Documentos de Académico
Documentos de Profesional
Documentos de Cultura
2) CLEAN MEMORY:
rm(list=ls())
y = ts(data=dat[,1],start=1,frequency=1)
#+ Autocorrelation
Modelling
7) CENTER STATIONARY SERIES:
8) ARIMA MODELLING:
#order=c(p,d,q)
Respuesta:
Call:
arima(x = u, order = c(0, 0, 2), include.mean = F)
Coefficients:
ma1 ma2
-0.3193 0.3020
s.e. 0.1159 0.1232
Acá extraigo los tita y los phi, yo se que en un modelo Ar -> Phi
Modelo Ma -> Tita
phi = mod$model$phi
p = length(phi[phi!=0])
theta = mod$model$theta
q = length(theta[theta!=0])
Respuesta:
Ensayo de Wald:
Como los pvalue son menores o iguales que p(0.05) -> Se cumple CR, son significativos
zma = polyroot(c(1,theta));Mod(zma)
Respuesta:
H0 Q df p-val
[1,] <NA> <NA> <NA> NA
[2,] <NA> <NA> <NA> NA
[3,] r1=...=r3=0 1.37050182900522 1 0.2417
[4,] r1=...=r4=0 1.38121821203936 2 0.5013
[5,] r1=...=r5=0 1.97263358145614 3 0.5781
[6,] r1=...=r6=0 2.29620510125929 4 0.6815
[7,] r1=...=r7=0 2.4697890164916 5 0.7810
[8,] r1=...=r8=0 2.74843991270973 6 0.8397
[9,] r1=...=r9=0 2.92540002427335 7 0.8918
[10,] r1=...=r10=0 3.55557089281086 8 0.8948
[11,] r1=...=r11=0 4.37805651347603 9 0.8848
[12,] r1=...=r12=0 4.46509931867859 10 0.9239
[13,] r1=...=r13=0 5.21915565155016 11 0.9201
Obtenemos una tabla con las hipótesis de LJUNG & BOX, para varios h
GL = h-p
BIC(mod)
Respuesta:
#[1] 543.4521
-> Comienzo con otro modelo posible que es el AR(1)
#order=c(p,d,q)
1) EXTRACT RESULTS:
mod
Respuesta:
Coefficients:
ar1
-0.4184
s.e. 0.1128
Acá extraigo los tita y los phi, yo se que en un modelo Ar -> Phi
Modelo Ma -> Tita
phi = mod$model$phi
p = length(phi[phi!=0])
theta = mod$model$theta
q = length(theta[theta!=0])
Respuesta:
Phi1 = -0,4184
2) PARAMETER SIGNIFICANCE:
Respuesta:
Ensayo de Wald:
Como el pvalue es menor o igual que p(0.05) -> Se cumple CR, es significativo
zar = polyroot(c(1,-phi));Mod(zar)
No es necesario fijarme las raíces por ser un Ar(1), a partir del Ar(2) Si.
Al ser un modelo Ar(1) solamente alcanza con fijarme Phi1=-0.418
4) DINAMICA RESIDUAL:
Respuesta:
H0 Q df p-val
[1,] <NA> <NA> <NA> NA
[2,] r1=...=r2=0 2.12628596454262 1 0.1448
[3,] r1=...=r3=0 2.27170129075911 2 0.3211
[4,] r1=...=r4=0 2.42385832691912 3 0.4892
[5,] r1=...=r5=0 3.56907040054391 4 0.4675
[6,] r1=...=r6=0 4.52240319467809 5 0.4769
[7,] r1=...=r7=0 4.54141571214677 6 0.6038
[8,] r1=...=r8=0 4.79920791370132 7 0.6845
[9,] r1=...=r9=0 4.87956946524226 8 0.7704
[10,] r1=...=r10=0 5.61686740236209 9 0.7776
[11,] r1=...=r11=0 6.83832047982265 10 0.7406
[12,] r1=...=r12=0 6.89749695621039 11 0.8073
Obtenemos una tabla con las hipótesis de LJUNG & BOX, para varios h
GL = h-p
BIC(mod)
Respuesta:
[1] 540.4774
#order=c(p,d,q)
1) EXTRACT RESULTS:
mod
Respuesta:
Coefficients:
ar1 ar2
-0.3401 0.1878
s.e. 0.1216 0.1222
Acá extraigo los tita y los phi, yo se que en un modelo Ar -> Phi
Modelo Ma -> Tita
phi = mod$model$phi
p = length(phi[phi!=0])
theta = mod$model$theta
q = length(theta[theta!=0])
Respuesta:
Phi1 = -0,3401
Phi1 = 0,1878
2) PARAMETER SIGNIFICANCE:
Respuesta:
param tstat pvalue
ar1 "-0.340" "-2.79560749645711" "0.005"
ar2 "0.188" "1.53659665190323" "0.124"
Ensayo de Wald:
Como el pvalue1 es menor o igual que p(0.05) -> Se cumple CR, es significativo
Como el pvalue2 es mayor que 0.05 -> No esta aportando mucho
zar = polyroot(c(1,-phi));Mod(zar)
Respuesta:
Los módulos de las raíces son >1 (Recordar que es condición para que sea invertible)
4) DINAMICA RESIDUAL:
Según este grafico no habría problema, nos hace confiar y vemos que no hay
autocorrelación, pero nosotros tenemos que verificarlo con el ensayo de LJUNG AND BOX:
Respuesta:
H0 Q df p-val
[1,] <NA> <NA> <NA> NA
[2,] <NA> <NA> <NA> NA
[3,] r1=...=r3=0 0.0362284907614311 1 0.8490
[4,] r1=...=r4=0 0.292859073237921 2 0.8638
[5,] r1=...=r5=0 0.978945863520713 3 0.8063
[6,] r1=...=r6=0 1.87132484284915 4 0.7594
[7,] r1=...=r7=0 2.18002404171661 5 0.8237
[8,] r1=...=r8=0 2.50005297919435 6 0.8685
[9,] r1=...=r9=0 2.74286236267376 7 0.9077
[10,] r1=...=r10=0 3.6944148030301 8 0.8836
[11,] r1=...=r11=0 4.42142878811323 9 0.8816
[12,] r1=...=r12=0 4.45368125997938 10 0.9246
[13,] r1=...=r13=0 6.3659455184602 11 0.8479
Obtenemos una tabla con las hipótesis de LJUNG & BOX, para varios h
GL = h-p
BIC(mod)
Respuesta:
[1] 542.4107
#++ Validation of model stationarity & invertibility
#+ Characteristic equation roots (modulus)
zar = polyroot(c(1,-phi)); Mod(zar)
zma = polyroot(c(1,theta)); Mod(zma)
#+++ Deflact
# Import price index (same time as y)
cpiusa <- readxl::read_xls("CPI USA.xls")
cpi = cpiusa$cpi
cpi = cpi/cpi[length(cpi)]
y = y / cpi
plot(y)