Guía de ChartBay

Qué es. Plataforma web educativa de análisis cuantitativo.

Para qué. Cargar datos, estimar modelos y leer diagnósticos sin programar.

En ChartBay. Dos áreas: Econometría y Aprender.

Estado. Disponible

Qué es. El recorrido típico de un análisis.

Cómo. Subí un CSV → elegí Y y X → (opcional) restricción → calculá → revisá diagnósticos → exportá.

En ChartBay. Todo en el área Econometría.

Estado. Disponible

Qué es. Tu tabla de datos: filas = observaciones, columnas = variables.

Para qué. Es la entrada de todos los modelos.

En ChartBay. Primera fila con nombres. Detecta columnas numericas. Hay un CSV de ejemplo.

Estado. Disponible

Qué es. El código que hace las cuentas cuando apretas "calcular".

Cómo. En ChartBay Lite corre en tu navegador, escrito en TypeScript, y resuelve OLS por ecuaciones normales: arma X'X y lo invierte por Gauss-Jordan. La única excepción es la regresión del test ADF, que usa descomposición QR porque ahí mezclar niveles con diferencias vuelve a X'X numéricamente inestable. ChartBay Pro (beta) no calcula en TypeScript: levanta Python en el navegador con Pyodide y le pasa el trabajo a statsmodels.

En ChartBay. Nada de esto sale de tu máquina: no hay servidor de cálculo. El repositorio tiene además un motor equivalente en Python con FastAPI, que estima OLS por QR, pero es experimental y no está desplegado: la web no lo llama y el despliegue no lo levanta.

Estado. Disponible (Lite; Pro en beta)

Qué es. Guardar resultados y confiar en ellos.

En ChartBay. Exportación CSV, TXT y PDF. Tests automáticos comparados contra Statsmodels.

Estado. Disponible

Resumen rápido. La econometría combina teoría económica, datos y estadística para convertir una pregunta en una estimación cuantitativa con incertidumbre explícita.

De la pregunta al resultado

1. Formular una pregunta. Por ejemplo: ¿como cambia el consumo cuando cambia el ingreso?
2. Construir un modelo económico. Elegir que factores deberian importar y en que direccion.
3. Traducirlo a un modelo econométrico. Agregar un término de error para representar factores no observados.
4. Conseguir datos y definir variables. La población, la unidad de observación, el período y la medición determinan que puede responderse.
5. Estimar y hacer inferencia. Obtener coeficientes, errores estándar, intervalos y contrastes.
6. Evaluar el modelo. Revisar especificación, residuos, sensibilidad y si la conclusión tiene sentido económico.

Descripción, predicción y causalidad

Descripción resume relaciones presentes en los datos. Predicción busca reducir el error sobre observaciones nuevas. Causalidad pregunta que ocurriria con Y si se interviniera sobre X manteniendo los demás factores relevantes constantes. Un modelo puede predecir bien sin identificar un efecto causal, y puede estimar un efecto causal importante con un R2 modesto.

Ejemplo. Helados vendidos y ahogamientos pueden moverse juntos porque ambos aumentan con la temperatura. La correlación describe el patrón; no implica que comprar helado cause ahogamientos.

Error común. Empezar por el test disponible y después inventar una pregunta. La pregunta, la población y el mecanismo económico deben venir antes que el p-value.

Fuente principal. Wooldridge, Introductory Econometrics: A Modern Approach, cap. 1, secs. 1.1 a 1.4.

Resumen rápido. Un modelo econométrico separa una parte sistemática, explicada por X, de una parte no observada, u. Sus coeficientes describen la relación poblacional que queremos estimar.

Población, muestra y estimación

Los β pertenecen a la población y no se observan. Con una muestra se calculan estimadores β̂. Por eso hay que distinguir el modelo poblacional, el modelo estimado Ŷ y el residuo e = Y - Ŷ. Una estimación cambia si cambia la muestra; el parámetro que intenta aproximar es fijo dentro del modelo.

El papel del término de error

El error puede contener habilidad, preferencias, shocks, errores de medición y variables omitidas. No es simplemente un "error de computadora". El supuesto decisivo para interpretar una pendiente como efecto ceteris paribus es que esos factores no observados no cambien sistemáticamente con las X relevantes: E(u|X) = 0.

Ejemplo. En consumo = β0 + β1ingreso + u, u puede incluir riqueza, tamaño del hogar y expectativas. Si riqueza esta omitida y se relaciona con ingreso, la pendiente de ingreso puede absorber parte de su efecto.

Flujo. Hipótesis → especificación → datos → estimación → diagnóstico → interpretación. El modelo aporta evidencia; no demuestra causalidad por sí solo.

Un coeficiente mide una asociación estimada, no una verdad universal.

