Ultimo 2.en - Es

período de la muestra.
Por lo tanto, es difícil mantener que la correlación en el

retardo 16 es significativa. practicantes más sofisticados advierten contra el intento
de adaptarse a cualquier modelo a los muy largos retardos. Como se puede deducir a
partir de (2.41), la varianza de RS puede ser considerable cuando s es grande. Por
otra parte, en muestras pequeñas, algunas observaciones “inusuales” pueden crear la
apariencia de autocorrelaciones significativas en los retardos largos. Desde
estimación econométrica implica procesos de generación de datos desconocidos, el
punto más general es que siempre hay que tener cuidado de nuestro modelo
estimado. Afortunadamente, Box y Jenkins (1976) establecieron un conjunto de
procedimientos que se pueden utilizar para comprobar la adecuación de un modelo.
2. CAJA- Selección del modelo

JENKINS
The estimaciones de la AR (1), ARMA (1, 1) y AR (2) modelos de la sección
anterior ilustran la Box - Jenkins (1976) Estrategia para la selección del modelo
adecuado. Box y Jenkins popularizó un método de tres etapas destinado a seleccionar
un modelo apropiado para el propósito de estimar y pronosticar una serie de tiempo
univariante. En la etapa de identificación, el investigador examina visualmente el
gráfico de tiempo de la serie, la función de autocorrelación, y la función de
correlación parcial. Trazando la trayectoria temporal de la secuencia {yt}
proporciona información útil relativa a los valores atípicos, valores que faltan, y los
cambios estructurales en los datos. las variables no estacionarias pueden tener una
tendencia pronunciada o parecen deambular sin una constante a largo plazo significa
o varianza. Los valores perdidos y valores atípicos pueden rected cor- en este punto.
De una sola vez, la práctica estándar era a primera diferencia cualquier serie
considerará como no estacionario. Actualmente, existe una gran cantidad de
literatura sobre los procedimientos formal para verificar si no estacionariedad. Nos
remitimos esta discusión hasta el capítulo 4 y asumimos que estamos trabajando con
los datos estacionarios. Una comparación de la ACF muestra y PACF a las de
diversos procesos ARMA teóricos puede sugerir varios modelos ble plausibilidad.
En la etapa de estimación, cada uno de los modelos provisional es en forma, y los
diversos ai y se examinan coeficientes βi. En esta segunda etapa, el objetivo es
seleccionar un modelo ario y parsimoniosa estación- que tiene un buen ajuste. La
tercera etapa implica la comprobación de diagnóstico para asegurar que los residuos
del modelo estimado imitan un proceso de ruido blanco. hay una gran cantidad de
literatura sobre los procedimientos de mal lucro para comprobar si no
estacionariedad. Nos remitimos esta discusión hasta el capítulo 4 y asumimos que
estamos trabajando con los datos estacionarios. Una comparación de la ACF muestra
y PACF a las de diversos procesos ARMA teóricos puede sugerir varios modelos ble
plausibilidad. En la etapa de estimación, cada uno de los modelos provisional es en
forma, y los diversos ai y se examinan coeficientes βi. En esta segunda etapa, el
objetivo es seleccionar un modelo ario y parsimoniosa estación- que tiene un buen
ajuste. La tercera etapa implica la comprobación de diagnóstico para asegurar que los
residuos del modelo estimado imitan un proceso de ruido blanco. hay una gran
cantidad de literatura sobre los procedimientos de mal lucro para comprobar si no
estacionariedad. Nos remitimos esta discusión hasta el capítulo 4 y asumimos que
estamos trabajando con los datos estacionarios. Una comparación de la ACF muestra
y PACF a las de diversos procesos ARMA teóricos puede sugerir varios modelos ble
plausibilidad. En la etapa de estimación, cada uno de los modelos provisional es en
forma, y los diversos ai y se examinan coeficientes βi. En esta segunda etapa, el
objetivo es seleccionar un modelo ario y parsimoniosa estación- que tiene un buen
ajuste. La tercera etapa implica la comprobación de diagnóstico para asegurar que los
residuos del modelo estimado imitan un proceso de ruido blanco. Una comparación
de la ACF muestra y PACF a las de diversos procesos ARMA teóricos puede sugerir
varios modelos ble plausibilidad. En la etapa de estimación, cada uno de los modelos
provisional es en forma, y los diversos ai y se examinan coeficientes βi. En esta
segunda etapa, el objetivo es seleccionar un modelo ario y parsimoniosa estación-
que tiene un buen ajuste. La tercera etapa implica la comprobación de diagnóstico
para asegurar que los residuos del modelo estimado imitan un proceso de ruido
blanco. Una comparación de la ACF muestra y PACF a las de diversos procesos
ARMA teóricos puede sugerir varios modelos ble plausibilidad. En la etapa de
estimación, cada uno de los modelos provisional es en forma, y los diversos ai y se
examinan coeficientes βi. En esta segunda etapa, el objetivo es seleccionar un
modelo ario y parsimoniosa estación- que tiene un buen ajuste. La tercera etapa
implica la comprobación de diagnóstico para asegurar que los residuos del modelo
estimado imitan un proceso de ruido blanco.
Parsimony
Una idea fundamental en la caja - enfoque de Jenkins es el principio de parsimonia.
Mony Parsi- (es decir, poca densidad o la tacañería) debería ser una segunda
naturaleza para los economistas. La incorporación de coeficientes adicionales
aumentarán necesariamente ajuste (por ejemplo, el valor de R2 aumentará) a un
costo de la reducción de grados de libertad. Box y Jenkins argumentan que los
modelos parsimoniosos producir mejores predicciones que los modelos
overparameterized. Un modelo simonious par- ajusta bien los datos sin incorporar
coeficientes innecesarias. cierta- mente, los pronosticadores no quieren proyectar
coeficientes estimados mal en el futuro. El objetivo es aproximar el verdadero
proceso de generación de datos, pero no de precisar el proceso exacto. El objetivo de
la parsimonia sugirió coeficiente de eliminación de la MA (12) en el simulado AR
(1) modelo anterior.
yon seleccionar un modelo apropiado, la econometrista tiene que ser consciente
de que SeV modelos erales diferentes pueden tener propiedades similares. Como un
ejemplo extremo, cabe destacar que
BOX - Selección del modelo JENKINS 77
ºe AR (1) modelo yt = 0.5yt-1 + εt tiene el equivalente infinito orden mover

representación promedio de yt = εt + 0.5εt-1 + 0.25εt-2 + 0.125εt-3 + 0.0625εt-4 + ··
·. En la mayoría de las muestras, se aproxima a este proceso MA (∞) con un MA (2)
o MA (3) modelo dará
un ajuste muy bueno. Sin embargo, la AR (1) modelo es el modelo más
parsimonioso y se prefiere. Como prueba, se debe demostrar que esta AR (1) modelo
tiene la representa- ción equivalente de yt = 0.25yt-2 + 0.5εt-1 + εt.
yon Además, tenga en cuenta el problema factor común. Supongamos que
queremos para encajar
ºe ARMA (2, 3)
modelo
(1-un1 L-un2 L2 )yt= (1+β1 L+β2 L2+β3 L3 )εt (2,43)
Suppose que (1 - A1L - A2L2) y (1 + β1L + β2L2 + β3L3) puede ser

factorizada como (1 + Cl) (1 + Al) y (1 + Cl) (1 + B1L + B2L2), respectivamente.
Puesto que (1 + Cl) es un factor de com- mon a cada uno, (2,43) tiene la forma
equivalente pero más parsimonioso:
(1+unL)yt= (1+segundo1 L+segundo2 L2 )εt (2,44)

yof que ha pasado la última prueba, usted sabe que (1 - 0.25L2) yt = (1 + 0,5
l) εt es valente valente a (1 + 0,5 l) (1 - 0,5 l) yt = (1 + 0,5 l) εt para que yt =
0.5yt-1 + εt. En la práctica, los polinomios no serán un factor exactamente. Sin
embargo, si los factores son similares, Deberías intentarlo
una forma más
parsimoniosa.
A fin de asegurar que el modelo es parsimonioso, los diversos ai y todo βi
deberían tener estadísticas t de 2,0 o mayor (de manera que cada coeficiente es
significativamente diferente de cero al nivel del 5%). Por otra parte, los coeficientes
no deben ser fuertemente correlacionadas entre sí. Altamente colineales coeficientes
son inestables; por lo general, una o más pueden ser eliminadas del modelo sin
reducir el rendimiento previsto.
StationaritY y invertibilidad
Thteoría de la distribución e subyacente a la utilización de la ACF muestra y PACF
como aproxi- maciones a las del verdadero proceso de generación de datos asume
que la {yt} secuencia es estacionaria. Por otra parte, las estadísticas t y Q-estadísticas
también suponen que los datos se Station- aria. Los coeficientes autorregresivos
estimados deben ser coherentes con esta suposición subyacente. Por lo tanto,
debemos ser sospechoso de un (1) modelo de AR si el valor estimado de a1 es
próxima a la unidad. Para un ARMA (2, q) modelo, las raíces característicos de la
estimación aparearon polinomio (1 - A1L - A2L2) debe estar fuera del círculo
unidad.
UNs se discute con mayor detalle en el Apéndice 2.1, la caja - enfoque de
Jenkins también requiere que el modelo sea invertible. Formalmente, {} yt es
invertible si puede ser representada por una orden finito o proceso autorregresivo
convergente. Invertibilidad es importante porque el uso de la FAS y la FAP suponen
implícitamente que el {} yt secuencia puede ser representado por un modelo
autorregresivo. Como demostración, considere la MM simple (1) Modelo:
yt=εt-β1 εt-1 (2,45)
de manera que
si|β1 | <1, yt/ (1-β1 L) =εt
PROPERTIES OF FORECASTS 79
o
yt+β1 yt-1+β2 yt-2+β3 yt-3+ · · · =εt (2,46)
1 1
Si | β1 | <1, (2.46) se puede calcular con la caja - método Jenkins. Sin embargo, si
|β1 |≥ 1, la{yt} Secuencia no puede ser representado por un
proceso AR-orden finito; como
tal, No es invertible. De manera más general, para un modelo ARMA para tener un
convergente
UNrepresentación R, las raíces del polinomio (1 + β1L + β2L2 + ··· + βqLq) debe
encontrarse fuera del círculo unidad. Tenga en cuenta que no hay nada impropio en
un no invertible
modelo. los{yt}sequence implícita por yt=εt-εt-1es estacionario en que tiene una media
invariante en el tiempo constante(eyt= eyt-s= 0), Una varianza constante invariable en
el tiempo[Virginiar(y1t) =Virginiar(yt-s ) =σ2 (1+β2 ) +2σ2 ]y las autocovarianzasγ1= -
β1 σ2 und todos los demásγs =
0. El problema es que la técnica no permite la estimación de estos modelos.
Si β1 = 1, (2.46) se
convierte en
yt+yt-1+yt-2+yt-3+yt-4+ · · · =εt
Claramente, Las autocorrelaciones y autocorrelaciones parciales entre yt y yt-s
nunca se caries.
goodness de Fit
Un buen modelo se ajusta bien a los datos. Obviamente, R2 y el promedio de la suma
de cuadrados residual son medidas comunes de bondad de ajuste de mínimos
cuadrados ordinarios. El problema de estas medidas es que el ajuste mejora
necesariamente como más parámetros se incluyen en el modelo. Parsimonia sugiere
el uso de la AIC y / o SBC como medidas más apropiadas del ajuste global del
modelo. Además, tenga cuidado de las estimaciones que no logran converger
rápidamente. La mayoría de los paquetes de software estiman los parámetros de un
modelo ARMA utilizando un procedimiento de búsqueda no lineal. Si la búsqueda
no converge rápidamente, es posible que los parámetros estimados son inestables. En
tales circunstancias, la adición de una observación adicional o dos pueden alterar en
gran medida las estimaciones.
Postestimation Evaluación
The tercera etapa de la metodología de Box - Jenkins requiere la comprobación de
diagnóstico. La práctica habitual es graficar los residuales para buscar los valores
atípicos y las pruebas de los períodos en los que el modelo no se ajusta bien a los
datos. Una práctica común es la creación de los residuos estandarizados dividiendo
cada residual, εt, por su desviación estándar estimada, σ. Si los residuos se
distribuyen normalmente, la trama de la εt / σseries debe ser tal que no más del 5%
se encuentran fuera de la banda desde -2 a +2. Si los residuos estandarizados parecen
ser mucho mayor en algunos períodos que en otros, puede ser evidencia de cambios
estructurales. Si todos los modelos ARMA plausibles muestran evidencia de un mal
ajuste Duran- un tiempo razonablemente largo porción de la muestra, es aconsejable
considerar el uso de análisis de intervención, transferir análisis de la función, o
cualquier otro de los métodos de estimación multivariados discuten en capítulos
posteriores. Si la varianza de los residuos está aumentando, una transformación
logarítmica puede ser apropiado. Alternativamente, es posible que desee modelar
realidad cualquier tendencia de la varianza para cambiar el uso de las técnicas de
ARCH discutidos en el Capítulo 3.
Es particularmente importante que los residuos de un modelo estimado ser
aliado SERIAS correlacionadas. Cualquier evidencia de correlación serial implica un
movimiento sistemático
en el {yt} secuencia que no se explica por los coeficientes ARMA incluidas en el

modelo. Por lo tanto, cualquiera de los modelos tentativos produciendo residuos no
aleatorias deben ser eliminados de la consideración. Para comprobar si hay
correlación en los residuos, la construcción de la ACF y el PACF de los residuales
del modelo estimado. A continuación, puede utilizar (2.41) y (2.42) para determinar
si cualquiera o todos de las autocorrelaciones residuales o autocorrelaciones
parciales son estadísticamente significativas.3 Aunque no hay nivel de significación
que se considera “más apropiado,” tener cuidado de cualquier modelo de
rendimiento ( 1) varias correlaciones residuales que son marginalmente significativo
y (2) un Q-estadística que es apenas significativa al nivel del 10%. En tales
circunstancias, por lo general es posible formular un modelo de mejor rendimiento.
Del mismo modo, un modelo puede ser estimado sobre sólo una parte del
conjunto de datos. El modelo de estimación acoplado se puede entonces utilizar para
pronosticar los valores conocidos de la serie. La suma de los errores de predicción al
cuadrado es una forma útil para comparar la adecuación de els mo- alternativas. Esos
modelos con pobres pronósticos fuera de muestra deben ser eliminados. Algunos de
los detalles de la construcción fuera de muestra de previsiones se discuten en la
Sección 9.
9. PROPIEDADES DE
PREVISIONES
perhaps El uso más importante de un modelo ARMA es predecir valores futuros de
la
{yt} secuencia. Para simplificar la discusión, se supone que el
proceso de generación de datos reales y las realizaciones
actuales y pasados de la {εt} Y {yt} secuencias son sabern para el
investigador. En primer lugar, tenga en cuenta las previsiones de la AR (1)
modelo yt = a0 + un1 yt-1+εt.
Updating un período,
obtenemos
yt+1=un0+un1 yt+εt+1
yof conoce los coeficientes a0 y a1, se puede pronosticar yt + 1 condicional a la

información disponible en el período t como
mityt+1= un0+un1 yt (2,47)
RCEste Et yt + j es un modo corto mano para escribir la expectativa condicional de

yt + j dada la
información disponible en t. Formalmente, Etyt+j= ,y ,..., ε, ,...).
mi(yt+j | ,y
ytt-1 t-2 tt-1
De la misma manera, ya =un +un y

1 t+ + ε t+2 , La previsión de
que yt + 2 0 1 yt+2acondicionado
en la información disponible en el período t es
mityt+2=un0+un1 mityt+1
und usando
(2.47)
mityt+2=un0+un1 (un0+un1 yt)
Así, La previsión de yt + 1 se puede utilizar para pronosticar yt + 2. El punto es

que los pronósticos pueden ser construidos utilizando adelante iteración; la previsión
de yt + j se puede utilizar para pronosticar yt + j + 1. Desde yt + j + 1 = a0 + a1yt + j
+ εt + j + 1, se deduce inmediatamente que
mityt+j+1= un0+un1 mityt+j (2,48)

A partir de (2.47) y (2.48), debe quedar claro que es posible obtener la secuencia
completa de las previsiones j-paso por delante por delante iteración. Considerar
E y =un(1+un +un2+ · · · + ) +un y
j
j-1 t
untt+j 0 1
1 1 1
This ecuación, llamada la función de la previsión, expresa toda la j paso por

delante extremidades anteriores arroja como una función de la información que
figura en el período t. Desafortunadamente, la calidad de las previsiones disminuye a
medida que prevemos más lejos en el futuro. Piense en (2.48) como una
ecuación de diferencia de primer orden en el {j yt + Et} u |<1, la diferencia
secuencia. Desde | n1
ecuación es estable, y es fácil de encontrar la solución particular de la ecuación
diferencia. Si tomamos el límite de Et yt + j como j → ∞, nos encontramos con
que Et yt + j → A0 / (1 - a1).
Este resultado es realmente bastante general: Para cualquier modelo ARMA
estacionario, el pronóstico condicional de Yt+jconvergers a la media incondicional
como j→∞.
because Los pronósticos de un modelo ARMA no será perfectamente exacta, es
importante tener en cuenta las propiedades de los errores de predicción. Previsión del
período de tiempo t, podemos definir el error de pronóstico j-paso adelante, llamado
et (j), como la diferencia entre el valor realizado de yt + j y el valor pronosticado:
mit(j)≡yt+j-mityt+j
SINCe el error de pronóstico de un solo paso de la ventaja es equivalente a et

(1) = yt + 1 - Et yt + 1 =
εt1, Et (1) es, precisamente, la porción “unforecastable” de yt + 1, dado el dispo-
información
capaz en t.
TO encontrar el error de pronóstico de dos paso por delante, tenemos que
formar et (2) = yt + 2 - Et yt + 2.
SINCeyt+2=un0+un1 yt+1+εt+2und Etyt+2=un0+un1 mityt+1 , resulta que
mit(2) =un1 (yt+1-mityt+1 ) +εt+2=εt+2+un1 εt+1
you debe tomar unos momentos para demostrar que, para el modelo AR (1), la
j-s ep error de pronóstico de la ventaja está dada por
mit(j) =εt+j+un1 εt+j-1+un2 εt+j-2 +un3 j-1
1 1 ε t+j-3
ε+ · · · +un1 t+1
(2,49)
SINCe la media de (2.49) es cero, las previsiones son estimaciones objetivas de
cada valor yt + j. La prueba es trivial. Desde Et εt + j = εt Et + j-1 = · · · = Et εt + 1 =
0, la expectativa condicional de (2.49) es Et et (j) = 0. Dado que el valor esperado del
error de pronóstico es cero , las previsiones son imparciales.
although imparcial, las predicciones de un modelo ARMA son necesariamente
inexacta. Para encontrar la varianza del error de pronóstico, seguir asumiendo que
los elementos de la
{εt} Secuencia son independientes con una varianza igual aσ2 .
Por lo tanto, a partir de (2,49), el
Virginiariance del error de pronóstico es
V
t
irginiar[mi(j)] =σ2 [1+un2+un4+un6+
· · · +un
2(j-1) ] (2,50)
1 1 1 1
Por lo tanto, la previsión de la varianza del error de un solo paso de la ventaja es

σ2, la varianza del error de1 predicción de dos pasos de la ventaja es σ2 (1 + a2), y así
sucesivamente. El punto esencial a destacar es que la varianza del error de pronóstico
es una función creciente de j. Como tal, puede tener más
la confianza en las previsiones a corto plazo que en previsiones a largo plazo. En el
límite cuando j → ∞,
ºvarianza del error de predicción e converge a σ2 / (1 - a12); Por lo tanto, el error

de pronóstico varianza converges de la varianza incondicional de la secuencia {yt}.
Por otra parte, en el supuesto de que la secuencia {εt} tiene una distribución
normal, se puede colocar intervalos de confianza alrededor de los pronósticos. La
previsión de un solo paso de la ventaja de yt + 1 es a0 + a1yt, y el error de pronóstico
es σ2. Como tal, el intervalo de confianza del 95% para la previsión de un solo paso
de la ventaja puede ser construido como
un0+un1 yt±1.96σ
We puede construir un intervalo de confianza para el error de pronóstico de dos
paso por delante de la misma manera. A partir de (2.48), la previsión de dos pasos de
1
la ventaja es a0 (1 + a1) + a2yt, y (2.50) indica que var [et (2)] es σ2 (1 + a2). Por lo
tanto, el intervalo de confianza del 95% para
1 la
previsión de dos pasos de la ventaja es
un0 (1+un1 ) +un2 yt±1.96σ(1+un2 )1/2
1 1
Superior-Order
Modelos
To generalizar la discusión, es posible utilizar la técnica iterativa para derivar las
predicciones para cualquier (p, q) modelo ARMA. Para mantener el álgebra simple,
considere la ARMA (2, 1) modelo
yt=un0+un1 yt-1+un2 yt-2+εt+β1 εt-1 (2,51)

