No abstract

En este artículo se presenta una visión general de la estructura tecnológica  de la industria antioqueña en su conjunto para el periodo 1975-1987. Para el análisis se supone una función de producción en dos niveles: en el primero se emplean como insumos el capital, el trabajo, los energéticos y otras materias primas; en el segundo, los energéticos son desagregados en electricidad y otros. Usando una función translogarítmica de costos para cada uno de los niveles, se llega, finalmente, a presentar estimaciones de las elasticidades precio directas y cruzadas que darían cuenta de las relaciones económicas entre los insumos. Examinando los resultados de las estimaciones se observa que las elasticidades directas son todas negativas, el capital y los insumos energéticos son sustitutivos, mientras que la única complementariedad se presenta entre el trabajo y los insumos energéticos.

Este artículo se enmarca en el análisis del comportamiento de la tasa de cambio nominal bajo el régimen de bandas que se observó en Colombia entre el 24 de enero de 1994 y el 24 de septiembre de 1999. El propósito principal es caracterizar los regímenes que registró la tasa de cambio nominal en este período (devaluación o revaluación) y la ley que gobernó su transición, a través de un sistema de cadenas de Markov. Concretamente, se utiliza el modelo de tendencias estocásticas segmentadas desarrollado en 1990 por James D. Hamilton y se modela la tasa de cambio semanal como si fuera generada por uno de los regímenes señalados.Palabras clave: banda cambiaria, realineamientos, política cambiaria, modelo de tendencias estocásticas segmentadas.

Recibido 21-01-2016, aceptado 31-05-2016, versión final 08-06-2016.Artículo Investigación RESUMEN: El análisis de regresión es una herramienta ampliamente usada en el trabajo estadístico aplicado. En este análisis, la presencia de datos extremos o la existencia de multicolinealidad pueden introducir serias distorsiones en la estimación de parámetros y la inferencia estadística; dichos efectos han sido estudiados ampliamente en la literatura. En este artículo se presenta una herramienta construida bajo la librería shiny del paquete computacional R con el objeto de detectar este tipo de problemas en modelos de regresión no lineal, cuando se emplea estimación por mínimos cuadrados no lineales. La interfaz gráfica presentada permite especificar el modelo de regresión no lineal, realizar su estimación por mínimos cuadrados no lineales, y diagnosticar la presencia de datos extremos, o la existencia y severidad de problemas de multicolinealidad.PALABRAS CLAVE: Datos extremos, interfaz gráfica, mínimos cuadrados no lineales, multicolinealidad, regresión no lineal.ABSTRACT: Regression analysis is a widely used tool in the statistical work applied. In this analysis, the presence of extreme data or the existence of multicollinearity can introduce serious distortions in parameter estimation and statistical inference; these effects have been widely studied in the literature. This article describes a tool built under the shiny R library software package in order to detect such problems in nonlinear regression models, when estimation is used for nonlinear least squares is presented. The graphical interface presented allows you to specify the nonlinear regression model, make its estimate for nonlinear least squares, and diagnosing the presence of extreme data, or the existence and severity of multicollinearity problems.

Castaño et al. (2008) proponen una prueba para investigar la existencia de memoria larga, basada en el parámetro de diferenciación fraccional de un modelo ARFIMA (p, d, q); se muestra que al usar una aproximación autorregresiva de orden igual al entero más próximo a p* = T1/3 para la componente de memoria corta, la prueba de la hipótesis nula de memoria corta contra la alternativa de memoria larga tiene, en general, mayor potencia que algunas otras pruebas conservando un tamaño adecuado. Este estudio muestra los sesgos generados en la estimación del parámetro d y su efecto sobre la potencia y tamaño de la prueba, cuando se ignora la componente de corto plazo y cuando se emplean modelos que no la aproximan adecuadamente. Adicionalmente, se analiza si los resultados obtenidos por Castaño et al. (2008) pueden mejorarse empleando una aproximación autorregresiva diferente.