Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Modelos Estocasticos
Modelos Estocasticos
HERRAMIENTAS:
n k
Yt - Y Yt k - Y
Rk = t 1 n
Yt - Y
2
t=1
DECISIÓN:
COV(Yt ,Yt h ) h
h(t) = = = covarianza al rezago h / varianza
V(Yt ) V(Yt h ) 0
PROPIEDADES:
|h| 1
h = -h (SIMETRIA)
ESTIMACION:
ˆ (Yt Y )(Yt h Y ) / n
ˆ h ( t ) = h =
ˆ0 (Yt Y ) 2 / n
16
12
-4
25 50 75 100
20 20
20
16 16
16
12 12
12
Y(-10)
Y(-2)
8 8
Y(-1)
4 4
4
0
0 0
-4 -4 -4
-4 0 4 8 12 16 20 -4 0 4 8 12 16 20 -4 0 4 8 12 16 20
Y Y Y
m
̂ h2
LB = n(n+2)
k 1 n k
2m
800000
12
100000
600000
11
14
80000
10 400000
13
60000
9 200000
40000 12
8 0
20000 11
7
0 10
40 45 50 55 60 65 70 75 80 85 90 95 00 40 45 50 55 60 65 70 75 80 85 90 95 00
4
10
30 3
5
2
20
1
0
10
0
-5
0
0 100 200 300
50 55 60 65 70 75 80 85 90 95 00 t
tcp ltcp
PPETRO LPPETRO
POR EJEMPLO, CADA VALOR DE LA SERIE TCP {TCP 1, TCP2, TCP3…} ES UNA
VARIABLE ALEATORIA. ASI POR EJEMPLO, EN EL MES DE MAYO DEL 2012 EL
TCP PUDO HABER ASUMIDO CUALQUIER VALOR, DEPENDIENDO DE LA
SITUACION ECONOMICA Y POLITICA DEL PAIS. EL VALOR DEL TCP DE 9,708
PARA ESE MES CONSTITUYE UNA REALIZACION DE TALES POSIBILIDADES.
ESTACIONARIO
PROCESO ESTOCASTICO HOMOGENEO O
INTEGRADO
NO ESTACIONARIO
NO HOMOGENEO
ASI, UNA VARIABLE QUE REQUIERA SOLO UNA DIFERENCIA PARA HACERSE
ESTACIONARIA, ES INTEGRADA DE ORDEN UNO. UN PROCESO CAMINO
ALEATORIO ES (1).
IMPORTANCIA DE LA ESTACIONARIEDAD:
1) EN SU AUSENCIA, LAS OBSERVACIONES SON MUY DEPENDIENTES
ENTRE SI, OBTENIENDOSE POCA INFORMACION ADICIONAL CUANDO
CRECE LA MUESTRA Y LOS ESTIMADORES SON INCONSISTENTES
ˆ 2 =
xt yt 2 CONVERGE A CERO DE MANERA ASINTOTICA
xt
A MEDIDA QUE CRECE LA VARIANZA DE Xt
Yt iid(, 2)
Yt = Yt-1 + t
E(Yt) = E(Y0 + t) = Y0
Yt = + Yt-1 + t AR(1)
E(Yt) = Y0 + T
V(Yt) = T2
Yt = Yt-1 + t
CON -1 1 SI = 1 SE CONVIERTE EN UN PCA.
PRUEBAS DE ESTACIONARIEDAD:
. dfgls cons_pib
δ
SI 0
1 1
E(Yt) = =
0 SI = 0
Y2 = 12 Y2 + 2 Y2 - 1 Y2 = 2 2
V(Yt) = 0 =
1 12
δ
SI 0
1 1 2
E(Yt) = =
0 SI = 0
2
V(Yt) = 0 =
1 12 22
1 0+ 2 1 ; h=1
ECUACIONES
COV(Yt,Yt-h)= h = 1 1+ 2 0 ; h=2
YULE-WALKER
1 h-1+ 2 h-2 ; h
1
1 = (1 2 ) ; h=1
2
CORR (Yt,Yt-h) = h = 2 = 2 + 1 ; h=2
(1 2 )
h = 1 h-1 + 2 h-2 ;h
CONDICIONES DE ESTACIONARIEDAD:
-1 < (1 + 2 ) < 1
| 2 | < 1
ESCOGER UN p ALTO
COMO IDENTIFICARLO?
