribución t de Student’s
      $P_{\nu} = t_{\nu}(0,1) $
      $\nu \gt 4 $
    3. Distribución de Error Generalizado (GED)
      $P_{\nu} = \mathit{GED}_{\nu}(0,1) $
      $\nu \gt 1 $

Funciones destacadas:

FunciónDescripción
GARCHMDefinición de un modelo GARCH-M
GARCHM_GUESSParámetros Valores iniciales GARCHM
GARCHM_CHECKExamina los parámetros del modelo para la estabilidad
GARCHM_LLFFunción de log­-verosimilitud GARCHM
GARCHM_RESIDResiduales GARCHM
GARCHM_FOREPronóstico GARCHM
GARCHM_SIMSimulacion Basada en GARCH-M
GARCHM_VLVolatilidad de largo plazo GARCH-M

Videos Tutoriales
Capturas de pantalla

Ver también

Un supuesto fundamental en los métodos econométricos es que las observaciones en series de tiempo están igualmente espaciadas y presentes. Esto surge porque las observaciones están hechas de manera deliberada a intervalos pares (procesos continuos) o porque el proceso sólo genera resultados en dicho intervalo de tiempo (proceso discreto).

Por ejemplo, una serie de tiempo financiera diaria de las acciones de IBM cerrando precios se basa en el calendario de vacaciones de NYSE, de manera que cada observación es tomada en un día de actividad comercial en NYSE (apertura/cierre). Para series de tiempo semanales o mensuales, el número de días comerciales varía de una observación a otra y de pronto debamos ajustarnos a su efecto.

Los eventos del calendario influencian los valores de las muestras de series de tiempo, y un ajuste previo de esos eventos nos ayudará a entender el proceso; modelando y haciendo pronósticos.

NumXL trae numerosas funciones para respaldar el ajuste del calendario, el ajuste de fecha escalonada, soporte de vacaciones en Estados Unidos y fuera de Estados Unidos, fines de semana no occidentales y calendarios públicos y de vacaciones en los bancos.

Estas funciones de cálculo de fecha le permitirán realizar cálculos con fechas y periodos como:

  • Sumar y restar periodos en días, meses y años
  • Mover una fecha dada al día laboral más cercano usando cualquiera de los días hábiles de la industria contando convenciones.
  • Calcular la fecha del enésimo día de la semana dado (ej. El tercer viernes) en un mes determinado.
  • Más

 

Funciones destacadas:

FunciónDescripción
NxAdjustMover hacia el día laboral más cercano
NxEDATEAdelantar una fecha en un periodo de tiempo determinado
NxNetWorkdaysNúmero de días laborales en un rango de datos determinado
NxNWKDYDía de la enésima semana en un mes
NxWKDYOrderOrden del día de la semana para una fecha determinada
NxWorkdayAdelantar una fecha determinada N días laborales

Un feriado es un día designado a tener un significado especial para los individuos, gobiernos o grupos religiosos. Típicamente, los feriados no necesariamente excluyen los días hábiles pero para nuestros propósitos, NumXL asume que todos los feriados admitidas (ej. Vacaciones nacionales) excluyen el trabajo normal.

Los feriados observados y las fechas actuales para los días de fiesta particulares (ej. Pascua) pueden variar según el país, de manera que en NumXL el código de feriados tiene como prefijo el código ISO del país (ej. USA, CAN, GBR, etc.)

Funciones destacadas:

FunciónDescripción
NxIsHolidayExamina si una fecha determinada cae en feriado
NxFindHLDYBusca el nombre del feriado que cae en una fecha determinada
NxHLDYDateCalcula la fecha de un feriado determinado en un año dado
NxHLDYDatesBusca y devuelve todas las fechas de vacaciones en un rango de fecha determinado.

Hasta Excel 2007, Microsoft soporta diferentes acontecimientos de fin de semana en la versión internacional de las funciones de datos (ej. WORKDAY.INTL). Las convenciones de fin de semana se definen o por un número o por un código de 7 dígitos.

