NIVERSIDAD CENTRAL DEL ECUADOR

FACULTAD DE CIENCIAS ECONOMICAS, CARRERA DE ESTADISTICA

MODELOS ESTOCASTICOS II
TALLER No. 4: SERIES DE TIEMPO
Integrantes:
Guerron Veronica
Reinoso Jessica
Pinzon Jonathan
Yanez Maria

1. Mostrar que la expresin:

0.2 yt 0.8 y t 1 yt 2 f t

pueden expresar como:

tiene races complejas y que se

0.8L 0.2 yt L 0.8 0.2i L 0.4 0.2i yt f t

f =0.2 y t +0.8 y t 1 + y t 2
y=Lt 0.2
y t1=L

t 1

y t2=L

0.8 L

t 2

L2+ 0.8 L+ 0.2=0

0.2 ( 5 L2 + 4 L+1 )=0
y=
y=
y=

b b 24 ac
2a

4 1620
10

4 4
donde 4=i
10
y=4 +0.2 i
y=40.2i

2. Mostrar que:

1 i
1 5
i
3 2i 13 13

esta cambiado el 1 por el 5 y viceversa

1i
32 i
3+2 i
32i
1

1i
32 i
2
3+2 i
32i3i+2 i
=
32i
96 i+6 i4 i2
35 i2 15 i
=
9+ 4
13
1i
1
5
= i
3+ 2i 13 13

yt 0.6 yt 1 0.9 y t 2

4. Dada la siguiente ecuacin:

Se pide:
a. Obtener la solucin homognea y estudiar su estabilidad
b. Determinar las constantes arbitrarias sabiendo las condiciones iniciales Y 0 = 1 e Y1
=2. Interpretar los resultados.

y t =0.6 y t 1+ 0.9 yt 2
Donde y t =Lt
10.6 y t + 0.9 y t2=0
y t =0.6 y t 1+ 0.9 yt 2
y=
y=
y=
y=

b b 24 ac
2a

0.6 0.6 24 (0.9)

2

0.6+ 0.6 24 (0.9)

=1.595
2

0.6 0.624(0.9)
=0.3950
2

Es un proceso es inestable ya que los datos al ser graficados formaron una curva de decaimiento por
lo que no estaran en estabilidad.
5. Determinar la estacionariedad de los siguientes procesos:
a.
b.
c.
d.

yt 1.3 yt 1 t

y t 0.6 y t 1 0.2 y t 2 t
yt t0.5 t 1
yt 0.3 yt 1 1.2 y t 2 t0.2 t 1 1.4 t 2
2

Yt=1.3 Y t1 +Et
Yt-1.3 Y t1 =Et
Yt-1.3 Y t L =Et
Yt(1-1.3L)=Et
Et
Yt =
(11.3 L)
Yt =

Yt =

Et
(1.3 L+1)
Et
1.3 L(1

1
)
1.3 L

1
2
3
4
Yt=Et[ (1.3 L) (1.3 L) (1.3 L) (1.3 L) ]

L1 L2 L3 L4
Yt=Et[ 1.3 1.32 1.3 3 1 .34 ]
L1 L2
L3
L4

Yt=Et[ 1.3 1.69 2.20 2.86 ]

1
2
3
4
Yt=Et( 0.77 L 0.59 L 0.49 L 0.35 L )

Yt=

0.77 L1 Et0.59 L2 Et0.49 L3 Et0.35 L4 Et +

Yt= -0.77Et+1 0.59Et+2 - 0.49Et+3 0.35Et+4..

