Documentos de Académico
Documentos de Profesional
Documentos de Cultura
FACULTAD DE ECONOMÍA
ESPECIALIZACIÓN EN ECONOMETRÍA
MACROECONOMETRIA
TALLER 1
Alejandra Moreno Barrera
1. ARIMA y pronósticos
Con la serie de Ocupados Comercio que encontrará en la carpeta Taller 1, que muestra el total
de Población ocupada en esa rama de actividad para el total nacional entre enero de 2002 y julio
de 2019, elabore 4 modelos que le ayuden a pronosticar una senda de hasta diciembre de 2019.
En este sentido, lo que se evaluará es la aproximación al problema, más que un dato en particular,
por ello debe describirse lo siguiente y soportarlo con las salidas de Eviews:
Comercio
6,400
6,000
5,600
5,200
4,800
4,400
4,000
3,600
2002 2004 2006 2008 2010 2012 2014 2016 2018
t-Statistic Prob.*
Mediante la prueba de raíz unitaria, no se rechaza la hipótesis nula de que la serie ocupados
comercio presenta una raíz unitaria dado que el valor de probabilidad es mayor a un nivel de
significancia del 1%.
t-Statistic Prob.*
El test anterior también evidencia presencia de raíz unitaria para la serie en cuestión dado que la
probabilidad asociada al p value es mayor a un nivel de significancia de 1%.
t-Statistic Prob.*
Finalmente, el test sin tener en cuenta tendencia ni constante a su vez muestra la presencia de raíz
unitaria, no se rechaza la hipótesis nula. Por tanto, se procede hacerle una transformación a la
serie para convertirla en estacionaria. En primer lugar, se aplica logaritmo y se demuestra que la
serie persiste en no estacionariedad.
LOGCOMERCIO
8.8
8.7
8.6
8.5
8.4
8.3
8.2
2002 2004 2006 2008 2010 2012 2014 2016 2018
t-Statistic Prob.*
A su vez, el test evidencia que no se rechaza la hipótesis nula de que la serie del logaritmo de
ocupados en comercio tiene raíz unitaria a un nivel de significancia del 1%.
.08
.04
.00
-.04
-.08
-.12
2002 2004 2006 2008 2010 2012 2014 2016 2018
t-Statistic Prob.*
Bajo la hipótesis nula de presencia de raíz unitaria de la serie de la primera diferencia de ocupados
de la rama de actividad comercio, se rechaza la hipótesis nula a un nivel de significancia del 1%,
por tanto, la transformación de la serie es estacionaria.
Test de raíz unitaria Phillips - Perron
Null Hypothesis: DIFCOMERCIO has a unit root
Exogenous: None
Bandwidth: 99 (Newey-West automatic) using Bartlett kernel
Mediante otra prueba de test de raíz unitaria la hipótesis nula también se rechaza por tanto la
serie de ocupados en la rama de comercio con la transformación de primera diferencia es
estacionaria.
Después del análisis de estacionariedad, se realiza el correlograma para elegir los modelos
a estimar según los rezagos que capturan la dinámica de la serie, además para determinar
si existe un componente estacional.
Correlograma de la primera diferencia del logaritmo de la serie de ocupados en comercio
Date: 11/24/19 Time: 09:07
Sample: 2002M01 2019M07
Included observations: 210
.08
.04
.00
-.04
-.08
-.12
2002 2004 2006 2008 2010 2012 2014 2016 2018
t-Statistic Prob.*
Además, a partir de las pruebas de raíz unitaria de Dickey Fuller y Phillips – Perron se rechaza la
hipótesis nula de que la serie tiene una raíz unitaria por tanto es estacionaria.
Correlograma de la primera diferencia estacional logarítmica de la serie de ocupados en
comercio
Sample: 2002M01 2019M07
Included observations: 198
1.2 Cada modelo debe sustentarse, es decir, mencionar como se identificó, que técnica utiliza
para estimarlo y cuál es su valor agregado frente a los demás (que agrega o que elimina
respecto a la especificación inicial, tal y como se hizo en la clase con la inflación).
1.3 Analice si se cumplen los supuestos sobre los errores, en concreto la autocorrelación serial
y la normalidad, en cada caso. Adicionalmente mencione si son estables o no.