Funciones destacadas:

FunciónDescripción
NxWKNDStrCódigo de fin de semana
NxWKNDURDuración del fin de semana
NxWKNDateFecha del último y próximo fin de semana
NxWKNDNoNúmero convencional de fin de semana
NxIsWeekendExamina una fecha dada si cae en fin de semana.

Para el análisis de tiempo financiero, un calendario es básicamente una definición de una lista de vacaciones observadas y una convención de días de fin de semana.

Los calendarios son extensamente usados al calcular funciones de fechas. NumXL viene con un número predefinido de calendarios (ej. Vacaciones del gobierno federal de EEUU, vacaciones de los Bancos en EEUU, calendario de los bancos en EEUU, etc.) pero los usuarios también pueden definir un calendario personalizado especificando vacaciones admitidas y convenciones semanales.

Featured Functions:

FunciónDescripción
NxCalendarsDevuelve una lista de calendarios de apoyo con un prefijo dado (opcional)
NxCALHolidaysDevuelve una lista de feriados admitidos en un determinado calendario
NxCALWKNDDevuelve la convención de fin de semana para un determinado calendario

Videos Tutoriales
Capturas de pantalla

Ver también

El pronóstico es un proceso en curso emprendido por varios accionistas para mejorar la exactitud y credibilidad en el tiempo.Hay numerosos métodos de pronóstico (cuantitativos, cualitativos y una mezcla de ambos) que pueden ser empleados, de manera que es imperativo para el proceso de pronostico ser monitoreado de manera efectiva, así la exactitud del pronóstico (o error) debe ser cuantificada con el tiempo.

Además, al cuantificar la exactitud del pronóstico con el tiempo, se puede usar para comparar muchos métodos de pronóstico.

Funciones destacadas:

FunciónDescripción
SSESumatoria de errores cuadráticos
MSEMedia de errores cuadráticos
GMSEErrores cuadráticos de media geométrica
SAESumatoria de errores absolutos
MAEMedia de errores absolutos
RMSERaíz cuadrada del error cuadrático
GRMSERaiz cuadrada geométrica del error cuadrático medio

Funciones destacadas:

FunciónDescripción
MAPEPorcentaje de error de media absoluta
MdAPEPorcentaje de error de mediana absoluta
MAAPEPorcentaje de error de arcotangente media absoluta

En esta categoría usamos el error de pronóstico relativo para un pronóstico estándar, tal como el del último valor disponible (Pronóstico Naïve 1), o el último valor disponible luego de la estacionalidad tiene que ser tomado en cuenta (Pronóstico Naïve 2 ).

Funciones destacadas:

FunciónDescripción
MRAEError absoluto de media relativa
MdRAEError absoluto de mediana relativa
GMRAEError absoluto de media relativa geometrica
MASEError escalado de media absoluta
PBMejor porcentaje
MDAExactitud de mediana direccional

Videos Tutoriales
Capturas de pantalla

Ver también

El análisis del factor es una herramienta útil para describir la variabilidad entre variables observadas y correlacionadas; en términos de un número potencialmente menor de variables no observadas y no correlacionadas llamadas factores.

En estadística, la regresión lineal simple es el estimador de mínimos cuadráticos de un modelo lineal de regresión con una sola variable explicativa. En otras palabras; una regresión lineal simple ajusta una línea recta a través de un conjunto n de puntos, de tal manera que hace que la sumatoria de residuos cuadráticos del modelo (esto es: distancias verticales entre puntos del conjunto de datos y la línea de ajuste) sea tan pequeña como es posible.

Para el SLR, el objetivo es encontrar una línea recta que proporcione lo que mejor se ajusta a los puntos de datos ($x_i$,$y_i$) \[ y = \alpha + \beta \times x \]


Donde:
  • $\alpha$ es la constante (aka interceptación) de la regresión.
  • $\beta$ es el coeficiente (aka inclinación) de la variable explicativa.