Updating rendimientos un período
yt+1 =un0+un1 yt+un2 yt-1+εt+1+β1 εt

Si seguimos suponiendo que (1) se conocen todos los coeficientes; (2) todas
las variables sub t guión, t - 1, t - 2, ... son conocidos en el período t; y (3) Et εt +
j = 0 para j> 0, la In fo con-l expectativa de yt + 1 es
mityt+1=un0+un1 yt+un2 yt-1+β1 εt (2,52)
Equation (2.52) es la previsión de un solo paso de la ventaja de yt+1 . El
extremidades anteriores de un solo paso de la ventaja

error fundido es la diferencia entre yt+1 und Etyt+1 por lo que el correot(1) =εt+1 . Para
encontrar la
De dos pasos de la ventaja pronóstico, actualización (2.51) por dos períodos:
yt+2=un0+un1 yt+1+un2 yt+εt+2+β1 εt+1
The expectativa condicional de yt + 2 es
mityt+2= un0+un1 mityt+1+un2 yt (2,53)
Equation (2.53) expresa la previsión de dos pasos de la ventaja en términos de
uno
paso AHEAd previsión y el valor actual de yt. La combinación de (2.52) y (2.53) los
rendimientos
mityt+2=un0+un1 [un0+un1 yt+un2 yt-1+β1 εt] +un2 yt
=un0 (1+un1 ) + [un
1 +un2 ]yt+un1 un2 yt-1+un1 β1 εt
2
TO encontrar el error de pronóstico de dos paso por delante, restar (2.53) a partir
yt + 2. Así,
mit(2) =un1 (yt+1-mityt+1 ) +εt+2+β1 εt+1 (2,54)
SINCe yt + 1 - Et + 1 yt es el error de pronóstico de un paso por delante,
podemos escribir las error de pronóstico como
mit(2) = (un1+β1 )εt+1+εt+2 (2,55)
Por último, todas las previsiones j-paso-a continuación se pueden obtener de
mityt+j=un0+un1 mityt+j-1+un2 mityt+j-2 , j≥2
(2.56)
La ecuación (2.56) demuestra que las previsiones va a satisfacer una de segundo
orden diferen-
ecuación ENCE. Mientras las raíces características de (2.56) se encuentran dentro del
círculo unidad,
ºprevisiones e convergerán a la media incondicional: a0 / (1 - a1 - a2). Podemos
utilizar (2,56) Para encontrar los errores de predicción j paso por delante. Desde
yt + j = a0 + a1yt + j-1 + un2 yt+j-2+
εt+j+β1 εt+j-1 , El error de pronóstico j-paso por
delante es
mit(j) =un1 (yt+j-1-mityt+j-1 ) +un2 (yt+j-2-mityt+j-2 ) +εt+j+β1 εt+j-1
=un1 mit(j-1) +un2 mit(j-2) +εt+j+β1 εt+j-1
Debe quedar claro que los pronósticos de cualquier proceso estacionario ARMA
(p, q) se Eventualmente satisfacer la ecuación de diferencia fin de PTH que
comprende la parte homogénea del modelo. Como tal, las previsiones de varios
pasos por delante-convergerán a la media a largo plazo de la serie.
Forecast la
evaluación
Now que ha estimado una serie y ha pronosticado sus valores futuros, la pregunta
obvia es, “¿Qué tan bueno son mis predicciones?” Por lo general, habrá varios
modelos posibles que se pueden seleccionar a utilizar para sus pronósticos. No se
deje engañar en pensar que el que tiene el mejor ajuste es el que va a pronosticar el
mejor. Para hacer un simple punto, suponga que desea predecir los valores futuros de
la ARMA (2, 1) el proceso dado por (2.51). Si se pudiera predecir el valor de yT + 1
utilizando (2.52), que obtendría el error de pronóstico de un paso por delante
miT(1) =yT+1-un0-un1 yT-un2 yT-1-β1 εT =εT+1 (2,57)
Dado que el error de predicción es la parte pura de unforecastable yT + 1,
ningún otro modelo ARMA le puede proporcionar capacidad de predicción superior.
Como tal, parece que el modelo “verdadero” proporcionará previsiones superiores a
los de cualquier otro modelo posible. En la práctica, no se sabe el orden real del
proceso ARMA o los valores reales de los coeficientes de dicho proceso. En su
lugar, para crear proyecciones fuera de la muestra, es necesario el uso de los
coeficientes estimados a partir de lo que usted cree que es la forma más apropiada de
un modelo ARMA. Permiten un sombrero o intercalación (es decir: ^) sobre un
parámetro denotan el valor estimado de un parámetro, y dejar {t} denotan los
residuos del modelo estimado. Por lo tanto, si se utiliza el modelo estimado, la
previsión de un paso a delante será
miTyT+1=un0+un1 yT+un2 yT-1+�̂1 �̂T (2,58)
y el error de pronóstico de un solo paso por

delante será
miT(1) =yT+1- (un0+un1 yT+un2 yT-1+�̂1 �̂T)

Claramente, esta previsión no será idéntica a la de (2.57). Cuando pronóstico
utilizando (2.58), y los coeficientes (los residuos) se estiman de forma imprecisa.
Los moldes extremidades anteriores realizados con el modelo estimado extrapolan
este coeficiente de incertidumbre en el futuro. Desde coeficiente de incertidumbre
aumenta a medida que el modelo se vuelve más complejo, podría ser que un AR
estimado (1) modelo pronostica que el proceso dado por (2.51) mejor que un modelo
ARMA estimado (2, 1) del modelo. El punto general es que los modelos de gran
tamaño por lo general contienen errores de estimación en la muestra que inducen a
errores de predicción. Como se muestra en los estudios realizados por Clark y West
(2007), Dimitrios y Guérard (2004), y Liu y Enders (2003), los pronósticos
utilizando modelos excesivamente parsimoniosos con poca incertidumbre en los
parámetros pueden proporcionar mejores predicciones que los modelos compatibles
con el generador de datos reales proceso. Por otra parte, es muy difícil construir
intervalos de confianza para este tipo de error de predicción. No sólo es necesario
incluir los efectos de la variación estocástica en los futuros valores de
{yT+yo }, Sino que también es necesario incorporar el hecho de que los coeficientes se
calculan
con el
error.
How cómo se sabe que uno de los varios modelos razonables tiene el mejor
rendimiento de fundición Las extremidades anteriores? Una manera de responder a
esta pregunta es poner los modelos alternativos a una prueba de cabeza a cabeza.
Dado que los valores futuros de la serie son desconocidos, puede contener una
porción de las observaciones del proceso de estimación. Como tal, puede aparearse
estimación de los modelos alternativos en el lapso abreviada de datos y utilizar estas
estimaciones para pronosticar las observaciones del período de retención. A
continuación, puede comparar las propiedades de los errores de predicción de los dos
modelos. Para poner un ejemplo sencillo, supongamos que {yt} contiene un total de
150 observaciones y que no está seguro de si un AR (1) o un (1) MA modelo que
mejor captura el comportamiento de la serie.
Una forma de proceder es utilizar los primeros 100 observaciones para estimar
ambos modelos y utilizar cada pronosticar el valor de Y101. Dado que se conoce el
valor real de Y101, se puede construir el error de predicción obtenido de la AR (1) y
de la MA (1). Estos dos errores de predicción son precisamente las que alguien lo
habría hecho si hubieran sido
Makinga previsión de un solo paso de la ventaja en período 100. Ahora, reestimación
un AR (1) y un MA (1) modelo usando los primeros 101 observaciones. A pesar de
que los coeficientes estimados cambiarán tanto, son los que alguien habría obtenido
en el período 101. Uso los dos modelos para pronosticar el valor de Y102. Dado que
se conoce el valor real de Y102, puede construir dos más errores de predicción.
Puesto que usted sabe todos los valores de la
{yt} Secuencia a través de período 150, se puede continuar
con este proceso a fin de obtener dos series de errores de
predicción de un solo paso-a continuación, conteniendo
cada uno 50 observaciones. Para mantener la simplicidad
de notación, sea {F1i} Y {F2i} Denotar la secuencia de las previsiones
de la AR (1) y el MA (1), respectivamente. Si usted entiende la notación,
debe quedar claro queF11=mi100y101es el primer pronóstico usando el AR (1) y
f2,50 es el último pronóstico de la MA (1).
Obviamente, es deseable que los errores de predicción tienen una media cerca de
cero y una varianza pequeña. Un método basado en regresión para evaluar las
previsiones es utilizar los 50 pronósticos de la AR (1) para estimar una ecuación de
la forma
y100+yo=un0+un1 F1yo+v1yo yo= 1,..., 50

Si las previsiones son imparciales, una prueba F debe permitir que imponer la
restricción a0 ción = 0 y a1 = 1. Del mismo modo, la serie residual {} V1i debe
actuar como un proceso de ruido blanco. Es una buena idea para trazar {} V1i para
determinar si hay períodos en los que sus previsiones son especialmente pobres.
Ahora repite el proceso con las previsiones de la MA (1).
En particular, utilizar los 50 pronósticos del MA (1) para estimar
y100+yo=segundo0+segundo1 F2yo+v2yo yo= 1,..., 50
De nuevo, Si se utiliza una prueba F, que no debería ser capaz de rechazar la

hipótesis conjunta b0 = 0 y b1 = 1. Si los niveles de significación de las dos pruebas
F son similares, es posible seleccionar el modelo con la varianza residual más
pequeña ; es decir, seleccionar el AR (1) si var (v1) <var (v2) 0,4
More lo general, es posible que desee tener un período de retención que se
diferencia de 50 observaciones. Si usted tiene una muestra grande, es posible
contener hasta un 50% del conjunto de datos. Además, es posible que desee utilizar
las previsiones j paso por delante en lugar de las previsiones de un solo paso-a
continuación. Por ejemplo, si tiene datos trimestrales y desea pronosticar 1 año en el
futuro, puede realizar el análisis utilizando las previsiones de cuatro pasos de la
ventaja. Una vez que tenga las dos secuencias de errores de predicción, puede
comparar sus propiedades. Con una muestra muy pequeña, puede no ser posible para
contener muchas observaciones. Las muestras pequeñas son un problema, ya que
Ashley (2003) mostró que muestras muy grandes a menudo son necesarias para
revelar una diferencia significativa entre los resultados de predicción fuera de
muestra de modelos similares.
instead de centrarse en el sesgo, muchos investigadores seleccionaría el modelo
con el error de predicción cuadrático medio más pequeño (MSPE). Supongamos que
la construcción H previsiones de un solo paso visto bueno de dos modelos diferentes.
Una vez más, dejó f1i ser las previsiones de modelo 1 y f2i ser las previsiones de
modelo 2. Puesto que estamos utilizando las previsiones de un solo paso-a
continuación, podemos suprimir el subíndice j y denotar las dos series de previsiones
errores como e1i y e2i. Como tal, el MSPE del modelo 1 se puede calcular como
H
MSPE = 1 Σ e2
Hyo=1 1y
o
SeveraSe han propuesto métodos l para determinar si uno MSPE se
estadísticamente camente diferente de la otra. Si se pone el mayor de los dos MSPE
en el numerador, una recomendación estándar es utilizar el estadístico F
H /H
F= Σmi 1 Σ2 m2i
2
(2,59)
yo=1 y i=1 i
o
La intuición es que el valor de F será igual a la unidad si los errores de
predicción de los dos modelos son idénticos. Un valor muy grande de F implica que
los errores de predicción de la primera modelo son sustancialmente mayores que los
de la segunda. Bajo la hipótesis nula de igualdad de rendimiento de predicción,
(2.59) tiene un F-distribución estándar con grados de libertad si las siguientes tres
supuestos sujetan (H, H):
1. Los errores de pronóstico tienen media cero y normalmente se distribuyen.

2. Los errores de predicción son correlación serial.
3. Los errores de predicción son contemporáneamente no correlacionados entre
sí.
Aunque es práctica común asumir que el {εt} secuencia se distribuye
normalmente, no es necesariamente el caso de que los errores de predicción se
distribuyen normalmente con un valor medio de cero. Del mismo modo, las
previsiones pueden ser correlacionados en serie; esto es particularmente cierto si se
utiliza previsiones de varios pasos de la ventaja. Por ejemplo, la ecuación (2.55)
indicó que el error de pronóstico de dos pasos de la ventaja para yt + 2 es
mit(2) = (un1+β1 )εt+1+εt+2
und actualización por un período produce el error de pronóstico de dos
pasos de la ventaja para yt + 3:
mit+1 (2) = (un1+β1 )εt+2+εt+3
Debe quedar claro que los dos errores de predicción están correlacionadas. En
particular,
mi[mit(2)mit+1 (2)] = (un1+β1 )σ2
Thpunto e es que predecir yt + 2 desde la perspectiva del período t y predecir yt
+ 3 desde la perspectiva de tiempo t + 1 tanto contener un error debido a la presencia
de εt + 2. Sin embargo, para i> 1, E [et (2) et + i (2)] = 0 puesto que no hay
previsiones superpuestos. Por lo tanto, las autocorrelaciones de los errores de
predicción de dos pasos por delante-cortan a cero después de retraso 1. Usted
should ser capaz de demostrar el resultado general de que los errores de
pronóstico j-paso por delante actúan como un MA (j - 1) proceso.
Por último, los errores de predicción de los dos modelos alternativos suelen ser
altamente correlacionados entre sí. Por ejemplo, una realización negativo de εt + 1
tenderá a provocar que los pronósticos de ambos modelos a ser demasiado alta. Por
desgracia, la violación de cualquiera de estos supuestos significa que la relación de
las MSPE en (2.59) no tiene un F-distribución.
THE GRANGER - NEWBOLD PRUEBAGranjaR y Newbold (1976) muestran cómo

superar el problema de los errores de pronóstico contemporáneamente
correlacionadas. Si tiene H errores de predicción de un solo paso visto bueno de cada
modelo, utilice las dos secuencias de errores de predicción para formar
Xyo=mi1yo+mi2yo unre zyo=mi1yo-mi2yo yo=1,..., H.
Teniendo en cuenta que los dos primeros supuestos anteriores son válidas, bajo la
hipótesis nula de igualdad precisión de los pronósticos, XI y zi debería ser
correlacionadas. Considerar:
ρXz=Ex yo zyo=mi(mi2 -mi2)
1yo 2yo
Si pronostican los modelos igual de bien, se deduce1 =ee2. Modelo 1 tiene una
que EE2 y mayor
2
o
MSPE si ρxz es positivo, y el modelo 2 tiene una MSPE
y mayor si ρxz es
o
negativo. deje RXZ denotar ºcoeficiente de correlación e muestra entre {xi} y
{zi}. Granger y Newbold (1976) show que si asimiento supuestos 1 y 2
√
rxz/ (1-r 2)xz/ (H-1) (2,60)
decir ahsa distribución t con H - 1 grados de libertad. Por lo tanto, si RXZ es

estadísticamente diferente de cero, el modelo 1 tiene una MSPE más grande si
RXZ es positivo, y el modelo 2 tiene un MSPE más grande si RXZ es negativo.
THE DIEBOLD - MARIANO DE PRUEBAHay una gran cantidad de literatura que

intenta extender la Granger - económetras prueba Newbold con el fin de relajar las
hipótesis 1 y 2. Por otra parte, Applied podrían estar interesados en medidas de
desempeño de los pronósticos que no sea la suma de errores al cuadrado. De hecho,
debe quedar claro que el uso de la suma de los errores al cuadrado como criterio sólo
tiene sentido si la pérdida de hacer un pronóstico incorrecto es cuadrática. Sin
embargo, hay muchas otras posibilidades. Por ejemplo, si su pérdida depende del
tamaño del error de pronóstico, usted debe estar preocupado por los valores
absolutos de los errores de predicción. Alternativamente, un operador de opciones
recibe un pago de cero si el valor del activo subyacente se encuentra por debajo del
precio de ejercicio, sino que recibe un pago de un dólar por cada dólar que el precio
del activo se eleva por encima del precio de ejercicio. En tal circunstancia, la
recompensa pérdida es asimétrica.
UNs antes, si tenemos en cuenta sólo las previsiones de un solo paso-a
continuación, podemos eliminar el guión sub-j. Como tal, podemos dejar que la
pérdida de un error de predicción en el período i se denota por g (EI). En el caso
y
típico de errores cuadrático medio, la pérdida es e2. Sin embargo,
o para permitir la
función de pérdida que sea general, podemos escribir la pérdida diferencial en el
período i el uso de modelo 1 frente modelo 2 como Di = g (e1i) - g (e2i). La pérdida
media puede obtenerse como
1Σ
H
re= [gramo(mi ) - )] (2,61)
1
y gramo
o (mi2yo
Hyo=1
under la hipótesis nula de exactitud igual pronóstico, el valor de d es cero. Dado

que d es la media de las pérdidas individuales, en condiciones bastante débiles, el
teorema del límite central implica que d debe tener una distribución normal. Por lo
tanto, no es necesario asumir que los errores de pronóstico individuales se
distribuyen normalmente. Por lo tanto, si supiéramos
√⎤
Virginiar (d), podríamos construir la Virginiar (d) y probar la hipótesis nula de
relación d / igualdad de
pronosticar precisión utilizando una distribución normal estándar. En la práctica, la
aplicación de la prueba se complica por el hecho de que necesitamos estimar var (d).
Si el {di} serie es sin correlación en serie con una varianza de la muestra de
γ0, la estimación de var (d) es simplemente γ0 / (H - 1). Debido a que utilizamos
el valor estimado de la diferencia, el
miXpression d / √γ0 / (H - 1) tiene una distribución t con H - 1 grados de
libertad.
Hay una muy amplia literatura sobre la mejor manera de estimar la desviación
estándar
ofd en presencia de correlación serial. Muchos de los detalles técnicos no son
Apropiada aquí. Diebold y Mariano permiten γi denotar la autocovarianza i-ésimo de
la secuencia de dt. Supongamos que los primeros valores de q de γi son diferentes de
cero. La varianza de D puede
segundoe aproximado por var (d) = [γ0 + 2γ1 + ··· + 2γq] (H - 1) -1; el
desviación estándar
yos la raíz cuadrada. Como tal, Harvey, Leybourne, y Newbold (1998) recomienda
la construcción de la Diebold - Estadística de
Mariano (DM) como
√
reM = d / (γ0+2γ1+ · · · +2γq ) / (H-1) (2,62)
Compare el valor de la muestra de (2.62) a una estadística t con H - 1 grados

de libertad. Como cuestión práctica, una forma sencilla de proceder es hacer una
regresión del di en un constante y usar un t-test (con errores estándar robustos)
para determinar si la constante es estadísticamente camente diferente de cero.
Tenga en cuenta que la construcción de (2.62) puede ser sensible a la elección de
q, y si uno o más de los γi <0, la varianza estimada puede ser negativo. En tales
circunstancias, es preferible utilizar errores estándar robustos - tales como los de
Newey y West (1987). Todos los paquetes de software profesionales que
permiten a obtener directamente el Newey - West estimador de la varianza. Los
detalles adicionales son incluird en el Manual suplementario.
También es posible usar el método para la e1i pronósticos j-paso-a
continuación (j) y e2i (j). Construir cada di = g (e1i (j)) - g (e2i) y la media d. Si
construye errores de predicción H,
la estadística es DM
√
reM = d / (γ0+2γ1+ · · · +2γq ) / [H+1-2j+H -1 j(j- 1)].
UNn ejemplo que muestra el uso adecuado de la Granger - Newbold y Diebold -

Mariano prueba se proporciona en la sección 10. No obstante, antes de proceder, una
fuerte palabra de advertencia está en orden. Clark y McCracken (2001) muestran que
los Granger - Newbold y Diebold - Mariano pruebas tienen una distribución t sólo
cuando los modelos de predicción subyacentes no están anidados. Por ejemplo, las
pruebas pueden no funcionar bien cuando se comparan las previsiones a partir de un
(1) modelo de AR a los obtenidos a partir de un modelo ARMA (, 1 2). Claramente,
la AR (1) se puede obtener de la ARMA (2, 1) especificación configurando a2 = β1
= 0. El problema con modelos anidados es que bajo la hipótesis nula de igualdad de
MSPE (de modo que los datos son generados por el pequeño modelo), los dos
modelos deben prever igualmente bien. Sin embargo, el modelo grande siempre
contendrá algún error adicional, ya que contiene los parámetros innecesarios. Por lo
tanto, si desea probar si los datos son en realidad generan a partir de los diferentes
modelos, es necesario controlar la incertidumbre de parámetros.
Clark y West (2007) desarrollan un procedimiento sencillo para ajustar los
errores de predicción del modelo grande para que una simple variante de la
estadística de DM se puede utilizar con los modelos anidados. Para continuar con la
notación desarrollado anteriormente, denotan los pronósticos H a partir del modelo 1
como f1i y los errores de pronóstico como e1i. Del mismo modo, las previsiones H y
los errores de predicción de modelo 2 son f2i y e2i, respectivamente. Que el modelo
1 se inserte en el modelo 2. Teniendo en cuenta que los modelos están anidados, la
única razón para cualquier discrepancia entre f1i y f2i es debido a un error de
estimación de parámetros. Si este error de estimación se resta de e2i, los errores de
predicción ajustados se pueden utilizar como base para la prueba DM modificado.
Considere la serie zi construido a partir de los cuadrados de los errores como estos
[( ) 2 ]
zyo = m2yo - (F1yo- yo=1,..., H.
(mi1i)2 - i F2i)2
Permitirg para el parámetro incertidumbre, bajo la hipótesis nula de que las dos
els MOD- predicen igualmente bien, zi debe ser cero. Bajo la hipótesis alternativa,
los datos se generan a partir del modelo 2. Por lo tanto, para realizar la prueba, una
regresión de la serie zi en una constante. Dado que la prueba es de un solo lado, si el
estadístico t para la constante excede 1.645, rechazar la hipótesis nula de exactitud
igual pronóstico al nivel de significación del 5%. Si rechaza la hipótesis nula, la
conclusión de que los datos se generan a partir del modelo 2. De lo contrario, los
datos
es más probable que se generen a partir del modelo 1. Si el {zi} serie se correlaciona
en serie, debe realizar la prueba con una robusta t-estadístico, como el que en el
estudio de Newey y West (1987).
10. Un modelo de la diferencial de tasas

