Manual Series de Tiempo

UNIVERSIDAD DEL ATLNTICO
ECONOMETRA II
MANUAL ECONOMETRA DE SERIES DE TIEMPO (TEORA Y STATA)
DOCENTE ECON. CRISTIAN PICN VIANA

SERIES TEMPORALES
Este manual debe ser entendido nicamente como complemento aclaratorio a los captulos 21
y 22 de Gujarati y nunca como remplazo para estudio. Las tablas y ejemplos deben buscarse
en el libro as como los conceptos que aparecen o no en el presente documento.
Objetivo: Explicar la evolucin de una serie a lo largo del tiempo y
prever sus valores futuros.

1. Introduccin (Conceptos clave)
Serie temporal: Conjunto de observaciones Yt, cada una recogida en un tiempo
especfico t. El tiempo puede ser representado de forma discreta o continua.
Ejemplos:
Serie de nacimientos.
Serie de temperaturas.
Serie de ventas de una empresa.
Serie de la demanda de energa elctrica.
Serie de cotizaciones en bolsa.
Periodicidad
Anual
Mensual
Semanal
Diaria
Claramente, existen otros tipos de periodicidad: semestral, trimestral, horaria.
El tipo de periodicidad es una caracterstica muy importante en una serie y aparecern
determinadas pautas debido a ella.

ECONOMETRA II

Tipos de series segn su naturaleza paramtrica.
No tiene sentido aplicar los mtodos descriptivos a una variable de este tipo, ya que no se
tendra en cuenta la dependencia temporal. Por esta razn y a que ahora ya no disponemos de
una muestra de tamao n de una variable, sino que disponemos de n muestras de tamao 1
de una variable se cuenta con poca informacin. Por tanto, hay que imponer ciertas
condiciones a las series:
a) Estacionarias: Media y varianza constantes.

Grfico 1

b) No Estacionarias: Media y/o varianza cambian a lo largo del tiempo.

Grfico 2

ECONOMETRA II

c) Estacionales: Pauta de evolucin que se repite.

Grfico 3

Componentes de una serie
Un proceso estocstico (serie de tiempo) puede descomponerse en tres componentes:

Donde:
Yt: Valor de la regresada en el tiempo.
Tendencia (Tt): es la direccin que toma la serie al pasar el tiempo (depende del signo + o -).
Estacionalidad (St): Pauta de evolucin que se repite de forma predecible y peridica (por
ejemplo el consumo agregado en diciembre y el consumo de cerveza en carnavales).
Irregular o cclico (ut): componente no controlable (ciclos econmicos en
macroeconoma).
En muchos casos es conveniente obtener estos componentes, sin embargo slo es necesario
para estudios puntuales en macroeconoma y teora del crecimiento econmico por lo que se
escapa de los objetivos de este manual. Aqu nos limitaremos a la identificacin de una serie
como estacionaria o no estacionaria y su modelado con fines de prediccin a corto plazo.

2. Anlisis de la serie.
Como se ha indicado en clase, una o varias series diferentes pueden estudiarse desde
diferentes enfoques. Se puede requerir un conocimiento sobre sus componentes, su relacin
ECONOMETRA II

con otras series o variables y/o la prediccin. En las dos primeras lo ms importante es la
estimacin de parmetros mientras que para la prediccin el consenso requiere entender
los valores futuros de una serie en funcin de su comportamiento anterior sin entrar en
detalles sobre sus causas o determinantes tericos.
En este sentido, para que una serie pueda ser predicha o prevista debe ser estacionaria para
que sus errores tengan unas caractersticas estadsticas deseables y no se presente regresin
espuria.
El problema es que pocas veces nos encontraremos con series de tiempo estacionarias, por lo
tanto se deben efectuar los siguientes ejercicios necesarios si se desea realizar predicciones:
i) Identificar si la serie es estacionaria o no.
ii) Si no es estacionaria hay que transformarla en estacionaria.
iii) Si tenemos la serie estacionaria inicial o despus de transformarla en estacionaria (en este
punto ya no importa) se procede a modelar que tipo de comportamiento ha tenido.
Una de las metodologas para modelar series estacionarias es la conocida como Box-Jenkins
que se centra en tcnicas basadas en modelos ARMA y ARIMA: Auto Regressive Moving
Average y Auto Regressive Integrated Moving Average que analizaremos mas adelante.
2.1 Identificar si la serie es estacionaria o no.
2.1.1) Tipos de series segn sus componentes:
Podemos generalizar la ecuacin 1) de la siguiente manera en la ecuacin 2):