Fuente principal. Wooldridge, Introductory Econometrics: A Modern Approach, caps. 1 y 3.

Resumen rápido. Cada fila representa una unidad observada; Y es el resultado que querés explicar y X contiene los factores usados para explicarlo.

Unidad de observación. Puede ser una persona, empresa, provincia o período. Mezclar unidades o duplicar filas cambia la pregunta estadística. Una muestra de corte transversal compara unidades en un momento; una serie de tiempo sigue una unidad a traves del tiempo; un panel combina ambas dimensiones.

Medición. Antes de estimar, defini unidad, moneda, período, valores faltantes y codificacion. Un coeficiente por peso no tiene la misma magnitud numerica que uno por miles de pesos, aunque represente la misma relación.

Datos faltantes. OLS necesita que Y y todas las X elegidas esten presentes en una fila. ChartBay aplica eliminacion listwise: usa la interseccion de filas completas del modelo, de modo que agregar una X con faltantes puede cambiar tanto n como la composicion de la muestra.

En ChartBay. "Que querés explicar?" (Y) y "Con que variables?" (X).

Error común. Comparar dos modelos con distinto n como si la única diferencia fueran sus regresores. Primero verificá que ambos usen la misma muestra efectiva.

Estado. Disponible

Resumen rápido. OLS elige los coeficientes que hacen mínima la suma de residuos al cuadrado. Describe asociaciones condicionales; por sí solo no identifica causalidad.

Intuicion. La recta o superficie estimada busca quedar lo más cerca posible de las observaciones. Elevar los residuos al cuadrado evita que los signos se cancelen y penaliza más los errores grandes.

El criterio de minimos cuadrados

Condiciones de primer orden. Con intercepto, la solucion hace que los residuos sumen cero y que sean ortogonales en la muestra a cada regresor: Σei = 0 y ΣXjiei = 0. Son identidades algebraicas de OLS, no pruebas de que el error poblacional sea exogeno.

Regresión múltiple y efecto parcial

Interpretación. β_j mide cuánto cambia Y ante una unidad adicional de X_j, manteniendo las demás X fijas. "Mantener fijas" es una comparación condicional del modelo, no una intervencion experimental.

Otra forma de verlo es "residualizar": primero se quita de X_j la parte explicada por las otras X y se usa solamente su variación restante para estimar β_j. Si casi no queda variación independiente, el coeficiente será impreciso aunque el modelo tenga muchas observaciones.

Ejemplo ilustrativo. Si salario = 4 + 0,8·educación + 0,2·experiencia, el coeficiente 0,8 compara personas con igual experiencia y un año distinto de educación. No demuestra que sumar un año cause exactamente ese aumento.

Qué entrega OLS y qué no

• Entrega: la mejor aproximacion lineal dentro de la muestra segun SSR, valores ajustados y residuos.
• No garantiza: causalidad, buena especificación, errores pequeños fuera de muestra ni coeficientes estables en otra población.
• Con exogeneidad: OLS es insesgado. Con los supuestos de Gauss-Markov, es BLUE: el estimador lineal insesgado de menor varianza dentro de esa clase.

En ChartBay. En Econometría elegís Y, las X y la forma funcional; "Calcular regresión" devuelve coeficientes, residuos, ajuste e inferencia.

Error común. R2 alto no implica modelo causal correcto, ausencia de sesgo ni buena predicción fuera de muestra.

Seguí con: inferencia, formas funcionales, VIF y Breusch-Pagan.

Fuente principal. Wooldridge, Introductory Econometrics: A Modern Approach, caps. 2 y 3.

Estado. Disponible

Resumen rápido. El intercepto fija el nivel de referencia; cada pendiente mide una diferencia marginal o parcial en las unidades definidas por la forma funcional.

Intercepto. Es Y estimada cuando todas las X valen cero. Puede tener significado económico —consumo autonomo, por ejemplo— o ser solo una constante necesaria para ubicar el plano. Si cero esta fuera del rango observado, no conviene darle una interpretación literal.

Pendiente. El signo indica direccion y la magnitud depende de las unidades. Un coeficiente de 500 pesos por año equivale a 0,5 miles de pesos por año si Y se reescala; la sustancia económica no cambio.

Cambio discreto versus marginal. En un modelo lineal, ΔŶ = β̂_jΔX_j. Para una dummy, el cambio relevante es de 0 a 1. Con cuadrados, interacciones o logaritmos, el efecto puede depender del nivel de X y ya no se lee como una constante simple.

Ejemplo. Si ventas esta en miles de pesos y publicidad en miles de pesos, β̂ = 2,4 significa que 1.000 pesos adicionales de publicidad se asocian con 2.400 pesos adicionales de ventas, ceteris paribus.

En ChartBay. En la tabla de resultados.

