Index: doc/modeling/ARIMA_Estimate/brief_estimate.html =================================================================== --- doc/modeling/ARIMA_Estimate/brief_estimate.html (revision f3c26fa171ba620c404a7008ae13323f3134a56e) +++ doc/modeling/ARIMA_Estimate/brief_estimate.html (revision c7db875231379a94a0eb8917a5b3ceae114ebbb7) @@ -1516,40 +1516,40 @@ +

2

+ + +

-0.11

+ + +

0.02

+ + +

-5.04

+ +

0

- -

-0.11

- - -

0.02

- - -

-5.04

+ + + +

-0.57

+ + +

0.03

+ + +

0.04

+ + +

0.03

+ + +

input_7

+ + +

1

0

- - - - -

-0.57

- - -

0.03

- - -

0.04

- - -

0.03

- - -

input_7

- - -

1

- - -

2

@@ -1640,9 +1640,15 @@

Obsérvese que aunque las t-student son casi -todas bastante significativas, la significación conjunta de 4 +todas bastante significativas, la significación de 4 de las 12 variables es cero. El motivo es que el estadístico t-student expresa tan sólo la distribución marginal de -cada parámetro. En este caso, a la vista de los autovectores -se deduce inmediatamente que existen estas 4 colinealidades

+cada parámetro. En este caso, a la vista de los autovectores, +se sabe que existen cuatro relaciones lineales que afectan a 12 +variables pero no está nada claro cual es la fora de resolver el +problema: ¿qué variables sobran o están mal definidas por error? +Lo que se hará es aplicar reducción gaussiana a las 4 columnas +para simplificar las ecuaciones del kernel en busca de una base del +mismo con una expresión con el mínimo de coeficientes no nulos. +El resultado final es que existen estas 4 colinealidades irreducibles

Serie @@ -1652,18 +1658,18 @@ Serie kernel_2 = 0*Output + (B^0):input_3 --(B^0):input_4 -+ (B^ 7):input_4;
+- (B^0):input_4 ++ (B^7):input_4;
Serie kernel_3 = 0*Output + (B^0):input_5 - (B^0):input_6 -+ (B^ 0):input_6;
++ (B^2):input_6;
Serie kernel_4 = 0*Output + (B^2):input_7 - (B^2):input_7 -– (B^ 0):input_8;
-

Estas -cuatro series, combinaciones lineales de inputs, son nulas en el +– (B^2):input_8; +

+Estas cuatro series, combinaciones lineales de inputs, son nulas en el intervalo de estimación, es decir forman el núcleo de la matriz de información J'J. La técnica es la misma