El término “ejemplo clásico” se supone para connotar una ilustración muy clara. Si
usted está buscando un ejemplo clásico de la metodología de Box - Jenkins, volver a
la sección 7 o dar vuelta a la pregunta 11 al final de este capítulo. En la práctica, rara
vez encontramos una serie de datos que se ajusta con precisión a un ACF teórico o
FAP. Esta sección está destinada a ilustrar algunas de las ambigüedades que pueden
surgir al usar la caja - técnica de Jenkins. Estas ambigüedades pueden conducir dos
económetras igualmente capacitados para estimar y pronosticar la misma serie
usando procesos muy diferentes ARMA. Muchos ven en la necesidad de confiar en
el juicio y experiencia del investigador como una seria debilidad de un
procedimiento que está diseñado para ser científica. Sin embargo, si usted tomar
decisiones razonables,
Es útil para ilustrar la caja - Jenkins procedimiento de modelado mediante la
estimación de un modelo trimestral del diferencial entre un largo plazo y una tasa de
interés a corto plazo. En concreto, el diferencial de tasas de interés (st) se puede
formar como la diferencia entre la tasa de interés de los bonos del gobierno de
Estados Unidos a los 5 años y la tasa de las letras del Tesoro a 3 meses. Los datos
utilizados en esta sección son la serie marcada R5 y Tbill en el QUARTERLY.XLS
archivo. Ejercicio 12 al final de este capítulo le ayudará a reproducir los resultados
se presentan a continuación.
Cristall (a) de la figura 2.5 muestra la propagación durante el período de 1960Q1
a 2012Q4. Aunque hay algunos casos en los que la propagación es negativo, la
diferencia entre a largo y tasas de corto plazo es generalmente positivo (la media de
la muestra es 1,21). Observe que la serie muestra una buena cantidad de persistencia
en el que las duraciones cuando la extensión está por encima o por debajo de la
media puede ser bastante largo. Por otra parte, no parece haber ninguna roturas
importantes estructurales (como un salto permanente en la media o la varianza) en
que la naturaleza dinámica del proceso parece ser constante en el tiempo. Como tal,
es bastante razonable suponer que la secuencia {st} es estacionario covarianza. En
contraste, como se muestra en el panel (b), la primera diferencia de la propagación
parece ser muy errática. Como podrán comprobar, en el ejercicio 12, la serie Δst
tiene poco contenido informativo que se puede utilizar para predecir los valores
futuros. Como tal, parece razonable para estimar un modelo de la secuencia {st} sin
transformaciones adicionales. Sin embargo, debido a que hay varios grandes saltos
positivos y negativos en el valor del st, algunos investigadores podrían querer
transformarla con el fin de disminuir su volatilidad. Un número razonable de tales
choques podría indicar una desviación de la suposición de que los errores son
normalmente dis- tribuyeron. Aunque un logarítmica o una transformación de raíz
cuadrada es imposible debido a que algunas realizaciones de st son negativos, se
podría amortiguar las series usando yt = log (st + 3).
A MODEL OF THE INTEREST RATE SPREAD 89
Panel A: El diferencial de tasas

4
-1
-2
1960 1963 1966 1969 1972 1975 1978 1981 1984 1987 1990 1993 1996 1999 2002 2005 2008 2011
Panel B: En primer lugar, la diferencia de la propagación

3
-1
-2
-3
1960 1963 1966 1969 1972 1975 1978 1981 1984 1987 1990 1993 1996 1999 2002 2005 2008 2011
F I G U R E 2.5Time Senda de la propagación de Tasa de Interés
Before leyendo, usted debe examinar las autocorrelaciones y funciones de

relación autocor- parciales de la secuencia {st} se muestra en la Figura 2.6. Trate de
identificar los modelos tativos ten- que usted desea estimar. Recordemos que el ACF
teórica de un puro cortes de proceso (q) MA a cero en el retardo q, y la ACF teórica
de un AR (1) modelo decae geométricamente. El examen de la figura 2.6 sugiere que
ninguno de estos
1.00
0.75
0.50
0.25
0.00
-0.25
-0.50
0 1 2 3 4 5 6 7 8 9 10 11 12
autocorrelaciones FAP
F I G U R E 2.6UNCF y FAP de la propagación

especificaciones describe perfectamente los datos de la muestra. En la selección de

su conjunto de modelos plausibles, también tenga en cuenta lo siguiente:
1. The FAS y la FAP convergen a cero con la suficiente rapidez que no
tenemos que preocuparnos por una media variable en el tiempo. Como se
sugirió anteriormente, no queremos a overdifference los datos y tratar de
modelar el {} Δst secuencia.
2. The ACF no corta a cero, de manera que podemos descartar un puro proceso
MA (q).
3. The ACF no es muy sugerente de un AR puro (1) proceso en el que la
descomposición no parece ser geométricos. El valor de ρ1 es 0,857, y los
valores de
ρ2 , Ρ3, y ρ4 son 0,678, 0,550, y 0,411, respectivamente.
4. Thvalores estimados E de la PACF son tales que φ11 = 0,858, φ22 = -0,217,
φ33= 0.112yφ44= -0.188. A pesar de queφ55está cerca de cero,φ66 = -0.151
und φ77 = 0,136. Recordemos que, bajo la hipótesis nula de un AR puro (p)
modelo, La varianza de φp + i, p + i es aproximadamente igual a 1 / T. Ya
que hay
Arkansase 212 observaciones totales, los valores de φ22, φ44 y φ66 son
más de dos desviaciones estándar a partir de cero (es decir, 2 / 2120,5 =
0,138). En un AR puro (p)
modelo, En las FAP reduce a cero después de lag p. Por lo tanto, si la serie st
sigue un proceso puro AR (p), el valor de p puede ser tan alto como seis o
siete.
5. No parece haber un patrón oscilante en el FAP porque los primeros siete
valores se alternan en signo. decaimiento oscilante de la PACF es
característica de un coeficiente de MA positivo.
due para el número de coeficientes de pequeñas y marginalmente significativos, la
FAS y la FAP de la propagación son probablemente más ambigua que la mayor parte
de los que se encontrará. Por lo tanto, supongamos que no sabe por dónde empezar y
podrá valorar la serie st utilizando un modelo puro AR (p). Para ilustrar este punto, si
a estimar la serie st como una (7) proceso AR, debe obtener las estimaciones dadas
en la columna 2 de la Tabla 2.4. Si se examina la tabla, se encuentra que todas las
estadísticas t en los primeros seis retardos superan 1,96 en valor absoluto (lo que
indica que los coeficientes son significativos al nivel del 5%). Desde t-estadística en
el coeficiente para yt-7 es 1.93, no está claro de si incluir el séptimo lag. La suma o
residuos al cuadrado (SSR) es 43,86 y la AIC y SBC son 791,10 y 817,68,
respectivamente. Los niveles de significación de los Q-estadísticas para GAL 4, 8,
Aunque el (7) modelo AR tiene algunos atributos deseables, una estrategia esti-
mación razonable es eliminar la séptima lag y estimar un AR (6) modelo durante el
mismo período de la muestra. [Tenga en cuenta que el conjunto de datos comienza
en 1960Q1, de manera que con siete retrasa respecto al estima- ción de la AR (7)
comienza en 1961Q4.] A pesar de las autocorrelaciones de los residuos son tales que
ρ8 = 0.20, los niveles de significación de la Q ( 4), Q (8), y Q (12) estadís- tics (igual
a 0,29, 10,93, y 16,75) son 0,99, 0,21, y 0,16, respectivamente. Como tal, el Q-
estadísticas sugieren que no se debe tratar de tener en cuenta para dar cuenta de las
autocorrelaciones residuales en lag 8. Aunque a5 parece ser estadísticamente
insignificante, es generalmente no es una buena idea utilizar el estadístico t para
eliminar intermedia desfases. Como tal,
4 y el retraso 6. Recordemos que el uso apropiado de una estadística t requiere que
regresor en
Ejércitodereservable 2.4Las estimaciones de la propagación de Tasa de Interés
UNR (7) UNR (6) UNR (2) ARMA ARMA pag = 2;

pag= 1, 2, (1,1) (2,1) mamá= (1,
7 7)
un0 1.20 1.20 1.19 1.19 1.19 1.19 1.20
(6,57) (7,55) (6,02) (6,80) (6,16) (5,56) (5,74)
un1 1.11 1.09 1.05 1.04 0.76 0.43 0.36
(15.76) (15.54) (15.25) (14.83) (14.69) (2,78) (3,15)
un2 -0.45 -0.43 -0.22 -0.20 0.31 0.38
(-4.33) (-4.11) (-3.18) (-20.80) (2,19) (3,52)
un3 0.40 0.36
(3,68) (3,39)
un4 -0.30 -0.25
(-2.70) (-2.30)
un5 0.22 0.16
(2,02) (1,53)
un6 -0.30 -0.15
(-2.86) (-2.11)
un7 0.14 -0.03
(1,93) (-0,77)
β1 0.38 0.69 0,77
(5,23) (5,65) (9,62)
β7 -0.14
(-3.27)
SSR 43.86 44.68 48.02 47.87 46.93 45.76 43.72
AIC 791,10 792,92 799,67 801,06 794,96 7910.81 784,46
SBC 817,68 816,18 809,63 814,35 804,93 805.10 801,07
Q(4) 0.18 0.29 8.99 8.56 6.63 1.18 0.76
Q(8) 5.69 10.93 21.74 22.39 18.48 12.27 2.60
Q(12) 13.67 16.75 29.37 29.16 24.38 19.14 11.13
notas:
To asegurar la comparabilidad, cada ecuación se estimó sobre la 1961Q4 -2012Q4
período.
Valores entre paréntesis son los estadísticos t para la hipótesis nula de que el ciente estimado coe fi es
igual a cero. RSS es la suma de los residuos al cuadrado. Q(norte)Arkansase el Ljung - Q de la caja
estadísticas de las autocorrelaciones residuales.
for modelos ARMA, muchos paquetes de software en realidad no reportan el término de intersección de
una0. En su lugar, informan la media estimada del proceso, mu y solog con el estadístico t para la
hipótesis nula de que mu y = 0. La razón histórica de esta convención es que era más fácil a primera
degradar a los datos y luego estimate el
BRAZOA coeficientes que para estimar todos los valores en un solo paso. Si su paquete de
software informa de un término constante aproximadamente igual a 0,216, se informa que el
intercepto estimado.
cuestión que no están correlacionadas con los otros regresores. Dada la naturaleza
autorregresivo de la serie, yt-5 es, sin duda correlacionada con yt-4 y yt-6. El
resultado global es que las comprobaciones de diagnóstico de la (6) modelo AR
sugieren que es adecuado. En la comparación de la (7) modelos AR (6) y AR, la AIC
selecciona el (7) el modelo AR, mientras que el SBC selecciona la AR más
parsimonioso (6) modelo.
Supposcorreo que intenta un modelo muy parsimoniosa y podrá valorar un AR
(2). Como se puede ver en la cuarta columna de la tabla, el AIC selecciona el (7)
modelo AR, pero SBC
seleccionarS El (2) modelo de AR. Sin embargo, las autocorrelaciones residuales de la

AR (2) son problemáticos en que
ρ1 ρ2 ρ3 ρ4 ρ5 ρ6 ρ7 ρ8
0.03 -0.13 0.16 0.01 0.08 -0.10 -0.14 0.16
The Q-estadísticas de la (2) modelo AR indican autocorrelación significativa en

los residuos en los retardos más cortos. Como tal, debe ser eliminada de la
consideración adicional.
yof usted examinó la AR (7) con cuidado, usted podría haber notado que casi A3
compensaciones A4 y A5 que casi compensa a6 (desde a3 + a4 ≈ 0 y A5 + A6 ≈ 0).
Si reestimación el modelo sin st-3, st-4, st-5, y st-6, debe obtener los resultados
dados en UMN COL- 5 de la Tabla 2.4. Dado que el coeficiente de St-7 ahora es
estadísticamente insignificante, puede parecer preferible utilizar el AR (2) en su
lugar. Sin embargo, el (2) AR ha demostrado ser
inadéquate con relación a (7) (6) modelos de la AR y la AR.
A pesar de que la AR (6) y (7) modelos AR resultados relativamente buenos, no
son necesariamente los mejores modelos de predicción. Hay varias alternativas
posibles ya que los patrones de la FAS y la FAP no son inmediatamente claro.
Resultados para un número de modelos con términos MA se muestran en las
columnas 6, 7 y 8 de la Tabla 2.4:
1. from el ACF en descomposición, alguien podría intentar estimar la ARMA
(1, 1) modelo indica en la columna 6 de la tabla. El valor estimado de A1
(0,76) es estadísticamente diferente de cero y es casi cinco desviaciones
estándar de la unidad. El valor estimado de β1 (0.38) es estadísticamente
diferente de cero, e implica que el proceso es invertible. Observe que el
SBC de la ARMA (1, 1) es menor que la de la AR (7) y la (6) AR. Sin
embargo, la ARMA (1, 1) especificación es inadecuada debido a que
queda correlación serial en los residuos. El Ljung - Box Q-estadística para
cuatro retardos de los residuos (igual a 6,63) tiene un nivel de
significación del 15,7%. Como tal, no se puede rechazar la hipótesis nula
de que Q (4) = 0 cualquier nivel de significación convencional. Sin
embargo, la Q (8) y Q (12) estadísticas indican que los residuos de este
modelo exhiben autocorrelación serial sustancial. Como tal, hay que
eliminar la ARMA (1, 1) modelo de la consideración.
2. SINCe la ACF decae y la PACF parece oscilar comenzando con lag 2
(φ22 = -0,217), parece plausible para estimar un ARMA (2, 1) del
modelo. Como se muestra en la columna 6 de la tabla, el modelo es una
mejora sobre el (1, 1) especificación ARMA. Los coeficientes estimados
(a1 = 0,43 y a2 = 0,31) son cada uno significativamente diferente de cero
a niveles convencionales y
implicar raíces características en el círculo unidad. El AIC selecciona la (2,
1) modelo sobre que AR ARMA (6) y el SBC selecciona el ARMA (2, 1)
sobre el AR (6) y el AR (7). Los valores de Q (4), Q (8), y Q (12) indican
que las correlaciones autoproductores de los residuos no son
estadísticamente significativas al nivel del 5%. Considere la ACF de los
residuos:
ρ1 ρ2 ρ3 ρ4 ρ5 ρ6 ρ7 ρ8
0.01 0.01 -0.07 -0.02 -0.03 -0.08 -0.15 0.15
3. Con el fin de dar cuenta de la correlación serial en el retardo 7, podría

parecer plausible para agregar un término MA al modelo en el retardo 7.
Como se indica en la última columna de la tabla, todos los coeficientes
estimados son de alta calidad. En particular, el coeficiente para β7 tiene una
estadística t de -3,27. Los valores estimados de a1 y a2 son similares a los
del modelo ARMA (, 1 2). Una vez más, el Q-estadísticas indican que las
autocorrelaciones de los residuos no son significativas al nivel
convencional. Tanto el AIC y SBC seleccionar el ARMA [2, (1,7)]
especificación sobre cualquiera de los otros modelos. Usted puede verificar
fácilmente que el coeficiente de MA en lag 7 proporciona un mejor ajuste
de un coeficiente de AR en lag 7 y que un modelo ARMA [2, (1,8)] modelo
es insuficiente.
although la ARMA [2, (1,7)] modelo parece ser bastante razonable, otros
investigadores podrían haber seleccionado un modelo decididamente diferente.
Considere algunas de las alternativas que se listan a continuación.
1. Parsimony en función de Overfitting:En la sección 7, examinamos la
cuestión de ting un coeficiente de MA FIT- en el retardo 16 a una verdadera
AR (2) proceso. Si reexaminar el ejemplo, se puede entender por qué
algunos investigadores se apartan de ing realizan estimaciones con un
modelo a largo retrasos longitudes que son disjuntos de los de otras ods
peri. En el ejemplo de la propagación, el problema con el ARMA (2, 1)
modelo es que había una pequeña cantidad de autocorrelación residual
alrededor de retraso 7 o
8. La adición del coeficiente de MA en lag 7 proporcionó un modelo con
un mejor ajuste y remediar el problema de la correlación en serie. Sin
embargo, ¿es realmente plausibilidad ble que εt-7 tiene un efecto directo
sobre el valor actual del diferencial de tasas
mientras desfases 3, 4, 5 y 6 no tienen efectos directos? En otras palabras,
¿los mercados
for valores funcionan de tal manera que lo que ocurre 7 trimestres en el
pasado tiene un efecto mayor en las tasas de interés de hoy en día que con
los acontecimientos que ocurren en el pasado más reciente? Por otra parte,
como se puede verificar mediante la estimación del ARMA [2, (1,7)]
modelo, el estadístico t para β7 sobre el 1982Q1 - 2012Q4 período es igual
a 0,60 y no es estadísticamente significativa. Observe que Panel (b) de la
figura 2.5 sugiere que la volatilidad de la propagación a finales de 1970 y
principios de 1980 no es típico de toda la muestra. Podría darse el caso de
que las realizaciones de este periodo son las anomalías que tienen grandes
efectos sobre las estimaciones de los coeficientes y sus errores dard dares.
Por lo tanto, a pesar de que la AIC y SBC seleccionar el ARMA [2, (1,7)]
modelo sobre la ARMA (2, 1) del modelo, algunos investigadores prefieren
este último.
Más en general, overfitting se refiere a una situación en la que una
ecuación está en condiciones de algunas de las idiosincrasias de presente
en una muestra particular que no son en realidad representativo del
proceso de generación de datos. En el trabajo aplicado, ningún conjunto
de datos se corresponden perfectamente a cada supuesto necesario para la
Box - metodología de Jenkins. Dado que no siempre está claro qué
características de la muestra están realmente presentes en el proceso de
generación de datos, el intento de expandir un modelo con el fin de capturar
todas las características de los datos puede conducir a overfitting.
2. Volatility:Dada la volatilidad de las series {st} durante finales de 1970 y
principios de 1980, la transformación de la propagación utilizando algún
tipo de una raíz cuadrada o la transformación logarítmica arithmic podría
ser apropiada. Por otra parte, la serie st tiene una
number de saltos afilados, lo que indica que la suposición de normalidad

podría ser violado. Para una constante c tal que st + c es siempre positivo,
transformaciones tales como ln serie 0.5 rendimiento con una menor
volatilidad que la serie st sí mismo (st + c) o (c st +). Alternativamente, es
posible modelar la diferencia entre el logaritmo de la tasa de 5 años y el
logaritmo de la tasa de 3 meses.
Una clase general de transformaciones fue propuesto por Box y Cox
(1964). Supongamos que todos los valores de {yt} son positivos de manera
que es posible construir
t el {y *} secuencia transformado como
y* λ
t= (yt-1) /λλ≠0
=En(yt) λ=0
La práctica común es transformar los datos utilizando un valor
preseleccionado
oλ f. La selección de un valor para λthat está cerca de cero actúa para
“alisar” la secuencia. Un modelo ARMA se puede montar en los datos
transformados. Aunque algunos programas de software tienen la capacidad
para estimar de forma simultánea λ junto con los otros parámetros del
modelo ARMA, este enfoque ha caído en desuso. En cambio, es posible
modelar realidad la varianza usando los métodos descritos en el Capítulo 3.
3. tendencias:Suppose que el lapso de los datos había sido un tanto diferente, ya
que la primera observación fue para 1973Q1 y el último era para 2004Q4.
Si examina panel (a) de la figura 2.4, se puede ver que alguien podría
confundirse y creer que la información contenida en una tendencia al alza.
Su mala interpretación de los datos podría ser reforzada por el hecho de que
el ACF converge a cero con bastante lentitud. Como tal, que podrían haber
estimado un modelo de la serie Δst. Otros podrían haber sin tendencia de
los datos utilizando una tendencia temporal determinista.
Fuera de la Sample
previsiones
We puede evaluar el desempeño de pronóstico de la AR (7) y ARMA [2, (1,7)]
modelos mediante el examen de su sesgo y la media de los errores de predicción
cuadrados. Dado que el conjunto de datos contiene un total de 205 (es decir, 205 =
212-7) observaciones utilizables, es posible utilizar un periodo de retención de 50
observaciones. De esta manera, hay al menos 155 observaciones en cada uno de los
modelos estimados y un número adecuado de los pronósticos fuera de muestra. En
primer lugar, los dos modelos se estimaron utilizando todas las observaciones
disponibles a través de 2000Q2 y los dos pronósticos de un solo paso-a continuación
se obtuvieron. El valor real de s2000:3 = 0,40; la AR (7) predijo un valor de 0,697, y
el ARMA [2, (1,7)] modelo predijo un valor de 0,591. Por lo tanto, la previsión de la
ARMA [2, (1,7)] es superior a la de la ARMA (7) para este
abetosel período t. Se obtuvieron un 49 previsiones adicionales por períodos 2000Q4 a
2012Q4. Vamos e1t indican los errores de predicción de la (7) modelo AR y e2t
indican los errores de predicción de la ARMA [2, (1,7)] modelo. La media de e1t es
1,239, la media de e2t es 1.244, y las varianzas estimadas son var (e1) = 0,797 y var
(e2) = 0,780. Como tal, el sesgo de AR (7) es ligeramente más pequeño mientras que
el ARMA [2, (1,7)] tiene el MSPE más pequeño.
To determinar si estas diferencias son estadísticamente significativas,
buscamos en primer lugar el sesgo. Deje que los {} F1T serie contienen las
previsiones del 50 (7) modelo AR y dejar F2T {}
contener los 50 pronósticos de la ARMA [2, (1,7)] modelo. Comenzando con t =