Serie no estacionaria, Serie Explosiva, converge hacia el futuro.
b) Yt=0.6 Y t1 +0.2 Y t2 +Et

AR(2)

Yt-0.6 Y t1 -0.2 Y t2 =Et

2
Yt-0.6 Y t L -0.2 Y t L =Et
2
Yt(1-0.6 L -0.2 L =Et

Yt =

Et
2
(10.6 L0.2 L )
3

Yt =

Et
(0.2 L 0.6 L+1)
2

Y=

b b24 ac
2a

Y=

0.6(0.6) 4 (0.2)(1)
2(0.2)

L1=-4.19
L2=1.19
L1=-4,19
L1+4.19=0
L2= 1.19
L2-1.19=0
Solucin particular
Yt =

Et
( L1+ 4.19)(L21.19)

Et

Yt =

4.19 1+
Yt =

Et

5 1+
Yt =

L
L
1.19(1
)
4.19
4.19

L
L
(1
)
4.19
4.19

Et
5(1+0.24 L)(10.84 L)

Yt=Et (5)

0.84 L

0.84 L
[

1+0.84 L+
10.24 L+(0.24 L)+2( 0.24 L )+3

0.59 L
1+0.84 L+0.71 L2+
Yt=Et(-0.20) [
]

2
3
10.24 L+0.058 L 0.014 L
2

Yt=Et(-0.20) [ 1+0.83 L+ 0.69 L 0.24 L0.20 L 0.17 L +0.058 L + 0.05

2

Yt=Et(-0.20) [ 1+0.59 L+ 0.548 L 0.12 L +

2

Yt= -0.20Et -0.12EtL- 0.11 EtL 0.02 Et L

Yt= -0.20Et - 0.12 E t1 -

+..

..

0.11 Et 20.024 Et 3

MAR(q)

Converge hacia el pasado, es etacionario, es convetible de AR2 a Mar(q)

c) Yt= Et +0.5 Et 1

MA(1)

Yt= Et +0.5 Et L

Yt= Et(1+0,5L)
Yt
=Et
(1+0,5 L)

Yt= [ 10.5 L+(0.5 L) ( 0.5 L ) =Et

2

Yt= [ 10.5 L+0.5 L 0.5 L =Et

Yt-0.5YtL - 0.25 Y t L
Yt-0.5 Y t1

0.125 Y t L3=Et

- 0.25 Y t2 -

0.125 Y t3=Et

AR(p) Estacionaria

Es estacionaria, es invertible de MA(1) a AR(p)

De estacionario a estacionario.
d) Yt=0.3 Y t1 +1.2 Y t2 +Et 0.2 Et 1 +1.4 Et 2
Yt-0.3 Y t1 -1.2 Y t2 =Et 0.2 Et 1 +1.4 Et 2
2
2
Yt-0.3 Y t L -1.2 Y t L =Et0.2 Et L -1.4 Et L
2
2
Yt= (1-0.3L-1.2 L )=Et(1-0.2L+1.4 L )

Yt =

Et
2
(10.3 L1.2 L )

Yt =

Et
(1.2 L 0.3 L+1)

Yt =

Et
(1+ 0,05)(L0.80)

Yt =

Et
(1.05+ L)(0.8+ L)

Et

Yt =

1.05 1+

Yt =

L
L
0.8(1
)
1.05
0.80

Et
L
L
0.84 1+
(1
)
1.05
0.80

Yt=Et (84)

1.25 L

1
2
[
]
( 1.25 L ) ( 1.25 L )
3
10.95 L+( 0.95 L)2( 0.95 L )

Yt=Et(-1.19) [

0.8 L10.69 L20.51 L30.76 L0 +0.61 L1+ 0.48 L2 0.72 L10.5 L00.46 L2 ]
1

Yt = Et(-1.19) [ 0.18+0.65 L 0.16 L 0.51 L 0.72 L

1

Yt= 0,21Et [ +0.86 Et L +0.77 L Et +0.18 L Et +0.61 L Et

Yt= -0.21Et +0.86

Et=

Et 1 + 0.77

Et +1 +0.18

Yt
2
(10.2 L+ 1.4 L )

Et +2 +0.61

Et +3

Et=

Yt
(1.40.2 L+1)

Et=

Yt
( L0.070.84)(10.07+0.84)

a2 +b2
0.072 +0.84 2
0 .71 = 0.84
Y=

b b24 ac
2a

Y=

0.2 0 . 224(1 . 4)(1)

2(1 . 4)

