Академический Документы
Профессиональный Документы
Культура Документы
Natalia Jáuregui R.
1) SERIE 1
40 Mean -9.85e-09
Median -0.046111
Maximum 3.086162
30 Minimum -2.959093
Std. Dev. 0.998265
Skewness 0.103152
20
Kurtosis 3.146364
10 Jarque-Bera 1.327663
Probability 0.514875
0
-3 -2 -1 0 1 2 3
Autocorrelación
Test Equation:
Dependent Variable: RESID
Method: Least Squares
Date: 04/13/11 Time: 18:54
Sample: 3 500
Included observations: 498
Presample missing value lagged residuals set to zero.
En base a todos estos resultados, elegimos el modelo AR(2) como el más idóneo según los
criterios de selección, ya además no presentan grandes problemas en lo que se refieren a sus
errores.
SERIE 2
40 Mean 0.018157
Median 0.048472
Maximum 2.591756
30 Minimum -2.729447
Std. Dev. 0.981536
Skewness -0.120174
20
Kurtosis 2.783919
10 Jarque-Bera 2.171865
Probability 0.337587
0
-2 -1 0 1 2
Autocorrelación
Test Equation:
Dependent Variable: RESID
Method: Least Squares
Date: 04/19/11 Time: 12:50
Sample: 2 500
Included observations: 499
Presample missing value lagged residuals set to zero.
En base a todos estos resultados, elegimos el modelo ARMA(1,3) como el más idóneo
según los criterios de selección, ya además no presentan grandes problemas en lo que se
refieren a sus errores.
2) SERIE 1
0.8
0.4
0.0
1 2 3 4 5 6 7 8 9 10 11
0
1 2 3 4 5 6 7 8 9 10 11
SERIE 2
0.8
0.4
0.0
-0.4
-0.8
1 2 3 4 5 6 7 8 9 10 11
1.25
1.00
0.75
0.50
1 2 3 4 5 6 7 8 9 10 11
3) SERIE 1
Período Respuesta
Coeficientes 1 1.000280
-1 0.410924 2 0.404234
-2 0.535758
3 0.522994
-3 0.335131
4 0.356689
-4 0.322509
5 0.332180
-5 0.287821
6 0.262483
-6 0.138414
7 0.225505
-7 0.200029
8 0.185503
-8 0.201876
9 0.156042
-9 0.130388
10 0.129754
-10 0.093288
11 0.108539
SERIE 2
Coeficientes
-1 0.352452
-2 -0.428628
-3 -0.042869
-4 0.001357
-5 0.068606
-6 0.040452
-7 0.088249
-8 0.003841
-9 0.003657
-10 -0.002667
Período Respuesta
1 0.985671
2 0.349408
3 -0.428870
4 -0.014214
5 -0.013885
6 -0.013565
7 -0.013251
8 -0.012945
9 -0.012646
10 -0.012354
11 -0.012068
Vemos que en ambas series los coeficientes calculados mediante las regresiones estimadas
son bastante parecidos a los impulsos respuesta, sólo que desfasados en un período, esto es
debido a que el primer impulso respuesta es el causado por el mismo error contemporáneo
(et), y el del período siguiente corresponde al del error rezagado un período (e t+1), por
ejemplo, el coeficiente de la primera regresión es similar al coeficiente encontrado en el
impulso respuesta del período 2.
Sin embargo en la segunda serie, tenemos que el signo del coeficiente estimado de la cuarta
regresión no coincide con signo del impulso respuesta del período 5, de ahí en adelante
hasta la regresión 9 pasa esto. Sin embargo ambos valores, los coeficientes estimados y los
impulsos respuesta son muy bajos por lo que el signo no es muy relevante, se parecen
mucho también.
4) IGPA
Normalidad
El test de autocorrelación nos da una probabilidad de 8%, que está cerca del límite de
rechazar la hipótesis nula de que no hay autocorrelación.
Si miramos el
correlograma de los
residuos, vemos que las probabilidades no son todas cero, por lo que no podemos asegurar
que los
residuos son ruido blanco.
En todos los casos vemos que el comportamiento de los residuos no muy es bueno, por lo
que el mejor modelo que se ajusta según el criterio de Schwartz en verdad no es una
buena aproximación del comportamiento de los retornos del IGPA, entonces se
entiende que no hay algún modelo mediante el cual el proceso que llevan los retornos
puedan ajustarse a alguna estructura ARMA, en este sentido, no sería posible
adelantarnos a lo que pasará con los retornos y obtener provecho de eso en el tiempo.
Los mercados serían entonces eficientes.
5) Predicción Estática
Si realizamos una predicción estática vemos:
.020
Forecast: YF
.015 Actual: Y
Forecast sa mple: 10/13/200 9 10/22/...
.010 Adjusted sample: 10/13/2 009 10/16/...
Included o bservations: 3
.005
Root Mean Squared Error 0.005043
.000
Mean Absolute Error 0.004992
Mean Abs. Percent Error 95.29726
-.005 Theil Inequality Coefficient 0.737545
Bias Proportion 0.211413
-.010 Variance Proportion 0.691119
Covariance Proportion 0.097467
-.015
-.020
10/13/09 10/14/09 10/15/09 10/16/09
YF ± 2 S.E.
