Manual Mce

MATERIAL DE APOYO/SERIES DE TIEMPO
INDICE

1. GRAFICAR DATOS 1

2. APLICAR A LAS SERIES PRUEBAS DE RAICES UNITARIAS 2

3. CALCULO DE VECTORES AUTOREGRESIVOS 6

4. CORRECCIN DE LA VIOLACIN DE LOS SUPUESTOS
DEL MODELO. 15

5. LAS VARIABLES COINTEGRAN? 23
6. PRUEBAS DE COINTEGRACIN 24
7. APLICACIN DEL MODELO CORRECTOR DE ERRORES (MCE) 30
8. MODELO GENERAL A LO ESPECFICO 32
9. EL MODELO CORRECTOR DE ERRORES FINAL 38
BIBLIOGRAFIA 40

1
MODELO DE CORRECCIN DE ERRORES Y COINTEGRACIN EN E-VIEWS

Este es un ejemplo de un mecanismo corrector de errores realizado en E-views.
Para este caso, plantearemos un modelo de consumo, el cul podemos expresar
de la siguiente manera:

cp =y +i

Donde:
cp=Consumo privado
y=Ingreso real
i=Inflacin

Nota: Las series estn expresadas en el mismo ao base (1993), tienen
periodicidad trimestral y el periodo es de 1980:1 a 2005:4.

Antes de modelar, transformaremos las series en logaritmos de y, i y cp por
conveniencia.

10. GRAFICAR DATOS

Lo primero que se debe reportar en un trabajo (despus de la introduccin, el
ndice y el marco terico-histrico) son los grficos de las series, tanto en niveles
como en logaritmos, as como el significado de cada variable y el perodo tomado.
Nota: Las transformaciones de las variables a logaritmos y los grficos pueden hacerlas desde
Excel.

6.0E+08
7.0E+08
8.0E+08
9.0E+08
1.0E+09
1.1E+09
1.2E+09
1.3E+09
1.4E+09
1980 1985 1990 1995 2000 2005
CP
Consumo Pri vado
20.2
20.3
20.4
20.5
20.6
20.7
20.8
20.9
21.0
21.1
1980 1985 1990 1995 2000 2005
LCP
Logari tmo del Consumo Pri vado

2
20.6
20.7
20.8
20.9
21.0
21.1
21.2
21.3
21.4
1980 1985 1990 1995 2000 2005
LY
8.0E+08
1.0E+09
1.2E+09
1.4E+09
1.6E+09
1.8E+09
2.0E+09
1980 1985 1990 1995 2000 2005
Y
Logari tmo del Ingreso
Ingreso

18.6
18.8
19.0
19.2
19.4
19.6
19.8
1980 1985 1990 1995 2000 2005
LI
1.0E+08
1.5E+08
2.0E+08
2.5E+08
3.0E+08
3.5E+08
4.0E+08
1980 1985 1990 1995 2000 2005
I
Infl acin
Logaritmo de Inflacin

Despus de los grficos, lo que se reporta son los resultados sintetizados de las
pruebas de races unitarias. De preferencia, se realiza un cuadro personalizado
como en el ejemplo (Cuadro 1 y Cuadro 2) el cual contenga la informacin ms
relevante.

11. APLICAR A LAS SERIES PRUEBAS DE RAICES UNITARIAS

Tendr que ser un cuadro por prueba (Dickey-Fuller Aumentada y Phillips-Perron)
para cada variable (para este caso: lcp, li y ly):

Cuadro 1. Dickey- Fuller
3
Variable Modelo t-Statistic 5% Prob
Constante .982190 -2.892536 0.9962
lcp C y T -2.731937 -3.458326 0.2265
None 2.457502 -1.944286 0.9965

Constante .859928 -2.892536 .9946
ly
C y T -3.335868 -3.457808 .0668

None 2.747065 -1.944286 0.9985

Constante -411141 -2.889753 0.9022
li C y T -2.218209 -3.454032 0.4743
None 0.885178 -1.943974 0.8982

Cuadro 2. Philips- Perron
Constante -0.057020 -2.889753 0.9503
lcp C y T -4.567675 -3.454032 0.0020
None 3.298468 -1.943974 0.9997
Constante 0.124594 -2.889753 0.9662
ly C y T -5.708493 -3.454032 0.0000
None 4.033356 -1.943974 1.0000
Constante -0.732297 -2.889753 0.8330
li C y T -2.482334 -3.454032 0.3362
None 0.758533 -1.943974 0.8763

Recuerde que para realizar las pruebas de races unitarias debe:
1) Seleccionar y abrir la ventana de la variable de nuestro workfile
2) Seleccionar de la barra de botones: View / Unit Root Test y realizar las
pruebas de races unitarias.
3) Desplegar una ventana de dilogo, la cual mostrar las opciones para
aplicar las pruebas.
El primer campo tiene un combo de opciones de distintas pruebas en este ejercicio
trabajaremos con la Dickey-Fuller Aumentada y la Phillips-Perron. Para la opcin
4
de Lag Lenght utilizaremos el criterio que viene por default (Schwarz), con 12
rezagos.
Para la prueba Dickey-Fuller los clculos se presentan de la siguiente manera:
(Ejemplo de la variable LCP)
Modelos en niveles (levels):
Cuadro 3. Constante (intercept)

Null Hypothesis: LCP has a unit root
Exogenous: Constant
Lag Length: 9 (Automatic based on SIC, MAXLAG=12)
t-Statistic Prob.*
Augmented Dickey-Fuller test statistic 0.982190 0.9962
Test critical values: 1% level -3.501445
5% level -2.892536
10% level -2.583371
*MacKinnon (1996) one-sided p-values.

a) Cuadro 4. Constante y tendencia (trend and intercept)
Exogenous: Constant, Linear Trend
t-Statistic Prob.*
Augmented Dickey-Fuller test statistic -2.731937 0.2265
5% level -3.458326
10% level -3.155161

b) Cuadro 5. Sin constante y sin tendencia (none)
Exogenous: None
t-Statistic Prob.*
Augmented Dickey-Fuller test statistic 2.457502 0.9965
5% level -1.944286
10% level -1.614487

En primeras diferencias (1st difference):
5
c) Cuadro 6. Constante (intercept)
Null Hypothesis: D(LCP) has a unit root
Exogenous: Constant
t-Statistic Prob.*
5% level -2.892536
10% level -2.583371

d) Cuadro 7. Constante y tendencia (trend and intercept)
Exogenous: Constant, Linear Trend
t-Statistic Prob.*
5% level -3.458326
10% level -3.155161

e) Cuadro 8. Sin constante y sin tendencia (none)
Exogenous: None
t-Statistic Prob.*
5% level -1.944286
10% level -1.614487

Este mismo proceso habr que realizarlo para cada variable.
Recordemos que la H
0
es que existe raz unitaria en nuestra serie y H
1
es que la
serie es estacionaria. Por tanto, para aprobar H
1
la probabilidad debe ser menor a
0.05 (5%) o en su defecto, en trminos absolutos al valor crtico del 5% (si no pasa
al 5% podemos flexibilizarnos al 10%). Para aprobar H
0
, la probabilidad debe ser
mayor a 0.05.
12. CALCULO DE VECTORES AUTOREGRESIVOS
6
El siguiente paso a seguir consiste en construir el modelo VAR. Es necesario
reiterar que tenemos que las variables a utilizar deben ser de orden de integracin
1, es decir I(1). La forma de demostrar el orden de integracin, como lo vimos
anteriormente, es a travs de las pruebas de races unitarias.