2000Q3, podemos estimar las dos ecuaciones de regresión:
st=0.0594+0.968F1t unre st=0.004+1.004F2t
for la AR (7) modelo, el F-estadística para la restricción de que la intersección es
igual a cero y la pendiente es igual a la unidad es 0,110 con nivel de significación de
0,896. Claramente, la restricción de las previsiones imparciales no parece ser
vinculante. Para el ARMA [2, (1,7)] modelo, el F-estadística es 0,014 con un nivel
de significación de 0,986. Por lo tanto, existe una fuerte evidencia de que ambos
modelos tienen previsiones imparciales.
Siguiente, Considerar la Granger - prueba de Newbold por la igualdad de
errores medios de predicción cuadrados. Formar la serie xi y zi como xi = e1i +
e2i y zi = e1i - e2i, respectivamente. El coeficiente de correlación entre xi y zi es
RXZ = 0,234. Dado que hay 50 observaciones en elperíodo de retención, forman
la Granger - Estadística de Newbold
√
rxz/ (1 -r 2xz
) / (H- 1) = 0.234/ √ (1 - (0.234) 2) / 49 = 1.69
Ingenioh 49 grados de libertad, un valor de T = 1,69 no es estadísticamente
significativa. Podemos concluir que el desempeño de los pronósticos de la AR (7) no
es estadísticamente diferente de la de la ARMA [2, (1,7)].
SINCe las series e1i y E2I sólo contienen una cantidad baja de correlación
serial, se obtiene prácticamente el mismo resultado mediante la estadística de DM. A
menudo, los analistas están preocupados por el MSPE. Sin embargo, hay muchas
otras posibilidades. En el ejercicio 12 al final de este capítulo, se le pedirá que utilice
el error absoluto medio. Ahora, a
ilustrar el uso de la prueba de DM, supongamos que el costo de un error de
pronóstico se eleva muy rápidamente en el tamaño del error. En tales circunstancias,
la función de pérdida podría ser mejor representado por el error de pronóstico
elevado a la cuarta potencia. Por lo tanto,
reyo= (mi1i)4- (mi2i)4 (2,63)
The valor medio de la {di} de secuencia a partir de (2.63) (es decir, d) es
0,01732, y la estimación se aparearon varianza es 0,002466. Desde H = 50,
podemos formar la estadística de DM
reM = 0,01732 / (0,002466 / 49) media = 2,441
The hipótesis nula es que los modelos tienen igual precisión del pronóstico, y la
hipótesis alternativa es que los errores de pronóstico de la AR [2, (1,7)] son más
pequeños que los de la AR (7). Con 49 grados de libertad, el t-valor de 2,441 es
significativa al nivel de 1,829%. Por lo tanto, hay evidencia a favor de la AR [2,
(1,7)] modelo. Si hay correlación en serie en la serie {dt}, tenemos que utilizar la
especificación en (2.63). Con este fin, nos gustaría seleccionar los valores
estadísticamente significativos de γq. Las autocorrelaciones de dt son
ρ1 ρ2 ρ3 ρ4 ρ5 ρ6 ρ7 ρ8 ρ9 ρ10 ρ11 ρ12

-0.10 -0,15 0,26 0,01 0,36 0,00 -0,09 0,13 0,06 0,05 -0,08 0,07
Q(4) = 5.53;Q(8) = 14.76; yQ(12) = 15.93

although ρ5 es grande, muchos económetras ejercida permita descartar como

falsa. No parece plausible que las correlaciones para ρ1 y ρ2 son en realidad muy
cerca de cero, mientras que la correlación entre dt y dt-5 es muy grande. Por otra
parte, el Ljung - Box Q (4), Q (8), y Q (12) estadísticas no indican que las
autocorrelaciones son significativos. Los niveles de significación son 0,237, 0,064, y
0,195, respectivamente. Sin embargo, si usted estimar la varianza de largo plazo
usando (2.63) con cinco grupos de acción local, que debe encontrar que la DM =
1,848 (para que las MSPE no son estadísticamente diferentes entre sí). El ejemplo
pone de relieve la observación hecha anteriormente de que no hay una respuesta
clara en cuanto a la mejor manera de
to medir la varianza a largo plazo de d en presencia de correlación serial. El
resultado más general es que los dos modelos no son sustancialmente diferentes entre
sí. Ambos deben proporcionar predicciones razonables.
11. ESTACIONALI
DAD
Muchos procesos económicos presentan algún tipo de estacionalidad. Las cons-
trucción, y los sectores agrícolas de viaje tienen patrones estacionales obvias que
resultan de su dependencia de las condiciones meteorológicas. Del mismo modo, la
temporada de vacaciones de Acción de Gracias-a-Navidad tiene una influencia
notable sus poblaciones en el comercio minorista. De hecho, la variación estacional
de una serie puede dar cuenta de la preponderancia de su varianza total. Las
previsiones que ignoran los patrones estacionales importantes tendrán una alta
varianza.
AO muchas personas caen en la trampa de ignorar la estacionalidad si están
trabajando con datos desestacionalizados o desestacionalizados. Supongamos que
recoja un conjunto de datos que la oficina de censo de Estados Unidos ha “ajustado
estacionalmente” por medio de su X-11, X - 12, o X-13 methods.5 En principio, los
datos ajustados estacionalmente deberían tener el patrón estacional eliminado. Sin
embargo, la precaución es necesaria. Aunque un procedimiento estandarizado puede
ser necesario para una agencia gubernamental informes cientos de serie, el
procedimiento podría no ser el mejor para una persona con ganas de modelar una
sola serie. Incluso si utiliza los datos ajustados temporada-aliado, un patrón
estacional podría permanecer. Esto es particularmente cierto si usted no utiliza todo
el espacio de datos; la parte de los datos utilizados en el estudio puede
mostrar más estacionalidad (o menos) que la duración total. Hay otra razón
importante para estar preocupado por la estacionalidad de que utilizando datos
desestacionalizados. Implícito en cualquier método de ajuste estacional es un
procedimiento de dos pasos. En primer lugar, se elimina la estacionalidad, y
segundo, la autorregresivo y moviendo coeficientes medios son esti- acoplado
usando Box - Jenkins técnicas. Como reconocimiento, de Bell y Hillmer (1984), a
menudo se identifican mejor los coeficientes estacionales y el ARMA y estima de
forma conjunta. En tales circunstancias, es aconsejable evitar el uso de los datos
ajustados estacionalmente.
Modelos de los datos

estacionales
The Box - Jenkins técnica para el modelado de datos estacionales sólo es un
poco diferente de la de los datos no estacionales. El giro introducido por datos
estacionales de período s es que los coeficientes estacionales de la ACF y PACF
aparecen en los retardos s, 2S, 3S, ..., en lugar de en los retardos 1, 2, 3, .... Por
ejemplo, dos puramente estacional modelos para datos trimestrales podrían ser
un4 |<1 (2,64)

SEASONALITY 97
y
yt=εt+β4 εt-4 (2,65)
you puede fácilmente convencerse a sí mismo de que el correlogram teórico para

(2.64) es tal
that ρi = (a4) i / 4 si i / 4 es un entero y ρi = 0, de lo contrario; Por lo tanto, el ACF
presenta caries
unt retardos 4, 8, 12, .... Para el modelo (2.65), el ACF presenta un solo pico en el
retardo 4, y todos
other correlaciones son cero.
yola práctica n, la identificación se complica por el hecho de que el patrón
estacional va a interactuar con el patrón no estacional en los datos. El ACF y PACF
para un proceso / estacional combinada com- no estacional reflejarán ambos
elementos. Tenga en cuenta que, con los datos trimestrales, un término MA
estacional puede tener la forma
yt =un1 yt-1+εt +β1 εt-1+ β4 εt-4 (2,66)
Alternativamente, Un coeficiente autorregresivo en el retardo 4 podría haber

sido utilizado para capturar la estacionalidad
yt=un1 yt-1+un4 yt-4+εt+β1 εt-1
Larva del moscardónh de estos métodos tratar los coeficientes estacionales

aditiva; un AR o un coeficiente de MA se añade al periodo estacional. estacionalidad
multiplicativa permite la interacción de la ARMA y los efectos estacionales.
Considere los cationes especifi- multiplicativos
(1-un1 L)yt= (1+β1 L) (1+β4 L4 )εt (2,67)

(1-un1 L) (1-un4 L )yt= (1+β1 L)εt
4
(2,68)
La ecuación (2.67) difiere de (2.66) en que permite el término promedio móvil

en el retardo 1 para interactuar con el estacional efecto promedio móvil en el retardo
4. De la misma manera, (2.68) permite que el término autorregresivo en el retardo 1
para interactuar con el efecto autorregresivo estacional en el retardo 4. Muchos
investigadores prefieren la forma multiplicativa desde un patrón de interacción rico
puede ser capturada con un pequeño número de coeficientes. Vuelva a escribir (2.67)
como
yt =un1 yt-1+εt+ β1 εt-1+β4 εt-4+β1 β4 εt-5
La estimación de sólo tres coeficientes (es decir, A1, β1 y β4) nos permite
capturar los efectos de un término autorregresivo y los efectos de los términos de
promedio móvil en los retardos 1, 4, y 5. Por supuesto, usted no encontrará algo para
nada. Las estimaciones de los tres coeficientes medios móviles están relacionados
entre sí. Un investigador estimar el modelo sin restricciones yt = a1yt-1 + εt + β1εt-1
+ β4εt-4 + β5εt-5 obtendría necesariamente una suma residual de cuadrados más
pequeña. Sin embargo, (2.67) es claramente el modelo más parsimonioso. Si el valor
no restringida de β5 se aproxima a la β1β4 producto, el modelo multiplicativo será
preferible. Por esta razón, la mayoría de los paquetes de software tienen rutinas
SEASONALITY 98
capaces de estimar los modelos multiplicativos. De lo contrario, no hay razones
teóricas que nos lleva a preferir una forma de estacionalidad sobre otro.
SEASONALITY 99
seasonal Differencing
Thtemporada de compras de Navidad e va acompañado de un número inusualmente
grande de las transacciones, y la Reserva Federal se amplía la oferta de dinero para
dar cabida a la mayor demanda de dinero. Como se muestra por la línea discontinua
en la Figura 2.7, el suministro de dinero de Estados Unidos, según lo medido por
M1, tiene una tendencia decididamente hacia arriba. La serie, llamada M1NSA, está
contenida en el archivo de QUARTERLY.XLS. Puede utilizar los datos para seguir
con la discusión que sigue. El cambio logarítmica, mostrada por la línea continua,
parece ser estacionario. Sin embargo, hay un claro patrón estacional en que el valor
del cuarto trimestre para cualquier año es sustancialmente mayor que la de las
cuartas partes adyacentes.
Esta combinación de una fuerte estacionalidad y no estacionariedad se
encuentra a menudo en los datos económi- cos. El ACF para un proceso con
fuerte estacionalidad es similar a la de un proceso no estacional; la principal
diferencia es que los picos en los retardos s, 2s, 3s, ..., no muestran la rápida
descomposición. Sabemos que es necesario a la diferencia (o tomar el cambio
logarítmico de) un proceso no estacionario. Del mismo modo, si las
autocorrelaciones en los retardos estacionales no se deterioran, es necesario
tomar la diferencia de temporada para que el otro auto
correlacións no son pequeños comparados con los efectos estacionales. El ACF y
PACF para la tasa de crecimiento de M1 se muestran en el panel (a) de la figura 2.8.
Por ahora, sólo se centran en los autocorrelaciones en los retardos estacionales.
Todas las autocorrelaciones de temporada son grandes y no muestran tendencia a la
descomposición. En particular, ρ4 = 0,58, ρ8 = 0,50, ρ12 = 0,38, ρ16 = 0,34, ρ20 =
0,34, y
ρ24= 0.37. Como debe ser claro a partir de la figura, estos autocorrelaciones son más
grandes que cualquiera de los que en las frecuencias no estacionales.
El primer paso en la caja - método de Jenkins es transformar los datos con el fin
de que sea estacionaria. Como tal, una transformación logarítmica es útil, ya que
puede enderezar
8 2500
6
2000
4
$
millones de
Los mil
1500
crecimiento
2
Tasa de
1000
0
500
-2
-4 0
1960 1965 1970 1975 1980 1985 1990 1995 2000 2005 2010
SEASONALITY
10
Tasa de crecimiento M1 en millardos
0
F I G U R E 2.7The nivel y tasa de crecimiento de M1
SEASONALITY
10
PAGAnel una: el crecimiento de M1 1
10.
0
0.8
0.6
0.4
0.2
0.0
-0.2
-0.4
0123456789 10 11 12 13 14 15 16 17 18 19 20 21 22
autocorrelacione PensilvaniaCF
s
PAGAnel b: La estación diferenciada M1 Crecimiento
10.0
0
0.75
0.50
0.25
0.00
-0.25
-0.50
0123456789 10 11 12 13 14 15 16 17 18 19 20 21 22
autocorrelacione PensilvaniaCF
s
F I G U R E 2.8UNCF y el FAP
ºe tendencia lineal en M1. Sea yt denota el logaritmo de la M1. Como se mencionó

anteriormente, la primera diferencia de la {yt} secuencia, ilustrada por la línea
continua en la Figura 2.7, parece ser estacionario. Sin embargo, para eliminar la
fuerte persistencia de temporada en los datos, tenemos que tomar la diferencia
estacional. Para los datos trimestrales, la diferencia temporal es yt - yt-4.
Dado que el orden de diferenciación es irrelevante, podemos formar la secuencia
transformada
metrot= (1-L) (1-L4 )yt
Así, Usamos la diferencia estacional de la primera diferencia. El ACF y PACF
para la secuencia {mt} se muestran en el panel (b) de la figura 2.8; las propiedades
de esta serie son mucho más susceptibles a la metodología de Box - Jenkins. Las
autocorrelaciones de autocorrelación y parciales para los primeros retardos son
fuertemente sugestivo de un (1) proceso AR (ρ1 =
φ11= 0.41, Ρ2 = 0,16, y φ22 = -0,01). Recordemos que la ACF para un (1) Proceso
de AR decaerá y la PACF cortará a cero después de lag 1. Dado que ρ4 = -0,42, ρ5 =
-0,14,
φ44= -0.44Y φ55 = 0,28, hay evidencia de permanecer estacionalidad en la
secuencia {mt}. es más probable que sea en forma de un coeficiente de MA desde
los cortes de autocorrelación a cero El término estacional, mientras que la PACF no
lo hace. Sin embargo, lo mejor es estimar varios modelos similares y luego
seleccione la mejor. Las estimaciones de los tres modelos siguientes son reportados
en la Tabla 2.5:
metrot =un0+un1 metrot-1+εt+β4 εt-4 Modol 1: AR(1)ingenioh Seasonal
MA
SEASONALITY
metrot=un0+ (1+un1 L) (1+un4 L )metrot-1+εtModelo 2: multiplicativo10

4
2
Autoregresivo
metrot= un0+ (1+β1 L) (1+β4 L4 )εt Modol 3: multiplicativa media móvil
Las estimaciones puntuales de los coeficientes de todas implican estacionariedad
y invertibilidad. Más-más, a excepción de las intersecciones, todos son al menos seis
desviaciones estándar de cero. SIN EMBARGO, las estadísticas de diagnóstico todos
sugieren que se prefiere el modelo 1. El modelo 1 tiene la mejor
SEASONALITY 101
Ejércitodereservable 2,5three Modelos de Crecimiento de dinero
Modol 1 Modol 2 Modol 3
un1 0,541 0,496

(8,59) (7,66)
un4 -0.476
(-7.28)
β1 0,453
(60.84)
β4 -0.759 -0,751
(-15.11) (-14.87)
SSR 0,0177 0,0214 0,0193
AIC; -735,9; -701.3; -720,1;
SBC -726.2 -691.7 -710.4
Q(4) 1.39 (0.845) 3.97 (0.410) 22.19 (0.000)
Q(8) 6.34 (0.609) 24.21 (0.002) 30.41 (0.000)
Q(12) 14.34 (0.279) 32.75 (0,001) 42.55 (0,000)
To asegurar la comparabilidad, los tres modelos son estimados sobre

el 1962Q3-2008Q2 período. Las intersecciones estimados no son
reportados ya que todos eran insignificantes fi cativamente diferente
de cero. Las cifras entre paréntesis siguiente al de la Q -estadísticas
son los niveles de signi fi cado.
fiT en la que tiene el más bajo SSR, AIC, y SBC. Por otra parte, el Q-estadísticas
para GAL 4, 8, y 12 indican que las autocorrelaciones residuales son insignificantes.
En contraste, las correlaciones residuales para el modelo 2 son significativas a los
largos retardos [es decir, Q (8) y Q (12) son significativas en los niveles 0,022 y
0,002]. Esto se debe a la autorregresivo estacional (RAE) multiplicativo plazo no
refleja adecuadamente el patrón estacional. Un término SAR implica la decadencia
autorregresivo de período s en período s + 1. En el Panel (b) de la figura 2.8, el valor
de ρ4 es -0,42 pero ρ5 es bastante pequeña. Como tal, un estacional multiplicativo
(SMA) plazo de media móvil podría ser más apropiado. Modelo 3 capta
correctamente el patrón estacional, pero el MA (1) término no captura la decadencia
sive autoregres- presente en los retardos cortos. Otros métodos de diagnóstico,
Las previsiones de fuera de la muestra se muestran en la Figura 2.9. Para crear
las previsiones de uno a doce paso por delante, el modelo 1 se estimó en el período
de muestra completa 1961Q3 - 2012Q4. El modelo estimado es
metrot=0.545mt-1+εt-0.765εt-4 (2,69)
Dalen que m2012:4= -0.00176 y la residual de 2,012: 1 era 0,00272 (es decir,
�2012:1
̂ =0.00272, La previsión de m2013:1es-0.00304. Ahora, utilice esta previsión y la
Virginialue de 2012:2 para pronosticar m2013:2. Puede continuar de esta manera
a fin de obtener las predicciones fuera de la muestra para la sucesión {tm}.
Aunque usted no tiene los residuos
for períodos más allá de 2012: 4, puede simplemente usar sus valores pronosticados
de cero. El truco para la previsión de valores futuros de M1 de la secuencia {mt} es
para resumir los cambios y los cambios estacionales a fin de obtener el logaritmo de
los valores pronosticados de M1. Desde mt = (1 - L) (1 - L4) ln (M1t), se deduce que
el valor de ln (M1t) puede ser
SEASONALITY 101
3500
3000
2500
2000
1500
1000
2000 2002 2004 2006 2008 2010 2012 2014
M1 en mil millones Flos pronósticos eran
F I G U R E 2.9Flos pronósticos eran de M1

obtained desde mt + ln (M1t-1) + ln (M1t-4) - ln (M1t-5). El primero 12 de los
valores pronosticados se representan en la Figura 2.9.
Los procedimientos ilustrados en este ejemplo con los datos altamente
estacionales son típicas de muchas otras series. Con datos altamente estacionales, es
necesario complementar la caja - Jenkins método:
1. En la etapa de identificación, por lo general es necesario estacionalmente
diferencia los datos y para comprobar el ACF de la serie resultante. A
menudo, los datos mentado estacionalmente diferencias no van a ser
estacionaria. En tales casos, los datos también pueden necesitar ser primeros
diferenciada.
2. Usar la FAS y la FAP para identificar posibles modelos. Tratar de estimar
los modelos de bajo orden con coeficientes ARMA no estacionales. Tenga
en cuenta tanto aditivo y multiplicativo estacionalidad. Permitir la forma
apropiada de estacionalidad a ser determinado por las diversas estadísticas
de diagnóstico.
Una notación compacta ha sido desarrollada que permite la representación
eficiente de los modelos intrincados. Como se ha mencionado en las secciones
anteriores, la diferencia de DTH de una serie se denota por Dd. Por lo tanto,
Δ2 yt= Δ (yt-yt-1 )
=yt-2yt-1+yt-2
A diferencia estacional se denota por Delta S donde s es el período de los datos.
El Dth tal diferencia estacional
s es? D. Por ejemplo, si queremos que la segunda
diferencia estacional de una serie mensual, podemos formar
Δ212yt= Δ12(yt-yt-12)
= Δ12yt- Δ12yt-12
SEASONALITY 101
=yt-yt-12- (yt-12-yt-24)
=yt-2yt-12+yt-24
Combining los dos tipos de diferenciación rendimientos?
s
d? D. modelos
multiplicativos son
escrita en forma ARIMA(pag,re,q)
(PAG,re,Q)s
dónde: pagundq = los coeficientes ARMA no
estacionales
re= Número de diferencias no estacionales
PAG= Número de coeficientes autorregresivos multiplicativos
re= Número de diferencias estacionales
Q= Número de coeficientes de movimiento de la media
multiplicativos
s= Periodo estacional.
using esta notación, podemos decir que la ecuación ajustada para4 ln mt = ΔΔ1
(M1t) es un ARIMA (1, 1, 0) (0, 1, 1) s modelo. En el trabajo aplicado, la ARIMA
(1, 1, 0) (0, 1, 1) s y el ARIMA (0, 1, 1) (0, 1, 1) s modelos se produce
rutinariamente; este último se llama el modelo de avión desde Box y Jenkins (1976)
utilizaron este modelo para analizar los datos de los viajes aéreos.
12. ParameteR inestabilidad y el

cambio estructural
One hipótesis clave de la metodología de Box - Jenkins es que la estructura del
proceso de generación de datos no cambian. Como tal, los valores de la AI y βi
deben ser constantes de un período al siguiente. Sin embargo, en algunas
circunstancias, puede haber razones para sospechar un cambio estructural en el
proceso de generación de datos. Por ejemplo, en un modelo de crecimiento del PIB,
parece natural preguntarse si las crisis del petróleo de 1973, los acontecimientos en
torno a la tragedia de septiembre de 2011, y / o la crisis financiera de 2008 tuvieron
repercusiones significativas sobre los coeficientes. Por supuesto, la inestabilidad
parámetro no tiene por qué resultar de una sola de eventos discretos. El cambio
climático en relación con la evidencia reciente sugiere que la serie sensibles del
tiempo tales como rendimiento de las cosechas, lluvias, y el número de días de esquí
en Snowmass son más propensos a ser afectados en un sostenido, pero gradual,
testing para el cambio

estructural
Si usted tiene razón para sospechar un cambio estructural en una fecha determinada,
es sencillo de usar un test de Chow. La esencia de la prueba de Chow es encajar el
mismo modelo ARMA los datos prebreak y a los datos postbreak. Si los dos modelos
no son suficientemente diferentes, se puede concluir que no ha habido ningún
cambio estructural en el proceso de generación de datos.
yon en general, supongamos que calculó un modelo ARMA (p, q) con un tamaño
SEASONALITY 101
de muestra de
Tobservaciones. Denotar la suma de los cuadrados de los residuos como SSR.
Además, suponga que tiene razón para sospechar un cambio estructural
inmediatamente después de la fecha tm. Se puede realizar una prueba de Chow
dividiendo las T observaciones en dos submuestras con tm observa-
Virginiaciones en la primera y tn = T - observaciones tm en el segundo. Use cada
submuestra de
PARAMETER INSTABILITY AND STRUCTURAL CHANGE 103
estimar los dos modelos:

