Parcial de Econometría II

PARCIAL DE ECONOMETRÍA II
NOMBRE: María José Padrón Támara
Grupo 1
 Modelo ARIMA(p,d,q)
CONSUMO
Realizamos la prueba gráfica, el correlograma y los test de Dickey Fuller aumentado y
Phillips y perron para conocer si la serie de tiempo en estudio es un proceso estocástico
estacionario.
Eviews
1. Proceso estocástico estacionario

a. Prueba gráfica
Observando la gráfica, podemos darnos cuenta de que NO se cumplen varias

características, no es cíclico, no parece oscilar alrededor de un valor y la amplitud no es la
misma en algunos tramos, tiene una tendencia ascendente. Podemos decir que no se trata
de un proceso estocásticos estacionarios.
B.Correlograma
Observamos que varios de los bastones azules sobrepasan en su las rayas limitantes, por
tanto, se puede decir que ese proceso estocástico no es estacionario.
C. Test de raíces unitarias(Dickey Fuller aumentado y Phillips-Perron)
H0= La serie de tiempo no es estacionaria

Ha= La serie de tiempo es estacionaria
Null Hypothesis: C01 has a unit root

Exogenous: Constant
Lag Length: 0 (Automatic - based on SIC, maxlag=10)
t-Statistic Prob.*
Augmented Dickey-Fuller test statistic 2.753205 1.0000

Test critical values: 1% level -3.536587
5% level -2.907660
10% level -2.591396
*MacKinnon (1996) one-sided p-values.
Augmented Dickey-Fuller Test Equation

Dependent Variable: D(C01)
Method: Least Squares
Date: 09/26/18 Time: 16:43
Sample (adjusted): 2 65
Included observations: 64 after adjustments
Variable Coefficient Std. Error t-Statistic Prob.
C01(-1) 0.013020 0.004729 2.753205 0.0077

C -217.7929 311.2969 -0.699631 0.4868
R-squared 0.108941 Mean dependent var 624.2031

Adjusted R-squared 0.094569 S.D. dependent var 488.6081
S.E. of regression 464.9307 Akaike info criterion 15.15241
Sum squared resid 13401957 Schwarz criterion 15.21987
Log likelihood -482.8770 Hannan-Quinn criter. 15.17898
F-statistic 7.580140 Durbin-Watson stat 1.794887
Prob(F-statistic) 0.007732
Null Hypothesis: C01 has a unit root

Exogenous: Constant
Bandwidth: 5 (Newey-West automatic) using Bartlett kernel
Adj. t-Stat Prob.*
Phillips-Perron test statistic 2.030594 0.9999

5% level -2.907660
10% level -2.591396
Residual variance (no correction) 209405.6

HAC corrected variance (Bartlett kernel) 356300.1
Phillips-Perron Test Equation

Dependent Variable: D(C01)
Date: 09/26/18 Time: 16:44
C01(-1) 0.013020 0.004729 2.753205 0.0077

C -217.7929 311.2969 -0.699631 0.4868

Observando los valores p en ambos test, nos damos cuenta que son superior al valor de
alfa el cual es 0.05, por tanto tenemos suficiente evidencia estadística para no rechazar la
hipótesis nula, por tanto la hipótesis alternativa.
2. PRIMERAS DIFERENCIAS
Debido a que el proceso realizado no es un proceso estocástico estacionario, entonces

procedemos a convertir la serie en estacionaria, a través de primeras diferencias.
Y volvemos a realizar el gráfico, el correlograma y los test.
a. Prueba gráfica
Observamos que la gráfica describe un proceso cíclico, de una amplitud similar y oscila
alrededor de un mismo valor, por tanto podríamos decir que se trata de una serie
estacionaria.
B. Correlograma
Observamos que los bastones azules no sobrepasan las rayas, por tanto, se puede decir
que ese proceso estocástico es estacionario.
c. Test de raíces unitarias (Dickey Fuller aumentado y Phillips-Perron)

Null Hypothesis: DC01 has a unit root

Exogenous: Constant
t-Statistic Prob.*
Augmented Dickey-Fuller test statistic -6.397758 0.0000

5% level -2.908420
10% level -2.591799

Dependent Variable: D(DC01)
Date: 09/26/18 Time: 16:45
DC01(-1) -0.796348 0.124473 -6.397758 0.0000

C 504.5765 98.52300 5.121408 0.0000

Null Hypothesis: DC01 has a unit root

Exogenous: Constant
Adj. t-Stat Prob.*
Phillips-Perron test statistic -6.737409 0.0000

