CLASES

CLASE 2
PASOS PARA EL Gráfico de estacionalidad

Escojo ventas 
La gráfica muestra las medias de mismo mes en los tres años (la media el mes de enero en el
2019, 2020, 2021.)
Y se observa estacionalidad (Hay diferencias en los grupos de medias. Por ejemplo, las tres
primeras tienen medias similares.
Entonces. ¿Cómo lo desestacionalizamos?
Utilizaremos un método de suavizamiento (Va a capturar los elementos fundamentales del

trabajo, como quitar las malezas de la quinua)
PASOS PARA SUAVIZAMIENTO EXPONENCIAL

 Proc  Exponencial Smoothing  Simple OK
 Proc  Exponencial Smoothing  Double OK
 Proc  Exponencial Smoothing  Holt Winter Additive OK
Date: 07/24/22 Time: 16:07

Sample: 2019M01 2021M12
Included observations: 36
Method: Single Exponential
Original Series: SERIES01
Forecast Series: VENTASSM1
Parameters: Alpha 0.9990

Sum of Squared Residuals 46301.48
Root Mean Squared Error 35.86296
End of Period Levels: Mean 234.9380
RMSE (Raíz cuadrada del error)
Modelo empleado Serie pronosticada Criterio Valor

Suavizamiento Ventas Suavizamiento 35.86
exponencial simple Exponencial Simple
Suavizamiento Ventas 39.39
exponencial doble
Suavizamiento
exponencial Holt
Winter Aditivo*
*No podemos usar el Holt Winter No seasonal (No estacional) porque ya determinamos que si hay
estacionalidad con los datos trabajados.
Suavizamiento exponencial simple
La proyección es un solo valor por lo que la línea es horizontal
Suavizamiento exponencial doble

Date: 07/24/22 Time: 16:18
Sample: 2019M01 2021M12
Method: Double Exponential
Original Series: VENTAS


Trend 36.15522
Por lo tanto, el RMSE que tenga menor valor será el más conveniente. Por lo tanto si
comparamos los dos primeros cuadros, se escoge el simple como el más conveniente.
Suavizamiento exponencial Holt Winter Additive
Date: 07/24/22 Time: 16:23

Sample: 2019M01 2021M12
Method: Holt-Winters Additive Seasonal

Beta 0.0000
Gamma 0.0000

Trend 1.017361
Seasonals: 2021M01 80.28993
2021M02 59.60590
2021M03 63.92188
2021M04 6.904514
2021M05 9.553819
2021M06 -37.46354
2021M07 -32.14757
2021M08 -26.83160
2021M09 -70.84896
2021M10 -55.19965
2021M11 -28.21701
2021M12 30.43229
Entonces, ¿Qué modelo utilizaremos?
Suavizamiento Exponencial Holt Winter multiplicativo

Sample: 2019M01 2021M12
Method: Holt-Winters Multiplicative Seasonal
Forecast Series: VENTASSM

Beta 0.0000
Gamma 0.0000

Trend 1.017361
Seasonals: 2021M01 1.435753
2021M02 1.322814
2021M03 1.342853
2021M04 1.033715
2021M05 1.047881
2021M06 0.797140
2021M07 0.826340
2021M08 0.855247
2021M09 0.625331
2021M10 0.708939
2021M11 0.850386
2021M12 1.153602
El RMSE es el más pequeño en comparación con las otras formas de suavizamiento por lo que tomamos
solo el Holt Winter multiplicativo.
Explicamos que el Holt Winter es el mejor para proyección.
¿Cómo desestacionalizamos?
PASOS PARA DESESTACIONALIZAR

Proc Seasonal Adjustment Census X-12  Le doy check a todas, menos a las dos
últimas  se generan ventas ir, ventas sa, ventas sf, ventas tc.
Ventas IR
Ventas X12 (mode = m- sabe = d10d11 d12 d13

PROYECCIÓN
MODELO CON UNA TENDENCIA
Dependent Variable: VENTAS
Method: Least Squares
Date: 07/24/22 Time: 17:14
Sample (adjusted): 2019M01 2021M12
Included observations: 36 after adjustments
Variable Coefficient Std. Error t-Statistic Prob.
C 187.8438 15.62361 12.02308 0.0000

@TREND -0.011712 0.767704 -0.015256 0.9879
R-squared 0.000007 Mean dependent var 187.6389