Funciones destacadas:

Función Descripción
SLR_PARAM Los valores del coeficiente para el modelo SLR
SLR_GOF Bondad de ajuste (R^2, LLF, AIC) para el modelo SLR
SLR_FITTED Valores ajustados (media y residuos) del modelo SLR
SLR_FORE Pronóstico (de media y error) del modelo SLR
SLR_SNOVA Análisis de la varianza del modelo SLR

Dado un conjunto de datos $\{y_i,\, x_{i1}, \ldots, x_{ip}\}_{i=1}^n$ de n unidades estadísticas, un modelo de regresión lineal asume que la relación entre la variable dependiente $\{y_i\}$ y el vector p del regresor $\{x_i\}$ es lineal. Esta relación es modelada a través de un término de interrupción o error variable $\{\epsilon_i\}$ — una variable aleatoria no observada que le suma ruido a la relación lineal entre la variable dependiente y los regresores.

El MLR se describe así: \[ y_i = \beta_1 x_{i1} + \cdots + \beta_p x_{ip} + \varepsilon_i \]

\[ y_i = \mathbf{x}^{\rm T}_i\boldsymbol\beta + \varepsilon_i \]

Donde:
  • $\mathbf{x}^{\rm T}_i$ Es la matriz transpuesta
  • $ i = 1, \ldots, n$

Funciones destacadas:

Función Descripción
MLR_PARAM Valores de coeficiente del modelo MLR
MLR_GOF Bondad de ajuste del modelo MLR
MLR_FITTED Valores ajustados (de media y residuales) del modelo MLR
MLR_FORE Pronóstico (de media, error, C.I) para el modelo MLR
MLR_ANOVA Análisis de varianza para el modelo MLR
MLR_PRTest Prueba parcial F de variables de regresión
MLR_STEPWISE Método de selección de variables de regresión

El análisis de Componente Principal (PCA) es un procedimiento matemático que usa una transformación lineal ortogonal para convertir un conjunto de observaciones de variables, posiblemente correlacionadas, en un conjunto de valores de variables no correlacionadas linealmente, llamado componente principal.

Definamos la matriz $\mathbf{X}$, donde cada columna corresponde a una variable, y cada fila corresponde a la repetición diferente (o medida) del experimento: \[ \mathbf{X} = \begin{pmatrix} \mathbf{x}^{\rm T}_1 \\ \mathbf{x}^{\rm T}_2 \\ \vdots \\ \mathbf{x}^{\rm T}_n \end{pmatrix} = \begin{pmatrix} x_{11} & \cdots & x_{1p} \\ x_{21} & \cdots & x_{2p} \\ \vdots & \ddots & \vdots \\ x_{n1} & \cdots & x_{np} \end{pmatrix}  \]

Además, cada columna (variable) tiene una media empírica de cero (la media empírica (de muestra) de la distribución ha sido restada del conjunto de datos).

La transformación PCA que preserva dimensionalidad Y (lo que quiere decir que le da el mismo número de componentes principales como variables originales) está dada por: \[ \mathbf{Y}^{\rm T} = \mathbf{X}^{\rm T}\mathbf{W} \]

Utilizando descomposición valor singulares (SVD) para el $ \mathbf{X}^{\rm T}$,  podemos expresar la transformación PCA como \[ \mathbf{Y}^{\rm T} = (\mathbf{W}\mathbf{\Sigma}\mathbf{V}^{\rm T})^{\rm T}\mathbf{W} \]


Donde:
  • $\mathbf{W}$ es la matriz de vectores propios de la matriz de covarianza $\mathbf{X} \mathbf{X}^{\rm T}$
  • $\mathbf{V}$ es la matriz de vectores propios de la matriz the matrix $\mathbf{X}^{\rm T} \mathbf{X}$
  • $\mathbf{\Sigma}$ es una matriz rectangular con números verdaderos no negativos en la diagonal

La transformación PCA $\mathbf{Y}$ es dada por: $ \mathbf{Y}^{\rm T} = \mathbf{V}\mathbf{\Sigma}^{\rm T} $


Funciones destacadas:

Función Descripción
PCA_COMP Valores del componente principal (PC)
PCA_VAR Calcula los valores de la variable usando un subconjunto de componentes principales

El principal componente de regresión (PCR) es un procedimiento de dos etapas; primero se reduce el indicador de variables usando el análisis del componente principal, y luego se usan las variables reducidas en una regresión ajustada OLS.

