Cuaderno de Laboratorio

Cuaderno De Laboratorio De Econometra I
Lic. Rubn Aguilar C.
INGENIERA COMERCIAL
ESCUELA MILITAR DE INGENIERIA

Mcal. Antonio Jos de Sucre
BOLIVIA
CUADERNO DE LABORATORIO
PARA ECONOMETRIA II
BIENVENIDOS A LAS CLASES DE LABORATORIO DE ECONOMETRIA II, AL IGUAL QUE EN EL
CUADERNO ANTERIOR, LEA LA PARTE TEORICA, OBSERVE LAS VENTANAS DE LOS PROGRAMAS
Y POSTERIORMENTE COMPARE EN SU PC.
PRIMERA PARTE - MODELOS UNIVARIANT ES
Para el desarrollo del siguiente laboratorio se utilizara una base de datos en series de tiempo
trimestrales, para el test CENSUS X12 de una sola variable. Es as que escogemos analizar el impacto,
variaciones y comportamiento de las RESERVAS INTERNACIONALES NETAS.
Nuestra muestra consta de 80 observaciones con datos desde 1990 hasta 2009.
Utilizaremos el software de Eviews7 por su amplia variedad de opciones de anlisis y procesos de
evaluacin adicionales que el Eviwes5 no tiene.
A continuacin creamos un workfile e importamos los datos de la hoja de Excel: BD_RIN:
Utilizando el comando create establecemos la frecuencia de nuestro datos para la hoja de trabajo, que
sern trimestrales:
Luego nos vamos a view import read y definiendo el tipo de archivo Excel(.xls) ubicamos nuestra
base de datos BD_RIN:
71
INGENIERA COMERCIAL
Luego definir la celda donde se hallan nuestros datos y el numero de variables a incluir en el workfile:
Una vez que tenemos todas las variables deseadas; nos vamos a la de inters; RIN, de la cual
obtendremos un grafico inicial para determinar su comportamiento sin previo ajuste, y tenemos:
RIN
200,000,000
160,000,000
120,000,000
80,000,000
40,000,000
0
1990
1992
1994
1996
1998
2000
2002
2004
2006
2008
Tambin podemos ver el grafico estacional por trimestres; buscando la opcin seasonal graph:
71
INGENIERA COMERCIAL
RIN by Season
200,000,000
160,000,000
120,000,000
80,000,000
40,000,000
Y tendremos
Q1
Q2
Q3
Q4
Means by Season
Se observa que todos los trimestres de cada ao crecen las reservaspero en el ultimo ao el cuarto
trimestre decae, esta es un percepcin simple de forma que no es segura ninguna hiptesis sobre el ritmo
de crecimiento de las reservas internacionales.
Por tal motivo nos enfocaremos en analizar el comportamiento evolucin y tendencia de esta variable:
A continuacin nos vamos a proc seasonal Adjustment CensusX12 para verificar el ruido, shocks
y tendencias que puedan afectar el comportamiento de nuestra variable, es decir el ajuste por
componente estacional:
Nos aparece una ventana con opciones para verificar el componente estacional de la variable; nosotros
remarcaremos lo siguiente:
X11 Method: escogemos multiplicative porque nuestros datos

son positivos, en caso de contar con datos negativos se debe utilizar
el additive.
Final seasonal factors (_SF): Factores estacionales finales
Final trend-cycle (_TC): Tendencia del ciclo final
Final irregular component (_IR): Componente irregular final.
71
INGENIERA COMERCIAL
Una vez seleccionadas las opciones detalladas anteriormente, tendremos una ventana con todo el
anlisis de la estacionalidad de la variable de modo que por su extensin solo mostraremos las partes
importantes.
Podemos rescatar la siguiente informacin:
F- test for seasonality: Nos indica bsicamente el grado de estacionalidad que presenta la variable.
Es asi que por los datos del informe definimos que la evidencia de estacionalidad es del 1%.
Tambin podemos ver a la izquierda el test para verificar la presencia de residuos estacionarios.
Finalmente de este informe nos importa mucho mas verificar la aceptacin que tiene nuestra variable es
as que nos acepta a un nivel del 80%.
Pasamos a nuestro workfile y encontramos tres nuevas series que corresponden al test CensusX12
71
INGENIERA COMERCIAL
Mostraremos los grficos de cada una de ellas, para hacer un anlisis de estacionalidad.
RIN_IR
RIN_IR
1.3
1.2
1.1
1.0
0.9
0.8
0.7
0.6
1990
1992
1994
1996
1998
2000
2002
2004
2006
2008
Podemos darnos cuenta que los componentes irregulares tienen su efecto remarcado a inicios y finales
de la muestra, es decir hay un impacto notorio durante 1990 y lo mismo ocurre el 2009. Es ideal porque
a lo largo del recorrido de la variable la esperanza de los datos tiende a cero.
RIN_SF
RIN_SF
1.06
1.04
1.02
1.00
0.98
0.96
0.94
0.92
0.90
1990
1992
1994
1996
1998
2000
2002
2004
2006
2008
El efecto de los factores estacionales es decreciente entre 1990 hasta 1997, para luego mantener un
ritmo constante y luego incrementar un poco su ciclo entre el 2000 y 2006, para luego modificar su
ritmo hasta el 2009. No hay un ritmo marcado de estacionalidad.
71
INGENIERA COMERCIAL
RIN_TC
RIN_TC
200,000,000
160,000,000
120,000,000
80,000,000
40,000,000
0
1990
1992
1994
1996
1998
2000
2002
2004
2006
2008
Observamos la tendencia creciente de la variable de forma moderada hasta 2004 para luego remarcar su
crecimiento hasta el 2008 y descender el ltimo ao de la muestra.
FILTRO HP (HODRICK PRESCOTT)
Es la otra forma de verificar la tendencia en base a un ciclo de la variable en cuestin. Para ello nos
vamos a nuestra variable RIN, luego elegimos proc Hodrick Prescott filter
Es as que tenemos el siguiente grafico, crendose tambin una nueva serie llamada hptrend01
71
INGENIERA COMERCIAL
Hodrick-Prescott Filter (lambda=1600)

200,000,000
150,000,000
100,000,000
50,000,000
40,000,000
-50,000,000
-40,000,000
-80,000,000
-120,000,000
1990
1992
1994
1996
RIN
1998
2000
Trend
2002
2004
2006
2008
Cycle
Podemos concluir que que la tendencia vista en el anterior grafico ahora esta de color rojo, adems
denotamos que el ciclo de dicha tendencia tiene relacin directa con el comportamiento de nuestra
variable y como dijimos tiene un comportamiento muy particular a partir de los ltimos siete aos.
71
INGENIERA COMERCIAL
SEGUNDA PARTE
MODELOS
A
MULTI VARIANT ES - ECUACIONES
EN
DIFERENCI
Ahora nos importa para nuestra variable RESERVAS INTERNACIONALES NETAS verificar su
estacionalidad tomando en cuenta tres aspectos:
Si tiene o no tendencia nica.

