CAPTULO 21

SERIES DE TIEMPO ECONOMETRA: ALGUNOS CONCEPTOS BSICOS

21.1 Un proceso estocstico es dbilmente estacionaria si su media y la varianza son constantes en

el tiempo y si el valor de la covarianza entre dos periodos de tiempo depende nicamente de la
distancia o diferencia entre los dos perodos y no del tiempo real en el que se calcula la
covarianza.

21.2 Si una serie de tiempo tiene que ser diferenciada d veces antes de que se vuelva
estacionaria, es integrada de orden d , I ( d), en su forma no diferenciada, tal serie temporal
no es estacionaria.

21.3 Dicindolo, el trmino de raz significa que una determinada serie de tiempo es
fluctuantes. Ms tcnicamente, el trmino se refiere a la raz del polinomio en el lag.

21.4 Tiene que ser diferenciado tres veces.

21.5 El DF es una prueba estadstica que se puede utilizar para determinar si una serie de tiempo
es estacionaria. El ADF es similar al DF excepto que toma en cuenta la posible correlacin en el
trmino de error.

21.6 El EG y AEG pruebas son procedimientos estadsticos que se pueden utilizar para determinar si
dos series de tiempo estn cointegrados.

21.7 Dos variables son cointegrados se dice que si hay una relacin estable a largo plazo entre ellos,
aunque individualmente cada una de las variables es fluctuantes. En ese caso, la regresin de
una variable en el otro no es falsa.

21.8 Las pruebas de la unidad popular se realizan en las distintas series de tiempo.
Cointegracin se refiere a la relacin entre un grupo de variables, donde
(incondicionalmente), cada uno de ellos tiene una raz unitaria.

21.9 Si una variable es retrocedido fluctuantes en otro fluctuantes variable(s), la regresin puede
pasar el habitual criterios estadsticos (alto valor R2 t, ratios, etc. ) aunque a priori no podemos
esperar una relacin entre los dos. Esto es especialmente cierto si las dos variables no estn
cointegrados. Sin embargo, si las dos variables estn cointegrados, aunque cada uno de ellos
son fluctuantes, la regresin no puede ser falsa.

21.10 Vase la respuesta a la pregunta anterior.

21.11 La mayora de las series de tiempo econmicas mostrar tendencias. Si estas tendencias son
perfectamente previsibles, que denominamos determinista. Si no es as, nosotros los llamamos
estocstico. Una serie de tiempo no estacionarias presenta generalmente una tendencia
estocstica.

21.12 Si una serie de tiempo presenta una tendencia determinista, los residuos de la regresin de
series de tiempo sobre la evolucin variable representa lo que se llama una tendencia de
proceso estacionario. Si una serie de tiempo es fluctuantes, pero se queda inmvil despus de
tomar su primer (o superior) para las diferencias, nos llaman a este tipo de series de tiempo una
diferencia de proceso estacionario.

21.13 Una caminata aleatoria es un ejemplo de un proceso fluctuantes. Si una variable sigue un paseo
aleatorio, es decir su valor hoy es igual a su valor en el perodo anterior ms un shock
aleatorio (trmino de error). En tales situaciones, puede que no seamos capaces de prever el
curso de este tipo de variable en el tiempo. Los precios de las acciones o los tipos de cambio
son ejemplos tpicos de la caminata aleatoria fenmeno.
21.14 Esto es cierto. La prueba est dada en el captulo.

21.15 Cointegracin implica un largo plazo, o de equilibrio, relacin entre dos (o ms variables). En
el corto plazo, sin embargo, puede haber un desequilibrio entre los dos. El ECM pone las dos
variables de equilibrio de largo plazo.

Problemas

21.16 (A) Los autocorrelogramas de todas estas series de tiempo muy similar al PIB correlogram
dada en la Fig. 21.8 . Todos estos autocorrelogramas sugieren que estas series de tiempo son
fluctuantes.

21.17 Los resultados de la regresin son los siguientes:

APCE, = 93,392 + 0,799 / - 0.044PC

,_, x = ( 1,678 ) (1,360 ) (-1.376) *
R2= 0,022
* En trminos absolutos, este tau valor es menor que el valor crtico tau, lo que sugiere que hay
una raz unitaria en el PCE series de tiempo, es decir, esta serie es fluctuantes.

