Tarea 5 Econometria - Primera Variable

COMANDO GENERAL DEL EJÉRCITO
ESCUELA MILITAR DE INGENIERÍA

“MCAL. ANTONIO JOSÉ DE SUCRE”
BOLIVIA
TAREA 5: ESTIMACIÓN DE PROCESOS

INVARIADOS
CARRERA: ING. COMERCIAL
SEMESTRE: 6to SEMESTRE “B”
MATÉRIA: ECONOMETRIA II
DOCENTE: LIC. RODRIGO PANIAGUA TAPIA
ESTUDIANTES: NOELIA ORELLANA QUINTEROS
CÓDIGO: C7517-5
CBBA-BOLIVIA
ECONOMETRÍA II LIC. RODRIGO PANIAGUA TAPIA
MODELOS AR(P) – MA(Q) – ARMA(P,Q)
El siguiente trabajo consiste en estimar los modelos AR(P), MA(Q), ARMA(P,Q)

hasta el nivel 7.
❖ Proceso autorregresivo- AR(P): es un proceso estocástico

de tipo estacionario univariado que estudia la evolución de una variable en
función de su propio pasado. La especificación de un AR(P) es la siguiente:
𝑋𝑡 = 𝐶 + П1 𝑋𝑡−1 + П2 𝑋𝑡−2 + П3 𝑋𝑡−3 + … … … … …. + П𝑝 𝑋𝑡−𝑝
❖ Proceso medio móvil – MA(Q): es un proceso estocástico

de tipo estacionario univariado, que estudia la evolución de la variable en
función de una constante, su ruido blanco y “Q” rezagos de la variable
perturbación. Su especificación de un AR(P) es la siguiente:
𝑋𝑡 = 𝐶 + Ф1 Ԑ𝑡−1 +Ф2 Ԑ𝑡−2 +Ф3 Ԑ𝑡−3 + … … … … …. + Ф𝑞 Ԑ𝑡−𝑞
❖ Proceso autorregresivo y media móvil ARMA (P, Q): es

un proceso estocastico de tipo estacionario univariado, que estudia la
evolucion de una variable en funcion de su pasado y de shocks aleatorios del
pasado. Su especificacion de un modelo ARMA(P,Q) es la siguiente:
Las tres variables que se utilizaran son:
Exportaciones: desde 1990 hasta 2017

Importaciones: desde 1990 hasta 2017
PIB: desde 1990 hasta 2017
Se usará la base de datos del país europeo Tanzania, obtenidos del banco
mundial:
NOELIA ORELLANA QUINTEROS C7517-5

Base de datos
AÑO PIB EXPORTACIONES IMPORTACIONES

1990 4,258,743,262.8288 537,502,326.2562 1,595,096,585.1328
1991 4,956,588,278.5614 508,648,122.3084 1,667,354,148.2058
1992 4,601,413,263.5289 572,500,378.7267 1,810,820,733.4634
1993 4,257,702,196.5386 765,667,178.2547 2,031,247,995.1835
1994 4,510,846,967.8742 929,865,123.9554 1,967,855,559.7787
1995 5,255,221,424.8096 1,265,179,986.7667 2,181,321,406.7674
1996 6,496,195,450.6103 1,295,157,202.0048 2,075,112,672.6298
1997 7,683,852,496.8450 1,246,175,397.8983 1,973,944,757.7895
1998 12,270,448,700.2306 1,230,116,921.7915 1,952,293,777.7643
1999 12,711,213,450.9805 1,291,885,319.5727 1,887,627,985.1401
2000 13,375,976,353.7330 1,445,821,022.2671 1,761,854,170.6215
2001 13,581,644,245.7250 1,878,651,440.6903 1,926,994,063.6113
2002 14,142,035,080.2959 2,019,020,391.3239 1,868,591,542.1676
2003 15,224,257,698.4823 2,297,025,915.0855 2,336,989,595.1849
2004 16,675,948,414.7849 2,674,833,271.6911 2,927,990,514.0044
2005 18,399,046,025.2908 3,124,777,521.2681 3,675,376,181.6801
2006 18,649,590,248.2836 3,434,320,449.2990 4,541,767,353.9382
2007 21,843,529,024.9224 4,331,708,455.8900 6,165,940,956.5929
2008 27,941,177,434.4903 5,438,641,595.6276 8,259,952,207.2692
2009 29,081,425,282.2777 5,291,151,823.3420 7,368,748,906.7165
2010 32,014,249,841.4240 6,277,203,237.5493 8,974,526,067.1885
2011 34,657,139,495.4195 7,497,823,405.0378 11,967,748,602.0802
2012 39,650,530,214.3312 8,870,644,645.3042 12,687,185,275.9767
2013 45,680,532,613.7550 8,684,876,050.8444 13,529,848,054.7170
2014 49,964,788,814.0943 9,028,242,341.0815 13,633,798,317.7795
2015 47,378,599,025.2894 8,104,067,362.4863 11,206,350,524.1082
2016 49,774,021,003.0821 8,138,039,818.9684 9,492,152,370.6669
2017 53,320,625,958.5655 8,072,890,863.8324 9,117,114,283.0197
Una vez teniendo los datos de las tres variables se procederá a

estimar primero la variable PIB (producto interno bruto)
- Siguiendo la metodología de Box – Jenkings
1° Como primer paso se procede a graficar la variable a

estimar.

Como podemos observar en el PIB del país de Tanzania va creciendo con sus
respectivas oscilaciones, en el año 2008, Tanzania recibió grandes sumas, por valor
de $ 698 millones para aliviar el impacto de la recesión mundial, lo que posibilita un
crecimiento del PIB que en 2009-2015 fue de un 6% en promedio por año, por lo
tanto en esos años no tiene grandes problemas, pero en el año 2014 tiene una
recisión, el cual puede afectar a nuestro modelo, por lo tanto solo se estima desde
el año 1990 hasta 2013.
Grafica del PIB de los años 1990- 2013 es decir cuando
el tamaño de muestra reduce de la siguiente manera:

2° como segundo paso se procede a identificar el tipo de

proceso, graficando el correlograma FAB y FAS.
Como se puede observar en las gráficas la autocorrelación decrece

continuamente por lo tanto es un FAS, y FAB (partial correlation) indica que
solo un proceso es distinto de cero por lo tanto es un proceso AR(1)
3° como tercer poso se calculará los estimadores de la variable

PIB hasta el nivel 7.
AR (1)
PIB=11270546+1,11138PIBt-1

En el modelo AR(1)=PIB(-1) se puede observar que a un nivel de confianza de 95% con

valores +-1,96 a nivel individual tenemos que el valor del coeficiente de la constante es
de 11270546, el t-statistic de la constante tiene un valor de 0.021386 lo cual está fuera
de los valores establecidos con una probabilidad de 0,9831 que nos indica que la
constante no es significativo ya que es mayor que 5%, como también podemos observar
el ar(1) tiene un valor de 1,111384 en el coeficiente con un valor de 43,66882 en el t-
Statistic con una probabilidad de 0,0000 lo cual nos indica que el modelo si es
significativo ya que los valores están fuera de los rangos establecidos a un nivel de
confianza del 95%, también podemos ver la probabilidad de R-squared es 0,988595 lo
que indica que el modelo es altamente representativo, la probalidad(F-statistic) del
modelo es 0,000000 lo cual nos explica que si es significativo a cualquier nivel de
confianza y por ultimo tenemos el Durbin-Watson stat con un valor de 2,051350, como
el valor esta muy cercano a cero lo mas probable es que n hay ACR.
AR (2)
PIB=-26563601+1,076977PIBt-1+0,040157PIBt-2

El PIB en un periodo pasado PIB(-1) tiene un valor de -26563601 en el coeficiente de la

contante, el t-statistic tiene un valor -0,045472 con una probalidad de 0,0001 el cual nos
explica a un nivel de confianza de 95% con valores +-1,96 que si es significativo ya que
los valores están fuera del rango establecido y la probabilidad es muy cercano a cero , el
PIB en dos periodos pasados PIB(-2) en el coeficiente de la constante tiene un valor de
1,076977 con un valor de 0,157625 en el t-estatistic con una probabilidad de 0,8763
donde nos indica que no es significativo, en el R-squared tiene una probabilidad de
98,8043% el cual indica que el modelo es altamente representativo, u una probabilidad
en el F-statistic de 0,00000% lo que dice que el modelo si es significativo ya que esta casi
cerca a cero y finalmente tenemos un Durbin-Watson stat con una valor de 1,974761 es
decir que no tiene ACR
AR (3)
PIB=44208879+1,080606PIBt-1-0,161434Pt-2+0,217129PIBt-3

. En el modelo podemos observar el valor del coeficiente de la constante es de

44208879 con un valor de 0,069944 el t-statistic con una probabilidad de 94,50%,
es decir que a un nivel de confianza del 95% con valores +-1,96 no es significativo
ya que dicho valor esta fuera de los valores establecidos. El PIB en un periodo
pasado tiene un valor de 1,080606 en el coeficiente con una probabilidad de 0,0002
el cual nos indica que si es significativo, ya que el valor es menor que 5%, el PIB en
dos periodos de su pasado tiene en el coeficiente tiene un valor de -0,161434 con
una probabilidad de 65,02% lo cual indica que no es significativo, en tres periodos
de su pasado tiene un valor de 0,217129 con una probabilidad de 42,28% que
también indica que no es significativo.
El modelo en el R-squared tiene un valor de 98,7982% lo cual nos indica que el

modelo es altamente representativo, también podemos ver que la probabilidad del
modelo es de 0,000% y nos indica que si es significativo y finalmente tenemos el
valor de Durbin-Watson que es 2,070554, como el valor esta casi cercano a 2
podemos decir que es muy probable que no exista ACR.
AR 4)
PIB=1,54E+08+1,036233PIBt-1+1,036233Pt-2+0,05703PIBt-3+0,179940PIBt-4

El PIB tiene un valor en el coeficiente de su constante 1,54E+08 con una probabilidad

de 82,63%, es decir que a un nivel de confianza del 95% con valores +-1,96 no es
significativo.
El PIB en uno, dos, tres, cuatro periodos de su pasado en los valores de sus coeficientes
tienen distintos valores, como también sus probabilidades de cada una de ellas son
mayores al 5% lo que indica que a u nivel de confianza del 95% con valores +-1,96 no
son significativos, excepto en un periodo de su pasado que tiene una probabilidad de
0.07%lo cual indica que si es significativo. El modelo en general tiene una probabilidad
de 98.7635% en R-squared es decir que es altamente representativo y el F-statistic del
modelo en general tiene una probabilidad de 0,000% el cual indica que si es
significativo.
AR(5)
PIB=2,15E+08+0,998404PIBt-1- 11080Pt-2+0,085568PIBt-3+0,028903PIBt-4+0,177789PIBx-5

significativo.
El PIB en uno, dos, tres, cuatro, cinco periodos de su pasado donde los valores de sus
coeficientes tienen distintos valores, como también sus probabilidades de cada una de
ellas son mayores al 5% lo que indica que a un nivel de confianza del 95% con valores
+-1,96 no son significativos, excepto en un periodo de su pasado que tiene una
probabilidad de 0.21%lo cual indica que si es significativo. El modelo en general tiene
una probabilidad de 98.6976% en R-squared es decir que es altamente representativo
y el F-statistic del modelo en general tiene una probabilidad de 0,000% el cual indica
que si es significativo, con un Durbin-Watson de 1992929 es decir que probablemente
no tenga ACR .
c NOELIA ORELLANA QUINTEROS C7517-5