Estudiarla en niveles para ver si no ha sufrido ninguna transformacin.
Y posteriormente aplicarle 2da diferencias para hacer estacionaria a la variable.
Nos guiamos sobre la cuestin de que si los shocks no son acumulativos son transitorios; entonces
hablamos de un efecto no estacionario. Para verificarlo modelamos la serie en primera diferencia.
RIN
3.2
2.8
2.4
2.0
1.6
1.2
0.8
0.4
0.0
-0.4
-0.8
1990
1992
1994
1996
1998
2000
2002
2004
2006
2008
Por lo que podemos ver, no existe tendencia nica,

porque primero asciende luego se mantiene, despus se
dispara para luego decaer de forma remarcada.
Veamos los cambios porcentuales, en la ventana del
grafico escogemos la pestaa % change, o generamos
una serie llamada RIN_CH.
Como primera diferencia tenemos entonces la tasa de
crecimiento:
71
INGENIERA COMERCIAL
El grafico muestra una tendencia a cero que no es suficiente para hacer mi proyeccin.
Ahora sacamos nuestra variable en segundas diferencias con la siguiente ecuacin:
Obtendremos lo siguiente:
DDRIN
20,000,000
0
-20,000,000
-40,000,000
-60,000,000
-80,000,000
-100,000,000
-120,000,000
-140,000,000
1990
1992
1994
1996
1998
2000
2002
2004
2006
2008
Por lo visto ahora si me muestra una tendencia a cero mas remarcada hasta el 2005, con leves variantes
pero en adelante comienza a cambiar el grafico, presentando shocks notables. Podramos concluir que
nuestra variable es estacionaria.
FILTROS
FILTRO PARAMETRICO - HODRICK PRESCOTT FILTER
71
INGENIERA COMERCIAL
FILTROS NO PARAMETRICOS
Podemos tambin utilizar otros filtros que nos ayudan a definir la estacionalidad de la variable yendo a
proc frecuency filter
71
INGENIERA COMERCIAL
FILTRO: BAXTER KING

Fixed Length Symmetric (Baxter-King) Filter
Frequency Response Function
200,000,000
1.2
150,000,000
100,000,000
50,000,000
5,000,000
0
1.0
0.8
0.6
0.4
-5,000,000
0.2
-10,000,000
-15,000,000
0.0
-20,000,000
-0.2
-25,000,000
90
92
94
96
98
RIN
00
02
04
Non-cy clical
06
.00
08
.05
.10
.15
.20
.25
Actual
Cy cle
.30
.35
Ideal
.40
.45
.50
cy cles/period
FILTRO: CHRISTIANO FITZGERALD (fixed lenght symmetric)

Este filtro trabaja con una parte de la muestra
Fixed Length Symmetric (Christiano-Fitzgerald) Filter
Frequency Response Function

200,000,000
1.2
150,000,000
1.0
100,000,000
0.8
50,000,000
0.6
0
0.4
-10,000,000
0.2
-20,000,000
0.0
-30,000,000
-40,000,000
-0.2
90
92
94
96
98
00
02
04
06
08
.00
.05
.10
.15
.20
.25
.30
.35
.40
.45
.50
cy cles/period
RIN
Non-cy clical
Cy cle
Actual
Ideal
FILTRO: CHRISTIANO FITZGERALD (full simple asymmetric)

Este filtro trabaja con la muestra completa.
71
INGENIERA COMERCIAL
Asymmetric (time-varying) Filter

200,000,000
150,000,000
120,000,000
100,000,000
80,000,000
50,000,000
40,000,000
0
-50,000,000
-40,000,000
90
92
94
96
RIN
98
00
02
04
Non-cyclical
06
08
Cycle
Hacemos un grafico conjunto de los cuatro filtros y vemos lo siguiente:

120,000,000
80,000,000
40,000,000
0
-40,000,000
-80,000,000
-120,000,000
1992
1994
1996
1998
RIN_CYCLE_BK
RIN_CYCLE_HP
2000
2002
2004
2006
2008
RIN_CYCLE_FS
RIN_CYCLE_PS
71
1990
INGENIERA COMERCIAL
Podemos concluir que los filtros Hodrick Prescott, Baxter King y el de muestra parcial son iguales entre
los periodos 1993 hasta 2006, el filtro de muestra total tiene un movimiento ms notorio en relacin a los
filtros; entonces los filtros son dbiles en las colas pero muy fuertes durante la tendencia.
Ahora veremos la existencia de estacionalidad con el correlograma, que es la representacin grafica de la
funcin de autocorrelacion viendo las correlaciones existentes de una serie de tiempo.
Para ello vamos a la variable en la pestaa view correlogram
Nos aparecer una ventana que nos da tres opciones con las cuales podremos saber si es o no estacionaria
nuestra variable, para comenzar escogeremos la de niveles (level) y tenemos:
UNA SERIE DE TIEMPO NO ESTACIONARIA

TIPICAMENTE ESTA RELACIONADA A UNA FUNCION DE
CORRELACION QUE DECRECE LENTAMENTE A
MEDIDA QUE INCREMENTAMOS LOS REZAGOS
Es as que podemos verificar en las barras de autocorrelacin que
decrece hasta morir entre los rezagos 19 al 22 y luego comienza a
renacer poco a poco.
Adems la probabilidad es menor y nos muestra existencia de
autocorrelacin.
Por lo tanto nuestra variable no es estacionaria.
Ahora tendremos que analizarlo en primera diferencia; realizando
la misma secuencia de pasos en la ventana de correlogram
specification elegimos ahora 1st difference:
Temos entonces que desde un principio el grafico esta dentro

de las bandas y adems muy pequeo y adherido a la lnea de
71
INGENIERA COMERCIAL
cero. Esto nos dice que no hay autocorrelacion y por tanto la variable es estacionaria, aunque haya un
pequeo detalle de brotacion en el rezago 14, pero dentro de las bandas.
Finalmente logramos ver que nuestra variable es estacionaria, pero podemos mejorarlo viendo lo que
sucede con la segunda diferencia:
y si efectivamente nos confirma la existencia de un

patrn estacionario en el recorrido de nuestra variable
RESERVAS INTERNACIONALES NETAS.
A diferencia del de primera diferencia, podemos apreciar
que la probabilidad es muchsimo mayor para cada uno de
los rezagos.
La ausencia de autocorrelacion se nota desde un principio y
con algunas variaciones mnimas dentro la banda nos
vuelve a confirmar que la variable es estacionaria.
TERCERA PARTE
MODELOS
ARIMA - ECUACIONES
EN
DIFERENCIA
Ahora nos enfocaremos en tratar de modelar la

serie, para lo cual debemos trabajar con una serie
estacionaria para realizar los procesos ARMA y
ARIMA.
Para comenzar utilizaremos comandos de Eviews;
escribiendo el siguiente comando:
close all
wfcreate lab_3 m 1990 2009
71
INGENIERA COMERCIAL
read(c2, s=hoja3) "C:\Users\CARMEN\Documents\ROooUss\sexto

semestre!\2.EconometriaII\LABORATORIOS\Lab3\BD_RIN.xls" 1
stop
Luego en la pestaa RUN escoger quiet (fast) no screen/status line updates, luego OK
Es asi que nos aparecer la hoja de trabajo con la

base de datos deseada de nuestra variable de estudio
que son las RESERVAS IINTERNACIONALES
NETAS, trabajamos con datos mensuales desde
1990 hasta 2009, simplemente desglosamos nuestra
base de datos de trimestres a meses conforme las
fuentes de UDAPE/DOSIER2010.
Procedemos a verificar si con datos mensuales

nuestra variable es estacionaria en niveles, en la pestania view, correlogram
71
INGENIERA COMERCIAL
Inicialmente verificamos con una serie en NIVELES, trabajaremos con 120 rezagos:
Observamos al correlograma que representa a la funcin

de autocorrelacion que la serie se comporta de la
siguiente manera:
Un proceso estocstico no estacionario est relacionado
con un correlograma cuya grafica nos muestra una lenta
cada de la funcin de correlacin, sin embargo un
proceso estocstico estacionario cae rpidamente y tiene
una muerte sbita. Est relacionado con un tpico patrn
estacionario
71
INGENIERA COMERCIAL
Como vimos el correlograma desaparece en el

rezago 42, esto es sinnimo que si el correlograma
decrece lentamente hay cierta renuencia de separase
del valor de 1 porque:
En el rezago 42 su valor es 0.104 y el rezago 43 es
0.092
Por lo tanto en niveles, la serie es NO
ESTACIONARIA
Entonces buscamos la estacionariedad para nuestra serie en primera diferencia
En primera diferencia la serie es no estacionaria
71
INGENIERA COMERCIAL
D(RIN) LA SERIE ES NO ESTACIONARIA

