QUE LA SUERTE LOS ACOMPAÑ E!!!

:D
FINAL DE ECO II: TEORIA

1. Toda serie de tiempo se le puede ajustar un modelo de tendencia y siempre tiene

estacionariedad.

Las series de tiempo se pueden ajustar a un modelo de tendencia mediante una media de móvil
centrada (permite eliminar el componente irregular); otra forma es ajustar los datos observados a
una especificación en función del tiempo para poder formar un serie de componente tendencial.

En cuanto a la estacionariedad; no todas las series de tiempo son estacionarias, ya sea en media o
en varianza.

2. La caminata aleatoria es proceso estocástico no estacionario y para convertirlo en

estacionario se aplica logaritmo.
En caso de la caminata aleatoria que es proceso estocástico no estacionario; para poder
convertirlo en estacionario primero deberá evaluarse si dicha serie económica es no estacionaria
en media o en varianza; en caso sea no estacionaria en varianza(λ=0) se debera aplicar logaritmo
neperiano a dicha serie para lograr la estacionariedad de varianza.

3. Los modelos de alisado exponencial nos sirve para predecir en base al estimado de
la tendencia.

4. Todos los modelos univariantes se estiman por mínimos cuadrados.

NO, ya que en modelos como los MA, IMA, ARMA y ARIMA no existe linealidad respecto a los
parámetros y en variables por tanto el método de estimación adecuado es el de mínimos
cuadrados no lineales; mientras que los modelos ARI y AR que presentan linealidad respecto a sus
parámetros podrán ser estimados por MCO.

5. La validación consiste en la verificación de los supuestos del modelo y es suficiente

para que el modelo tenga buena predicción.

Si el modelo estimado superase satisfactoriamente las etapas del proceso de validación,

se estaría en condiciones de utilizarlos en la predicción de valores futuro de la variable.
Etapas del proceso de validación:

1. Análisis de los residuos.

1.1. Análisis de los coeficientes de auto correlación simple, encontramos al test de

Anderson y pakratz.
1.2. Costraste globlal
1.3. Homocedasticidad
1.4. Outliers
1.5. Normalidad

2. Análisis de los coeficientes.

2.1. Condición de estacionariedad e invertibilidad , en la cual se tiene dos casos:
a. Si no se cumple la condición de estacionariedad, entonces es un indicio de que
el modelo no es estacionario, siendo aconsejable en este caso tomar una
diferencia adicional
b. Si no se cumple la condición de invertibilidad, entonces este problema se ha
podido producir como consecuencia de una sobre diferenciación.
2.2. Examen de la matriz de correlaciones entre los coeficientes.
2.3. Análisis de estabilidad.
 QUE LA SUERTE LOS ACOMPAÑ E!!! :D

6. El modelo de vectores autoregresivos se construye a partir de series integradas.

Una de las claves de los modelos VEC es determinar si las series que modelizamos son
cointegradas y, si es así, determinar la ecuación de cointegracion. Para ello utilizamos el
método de Johansen. Así mismo un modelo VEC es un modelo Var restringido, que tiene
restricciones de cointegracion incluidas en su especificación, por lo que se diseña para ser
utilizado con series que no son estacionarias pero de las que se sabe que son cointegradas.
(ESTA MAL PORQUE TE PREGUNTAN POR UN VAR)

7. Toda serie económica tiene estacionalidad y se elimina mediante el método de ratio

de promedio móvil.

Una serie puede ser estacional como no estacional, y este fenómeno se puede detectar
mediante grafico de barras, líneas separadas, líneas apiladas y correlograma. La serie al
presentar estacionalidad, se puede desestacionalizar mediante dos métodos el aditivo y el
multiplicativo, ya que generalmente las series presentan estacionalidad y es importante
que a través de líneas separadas se determine si el factor de estacionalidad es constante,
o variable, ya que depende de ellos, se sabrá si se aplicará ratio promedio móvil o
diferencia promedio móvil (f estacionalidad constante) o más bien Census X-11, 12,13 y
tramos (f estacionalidad variable).

8. Diferencia entre estacionalidad y estacionariedad

Para identificar estacionariedad se emplea el método de Box –Jenkins, en cambio para identificar
estacionalidad se emplea:

 El método de grafico de barras, en la cual nos indica que cuando hay existencia de
estacionalidad, los picos se tienen que repetir de acuerdo al periodo dado
(mensual, trimestral, anual).
 las líneas apiladas, en la cual se observa el comportamiento de cada mes o
trimestre de la serie a analizar, si el comportamiento es diferente, entonces existe
estacionalidad.
 Líneas separadas, en la cual se observa el comportamiento de cada mes o
trimestre de la serie a analizar, si el comportamiento es diferentes, entonces existe
estacionalidad.
 Correlograma, se observa si el comportamiento de la serie a analizar, presenta
picos y si lo hay, entonces la serie es estacional.

Por otro lado, el método de Box –Jenkins, consiste en realizar a la series, ploteo en su media,
correlograma dónde AC debe caer rápidamente para que la serie sea estacionaria y el primer pac
menor a 0.9, caso contrario sería necesario aplicar en general tomar alguna diferencia, lo que se le
conoce como serie integrada de orden d (I (d)). En cambio en la estacionalidad se corrige
mediante dos métodos el aditivo y el multiplicativo, ya que generalmente las series presentan
estacionalidad y es importante que a través de líneas separadas se determine si el factor de
estacionalidad es constante, o variable, ya que depende de ellos, se sabrá si se aplicará ratio
promedio móvil o diferencia promedio móvil (f estacionalidad constante) o más bien Census X-11,
12,13 y tramos (f estacionalidad variable).

9. Diferencia entre un modelo MCE y VEC

10. Diferencia entre un modelo cointegrado y var

 QUE LA SUERTE LOS ACOMPAÑ E!!! :D
11. El test de Dickey - Fuller aumentado se aplica a las series no estacionarias y el test de Dickey -
Fuller normal a series estacionarias.
El DF normal toma como supuesto que el término de error es un ruido blanco por tanto es estacionario,
mientras que el DF aumentado considera que el termino del error no es un ruido blanco

12. La prediccion de un modelo autoregresivo integrado de media movil es similar a la prediccion

de un modelo autoregresivo de media movil.
No, porque en la predicción de un ARIMA es necesario realizar dehaceser un conjunto de transformaciones
en diferencia y de Box-Cox para obtener las previsiones de la variable Yt y la predicción en un modelo ARMA
es más sencilla puesto que se solo se debe considerar el valor esperado del ruido blanco y las previsiones de
la estructura ARMA.

13. Una serie es estacional cuando no oscila alrededor de su media y se elimina mediante el
método de diferencias.

Una serie es no estacionaria en media, cuando no oscila alrededor de su media y para convertirla a
estacionaria la seria debería someterse a la primera diferencia y repetir el procedimiento de Box-Jenkins,
de esta forma se continuaría hasta obtener una serie diferencia de orden D. En la práctica, es suficiente
con tomar d=1 o d=2 para obtener una serie estacionaria en media.

14. La identificación es la etapa más importante de la metodologia de Box - Jenkins.