Como estudiaron en el captulo 21 pg. 777 y 778 del Gujarati 4 edicin, de acuerdo al valor
de los coeficientes en la ecuacin 2 sabremos si la serie es estacionaria, as:

(Caminata aleatoria) NO ESTACIONARIA

(Caminata aleatoria con variaciones) NO

ESTACIONARIA

(Proceso estocstico de tendencia) ESTACIONARIA CON

TENDENCIA DETERMINISTA

(Caminata aleatoria con variaciones y tendencia

determinista) NO ESTACIONARIA
ECONOMETRA II

ESTACIONARIA CON TENDENCIA

DETERMINISTA

ESTACIONARIA
Si son observadore(a)s se habrn dado cuenta de que las series no estacionarias son aquellas
donde 3 es igual a 1. A este fenmeno se le denomina Raz Unitaria, si nos topamos con una
serie sin raz unitaria podemos considerarla estacionaria y proseguir a su modelacin; si
encontramos que tiene raz unitaria entonces debemos transformarla en estacionaria para
poderla modelar.
2.1.2) Identificacin
Para identificar si una serie de tiempo es estacionaria o no tenemos dos herramientas
principales, las herramientas grficas y las pruebas estadsticas:
a) Herramientas grficas:
Para analizar y modelar la serie es necesario identificar la estructura que la genera, es decir,
cmo influyen las observaciones del pasado en las futuras.
Herramientas:
i) Funcin de Autocorrelacin Simple (FAC)
ii) Funcin de Autocorrelacin Parcial (FACP)

Funcin de Autocorrelacin simple (FAC)
Proporciona la estructura de dependencia lineal de la serie.
Los valores que se observan en la serie son:

Donde Yt+1 representa el valor de la serie para un periodo prximo, es decir, un valor futuro.
El objetivo de la FAS es estudiar cmo se influyen las diversas observaciones.

Idea: Dar el coeficiente de correlacin entre las observaciones separadas un nmero
determinado de periodos.
[ ]
ECONOMETRA II

Donde:
Cmo influye una observacin en la siguiente, Yi Yi+1.
Cmo influye una observacin sobre la que est dos periodos hacia adelante, Yi Yi+2.
Cmo influye una observacin sobre la que est k periodos hacia adelante, Yi Yi+k.
Conclusin:
La FAC proporciona informacin sobre cmo una observacin influye en las siguientes.
Ejemplo:

Grfico 4

Grfico 5

Los significativos son los que sobresalen de las linead horizontales. Cuando hay muchos
significativos la serie ser no estacionaria, ser estacionaria cuando se parezca a un
ruido blanco con algunos picos significativos. El grfico 4 corresponde a una serie
ECONOMETRA II
estacionaria y el 5 a una no estacionaria. En el grfico 6 se observa una serie de ruido blanco,
el cual se caracteriza por no tener significativos.

Grfico 6

Funcin de Autocorrelacin Parcial (FACP)
Las FAC presentan el problema de que si
, entonces

es decir, existe una cadena de influencia separada por un retardo, entonces:
Si
, entonces

Por tanto, hay que distinguir entre varias cadenas de influencia:
Cadena de influencia general a travs de
la cual es dada por la FAC.