5% level -2.908420
10% level -2.591799


Dependent Variable: D(DC01)
Date: 09/26/18 Time: 16:46
DC01(-1) -0.796348 0.124473 -6.397758 0.0000

C 504.5765 98.52300 5.121408 0.0000

Observando los valores p en ambos test, nos damos cuenta que son inferior al
valor de alfa el cual es 0.05, por tanto tenemos suficiente evidencia estadística
para rechazar la hipótesis nula y aceptar, por tanto la hipótesis alternativa.
3. Modelo ARIMA
Aplicamos un modelo arima, obteniendo los MA y los AR a partir de la metodología de BOX Jenkins
a través del correlograma y correlograma parcial.
Y 66=β 0 + β 1 y t −2+ β2 y t −3 + β 2 y t−7 +α 1 e t −2 + α 2 et −3
Dependent Variable: DC01

Date: 09/26/18 Time: 16:47
Convergence achieved after 32 iterations
MA Backcast: 6 8
C 719.1260 45.31438 15.86971 0.0000

AR(2) 0.284240 0.162528 1.748864 0.0863
AR(3) 0.634197 0.141685 4.476092 0.0000
AR(7) -0.275329 0.087607 -3.142775 0.0028
MA(2) -0.283019 0.185149 -1.528606 0.1325
MA(3) -0.647381 0.171906 -3.765898 0.0004

Sum squared resid 9453210. Schwarz criterion 15.28228
Inverted AR Roots .86+.18i .86-.18i .11-.72i .11+.72i

-.59-.74i -.59+.74i -.75
Inverted MA Roots .97 -.49+.65i -.49-.65i
Sacando aquellos rezagos que ni son significativos nos queda el modelo arima de la siguiente
forma:
Y 66=β 0 + β 2 yt −3 + β 2 y t −7 + α 1 e t−3
Dependent Variable: DC01

Date: 09/26/18 Time: 16:47
MA Backcast: 6 8
C 729.2144 31.54001 23.12030 0.0000

AR(3) 0.734821 0.078686 9.338704 0.0000
AR(7) -0.147479 0.062250 -2.369148 0.0215
MA(3) -0.910419 0.060448 -15.06115 0.0000

Sum squared resid 9673642. Schwarz criterion 15.16346
Inverted AR Roots .78+.13i .78-.13i .05+.65i .05-.65i

-.52+.80i -.52-.80i -.62
Inverted MA Roots .97 -.48+.84i -.48-.84i
4. PRONOSTICO
Podemos pronosticar entonces que para el siguiente periodo, es decir el número en

nuestra serie de tiempo, el consumo será de 89220.4851
, pues tendrá una variación de 924.485128 en términos monetarios
5. Test para verificar el comportamiento de los residuales (Correlación serial,

distribución normal, varianza constante).
Aplicamos entonces test para determinar si los residuales se distribuyen como ruido
blanco
a. Correlación serial
Evaluamos la correlación seria con el Durbin Watson, para el modelo tiene un valor de
2.007785 es un valor que está cercano a 2 por tanto podríamos afirmar que no hay
problemas de correlación serial.
b. Histograma y Test de Jarque-Bera
H0= Los residuales si distribuyen como una normal

Ha= Los residuales no se distribuyen como una normal
Observando que nuestro valor fue mayor que el valor alfa de 0.05, no rechazamos la
hipótesis nula la cual dice que los residuales se distribuyen como una normal.
c. Test de heterocedasticidad
Para conocer si tienen una varianza constante, podemos aplicar el test de ARCH y el test
de WHITE
Ambos con las mismas hipótesis.
H0= Los residuales tienen varianza constante

Ha= Los residuales no tienen varianza constante.
Heteroskedasticity Test: ARCH

F-statistic 0.398680 Prob. F(1,54) 0.5304
Obs*R-squared 0.410416 Prob. Chi-Square(1) 0.5218
Test Equation:
Dependent Variable: RESID^2
Date: 09/26/18 Time: 16:53
C 157764.1 45773.11 3.446654 0.0011

RESID^2(-1) 0.085640 0.135632 0.631411 0.5304

Adjusted R-squared -0.011054 S.D. dependent var 292650.7
Sum squared resid 4.68E+12 Schwarz criterion 28.12974
Heteroskedasticity Test: White

Scaled explained SS 22.90410 Prob. Chi-Square(14) 0.0618
Test Equation:
Date: 09/26/18 Time: 16:54
Sample: 9 65
Included observations: 57
C 275813.0 126702.0 2.176865 0.0352