AR(6)
-0,028232Xt-6

significativo.
El PIB en uno, dos, tres, cuatro, cinco, seis periodos de su pasado donde los valores
de sus coeficientes tienen distintos valores, como también sus probabilidades de cada
una de ellas son mayores al 5% lo que indica que a un nivel de confianza del 95% con
valores +-1,96 no son significativos, excepto en un periodo de su pasado que tiene una
probabilidad de 0.48%lo cual indica que si es significativo. El modelo en general tiene
una probabilidad de 98.5740% en R-squared es decir que es altamente representativo
y el F-statistic del modelo en general tiene una probabilidad de 0,000% el cual indica
que si es significativo, con un Durbin-Watson de 1,979835es decir que probablemente
no tenga ACR .
c
AR (7)
-0,028232Xt-6+0,379899Xt-7
El PIB tiene un valor en el coeficiente de su constante 28662011 con una probabilidad

significativo.
El PIB en uno, dos, tres, cuatro, cinco, seis, siete periodos de su pasado donde los
valores de sus coeficientes tienen distintos valores, como también sus probabilidades
de cada una de ellas son mayores al 5% lo que indica que a un nivel de confianza del
95% con valores +-1,96 no son significativos, excepto en un periodo de su pasado que
tiene una probabilidad de 0.81%lo cual indica que si es significativo. El modelo en
general tiene una probabilidad de 98.5737% en R-squared es decir que es altamente
representativo y el F-statistic del modelo en general tiene una probabilidad de 0,000%
el cual indica que si es significativo, con un Durbin-Watson de 2,087215 es decir que
probablemente no tenga ACR .

MA (1)
Xt=1,88E+10 +0,9999,11Ԑt-1
Primeramente, podemos observar que el modelo antes realiza 21 iteraciones para

lograr que la SCR logre converger.
Los valores de los coeficientes tienen distintos valores, pero a un nivel de confianza
del 95% con valores de +-1,96 se puede observar que la probabilidad de la
constante es de 0,00% lo que indica que si es significativo. El R-squared tiene una
probabilidad de 69,5691 es decir que no es altamente representativo, pero tenemos
una probabilidad de F-statistic de 0,00% el cual indica que el modelo en general si
es significativo, conclusión el valor de DW es muy bajo lo que indica que es muy
probable que si exista ACR.

MA (2)
X t=1,89E+10 +1,500440Ԑt-1+ 0,999948 Ԑt-2
En el modelo MA(2) en dos periodos de su pasado se puede observar

que a nivel individual tenemos que los valores de los coeficientes son
distintos que solo la probabilidad de la constante es significativa a
cualquier nivel de confianza con un valor en F-statistic de 5,709791, por
ende ayuda a explicar el comportamiento del modelo, por otro lado se
tiene un r cuadrado con una probabilidad de 88,2987%lo que indica que
el modelo es más representativo respecto al anterior con una probabilidad
de 0,00% lo que indica que el modelo es significativo y como ultimo punto
se tiene DW que posiblemente tenga ACR con un valor lejano a 2.
Recordar siempre un punto muy importante que es que el modelo realizo

antes 32 iteraciones para lograr una convergencia en la SCR.

MA (3)
X t=1,92E+10 +2,006009Ԑt-1+ 1,970377 Ԑt-2 +0,814250Ԑt-3
Primeramente, podemos observar que el modelo antes realiza 74 iteraciones para

lograr que la SCR tenga una convergencia lo cual nos ayuda demasiado.
Los valores de los coeficientes en un, dos, tres periodos pasados tienen distintos
valores, pero a un nivel de confianza del 95% con valores de +-1,96 se puede
observar que la probabilidad de la constante es de 0,00% lo que indica que si es
significativo, mientras que en sus periodos pasados tienen probabilidades altas de
de que no sean significativos. El R-squared tiene una probabilidad de 0,939585 es
decir que es altamente representativo, pero tenemos una probabilidad de F-statistic
de 0,00% el cual indica que el modelo en general si es significativo, conclusión el
valor de DW es muy bajo lo que indica que es muy probable que si exista ACR.

MA (4)
X t = 1,94E+10 +1,775282 Ԑt-1 + 2,017443 Ԑt-2 + 1,724391 Ԑt-3 + 7,81E+18Ԑt-4
En el modelo MA(4) en cuatro periodos de su pasado se puede observar

cualquier nivel de confianza con un valor en F-statistic de 5.263393, por
tiene un r cuadrado con una probabilidad de 0,955629%lo que indica que
el modelo es más representativo respecto a los anteriores con una
probabilidad en F-statistic de 0,00% lo que indica que el modelo es
significativo y como ultimo punto se tiene DW que posiblemente no tenga
ACR con un valor lejano a 2.


MA (5)
X t = 1,94E+10 +2,042112 Ԑt-1 + 2,042112 Ԑt-2 + 2,894225 Ԑt-3 + 2,014856 Ԑt-4 +

0,854671 Ԑt-3
Como primer punto podemos observar que el modelo antes realiza 294 iteraciones
para lograr que la SCR tenga una convergencia lo cual nos ayuda demasiado.
Los valores de los coeficientes en un, dos, tres, cuatro, cinco periodos pasados
tienen distintos valores, pero a un nivel de confianza del 95% con valores de +-1,96
se puede observar que la probabilidad de la constante es de 0,0004% lo que indica
que si es significativo, mientras que en sus periodos pasados tienen probabilidades
altas de de que no sean significativos. El R-squared tiene una probabilidad de
0,975089 es decir que es altamente representativo, pero tenemos una probabilidad
de F-statistic de 0,00% el cual indica que el modelo en general si es significativo,
como conclusión el valor de DW es muy bajo lo que indica que es muy probable
que si exista ACR.

MA (6)
X t = 1,97E+10 + 2,100455 Ԑt-1 + 2,945392 Ԑt-2 + 3,026569 Ԑt-3 + 2,267129 Ԑt-4

+1,190487Ԑt-5 + 0,094989 Ԑt-6
En el modelo MA(6) en seis periodos de su pasado se puede observar

cualquier nivel de confianza con un valor en F-statistic de 4.016082, por
tiene un R cuadrado con una probabilidad de 97,5437%lo que indica que
que a medida que tienes más rezagos el modelo es más representativo
con una probabilidad en F-statistic de 0,00% lo que indica que el modelo
es significativo y como último punto se tiene DW que posiblemente tenga
ACR con un valor es cercano a 2.


MA (7)
X t = 2,01E+10 + 1,933376 Ԑt-1 + 2,895924 Ԑt-2 + 3,193105 Ԑt-3 + 2,779990 Ԑt-4

+1,956989 Ԑt-5 + 1,060365 Ԑt-6 + 0,652810 Ԑt-7
Como primer punto podemos observar que el modelo antes realiza 139 iteraciones
para lograr que la SCR tenga una convergencia lo cual nos ayuda demasiado.
Los valores de los coeficientes en un, dos, tres, cuatro, cinco, seis, siete periodos
pasados tienen distintos valores, pero a un nivel de confianza del 95% con valores
de +-1,96 se puede observar que la probabilidad de la constante es de 0,14% lo
que indica que si es significativo, mientras que en sus periodos pasados tienen
probabilidades altas de de que no sean significativos. El R-squared tiene una
probabilidad de 0,980122 es decir que es altamente representativo, pero tenemos
una probabilidad de F-statistic de 0,00% el cual indica que el modelo en general si
es significativo, como conclusión el valor de DW esta en un nivel medio el cual
depende de los datos con que se trabaja lo que indica que pueda o no existir ACR.

ARMA (1,1)
X t = 2,64E+10 +0,9883391Xt-1 + 0,543872Ԑt-1
Como primer punto en el modelo es importante recordar que se realizó

antes 10 iteraciones para lograr una convergencia en SCR.
Seguidamente podemos que el valor de la las constante es 2,64E+10

con una probabilidad de 0,2315 el cual indica que a un nivel de
confianza del 95% con valores de +-1,96 no es significativo ya que es
mayor al 5% ,también podemos observar los valores de los coeficientes
de AR(1) MA(1) tienen distintos valores y sus probabilidades son
significativas ya que son menores al 5%, el modelo tiene un R-squared
del 97,3021% lo que nos dice que es altamente representativo y la
probabilidad del modelo del 0.00% , es decir que el modelo en general
es significativo a cualquier nivel de confianza.
Como conclusión podemos mencionar DW que tiene un valor lejano a

2 lo que indica puede si existir ACR.

ARMA (1,2)
X t = 2,64E+10 +0,984851Xt-1 + 0,606909Ԑt-1 +0,36213 Ԑt-2
En el modelo ARMA(1,2) se puede observar que a nivel individual

tenemos que en la constante tiene un valor de 1,227992 a un nivel de
confianza del 95% se puede decir que la constante es significativo, por
tiene al coeficiente de AR(1) tiene un valor de 0.984252 con una
probabilidad de 0,00% lo cual indica que este es significativo a cualquier
nivel de confianza, MA(1) con un valor de 0.606909 con una probabilidad
de 0,12% por lo que es significativo siempre y cuando el nivel de
confianza este entre 90 y 99% aproximadamente.
Con la bondad de ajuste o R cuadrado, se puede ver qué modelo en

general explica un 97,7050 % del comportamiento de la variable y que el
modelo en si es significativo, con una probabilidad del modelo de 0,00%
lo cual es significativo siempre es importante recordar que el modelo
realizo antes 29 iteraciones para lograr la convergencia de SCR.

ARMA (1,3)
X t = 2,60E+10 +0,979391Xt-1 + 0,662361Ԑt-1 +0,521995 Ԑt-2

+0,316311Ԑt-3
Podemos observar el modelo ARMA(1,3) Tiene distintos valores en sus

coeficientes donde las probabilidades de cada uno de ellos a un nivel de
confianza del 95% de confianza con valores +-1,96 son significativos excepto
de la constante que tiene una probabilidad por encima del 5% lo cual indica
que no es significativo , también podemos observar que el modelo tiene un
Rsquared de 97,9391% lo que nos dice que es altamente representativo con
una probabilidad de 0,00% que quiere decir que es significativo el modelo y
concluyendo tenemos el valor de DW que está casi cerca de 2 donde lo más
probable es que no exista ACR. Siempre recordando que el modelo genero
antes 28 iteraciones para lograr una convergencia de SCR.