Y=

0.2 0 .045.6
2.8

Y=

0.2 5.56
2.8

Y=

0.2 2. 361
2.8

L1= 0.07+0.8i
L2=0.07-0.8i
6. Dados los siguientes procesos:
a.
b.

yt 0.6 yt 1 0.2 yt 2 t
yt 0.3 yt 1 1.2 y t 2 t

Se pide:
i.
calcular las races caractersticas
yt=Lt
1
Yt-1= L^t-1
6
Yt-2= L^t-2
L^2
a._
7

0.2L^2 +0.6L-1=0

x=

b b24 ac
2a

L=

0.6 0.6 24 (0.2)1

2(0.2)

L=0.6+

1.077
0.4

L1=2.0925

L=0.6

1.077
0.4

L2=-3.2925

yt 0.3 yt 1 1.2 y t 2 t

b.

x=

b b24 ac
2a

0.3 0.324(1.2)1
L=
2(1.2)

L=0.3+

2.213
2.4

L1=1.2214

L=0.3

2.213
2.4

L2=-0.6214

7. Dados los siguientes procesos:

a.
b.
c.
d.

yt 0.6 yt 1 t

yt t0.6 t 1
yt 0.3 yt 1 0.2 y t 2 t
yt 0.6 yt 1 t0.8 t 1

Donde se supone que en todos ellos,

2
8

=1, se pide:

i.

Calcular las autocovarianzas hasta el orden 5

Calcular los coeficientes de correlacin hasta el orden 5

ii.

a) Calcular las autocovarianzas hasta el orden 5

Yt = 0.6 Y t1 +Et
E(Yt)= 0.6E( Y t1 )+ E(Et)
E(Yt)= 0.6E(Yt)+0
E(Yt)-0.6E(Yt)=0
E(Yt)-(1-0.6)= 0

Si Yt es estacionaria

E(Yt)=0

E(Yt)=0

t Y t 1
E(
)= -0.6E( Y t1 * Y t2 )+ E (Et* Et-c)
Y
( )=0.6 ( T 1 )+ E(EtEt T )

( 0 )=0.6 ( 1 )+ E ( Et 2 )=0.6 ( 1 ) + 2 ( Et )=0.6 (1 )+1

( 1 ) =0.6 ( 0 )
( 2 ) =0.6 ( 1 ) =0.6 [ 0.6 ( 0 ) ] =0.36 ( 0 )
( 3 )=0.6 ( 2 )=0.6 [ 0.36 ( 0 ) ] =0.216 ( 0 )
( 4 ) =0.6 ( 3 )=0.6 [ 0.216 ( 0 ) ]=0.13 ( 0 )
( 5 )=0.6 ( 4 )=0.6 [ 0.13 ( 0 ) ] =0.08 ( 0 )

( )=

( 2)
( 0)

( 0 )=

(0)
=1
(0)

( 1 )=

( 1 ) 0.6 ( 0 )
=
=0.6
( 0)
(0)
9

 ( 2 )=

( 2 ) 0.36 ( 0 )
=
=0.36
(0 )
(0)

( 3 )=

( 3 ) 0.216 ( 0 )
=
=0.216
(0 )
(0)

( 4 )=

( 4 ) 0.13 ( 0 )
=
=0.13
(0)
(0 )

( 5 )=

( 5 ) 0.08 ( 0 )
=
=0.08
(0 )
( 0)

b) Yt = +Et +0.6 Et 1
E(Yt)= E(Et)+ 0.6E( Et 1 )
E(Yt)=0+0
E(

t Y t 1
)= E(Et*
Y

Et

)+ 0.6E( Et 1Et )

( )=E ( EtEt ) +0.6 E (Et 1Et )

( 0 )=E ( Et 2 ) + 0.6 E ( Et 1Et )
( 0 )= 2 Et
( 0 )=1
( 1 ) = E(Et*

Et

)+ 0.6E( Et 1Et 1 )

( 1 ) =0+0.6 2 Et
( 1 ) =0.6(1)=0.6

Et 2

)+ 0.6E( Et 1Et 2 )