NUMRICA, = 326,633 + 2,875 / - 0,0157 PDI,_X t = (2,755 ) (2,531 ) (-2.588) *

R2 = 0,076
* Este tau valor no es estadsticamente significativa, lo que sugiere que la PDI serie de tiempo
contiene una unidad raz, es decir, es fluctuantes.

UN Pr su, = 6,522 + 0,084 - 0,069 Pr su, ., t

= (2,154 ) (1,142 ) (-1.715) *
R2 = 0,037
* Este tau valor no es estadsticamente significativa, lo que sugiere que esta serie tiene
una raz unitaria.

Los dividendos, = 0,565 + 0,113 - 0,063

Dividendst_, t= (1,515 )(3,138 )(-2.640) *
R2 = 0,148
* Este tau valor no es significativo, lo que sugiere que los dividendos series
de tiempo son fluctuantes.

Por lo tanto, vemos que todas las series de tiempo son fluctuantes. Los resultados del test de
Dickey-Fuller con ninguna tendencia y no tendencia y no interceptar no altera la conclusin.

21.18 Si el trmino de error del modelo se correlacionaron en serie, ADF es el

Ms apropiado. Las estadsticas de la r el -1.8079 coeficiente que corresponda de la ADF
las regresiones para las tres series son: 11,9253
PCE -1.605
Beneficios -2.297

Dividendos -3.158 los valores t crticos siguen siendo los mismos, como en el problema
21,17 . Una vez ms, la conclusin es la misma, es decir, que las tres series de tiempo son
fluctuantes.
21.19 (A) Probablemente s, porque por separado las dos series de tiempo son fluctuantes.

( >) la regresin por MCO de los dividendos sobre los beneficios dio los siguientes
resultados:
Coeficiente variable Ets. Error t-statistic
Cuando los residuos de esta regresin fueron sometidos a pruebas de la raz con una constante,
constante, y la constante y tendencia, los resultados muestran que los residuos fueron no
estacionaria, lo que llev a la conclusin de que los dividendos y las utilidades no estn
cointegrados. Ya que este es el caso, la conclusin, en (a) permanece encendida .

(b) No tiene mucho sentido para este ejercicio, ya que no hay una larga relacin entre los dos.

(c) Ambos presentan tendencias estocsticas, lo cual est confirmado por la prueba de la raz de cada
serie de tiempo.

(d) Si los dividendos y las utilidades estn cointegrados, no importa que es el regressand y que
es el regresor. Por supuesto, en teora podra resolver esta cuestin..

21.20 Los correlogramas de las primeras diferencias del PDI, beneficios y dividendos, todos muestran
diagramas similares a la de la Fig. 21.9 . La primera diferencia en cada una de estas series de tiempo
parado. Esto puede ser confirmado por el test de ADF. El r las estadsticas para el coeficiente que
corresponda de la ADF las regresiones para las cuatro series de tiempo son:
PCE -4.852
PDI -6.856
Beneficios -5.517

Dividendos -6.305 todos estos valores de r , en trminos absolutos, superar la

crtica valores de r , lo que confirma que las primeras diferencias de las series de tiempo
son en realidad inmvil.
21.21 En teora no debera haber una interseccin en el modelo. Pero si hay una tendencia
en el modelo original, a continuacin, una interseccin podra incluirse en la regresin y el
coeficiente de que interceptan trmino indicar el coeficiente de la tendencia variable. Por
supuesto, esto supone que la tendencia no es determinista y estocstico.

Para ver esto, ahi los dividendos sobre los beneficios y la tendencia variable, que
dio los siguientes resultados:

Variable dependiente: dividendo

Coeficiente variable Ets. Error t-statistic

C 11,8978 2,3538 5,05457
BENEFICIOS
-0.1096 0,02939 -3.7293
Tendencia
1,6472 0,0554 29,7008
R-squared 0,9668

Pero hay que tener cuidado de esta regresin porque esta regresin se supone que hay
una tendencia determinista. Pero sabemos que el dividendo series de tiempo tiene una
tendencia estocstica.