ARMA (1,4)
X t = 1,91E+10 +0,992891Xt-1 + 1,006352 Ԑt-1 – 0,0356277 Ԑt-2 -1,156277 Ԑt-3

-0,814447 Ԑt-4
El modelo ARMA (1,4) a nivel general el modelo es altamente significativo

con un valor de 0,939882 con una probabilidad de 0,00% el cual indica que a
cualquier nivel de confianza es representativo, pero también tenemos que los
valores de los coeficientes son distintos donde en sus probabilidades a un
nivel de confianza del 95% con valores de +-1,96 todos no son significativos
excepto el valor de la constante que si es significativo. El modelo antes realizo
188 iteraciones para lograr una convergencia de SCR. Concluyendo
podemos ver que el valor de DW es de 1,183610 lo que significa que
probablemente tenga ACR ya que el valor esta lejor de 2.

ARMA (1,5)
X t = 1,98E+10 +0,9929071Xt-1 + 0,694177 Ԑt-1 +0,103701 Ԑt-2 -0,217593 Ԑt-3

-1,103701 Ԑt-4 -0,476585 Ԑt-5
Siempre recordando que el modelo antes realizo 17 iteraciones para que la

SCR logre una convergencia.
El modelo ARMA(1,5) en los valores de los coeficientes tiene distintos, lo

propio con sus probabilidades de cada uno de ellos, que a un nivel de
confianza del 95% con valores de +-1,96 indica que no son significativos
excepto la constante que si es significativo ya que tiene una probabilidad de
0.87%, el modelo en general explica que es altamente representativo con un
R-Squared de 0,945812 con una probabilidad de 0,00% que quiere decir que
el modelo en general si es significativo a cualquier nivel de confianza.

ARMA (1,6)
X t = 1,97E+10 +0,989687Xt-1 + 1,083425 Ԑt-1 + 0,813793 Ԑt-2 – 1,62E-16 Ԑt-3

-0,813793Ԑt-4 -1,083425 Ԑt-5 -Ԑt-6
El el modelo ARMA(1,6) podemos ver que el único que es significativo a un

nivel de confianza del 95% con valores +-1,96 es la contante ya que tiene un
valor de 2,258036 con una probabilidad de 3,83%, las demás variables nos
son significativos ya que sus probabilidades son mayores al 5%, como se
puede observar también el modelo es altamente representativo con valor en
el R-squared 0,975278 con una probabilidad de 0,00% es decir que el modelo
a cualquier nivel d confianza es representativo. Siempre es importante
recordar que el modelo realizo antes 18 iteraciones para lograr una
convergencia de SCR.

ARMA (1,7)
X t = 1,93E+10 +0,987513Xt-1 + 1,003619 Ԑt-1 + 0,853065 Ԑt-2 + 0,524331 Ԑt-3

-0,883874 t-4 -1,122445 Ԑt-5 -0,691824Ԑt-6 -0,682872Ԑt-7
En este modelo ARMA (1,7) podemos ver que se realizo antes 390
iteraciones para lograr una convergencia de SCR. Como en anteriores
casos el único valor a un nivel de confianza del 95% con valores de +-
1,96 es el de la constante ya que tiene una probabilidad de 3,58% el cual
es menor al 5%, también podemos ver que el modelo es altamente
representativo con un R-squared de 0,977867 con una probabilidad de
0,00% por lo tanto el modelo es significativo a cualquier nivel de
confianza. También se puede observar que el DW tiene un valor de
1,638313 lo que da a conocer que probablemente no hay ACR.

ARMA (2,1)
X t = 5,52E+10 +0,9883391Xt-1 +1,994693Xt-2-0,999985Ԑt-1


mayor al 5% ,también podemos observar los valores de los
coeficientes de AR(1) AR(2) tienen distintos valores y sus
probabilidades son significativas ya que son menores al 5%, el modelo
tiene un R-squared del 0.987311% lo que nos dice que es altamente
representativo y la probabilidad del modelo del 0.00% , es decir que el
modelo en general es significativo a cualquier nivel de confianza.
Como conclusión podemos mencionar DW que tiene un valor lejano a

2 lo que indica puede si existir ACR.

ARMA (2,2)
X t = 2,64E+10 +0,984851Xt-1 +1,993243Xt-2 + 0,606909Ԑt-1 +0,36213 Ԑt-2

tenemos que en la constante tiene un valor de 4,82E+10 a un nivel
de confianza del 95% se puede decir que la constante no es
significativo, por ende no ayuda a explicar el comportamiento del
modelo, por otro lado se tiene al coeficiente de AR(1) ,AR(2) ambos
con una probabilidad de 0,00% lo cual indica que este es
significativo a cualquier nivel de confianza, MA(1) y MA(2) con un
confianza este entre 90 y 99% no son significativos.

general explica un 98,4047 % del comportamiento de la variable y
que el modelo en si es significativo, con una probabilidad del
modelo de 0,00% lo cual es significativo siempre es importante
ARMA (2,3)
recordar que el modelo realizo antes 50 iteraciones para lograr la
convergencia de SCR.

ARMA (2,3)
X t = 4,70E+10 +1,993066Xt-1 – 0,998390 Xt-2 -0,802492Ԑt-1 – 0,179152 Ԑt-2

– 0,018350Ԑt-3

coeficientes donde las probabilidades de cada uno de ellos a un nivel de
confianza del 95% de confianza con valores +-1,96 son significativos excepto
de la constante, MA(1), MA(2) que tienen una probabilidad por encima del
5% lo cual indica que no es significativo , también podemos observar que el
modelo tiene un Rsquared de 0,987337 lo que nos dice que es altamente
representativo con una probabilidad de 0,00% que quiere decir que es
significativo el modelo y concluyendo tenemos el valor de DW que está casi
cerca de 2 donde lo más probable es que no exista ACR. Siempre recordando
que el modelo genero antes 46 iteraciones para lograr una convergencia de
SCR.

ARMA (2,4)
X t = 4,76E+10 +1,993030 Xt-1 -0,998367Xt-2- 0,801441 Ԑt-1 -0,180079 Ԑt-2 -

0,012921 Ԑt-3 -0,005538 Ԑt-4
El modelo ARMA (2,4) a nivel general el modelo es altamente

significativo con un valor de 0,987331 con una probabilidad de 0,00% el
cual indica que a cualquier nivel de confianza es representativo, pero
también tenemos que los valores de los coeficientes son distintos
donde en sus probabilidades a un nivel de confianza del 95% con
valores de +-1,96 MA(1), MA(2), MA(3), MA(4), constante no son
significativos excepto el valor de AR(1) AR(2) que si es significativo. El
modelo antes realizo 69 iteraciones para lograr una convergencia de
SCR. Concluyendo podemos ver que el valor de DW es de 1,969038 lo
que significa que probablemente tenga no ACR ya que el valor esta
cerca de 2.
ARMA (2,5)

ARMA (2,5)
X t = 4,77E+10 +1,993268Xt-1 - 0,993268 Xt-2 -0.998542 Ԑt-1 -0,195243 Ԑt-2 -

0,028471 Ԑt-3 -0,050561 Ԑt-4 +0,061819 Ԑt-5
Siempre recordando que el modelo antes realizo 128 iteraciones para

que la SCR logre una convergencia.
El modelo ARMA(2,5) en los valores de los coeficientes tiene distintos,

lo propio con sus probabilidades de cada uno de ellos, que a un nivel
de confianza del 95% con valores de +-1,96 indica que no son
significativos excepto la AR(1) Y AR(2) que si son significativos ya que
tienen una probabilidad menor al 5%, el modelo en general explica que
es altamente representativo con un R-Squared de 0,987415 con una
probabilidad de 0,00% que quiere decir que el modelo en general si es
significativo a cualquier nivel de confianza.

ARMA (2,6)
X t = 4,66E+10 +1,991868Xt-1 -0,997532Xt-2 -0,707066 Ԑt-1 - 0,180763 Ԑt-2 +

0,036780 Ԑt-3 + 0,019852Ԑt-4 +0,069956Ԑt-5 -0,148748 -Ԑt-6
El el modelo ARMA(2,6) podemos ver que los únicos que son significativos a
un nivel de confianza del 95% con valores +-1,96 son AR() Y AR(2) ya que
sus valores están entre los tangos establecidos , las demás variables nos son
significativos ya que sus probabilidades son mayores al 5%, como se puede
observar también el modelo es altamente representativo con valor en el R-
squared 0,987552 con una probabilidad de 0,00% es decir que el modelo a
cualquier nivel d confianza es representativo. Siempre es importante recordar
que el modelo realizo antes 40 iteraciones para lograr una convergencia de
SCR.

ARMA (2,7)
X t = 4,36E+10 +1,990318Xt-1-0,996511Xt-2 -0,797735 Ԑt-1 -0,155032 Ԑt-2 +

0,045749 Ԑt-3 -0,065895 Ԑt-4 +0,165592 Ԑt-5 -0,064902Ԑt-6 -0,127779Ԑt-7
En este modelo ARMA (2,7) podemos ver que se realizó antes 54

iteraciones para lograr una convergencia de SCR. Como en anteriores
casos el único valor a un nivel de confianza del 95% con valores de +-
1,96 son AR(1) AR(2) ya que sus probabilidades son menor al 5%,
también podemos ver que el modelo es altamente representativo con un
R-squared de 0,987483 con una probabilidad de 0,00% por lo tanto el
modelo es significativo a cualquier nivel de confianza. También se
puede observar que el DW tiene un valor de 1,943621 lo que da a conocer
que probablemente si hay ACR.

ARMA (3,1)
X t = 4,71E+10 +0,2,190484Xt-1 – 1,392091Xt-2-0,197273Xt-3 – 0,990005Ԑt-1


coeficientes de AR(1) AR(2) son distintos y sus probabilidades son
del 0.97295% lo que nos dice que es altamente representativo y la
Como conclusión podemos mencionar DW que tiene un valor cercano

a 2 lo que indica que no va existir ACR.

ARMA (3,2)
X t = 4,76E+10+2,087563Xt-1 – 1,186748 Xt-2 + 0,094359 Xt-3 -0,896643Ԑt-1 -

0,103354 Ԑt-2

tenemos que en la constante tiene un valor de 4,76E+10 a un nivel de
confianza del 95% se puede decir que la constante, AR(1),AR(2),
AR(3), MA(1),MA(2) no son significativos, por ende no ayuda a
explicar el comportamiento del modelo

general explica un 98,7335% del comportamiento de la variable y que
el modelo en si es significativo, con una probabilidad del modelo de
0,00% lo cual es significativo siempre es importante recordar que el
modelo realizo antes 76 iteraciones para lograr la convergencia de
SCR.