( 3 ) = E(Et*

Et 3

)+ 0.6E( Et 1Et 3 )=0+0=0

( 4 ) = E(Et*

Et 4 )+ 0.6E( Et 1Et 4 )=0

( 2 ) = E(Et*
( 2 ) = 0+0=0

10

Et 5

( 5 ) = E(Et*

)+ 0.6E( Et 1Et 5 )=0

( 0 )=

(0)
= 2 E=1
(0)

( 1 )=

( 1 ) 0.6
=
=0.6
(0) 1

( 2 )=

( 2) 0
= =0
(0 ) 1

( 3 )=

(3 )
=0
(0 )

( 4 )=

( 4)
=0
(0)

( 5 )=

(5 )
=0
(0 )

C) Yt = 0.3 Y t1 + 0.2 Y t2
E(Yt) = 0.3E( Y t1
E(Yt) - 0.3E( Yt

+ Et

+ 0.2 E (Y t 2 )

- 0.2 E (Yt )

Et
+E )

=0

E(Yt)[1-0.3-0.2]=0
E(Yt)=0

E(

t Y t
)= 0.3E( Y t1 * Y t
Y

)+ 0.2E( Y t2 * Y t

Et
E
(
)
(
=0,3 1 )+0,2 ( 2 )+E * t )
2

Et
( 0 )=0,3 ( 1 )+ 0,2 ( 2 )+ E
( 0 )=0,3 ( 1 )+ 0,2 ( 2 )+ 2 Et=0,3 ( 1 )+ 0,2 ( 2 ) +1

11

Et
)+ E * Et )

Et
E
( 1 ) =0,3 ( 0 )+ 0,2 ( 1 )+ Et * t )
( 1 ) =0,3 ( 0 )+ 0,2 ( 1 )+ 0
( 2 ) =0,3 ( 1 ) +0,2 ( 0 )+ 0 = 0,3 ( 1 ) +0,2 ( 0 )
( 3 )=0,3 ( 2 ) + 0,2 ( 1 )+ 0 = 0,3 ( 2 ) +0,2 (1 )
( 4 ) =0,3 ( 3 )+ 0,2 ( 2 )+ 0 = 0,3 ( 3 )+ 0,2 ( 2 )
( 5 )=0,3 ( 4 ) + 0,2 ( 3 ) +0 = 0,3 ( 4 ) +0,2 ( 3 )

( 0 )=

( 0 ) 0.3 ( 1 ) 0.2 ( 2 ) 1
1
=
+
+
=0.3 ( 1 ) +0.2 ( 2 ) +
(0)
( 0)
(0 )
(0)
( 0)

( 1 )=

( 1 ) 0.3 ( 0 ) 0.2 ( 1 )
0.2 ( 1 )
=
+
=0.3+
(0)
( 0)
(0 )
(0 )

( 2 )=

( 2 ) 0.3 (1 ) 0.2 ( 0 ) 0.3 ( 1 )

=
+
=
+ 0.2
(0 )
(0 )
(0)
( 0)

( 3 )=

( 3 ) 0.3 ( 2 ) 0.2 ( 1 )
=
+
(0 )
( 0)
(0)

( 4 )=

( 4 ) 0.3 ( 3 ) 0.2 ( 2 )
=
+
(0)
(0 )
(0)

( 5 )=

( 5 ) 0.03 ( 4 ) 0.2 ( 3 )
=
+
(0 )
( 0)
(0)

d) Yt = 0.6 Y t1 +Et - 0. 8 E t1
E
Y

E(
t1)
t1
E(Yt) = 0.6E(
+E(Et) 0.8
E(Yt) - 0.6E(Yt)=0
E(Yt) (1-0.6)=0
E(Yt)=0
12

E(

t Y t
)= 0.6E( Y t1 * Y t
Y

( 0 ) = 0.6E( Y t1 * Y t
( 0 ) = 0.6

Et 1
)+ E( Et * Et )-0.8E

)+ E( Et * Et

( 1 )+ E( Et * Et

( 0 )=0,6 ( 1 )+ E(EtEt ) )-0.8E Et 1

)-0.8E

)-0.8E

Et 1

Et 1

Et )