Ahora retrocesos las primeras diferencias de los dividendos de las primeras diferencias de
los beneficios y la interseccin, se obtiene el siguiente resultado:

C
Coeficiente variable Ets. Error t-statistic
Las utilidades
1,3502 0.1953 6.9112
-0.0238 0.02080 -1.1470
R-squared 0,0152

En esta regresin la interseccin es importante, pero no el coeficiente pendiente.

La interseccin de 1,3502 valor en teora es igual al coeficiente de la variable
tendencia en la ecuacin anterior; los dos valores no son idnticos porque de los
errores de redondeo, as como el hecho de que la tendencia de los dividendos
serie no es determinista.

Este ejercicio muestra que hay que ser muy cuidadoso en particular la tendencia
variable en una serie de tiempo regresin a menos que uno est seguro de que la
tendencia es en realidad deterministas. Por supuesto, uno puede usar el DF y
ADF pruebas para determinar si la tendencia es estocstico o determinista.

21.22 La primera diferencia de regresin en el ejercicio anterior, podemos obtener los

residuos de esta regresin (u), y los someten a pruebas de raz. Hemos retrocedido Aw,
en su propia zaga valor sin interceptar, con interceptar y con intercepto y tendencia. En
cada caso, la hiptesis nula es que estos residuos son fluctuantes, es decir, contienen una
prueba de la raz. El Dickey-Fuller r los valores de las tres opciones fueron -3,9592 , -
3,9367 y 3,9726 . En cada caso la hiptesis fue rechazada en 5% o mejor nivel (es decir,
valor de p inferior a 5%). En otras palabras, aunque los dividendos y las utilidades no
eran cointegrados, fueron cointegrados en la primera diferencia.

21.23 (A) Dado que |r| es menor que la crtica |r| valor, parece que el alojamiento
inicio series de tiempo son fluctuantes. Por lo tanto, hay una raz unitaria en esta
serie.

( >) Normalmente, una absoluta del valor de t en la medida de lo 2.35 o mayor

sera significativo al nivel del 5 por ciento. Pero a causa de la unidad
 Situacin raz, el verdadero | /| valor aqu es de 2,95 y 2,35 no . Este
Ejemplo nos muestra por qu uno tiene que ser cuidadoso en el uso de
la estadstica t indiscriminadamente.

(b) Desde el |r| de AA" , ., es mucho mayor que el correspondiente

Valor crtico, la conclusin es que no existe una segunda unidad en la caja raz inicio
series de tiempo.

21.24 Esto se deja para el lector.

21.25 (A) (b)

X
Y presenta una tendencia lineal, mientras que X representa una tendencia
cuadr ica.

Aqu est el grfico de la real y equipado Y valores:

Real Residual equipado

Habida cuenta de los resultados de la regresin se podra pensar que esto es un

"buen" regresin en que tiene un alto R2 y t relaciones significativas. Pero es una
relacin totalmente espurios, porque estamos retrocediendo una tendencia lineal
variable (7) en una variable con tendencias quadratically (X). que algo no est bien
con este modelo se puede extraer de la muy baja Durbin-Watson valor d .
El punto de este ejercicio es que nos advierten contra la lectura demasiado en los
resultados de la regresin de dos variables con tendencia determinista tiempo
caminos divergentes.

21. 26 (A) Regresin (1) muestra que la elasticidad de Ml con respecto al PIB es de
aproximadamente 1,60 , lo que me parece estadsticamente significativa, como el valor
de este coeficiente es muy alta. Pero mirando el valor d, tenemos la sospecha de que no
hay correlacin en el trmino de error o que esta regresin es falsa.

(b) En la primera forma, an hay relacin positiva entre las dos variables,
pero ahora la elasticidad coeficiente ha disminuido drsticamente. S, d valores
podra sugerir que no hay correlacin serial problema ahora. Pero la importante
cada
El coeficiente de elasticidad sugiere que el problema aqu puede ser uno de falta
de cointegracin entre ambas variables.

(c) Y (d) de la regresin (3) parece que las dos variables estn cointegrados,
del 5% valor crtico -1.9495 es tau y el valor estimado es ms negativo que esto. Sin embargo, el 1%
valor crtico tau es de -2,6227 , lo que sugiere que las dos variables no estn cointegrados. Si permitimos
que para interceptar y interceptar y tendencia en la ecuacin (3), entonces el DF para mostrar que las dos
variables no estn cointegrados.