ARMA (3,3)
X t = 4,77E+10 +0,993135Xt-1 – 0,994707Xt-2 -0,998424Xt-3 -0,998424Ԑt-1 -

0,999879Ԑt-2 – 0,209947Ԑt-3

coeficientes donde las probabilidades de cada uno de ellos a un nivel
de confianza del 95% de confianza con valores +-1,96 son significativos
excepto de la constante, MA(1), MA(2), MA(3) que tienen una
probabilidad por encima del 5% lo cual indica que no es significativo ,
también podemos observar que el modelo tiene un Rsquared de
0,987484 lo que nos dice que es altamente representativo con una
probabilidad de 0,00% que quiere decir que es significativo el modelo y
concluyendo tenemos el valor de DW que está casi cerca de 2 donde lo
más probable es que no exista ACR. Siempre recordando que el modelo
genero antes 500 iteraciones para lograr una convergencia de SCR.

ARMA (3,4)
X t = 4,76E+10 +0,993066 Xt-1 +0,994676 Xt-2- 0,998389Xt-3+0,197503 Ԑt-1 -

0,981649Ԑt-2 -0,197503 Ԑt-3 -0,0118351 Ԑt-4

valores de +-1,96 todos no son significativos excepto el valor de MA(2)
MA(4) que si es significativo. El modelo antes realizo 500 iteraciones
para lograr una convergencia de SCR. Concluyendo podemos ver que
el valor de DW es de 1,968745 lo que significa que probablemente tenga
no ACR ya que el valor esta cerca de 2.

ARMA (3,5)
X t = 4,76E+10 +0,993030Xt-1 + 0,994663Xt-2 -0,998367+ 0.198559 Ԑt-1 -

0,981521 Ԑt-2 -0,193011 Ԑt-3 -0,O18471 Ԑt-4 – 0,005539Ԑt-5
Siempre recordando que el modelo antes realizo 500 iteraciones para

que la SCR logre una convergencia.
El modelo ARMA(3,5) en los valores de los coeficientes tiene distintos,

lo propio con sus probabilidades de cada uno de ellos, que a un nivel
de confianza del 95% con valores de +-1,96 indica que no son
significativos excepto la MA(2) que si es significativos ya que tienen
una probabilidad menor al 5%, el modelo en general explica que es
altamente representativo con un R-Squared de 0,98733 con una
probabilidad de 0,00% que quiere decir que el modelo en general si es
significativo a cualquier nivel de confianza.

ARMA (3,6)
X t = 4,77E+10 +0,993268Xt-1 -0,994725Xt-2 -0,998542Xt-3+0,212499 Ԑt-1 -

0,982743Ԑt-2 -0,223701 Ԑt-3 – 0,079035Ԑt-4 +0,011240Ԑt-5 -0,061818Ԑt-6
El el modelo ARMA(3,6) podemos ver que los únicos que son significativos a
un nivel de confianza del 95% con valores +-1,96 son MA(2) Y MA(5) ya que
sus valores están entre los tangos establecidos , las demás variables nos son
significativos ya que sus probabilidades son mayores al 5%, como se puede
observar también el modelo es altamente representativo con valor en el R-
squared 0,987415 con una probabilidad de 0,00% es decir que el modelo a
cualquier nivel d confianza es representativo. Siempre es importante recordar
que el modelo realizo antes 500 iteraciones para lograr una convergencia de
SCR.

ARMA (3,7)
X t = 1,86E+10 -0,022073Xt-1+ Xt-2+ 0,022073Xt-3 +0,155433Ԑt-1 -0,620056 Ԑt-2

-o,339434Ԑt-3 -0,165339 Ԑt-4 -0,023435 Ԑt-5 -0,000452 Ԑt-6 +0,000170Ԑt-7
En este modelo ARMA (3,7) podemos ver que se realizó antes 2

iteraciones para lograr una convergencia de SCR. Como podemos ver
el único valor que es significativo es ar(2) ya que tiene una probabilidad
menor al 5% también podemos ver que el modelo no es altamente
representativo con un R-squared de 0,421139 con una probabilidad de
59,4216% por lo tanto el modelo no es significativo a un nivel de
confianza de 95%. También se puede observar que el DW tiene un valor
de 0,037735 lo que da a conocer que probablemente si hay ACR.

ARMA (4,1)
Dependent Variable: PIB

Method: ARMA Maxim um Likelihood (BFGS)
Date: 08/17/19 Tim e: 22:40
Sam ple: 1990 2014
Included obs ervations : 25
Failure to im prove objective (non-zero gradients ) after 52 iterations
Coefficient covariance com puted us ing outer product of gradients
Variable Coefficient Std. Error t-Statis tic Prob.
C 4.76E+10 3.88E+10 1.228245 0.2352

AR(1) 2.190634 0.293911 7.453380 0.0000
AR(2) -1.412422 0.602754 -2.343281 0.0308
AR(3) 0.237643 0.753327 0.315458 0.7560
AR(4) -0.020234 0.387427 -0.052228 0.9589
MA(1) -1.000000 8127.939 -0.000123 0.9999
SIGMASQ 2.23E+18 4.05E+20 0.005511 0.9957
R-s quared 0.987337 Mean dependent var 1.83E+10

Adjus ted R-s quared 0.983116 S.D. dependent var 1.35E+10
S.E. of regres s ion 1.76E+09 Akaike info criterion 46.04169
Sum s quared res id 5.57E+19 Schwarz criterion 46.38297
Log likelihood -568.5211 Hannan-Quinn criter. 46.13635
F-s tatis tic 233.9175 Durbin-Wats on s tat 1.968756
Prob(F-s tatis tic) 0.000000
Inverted AR Roots 1.00+.07i 1.00-.07i .10+.10i .10-.10i

Inverted MA Roots 1.00
X t = 4,76E+10 +2,190634Xt-1 - 1,412422 Xt-2+0,237643 Xt-3 –0,0202234Xt-4 -Ԑt-1


del 0.987337 lo que nos dice que es altamente representativo y la


ARMA (4,2)

Date: 08/17/19 Tim e: 22:41
Sam ple: 1990 2014
Failure to im prove objective (non-zero gradients ) after 1 iteration
C 5.92E+10 7.68E+10 0.771050 0.4513

AR(1) 1.035381 5.36E-05 19317.37 0.0000
AR(2) -0.083711 0.021355 -3.920018 0.0011
AR(3) 1.035381 0.000189 5465.331 0.0000
AR(4) -1.000000 0.000249 -4017.531 0.0000
MA(1) -0.662949 0.603616 -1.098296 0.2874
MA(2) -0.328445 0.576085 -0.570133 0.5760
SIGMASQ 5.00E+16 1.35E+17 0.370855 0.7153

Inverted AR Roots 1.00-.07i 1.00+.07i -.48-.88i -.48+.88i

Es tim ated AR proces s is nons tationary
Inverted MA Roots .99 -.33
X t = 5,92E+10 + 21,035381Xt-1 – 0,083711 Xt-2 + 1,035381 Xt-3 -Xt-4 -

0,662949Ԑt-1 -0,328445 Ԑt-2

tenemos que en la constante tiene un valor de 5,92E+10 a un nivel de
confianza del 95% se puede decir que la constante, AR(1),AR(2),
AR(3),AR(4) son significativos, por ende ayuda a explicar el
comportamiento del modelo

general explica un 99,9716% del comportamiento de la variable y que
el modelo en si es significativo, con una probabilidad del modelo de
0,00% lo cual es significativo siempre es importante recordar que el
modelo realizo antes una sola iteracione para lograr la convergencia
de SCR.
ARMA (4,3)

Date: 08/17/19 Tim e: 22:42
Sam ple: 1990 2014
Convergence achieved after 98 iterations
C 4.94E+10 4.29E+10 1.151717 0.2664

AR(1) 0.415096 0.600884 0.690809 0.4996
AR(2) 1.558211 0.639039 2.438368 0.0268
AR(3) -0.399328 0.601667 -0.663703 0.5163
AR(4) -0.589721 0.572255 -1.030522 0.3181
MA(1) 0.974486 5972.563 0.000163 0.9999
MA(2) -0.974546 8747.451 -0.000111 0.9999
MA(3) -0.999939 15085.74 -6.63E-05 0.9999
SIGMASQ 1.81E+18 1.31E+21 0.001387 0.9989

Inverted AR Roots 1.00+.07i 1.00-.07i -.61 -.97

Inverted MA Roots 1.00 -.99+.16i -.99-.16i
X t = 4,94E+10 +0,415096Xt-1 – 1,558211Xt-2 -0,399328Xt-3 -0,589721Xt-4+

0,974486 Ԑt-1 -0,974486Ԑt-2 – 0,999939Ԑt-3

coeficientes donde las probabilidades de cada uno de ellos a un nivel
de confianza del 95% de confianza con valores +-1,96 no son
significativos excepto de la constante, MA(2), que tiene una
probabilidad menor del 5% lo cual indica que es significativo , también
podemos observar que el modelo tiene un Rsquared de 0,989707lo que
nos dice que es altamente representativo con una probabilidad de
0,00% que quiere decir que es significativo el modelo y concluyendo
tenemos el valor de DW que está casi cerca de 2 donde lo más probable
es que no exista ACR.

ARMA (4,4)

Date: 08/17/19 Tim e: 22:43
Sam ple: 1990 2014
Convergence not achieved after 500 iterations
C 4.88E+10 2.33E+10 2.099456 0.0531

AR(1) 0.276567 0.045883 6.027707 0.0000
AR(2) 1.422514 0.105107 13.53392 0.0000
AR(3) 0.279265 0.043864 6.366639 0.0000
AR(4) -0.998404 0.025331 -39.41358 0.0000
MA(1) 1.117664 196.2535 0.005695 0.9955
MA(2) -0.427118 53.48645 -0.007986 0.9937
MA(3) -1.287900 317.2979 -0.004059 0.9968
MA(4) -0.402647 140.5381 -0.002865 0.9978
SIGMASQ 1.73E+18 1.62E+20 0.010643 0.9916

Inverted AR Roots 1.00+.07i 1.00-.07i -.86-.51i -.86+.51i

Inverted MA Roots 1.00 -.40 -.86+.51i -.86-.51i
X t = 4,88E+10 +0,276567 Xt-1 +1,422514 Xt-2- 0,279265 Xt-3-0,998404Xt-4 +

1,117664 Ԑt-1 -0,427118Ԑt-2 -1,287900 Ԑt-3 -0,402647Ԑt-4

valores de +-1,96 todos no son significativos excepto el valor de AR(1)
AR(2), AR(3), AR(4) que Si son significativos. El modelo antes realizo
500 iteraciones para lograr una convergencia de SCR. Concluyendo
podemos ver que el valor de DW es de 1,934414 lo que significa que
probablemente tenga no ACR ya que el valor esta cerca de 2.

