UNIVERSIDAD NACIONAL MAYOR DE SAN MARCOS

FACULTAD DE CIENCIAS ECONOMICAS

Curso: Econometría II
Profesora: Mag. Beatriz Castañeda S.

Práctica – Series de Tiempo

1. Para los siguientes procesos analice el comportamiento implicado por cada

modelo para la serie original Yt,, esto es:

Indique si es estacionario en media, en caso de no ser estacionaria precise

si tiene tendencia determinística o estocástica.

Simplifique los términos que sean pertinentes e indique el orden del proceso
ARIMA(p,d,q), especifique la variable transformada que tiene
comportamiento estacionario.

a) (1 - 0.2 L - 0.24 L2) (1-L)2 Yt = (1 + 0.7 L) t

Como se aprecia en el polinomio de rezagos (L) tiene dos raíces

unitaria por lo cual no es estacionario en media, al no incluir constante no
tiene tendencia definida, su trayectoria depende las innovaciones o
shocks aleatorios.

Analizando la raíces de los polinomios

i) (L)= 1 - 0.2 L - 0.24 L2 = 0

Obtenemos L1 = 1/0.6 = 1.66 ; L 2 = 1/0.0 = 2.5, por lo que podemos

decir que D²Yt es estacionaria.

ii) (L) = 1 + 0.7 L = 0, obtenemos L 1 = - 1/0.7= 1.43 cumple con la

condición de invertibilidad

El proceso (1 - 0.2 L - 0.24 L2) (1-L)2 Yt = (1 + 0.7 L) t es ARIMA (2,2,1)

La variable estacionaria es D²Yt = (1-L)² Yt

b) Yt = -0.2 Yt-1 + 0.88 Yt-2 + 0.32 Yt-3 + t + 0.8 t-1

- En este caso observamos que 1 + 2 + 3 = -0.2 + 0.88 +0.32 =1,

indica que el polinomio contiene alguna raíz unitaria

Obtenemos las raíces: L1 = 1; L2 = 1.25 ; L3 = 2.5; por lo cual la

variable Yt no es estacionaria es necesario transformarla aplicando la
primera diferencia
 - (L) = 1 + 0.8 L = 0, obtenemos L 1 = 1.25 cumple con la condición de
invertibilidad
- El modelo no incluye constante, por lo cual no tiene tendencia
definida, su trayectoria depende las innovaciones o shocks aleatorios,
en caso la data tuviera tendencia ésta es estocástica.
- Como los polinomios tienen una raíz en común, el modelo está
sobreparametrizado. Escribimos el modelo en términos de sus raíces
inversas y encontramos que:
(1+0.8L) (1+0.4L) (1-L) Yt = (1+0.8L) t que equivale al modelo

(1+0.4L) (1-L) Yt = t
Luego Yt es un proceso ARIMA (1,1,0)

La variable estacionaria es DYt = (1-L) Yt

c) Yt = 2t + 5 + vt ; vt = 0.6 vt-1 +t

- Observamos que la perturbación vt es una serie estacionaria AR(1),

por ello el modelo especificado especificado para Y t indica que la
serie no es estacionaria en media, tiene tendencia determinística, es
decir es estacionaria alrededor de la tendencia 2 t + 5, Y t es TS
- Transformamos a la variable removiendo la tendencia, esto es,
Yt – (2t+5) =vt = 0.6 vt-1 +t
La variable transformada vt es ARIMA(1,0,0) = AR(1)

d) Yt = 15+ vt ; vt = vt-1 + t - 0.3 t-1

- Observamos que la perturbación v t es no estacionaria, es ARIMA

(0,1,1), por lo cual Yt tampoco es estacionaria
- Reescribimos el modelo para Yt en términos de la perturbación t
vt = vt-1 + t - 0.3 t-1 equivale a (1-L) vt = (1-0.3L) t

(1−0 . 3 L )

Entonces
vt=
[ (1−L) ]εt

( 1−0 . 3 L )
Y t =15+
[
( 1−L) ]
ε t ⇔ ( 1−L) Y t =( 1− L) 15+( 1−0 .3 L) ε t

DY t =ε t −0 . 3 ε t −1
 Yt es ARIMA(0,1,1)

e) Yt = 2 - 3t + vt ; vt = vt-1 +t - 0.4 t-1

- Observamos que la perturbación v t es no estacionaria, es ARIMA

(0,1,1), por lo cual Yt tampoco es estacionaria
- Reescribimos el modelo para Yt en términos de la perturbación t
vt = vt-1 + t - 0.4 t-1 equivale a (1-L) vt = (1-0.4L) t

(1−0 . 4 L )
vt=
[ (1−L) ]
εt

- Entonces
(1−0 . 4 L )
Y t =2−3 t+
(1−L ) [ εt ⇔
]
(1−L)Y t =(1−L)2−3(1−L)t+(1−0 . 4 L)ε t
(1−L)Y t =−3+(1−0 . 4 L )ε t
DY t =−3+ ε t −0 . 4 ε t−1
Yt es ARIMA(0,1,1)

- La presencia con la constante negativa indica que tendrá un

comportamiento con tendencia negativa estocástica.