(b) Ecuacin (2) da el corto plazo relacin entre los registros de dinero y en el
PIB. La ecuacin dada aqu tiene en cuenta el mecanismo de correccin de errores
(ECM), que intenta restablecer el equilibrio en el caso de que los dos
variables desve de su larga trayectoria. Sin embargo, el trmino de error en esta
regresin no es estadsticamente significativa al nivel del 5 por ciento.

Ya que, como se expone en los apartados c) y d) anteriores, los resultados de los

tests de cointegracin son ms bien mezclado, es difcil decir si los resultados de
la regresin presentado en (1) son falsas o no.
21.27 (A) y ( b) El tiempo del IPC grfico muy parecida a Fig. 21,12 . Este grfico
muestra claramente que en general hay una tendencia al alza en el IPC. Por lo tanto,
regresin (1) y (2) no son dignas de consideracin. Tenga en cuenta que el coeficiente
de los datos del IPC es positivo en tanto facilita. De la estacionalidad, que requieren de
este valor a ser negativo.

Por lo tanto, el ms significativo es regresin ecuacin (3).

La DF de la raz las pruebas sugieren que la serie de tiempo es IPC
Tendencia estacionaria. Es decir, los valores del IPC en torno a su valor de tendencia
(Lo cual es estadsticamente significativo) estn fijas.
(b) Desde Ecuacin (1) omite dos variables, tenemos que utilizar la prueba F

Utilizando el 2 versin de la prueba F, el 2 valor de regresin (1) es 0,0304 , que

es el limite 2. El 2 valor de regresin (3), que es 0,4483 , es el irrestricto 2. De
ah el valor F es:

(0,44 " 3 -0.0304) /2 ( 1 - 0,4483 ) /37

Refirindose a la DF F valores dados en la Tabla D. 7 en App. D, se puede ver que
el valor F observado es altamente significativa (Nota: La tabla no da el valor F de 40
observaciones, pero mentalmente la interpolacin de la dado F, se puede llegar a esta
conclusin. ). Por lo tanto, la conclusin es que las restricciones impuestas por regresin
(1) Son vlidos. Ms positivamente, es un retroceso (3) que parece vlido.
 CAPTULO 22 SERIES DE TIEMPO
ECONOMETRA: LA PREVISIN

22.1 Como se discuti en segundos. 22.1 , En lneas generales, existen cinco mtodos
de previsin econmica: (1) suavizamiento exponencial, (2) una ecuacin de
regresin, (3) modelos de ecuaciones simultneas, (4) ARIMA y (5) VAR.

22.2 Ecuaciones simultneas (SE) las previsiones econmicas se basa en un sistema

de ecuaciones (compuesto de por lo menos dos variables pero generalmente
muchas ms) que explican algunos fenmenos econmicos sobre la base de una
teora econmica. El B-J mtodo se basa en el anlisis de la estocstica
propiedades de una sola vez. A diferencia SE prev que se basa en k regresores,
B-J anlisis se basa en las anteriores (retrasado) los valores de la variable en
estudio. B-J anlisis es a menudo descrito como una terica ya que no deriva de
una teora econmica.

22.3 Los principales pasos en el B-J metodologa son: (1) identificacin (2)
estimacin, (3) control de diagnstico, y (4) las previsiones.

22.4 Desde el B-J mtodo asume explcitamente que las series de tiempo son
estacionarias, si se aplica a tiempo fluctuantes series, los resultados pueden ser
totalmente fiables. Pensar en un paseo aleatorio pronstico variable!

22.5 El B-J enfoque de pronstico se basa en el anlisis de la probabilstica

propiedades de un solo series de tiempo sin depender de ninguna teora
econmica subyacente. El VAR enfoque se basa en un sistema simultneo en que
todas las variables se consideran endgenos. En VAR, la elaboracin de modelos
del valor de una variable se expresa como una funcin lineal de la zaga los
valores de la variable y que el resto de las variables incluidas en el modelo.