yt=un0 (1) +un1 (1)yt-1+ · · · +unpag (1)yt-pag+εt+β1 (1)εt-1+ · · · + βq (1)εt-q
mediante la t1 ,..., tmetro
yt=un0 (2) +un1 (2)yt-1+ · · · +unpag (2)yt-pag+εt+β1 (2)εt-1+ · · · + βq (2)εt-q
mediante la tmetro+1 ,..., tT
Let la suma de los residuos al cuadrado de cada modelo de ser SSR1 y ssr2,
respectivamente. Para probar la restricción de que todos los coeficientes son iguales
[es decir, a0 (1) = a0 (2) y a1 (1) = A1 (2) y ··· ap (1) = AP (2) y β1 (1) = β1 (2) y ···
βq (1) = βq (2)], utilice una prueba F y forma: 6
(SSR-SSR1- SSR2 ) (2,70)
F=
/norte
(SSR1+SSR2 ) / (T- 2n)
RCEsten = número de parámetros estimados (n = p + q + 1 si se incluye una
intersección y p + q lo contrario) y el número de grados de libertad son (n, T -
2n).
Intuitivamente, si la restricción no es vinculante (es decir, si los coeficientes son
iguales), la suma SSR1 + ssr2 debe ser igual a la suma de los residuos al cuadrado de
toda la estimación de la muestra. Por lo tanto, F debe ser igual a cero. Cuanto mayor
sea el valor calculado de F, más restrictiva es la suposición de que los coeficientes
son iguales.
Of supuesto, el método requiere que haya un número razonable de
observaciones en cada submuestra. Si bien tm o TN es muy pequeña, los coeficientes
estimados tendrán poca precisión. Un tipo alternativo de prueba Chow es una
variable uso maniquí para detectar una rotura en uno de más de los coeficientes. Por
ejemplo, si un descanso se sospecha inmediatamente después
tm periodo, puede crear una variable ficticia, Dt, de modo que Dt = 0 para todo t tm
≤ y Dt = 1 para t> tm. Para la prueba de una ruptura en la intersección de un AR (1)
modelo, por ejemplo, la verificación de la importancia de Dt en la yt regresión = a0 +
α0Dt + a1yt-1 + εt. A
permitir un descanso en ambos coeficientes, también crear la variable D tyt-1und
estimar la ecuación de regresión yt=un0+α0 ret+un1 yt-1+α1 retyt-1+εt. Puede probar
para un descanso mediante el examen de las estadísticas t individuales
deα0unreα1und la F-estadística para la hipótesis nulaα0=α1=0.
Volviendo al ejemplo del diferencial de tasas de interés examinadas en la Sección
10. Suponga
that Hay razones para creer una ruptura se produjo al final de 1981Q4. Tenga en
cuenta las estimaciones para los dos subperíodos:
st=0.923+0.367st-1+0.285st-2+εt+0.815εt-1- 0.153εt-7
(1960Q3 - 1981Q4)
y
st =1.799+0.800st-1+0.053st-2+εt+0.354εt-1+0.097εt-7
(mil novecientos
ochenta y dosQ1 -
2008Q1)
although los coeficientes de los modelos parecen ser diferentes, podemos probar
formalmente por la igualdad de los coeficientes usando (2.70). Respectivamente, la
suma de los residuos al cuadrado para las dos ecuaciones son SSR1 = 27.564 y
21.414 = ssr2. La estimación del modelo durante el período de muestra completa
produce SSR = 49.692. Puesto que hay 191
observaciones utilizables en la muestra y n = 5 (la intersección más los cuatro

coeficientes estimados), (2.70) se convierte
F= [(49.692-27,564 - 21,414) / 5] / [(27.564 + 21.414) / (191 - 10)] = 0,527.
Ingenioh 5 grados de libertad en el numerador y 181 en el denominador, no CAN
rechazar la hipótesis nula de ningún cambio estructural en los coeficientes (es decir,
podemos aceptar la hipótesis de que no hay ningún cambio estructural en los
coeficientes).
Alternativamente, para poner a prueba para un descanso en la intersección
solamente, podemos crear la variable Dt maniquí igual a cero antes de 1982Q1 y
igual a la unidad a partir de 1982Q1. Ahora, consideremos la ecuación para la
propagación estimado por toda la 1960Q1 - 2008Q1 periodo
st =1.277+0.312Dt +0.336st-1+0.435st-2+εt +0.837εt-1- 0.134εt-7

(3.55) (0.82) (3.23) (4.43) (13.14) (-3.33)
SINCe Dt salta de 0 a 1 en 1982Q1, la estimación para el intercepto es 1.227
antes de 1982Q1 y 1.589 (= 1.277 + 0.312) a partir de 1982Q1. Sin embargo, ya que
el estadístico t para la hipótesis nula Dt = 0 no puede ser rechazada, no hay evidencia
de una ruptura significativa de intercepción.
Endogenous saltos
Thprueba e Chow pregunta si hay una ruptura comenzando en algún particular,
conocida tm fecha de descanso. Una ruptura se produce en una fecha no
preespecificado por el investigador se llama una ruptura endógena para denotar
que el hecho de que no fue el resultado de una fecha de descanso fijo tal como de
septiembre de 2011. Para determinar si hay una rotura en cualquier parte de los
PLE SAM- , se puede realizar una prueba de Chow para cada potencial tm fecha
de descanso. No debe sorprender que la fecha de ruptura que resulta en el mayor
valor de la estadística F proporciona una estimación consistente de la fecha real
de ruptura, en su caso. Con el fin de garantizar una adecuada nú- mero de
observaciones en cada una de las dos submuestras, es necesario tener un
“recorte” de tal manera que la ruptura no podría ocurrir antes de que las primeras
observaciones t0 o después del último t - t0 observaciones. En la investigación
aplicada, es común el uso de un valor de corte de 10% de modo que hay al
menos 10% de las observaciones en cada una de las dos submuestras. En el
ejemplo de propagación del tipo de interés, hay 191 observaciones utilizables en
la 1960Q1 - 2008Q1 período (ya que los dos primero se pierden cuando la
estimación del coeficiente para st-2). Si ha utilizado un recorte del 10%, se
puede comprobar si hay una rotura en todo el intervalo de 1965Q1 - 2003Q2
(cada uno de aproximadamente 19 observaciones desde el principio y el final de
los datos utilizables). Por desgracia, la búsqueda de la fecha de ruptura más
probable es que el F-estadística para la hipótesis nula de no ruptura se infla.
Después de todo, sólo ha buscado la fecha que lleva al máximo, o supremo, el
valor de la muestra estadística F. Como tal, la distribu- ción para el F-estadística
no es estándar y no se puede obtener de un F-mesa tradicional. Como se detalla
en el capítulo 7, una serie de documentos, incluyendo Andrews y Ploberger
(1994) y Hansen (1997), muestran cómo obtener los valores críticos apropiados.
Afortunadamente, unanúmero de paquetes de software puede realizar fácilmente
tales pruebas.
Parameter
Inestabilidad
Tenga en cuenta que la prueba de Chow y sus variantes requieren el investigador
para especificar una fecha de descanso particular y asumir que la ruptura se
manifiesta plenamente en esa fecha. La CEPT inter, por ejemplo, es a0 (1) hasta tm y
es, precisamente, a0 (2) a partir de las tm + 1. Sin embargo, la suposición de que una
ruptura se produce exactamente en un solo punto en el tiempo puede que no siempre
sea apropiado. Como se mencionó anteriormente, no hay una fecha concreta en la
que se puede afirmar que se ha producido un cambio climático significativo. Del
mismo modo, no está claro cómo podemos proporcionar una
específic romper fecha para denotar el advenimiento “desregulación financiera” en
los mercados de activos o para asignar una fecha específica para el desarrollo de la
microcomputadora. Estos son procesos que han ido evolucionando con el tiempo.
Incluso si podríamos fechar el inicio exacto de la desregulación financiera o la
revolución del ordenador, todos los efectos de estos cambios no tendrían lugar al
instante. Como tal, no debería ser sorprendente que una serie de procedimientos que
se han desarrollado para comprobar la estabilidad de parámetros sin la necesidad de
identificar una fecha de descanso ular parti-. Probablemente, el método más sencillo
consiste en estimar el modelo de forma recursiva. Por ejemplo, si tiene 150
observaciones, se puede estimar el modelo utilizando sólo los primeros, por ejemplo,
10, observaciones. Representar gráficamente los coeficientes individuales y luego
reestimar el modelo usando las primeras 11 observaciones. Puede seguir repitiendo
este proceso hasta que utilice todas las 150 observaciones. En general, las parcelas
de los coeficientes no será plana ya que los valores narios prelimi- se estiman
utilizando un número muy pequeño de observaciones. Sin embargo, después de un
período de “burn-in”, los gráficos de tiempo de los coeficientes individuales pueden
proporcionar evidencia de la estabilidad coeficiente. Si la magnitud de un coeficiente
de repente comienza a cambiar, se debe sospechar un cambio estructural en ese
punto. Un cambio sostenido en un coeficiente podría indicar una especificación de
modelos. Una modificación particularmente útil de este procedimiento es para trazar
cada coeficiente junto con su estimada banda de desviación estándar ± 2. Las bandas
representan intervalos de confianza para los coeficientes estimados. De este modo,
UNt cada paso en el camino, también es posible crear el error fundido
extremidades anteriores de un solo paso de la ventaja. Vamos et (1) Sea el error
de pronóstico de un solo paso de la ventaja hecha usando todas las observaciones
a través de t. En otras palabras, et (1) es la diferencia entre yt + 1 y su pronóstico
condicional de yt + 1 (es decir, Et yt + 1). Si usted comienza con las primeras 10
observaciones, el valor de e10 (1) será y11 - E10y11 y el valor de E149 (1) serán
Y150 - E149y150. [Nota: Si usted entiende la notación, debe quedar claro que
no se puede crear el valor e150(1) ya que no tiene el valor dey151.] Si el
modelo se ajusta bien, los datos de la previsiones deben ser imparcial para que la
suma de estos errores de predicción no debería ser “demasiado far”de
cero. De hecho, Brown, Durbin, y Evans (1975) calcular si la suma acumulada de los
errores de predicción es estadísticamente diferente de cero. Para ser un poco más
formal, definir:
norte
CUSUMETROnorte= Σmiyo (1) /σmi norte= norte,..., T-1

yo=norte
RCEsten denota la fecha del primer error de pronóstico que construyó, T indica la
fecha de la última observación en el conjunto de datos y σe es la desviación estándar
estimada de
los errores de predicción. Con 150 observaciones totales (T = 150), si se inicia el

procedimiento a través de las primeras 10 observaciones (n = 10), 140 errores de
predicción (T - N) se pueden crear. Tenga en cuenta que σe se ha creado usando
todos los T - n errores de predicción. Si n = 10, para crear CUSUM10, utilice las
primeras 10 observaciones para crear el error de pronóstico de un paso por
delante y construir e10 (1) / σe. Ahora vamos a N = 11 y crear CUSUM11 como
[e10 (1) + mi11(1)] /σmi . Del mismo modo, CUSUMT-1 = [e10 (1) + ··· + ET-1
(1)] / σe. Si utiliza º e 5% nivel de significación, el valor de cada parcela valor de
CUSUMN debe ser dentro de una banda de aproximadamente
±0.948[(T -norte)0.5+2(norte-norte) (T
- norte)-0.5 ].
UNn Ejemplo de una

ruptura
Con el fin de ilustrar una serie de última hora, el primer panel de la Figura 2.10
muestra 150 las observaciones de la yt serie simulado = 1 + 0.5yt-1 + εt para t <101
y yt = 2,5 + 0.65yt-1 +
εtpara t ≥ 101. La serie está contenida en el archivo de Y_BREAK.XLS. Por
supuesto, en aplicar
trabajo, La ruptura puede no ser tan fácilmente evidente. Si ignora el descanso y
estimación
toda la serie como un (1) proceso de AR, debe obtener
yt=0.4442+0.8822yt-1
(2.635) (22.764)
UNs indicado por los dos paneles restantes de la figura, el (1) modelo AR
estimado está seriamente mal especificado. Panel 2 muestra las estimaciones de la
AR (1) coeficiente (junto con sus ± 2 bandas de desviación estándar) que resultan de
una estimación recursiva. Los intervalos de confianza inicial son bastante amplia ya
que las primeras estimaciones usan una pequeña cantidad de observaciones. Las
estimaciones todos parecen razonables hasta alrededor de t = 100. En este punto, las
estimaciones de la AR (1) aumento de coeficiente (a la inversa de lo que sucede en el
proceso de generación de datos). Tenga en cuenta que las bandas de confianza ni
siquiera se superponen con las de los períodos intermedios. La sugerencia claro es
que ha habido un cambio estructural significativo. Los CUSUMs, que se muestran en
el panel (3), están claramente dentro del intervalo de confianza del 90% para t <101.
En este punto,
Notice que los CUSUMs en realidad no salen de la banda hasta el final de la
muestra. Esto es indicativo del problema de que la prueba CUSUM puede no
detectar inestabilidad Coefi- ciente que ocurre tarde en el período de la muestra. Por
otra parte, la prueba no puede tener tanto poder, si hay varios cambios con poco
efecto global sobre los CUSUMs. Sin embargo, la prueba es una herramienta de
diagnóstico útil que no requiere el investigador para estipular la naturaleza de la
mala especificación del modelo. Es capaz de detectar las especificaciones del modelo
mis- de tan variadas fuentes, incluyendo roturas lisas estructurales, múltiples pausas,
no linealidades descuidado en el proceso de generación de datos, o un modelo nious
excesivamente parsimo-. Una variante de la prueba, a menudo llamado CUSUM (2),
es para formar los CUSUMs utilizando los errores cuadráticos. El uso de los errores
al cuadrado puede ayudar a detectar cambios en la varianza.
yof que tenía fuertes razones para creer que la ruptura se produjo en el periodo
101, se puede formar una variable ficticia Dt = 0 a t = 1 a 100 y Dt = 1 a partir de
entonces. Para comprobar si hay
Panel (a): La serie 12
10
-2
25 50 75 100 125 150
Panel (b): AR (1) coeficiente

2.0
1.5
1.0
0.5
0.0
-0.5
-1.0
-1.5
10 20 30 40 50 60 70 80 90 100 110 120 130 140 150
AR (1) +2 -2 enfermedades de transmisión sexual.
SDS.
PAGAnel (c): La prueba CUSUM

50
40
30
20
10
0
-10
-20
-30
-40
10 20 30 40 50 60 70 80 90 100 110 120 130 140 150
CUSUMS Superior al 5% Lower 5%
F IG UR E 2.10ReEstimación del Modelo cursiva

unn descanso interceptar, estimación

yt =0.9254+0.5683yt-1 +1.936Dt
(5.36) (8.91) (5.88)
SINCe el coeficiente para Dt es altamente significativo, se puede concluir que
hubo una ruptura en la intersección. Para comprobar si hay una rotura en el
coeficiente de origen y la pendiente, también forman la variable Dt yt-1 y
estimación:
yt =1.6015+0.2545yt-1 -0.2244Dt +0.5433Dtyt-1
(7.22) (2.76) (-0.391) (4.47)
En este caso particular, las variables ficticias indican que hay una ruptura, pero
no miden la magnitud de la ruptura muy bien (Nota: La ruptura real en la
intersección es 1,5 y la pausa real en la AR (1) coeficiente es 0,15 .) el coeficiente de
la ruptura de intercepción no es significativa, mientras que la ruptura en el
coeficiente de la pendiente es muy significativa. El F-estadística para la hipótesis
conjunta de que los coeficientes de Dt y Dt yt-1 son iguales a cero es 29.568. Con 2
grados de libertad en el numerador y el denominador 145 en, este valor es importante
en cualquier nivel convencional. El punto importante es que se puede concluir que la
AR sencillo (1) modelo está mal debido a un cambio estructural.
Si quería para estimar el valor más probable para tm, se podría repetir la
estimación para cada período de tiempo en el intervalo de 15 <tm <135. Los valores
de los estadísticos-F de cada estimación recursiva se muestran en la Figura 2.11.
Observe que los valores de F son mayores para tm = 100. Aunque esta estimación
consistente de la fecha de ruptura resulta ser exactamente correcto, usted debe
esperar una discrepancia cuando se utilizan datos reales. también tenga en cuenta
that la prueba F (y las estadísticas t de los coeficientes individuales) para la hipótesis
nula de no cambio estructural puede ser probado usando el método de Hansen (1997)
(véase el capítulo 7).
30
25
20
valores
15
F-
10
0
20 40 60 80 100 120 140
F I G U R E 2.11RePruebas F cursivas
COMBINING FORECASTS 109
13. COMBININPREVISIONES
G
What debe hacer si usted tiene varios modelos plausibles y desea utilizarlos para
extremidades anteriores reparto? Por ejemplo, en la Sección 10, resultó que hay
varios modelos plausibles del diferencial de tasas de interés. No tiene mucho sentido
para predecir sólo con el modelo “mejor” y descartar los otros. Después de todo, los
otros modelos pueden capturar alguna información que no está contenida en los
otros. La respuesta natural es la de pronosticar con todos los modelos plausibles y
luego tomar el promedio de los pronósticos.
En Resulta que la noción intuitiva de utilizar el promedio, o compuesto, el
pronóstico es bastante razonable. Bates y Granger (1969) fueron los primeros en
confirmar la intuición de que una media ponderada de las previsiones puede ser muy
beneficioso. Deje que el ajuste serie contiene
las previsiones de un solo paso-por delante de yt de modelo i (i = 1, 2, ..., n).
Considere el compuesto
pronóstico del FCT construido como media ponderada de las
predicciones individuales
Fdot=w1 F1t+w2 F2t+ · · · +wnorteFnortet (2,71)
Σnorte
wherew yo
son pesos de tal manera que
yo=1 i w =1.
Si los pronósticos son imparciales (de modo que Et-1fit = yt), se deduce que el
compuesto
pronóstico también es
imparcial:
mit-1 Fdot=w1 mit-1 F1t+w2 mit-1 F2t+ · · · +wnorte mit-1 FNuevo
Testamento
=w1 yt+w2 yt+ · · · +wnorte yt =yt
To mantener la notación simple, volver al caso en el que n = 2. yt Restar de cada
lado de (2,71) para obtener
Fdot-yt=w1 (F1t-yt) + (1-w1 ) (F2t-yt)
Now dejar e1t y e2t denotar la serie que contiene los errores de predicción
de un solo paso visto bueno de los modelos 1 y 2 (es decir, EIT = yt - FIT) y
dejar ect sea el error de pronóstico compuesto. Por lo tanto, podemos escribir
midot=w1 mi1t+ (1-w1 )mi2t
La varianza del error de pronóstico compuesto es
Virginiar (ect)
1 = w2 var (e1t) + (1 - w1) 2Var (e2t) + 2W1 (1 - w1) cov (e1t
e2t) (2.72)
At este punto, usted debería ser capaz de ver los beneficios potenciales de la
combinación de tales
pronósticos. Para tomar un ejemplo simple, suponer que las varianzas de error de
pronóstico son del mismo tamaño y que cov (e1t e2t) = 0. Si se toma un promedio
simple configurando w1 = 0,5, (2,72) indica que la varianza de la previsión del
compuesto es 25% de las varianzas de cualquiera de pronóstico: var (TEC) = 0.25var
(e1t) = 0.25var (e2t).
Optimal Pesos
Aunque promedio simple puede trabajar para reducir la varianza del error de
predicción, es posible encontrar los pesos óptimos. Si usamos (2,72) y seleccionamos
el peso W1 a fin de minimizar
Virginiar(midot):
δVirginiar(midot Virgi ) - 2 (1 -w) ) +2(1-2w)cov(ee )
niare Virginiare
)=
2w
δw1 1 1t 1 2t 1 1t 2t
The valor óptimo de w1 (llamado w *) está