Cadena de influencia directa. Cmo influye Y1 sobre Y3 directamente, sin pasar por Y2, la cual
es dada por la FACP.
Es decir, la FACP proporciona la relacin directa existente entre observaciones separadas por
k retardos y elimina el problema que presentaba la FAS, esto debido a que en la FAC, si
es
significativo, tambin lo ser
; en la FACP, esto no tiene por qu ocurrir.

ECONOMETRA II

Ejemplo:

Grfico 7

Las FACP no interesan realmente para saber si una serie es estacionaria, se utilizarn ms
adelante.
b) Pruebas estadsticas:
Las pruebas estadsticas mas utilizadas consisten en estimar 3 en la ecuacin 2) para luego
probar la hiptesis Ho: 3=1. Si este es el caso nos enfrentaremos a una serie estacionaria. Las
transformaciones algebraicas necesarias se encuentran en la pg. 789-792 del Gujarati ya que
no se realiza esta prueba directamente sino Ho: =0, donde = (3-1).
De las pruebas de raz unitaria la ms utilizada es la Dickey- Fuller Aumentada (DFA), que
es una mejora de la original DF que incluye la Autocorrelacin de los residuos. Las pruebas DF
no realizan las pruebas de hiptesis sobre 3 con el tradicional estadstico t de student ya que
las estimaciones de este no siguen esta distribucin. Se utiliza la distribucin (tau), cuyas
tablas se encuentran el los libros de econometra y en los programas economtricos.
En la DFA si se rechaza la Ho estaremos frente a una serie no estacionaria.

2.2 Transformar la serie en estacionaria
Como vimos anteriormente las ecuaciones 5 y 7 son estacionarias con tendencia determinista,
lo que significa que aunque su varianza es constante su media sigue una tendencia temporal,
estas series deben convertirse en estacionarias totalmente haciendo la regresin de Yt con
respecto al tiempo y modelando los residuos para realizar las predicciones. Se reconocen
grficamente ya que la serie es aproximadamente un ciclo alrededor de una lnea recta. Este
tipo de series es muy raro en Economa as que no se profundizarn es este documento.
ECONOMETRA II

Por otro lado, las series no estacionarias ms comunes son las conocidas como Modelos de
Caminata Aleatoria que se caracterizan por tener una o ms races unitarias. Estn
representados por las ecuaciones 3, 4 y 6.
Los MCA son estacionarios en diferencias, es decir, se convierten en estacionarios al utilizar la
variable dependiente como diferencia de ella misma, por ejemplo, si la variable dependiente
es Yt se utiliza Yt = Yt Yt-1 en el modelo.
Las series MCA se diferencian el nmero de veces que races unitarias tengan. Es decir, si la
serie tiene dos races unitarias ser I(2) y tendr que diferenciarse dos veces; generalizando,
si es I(d) se diferenciar d veces donde d es un nmero entero positivo.

2.3 Modelado de la serie estacionaria
Recordemos que el objetivo principal del estudio de series temporales es predecir una serie
de datos no determinista (contiene un componente aleatorio). Si el componente aleatorio es
estacionario, se pueden desarrollar tcnicas eficientes para predecir valores futuros de la
serie. Si el componente aleatorio no es estacionario, primero se debe convertir dicho
componente en estacionario, se predice dicho componente y, finalmente, se deshace la
conversin para recuperar la prediccin de inters.
Para modelar un proceso estacionario, nos centraremos en tcnicas basadas en modelos
ARMA y ARIMA: Auto Regressive Moving Average y Auto Regressive Integrated Moving
Average.
Si un proceso estocstico es estacionario puede modelarse de diversas formas:

2.3.1) Procesos Autorregresivos (AR):
Son aquellos procesos que indican que los valores de una serie solo dependen de los valores
que ha tomado en el pasado y se caracterizan por su orden de dependencia. As, si Yt depende
de Yt-1 ser AR(1), si depende de Yt-2 ser AR(2) y generalizando, si Yt depende de Yt-s ser
AR(s).
Su forma general esta dada por:

Se caracterizan por tener memoria larga, es decir, las autocorrelaciones entre perodos
decrecen lentamente. Un proceso AR tarda bastante tiempo en absorber los impactos
externos. Ser estacionario solo si .
ECONOMETRA II

