1311039 Métodos Cuantitativos Avanzados

Erick Hernandez Guerrero

Para este trabajo escogí la tasa de inflación(precios del consumo) anual para Australia. Los
datos van de 1960 a 2016 con un total 57 observaciones. Podemos observar que la serie no
parece ser estacionaria ya que se perciben varios saltos a lo largo del tiempo. No obstante,
parece que la seria no tiene algún tipo de tendencia. Tampoco parece ser un random walk.
Pero para corroborar esto, correremos la prueba de Dickey-Fueller para comprobar si existe
algún problema de random walk o algún tipo de tendencia.

DICKEY-Fueller tests
1311039 Métodos Cuantitativos Avanzados
Erick Hernandez Guerrero

Con las pruebas ACF y PACF parece que no existe algún tipo de proceso autoregresivo. No
se puede rechazar del todo la hipótesis nula de que existe raíz unitaria debido a que el valor
de la prueba p es de 0.07988. Dicho esto, no podemos afirmar si es que existe o no una raíz
unitaria. Por otro lado, el valor crítico de Tau 1 a 99% que nos da la prueba es de -2.59. No
se puede concluir que es necesario un proceso auto regresivo. Podemos decir que es probable
que no haya raíz unitaria y que no es necesario diferenciar la serie. Dicho lo anterior,
ejecutaremos los siguientes modelos de la prueba DF para descartar tendencia o que la serie
sea random walk

Las pruebas ACF y PACF nos mostraron que no hay problemas de tendencia. Ahora podemos
rechazar la hipótesis nula de que hay raíz unitaria debido a que el valor p de la prueba es de
0.001935. Además, los valores críticos de Tau 2 al 99% es de -3.42 y de Phi 1 al 99% es de
6.79 . Comparando estos valores con los de la prueba DF al 99% (-3.49 y 6.58), podemos
decir que no hay indicios de tendencia en la serie.
1311039 Métodos Cuantitativos Avanzados
Erick Hernandez Guerrero

Con este último modelo, el ACF y PACF indican que no existe algún tipo de proceso auto
regresivo. El valor p de la prueba es de 0.00867, que indica que podemos rechazar la
hipótesis nula de que existe una raíz unitaria. La prueba del 99% para Phi2, Phi3, y Tau3
son: -3.85, 6.85, 8.95 que comparados con los valores críticos de Dickey-Fueller al 99% (-
3.95, 6.95 y 9.15) podemos intuir que la serie no se comporta como random walk ni hay
tendencia
Debido a los resultados de las pruebas Dickey-Fueller podemos decir que la serie es
estacionaria.No es necesario diferenciarla por lo que continuaremos con Box-Jenkins.
Trataremos de determinar el p y q para obtener parsimonia en el ARMA.
1311039 Métodos Cuantitativos Avanzados
Erick Hernandez Guerrero
Por las pruebas ACF y PACF pareciera que hay un proceso autoregresivo de orden 1. Por lo
cual es muy probable que el modelo para explicar la sería un ARMA (1,0)
El Akaike del modelo ARMA (1,0) es de 103.45. Posteriormente verificamos el ACF de los
residuales del modelo para saber si hay que incluir algún proceso moving average que
pueda omitirse

Standardized Residuals
-1 0 1 2 3 4 5

0 10 20 30 40

Time

ACF of Residuals
1.0
0.6
ACF

0.2
-0.2

0 5 10 15

Lag

p values for Ljung-Box statistic

0.8
p value

0.4
0.0

2 4 6 8 10

lag

El ACF de los residuales indica que no debería incluirse un proceso de moving average. En
cada rezago, los valores del Ljung-Boj se distancian significativamente de los valores
críticos. Ahora vamos a generar un modelo ARMA (1,1) dado que hay que tratar de conseguir
el Akaike menor posible para obtener mayor parsimonia en nuestro modelo.

Para nuestro modelo ARMA(1,1) el Akaike es de 100.38 que es menor al del modelo
ARMA (1,0). Para corroborar si no es necesario incluir otro rezago en los errores vamos a
verificar el ACF de los errores del modelo.
Standardized Residuals
4
3
2
1
0
-1

0 10 20 30 40

Time

ACF of Residuals
1.0
0.8
0.6
0.4
ACF

0.2
0.0
-0.2

0 5 10 15

Lag

p values for Ljung-Box statistic

1.0
0.8
0.6
p value

0.4
0.2
0.0

2 4 6 8 10

lag
1311039 Métodos Cuantitativos Avanzados
Erick Hernandez Guerrero
Con base en el ACF, todo indica que ya no es necesario incluir un rezago más. Los valores
del último Ljung-Box se distancian más de los valores críticos de nuestro primer ARMA.
Podemos concluir que el ARMA (1,1) es un modelo más parsimonioso que explica nuestra
serie de tiempo. Como siguiente paso, tenemos que ejecutar una prueba de heterocedasticidad
para descartar la volatilidad del modelo, lo que haremos será recuperar los errores al cuadrado
del ARMA(1,1)

Series resar2^2
1.0
0.8
0.6
0.4
ACF

0.2
0.0
-0.2

0 5 10 15

Lag

Series resar2^2
0.3
0.2
0.1
Partial ACF

0.0
-0.1
-0.2
-0.3

5 10 15

Lag
1311039 Métodos Cuantitativos Avanzados
Erick Hernandez Guerrero
Las dos pruebas ACF y PACF indican que no hay problemas de volatilidad. En caso
contrario se hubiera que tenido incluir un modelo ARCH o GARCH. Por último
realizaremos otra prueba de herocedasticidad llamada McLeod Li.

Podemos observar que los valores se encuentran encima de los valores críticos. No hay
correlación serial en los errores del cuadrado del modelo porque no podemos rechazar la
hipótesis de que los datos están distribuidos de manera independiente. No tenemos
problema de heterocedasticidad.