2. Sea el proceso Yt = 0.6 Yt-1 + 5 + t + 0.7 t-1 + 0.4 t-2 2 = 4

Esto es (1-0.6L) Yt = 5+ (1+0.7L+0.4L²)t

a) Analice si cumple con la condición de estacionariedad e invertibilidad

Análisis de estacionariedad: (1-0.6L)= = , entonces L = 1/0.6 = 1.66
Análisis de invertibilidad:
(1+0.7L+0.4L²)= 0, entonces Li = -0.875 1.317 i, donde

|Li|=√ 0. 8752 +1. 3172 =1 .581>1

Luego el proceso es estacionario e invertible

b) Escriba el modelo en su forma AR, proporcione coeficientes π i hasta el

rezago 8
 φ( L)
=π ( L), entonces φ( L)=θ( L)π (L )
θ( L )

( 1−0 . 6 L)=(1+ 0. 7 L+0 . 4 L ² )(1+ π 1 L+ π 2 L ²+ π 3 L3 +. . .. .)

=1+π 1 L+ π 2 L ² + π 3 L3 + π 4 L 4 +. . .. .+
0 .7 L+0 . 7 π 1 L2 +0 .7 π 2 L3 + 0 .7 π 3 L4 +. ..+
0 . 4 L² +0 . 4 π 1 L3 + 0. 4 π 2 L 4 + 0. 4 π 3 L5 +. .. .

(1−0 . 6 L)=(1+( π 1−0. 7 )L+( π 2 +0 .7 π 1 + 0. 4 )L ²+( π 3 +0 .7 π 2 + 0. 4 π 1 ) L3 +

( π 4 +0 . 7 π 3 +0 . 4 π 2 ) L 4 +. . .. .. . .
Igualando términos tenemos
π 1 +0 . 7=−0. 6 , entonces π 1 =−1. 3
π 2 +0 . 7 π 1 +0 . 4=0 , entonces π 2 =−0 . 7 π 1 −0 . 4=0 . 51
π 3 +0 . 7 π 2 +0 . 4 π 1 =0 , entonces π 3 =−0 . 7 π 2−0 . 4 π 1 =0 . 163
π 4 +0 .7 π 3 +0. 4 π 2=0 , entonces π 4 =−0 . 7 π 3−0 . 4 π 2=−0 .3181
π j =−0 . 7 π j−1 −0 . 4 π j−2
π 5 =0 .15747 ; π 6 =0. 017 ; π 7 =−0 . 0749 ; π 8 =0. 0456

b) Obtenga la media y la varianza del proceso.

E(Y) = 5/(1-0.6)= 12.5

Covarianzas

γ 0 =E [(φ 1 ~
Y t−1 + ε t −θ 1 ε t−1 −θ2 ε t−2 ) ~
Yt]
=φ1 γ 1 +σ 2ε (1−θ1 φ1 +θ21 −θ 2 φ21 +θ 1 θ2 φ1 + θ22 )

γ 1=E [ (φ1 ~
Y t−1 + ε t −θ1 ε t−1−θ 2 ε t−2 )~
Y t−1 ]
=φ1 γ 0 −(θ1 + θ2 φ1 −θ1 θ 2 )σ 2ε

γ 2= E [ (φ1 ~
Y t−1 + ε t −θ 1 ε t−1−θ 2 ε t−2 ) ~
Y t−2 ]
=φ1 γ 1−θ 2 σ 2ε
γ j =φ 1 γ j −1 si j≥3
 2 2 2 2
σ ε ( 1+θ1 +θ2 −2 φ1 θ1 −2 φ1 θ2 + 2θ 1 θ 2 φ1 )
γ 0= 2
Solucionando 1−φ1

Del modelo especificado 1 = 0.6; 1= - 0.7; 2= - 0.4

Remplazando

γ 0 =19. 4625
γ 1=16 . 5575
γ 2=11. 5345

Función de autocorrelación simple FAS j = 1 j-1 si j  3

j j
1 0.85074
2 0.59265
3 0.35559
4 0.21335
5 0.12801
6 0.07681
7 0.04608
8 0.02765

3. Dado el proceso
Yt = 2 + 0.5 t + 0.8 Yt-1 +t - 0.3 t-1
Calcule, si existe, de la media y varianza de la variable Yt
Reescribimos el modelo
( 1−0 . 8 L)Y t =2+0 .5 t +(1−0. 3 L)ε t
2 1 1−0 .3 L
Y t=
1−0 . 8
+0 . 5
∞
[
1−0 . 8 L
t+ ] [
ε
1−0 . 8 L t ]
Y t =10+0 .5
[ ]
∑ ( 0 . 8 L )i t+ψ ( L )ε t
0

Y t =10+0 .5 [ 1+0 . 8 L+ 0. 8² L ²+0 . 83 L3 + .. .. ] t+ψ ( L )ε t

3
Y t =10+0 .5 [ t +0 . 8(t−1)+0 . 8²( t−2)+0. 8 (t−3)+. .. . ] +ψ ( L) ε t
Y t =10+0 .5 [ (1+0. 8+ 0. 8²+0. 83 +.. .) t−(0 . 8+2∗0 .8²+ 3∗0. 83 +4∗0 . 8 4 +. .. ) ]
+ψ ( L)ε t
t 1
Y t =10+0 .5
[ 1−0 . 8
−0 . 8
[
(1−0 . 8)2
+ψ ( L) ε t
]]
 0 . 5∗0 .8 (1−0 .3 L
Y t =10+2 .5 t−
0 . 04
+
[ ε
(1−0 .8 L) t ]
(1−0 . 3 L
Y t =2 .5 t +ut ; donde ut =
[ ]
ε
(1−0 . 8 L) t

Luego como ut es estacionario, la tendencia es determinística, por lo cual

existe la media y la varianza de Yt

E(Yt)= 2.5t

V(Yt) = V(ut)= 0

2 2 2
σ ε ( 1−2θ1 φ1 +θ1 ) σ (1−2( 0 .3 )( 0 . 8)+0 . 3²)
γ 0= = ε =1 . 694 σ 2ε
1−φ12 1−0 . 8²