Home » NumXL Pro

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.

Tutoriales

Primeros Pasos

Guía de Usuario

Manual de Referencia

Consejos y Trucos

Estudios de caso

¿Qué puede hacer NumXL por mí?

Estadística descriptiva

Precisión del Pronóstico

Factor de Análisis

Análisis Espectra

Herramientas-Poderosas

Utilidades

Estadística descriptiva

Videos Tutoriales

Play

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.

Ubicación o Tendencia Central

Ejemplos: media, mediana, tendencia, etc.

Variabilidad o Dispersión

Funciones destacadas:

Función	Descripción
EWMA	Volatilidad Ponderada Exponencial
GINI	Coeficiente de GINI
Quantile	Cuantil de muestra
IQR	El Rango Intercuartílico (RIC)
MD	Diferencia absoluta Promedio
MAD	Desviación absoluta media
RMD	Diferencia Media Relativa
LRVar	Variación a largo plazo (Bartlett Kernel)

Forma de distribución

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

Funciones destacadas:

Función	Descripción
EDF	Función de distribución empírica
KDE	Estimación de Densidad de Kernel
NxHistogram	(Histograma) de Distribución de Frecuancia

Dependencia estadística

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:
Función Descripción
ACF Función de Autocorrelación (FAC)
PACF Autocorrelación Parcial
Hurst El exponente de Hurst
Para dos o más variables, se usan correlaciones cruzadas para medir cómo esas variables se relacionan entre sí.
Funciones destacadas
Función Descripción
XCF Función de correlación cruzada (FCC)
EWXCF Correlación ponderada exponencial

Función	Descripción
ACF	Función de Autocorrelación (FAC)
PACF	Autocorrelación Parcial
Hurst	El exponente de Hurst

Función	Descripción
XCF	Función de correlación cruzada (FCC)
EWXCF	Correlación ponderada exponencial

Prueba estadística

Videos Tutoriales

Play

Capturas de pantalla

screenshot - Normaility Test General tab

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:

Locación o tendencia central

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:

Función	Descripción
TEST_MEAN	Prueba media de una muestra de población

Dispersión variable o estadística

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:

Función	Descripción
TEST_STDEV	Prueba de desviación estándar
TEST_SKEW	Prueba de Asimetria
TEST_XKURT	Prueba de Exceso de curtosis

Forma de distribución

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

Funciones destacadas:

Función	Descripción
NormalityTest	Pruebas para distribución normal o gaussiana

Dependencia estadística

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

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

Función	Descripción
ACFTest	Prueba de Autocorrelación
WNTest	Prueba de ruido blanco
ARCHTest	Prueba ARCH
ADFTest	Prueba estacionaria de Dickey Fuller Aumentada

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

Ajuste de datos

Videos Tutoriales

Play

Capturas de pantalla

NumXL Data Fitting functions category as shown in Insert Function dialog in Excel

Ver también

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

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.

Interpolación/extrapolación

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

Funciones destacadas:

Función	Descripción
NxINTRPL	Extrapolación e interpolación lineal, polinomial, spline cubica
NxINTRPL2D	2- Extrapolación e interpolación dimensional

Suavizado

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:

Función	Descripción
NxRegress	Regresión
NxKNN	K Barrios más cercanos (K-NN ) Regresión
NxKREG	Regresión de Kernel
NxLOCREG	Regression local movimiento polinomial

Transformar

Videos Tutoriales

Play

Capturas de pantalla

NumXL Transform functions category as shown in Insert Function in Excel

Ver también

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

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.

Operadores de series de tiempo

Funciones destacadas:

Función	Descripción
DIFF	Operador de Diferencias de Series Temporales
LAG	Rezago u operador de rezago
INTG	Operador integral de series de tiempo

Distribución de valores variables

Funciones destacadas:

Función	Descripción
BoxCox	Transformada de Box-Cox
CLOGLOG	Transformación Log-Log Complementaria
LOGIT	Transformación de logit
PROBIT	Transformación Probit
DETREND	Elimina tendencias

Valores faltantes

Funciones destacadas:

Función	Descripción
SUBNA	Valores faltantes interpolados

Muestreo

Funciones destacadas:

Función	Descripción
RESAMPLE	Series de tiempo de remuestreo

Muestreo estadístico

Videos Tutoriales

Play

Capturas de pantalla

Ver también

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

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.