PCR es usado con frecuencia cuando el número de variables predecido es grande, o cuando existen fuertes correlaciones entre las variables indicadas.

Funciones destacadas:

Función Descripción
PCR_PARAM Calcula los valores de los coeficientes (y errores estándar) para el modelo PCR
PCR_GOF Calcula la bondad de ajuste (e.g. $R^2$, LLF, AIC) para el modelo PCR
PCR_ANOVA Conduce el análisis de la varianza (ANOVA) para el modelo PCR
PCR_FITTED Calcula los valores de muestra ajustados (media, residuales) para el modelo PCR
PCR_FORE Pronóstico (media, error y C.I) para el modelo PCR
PCR_PRTest Prueba F parcial para PCR
PCR_STEPWISE Realiza el método de selección paso a paso
El Modelo lineal generalizado (GLM) es una generalización flexible de las regresiones cuadráticas menos ordinarias. El GLM generaliza una regresión lineal permitiendo que el modelo lineal se relacione con la variable de respuesta (i.e. $Y$) via el vínculo de la función (i.e. $g(.)$) y permitiendo que la magnitud de la varianza de cada medida sea una función de su valor previsto.

El GLM se describe de la siguinete manera: \[ Y = \mu + \epsilon \] Y \[ E\left[Y\right]=\mu=g^{-1}(X\beta) = g^{-1}(\eta) \]

Donde:
  • $\epsilon$ es los residuos o la desviación con respecto a la media
  • $g(.)$ es la función de enlace
  • $g^{-1}(.)$ es la función inversa de vínculos o enlaces
  • $X$ es la variable indeoendiente o factores exógenos
  • $\beta$ es un vector de parámetros
  • $\eta$ es elpredictor lineal: la cantidad que incorpora la información acerca de las variables independientes en el modelo. $\eta=X\beta$

Funciones destacadas:

Función Descripción
GLM Definición del modelo GLM
GLM_CHECK Verifica los valores del modelo GLM
GLM_GUESS Calcula un árido pero válido conjunto de valores de coeficientes para el modelo GLM dado
GLM_CALIBRATE Calcula los valores de coeficientes del modelo optimizado de GLM (y errores)
GLM_LLF Calcula la función logarítmica de verosimilitud (LLF) para el modelo GLM
GLM_MEAN Calcula el valor interno de la muestra ajustado del modelo GLM
GLM_RESID Calcula los términos de error/residuos en la muestra para el modelo GLM
GLM_FORE Calcula la media de pronóstico del modelo GLM
GLM_FORECI Intervalo de confianza de pronóstico GLM

Videos Tutoriales
Capturas de pantalla

Ver también

En estadística, el análisis espectral es un procedimiento que deconstruye una serie de tiempo en un espectro de ciclos de diferentes longitudes. El análisis espectral se conoce también como análisis de dominio de frecuencia.

En principio, DFT convierte un discreto conjunto de observaciones en una serie de continuas funciones trigonométricas (ej. Seno y coseno). De manera que la señal original pueda ser representada como:

\[ X_k = \sum_{j=0}^{N-1} x_j e^{-\frac{2\pi i}{N} j k}  \]

Where

  • $k$ es el componente de frecuencia
  • $x_0,…,x_{N-1}$ son los valores del ingreso de las series de tiempo
  • $N$ es el número de valores no vacíos o faltantes e la entrtada de las series de tiempo
El algoritmo de diezmado en el tiempo Cooley-Tukey radix-2 de la transformación rápida de Fourier (FFT) divide una transformación de Fourier discreta (DFT en Inglés) de un tamaño N end dos solapamientos DFTs de tamaño $\frac{N}{2}$ en cada una de sus estapas usando la siguiente fórmula:
\[ X_{k} = \begin{cases} E_k + \alpha \cdot O_k & \text{ if }
k \lt \frac{N}{2} \\ E_{\left (k-\frac{N}{2} \right )} – \ \alpha
\cdot O_{\left (k-\frac{N}{2} \right )} & \text{ if } k \geq
\frac{N}{2} \end{cases} \]

