糖心vlog官网观看

En este m贸dulo cubriremos c贸mo proyectar una variable incluyendo datos adicionales, aquellos que servir铆an para explicar o predecir el fen贸meno de inter茅s. Nos enfocaremos en modelos de regresi贸n, uno de los m茅todos m谩s utilizados para la modelizaci贸n. Comenzaremos por introducir la versi贸n simple, donde una sola variable es utilizada como base de la modelizaci贸n. Luego, extenderemos el modelo para incluir m煤ltiples variables. Introduciremos los cambios en la interpretaci贸n, y los problemas comunes que pueden surgir en la modelizaci贸n.

En los m贸dulos anteriores trabajamos con modelos donde la informaci贸n temporal (i.e., cu谩ndo ocurri贸 un evento) es irrelevante. En este m贸dulo extendemos los modelos para acomodar a las Series de Tiempo, que son aquellos procesos en donde la secuencialidad de la informaci贸n es relevante. Aplicaciones incluyen la proyecci贸n del Producto Bruto Interno de un pa铆s, la tasa de inter茅s en un mercado, el precio de una acci贸n, etc. Discutiremos formas de modelizar a las series de tiempo por sus principales componentes. Cubriremos tambi茅n modelos espec铆ficos para modelar el componente de autocorrelaci贸n temporal. En este m贸dulo tambi茅n introduciremos al software R para modelar series de tiempo de una manera eficiente.

En este m贸dulo nos enfocaremos en lo que llamaremos un enfoque predictivo de la modelizaci贸n. Estos m茅todos buscan maximizar la capacidad predictiva aun cuando al hacerlo pierden la capacidad explicativa del fen贸meno en cuesti贸n. La prioridad del enfoque predictivo es hacer la mejor predicci贸n posible, y para ello es fundamental evitar el sobreajuste de los datos. Aprenderemos a diagnosticar el sobreajuste e introduciremos a los modelos de regularizaci贸n, un tipo de modelos que permiten limitar el sobreajuste de manera automatizada.