FAS DESCIENDE MONOTONICAMENTE A CERO
FAP SE DETIENE ABRUPTAMENTE EN UN PUNTO. LA FAP TENDRA
TANTAS BARRAS COMO ORDEN TENGA EL PROCESO
Yt = + 1 t-1 + t
SI 0
E(Yt) = =
0 SI =0
GENERALIZANDO
h = 1 2 ; h=1
COV(Yt,Yt-h)=
h = 0 ; h>1
0.2
1
0.0
AC F
0
Y
-0.2
-1
-0.4
-2
Time Lag
Series Y Series: Y
1.0
0.1
0.8
-0.5 -0.4 -0.3 -0.2 -0.1 0.0
Partial AC F
0.6
0.4
0.2
0.0
Lag f requency
Yt = + 1 t-1 + 2 t-2 + t
2 ( 1 + 1 2 ) ; h=1
COV(Yt,Yt-h)= h = 2 2 ; h=2
0 ; h>2
1 (1 2 )
; h=1
(1 12 22 )
2
CORR (Yt,Yt-h) = h = ; h=2
(1 12 22 )
0 ; h>2
AC F
0
Y
-1
-2
-3
Time Lag
Series Y Series: Y
1.0
0.1
0.8
0.0
P artial A C F
0.6
-0.3 -0.2 -0.1
0.4
0.2
-0.4
0.0
Lag frequency
H0: h = 0
H1: h 0
Yt = 1 Yt-1 + t
Yt = 1 (1 Yt-2 + t-1) + t = 12 Yt-2 + 1 t-1 + t
PROPIEDADES:
δ
SI 0
1 1
E(Yt) = =
0 SI = 0
10 + 1 2 ; h=1
COV(Yt,Yt-h) = h =
1h-1 ; h2
0 .1 5
ACF
y11
-0 .0 5 0 .0 5
Time Lag
ARMA(1,1) ARMA(1,1)
0 .0 0 .2 0 .4 0 .6 0 .8 1 .0
P a rt ia l A C F
0 .1 5
-0 . 0 5 0 . 0 5
Lag frequency
h h
h h
S Yt = (1-B ) (1-B) Yt
EN TERMINOS GENERALES: Zt = D d S D d
DATOS BRUTOS
IDENTIFICACION:
MODELO TENTATIVO
ESTIMAR PARAMETROS
DEL MODELO
REPLANTEO
DEL MODELO
NO EVALUACION:
ADECUACION DEL
MODELO
SI
PREDICCION
APLICACIÓN DE LA METODOLOGIA:
PRUEBA Q DE BOX-PIERCE
m
Q = (N-d) rk2 2k-p-q
k 1
k 2
QLB= T(T+2) /(T j )
j
j 1
CON T INDICANDO EL NUMERO DE OBSERVACIONES Y j LA J-ESIMA AUTOCORRELACION
J. Ramoni Perazzi Tema 4.1. .33
ECONOMETRIA II
4) PRONOSTICO O PREDICCION: REALIZACION DE PRONOSTICO PARA LOS PERIODOS
FUTUROS CONSIDERADOS. ESTOS PRONOSTICOS PUEDEN DISPONER DE UN
INTERVALO DE CONFIANZA QUE SE AMPLIA A MEDIDA QUE EL PRONOSTICO SE
EXTIENDE EN EL FUTURO.