1
* Virginiar(mi2t) -cov(mi1tmi2t)
1=
w (2,73)
Virginiar(mi1t ) + ) -2 mi )
2t
Virginiar( cov(mi1t
mi2t
und si cov(mi1tmi2t) =0, 1w*Californian ser escrito como
-1
= Virginiar( Virginiar(m
w* ) = Virgi i )
1
Virginiar(mi
mi2t) niare )-1
) + Var )-1 +
1t
(mi Virginiar(
mi
1t 2t 1t 2t
Por lo tanto, si la covarianza es cero, el peso óptimo es inversamente

proporcional a su varianza. Como var (e1t) obtiene relativamente pequeña, el peso
unido a F1T va a la unidad, y como var (e1t) obtiene relativamente grande, el peso
unido a F1T va a cero. Dado que no se conocen las varianzas de error de pronóstico
reales, en la práctica, se sustituye por el error de pronóstico estimado de las
variaciones del tipo de ejercicios de predicción fuera de la muestra realizada
anteriormente. En un entorno con un gran número de competir modelos de
predicción, la construcción de pesos óptimos como en (2.73) puede ser bastante
tedioso. Por otra parte, las estimaciones de los términos de covarianza son a menudo
pobres. Como tal, un número de investigadores, incluyendo Bates y Granger (1969),
recomienda la construcción de los pesos con exclusión de los términos de
covarianza. Por lo tanto, en el caso de n variables, los pesos se pueden construir
como
-1
* Virginiar(mi1t)
norte=
w (2,74)
Virginiar(mi1t )-1 + )-1+ · · · + )-1
Virginiar(mi Virginiar(miNuevo
2t Testamento
Es sencillo para calcular los recíprocos de la varianza del error de predicción de

cada modelo y luego a normalizar cada uno por la suma en todos los modelos.
Granger y Ramanathan (1984) muestran que un método equivalente para la
construcción de los pesos es utilizar un modelo de regresión. Considere la ecuación
de regresión
yt =α0+α1 F1t+α2 F2t+ · · · +αnorte Fnortet+vt
(2,75)
Por supuesto, sería posible forzarα0=0 yα1+α2+ · · · +αnorte=1. Debajo
Tescondiciones de correos, los de αi tendrían la interpretación directa de los pesos
óptimos para que w * podría ser igual a αi. Sin embargo, Granger y Ramanathan
y
recomiendan la inclusión de una intercepción para tener en cuenta cualquier sesgo y
o
dejar el de αi sin restricciones. Como
surveyed en Clemen (1989), no todos los investigadores están de acuerdo con la
Granger - Ramanathan
recomendación In y una cantidad sustancial de trabajo se ha llevado a cabo a fin de
obtener los pesos óptimos.
El re son dos diferencias importantes entre (2.74) y (2.75). En (2.75), uno o más
de los pesos estimados puede ser negativo. En tales circunstancias, la mayoría de los
investigadores estarían reestimar la regresión sin la previsión asociada con el
coeficiente más negativo. Además, en (2.75), el {vt} secuencia puede ser en serie
correlacionada. En tales circunstancias, Diebold (1988) recomienda el uso de los
valores retardados de términos medios yt y / o en movimiento para captar la
correlación en serie.
COMBINING FORECASTS
11
También es posible utilizar el SBC como un factor 1de ponderación. Ahora los
pesos están determinada por ajuste dentro de la muestra en lugar de los pronósticos
fuera de muestra. Deje SBCI ser el SBC del modelo i y dejar que sea el SBC * SBC
del modelo de mejor ajuste. Se puede formar fácilmente
αyo= Exp [(SBC * - SBCyo ) / 2] y luego construir los pesos
Σ
norte
wyo* =αyo / αyo

t=1
SINCe exp (0) = 1, el modelo con el mejor ajuste tiene el peso 1 / Σαi. Desde αi
es decreciente en el valor de SBCI, los modelos con un mal ajuste tienen pesos más
pequeños que los modelos con valores grandes de la SBC.
example Con la
propagación
En la Sección 10, se examinaron siete diferentes modelos ARMA del diferencial de
tasas. Teniendo en cuenta que los datos termina en abril de 2012, si se va a utilizar
cada uno de los siete modelos para hacer un pronóstico de un solo paso visto bueno
para enero de 2013, usted debe encontrar
AR (7) AR (6) AR (2) AR (|| 1,2,7 ||) ARMA (1, 1) ARMA (2, 1) ARMA (2, || 1,7 ||)
Fyo2013:1 0,775 0,775 0,709 0,687 0,729 0,725 0,799
promedio simple de las previsiones individuales (es decir, el establecimiento

de todos los pesos iguales a 1/7) se traduce en un pronóstico combinado de
0.743. Ahora, utilizar la metodología discutida en la Sección 10 para construir 50
un paso por delante fuera de la muestra previsiones para cada uno de los siete
modelos con el fin de obtener la serie ajuste. Después de construir las secuencias
con economías en transición en forma - yt, es trivial para encontrar los siete
valores de var (EIT). Si utiliza (2,74), usted debe encontrar que las varianzas de
error de pronóstico y los pesos asociados son
AR (7) AR (6) AR (2) AR (|| 1,2,7 ||) ARMA (1, 1) ARMA (2, 1) ARMA (2, || 1,7 ||)
var(mieso) 0,635 0,618 0,583 0,587 0,582 0,600 0,606
wyo 0,135 0,139 0,147 0,146 0,148 0,143 0,141
Los pesos son muy similares porque las varianzas de error de pronóstico son
iguales. Peso ing las previsiones individuales produce la previsión fc2013:1
compuesto = 0,741.
A continuación, utilice la propagación (st) para estimar una regresión en la forma
de (2.75). Si se omite
ºe interceptar y limitar los pesos a la unidad, debe obtener
st=0.55F1t-0.25F2t-2.37F3t+2.44F4t+0.84F5t-0.28F6t+1.17F7t (2,76)
although algunos investigadores incluiría los pesos negativos en (2.76), la
mayoría estaría de eliminar los que son negativos. Si reestimación sucesivamente el
modelo eliminando el pronóstico con el coeficiente más negativo, debe obtener
st=0.326F4t+0.170F5t+0.504F7t
COMBINING FORECASTS
11
Alabamal de los coeficientes son positivos y los residuos
2 no muestran ninguna
señal de correlación en serie. Como tal, es razonable utilizar los pesos 0,326, 0,170,
y 0,504 para ‖
las previsiones de la AR (‖1, 2, 7 ‖), ARMA (1, 1), y ARMA (2,‖1,7 ), Los
modelos,
COMBINING FORECASTS
11
3
respectivamente. El pronóstico del compuesto utilizando el método de regresión es
0,326 (0,687) +
0.170(0.729)+ 0.504(0.799) = 0.751.
Finalmente, Si utiliza los valores de la SBC como pesos, debe obtener
AR (7) AR (6) AR (2) AR (|| 1,2,7 ||) ARMA (1, 1) ARMA (2, 1) ARMA (2, || 1,7
||)
wyo 0.000 0.000 0,011 0,001 0,112 0,103 0,773
El pronóstico del compuesto utilizando pesos SBC es 0.782. En la actualidad, la

propagación en el año 2013: 1 resultó ser 0,74 (los datos reales contiene sólo dos
cifras decimales). De los cuatro métodos, simple promedio y ponderación de las
varianzas de error de pronóstico lo hizo bastante bien. En este caso, el método de
regresión y la construcción de los pesos utilizando el SBC proporcionan las
previsiones compuestos peores.
14. RESUMENY Y CONCLUSIONES

The capítulo se centra en la caja - (1976) Jenkins enfoque a la identificación,
estimación, la comprobación de diagnóstico y pronóstico de una serie de tiempo
univariante. modelos ARMA pueden ser vistos como una clase especial de
ecuaciones en diferencias lineales estocástico. Por definición, un modelo ARMA es
estacionaria covarianza, ya que tiene una media y covarianzas finito y invariante en
el tiempo. Para un modelo ARMA para ser estacionario, las raíces características de
la ecuación en diferencias deben se encuentran dentro del círculo unidad. Por otra
parte, el proceso debe haber empezado infinitamente lejos en el pasado o el proceso
debe estar siempre en equilibrio.
yon la etapa de identificación, la serie se representa gráficamente, y se examinan
las autocorrelaciones de muestra y las correlaciones parciales. Una función de
autocorrelación lenta descomposición sugiere no estacionariedad comportamiento.
En tales circunstancias, Box y Jenkins recomiendan diferen- ferencias de los datos.
Las pruebas formales para no estacionariedad se presentan en el Capítulo 4. Una
práctica común es utilizar un logarítmica o transformación Box - Cox si la varianza
no parece ser constante. El capítulo 3 presenta algunas técnicas modernas que se
pueden utilizar para modelar la varianza.
Thautocorrelaciones muestra E y las correlaciones parciales de los datos
adecuadamente transformadas se compararon con los de diversos procesos ARMA
teóricos. Todos els mo- plausibles se estiman y se compararon utilizando una pieza
de criterios diagnósticos. Un modelo bien estimado-(i) es parsimonioso, (ii) tiene
coeficientes que implican estacionariedad y invertibilidad,
(iii) se ajusta bien a los datos, (iv) tiene residuos que se aproximan a un proceso de
ruido blanco, (v) tiene coeficientes que no cambian durante el período de la muestra,
y (vi) tiene buenas predicciones fuera de muestra.
Una comprobación útil para la inestabilidad coeficiente implica técnicas de
estimación recursivos. Un cambio repentino en las estimaciones recursivas de uno o
más coeficientes es indicativo de un cambio estructural. La prueba de Chow se puede
utilizar para poner a prueba para un descanso en una fecha conocida y cambios más
gradual puede ser detectado por la estimación recursiva o mediante una prueba
COMBINING FORECASTS
CUSUM. Como dis- cussed en el capítulo 7, el (1994) Prueba de Andrews y 11
Ploberger puede detectar una ruptura endógena. Bai y Perron 4(1998, 2003) muestran
cómo probar múltiples roturas endógenos.
yon utilizando la metodología de Box - Jenkins, usted se encontrará haciendo
muchas opciones aparentemente ad hoc. El modelo más parsimonioso puede no tener
el mejor ajuste, sino que tenga las mejores previsiones de fuera de la muestra. Se
encontrará frente a la
QUESTIONS AND EXERCISES 113
los siguientes tipos de preguntas: ¿Cuál es la transformación de datos más adecuada?

Es un ARMA modelo (2, 1) más apropiado que un ARMA (1, 2) especificación?
¿Cómo puede mar- sonality mejor modelar? Lo que se debe hacer con coeficientes
aparentemente significativas en los retardos de tiempo razonablemente largo? Dada
esta latitud, muchos ven la metodología de Box - Jenkins como un arte que una
ciencia. Sin embargo, la técnica se aprende mejor a través de experiencia. Los
ejercicios al final de este capítulo están diseñados para guiarlo a través de los tipos
de opciones que se encontrará en su propia investigación.
PREGUNTAS y ejercicios
1. En el ejemplo de lanzar una moneda de la sección 1, sus ganancias promedio de los
últimos cuatro lanzamientos(wt)
Californian estar indicados por
wt =1/4εt +1/4εt-1 +1/4εt-2 +1/4εt-3
a. Encuentre el valor esperado de sus ganancias. Encuentre el valor esperado teniendo en
cuenta queεt-3=
εt-2 =1.
b. Encuentra var(wt). Encuentra var(wt)en condicionalεt-3 =εt-2 =1.
c. Aletad cov(wt,wt-1 ), cov(wt,wt-2 )Y cov(wt,wt-5 ).
2. Considere la de segundo orden proceso autorregresivo yt =un0+un2 yt-2+εtRCEstmi|un2 |<1.
a. Encontrar:
i. mit-2 yt ii. mit-1 yt iii.mityt+2 iv. cov(yt,yt-1 )
v. cov(yt,yt-2 ) VI.las autocorrelaciones parcialesφ11unreφ22.
b. Encuentra la función de respuesta al impulso. y dadat-2 , Trazar los efectos de
unaεtchoque en el
{yt}secuencia.
c. Determinar la función de predicción: Etyt+s . El error de pronóstico correot(s)es la
diferencia entre
yt+sund Etyt+s . Deducir la correlogram de la{mit(s)}secuencia. {Sugerencia: Encuentre Etmit(s),
Virginiar[mit(s)]Y Et[mit(s)mit(s-j)]para j=0 a s}.
3. Suplente (2.10) en Yt =un0+un1 yt-1+εt. Demostrar que la ecuación resultante es una
identidad.
a. Encuentra la solución homogénea a yt =un0+un1 yt-1+εt.
b. Encontrar la solución particular teniendo en cuenta que|un1 |<1.
c. Mostrar cómo obtener (2.10) mediante la combinación de las soluciones homogéneas y
particulares.
4. La solución general a una ecuación de diferencia de orden n requiere constantes n
arbitrarias. Con- Sider la ecuación de segundo orden yt=un0+0.75yt-1-0.125yt-2+εt.
a. Encuentra las soluciones homogéneas y particulares. Discutir la forma de la
función de respuesta de impulso.
b. Encontrar los valores de las condiciones iniciales que aseguren la{yt}secuencia es
estacionaria.
c. Dada su respuesta a la parte (b), derivar la correlogram para el{yt}secuencia.
5. Considere la ecuación de diferencia estocástica de segundo orden: y t=1.5yt-1-0.5yt-
2+εt.
a. Encuentra las raíces características de la ecuación homogénea.
b. Demostrar que las raíces de 1-1.5L+0.5L2son los inversos de su respuesta en
la parte a.
c. condiciones iniciales dadas para Y0undy1 , Encontrar la solución para yten cuanto a
los valores actuales y pasados de la{εt}secuencia.
d. Encuentra la función de previsión para yT+s(Es decir, encontrar la solución para los
valores de yT+steniendo en cuenta los valores de yT undyT-1 ).
e. Encuentra Eyt, Eyt+1 , var(yt), var(yt+1 )Y cov(yt+1 ,yt).
6. A menudo hay varias representaciones para el proceso de series de tiempo idénticos. En

el texto, la ecuación estándar para un (1) modelo de AR está dada por yt =un0+un1 yt-
1+εt.
a. Mostrar que las representaciones son equivalentes i.(yt-y) =un1 (yt-1-y) +εtdonde y
es la media incondicional de la{yt}serie y ii. yt=un0 / (1-un1 ) +μtRCEstmiμt= un1 μt-
1+εt.
b. En el capítulo 1, se consideraron varios modelos con una tendencia temporal
determinista. por
mijemplo, una versión modificada de la ecuación (1.62) es yt=un0+un1 yt-1+un2 t+εtdónde
|un1 |<1. Explicar por qué la ordenadatsecuencia no es estacionaria. Además, explicar por
qué la ordenadat
secuencia es estacionaria sobre la línea de tendencia una0+un2 t. ¿Qué significa decir que
la ordenadat
sequence es la tendencia estacionaria?
c. verify que el proceso generado por yt=dieciséis.2+0.2t+μtRCEstmiμt= 0.95μt-1+εtes
idéntico al proceso generado por yt = 1+0.95Yt-1+0.01t+εt.
d. Demostrar que el primer orden de tendencia estacionaria proceso yt=un0+un1 yt-
1+un2 t+εtdónde
|un1 |<1 se puede escribir en la forma y t=do0+do1 t+μtRCEstmiμt=do2 μt-1+εt .
Asimismo, el uso
el método de coeficientes indeterminados para encontrar los valores de c0 , c1 , y C2 .
7. A medida que lea más de la literatura de series de tiempo, usted encontrará que
diferentes autores, los diferentes paquetes de software informan de la AIC y el SBC de
varias maneras. El propósito de este ejercicio es demostrar que, independientemente del
método que utilice, siempre se seleccionará el
mismo modelo. Los ejemplos en el texto utilizan AIC=TEn(SSR) +2n y SBC=TEn(SSR) +
norteEn(T)donde SSR=suma de los residuos al cuadrado. Sin embargo, otras fórmulas
comunes incluyen
AIC*= -2 ln(L) /T+2n/T y SBdo*= -2 ln(L) /T+norteEn(T) /T
y
AIC'=miXP(2n/T)⋅ SSR/T SBC'=T norte/T ⋅ SSR/T
donde SSR=suma de los residuos al cuadrado, ln(L) =valor maximizado del registro de
la función de campana bilidad= - (T/2)En(2π) - (T/2)En(σ2 ) - (1/2σ2 )(SSR), yσ2 =
Virginiariance de los residuos.
a. Jennifer estima dos modelos diferentes durante el mismo período de tiempo y se
evalúa su ajuste utilizando el AIC fórmula*= -2 ln(L) /T+2n/T. Ella denota los dos
valores de AIC* (1)yAIC* (2)y encuentra que la AIC* (1)<AIC* (2). Justin estima los
mismos dos modelos durante el mismo período de tiempo pero evalúa el ajuste usando
el AIC fórmula=TEn(SSR) +2n. Muestran que los resultados de Justin deben ser tales
que la AIC(1)<AIC(2).
Insinuación: Desde la AIC* (1) <AIC* (2), Tiene que ser el caso de que 1ln(2π) +En(σ2 ) +
T(1/σ12 ) (SSR1 ) +2n1 /T<En(2π) +En(σ22 ) +T(1/σ22 ) (SSR2 ) +2n2 /T.
RCEstenyo , SSRyo yσyo 2son el número de parámetros, la suma de los residuos al
cuadrado, y la varianza residual del modelo de i, respectivamente. Recordemos que la
estimación deσ2es SSR/T.
Si simplifica la relación desigualdad, usted debe encontrar que es equivalente a T
En(SSR1 ) +2n1 <TEn(SSR2 ) +2n2 .
b. Muestran que todos los tres métodos de cálculo del SBC necesariamente seleccionar el
mismo
modelo.
c. Seleccione uno de los tres pares anteriores. Demostrar que la AIC nunca va a
seleccionar un modelo más nious parsimo- que el SBC.
8. El SIM_2.XLS archivo titulado contiene los conjuntos de datos simulados utilizados en
este capítulo. La primera serie, Y1 denotado, contiene los 100 valores de la AR
simulado (1) proceso utilizado en la Sección 7. El uso de esta serie para realizar las
siguientes tareas (Nota: Debido a las diferencias en el manejo de datos y el redondeo,
las respuestas sólo necesitan aproximarse a las que aquí se presenta.)
a. Trazar la secuencia contra el tiempo. ¿La serie parece ser estacionaria?
b. Utilizar los datos para verificar los resultados dados en la Tabla 2.2.
c. Estimar la serie como un (2) Proceso de AR sin una intercepción. dejando

correotdenotar la UAL resid- (que puede ser correlacionado en serie), debe obtener
yt =0.701yt-1 +0.105Yt-2 +mit; observaciones utilizables: 98
(7.01) (1.047)
Ljung - Q de la caja estadísticas: Q(8) =5.13.Q(dieciséis) =15.86.Q(24) =21.02
d. Estimar la serie como un ARMA (1, 1) de proceso sin una intercepción. Debe obtener
yt =0.844yt-1 -0.144εt-1 +mit; observaciones utilizables: 99
(12.dieciséis) (-1.12)
verify que la FAS y la FAP de los residuos no indican ninguna correlación serial.
9. La segunda columna de SIM_2.XLS archivo contiene los 100 valores de la ARMA
simulado (1, 1) proceso utilizado en la Sección 7. Esta serie se titula Y2. Utilice esta serie
para realizar las siguientes tareas (Nota: Debido a las diferencias en el manejo de datos y
el redondeo, las respuestas sólo tienen que aproximarse a las presentadas aquí.):
a. Trazar la secuencia contra el tiempo. ¿La serie parece ser estacionaria? Trazar la ACF.
b. verify los resultados en la Tabla 2.3.
c. Estimar el procedimiento utilizando un MA puro (2) modelo. Debe obtener
yt = -1.15εt-1 +0.522εt-2 +mit; observaciones utilizables: 100
(-13.22) (5.98)
verify que el Ljung - Box Q-estadísticas son Q(8) =28.48, Q(dieciséis) =37.47Y Q(24) =
38.84 con niveles de significación de 0,000, 0,000, y 0,015, respectivamente.
d. Comparar el MA (2) a la ARMA (1, 1).
10. La tercera columna de SIM_2.XLS archivo contiene los 100 valores de la AR simulado
(2) proceso utilizado en la Sección 7. Esta serie se titula Y3. Utilice esta serie para realizar
las siguientes tareas (Nota: Debido a las diferencias en el manejo de datos y de redondeo,
las respuestas sólo necesitan aproximada que los aquí presentados.):
a. Trazar la secuencia contra el tiempo. Verificar la ACF y los coeficientes FAP
reportados en la Sección 7. Comparar el ACF muestra y PACF a las de un AR teórico
(2) proceso.
b. Estimar la serie como una (1) Proceso de AR. Usted debe encontrar que la AR
estimado (1) coef- ciente y la estadística t son
yt=0.467yt-1+mit
(5.24)
Demostrar que las comprobaciones de diagnóstico estándar indican que este AR (1)
modelo es insuficiente. Asegúrese de realizar una estimación recursiva de la (1)
modelo AR y para trazar las CUSUMs.
c. Podría un ARMA (1, 1) proceso de generar el tipo de ACF muestra y PACF
encontrado en la parte A? Estimar la serie como una (1, 1) proceso ARMA. Debe
obtener
yt =0.183yt-1 +0.510εt-1 +mit; observaciones utilizables: 99
(1.15) (3.64)
Utilice los Ljung Box - Q-estadísticas para demostrar que el ARMA (1, 1) modelo es
insuficiente.
d. Estimar la serie como un (2) Proceso de AR para verificar los resultados presentados en
el texto.
11. Si aún no lo ha hecho, descargue el Manual de programación que acompaña a este texto y
el QUARTERLY.XLS conjunto de datos.
a. Sección 2.7 examina el precio de los productos terminados, medido por el PPI. formar
1,3 el
)
el cambio logarítmico en el PPI como DLY t=Iniciar sesión(ppit) -Iniciar sesión(ppit-
1 ). Verificar que un AR(‖ ‖
modol de la DLYtserie tiene un mejor ajuste dentro de la muestra de un AR (3) o un

b. ARMA
¿Cómo se(1,ajusta
1) especificación.
fuera de la muestra de la AR(‖,3)comparar a la de la ARMA (1, 1)?
‖ de la muestra de la AR(‖,3)a la de la
c. ¿Cuál es el problema en comparar el ajuste 1fuera
1 ‖
AR (3)?
d. Experimento con un AR (5) y un ARMA (2, 1) modelo (véase el ejercicio 2.1 en la
página 32 de 1,3 ).
el manual) para ver cómo se comparan con la AR(‖ ‖
12. Sección 2.9 del Manual de programación que acompaña considera varios els mo-
estacional de la Moneda variable (Curr) en el conjunto de datos QUARTERLY.XLS.
a. Primera diferencia del logaritmo de currty obtener el ACF y PACF de la serie resultante.
¿El patrón estacional mejor reflejan un AR, MA, o un patrón mixto? ¿Por qué hay una
problema en la estimación de la primera diferencia utilizando la metodología de Box -
Jenkins?
b. Ahora, obtener el FAS y la FAP de la diferencia estacional de la primera diferencia. Lo
que es probable que el patrón presente en la FAS y la FAP?
c. Aunque el manual indica que el ARMA (1, 1, 0) (0, 1, 1) tiene el mejor ajuste dentro
de la muestra, preparar una cuidadosa comparación de este modelo con un ARMA (0,
1, 1) (0, 1 , 1) especificación.
13. El QUARTERLY.XLS archivo contiene un número de serie que incluye el índice
estadounidense de la producción indus- ensayo (indprod), la tasa de desempleo (urato), y
el índice de precios al productor de los productos acabados (terminados). Todas las series
de ejecutar desde 1960Q1 a 2012Q4.
a. Ejercicios con indprod.
i. Construir la tasa de crecimiento de la serie como yt =Iniciar sesión(indprodt) -
Iniciar sesión(indprodt-1 ). Desde los primeros autocorrelaciones sugieren un AR (1),
y estimaciónt=0.0028+0.600Yt-1+εt(Los estadísticos t son 2,96 y 10,95,
respectivamente).
ii. Mostrar que la adición de un término AR en lag 8 mejora el ajuste y elimina
8 )plazo
algunos de la correlación en serie. ¿Qué preocupaciones tiene usted acerca de la
a la
simple adición de un AR(‖ ‖
series de producción industrial?
b. Ejercicios con urato.
i. La gráfica de la trayectoria en el tiempo y la ACF de la serie. ¿Tiene alguna
preocupación de que la serie puede no ser covarianza estacionaria con errores
distribuidos normalmente?
ii. Temporarily ignorar el tema de la diferenciación de la serie. Estimar urato
como un (2) Proceso de AR incluyendo una intercepción. Usted debe
encontrar yt=0.226+1.65yt-1 -0.683yt-2+εt.
iii. Encuentra las raíces características de la parte determinista de la ecuación de
diferencia y
discutir la naturaleza del proceso de ajuste que implica.
iv. Comparar el modelo de ii a la obtenida mediante la estimación de la primera
diferencia de la serie como una (1) Proceso de AR.
c. Ejercicios con cpicore.
i. No es muy a menudo que necesitamos segunda diferencia de una serie. Sin
embargo, la construcción de la tasa de inflación medida por el IPC subyacente
como DLYt =Iniciar sesión(cpicoret) -Iniciar sesión(cpicoret-1 ). Formar la FAS y la
FAP de la serie cualquier indican por qué una caja - modelador Jenkins podría
querer trabajar con la segunda diferencia del logaritmo del IPC subyacente.
ii. deje d2lytdenotar la segunda diferencia de la DLYtserie. Encontrar el mejor
modelo de la d2lytserie. En particular, muestran que un MA (1) modelo se ajusta
a los datos mejor que un AR (1).
iii. ¿El (1) MA o de la AR (1) tiene mejores propiedades de pronóstico?
iv. Estimar el Divinotserie como un (2) Proceso de AR. Comenzando con 2013: 1,
utilice su respuesta para obtener las 1-paso- a través de 12 pasos de la ventaja
previsiones del cpicoretserie. Compararlos con las previsiones de cpicoretDel
d2lytestimard como una
MA (1). (Nota: hay que transformar sus previsiones a las previsiones de la