El VAR es un modelo que implica un sistema de ecuaciones. Todas las variables
son endgenas en el sistema y son explicadas por los rezagos de las mismas, por
tanto, es un modelo dinmico pero aterico.
Para especificar el VAR en el programa, es necesario seleccionar del men
principal: Quick/ Estimate VAR... Entonces, se abrir la siguiente ventana de
dilogo:

En la opcin Endogenous Variables pondremos las variables que queremos utilizar
para estimar (lcp, ly y li). En la ventana siguiente (Lag Intervals for ...) se declaran
el nmero de rezagos que emplearemos en el modelo. Para esta primer etapa,
dejaremos el nmero de rezagos que aparece por default. Tambin para la opcin
7
de la siguiente ventana (Exogenous Variables) se dejar la opcin que aparece (c:
constante), oprima el botn Aceptar.

Antes de especificar el nmero de rezagos a emplear, utilizaremos los criterios de
decisin para el nmero de rezagos ptimo propuesto por el programa. Para esto,
requerimos de seleccionar View / Lag Structure / Lag Lenght Criteria... en la
ventana abierta de la especificacin del VAR. Se despliega una nueva ventana
que pide el nmero de rezagos a incluir en los criterios. En un modelo con series
trimestrales es recomendable colocar 8, para datos mensuales 16. Para este caso,
pondremos 8.

VAR Lag Order Selection Criteria
Endogenous variables: LCP LY LI
Exogenous variables: C
Date: 10/16/07 Time: 10:52
Sample: 1980:1 2005:4
Included observations: 96
Lag LogL LR FPE AIC SC HQ
0 300.3780 NA 4.09E-07 -6.195374 -6.115239 -6.162982
1 521.4061 423.6373 4.94E-09 -10.61263 -10.29208 -10.48306
2 615.7767 174.9787 8.35E-10 -12.39118 -11.83023 -12.16443
3 660.6556 80.40820 3.96E-10 -13.13866 -12.33730 -12.81474
4 722.9871 107.7815 1.31E-10 -14.24973 -13.20797* -13.82863*
5 734.7455 19.59724* 1.24E-10* -14.30720* -13.02502 -13.78892
6 739.0205 6.857772 1.38E-10 -14.20876 -12.68618 -13.59331
7 741.3733 3.627264 1.59E-10 -14.07028 -12.30729 -13.35765
8 751.7454 15.34208 1.57E-10 -14.09886 -12.09547 -13.28906
* indicates lag order selected by the criterion
LR: sequential modified LR test statistic (each test at 5% level)
FPE: Final prediction error
AIC: Akaike information criterion
SC: Schwarz information criterion
HQ: Hannan-Quinn information criterion

Los asteriscos indican cul es el nmero de rezagos ptimo para el modelo. La
8
mayora de los criterios sealan que el nmero de rezagos ptimo son 5 (Slo el
SC muestra que 4 es el nmero ptimo).

Importante: Cabe aclarar que el nmero de rezagos ptimo que arrojan los criterios, no
necesariamente son del todo exactos, nicamente nos dan un punto de referencia, es decir, puede
que el nmero de rezagos ptimo se encuentre entre 3 y 6 rezagos.

En funcin a los resultados obtenidos, se reestimar el modelo con 5 rezagos.
Vector Autoregression Estimates
Date: 10/16/07 Time: 11:00
Sample(adjusted): 1981:2 2005:4
Included observations: 99 after adjusting endpoints
Standard errors in ( ) & t-statistics in [ ]
LCP LY LI
LCP(-1) 0.635209 -0.006522 -0.151079
(0.14180) (0.11509) (0.38488)
[ 4.47962] [-0.05667] [-0.39253]

LCP(-2) -0.122657 0.018578 -0.141770
(0.13405) (0.10880) (0.36384)
[-0.91502] [ 0.17076] [-0.38965]

LCP(-3) 0.081468 0.022282 0.400854
(0.13176) (0.10695) (0.35763)
[ 0.61831] [ 0.20835] [ 1.12085]

LCP(-4) 0.513876 -0.249352 -0.403221
(0.12353) (0.10027) (0.33530)
[ 4.15978] [-2.48685] [-1.20255]

LCP(-5) -0.235578 0.169156 0.252508
(0.13880) (0.11266) (0.37674)
[-1.69722] [ 1.50147] [ 0.67024]

LY(-1) -0.249411 0.275059 -0.206584
(0.19428) (0.15769) (0.52732)
[-1.28379] [ 1.74432] [-0.39176]

LY(-2) 0.709951 0.534534 1.229645
(0.13544) (0.10993) (0.36761)
[ 5.24194] [ 4.86255] [ 3.34497]

LY(-3) -0.394992 -0.218568 -0.256767
(0.15428) (0.12522) (0.41876)
[-2.56022] [-1.74542] [-0.61317]

9
LY(-4) -0.020874 0.858230 0.193422
(0.15692) (0.12736) (0.42591)
[-0.13303] [ 6.73843] [ 0.45414]

LY(-5) 0.094843 -0.401713 -0.613532
(0.20451) (0.16599) (0.55509)
[ 0.46376] [-2.42005] [-1.10527]

LI(-1) 0.263224 0.261340 1.242574
(0.05860) (0.04757) (0.15907)
[ 4.49157] [ 5.49417] [ 7.81165]

LI(-2) -0.205622 -0.204634 -0.368439
(0.07038) (0.05712) (0.19102)
[-2.92170] [-3.58235] [-1.92877]

LI(-3) -0.049575 -0.011596 -0.250213
(0.07501) (0.06089) (0.20361)
[-0.66087] [-0.19046] [-1.22888]

LI(-4) 0.022599 -0.078221 0.183801
(0.07561) (0.06137) (0.20523)
[ 0.29889] [-1.27458] [ 0.89560]

LI(-5) -0.026484 0.035907 -0.016337
(0.05909) (0.04796) (0.16040)
[-0.44817] [ 0.74861] [-0.10185]

C -0.363391 -0.095117 -2.363547
(0.30816) (0.25012) (0.83643)
[-1.17922] [-0.38028] [-2.82574]
R-squared 0.991668 0.993763 0.969383
Adj. R-squared 0.990162 0.992636 0.963850
Sum sq. resids 0.034033 0.022421 0.250729
S.E. equation 0.020249 0.016436 0.054962
F-statistic 658.5622 881.7040 175.1939
Log likelihood 254.3144 274.9728 155.4611
Akaike AIC -4.814432 -5.231774 -2.817395
Schwarz SC -4.395019 -4.812360 -2.397982
Mean dependent 20.60104 20.95996 19.24083
S.D. dependent 0.204155 0.191531 0.289073
Determinant Residual
Covariance
7.93E-11
Log Likelihood (d.f. adjusted) 729.8145
Akaike Information Criteria -13.77403
Schwarz Criteria -12.51579