Finalmente nos queda diferenciar la serie una vez ms y efectivamente la serie es ESTACIONARIA!
La serie en segunda diferencia es estacionaria, entonces puedo representar en una expresin ARMA y
ARIMA.
Por lo tanto, debo integrar 2 veces mi serie en segunda diferencia para llagar a mi serie en niveles,
entonces este patrn es una serie I(2). Entonces mi serie dd(RIN) es I(0)
Nuestra serie es estacionaria en segunda diferencia, dado que no lo consegu en primera diferencia tengo
que tener en cuenta lo siguiente:
71
INGENIERA COMERCIAL
Al seguir diferenciando pierdo grados de libertad, cuando la muestra es ms pequea hay problemas de
asintoticidad, cuando diferenciamos le quitamos las caractersticas de largo plazo.
Un patrn MA(1), despus del rezago k hay muestre sbita
Es as que puedo asumir que la serie es un MA(1),

porque efectivamente muere sbitamente, dado que
para k=2 en adelante es 0, es decir estn dentro de
las bandas de confianza.
71
INGENIERA COMERCIAL
CUARTA PARTE
MODELOS
ARMA
Para lograr modelar nuestra serie Reservas Internacionales netas, tomamos datos mensuales, podemos
constatar que no existe estacionalidad en la serie, por lo cual simplemente nos avocaremos a mostrar la
mejor ecuacin para el modelado de nuestra serie.
Para comenzar utilizaremos comandos
escribiendo el siguiente comando:
de
Eviews;
wfcreate lab_5 q 1990 2009

read(c2, s=hoja3)
"C:\Users\CARMEN\Documents\ROooUss\sexto
semestre!\2.EconometriaII\LABORATORIOS\LAB5\BD_RIN.xls" 1
stop
Luego en la pestaa RUN escoger quiet (fast) no screen/status line updates, luego OK
Procedemos a verificar si con datos trimestrales nuestra variable es estacionaria en niveles, en la

pestania view, correlogram
71
INGENIERA COMERCIAL
Inicialmente verificamos con una serie en NIVELES, trabajaremos con 120 rezagos:
Observamos al correlograma que representa a la

funcin de autocorrelacion que la serie se comporta
de la siguiente manera:
Un proceso estocstico no estacionario est
relacionado con un correlograma cuya grafica nos
muestra una lenta cada de la funcin de correlacin,
sin embargo un proceso estocstico estacionario cae
rpidamente y tiene una muerte sbita. Est
relacionado con un tpico patrn estacionario
Por lo tanto en niveles,
la serie es NO
ESTACIONARIA
71
INGENIERA COMERCIAL
Podemos notar que efectivamente nuestra serie tiene indicios de estacionariedad, porque desaparece en
la funcin de autocorrelacion en el rezago 10, por lo que con ayuda de la funcin de autocorrelacion
parcial, estaramos hablando de una serie con patrones AR(9) para que sea estacionaria.
Para comentar un detalle, al sacar la segunda diferencia a

nuestra serie podemos verificar lo siguiente:
En el primer rezago la funcion de autocorrelacion ha
desaparecido totalmente, teniendo como unica variante el
rezago 3 que llega a las bandas de confianza; esto denota que
nos quedaremos con la primera diferencia, dado que
diferenciar una vez mas y de forma innecesaria nos trae mas
inversion al relizar un modelado de una serie.
Al seguir diferenciando pierdo grados de libertad, cuando la
muestra es ms pequea hay problemas de asintoticidad,
cuando diferenciamos le quitamos las caractersticas de largo
plazo.
71
INGENIERA COMERCIAL
Cabe resaltar que por los anteriores laboratorios se ha confirmado que la serie Reservas Internacionales
Netas, no tiene un patron estacional, es decir, no analizaremos la parte irregular, porque nuestra serie
esta vinculada a shocks de los precios volatiles.
Es asi que nos enfocamos a armar la ecuacion del modelo, para ello presentamos la mejor opcion de
nuestra serie, que tiene por objetivo:
No tener autocorrelacion
Obtener residuos con distribucion normal
En el forescast debe tener un covariance proportion cercano a 1
Es asi que guiados por la funcion de autocorrelacion en primera diferencia, planteamos una ecuacion en
tasa de crecimiento con un patron AR(9) de la siguiente forma:
Escribimos en la parte superior de la pantalla de Eviews, el comando:
ls dlog(rin,1) c ar(9) ma(1)
Y nos arrojara los siguientes cuadros, que bsicamente definene un modelo aceptable sin
autocorrelacion, con residuos de distribucin normal.
un
mejor
modelado
de
nestra
serie
encontramos
nuestra
mejor
propuesta:
ls dlog(rin,1) c ar(6) ma(1)

71
Pero
buscando
INGENIERA COMERCIAL
Es as que modelaremos nuestra serie con un patrn AR(6) y un MA(1), porque nos denota que la serie
si nos sirve ya que no tiene autocorrelacion, los residuos siguen una distribucin normal y para el
forescast, la covarianza es mayor que del anterior modelo.
QUINTA PARTE
PRUEBAS FORMALES DE ESTACIONARIEDAD
Para nuestro laboratorio, tenemos que recordar que nuestra variable RIN, nos resulto no estacionaria en
niveles y estacionaria en primera diferencia. Es as que realizaremos los test correspondientes a las
pruebas formales utilizando docimas de hiptesis para confirmar que nuestra serie es estacionaria en
primera diferencia.
Es as que comenzamos abriendo nuestra serie y en la pestaa view, la opcin Unit Root Test
En la ventana que nos aparece a continuacin debemos
escoger la casilla User specified y colocar 0 para
denotar
que
trabajaremos con 0
retardos.
Adems
mantener
las
opciones por defecto,
es
decir
la
evaluacin
se
realizara en niveles
(level)
y
con
variacin (intercept)
71
INGENIERA COMERCIAL
El test Dickey Fuller cuenta con tres pasos a seguir que cumplen una docima de hiptesis para
determinar la estacionariedad de la serie.
En los pasos que sigue toma en cuenta las opciones que vemos en el cuadro del test:
-
Trend and Intercept esta opcin tomara en cuenta a la variacin y la tendencia estocstica en la
ecuacin
Intercept esta opcin tomara en cuenta en la ecuacin solo la variacin, es decir la constante.
None esta opcin es la docima de raz unitaria; porque ya no considera a la variacin ni la
tendencia lo que encamina a la serie a ser o no estacionaria.
Es as que para realizar la docima de raz unitaria, se deben aceptar las docimas de variacin y tendencia
que significa aceptar la hiptesis nula de ausencia de variacin y tendencia respectivamente; estos fueron
los primero dos pasos, el tercero consiste bsicamente en rechazar la hiptesis nula de que exista raz
unitaria, as se define al proceso estocstico como estacionario.
En el Test de Dickey Fuller seleccionamos solamente trend and
intercept para verificar el primer paso de tomar en cuenta a la
tendencia estocstica de la serie. Con ayuda de la docima:
Tomando a beta () como la tendencia de la serie

en la ecuacin:
Es as que obtenemos el anlisis de tomar en cuenta

a la tendencia y por los valores del estadstico T con
el de Mackinnon, podemos definir la docima:
Entonces aceptamos
71
INGENIERA COMERCIAL
Necesariamente seguimos con el siguiente paso del test de Dickey Fuller, analizando la ecuacin sin la
tendencia solamente con la variacin o intercept, para ello nos vamos a la opcin unit root test de la
pestaa view y cambiamos nuestras selecciones: escogemos ahora solo intercept de la siguiente forma
quedara nuestra ventana:
Podemos entonces hacer la prueba de hiptesis para

ver la significancia de la variacin o intercepto. La
docima es la siguiente:
Comparando los valores de los estadsticos, podemos

entonces verificar que se acepta la hiptesis nula, es
decir la serie no es estacionaria y el intercepto no
tiene significancia en la ecuacin.
Finalmente volvemos al test de raz unitaria de

