MODELOS ECONOMETRICOS BINARIOS

𝑦𝑡 = 10 + 0.5𝑦𝑡−1
proceso generador
de datos

prp
Modelos ARMA (p,q)

Supuesto: estacionariedad.

Supuesto2: la serie no sea un ruido blanco.

Ruido blanco : la serie no sea un ruido blanco es una serie aleatoria que es estacionaria.

FAC FACP

𝑦𝑡 Es estacionario

𝑦𝑡 I(0)

AR(1) 𝑦𝑇 = 𝛽0 + 𝛽1 𝑦𝑡−1 + 𝑒𝑡
Si 𝑦𝑇 es estacionario

E(𝑦𝑇 ) = 𝛽0 + 𝛽1 𝐸(𝑦𝑡−1 ) + 𝐸(𝑒𝑡 )

E(𝑦𝑇 ) = 𝐸(𝑦𝑡−1 )

E(𝑦𝑇 ) = 𝛽0 + 𝛽1 𝐸(𝑦𝑡−1 )
𝛽0
E(𝑦𝑇 ) =
1+𝛽1

Una serie que no es estacionaria puede ser cero su valor a largo plazo.

AR(1): 𝑦𝑇 = 𝛽0 + 𝛽1 𝑦𝑡−1 + 𝑒𝑡

0<𝛽0 <1 -1<𝛽0 <0

Correlograma

El valor estacionario a largo plazo de 𝑦̂𝑇 es igual.

10
E(𝑦𝑇 ) = 1+0.5 = 20 Valor a largo plazo

𝑦𝑡−1 E(𝑦𝑇 ) = 0

𝑦𝑡 = 1

𝑦𝑡+1 = 10 + 0.5𝑦𝑡 = 10.5

𝑦𝑡+2 = 10 + 0.5(10.5) = 15.25

𝑦𝑡+3 = 10 + 0.5(15.25) = 17.625

𝑦𝑡+𝑛 = 10 + 0.5
 𝒚𝒕 𝑒𝑡 = 1
𝒚𝒕+𝟏 10.5
𝒚𝒕+𝟐 15.25
𝒚𝒕+𝟑 17.625

𝒚𝒕+𝒏 20
Llega a este valor por q es el valor a Largo
plazo (estado estacionario)

Que pasa si 𝑦𝑡 = 1

𝑦𝑡+1 = 10 + 0.5𝑦𝑡 = 9.5

𝑦𝑡+2 = 10 + 0.5(19.5) =

Trabajando sin drif

𝑦𝑡−1 = 1
𝑦𝑡−1 = 0.5𝑦𝑡−1

Estado estacionario es cero equilibrio de largo plazo

t y
0 1
2 -0.5
3 0.25
4 -0.1275

0
Llega a su estado estacionario

Función de auto correlacion

 Como se mide la autocorrelacion entre dos variables.

 Coeficiente de correlacion de Pirson mide la correlacion.
Correlacion de Pirson:

Dado y: x
Cov(x.y)
Cov(x.y) = 𝑟𝑥𝑦 =
√𝑉𝑎𝑟(𝑥)𝑉𝑎𝑟(𝑦)

∑(𝑦𝑡 − 𝑦̅) (𝑦𝑡−𝑠 − 𝑦̅)

𝑟(𝑦𝑡,𝑦𝑡−𝑠) =
√∑(𝑦𝑡 − 𝑦)2 ∑(𝑦𝑡−𝑠 − 𝑦̅)2

∑(𝑦𝑡 − 𝑦̅) (𝑦𝑡−𝑠 − 𝑦̅)

∑(𝑦𝑡 − 𝑦̅)2

Función de autocorrelacion parcial

Tiene que ver con 4el comportamiento parcial de los datos en una parte de la
correlación parcial.