ARMA (4,5) ARMA (4,6)

Method: ARMA Maximum Likelihood (BFGS)
Date: 08/17/19 Time: 22:46
Date: 08/17/19 Time: 22:44
Sample: 1990 2014
Sample: 1990 2014 Included observations: 25
Included observations: 25 Convergence achieved after 153 iterations
Failure to improve objective (non-zero gradients) after 54 iterations Coefficient covariance computed using outer product of gradients
Coefficient covariance computed using outer product of gradients
Variable Coefficient Std. Error t-Statistic Prob.
C 4.56E+10 1.06E+11 0.430916 0.6736
C 4.65E+10 4.22E+10 1.101052 0.2894 AR(1) 0.907678 2.415595 0.375758 0.7132
AR(1) 0.481996 1.677405 0.287346 0.7781 AR(2) 1.076941 4.902680 0.219664 0.8295
AR(2) 1.484588 1.772674 0.837485 0.4164 AR(3) -0.914132 4.071454 -0.224522 0.8258
AR(3) -0.455862 1.618373 -0.281679 0.7823 AR(4) -0.083395 0.591356 -0.141024 0.8900
AR(4) -0.527009 1.601688 -0.329034 0.7470 MA(1) 0.286428 0.867157 0.330306 0.7464
MA(1) 0.933767 1173.985 0.000795 0.9994 MA(2) -0.781395 1.064347 -0.734155 0.4759
MA(2) -0.894063 1087.390 -0.000822 0.9994 MA(3) -0.615218 1.022256 -0.601824 0.5576
MA(3) -0.852530 569.9503 -0.001496 0.9988 MA(4) 0.306009 0.210819 1.451522 0.1703
MA(4) -0.073099 260.0673 -0.000281 0.9998 MA(5) 0.328793 0.649822 0.505975 0.6213
MA(5) -0.114074 356.5153 -0.000320 0.9997 MA(6) -0.524610 0.448431 -1.169878 0.2631
SIGMASQ 1.83E+18 4.41E+21 0.000416 0.9997 SIGMASQ 2.14E+18 4.92E+18 0.435003 0.6707
R-squared 0.989582 Mean dependent var 1.83E+10 R-squared 0.987842 Mean dependent var 1.83E+10
Adjusted R-squared 0.977554 S.D. dependent var 1.35E+10
S.E. of regression 2.03E+09 Akaike info criterion 46.54900
Sum squared resid 5.35E+19 Schwarz criterion 47.13406
F-statistic 96.02185 Durbin-Watson stat 1.991297
Prob(F-statistic) 0.000000
Inverted AR Roots 1.00+.08i 1.00-.08i -.08 -1.00
Inverted AR Roots 1.00+.07i 1.00-.07i -.55 -.96 Inverted MA Roots 1.00 .50+.52i .50-.52i -.65+.76i
Inverted MA Roots 1.00 .02+.34i .02-.34i -.99+.17i -.65-.76i -1.00
-.99-.17i
ARMA (4,7)
En el modelo de ARMA(4,5) Y ARMA(4,6)
Method: ARMA Maximum Likelihood (BFGS) se puede ver que ninguna de las variables
Date: 08/17/19 Time: 22:47
Sample: 1990 2014 rezagadas, incluido la constante no son
Included observations: 25
significativas ya que a un nivel de
Coefficient covariance computed using outer product of gradients confianza del 95% sus probabilidades
Variable Coefficient Std. Error t-Statistic Prob. están sobre el 5% , es decir que están fuera
C 4.75E+10 3.74E+10 1.270451 0.2280 del rango de parámetros, sin embargo en
AR(1) 0.328848 0.415168 0.792082 0.4437
AR(2) 1.366553 0.519232 2.631876 0.0219
el modelo de ARMA(4,7) hay dos variables
AR(3) 0.231008 0.410939 0.562147 0.5844 que están rezagadas en función de su
AR(4) -0.946783 0.356686 -2.654389 0.0210
MA(1) 1.242537 1173.874 0.001058 0.9992 propio pasado que si son significativos,
MA(2) -0.369291 1148.949 -0.000321 0.9997
MA(3) -1.446743 1493.983 -0.000968 0.9992 cuyas variables significativas son AR(2)
MA(4) -0.293334 636.7475 -0.000461 0.9996
MA(5) 0.408982 562.3549 0.000727 0.9994
con un valor de 0,0210 y AR(4) con un valor
MA(6) -0.123019 351.0095 -0.000350 0.9997 de 0.0210, sin embargo en los 3 casos los
MA(7) -0.419112 852.6570 -0.000492 0.9996
SIGMASQ 1.42E+18 9.70E+20 0.001468 0.9989 modelos son altamente significativos ya
R-squared 0.991909 Mean dependent var 1.83E+10 que su valor de R cuadrado esta sobre el
98% con una probabilidad de significancia
Sum squared resid 3.56E+19 Schwarz criterion 46.95338 de 0.00%, finalmente los valores de DW de
F-statistic 122.5880 Durbin-Watson stat 1.978238 cada uno de ellos están cercanos al valor
de 2, es decir que es muy probable que no
Inverted AR Roots 1.00-.07i 1.00+.07i -.83-.51i -.83+.51i
Inverted MA Roots 1.00 .46-.50i .46+.50i -.66+.69i
exista ACR.
-.66-.69i -.92+.38i -.92-.38i

ARMA (5,1)

Date: 08/17/19 Tim e: 22:49
Sam ple: 1990 2014
C 4.75E+10 3.90E+10 1.220096 0.2391

AR(1) 2.191415 0.393491 5.569157 0.0000
AR(2) -1.413824 0.632787 -2.234280 0.0392
AR(3) 0.243229 0.757373 0.321148 0.7520
AR(4) -0.030356 0.715936 -0.042400 0.9667
AR(5) 0.005175 0.456762 0.011330 0.9911
MA(1) -0.999978 4911.734 -0.000204 0.9998
SIGMASQ 2.23E+18 1.37E+21 0.001626 0.9987

Inverted AR Roots 1.00-.07i 1.00+.07i .22 -.01-.15i

-.01+.15i


del 0.987329 lo que nos dice que es altamente representativo y la


ARMA (5,2) ARMA (5,3)
Dependent Variable: PIB Dependent Variable: PIB

Method: ARMA Maximum Likelihood (BFGS) Method: ARMA Maximum Likelihood (BFGS)
Date: 08/17/19 Time: 22:50 Date: 08/17/19 Time: 22:50
Sample: 1990 2014 Sample: 1990 2014
Included observations: 25 Included observations: 25
Failure to improve objective (non-zero gradients) after 42 iterations Failure to improve objective (non-zero gradients) after 42 iterations
Coefficient covariance computed using outer product of gradients Coefficient covariance computed using outer product of gradients
Variable Coefficient Std. Error t-Statistic Prob. Variable Coefficient Std. Error t-Statistic Prob.
C 4.73E+10 4.02E+10 1.176552 0.2566 C 4.73E+10 4.02E+10 1.176552 0.2566

AR(1) 1.470726 3.734897 0.393780 0.6989 AR(1) 1.470726 3.734897 0.393780 0.6989
AR(2) 0.171053 7.672706 0.022294 0.9825 AR(2) 0.171053 7.672706 0.022294 0.9825
AR(3) -0.741473 4.605667 -0.160991 0.8741 AR(3) -0.741473 4.605667 -0.160991 0.8741
AR(4) 0.055934 1.172428 0.047708 0.9625 AR(4) 0.055934 1.172428 0.047708 0.9625
AR(5) 0.036416 0.522832 0.069651 0.9453 AR(5) 0.036416 0.522832 0.069651 0.9453
MA(1) -0.272868 10175.99 -2.68E-05 1.0000 MA(1) -0.272868 10175.99 -2.68E-05 1.0000
MA(2) -0.727132 38268.00 -1.90E-05 1.0000 MA(2) -0.727132 38268.00 -1.90E-05 1.0000
Adjusted R-squared 0.981024 S.D. dependent var 1.35E+10 Adjusted R-squared 0.981024 S.D. dependent var 1.35E+10
S.E. of regression 1.87E+09 Akaike info criterion 46.19816 S.E. of regression 1.87E+09 Akaike info criterion 46.19816
Sum squared resid 5.57E+19 Schwarz criterion 46.63695 Sum squared resid 5.57E+19 Schwarz criterion 46.63695
Log likelihood -568.4770 Hannan-Quinn criter. 46.31986 Log likelihood -568.4770 Hannan-Quinn criter. 46.31986
F-statistic 156.0914 Durbin-Watson stat 1.961293 F-statistic 156.0914 Durbin-Watson stat 1.961293
Prob(F-statistic) 0.000000 Prob(F-statistic) 0.000000
Inverted AR Roots 1.00+.07i 1.00-.07i .30 -.19 Inverted AR Roots 1.00+.07i 1.00-.07i .30 -.19
-.63 -.63
Inverted MA Roots 1.00 -.73 Inverted MA Roots 1.00 -.73
ARMA (5,4) ARMA (5,6)

Sample: 1990 2014 Sample: 1990 2014
Convergence achieved after 79 iterations Convergence achieved after 270 iterations

C 4.59E+10 4.83E+10 0.951339 0.3602
C 4.76E+10 4.62E+10 1.030466 0.3203 AR(1) 0.967900 1.353551 0.715082 0.4882
AR(1) 1.275057 27.72758 0.045985 0.9640 AR(2) 0.439003 1.226326 0.357982 0.7266
AR(2) -0.147306 63.12484 -0.002334 0.9982 AR(3) -0.383812 1.871279 -0.205107 0.8409
AR(3) -0.416762 67.59532 -0.006166 0.9952 AR(4) 0.529094 1.793352 0.295031 0.7730
AR(4) 1.129179 56.20532 0.020090 0.9843 AR(5) -0.568851 1.586855 -0.358477 0.7262
AR(5) -0.856333 24.23110 -0.035340 0.9723 MA(1) 0.541688 1027.079 0.000527 0.9996
MA(1) -0.098951 4624.494 -2.14E-05 1.0000 MA(2) -0.459088 1327.243 -0.000346 0.9997
MA(2) -4.33E-05 4619.621 -9.37E-09 1.0000 MA(3) -0.158138 664.2044 -0.000238 0.9998
MA(4) -1.013712 2670.288 -0.000380 0.9997
MA(3) 0.098932 5718.296 1.73E-05 1.0000
MA(5) -0.437075 287.3422 -0.001521 0.9988
MA(4) -0.999937 104530.8 -9.57E-06 1.0000
MA(6) 0.526811 2035.181 0.000259 0.9998
Inverted AR Roots 1.00+.07i 1.00-.07i -.02-.76i -.02+.76i