2.3.2) Procesos de Media Mvil:
La realidad demuestra que existen series que absorben rpidamente los impactos. Se
introduce otra familia de procesos de memoria corta: procesos de media mvil (moving
average). Estos son una combinacin lineal de trminos de errores o residuos de perodos
anteriores, lo que quiere decir que el valor o valores anteriores slo son importantes en los
residuos por lo que cambian rpidamente.
Est representada por:

para un MA(s)
Ser estacionario solo si
2.3.3) Procesos Autorregresivos y de Media Mvil (ARMA):
Son procesos estocsticos con caractersticas de AR y MA. Por ejemplo un ARMA (1, 1) est
representado por

En general un proceso ARMA (p, q) estar representado por:

3. METODOLOGA DE BOX-JENKINS (BJ)
Es una metodologa que pretende encontrar el proceso que dio origen a una serie
estacionaria. En otras palabras, cuando se tiene una serie estacionaria esta metodologa
permite encontrar a que tipo de AR, MA o ARMA nos enfrentamos con el fin de estimar los
parmetros correspondientes y realizar predicciones.
Para desarrollarla seguiremos tericamente lo plantado en el libro gua en sus pginas 814-
820 4 edicin. Se utilizar el PIB trimestral de Estados Unidos 1970I a 1991IV suministrado
en la tabla 21.1 pg. 769 del libro y cuyo archivo es anexado en formato .dta en el archivo
GDP USA.dta para realizar el ejercicio en STATA.
Tenemos la tabla 21.1 del libro gua:

ECONOMETRA II

Primero abrimos el archivo desde STATA:

ECONOMETRA II
Obtenemos:
ECONOMETRA II

Hay que indicarle a STATA que trabajaremos con series de tiempo por lo tanto debe
crearse una variable que indique el tiempo. Una forma de crearla es hacerlo en Excel y
pegarla en el editor de datos.

Luego se copia y pega la variable con nombre incluido en el editor de STATA:

ECONOMETRA II

Escoges la opcin utilizar la primera casilla como nombre de variable y listo ya se ha
creado la variable time que indica a STATA el nmero de perodos que utilizaremos.
Para que la tome como la gua temporal escribimos:
tset time
Donde time es el nombre que le hayamos dado a la variable de tiempo. Ahora STATA
entiende que trabajamos con series de tiempo y tomar time como gua.
Otra forma de hacerlos ms fcil es escribir en STATA
gen time = _n
y luego
tset time
3.1) La serie ya es estacionaria?
El primer paso para identificar si la serie GDP (PIB) es estacionaria es graficarla.
Para graficar la serie escribimos:
tsline GDP
O desde el men: Graphics Time- series graphs Line Plots Create y escogen la
variable correspondiente a Yt.
Se obtiene:

Grfico 8

3
0
0
0
3
5
0
0
4
0
0
0
4
5
0
0
5
0
0
0
G
D
P
0 20 40 60 80
TIME
ECONOMETRA II

Que es la misma que se observa en el captulo 21 en la figura 21.1 y cuya descripcin tambin.
Se observa que como la serie tiene tendencia positiva en el largo plazo su media no puede ser
constante y su variabilidad ha sido diferente en algunos perodos, por lo tanto se puede
asumir como no estacionaria.
Otra herramienta grfica mucho ms potente es el correlograma o grfico FAC que se defini
anteriormente. Para el caso del GDP de Estados Unidos tenemos:
Escribimos en el editor de comandos:
ac GDP, lags(25)
Donde ac es el comando para el correlograma y lasgs es el nmero de rezagos tenidos en
cuenta que debe ser aproximadamente una cuarta parte de los datos, 25 segn el libro.
O desde el men:
Graphics Time- series graphs Correlogram (AC) escoges la variable y en
autocorrelations el nmero de rezagos.
Se obtiene:

