Econometra

Taller Series de Tiempo

Profesor: Abel Valdebenito S.
Ayudante: Macarena Cepeda R.
2do Semestre 2014
I. Consideremos la series de tiempo del producto interno bruto de EEUU desde el De los datos
correspondientes del primer trimestre de 1971 al cuarto trimestre de 1988 para Canad se
obtuvieron los siguientes resultados
= 0.0009681

(12.9270)
=
2 = 0.0147 , = 1.3194
1.

=
2 = 0.0096 , = 1.3484
2.

=
2
= 0.0215 , = 1.3308
3.

0.0221
(2.4342)

0.2092
(1.8991)

0.001651
(1.5294)

0.0002
(1.7040)

0.02691
(1.8102)

En primer lugar, se debe descartar el Modelo 1 porque el coeficiente 1 , que es

igual a , es positivo. Pero en vista de que = 1, un valor de > 0 implicara que
> 1. Aunque es una posibilidad terica, se descarta pues la serie de tiempo
sera explosiva.
En los modelos 2 y 3, el coeficiente estimado de < 0, lo que implicara que el coeficiente
estimado sera menor que 1. En ambos modelos, los valores estimados de son 0.9984 y
0.9731, respectivamente. Ahora, la nica pregunta pendiente es saber si estos valores son
estadsticamente menores que 1 de manera significativa, para que podamos decir que la
serie de tiempo del PIB es estacionaria.
Para el modelo 2, el valor estimado es -1.5294, mientras que el valor crtico al 5% es
-2.88 (intercepto pero sin tendencia, ver tabla de Dickey-Fuller en Gujarati apndice D para
una muestra de tamao 250). Como en trminos absolutos el valor de la estadstica
observada es menor al valor crtico, la conclusin es que la serie de tiempo LPIB no es
estacionaria.
Para el modelo 3, sucede lo mismo que en el caso anterior. El valor calculado es de
-1.8102, incluso menor que el valor crtico al 5% -3.43 (intercepto y tendencia, ver tabla de
Dickey-Fuller en Gujarati apndice D para una muestra de tamao 250).

Por lo tanto, en base al anlisis de la prueba de Dickey-Fuller, la conclusin es que para los perodos
trimestrales de 1947 a 2007, la serie de tiempo LPIB de Estados Unidos es no estacionaria, es
decir, contena una raz unitaria, o tena una tendencia estocstica.

II. Considere los siguientes modelos:

a)
b)
c)
d)
e)
f)
i.
ii.
iii.

= 0.61 +
= 0.81
= 0.31 0.62 +
0.41 = 0.31 + 0.81 + 0.82
= 1.51 0.752 + + 4.0
= 0.31 + 0.62 +
Verifique si cada modelo es (a) Estacionario; (b) Invertible.
Calcule las primeras tres autocorrelaciones y autocorrelaciones parciales.
Obtenga los primeros tres pesos y de las representaciones () y ()
respectivamente.

Resuelta la parte d en clases

III. En la siguiente tabla se presentan los primeros 14 valores de la funcin de autocorrelacin (ACF)
y autocorrelacin parcial (PACF) muestrales de una serie de 60 observaciones trimestrales referidas
a ln(desempleo) en el Reino Unido, en el perodo comprendido entre 1955-1969.
j

10

11

12

13

14

0.93

0.80

0.65

0.49

0.32

0.16

0.03

-0.09

-0.16

-0.22

-0.25

-0.25

-0.21

-0.12

0.93

-0.41

-0.14

-0.11

-0.07

-0.10

0.05

-0.01

0.12

-0.14

0.03

0.09

0.19

0.20

a) Identifique un modelo preliminar para la serie y obtenga estimaciones preliminares para los
parmetros.
1
0,8
0,6

0,4
0,2
0

-0,2
-0,4
1

10

11

12

13

14

10

11

12

13

14

1
0,8
0,6
0,4
0,2

0
-0,2

-0,4
-0,6

Se observa decaimiento exponencial de la ACF y memoria de orden 2 en la PACF. Por lo tanto, se

identifica un proceso AR(2).

b) Dado que = 2.56 y 0 = 0.01681, obtenga estimaciones para 0 y 2 del modelo

() = 0 + () , 2 = ( ), identificado en a).
Estimacin de los parmetros de autoregresin
= ( , ) = (0 + 1 1 + 2 2 + , )
= (1 1 , ) + (2 2 , ) + ( , )
= 1 1 + 2 2
= 1 1 + 2 2 ( al dividir por 0)
Por tanto se plantean las ecuaciones de Yule-Walker
2 = 1 1 + 2
3 = 1 2 + 2 1
Reemplazando por las estimaciones de la ACF en la tabla se obtiene que
2 = 2 1 1
1 2 = 3 2 1 = 3 (2 1 1 )1 = 3 (1 2 1 12 )
1 (2 12 ) = 3 1 2
1 =

3 1 2
(2 12 )

Reemplazando los valores de la ACF presentados en la tabla, obtenemos

1 =

0.65 0.93 0.80

= 1,44838
(0.80 0.932 )

2 = 0.80 1,44838 0,9 = 0,54699538

Media
( ) = (0 + 1 1 + 2 2 + )
( ) = 0 + (1 1 ) + (2 2 ) + ( )
= 0 + 1 + 2 (Sup. de estacionariedad)
Entonces,
0 = (1 1 2 )
As un estimador para 0 es
0 = 1 2

0 = 2,56 1,44838 2,56 (0,54699) 2,56 = 0,25245

Varianza
( ) = (0 + 1 1 + 2 2 + )
( ) = (1 1 + 2 2 + )
( ) = ( , 1 1 + 2 2 + )
0 = ( , 1 1 ) + ( , 2 2 ) + ( , )
0 = 1 1 + 2 2 + 2
2
= 1 1 (1) 2 (2)
0
2 = 0 (1 1 (1) 2 (2))
As un estimador para 2 viene dado por
2 = 0 (1 1 (1) 2 (2))
2 = 0,01681 (1 1,44838 0,93 (0,54699) 0,80) = 0,00152297