Donde las ecuaciones quedan de la siguiente manera:
VAR Model - Substituted Coefficients:
10
===============================
LCP =0.6352090578*LCP(-1) - 0.1226568686*LCP(-2) +0.08146835244*LCP(-3) +
0.5138764094*LCP(-4) - 0.2355782925*LCP(-5) - 0.2494110047*LY(-1) +0.7099510195*LY(-2) -
0.3949922689*LY(-3) - 0.02087417914*LY(-4) +0.0948430648*LY(-5) +0.263224497*LI(-1) -
0.2056218455*LI(-2) - 0.04957480924*LI(-3) +0.02259898405*LI(-4) - 0.02648408424*LI(-5) -
0.3633912399

LY = - 0.006522011827*LCP(-1) +0.01857843967*LCP(-2) +0.02228245194*LCP(-3) -
0.2493523974*LCP(-4) +0.1691563095*LCP(-5) +0.2750591988*LY(-1) +0.5345340237*LY(-2) -
0.2185676575*LY(-3) +0.8582304662*LY(-4) - 0.4017127462*LY(-5) +0.261340012*LI(-1) -
0.2046339703*LI(-2) - 0.01159645535*LI(-3) - 0.07822145261*LI(-4) +0.03590657554*LI(-5) -
0.09511654109

LI = - 0.1510791423*LCP(-1) - 0.1417696261*LCP(-2) +0.4008536103*LCP(-3) -
0.4032210695*LCP(-4) +0.2525084512*LCP(-5) - 0.2065844898*LY(-1) +1.229645033*LY(-2) -
0.2567672366*LY(-3) +0.1934220338*LY(-4) - 0.6135323087*LY(-5) +1.242574095*LI(-1) -
0.368439102*LI(-2) - 0.2502130014*LI(-3) +0.1838014295*LI(-4) - 0.01633677359*LI(-5) -
2.363546655

No es fundamental reportar los resultados obtenidos por el modelo VAR, ya que
los coeficientes no se pueden interpretar en relacin con la teora econmica de
fondo. La finalidad de presentarlo en este ejemplo es la de esclarecer los pasos a
seguir en la metodologa.
A continuacin se requiere aplicar las pruebas de diagnstico a los errores del
modelo.
La primera prueba a realizar es una prueba de normalidad. En este caso, el
programa maneja la prueba Jarque-Bera.
La hiptesis nula (Ho) es que existe normalidad en el modelo. Obviamente, la
hiptesis alternativa indica lo contrario. Para aceptar la hiptesis nula, es
necesario que la probabilidad sea mayor a 0.05 (5%) .
Para aplicar la prueba en el programa, seleccionamos en la ventana del modelo la
opcin: View / Residual Test / Normality Test...
11
Se desplegar una ventana de dilogo que pedir cual mtodo de ortogonalizacin
se desea aplicar la prueba. Para nuestros propsitos seleccionaremos la opcin
de Cholesky propuesta por Ltkepol.

VAR Residual Normality Tests
Orthogonalization: Cholesky (Lutkepohl)
H0: residuals are multivariate normal
Date: 10/16/07 Time: 11:08
Sample: 1980:1 2005:4

Component Skewness Chi-sq df Prob.
1 -0.455317 3.420674 1 0.0644
2 0.127828 0.269609 1 0.6036
3 -0.596916 5.879098 1 0.0153
J oint 9.569381 3 0.0226

Component Kurtosis Chi-sq df Prob.
1 3.902869 3.362584 1 0.0667
2 2.392141 1.524156 1 0.2170
3 4.276467 6.721139 1 0.0095
J oint 11.60788 3 0.0089

Component J arque-Bera df Prob.

1 6.783259 2 0.0337
2 1.793765 2 0.4078
3 12.60024 2 0.0018

J oint 21.17726 6 0.0017

En primera instancia, los primeros cuadros que reporta la prueba son las pruebas
de Skewness (Simetra) y Kurtosis (Curtosis). La J arque-Bera es una prueba que
considera las otras dos, por tal motivo, la lectura de la prueba de normalidad se
realiza en el ltimo cuadro reportado. Los resultados remarcados en amarillo
indica la probabilidad del estadstico de la prueba por ecuacin. En la columna
Component se hallan las ecuaciones del modelo. Para este ejemplo: 1 representa
12
la ecuacin de lcp, 2 la ecuacin de ly y 3 la de li. Joint es el resultado de la
prueba en su conjunto, la cual est marcada en color verde.

Como se puede observar en el cuadro anterior, el modelo en la prueba conjunta
tiene problemas, ya que la probabilidad es menor a 0.05. Para poder solucionar el
problema, es necesario revisar las pruebas individuales ecuacin por ecuacin. En
este modelo, encontramos que tenemos problemas en las ecuaciones 1 y 3 (cp e i
respectivamente). El orden de 1 a 3 representa el orden con el que se introdujeron
las variables.
Antes de solucionar el problema de normalidad hay que realizar las otras pruebas.
La siguiente prueba a realizar ser para detectar problemas de Autocorrelacin.
Las pruebas que maneja el paquete E-views para la autocorrelacin son la
Portmanteu y la prueba LM. Sin embargo, la prueba Portmanteu slo sirve para un
nmero de rezagos extenso, por tal motivo, no la registraremos para este trabajo.
La prueba a utilizar ser la prueba LM (Lagrange Multiplier) para autocorrelacin.
Para realizarla en el programa hay que seleccionar View / Residual Test /
Autocorrelation LM Test... de la ventana del modelo, se abre una ventana de
dilogo que pide el nmero de rezagos a incluir, el cul ser el nmero de rezagos
utilizados en el modelo (en este ejemplo 5).

VAR Residual Serial Correlation LM
Tests
H0: no serial correlation at lag order h
Date: 10/16/07 Time: 11:25
Sample: 1980:1 2005:4
Lags LM-Stat Prob
1 8.853678 0.4509
2 4.443033 0.8799
13
3 14.28193 0.1126
4 20.65970 0.0143
5 8.991014 0.4381
Probs from chi-square with 9 df.

Para analizar el resultado de esta prueba habr que leer la probabilidad del
estadstico LM de los cinco rezagos.
Importante: Recuerde que la hiptesis nula (Ho) es No Autocorrelacin y H1 es Existe
Autocorrelacin, por tanto, la probabilidad para aceptar Ho deber ser mayor a 0.05 a 0.01.
En este caso la probabilidad es 0.4381, lo cual indica que no tenemos problemas
de autocorrelacin.
A continuacin, se aplicar una prueba para heteroscedasticidad: La prueba de
White para trminos no cruzados. Para realizar la prueba en el programa hay que
seleccionar View / Residual Test / White Heteroskedasticity en la ventana del
modelo.

VAR Residual Heteroskedasticity Tests: No Cross Terms (only levels and squares)
Date: 10/16/07 Time: 11:29
Sample: 1980:1 2005:4

J oint test:

Chi-sq df Prob.