22.6 Se trata de una terica ya que utiliza menos informacin previa de un modelo.
En modelos, la inclusin o exclusin de determinadas variables desempea un
papel crucial en la identificacin del modelo.

22.7 Tal y como hemos comentado en el ejercicio 22.1 , hay cinco mtodos de
previsin. Cada mtodo tiene sus fortalezas y debilidades. No hay un mtodo que
se adapte a todas las situaciones.

22.8 Deseamos que los gal lo suficientemente largo como para captar plenamente la
dinmica del sistema que se modela. Por otro lado, cuanto ms largo sea el lag,
cuanto mayor sea el nmero de parmetros que deben ser estimadas y, por tanto,
menos los grados de libertad. Por lo tanto, hay un trade-off entre tener suficiente
nmero de rezagos y tener suficientes grados de libertad. Esta es la debilidad de
VAR. Por supuesto, uno podra utilizar informacin Akaike y Schwarz criterio
para elegir la longitud del rezago.

22.9 Ver las respuestas a los ejercicios 22,2 y 22,6 .

22.10 Desde el punto de vista operacional, los dos procedimientos son similares. La
diferencia estriba en el propsito de la investigacin. En causalidad de Granger
nuestro objetivo es poner a prueba la existencia de una relacin causal entre dos o
ms variables. En el VAR nuestro principal objetivo es el de desarrollar un
modelo principalmente para fines de pronstico. Tenga en cuenta que a menos que
 las variables son estacionarias o cointegrados, uno no debe utilizar estos
procedimientos.

Problemas
22.11 Los pasos que se siguen son los siguientes:
(1) Analizar la serie de estacionariedad. Ya hemos visto que la PDI serie es
fluctuantes, pero sus primeras diferencias son estacionarias.
(2) Examinar la funcin de autocorrelacin (ACF) y la funcin de
autocorrelacin parcial (PACF) de la primera serie ENTREGA diferenciada para
decidir qu ARMA modelo puede ser apropiado. Tenga en cuenta que el PDI serie
ya est en primera diferenciada.
(3) Haber elegido un modelo apropiado ARMA, la siguiente tarea consiste en
estimar y examinar los restos del modelo estimado. Si estos residuos son ruido
blanco, no hay ninguna necesidad de afinar ms el modelo. Pero si no lo son,
tendremos que iniciar la bsqueda, o iterativo, el procedimiento una vez ms.

Un examen de la ACF y PACF funciones no presenta ninguna pauta clara. La

punta de lag 5 parece un poco pronunciada, ya que se encuentra muy cerca de la
parte superior 95% limt. Como un juicio, entonces, se podra montar un
autoregessive modelo utilizando la interseccin y cinco grupos de accin local.

Sin embargo, no hay necesidad de introducir todos los cinco rezagos, como
correlaciones de lag 4 son muy pequeas. Por lo tanto, slo introducir el
intercepto y la quinta lag como los regresores. Los resultados de la regresin
fueron de la siguiente manera:

PDI] = 22,2768 -0.2423PD/ ;_5 t = (5,9678 ) (-2.1963)

R2 =0.0568; * / = 2,11

PDf donde representa las primeras diferencias del PDI.

Los residuos de esta regresin parece ser ruido blanco, lo que sugiere que no
hay necesidad de perfeccionar el modelo.

Por supuesto, usted puede aadir un MA componente para el modelo y tratar de

volver a estimar el modelo. Dejamos como ejercicio.

22.12 Siga Ejercicio 22,11 y pruebe el modelo ARIMA (0,1,14 ).

22.13 Siga Ejercicio 22,11 y pruebe el modelo ARIMA (8,1,8 ).

22.14 Siga Ejercicio 22,11 y pruebe el modelo ARIMA (2,1,0 ).

22.15 Segn el criterio Schwarz, elija el modelo

Que tiene el valor ms bajo de Schwarz estadstica. Lo mismo se aplica
igualmente a los (rival) Akaike criterio. As, en la comparacin de un modelo
VAR con 8 lag contra un modelo VAR con 10 retrasos, elija el modelo que tiene
el valor ms bajo de Schwarz estadstica.
 22.16 Sobre la base de los Schwarz criterio, se determin que un modelo VAR con 2
rezagos de PDI y PCE podra bastar.
Los resultados de la regresin son los siguientes:
Variable dependiente: " PCE PDI

Las variables explicativas

X Interceptar 14,655 60,944
(0,878 ) (2,582 )
PCEt.i 1,106 0,623
(8,756 ) (3,489 )
PCEt-2 -0.102 -0.400
(-0.707), (A
PDIt-i 0,069 2.120 )
(0,806 ) 0,682
PDIt.2 ; -0,072 (5,630 )
(-0.877) 0,099
R2 0,998 0,998 (0,850 )
Nota: Las cifras entre parntesis son 0,997
los t ratios.

