Documentos de Académico
Documentos de Profesional
Documentos de Cultura
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
𝜆2 − 𝑎1 𝜆 − 𝑎2 = 0
𝑎1 ± √𝑎12 + 4𝑎2
𝜆=
2
𝐴∗ (𝐿)∆𝑑 𝑦𝑡 = 𝑎0 + 𝑒𝑡
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.
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
Es decir:
ARMA (1 ||12||,1 ||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.