cpicoret.)
14. El archivo contiene QUARTERLY.XLS de EE.UU. datos de la tasa de interés de
1960Q1 a 2012Q4. Como se indica en la Sección 10, forman la propagación restando la
tasa del Tesoro de la tasa de 5 años.
a. Utilice el período de la muestra completa para obtener estimaciones de la AR (7) y el
ARMA (1, 1) modelo informa en la sección 10.
b. Estimar el AR (7) y ARMA (1, 1) modelos durante el período 1960Q1 - 2000Q3.
Obtener la previsión de un paso adelante y el error de pronóstico de un paso por
delante de cada uno. Al igual que en la Sección 10, continuará actualizando el
período de estimación para obtener los 50 errores de predicción de un solo paso
visto bueno de cada modelo. Sea f1tdenotar las previsiones de la AR (7) y f2tdenotar
las previsiones de la ARMA (1, 1). Usted debe encontrar que las propiedades de las
previsiones son tales que
y2000Q3+t=0.0536+0.968f1tundy2000Q3+t= -0.005+1.000F2t.
Presentan los pronósticos imparcial?
c. Construir el Diebold - test Mariano utilizando el error absoluto medio. ¿Cómo se
comparan los resultados con los reportados en la Sección 10.
d. Usar la Granger - Newbold prueba para comparar la (7) modelo AR a la ARMA (1, 1).
e. La construcción de la FAS y la FAP de la primera diferencia de la propagación. ¿Qué
tipo de modelo se sugiere?
f. Muestran que un modelo con 2 AR retrasos y desfases MA a las 3 y 8 tiene un ajuste
mejor que cualquiera de los modelos presentados en el texto. ¿Qué opinas sobre un
modelo de este tipo?
15. El QUARTERLY.XLS archivo contiene la oferta de dinero de Estados Unidos, medida
por M1 (M1NSA) y la cantidad medida por M2 (M2NSA). Las series son promedios
trimestrales durante el período de 1960: 1 a 2012Q4.
a. Reproducir los resultados para M1 que se informa en la sección 11 del texto.
b. ¿Cómo los tres modelos de M1 informaron en el texto a comparar un modelo con un
RA estacional (1) con un término MA (1) término aditivo?
c. Obtener el ACF para la tasa de crecimiento de la serie M2NSA. ¿Qué tipo de
modelo es Sugirieron por el ACF?
d. Denotar la tasa de crecimiento estacional diferenciada de M2NSA por m2 t.
Estimar una (1) modelo de AR con un término MA estacional sobre el 1962: 3 a
2014: 4 período. Debe obtener m2 t=0.5412m2t-1 +εt -0.8682εt-4 . Muestran que
este modelo es preferible (i) un AR (1) con un término AR estacional, (ii) MA (1)
con un término AR estacional, y (iii) una MA (1) con una
plazo MA estacional.
e. WUld recomienda incluir un término MA en retardo 2 para eliminar cualquier resto
de correlación serial en los residuos?
16. El Y_BREAK.XLS archivo etiquetado contiene los 150 observaciones de la serie
construido como se
yt=1+0.5yt-1+ (1+0.1at-1 )ret+εtRCEstD etes una variable ficticia igual a 0 para t<
101 e igual a 1,5 para t≥101.
a. Explicar cómo esta representación del modelo permite la intercepción para saltar de 1
a 2,5 y la AR(1)coeficiente para saltar de 0.5 a 0,65.
b. Utilizar los datos para verificar los resultados presentados en el texto.
c. ¿Por qué cree que la intercepción estimada cae realmente comienza con un período de
101?
d. Estimar la serie como un (2) Proceso de AR. ¿En qué sentido la (2) modelo AR
funcionan mejor que la AR (1) modelo estimado en la parte a?
e. Realizar una estimación recursiva de la (2) modelo AR y trazar las CUSUMs. Es
adecuado el (2) modelo AR?
CAPÍTUR 3
VOLATILIDAD MODELAJE
learning Objetivos
1. exae los llamados hechos estilizados relativos a las propiedades de los
datos de series de tiempo económicas.
2. Presee Los modelos básicos ARCH y GARCH.
3. Show cómo los modelos ARCH y GARCH se han utilizado para estimar
la volatilidad de la tasa de inflación.
4. Ilustran cómo los modelos GARCH pueden capturar la volatilidad de los
precios del petróleo, bienes
NOS. PIB, y el diferencial de tasas de interés.
5. Show cómo un modelo GARCH se puede utilizar para estimar el
riesgo en un sector particular de la economía.
6. Explicar cómo estimar una prima de riesgo variable en el tiempo
mediante el modelo ARCH-M.
7. explore las propiedades de la GARCH (1, 1) de modelo y de
pronósticos de modelos GARCH.
8. Derivar la función de máxima verosimilitud para un proceso GARCH.
9. Explain varias otras formas importantes de modelos GARCH
incluyendo IGARCH, TARCH asimétrica, y modelos EGARCH.
10. Ilustrar el proceso de estimación de un modelo GARCH utilizando el
Índice NYSE 100.
11. Mostrar cómo los modelos GARCH multivariante puede ser utilizado
para capturar transmisión de volatilidad.
12. Desarrollar funciones de respuesta de impulso de volatilidad e ilustrar la
técnica de estimación a partir de datos del tipo de cambio.
Hombrey series de tiempo económico no tienen una media constante, y la mayoría
de las fases de exposición de relativa tranquilidad seguido por períodos de alta
volatilidad. Gran parte de la actual investigación econométrica se refiere a la
ampliación de la metodología de Box - Jenkins para analizar estos tipos de variables
de series temporales.
1. ECONOMIC Tiempo de la
serie: los hechos
estilizados
Figuras 3.1 a 3.6 ilustran el comportamiento de algunas de las variables más
importantes encontradas en el análisis macroeconómico. inspección superficial tiene
sus peligros, y las pruebas formal es necesario para apoyar cualquier punto
primeras impresiones. Sin embargo, la representación visual fuerte
118
ECONOMIC TIME SERIES: THE STYLIZED FACTS 119
patrón es que estas series no son estacionarias; las medias de las muestras no parecen
ser constante, y / o existe la fuerte aparición de heterocedasticidad. Podemos
caracterizar las principales características de las distintas series con estos hechos
estilizados:
1. HombreY de la serie contiene una tendencia clara.Real y el potencial
PIB de Estados Unidos, consumo, y la inversión (véase la figura 3.1)
exhiben una tendencia decididamente hacia arriba. Tenga en cuenta que el
consumo real es más suave que el PIB real y que inver- sión real es más
volátil que el PIB real.
2. The inestabilidad de muchas series no es constante en el tiempo.Real
inversión creció sin problemas a lo largo de la mayor parte de la década de
1960, pero se hizo muy variable en la década de 1970 y en 2007 con el
inicio de la crisis financiera. Tenga en cuenta que la volatilidad del PIB
real (véase la Figura 3.2) parece caer en 1984, muestra un pico ative neg
en 2007 y, a continuación, se estabiliza. Más dramático son los cambios
diarios
yon el registro de la Bolsa de Nueva York Estados Unidos 100 índice de
precios de acciones. En la Figura 3.3, se puede ver períodos en los que el
mercado de valores parece tranquilo junto períodos con grandes aumentos y
disminuciones en el mercado. Tales series son llamados condicionalmente
heteroscedásticos si el incondicional (o de largo plazo) varianza es
constante, pero hay períodos en los que la varianza es relativamente alta.
3. Choques de una serie puede mostrar un alto grado de
persistencia.Neither de la serie de tasa de interés se muestra en la figura 3.4
tiene una tendencia ascendente o descendente claro. Sin embargo, ambos
muestran un alto grado de persistencia. Tenga en cuenta que la tasa de las
letras del Tesoro a 3 meses experimentó dos oleadas ascendentes en la
década de 1970 y se mantuvo en los niveles altos durante varios años. Del
mismo modo, después de un fuerte descenso a finales de 1980, la tasa nunca
se mostrará de nuevo los niveles alcanzados a principios de 1980.
15000
12500
10000
Los mil millones de
dólares de 2005
7500
5000
2500
0
1950 1960 1970 1980 1990 2000 2010
PIB Potencial Consumo Inversión
F I G U R E 3.1Real PIB, consumo y la inversión

20
15
10
PAGorcentaje
5
por año
-5
-10
-15
1950 1960 1970 1980 1990 2000 2010
F I G U R E 3.2Anaualized tasa de crecimiento del PIB real
12.5
10.0
7.5
5.0
Por cientocambio
2.5
de edad
0.0
-2.5
-5.0
-7.5
-10.0
2000 2001 2002 2003 2004 2005 2006 2007 2008 2009 2010 2011 2012
F I G U R E 3.3PorCambio centaje en la Bolsa de Nueva York Estados Unidos 100 (4 enero

2000 hasta 16 julio 2012)
dieciséis
14
12
10
Por ciento por
8
año
0
1960 1965 1970 1975 1980 1985 1990 1995 2000 2005 2010
T-bill 5 años
F I G U R E 3.4A corto y largo plazo las tasas de interés
4. SomSerie E parecen deambular.Larva del moscardónh el euro y el

franco suizo parecen tener una ligera tendencia al alza mientras que la
libra esterlina (véase la Figura 3.5) no muestra propensión particular,
para aumentar o disminuir. Sin embargo, en el corto plazo, los valores de
los tres tipos de cambio para ir a través de períodos sostenidos de
apreciación y depreciación sin una tendencia a volver a una
2.25
2.00
1.75 Libra
currency Educación
1.50
físicar Dollar
1.25
UEro
1.00
0.75 SO. Franco
0.50
2000 2002 2004 2006 2008 2010 2012
F I G U R E 3.5DailY Tasa de cambio (3 enero 2000-4 abril 2013)

largo run significa. Este tipo de “paseo aleatorio” o “deriva”

comportamiento es típico de las series no estacionarias.
5. SomE Compartir serie de movimientos conjuntos con otras
series.Individualmente, el
3 meses tasa del Tesoro y el rendimiento de 5 años en valores del Gobierno
estadounidense no parecen ser estacionaria. A pesar de que las tasas no
muestran tendencia a reversión a la media, las dos series no se alejen
mucho. Por otra parte, los grandes choques a la tasa de 3 meses parecen ser
cronometrado de manera similar con los que la tasa de 5 años. La presencia
de tales movimientos conjuntos no debería ser demasiado sorprendente, ya
que las fuerzas que impulsan las tasas de corto plazo y largo plazo deben ser
similares. Por otra parte, no está claro si las diversas series de tipo de
cambio presenta la misma tendencia a largo plazo. Los movimientos en las
tres series son tales que todos parecen experimentar apreciaciones y
depreciaciones de forma simultánea. Sin embargo, no está claro si las
diferencias entre las tasas de crecimiento de tendencia son estadísticamente
significativas.
6. Some de los descansos serie de exhibición.The crisis financiera de 2007 -
2008 causó un número de series de tiempo para experimentar cambios
estructurales. Note como el PIB, el consumo y la inversión de bienes
muestran una disminución particularmente agudos en el momento de la
crisis. También tenga en cuenta que la libra se depreció fuertemente,
mientras que el euro y el franco suizo se redujo de forma menos dramática.
Como la actividad económica se redujo, también lo hizo el precio del
petróleo (véase la figura 3.6) como se evidencia por la extremadamente
fuerte caída en el precio de contado del Brent.
Tenga en cuenta que “a ojo” los datos no es un sustituto para probar formalmente
la presencia de heterocedasticidad condicional o por un comportamiento no
estacionario. A pesar de que
150
125
100
Educación físicar
75
dólares
barril
50
25
0
1987 1990 1993 1996 1999 2002 2005 2008 2011
F I G U R E 3.6WeeklY valores del precio al contado del petróleo (15 mayo 1987 hasta 1
noviembre 2013)
ARCH AND GARCH PROCESSES 123
MOSt de las variables que se muestran en las figuras son no estacionarias y / o

homoscedásticos, la cuestión no siempre será tan obvio. Afortunadamente, es posible
modificar las herramientas desa- artículo de opinión en el último capítulo para
ayudar en la identificación y estimación de dicha serie. El resto de este capítulo se
considera el problema de heterocedasticidad condicional. Modelos y pruebas
formales para la presencia de tendencias (ya sea determinista y / o estocásticos) se
discuten en el capítulo siguiente. El orden en el que se lee los capítulos 3 y 4 es
immate- rial; algunos instructores pueden desear cubrir el material en el capítulo 4 y
luego el material en el capítulo 3. Sin embargo, la cuestión de los movimientos
conjuntos de series temporales multivariantes debe esperar hasta que los capítulos 5
y 6. linealidades potenciales y los cambios estructurales se consideran en el capítulo
7.
2. ARCOH y GARCH PROCESOS

En modelos econométricos convencionales, la varianza del término de perturbación
se supone que es constante. Sin embargo, las figuras 3.2 y 3.3 demuestran que
muchos períodos serie exhiben tiempo económico de inusualmente grande
volatilidad seguidos por periodos de relativa tranquilidad. En tales circunstancias, el
supuesto de una varianza constante (homocedasticidad) es inapropiada. Es fácil
imaginar casos en los que es posible que desee para pronosticar la varianza
condicional de una serie. Como titular de activos, que estaría interesado en las
previsiones de la tasa de rendimiento y su variación durante el periodo de
mantenimiento. La varianza incondicional (es decir, el pronóstico a largo plazo de la
varianza) sería poco importante si va a comprar el activo en t y vender en t + 1.
Ene aproximación a la predicción de la varianza es introducir explícitamente una
variable independiente que ayuda a predecir la volatilidad. Considere el caso más
simple en el que
yt+1 =εt+1 Xt
dónde: yt1es la variable de interés
εt1es un término de perturbación de ruido blanco con varianza σ2
Xtyos una variable independiente que puede ser observada en el período t
Si xt = xt-1 = xt-2 = · · · = constante, la {yt} secuencia es el familiarproceso
de ruido blanco con una varianza constante. Sin embargo, cuando las realizaciones
de la secuencia {xt} no todos son iguales, la varianza de yt + 1 condicional en el
valor observable de xt es
Virginiar(yt+1 |Xt ) =X2t σ2
Sue la varianza condicional de yt + 1 depende del valor realizado de xt. Ya que se
puede observar en xt período de tiempo t, se puede formar la varianza de yt + 1
condicionalmente en el valor realizado de xt. Si la magnitud (xt) 2 es grande
(pequeño), la varianza de yt + 1 será grande (pequeño) también. Además, si los
valores sucesivos de {xt} exhibir correlación serial positiva (de modo que un valor
grande de xt tiende a ser seguidas por un valor grande de xt + 1), la varianza
condicional de la secuencia {yt} exhibirá correlación serial positiva también. De esta
manera, la introducción de la secuencia {xt} puede explicar los períodos de
volatilidad en el
{yt} secuencia. En la práctica, es posible que desee modificar
el modelo básico introduciendo
ºe coeficientes de α0 y α1 y la estimación de la ecuación de regresión en forma
logarítmica como
En(yt) =α0+α1En(Xt-1 ) +mit
RCEste et es el término de error [formalmente,
et = ln (εt)].
Este procedimiento es simple de implementar ya que los resultados de la

transformación logarítmica en una ecuación de regresión lineal; OLS puede ser
utilizado para estimar α0 y α1 directamente. Una dificultad importante con esta
estrategia es que supone una causa específica para la varianza cambiante. Por otra
parte, la metodología también obliga {xt} a afectar a la media de ln (YT). A menudo,
puede que no tenga una razón teórica firme para la selección de un candidato para la
{xt} secuencia sobre otras opciones razonables. Fueron las crisis del petróleo, un
cambio en la conducción de la política monetaria, y / o el colapso del sistema de
Bretton Woods, que fue responsable de la volatilidad de la inversión real durante la
década de 1970? Además, la técnica requiere una transformación de los datos de tal
manera que la serie resultante tiene una varianza constante. En el ejemplo que nos
ocupa, el {εt} secuencia se supone que tienen una varianza constante. Si se viola este
supuesto, alguna otra transformación de los datos es necesario.
ARCOProcesos H
En lugar de utilizar ad hoc opciones variables para xt y / o transformaciones de
datos, Engle (1982) muestra que es posible modelar simultáneamente la media y la
varianza de una serie. Como paso previo a la comprensión de la metodología de
Engle, tenga en cuenta que las previsiones condicional son muy superiores a las
previsiones incondicionales. Elaborar, supongamos que estimar el modelo ARMA
estacionario yt = a0 + a1yt-1 + εt y desea pronosticar yt + 1. La media condicional de
yt + 1 es
mityt+1=un0+un1 yt
Si utilizamos esta media condicional para pronosticar yt + 1, la varianza del error
de predicción es
ε2 =σ2 . Sin embargo, si se utilizan las previsiones
mit[(yt+1-un0-un1 yt)2 ] =mitt+1
incondicionales,
ºpronóstico incondicional e es siempre la media a largo plazo de la secuencia {yt}
igual a
un0 / (1 -un1 ). La varianza del error de predicción es incondicional
mi{[yt+1-un0 / (1-un1 )]2 } =mi[(εt+1+un1 εt+un2 εt-1+un3 εt-2· + · ·)2 ]
1 1
=σ2 / (1-un21)
SINCe 1 / (1 - a2)> 1, el pronóstico incondicional tiene una varianza mayor
1
que el pronóstico condicional. Por lo tanto, los pronósticos condicionales (ya que
tienen en cuenta larealizaciones actuales y anteriores conocidos de serie) son
claramente preferible.
Del mismo modo, si la varianza de εt {} no es constante, se puede estimar
cualquier tendencia de movimientos sostenidos de la varianza utilizando un modelo
ARMA. Por ejemplo, sea {t} denotar los residuos estimados a partir del modelo yt =
a0 + a1yt-1 + εt de manera que la varianza condicional de yt + 1 es
yt t
2
t+1 0 1 t
Virginiar(yt+1 | ) =mi[(y -un -sí)]
=mit(εt+1 )2
TO este punto, hemos establecido Et (εt + 1) 2 igual a la σ2 constante.

Supongamos ahora que la varianza condicional no es constante. Una estrategia
simple es modelar la varianza condicional como un proceso AR (q) el uso de los
cuadrados de los residuos estimados
�2̂ =α + α2 + α2 �̂2 + · · · +αq �2̂ +v (3,1)
t 0 1 t-1 t-2 t-q t
RCEste vt es un proceso de ruido blanco.