El primer modelo se estima identificando la significancia de los rezagos en el correlograma, a
continuación, se lleva a cabo la estimación y análisis
Modelo 1
Dependent Variable: DLOG(COMERCIO,1,12)
Method: ARMA Maximum Likelihood (OPG - BHHH)
Date: 11/24/19 Time: 13:28
Sample: 2003M02 2019M07
Included observations: 198
Failure to improve objective (non-zero gradients) after 21 iterations
Coefficient covariance computed using outer product of gradients
A partir del correlograma de los residuos se evidencia que el rezago 17, 18 y 20 son
estadísticamente significativos en la prueba individual. Y la prueba conjunta Q indica que en el
rezago 16 hay un p value de 0.028 que significa que entre el rezago 1 y 11 podría presentarse
autocorrelación serial de los errores. Además, los siguientes rezagos después del 16 lo que
significa que si hay un indicio de presencia de autocorrelación serial de los errores.
5 Jarque-Bera 251.5607
Probability 0.000000
0
-0.06 -0.04 -0.02 0.00 0.02
.05
.00
-.05
.04 -.10
.02 -.15
.00
-.02
-.04
-.06
-.08
03 04 05 06 07 08 09 10 11 12 13 14 15 16 17 18 19
La grafica de los residuos evidencia datos atípicos en el año 2006 donde se presenta un
salto en los datos.
Finalmente se lleva a cabo la prueba de homocedasticidad sobre los errores.
Modelo 2
Al considerar el modelo 2, se evidencia que los rezagos elegidos son todos significativos
además no se considera la constante dado que en el primer modelo no es significativa, de
igual forma, se lleva a cabo las respectivas pruebas a los residuos para determinar si se
puede considerar para pronosticar.
Correlograma de los residuos para el modelo 2
.10
.05
.00
.08 -.05
.04 -.10
.00 -.15
-.04
-.08
-.12
03 04 05 06 07 08 09 10 11 12 13 14 15 16 17 18 19
La gráfica de residuos al igual que el modelo anterior evidencia un dato atípico para el año
2006 M05
40
Series: Residuals
35 Sample 2003M02 2019M07
Observations 198
30
Mean -0.000302
25
Median -0.000453
20
Maximum 0.060084
Minimum -0.088619
15 Std. Dev. 0.016161
Skewness -0.464155
10 Kurtosis 8.015083
5 Jarque-Bera 214.6057
Probability 0.000000
0
-0.08 -0.06 -0.04 -0.02 0.00 0.02 0.04 0.06
Para el modelo 2, los residuos no se distribuyen normales dado que se rechaza la hipótesis
nula de normalidad de los residuos.
Con 20 rezagos en la prueba ARCH, se rechaza la hipotesis nula de que los errores son
homocedasticos.
Modelo 3
Dado que en la grafica de los residuos se muestra un dato atípico para el ano 2006M05,
para este modelo se considera los rezagos que fueron significativos y una dummy para
dicho año.
Correlograma de residuos
Sample: 2002M01 2019M07
Included observations: 198
Q-statistic probabilities adjusted for 4 ARMA terms and 1 dynamic regressor
El test de heterocedasticidad, no rechaza la hipótesis nula. Por tanto los residuos son
homocedasticos (0.1411> 0.05)
30
Series: Residuals
Sample 2003M02 2019M07
25
Observations 198
20 Mean 3.81e-05
Median 0.000262
15 Maximum 0.092710
Minimum -0.053864
Std. Dev. 0.016867
10 Skewness 0.854438
Kurtosis 7.877604
5
Jarque-Bera 220.3681
Probability 0.000000
0
-0.04 -0.02 0.00 0.02 0.04 0.06 0.08
6,600
Forecast: MODF1
Actual: COMERCIO
6,400
Forecast sample: 2019M01 2019M07
Included observations: 7
6,200 Root Mean Squared Error 87.18717
Mean Absolute Error 64.76055
6,000 Mean Abs. Percent Error 1.083788
Theil Inequality Coef. 0.007241
Bias Proportion 0.448896
5,800 Variance Proportion 0.080826
Covariance Proportion 0.470278
5,600 Theil U2 Coefficient 1.765972
Symmetric MAPE 1.073434
5,400
M1 M2 M3 M4 M5 M6 M7
2019
MODF1 ± 2 S.E.