Dickey Fuller y esta vez simplemente no tomamos en
cuenta a ninguna de las dos variantes de los pasos
anteriores, al intercepto y la tendencia; escogemos la casilla
none, dejando las dems opciones como en un principio,
quedando al pantalla de la siguiente forma:
Cabe resaltar que trabajamos este anlisis en la serie en niveles, aun no diferenciamos y por lo tanto
quedan opciones para demostrar con pruebas formales que nuestra serie es estacionaria.
Tenemos la prueba de hiptesis de la siguiente manera; es la DOCIMA DE RAIZ UNITARIA:
71
INGENIERA COMERCIAL
Le llamamos la docima de raz unitaria porque es con esta prueba de hiptesis que comparamos valores
y verificamos las hiptesis para definir a la serie como estacionaria o no. Adems si habramos
rechazado la hiptesis nula en los anteriores pasos, nos avocamos directamente a valorar esta docima y
sacar conclusiones de estacionariedad de la serie.
Tomando los valores de los estadsticos de prueba T y los diseados por Mackinnon; aceptamos la
hiptesis nula y definimos que la serie no es estacionaria en niveles lo que requiere que apliquemos una
primera diferencia en la serie y realicemos directamente la DOCIMA DE RIAZ UNITARIA, es decir ya
no volveremos a realizar los dos pasos anteriores con la tendencia ni el intercepto.
Para ello en la ventana del test marcamos en la

primera parte la casilla de primera diferencia (1st
difference) y dejamos las otras opciones como
estaba a un principio:
71
INGENIERA COMERCIAL
Con la serie en primera diferencia tenemos en el test que los valores de los estadsticos de prueba
rechazan la hiptesis nula por lo tanto:
Analizando la docima de raz unitaria, concluimos que nuestra serie es estacionaria en 1ra diferencia.
Para analizar la normalidad de los residuos del

modelo encontrado, extraemos las variables del
test que sugieren para hacer estacionaria la serie
y los volvemos ecuacin:
Cabe recordar que estamos trabajando con una

serie de orden I(1) en niveles o de orden I(0) en
primera diferencia. Si vemos en la ecuacin
d(rin,2), denota haberle haber trabajado el test
sobre la misma serie directamente se le aplico la
docima de raz unitaria.
Al generar la ecuacin nos podemos guiar de que es la correcta comparando la ventana de nuestra
ecuacin con la del test
71
INGENIERA COMERCIAL
Nuestro objetivo era definir con pruebas formales la estacionariedad de la serie RIN, y para ver si
nuestra especificacin es correcta y adecuada debemos comprobar la existencia de ruido blanco de
nuestros residuos en la serie modelada, para ello verificamos la ausencia de autocorrelacion de los
errores y si son de varianza constante, es decir la prueba de heterocedasticidad.
Tenemos entonces las ventanas de autocorrelacion y el test de White para la heterocedasticidad.
Tenemos el correlograma de la funcin de

autocorrelacion de los residuos que se someten
a la siguiente prueba de hiptesis:
Dados los valores de las probabilidades por

encima del 5% entonces aceptamos la hiptesis
nula de ausencia de autocorrelacion, es decir
nuestra especificacin no tiene autocorrelacion
en los residuos del modelo.
Luego debemos realizar los test de
heterocedasticidad para ver si la varianza es
constante, para ello tomamos primero de
referencia el test de White sin trminos
cruzados y tenemos lo siguiente:
La prueba de hiptesis es la siguiente:
71
Las probabilidades son menores al 5%

por lo que rechazamos la hiptesis nula
nos encontramos ante una especificacin
con problemas de heterocedasticidad.
Esto requiere incrementar retardos a la
especificacin, es decir debemos ahora
buscar estimar un modelo con los
retardos necesarios para obtener una
especificacin de la serie con ausencia
de autocorrelacion y homocedastico para
definir a los errores con distribucin
normal, es decir ruido blanco.
INGENIERA COMERCIAL
Es as que encontramos la especificacin ms adecuada, aplicando e la ecuacin 5 rezagos de la variable

dependiente, la ecuacin es la siguiente:
Analizamos el correlograma y el test de White:
71
INGENIERA COMERCIAL
Como podemos apreciar, efectivamente logramos obtener un modelo con ausencia de autocorrelacion y
de varianza constante, homocedasticidad. Podemos concluir entonces que mi especificacin en Dickey
Fuller es correcta.
IMPORTANTE PARA CONTINUAR CON EL LABORATORIO
Lenguaje de programacin
COMANDOS DE EVIEWS7
A continuacin realizaremos el presente laboratorio, con la ayuda de lenguaje de programacin de
Eviews7.
Los comandos utilizados son los siguientes:
wfcreate crear una hoja de trabajo con especificaciones de tiempo
read(c2, s=hoja.2) leer los datos requeridos desde la celda C2 en la hoja 2 del archivo de Excel.
.line realice un grafico lineal de la variable que se le indique antes del punto
.stats muestra las estadsticas descriptivas de la variable deseada.
.correl(36) muestra el correlograma de una serie o ecuacin definida.
genr genera series
group muestra a un conjunto de variables de forma simultnea en grupo
equation este comando permite realizar la ecuacin de un modelo de regresin
.makeresids muestra los residuos del modelo estimado
.hist muestra el histograma de los residuos del modelo
.hettest(type=arch, lags=5) @regs obtiene el test de heterocedasticidad ARCH con 5 retardos
aplicado solo a los regresores del modelo o serie.
.hettest(type=white) @regs obtiene el test de heterocedasticidad WHITE a los regresores del modelo
son tomar las series cruzadas.
.uroot(adf,const,lag=0,info=sic) realiza el test de raz unitaria DICKEY FULLER, con 0 retardos
y bajo el criterio de Swarz Info Criterion tomando en cuenta la variacin o INTERCEPT
.uroot(adf,trend,lag=0,info=sic) realiza el test de raz unitaria DICKEY FULLER, con 0 retardos
y bajo el criterio de Swarz Info Criterion tomando en cuenta la variacin o INTERCEPT con la
tendencia (TREND AND INTERCEPT)
.uroot(adf,none,lag=0,info=sic) realiza el test de raz unitaria DICKEY FULLER, con 0 retardos y
bajo el criterio de Swarz Info Criterion, no toma en cuenta la variacin ni la tendencia porque es la
docima de raz unitaria.
A continuacin mostramos el programa de nuestro laboratorio:
71
INGENIERA COMERCIAL
Al
hacerlo
correr
nos
muestra el workfile con las series y tablas necesarias para verificar los resultados de las rdenes por
medio del programa:
71
INGENIERA COMERCIAL
Veremos tambin que los test de heterocedasticidad son los mismos obtenidos con los comandos:
SEXTA PARTE
ESTRUCTURALES
MULTIPLES
71
QUIEBRES
INGENIERA COMERCIAL
TEST DE ZIVOT Y ANDERS

