ESCUELA POLITÉCNICA NACIONAL

FACULTAD DE CIENCIAS

INGENIERÍA MATEMÁTICA
SERIES TEMPORALES

COINTEGRACIÓN
Integrantes:
 Cruz Segura Stefano Sebastián
 Granda Betancourt William Gabriel

Fecha:
21 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 mediante un modelo de corrección de
error.

3. Descripción de los datos

Los datos sobre la Oferta y Utilización de Bienes y Servicios del PIB, las importaciones y la
FORMACIÓN BRUTA DE CAPITAL FIJO en el Ecuador, fueron extraídos de la página del Banco
Central del Ecuador (BCE), en la sección de Cuentas Nacionales en los temas relacionados a
Cuentas Nacionales Trimestrales (Boletín No 113,
https://contenido.bce.fin.ec/home1/estadisticas/cntrimestral/CNTrimestral.jsp).

Para el presente trabajo, consideramos los datos desde el año 2000 hasta el tercer trimestre
del 2020. En total se disponen de 82 datos de cada serie. Para la modelación, utilizaremos
77 datos, desde el tercer trimestre del 2000 al segundo trimestre del 2019; por otro lado,
los últimos 5 datos serán empleados para realizar una comparación con las predicciones
obtenidas con el modelo final. Además, se trabajará con el software estadístico EViews 11.

Presentamos el gráfico correspondiente a los datos de las tres series:

 Figura 1: Series PIB, IMPORTACIONES Y FBKF.

4. Estacionariedad:
Para determinar si las series son estacionarias o no, vamos a realizar la prueba de raíces
unitarias (Dickey-Fuller). A continuación, se presentan las pruebas de raíces unitarias para
las tres series:

Figura 2: Prueba de Dickey-Fuller para PIB.

 Figura 3: Prueba de Dickey Fuller para IMPORTACIONES.

FBKF:

Figura 4: Prueba de Dickey Fuller para FBKF.

Con esto, de las figuras 2, 3 y 4, podemos concluir que las tres series tienen raíz unitaria,
debido a que el p-valor es mayor a 0.05.
Por lo tanto, presentamos las pruebas de raíces unitarias de las series realizando una
diferenciación no estacional:

Figura 5: Prueba de Dickey-Fuller para PIB en primera diferencia.

 Figura 6: Prueba de Dickey-Fuller para IMPORTACIONES en primera diferencia.

Figura 7: Prueba de Dickey-Fuller para FBKF en primera diferencia.

En las figuras 5, 6 y 7, podemos ver que los p-valores de todas las series diferenciadas son
menores a 0.05, por lo tanto, podemos concluir que solamente se debe realizar una
diferenciación no estacional para volver a las series estacionarias por ausencia de raíces
unitarias.
Con esto, tenemos que las series PIB, IMPORTACIONES y FBKF son integradas de orden 1,
es decir, son 𝐼(1).

5. MODELO VAR
Ahora, se determina el mejor retardo para el modelo VAR (considerando diferentes
criterios):
 Figura 8: Elección del retardo del VAR.

De la figura 8, los números marcados con ‘*’ son los retardos óptimos para los criterios
considerados. Como podemos observar, el retardo p=3 es el mejor en tres de los seis
criterios (LR, FPE, AIC, SC, HQ), por lo que se puede estimar un 𝑉𝐴𝑅(3).
Además, es necesario determinar el modelo más adecuado entre: a) 𝑉𝐴𝑅(3) con retardos
desde 1 hasta 3, b) VAR(3) con retardos desde 2 hasta 3, c) 𝑉𝐴𝑅(3) con retardos desde 3
hasta 3; para esto se consideran los estadísticos de calidad de cada uno de los modelos:

1-3 2-3 3-3

Log-likelihood -2969.783 -3067.031 -3126.173
Akaike 81.07521 83.46028 84.81548
Schwarz 82.00929 84.11414 85.18912
Tabla 1: Elección del Modelo VAR.