Reordenar muestras

Funciones destacadas:

Función	Descripción
NxSort	Clasificación de un conjunto de datos
NxReverse	Reversa el orden cronológico
NxShuffle	Mezcla el orden de los elementos en el conjunto de datos

Sub-muestreo

Funciones destacadas:

Función	Descripción
NxSubset	Subconjunto de series de tiempo
NxChoose	Muestreo Aleatorio

Suavizado

Videos Tutoriales

Play

Capturas de pantalla

NumXL Smoothing functions category as shown in Insert Function dialog

Holt's double exponential smoothing with airline passengers data

Holt-Winters triple exponential smoothing with Airline passengers data set

Videos Tutoriales
Manual de Referencia
Guía de Usuario
Technical Notes
Consejos y Trucos
Estudios de caso

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 de movimiento

Promedio ponderado móvil unilateral, centrado, simple o doble.

Funciones destacadas:

Función	Descripción
NxEMA	Promedio exponencial móvil ponderado (en curso/corriendo)
NxMA	Promedio móvil (en curso) usando puntos de datos previos
WMA	Promedio móvil ponderado
NxCMA	Filtro promedio móvil centrado
NxSMA	Filtro estacional movil promedio

Suavizado exponencial

Optimizador incorporado para parametros de suavizado y valor inicial.

Funciones destacadas:

Función	Descripción
SESMTH	Suavizado Exponencial Simple de Brown
LESMTH	Suavizado exponencial lineal de Brown
DESMTH	Doble Suavizado Exponencial de Holt
TESMTH	Suavizado triple exponencial de Holt-Winters
GESMTH	Suavizado exponencial general

Tendencia

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:

Función	Descripción
NxTrend	Deterministic trend in a time series

ARMA / ARIMA

Videos Tutoriales

Play

Capturas de pantalla

formula for retrieving time series components using X12COMP function.

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.

Modelo ARMA

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:

Función	Descripción
ARMA	Definición de un modelo ARMA
ARMA_CHECK	Compruebe los valores de los parámetros para la estabilidad del modelo
ARMA_PARAM	Valores de los parámetros del modelo
ARMA_GOF	Valores de los parámetros del modelo
ARMA_FIT	Modelo ARMA Valores Ajustados
ARMA_FORE	Pronóstico del modelo ARMA
ARMA_SIM	Valores simulados de un modelo ARMA

Modelo ARIMA

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:

Función	Descripción
ARIMA	Definición de un modelo ARIMA
ARIMA_CHECK	Comprueba los valores de los parámetros para la estabilidad del modelo
ARIMA_PARAM	Valores de los parámetros del modelo
ARIMA_GOF	Calidad de ajuste de un modelo ARIMA
ARIMA_FIT	Modelo ARIMA Valores Ajustados
ARIMA_FORE	Pronóstico del modelo ARIMA
ARIMA_SIM	Valores Simulados de un Modelo ARIMA

Modelo SARIMA

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:

Función	Descripción
SARIMA	Definición del Modelo SARIMA
SARIMA_CHECK	Validación del Modelo SARIMA
SARIMA_PARAM	Parámetros del modelo SARIMA
SARIMA_GOF	Bondad de ajuste SARIMA
SARIMA_FIT	Ajuste en la muestra SARIMA
SARIMA_FORE	Función de pronóstico SARIMA
SARIMA_SIM	Modelado Basado en Simulación SARIMA

Modelo Airline

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:

Función	Descripción
AIRLINE_CHECK	Compruebe los valores de los parámetros para la estabilidad del modelo
AIRLINE_PARAM	Valores de los parámetros del modelo
AIRLINE_GOF	Calidad de ajuste de un modelo Airline
AIRLINE_FIT	Modelo Airline Valores Ajustados
AIRLINE_FORE	Pronóstico del modelo Airline
AIRLINE_SIM	Valores simulados de un modelo Airline

Modelo ARMAX

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:

Función	Descripción
ARMAX	Definición de un modelo ARMAX
ARMAX_CHECK	Compruebe los valores de los parámetros para la estabilidad del modelo
ARMAX_PARAM	Valores de los parámetros del modelo
ARMAX_GOF	Calidad de ajuste de un modelo ARMAX
ARMAX_FIT	Modelo ARMAX Valores Ajustados
ARMAX_FORE	Pronóstico para el modelo ARMAX
ARMAX_SIM	Modelo de simulación ARMAX

Modelo SARIMAX

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:

Función	Descripción
SARIMAX	Definición de un modelo SARIMAX
SARIMAX_PARAM	Parámetros del modelo SARIMA
SARIMAX_CHECK	Validación del modelo SARIMAX
SARIMAX_GOF	Bondad de ajuste SARIMAX
SARIMAX_FIT	Valores ajustados en la muestra SARIMAX
SARIMAX_FORE	Pronósticos basados en SARIMAX
SARIMAX_SIM	Simulación basada en modelos SARIMAX

Modelo X12-ARIMA

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:

Función	Descripción
X12ARIMA	Definición de un modelo X12-ARIMA
X12APROP	X11 Ajuste estacional y propiedades del modelo X12-ARIMA
X12ACOMP	Series de tiempo de salida X12-ARIMA
X12AFORE	Pronóstico para el modelo X12-ARIMA

ARCH / GARCH

Videos Tutoriales

Play

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.

