PRACTICA Nº 3

CURSO: ECONOMETRÍA 2
INTEGRANTES
 Anais Teran Cordova; código 16120135
 Boris Villarreal Quispe
 Christian David Ninasivincha Ninasivincha Código 14120238
 Roy Piero Mendoza Casanova, código 15120287
 Oliver Isaías Rivera Colchagua, código 15120212
PREGUNTA 1:
Para los siguientes procesos:
a) 𝑌𝑡 = 2 − 0.4𝑡 + 𝑢𝑡 𝑢𝑡 = 𝑢𝑡−1 + 𝜀𝑡 + 0.4𝜀𝑡−1
b) 𝑌𝑡 = 3 + 0.5𝑡 + 𝑢𝑡 𝑢𝑡 = 0.6𝑢𝑡−1 + 𝜀𝑡 − 0.8𝜀𝑡−1 𝜎𝜀2 = 0.25

Indique si la variable 𝑌𝑡 es estacionaria en media, en caso de no ser estacionaria

precise si tiene tendencia determinística o estocástica.
Calcule, si existe, la media y varianza de la variable 𝑌𝑡 , caso contrario indique la
transformación para que la serie transformada sea estacionar.

Solución

a) 𝑌𝑡 = 2 − 0.4𝑡 + 𝑢𝑡

 Observamos que la perturbación 𝑢𝑡 es no estacionaria, es ARIMA (0,1,1), por

lo cual 𝑌𝑡 tampoco es estacionaria
 Reescribimos el modelo para 𝑌𝑡 en términos de la perturbación t
𝑢𝑡 = 𝑢𝑡−1 + 𝜀𝑡 + 0.4𝜀𝑡−1

equivale a

(1 − 𝐿)𝑢𝑡 = (1 + 0.4𝐿)𝜀𝑡
𝑢𝑡 no es estacionaria porque su raíz está dentro del círculo unitario 𝐿 =
1 por lo que decimos que tiene tendencia estocástica.
Se requiere transformar la variable
(1 + 0.4𝐿)
𝑢𝑡 = [ ] 𝜀𝑡
(1 − 𝐿)

(1 + 0.4𝐿)
𝑌𝑡 = 2 − 0.4 t + [ ] 𝜀𝑡
(1 − 𝐿)

(1 − 𝐿)𝑌𝑡 = 2(1 − 𝐿) − 0.4(1 − 𝐿)𝑡 + (1 + 0.4𝐿)𝜀𝑡

𝐷𝑌𝑡 = 0.4 + 𝜀𝑡 + 0.4𝜀𝑡−1
 𝑋 = −0.4 + 𝜀𝑡 + 0.4𝜀𝑡−1 𝑀𝐴(1) 𝐸𝑠 𝑒𝑠𝑡𝑎𝑐𝑖𝑜𝑛𝑎𝑟𝑖𝑎
Calculando:
𝐸(𝑋) = −0.4
𝑉(𝑋) = 𝜎𝜀2 (1 + 0.42 ) = 1.16𝜎𝜀2

b) 𝑌𝑡 = 3 + 0.5𝑡 + 𝑢𝑡

 Observamos que la perturbación 𝑢𝑡 es no estacionaria, es ARIMA (0,1,1), por

lo cual 𝑌𝑡 tampoco es estacionaria
 Reescribimos el modelo para 𝑌𝑡 en términos de la perturbación t
𝑢𝑡 = 0.6𝑢𝑡−1 + 𝜀𝑡 − 0.8𝜀𝑡−1

equivale a

(1 − 0.6𝐿)𝑢𝑡 = (1 − 0.8𝐿)𝜀𝑡
𝑢𝑡 es estacionaria porque su raíz no está dentro del círculo unitario 𝐿 =
1 por lo que decimos que tiene tendencia estacionaria
(1 + 0.8𝐿)
𝑢𝑡 = [ ]𝜀
(1 − 0.6𝐿) 𝑡

(1 + 0.8𝐿)
𝑌𝑡 = 3 + 0.5 t + [ ]𝜀
(1 − 0.6𝐿) 𝑡

Calculando:
𝐸(𝑋) = 3 + 0.5 t
𝑉(𝑌𝑡 ) = 0.25[1 + 0.82 − 2(0.6)(0.8)](1 − 0.62 ) = 0.265625
PREGUNTA 2
2. Dado los procesos

a) Yt = 0.7Yt-1 +1.25 +0.15 t + t + 0.4 t-1 ; 2 = 0.25

b) Yt = 2 +0.8 t + ut ; ut = 1.8 ut-1 - 0.8 ut-2 +t + 0.4 t-1

Para cada proceso indique si la variable Yt es estacionaria en media, en caso de no ser

estacionaria precise si tiene tendencia determinística o estocástica.