Como se puede observar de la tabla 1, a partir de los tres criterios obtenidos, se realiza la
modelación a partir del modelo 𝑉𝐴𝑅(3) con retardos desde uno hasta tres.

6. Prueba de Johansen:
Dado que las series PIB, IMPORTACIONES y FBKF no son estacionarias, procedemos a
realizar las pruebas sobre los supuestos de la tendencia de los datos. En la figura
siguiente, se muestran los supuestos y las relaciones de cointegración, para las pruebas
de la traza y del máximo valor absoluto, para el modelo 𝑉𝐴𝑅(3) descrito anteriormente:

Figura 9: Resumen de las pruebas de cointegración de Johansen para 𝑉𝐴𝑅(3).

Los modelos alternativos de la figura 9, se describen así:

 Modelo 1: 𝑉𝐴𝑅 (3) con una relación de cointegración, sin intercepto y sin tendencia.
 Modelo 2: 𝑉𝐴𝑅 (3) con una relación de cointegración, con intercepto y sin
tendencia.
 Modelo 3: 𝑉𝐴𝑅 (3) con una relación de cointegración, lineal con intercepto y sin
tendencia.
 Modelo 4: 𝑉𝐴𝑅 (3) con una relación de cointegración, lineal con intercepto y con
tendencia.
  Modelo 5: 𝑉𝐴𝑅 (3) con una relación de cointegración, cuadrático con intercepto y
tendencia.
7. Estimación de un modelo vectorial de corrección del error (MCE)
Presentamos la estimación final del MCE para los modelos anteriores, con 73 observaciones:

 Modelo 1 con una relación de cointegración:

Figura 10: Modelo 1 con una relación de cointegración.

 Modelo 2 con una relación de cointegración:

 Figura 11: Modelo 2 con una relación de cointegración.

 Modelo 3 con una relación de cointegración:

 Figura 12: Modelo 3 con una relación de cointegración.

 Modelo 4 con una relación de cointegración:

 Figura 13: Modelo 4 con una relación de cointegración.

 Modelo 5 con una relación de cointegración:

 Figura 14: Modelo 1 con una relación de cointegración.

8. Diagnóstico y Verificación del Modelo

En primer lugar, utilizamos la prueba LM y, para aquellos modelos que no presenten
autocorrelación se les aplicará la prueba Portmanteau.

8.1 Prueba LM:

 Figura 15: Prueba LM para el Modelo 1 con una relación de cointegración.

En la figura 15, vemos que los retardos 5 y 14 no cumplen la prueba, pues sus p-valores son
menores a 0.05, entonces existe autocorrelación serial en los residuos.
 Figura 16: Prueba LM para el Modelo 2 con una relación de cointegración.

En la figura 16, vemos que los retardos 2,5 y 14 no cumplen la prueba, pues sus p-valores
son menores a 0.05, entonces existe autocorrelación serial en los residuos.
 Figura 17: Prueba LM para el Modelo 3 con una relación de cointegración.

En la figura 17, vemos que los retardos 2,5 y 14 no cumplen la prueba, pues sus p-valores
son menores a 0.05, entonces existe autocorrelación serial en los residuos.
 Figura 18: Prueba LM para el Modelo 4 con una relación de cointegración.

En la figura 18, vemos que los retardos 2,5 y 14 no cumplen la prueba, pues sus p-valores
son menores a 0.05, entonces existe autocorrelación serial en los residuos.
 Figura 19: Prueba LM para el Modelo 5 con una relación de cointegración.

En la figura 19, podemos ver que en las columnas Prob. todos los p-valores son mayores a
0.05; por lo tanto, podemos concluir que no existe autocorrelación en los residuos. Con
esto, el Modelo 5 será evaluado con la prueba de Portmanteau.

8.2 Prueba Portmanteau:

Con la prueba LM comprobamos que los modelos 1, 2, 3 y 4 no son válidos, por lo tanto,
presentamos la prueba Portmanteau solo para el Modelo 5.
 Figura 20: Prueba Portmanteau para el Modelo 5 con una relación de cointegración.