Grfico 9

Como puede observarse los valores de Autocorrelacin decrecen lentamente y hay muchos
significativos por lo que concluimos que es no estacionaria.
Por ltimo realizamos una prueba DFA de raz unitaria para comprobar si la serie es no
estacionaria, siguiendo las indicaciones del libro utilizamos solo un rezago:
-
1
.
0
0
-
0
.
5
0
0
.
0
0
0
.
5
0
1
.
0
0
A
u
t
o
c
o
r
r
e
l
a
t
i
o
n
s

o
f

G
D
P
0 5 10 15 20 25
Lag
Bartlett's formula for MA(q) 95% confidence bands
ECONOMETRA II
En STATA escribimos:
dfuller GDP, trend lags(1)
Donde trend indica que se tiene en cuenta el componente de tendencia determinista y lasgs(1)
que solo se tiene en cuenta un rezago.
Se obtiene:

El estadstico de prueba es de -2.230 que en valor absoluto es menor que los valores crticos
incluso par aun 99% de confianza, por tanto no se rechaza la hiptesis nula de raz unitaria y
declaramos a la serie como no estacionaria.
Como la serie es no estacionaria tenemos que transformarla para hacerla estacionaria. Por
tanto la diferenciaremos una vez en primera instancia. En STATA debemos primero generar
una variable igual a GDP pero rezagada en un perodo para despus utilizarlas para crear
GDP:
Escribimos en el editor de comandos:
gen GDPrezago = GDP[_n-1]
Donde los corchetes deben ser cuadrados y -1 indica que ser solo un rezago; la nueva
variable se denomina GDPrezago por ejemplo:
MacKinnon approximate p-value for Z(t) = 0.4730

Z(t) -2.230 -4.073 -3.465 -3.159

Statistic Value Value Value
Test 1% Critical 5% Critical 10% Critical
Interpolated Dickey-Fuller
Augmented Dickey-Fuller test for unit root Number of obs = 85
. dfuller GDP, trend lags(1)
ECONOMETRA II

Una vez creada la variable rezagada creamos GDP = GDP GDPrezago
Escribiendo en STATA as:
gen difGDP = GDP - GDPrezago
Donde difGDP es la variable GDP en primera diferencia GDP. Tengan en cuenta los espacios
entre los caracteres, mientras aprenden pueden copiar los comandos de este manual y
cambian lo que necesiten segn sus series.
Realizando la prueba DFA sobre difGDP tenemos:

El estadstico de prueba es de -4.758 que en valor absoluto es mayor que los valores crticos
incluso par aun 99% de confianza, por tanto se rechaza la hiptesis nula de raz unitaria y
declaramos a la serie como estacionaria. Una vez estacionaria es hora de empezar con el
modelado de la serie.

3.2) Identificacin
Para identificar a que proceso generador nos enfrentamos se utilizan las interpretaciones de
los grficos AC y ACP explicados anteriormente. En el Gujarati encontrarn la siguiente tabla
que da algunas indicaciones de como identificarlas:

MacKinnon approximate p-value for Z(t) = 0.0006

Z(t) -4.758 -4.073 -3.465 -3.159

Statistic Value Value Value
Test 1% Critical 5% Critical 10% Critical
Interpolated Dickey-Fuller
Augmented Dickey-Fuller test for unit root Number of obs = 85
. dfuller difGDP, trend lags(1)
ECONOMETRA II

Sin embargo como se aclara en el libro la forma de identificar un ARMA mediante
correlogramas es muy compleja y requiere prctica. Por tanto les dar algunas indicaciones
que pueden ayudarles mientras investigan ms al respecto.
El grfico AC o FAC indicar el comportamiento MA de la serie. Si tiene picos significativos
sospechen que tiene un componente MA. Es decir si tiene un pico significativo en la
Autocorrelacin 5 entonces es muy posible que tenga un componente MA(5).
El grfico FACP o PAC indicar el comportamiento AR. Si tiene picos significativos
sospechen que tiene un componente AR. Es decir si tiene un pico significativo en la
Autocorrelacin 4, por ejemplo, entonces es muy posible que tenga un componente AR(4).
Cuando los grficos no tengan comportamiento claro intente un ARMA con los picos
significativos y exploren.
Casi nunca un pico repetido tanto en el AC y el PAC corresponde tanto a un AR como a un
MA. Por ejemplo, si tanto en el AC como en el PAC la Autocorrelacin 5 es significativa ser
generalmente un AR(5) o un MA(5) y no un ARMA(5 5)
Tengan en cuenta las seales indicadas en la tabla.