220.0670 180 0.0224

Individual components:
Dependent R-squared F(30,68) Prob. Chi-sq(30) Prob.
res1*res1 0.336340 1.148736 0.3124 33.29765 0.3098
res2*res2 0.535706 2.615293 0.0005 53.03485 0.0059
res3*res3 0.247175 0.744216 0.8129 24.47036 0.7503
res2*res1 0.362340 1.287995 0.1936 35.87163 0.2123
res3*res1 0.253473 0.769615 0.7838 25.09382 0.7205
res3*res2 0.334039 1.136934 0.3245 33.06981 0.3195
14

Para este caso slo se observa la probabilidad de la prueba conjunta (la cual est
marcada con color verde en este ejemplo).
Ho en esta prueba indica que la varianza de los errores es homoscedstica y H1
indica que la varianza es heteroscedstica. Por tanto, para aceptar Ho se requiere
que la probabilidad sea mayor a 0.05 y en este caso no es as. Esto implica que
tenemos problemas de heteroscedasticidad en el modelo.

Encontramos, en sntesis, que el modelo presenta problemas de normalidad y de
heteroscedasticidad. El problema de normalidad se podra arreglar con variables
dummy, y el problema de heteroscedasticidad es posible corregirla mediante dos
remedios utilizados frecuentemente: Uno de ellos es la transformacin logartmica
de las variables y el otro en deflactar todas las variables por alguna medida de
<<tamao>>.
Importante:
- En dado caso que existan problemas de autocorrelacin, la solucin sera introduciendo
rezagos al modelo.
- Cuando agregamos variables dummy al modelo probablemente se corrija la normalidad de
alguna de las ecuaciones.

4. CORRECCIN DE LA VIOLACIN DE LOS SUPUESTOS DEL MODELO
Primero, se intentar corregir la normalidad. Para ello deber acudir al cuadro en
donde se reporta la prueba, recordemos que los problemas se encuentran en las
ecuaciones de lcp y li.
15
Para ello requeriremos ver el comportamiento de los errores en el tiempo de dicha
ecuacin y ser a travs de los grficos de los errores al seleccionar la opcin
Resids View / Residuals / Graph de la ventana del modelo.
-.08
-.06
-.04
-.02
.00
.02
.04
.06
1980 1985 1990 1995 2000 2005
LCP Residuals
-.06
-.04
-.02
.00
.02
.04
.06
1980 1985 1990 1995 2000 2005
LY Residuals
-.3
-.2
-.1
.0
.1
1980 1985 1990 1995 2000 2005
LI Residuals

Para generar los errores y tenerlos como series en nuestro workfile, se necesita
seleccionar Procs / Make Residuals desde la ventana de nuestro VAR. Estos se
abrirn en una ventana de grupo, la cual podemos cerrar porque se generaron
como objetos series en el workfile. El nombre que recibirn los errores por default
sern resid01, resid02 y resid03 los cuales representan los errores de las
ecuaciones LCP, LY e LI, respectivamente. El orden depende de la manera en que
hayamos colocado las variables en el VAR.
16

Importante: Para graficar los errores de manera independiente y copiarlos a WORD hay que seguir
una serie de pasos:
1) Abrir el objeto serie del error o residual que deseamos graficar.
2) Seleccionar View / Graph / Line.
3) Una vez que el grfico se encuentra en la ventana seleccionar Object / View Options /
Save Metafile to disk... lo cual desplegar una nueva ventana de dilogo que pedir una
ubicacin donde guardar el grfico y con qu formato desea guardarlo. Habr que dejar
el formato que aparece por default y deshabilitar la opcin Use color con el fin de guardar
el grfico en blanco y negro, lo cual nos dar un mejor manejo y mayor facilidad. Haga
clic en el botn Aceptar para completar el proceso.

Continuando con el anlisis de los grficos observe que en el primer grfico, que
corresponde a los errores de la ecuacin LCP, podemos observar un pulso en el
ao 1995, pero como no sabemos exactamente en que trimestre se da este pulso
17
tenemos que acudir a la serie resid01 de nuestro workfile y encontrar en que
trimestre del ao 1995 se da esta situacin.
-.08
-.06
-.04
-.02
.00
.02
.04
.06
1980 1985 1990 1995 2000 2005
RESID01

Para regresar a la serie despus del grfico, hay que seleccionar la opcin
SpreadSheet del men de nuestra serie.
1994q1 0.023154
1994q2 0.007128
1994q3 -0.001449
1994q4 0.014032
1995q1 -0.076837
1995q2 -0.048499
1995q3 0.008811
1995q4 0.000942

En esta serie observamos que el impulso se extiende en dos periodos, por tanto,
lo recomendable es generar una variable dummy con dos nmeros 1. En el
periodo 1995Q1 y 1995Q2.
Para crear una variable dummy en Eviews deber escribir en la ventana de
comando lo siguiente:
genr d95=0,
18
Este proceso generar una serie de ceros en todos los periodos. Para poder
agregar los nmeros 1, tenemos que abrir la serie y seleccionar edit. Despus
buscaremos las fechas donde identificamos el impulso para sobrescribir sobre los
nmero 0 los nmeros 1. Por ltimo, volvemos a seleccionar edit y cerramos la
serie. Ahora nuestra variable dummy est fabricada.

1994Q2 0.000000
1994Q3 0.000000
1994Q4 0.000000
1995Q1 1.000000
1995Q2 1.000000
1995Q3 0.000000
1995Q4 0.000000
1996Q1 0.000000
1996Q2 0.000000

Para revisar los efectos de esta dummy en nuestro modelo, seleccionar Estimate
de la ventana de nuestro modelo VAR, y en la ventana que despliega donde ya
habamos trabajado anteriormente, agregamos la variable dummy en el campo
Exogenous Variable a lado de la constante (atencin: NO HAY QUE BORRAR
LA CONSTANTE PARA INTRODUCIR LA VARIABLE DUMMY). Haga clic en el
botn Aceptar y se realizar un nuevo modelo VAR con la variable D95 incluida en
el sistema.
Nota: No es necesario reportar la salida del VAR como ya lo he mencionado con anterioridad.

