Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Cruz S. - Granda G. - VAR
Cruz S. - Granda G. - VAR
FACULTAD DE CIENCIAS
INGENIERÍA MATEMÁTICA
SERIES TEMPORALES
Fecha:
14 de Febrero de 2021
Profesor:
Dr. Holger Capa Santos
1. Introducción
Un indicador económico es un dato de carácter estadístico sobre la economía que permite
realizar un análisis de la situación y del rendimiento de la economía tanto pasada como
presente, y en gran parte de los casos sirve para realizar previsiones sobre la futura
evolución de la economía. Para este caso, consideraremos la oferta y utilización de bienes
y servicios del PIB, las importaciones y la formación bruta de capital fijo (FBKF).
2. Objetivo
Modelar las variaciones trimestrales de la Oferta y Utilización de Bienes y Servicios del PIB,
las importaciones y la formación bruta de capital fijo empleando los modelos VAR.
4. Estacionariedad
En la figura 1, podemos notar que las series no son estacionarias. Por ello, en la
modelización, se trabajará con las variaciones porcentuales de las series.
Denotaremos a estas series de la siguiente manera:
𝑌1𝑡 = Variación trimestral del PIB.
𝑌2𝑡 =Variación trimestral de las exportaciones.
𝑌3𝑡 = Variación trimestral del FBKF.
Se trabajará con 76 datos dado que, al calcular las variaciones, se pierde el primer dato. Así,
el gráfico de las series es:
Figura 2: Gráfico de las variaciones trimestrales de las series
Debido a que en las pruebas de hipótesis de las tres series el p-valor es menor a 0.05 se
concluye que no se necesita diferenciación y por ello son estacionarias, una vez verificada
la estacionariedad de las series se procede a la modelización y se empieza por verificar las
correlaciones cruzadas:
Figura 6: Correlación cruzada entre 𝑌1𝑡 y 𝑌2𝑡 .
Figura 7: Correlación cruzada entre 𝑌1𝑡 y 𝑌3𝑡 .
Una vez verificado que todas las inversas de las raíces se encuentran dentro del circulo
unitario, es decir, una vez que el modelo ha superado las pruebas de estabilidad se procede
a realizar las pruebas para verificar si los residuos no están correlacionados y se comportan
como un ruido blanco. Para ello, presentamos los resultados obtenidos en la prueba
Portmanteau y la prueba del Multiplicador de Lagrange (LM).
Figura 15: Prueba para autocorrelación Portmanteau.
En la figura 17, dado que todos los p-valores son mayores a 0,05, podemos concluir que los
residuos siguen una normal multivariante.
Una vez que el modelo ha aprobado las pruebas de estabilidad, autocorrelación de los
residuos y normalidad de los residuos el modelo está listo para realizar predicciones. El
modelo viene dado por:
𝑌1𝑡 = 0,427𝑌1,𝑡−1 − 0,1196𝑌1,𝑡−2 − 0,0201𝑌1,𝑡−3 + 0,1883𝑌1,𝑡−4 + 0,1683𝑌2,𝑡−1
+ 0,1107𝑌2,𝑡−2 + 0,019𝑌2,𝑡−3 + 0,2365𝑌2,𝑡−4 + 0,269𝑌3,𝑡−1
+ 0,0956𝑌3,𝑡−2 + 0,2148𝑌3,𝑡−3 + 0,2283𝑌3,𝑡−4 + 0,0065
Como se puede apreciar en cada serie modelada, el modelo VAR presenta predicciones un
mejores que los modelos de una sola variable, con una discrepancia en la predicción 4 que
pertenece al segundo trimestre del 2020 (periodo en el que se experimentó una crisis
económica).
Para comparar analíticamente, en la siguiente tabla, se calcula el error cuadrático medio
estimado para determinar el mejor ajuste:
PIB IMPORTACIONES FBCF
VAR 5,344 × 10−4 3,7791 × 10−3 1,2902 × 10−3
UNIVARIANTE 1,0474 × 10−3 4,0354 × 10−3 1,3161 × 10−3
Figura 27: Error Medio Cuadrático estimado para los modelos VAR y Univariante.
En la figura 27, comprobamos que, en efecto, el modelo VAR realiza mejores predicciones
que los modelos univariantes.
6. Causalidad
Presentamos la prueba de causalidad de Granger en el siguiente gráfico:
Figura 28: Prueba de causalidad de Granger.
7. Análisis de choques
El análisis de los choques consiste en medir el impacto de la variación de una innovación
sobre las variables. Así, mostramos los resultados de las funciones de impulso-respuesta
para las variables 𝑌1𝑡 , 𝑌2𝑡 , 𝑌3𝑡 :
Figura 29: Respuesta de las Figura 30: Respuesta de las Figura 31: Respuesta de las
variables 𝒀𝟏𝒕 , 𝒀𝟐𝒕 y 𝒀𝟑𝒕 ante variables 𝒀𝟏𝒕 , 𝒀𝟐𝒕 y 𝒀𝟑𝒕 ante variables 𝒀𝟏𝒕 , 𝒀𝟐𝒕 y 𝒀𝟑𝒕 ante
un choque unitario de 𝒀𝟏𝒕 . un choque unitario de 𝒀𝟐𝒕 . un choque unitario de 𝒀𝟑𝒕 .
Con esto, se puede evidenciar que el efecto de la innovación se desvanece con el tiempo, la cual es
una característica de un proceso VAR estacionario.
8. Descomposición de la varianza:
La varianza del error de predicción de 𝑌1𝑡 representa un 70.48% con sus propias
innovaciones, 18.49% con las innovaciones de 𝑌2𝑡 y 11.03% con las de 𝑌3𝑡 .
La varianza del error de predicción de 𝑌2𝑡 representa un 61.82% con sus propias
innovaciones, 22.66% con las innovaciones de 𝑌1𝑡 y 15.53% con las de 𝑌3𝑡 .
La varianza del error de predicción de 𝑌3𝑡 representa un 38.33% con sus propias
innovaciones, 23.39% con las innovaciones de 𝑌2𝑡 y 38.32% con las de 𝑌1𝑡 .
9. Conclusiones
Tras realizar las diversas pruebas para validar un modelo para la Oferta y Utilización
de Bienes y Servicios del PIB, las importaciones y la formación bruta de capital fijo,
podemos concluir que el mejor modelo es un 𝑉𝐴𝑅(4) con los siguientes
coeficientes:
Tras comparar las predicciones de los modelos univariantes con los modelos VAR se
puede concluir que la varianza de los modelos VAR es más pequeña que la varianza
de los modelos univariantes y que las predicciones que más se ajustan a los datos
reales son las obtenidas con el modelo VAR, esto se debe a que al incluir variables
con causalidad el modelo cuenta con más información para explicar las variables
individuales, lo que reduce la incertidumbre y permite mejores pronósticos.
10. Referencias
La metodología aplicada para la modelación VAR fue tomada del libro: Modelación
en series temporales, Capítulo 4, Dr. Holger Capa Santos.
Los datos sobre la Oferta y Utilización de Bienes y Servicios del PIB, las importaciones
y la formación bruta de capital fijo fueron tomadas de la página del Banco Central:
https://contenido.bce.fin.ec/home1/estadisticas/cntrimestral/CNTrimestral.jsp