En el caso del PIB del ejemplo que nos interesa los grficos AC y PAC son los siguientes:
ECONOMETRA II

ac difGDP, lags(25)

Grfico 10
AC

pac difGDP, lags(25)

Grfico 11
PAC

-
0
.
4
0
-
0
.
2
0
0
.
0
0
0
.
2
0
0
.
4
0
A
u
t
o
c
o
r
r
e
l
a
t
i
o
n
s

o
f

d
i
f
G
D
P
0 5 10 15 20 25
Lag
-
0
.
4
0
-
0
.
2
0
0
.
0
0
0
.
2
0
0
.
4
0
P
a
r
t
i
a
l

a
u
t
o
c
o
r
r
e
l
a
t
i
o
n
s

o
f

d
i
f
G
D
P
0 5 10 15 20 25
Lag
95% Confidence bands [se = 1/sqrt(n)]
ECONOMETRA II

Como puede observarse, el grfico AC tiene forma sinusoidal lo que nos hace pensar en un AR
de algn tipo. En el libro no se tiene en cuenta el pico 1 y 8 significativos en el AC que pueden
denotar algn MA.
El grfico 11 muestra en el PAC tres picos significativos, en 1, 8 y 12 por lo se opta por un
AR(1 8 12) como formula generadora en el Gujarati. Estimamos de esta manera un AR(1 8 12).
Se escribe:
arima difGDP, ar(1 8 12)
desde el men: Statistics Time series ARIMA and ARMAX models escogen difGDP
como variable dependiente y crean el ARMA as:

ECONOMETRA II

Para un ARMA(1 8 12) el resultado es el siguiente: (tambin se puede correr con robust)

Como puede observarse todos los coeficientes son significativos y el p-valor de la prueba de
significancia conjunta es 0 por lo que es un excelente modelo.
Para saber si el modelo est bien especificado con respecto a otros se calculan enseguida los
criterios Akaike (AIC) y Schwarz (BIC). El mejor modelo ser el que tenga los valores menores
de estos dos indicadores. (Si no es claro cul modelo tiene los valores menores saca promedio
de los dos indicadores aunque esto no es muy riguroso)
estat ic

/sigma 30.64117 2.20112 13.92 0.000 26.32705 34.95528

L12. -.2646444 .1083806 -2.44 0.015 -.4770665 -.0522223
L8. -.2805791 .0886424 -3.17 0.002 -.4543149 -.1068432
L1. .3031796 .0956478 3.17 0.002 .1157133 .4906459
ar
ARMA

_cons 23.54504 2.94302 8.00 0.000 17.77683 29.31325
difGDP

difGDP Coef. Std. Err. z P>|z| [95% Conf. Interval]
OPG

Log likelihood = -422.215 Prob > chi2 = 0.0000
Wald chi2(3) = 30.95
Sample: 2 - 88 Number of obs = 87
ARIMA regression
Note: N=Obs used in calculating BIC; see [R] BIC note

. 87 . -422.215 5 854.43 866.7595

Model Obs ll(null) ll(model) df AIC BIC

. estat ic
ECONOMETRA II

Los anteriores son los resultados del modelo tal cual es planteado en el libro. Sin embargo, no
estoy de acuerdo del todo ya que no tiene en cuenta que los rezagos 1 y 8 son significativos
tambin en el PAC por lo que puede haber un componente MA. Se deja al estudiante el modelo
AR(12) MA(1 8) que otra posibilidad; aqu se opt por un AR(1 12) y el rezago 8 que es
significativo en un MA(8) as:
arima difGDP, ar(1 12) ma(8)
Obtenindose:

Como puede observarse el estadstico de WALD es 46.57 mayor al anterior y los p-valores de
los coeficientes son menores a los anteriores por lo que parece un mejor modelo. Los criterios
AIC y BIC confirman esto. Por lo tanto hemos encontrado una mejor estimacin a la serie de
tiempo que la planteada por Gujarati.