Calcule, si existe, la media y varianza de la variable Yt, caso contrario indique la transformación
para que la serie transformada sea estacionaria.

a) Yt = 0.7Yt-1 +1.25 +0.15 t + t + 0.4 t-1

  𝐸[𝑌𝑡 ] = 1.25 + 0.15𝑡
𝜎𝜀2 𝑥(1+𝜃12 −2𝑥𝜃1 𝜑1 )
 V[𝑌𝑡 ] =
(1−𝜑12 )

0.25𝑥(1+0.42 −2𝑥0.7𝑥−0.4)
 V[𝑌𝑡 ] = (1−0.72 )

 V[𝑌𝑡 ] = 0.8431
∴ 𝐸𝑙 𝑚𝑜𝑑𝑒𝑙𝑜 𝑛𝑜 𝑒𝑠 𝑒𝑠𝑡𝑎𝑐𝑖𝑜𝑛𝑎𝑟𝑖𝑜 𝑒𝑛 𝑚𝑒𝑑𝑖𝑎 , 𝑝𝑟𝑒𝑠𝑒𝑛𝑡𝑎 𝑡𝑒𝑛𝑑𝑒𝑛𝑐𝑖𝑎 𝑑𝑒𝑡𝑒𝑟𝑚𝑖𝑛í𝑠𝑡𝑖𝑐𝑎.

1 − 0.7𝐿 = 0
𝐿 = 1.4285

No hay tendencia estocástica en la media de la serie

-No es estacionario en media

Es un proceso 𝐴𝑅𝐼𝑀𝐴(1,1,2), ya que la serie necesitaría ser integrada una vez para llegar a ser
estacionaria en media.

𝑌𝑡 − 𝑌𝑡−1 = 1.25 + 0.15𝑡 + 0.7𝑌𝑡−1 + 𝜀𝑡 + 0.4𝜀𝑡−1 − (1.25 + 0.15(𝑡 − 1) + 0.7𝑌𝑡−2 + 𝜀𝑡−1

+ 0.4𝜀𝑡−2 )
𝑊𝑡 = 0.15 + 0.7𝑊𝑡−1 + 𝜀𝑡 − 0.6𝜀𝑡−1 − 0.4𝜀𝑡−2
(1 − 0.7𝐿)𝑊𝑡 = 0.15 + (1 − 1.6𝐿 − 0.4𝐿2 )𝜀𝑡

Al realizar la primera diferencia obtenemos:

0.15
𝐸[𝑊𝑡 ] = = 0.5
1 − 0.7

Ahora no tendríamos una tendencia determinística en la media de la nueva serie, lo cual hace
que sea estacionario en media.

b. Yt = 2 +0.8 t + ut ; ut = 1.8 ut-1 - 0.8 ut-2 +t + 0.4 t-1

 MEDIA

𝐸[𝑌𝑡 ] = 2 + 0.8𝑡

 Observamos que la perturbación Ut es no estacionaria, es ARIMA (1,1,1), por lo cual

Yt tampoco es estacionaria.

 Reescribimos el modelo para Yt en términos de la perturbación t

Ut = Ut-1 – 0.8Ut-2 + t + 0.4 t-1 equivale a (1- 0.8L) (1-L) Ut = (1+0.4L) t

 (1+0.4𝐿)
𝑈𝑡 = (1−0.8𝐿)(1−𝐿)

 Entonces

(1 + 0.4𝐿)
𝑌𝑡 = 2 + 0.8𝑡 + [ ]𝜀
(1 − 0.8𝐿)(1 − 𝐿) 𝑡

(1 − 0.8𝐿)(1 − 𝐿)𝑌𝑡 = 2(1 − 0.8𝐿)(1 − 𝐿) + 0.8(1 − 0.8𝐿)(1 − 𝐿)𝑡 + (1 + 0.4𝐿)𝜀𝑡

(1 − 0.8𝐿)𝐷𝑌𝑡 = 0.8 + (1 + 0.4𝐿)𝜀𝑡
(1 − 0.8𝐿)𝑊𝑡 = 0.8 + (1 + 0.4𝐿)𝜀𝑡

𝑊𝑡 = 0.8 + 0.8𝑊𝑡−1 + 𝜀𝑡 + 0.4𝜀𝑡−1

 La presencia con la constante positiva indica que tendrá un comportamiento con

tendencia positiva estocástica.

PREGUNTA 3
A.