Estado. Disponible

Resumen rápido. R2 mide ajuste dentro de muestra; R2 ajustado descuenta parcialmente el aumento mecánico producido al agregar regresores.

Lectura. Con intercepto, R2 suele estar entre 0 y 1. R2 = 0,70 significa que el modelo reproduce 70% de la variación muestral de Y alrededor de su media; no que cada predicción tenga 70% de precisión ni que las X causen 70% de Y.

Por qué ajustar. R2 nunca baja al agregar una X, incluso si aporta poco. El R2 ajustado incorpora los grados de libertad y puede bajar. Es útil para comparar especificaciones sobre la misma Y y la misma muestra, pero no reemplaza teoría, diagnósticos ni validación fuera de muestra.

Error común. Elegir automáticamente el modelo con mayor R2. Una regresión espuria entre series con tendencia puede tener R2 alto y ninguna relación económica válida.

En ChartBay. Junto a los coeficientes.

Estado. Disponible

Resumen rápido. El valor ajustado es la parte que el modelo predice; el residuo es la discrepancia observada. Sus patrones ayudan a detectar problemas que una tabla de coeficientes oculta.

Qué mirar. Un gráfico de residuos contra ajustados debería oscilar alrededor de cero sin curvatura ni forma de abanico. Curvatura sugiere forma funcional incompleta; dispersión creciente, heterocedasticidad; bloques temporales, autocorrelación; residuos extremos, observaciones que merecen investigación.

Residuo no es error. El error poblacional u no se observa. El residuo e se calcula después de estimar y, por construcción OLS, cumple ciertas identidades muestrales. Que los residuos sumen cero no demuestra E(u|X)=0.

Error común. Borrar toda observación con residuo grande. Primero hay que distinguir error de carga, caso genuino raro, cambio de régimen o mala especificación; eliminar datos por su resultado puede sesgar el análisis.

Estado. Disponible

Resumen rápido. La estimación dice cuánto vale un efecto en la muestra; la inferencia cuantifica cuánta incertidumbre tiene esa estimación.

Estimador, error estándar y distribución muestral

Si repitieramos el muestreo, β̂_j cambiaria. Su desviacion estándar teorica mide esa variación; como es desconocida, se estima con el error estándar. Un SE grande puede deberse a pocos datos, mucho ruido o poca variación independiente de X_j.

Hipótesis. Para un coeficiente suele probarse H0: β_j = 0 frente a H1: β_j ≠ 0. El nivel α fija, antes de mirar el resultado, la probabilidad de rechazar H0 por error cuando H0 es verdadera; 0,05 es habitual, no obligatorio.

p-value. Es la probabilidad, suponiendo H0 y el modelo de contraste, de obtener un estadístico al menos tan extremo como el observado. Si p < α, se rechaza H0; si p ≥ α, no se rechaza. Esto ultimo no demuestra que H0 sea verdadera.

Una o dos colas. La alternativa bilateral β_j ≠ 0 detecta efectos en ambas direcciones. Una alternativa unilateral, como β_j > 0, debe justificarse antes de ver el signo estimado; cambiarla después para reducir el p-value invalida el nivel del test.

Errores de decisión. Error tipo I es rechazar una H0 verdadera, controlado por α. Error tipo II es no rechazar una H0 falsa. La potencia —probabilidad de detectar un efecto real— aumenta, en general, con el tamaño muestral, un efecto mayor y menor ruido.

Significancia. La estadística pregunta si el efecto se distingue de un valor de referencia. La económica pregunta si su magnitud importa en el problema real. Un efecto diminuto puede ser estadisticamente significativo con una muestra grande.

1. Escribi H0 y H1, y fija α antes de mirar el resultado.
2. Verificá que el error estándar corresponda al problema: clasico, HC o HAC.
3. Lee estimación, unidades, SE, t, p-value e intervalo en conjunto.
4. Conclui sobre la hipótesis y después sobre la magnitud económica; no saltes de significancia a causalidad.

En ChartBay. La tabla OLS muestra error estándar, t y p-value por coeficiente. El resultado global agrega F-stat para la hipótesis conjunta de que todas las pendientes son cero.

Error común. p = 0,03 no significa que H0 tenga 3% de probabilidad. Un p-value bajo no convierte automáticamente una relación en causal.

Seguí con: intervalos de confianza, errores robustos y Breusch-Pagan.

Fuente principal. Wooldridge, Introductory Econometrics: A Modern Approach, cap. 4, secs. 4.2 a 4.5.

Estado. Disponible

Intervalo de confianza. Un IC95% se construye como estimación ± valor crítico · error estándar. En muestreos repetidos bajo los supuestos, el 95% de los intervalos construidos asi contendria al parámetro verdadero.

No significa. Una vez calculado el intervalo frecuentista, no es correcto decir que hay 95% de probabilidad de que el parámetro fijo este dentro.