GRADF_01^2 -24860.21 20720.02 -1.199816 0.2369
GRADF_01*GRADF_02 -126.9096 65.87227 -1.926602 0.0608
GRADF_01*GRADF_03 -12.85154 43.51282 -0.295351 0.7692
GRADF_01*GRADF_04 27.96436 52.79622 0.529666 0.5991
GRADF_01 83086.22 49052.82 1.693811 0.0977
GRADF_02^2 -0.160532 0.085240 -1.883286 0.0666
GRADF_02*GRADF_03 -0.021860 0.112637 -0.194072 0.8471
GRADF_02*GRADF_04 -0.050090 0.101092 -0.495492 0.6228
GRADF_02 -99.33598 97.65304 -1.017234 0.3149
GRADF_03^2 0.054340 0.072521 0.749305 0.4578
GRADF_03*GRADF_04 0.020954 0.087654 0.239052 0.8122
GRADF_03 49.70825 92.38084 0.538080 0.5934
GRADF_04^2 -0.034319 0.065234 -0.526091 0.6016
GRADF_04 -35.56682 85.16882 -0.417604 0.6784

En el test de ARCH y WHITE no rechazamos la hipótesis nula por ser la

probabilidad mayor al alfa, la cual dice que se tiene varianza constante.
d. Correlograma Q
Para salir de dudas realizaremos el correlograma a los residuales.
Observamos que los rectángulos no se salen del límite, por tanto la variable en cuestión
tiene comportamiento aleatorio, es decir que según el estadístico Q se distribuyen en
ruido blanco.
STATA
a. Prueba gráfica
90000
80000
70000
C
60000
50000
1960q1 1965q1 1970q1 1975q1

t

misma en algunos tramos, tiene un sentido ascendente. Podemos decir que no se trata de
un proceso estocásticos estacionarios.
b. Correlograma
1.00 0.50
Autocorrelations of c
-0.50 0.00
-1.00
0 10 20 30
Lag
Bartlett's formula for MA(q) 95% confidence bands
Nos damos cuenta que varios alfileres se salen de la zona gris, por tanto podemos decir que no
se trata de un proceso estocástico estacionario.
c. Test de Dickey Fuller aumentado y Phillips-Perron

Nos damos cuenta que el valor p es mayor que el valor alfa, por tanto no rechazamos la
hipótesis nula, es decir la serie de tiempo no se trata de un proceso estocástico estacionario.
PRIMERAS DIFERENCIAS
Aplicamos primeras diferencias para convertir la serie en un proceso estocástico estacionario
a. prueba gráfica
2500
2000
1500
dc
1000
500
0
1960q1 1965q1 1970q1 1975q1

t
Nos damos cuenta que la gráfica cumple con varias características de los procesos estocásticos
estacionarios como lo es un comportamiento cíclico, alrededor de un mismo valor y con una
amplitud similar, por tanto podemos decir que se trata de un proceso estocástico estacionario.
b.Correlograma
0.40 0.20
Autocorrelations of dc
-0.20 0.00
-0.40
0 10 20 30
Lag
Analizando el correlograma nos damos cuenta que son solos dos aquellos alfileres que sa salen
de la zona gris por tanto podemos decir que la serie es estocástica.
Observando los valores p en ambos test, nos damos cuenta que son inferior al
valor de alfa el cual es 0.05, por tanto tenemos suficiente evidencia estadística
para rechazar la hipótesis nula y aceptar, por tanto la hipótesis alternativa.
3. Modelo ARIMA
Y 66 =β 0 + β 1 y t −2+ β2 y t −3 + β 2 y t−7 +α 1 e t −2 + α 2 et −3
El modelo nos queda de la siguiente manera
Y 66=β 0 + β 1 y t −2+ β2 y t −3 + β 2 y t−7
4. PRONOSTICAR
Podemos pronosticar entonces que para el siguiente periodo, es decir el número 66 en
nuestra serie de tiempo, el consumo será de 89294.2719
, pues tendrá una variación 998.2719
5. Test para verificar el comportamiento de los residuales (Ruido blanco)
H0= Los residuales si distribuyen como una ruido blanco

Ha= Los residuales no se distribuyen como ruido blanco
Cumulative Periodogram White-Noise Test

1.00 0.80
Cumulative periodogram for r
0.20 0.40 0.000.60
0.00 0.10 0.20 0.30 0.40 0.50