Inverted AR Roots 1.00+.07i 1.00-.07i .14-.92i .14+.92i
-.99
-1.00 Inverted MA Roots 1.00 .53 -.04-1.00i -.04+1.00i
Inverted MA Roots 1.00 .05-1.00i .05+1.00i -1.00 -.99+.14i -.99-.14i

ARMA (5,7)

Date: 08/17/19 Tim e: 22:56
Sam ple: 1990 2014
C 3.82E+10 3.89E+10 0.981075 0.3476

AR(1) 1.498870 0.789409 1.898723 0.0841
AR(2) -0.411305 1.530469 -0.268745 0.7931
AR(3) -0.557433 1.379218 -0.404166 0.6938
AR(4) 1.294309 1.041553 1.242672 0.2398
AR(5) -0.840942 0.482861 -1.741583 0.1094
MA(1) -0.097399 1445.268 -6.74E-05 0.9999
MA(2) -0.017836 2024.989 -8.81E-06 1.0000
MA(3) 0.919121 1026.061 0.000896 0.9993
MA(4) -0.918604 1156.377 -0.000794 0.9994
MA(5) 0.018159 2023.942 8.97E-06 1.0000
MA(6) 0.097757 1431.634 6.83E-05 0.9999
MA(7) -0.999803 825.1307 -0.001212 0.9991
SIGMASQ 1.19E+18 1.02E+21 0.001163 0.9991

Inverted AR Roots .99-.08i .99+.08i .24+.90i .24-.90i

-.98
Inverted MA Roots 1.00 .54-.84i .54+.84i -.00-1.00i
-.00+1.00i -.99-.16i -.99+.16i
Es tim ated MA proces s is noninvertible
En el modelo de ARMA(5,2), ARMA(5,3), ARMA(5,4), ARMA(5,6) Y ARMA(5,7) se puede ver que

ninguna de las variables rezagadas, incluido la constante NO son significativas ya que a un nivel
de confianza del 95% sus probabilidades están sobre el 5% , es decir que están fuera del rango
de parámetros, sin embargo en los 5 casos los modelos son altamente significativos ya que su
valor de R cuadrado esta sobre el 98% con una probabilidad de significancia de 0.00%,
finalmente los valores de DW de cada uno de ellos están cercanos al valor de 2, es decir que es
muy probable que no exista ACR.


Date: 08/17/19 Tim e: 22:54
Sam ple: 1990 2014
C 4.10E+10 8.38E+10 0.488430 0.6334

AR(1) 2.911022 0.016298 178.6104 0.0000
AR(2) -1.992026 0.022602 -88.13610 0.0000
AR(3) -1.707372 0.010566 -161.5862 0.0000
AR(4) 2.742557 0.008044 340.9457 0.0000
AR(5) -0.955714 0.002838 -336.7567 0.0000
MA(1) -1.923115 42.75216 -0.044983 0.9648
MA(2) 1.94E-05 1.854098 1.05E-05 1.0000
MA(3) 1.923105 71.25612 0.026989 0.9789
MA(4) -1.000019 59.31781 -0.016859 0.9868
MA(5) 1.01E-05 0.523571 1.93E-05 1.0000
SIGMASQ 1.79E+18 3.73E+20 0.004799 0.9962


-.97
Inverted MA Roots 1.00 .96+.27i .96-.27i .00
-1.00


coeficientes de AR(1) AR(2) AR(3) AR(4) AR(5) son distintos y sus
probabilidades son significativas ya que son menores al 5%, el modelo
tiene un R-squared del 0.987329 lo que nos dice que es altamente
representativo y la probabilidad del modelo del 0.00% , es decir que el
modelo en general es significativo a cualquier nivel de confianza.

C
ARMA (6,1) ARMA (6,2)

Sample: 1990 2014 Sample: 1990 2014
Failure to improve objective (non-zero gradients) after 162 iterations Convergence achieved after 63 iterations
Variable Coefficient Std. Error t-Statistic Prob. Variable Coefficient Std. Error t-Statistic Prob.
C 4.70E+10 3.81E+10 1.233518 0.2352 C 4.64E+10 5.74E+10 0.807938 0.4318

AR(1) 2.195848 0.448987 4.890670 0.0002 AR(1) 2.601871 0.139308 18.67708 0.0000
AR(2) -1.418549 0.688175 -2.061321 0.0559 AR(2) -2.304632 0.079442 -29.01042 0.0000
AR(3) 0.239739 0.772717 0.310254 0.7604 AR(3) 0.805385 0.633783 1.270758 0.2232
AR(4) 0.011047 0.713262 0.015488 0.9878 AR(4) -0.044210 0.865453 -0.051083 0.9599
AR(5) -0.134759 0.679775 -0.198241 0.8455
AR(5) -0.070584 0.558484 -0.126385 0.9010
AR(6) 0.074154 0.300519 0.246752 0.8084
AR(6) 0.038317 0.303014 0.126452 0.9009
MA(1) -1.399730 404.1476 -0.003463 0.9973
MA(1) -0.999981 5999.985 -0.000167 0.9999
MA(2) 0.399735 203.5873 0.001963 0.9985
SIGMASQ 2.24E+18 1.53E+21 0.001464 0.9989
SIGMASQ 2.25E+18 3.55E+20 0.006338 0.9950
Inverted AR Roots 1.00-.07i 1.00+.07i .50 .04+.44i Inverted AR Roots 1.00-.07i 1.00+.07i .71 .14+.50i
.04-.44i -.39 .14-.50i -.38
Inverted MA Roots 1.00 Inverted MA Roots 1.00 .40
En el modelo de ARMA(6,1) Y ARMA(6,2) hay dos variables que están rezagadas en función de su
propio pasado que si son significativos, cuyas variables significativas son AR(1) y AR(2) los cueles se
pueden verificar a un nivel de confianza del 95% con valores de +-1,96, sin embargo en los casos los
modelos son altamente significativos ya que su valor de R cuadrado esta sobre el 98% con una
probabilidad de significancia de 0.00%, finalmente los valores de DW de cada uno de ellos están
cercanos al valor de 2, es decir que es muy probable que no exista ACR.

ARMA (6,3) ARMA (6,4)

Date: 08/17/19 Time: 23:00
Date: 08/17/19 Time: 22:59
Sample: 1990 2014
Sample: 1990 2014
C 4.80E+10 6.35E+10 0.756465 0.4629
C 4.63E+10 9.09E+10 0.509640 0.6182 AR(1) 2.109986 0.383209 5.506098 0.0001
AR(1) 3.017838 0.371628 8.120593 0.0000 AR(2) -1.260469 0.435214 -2.896204 0.0125
AR(2) -4.012595 0.511161 -7.849971 0.0000 AR(3) -0.642926 0.309019 -2.080538 0.0578
AR(3) 3.120619 0.025462 122.5611 0.0000 AR(4) 1.928694 0.421638 4.574288 0.0005
AR(4) -1.132221 0.653794 -1.731772 0.1053 AR(5) -1.470782 0.207857 -7.075941 0.0000
AR(5) -0.156845 0.794367 -0.197446 0.8463 AR(6) 0.328025 0.190384 1.722968 0.1086
AR(6) 0.159643 0.344502 0.463402 0.6502 MA(1) -0.988621 59.01296 -0.016753 0.9869
MA(1) -1.940065 1592.160 -0.001219 0.9990 MA(2) 0.000413 6.458390 6.39E-05 0.9999
MA(2) 1.940050 2050.526 0.000946 0.9993 MA(3) 0.987834 86.07889 0.011476 0.9910
MA(3) -0.999985 1873.564 -0.000534 0.9996 MA(4) -0.999626 147.1534 -0.006793 0.9947
Inverted AR Roots 1.00-.08i 1.00+.08i .60 .36-.89i Inverted AR Roots 1.00-.07i 1.00+.07i .38 .37+.85i
.36+.89i -.29 .37-.85i -1.00
Inverted MA Roots 1.00 .49-.87i .49+.87i -1.00
Inverted MA Roots 1.00 .47-.88i .47+.88i
En el modelo de ARMA(6,3) Y ARMA(6,4) hay tres variables que están rezagadas en función de su
propio pasado que si son significativos, cuyas variables significativas son AR(1), AR(2), AR(3) los cuales
se pueden verificar a un nivel de confianza del 95% con valores de +-1,96, sin embargo en los casos los
modelos son altamente significativos ya que su valor de R cuadrado esta sobre el 98% con una
probabilidad de significancia de 0.00%, finalmente los valores de DW de cada uno de ellos están
cercanos al valor de 2, es decir que es muy probable que no exista ACR.

ARMA (6,5) ARMA (6,6)

Sample: 1990 2014 Sample: 1990 2014
C 2.66E+10 2.87E+10 0.927964 0.3733
C 2.85E+10 7.48E+13 0.000381 0.9997 AR(1) 0.784437 0.703881 1.114445 0.2888
AR(1) -1.663037 2.647819 -0.628078 0.5417 AR(2) 0.190971 1.291527 0.147864 0.8851
AR(2) 0.028356 3.676377 0.007713 0.9940 AR(3) -0.569255 1.084980 -0.524668 0.6102
AR(3) 1.669709 2.870891 0.581600 0.5716 AR(4) 0.920387 0.900965 1.021557 0.3289
AR(4) 0.966361 4.774821 0.202387 0.8430 AR(5) -0.128528 1.168464 -0.109998 0.9144
AR(5) -0.001877 2.705821 -0.000694 0.9995 AR(6) -0.248582 0.652374 -0.381042 0.7104
AR(6) 0.000105 1.951560 5.36E-05 1.0000 MA(1) 0.824732 757.0084 0.001089 0.9992
MA(1) 3.959087 2.737124 1.446440 0.1737 MA(2) 0.786966 1124.981 0.000700 0.9995
MA(2) 6.586936 5.622402 1.171552 0.2641 MA(3) 1.714876 1272.178 0.001348 0.9989
MA(3) 5.740679 3.861820 1.486521 0.1629 MA(4) 0.786997 938.3818 0.000839 0.9993
MA(5) 0.824708 1343.792 0.000614 0.9995
MA(4) 2.618804 2.007870 1.304269 0.2166
MA(6) 0.999973 1483.615 0.000674 0.9995
MA(5) 0.494564 1.082037 0.457068 0.6558
SIGMASQ 1.56E+18 1.73E+21 0.000899 0.9993
SIGMASQ 1.90E+18 2.44E+19 0.077933 0.9392
R-squared 0.991161 Mean dependent var 1.83E+10
R-squared 0.989192 Mean dependent var 1.83E+10 Adjusted R-squared 0.980716 S.D. dependent var 1.35E+10
Adjusted R-squared 0.978384 S.D. dependent var 1.35E+10 S.E. of regression 1.88E+09 Akaike info criterion 46.55295
S.E. of regression 1.99E+09 Akaike info criterion 46.82143 Sum squared resid 3.89E+19 Schwarz criterion 47.23552
Sum squared resid 4.76E+19 Schwarz criterion 47.45525 Log likelihood -567.9119 Hannan-Quinn criter. 46.74227
Log likelihood -572.2679 Hannan-Quinn criter. 46.99723 F-statistic 94.88761 Durbin-Watson stat 2.005660
F-statistic 91.52377 Durbin-Watson stat 1.772244 Prob(F-statistic) 0.000000
Inverted AR Roots .95 .75 .23+.91i .23-.91i
Inverted AR Roots 1.00 .00-.01i .00+.01i -.84+.53i -.42 -.95
-.84-.53i -.98 Inverted MA Roots .56-.83i .56+.83i .01-1.00i .01+1.00i
Inverted MA Roots -.64 -.70-.53i -.70+.53i -.96+.29i -.98-.18i -.98+.18i
-.96-.29i Estimated MA process is noninvertible
ARMA (6,7)