19

Para verificar si hubo alguna correccin en la normalidad de la ecuacin LCP
necesitamos aplicar la prueba de normalidad una vez ms:

1 2.016872 2 0.3648
2 2.377500 2 0.3046
3 2.516743 2 0.2841
J oint 6.911115 6 0.3291

Observe que la normalidad de dicha ecuacin mejor. Ahora pasa la prueba, ya
que la probabilidad es mayor a 0.05. En caso de que la probabilidad de la
normalidad de las otras ecuaciones fuera menor a 0.05 se debera generar otra
dummy que sirva a nuestros fines. Sin embargo para nuestro caso no es
necesario. Comparemos los grficos anteriores, con los grficos siguientes que
incluye la dummy donde observamos que modific el ao 1995.
20
-.06
-.04
-.02
.00
.02
.04
.06
1980 1985 1990 1995 2000 2005
LCP Residuals
-.04
-.03
-.02
-.01
.00
.01
.02
.03
.04
1980 1985 1990 1995 2000 2005
LY Residuals
-.20
-.15
-.10
-.05
.00
.05
.10
.15
1980 1985 1990 1995 2000 2005
LI Residuals

Para efectos de completar las pruebas de diagnstico, tenemos que realizar las
pruebas restantes:
Autocorrelacin:
VAR Residual Serial Correlation LM
Tests
H0: no serial correlation at lag order h
Date: 10/31/07 Time: 13:37
Sample: 1980:1 2005:4
Lags LM-Stat Prob
1 11.68952 0.2314
2 6.725507 0.6657
3 9.744785 0.3715
4 24.90975 0.0031
5 11.44807 0.2462

Heteroscedasticidad:
21
VAR Residual Heteroskedasticity Tests:
No Cross Terms (only levels and squares)
Date: 10/31/07 Time: 13:39
Sample: 1980:1 2005:4

J oint test:
Chi-sq df Prob.
234.9897 186 0.0087

La prueba de autocorrelacin nos muestra la aceptacin de la hiptesis nula,
puesto que es mayor a 0.05, mientras que la de heteroscedasticidad es menor a
0.05, tenemos ahora un VAR que no pasa todas las pruebas de diagnstico. Sin
embargo, lo mejor es buscar otro modelo que pase las pruebas para tener ms
opciones.

Nota: Es necesario hacer hincapi en que las variables dummy que agreguemos a nuestro modelo
tienen que estar justificadas histricamente. Es decir, se necesita expresar las posibles causas que
provocaron que la serie rompiera su ritmo de desarrollo en el tiempo. Por ejemplo, la variable
dummy del 95 puede ser justificada por la crisis del 95 en Mxico la cual provoc cambios en el
movimiento de la mayora de las variables macroeconmicas.

Ahora especificar el modelo con 7 rezagos para ver los efectos en mis pruebas.
Normalidad

1 1.999258 2 0.3680
2 5.696329 2 0.0580
3 0.751458 2 0.6868
J oint 8.447045 6 0.2071

Autocorrelacin

Lags LM-Stat Prob
22
1 12.31837 0.1960
2 8.822315 0.4538
3 13.34724 0.1475
4 20.91348 0.0130
5 9.708506 0.3746
6 15.19974 0.0856
7 5.474040 0.7912

Heteroscedasticidad

J oint test:
Chi-sq df Prob.
292.2160 258 0.0703

Este modelo reporta resultados ms contundentes en las pruebas de diagnstico.

Nota: Este proceso se tiene que seguir con menos o ms rezagos, para ver el comportamiento de
los errores a travs de las pruebas de diagnstico, hasta tener ms opciones y poder elegir el
mejor de ellos. Hasta esta fase del desarrollo de nuestra metodologa: Modelo Corrector de
Errores, no podemos definir si es un buen modelo o no, ya que falta cumplir con otras condiciones
antes de definir al mejor de todos.

Mientras tanto, nos quedaremos con este modelo, esperando que cumpla con el
resto de las condiciones. Si no es as, tendr que regresar a esta fase combinando
otras dummy y reespecificando la cantidad de rezagos.

1. LAS VARIABLES COINTEGRAN?
Para el caso de cointegracin, nuestras variables deben de ser de orden de
integracin 1 2, es decir: I (d). Siguiendo la metodologa de Engel y Granger
(1987). Como podemos observar, en el cuadro las pruebas de races unitarias
23
sintetizado. En este caso, se realiz la prueba Dickey-Fuller para las tres
variables.

Cuadro 9. Dickey- Fuller en primeras diferencias:
Constante -3.706008 -2.892536 0.0055
Lcp C y T -4.058553 -3.458326 0.0100
None -2.709354 -1.944286 0.0072
Constante -5.465487 -2.891550 0.0000
Ly C y T -5.672239 -3.456805 0.0000
None -2.347063 -1.944248 0.0190
Constante -9.093608 -2.890037 0.0000
C y T -9.168447 -3.454471 0.0000

li

None -9.067781 -1.944006 0.0000

Podemos inferir, a partir de los resultados no pasa las pruebas en ninguno de los
modelos en niveles. Sin embargo, pasa nicamente las pruebas en todos los
modelos en primeras diferencias, por lo tanto LCP es I(1) (orden de integracin 1).
Adems tenemos que comparar el resultado obtenido respecto al resultado
obtenido por otra prueba (Phillips- Perron).
Importante:
4) Se usar una tercera prueba (KPSS) para que el resultado obtenido permita la toma de
una decisin de mayor contundencia.
5) Para la prueba KPSS, la Ho es que no existe raz unitaria (la serie es estacionaria), por
tanto, H1 es que existe raz unitaria. Esto implica que el t-Statistic tiene que ser menor
en trminos absolutos que el valor crtico al 5% (o al 10% en su defecto).( Entiendo que
esta explicacin se aplica en la prueba KPSS?
est hablando de los resultados del cuadro anterior?
6) La prueba KPSS, en este programa, no reporta la probabilidad.

24
2. PRUEBAS DE COINTEGRACIN
Para habilitar la prueba de cointegracin de J ohansen, se requiere seleccionar en
nuestra ventana del modelo View / Cointegration Test. Esto desplegar otra
ventana de dilogo, la cul me presenta 6 opciones:

Las opciones que presenta son:
Ecuacin de Cointegracin
(CE)
Vector Autorregresivo
(VAR)
Asume no tendencia determinstica en los datos
No Intercepto o tendencia CE No intercepto o tendencia
Intercepto (no tendencia) en CE No intercepto en el VAR
Permite tendencia determinstica lineal en los datos
Intercepto no tendencia CE Intercepto no tendencia
Intercepto y tendencia en CE No tendencia en el VAR
Permite tendencia determinstica cuadrtica en los datos
Intercepto y tendencia en CE Tendencia lineal en el VAR
Resumen
Resumen de los 5 conjuntos de supuestos

25
Se aplicar en primer lugar la 6 opcin para tener una mayor certeza de cul de
las otras opciones ser la ms adecuada. Para poder aplicar todas las opciones,
deber especificar el nmero de rezagos del modelo (1 7) y deber eliminar en la
ventanilla de las variables exgenas la variable dummy (d95). Arrojar el siguiente
resultado:
Date: 10/31/07 Time: 14:07
Sample: 1980:1 2005:4
Series: LCP LY LI
Lags interval: 1 to 7
Data Trend: None None Linear Linear Quadratic
Rank or No Intercept Intercept Intercept Intercept Intercept
No. of CEs No Trend No Trend No Trend Trend Trend
Selected (5%
level) Number of
Cointegrating
Relations by Model
(columns)

Trace 0 1 1 1 1
Max-Eig 0 1 1 1 1
Log Likelihood by
Rank (rows) and
Model (columns)

0 729.9371 729.9371 736.3287 736.3287 737.8342
1 737.4210 743.5461 749.8739 751.1132 752.2600
2 741.0211 750.3993 751.5546 758.9394 758.9807
3 741.9977 751.7454 751.7454 760.4301 760.4301
Akaike Information
Criteria by Rank
(rows) and Model
(columns)