Relación con t. En un contraste bilateral al 5%, se rechaza H0: β_j = 0 exactamente cuando el IC95% no contiene cero, siempre que ambos usen el mismo estimador de varianza y los mismos grados de libertad.

F global. Contrasta H0: β₁ = ... = β_k = 0 frente a que al menos una pendiente no sea cero. Un p-value bajo rechaza esa hipótesis conjunta, pero no válida la especificación ni la causalidad.

Por qué usar F. Probar q restricciones una por una infla la probabilidad de algún falso positivo y no evalúa la hipótesis conjunta. El test F compara cuánto aumenta SSR al imponer todas las restricciones, relativo al ruido del modelo libre.

En ChartBay. Pro muestra intervalos por coeficiente; Lite y Pro reportan F y su p-value para el modelo. Las restricciones RLS permiten otros contrastes conjuntos.

Fuente principal. Wooldridge, Introductory Econometrics: A Modern Approach, cap. 4, secs. 4.3 y 4.5.

Estado. Disponible

Qué es. Permite evaluar restricciones sobre coeficientes, como β1 = 0 o β1 + β2 = 1. Sirve para contrastar hipótesis economicas concretas dentro del modelo.

Cómo. La restricción es la hipótesis nula (H0) y se contrasta con un test F/Wald. p bajo = la restricción no se sostiene en los datos.

Matiz importante. Una cosa es re-estimar los coeficientes bajo la restricción (estimador restringido) y otra es testear la restricción sobre el modelo libre. Lite re-estima; ChartBay Pro usa el test F/Wald de statsmodels sobre el OLS sin restringir (f_test). Los tests coinciden; los coeficientes no se comparan.

En ChartBay. Escribi beta_x1 = beta_x2, beta_x1 + beta_x2 = 1, etc.

Estado. Disponible (Lite y Pro)

Resumen rápido. Mirá qué variable lleva logaritmo: log en Y convierte el efecto en porcentaje; log en X hace que el cambio de X se lea en porcentaje.

Aproximacion y cambio exacto. En Log-Lin, para un aumento de ΔX unidades, el cambio porcentual exacto en Y es 100·[exp(β1ΔX)-1]. La regla 100·β₁·ΔX es una aproximacion útil cuando el cambio es pequeño.

Ejemplo ilustrativo. Si ln(salario) = 1,5 + 0,08·educación, un año adicional se asocia con aproximadamente 8% más de salario; exactamente, con 100·[exp(0,08)-1] ≈ 8,33%, manteniendo lo demás fijo.

Dominio. Los modelos con logaritmos requieren valores positivos en toda variable transformada. Las dummies 0/1 se mantienen sin transformar. ChartBay válida ese dominio antes de estimar.

En ChartBay. El selector de forma funcional ofrece Lin-Lin, Log-Lin, Lin-Log y Log-Log en Lite y Pro. La sugerencia automática orienta, pero la forma debe justificarse con teoría, escala y diagnósticos.

Error común. En Lin-Log, β₁ no es el efecto de 1% de X: el efecto aproximado es β₁/100 unidades de Y.

Seguí con: OLS, inferencia y residuos.

Fuente principal. Wooldridge, Introductory Econometrics: A Modern Approach, cap. 2, sec. 2.4, y cap. 6, sec. 6.2.

Estado. Disponible (Lite y Pro, con recomendacion automática)

Resumen rápido. Una dummy representa una categoría con 0/1. Su coeficiente compara el grupo marcado con una categoría base, manteniendo las demás X constantes.

Categoría base. Una categoría se omite para evitar la trampa de dummies (colinealidad perfecta con el intercepto). Cada coeficiente dummy se interpreta como diferencia respecto de esa base, con lo demás constante.

Ejemplo. region_Centro queda como base. region_Norte = 1 si la observación pertenece al Norte, 0 si no. El coeficiente de region_Norte mide la diferencia Norte vs Centro para iguales controles incluidos.

Dummy con Y en log. Si ln(Y) = ... + δD + u, la diferencia porcentual exacta entre D=1 y D=0 es 100·[exp(δ)-1]; 100·δ es solo una aproximacion para valores pequeños.

Interacciones. Agregar D·X permite que la pendiente de X cambie entre grupos. Entonces el efecto de X es β₁ para la base y β₁ + β_interaccion para D=1; los términos individuales no deben interpretarse aislados.

La categoría base no desaparece: funciona como punto de comparación.

Fuente principal. Wooldridge, Introductory Econometrics: A Modern Approach, cap. 7.

Estado. Disponible (Lite y Pro, mismo encoding)

Qué es. RSS = suma de errores al cuadrado. El F compara el modelo libre vs el restringido.

Cómo se interpreta. El restringido nunca ajusta mejor. p bajo = la restricción no se sostiene.