Dada la ecuación, se resuelve:

𝑌𝑡 = 𝜀𝑡 + 0.7 ∗ 𝑌𝑡−1 + 0.6 ∗ 𝑌𝑡−4 − 0.42 ∗ 𝑌𝑡−5

𝐸(𝑌𝑡 2 ) = 𝛾0 = 𝐸[𝑌𝑡 (𝜀𝑡 + 0.7 ∗ 𝑌𝑡−1 + 0.6 ∗ 𝑌𝑡−4 − 0.42 ∗ 𝑌𝑡−5 )]

𝛾0 = 𝜎𝜀2 + 0.7 ∗ 𝛾1 + 0.6 ∗ 𝛾4 − 0.42 ∗ 𝛾5

𝛾1 = 0.7 ∗ 𝛾1 + 0.6 ∗ 𝛾3 − 0.42 ∗ 𝛾4
𝛾2 = 0.7 ∗ 𝛾1 + 0.6 ∗ 𝛾2 − 0.42 ∗ 𝛾3
𝛾3 = 0.7 ∗ 𝛾2 + 0.6 ∗ 𝛾1 − 0.42 ∗ 𝛾2
𝛾4 = 0.7 ∗ 𝛾3 + 0.6 ∗ 𝛾0 − 0.42 ∗ 𝛾1
𝛾5 = 0.7 ∗ 𝛾4 + 0.6 ∗ 𝛾1 − 0.42 ∗ 𝛾0
Solucionando las ecuaciones obtenemos:

𝛾0 = −5.56 ∗ 𝜎𝜀2 = −16.68

−𝜎𝜀2
𝛾1 = = −3.53
0.8485
 −𝜎𝜀2
𝛾2 = = −2.94
1.0200
𝛾3 = −5.06 ∗ 𝜎𝜀2 = −15.18

𝛾4 = −0.9816 ∗ 𝜎𝜀2 = −2.94

𝛾5 = −2.84 ∗ 𝜎𝜀2 = −8.52

Hallando sus correlaciones

P0

P1 0.2116307

P2 0.17625899

P3 0.91007194

P4 0.17625899

P5 0.51079137

Hallando el grafico

2.5

1.5

0.5

0
1 2 3 4 5 6 7

B.

Hallando esperanza

𝐸(𝜀𝑡 + 0.7 ∗ 𝑌𝑡−1 + 0.6 ∗ 𝑌𝑡−4 − 0.42 ∗ 𝑌𝑡−5 ) = 0

Hallando varianza

𝛾0 = −5.56 ∗ 𝜎𝜀2 = −16.68

Calculando con números aleatorios

Data del Eviews

GENR E=3*NRND

genr Y1=e+0.7*y1(-1)+0.6*y1(-4)-0.42*y1(-5)

SMPL 1 1

GENR Y1=10

SMPL 2 2

GENR Y1=2

SMPL 3 3

GENR Y1=16

SMPL 4 4

GENR Y1=19

SMPL 5 5

GENR Y1=34

SMPL 6 500

GENR Y1=e+0.7*y1(-1)+0.6*y1(-4).0.42*y1(-5)

SMPL 6 500

GENR Y1=e+0.7*y1(-1)+0.6*y1(-4)-0.42*y1(-5)