0 -13.89452 -13.89452 -13.96518 -13.96518 -13.93405
1 -13.92544 -14.03221 -14.12237 -14.12736 -14.10958
2 -13.87544 -14.02915 -14.03239 -14.14457* -14.12460
3 -13.77079 -13.91136 -13.91136 -14.02979 -14.02979
Schwarz Criteria
by Rank (rows) and
Model (columns)

0 -12.21167* -
12.21167*
-12.20219 -12.20219 -12.09092
1 -12.08231 -12.16237 -12.19911 -12.17738 -12.10619
2 -11.87204 -11.97233 -11.94885 -12.00761 -11.96093
3 -11.60712 -11.66756 -11.66756 -11.70585 -11.70585

26
Esta opcin me permite observar, de manera general si alguna de las opciones
anteriores presenta vectores de cointegracin al 5%. En esta tabla se puede ver
claramente que si existen vectores de cointegracin en alguna de las opciones.
Para facilitar la bsqueda del modelo, se recomienda realizar la prueba de
cointegracin con varios rezagos, comenzando con un rezago y utilizando la 6
opcin.

1 rezago
Selected (5% level) Number of Cointegrating Relations by Model (columns)
Trace 3 2 2 2 3
Max-Eig 3 2 2 2 3

2 rezagos
Trace 1 1 0 0 0
Max-Eig 1 1 0 0 0

3 rezagos
Trace 1 1 1 1 1
Max-Eig 1 1 1 1 1

4 rezagos
Trace 1 1 1 1 1
Max-Eig 1 1 1 1 1
27

5 rezagos
Trace 1 1 0 1 1
Max-Eig 0 1 1 1 1

6 rezagos
Trace 1 1 0 0 1
Max-Eig 0 0 0 1 1

7 rezagos
Trace 0 1 1 1 1
Max-Eig 0 1 1 1 1

Concluimos a travs de las tablas presentadas el modelo presenta cointegracin
segn las pruebas.
Para el modelo con 7 rezagos tenemos que pasa las pruebas de normalidad,
autocorrelacin y heteroscedasticidad sin problemas (al 5%). Por tanto, es un
modelo que, de antemano, sabemos que pasa la prueba de cointegracin:

2 OPCIN

Date: 10/17/07 Time: 12:14
Trend assumption: No deterministic trend (restricted constant)
Series: LCP LY LI
Lags interval (in first differences): 1 to 7

Unrestricted Cointegration Rank Test

28
Hypothesized Trace 5 Percent 1 Percent
No. of CE(s) Eigenvalue Statistic Critical Value Critical Value

None ** 0.246874 43.61664 34.91 41.07
At most 1 0.133050 16.39852 19.96 24.60
At most 2 0.027654 2.692230 9.24 12.97

*(**) denotes rejection of the hypothesis at the 5%(1%) level
Trace test indicates 1 cointegrating equation(s) at both 5% and 1% levels

Hypothesized Max-Eigen 5 Percent 1 Percent

None ** 0.246874 27.21812 22.00 26.81
At most 1 0.133050 13.70629 15.67 20.20
At most 2 0.027654 2.692230 9.24 12.97

Max-eigenvalue test indicates 1 cointegrating equation(s) at both 5% and 1% levels

Unrestricted Cointegrating Coefficients (normalized by b'*S11*b=i):

LCP LY LI C
-5.063460 -16.33484 15.50699 149.9910
-9.019501 11.23929 -0.362138 -40.76894
48.59542 -46.42103 -3.839081 45.72390

Unrestricted Adjustment Coefficients (alpha):

D(LCP) -0.001378 0.004576 -0.002258
D(LY) -0.000465 0.005686 -9.62E-05
D(LI) -0.018747 0.012005 -0.001492

1 Cointegrating Equation(s): Log likelihood 743.5461

Normalized cointegrating coefficients (std.err. in parentheses)
LCP LY LI C
1.000000 3.226024 -3.062529 -29.62224
(0.85627) (0.61531) (7.36743)

Adjustment coefficients (std.err. in parentheses)
D(LCP) 0.006979
(0.01097)
D(LY) 0.002356
(0.00919)
D(LI) 0.094923
(0.02783)

29
2 Cointegrating Equation(s): Log likelihood 750.3993

Normalized cointegrating coefficients (std.err. in parentheses)
LCP LY LI C
1.000000 0.000000 -0.824376 -4.993289
(0.11083) (2.11520)
0.000000 1.000000 -0.693780 -7.634461
(0.04900) (0.93524)

Adjustment coefficients (std.err. in parentheses)
D(LCP) -0.034293 0.073946
(0.02173) (0.04166)
D(LY) -0.048929 0.071505
(0.01749) (0.03353)
D(LI) -0.013352 0.441146
(0.05499) (0.10542)

Podemos observar a travs del cuadro que existe un vector de cointegracin al
5%. Sin embargo, an falta comprobar que los signos de dicho vector son los que
esperamos segn la teora.
En el mismo reporte, debajo de la informacin obtenida, tenemos a los
coeficientes normalizados de cointegracin, los cules nos darn los valores del
vector de cointegracin, que es informacin de largo plazo:
LCP LY LI C
1.000000 3.226024 -3.062529 -29.62224

Tenemos que esto est realmente expresado de la siguiente manera:

LCP +3.226024 * LY 3.062529 * LI - 29.62224 =0

Lo cual, despus de despejar, obtenemos los verdaderos signos:

LCP =- 3.226024 * LY +3.062529 * LI +29.62224

30
Los signos del vector son los esperados segn la teora. El ingreso y la inflacin
tienen un impacto positivo sobre el consumo. Sin embargo, la variable que tiene
una mayor influencia sobre el consumo es el ingreso

Encontramos que entre las variables existe una relacin de largo plazo esperada.
Es decir, el comportamiento de las variables es similar a lo largo del tiempo.

7. APLICACIN DEL MODELO CORRECTOR DE ERRORES (MCE).

A continuacin, representaremos el modelo corrector de errores. Para ello se
requiere que las variables sean estacionarias. Como las variables utilizadas son
de orden de integracin 1, para que sean estacionarias, es necesario aplicarles
primeras diferencias.

Para aplicarles las primeras diferencias a las variables, tenemos que aplicar la
siguiente orden en la ventana de comandos:

Genr dlcp = d(lcp)
Genr dly = d(ly)
Genr dli = d(li)

Estas nuevas variables aparecern en el workfile.

31
Con estas variables generaremos un nuevo modelo lineal simple, el nmero de
rezagos para este modelo no depende del modelo VAR hecho con anterioridad. Es
decir, este es un modelo independiente. Para este modelo podramos utilizar
nuevos componentes (variables dummy, tendencia, componentes estacionales,
etc.).

Por tanto, este modelo lo especificar con cinco rezagos. Para el mecanismo
corrector de errores (MCE) es necesario introducir el vector de cointegracin
obtenido con un rezago.

