Métodos Econométricos

2017-2

EXAMEN PARCIAL
Métodos Econométricos
Instrucciones:
 Al término del examen se devolverán las hojas de enunciados.
 El uso de útiles es personal. No se permite el uso de ningún tipo de apuntes.
 Redacte todas sus respuestas en el cuadernillo.
 Escriba con lapicero y no con lápiz
 Trabaje con orden y limpieza.
 Durante la evaluación, los celulares deben permanecer apagados.
 Duración: 110 minutos
 Fecha: 04/10/2017

Parte Teórica:

1. Analice la veracidad de las siguientes afirmaciones: (5 puntos)

a) La diferencia entre prueba de Dickey-Fuller y la prueba de Dickey-Fuller aumentada es que
esta última asume un proceso AR(p) con p>1, mientras que la primera se origina en un proceso
AR(1).
Verdadero (verificar la explicación del examen anterior).
b) La diferencia entre la prueba de Dickey-Fuller y la prueba KPSS es la hipótesis nula de cada una
de ellas.
La prueba de DF tiene como hipótesis nula la presencia de una raíz unitaria, mientras que la
prueba KPSS tiene como hipótesis nula la estacionariedad de la serie.

La ecuación para la prueba de DFA:

∆𝑦𝑡 = 𝑎0 + 𝑎1 𝑡 + 𝛾𝑦𝑡−1 + ∑ 𝛽𝑖 ∆𝑦𝑡−𝑖 + 𝜀𝑡 → 𝐻0 : 𝛾 = 0
La ecuación para la prueba de KPSS:
𝑦𝑡 = 𝑎0 + 𝑎1 𝑡 + 𝜇𝑡 + 𝜀𝑡
𝜇𝑡 = 𝜇𝑡−1 + 𝑒𝑡
𝐻0 : 𝜎𝑒2 = 0
c) De acuerdo con la metodología Box-Jenkins, no es relevante analizar la significancia individual
de los coeficientes en el proceso ARMA estimado, siempre que los residuos distribuyan ruido
blanco.
No es cierto. El primer requisito es que los estadísticos de los coeficientes estimados sean
significativos. Luego, verificamos el correlograma de los residuos.
d) Si una serie no es estacionaria, entonces es imposible modelar un proceso ARMA con residuos
que distribuyan ruido blanco.
Si una serie no es estacionaria, los residuos en el proceso ARMA serán no estacionarios (la
media, la varianza o la covarianza puede depender del tiempo). Recordar que ruido blanco
significa que la media es cero, la varianza es constante y la covarianza es cero.
e) Dado 𝜀𝑡 ruido blanco, se dice que el proceso que sigue 𝑦𝑡 en 𝐴(𝐿)𝑦𝑡 = 𝐵(𝐿)𝜀𝑡 es estacionario
siempre que las raíces de los polinomios de operador de rezago 𝐴(𝐿) y 𝐵(𝐿) se encuentren
dentro del círculo unitario.
Falso: las raíces del polinomio 𝐴(𝐿) se encuentren fuera del círculo unitario. Estas raíces son
las inversas de las raíces del polinomio característico de la EED homogénea. Por otro lado, no

1
 Métodos Econométricos
2017-2

existe ninguna condición para las raíces de 𝐵(𝐿) porque un proceso MA finito siempre es
estacionario.

2. Explique qué es el error tipo I y qué es el error tipo II en estadística inferencial y utilice como
ejemplo la prueba de Dickey-Fuller para especificar qué errores se podrían cometer. (2 puntos)

Parte Práctica:

3. Luego de seguir la metodología de Box-Jenkins, se ha determinado el proceso estocástico que

siguen los retornos de dos activos financieros:

𝑦𝑡𝐴 = 0.7𝑦𝑡−1
𝐴 𝐴
− 0.12𝑦𝑡−2 + 𝜀𝑡
𝑦𝑡𝐵 = 0.7𝑦𝑡−1
𝐵 𝐵
− 0.06𝑦𝑡−2 + 𝑣𝑡

Donde 𝜀𝑡 y 𝑣𝑡 son ruido blanco.

a) Evalúe la estacionariedad de los retornos de ambos activos financieros. (2 puntos)

Activo A:
Raíces del polinomio característico: 𝜆2 − 0.7𝜆 + 0.12 = 0 → 𝜆1 = 0.4, 𝜆2 = 0.3

Activo B:
Raíces del polinomio característico: 𝜆2 − 0.7𝜆 + 0.06 = 0 → 𝜆1 = 0.6, 𝜆2 = 0.1

Como las raíces del polinomio característico están dentro del círculo unitario, las dos series
siguen un proceso estacionario.

b) A continuación se muestran las funciones impulso respuesta de ambas series. Explique cuál de
las gráficas corresponde a cada retorno. Sea claro en sus argumentos. (3 puntos)

FIR:
𝜕𝑦𝑡+𝑠 𝜆1𝑠+1 − 𝜆𝑠+1
2
=
𝜕𝜀𝑡 𝜆1 − 𝜆2

s FIR A FIR B
1 0.7 0.7
2 0.37 0.43
3 0.175 0.259
4 0.0781 0.1555
5 0.03367 0.09331

El gráfico de la izquierda corresponde a la FIR del activo A.