Date: 08/17/19 Time: 23:03
Sample: 1990 2014
En el modelo de ARMA(6,5), ARMA(6,6),
Failure to improve objective (non-zero gradients) after 61 iterations
ARMA(6,7) se puede ver que ninguna de
Variable Coefficient Std. Error t-Statistic Prob. las variables rezagadas, incluido la
C 2.81E+10 2.45E+10 1.145622 0.2786 constante no son significativas ya que a un
AR(1) 0.410265 1.813543 0.226223 0.8256
AR(2) 0.033392 2.522686 0.013237 0.9897 nivel de confianza del 95% sus
AR(3) 0.165508 1.012634 0.163443 0.8734
AR(4)
AR(5)
0.250135
0.065119
2.268925
2.785328
0.110244
0.023379
0.9144
0.9818
probabilidades están sobre el 5% , es decir
AR(6)
MA(1)
0.000608
1.206952
3.379724
1459.233
0.000180
0.000827
0.9999
0.9994
que están fuera del rango de parámetros,
MA(2) 1.705500 1871.282 0.000911 0.9993
MA(3) 1.793366 1552.909 0.001155 0.9991 sin embargo en los 3 casos los modelos son
MA(4) 1.793366 1759.973 0.001019 0.9992
MA(5) 1.705500 2384.658 0.000715 0.9994 altamente significativos ya que su valor de
MA(6) 1.206952 1038.632 0.001162 0.9991
MA(7) 1.000000 733.8880 0.001363 0.9989 R cuadrado esta sobre el 98% con una
SIGMASQ 1.76E+18 1.93E+21 0.000908 0.9993

probabilidad de significancia de 0.00%,
Adjusted R-squared
S.E. of regression
0.976077
2.09E+09
S.D. dependent var
Akaike info criterion
1.35E+10
46.70254
finalmente los valores de DW de cada uno
Log likelihood -568.7817 Hannan-Quinn criter. 46.90538 de ellos están cercanos al valor de 2, es
Prob(F-statistic) 0.000000 decir que es muy probable que no exista
Inverted AR Roots .97 .08+.69i .08-.69i -.01 ACR.
-.36+.08i -.36-.08i
Inverted MA Roots .58-.81i .58+.81i -.04+1.00i -.04-1.00i
-.65-.76i -.65+.76i -1.00
Estimated MA process is noninvertible

ARMA (7,1)

Date: 08/17/19 Tim e: 23:05
Sam ple: 1990 2014
C 4.66E+10 6.75E+10 0.690854 0.5002

AR(1) 2.204332 0.568758 3.875692 0.0015
AR(2) -1.422395 0.484845 -2.933711 0.0103
AR(3) 0.236753 0.584235 0.405236 0.6910
AR(4) -0.010460 0.677111 -0.015448 0.9879
AR(5) 0.129785 0.642307 0.202060 0.8426
AR(6) -0.316665 0.690015 -0.458926 0.6529
AR(7) 0.175568 0.398675 0.440377 0.6659
MA(1) -0.999978 5601.239 -0.000179 0.9999
SIGMASQ 2.20E+18 1.54E+21 0.001423 0.9989

Inverted AR Roots 1.00-.07i 1.00+.07i .78 .24+.68i

.24-.68i -.52-.40i -.52+.40i


del 0.987522lo que nos dice que es altamente representativo y la

ARMA
a 2 lo que(7,2)
indica que no va
existir ACR.

ARMA(7,2) ARMA(7,4)

Sample: 1990 2014 Sample: 1990 2014
Convergence achieved after 64 iterations Failure to improve objective (non-zero gradients) after 129 iterations

C 3.71E+10 3.23E+10 1.149041 0.2729
C 4.71E+10 4.42E+10 1.065875 0.3045 AR(1) 0.424555 0.529695 0.801508 0.4384
AR(1) 1.745069 1.843287 0.946716 0.3598 AR(2) 0.830436 0.580834 1.429730 0.1783
AR(2) -0.400334 3.666280 -0.109194 0.9146 AR(3) -0.575877 0.525338 -1.096203 0.2945
AR(3) -0.430554 2.183659 -0.197171 0.8465 AR(4) 0.321570 0.879586 0.365592 0.7210
AR(4) 0.090574 0.598130 0.151428 0.8818 AR(5) 0.674982 1.245618 0.541885 0.5978
AR(5) 0.149048 0.559072 0.266598 0.7937 AR(6) -0.213586 0.345147 -0.618826 0.5476
AR(7) -0.518469 0.652985 -0.793999 0.4426
AR(6) -0.354619 0.563672 -0.629122 0.5394
MA(1) 1.060700 1702.059 0.000623 0.9995
AR(7) 0.195931 0.404819 0.483996 0.6359
MA(2) 0.212416 295.3975 0.000719 0.9994
MA(1) -0.525205 4971.636 -0.000106 0.9999 MA(3) 1.060700 1991.481 0.000533 0.9996
MA(2) -0.474780 6918.866 -6.86E-05 0.9999 MA(4) 1.000000 2784.201 0.000359 0.9997
F-statistic 112.2761 Durbin-Watson stat 1.951461 Prob(F-statistic) 0.000000
Inverted AR Roots .97-.09i .97+.09i .35+.91i .35-.91i
Inverted AR Roots 1.00+.07i 1.00-.07i .73 .17-.66i -.63+.43i -.63-.43i -.98
.17+.66i -.65-.39i -.65+.39i Inverted MA Roots .45+.89i .45-.89i -.98-.18i -.98+.18i
Inverted MA Roots 1.00 -.47 Estimated MA process is noninvertible
ARMA(7,5) ARMA(7,7)

Sample: 1990 2014 Sample: 1990 2014
Failure to improve objective (non-zero gradients) after 269 iterations Convergence achieved after 251 iterations
C 2.82E+10 2.25E+10 1.254303 0.2413
C 5.00E+10 5.40E+10 0.925095 0.3748 AR(1) 0.696472 1.463253 0.475975 0.6454
AR(1) 0.471008 0.734402 0.641348 0.5344 AR(2) -0.523498 1.515147 -0.345510 0.7376
AR(2) 0.696725 1.157646 0.601847 0.5595 AR(3) 0.564244 1.443318 0.390935 0.7049
AR(3) -0.236951 1.036267 -0.228658 0.8233 AR(4) 0.445046 1.932319 0.230317 0.8230
AR(4) 0.627647 1.561677 0.401906 0.6955 AR(5) -0.333016 0.835942 -0.398372 0.6996
AR(5) 0.003896 0.988107 0.003942 0.9969 AR(6) 0.771052 0.506409 1.522589 0.1622
AR(6) -0.375947 0.623894 -0.602581 0.5590 AR(7) -0.713360 0.529715 -1.346686 0.2110
AR(7) -0.215872 0.365807 -0.590124 0.5670 MA(1) 0.840392 1012.492 0.000830 0.9994
MA(1) 0.927243 1127.715 0.000822 0.9994 MA(2) 2.034768 1572.428 0.001294 0.9990
MA(2) -0.019193 1071.521 -1.79E-05 1.0000 MA(3) 1.737146 1208.926 0.001437 0.9989
MA(3) 0.019555 1027.714 1.90E-05 1.0000 MA(4) 1.737146 2584.919 0.000672 0.9995
MA(4) -0.926967 2938.717 -0.000315 0.9998 MA(5) 2.034768 1720.548 0.001183 0.9991
MA(5) -0.999906 4037.528 -0.000248 0.9998 MA(6) 0.840392 1491.038 0.000564 0.9996
SIGMASQ 1.39E+18 1.99E+21 0.000700 0.9995 MA(7) 1.000000 1482.303 0.000675 0.9995
SIGMASQ 1.14E+18 2.07E+21 0.000549 0.9996
Inverted AR Roots 1.00-.07i 1.00+.07i .16-.88i .16+.88i Inverted AR Roots .90+.05i .90-.05i .27+.92i .27-.92i
-.43+.30i -.43-.30i -.98 -.34+.94i -.34-.94i -.96
Inverted MA Roots 1.00 .02+1.00i .02-1.00i -.99-.16i Inverted MA Roots .53-.85i .53+.85i -.09+1.00i -.09-1.00i
-.99+.16i -.35+.94i -.35-.94i -1.00
Estimated MA process is noninvertible Estimated MA process is noninvertible

En el modelo de ARMA(6,5), ARMA(6,6), ARMA(6,7) se puede ver que ninguna

de las variables rezagadas, incluido la constante no son significativas ya que a
un nivel de confianza del 95% sus probabilidades están sobre el 5% , es decir que
están fuera del rango de parámetros, sin embargo en los 3 casos los modelos
son altamente significativos ya que su valor de R cuadrado esta sobre el 98%
con una probabilidad de significancia de 0.00%, finalmente los valores de DW
de cada uno de ellos están cercanos al valor de 2, es decir que es muy probable
que no exista ACR.
ARMA (7,3)

Date: 08/17/19 Tim e: 23:07
Sam ple: 1990 2014
C 5.01E+10 4.74E+10 1.057582 0.3095

AR(1) 0.491219 0.484346 1.014191 0.3290
AR(2) 1.531482 0.696601 2.198507 0.0466
AR(3) -0.502449 0.609376 -0.824530 0.4245
AR(4) -0.786783 1.595367 -0.493168 0.6301
AR(5) 0.228454 0.653240 0.349725 0.7321
AR(6) 0.229276 0.855269 0.268075 0.7928
AR(7) -0.207041 0.455979 -0.454058 0.6573
MA(1) 0.971065 4031.951 0.000241 0.9998
MA(2) -0.970339 4288.221 -0.000226 0.9998
MA(3) -0.999755 8564.864 -0.000117 0.9999
SIGMASQ 1.62E+18 3.01E+21 0.000538 0.9996


-.64+.44i -.64-.44i -.99
Inverted MA Roots 1.00 -.99-.17i -.99+.17i
En este modelo la única variable rezagada que es significativa es el AR(2) con una
probabilidad de 0,0466 a un nivel de confianza del 95% con valores +-1,96 se
puede verificar que el valor es menor al nivel de significancia de 5%, también
podemos que el modelo es altamente representativo con valores en R cuadrado
de 0,990814 con una probabilidad de 0,00% y un valor en el DW cercano al valor
de 2 lo cual indica que es mas probable que no exista ACR.
Es muy importante saber que este modelo realizo 254 iteraciones antes para
lograr una convergencia en SCR.