Para poder introducir el vector en el modelo es necesario crear una variable que
llamar V, la cual contendr al vector. La variable se genera de la siguiente
manera. En la barra de comandos escribiremos:

Genr v =lcp +3.226024 * ly 3.062529 * li 29.62224

Una vez generado el vector, lo introducimos en el modelo especificado. Quedara
de la siguiente manera:

ls dlcp dlcp(-1) dlcp(-2) dlcp(-3) dlcp(-4) dlcp(-5) dly dly(-1) dly(-2) dly(-3) dly(-4)
dly(-5) dli dli(-1) dli(-2) dli(-3) dli(-4) dli(-5) v(-1)

Dependent Variable: DLCP
Method: Least Squares
Date: 10/17/07 Time: 12:38
Variable Coefficient Std. Error t-Statistic Prob.
DLCP(-1) -0.418351 0.107256 -3.900497 0.0002
DLCP(-2) -0.327113 0.102699 -3.185166 0.0021
DLCP(-3) -0.307174 0.105298 -2.917189 0.0046
DLCP(-4) 0.403014 0.101552 3.968563 0.0002
DLCP(-5) 0.177017 0.102004 1.735388 0.0865
DLY 0.531774 0.129887 4.094142 0.0001
DLY(-1) 0.266008 0.155281 1.713073 0.0906
DLY(-2) 0.472324 0.146207 3.230511 0.0018
DLY(-3) 0.142382 0.156472 0.909949 0.3656
DLY(-4) -0.402696 0.155769 -2.585210 0.0115
DLY(-5) -0.074312 0.148545 -0.500270 0.6183
32
DLI 0.143116 0.039622 3.612009 0.0005
DLI(-1) 0.084400 0.042479 1.986850 0.0504
DLI(-2) -0.009241 0.038783 -0.238287 0.8123
DLI(-3) -0.013337 0.040119 -0.332425 0.7404
DLI(-4) 0.028842 0.039707 0.726360 0.4697
DLI(-5) 0.002144 0.040868 0.052456 0.9583
V(-1) -0.009420 0.006380 -1.476545 0.1437
R-squared 0.928096 Mean dependent var 0.006631
Adjusted R-squared 0.912816 S.D. dependent var 0.047106
S.E. of regression 0.013909 Akaike info criterion -5.548145
Sum squared resid 0.015477 Schwarz criterion -5.073355
Log likelihood 289.8591 Durbin-Watson stat 2.028913

8. MODELO GENERAL A LO ESPECFICO

Lo que esperamos de este modelo es que el mecanismo corrector de errores,
implica que nuestra variable v (la que incluye el vector) sea significativa (su
probabilidad sea menor a 0.05) y el valor de su coeficiente sea negativo y menor
que la unidad.

El proceso es ir eliminando de la variable menos significativa a la ms significativa
hasta que se cumpla lo anterior, excepto el vector (v(-1)). Tambin el modelo debe
de aprobar las pruebas de diagnstico (normalidad, autocorrelacin y
heteroscedasticidad).

Para este caso la variable menos significativa es la que se encuentra en color
verde agua (ecuacin anterior). La variable, entonces, a eliminar sera el quinto
rezago de dly. Entonces el modelo quedara ahora:

Ls dlcp dlcp(-1) dlcp(-2) dlcp(-3) dlcp(-4) dlcp(-5) dly dly(-1) dly(-2) dly(-3) dly(-4)
dp dp(-1) dp(-2) dp(-3) dp(-4) dp(-5) vc(-1)

Date: 10/18/07 Time: 08:39
33
DLCP(-1) -0.404979 0.103390 -3.917008 0.0002
DLCP(-2) -0.335696 0.100786 -3.330785 0.0013
DLCP(-3) -0.325606 0.098184 -3.316295 0.0014
DLCP(-4) 0.398512 0.100683 3.958091 0.0002
DLCP(-5) 0.151918 0.088401 1.718506 0.0895
DLY 0.522643 0.128001 4.083110 0.0001
DLY(-1) 0.229759 0.136702 1.680732 0.0967
DLY(-2) 0.493993 0.138996 3.554011 0.0006
DLY(-3) 0.170196 0.145583 1.169069 0.2458
DLY(-4) -0.369915 0.140661 -2.629839 0.0102
DLI 0.143108 0.039438 3.628650 0.0005
DLI(-1) 0.089451 0.041071 2.177944 0.0323
DLI(-2) -0.009597 0.038596 -0.248647 0.8043
DLI(-3) -0.016571 0.039412 -0.420453 0.6753
DLI(-4) 0.027037 0.039360 0.686931 0.4941
DLI(-5) -0.009272 0.033746 -0.274775 0.7842
V(-1) -0.008503 0.006083 -1.397978 0.1659

Como podemos observar, la variable v(-1) sigue siendo no significativa y su
coeficiente mayor a cero. Por lo tanto, se tienen que eliminar las variables que no
sean significativas en el sistema. Continuamos este proceso hasta que todas las
variables sean significativas (o por lo menos la mayora) asimismo el coeficiente
v(-1) sea mayor a -1 y menor a 0.

Date: 10/18/07 Time: 09:12
DLCP(-1) -0.181062 0.061532 -2.942559 0.0041
DLCP(-2) -0.296968 0.075378 -3.939736 0.0002
DLCP(-3) -0.218691 0.056934 -3.841135 0.0002
DLCP(-4) 0.440933 0.080926 5.448565 0.0000
DLY 0.384175 0.104040 3.692555 0.0004
DLY(-2) 0.315330 0.075570 4.172689 0.0001
DLY(-4) -0.356188 0.105520 -3.375536 0.0011
DLI 0.172673 0.035133 4.914856 0.0000
DLI(-1) 0.081590 0.030928 2.638041 0.0098
V(-1) -0.012431 0.004356 -2.854026 0.0054
34

La continuacin del proceso condujo a este ltimo modelo, el cul presenta
nicamente que la variable v(-1) es significativa al 5%, puesto que es menor a
0.05 (es ms, se aproxima demasiado a ser menor a 0.05), asimismo las dems
variables son significativas. Este cuadro si se tendr que reportar, ya que expresa
que existe cointegracin en nuestras variables. A continuacin aplicaremos las
pruebas de diagnstico al modelo:
Normalidad:
0
2
4
6
8
10
12
-0.025 0.000 0.025
Series: Residuals
Sample 1981:2 2005:4
Observations 99
Mean 0.000777
Median -0.000276
Maximum 0.032655
Minimum -0.037202
Std. Dev. 0.013411
Skewness 0.135535
Kurtosis 2.901165
J arque-Bera 0.343394
Probability 0.842234

Autocorrelacin:

Breusch-Godfrey Serial Correlation LM Test:
F-statistic 3.329461 Probability 0.040430
Obs*R-squared 6.726898 Probability 0.034616

Heteroscedasticidad:

White Heteroskedasticity Test:
F-statistic 0.902921 Probability 0.584415
Obs*R-squared 18.61143 Probability 0.547197

Como podemos observar en las pruebas, la prueba de normalidad pasa sin
problemas al 5%, la prueba de heteroscedasticidad tambin pasa sin problemas.
35
En el caso de la prueba de autocorrelacin, la prueba pasa tambin aunque no tan
holgadamente como en los otros dos casos. Para esta prueba la probabilidad es
mayor a 0.01 y es aceptable el resultado.