Et )

*Et)

( 0 )=0,6 ( 1 )+ 2 Et 0
( 1 ) = 0.6

( 0 )+ E( Et * Et 1

)-0.8E

Et 1

Et 1 )

)-0.8E

Et 1
*

Et 2 )

( 1 ) =0,6 ( 0 )+ 00,8 Et
( 1 ) =0,6 ( 0 )0.8 ( 1 )=0,6 ( 0 ) 0.8
( 2 ) = 0.6

( 1 )+ E( Et * Et 2

( 2 ) = 0.6

( 1 )

( 2 ) = 0.6 0.6

( 2 ) = 0.36

( 0 )-0,8]
( 0 )-0.48

( 3 ) = 0.6

( 2 )=0.6[ 0.36

( 0 )-0,48]=0.22

( 0 )-0.29

( 3 ) = 0.6

( 3 )=0.6[ 0.22

( 0 )-0.29]=0.13

( 0 )-0.17

( 3 ) = 0.6

( 3 )=0.6[ 0.13

( 0 )-0.17]=0.08

( 0 )-0.10

( 0 )=

( 0 ) 0.6 ( 1 ) 1
=
+
(0)
(0)
( 0)

( 1 )=

( 1 ) 0.6 ( 0 ) 0.8
0.8
=

=0.6
(0)
( 0)
( 0)
(0 )
13

Et )

 ( 2 )=

( 2 ) 0.36 ( 0 ) 0.48
0.48
=

=0.36
(0 )
( 0)
(0 )
( 0)

( 3 )=

( 3 ) 0.22 ( 0 ) 0.29
0.29
=

=0.22
(0 )
( 0)
(0 )
( 0)

( 4 )=

( 4 ) 0.13 ( 0 ) 0.17
0.17
=

=0.13
(0)
(0 )
(0)
( 0)

( 5 )=

( 5 ) 0.08 ( 0 ) 0.10
0.10
=

=0.08
(0 )
(0)
(0 )
( 0)

8. Considerar el proceso AR(2):

yt a1 yt 1 a2 yt 2 t
Et s yt

Utilizando la siguiente notacin:

como la esperanza de Yt condicionada al
conocimiento de toda la serie hasta t-s, se pide:
a. determinar:

Et 2 yt

i.

Et 1 yt

ii.
iii.
iv.
v.

1)

Et yt 2
Cov( yt , yt 1 )
Cov( yt , yt 2 )

Et 2 Yt

E(Yt)= 1 E( Y t1 )+ 2 E( Y t2 )+E(Et)
E(Yt)- 1 E( Y t )+ 2 E( Y t )=0
E(Yt)(1- 1 2 )=0
E(Yt)=0
2)

Et 1 yt
14

E(Yt)= 1 E( Y t1 )+ E(Et)
E(Yt)- 1 E( Y t1 )=0
E(Yt)(1- 1 =0
E(Yt)=0
3)

Et yt 2

E(Yt)= 1 E( Y t +1 )+ 2 E( Y t +2 )+ E(Et)
E(Yt)- 1 E( Y t +1 )- 2 E( Y t +2 )=0
E(Yt)- 1 E( Y t )- 2 E( Y t )=0
E(Yt)(1- 1 2 )=0
E(Yt)=0
4)

Cov( yt , yt 1 )

E(Yt* Y t1 )= 1 E( Y t1Y t )+ E(Et* Et

(0 ) = 1

( 1

( 1) = 1

( 0

(2) = 2

( 0

( )=

.
= 1
(0)

(1)= 1
( 0 )= 0=1

( 0 )=

1 ( 1 ) 2 ( 2 ) 2 Et
+
+
(0 )
(0 )
(0 )

( 1 )=

1 ( 0 ) 2 ( 1 )
+
(0 )
(0 )

1 + 2 ( 1 )