En ChartBay. Compara RSS libre vs restringido.

Estado. Disponible

Resumen rápido. Hay multicolinealidad cuando una X contiene poca información independiente de las otras. No sesga OLS por sí sola, pero vuelve imprecisos e inestables algunos coeficientes.

Cómo se interpreta. Valores cercanos a 1 indican poca inflación. Umbrales como 5 o 10 son alertas prácticas, no leyes universales: importan el diseño, la precisión requerida y la pregunta.

En ChartBay. Diagnósticos muestra un VIF por regresor. "Arreglar y calcular" puede quitar variables con VIF muy alto, pero esa decisión automática debe revisarse con criterio económico.

No significa. VIF alto no prueba sesgo, causalidad inversa ni que la variable deba borrarse siempre. Si dos controles son esenciales, puede ser preferible conservarlos y reconocer menor precisión.

Seguí con: OLS, supuestos de OLS y matriz singular.

Fuente principal. Wooldridge, Introductory Econometrics: A Modern Approach, cap. 3, sec. 3.4.

Estado. Disponible

Qué es. El modelo no puede resolverse (X redundantes).

Cómo se interpreta. Hay que quitar una variable.

En ChartBay. Lo detecta y lo puede corregir.

Estado. Disponible

Resumen rápido. Cada supuesto cumple una función distinta. La exogeneidad sostiene la interpretación del coeficiente; homocedasticidad y ausencia de autocorrelación sostienen la fórmula clásica de su incertidumbre.

Para la inferencia clásica. La homocedasticidad permite usar los errores estándar OLS clasicos; la dependencia temporal exige tratar la autocorrelación. La normalidad exacta es una condición de muestra finita, no una licencia para ignorar las anteriores.

Si fallan. Las consecuencias no son todas iguales. Heterocedasticidad afecta la inferencia clásica; omitir una variable correlacionada con X puede sesgar los coeficientes; colinealidad alta eleva su varianza.

Sesgo por variable omitida

Hay sesgo cuando una variable omitida afecta Y y además está correlacionada con una X incluida. En el caso simple, el signo del sesgo puede razonarse combinando el signo del efecto omitido sobre Y con el signo de su relación con X.

Ejemplo. Si habilidad aumenta salario y también se relaciona positivamente con educación, omitir habilidad tiende a cargar parte de su efecto sobre el coeficiente de educación. Agregar cualquier control no alcanza: debe medir un confusor relevante sin introducir otro problema.

Otras fuentes de endogeneidad. Causalidad simultanea, error de medición y selección de muestra también pueden violar E(u|X)=0. Errores robustos no corrigen ninguna de ellas.

Gauss-Markov. Bajo linealidad, muestreo, ausencia de colinealidad perfecta, exogeneidad y homocedasticidad, OLS es BLUE. "Mejor" significa menor varianza entre estimadores lineales insesgados, no mejor que cualquier estimador posible ni causal por definicion.

Error común. Una lista de checks no demuestra que E(u|X)=0. Esa condición depende del diseño, de la teoría y de cómo se obtuvieron los datos.

Fuente principal. Wooldridge, Introductory Econometrics: A Modern Approach, caps. 3 y 4.

Estado. Disponible (chequeos parciales)

Qué es. Y de 0/1. OLS se vuelve modelo de probabilidad lineal; la logística es más apropiada.

Cómo se interpreta. La logística da probabilidades 0-1; odds ratio mayor a 1 sube las chances.

Estado. Roadmap

Qué es. Sobreajuste: el modelo memoriza la muestra. Leakage: una X esconde info de Y.

Cómo se interpreta. R2 altísimo y sospechoso. Revisá variables y muestra.

Estado. Concepto clave para usar bien la herramienta.

Qué es. Los errores robustos ajustan la inferencia cuando la varianza de los errores no parece constante. No cambian los coeficientes OLS, pero pueden cambiar errores estándar, t-stats, p-values e intervalos.

Variantes. Classic asume varianza constante. HC1 corrige heterocedasticidad; HC3 ajusta más la influencia de observaciones con alto leverage y suele ser prudente en muestras chicas. HAC/Newey-West permite heterocedasticidad y autocorrelación hasta el número de rezagos elegido.

Por qué no cambia el beta. El estimador OLS es el mismo; lo que cambia es la matriz de covarianza con la que se mide su incertidumbre.

Los errores robustos no arreglan el modelo; ajustan la inferencia.

En ChartBay. El selector de Pro ofrece classic, HC1, HC3 y HAC. Para HAC también elegís rezagos; más rezagos no siempre es mejor.

No significa. Usar robustos no corrige variables omitidas, mala forma funcional, endogeneidad ni dependencia que el estimador de covarianza no contempla.