Podemos concluir que lo que tenemos aqu es un buen modelo que va acorde a la
teora y entrega buenos resultados.

Por ultimo, quiero hacer una sntesis de lo que tiene que estar reportado en el
trabajo dentro del contexto tcnico:
1. Las variables a utilizar en el modelo, su periodicidad, su interpretacin y su
grfico correspondiente, as como un pequeo anlisis del comportamiento
dinmico de la variable. Tambin debemos incluir las variable dummy
creadas.
2. Las pruebas de races unitarias: Dickey-Fuller aumentada y Phillips-Perron
(en dado caso de una contradiccin entre las pruebas se utilizar la prueba
KPSS). Los resultados obtenidos a travs de las pruebas se reportar en un
cuadro que sintetice la informacin (como ya lo he indicado anteriormente)
para cada prueba y cada una de las variables:
Dfuller

Constante
lcp C y T
None
Constante
ly C y T
None
Constante
li C y T
36
None

3. Los criterios para el nmero de rezagos ptimo:
Endogenous variables: LCP LY LI
Date: 10/16/07 Time: 10:52
Sample: 1980:1 2005:4
0 300.3780 NA 4.09E-07 -6.195374 -6.115239 -6.162982
1 521.4061 423.6373 4.94E-09 -10.61263 -10.29208 -10.48306
2 615.7767 174.9787 8.35E-10 -12.39118 -11.83023 -12.16443
3 660.6556 80.40820 3.96E-10 -13.13866 -12.33730 -12.81474
4 722.9871 107.7815 1.31E-10 -14.24973 -13.20797* -13.82863*
5 734.7455 19.59724* 1.24E-10* -14.30720* -13.02502 -13.78892
6 739.0205 6.857772 1.38E-10 -14.20876 -12.68618 -13.59331
7 741.3733 3.627264 1.59E-10 -14.07028 -12.30729 -13.35765
8 751.7454 15.34208 1.57E-10 -14.09886 -12.09547 -13.28906
* indicates lag order selected by the criterion
LR: sequential modified LR test statistic (each test at 5% level)
FPE: Final prediction error
AIC: Akaike information criterion
SC: Schwarz information criterion
HQ: Hannan-Quinn information criterion

Endogenous variables: LCP LY P
Sample: 1980Q1 2005Q4
0 21.21740 NA 0.000137 -0.379529 -0.299393 -0.347137
1 225.1515 390.8738 2.37e-06 -4.440657 -4.120113 -4.311088
2 288.7351 117.8944 7.59e-07 -5.577814 -5.016862 -5.351068
3 338.2330 88.68388 3.27e-07 -6.421521 -5.620163 -6.097599
4 383.5469 78.35516 1.54e-07 -7.178059 -6.136293* -6.756960
5 399.2383 26.15235* 1.35e-07* -7.317464* -6.035290 -6.799188*
6 407.1158 12.63694 1.39e-07 -7.294080 -5.771498 -6.678628
7 413.9813 10.58426 1.46e-07 -7.249610 -5.486621 -6.536981
8 423.3963 13.92642 1.47e-07 -7.258257 -5.254860 -6.448451
4. El modelo VAR final, es decir, el modelo con el cual nos quedamos al final.
En este punto colocaremos tambin los grficos de los errores que justifican
37
la introduccin de las variables dummy utilizadas en el modelo, as como la
justificacin terica-histrica.
5. Las pruebas de diagnstico o de los residuales en un cuadro resumen para
el modelo VAR final.
6. La prueba de cointegracin de J ohansen. Se presentara la sptima opcin
que elegimos.
Trace 0 1 1 1 1
Max-Eig 0 1 1 1 1

Date: 10/17/07 Time: 12:14
Trend assumption: No deterministic trend (restricted constant)
Series: LCP LY LI
Lags interval (in first differences): 1 to 7

Unrestricted Cointegration Rank Test

Hypothesized Trace 5 Percent 1 Percent

None ** 0.246874 43.61664 34.91 41.07
At most 1 0.133050 16.39852 19.96 24.60
At most 2 0.027654 2.692230 9.24 12.97

Trace test indicates 1 cointegrating equation(s) at both 5% and 1% levels

Hypothesized Max-Eigen 5 Percent 1 Percent

None ** 0.246874 27.21812 22.00 26.81
At most 1 0.133050 13.70629 15.67 20.20
At most 2 0.027654 2.692230 9.24 12.97

38
Max-eigenvalue test indicates 1 cointegrating equation(s) at both 5% and 1% levels

7. El vector normalizado que arroja la prueba de cointegracin

LCP LY LI C
1.000000 3.226024 -3.062529 -29.62224
(0.85627) (0.61531) (7.36743)

LCP =- 3.226024 * LY +3.062529 * LI +29.62224

9. El modelo corrector de errores final
Date: 10/18/07 Time: 09:12
DLCP(-1) -0.181062 0.061532 -2.942559 0.0041
DLCP(-2) -0.296968 0.075378 -3.939736 0.0002
DLCP(-3) -0.218691 0.056934 -3.841135 0.0002
DLCP(-4) 0.440933 0.080926 5.448565 0.0000
DLY 0.384175 0.104040 3.692555 0.0004
DLY(-2) 0.315330 0.075570 4.172689 0.0001
DLY(-4) -0.356188 0.105520 -3.375536 0.0011
DLI 0.172673 0.035133 4.914856 0.0000
DLI(-1) 0.081590 0.030928 2.638041 0.0098
V(-1) -0.012431 0.004356 -2.854026 0.0054

Las pruebas de diagnostico realizadas al modelo corrector
PRUEBA SUPUESTO ESTADISTICO PROBABILIDAD
J ARQUE-BERA NORMALIDAD 0.343394 0.842234
LM TEST NO AUTOCORRELACIN 3.329461 0.040430

WHITE (NCT)
HOMOSCEDASTICIDAD 0.902921 0.584415
39

NOTA: Se deben incluir el sistema de ecuaciones del modelo VAR y el modelo
corrector en su forma de ecuaciones. El reporte final puede estar incluido dentro
del trabajo conforme el anlisis va desarrollndose o en un apndice al final del
trabajo, sin embargo en la segunda opcin el anlisis deber estar incluido en el
desarrollo del trabajo y no al final junto con el apndice, adems debern
sealarse en el desarrollo del trabajo a manera de nota la referencia a cada
cuadro o grfico del apndice.

Bibliografa:
Maddala G.S., Econometra , Ed. McGraw Hill, ed.1985, pp.271

Engel R.F y Granger , CWJ Co-integration and error correction:
representation, estimation and testing , Ed. ed. 1987, pp. 251-276

Manual Mce

Cargado por

Información del documento

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Manual Mce

Cargado por

Copyright:

Formatos disponibles

MATERIAL DE APOYO/SERIES DE TIEMPO

También podría gustarte