Predicción dinámica:
.020
Forecast: YF
.016 Actual: Y
.012
Forecast sa mple: 10/13/200 9 10/22/...
Included o bservations: 3
.008 Root Mean Squared Error 0.005149
Mean Absolute Error 0.005023
.004
Mean Abs. Percent Error 93.28245
.000 Theil Inequality Coefficient 0.786101
Bias Proportion 0.208282
-.004 Variance Proportion 0.791617
Covariance Proportion 0.000101
-.008
-.012
-.016
13 14 15 16 19 20 21 22
2009m10
YF ± 2 S.E.
Notemos también que los retornos giran en torno al cero, lo cual es una prueba más de que
los mercados son eficientes.
.01 .01
.00 .00
-.01 -.01
-.02 -.02
5 10 15 20 25 30 35 40 5 10 15 20 25 30 35 40
.010 .010
.005 .005
.000 .000
-.005 -.005
-.010 -.010
5 10 15 20 25 30 35 40 5 10 15 20 25 30 35 40
En el gráfico superior, la Función Impulso Respuesta del VAR mostró que el producto
reacciona positivamente ante shocks simulados en el dinero, pues el eje horizontal (el nivel
cero) se mantiene bajo los límites de confianza en todo momento. Pero tiene efecto
negativo (inmediato) esperado debido a un shock en la tasa interbancaria, efecto que es
cada vez menor con el tiempo.
Por el lado de los precios pasa algo similar, el movimiento provocado por el shock del
dinero va con un rezago aprox. 4 períodos (1 año), y luego se mantiene estable y sobre el
eje cero (efecto positivo del dinero en los precios). Y respecto a la tasa de interés, primero
tiene un shock pequeño y positivo y luego disminuye para permanecer negativamente
después en el largo plazo.
El modelo VAR no satisface enteramente las condiciones de estabilidad (es decir, no vuelve
a cero luego del shock), pues no se observaron comportamientos constante en el largo plazo
del producto ante shocks de dinero o tasa de interés. Más bien se aprecia un
comportamiento explosivo de la FIR del producto y de los precios ante innovaciones de las
variables dinero y de la tasa de interés, por lo que no se puede descartar la presencia de
raíces unitarias en su representación de media móvil (conclusión que ya habíamos
apreciado ya antes con el test de raíces unitarias del VAR).
Así, el efecto de los shocks en este caso pueden ser permanentes, ya que las series
cointegran entre ellas (las 4 variables tienen raíz unitaria y son integradas de orden 1) y eso
implica que no es necesario que los efectos de un shock se vayan a cero, si no que pueden
permanecer en el tiempo como lo vemos en los gráficos de arriba.
Para ver el análisis por variable, combinamos las tablas y nos queda:
Response of L NPIBRSA to Cholesky
One S.D. Innovations Los efectos del dinero
.008 y la tasa de interés
.004
impactan en formas
opuestas al producto y
.000 a los precios. Esto
-.004
coincide con la teoría
en la cual un alza de
-.008
tasa de interés debe
-.012 frenar el producto vía
5 10 15 20 25 30 35 40
disminución del
LNMSA TIBNSA ahorro e incentivo de
la inversión y el
Response of LNIPC_EMPSA to Cholesky
One S.D. Innovatio ns consumo. También el
.006 alza de tasas de
.004 interés hace bajar el
.002
valor de los precios,
ya que estaríamos en
.000
un punto con
-.002
crecimiento del
-.004 producto (una brecha
-.006 positiva) por lo que lo
5 10 15 20 25 30 35 40
afecta también
LNMSA TIBNSA negativamente.
En la teoría macroeconómica también se ve que los precios son rígidos en el corto plazo, lo
que se ve reflejado en un rezago en el movimiento de los precios frente a shocks de dinero
y de tasa de interés.
.015 .015
.010 .010
.005 .005
.000 .000
-.005 -.005
-.010 -.010
5 10 15 20 25 30 35 40 5 10 15 20 25 30 35 40
.008 .008
.004 .004
.000 .000
-.004 -.004
-.008 -.008
5 10 15 20 25 30 35 40 5 10 15 20 25 30 35 40
Variance Decomposition
Pe rcent LNPIBRSA varian ce due to LNPIBRSA Percent LNPIBRSA variance due to LNMSA El
100 100
80 80
60 60
40 40
20 20
0 0
5 10 15 20 25 30 35 40 5 10 15 20 25 30 35 40
Pe rcent LNPIBRSA varian ce due to LNIPC_EMPSA Percent LNPIBR SA variance due to TIBNSA
100 100
80 80
60 60
40 40
20 20
0 0
5 10 15 20 25 30 35 40 5 10 15 20 25 30 35 40
80 80
60 60
40 40
20 20
0 0
5 10 15 20 25 30 35 40 5 10 15 20 25 30 35 40
Pe rcent LNPIBRSA varian ce due to LNIPC_EMPSA Percent LNPIBR SA variance due to TIBNSA
100 100
80 80
60 60
40 40
20 20
0 0
5 10 15 20 25 30 35 40 5 10 15 20 25 30 35 40
Es así como podemos comprobar que los efectos impulso respuesta y la descomposición de
la varianza puede ser a veces muy sensible a los ordenamientos que se eligen para explicar
el modelo (cuáles variables nos dice la teoría que son más exógenas y cuáles más
endógenas).