En la Figura 20, podemos ver que todos los p-valores son mayores a 0.05, por lo tanto,
no existe autocorrelación en los residuos. Con esto, podemos concluir que el Modelo 5
es el adecuado.

8.3 Prueba de Jarque-Bera

Finalmente, verifiquemos que los residuos del Modelo 5 tienen un comportamiento
normal; para ello, emplearemos la prueba de Jarque-Bera:

Figura 20: Prueba de Jarque-Bera para el Modelo 5 con una relación de cointegración.

En la figura 20, podemos ver que los p-valores son todos mayores a 0.05, por lo tanto,
podemos concluir que los residuos tienen una distribución normal.
Así, el Modelo 5 es adecuado para el modelamiento de los datos.
Denotemos por:

 𝑋1𝑡 = Valor trimestral del PIB.

  𝑋2𝑡 = Valor trimestral de las importaciones.
 𝑋3𝑡 = Valor trimestral del FBKF.
Con esto, la expresión de cointegración del modelo 5 es:
−4358227 + 𝑋𝑡−1 + 0,6811𝑋𝑡−2 − 1,8835𝑋𝑡−3 − 203138,3 ∙ 𝑇𝑅𝐸𝑁𝐷,

y, las expresiones de corrección del error son:

∆𝑋1𝑡 = 0,0677(𝑋1,𝑡−1 + 0,6811𝑋2,𝑡−1 − 1,8835𝑋3,𝑡−1 − 203138,2936 ∙ 𝑇𝑅𝐸𝑁𝐷

− 4358227,4408) + 0,1941∆𝑋1,𝑡−1 − 0,4201∆𝑋1,𝑡−2 − 0,0422∆𝑋1,𝑡−3
+ 0,5148∆𝑋2,𝑡−1 + 0,2591∆𝑋2,𝑡−2 − 0,1261∆𝑋2,𝑡−3 − 0,508∆𝑋3,𝑡−1
− 0,1261∆𝑋3,𝑡−2 + 0,4813∆𝑋3,𝑡−3 + 391827,2342 − 1516,9285
∙ 𝑇𝑅𝐸𝑁𝐷,

∆𝑋2𝑡 = −0,08695(𝑋1,𝑡−1 + 0,6811𝑋2,𝑡−1 − 1,8835𝑋3,𝑡−1 − 203138,2936 ∙ 𝑇𝑅𝐸𝑁𝐷

− 4358227,4408) + 0,4409∆𝑋1,𝑡−1 + 0,1177∆𝑋1,𝑡−2 + 0,0778∆𝑋1,𝑡−3
+ 0,3263∆𝑋2,𝑡−1 + 0,2833∆𝑋2,𝑡−2 + 0,1482∆𝑋2,𝑡−3 − 0,6497∆𝑋3,𝑡−1
− 0,3579∆𝑋3,𝑡−2 + 0,0607∆𝑋3,𝑡−3 − 73116,7738 − 202,4508
∙ 𝑇𝑅𝐸𝑁𝐷,

∆𝑋1𝑡 = 0,0464(𝑋1,𝑡−1 + 0,6811𝑋2,𝑡−1 − 1,8835𝑋3,𝑡−1 − 203138,2936 ∙ 𝑇𝑅𝐸𝑁𝐷

− 4358227,4408) + 0,091∆𝑋1,𝑡−1 − 0,02481∆ + 0,0192∆𝑋1,𝑡−3
+ 0,1332∆𝑋2,𝑡−1 + 0,1734∆𝑋2,𝑡−2 − 0,018∆𝑋2,𝑡−3 − 0,0411∆𝑋3,𝑡−1
− 0,2297∆𝑋3,𝑡−2 + 0,1458∆𝑋3,𝑡−3 + 78202,1516 − 238,8295
∙ 𝑇𝑅𝐸𝑁𝐷.