Modelo GARCH

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:

Función	Descripción
GARCH	Definición de un modelo GARCH
GARCH_GUESS	Valores Iniciales de los parámetros GARCH
GARCH_CHECK	Verificar los valores de los parámetros para la estabilidad del modelo
GARCH_LLF	Función Log-Probabilidad GARCH
GARCH_RESID	Residuales GARCH
GARCH_FORE	Modelo de Pronóstico para el modelo GARCH
GARCH_SIM	simulación basada en GARCH
GARCH_VL	Volatilidad a largo plazo GARCH

Modelo E-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:

Función	Descripción
EGARCH	Definición de un modelo EGARCH
EGARCH_GUESS	Valores iniciales de los parámetros del modelo
EGARCH_CHECK	Compruebe los valores de los parámetros para la estabilidad del modelo
EGARCH_LLF	Función de verosimilitud de registro de un modelo de EGARCH
EGARCH_RESID	EGARCH ajusta los valores de los residuos estandarizados
EGARCH_FORE	Pronóstico del modelo EGARCH
EGARCH_SIM	Simulated values of a EGARCH Model
EGARCH_VL	Long-run Volatility of the EGARCH Model

Modelo GARCH-M

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:

Función	Descripción
GARCHM	Definición de un modelo GARCH-M
GARCHM_GUESS	Parámetros Valores iniciales GARCHM
GARCHM_CHECK	Examina los parámetros del modelo para la estabilidad
GARCHM_LLF	Función de log-verosimilitud GARCHM
GARCHM_RESID	Residuales GARCHM
GARCHM_FORE	Pronóstico GARCHM
GARCHM_SIM	Simulacion Basada en GARCH-M
GARCHM_VL	Volatilidad de largo plazo GARCH-M

Fecha y Calendario

Videos Tutoriales

Play

Capturas de pantalla

Example for NumXL function - NxAdjust in Excel

Example for NumXL Function - NxNetworkdays

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

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.

Calculos de fecha

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:

Función	Descripción
NxAdjust	Mover hacia el día laboral más cercano
NxEDATE	Adelantar una fecha en un periodo de tiempo determinado
NxNetWorkdays	Número de días laborales en un rango de datos determinado
NxNWKDY	Día de la enésima semana en un mes
NxWKDYOrder	Orden del día de la semana para una fecha determinada
NxWorkday	Adelantar una fecha determinada N días laborales

Dias feriados

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:

Función	Descripción
NxIsHoliday	Examina si una fecha determinada cae en feriado
NxFindHLDY	Busca el nombre del feriado que cae en una fecha determinada
NxHLDYDate	Calcula la fecha de un feriado determinado en un año dado
NxHLDYDates	Busca y devuelve todas las fechas de vacaciones en un rango de fecha determinado.

Fin de semana

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:

Función	Descripción
NxWKNDStr	Código de fin de semana
NxWKNDUR	Duración del fin de semana
NxWKNDate	Fecha del último y próximo fin de semana
NxWKNDNo	Número convencional de fin de semana
NxIsWeekend	Examina una fecha dada si cae en fin de semana.

Calendario

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:

Función	Descripción
NxCalendars	Devuelve una lista de calendarios de apoyo con un prefijo dado (opcional)
NxCALHolidays	Devuelve una lista de feriados admitidos en un determinado calendario
NxCALWKND	Devuelve la convención de fin de semana para un determinado calendario

Precisión del Pronóstico

Videos Tutoriales

Play

Capturas de pantalla

NumXL Forecast performance category in Excel

Computing the MAPE for two data sets using manual and NumXL functions

Relative forecasting measure - comparison of forecasting methods

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

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.

Medidas absolutas (escala dependiente)

Funciones destacadas:

Función	Descripción
SSE	Sumatoria de errores cuadráticos
MSE	Media de errores cuadráticos
GMSE	Errores cuadráticos de media geométrica
SAE	Sumatoria de errores absolutos
MAE	Media de errores absolutos
RMSE	Raíz cuadrada del error cuadrático
GRMSE	Raiz cuadrada geométrica del error cuadrático medio

Porcentaje de medidas (escala independiente)

Funciones destacadas:

Función	Descripción
MAPE	Porcentaje de error de media absoluta
MdAPE	Porcentaje de error de mediana absoluta
MAAPE	Porcentaje de error de arcotangente media absoluta

Medidas relativas

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:

Función	Descripción
MRAE	Error absoluto de media relativa
MdRAE	Error absoluto de mediana relativa
GMRAE	Error absoluto de media relativa geometrica
MASE	Error escalado de media absoluta
PB	Mejor porcentaje
MDA	Exactitud de mediana direccional

Factor de Análisis

Videos Tutoriales

Play

Capturas de pantalla

PCA output table showing the variance contribution opf each PC

PCA output table showing the values of each PC

Regression dataset showing the mask variable

Regression output table generated by the MLR wizard.

regression-output-stepwise-regression-table

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.