Frequency
Bartlett's (B) statistic = 0.66 Prob > B = 0.7802
Debido a que la probabilidad mayor que beta es mayor que nuestro valor alfa, no
rechazamos la hipótesis nula, por tanto los residuales se distribuyen como ruido blanco.
Además los puntos se encuentran cercanos a la línea, por tanto se puede decir a través del
periodograma que los residuales se distribuyen como ruido blanco.
Portmanteau test for white noise

---------------------------------------
Portmanteau (Q) statistic = 16.5112
Prob > chi2(30) = 0.9780
Por ser la probabilidad mayor que el valor alfa de 0.05, no rechazamos la hipótesis nula,
por tanto los residuales se distribuyen como ruido blanco.
DEMANDA AGREGADA

misma en algunos tramos, tiene un sentido ascendente. Podemos decir que no se trata de
un proceso estocásticos estacionarios.
Observamos que son varios los rectángulos que salen de sus límites por tanto
podemos decir que no se trata de una serie estocástica.

Null Hypothesis: DA has a unit root

Exogenous: Constant
t-Statistic Prob.*
Augmented Dickey-Fuller test statistic 0.670779 0.9906

5% level -2.907660
10% level -2.591396

Dependent Variable: D(DA)
Date: 09/26/18 Time: 17:32

DA(-1) 0.005836 0.008701 0.670779 0.5049
C 704.2074 1077.537 0.653534 0.5158

Null Hypothesis: DA has a unit root

Exogenous: Constant
Adj. t-Stat Prob.*
Phillips-Perron test statistic 0.792040 0.9932

5% level -2.907660
10% level -2.591396
Residual variance (no correction) 3876666.

HAC corrected variance (Bartlett kernel) 3194596.

Dependent Variable: D(DA)
Date: 09/26/18 Time: 17:33
DA(-1) 0.005836 0.008701 0.670779 0.5049

C 704.2074 1077.537 0.653534 0.5158

Los valores p de ambos test son mayor al valor alfa por tanto no podemos rechazar
la hipótesis nula, es decir se trata de un proceso estocástico no estacionario.
2. primeras diferencias
a. prueba gráfica
La gráfica cumple con las características de los procesos estocásticos estacionarios, cíclicos, una
misma amplitud y rondan en un valor.por tanto podemos decir que ahora la serie es estocástica
estacionaria.
b. Correlograma
Algunos rectángulos rebasan el límite pero la mayoría se mantiene dentro de ellos por tanto
decimos que se trata de un pee.
Null Hypothesis: DDA has a unit root

Exogenous: Constant
t-Statistic Prob.*

5% level -2.909206
10% level -2.592215

Dependent Variable: D(DDA)
Date: 09/26/18 Time: 17:34
DDA(-1) -1.260465 0.181084 -6.960650 0.0000

D(DDA(-1)) 0.238930 0.126935 1.882305 0.0647
C 1807.101 363.6265 4.969664 0.0000
R-squared 0.535724 Mean dependent var -7.403226

Null Hypothesis: DDA has a unit root

Exogenous: Constant
Adj. t-Stat Prob.*

5% level -2.908420
10% level -2.591799
Residual variance (no correction) 3943447.

HAC corrected variance (Bartlett kernel) 3715888.

Dependent Variable: D(DDA)
Date: 09/26/18 Time: 17:34
DDA(-1) -1.015154 0.127799 -7.943357 0.0000

C 1447.486 312.2951 4.634994 0.0000

Los valores p de ambos test son inferiores al valor alfa de 0.05 por tanto aceptamos la hipótesis alternativa, es
decir el proceso es estocástico estacionario.
3. modelo arima
Y 66=β 0 + β 1 y t −2+ β2 y t −4 + β 2 y t −1 7 +α 1 et −2+ α 2 e t−4 + α 3 et −6
Dependent Variable: DDA

Date: 09/26/18 Time: 17:36
MA Backcast: 13 18

C 1555.536 86.57489 17.96752 0.0000
AR(2) -0.051132 0.191048 -0.267639 0.7904
AR(4) 0.423192 0.164273 2.576151 0.0138
AR(17) -0.238704 0.147436 -1.619028 0.1133
MA(2) -0.172647 0.180013 -0.959077 0.3433
MA(4) -0.303538 0.202489 -1.499035 0.1417
MA(6) -0.523260 0.144064 -3.632137 0.0008