8. Predicciones a partir del MCE

PIB IMPORTACIONES FBKF
OBS. Real Predicción Real Predicción Real Predicción
78 26922520 27178927,3 6273781 6413268,224 6734396 6820488,55

79 26817695 27311471,6 6039016 6542248,8 6644595 6824029,01

80 26321793 27504002,5 5599143 6688225,22 6297200 6798464,38

81 23567531 27793165 4572970 6944135,21 5356441 6849339,37

82 24166757 28081599,7 4709401 7200665,23 5728849 6933674,22

Tabla 2: Predicciones para las series empleando el MCE.

De igual forma, presentamos gráficamente la comparación de las predicciones con los

últimos 5 datos reales:
 31,000,000

30,000,000

29,000,000

28,000,000

27,000,000

26,000,000

25,000,000

24,000,000

1 2 3 4 5

PIB PIB(MCE)
LCI LCS

Figura 21: Predicción para PIB.

En la figura 21, vemos que los dos últimos valores reales correspondientes al segundo y
tercer trimestre del 2020 no caen en el intervalo de confianza, esto se puede explicar
debido a que en estos períodos se experimentó una crisis económica.
10,000,000

9,000,000

8,000,000

7,000,000

6,000,000

5,000,000

4,000,000
1 2 3 4 5

IMPORTACIONES IMPORTACIONES(MCE)
LCI LCS
 Figura 22: Predicción para IMPORTACIONES.

En la figura 22, vemos que los dos últimos valores reales correspondientes al segundo y
tercer trimestre del 2020 no caen en el intervalo de confianza, esto se puede explicar
debido a que en estos períodos se experimentó una crisis económica.

10,000,000

9,000,000

8,000,000

7,000,000

6,000,000

5,000,000

1 2 3 4 5

FBKF FBKF(MCE)
LCI LCS

Figura 23: Predicción para FBKF.

En los gráficos las leyendas significan:

 LCI: límite de confianza inferior.

 LCS: límite de confianza superior.
 PIB, IMPORTACIONES y FBKF: Series reales de datos.
 PIB (MCE), IMPORTACIONES (MCE) y FBKF (MCE): Predicciones de las series con el
modelo de corrección de error.
9. Comparación con los modelos univariantes
A continuación, se realizará las estimaciones de los modelos univariantes y se comparará sus
predicciones con las del modelo MCE, siguiendo el procedimiento de la modelización para los
modelos ARIMA se obtuvo para las tres series los siguientes modelos:

 Para modelizar el PIB bastó un modelo 𝐴𝑅𝐼𝑀𝐴(0,1,1):

∆𝑋1𝑡 = 298886,2 + 𝑢1𝑡 + 0,4063𝑢1,𝑡−1 .
Figura 24: Resumen estadístico para el modelo 𝐴𝑅𝐼𝑀𝐴(0,1,1).

Figura 25: FAC Y FACP estimadas para 𝐷(𝑃𝐼𝐵).

Figura 26: Comparación de las predicciones para PIB entre el MCE y el modelo univariante.

 Para modelizar las Importaciones bastó un modelo 𝐴𝑅𝐼𝑀𝐴(1,1,0):

∆𝑋2𝑡 = 𝑢2𝑡 + 0,5382𝑋2,𝑡−1 .

Figura 27: Resumen estadístico para el modelo 𝐴𝑅𝐼𝑀𝐴(1,1,0).

 Figura 28: FAC Y FACP estimadas para 𝐷(𝐼𝑀𝑃𝑂𝑅𝑇𝐴𝐶𝐼𝑂𝑁𝐸𝑆).

Figura 29: Comparación de las predicciones para IMPORTACIONES entre el MCE y el modelo univariante.
 Para modelizar el FBCF bastó un modelo 𝐴𝑅𝐼𝑀𝐴(0,1,1):
∆𝑋3𝑡 = 79720,75 + 𝑢1𝑡 + 0,4403𝑢1,𝑡−1 .

Figura 30: Resumen estadístico para el modelo 𝐴𝑅𝐼𝑀𝐴(0,1,1).