2
 Métodos Econométricos
2017-2

4. Sean {𝑥𝑡 } y {𝑧𝑡 } dos procesos estocásticos y suponga que al plantear las siguientes regresiones:
∆𝑥𝑡 = 𝑎0 + 𝑎1 𝑡 + 𝛾𝑥𝑡−1 + ∑ 𝛽𝑖 ∆𝑥𝑡−𝑖 + 𝜀𝑡

∆𝑧𝑡 = 𝑎0 + 𝑎1 𝑡 + 𝛾𝑧𝑡−1 + ∑ 𝛽𝑖 ∆𝑥𝑡−𝑖 + 𝜀𝑡

Todos los coeficientes son estadísticamente significativos, con excepción de 𝛾, es decir, que no es
posible rechazar la hipótesis nula de que 𝛾 = 0 (para ello se ha utilizado la tabla de valores críticos
correspondientes a esta prueba)
a) Explique qué se debe tener en cuenta al realizar una regresión entre la serie 𝑥𝑡 y 𝑧𝑡 . (2 puntos)

Caso 1:
𝑥𝑡 = α0 + α1 𝑧𝑡 + 𝑒𝑡
Si la serie 𝑒̂𝑡 es estacionaria, no hay problema al trabajar con los resultados de esta regresión.
Este es el caso de la cointegración (dos series integradas del mismo orden con residuos
estacionarios). El impacto marginal estimado con α1 es estable porque los residuos no siguen
un paseo aleatorio.

Caso 2:
𝑥𝑡 = α0 + α1 𝑧𝑡 + 𝑒𝑡
Si la serie 𝑒̂𝑡 no es estacionaria, estaríamos ante una regresión espuria (el impacto marginal
estimado no es estable). En este caso, se debe trabajar el modelo en primeras diferencias:

∆𝑥𝑡 = α1 ∆𝑧𝑡 + 𝑢𝑡

Donde las primeras diferencias sí son estacionarias y, por lo tanto, los residuos de esta
regresión también serán estacionarios.

b) Explique qué ocurre si se realiza una regresión entre la serie ∆𝑥𝑡 y ∆𝑧𝑡 . (2 puntos)

∆𝑥𝑡 = α1 ∆𝑧𝑡 + 𝑢𝑡

Donde las primeras diferencias sí son estacionarias y, por lo tanto, los residuos de esta
regresión también serán estacionarios.

3
 Métodos Econométricos
2017-2

5. A continuación se ha trabajado con una serie de tiempo con 200 observaciones. En primer lugar,
se ha analizado la prueba de Dickey-Fuller aumentada, obteniéndose los siguientes resultados:

t-Statistic

Augmented Dickey-Fuller test statistic -11.51878

Test critical values: 1% level -2.576693
5% level -1.942439
10% level -1.615633

Luego de ello, se procedió a analizar el test de KPSS, y se obtuvo lo siguiente:

LM-Stat.

Kwiatkowski-Phillips-Schmidt-Shin test statistic 0.478017

Asymptotic critical values*: 1% level 0.739000
5% level 0.463000
10% level 0.347000

a) Especifique cuál es la hipótesis nula en cada una de las pruebas realizadas e indique si es
necesario aplicar la primera diferencia a la serie para poder estimar un proceso ARMA. (1
punto)
Ya se ha mencionado en otra pregunta la diferencia entre ambas pruebas. En este caso, en la
prueba de DFA el estadístico es menor al valor crítico y eso quiere decir que estamos en la
región de rechazo. Se rechaza la hipótesis nula de raíz unitaria (la serie es estacionaria). Sin
embargo, si se trabaja con un nivel de significancia de 0.05, el estadístico KPSS es mayor al
valor crítico y eso significa que estaríamos rechazando la hipótesis nula de que la serie es
estacionaria. Pero al trabajar con 0.01 de significancia se estaría aceptando la hipótesis de
estacionariedad de esta serie. Si se acepta que es estacionaria, no sería necesario trabajar con
la primera diferencia.
b) Luego de las pruebas anteriores, se observa el correlograma de la serie estacionaria con la que
se ha decidido trabajar. Con una primera inspección, indique qué tipo de proceso estimaría
usted y por qué. (1 punto)

4
 Métodos Econométricos
2017-2

c) En las últimas dos páginas del examen se muestran dos estimaciones realizadas por el
investigador con la serie estacionaria YA. Ambas han sido trabajadas con una muestra ajustada
para efectos comparativos. Analice los resultados y sobre la base de la metodología Box-
Jenkins, indique cuál es el proceso que usted elegiría. (2 puntos)

5
 Métodos Econométricos
2017-2

Estimación del modelo 1

Dependent Variable: YA
Method: Least Squares
Sample: 3 200
Included observations: 198

Variable Coefficient Std. Error t-Statistic Prob.

YA(-1) 0.486845 0.061162 7.959935 0.0000

R-squared 0.235545 Mean dependent var 0.144477

Adjusted R-squared 0.235545 S.D. dependent var 1.425517
S.E. of regression 1.246373 Akaike info criterion 3.283391
Sum squared resid 306.0290 Schwarz criterion 3.299998
Log likelihood -324.0557 Hannan-Quinn criter. 3.290113
Durbin-Watson stat 1.544194

Correlograma de los residuos del modelo 1

6
 Métodos Econométricos
2017-2

Estimación del modelo 2

Dependent Variable: YA
Method: Least Squares
Sample: 3 200
Included observations: 198

Variable Coefficient Std. Error t-Statistic Prob.

YA(-1) 0.707663 0.063641 11.11961 0.0000

YA(-2) -0.436237 0.063241 -6.897962 0.0000

R-squared 0.384876 Mean dependent var 0.144477

Adjusted R-squared 0.381737 S.D. dependent var 1.425517
S.E. of regression 1.120879 Akaike info criterion 3.076153
Sum squared resid 246.2485 Schwarz criterion 3.109368
Log likelihood -302.5392 Hannan-Quinn criter. 3.089598
Durbin-Watson stat 1.942599

Correlograma de los residuos del modelo 2