Practica 03:

7. Considere los datos sobre los logaritmos del IPD (ingreso personal
disponible) en la seccin 21.1 (consulte los datos reales en el sitio Web del
libro). Suponga que deseamos ajustar un modelo ARIMA apropiado a estos
datos. Defina los pasos que implica la realizacin de esta labor.
Una vez descargados los datos del sitio web que nos indica en el problema
procederemos a calcular los modelos de regresin usando el programa
E-Views9
Los pasos a seguir son los siguientes:
(1) Examinar la serie de estacionariedad. Examinamos la estacionariedad de la
serie LIPD mediante el grafico :

Se observa que tiene una tendencia creciente muy acentuada, lo que es un claro
signo de que la serie no es estacionaria en su media ni varianza.
Obtenemos los correlogramas para detectar la estacionariedad.
Las instrucciones en Eviews para obtener los correlogramas de LIPD son los
siguientes
Quick/Series Statistics/Correlogram/LIPD
Tambin de forma alternativa en el objeto serie (LIPD)
View/Correlogram
El correlograma simple (FAC) confirma la sospecha anterior sobre la no
estacionariedad de la variable LIPD al mostrar un decrecimiento muy lento.
Adicionalmente llevamos a cabo el test de races unitarias para confirmar la
no estacionariedad. Instrucciones en Eviews para el test Dickey Fuller (DF):
Quick/Series Statistics/unit root/LIPD
El Valor del estadstico t (-1.2875) es inferior a los valores crticos de la
distribucin DF por lo que no se puede rechazar la hiptesis de la existencia
de una raz unitaria y, por tanto, la serie ventas no es estacionaria.

Dado que la serie de LIPD no es la adecuada puesto que es no estacionaria,

utilizamos a continuacin el procedimiento de la diferenciacin para convertir
a la serie en estacionaria. Tomamos la primera diferencia en la serie LIPD
por lo que generamos la siguiente prueba de raz unitaria para comprobar la
estacionariedad en la primera diferencia:
 El test DFA rechaza la hiptesis nula de una raz unitaria en LIPD puesto que
el valor del estadstico t (p-Value=0.00<0.05) es significativo. Este resultado
corrobora que la estacionariedad de la serie transformada en la primera
diferencia (d=1) LIPD se convierte en una serie estacionaria, es decir la serie
es un proceso integrado de orden 1

(2) Examinar la funcin de autocorrelacin (FAC) y la funcin de autocorrelacin

parcial (FACP) de la primera serie LIPD diferenciada para decidir qu modelo
ARIMA puede ser apropiado. Tenga en cuenta que la serie LIPD ya est
diferenciada por primera vez.
 Un examen de las funciones FAC Y FACP no muestra ningn patrn de corte
claro. La punta en el retraso 10 parece algo pronunciada, ya que est muy cerca
del lmite de confianza superior del 95%. Como ensayo, entonces, se podra
establecer un modelo AR (10) u una MA (10) (utilizando el intercepto y cinco
retardos.)
.
(3) Habiendo escogido un modelo ARIMA apropiado (para este ejercicio escogimos
un modelo ARIMA (10, 1,10)), la siguiente tarea es estimarlo y examinar los residuos
del modelo estimado. Si estos residuos son ruido blanco, no hay necesidad de
realizar otro modelo. Pero si no lo son, tendremos que empezar de nuevo hasta
conseguir el modelo adecuado.
Los residuos de esta regresin parecen ser ruido blanco, lo que sugiere que
no hay necesidad de refinar el modelo. Por supuesto que pueden existir otros
modelos que se adecuen con los datos y cumplan con los supuestos.