Fuente principal. Wooldridge, Introductory Econometrics: A Modern Approach, cap. 8, sec. 8.2, y cap. 12, sec. 12.5.

Estado. Disponible (Pro)

Resumen rápido. Existe cuando Var(u|X) no es constante: algunas observaciones tienen errores típicamente más dispersos que otras.

Por qué importa. Bajo exogeneidad, OLS puede seguir insesgado, pero deja de ser el estimador lineal más eficiente y los errores estándar clásicos pueden ser incorrectos.

Cómo se analiza. Un patrón de abanico en residuos es una señal visual, no una prueba definitiva. Breusch-Pagan formaliza un contraste y los errores HC ajustan la inferencia.

En ChartBay. Los resultados muestran residuos y el test Breusch-Pagan. En Pro podés reestimar la inferencia con HC1 o HC3 sin cambiar los betas.

Seguí con: Breusch-Pagan y errores robustos.

Fuente principal. Wooldridge, Introductory Econometrics: A Modern Approach, cap. 8, secs. 8.1 a 8.3.

Estado. Disponible (test Breusch-Pagan en Lite y Pro)

Resumen rápido. Evalúa si la magnitud de los residuos cuadrados se relaciona sistemáticamente con las X.

Hipótesis. H0: homocedasticidad (varianza constante). H1: la varianza condicional cambia con al menos una variable de la regresión auxiliar.

Procedimiento. Usa los residuos OLS, estima una regresión auxiliar de sus cuadrados sobre las X y obtiene un estadístico LM o F y su p-value.

Cómo se lee. Si p < α, se rechaza H0 y hay evidencia de heterocedasticidad. Con α = 0,05, esto equivale a p < 0.05. Si p ≥ α, el test no encontró evidencia suficiente; no demuestra homocedasticidad.

En ChartBay. Lite y Pro lo reportan junto al OLS. Compará el p-value con tu α; en Pro podés elegir HC3 cuando el contraste rechaza.

No significa. Rechazar H0 no identifica por sí solo la causa del problema ni obliga a eliminar observaciones. Conviene revisar residuos, escala y especificación.

Seguí con: heterocedasticidad, HC1/HC3 y formas funcionales.

Fuente principal. Wooldridge, Introductory Econometrics: A Modern Approach, cap. 8, sec. 8.3.

Estado. Disponible (Lite y Pro)

Qué es. Una variable observada en distintos momentos, como inflacion mensual, tipo de cambio diario o ventas trimestrales.

Claves. El orden temporal importa: la serie tiene rezagos (valores pasados), puede mostrar autocorrelación (correlación con su pasado) y tiene una frecuencia (diaria, mensual, etc.).

Fechas reales. Si el CSV trae una columna temporal válida, ChartBay puede ordenar la serie por fecha antes de estimar. En Pro, esa columna es opcional: sin fecha, el análisis usa el orden del CSV.

En ChartBay. Elegís columna de fecha y de valor en Lite. En Pro elegís una columna de serie y, si existe, una columna temporal opcional.

Estado. Disponible

Qué es. El indice temporal define el orden de las observaciones. La frecuencia dice si los datos avanzan de forma regular: diaria, semanal, mensual, trimestral o anual.

Cómo se interpreta. Una frecuencia estable permite etiquetar pasos futuros con períodos reales. Una frecuencia irregular no debe forzarse.

En ChartBay Pro. Si elegís columna temporal, Pro válida fechas, bloquea duplicados, ordena la serie y solo genera fechas futuras cuando la frecuencia es clara. Si no, el forecast usa pasos genericos t+1, t+2.

Estado. Disponible (Pro)

Resumen rápido. Una serie débilmente estacionaria mantiene media y varianza constantes, y su covarianza depende del rezago, no de la fecha exacta.

Intuicion. El proceso puede fluctuar, pero vuelve a un comportamiento estable. Una tendencia persistente o una raíz unitaria hace que shocks lejanos sigan afectando el nivel.

Por qué importa. ACF, PACF y modelos ARMA tienen interpretaciones estables cuando la serie es estacionaria. Regresar niveles no estacionarios no relacionados puede producir asociaciones espurias.

Error común. Una serie estacionaria no tiene que ser plana ni ruido blanco; puede tener autocorrelación y oscilaciones, siempre que sus propiedades sean estables.

Seguí con: ADF, transformaciones y ACF/PACF.

Fuente principal. Wooldridge, Introductory Econometrics: A Modern Approach, cap. 11, sec. 11.1.

Resumen rápido. H0: la serie tiene raíz unitaria. Un estadístico ADF suficientemente negativo permite rechazar H0; no rechazarla no prueba que exista una raíz unitaria.

Cómo se interpreta. Compará el estadístico con los valores críticos Dickey-Fuller/MacKinnon correspondientes al término determinístico y al tamaño muestral. También puede usarse el p-value aproximado con α predefinido.