Inverted AR Roots .93-.15i .93+.15i .77-.46i .77+.46i

.53+.72i .53-.72i .22+.91i .22-.91i
-.07-.96i -.07+.96i -.38-.83i -.38+.83i
-.66+.60i -.66-.60i -.86-.30i -.86+.30i
-.95
Inverted MA Roots 1.00 .39-.75i .39+.75i -.39-.75i
-.39+.75i -1.00
Luego de eliminar rezagos no significativos el modelo arima nos queda así

Y 66=β 0 + β 2 yt −4 + β 2 y t−17 +α 1 e t−2 +α 3 et −6
Dependent Variable: DDA

Date: 09/26/18 Time: 17:36
MA Backcast: 13 18
C 1552.957 52.51413 29.57217 0.0000

AR(4) 0.315535 0.127057 2.483416 0.0171
AR(17) -0.358382 0.150066 -2.388160 0.0215
MA(2) -0.391855 0.106052 -3.694947 0.0006
MA(6) -0.607987 0.097285 -6.249569 0.0000

Inverted AR Roots .94+.16i .94-.16i .80-.48i .80+.48i

.55+.74i .55-.74i .24-.92i .24+.92i
-.08-.96i -.08+.96i -.40+.84i -.40-.84i
-.68-.62i -.68+.62i -.89-.32i -.89+.32i
-.97
Inverted MA Roots 1.00 .49-.74i .49+.74i -.49+.74i
-.49-.74i -1.00
4. Pronostico

nuestra serie de tiempo, la demanda agregada será de 171476.5
, pues tendrá una variación de 466.499515

en términos monetarios

blanco
1.97 es un valor que está cercano a 2 por tanto podríamos afirmar que no hay problemas
de correlación serial.

Observando que nuestro valor fue mayor que el valor alfa de 0.05, no rechazamos la
hipótesis nula la cual dice que los residuales se distribuyen como una normal.
de WHITE


Test Equation:
Date: 09/26/18 Time: 17:41
C 3208919. 653986.2 4.906708 0.0000

RESID^2(-1) -0.179114 0.145796 -1.228522 0.2258
R-squared 0.033164 Mean dependent var 2697769.

Adjusted R-squared 0.011190 S.D. dependent var 3441427.
S.E. of regression 3422117. Akaike info criterion 32.97192

Test Equation:
Date: 09/26/18 Time: 17:42
Sample: 19 65
Collinear test regressors dropped from specification
C 3378392. 2842303. 1.188611 0.2449

GRADF_01^2 -76403.58 64349.36 -1.187325 0.2454
GRADF_01*GRADF_02 -39.18065 101.2678 -0.386901 0.7019
GRADF_01*GRADF_03 -227.6306 121.8222 -1.868547 0.0726
GRADF_01*GRADF_04 -102.4434 92.33167 -1.109515 0.2770
GRADF_01*GRADF_05 102.7077 92.42294 1.111279 0.2762
GRADF_01 -1045255. 707156.2 -1.478110 0.1510
GRADF_02^2 -0.061167 0.154359 -0.396266 0.6950
GRADF_02*GRADF_03 0.197499 0.263396 0.749819 0.4598
GRADF_02*GRADF_04 0.030046 0.119915 0.250565 0.8040
GRADF_02*GRADF_05 -0.030790 0.120298 -0.255950 0.7999
GRADF_02 498.9440 809.0173 0.616729 0.5426
GRADF_03^2 0.322845 0.204213 1.580923 0.1255
GRADF_03*GRADF_04 0.222246 0.149078 1.490803 0.1476
GRADF_03*GRADF_05 -0.223280 0.149348 -1.495037 0.1465
GRADF_03 -641.7191 678.7611 -0.945427 0.3528
GRADF_04^2 -0.000376 0.000370 -1.016911 0.3182
GRADF_04*GRADF_05 0.000372 0.000370 1.005571 0.3235
GRADF_04 87.14229 504.5516 0.172712 0.8642
GRADF_05 -84.04024 505.1184 -0.166377 0.8691
R-squared 0.468770 Mean dependent var 2802422.

