Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Cap 21 y 22 Gujarati
Cap 21 y 22 Gujarati
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 Diciéndolo, el término de raíz significa que una determinada serie de tiempo es
fluctuantes. Más técnicamente, el término se refiere a la raíz del polinomio en el lag.
21.5 El DF es una prueba estadística 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 correlación en el
término de error.
21.6 El EG y AEG pruebas son procedimientos estadísticos que se pueden utilizar para determinar si
dos series de tiempo están cointegrados.
21.7 Dos variables son cointegrados se dice que si hay una relación estable a largo plazo entre ellos,
aunque individualmente cada una de las variables es fluctuantes. En ese caso, la regresión 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.
Cointegración se refiere a la relación entre un grupo de variables, donde
(incondicionalmente), cada uno de ellos tiene una raíz unitaria.
21.9 Si una variable es retrocedido fluctuantes en otro fluctuantes variable(s), la regresión puede
pasar el habitual criterios estadísticos (alto valor R2 t, ratios, etc. ) aunque a priori no podemos
esperar una relación entre los dos. Esto es especialmente cierto si las dos variables no están
cointegrados. Sin embargo, si las dos variables están cointegrados, aunque cada uno de ellos
son fluctuantes, la regresión no puede ser falsa.
21.12 Si una serie de tiempo presenta una tendencia determinista, los residuos de la regresión de
series de tiempo sobre la evolución variable representa lo que se llama una tendencia de
proceso estacionario. Si una serie de tiempo es fluctuantes, pero se queda inmóvil después 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 período anterior más un shock
aleatorio (término 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 típicos de la caminata aleatoria fenómeno.
21.14 Esto es cierto. La prueba está dada en el capítulo.
21.15 Cointegración implica un largo plazo, o de equilibrio, relación entre dos (o más 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.
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 conclusión.
Dividendos -3.158 los valores t críticos siguen siendo los mismos, como en el problema
21,17 . Una vez más, la conclusión es la misma, es decir, que las tres series de tiempo son
fluctuantes.
21.19 (A) Probablemente sí, porque por separado las dos series de tiempo son fluctuantes.
( ¿ >) la regresión por MCO de los dividendos sobre los beneficios dio los siguientes
resultados:
Coeficiente variable Ets. Error t-statistic
Cuando los residuos de esta regresión fueron sometidos a pruebas de la raíz con una constante,
constante, y la constante y tendencia, los resultados muestran que los residuos fueron no
estacionaria, lo que llevó a la conclusión de que los dividendos y las utilidades no están
cointegrados. Ya que este es el caso, la conclusión, en (a) permanece encendida .
(b) No tiene mucho sentido para este ejercicio, ya que no hay una larga relación entre los dos.
(c) Ambos presentan tendencias estocásticas, lo cual está confirmado por la prueba de la raíz de cada
serie de tiempo.
(d) Si los dividendos y las utilidades están cointegrados, no importa que es el regressand y que
es el regresor. Por supuesto, en teoría podría resolver esta cuestión..
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 estadísticas 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
Para ver esto, ahi los dividendos sobre los beneficios y la tendencia variable, que
dio los siguientes resultados:
Pero hay que tener cuidado de esta regresión porque esta regresión se supone que hay
una tendencia determinista. Pero sabemos que el dividendo series de tiempo tiene una
tendencia estocástica.
Ahora retrocesos las primeras diferencias de los dividendos de las primeras diferencias de
los beneficios y la intersección, 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
Este ejercicio muestra que hay que ser muy cuidadoso en particular la tendencia
variable en una serie de tiempo regresión a menos que uno esté 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 estocástico o determinista.
21.23 (A) Dado que |r| es menor que la crítica |r| valor, parece que el alojamiento
inicio series de tiempo son fluctuantes. Por lo tanto, hay una raíz unitaria en esta
serie.
X
Y presenta una tendencia lineal, mientras que X representa una tendencia
cuadrï¿ ½ica.
21. 26 (A) Regresión (1) muestra que la elasticidad de Ml con respecto al PIB es de
aproximadamente 1,60 , lo que me parece estadísticamente significativa, como el valor
de este coeficiente es muy alta. Pero mirando el valor d, tenemos la sospecha de que no
hay correlación en el término de error o que esta regresión es falsa.
(b) En la primera forma, aún hay relación positiva entre las dos variables,
pero ahora la elasticidad coeficiente ha disminuido drásticamente. Sí, d valores
podría sugerir que no hay correlación serial problema ahora. Pero la importante
caída
El coeficiente de elasticidad sugiere que el problema aquí puede ser uno de falta
de cointegración entre ambas variables.