Date: 09/29/19 Time: 20:28

Sample: 6 500

Included observations: 495

Autocorrelation Partial Correlation AC PAC Q-Stat Prob

.|******| .|******| 1 0.781 0.781 304.13 0.000

.|***** | .|** | 2 0.696 0.218 545.61 0.000

.|***** | .|* | 3 0.662 0.179 764.69 0.000

.|***** | .|** | 4 0.716 0.339 1021.3 0.000

.|**** | ***|. | 5 0.536 -0.415 1165.7 0.000

.|*** | .|. | 6 0.459 -0.026 1271.7 0.000

.|*** | .|. | 7 0.412 -0.018 1357.4 0.000

.|*** | .|. | 8 0.425 0.019 1448.8 0.000

.|** | .|. | 9 0.307 -0.004 1496.5 0.000

.|** | .|. | 10 0.273 0.055 1534.4 0.000

.|** | .|. | 11 0.250 0.021 1566.2 0.000

.|** | .|. | 12 0.248 -0.037 1597.5 0.000

.|* | .|. | 13 0.188 0.050 1615.5 0.000

.|* | .|. | 14 0.193 0.048 1634.6 0.000

.|* | .|. | 15 0.189 0.014 1653.0 0.000

.|* | .|. | 16 0.185 -0.004 1670.5 0.000

.|* | *|. | 17 0.129 -0.092 1679.1 0.000

.|* | .|. | 18 0.142 0.025 1689.4 0.000

.|* | .|. | 19 0.135 -0.015 1698.8 0.000

.|* | .|. | 20 0.129 0.020 1707.4 0.000

.|* | .|. | 21 0.086 0.006 1711.2 0.000

.|* | .|. | 22 0.088 -0.036 1715.2 0.000

.|. | .|. | 23 0.070 -0.029 1717.7 0.000

.|. | .|. | 24 0.066 0.013 1720.0 0.000

.|. | .|. | 25 0.037 0.011 1720.7 0.000

.|. | .|. | 26 0.041 0.007 1721.6 0.000

.|. | .|. | 27 0.023 -0.003 1721.9 0.000

.|. | .|. | 28 0.022 -0.009 1722.1 0.000

.|. | .|. | 29 0.006 -0.015 1722.2 0.000

.|. | .|. | 30 0.007 -0.014 1722.2 0.000

.|. | .|. | 31 0.000 0.031 1722.2 0.000

.|. | .|. | 32 0.007 0.021 1722.2 0.000

.|. | .|. | 33 -0.016 -0.062 1722.3 0.000

.|. | .|. | 34 -0.004 0.044 1722.3 0.000

.|. | .|. | 35 -0.017 -0.057 1722.5 0.000

.|. | .|. | 36 -0.007 0.021 1722.5 0.000

90
Series: Y1
80 Sample 6 500
Observations 495
70

60 Mean 0.729898
Median 0.790231
50 Maximum 25.50269
Minimum -17.23614
40 Std. Dev. 6.535098
Skewness 0.220056
30
Kurtosis 3.351727
20
Jarque-Bera 6.546588
10 Probability 0.037881
0
-15 -10 -5 0 5 10 15 20 25

PREGUNTA 4
2. Dado el proceso MA(2) x SAR(1); periodo S=12

(1-0.8L12) Yt = (1+0.5L+0.4L²)t ;  = 3

a) Cuál es el comportamiento esperado para la serie generada por este proceso

(indique media, varianza y patrón de comportamiento

A.
Dada la ecuación, se resuelve:
𝑌𝑡 = ∅12 ∗ 𝑌𝑡−12 + 𝜀𝑡 − 𝜃1 ∗ 𝜀𝑡−1 − 𝜃2 ∗ 𝜀𝑡−2

E(∅12 ∗ 𝑌𝑡−12 + 𝜀𝑡 − 𝜃1 ∗ 𝜀𝑡−1 − 𝜃2 ∗ 𝜀𝑡−2 )=0

𝐸(𝑌𝑡 2 ) = 𝛾0 = 𝐸[(∅12 ∗ 𝑌𝑡−12 + 𝜀𝑡 − 𝜃1 ∗ 𝜀𝑡−1 − 𝜃2 ∗ 𝜀𝑡−2 )(∅12 ∗ 𝑌𝑡−12 + 𝜀𝑡 − 𝜃1 ∗ 𝜀𝑡−1

− 𝜃2 ∗ 𝜀𝑡−2 )]

𝜎𝜀2 (1 + 𝜃12 + 𝜃22 )

𝛾0 = 2
1 − ∅12
9(1+0.52 )
𝛾0 = 1−0.82
= 35.25

𝛾1 = 𝐸[(∅12 ∗ 𝑌𝑡−12 + 𝜀𝑡 − 𝜃1 ∗ 𝜀𝑡−1 − 𝜃2 ∗ 𝜀𝑡−2 )(∅12 ∗ 𝑌𝑡−13 + 𝜀𝑡−1 − 𝜃1 ∗ 𝜀𝑡−2 − 𝜃2

∗ 𝜀𝑡−3 )]
 −𝜎𝜀2 𝜃1 (1 − 𝜃2 )
𝛾1 = 2
1 − ∅12

𝛾2 = 𝐸[(∅12 ∗ 𝑌𝑡−12 + 𝜀𝑡 − 𝜃1 ∗ 𝜀𝑡−1 − 𝜃2 ∗ 𝜀𝑡−2 )(∅12 ∗ 𝑌𝑡−14 + 𝜀𝑡−2 − 𝜃1 ∗ 𝜀𝑡−3 − 𝜃2

∗ 𝜀𝑡−4 )]

−𝜎𝜀2 (𝜃2 )
𝛾2 = 2
1 − ∅12

𝛾3 = 𝐸[(∅12 ∗ 𝑌𝑡−12 + 𝜀𝑡 − 𝜃1 ∗ 𝜀𝑡−1 − 𝜃2 ∗ 𝜀𝑡−2 )(∅12 ∗ 𝑌𝑡−15 + 𝜀𝑡−3 − 𝜃1 ∗ 𝜀𝑡−4 − 𝜃2

∗ 𝜀𝑡−5 )]
2
𝛾3 = ∅12 𝛾3
2
𝛾4 = ∅12 𝛾4
2
𝛾5 = ∅12 𝛾5
2
𝛾6 = ∅12 𝛾6

Correlaciones:

−𝜃1 (1−𝜃2 )
𝑝1 = = 0.4964
(1+𝜃12 +𝜃22 )

−𝜃2
𝑝2 = =0.2837
(1+𝜃12 +𝜃22 )

𝑝3 =0
PREGUNTA 5