Gilmar Alejandro Chamas de los Ríos

Escuela Militar de Ingeniería

Ingeniería Comercial
Econometría II

Práctica N° 4

Primera Parte – Pruebas de Especificación

La función de este trabajo es el de nivelar los conceptos básicos del curso anterior para
comprender mejor el capítulo de Series Univariantes. Por lo que debe describir con
fórmulas y sus propias palabras cada test.

1. Normalidad de Residuos
 Prueba de Jarque-Bera.
2. Correlación serial
 Prueba de Breusch-Godfrey multiplicador de Lagrange (LM).
 Prueba Durbin-Watson.
3. Heteroscedasticidad
 Test ARCH.
 Test Harvey.
 Test de Glejser.
 Test de White.
4. Multicolinealidad
 Altas correlaciones parciales.
 Factores de inflación de varianza.
5. Estabilidad de parámetros
 Test CUSUM.
 Test CUSUM de cuadrados.
 Parámetros recursivos.
6. Especificación del modelo
 Prueba de variables omitidas (razón de verosimilitud, likelihood ratio).
 Prueba de variables redundantes (razón de verosimilitud, likelihood ratio).
 Prueba de Ramsey-Reset.
Segunda Parte – Preguntas de Auto estudio
7. ¿Por qué los modelos de ARMA pueden ser considerados particularmente útiles para las
series temporales en finanzas? Explica, sin usar ninguna ecuación o notación
matemática, la diferencia entre los procesos AR, MA y ARMA.

8. a) Describa los pasos que Box y Jenkins (1976) sugirieron para la construcción de un
modelo de ARMA.
b) ¿Qué aspecto particular de esta metodología ha sido objeto de críticas y por qué?
c) Describa un procedimiento alternativo que podría utilizarse para este aspecto.

9. Se obtienen las siguientes estimaciones para un modelo AR(2) de algunos datos de

retorno
yt= 0.803y t-1 + 0.682yt-2 + ut
donde ut es un proceso de error de ruido blanco. Examinando la ecuación característica,
compruebe la estacionalidad del modelo estimado.

10. Una investigadora está tratando de determinar el orden apropiado de un modelo de

ARMA para describir algunos datos reales, con 200 observaciones disponibles. Tiene los
siguientes registros del logaritmo de la varianza residual estimada (es decir, log(σ 2)) para
varios modelos candidatos. Ha supuesto que no debería ser necesario un orden superior
a (3,3) para modelar la dinámica de los datos. ¿Cuál es el orden "óptimo" del modelo?

ARMA(p,q) log(σ2)
Orden del Modelo
(0,0) 0.932
(1,0) 0.864
(0,1) 0.902
(1,1) 0.836
(2,1) 0.801
(1,2) 0.821
(2,2) 0.789
(3,2) 0.773
(2,3) 0.782
(3,3) 0.764

11. a) Se obtienen las siguientes muestras de autocorrelaciones y autocorrelaciones

parciales para una muestra de 100 observaciones a partir de datos reales:

Rezago 1 2 3 4 5 6 7 8
acf 0.420 0.104 0.032 -0.206 -0.138 0.042 -0.018 0.074
pacf 0.632 0.381 0.268 0.199 0.205 0.101 0.096 0.082

¿Puede identificar el proceso de series temporales más apropiado para estos datos?
12. Usted ha estimado el siguiente modelo ARMA (1,1) para alguna data de series de
tiempo:
Yt=0.036+0.69yt-1 + 0.42 ut-1 + ut

Suponga que usted tiene datos de t-1, es decir, sabe que yt-1= 3.4 y ut-1=-1.3.
a) Obtenga el pronóstico de la serie y para los periodos t, t+1, y t+2 usado el modelo ARMA
estimado.
b) Si los valores actuales de la serie se cambian por -0.032, 0.96, 0.203 para t, t+1, t+2,
calcule el Error Cuadrático Medio (MSE) fuera de la muestra.

13. Considere los siguientes coeficientes de autocorrelaciones y autocorrelaciones

parciales estimadas usando 500 observaciones para una serie débilmente estacionaria
yt:

Usando una simple "regla de oro", determinar cuál, si es que hay alguno de los
coeficientes, de los acf y pacf son significantivos al nivel del 5%. Utiliza tanto los
estadísticos de Box-Pierce como el de Ljung-Box para probar la hipótesis nula conjunta
de que los primeras cinco coeficientes de autocorrelación son conjuntamente cero.

c) ¿Qué proceso sugeriría provisionalmente que podría representar la mayor parte modelo
apropiado para la serie en la parte (b)? Explique su respuesta.

d) Se pide a dos investigadores que estimen un modelo ARMA para una Serie de retorno
del tipo de cambio USD/GBP, denotado x t . El investigador A utiliza El criterio de Schwarz
para determinar el orden apropiado del modelo y llega a un ARMA(0,1). El investigador
B utiliza la información de Akaike que considera que un ARMA(2,0) es óptimo. Los
modelos estimados son:

Donde ut es un término de error.

Usted recibe los siguientes datos para el tiempo hasta el día z (es decir t=z)
 Producir pronósticos para los próximos cuatro días (es decir, para periodos z+1, z+2, z+3,
z+4) para ambos modelos.
e) Describa los dos métodos propuestos por Box y Jenkins (1970) para determinar la
idoneidad de los modelos propuestos en la parte d).
f) Supongamos que los valores reales de la serie x en los días z +1, z +2, z +3, z +4 resultaran
ser 0,62, 0,19, -0,32, 0,72, respectivamente. Determinar qué modelo de investigador
produjo los pronósticos más precisos.

Tercera Parte – Práctica en Programas

Para desarrollar el siguiente ejercicio puede utilizar R-Studio o Eviews.

Realice el pronóstico del comportamiento futuro de algún instrumento financiero

(Acciones, índices, etc) para cinco días posteriores a la finalización de sus datos. Aplique la
metodología de Box y Jenkins para generar un modelo ARIMA y demuestre un análisis con
breves explicaciones analíticas y gráficos que incluyan al menos cuatro modelos de los
cuales se obtuvo la mejor predicción.

El análisis se debe presentar en un documento en formato PDF que incluya en sus

Anexos, los scripts y/o outputs auxiliares.