/sigma 29.65242 2.081562 14.25 0.000 25.57263 33.73221

L8. -.4356056 .0911843 -4.78 0.000 -.6143236 -.2568876
ma

L12. -.320261 .1200733 -2.67 0.008 -.5556004 -.0849216
L1. .3200241 .0980902 3.26 0.001 .1277707 .5122774
ar
ARMA

_cons 23.81865 2.121715 11.23 0.000 19.66016 27.97713
difGDP

difGDP Coef. Std. Err. z P>|z| [95% Conf. Interval]
OPG

Log likelihood = -419.9537 Prob > chi2 = 0.0000
Wald chi2(3) = 46.57
Sample: 2 - 88 Number of obs = 87
ARIMA regression
Note: N=Obs used in calculating BIC; see [R] BIC note

. 87 . -419.9537 5 849.9073 862.2369

Model Obs ll(null) ll(model) df AIC BIC

. estat ic
ECONOMETRA II
3.3) Verificacin de Diagnstico:
Si el modelo est bien estimado sus residuos deben ser de ruido blanco o completamente
aleatorios, caracterizndose por no tener rezagos significativos.
Se generan los residuos despus de la regresin deseada, en este caso el AR(1 12)MA(8), se
deja al estudiante corroborar los resultados del modelo planteado por el libro:
predict residual, res
donde res es el nombre de la variable que contendr a los residuos.
Luego, se genera el grfico AC:
Ac res

Como se observa el AC no presenta rezagos significativos por lo que se trata de una serie de
ruido blanco y el modelo est bien estimado. Lo anterior se corrobora con la prueba Q:

-
0
.
4
0
-
0
.
2
0
0
.
0
0
0
.
2
0
0
.
4
0
A
u
t
o
c
o
r
r
e
l
a
t
i
o
n
s

o
f

r
e
s
i
d
u
a
l
0 10 20 30 40
Lag
Prob > chi2(40) = 0.7856
Portmanteau (Q) statistic = 32.7382

Portmanteau test for white noise
. wntestq residual
ECONOMETRA II
Como el p-valor es mayor a 0.05 no se rechaza la Ho de que la serie es ruido blanco.
Conclusin, todo lo hicimos bien.

3.4) Prediccin
En STATA se puede generar predicciones basados en el modelo estimado. En primer
lugar se aaden mas valores a la variable temporal, en este caso time, segn la
cantidad de estimaciones deseadas. Por ejemplo, si se desean dos estimaciones se
agrega 89 y 90 a la serie y se guarda. Luego se escribe:
predict GDPp, xb
donde GDPp es el nombre asignado a la variable que incluir las predicciones.
Ojo, las predicciones se realizarn sobre la variable modelada en este caso difGDP si se
desea el GDP o la tasa de variacin hay que realizar las variaciones algebraicas
requeridas.

XITOS

Manual Series de Tiempo

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 Series de Tiempo

Cargado por

Copyright:

Formatos disponibles

UNIVERSIDAD DEL ATLNTICO

(Caminata aleatoria) NO ESTACIONARIA

(Caminata aleatoria con variaciones) NO

(Proceso estocstico de tendencia) ESTACIONARIA CON

(Caminata aleatoria con variaciones y tendencia

ESTACIONARIA CON TENDENCIA

Cmo influye una observacin en la siguiente, Yi Yi+1.

la cual es dada por la FAC.

; en la FACP, esto no tiene por qu ocurrir.

También podría gustarte