Especificación. Constante, tendencia y cantidad de rezagos cambian el contraste. Una tendencia omitida o demasiados/pocos rezagos puede alterar la conclusión; ADF además puede tener poca potencia en muestras chicas.

En ChartBay. Lite usa constante, rezago automático y valores críticos MacKinnon ajustados por el n efectivo; si p-value y críticos discrepan cerca del 5%, el resultado indica que mandan los críticos finitos. Pro permite elegir constante/tendencia y usa statsmodels.

No significa. p ≥ 0,05 no confirma una raíz unitaria; solo dice que esta muestra y especificación no permiten rechazarla.

Seguí con: estacionariedad, diferenciación y ARIMA.

Fuente principal. Wooldridge, Introductory Econometrics: A Modern Approach, cap. 18, sec. 18.2.

Estado. Disponible

Resumen rápido. Transformar una serie cambia la pregunta: diferenciar estudia cambios; retornos estudian variaciones relativas; base 100 compara evoluciones desde un origen común.

Primera diferencia. Δyt = yt - yt-1. Puede remover una tendencia estocastica I(1), pero se pierde la interpretación directa del nivel. Diferenciar de más introduce dependencia artificial y ruido.

Retorno simple. 100·(Pt/Pt-1-1). Retorno logaritmico. 100·[ln(Pt)-ln(Pt-1)]; se suma facilmente entre períodos y aproxima al retorno simple cuando los cambios son pequeños.

Tendencia deterministica o estocastica. Una serie alrededor de una tendencia deterministica puede modelarse incluyendo tiempo. Una raíz unitaria suele requerir diferencias. Ambas pueden verse crecientes, pero implican persistencia y pronosticos distintos.

En ChartBay. Diferencia, retorno %, retorno log, base 100, media móvil.

Error común. Transformar hasta conseguir p < 0,05 sin pensar qué variable económica queda. La estacionariedad no compensa una interpretación incoherente.

Estado. Disponible

Resumen rápido. ACF mide la relación total con cada rezago; PACF aísla la relación directa con un rezago, controlando los intermedios.

Intuicion. Si inflacion de hoy se parece a la de meses anteriores, hay memoria temporal. La ACF muestra cuánto persiste; la PACF ayuda a distinguir si un rezago agrega información propia.

Cómo se interpreta. Una ACF que cae muy lentamente puede alertar sobre no estacionariedad. En una serie estacionaria, un corte de PACF sugiere candidatos AR(p) y un corte de ACF, candidatos MA(q); son heurísticas, no reglas mecánicas.

En ChartBay. Tablas en el panel de series (Lite) y en Pro con statsmodels.

Error común. Elegir p y q solo por una barra aislada. Mirá el conjunto, la estacionariedad, AIC/BIC y los residuos.

Seguí con: Ljung-Box y ARIMA.

Estado. Disponible

Resumen rápido. Contrasta en conjunto si las autocorrelaciones desde 1 hasta h son cero.

Hipótesis. H0: no hay autocorrelación conjunta hasta el rezago h. H1: al menos una de esas autocorrelaciones es distinta de cero.

Cómo se interpreta. Si p < α, se rechaza H0 y queda estructura temporal. Si no se rechaza, no se demuestra independencia: el test puede no detectar otras dependencias o tener poca potencia.

Dos usos. Sobre la serie original, detecta dependencia temporal. Sobre los residuos de un ARIMA, chequea si el modelo capturo esa dependencia: si no rechaza, buena señal.

En ChartBay. Lite y Pro muestran estadístico Q y p-value para varios rezagos; Pro también lo calcula sobre residuos ARIMA.

Seguí con: ACF/PACF y diagnóstico de residuos de ARIMA.

Estado. Disponible (serie y residuos ARIMA en Pro)

Resumen rápido. AR usa valores pasados; MA usa innovaciones pasadas; ARIMA agrega diferenciación para trabajar con series integradas.

Estabilidad e invertibilidad. Los parámetros no pueden tomar cualquier valor: un AR debe ser estacionario y un MA invertible para tener una representacion estable e identificable. En AR(1), |φ| < 1 produce reversion; cuánto más cerca de 1, más persistentes son los shocks.

ARIMA(p,d,q). Primero diferencia d veces; sobre esa serie combina p términos AR y q términos MA.

Ejemplo. ARIMA(1,1,1): p = 1 usa un rezago autorregresivo; d = 1 diferencia la serie una vez; q = 1 usa un rezago de media móvil.

Selección del orden. ACF/PACF proponen candidatos; AIC y BIC comparan ajuste penalizando complejidad; el diagnóstico final exige residuos sin autocorrelación remanente. BIC penaliza parámetros con más fuerza a medida que crece n.