Pronóstico dentro de la muestra del modelo 2
6,600
Forecast: COMERCIOF
Actual: COMERCIO
6,400
Forecast sample: 2019M01 2019M07
Included observations: 7
6,200 Root Mean Squared Error 37.26561
Mean Absolute Error 33.47270
6,000 Mean Abs. Percent Error 0.558808
Theil Inequality Coef. 0.003109
Bias Proportion 0.008958
5,800 Variance Proportion 0.029818
Covariance Proportion 0.961224
5,600 Theil U2 Coefficient 0.732518
Symmetric MAPE 0.558196
5,400
M1 M2 M3 M4 M5 M6 M7
2019
COMERCIOF ± 2 S.E.
Pronóstico dentro de la muestra del modelo 3
6,600
Forecast: MODF3
Actual: COMERCIO
6,400
Forecast sample: 2019M01 2019M07
Included observations: 7
6,200 Root Mean Squared Error 56.77789
Mean Absolute Error 44.02093
6,000 Mean Abs. Percent Error 0.736826
Theil Inequality Coef. 0.004725
Bias Proportion 0.382078
5,800 Variance Proportion 0.000011
Covariance Proportion 0.617911
5,600 Theil U2 Coefficient 1.155869
Symmetric MAPE 0.732701
5,400
M1 M2 M3 M4 M5 M6 M7
2019
MODF3 ± 2 S.E.
Pronóstico dentro de la muestra del modelo 4
6,600
Forecast: COMERCIOF
Actual: COMERCIO
6,400
Forecast sample: 2019M01 2019M07
Included observations: 7
6,200 Root Mean Squared Error 47.51057
Mean Absolute Error 37.56667
6,000 Mean Abs. Percent Error 0.628410
Theil Inequality Coef. 0.003957
Bias Proportion 0.254301
5,800 Variance Proportion 0.000528
Covariance Proportion 0.745172
5,600 Theil U2 Coefficient 0.968051
Symmetric MAPE 0.625892
5,400
M1 M2 M3 M4 M5 M6 M7
2019
COMERCIOF ± 2 S.E.
1.6 Grafique las sendas de pronóstico de población ocupada generadas y reporte según su
mejor modelo
2. ARIMA y pronósticos
2.1 Reporte la estimación del que considere su mejor modelo, fijándose que cumpla con los
supuestos necesarios.
2.3 Determine cuál de los dos modelos tiene mejor capacidad de pronóstico dos pasos
adelante.
2.4 Calcule el intervalo de confianza del pronóstico dos pasos adelante al 95% (demuestre
como se estima)
y t =1+0.3 y t−1 +0.8 y t −2−0.6 y t−3 +0.4 y t−4 + ε t donde ε t es ruido blanco
1 1
Valor esperado: E ( y t )= = =10
1−0.3−0.8+0.6−0.4 0.1
3.2 ¿ Cuál es el pronóstico 1 y 2 pasos adelante de la serie, si y t −4=0.5 y t −3 =2
y t =0.5 ε t −1+ 0.4 ε t −2+ 0.3 ε t−3 + ε t e t ruido blanco iid (0, σ 2 )
i) La varianza de y t
Var ( y t ) =E [ y t −E ( y t ) ] [ y t −E ( y t ) ]
Var ( y t ) =E[ y t∗y t ]
Var ( y t ) =E[(0.5 ε t−1 +0.4 ε t−2 +0.3 ε t −3+ ε t )(0 .5 ε t −1+ 0.4 ε t −2+ 0.3 ε t −3 + ε t )]
Var ( y t ) =[0 . 25 ε 2t−1 +0.4 ε t−1 ε t−2 +0.3 ε t−1 ε t−3 +1 ε t −1 ε t +0.16 ε 2t−2 +0.24 ε t−2 ε t−3 +0.8 ε t−2 ε t + 0.9 ε 2t−3 +
Dado que se asume que e t ruido blanco iid (0, σ 2 ) por tanto
cov ( ε t , ε t −1 ) =0
Por tanto el valor esperado de los productos cruzados es igual a cero.