FACP es una parte de la

función de la auto correlación

FACT

FACT = FAC PARA S=1 (1er resago)

Rkk = rk
 𝑟𝑘−∑𝑘−1
𝑖=1 𝑟(𝑘−𝑖)
𝑟𝑘𝑘 = Para S>1
1−∑𝑘−1
𝑖=1 𝑟(𝑘−𝑖)

𝑟𝑘𝑘 k = T-1,T-2,T-3 ………….

funcion de auto correlacion parcial

𝑟𝑘 − ∑𝑘−1
𝑗=1 𝑟(𝑘−1,𝑗).𝑟𝑘−𝑗
𝑟𝑘𝑘 =
1 − ∑𝑘−1
𝐽=1 𝑟(𝑘−1,𝑗) . 𝑟𝑗

Funcion de correlacion parcial entre (1,2)kk

Procesos de medias moviles

Ma(q)
Yt = f(𝑒, 𝑒𝑡−1 , 𝑒𝑡−2 , … 𝑒𝑡−∞ )
Ma(1)
𝑦𝑡 = ∝0 + 𝑒𝑡 +∝1 𝑒𝑡−1
Un proceso Ma es un proceso netamente aleatorio o sea
depende de shock
 Si bno existiera ∝1 𝑒𝑡−1 seria un ruido blanco con drif

Encontrando la esperanza :
E(𝑦𝑇 ) =∝0
𝑉𝑎𝑟(𝑦𝑡 ) = E⌊𝑦𝑡 − 𝐸(𝑦𝑡 )⌋2

= E⌊∝0 + 𝑒𝑡 +∝1 𝑒𝑡−1 −∝0 ⌋2

= E⌊𝑒𝑡 +∝1 𝑒𝑡−1 ⌋2

= E⌊𝑒12 ⌋ + 2𝐸⌈∝1 𝑒𝑡−1 ⌉ +∝12 𝐸(𝑒𝑡−1

2
)

= E⌊𝑒12 ⌋ +∝12 𝜎 2

= 𝜎𝑒2 +∝12 𝜎𝑒2 Es constante porque no

depende del tiempo
𝑉𝑎𝑟(𝑦𝑡 ) = 𝜎𝑒2 (1 +∝12 )

Proceso Ma características

𝑦𝑡 ES ESTACIONARIA si su media y si varianza y covarianza son constantes.

Ma(1): 𝑦𝑡 = ∝0 + 𝑒𝑡 +∝1 𝑒𝑡−1

Ma(2): 𝑦𝑡 = ∝0 + 𝑒𝑡 +∝1 𝑒𝑡−1 +∝2 𝑒𝑡−2

Ma(∞):𝑦𝑡 = ∝0 + 𝑒𝑡 +∝1 𝑒𝑡−1 +∝2 𝑒𝑡−2 … … . ∝∞ 𝑒𝑡−∞

Ma(∞) = Ar(1)
Correlograma

ARMA

𝑌𝑇 = 𝛽0 + 𝛽1 𝑌𝑇−1 + 𝑒𝑡 +∝1 𝑒𝑡−1

ARMA(1,1)es una serie estacionari

MKODELOS UNIVARIADOS (PROCESOS GENERALES DE DATOS )

Modelo Ar(2)

Ar(2): 𝑌𝑇 = 𝛽0 + 𝛽1 𝑌𝑇−1 + 𝛽𝑒𝑡 + 𝑦𝑡−2 + 𝑒𝑡

Ma(1): 𝑌𝑇 =∝0 + 𝑒𝑡 +∝1 𝑒𝑡−1

ARMA(1,1): 𝑌𝑇 = 𝛽0 + 𝛽1 𝑌𝑇−1 + 𝑒𝑡 +∝1 𝑒𝑡−1

la funcion de autocorrelacion nos ayuda a formar el modelo AR o MA o ARMA

 si ∝1 no es signifivativo entonces no es un (Ma)

formas de comparar un modelo

1. la significacion individual(los que salen en la grafica son significativos)

2. los criterios de informacion (ARAIKE, SHUAR,HANAN kIN)

AKAIKE usa mayor informacion(resago)

SHUARK usa menor informacion(resago)

Variable

𝑅2 dice ese modelo tiene mayor poder predictivo

PREDICCION
AUTOCORRELACION hay una relacion entre periodos

Parcial interrelacion de un periodo determinado con el ultimo periodo

Si la primera diferencia es raiz unitaria hay autocorrelacion de primer orden(1)(2)

AR(1)

AR(2)

AUTODORRELACION Ar(1,2,3,4,5)

D aumentado