15

9. Si Yt es una serie ruido formada con el ltimo dgito de los nmeros del directorio
telefnico y xt es una serie iid N(-5,5), el valor esperado de la suman de ambas series
E(yt+xt), ser:
a. menor que cero
b. igual a cero
c. mayor que cero
d. ninguna de las anteriores
10. La autocovarianza para el primer rezago R(1), de la serie {, -1,1, -1,1, -1,1, -1,1,}
ser:
Media
-1
1
-1
1
-1
1
-1
1
0

r(t)=[(Xt-u)(Xt-1 - u )]
r(t)=(-1-0)(1-0)
r(t)=-1

r(1)
11. El coeficiente de autocorrelacin

para la serie {5, 7, 9, 2, 7} es:

X
5
7
9
2
7
Media=6

r ( 1 )=

( XtUt ) (Xt + Ui)

(Xt Ut )2

r ( 1 )=

(56 )( 76) ( 96 ) (26)(76)

2
(57)

r ( 1 )=

(1 ) (1) ( 3 )(4)(1)
(1)2

r ( 1 )=

0
1

12. Para las series xt={1, 4, 2, 5} y yt={4,2,4,2}, encuentre (aproximadamente) la

rxy (1)
correlacin cruzada para el rezago uno,
X
X
16

1 4
4
2
2 4
5
2
12 12
MEDIA=3
COV(Xt1-Yt)=(Xt-Ux)(YT-1 -Ux)
R(x,y)
r(1)=(1-3)(2-3)
r(1)=(-2)(-1)
r(1)=2

L2 (2 L1 xt ) L1
13. La expresin
a. xt+1
b. 1-xt+1
anteriores

c. 2+xt+1

14. La solucin particular de

a.

es igual a
d. 1-xt+2

2 yt 0.2 yt 1 t

yt t t 1 t 2 ....
2 20 200
yt

t t 1 t 2

...
2
4
16

yt

t t 1 t 2

...
2
4
8

b.

c.

yt t

e. -1-xt-1

f. xt-1

g. ninguna de las

es:

t 1 t 2

...
2
4

d.
e. ninguna de las anteriores
yt=Lt
Yt-1= L^t-1
Yt-2= L^t-2
2=0.2L

L=

2
=10
0.2

Yt=C1

yt
.

10

C=

Yt
10 t

t t 1 t 2

.... t t
2 20 200
Ck

15. Considere el modelo

r(1) es:

xt 0.6 xt 1 2 xt 2 t
17

La autocorrelacin para el primer rezago

a. 0.2

b. 0.3

c. 0.4 d. 0.5

e. 0.6

f. 0.8

g. ninguna de las anteriores

16. Con los datos del IPC del Ecuador desde 1980 al 2015, observaciones anuales.
a) Examinar las regresiones: la primera diferencia del IPC en funcin del IPC rezagado en un
perodo, sin intercepto; la misma regresin anterior incluyendo intercepto; el mismo
modelo anterior incluyendo tendencia. Qu puede decir respecto de la Estacionariedad de
la serie de tiempo IPC?
Sin intercepto

Con intercepto

18

Con tendencia

Concluimos que respecto de la Estacionariedad de la serie de tiempo IPC, en principio esta serie no
es estacionaria; luego de aplicar primeras diferencias con intercepto, sin intercepto y con tendencia
observamos que la series se vuelven estacionarias.
b) Cmo escogera entre los tres modelos?
Realizadas las regresiones hemos tomado en cuenta el valor del criterio de Akaike que tenga el valor
ms bajo entre los modelos, el R-squared que sea alto, la probabilidad de las variables
independientes con valores cercanos a cero

al igual el criterio de Schwarz, o tambin Durbin-

Whatson que con valores cercanos a cero afirmamos que existe o no auto correlacin.
c) La ecuacin (1) es la ecuacin (3) menos el intercepto y la tendencia. Con qu prueba
decidira si las restricciones implcitas del modelo 1 son vlidas? (Sugerencia: Utilice las
pruebas Dickey-Fuller t y F)
En la regresin del momento al hacer el contraste se realiza el anlisis de la primera diferencia del
IPC tenemos tambin la variable rezagada en un periodo, la constante y la tendencia. Primero
analizamos si hay auto correlacin utilizando el estadstico de Durbin-Whatson con valores cercanos
a cero por lo tanto afirmamos que no existe auto correlacin.
17. Conteste a las siguientes preguntas:
a)

Cules son los mtodos ms importantes para pronsticos econmicos?