Realizaremos el test de Zivot y Anders para verificar la existencia de quiebre estructural en la serie
Reservas Internacionales Netas con datos de los periodos 1990 2009 en trimestres.
Es as que tenemos el programa ZATEST proporcionado por el docente, con el cual realizaremos el test.
Para ello creamos un workfile, pero esta vez no tomamos los datos en frecuencias de tiempo, sino de
datos irregulares; la opcin Unstructured / Undated, colocando el numero de observaciones con los que
cuenta nuestra serie, en este caso son 80, luego OK.
Es as que una vez creada la hoja de trabajo,

creamos la serie con los datos correspondientes,
copindolos de nuestra base de datos original:
Es as que utilizando el programa ya definido en ZATEST modificamos los campos resaltados en la

siguiente figura para colocar el nombre de nuestra variable RIN:
71
INGENIERA COMERCIAL
En el espacio de !obs= 80 la cantidad de datos

con los que cuenta la serie.
En el espacio genr lserie= rin el nombre de la
serie que se someter a anlisis de los quiebres
estructurales.
El resto del programa no requiere modificacin,
porque corresponde instrucciones que debe
cumplir el test.
En el workfile aparece de la siguiente forma:
A continuacin comentaremos sobre cada uno de los grficos que nos muestra el test ZIVOT Y
ANDERS.
ZIVOTM
71
INGENIERA COMERCIAL
1
0
Para el grafico, la lnea roja

representa el punto crtico recursivo,
la lnea azul no logra cruzar el punto
crtico y aceptamos la hiptesis nula
de que no existen quiebres en media.
-1
-2
-3
-4
-5
15
20
25
30
35
40
ZIVOTM
45
50
55
60
65
VCRITM
ZIVOTT
1
0
-1
Para el anlisis de tendencia, la lnea

azul si logra cruzar el punto crtico,
por lo tanto rechazamos la hiptesis
nula y aceptamos la existencia de
quiebres estructurales en tendencia.
-2
-3
-4
-5
-6
-7
15
20
25
30
35
40
ZIVOTT
45
50
55
60
65
VCRITT
ZIVOT
71
INGENIERA COMERCIAL
1
0
Para el grafico igualmente

logra cruzar el punto crtico y
rechazamos la hiptesis nula
para confirmar que existe
quiebre estructural en media y
tendencia.
-1
-2
-3
-4
-5
-6
-7
15
20
25
30
35
40
ZIVOT
45
50
55
60
65
VCRIT
Podemos concluir que la presentacin de quiebres en nuestra serie es un caso tpico, no hay quiebres en
media y sin embargo hay en tendencia y en forma conjunta lo que define que el efecto de la tendencia
puede influir bastante en el efecto de la media.
Ahora, una vez analizados los grficos del

test, podemos identificar los puntos
exactos de quiebre estructural en tendencia
y en forma conjunta, para ello nos vamos
al workfile y abrimos las series fecha y
fechat, son series que nos dan el nmero
del dato que presenta el quiebre
estructural:
71
INGENIERA COMERCIAL
Como podemos observar, el lugar de los datos que causan el quiebre son el nmero 63 en tendencia y 62
en forma conjunta, que comparando con nuestra serie en datos regulares viene a ser las fechas 2005q2 y
2005q3
Es as que comprobamos el test de ZIVOT Y ANDERS es ms efectivo aun, porque en los grficos nos
muestra un punto crtico recursivo de un estadstico de prueba adems nos brinda el punto de quiebre
estructural de una forma ms eficaz que el test de Chow, en el cual nosotros debamos sugerir una fecha
de quiebre de forma aleatoria o guindonos por el grafico, para luego poder dividir la muestra y modelar
la serie.
Es as que buscando los valores en el grafico de la serie RIN como tal, hallamos relevancia en el punto
de quiebre indicado, porque efectivamente, hasta el segundo semestre del 2005 (2005q2) tenemos la
serie con tendencia constante casi estacionaria, es decir medias iguales guindonos solo por el grafico;
que podemos modelar.
71
INGENIERA COMERCIAL
SEPTIMA PARTE
MODELOS
GARCH
Para elaborar nuestro modelo Garch, necesitamos trabajar con nuestra mejor propuesta de modelado de
la serie, si recordamos la nuestra fue:
Dlog (rin,1) c ar(6) ma(1)
Pero en la ventana de generar ecuacin escogemos otro mtodo de estimacin: ARCH
HETEROCEDASTICIDAD CONDICIONAL AUTOREGRESIVA
La ecuacin de un GARCH(1,1) corresponde a:
En la ecuacin del Eviews aparece:
71
INGENIERA COMERCIAL
Necesitamos que nuestros coeficientes y sean positivos y cumplan la condicin:

sino se cumple como condicin de estabilidad, entonces el modelo es explosivo.
Para eso la suma de ambos coeficientes es 0.89 lo que denota estabilidad del modelo.
En nuestro modelo podemos verificar que tenemos

valores negativos en el coeficiente de RESID(-1),
eso indica que la varianza es negativa y eso nos
dice que el modelo no sirve, por lo que volvemos a
estimar la ecuacin y retiramos a este coeficiente
en la casilla ARCH reduciendo de 1 a 0, lo cual nos
resulta:
Es as que tenemos un modelo GARCH(0,1)

Nuestro modelo tiene a C y GARCH(-1)
como variables significativas.
A continuacin probaremos una variante de
los modelos GARCH, por lo cual
aumentaremos un GARCH M.
Analizar un GARCH M es sumar e incluir las expectativas en t, como incide la incertidumbre futura en
la ecuacin. Es as que buscando el efecto de las expectativas modelaremos un GARCH-M que tomara
en cuenta tres aspectos:
Representado en la ecuacin como @SQRT (GARCH) verificamos la significancia de
la variable analizando la siguiente hiptesis:
71
INGENIERA COMERCIAL
La probabilidad es mayor al 5% por lo que acepto la hiptesis nula y definimos que la desviacin
estndar para las expectativas futuras no es significativa.
Representado en la ecuacin como @SQRT (GARCH) verificamos la significancia
de la variable analizando la siguiente hiptesis:
71
INGENIERA COMERCIAL
La probabilidad es mayor al 5% por lo que acepto la hiptesis nula y definimos que la varianza para las
expectativas futuras no es significativa.
Representado
en la ecuacin como @SQRT (GARCH)
verificamos la significancia de la variable
analizando la siguiente hiptesis:
71
INGENIERA COMERCIAL
La probabilidad es mayor al 5% por lo que acepto la hiptesis nula y definimos que el logaritmo de la
varianza para las expectativas futuras no es significativo.
Analizamos ahora para nuestra serie un modelo GARCH T representado con la siguiente ecuacin:
Esta es otra variante del modelo GARCH T, que define la existencia de efectos asimtricos en el
modelo; en la ecuacin se presenta como RESID(-1)^2*(RESID(-1)<0) el cual realizando la prueba de
hiptesis para ver la significancia, podemos apreciar que no es una variable significativa en el modelo,
por lo tanto hay efectos asimtricos, pero si indica la presencia de un efecto apalancamiento.
Es as por el momento nos quedamos con nuestro modelo

GARCH(0,1)
71
INGENIERA COMERCIAL
Hasta analizar otras variantes de los modelos de heterocedasticidad condicionada autoregresiva.
OCTAVA PARTE
PROGRAMA JMULTI
Utilizaremos el programa J-Multi para verificar y comprobar la practicabilidad del software, basndonos
en lo aprendido clases pasadas.
71
INGENIERA COMERCIAL
Debemos tener una base de datos son las series deseadas como muestra la hoja de Excel; solamente el
nombre de la serie y sus datos sin series de tiempo:
Esta base debe estar en Excel 90-2003. Debemos tomar en cuenta la periodicidad de nuestros datos, en
nuestro caso la base es de datos mensuales de 1990 hasta 2007.
En el J-Multi, en la pestaa import de forma similar con la importacin de Eviews, seleccionamos la
direccin de la base de datos de nombre lab.8.
Al aceptar en la siguiente ventana nos aparece la periodicidad de nuestros datos es ah donde

especificamos datos mensuales: 1990 M1, luego aceptar.
71
INGENIERA COMERCIAL
Luego en la ventana final presionar load dataset. As nos aparecer en nuestra bandeja de series las
nuevas series importadas con las que trabajaremos ahora.
PRUEBAS DE RAIZ UNITARIA

