Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Cruz S. - Granda G. - Cointegración
Cruz S. - Granda G. - Cointegración
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.
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.
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:
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:
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:
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:
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:
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.
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.
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:
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
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 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 .
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:
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