Características

Lista de funciones de econometría de SAS

SAS Econometrics

Modelos ocultos de Markov

  • Ajusta y aplica modelos ocultos de Markov a datos de series de tiempo.
  • Hace ajuste (o aprendizaje), suavizado, filtrado, decodificación y puntuación.
  • Admite modelos univariados o multivariados, modelos de regresión de cambio de régimen y modelos de autorregresión de cambio de régimen.
  • Admite modelos gaussianos de estado discreto.
  • Proporciona métodos para manejar de manera eficiente series muy largas (big data).
  • Automatiza la selección del número de estados y el número de retrasos.
  • Proporciona un modelo autorregresivo de cambio de régimen en forma ajustada a la media.
  • Proporciona un algoritmo de optimización de descenso de gradiente estocástico (SGD) para todos los modelos.

Modelado econométrico espacial

  • Admite lo siguiente:
    • Modelos lineales.
    • Modelos lineales con efectos de retraso espacial de X (SLX).
    • Modelos autorregresivos espaciales (SAR).
    • Modelos espaciales de Durbin (SDM).
    • Modelos de error espacial (SEM).
    • Modelos de error espacial de Durbin (SDEM).
    • Modelos de media móvil espacial (SMA).
    • Modelos de promedio móvil espacial de Durbin (SDMA).
    • Modelos de promedio móvil autorregresivo espacial (SARMA).
    • Modelos de promedio móvil autorregresivo de Durbin espacial (SDARMA).
    • Modelos espaciales autorregresivos confusos (SAC).
    • Modelos confundidos autorregresivos espaciales de Durbin (SDAC).
  • Proporciona tablas de salida que le permiten comprender e interpretar completamente el impacto de las variables individuales en el modelo.

Otros modelos econométricos

Contar modelos de regresión para variables dependientes con valores enteros

  • El procedimiento CNTSELECT modela la frecuencia con la que pueden ocurrir eventos durante un período de tiempo.
  • Apoya:
    • Regresión de Poisson, binomial negativa y de Conway-Maxwell-Poisson (CMP).
    • Modelos de inflación cero condicionados a covariables.
    • Modelos de sobredispersión condicionados a covariables (con modelo CMP).
    • Modelos de datos de panel de efectos aleatorios para conteos.
    • Modelos de datos de recuento espacial.
    • Estimación bayesiana.
  • Proporciona métodos automatizados de selección de variables.
  • Incluye muchas pruebas y gráficos de diagnóstico, incluidos gráficos para la visualización enfocada de partes específicas de la distribución de probabilidad ajustada.
  • Muestre tablas para evaluar la covarianza y la correlación entre los parámetros del modelo estimado.

Modelos de regresión de gravedad

  • Ajusta la distribución al tamaño o severidad de las pérdidas u otros eventos.
  • Apoya:
    • Modelos de regresión para el parámetro de escala de distribución de gravedad.
    • Censura a la izquierda y truncamiento a la derecha (por ejemplo, deducibles y límites de cobertura).
    • Muchas distribuciones, incluyendo:
      • Burr.
      • Exponencial.
      • Gama.
      • Pareto generalizado.
      • Wald.
      • Log-normal.
      • Tweedie.
      • Weibull.
  • Proporciona la capacidad de programar distribuciones adicionales.
  • Se adapta a múltiples distribuciones y selecciona automáticamente la mejor.
  • Proporciona muchas pruebas y gráficos de diagnóstico, incluidos gráficos para la visualización enfocada de partes específicas de la distribución de probabilidad ajustada.
  • Incluye tablas de visualización para evaluar la covarianza y la correlación entre los parámetros del modelo estimado.

Modelos de regresión cualitativos y de variable dependiente limitada

  • El procedimiento CQLIM estima modelos de regresión para variables cualitativas univariadas y de dependencia limitada.
  • Apoya:
    • Modelos censurados y truncados.
    • Modelos logit, probit y tobit, y modelos bivariados probit y tobit.
    • Modelos con heterocedasticidad.
    • Modelos univariados de variables dependientes limitadas.
    • Modelos bivariados y multivariados de variable dependiente limitada.
    • Modelos de variable de respuesta discreta bivariados y multivariados.
    • Modelos de ecuaciones lineales multivariantes.
  • Estima modelos de producción y costos de frontera estocástica.
  • Modelo de selección de muestras de Heckman.

Modelos de cópula

  • Simula modelos de cópula de la estructura de dependencia multivariante entre conjuntos de potencialmente muchas variables.
  • Admite simulaciones de las siguientes cópulas:
    • Normal.
    • t.
    • Clayton.
    • Gumbel.
    • Franco.

Modelos de regresión para datos de panel

  • Analiza las relaciones entre el pasado y el futuro utilizando una gran cantidad de observaciones y más de una observación por período de tiempo.
  • Apoya:
    • Modelos unidireccionales y bidireccionales.
    • Modelos de efectos fijos, aleatorios e híbridos.
    • Modelos autorregresivos y de media móvil.
    • Modelos de paneles dinámicos.
  • Proporciona estimadores de Hausman-Taylor y Amemiya-MaCurdy.
  • Proporciona diferentes tipos de estimadores de matriz de covarianza consistentes con heteroscedasticidad y autocorrelación (HAC).
  • Se adapta y compara varios modelos.
  • Incluye muchos diagnósticos y pruebas.

Modelado de capital económico

  • Combina resultados de modelos de frecuencia, severidad y cópula.

Modelado de distribución compuesta

  • Resumen gráfico de la distribución de pérdidas agregadas de grandes muestras simuladas distribuidas.
  • Modos de simulación.
  • Una forma flexible de especificar distribuciones de conteo.
  • Simulaciones más realistas de modelado de pérdidas utilizando variables estocásticas.
  • Análisis de perturbación para estimar la media y la variabilidad de las estadísticas de distribución de pérdidas agregadas.

Modelado de distribución compuesta

  • Proporciona un resumen gráfico de la distribución de pérdidas agregadas a partir de grandes muestras simuladas distribuidas.
  • Incluye modos de simulación.
  • Proporciona una forma flexible de especificar distribuciones de conteo.
  • Permite simulaciones más realistas de modelado de pérdidas utilizando variables estocásticas.
  • Habilita el análisis de perturbaciones para estimar la media y la variabilidad de las estadísticas de distribución de pérdidas agregadas.

Modelos de pronóstico para el análisis de series de tiempo

  • Permite crear mediante programación modelos de previsión en datos de series temporales.
  • Permite crear modelos de series temporales:
    • ARIMA definido por el usuario.
    • Modelos de suavizado exponencial (ESM).
  • Permite crear análisis de series temporales, modelos de descomposición y pruebas de diagnóstico.
  • Proporciona tablas de salida con estimaciones de parámetros de modelos ajustados, pronósticos de variables de varios pasos e información de variables modeladas.

Distribuido, abierto y listo para la nube

  • Se ejecuta en SAS Viya, un motor en memoria distribuido y escalable de la plataforma SAS.
  • Distribuye tareas de análisis y datos en varios nodos informáticos.
  • Proporciona acceso rápido, simultáneo y multiusuario a los datos en la memoria.
  • Incluye tolerancia a fallas para alta disponibilidad.
  • Permite agregar el poder de SAS Analytics a otras aplicaciones utilizando las API REST de SAS Viya.

Motor de interfaz SASEMOOD

  • Recupere datos de series temporales de Moody's Analytics Data Buffet. Acceda a más de 600 fuentes de datos estadísticos históricos globales y 40 bases de datos de pronósticos: más de 220 millones de series temporales.