2 2 2
Además, asumimos que E ( ε t )=❑ =E( ε t−i ) ;
Autocovarianza en el rezago 1
❑1=E [ y t −E ( y t ) ] [ y t −1−E ( y t −1 ) ]
❑1=E[ y t∗y t−1 ]
❑1=E[(0.5 ε t−1 +0.4 ε t−2 +0.3 ε t −3 +ε t )(0 .5 ε t−2 +0.4 ε t−3 +0.3 ε t −4 + ε t−1)]
Cancelando los productos cruzados :
Autocovarianza en el rezago 2
❑2=E [ y t −E ( y t ) ] [ y t −2−E ( y t −2 ) ]
❑1=E[ y t∗y t−2 ]
❑2=E[(0.5 ε t−1 +0.4 ε t−2 +0.3 ε t−3 +ε t )(0 .5 ε t−3 +0.4 ε t−4 + 0.3 ε t−5 + ε t−2 )]
❑2=E ( 0 . 4 ε 2t −2+ 0.15 ε 2t−3 )
[ ]
2 2
❑2=0 . 4 ❑ +0. 15❑
❑2=❑2 (0 . 4 +0. 15)
❑2=0. 55❑2
Autocovarianza en el rezago 3
❑3=E [ y t −E ( y t ) ] [ yt −3−E ( y t −3 ) ]
❑3=E [ y t∗y t −3 ]
❑3=E [(0 .5 ε t−1 +0.4 ε t−2 +0.3 ε t−3 +ε t )( 0.5 ε t−4 + 0.4 ε t −5+ 0.3 ε t −6 + ε t−3 )]
❑3=E ( 0 .3 ε 2t−3 )
[ ]
2
❑3=0 . 3❑
iii) Las tres autocorrelaciones de y t y haga una gráfica de la ACF
Autocorrelación en cero
❑0 2.31❑2
❑0= = =0
❑0 2.31❑2
Autocorrelación en 1
❑1 0.82❑2
❑1= = =0.354
❑0 2.31❑2
Autocorrelación en 2
❑2 0. 55❑2
❑2= = =0. 238
❑0 2.31❑2
Autocorrelación en 3
❑3 0.3❑2
❑3= = =0. 129
❑0 2.31❑2
Rezago 1 2 3
Coef de 0.354 0.238 0.129
corr
Los intervalos de confianza estaran definidos por
1.645∗1
± =0.1568
√ 110
De esta manera, la zona de no rechazo de hipótesis nula igual a cero está entre -0.1568 y 0.1568.
Por tanto, el rezago 1 y 2 son significativos dado que 0.1268 < 0.354 y 0.1568 < 0.238
5.1 Evalúe si existe una diferencia significativa entre las tasas de crecimiento promedio de
Chile e Indonesia, entre 1968-2016. Además, grafique las series y calcule de manera
aproximada el estadístico requerido (aplique la fórmula que Eviews usa para “estimarlo
por dentro”)
Al graficar las dos series de tasas de crecimiento de Chile e Indonesia, se evidencias diferencs
significativas en algunos años dado que Chile tuvo crecimientos negativos al incio del eriodo
estudiado mientras que Indonesia fluctuo sobre vlores cercanos entre 5 y 10. Por el contrario, para
los años entre 1995 y 2000 se evidencia que Indonesa presencio crecimientos negativos. Para el
analisis de lo anterior, se lleva a cabo un test para determinar la significancia de las diferencias en
tasas de crecimiento de los dos paises.
Las pruebas de Mann-whitney permiten rechazar la hipótesis nula de diferencia de medianas (p
valor de 0.0248). Al observar los datos se ve que Indonesia creció a 6.16% entre 1970 a 2015
mientras que Chile tuvo tasas de crecimiento cercanas a 4,905. Por tanto se evidencia, que las
tasas de crecimiento son significativas.
La prueba t muestra que se rechaza la hipótesis nula de igualdad de medias, esto es claro ya que
Indonesia creció a un ritmo de 5.72% para el periodo en cuestión, mientras que Chile solo lo hizo
en 4.04%.