Basndose en este modelo, los valores reales y de los dos

Las variables de 1991:1 a 1991:4 son los siguientes:

Trimestre actual PCEPCE ENTREGA Real Previsin PDI Previsin

1991:1 3241,1 3262,062 3514,8 3532,343
1991:2 3252,4 3277,870 3537,4 3550,343
1991:3 3271,2 3295,359 3539,9 3569,230
1991:4 3271,1 3313,034 3547,5 3588,260

22.17 Lo dejamos para el lector para llevar a cabo los pasos con un desfase de 3.

22.18 Vase, por ejemplo, decisivo 4 para una discusin de la respuesta al impulso anlisis, as
como los pasos involucrados.

22.19 Vase la respuesta al ejercicio 22,18 .

22.20 A pesar de que el modelo no era especficamente para probar causalidad, podemos
Hacerse una idea de la estadstica F. En el caso de la variable x, slo a sus propios valores
desfasados son significativos. Para la variable y, parece que, aparte de su propios valores
desfasados, la zaga los valores de x son tambin importantes. Tal vez haya alguna
causalidad de x a y. Para la variable z, parece que adems de sus propias valores
desfasados, la zaga los valores de y son tambin importantes. Esto sugiere que hay una
cierta causalidad de y a z.

22.21 Para la aplicacin de la metodologa VAR todas las variables en el modelo debe ser
(conjuntamente estacionarios). Tal vez en el nivel de los autores encontraron que todas las
tres variables son no estacionarias. Teniendo variaciones porcentuales es una manera de
lograr la estacionalidad.
22.22 En el formulario, Ml fluctuantes sobre la base de la DF prueba en sus diversas
formas. Lo mismo es cierto acerca de R.

A ver si stos estn integrados, se realiz una regresin Ml en R y obtuvo los siguientes
resultados:

Ml = 36622,11 -744.4635J?, t =
(19,2627 ) (-4.7581)
R2 = 0.3997; * / = 0,2346
Los residuos de esta regresin fueron sometidos a anlisis de la raz. Aplicacin del DF las
pruebas en diversas formas, se comprob que Las dos series de tiempo no son
cointegrados.

Ya que se trata de una doble sesin modelo, la pendiente los coeficientes representan (parcial)
elasticidad cruzada de la demanda. Aqu la elasticidad ingreso es 1,4254 y la tasa de inters
elasticidad es de -0,0780 , y ambos son estadsticamente significativos. Pero tenga en cuenta que
el bajo valor Durbin-Watson sugiere la posibilidad de correlacin serial, que pueden plantear
dudas sobre la calcula los valores de t .

(b) A ver si el arco efecto est presente, hemos obtenido los residuos ( " ,) de la
regresin en (a) y obtuvo los siguientes ARCO (1) regresin:

W,2 = 0,00064 + 0.3442m,1, t = (3,1173 ) (2,9206 ).

R2 = 0,2054 ; = 2.11

Hemos probado un arco (2) modelo, pero los resultados no fueron significativos.
Parece, entonces, que hay algn efecto ARCO en el presente ejemplo.

22.24 El modelo es la versin restringida del modelo

Dada en la ecuacin (22.11.4 ). Por lo tanto, podemos usar la prueba F del captulo 8. La
libre R2 aqu es 0,2153 y el R2 es 0,1397 . De ah el valor F es:

F_ (0,2153 -0.1397)72_31g
(1 -0.2153)7 (649-4)
Este F valor es altamente significativa, lo que sugiere que se debe elegir el modelo que
figura en Eq. (22.11.4 ) sobre que en el presente ejercicio.

10