Los mtodos ms importantes para pronsticos econmicos son:

El mtodo de modelos ARIMA.
EL mtodo de los modelos VAR.

19

b)

Cules son las principales diferencias entre el mtodo de ecuaciones simultneas y

el de Box-Jenkins para pronsticos econmicos?

El mtodo de ecuaciones simultaneas considera variables tanto endgenas como exgenas con un
sistema de ecuaciones, mientras que el mtodo de Box-Jenkins solo considera una variable y esta
depende o est en funcin de la misma variable pero rezagada.
c)

Esquematice los pasos principales relacionados con la aplicacin del mtodo de Box-

Jenkins para pronsticos econmicos.

d)

Qu sucede si se aplican las tcnicas de Box-Jenkins a series de tiempo no

estacionarias?
La tcnica de Box-Jenkins solo se puede aplicar a series de tiempo estacionarias, ya que si
aplicamos a una serie no estacionaria el pronstico no es bueno, y los pronsticos serian errneos.
e)

Qu diferencias hay entre los mtodos de Box-Jenkins y VAR para pronsticos

econmicos?
El mtodo de los modelos VAR consideran muchas variables

pero todas las variables son

endgenas, a diferencia del mtodo de Box-Jenkins que considera solo una variable que est en
funcin de la misma variable pero rezagada.
20

18) Con los datos del Ecuador de 1965 al 2015 sobre el PIB y las M.
a) Trace la grfica de las dos series de tiempo en el mismo diagrama. Qu observa?

Podemos observar que en la grfica del PIB y en las Importaciones, ambas series tienen
tendencia determinista.
b) Realice un anlisis formal de raz unitaria para ver si estas series de tiempo son
estacionarias.
Al realizar el anlisis de raz unitaria, para la Serie del PIB, a nivel y con intercepto, con el 5%
aceptamos la Hiptesis nula decimos que la serie tiene Raz Unitaria y no es estacionaria.

21

Para la serie de las importaciones M, comparando el estadstico de Dickey Fuller y el valor critico al
5%, aceptamos la Hiptesis nula decimos que la serie tiene raz unitaria y no es estacionaria.

22

c) Estn integradas las dos series de tiempo? Cmo sabe? Realice los clculos necesarios.

Observamos que el valor de Durbin Watson nos indica que no existe autocorrelacin, la tabla
nos muestra los residuos generados a partir de la regresin. Los valores crticos no son
vlidos para esta interpretacin. Entonces usamos el valor crtico correcto que estn en las
tablas de Davidson y Mckinnnon es de -3.50.
Por lo tanto aceptamos la hiptesis nula decimos que los residuos no son estacionarios, son
integrados de orden 1, tienen una raz unitaria. Si los residuos no son estacionarios entonces
no existe cointegracin o relacin de largo plazo entre ellas, es una regresin esprea.
23

d) Qu significado econmico tiene integracin en este contexto? Si las dos series no estn
cointegradas, qu repercusiones econmicas tiene esto?

Ambas series PIB e importaciones son integradas de orden 1, es decir, se vuelven series
estacionarias al aplicar la primera diferencia.
e) Si desea estimar un modelo VAR, por ejemplo, con cuatro rezagos de cada variable, es
necesario usar las primeras diferencias de las dos series o puede realizar el anlisis de las
dos series en su forma de nivel? Justifique su respuesta.
No es necesario usas las primeras diferencias para estimar el modelo VAR, ya que la estimacin
de este modelo es el mismo sea con primeras diferencias o con su forma nivel.

24

25