Figura 31: FAC Y FACP estimadas para 𝐷(𝐹𝐵𝐾𝐹).

Figura 32: Comparación de las predicciones para FBKF entre el MCE y el modelo univariante.

Como se puede apreciar en cada serie modelada, el modelo VAR presenta

predicciones un tanto mejores que los modelos de una sola variable.
Para comparar analíticamente, en la siguiente tabla, se calcula el error cuadrático
medio estimado para determinar el mejor ajuste:
PIB IMPORTACIONES FBCF
MCE 1455152 1137289 684617
UNIVARIANTE 1.41 E+10 1.13 E+11 6.17 +10
Tabla 3: Error cuadrático medio estimado de los modelos univariantes y error cuadrático
medio estimado para el modelo con MCE.

10.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 MCE, cuya ecuación de integración es:

−4358227 + 𝑋𝑡−1 + 0,6811𝑋𝑡−2 − 1,8835𝑋𝑡−3 − 203138,3 ∙ 𝑇𝑅𝐸𝑁𝐷,

y, las expresiones de corrección del error son:

∆𝑋1𝑡 = 0,0677(𝑋1,𝑡−1 + 0,6811𝑋2,𝑡−1 − 1,8835𝑋3,𝑡−1 − 203138,2936 ∙ 𝑇𝑅𝐸𝑁𝐷

− 4358227,4408) + 0,1941∆𝑋1,𝑡−1 − 0,4201∆𝑋1,𝑡−2 − 0,0422∆𝑋1,𝑡−3
+ 0,5148∆𝑋2,𝑡−1 + 0,2591∆𝑋2,𝑡−2 − 0,1261∆𝑋2,𝑡−3 − 0,508∆𝑋3,𝑡−1
− 0,1261∆𝑋3,𝑡−2 + 0,4813∆𝑋3,𝑡−3 + 391827,2342 − 1516,9285
∙ 𝑇𝑅𝐸𝑁𝐷,
∆𝑋2𝑡 = −0,08695(𝑋1,𝑡−1 + 0,6811𝑋2,𝑡−1 − 1,8835𝑋3,𝑡−1 − 203138,2936 ∙ 𝑇𝑅𝐸𝑁𝐷
− 4358227,4408) + 0,4409∆𝑋1,𝑡−1 + 0,1177∆𝑋1,𝑡−2 + 0,0778∆𝑋1,𝑡−3
+ 0,3263∆𝑋2,𝑡−1 + 0,2833∆𝑋2,𝑡−2 + 0,1482∆𝑋2,𝑡−3 − 0,6497∆𝑋3,𝑡−1
− 0,3579∆𝑋3,𝑡−2 + 0,0607∆𝑋3,𝑡−3 − 73116,7738 − 202,4508
∙ 𝑇𝑅𝐸𝑁𝐷,

∆𝑋1𝑡 = 0,0464(𝑋1,𝑡−1 + 0,6811𝑋2,𝑡−1 − 1,8835𝑋3,𝑡−1 − 203138,2936 ∙ 𝑇𝑅𝐸𝑁𝐷

− 4358227,4408) + 0,091∆𝑋1,𝑡−1 − 0,02481∆ + 0,0192∆𝑋1,𝑡−3
+ 0,1332∆𝑋2,𝑡−1 + 0,1734∆𝑋2,𝑡−2 − 0,018∆𝑋2,𝑡−3 − 0,0411∆𝑋3,𝑡−1
− 0,2297∆𝑋3,𝑡−2 + 0,1458∆𝑋3,𝑡−3 + 78202,1516 − 238,8295
∙ 𝑇𝑅𝐸𝑁𝐷.

 Tras comparar las predicciones de los modelos univariantes con los modelos MCE se
puede concluir que la varianza de los modelos MCE 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 MCE.
11.Referencias:
 La metodología aplicada para la modelación VAR fue tomada del libro: Modelación en
series temporales, Capítulo 6, 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