Where

  • $E_k$ es la transformación discreta de Fourier (DFT) de los valores de los índices pares de las series de tiempo, $x_{2m} \left(x_0, x_2, \ldots, x_{N-2}\right)$
  • $O_k$ es la transformación discreta de Fourier (DFT) de los valores de los índices impares de las series de tiempo, $x_{2m+1} \left(x_1, x_3, \ldots, x_{N-2}\right)$
  • $\alpha = e^{ \left (-2 \pi i k /N \right )}$
  • $N$ es el número de los valores no faltantes en los datos de las series de tiempo.

Funciones destacadas:

FunciónDescripción
DFTCalcula la transformación discreta (rápida) de Fourier
IDFTCalcula la inversa transformación discreta de Fourier

Las funciones de los filtros deconstruyen las series de tiempo en tendencias y componentes cíclicos.

Funciones destacadas:

FunciónDescripción
NxBKAplica el filtro de Baxter-King
NxHPAplica el filtro de Hodrick Prescott
NxConvCalcula la circunvolución del operador entre las dos series de tiempo.

Un periodograma es un estimado de la densidad de poder espectral de una serie de tiempo. Este método es útil para identificar la estacionalidad dominante en el conjunto de datos subyacente.

Funciones destacadas:

FunciónDescripción
PeriodogramCalcula el valor estimado de la densidad espectral de potencia

Videos Tutoriales
Capturas de pantalla

Ver también

En esta sección presentamos un conjunto de herramientas disponibles en la barra de herramientas de NumXL como un atajo para:

  • calibrar los valores del modelo subyacente (ej.. ARMA, GARCH, GLM, etc,) usando el solucionador Microsft.
  • Crear un modelo fuera de la muestra basado en el pronóstico,
  • ejecutar una simulación basada en el modelo
  • Ejecución de la simulación de monte-carlo (MC)

Usando la celda activa actual, la herramienta de calibrado detecta el modelo subyacente, invoca y organiza los campos de solución de MS (ej. Función de utilidad, parámetros a ser optimizados, limitaciones, etc.) con cálculos en la tabla modelo seleccionada para el problema de optimización.

Usando la celda activa actual, la herramienta de pronóstico detecta un modelo subyacente, y exhibe la Interfaz de Usuario apropiada para las entradas recogidas requeridas (ej. Observación más reciente, horizonte de pronóstico, nivel de significancia, etc.) por el usuario final y, finalmente, genera una tabla de pronóstico con un apropiado C.I.

Usando la celda activa actual, la herramienta de simulación detecta el modelo designado y muestra la interfaz de usuario requerida para recoger entradas del usuario final (ej. Observaciones realizadas recientemente, horizonte, número de caminos de simulación, etc.) y generar caminos de simulación.

Esta funcionalidad es similar al concepto de tabla de datos de Excel, excepto porque no tiene valores de celdas predeterminados que calcular. En vez, asumiendo que tengamos una o más celdas con valores (ej. aleatorios) de volatilidad (y el resultado de nuestro(s) cálculo(s) esté afectado por esas celdas), la simulación de funcionalidad MC obliga a Excel a que re-calcule el rango de celdas/hojas de cálculo y capture los resultados de cada ejecución en un rango de celdas designado.

Videos Tutoriales
Capturas de pantalla

Ver también

  • Videos Tutoriales
  • Manual de Referencia
  • Guía de Usuario
  • Notas Técnicas
  • Consejos y Trucos
  • Estudios de caso

¿Necesita más herramientas para preparar su conjunto de datos? Ejecute expresiones regulares para igualar y/o reemplazar dividir/tokenizar cadenas, examinar la presencia de valores faltantes y transformar conjuntos de datos 2-D.

