Handbook on Cyclical Composite indicators – 2017 edition

Eurostat i l’United Nations Statistics Division, publiquen conjuntament el manual, “Handbook on Cyclical Composite indicators – 2017 edition. For Business cycle analysis” a fi que serveixi de guia per la compilació d’indicadors compostos cíclics. “The 2007-2009 global financial and economic crises revealed severe weaknesses in the system of macroeconomic infra-annual statistics which prevent a prompt […]

via “Handbook on Cyclical Composite indicators – 2017 edition” — Bloc d’estadística oficial

Anuncios

Microsoft R Open 3.4.1 now available

(This article was first published on Revolutions, and kindly contributed to R-bloggers) Microsoft R Open (MRO), Microsoft’s enhanced distribution of open source R, has been upgraded to version 3.4.1 and is now available for download for Windows, Mac, and Linux. This update upgrades the R language engine to R 3.4.1 and updates the bundled packages. MRO is 100%…

via Microsoft R Open 3.4.1 now available — R-bloggers

Redes Sociales en el Consumo de los Hogares

Otra economia

Redes Sociales en el Consumo de los Hogares

Francisco Parra

1 de septiembre de 2017

Licencia de Creative Commons
Este obra está bajo una licencia de Creative Commons Reconocimiento-NoComercial-CompartirIgual 4.0 Internacional.

Abstract

El objetivo del artículo es comprobar si la teoría del consumo Keynesiana, puede ser considerada desde una perspectiva micro, alejada de las tradicional supuesto de la elección entre bienes en base a las funciones de utilidad, para ello adoptaremos un supuesto más sociológico basado en la elección siguiendo un patrón determinado, aquí supondremos que cada individuo elige imitando el comportamiento de los individuos de la inmediata clase social de mayor renta, sujeto a una restricción de gasto que es la que determina la función de consumo Keynesiana, construida en base a grupos de clases sociales (percentiles). Para realizar dicho análisis utilizaremos técnicas de regresión band spectrum, jerarquías en arboles mínimos de expansión, y técnicas de análisis de redes sociales, aplicadas a…

Ver la entrada original 12 palabras más

Tidy Time Series Analysis, Part 4: Lags and Autocorrelation

(This article was first published on business-science.io – Articles, and kindly contributed to R-bloggers) In the fourth part in a series on Tidy Time Series Analysis, we’ll investigate lags and autocorrelation, which are useful in understanding seasonality and form the basis for autoregressive forecast models such as AR, ARMA, ARIMA, SARIMA (basically any forecast model…

via Tidy Time Series Analysis, Part 4: Lags and Autocorrelation — R-bloggers

Using regression trees for forecasting double-seasonal time series with trend in R

(This article was first published on Peter Laurinec, and kindly contributed to R-bloggers) After blogging break caused by writing research papers, I managed to secure time to write something new about time series forecasting. This time I want to share with you my experiences with seasonal-trend time series forecasting using simple regression trees. Classification and…

via Using regression trees for forecasting double-seasonal time series with trend in R — R-bloggers

FORMACIÓN EN BIG DATA Y DATA SCIENCE ON LINE | UNED

 

El Curso pretende mostrar la realidad que imponen las nuevas tecnologías en todos los sectores económicos y dar respuestas a su transformación digital.

De tal forma, a medida que el estudiante se matricule y supere los módulos (todos los módulos tienen una carga lectiva de 5 créditos ECTS) irá obteniendo las diferentes titulaciones.

El curso de formación se estructura de manera modular obteniendo, en función de los créditos cursados por los estudiantes, el “Diploma de Experto”, el “Diploma de Especialización” y, finalmente, el “Master”, por la Universidad Nacional de Educación a Distancia (UNED).

Mas información en :

http://www.masterbigdataonline.com/index.php

Estadística y Machine Learning con R

Introducción

Capítulo I: Modelo lineal general.

Capítulo II: Extensiones al modelo de regresión lineal

Capítulo III: Modelos con Variables Cualitativas

Capítulo IV: Métodos de clasificación

Capítulo V: Agrupación de la información

Capítulo VI: Inferencia no parámetrica

Bilbliografía