Regresión lineal simple (SLR)

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

Regresión lineal múltiple (MLR)

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

Análisis de Componente Principal (PCA)

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

Principal Componente de Regresión (PCR)

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

Modelo lineal generalizado (GLM)

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

Análisis Espectra

Videos Tutoriales

Play

Capturas de pantalla

DFT Output table showing amplitudes and phase components

Periodogram wizard showing selected data

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.

Transformacion discreta de Fourier (DFT)

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:

Función	Descripción
DFT	Calcula la transformación discreta (rápida) de Fourier
IDFT	Calcula la inversa transformación discreta de Fourier

Filtros

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

Funciones destacadas:

Función	Descripción
NxBK	Aplica el filtro de Baxter-King
NxHP	Aplica el filtro de Hodrick Prescott
NxConv	Calcula la circunvolución del operador entre las dos series de tiempo.

Periodograma

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:

Función	Descripción
Periodogram	Calcula el valor estimado de la densidad espectral de potencia

Herramientas-Poderosas

Videos Tutoriales

Play

Capturas de pantalla

select the number of simulation paths and simulation horizon

simulation output table generated by NumXL model-based simulation wizard.

Histogram analysis on the output tables values generated by MC Simulations

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

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)

Calibrado

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.

Pronostico

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.

Simulacion

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.

Simulación Monte-Carlo (MC)

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.

Utilidades

Videos Tutoriales

Play

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.

Expresiones regulares

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:

Función	Descripción
NxMatch	Función de emparejamiento de expresión regular (regex)
NxReplace	Función de reemplazo de expresión regular (regex)
NxTokenize	Separa una cadena mediante un delimitador en una matriz de subcadenas

Valores faltantes

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

Funciones destacadas:

Función	Descripción
HASNA	Revisar la entrada de datos para observaciones con valores faltantes
RMNA	Remueve valores faltantes
MV_OBS	Número de observaciones con valores no faltantes
MV_VARS	Número efectivo de variables

Matriz de funciones

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:

Función	Descripción
NxArray	Crea una matriz usando constantes y/o referencias de celda
NxFold	Convierte 3 columnas en una tabla 2-D o matriz
NxFlatten	Pliega una tabla de datos en una forma plana de 3 columnas
NxTranspose	Convierte una fila en columna (y viceversa)

Función del sistema

Instalación de NumXL e información de licencia del usuario.

Funciones destacadas:

Función	Descripción
NUMXL_INFO	Recupera la información de instalación de NumXL

Reseñas de clientes

Vea también

Folleto

Folleto de NumXL

EULA

Acuerdo de licencia de usuario final

Lista de funciones

Lista actual de funciones de NumXL

NumXL Pro

¿Qué puede hacer NumXL por mí?

Ver también

Funciones destacadas:

Funciones destacadas:

Ver también

Funciones destacadas:

Funciones destacadas:

Funciones destacadas:

Ver también

Funciones destacadas:

Funciones destacadas:

Ver también

Funciones destacadas:

Funciones destacadas:

Funciones destacadas:

Funciones destacadas:

Ver también

Funciones destacadas:

Funciones destacadas:

Ver también

Funciones destacadas:

Funciones destacadas:

Funciones destacadas:

Ver también

Funciones destacadas:

Funciones destacadas:

Funciones destacadas:

Funciones destacadas:

Funciones destacadas:

Funciones destacadas:

Funciones destacadas:

Ver también

Funciones destacadas:

Funciones destacadas:

Funciones destacadas:

Ver también

Funciones destacadas:

Funciones destacadas:

Funciones destacadas:

Featured Functions:

Ver también

Funciones destacadas:

Funciones destacadas:

Funciones destacadas:

Ver también

Funciones destacadas:

Funciones destacadas:

Funciones destacadas:

Funciones destacadas:

Funciones destacadas:

Ver también

Funciones destacadas:

Funciones destacadas:

Funciones destacadas:

Ver también

Ver también

Funciones destacadas:

Funciones destacadas:

Funciones destacadas:

Funciones destacadas:

Reseñas de clientes

Vea también

Enlaces Útiles

Suscribase a nuestro boletín informativo