Juan Pablo Chavarria Chavarrio

Taller 1 – Series
Prof. Jaime Rodríguez G. :: Econometría 2

Introducción Series de Tiempo

1. Dada la series de tiempo X = [10, 15, 23, 20, 19], donde X1 = 10, X2 = 15,. . . calcule
a mano, el primer y segundo rezago, la primera y segunda diferencia.

2. En RStudio, ingrese la siguiente serie X = [10, 15, 23, 20, 19]. Using RStudio,
calcule el primer y segundo rezago, la primera y segunda diferencia.

x <- c(10, 15, 23, 20, 19)

st_x <- ts(data = x , start = c(2020,2) , frequency = 12)

plot.ts(st_x)
 #primer y segundo rezago

lx <- lag( x= st_x , k=-1)

lx2 <- lag(x = st_x, k=-2)

# primer y segunda diferencia

Dst_x1 <- diff(x = st_x , differences = 1)

Dst_x1

Dst_x2 <- diff(x=st_x , differences = 2)

cbind(st_x , lx , lx2 , Dst_x1 , Dst_x2)

3. Del sitio de Yahoo Finanzas, click aquí, descargue los datos para una acció n de su
preferencia desde 2000 a 2019, con frecuencia diaria y mensual.

– Construya una vela japonesa bullish y otra bearish, con los datos.
– Grafique los preció s (Adjust Closed) e identifique los meses de “crisis” de
la acció n

Calcule los rendimientos, via el operador diferencia. Grafique.

– Discuta la estacionariedad de la serie en media y varianza. ¿Hay diferencia
entre la volatilidad diaria o mensual?
4. Suponga que las notas de clase se distribuyen normal con media 70 y desviació n
estandar 10. Suponga que el profesor hace una curva multiplicando cada nota por
1.10.

– Calcule la nueva media

E( y)=1.10 E ( x )
μ=1.10 ( 70 )
μ=77

– Calcule la nueva varianza.

var ( y ) =1.10∗var ( x )
var ( y ) =1.10∗10
var ( y ) =1.102∗10
var ( y ) =12.1

– Calcule la nueva desviació n estandar

σ =√ 12.1
σ =3.4785

5. Suponga X N (5 , √ 2), calcule:

– El valor esperado de 10 X
E ( y )=10( x)
E ( y )=10( E( x))
E ( y )=10(5)
E ( y )=50

– La varianza de 10 X
var ( y ) =10∗var ( x )
var ( y ) =102∗var ( x )
var ( y ) =102∗√ 2
var ( y ) =141.4213

– La desviació n estandar de 10 X

σ =√ 141.4213
σ =11.8920
 – La varianza de 5 X
var ( y ) =5∗var ( x )
2
var ( y ) =5 ∗var ( x )
var ( y ) =52∗√ 2
var ( y ) =35.3553
– La varianza de 20 X

var ( y ) =20∗var ( x )
var ( y ) =202∗var ( x )
var ( y ) =20 ∗√ 2
2

var ( y ) =28.2842

6. Suponga que dos parciales (el segundo y examen final) usualmente tiene
promedio de 70 y 80, respectivamente. Y tienen varianza de 100 y 49. Si su
correlació n es 0.8, calcule la covarianza.
cov ( x , y)
CORR=
σx∗σy
COV ( x , y )=corr ( x , y )∗σx∗σy

COV ( x , y )=0.8∗( √100∗√ 49 )

COV ( x , y )=56

Proceso Estacionario AR(P)

1. Usando la definició n de estacionariedad, muestre que el proceso aleatorio, dado
por
X t =β 0 + β 1 et con e t ∼ iidN (0,1)

es ruido blanco.
X t =β 0 + β 1 et con e t ∼ iidN (0,1)

X t −et =β 0 + β1 e t−et

∆ X t= β0 + et (β t−1)

e t ∼iidN (0,1)

∆ X t= β0 + 0(β t−1)

∆ X t= β0
La varianza de la serie no se ve explicada por el otro termino , es decir que la serie es
estacionaria en las diferencias. Es estacionario dado que es una constante y es un
ruido blanco dado que

2. Consider un proceso AR(2), X t =β 1 X t + β 2 X t−2 con β 1=0.70 , β 2=0.20

1

– simule el proceso
simu_t <- arima.sim(model = list(ar=c(0.70, 0.20)), n = 2000)
plot(simu_t)
simu_model <- arima(x = simu_t , order = c(2,0,0), include.mean = FALSE)
simu_model
– Estime el proceso

z test of coefficients:

Estimate Std. Error z value Pr(>|z|)

ar1 0.725782 0.021977 33.0244 < 2.2e-16 ***

ar2 0.185921 0.022001 8.4506 < 2.2e-16 ***

Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

3. Simule el proceso estocá stico X t =8+ 0.3 X t −1 +0.2 X t −2+ et . Calcule la media y
varianza teó rica y comparela con los valoesres muestrales.
##punto 3.4