A continuacin probaremos el test de Raz Unitaria por el test de Dickey Fuller; para ello ir a la pestaa
unit root test y seleccionar ADF Test. Luego escoger una serie, en nuestro caso INFLACION y
agregarla a la bandeja de trabajo con el botn confirm selection.
71
INGENIERA COMERCIAL
Es as que nos aparece el anlisis del test de raz unitaria, podemos observar que en la parte inferior estn
los criterios de informacin conocidos que nos indican el nmero ideal de rezagos a utilizar; para nuestro
caso son 5, pero generalmente se le da prioridad al criterio de Schwar
Realizaremos un Analisis VAR, seleccionando la opcin en la ventana derecha, luego la pestaa

estimation, estimated model, seleccionando las series a utilizar en la parte izquierda
71
INGENIERA COMERCIAL
Una vez aceptado verificamos un modelo VAR, en su presentacin mas sencilla
Nos vamos a la pestania especificacin y definimos el numero de rezagos utilizados y recomendados en

el test de raz unitaria, 5 rezagos y volvemos a hacer correr el programa
Nos muestra un modelo VAR mas variado utilizando los rezagos definidos:
71
INGENIERA COMERCIAL
Estimamos un VAR para:

Causalidad en el sentido de granger
Funcin impulso respuesta
Descomposicin de varianza
Al estimar un VAR en niveles, la serie es no estacionaria; y la series son I (1), lo ms probable es que la
combinacin de esta serie I (1) de una serie I (1) por lo tanto seria una serie espuria.
Tendra que diferenciar la serie para hacer un var. Un VAR en niveles se da solamente si hay
cointegracion.
Causalidad en el sentido de Granger
Para realizar la prueba vamos a la pestania structural analysis y seleccionamos la opcin cusality tests:
Luego especificamos que el multiplicador obedece a los efectos de la inflacin y ejecutamos el test;
tenemos como resultados el reporte de la parte inferior que sigue la siguiente docima de hiptesis:
71
INGENIERA COMERCIAL
Entonces realizo la prueba de hiptesis para la causalidad en el sentido de Granger:

1)
Para el primer caso; la probabilidad es p (val-F)=0.0002 menor al 5% por lo que rechazo la hiptesis
nula y acepto que existe causalidad en el sentido de granger del Multiplicador de Base Monetaria con la
Inflacin. Los rezagos del multiplicador y la inflacin ayudan a explicar el comportamiento del
multiplicador.
2)
En este punto la probabilidad es p (val-F)=0.1610, mayor al 5% por lo que acepto la hiptesis nula de no
causalidad en el sentido de Granger de la inflacin con el multiplicador.
Impulso respuesta
En la misma pestania de anlisis estructural escoger ahora la opcin impulse response analysis
71
INGENIERA COMERCIAL
Y de nuevo seleccionamos la variable que genera respuesta en la otra, en nuestro caso la inflacion sera la
variable impulso y se vera la respuesta en el multiplicador.
Este no es un tipico grafico de impulso respuesta de un VAR, pero se entiende que la inflacion si genera
efecto en la evolucion del multiplicador a lo largo de la serie, y por lo menos no llega a ser explosivo el
grafico. Pero la certeza de ello lo tendremos modelando un VAR en Eviews y aplicando lo ajustes
necesarios.
Ahora formularemos un modelo VAR en Eviews con las series recientes utilizadas en J-Multi: Inflacion
y el multiplicador:
Marcamos ambas series, clic derecho y escoger open VAR
71
INGENIERA COMERCIAL
Para la ventana de especificacin del VAR verificamos las variables mencionadas como endgenas y
luego aceptar.
Para hallar el numero de rezagos adecuados para la estimacin de un VAR definiremos el mismo en la
pestaa view, lag structured, la opcin lag lenght criteria
Es as aparece una ventana que nos da como referencia lo que cada criterio de informacin acerca del
numero de retardos a utilizar, preferentemente se debe seguir la opcin ms amplia, es decir la que tenga
la mayora de aciertos por parte de los criterios; en nuestro caso se aconsejan entonces trabajar con 3
rezagos, pero el ms amplio es 6 rezagos, por lo que estimamos un VAR con 6 retardos y le realizaremos
el test de Serial Correlation LM test el cual nos indicara la autocorrelacion entre regresores y residuos
de un VAR. Como los valores deben salir por encima del 5% en la probabilidad, verificamos que se
cumple en 12 rezagos, porque trabajamos con datos mensuales.
Consiguientemente se debe hacer un anlisis de autocorrelacion adems entre los residuos de un mismo
periodo, entre los residuos de distintos periodos dentro a serie de tiempo, para ello emplearemos un test
71
INGENIERA COMERCIAL
de Pormantue; en la pestaa view, escoger Portmanteau autocorrelation test y nuevamente tenemos

las probabilidades por encima del 5% lo que indica la ausencia de autocorrelacion entre residuos dentro
de las series de tiempo y entre ellos mismos, aunque para el rezago 12 la situacin es inversa porque
seala la necesidad de la aplicacin de ajuste a la serie para su modelado.
Finalmente realizamos la prueba de Causalidad en el Sentido de Granger; en view, lag structur escoger
Granger causality y apreciamos que efectivamente los resultados arrojados en J-Multi son concordantes
con el Eviews, porque
Para la primera relacin de k como variable dependiente y la inflacin como variable independiente; se
acepta causalidad en el sentido de granger; es decir los shocks de la inflacin si llegan a explicar el
comportamiento del multiplicador.
Pero en la situacin inversa, los shocks del multiplicador no explican el comportamiento de la inflacin
por lo que se rechaza la hiptesis nula de existencia de causalidad entre las variables.
71
INGENIERA COMERCIAL
ANEXO
MODELO
DE
CORRECCION
DE
ERRORES
En el siguiente cuadro podemos observar los diferentes tipos de modelos con sus ecuaciones
respectivas, importantes para el modelado.
1.
REGRESIN ESTTICA
Modelos del tipo:
71
INGENIERA COMERCIAL
Pocas veces proveen aproximaciones tiles a procesos de series de tiempo. Esto ocurre por la
posibilidad del problema de regresiones espurias en el caso de observaciones con una alta correlacin
temporal, con problemas asociados de residuos autocorrelacionados y R2 no interpretables.
En segundo lugar, el supuesto de
exgena dbil respecto de los
ha probado ser poco viable en la
prctica.
En general la teora econmica postula relaciones de equilibrio del tipo y=f(x) que pueden, sin prdida
de generalidad, aproximarse por formas lineales. Pero el modelo [9] impone la restriccin que la
respuesta de corto y de largo plazo son idnticas e instantneas. Es preferible plantear un modelo
dinmico que reproduzca y=f(x) bajo supuestos de equilibrio. Esto restringe el tipo de modelo pero no el
rango de las respuestas dinmicas.
Finalmente, la prediccin de
requiere predicciones de
1.1 DEMOSTRACION DE LA REGRESIN ESTTICA
2.
SERIES DE TIEMPO UNIVARIANTES
En contraste, modelos univariantes de series de tiempo como los planteados en (b) se focalizan
solamente en el comportamiento dinmico, pero a menudo son tiles como descripciones de los datos.
La forma estacionaria general es el modelo ARMA (p,q).
Ecuaciones como
pueden estar sugeridos por la teora econmica y, por ejemplo,
supuestos de mercados eficientes y de expectativas racionales conducen a modelos de caminata al azar