(c) Y (d) de la regresión (3) parece que las dos variables están cointegrados,
del 5% valor crítico -1.9495 es tau y el valor estimado es más negativo que esto. Sin embargo, el 1%
valor crítico tau es de -2,6227 , lo que sugiere que las dos variables no están cointegrados. Si permitimos
que para interceptar y interceptar y tendencia en la ecuación (3), entonces el DF para mostrar que las dos
variables no están cointegrados.
(b) Ecuación (2) da el corto plazo relación entre los registros de dinero y en el
PIB. La ecuación dada aquí tiene en cuenta el mecanismo de corrección de errores
(ECM), que intenta restablecer el equilibrio en el caso de que los dos
variables desvíe de su larga trayectoria. Sin embargo, el término de error en esta
regresión no es estadísticamente significativa al nivel del 5 por ciento.
22.1 Como se discutió en segundos. 22.1 , En líneas generales, existen cinco métodos
de previsión económica: (1) suavizamiento exponencial, (2) una ecuación de
regresión, (3) modelos de ecuaciones simultáneas, (4) ARIMA y (5) VAR.
22.3 Los principales pasos en el B-J metodología son: (1) identificación (2)
estimación, (3) control de diagnóstico, y (4) las previsiones.
22.4 Desde el B-J método asume explícitamente 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 pronóstico variable!
22.6 Se trata de una teórica ya que utiliza menos información previa de un modelo.
En modelos, la inclusión o exclusión de determinadas variables desempeña un
papel crucial en la identificación del modelo.
22.7 Tal y como hemos comentado en el ejercicio 22.1 , hay cinco métodos de
previsión. Cada método tiene sus fortalezas y debilidades. No hay un método que
se adapte a todas las situaciones.
22.8 Deseamos que los gal lo suficientemente largo como para captar plenamente la
dinámica del sistema que se modela. Por otro lado, cuanto más largo sea el lag,
cuanto mayor sea el número de parámetros que deben ser estimadas y, por tanto,
menos los grados de libertad. Por lo tanto, hay un trade-off entre tener suficiente
número de rezagos y tener suficientes grados de libertad. Esta es la debilidad de
VAR. Por supuesto, uno podría utilizar información Akaike y Schwarz criterio
para elegir la longitud del rezago.
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 función de autocorrelación (ACF) y la función de
autocorrelación parcial (PACF) de la primera serie ENTREGA diferenciada para
decidir qué ARMA modelo puede ser apropiado. Tenga en cuenta que el PDI serie
ya está 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 más el modelo. Pero si no lo son,
tendremos que iniciar la búsqueda, o iterativo, el procedimiento una vez más.
Sin embargo, no hay necesidad de introducir todos los cinco rezagos, como
correlaciones de lag 4 son muy pequeñas. Por lo tanto, sólo introducir el
intercepto y la quinta lag como los regresores. Los resultados de la regresión
fueron de la siguiente manera:
22.17 Lo dejamos para el lector para llevar a cabo los pasos con un desfase de 3.
22.18 Véase, por ejemplo, decisivo 4 para una discusión de la respuesta al impulso análisis, así
como los pasos involucrados.
22.20 A pesar de que el modelo no era específicamente para probar causalidad, podemos
Hacerse una idea de la estadística F. En el caso de la variable x, sólo 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 también importantes. Tal vez haya alguna
causalidad de x a y. Para la variable z, parece que además de sus propias valores
desfasados, la zaga los valores de y son también importantes. Esto sugiere que hay una
cierta causalidad de y a z.
22.21 Para la aplicación de la metodología 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 éstos están integrados, se realizó una regresión 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 regresión fueron sometidos a análisis de la raíz. Aplicación del DF las
pruebas en diversas formas, se comprobó que Las dos series de tiempo no son
cointegrados.
Ya que se trata de una doble sesión modelo, la pendiente los coeficientes representan (parcial)
elasticidad cruzada de la demanda. Aquí la elasticidad ingreso es 1,4254 y la tasa de interés
elasticidad es de -0,0780 , y ambos son estadísticamente significativos. Pero tenga en cuenta que
el bajo valor Durbin-Watson sugiere la posibilidad de correlación serial, que pueden plantear
dudas sobre la calcula los valores de t .
(b) A ver si el arco efecto está presente, hemos obtenido los residuos ( " ,) de la
regresión en (a) y obtuvo los siguientes ARCO (1) regresión:
Hemos probado un arco (2) modelo, pero los resultados no fueron significativos.
Parece, entonces, que hay algún efecto ARCO en el presente ejemplo.
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