EXAMEN PARCIAL 2017-1

a) Cuando se incluyen más regresores (más parámetros por estimar) se reduce la suma de
cuadrados de los residuos (se incrementa el R2 y la función de verosimilitud máxima),
pero se genera una pérdida de grados de libertad que incrementa el error estándar y
reduce la eficiencia del modelo. Los criterios de información que se basan en este
criterio de parsimonia (más simple es mejor) castigan la presencia de mayor número de
parámetros por estimar.
b) En el caso de un proceso AR(1) la FAS va convergiendo en forma de progresión
geométrica (0 < 𝑎1 < 1) o de manera oscilante (−1 < 𝑎1 < 0) y la FAP cae a cero
luego del primer rezago. En el caso de un proceso MA(1) la FAS cae a cero luego del
primer rezago y la FAP converge en forma de progresión geométrica (−1 < 𝑏1 < 0) o
en forma oscilante (0 < 𝑏1 < 1). Sin embargo, en un proceso MA(q) es la FAS la que
cae a cero luego del q-ésimo rezago y en un proceso AR(p) es la FAP la que cae a cero
luego del p-ésimo rezago.
c) Es imposible que los residuos del proceso ARMA sean no estacionarios porque la serie
es estacionaria. Pero sí se debe revisar el correlograma de los residuos, especialmente
el estadístico Q para evaluar la ausencia de autocorrelación en los residuos (en términos
prácticos verificamos el valor-p asociado al estadístico Q que debe ser mayor al nivel de
significancia 0.05 pues no se rechaza la hipótesis nula de que la autocorrelación es cero).

a) Para poder evaluar la persistencia de un shock necesitamos la FIR del proceso AR(1):

𝑦𝑡 = 𝑎0 + 𝑎1 𝑦𝑡−1 + 𝜀𝑡
𝜕𝑦𝑡+𝑠
= 𝑎1𝑠
𝜕𝜀𝑡

Sí es cierto que la persistencia del shock depende del valor del coeficiente, pero cuanto
más pequeño sea, convergerá más rápido hacia cero y, por lo tanto, la persistencia del
shock será menor.
b) En un proceso AR(2):
𝑦𝑡 = 𝑎0 + 𝑎1 𝑦𝑡−1 + 𝑎2 𝑦𝑡−2 + 𝜀𝑡

La persistencia del shock no depende de la magnitud de estos coeficientes (al menos,

no directamente). Depende de las raíces del polinomio característico.

𝜕𝑦𝑡+𝑠 𝜆1𝑠+1 − 𝜆𝑠+1

2
=
𝜕𝜀𝑡 𝜆1 − 𝜆2

El polinomio característico a evaluar es el siguiente:

𝜆2 − 𝑎1 𝜆 − 𝑎2 = 0

𝑎1 ± √𝑎12 + 4𝑎2
𝜆=
2

a) Es falso, si la serie tiene tendencia determinística:

𝑦𝑡 = 𝑎0 + 𝑎1 𝑡 + 𝑒𝑡
Donde 𝑒𝑡 sigue un proceso estacionario. En este caso, si se realiza una regresión de 𝑦𝑡
en 𝑡 se obtiene una serie de residuos que serán estacionarios (sin tendencia):
𝑒̂𝑡 = 𝑦𝑡 − 𝑎̂0 + 𝑎
̂𝑡
1

Si la serie tiene raíz unitaria (tiene una tendencia estocástica):

𝐴(𝐿)𝑦𝑡 = 𝑎0 + 𝑒𝑡
Donde 𝑒𝑡 sigue un proceso estacionario y 𝐴(𝐿) = (1 − 𝐿)𝑑 𝐴∗ (𝐿), donde 𝐴∗ (𝐿) es un
polinomio que no tiene raíces unitarias. En este caso, la serie 𝑦𝑡 ~𝐼(𝑑) y la d-ésima
diferencia se puede escribir como un proceso estacionario:

𝐴∗ (𝐿)∆𝑑 𝑦𝑡 = 𝑎0 + 𝑒𝑡

c) En teoría, la FAS de un proceso AR(1) con raíz unitaria:

𝑡−𝑠
𝜌𝑠 = √
𝑡
Esta función tarda mucho en converger hacia cero. Pero no es concluyente. Porque
supongamos un proceso AR(1) estacionario de la siguiente forma:
𝑦𝑡 = 0.99𝑦𝑡−1 + 𝜀𝑡
 La FAS de este proceso también tarda en converger (progresión geométrica).

De otro lado, se dice que el proceso es invertible cuando se trata de un MA(q) que
puede ser transformado en un AR(infinito). ¿Por qué es importante la invertibilidad?

𝑦𝑡 = 𝑎0 + 𝑎1 𝑦𝑡−1 + 𝑎2 𝑦𝑡−2 + ⋯ + 𝜀𝑡

Invertimos el proceso para poder evaluar los efectos parciales de los rezagos sobre la
variable estudiada. Es decir, para poder calcular la FAP.

a) Evaluando las raíces del polinomio característico:

País A:
𝜆 − 0.8 = 0 → 𝜆 = 0.8
El proceso es estacionario porque la raíz (coeficiente) es menor a 1 (en módulo).

País B:
𝜆2 − 0.95𝜆 + 0.15 = 0 → 𝜆1 = 0.75, 𝜆2 = 0.2
Como las raíces son menores a 1 (están dentro del círculo unitario) el proceso es
estacionario.

b) Evaluando la FIR:

País A:
𝜕𝑦𝑡+𝑠
= (0.8) 𝑠
𝜕𝜀𝑡
País B:
𝜕𝑦𝑡+𝑠 𝜆1𝑠+1 − 𝜆𝑠+1
2 (0.75) 𝑠+1 − (0.2) 𝑠+1
= =
𝜕𝜀𝑡 𝜆1 − 𝜆2 0.75 − 0.2

Calculamos para diferentes valores de s y comparamos cuál converge más rápido.

a) La gráfica de la serie nos indica que parece tener una tendencia estocástica. No podemos
concluir nada solo con la gráfica.
La prueba de DFA tiene un estadístico mayor al valor crítico (se encuentra en la zona de
aceptación de la hipótesis nula). Por lo tanto, es posible inferir que la serie tiene raíz
unitaria. Esta prueba incorpora como control a una constante que sí tiene un estadístico
significativo y esto nos permite inferir que se trata de un paseo aleatorio con deriva.
Con relación a la primera diferencia de la serie, es posible inferir que no tiene raíz
unitaria (el estadístico se encuentra a la izquierda del valor crítico y, por lo tanto, se
rechaza la hipótesis nula de raíz unitaria).

b) Se propondría un proceso ARMA(1,1), pero con estacionalidad porque el proceso se

activa luego de 12 rezagos (12 meses) y eso es común en una serie de expectativas de
inflación:
𝑦𝑡 = 𝑎0 + 𝑎1 𝑦𝑡−1 + 𝑎12 𝑦𝑡−12 + 𝜀𝑡 + 𝑏1 𝜀𝑡−1 + 𝑏2 𝜀𝑡−12

Es decir:
ARMA (1 ||12||,1 ||12||)

En Eviews: AR(1) AR(12) MA(1) MA(12)

La teoría de expectativas adaptativas indica que el valor esperado de una variable está
en función a los valores pasados.

Los dos procesos cumplen con los criterios de significancia en los estimadores y la
ausencia de autocorrelación en los residuos (Q-Stat en el correlograma). Al comparar los
criterios de AIC y SBC, se concluye que el proceso AR(1) tiene mayor parsimonia.