(b3=1).
Por otro lado, en modelos multi-variantes cada variable tiene una representacin ARMA (o ARIMA en
general) pero esta reformulacin puede dar lugar a varianzas grandes.
71
INGENIERA COMERCIAL
De esta manera, modelos economtricos que no ajustan mejor de procesos de series de tiempo
univariantes tienen, por lo menos, errores de especificacin en el comportamiento dinmico de las
series, y si no logran mejores pronsticos no deberan utilizarse en anlisis de polticas.
2.1 DEMOSTRACION DE LA SERIES DE TIEMPO UNIVARIANTES
3.
MODELOS EN DIFERENCIAS
El modelo planteado en (c) se parece al (a), luego de sustituir
por
por
El filtro D = (1-L) es comnmente aplicado para transformar las series en estacionarias, en la

metodologa Box-Jenkins, o para evitar regresiones espurias.
Si bien la ecuacin de equilibrio
implica
la diferenciacin altera en forma
fundamental las propiedades del error del modelo.
De esta forma, an cuando
sea proporcional a
en el equilibrio, la solucin del modelo en
diferencias es indeterminada (en niveles) y la estimacin de

restringida por las varianzas relativas de
respecto de
en el modelo en diferencias est
Este problema se presenta en estimaciones de la funcin de consumo agregado, donde es necesario

reconciliar bajas propensiones marginales con altas y constantes propensiones medias.
Los autores plantean que existen otros medios para lograr variables estacionarias, como el uso de ratios,
que pueden ser ms adecuados con la formulacin econmica del problema.
3.1 DEMOSTRACION DEL MODELO EN DIFERENCIA
71
INGENIERA COMERCIAL
4.
MODELOS DE INDICADORES ADELANTADOS
Estos modelos intentan explotar directamente diferentes desfases en las respuestas entre variables
(usualmente en relacin al ciclo de negocios). Por ejemplo, los pedidos a las fbricas de maquinarias
pueden adelantar al PIB.
En la expresin:
yt = 2 xt-1 + vt
Sin embargo, a menos que exista una relacin de causalidad o de comportamiento entre las variables,
2 puede no ser constante y pueden resultar predicciones poco crebles. Los modelos economtricos que
toman en cuenta indirectamente estos efectos han tendido a superar los modelos de indicadores
adelantados.
4.1 DEMOSTARCION DE LOS MODELOS DE INDICADORES ADELANTADOS
5.
MODELOS DE RETARDOS DISTRIBUIDOS
Modelos del tipo:
71
INGENIERA COMERCIAL
Donde (L) es un polinomio de orden m, pueden surgir tanto de modelos estructurales como de
transformaciones de otras relaciones dinmicas entre las variables.
Estos modelos frecuentemente presentan una sustancial autocorrelacin en los residuos.
El hecho de que xt sea fuertemente exgena deviene en un aspecto importante para la deteccin y la
estimacin de la autocorrelacin de los residuos.
La correccin de la autocorrelacin al incluir la estimacin de la autocorrelacin de los errores (por el
procedimiento de Cochrane-Orcutt o similares) impone common factor restrictions cuya validez
frecuentemente es dudosa. An luego de remover la autocorrelacin de primer orden de los errores, la
ecuacin puede estar alcanzada por el problema de la regresin espuria.
Por otro lado, la colinealidad entre sucesivos lags de xt ha generado una larga literatura que trata de
enfrentar el elevado nmero de parmetros que resultan de la formulacin sin restricciones al imponer a
los j (los coeficientes de (L)) varios tipos de restricciones a priori.
5.1 DEMOSTRACION DE LOS MODELOS DE RETARDOS DISTRIBUIDOS
6.
MODELOS DE AJUSTE PARCIAL
Estos son unos de los modelos ms comunes en los 80s y tienen su base en la optimizacin de funciones
cuadrticas de costos, cuando existen costos de ajuste.
La exclusin de xt-1 (en relacin al modelo ADL(1,1)), si no es vlida, puede dar lugar a repercusiones
importantes sobre la distribucin de los efectos de xt sobre yt, especialmente para valores grandes de
3 (aunque no necesariamente ocurre para todos los casos, ver cuadro en pgina siguiente).
71
INGENIERA COMERCIAL
Ello puede ser parte de la explicacin para los resultados empricos de una aparente lenta velocidad de
ajuste en versiones estimadas.
Por ltimo, en la medida que versiones como la primera ecuacin resultan de derivaciones de modelos
ms generales (como el modelo de Koyck), el trmino vt de error resulta auto correlacionado, con lo
que las estimaciones por MCO son inconsistentes, al igual que sus desvos estndar, y los tests como
Durbin-Watson tampoco son vlidos.
6.1 DEMOSTRACION DE LOS MODELOS DE AJUSTE PARCIAL
7.
REPRESENTACIN DE COMMON FACTOR
La representacin de common factor se corresponde a un modelo con error autocorrelacionado.

Considrese el modelo ADL(1,1) ya presentado:
Suponiendo 1 0 se tiene:
Bajo la condicin
ambos polinomios (el de yt y el de xt) tienen un factor comn. Si se

cumple esta condicin, dividendo ambos trminos por (1-3 L):
donde ut / ut = 3 ut-1 + t
71
INGENIERA COMERCIAL
Consecuentemente, el modelo:
se deriva directamente de:
y a la inversa.
Este ejemplo permite presentar dos importantes aspectos de los modelos ADL.
En primer lugar, aunque en la formulacin [8] se supone un error ruido blanco (y, por lo tanto,
incorrelacionado), la clase de modelos ADL no excluyen formulaciones con errores autoregresivos.
En segundo lugar, los errores autocorrelacionados producen una caso restringido de la clase de los ADL,
y por lo tanto el supuesto de un error de este tipo es testeable contra un miembro menos restringido de la
clase ADL.
7.1 DEMOSTRACION DE LA REPRESENTACIN DE COMMON FACTOR
DEMOSTRACION DEL MECANISMO DE CORRECCION DE ERRORES
71
8.
INGENIERA COMERCIAL
DEMOSTRACION DE LA FORMA REDUCIDA
71
9.
INGENIERA COMERCIAL
EJERCICIOS ADICIONALES
PREGUNTA 1
Escribir las ecuaciones correspondientes a todos estos procesos.
Nombre
Funcin
d(x)
Descripcin
Primera diferencia; Donde L es el operador de
rezago
Para el caso de una primera diferencia de una ecuacin en diferencias se habla de un modelo AR (1)
en el cual se introduce la variable de rezago L que opera de la siguiente manera:
.
Nombre
Funcin
d(x,n)
Descripcin
Diferencia de orden n-sima; Donde L es el
operador de rezago.
En este caso el operador de rezago esta elevado a una potencia, la cual nos dar la cantidad de
diferencias que necesitemos.
Nombre
Funcin
d(x,n,s)
Descripcin
Diferencia de orden n-sima con una
estacionalidad de orden s
Este operador proporciona la diferencia regular y estacional entre la funcin en un instante ensimo y
la misma funcin en s instantes antes
dlog(x,n)
dlog(x,n,s)
Funcin
Descripcin
Primeras
logaritmo
diferencias
del
Diferencia de orden n-sima;

Donde L es el operador de
rezago, en logaritmos
Diferencias
regulares
y
estacionales del logaritmo
71
Nombre
dlog(x)
INGENIERA COMERCIAL
Usando los criterios anteriores, esta vez se toma en cuenta el operador del logaritmo que es el
encargado de suavizar el impacto de una ecuacin no estacionaria tratando de linealizarla.
Nombre
Funcin
@pc(x)
Descripcin
Cambia de un periodo con respecto de
otro anterior (en porcentaje)
Relacin de variacin entre periodos de una variable aleatoria expresada en porcentajes.

Nombre
Funcin
@pch(x)
Descripcin
Cambia de un periodo con respecto de otro
anterior (en decimales) unitaria
Relacin de variacin entre periodos de una variable aleatoria expresada en decimales.