Una expresión regular (abreviada como regex) es una secuencia de caracteres que define la búsqueda de un patrón. El patrón puede ser aplicado así:

  • (Emparejar) Hace coincidir un texto/cadena de textos, para un posible emparejamiento y, si se desea,
  • (Extracto) Identifica y extrae una subcadena.
  • (Reemplazar) Identifica y sustituye uno (o todos) los incidentes de una subcadena con otro valor
  • (Tokenizar): Divide el texto en una serie de subcadenas, usando un patrón de separación dado.

Funciones destacadas:

FunciónDescripción
NxMatchFunción de emparejamiento de expresión regular (regex)
NxReplaceFunción de reemplazo de expresión regular (regex)
NxTokenizeSepara una cadena mediante un delimitador en una matriz de subcadenas

Detecta cualquier valor faltante en un conjunto de datos y eliminarlos si es posible.

Funciones destacadas:

FunciónDescripción
HASNARevisar la entrada de datos para observaciones con valores faltantes
RMNARemueve valores faltantes
MV_OBSNúmero de observaciones con valores no faltantes
MV_VARSNúmero efectivo de variables

Las funciones en la categoría operan en una o dos celdas de datos dimensionales. Son muy útiles, especialmente cuando gestionamos valores faltantes, interpolación y/o al seleccionar un subgrupo de variables de entrada de datos.

Funciones destacadas:

FunciónDescripción
NxArrayCrea una matriz usando constantes y/o referencias de celda
NxFoldConvierte 3 columnas en una tabla 2-D o matriz
NxFlattenPliega una tabla de datos en una forma plana de 3 columnas
NxTransposeConvierte una fila en columna (y viceversa)

Instalación de NumXL e información de licencia del usuario.

Funciones destacadas:

FunciónDescripción
NUMXL_INFORecupera la información de instalación de NumXL

Reseñas de clientes

Lauren T
Lauren TTeacher
Leer Más
I love the compatibility of this software as well as the ease of use.
Adam R Christoper
Adam R Christoper
Leer Más
I highly recommend NumXL to anyone looking to perform statistical analysis within Excel. The tutorials, examples, and customer support are a real bonus and the Spider Financial Corp. team is responsive and knowledgeable. The array of functions included with NumXL is quite diverse and the software has performed flawlessly. This is great software.
Miguel R
Miguel RAssociate Director Economics & Policy
Leer Más
Easy interface, excellent support and lots of good white papers with easy to understand examples. Good software for basic, medium econometric needs at the business level. No monogramming necessary.
Francois Soto
Francois Soto
Leer Más
I purchased NumXL to seasonally adjust variables. It is alot more friendly to use than the obsolete Arima X-12 user interface. I was able to do just I wanted with this software. Moreover, it allows creation of ARMA / GARCH models following easy steps. I highly recommend NumXL to prospective buyers who wants a reliable and useful Excel add-on.
Linda D
Linda DDirector, Analytics
Leer Más
It is a tool with a very intuitive and easy to handle interface, with many functionalities, and also very reliable to create any type of graphic you want. In addition to its excellent functions and good system support, when presenting problems with the tool, it has a super receptive technical support that is responsible for giving immediate answers to the needs presented by users.
C. Montojo Gonzalez
C. Montojo Gonzalez
Leer Más
I needed the package for a very specific purpose: doing Fourier analysis. Worked very well, easy to use and well supported by videos in YouTube.
Hernan Covarrubias
Hernan Covarrubias
Leer Más
Great software, nice tutorials and superb support
Lawrence M.
Lawrence M.
Head of Research Investment Management
Leer Más
Love it! Been a long time user and expect to be a user forever. The founder, Mohamad, has built a wonderful product and his support team is very responsive and knowledgeable. We use the tool everyday and I love it.
Previous
Next

Vea también

Folleto

Folleto de NumXL

EULA

Acuerdo de licencia de usuario final

Lista de funciones

Lista actual de funciones de NumXL