Adjusted R-squared 0.094942 S.D. dependent var 3478607.

d. Correlograma Q
Debido a que ninguno de los rectángulos se sale del límite podemos decir que según el
correlograma q los residuales se distribuyen como ruido blanco.
En stata
1. proceso estocástico estacionario
a. Prueba gráfica
120000 140000180000
160000
DA
100000
80000
1960q1 1965q1 1970q1 1975q1

t
La gráfica es ascendente, por tanto no se trata de un proceso estacionario.

b. Correlograma
1.00 0.50
Autocorrelations of da
-0.50 0.00
-1.00
0 10 20 30
Lag
Los alfileres se salen en su mayoría d ela zona gris , por tanto no se trata de un
proceso estocástico estacionario.
c. Test de Dickey Fuller aumentado y Phliips-perron

Nos damos cuenta que el valor p es mayor que el valor alfa, por tanto no rechazamos la
hipótesis nula, es decir la serie de tiempo no se trata de un proceso estocástico estacionario.
a. prueba gráfica
6000
4000
2000
dda
0
-2000
-4000
1960q1 1965q1 1970q1 1975q1

t
La gráfica oscila a un valor, es cíclica y tiene una amplitud similar en todos sus
tramos por eso decimos que es un proceso estocástico estacionario.
b. Correlograma
0.40 0.20
Autocorrelations of dda
-0.20 0.00
-0.40
0 10 20 30
Lag
Solo uno de los alfileres se sale de la zona gris, permaneciendo la mayoría en ella,
por tanto decimos que se trata de un pee
c. Test de Dickey Fuller aumentado y Phillips y Perron
h0= proceso estocástico no estacionario
h1= proceso estocástico estacionario
Nos damos cuenta que el valor p es menos que el valor alfa, por tanto aceptamos la hipótesis
alternativa, es decir la serie de tiempo se trata de un proceso estocástico estacionario.
3. Modelo ARIMA
Y 66 =β 0 + β 1 y t −4 + β 2 y t−19+ α 1 e t−4
Eliminando rezagos no significativos el modelo nos queda así
Y 66=β 0 +α 1 et −4
4. Pronóstico

nuestra serie de tiempo, la demanda agregada será de 171476
, pues tendrá una variación de 466.499515
en términos monetarios
5. Test
H0= Los residuales si distribuyen como una ruido blanco

Ha= Los residuales no se distribuyen como ruido blanco
Debido a que la probabilidad mayor que beta es mayor que nuestro valor alfa, no
rechazamos la hipótesis nula, por tanto los residuales se distribuyen como ruido blanco.
Además los puntos se encuentran cercanos a la línea, por tanto se puede decir a través del
periodograma que los residuales se distribuyen como ruido blanco.
1.00 0.80
0.20 0.40 0.000.60
0.00 0.10 0.20 0.30 0.40 0.50

Frequency

---------------------------------------
Prob > chi2(30) = 0.7821
Por ser la probabilidad mayor que el valor alfa de 0.05, no rechazamos la hipótesis nula,
por tanto los residuales se distribuyen como ruido blanco.
EXPORTACIONES
eviews
a. Prueba gráfica
La gráfica es ascendente, decimos que no es un pee
b.correlograma
Los rectángulos se salen de los límtes por tanto no se trata de un pee

c. test de Dickey Fuller y Phillips perron
ha= proceso estocástico estacionario
Null Hypothesis: X has a unit root

Exogenous: Constant
t-Statistic Prob.*

5% level -2.908420
10% level -2.591799

Dependent Variable: D(X)
Date: 09/26/18 Time: 17:55
X(-1) -0.016759 0.026897 -0.623074 0.5356

D(X(-1)) -0.360780 0.120169 -3.002276 0.0039
C 491.9848 448.8672 1.096059 0.2774

Null Hypothesis: X has a unit root

Exogenous: Constant
Adj. t-Stat Prob.*

5% level -2.907660
10% level -2.591396


Dependent Variable: D(X)
Date: 09/26/18 Time: 17:55
X(-1) -0.022395 0.027887 -0.803038 0.4250

C 521.3277 465.2931 1.120429 0.2669

Los valores p son mayor que el valor alfa por tanto decimos que no es un proceso
estocástico estacionario al no rechazar la hipótesis nula.
2. Primeras diferencias
a. prueba gráfica
La gráfica presenta un comportamiento cílico, ronda a un valor y tiene una misma amplitud en
todos los tramos por tanto se trata de un pee
B correlograma
Los rectángulos no se salen en su mayoría de los límites por tanto decimos que se
trata de un proceso estocástico estacionario.
c. test de Dickey Fuller aumentado y Phillips perron
h0= proceco estocástico no estacionario
h1= proceso estocástico estacionario
Null Hypothesis: DX has a unit root

Exogenous: Constant
t-Statistic Prob.*

5% level -2.908420
10% level -2.591799

Dependent Variable: D(DX)
Date: 09/26/18 Time: 17:57
DX(-1) -1.369193 0.118808 -11.52445 0.0000