LABORIOSO
EJEMPLOS:
1) VARIABLE A NIVEL
Null Hypothesis: PIB has a unit root
t-Statistic Prob.*
Augmented Dickey-Fuller test statistic -1.257611 0.6443
Null Hypothesis: D(PIB) has a unit root
Augmented Dickey-Fuller test statistic -5.318040 0.0000
600000,00
500000,00
V a lu e P IB
400000,00
300000,00
200000,00
100000,00
0,00
12 3 4 5 6 7 8 9 1 1 1 1 1 1 1 1 1 12 2 2 2 2 2 2 2 2 2 3 3 3 3 3 3 3 3 3 34 4 4 4 4 4 4 4 4 4 5 5 5 5 5 5 5 5 5 5 6 6 6 6 6 6 6 6 6
0 12 3 4 5 6 7 8 9 0 12 3 4 5 6 7 8 9 0 12 3 4 5 6 7 8 9 0 12 3 4 5 6 7 8 9 0 12 3 4 5 6 7 8 9 0 12 3 4 5 6 7 8
Case Number
PIB
1,0 Coefficient
Upper Confidence Limit
Lower Confidence
Limit
0,5
ACF
0,0
-0,5
-1,0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16
Lag Number
PIB
1,0 Coefficient
Upper Confidence Limit
Lower Confidence
Limit
P a r tia l A C F
0,5
0,0
-0,5
-1,0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16
Lag Number
PIB
1,0 Coefficient
Upper Confidence Limit
Lower Confidence
Limit
0,5
ACF
0,0
-0,5
-1,0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16
Lag Number
PIB
1,0 Coefficient
Upper Confidence Limit
Lower Confidence
Limit
P a r tia l A C F
0,5
0,0
-0,5
-1,0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16
Lag Number
Residual Diagnostics
Number of Residuals 67
Number of Parameters 0
Residual df 66
Adjusted Residual Sum of
2E+010
Squares
Residual Sum of Squares 2E+010
Residual Variance 4E+008
Model Std. Error 19334,597
Log-Likelihood -755,836
Akaike's Information
1513,671
Criterion (AIC)
Schwarz's Bayesian
1515,876
Criterion (BIC)
C) ARIMA(0,1,1):
Parameter Estimates
B) DATOS YEN
SALIDA EVIEWS:
AUTOMATIC MODEL IDENTIFICATION BEGINS
(0,1,1)(0,0,0)
AIC
-1483.0741
BIC
-7.2541
COMANDOS STATA:
. corrgram yen, lags(20)
-1 0 1 -1 0 1
LAG AC PAC Q Prob>Q [Autocorrelation] [Partial Autocor]
-------------------------------------------------------------------------------
1 0.9886 0.9922 331.32 0.0000 |------- |-------
2 0.9754 -0.3364 654.85 0.0000 |------- --|
3 0.9621 0.1072 970.54 0.0000 |------- |
4 0.9490 -0.1016 1278.6 0.0000 |------- |
5 0.9357 -0.0483 1579 0.0000 |------- |
6 0.9219 -0.0043 1871.5 0.0000 |------- |
7 0.9082 0.0697 2156.3 0.0000 |------- |
J. Ramoni Perazzi Tema 4.1. .38
ECONOMETRIA II
8 0.8943 -0.0600 2433.2 0.0000 |------- |
9 0.8814 -0.0087 2703 0.0000 |------- |
10 0.8689 0.0170 2966 0.0000 |------ |
11 0.8567 0.0480 3222.5 0.0000 |------ |
12 0.8452 -0.0619 3472.8 0.0000 |------ |
13 0.8338 -0.0505 3717.3 0.0000 |------ |
14 0.8229 0.0791 3956.1 0.0000 |------ |
15 0.8120 -0.0707 4189.3 0.0000 |------ |
16 0.8008 0.0362 4416.9 0.0000 |------ |
17 0.7897 0.0817 4639 0.0000 |------ |
18 0.7790 0.0329 4855.7 0.0000 |------ |
19 0.7686 -0.0117 5067.3 0.0000 |------ |
20 0.7585 0.0632 5274.1 0.0000 |------ |
B) WG EN KLEIN
C) POBLACION EN POB_VZLA
ARIMA(0,2,1) CON Y SIN LOGARITMO
D) PASAJEROS
TH = -0.4256
SE = *****
BTH = -0.5988
SE = *****
X=LY t – LYt-12
Xt –Xt-1 = -0.4256t-1 - 0.5988 t-12
AIC
-408.3764
BIC
-5.4208