B1 = 8

B2 = 0.3

B3= 0.2

yar =0

for (i in 1:20000) { yar[i+1] = B1 + B2*yar[i] + B3*yar[i]+rnorm(1)}

plot(yar, type="l" , col = "red")

arima(yar, order = c(3,0,0))

arima(x = yar, order = c(3, 0, 0))

Coefficients:

ar1 ar2 ar3 intercept

0.5101 -5e-04 -0.0156 16.0079

s.e. 0.0071 8e-03 0.0071 0.0139

sigma^2 estimated as 0.9966: log likelihood = -28346.01, aic = 56702.02

media

mean(yar)

16.0088

Varianza

var(yar)

1.33559

Impulso Respuesta
1. Calcule los impulsos respuesta para los siguientes procesos
– X t =0.5 X t−1 +e t
beta2= 0.5
kperiodos= 5
irf= 1
for (i in 1:kperiodos) {irf[i] = beta2^i}
El choque inicia en T

X t =0.5 ( 0 )+1=1
X t +1=0.5 (1 ) +0=0.5
X t +2 =0.5 ( 0.5 ) +0=0.25
X t +3 =0.5 ( 0.25 ) +0=0.125
X t + 4=0.5 ( 0.125 ) +0=0.0625
X t + k =0.5 ( 0.0 ) +0=0

– X t =−0.5 X t−1 +et

X t =−0.5 ( 0 )+ 1=1
X t −1=−0.5 ( 1 ) +0=−0.5
X t −2=−0.5 (−0.5 )+ 0=0.25
X t −3=−0.5 ( 0.25 )+ 0=−0.125
X t −4 =−0.5 (−0.125 ) +0=0.625
X t + k =−0.5 ( ∓ 0 ) +0=∓ 0

– X t =0.5 X t−1−0.10 X t−1−2+e t

X t =0.5 ( 0 )−0.10 ( 0 )−2+1=−1

 X t +1=0.5 (−1 )−0.10 (−1 )−2+0=−2.4
X t +2 =0.5 (−2.4 )−0.10 (−2.4 )−2+ 0=−2.96
X t +3 =0.5 (−2.96 )−0.10 (−2.96 )−2+0=−3.184
X t + k =0.5 (−∞ )−0.10 (−∞ )−2+1=−∞

– X t =0.10+ 0.5 X t−1−0.20 X t−1 +e t

X t =0.10+ 0.5 ( 0 )−0.20 ( 0 )+1=1.10
X t +1=0.10+0.5 ( 1.10 )−0.20 ( 1.10 ) +1=1.43
X t +2 =0.10+0.5 ( 1.43 )−0.20 ( 1.43 ) +1=1.52
X t +3 =0.10+0.5 ( 1.52 )−0.20 ( 1.52 ) +1=1.556
X t + 4=0.10+ 0.5 ( 1.556 )−0.20 ( 1.556 ) +1=1.566
X t + k =0.10+0.5 ( ∞ )−0.20 ( ∞ )+1=∞

– Xt =X t−1+ e t
Xt =0+1=1
X t +1=1+ 0=1
X t +2 =1+ 0=1
X t + k =1+0=1

2. ¿Có mo es la diná mica cuando los coeficientes son negativos?

Cuando los coeficientes son negatvivos la serie fulctua entre valores negativos y
positivos, en un proceso ciclico que se va reduciendo del tal modo se va
acercando al cero cada que los periodos aumentan, es decir que su variacion
pierde valor con el tiempo.

3. Dados los IRF calculados, ¿será n todos los procesos estacionarios?

No, dado que hay algunos que tienden a numeros infinitos y no estan rondando en la
media de la serie

Predicción
Recuerde cargar la librería: library(forecast).
1. Simule un poceso AR(2), sin constante, con n=1000. Nota: utilice coeficientes
menores a 1.

plot(pre_ar)

2. Calcule, a mano, las predicciones cinco valores adelante.

3. Use la librería forecast para comparar sus resultados.

pre_ar2Model <- arima(x = pre_ar, order = c(2,0,0), include.mean = FALSE )

plot(pre_ar2Model)
 coeftest(pre_ar2Model)

pre_ar2Model

b3 = coefficients(pre_ar2Model); b3

tail(pre_ar)

c(b3*0.84022, b3^2*0.48022,b3^3*0.84022 , b3^4*0.84022 , b3^5*0.84022)

4. Realice el mismo procedemiento para un proceso AR(2) con constante.

pre_ar4 <- arima.sim(model = list(ar=c(0.25 )), n = 1000)

plot(pre_ar4)
pre_ar4
pre_ar4Model <- arima(x = pre_ar4, order = c(1,0,0), include.mean = FALSE )
plot(pre_ar4Model)
coeftest(pre_ar4Model)
pre_ar4Model
b4 = coef(pre_ar4Model); b4
c(b4*0.285299,
b4^2*0.285299,b4^3*0.285299,b4^4*0.285299,b4^5*0.285299)