C 218.5044 93.49566 2.337054 0.0227

Null Hypothesis: DX has a unit root

Exogenous: Constant
Adj. t-Stat Prob.*

5% level -2.908420
10% level -2.591799


Dependent Variable: D(DX)
Date: 09/26/18 Time: 17:57
DX(-1) -1.369193 0.118808 -11.52445 0.0000

C 218.5044 93.49566 2.337054 0.0227

El valor p es inferior al valor alfa por tanto aceptamos la hipótesis alternativa, es decir el proceso estocástico
es estacionario.
3. MODELO ARIMA
Y 66 =β 0 + β 1 y t −1+ β2 y t−5 + α 1 et −1+ α 2 et −5
Dependent Variable: DX
Date: 09/26/18 Time: 17:58
MA Backcast: 2 6
C 160.4235 92.68022 1.730936 0.0892

AR(1) -0.483446 0.196116 -2.465098 0.0169
AR(5) -0.151556 0.199972 -0.757888 0.4518
MA(1) 0.081295 0.186578 0.435713 0.6648
MA(5) 0.596239 0.174934 3.408366 0.0012

Inverted AR Roots .48+.39i .48-.39i -.31-.62i -.31+.62i

-.82
Inverted MA Roots .71+.53i .71-.53i -.30-.86i -.30+.86i
-.92
el modelos nos queda de la siguiente manera eliminando los rezagos no

signitifcativos
Y 66=β 0 + β 1 y t −1+ α 2 e t−5
Dependent Variable: DX
Date: 09/26/18 Time: 17:59
MA Backcast: -2 2
AR(1) -0.387369 0.118398 -3.271744 0.0018

MA(5) 0.439962 0.117073 3.758011 0.0004

Durbin-Watson stat 1.981613
Inverted AR Roots -.39

Inverted MA Roots .69-.50i .69+.50i -.26+.81i -.26-.81i
-.85
4. Pronóstico
Para el siguiente periodo las exportaciones, tendrá una variación monetaria de -

214498.227 , teniendo un valor entonces de -192961.227

blanco
1.98 es un valor que está cercano a 2 por tanto podríamos afirmar que no hay problemas
de correlación serial.

Observando que nuestro valor fue menor que el valor alfa de 0.05, rechazamos la
hipótesis nula la cual dice que los residuales no se distribuyen como una normal.
de WHITE


Test Equation:
Date: 09/26/18 Time: 18:02
C 435140.8 172186.6 2.527147 0.0142

RESID^2(-1) 0.067706 0.128761 0.525822 0.6010
Adjusted R-squared -0.012003 S.D. dependent var 1263460.

Test Equation:
Date: 09/26/18 Time: 18:03
Sample: 3 65
C 499357.7 189643.4 2.633141 0.0108

GRADF_01^2 -0.031247 0.130757 -0.238968 0.8120
GRADF_01*GRADF_02 -0.311388 0.301658 -1.032258 0.3062
GRADF_02^2 -0.004352 0.151993 -0.028632 0.9773

Adjusted R-squared -0.027848 S.D. dependent var 1254576.

d. Correlograma Q
Debido a que ninguno de los rectángulos se sale del límite podemos decir que según el
correlograma q los residuales se distribuyen como ruido blanco.
STATA
1. procesos estocásticos estacionarios
a. Prueba gráfica
25000
20000
X
15000
10000
1960q1 1965q1 1970q1 1975q1

t
La gráfica es ascendente por tanto no se trata de un proceso estocástico

estacionario
b. correlograma
1.00 0.50
Autocorrelations of x
-0.50 0.00
-1.00
0 10 20 30
Lag
Los alfileres se salen de la zona gris por tanto no se trata de un pee

c. test de Dickey Fuller aumentado y phillios perron
ho= procoeso estocástico no estacionario
ha= proceso estocástico estacionario
Los valores p son mayor al alfa por tanto no rechazamos la hipótesis nula es decir
no se trata de un pee
a. prueba gráfica
4000
2000
dx
0 -2000
-4000
1960q1 1965q1 1970q1 1975q1

t
La gráfica es cíclica, ronda en un valor y tiene la misma amplitud por tanto se trata
de un pee
b. correlograma
0.40 0.20
Autocorrelations of dx
-0.20 0.00
-0.40
0 10 20 30
Lag
Los alfileres no se salen de la zona gris por tanto se trata de un pee

c. test de Dickey Fuller aumentado y Phillips perron
ha= pee
Por ser los valores menor al alfa aceptamos la hipótesis alternativa es decir se trata
de un pee
3. modelo ARIMA
Y 66 =β 1 y t−1 + β 2 y t −4 + β 2 16+ α 1 et −1+ α 1 e t−5