Funcin
Descripcin
Un perodo anual de cambio
(porcentaje).
Dnde est el retraso asociado
con un ao de duracin (n=4)
para datos trimestrales, (n=12)
para datos mensuales, etc.)
Funcin
Descripcin
De un ao Variacin porcentual (en
por ciento)
Porcentaje de variacin unitaria
sobre el ao anterior
En series trimestrales
De un periodo porcentaje cambiar,
anualizado (en decimal)
Donde est el retraso asociado con
de un ao ( ) para datos
trimestrales, etc.).
@pca(x)
Nombre
@pcha(x)
@pcy(x)
@pchy(x)
71
Nombre
INGENIERA COMERCIAL
PREGUNTA 2
Escriba la solucin total, haciendo nfasis en el desarrollo terico de la siguiente ecuacin en
diferencia estocstica de grado 1:
SOLUCIN POR ITERACIN.
Es el mtodo ms intuitivo aunque es el que lleva un mayor tiempo.

Si se conoce el valor especfico de Y en un momento, denominado inicial,
es posible obtener la trayectoria de
iterando hacia adelante.

(1)
Dado
conocido tenemos:
, repitiendo la iteracin se obtiene la ecuacin (2):
Iterando sin una condicin inicial.

Supongamos ahora que no poseemos la condicin inicial
solucin apropiada porque
la ecuacin (2) no puede ser una
es desconocida. No se puede elegir ese valor de
delante y tampoco hacia atrs parando en

periodos hacia atrs, sustituyendo
e iterar hacia
Pero supongamos que seguimos iterando m-
por:
Obtenemos la ecuacin... (3)
71
INGENIERA COMERCIAL
Si
tiende a "0 cuando m tiende a . Adems la suma infinita

converge a
sabiendo que la expresin anterior
es el
resultado de una solucin de la progresin geomtrica conformada por la constante
siendo que su
razn es igual a
(3) puede ser
. Por lo tanto si asumimos que
reescrito como la ecuacin (4):
Sin embargo, esta solucin no es nica, se puede demostrar que para cualquier valor arbitrario de A
el valor homogneo
(5) tambin es solucin de (1).
Como no se posea
para obtener
equivalente a la hallada en (2).
Tomemos (5) para
; vemos que si damos un valor particular a A la solucin (5) es
y reemplazando en... (5):
Despejando A se obtiene la ecuacin (6):
vemos a (6) como el valor de A que hace de (5) una solucin a (1) dado la condicin inicial. Es
decir que la condicin inicial elimina la arbitrariedad de A.
Sustituyendo (6) en (5) obtenemos:
Simplificando obtenemos la ecuacin (7):
71
INGENIERA COMERCIAL
(7) es idntico a (1) porque posee la constante y el componente dependiente y la perturbacin.
71
INGENIERA COMERCIAL
PREGUNTA 3
Escriba la solucin total, haciendo nfasis en el desarrollo terico de la siguiente ecuacin en
diferencia estocstica de grado 2:
(1)
Una ecuacin de segundo orden presenta la siguiente caracterstica en su solucin:
En caso de darse la convergencia
directa
sinusoidal
primero explota y luego converge
Caso 1:
Encontrar la solucin homognea.
Con la ayuda de la formula de la ecuacin de segundo grado obtenemos las races de la solucin
homognea e igualando cero.
Como se puede observar ambas races son positivas no existen races imaginarias
Fraccionando entre la variable
Reemplazando en la solucin homognea para (
):
Fraccionando entre la variable
Y la solucin homognea queda:

Encontrando la solucin particular iterando para t>t0:
71
INGENIERA COMERCIAL
(1)
Continuando iterando para t>to, aun teniendo esta forma de los Shocks aleatorios estos son
acumulativos y no desaparecen
Solucin en diferencia
Encontrando la razn de la progresin aritmtica:
Y final mente tenemos la solucin particular:
ENCONTRANDO LA SOLUCION TOTAL DE LA ECUACION DE SEGUNDO ORDEN DEL

PRIMER CASO:
Caso 2.
Races iguales.
Solucin homognea propuesta
Sustituir en
71
INGENIERA COMERCIAL
La solucin homognea queda:
Esta es la solucin cuando ambas rices son iguales en este caso el valor de
El sistema es explosivo, no estacionario
La ecuacin en diferencia tiene una solucin estable es ms

propenso estacionario
Y final mente la solucin total queda de la siguiente manera:
Caso 3
Races compleja
Utilizando propiedades trigonomtricas:
71
INGENIERA COMERCIAL
r
b
Reemplazando las expresiones trigonomtricas anteriores se tiene las races para reemplazarlas n la
solucin homognea ya conocida:
Determinando el orden de las nuevas variables en funcin trigonomtrica:
Y finalmente se obtiene la solucin total:
71
INGENIERA COMERCIAL
PREGUNTA 4
Escriba grficamente la dinmica de una ecuacin en diferencias de 2do orden.
Primeramente se traza el plano cartesiano:
Luego se trazan los valores propios
reales que son todos los valores positivos de
.
Para el caso de valores propios reales, los valores propios ms grandes aritmticamente
siempre mayores que la unidad.
sern
La primera recta fue creada atravez de la sig. Ecuacin:
Una vez trazada
se trazan los valores
El valor propio ms pequeo
aritmticamente ser menor que -1 cuando
Siendo la ecuacin caracterstica de esta recta la siguiente:
71
INGENIERA COMERCIAL
Reales
Luego se determina si en el caso de que:

Luego se determina si en el caso de que:
La recta
Reales
Y final mente se determina si:
de la sig.
71
La parbola visualizada de la grafica es creada a partir del despeje de la variable

Ecuacin:
INGENIERA COMERCIAL
Reales
La ecuacin de segundo orden de diferencia (=2) aparece suficientemente a menudo que es til para
las propiedades de la solucin como una funcin general de y , que ahora se puede hacer.
Los valores propios de
Complejos siempre que sean
O cuando ( , ) se encuentra por debajo de la parbola se indica en la grafica. Para el caso de

valores propios complejos, el mdulo R satisface
Por lo tanto, los valores propios del sistema complejos son explosivos cuando
los valores propios son complejos
. Tambin,
Donde "
(X)" denoten es la inversa de la funcin coseno, o la medida de un ngulo cuyo
coseno es X.
PREGUNTA 5
Resolver la siguiente ecuacin
considerando todos los pasos
inmersos en Hamilton.
Siendo las races imaginarias:
71
INGENIERA COMERCIAL
Los trminos sinusoidales

son propios del caso 3 de una ecuacin en diferencias de
segundo orden.
Cuando algunos de los valores propios son complejos, los trminos proporcionales a
y
contribuyen al multiplicador dinmico.
Tenga en cuenta que si R=1, es decir, si los valores propios complejos tiene unidad de modulo los
multiplicadores son sinusoidal
.
Un aumento dado en
implica un aumento en
para algunos rangos de j y disminuye
sobre
otros rangos, el impulso de la pizca nunca muriendo como

.
Si los valores propios complejos son las de 1 de cada modulo (R>1), el impulso de nuevo sigue un
patrn sinusoidal
aunque su amplitud decae en la tasa de . Si los valores propios
complejos son mayores que en el modulo (R>1) la amplitud de los sinusoidales en descomposicin,
considerar el sistema de segundo orden
Se tiene:
Como se puede observar las races si son sinusoidales

.
Para R sacando el modulo de las constantes de las races imaginarias con las siguientes expresiones
trigonomtricas:
Reemplazando los valores:
Desde R<1, el multiplicador dinmico sigue un patrn de oscilaciones amortiguadas, la frecuencia

de estas oscilaciones es dado por el parmetro que fue definido implcitamente por:
Los ciclos asociados con la funcin del multiplicador logran tener un periodo de:
71

Cuaderno de Laboratorio

Загружено:

Сведения о документе

Авторское право

Доступные форматы

Поделиться этим документом

Поделиться или встроить документ

Параметры публикации

Этот документ был вам полезен?

Это неприемлемый материал?

Авторское право:

Доступные форматы

Cuaderno de Laboratorio

Загружено:

Авторское право:

Доступные форматы

Cuaderno De Laboratorio De Econometra I

Lic. Rubn Aguilar C.

ESCUELA MILITAR DE INGENIERIA