Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Considere la serie en el archivo ARIMA110.SIMUL.txt, un conjunto de N=201 observaciones obtenidas por simulación.
La gráfica de la serie, y de su ACF son presentadas en la Figura 1:
Series ARIMA1.1.0
1.0
0
-20
0.5
ARIMA1.1.0
ACF
-40
0.0
-60
-0.5
0 50 100 150 200 5 10 15 20
Time Lag
Realice cada uno de los tests de raíz unitaria DF y ADF cuyos resultados se muestran a continuación (vea la información
destacada en color rojo y azul) ¿Si tuviese que elegir entre estos test según AIC cuál prueba debería realizarse? ¿y según
el BIC cuál?
TABLA 1: RESULTADOS R PARA PRUEBAS DE RAÍZ UNITARIA
DF caso 2:
DF caso 1: Coefficients:
Coefficients: Estimate Std. Error t value Pr(>|t|)
Estimate Std. Error t value Pr(>|t|) (Intercept) -0.098784 0.167588 -0.589 0.5563
z.lag.1 0.014460 0.003797 3.809 0.000189 z.lag.1 0.011440 0.006382 1.793 0.0746
DF caso 1:
Modelo AR que supone para Yt Modelo de regresión para Yt:
∗
Yt es un AR(1) de media cero , , con un 0, , con
∗
un 0, 1
Test a realizar Estadístico de la prueba, valores críticos y criterio de rechazo
H0: ∗ 0 (Yt tiene raíz unitaria) vs. ∗
. , rechazar H0 si
H1: ∗ 0 (Yt no tiene raíz unitaria y por tanto es estacionario) . ∗
Valores críticos
Conclusión Nivel 0.01 0.05 0.10
Con los tres niveles de significancia no se rechaza H0 y por tanto -2.58 -1.95 -1.62
se detecta raíz unitaria, lo cual implica que Yt no es estacionario No rechazar No rechazar No rechazar
y debe ser diferenciado por lo menos una vez Decisión
H0 H0 H0
DF caso 2:
Modelo AR que supone para Yt Modelo de regresión para Yt:
∗
Yt es un AR(1) de media diferente de cero: , con un 0, ,
, un 0, ∗
1
Test a realizar Estadístico de la prueba, valores críticos y criterio de rechazo
H0: ∗ 0 (Yt tiene raíz unitaria y por tanto no es estacionario) ∗
vs. ∗ . , rechazar H0 si
.
H1: ∗ 0 (Yt no tiene raíz unitaria y por tanto es estacionario) Valores críticos
Conclusión Nivel 0.01 0.05 0.10
Con los tres niveles de significancia no se rechaza H0 y por tanto -3.46 -2.88 -2.57
se detecta raíz unitaria, lo cual implica que Yt no es estacionario No rechazar No rechazar No rechazar
y debe ser diferenciado por lo menos una vez Decisión
H0 H0 H0
DF caso 3:
Modelo AR que supone para Yt Modelo de regresión para Yt:
∗
Yt es un AR(1) con tendencia (es ya un modelo no estacionario!): , con un 0, ,
, un 0, ∗
1
Test a realizar Estadístico de la prueba, valores críticos y criterio de rechazo
H0: ∗ 0 (Yt tiene raíz unitaria y por tanto no es estacionario
no sólo por tendencia lineal sino también por la raíz unitaria) vs. ∗
∗ . , rechazar H0 si
H1: 0 (Yt no tiene raíz unitaria, aunque bajo modelo . ∗
ADF caso 1:
Modelo AR que supone para Yt Modelo de regresión para Yt:
∗ ∗
Yt es un AR(2) de media cero , , con un 0, ,
∗
un 0, 1, y ∗
Test a realizar Estadístico de la prueba, valores críticos y criterio de rechazo
H0: ∗ 0 (Yt tiene raíz unitaria) vs. ∗
ADF caso 2:
Modelo AR que supone para Yt Modelo de regresión para Yt:
∗ ∗
Yt es un AR(2) de media diferente de cero: , con un 0, ,
∗ ∗
, un 0, 1, y
Test a realizar Estadístico de la prueba, valores críticos y criterio de rechazo
H0: ∗ 0 (Yt tiene raíz unitaria y por tanto no es estacionario) ∗
vs. ∗ . , rechazar H0 si
.
H1: ∗ 0 (Yt no tiene raíz unitaria y por tanto es estacionario) Valores críticos
Conclusión Nivel 0.01 0.05 0.10
Con los tres niveles de significancia no se rechaza H0 y por tanto -3.46 -2.88 -2.57
se detecta raíz unitaria, lo cual implica que Yt no es estacionario No rechazar No rechazar No rechazar
y debe ser diferenciado por lo menos una vez Decisión
H0 H0 H0
ADF caso 3:
Modelo AR que supone para Yt Modelo de regresión para Yt:
Yt es un AR(2) con tendencia (es ya un modelo no estacionario!): ∗ ∗
, con
, un 0, un , 0,
∗
1, y ∗
Test a realizar Estadístico de la prueba, valores críticos y criterio de rechazo
H0: ∗ 0 (Yt tiene raíz unitaria y por tanto no es estacionaria
no sólo por tendencia lineal sino también por la raíz unitaria) vs. ∗
∗ . , rechazar H0 si
H1: 0 (Yt no tiene raíz unitaria, aunque bajo modelo . ∗
Respecto a la elección entre estos seis tests según AIC, se elige aquel para el cual el modelo de regresión ajustado para
Yt: sea el de menor AIC (AIC=566.4394 ), en este caso sería el modelo del test ADF caso 3 con p=2 y si fuese usado el criterio del
BIC se elegiría el modelo ADF caso 1 con p=2 (BIC= 576.5804).
Nota: La serie propuesta fue simulada de un ARIMA(1,1,0) sin deriva, es decir que el verdadero modelo es 1 1
, un RB ∼ 0, , de donde 1 , es decir, es equivalente a un AR(2) no estacionario ya que su
polinomio AR(2) sería 1 1 que tiene una raíz unitaria.
Código R
library(forecast); library(urca); library(dynlm)
ARIMA1.1.0=ts(scan(file.choose(),skip=1),freq=1)#leer ARIMA110.SIMUL.txt
layout(rbind(c(1,2),c(3,4)))
plot(ARIMA1.1.0); acf(ARIMA1.1.0,ci.type="ma")
plot(diff(ARIMA1.1.0)); acf(diff(ARIMA1.1.0),ci.type="ma")
####################################################
#Recorte de la serie para usar sólo n= 191 datos
####################################################
n=length(ARIMA1.1.0)-10
yt=ts(ARIMA1.1.0[1:n],freq=1)
plot(yt); acf(yt,ci.type="ma")
#######################################################
#Pruebas de raíz unitaria
#######################################################
DFcaso1=ur.df(yt,lags=0,type="none"); summary(DFcaso1)
mDFcaso1=dynlm(d(yt)~L(yt,1)-1)
AIC(mDFcaso1); BIC(mDFcaso1)
DFcaso2=ur.df(yt,lags=0,type="drift"); summary(DFcaso2)
mDFcaso2=dynlm(d(yt)~L(yt,1))
AIC(mDFcaso2); BIC(mDFcaso2)
DFcaso3=ur.df(yt,lags=0,type="trend"); summary(DFcaso3)
mDFcaso3=dynlm(d(yt)~L(yt,1)+trend(yt,scale=F))
AIC(mDFcaso3); BIC(mDFcaso3)