El modelo arima nos queda así, luego de eliminar rezagos no significativos
Y 66=β 1 y t−1 +α 1 e t−5
4. pronóstico
La variación tendrá -359.48535
Teniendo un valor próximo de 21177.5147

5. test
H0= se distribuye como ruido blanco
Ha= no se distribuye como ruido blanco

1.00 0.80
0.20 0.40 0.000.60
0.00 0.10 0.20 0.30 0.40 0.50

Frequency

---------------------------------------
Prob > chi2(30) = 0.7311
Podemos decir que se distribuye como ruido blanco por ser los puntos cercanos a
la línea en el test de barlet y por ser mayor que el alfa en el alor p del test
portmanteau

Parcial de Econometría II

Cargado por

Información del documento

Descripción original:

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Parcial de Econometría II

Cargado por

Copyright:

Formatos disponibles

PARCIAL DE ECONOMETRÍA II

NOMBRE: María José Padrón Támara

1. Proceso estocástico estacionario

Observando la gráfica, podemos darnos cuenta de que NO se cumplen varias

C. Test de raíces unitarias(Dickey Fuller aumentado y Phillips-Perron)

H0= La serie de tiempo no es estacionaria

Null Hypothesis: C01 has a unit root

Augmented Dickey-Fuller test statistic 2.753205 1.0000

*MacKinnon (1996) one-sided p-values.

Augmented Dickey-Fuller Test Equation

Variable Coefficient Std. Error t-Statistic Prob.

C01(-1) 0.013020 0.004729 2.753205 0.0077

R-squared 0.108941 Mean dependent var 624.2031

Null Hypothesis: C01 has a unit root

Adj. t-Stat Prob.*

Phillips-Perron test statistic 2.030594 0.9999

*MacKinnon (1996) one-sided p-values.

Residual variance (no correction) 209405.6

Phillips-Perron Test Equation

Variable Coefficient Std. Error t-Statistic Prob.

C01(-1) 0.013020 0.004729 2.753205 0.0077

R-squared 0.108941 Mean dependent var 624.2031

Debido a que el proceso realizado no es un proceso estocástico estacionario, entonces

c. Test de raíces unitarias (Dickey Fuller aumentado y Phillips-Perron)

Null Hypothesis: DC01 has a unit root

Augmented Dickey-Fuller test statistic -6.397758 0.0000

*MacKinnon (1996) one-sided p-values.

Augmented Dickey-Fuller Test Equation

Variable Coefficient Std. Error t-Statistic Prob.

DC01(-1) -0.796348 0.124473 -6.397758 0.0000

R-squared 0.401558 Mean dependent var 8.603175

Null Hypothesis: DC01 has a unit root

Adj. t-Stat Prob.*

Phillips-Perron test statistic -6.737409 0.0000

*MacKinnon (1996) one-sided p-values.

Residual variance (no correction) 225515.0

Phillips-Perron Test Equation

DC01(-1) -0.796348 0.124473 -6.397758 0.0000

R-squared 0.401558 Mean dependent var 8.603175

Y 66=β 0 + β 1 y t −2+ β2 y t −3 + β 2 y t−7 +α 1 e t −2 + α 2 et −3

Dependent Variable: DC01

Variable Coefficient Std. Error t-Statistic Prob.

C 719.1260 45.31438 15.86971 0.0000

R-squared 0.277481 Mean dependent var 679.0000

Inverted AR Roots .86+.18i .86-.18i .11-.72i .11+.72i

Dependent Variable: DC01

Variable Coefficient Std. Error t-Statistic Prob.

C 729.2144 31.54001 23.12030 0.0000

R-squared 0.260634 Mean dependent var 679.0000

Inverted AR Roots .78+.13i .78-.13i .05+.65i .05-.65i

Podemos pronosticar entonces que para el siguiente periodo, es decir el número en

5. Test para verificar el comportamiento de los residuales (Correlación serial,

H0= Los residuales si distribuyen como una normal

Ambos con las mismas hipótesis.

H0= Los residuales tienen varianza constante

Heteroskedasticity Test: ARCH

Variable Coefficient Std. Error t-Statistic Prob.

C 157764.1 45773.11 3.446654 0.0011

R-squared 0.007329 Mean dependent var 172557.3

Heteroskedasticity Test: White

F-statistic 1.426133 Prob. F(14,42) 0.1838

Variable Coefficient Std. Error t-Statistic Prob.

C 275813.0 126702.0 2.176865 0.0352