Si los valores de α1, 2, ..., αn todos iguales a cero, la varianza estimada es

simplemente el α0 constante. De lo contrario, la varianza condicional de yt
evoluciona de acuerdoal proceso progresivo autore- dada por (3.1). Como tal, puede
utilizar (3.1) para pronosticar la varianza condicional en t + 1
mit�2̂ =α0+α1 �2̂ +α2 + · · · +αq �̂2
t+1 t 2 t-1 t+1-q
for esta razón, una ecuación como (3.1) se llama un modelo autorregresivo
heteroscedásticos condicional (ARCH). Hay muchas posibles aplicaciones de los
modelos ARCH desde los residuos en (3.1) pueden provenir de una autorregresión,
un modelo ARMA, o un modelo de regresión estándar.
yon la actualidad, la especificación lineal de (3,1) no es el más conveniente. La
razón es que el modelo de {yt} y la varianza condicional se estima mejor manera
simultánea utilizando técnicas de máxima verosimilitud. Además, en lugar de la
especificación dada por (3.1), es más manejable para especificar vt como una
perturbación multiplicativa.
El ejemplo más simple de la clase de heteroskedas- condicionalmente
multiplicativo
TIC modelos propuestos por Engle (1982) es
√
εt=vt α0 + α1 εt-1
2 (3,2)
RCEstvt = proceso de ruido blanco e tal que σ2 = unre Arkansase independiente
1, v ε de cada uno
v t t-1
otroyα0unreα1Arkansase constantes de tal manera queα0>0 y 0≤α1≤1.
consider las propiedades de la secuencia {εt} propuesta. Desde vt es ruido
blanco y
yos independiente de εt-1, es fácil demostrar que los elementos de la secuencia
{εt} HAVea
mean de cero y no están correlacionados. La prueba es sencilla. Tome el incondicional
expectation de εt. Desde Evt = 0, se deduce que
miεt=mi[vt(α0 +α1 εt-1 ) ]
2 1/2
=evtmi(α0+α1 ε2
)1/2=0 (3.3)
t-1
SINCe Evtvt-yo =0, se deduce
también que
miεtεt-yo =0 yo≠0 (3.4)
The derivación de la varianza incondicional de εt también es sencillo. Cuadrado
εtund tener la expectativa incondicional para formar
miε2=mi[v2 (α +α1 ε2 )]
t t 0 t-1
=ev2 mi(α +αε2 )
t 0 1 t-1
SINCe σ2 v = 1 y la varianza incondicional de εt es idéntica a la de ε t-1

(Es decir, Eε2= ), La varianza es incondicional
miε2
t t-1 miε2=α/ (1-α) (3,5)
t 0 1
Así, La media y la varianza incondicional no se ven afectadas por la presencia

del proceso de error dada por (3.2). Del mismo modo, es fácil demostrar que la
media condicional de εt
yoS igual a cero. Dado que vt y εt-1 son independientes y que Evt = 0, el condicional
mean deεtes
mi(ε|tεt-1 ,,.
t-2. . ) =mi v mi0 (α+ αεt-1
t-1 tt-1 1 )
2 1/2
=0
UNt este punto, usted podría estar pensando que las propiedades de la secuencia
{εt} no se ven afectados por (3.2), ya que la media es cero, la varianza es constante,
y todos ANCES autocovari- son cero. Sin embargo, la influencia de (3.2) cae por
completo de la varianza condicional.
because EV2 t = 1, la varianza de εt condicionado a la historia pasada t-1 , �t- ,...es
mi[ε2ε , de ε 2 2
t-1 t-2 0 1
t| ,. . . ] = α +αεt-1 (3,6)
En (3.6), la varianza condicional de εt es dependiente del valor realizado de ε2. t-1
Si el valor dado cuenta det-1
yos grande, la varianza condicional en t va a ser grande
ε2 también.
En (3.6), la varianza condicional es un primer orden autorregresivo
Condicionalmente Het- proceso eroskedastic denotado por ARCH (1). A diferencia
de un auto regresión de costumbre, los coeficientes α0 y α1 tienen que ser
restringido. Con el fin de garantizar que la varianza condicional nunca es negativo,
es necesario asumir que tanto α0 y α1 son positivos. Después de todo, si α0 es
negativo, un suficientemente pequeño realización de εt-1 significará que (3.6) es
negativo. Del mismo modo, si α1 es negativo, una suficientemente grande
realización de εt-1 puede hacer que un valor negativo para la varianza condicional.
Además, para garantizar la estabilidad de la
proceso, es necesario restringir α1 tal que 0 ≤ α1 ≤ 1.
Las ecuaciones (3.3) - (3.6) ilustran las características esenciales de cualquier
proceso ARCH. En
unmodelo n ARCH, las expectativas condicionales e incondicionales de los términos
de error son iguales a cero. Por otra parte, la {εt} secuencia es en serie no
correlacionados, ya que, para todo s ≠ 0, Eεt εt-s = 0. El punto clave es que los
errores no son independientes, ya que son
relacionard a través de su segundo momento (recuérdese que la correlación es una
relación lineal).
La propia varianza condicional es un proceso autorregresivo que resulta en errores
condicionalmente heteroscedásticos. Cuando el valor realizado de εt-1 está lejos det-1
cero - de manera que α1ε2 es relativamente grande - la varianza de εt tenderá a ser
grande. Como se verá momentáneamente, la heteroscedasticidad condicional en εt
{} dará lugar a {yt} siendo heterocedástica sí. Por lo tanto, el modelo ARCH es
capaz de capturar períodos de tranquilidad y la volatilidad de la serie {yt}.
Los cuatro paneles de la Figura 3.7 representan dos modelos ARCH diferentes.
El panel (a), repre- resentir la {vt} secuencia, muestra 100 se desvía al azar en serie
no correlacionadas y normalmente distribuidos. De la inspección ocasional, la
secuencia {vt} parece fluctuar en torno a una media de cero y tienen una varianza
constante. Tenga en cuenta el aumento moderado de volatilidad entre los períodos 50
y 60. Teniendo en cuenta la condición ε0 inicial = 0, estas realizaciones de la
{vt} Secuencia se utiliza para construir los próximos 100
valores de la {εt} secuencia utilizando equation (3.2) y el
establecimiento de α0 = 1 y α1 = 0,8. Como se ilustra en Panel (B), el {εt}
secuencia también tiene una media de cero, pero la varianza parece expee un
aumento de la volatilidad alrededor de t = 50.
¿Cómo afecta la estructura de error de {yt} secuencia? Claramente, si el
parámetro autorregresivo A1 es cero, yt es nada más que εt. Por lo tanto, Panel (b) se
puede utilizar para representar la trayectoria temporal de la secuencia {yt} para el
caso de a1 = 0. Los paneles (c) y (d) muestran el comportamiento de la {yt} de
secuencia para los casos de a1 = 0,2 y 0,9, respectivamente. El punto esencial a
destacar es que la estructura de error ARCH y los parámetros de autocorrelación de
la
{yt}process interactúan entre sí. Paneles de comparación (C) y (D) ilustra que la
volatilidad de {yt} está aumentando en a1 y a1. La explicación es intuitivo.
Cualquier aliado unusu- grande (en valor absoluto) de choque en vt estará asociado
con un persistentemente gran variación en la secuencia {εt}; cuanto mayor es α1,
cuanto mayor sea la persistencia. Por otra parte, cuanto mayor es la a1 parámetro
autorregresivo, más persistente es cualquier cambio dado
2
White-ruido del proceso
t
v ε tv =t 1 + 0.8εt-1
8 8
0 0
-8 -8
0 50 100 0 50 100
PAGAnel (a) PAGAnel (b)
yt= 0.2yt-1+ εt yt= 0.9yt-1+ εt

20 20
0 0
-20 -20
0 20 40 60 80 100 0 20 40 60 80 100
PAGAnel (c) PAGAnel (d)
F I G U R E 3.7Los procesos ARCH simulados
en YT. Cuanto más fuerte es la tendencia de {yt} permanezca lejos de su media,

mayor es la varianza.
To examinar formalmente las propiedades de la secuencia {yt}, la media
condicional y
variance están dadas por
mit-1 yt =un0+un1 yt-1
y
yt-1
2
t-2 t-1 t 0 1 t -1
Virginiar(yt| ,y ,. . . ) (y- – sí )
=mi un
=mit-1 (εt)2
=α0 +α1 (εt-1 )
2
2 Cannot sea, el valor mínimo negativo para la variabilidad

SINCmiα1unreε t-1
condicional
Congreso Nacional Africanoe es α0. Para cualquier realización no nulo de εt-1, la
varianza condicional de yt es posi-
itively relacionada con α1. La media y la varianza incondicional de yt se pueden
obtener
la solución de la ecuación de diferencia para las expectativas yt y luego tomando. Si se
inició el proceso de
suficientemente lejos en el pasado (para que el A0 constante arbitraria de forma segura
puede ser ignorada), el
solución para yt es
α0 ∞
y = Σ un yo
εt-yo (3,7)
1-un1 +yo=
t 1
SINCe Eεt = 0 para todo t, la expectativa incondicional de (3.7) es Eyt = a0 /

(1 - un1 ). La varianza incondicional puede obtenerse de una manera
similar usando (3.7). D a r n que Eεt εt-i es cero para todo i ≠ 0, la varianza
incondicional de yt sigue directamente a partir de (3.7) como
∞
Virginiar(yt) = Σun2i1Virginiar(εt-yo )
yo=0
from el resultado de que la varianza incondicional de εt es constante [es decir, var

(εt) =
Virginiar(εt-1 ) =Virginiar(εt-2 ) = · · · =α0 / (1-α1 )], resulta que
( ( )
α0 )
Virginiar(yt) = 1 2
1- α1 1-un 1
Claramente, La varianza de la secuencia {yt} está aumentando en α1 y en el
valor absoluto de a1. El punto generaliza claramente a los procesos autorregresivos
de orden superior.
Thproceso de e ARCH dada por (3.2) se ha extendido en varios aspectos
interesantes. (1982) contribución original de Engle considera toda la clase de
procesos de orden superior Arch (q):
√
√ Σ
√
εt=vt + αε2
q
(3,8)
√α yo t-yo
0 yo
=1
En (3.8), todos los choques de εt-1 a εt-q tienen un efecto directo sobre εt, de
manera que la varianza cional condi- actúa como un proceso autorregresivo de orden
q. Es un buen ejercicio para
demostrar que el pronóstico para ε2 t+1
Et que surge a partir de (3.1) es precisamente el
mismo que
a partir de (3.8).
The Modelo GARCH

Bollerslev (1986) amplió el trabajo original de Engle mediante el desarrollo de una
técnica que permite la varianza condicional a ser un proceso ARMA. Ahora dejar
que el proceso sea tal que el error
√
εt =vt ht
RCEstmiσ
v
2
=1 y
q pag
ht=α0+ Σ αyo ε 2
t- + Σβyo ht-yo (3,9)
yo=1 yo yo=1
SINCe {vt} es un proceso de ruido blanco, los medios condicionales e

incondicionales de εt
Arkansase igual a cero. Tomando el valor esperado de εt, es fácil comprobar que
miεt=evt(ht)1/2=0
The punto importante es que la varianza condicional de εt está dada por Et-1ε2 =
h.
t t
Así, La varianza condicional deεtyos El proceso ARMA dado por la expresión h t
en(3.9).
Este arco generalizada (p, q) modelo - llamado GARCH (p, q) - permite tanto
autorregresivo y mover componentes promedio en la varianza heterocedástica. Si
fijamos p = 0 y q = 1, es evidente que el modelo ARCH primer orden dada por (3.2)
es simplemente un GARCH (0, 1) modelo. Del mismo modo, si todos los valores de
βi son iguales a cero, el GARCH (p, q) modelo es equivalente a un modelo ARCH
(q). Los beneficios del modelo GARCH deben ser claros; un modelo ARCH de
orden superior puede tener una representación GARCH más parsimoniosa que es
mucho más fácil de identificar y estimación. Esto es particularmente cierto ya que
todos los coeficientes en (3.9) deben ser positivos. Claramente, el modelo más
parsimonioso implicará un menor número de restricciones de coeficiente. Por otra
parte, para garantizar que la varianza es finita, todas las raíces características de (3.9)
deben encontrarse e implican que el proceso es stable.1
The característica clave de los modelos GARCH es que la varianza condicional
de los disturbios de la secuencia {yt} actúa como un proceso ARMA. Por lo tanto, es
de esperar que los residuos de un modelo ARMA equipado deben mostrar este
patrón característico. Para explicar, supongamos que estimar {yt} como un proceso
ARMA. Si su modelo de {yt} es la adecuada, la FAS y la FAP de los residuos deben
ser indicativo de un proceso de ruido blanco. Sin embargo, la ACF de los residuos al
cuadrado puede ayudar a identificar el orden del proceso GARCH. La ecuación (3.9)
se parece mucho a un proceso estándar ARMA (p, q). Como tal, si hay
heteroscedasticidad condicional, la correlogram debe ser sugerente de un proceso de
este tipo. La técnica para construir el correlogram de los residuos al cuadrado es la
siguiente:
STEP 1:Estimar el {yt} secuencia utilizando el “mejor ajuste” modelo ARMA
(o modelo de regresión) y obtener los cuadrados de los t errores
empotrados {2}. Además, el cálculo de
ºe muestra de varianza de los residuos (2) definida como
T
�
2
= Σ̂ tε/T
2
t=1
RCEste T = número de
residuos.
STEP 2:calculatE y trazar las autocorrelaciones de muestra de los residuos al
cuadrado como
T Σ
(�̂2-�
2
) (�̂2 -�
2
)
t t-yo
ρyo=
t=yo+1
T
136
Σ
ARCH AND GARCH PROCESSES
(�t̂2-�)
2 2
t=1
STEP 3:recall
puede del Capítulopor
aproximar 2, en
1 /muestras grandes
√T.2 valores la desviación
individuales de ρiestándar
que son de ρi se
significativamente
diferente de cero son indicativos de errores GARCH. Ljung - Box Q-

estadísticas se puede utilizar para poner a prueba a los grupos de
coeficientes significativos. Al igual que en el capítulo 2, la estadística
norte
Q=T(T+2) Σρ2 / (T-yo)
y
yo=1 o
decir ahs una distribución χ2 asintótica con n grados de libertad si el t{2}

secuencia es en serie no correlacionado. Rechazar la hipótesis nula de quet
la {2} secuencia es en serie sin correlación es equivalente a rechazar la
hipótesis nula de ningún error ARCH o GARCH. En la práctica, se debe
considerar los valores de n hasta T / 4.
Una prueba más formal multiplicador de Lagrange de errores ARCH es la prueba
de McLeod y Li (1983). La metodología consiste en los dos pasos siguientes: 3
STEP 1:Use OLS para estimar la ecuación de regresión más apropiada o modelo
ARMA y permiten t {2} denotan los cuadrados de los errores empotrados.
STEP 2:regress estos residuos al cuadrado en una constante y en la q valores
rezagados t-2 t-3 t-q
�̂2t-1 ,2 ,2 ,...,�̂2 , Es decir, estimar una regresión de la forma
�2̂ =α + α2 + α2 �̂2 + · · · +αq �2̂
t 0 1 t-1 t-2 t-q
Si no hay ARCH o GARCH efectos, los valores estimados de α1 a través αq

debe ser cero. Por lo tanto, esta regresión tendrá poco poder explicativo de modo que
el coeficiente de determinación (es decir, la habitual R2) será bastante baja.
Utilizando una muestra de residuos T, bajo la hipótesis nula de ningún error arco, la
estadística de prueba TR2 con- arcenes a una distribución χ2 con q grados de
libertad. Si TR2 es suficientemente grande, el rechazo de la hipótesis nula de que a1
a través αq son en conjunto es igual a cero valente valente al rechazo de la hipótesis
nula de ningún error ARCH. Por otro lado, si TR2 es suficientemente baja, es posible
concluir que no hay efectos ARCH. En los pequeños tamaños de muestra usado
típicamente en el trabajo aplicado, una prueba F para la hipótesis nula
α1= ··· =αq= 0 se ha demostrado ser superior a unaχ2prueba. Comparar el
valor de muestra de F a los valores en un F-mesa con q grados de libertad en el
numeratoR y T - q grados de libertad en el denominador.
3. ARCOH y GARCH estimaciones

de la inflación
ARCOmodelos H y GARCH han vuelto muy populares porque permiten el perito de
metro econométrico para estimar la varianza de una serie en un punto determinado
en el tiempo. Claramente, los modelos de valoración de activos indican que la prima
de riesgo dependerá del rendimiento esperado y la varianza de la citada declaración.
La medida relevante es el riesgo a lo largo del periodo de mantenimiento, no el
riesgo incondicional. Del mismo modo, un gestor de cartera que utiliza el valor en
riesgo (véase el Manual suplementario) puede no estar dispuesto a mantener una
cartera con un 5% de posibilidades de perder $ 1 millón. La evaluación del riesgo
debe ser determinado utilizando la distribución condicional de rendimientos de los
activos. Para utilizar el ejemplo de Engle de la importancia de utilizar
ARCH AND GARCH ESTIMATES OF INFLATION 131
ºe varianza condicional en lugar de la varianza incondicional, tenga en cuenta la

naturaleza del proceso de negociación salarial. Claramente, las empresas y los
sindicatos necesitan para pronosticar la tasa de inflación a lo largo de la duración del
contrato de trabajo. La teoría económica sugiere que los términos del contrato de
trabajo dependerán de las previsiones de inflación y la incertidumbre concern- ing la
exactitud de estas previsiones. Deje Et πt + 1 denotan la tasa esperada condicional de
inflación para t + 1 y dejar π Denote la varianza condicional. Si las partes en el
que σ2 t contrato
ARCH AND GARCH ESTIMATES OF INFLATION 132
HAVe expectativas racionales, los términos del contrato dependerá de Et π πt + 1 y σ2 como

opposed para la media incondicional o la varianza incondicional. t
Este ejemplo ilustra un punto muy importante. Las expectativas racionales hipó- tesis afirma que
los agentes no pierden información útil. En previsión de cualquier serie de tiempo, los agentes
racionales utilizan la distribución condicional, en lugar de la distribución incondicional, de la serie. Por
lo tanto, cualquier prueba del modelo de negociación salarial anterior que utiliza la varianza histórica
de la tasa de inflación sería incompatible con la noción de que los agentes gestionar racionalmente
hacen uso de toda la información disponible (es decir, medias y varianzas condicionales). Premio
Nobel 2003 de Engle (compartido con Clive Granger) es un testimonio de la importancia de los
modelos ARCH. Los modelos teóricos mediante la varianza como medida de riesgo (tales como el
análisis de varianza media) pueden ser probados usando la varianza condicional. Como tal, el
crecimiento en el uso de métodos ARCH / GARCH ha sido poco menos que impresionante.
likelihood techniques
ultimo 2

Ultimo 2.en - Es

Cargado por

Información del documento

Descripción original:

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Ultimo 2.en - Es

Cargado por

Copyright:

Formatos disponibles

período de la muestra.

Por lo tanto, es difícil mantener que la correlación en el

2. CAJA- Selección del modelo

ºe AR (1) modelo yt = 0.5yt-1 + εt tiene el equivalente infinito orden mover

(1-un1 L-un2 L2 )yt= (1+β1 L+β2 L2+β3 L3 )εt (2,43)

Suppose que (1 - A1L - A2L2) y (1 + β1L + β2L2 + β3L3) puede ser

(1+unL)yt= (1+segundo1 L+segundo2 L2 )εt (2,44)

en el {yt} secuencia que no se explica por los coeficientes ARMA incluidas en el

yof conoce los coeficientes a0 y a1, se puede pronosticar yt + 1 condicional a la

mityt+1= un0+un1 yt (2,47)

RCEste Et yt + j es un modo corto mano para escribir la expectativa condicional de

De la misma manera, ya =un +un y

Así, La previsión de yt + 1 se puede utilizar para pronosticar yt + 2. El punto es

mityt+j+1= un0+un1 mityt+j (2,48)

This ecuación, llamada la función de la previsión, expresa toda la j paso por

SINCe el error de pronóstico de un solo paso de la ventaja es equivalente a et

Por lo tanto, la previsión de la varianza del error de un solo paso de la ventaja es

ºvarianza del error de predicción e converge a σ2 / (1 - a12); Por lo tanto, el error

yt=un0+un1 yt-1+un2 yt-2+εt+β1 εt-1 (2,51)

yt+1 =un0+un1 yt+un2 yt-1+εt+1+β1 εt

Equation (2.52) es la previsión de un solo paso de la ventaja de yt+1 . El

extremidades anteriores de un solo paso de la ventaja

y el error de pronóstico de un solo paso por

miT(1) =yT+1- (un0+un1 yT+un2 yT-1+�̂1 �̂T)

y100+yo=un0+un1 F1yo+v1yo yo= 1,..., 50

y100+yo=segundo0+segundo1 F2yo+v2yo yo= 1,..., 50

De nuevo, Si se utiliza una prueba F, que no debería ser capaz de rechazar la

1. Los errores de pronóstico tienen media cero y normalmente se distribuyen.

THE GRANGER - NEWBOLD PRUEBAGranjaR y Newbold (1976) muestran cómo

decir ahsa distribución t con H - 1 grados de libertad. Por lo tanto, si RXZ es

THE DIEBOLD - MARIANO DE PRUEBAHay una gran cantidad de literatura que

under la hipótesis nula de exactitud igual pronóstico, el valor de d es cero. Dado

Compare el valor de la muestra de (2.62) a una estadística t con H - 1 grados

UNn ejemplo que muestra el uso adecuado de la Granger - Newbold y Diebold -

10. Un modelo de la diferencial de tasas

Panel A: El diferencial de tasas

Panel B: En primer lugar, la diferencia de la propagación

F I G U R E 2.5Time Senda de la propagación de Tasa de Interés

Before leyendo, usted debe examinar las autocorrelaciones y funciones de

F I G U R E 2.6UNCF y FAP de la propagación

especificaciones describe perfectamente los datos de la muestra. En la selección de

Ejércitodereservable 2.4Las estimaciones de la propagación de Tasa de Interés

UNR (7) UNR (6) UNR (2) ARMA ARMA pag = 2;

seleccionarS El (2) modelo de AR. Sin embargo, las autocorrelaciones residuales de la

0.03 -0.13 0.16 0.01 0.08 -0.10 -0.14 0.16

The Q-estadísticas de la (2) modelo AR indican autocorrelación significativa en

3. Con el fin de dar cuenta de la correlación serial en el retardo 7, podría

number de saltos afilados, lo que indica que la suposición de normalidad

contener los 50 pronósticos de la ARMA [2, (1,7)] modelo. Comenzando con t =

ρ1 ρ2 ρ3 ρ4 ρ5 ρ6 ρ7 ρ8 ρ9 ρ10 ρ11 ρ12

Q(4) = 5.53;Q(8) = 14.76; yQ(12) = 15.93

although ρ5 es grande, muchos económetras ejercida permita descartar como

Modelos de los datos

un4 |<1 (2,64)

you puede fácilmente convencerse a sí mismo de que el correlogram teórico para

yt =un1 yt-1+εt +β1 εt-1+ β4 εt-4 (2,66)

Alternativamente, Un coeficiente autorregresivo en el retardo 4 podría haber

Larva del moscardónh de estos métodos tratar los coeficientes estacionales

(1-un1 L)yt= (1+β1 L) (1+β4 L4 )εt (2,67)

La ecuación (2.67) difiere de (2.66) en que permite el término promedio móvil

yt =un1 yt-1+εt+ β1 εt-1+β4 εt-4+β1 β4 εt-5

ºe tendencia lineal en M1. Sea yt denota el logaritmo de la M1. Como se mencionó