5.725−4.047
t= =2.04
3.3 4.7
√ +
49 49
5.2 ¿Evalúe si existe una diferencia significativa entre la tasa de crecimiento promedio de
Colombia, Brasil, Ecuador, Indonesia, Malasia y Tailandia de manera conjunta. A partir de
los resultados, que se puede inferir del crecimiento económico de los países latinos frente
a sus pares del sudeste asiático?
Las pruebas conjuntas del test de medias muestran que se rechaza la hipotesis nula de igualdad de
medias, se evidencia que las tasas de crecimiento para cada pais son diferentes, las tasas de
crecimiento son significativas. Los paises latinos tienen tasas de crecimiento entre 4 y 3% mientras
que los paises asiaticos oscilan entre 5 y 6%.
5.3 Con la base inversión 1967-2016 Latinoamérica y Asia que se encuentra en la carpeta
Taller 1, evalúe si la tasa de inversión como porcentaje del PIB de Perú es más o menos
volátil que la de Chile. Además, calcule de manera aproximada el estadístico requerido
La prueba F permite no rechazar la hipótesis nula de igualdad de varianzas (p valor 0.000), dado
que la tasa de inversión como porcentaje del PIB tanto de Peru y Chile son muy parecidas, llegan a
ser igual de volatiles, la diferencia entre sus desviaciones estandar es de 0,2
4.9072
F= =1,075
4.7312
6. Componentes de la serie
6.1 Para el siguiente ejercicio continúe utilizando las bases de PIB 1968-2016 Latinoamérica
y Asia y responda:
Mediante la aplicación del Filtro de Hodrick y Prescot, a través del componente tendencia de la
serie del PIB es posible la estimación del PIB Potencial. La gráfica que se muestra a continuación de
la serie del PIB de Latinoamérica y el Caribe da cuenta de un componente de tendencia levemente
descendente. Visualmente no se podría establecer con claridad que la serie posea un componente
tendencial descendente, más bien constante.
En contraste, al observar la gráfica de a serie de Pib para Asia del Sur, es más claro un componnte
tendencial ascendente.
Extraiga el PIB potencial de Panamá con el filtro pertinente
La extracción del componente tendencial (representado por la línea roja) de la serie PIB
original, se puede interpretar como una proxy del PIB potencial para Panamá
Lambda en una constante del segundo término del problema de minimización propuesto en la
metodoñogía de HP. El valor de Lambda da cuenta de la suavidad del componente tendencial
de la serie. El valor òptimo de Labda es directamente proporcional a la frecuencia de los datos,
es decir, un valor de Lambda mayor para datos mensuales que para datos anuales. El valor
recomendado para datos anuales es de λ=100
Utilice ahora un valor de Lambda de 30 y 400, para hacer dos cálculos nuevos; compare
estos resultados con el anterior y explique las diferencias entre estos
De acuerdo al punto anterior, para datos con frecuencia anual, el lambda óptimo es de 100. Sin
embargo, las pruebas relizadas con λ=30 y λ=400 siguen siendo valores pequeños, lejanos a los
valores de lambda óptimo para datos trimestrales o mensuales. Para el caso de λ=30 se logra
observar una pequeña diferencia en la línea roja de tendencia respecto a los valores de 100 y 400.
Esta diferencia se visualiza en una mayor volatilidad para lambda=30, de esta forma, se logra ver la
sensibilidad del filtro HP ante la selección de un lambda menor al óptimo.
6.2 En la carpeta taller 1, utilice la base de datos llamada Volúmenes de negociación
externado. Para una serie de tasas de volúmenes de negociación en mercado de capitales,
analice con las pruebas F si existe estacionalidad estable o móvil. Reporte los resultados
Por medio de un gráfico tipo lineas apiladas, podemos observar el comportamiento de la media en
cada mes de la serie. En los últimos cuatro meses de la serie la media es similar, en los tres meses
anteriores, es un poco menor. Por su parte, en los 5 primeros meses de la serie el nivel de la media
en cada mes es alternante; unos meses menores y otros mayores. Debido a que la media mes a
mes es cambiente, se puede concluir que existe estacionalidad.