Resumen de Modelado de cambios de nivel en series de tiempo no lineales usando redes neuronales artificiales

Paola Andrea Sánchez, Juan David Velásquez Henao

• español

  Es comunmente aceptado que muchas variables físicas y económicas presentan comportamientos dinámicos no lineales, cuya complejidad hacen que sea imposible formular un modelo econométrico basado en leyes físicas o económicas que representen su evolución adecuadamente. El problema de la formulación del modelo se ve agravado por la presencia de observaciones atípicas y cambios estructurales, para las cuales no existen modelos matemáticos que permitan su representación en el caso no lineal. En este estudio, se presentan tres nuevos modelos que permiten la representación de cambios de nivel en series de tiempo no lineales usando perceptrónes multicapa, los cuales son ejemplificados para una serie ficticia y una serie real ampliamente conocida y estudiada. Los resultados indican las bondades de los modelos propuestos, permitiendo que ellos sean recomendados como parte integral de las metodologías para la modelación de series de tiempo usando redes neuronales artificiales.

• English

  It is usually accepted that many physical and economical variables shown nonlinear dynamical behaviors which complexity makes it impossible to formulate an econometric model based only on physical or economic laws that properly represents its evolution. The formulation of model is aggravated with the presence of outliers and structural breaks, for which there are not any mathematical models that allow its representation in the nonlinear case. In this paper, three new models are presented which allow the representation of level shifts in nonlinear time series using multilayer perceptrons, which are illustrated for one artificial and one real series, and it is proposed a methodological strategy for the construction and specification of such models, based on a previous linear modeling. The results indicate the goodness of the proposed models, allowing them to be recommended as an integral part of the methodologies for modeling time series using artificial neural networks.