Honestidad. ARIMA no adivina el futuro. Construye un pronóstico condicionado al patrón histórico y al modelo elegido.

Antes de usar ARIMA, conviene mirar estacionariedad (ADF), ACF, PACF y, después de estimar, Ljung-Box sobre residuos.

En ChartBay. Pro estima ARIMA manual: elegís p, d, q y ves coeficientes, AIC/BIC y diagnóstico de residuos. Auto-ARIMA: Roadmap

Error común. Aumentar p y q hasta mejorar el ajuste dentro de muestra puede sobreajustar. Preferí ordenes parsimoniosos y residuos sin estructura clara.

Seguí con: forecast, Ljung-Box y AIC/BIC.

Estado. Disponible (Pro, manual)

Qué es. El forecast proyecta valores futuros usando el modelo estimado. El pronóstico puntual es una estimación central; los intervalos muestran incertidumbre.

Cómo se lee. Elegís un horizonte (cuántos períodos hacia adelante). Cada paso tiene un pronóstico puntual y un límite inferior/superior. Los intervalos suelen abrirse a medida que crece el horizonte, porque la incertidumbre se acumula.

Evaluacion honesta. El ajuste dentro de muestra no mide por sí solo capacidad predictiva. Cuando sea posible, reserva los ultimos períodos como conjunto de prueba, estima solo con el pasado y compara errores como MAE o RMSE contra una referencia simple.

Pronostico dinamico. A un paso usa toda la historia observada. A varios pasos, los valores futuros desconocidos se reemplazan recursivamente por pronosticos, por eso aumenta la incertidumbre y los shocks nuevos no pueden anticiparse.

Fechas o pasos. Si Pro pudo inferir una frecuencia temporal estable, muestra períodos futuros reales. Si la frecuencia no es clara, no inventa fechas: muestra t+1, t+2 y avisa.

Honestidad. El forecast no es una promesa: es una proyeccion condicionada al modelo y a que el patrón histórico se mantenga.

En ChartBay. Pro genera forecast del ARIMA estimado con intervalos al 95%.

Error común. El intervalo de forecast contempla innovaciones futuras y por eso no es lo mismo que un intervalo para la media estimada.

Fuente principal. Wooldridge, Introductory Econometrics: A Modern Approach, cap. 18, sec. 18.5.

Estado. Disponible (Pro)

Qué es. Variación del precio. Simple o logaritmico.

Cómo se interpreta. El log es aditivo en el tiempo.

En ChartBay. Transformaciones de series (retorno %, log).

Estado. Disponible

Qué es. Cuánto varia el retorno.

Cómo se interpreta. Más volatilidad = más riesgo.

En ChartBay. ATR como proxy de volatilidad del precio.

Estado. Indicadores Disponible. Metricas de cartera Roadmap

Qué es. Señales sobre precio y volumen (RSI, MACD, etc.).

Cómo se interpreta. Cada uno tiene su propia lectura de sobrecompra, sobreventa y cruce.

En ChartBay. Fuera del alcance actual del motor, centrado en econometría.

Estado. Roadmap

Qué es. Combinar activos para mejorar la relación riesgo/retorno.

Para qué. No depender de un solo activo.

Estado. Roadmap (esqueleto en el motor)

Qué es. VaR: pérdida potencial. Drawdown: caida desde maximos. DCF: valor por flujos descontados.

Para qué. Medir riesgo y estimar valor.

Estado. Roadmap

Qué es. Datos listos para probar sin armar nada.

En ChartBay. "Descargar ejemplo CSV" en Econometría, o la "Demo guiada" de un click.

Estado. Disponible

Datos. Un CSV con una Y y una X.

Pasos. Subí el CSV → Y = la columna a explicar → X = la otra → Calculá.

Cómo se lee. Mirá el coeficiente de X, su p-valor y el R2.

En ChartBay. Demo "OLS simple".

Estado. Disponible

Pasos. Con dos X, escribi beta_x1 = beta_x2 y calcula.

Cómo se lee. El F dice si la restricción se sostiene; compará el RSS.

En ChartBay. Demos "RLS beta1 = beta2" y "RLS beta1 + beta2 = 1".

Estado. Disponible

Pasos. Si dos X son redundantes, el modelo falla.

Cómo se lee. Usá "Arreglar y calcular" para corregirlo.

En ChartBay. Demo "Caso singular".

Estado. Disponible

Pasos. Elegí columna de fecha y de valor → Run Time Series.

Cómo se lee. ADF (estacionariedad), ACF/PACF, Ljung-Box y el siguiente paso sugerido.

Con Pro. En versión Pro, el mismo modo corre los diagnósticos con statsmodels y permite estimar un ARIMA manual (p,d,q) con forecast e intervalos.

Estado. Disponible