ARMA (7,6)

Date: 08/17/19 Tim e: 23:10
Sam ple: 1990 2014
C 4.56E+10 7.45E+10 0.612470 0.5539

AR(1) 1.331430 0.150700 8.834948 0.0000
AR(2) -1.242046 0.227812 -5.452058 0.0003
AR(3) 1.723026 0.238580 7.221992 0.0000
AR(4) -0.926910 0.176445 -5.253248 0.0004
AR(5) 0.551787 0.178929 3.083826 0.0116
AR(6) -0.108819 0.211096 -0.515497 0.6174
AR(7) -0.357101 0.014792 -24.14149 0.0000
MA(1) -0.074862 539.9711 -0.000139 0.9999
MA(2) 1.251545 448.9740 0.002788 0.9978
MA(3) -1.120505 716.5397 -0.001564 0.9988
MA(4) 0.041423 524.1748 7.90E-05 0.9999
MA(5) -0.976162 510.2488 -0.001913 0.9985
MA(6) -0.121434 48.03084 -0.002528 0.9980
SIGMASQ 1.20E+18 1.02E+21 0.001177 0.9991


-.34-.94i -.34+.94i -.45
Inverted MA Roots 1.00 -.06-1.00i -.06+1.00i -.12
-.34-.94i -.34+.94i
En este modelo todos las variables rezagadas en función de su propio pasado son
significativas a un nivel de confianza de 95% con valores de +-1,96, también se
puede observar que el modelo tiene un valor en R cuadrado de 0,993207 lo que
indica que el modelo es altamente representativo con una probabilidad de
significancia de 0,00%, también se puede ver que el valor de DW es de 1,907959
lo que indica que es muy probable que no exista ACR.
El modelo para lograr una convergencia en SCR corrió 500 iteraciones anteriores
del modelo.

PROCESO ARMA R-squared akaike schwarz criterion hannan-quinn

1.1 0.9692 46.3617 46.5568 46.4158
1.2 0.9725 46.2926 46.5364 46.3602
1.3 0.9797 46.2784 46.5709 46.3595
1.4 0.9198 47.5069 47.8481 47.6015
1.5 0.9335 47.5322 47.9222 47.6404
1.6 0.9629 47.9745 47.4132 47.0961
1.7 0.9646 47.0123 47.4998 47.1475
2.1 0.9848 45.9131 46.1569 45.9807
2.2 0.9840 45.9619 46.2544 46.0430
2.3 0.9831 46.0416 46.3829 46.1363
2.4 0.9821 46.1216 46.5117 46.2298
2.5 0.9811 46.1996 46.6384 46.3213
2.6 0.9801 46.2568 46.7444 46.3920
2.7 0.9785 46.3330 46.8693 46.4817
3.1 0.9840 46.9620 46.2545 46.0431
3.2 0.9831 46.0416 46.3829 46.1363
3.3 0.9823 46.1209 46.5110 46.2291
3.4 0.9810 46.2016 46.6404 46.3233
3.5 0.9797 46.2816 46.7692 46.4168
3.6 0.9784 46.9696 46.8959 46.5038
3.7 0.6867 51.6862 52.2712 51.8484
4.1 0.9831 46.0416 46.3829 46.1363
4.2 0.9996 48.2467 48.6367 48.3549
4.3 0.9846 46.1395 46.5783 46.2613
4.4 0.9843 46.1765 46.6641 46.3118
4.5 0.9821 46.2926 46.8289 46.4414
4.6 0.9776 46.5490 47.1340 46.7112
4.7 0.9838 46.3195 46.9533 46.4953
5.1 0.9821 46.1216 46.5117 46.2298
5.2 0.9810 46.1981 46.6369 46.3198
5.3 0.9810 46.1981 46.6369 46.3198
5.4 0.9820 46.2880 46.8243 46.4368
5.5 0.9812 46.3878 46.9729 46.5501
5.6 0.9835 46.4031 47.0369 46.5789
5.7 0.9853 46.3819 47.0644 46.5712
6.1 0.9809 46.2004 46.6392 46.3221
6.2 0.9796 46.2758 46.7633 46.4110
6.3 0.9826 46.2635 46.7999 46.4124
6.4 0.9811 46.3574 46.9424 46.5196
6.5 0.9784 46.8214 47.4552 46.9972
6.6 0.9807 46.5529 47.2355 46.7422
6.7 0.9761 46.7025 47.4338 46.9053
7.1 0.9800 46.2534 46.7409 46.3886
7.2 0.9789 46.3270 46.8633 46.4758
7.3 0.9830 46.3358 46.9208 46.4981
7.4 0.9826 46.3925 47.0263 46.5683
7.5 0.9827 46.4358 47.1184 46.6251
7.6 0.9837 46.4966 47.2279 46.6994
7.7 0.9828 46.6049 47.3849 46.8212

La variable PIB, después de haber realizado el calculo de los procesos ARMA

(P, Q), mediante el indicador R- squared se pudo determinar que el proceso
mejor ajustado es el ARMA(2,1) con un valor de 98,48%, cuya estructura es la
siguiente:
La estructura representa que con la variable estudiada PIB este tiene shocks
aleatorios que afectan en la evolución de dicha variable en funcion de su propio
pasado.

Tarea 5 Econometria - Primera Variable

Загружено:

Сведения о документе

Оригинальное название

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

Tarea 5 Econometria - Primera Variable

Загружено:

Авторское право:

Доступные форматы

COMANDO GENERAL DEL EJÉRCITO

ESCUELA MILITAR DE INGENIERÍA

TAREA 5: ESTIMACIÓN DE PROCESOS

CARRERA: ING. COMERCIAL

SEMESTRE: 6to SEMESTRE “B”

DOCENTE: LIC. RODRIGO PANIAGUA TAPIA

ESTUDIANTES: NOELIA ORELLANA QUINTEROS

MODELOS AR(P) – MA(Q) – ARMA(P,Q)

El siguiente trabajo consiste en estimar los modelos AR(P), MA(Q), ARMA(P,Q)

❖ Proceso autorregresivo- AR(P): es un proceso estocástico

𝑋𝑡 = 𝐶 + П1 𝑋𝑡−1 + П2 𝑋𝑡−2 + П3 𝑋𝑡−3 + … … … … …. + П𝑝 𝑋𝑡−𝑝

❖ Proceso medio móvil – MA(Q): es un proceso estocástico

𝑋𝑡 = 𝐶 + Ф1 Ԑ𝑡−1 +Ф2 Ԑ𝑡−2 +Ф3 Ԑ𝑡−3 + … … … … …. + Ф𝑞 Ԑ𝑡−𝑞

❖ Proceso autorregresivo y media móvil ARMA (P, Q): es

Las tres variables que se utilizaran son:

Exportaciones: desde 1990 hasta 2017

NOELIA ORELLANA QUINTEROS C7517-5

AÑO PIB EXPORTACIONES IMPORTACIONES

Una vez teniendo los datos de las tres variables se procederá a

- Siguiendo la metodología de Box – Jenkings

1° Como primer paso se procede a graficar la variable a

NOELIA ORELLANA QUINTEROS C7517-5

Grafica del PIB de los años 1990- 2013 es decir cuando

el tamaño de muestra reduce de la siguiente manera:

NOELIA ORELLANA QUINTEROS C7517-5

2° como segundo paso se procede a identificar el tipo de

Como se puede observar en las gráficas la autocorrelación decrece

3° como tercer poso se calculará los estimadores de la variable

NOELIA ORELLANA QUINTEROS C7517-5

En el modelo AR(1)=PIB(-1) se puede observar que a un nivel de confianza de 95% con

NOELIA ORELLANA QUINTEROS C7517-5

El PIB en un periodo pasado PIB(-1) tiene un valor de -26563601 en el coeficiente de la

NOELIA ORELLANA QUINTEROS C7517-5

. En el modelo podemos observar el valor del coeficiente de la constante es de

El modelo en el R-squared tiene un valor de 98,7982% lo cual nos indica que el

NOELIA ORELLANA QUINTEROS C7517-5

El PIB tiene un valor en el coeficiente de su constante 1,54E+08 con una probabilidad

El PIB tiene un valor en el coeficiente de su constante 2,15E+08 con una probabilidad

c NOELIA ORELLANA QUINTEROS C7517-5

El PIB tiene un valor en el coeficiente de su constante 2,73E+08 con una probabilidad

El PIB tiene un valor en el coeficiente de su constante 28662011 con una probabilidad

NOELIA ORELLANA QUINTEROS C7517-5

Primeramente, podemos observar que el modelo antes realiza 21 iteraciones para

NOELIA ORELLANA QUINTEROS C7517-5

X t=1,89E+10 +1,500440Ԑt-1+ 0,999948 Ԑt-2

En el modelo MA(2) en dos periodos de su pasado se puede observar

Recordar siempre un punto muy importante que es que el modelo realizo

NOELIA ORELLANA QUINTEROS C7517-5

X t=1,92E+10 +2,006009Ԑt-1+ 1,970377 Ԑt-2 +0,814250Ԑt-3

Primeramente, podemos observar que el modelo antes realiza 74 iteraciones para

NOELIA ORELLANA QUINTEROS C7517-5

X t = 1,94E+10 +1,775282 Ԑt-1 + 2,017443 Ԑt-2 + 1,724391 Ԑt-3 + 7,81E+18Ԑt-4

En el modelo MA(4) en cuatro periodos de su pasado se puede observar

Recordar siempre un punto muy importante que es que el modelo realizo

NOELIA ORELLANA QUINTEROS C7517-5

X t = 1,94E+10 +2,042112 Ԑt-1 + 2,042112 Ԑt-2 + 2,894225 Ԑt-3 + 2,014856 Ԑt-4 +

NOELIA ORELLANA QUINTEROS C7517-5

X t = 1,97E+10 + 2,100455 Ԑt-1 + 2,945392 Ԑt-2 + 3,026569 Ԑt-3 + 2,267129 Ԑt-4

En el modelo MA(6) en seis periodos de su pasado se puede observar

Recordar siempre un punto muy importante que es que el modelo realizo

NOELIA ORELLANA QUINTEROS C7517-5

X t = 2,01E+10 + 1,933376 Ԑt-1 + 2,895924 Ԑt-2 + 3,193105 Ԑt-3 + 2,779990 Ԑt-4

NOELIA ORELLANA QUINTEROS C7517-5