Adjusted R-squared -0.029405 S.D. dependent var 47.16243
S.E. of regression 47.85080 Akaike info criterion 10.62801
Sum squared resid 77849.77 Schwarz criterion 10.71598
Log likelihood -189.3041 Hannan-Quinn criter. 10.65871
F-statistic 0.000233 Durbin-Watson stat 0.557598
Prob(F-statistic) 0.987918
Estamos regresionando con respecto a sus tendencia.
El Durbin Watson es fuerte cuando tenemos solo una variable exógena. Si hay más variables no
nos sirve de mucho. Por el contrario, usaríamos KS para ver la correlación.
El RMSE es 46.50 y es mucho mayor que el multiplicativo que hallamos antes y cuyo valor es 2.
85
MODELO CUADRÁTICO
Date: 07/24/22 Time: 17:28
C 192.4382 22.96930 8.378063 0.0000

@TREND -0.822488 3.036775 -0.270843 0.7882
@TREND^2 0.023165 0.083867 0.276213 0.7841

CUBICA

Date: 07/24/22 Time: 17:37
C 224.4882 28.25420 7.945306 0.0000

@TREND -12.65168 7.090656 -1.784275 0.0839
@TREND^2 0.880116 0.474610 1.854397 0.0729
@TREND^3 -0.016323 0.008907 -1.832488 0.0762

Adjusted R-squared 0.012415 S.D. dependent var 47.16243
residuos
EJERCICIO CON DATOS DEL BANCO
Si observamos la gráfica del tipo de cambio …
(falta terminar)
CLASE DOS DE ECONOMETRÍA
Especificación de un modelo econométrico.

Determinar cuántas variables explicativas necesitamos para obtener una función buena.
IP=f(r,e,ø, Fk, IPk, Ck, IP−1, Exp, PBI, Ipub, Cred financ. )
IP: INVERSIÓN PRIVADA: Formación bruta de capital
r: tasa de interés real
e: tipo de cambio
ø: riesgo país
fk: flujo de capital
Ck: Costo de capital
IPk: resagos
trabajo hecho
(Determinantes de la inversión privada en Venezuela: un análisis econométrico para el

periodo 1950-2001  seguir como ejemplo)
(Inversión privada en Brasil, CEPAL)
 El costo de capital se tipifica como la depreciación (se considera una variable proxi)
 La volatilidad a través de la desviación estándar
 Ahora tengo que tener un proceso de análisis.
 La KPSS es la prueba de estacionalidad. Por otro lado, las raíces unitarias también
se utilizan para la prueba de estacionalidad.
 Decimos que una función es de largo plazo cuando le agregamos dinámica (¿cómo
lo hacemos? Utilizando sus rezagos: estoy evaluando el impacto que tiene una
variable pasada ahora en el presente Xt-1)
 Leamos la revista de la CEPAL: Inversión privada
 Recordemos:
Yt= β 0 + β 1 X t + β 2 X t +€  Función a corto plazo
Yt= β 0 + β 1 X t + β 2 X t + β 2 X t−1 + β 3 X t +µ  A largo plazo
 Inspección visual (gráficas)
 Tenemos que tener en cuenta la estacionariedad: En una gráfica podemos ver
estacionariedad fuerte o débil.
 En la gráfica que tiene mucha fluctuación podemos tener varias medias, sin
embargo, al analizar podemos ver que las medias pueden tener una media general
igual. En el segundo gráfico si hay estacionariedad y gráficamente se observa la
estacionariedad. Sin embargo, sus varianzas pueden diferir.
Puede no haber estacionariedad

Si hay estacionariedad
 Los correlogramas se muestran como AR1 o no hay conexión entre el presente y el

pasado.
El pasado afecta al presente: Y (y-7)
AR1: El pasado a corto plazo puede afectar el presente, pero no el largo plazo
No existe AR. El pasado no impacta en el presente.

¿Cómo evaluamos un modelo? Debe haber pruebas que nos permitan evaluar un modelo.
Esto implica:
La especificación de las relaciones que lo constituyen. Por ejemplo, la inversión y la tasa de

interés tienen relación inversa. Si aumenta la r, la IP cae. Evaluaremos el modelo de la
siguiente manera:
 Gráficamente
 Matemáticamente
 Econometricamente
IP=β 0−β 1 r + ε
 Con estimación  MCO ELIO: Estimadores Lineales, Insesgados y óptimos
IP=β 0−β 1 r
 Significancia: Ho: β 1=0 “t”  p-value
H1: : β 1 ≠ 0
 Primero evaluamos el p-value

 Luego el R2: Recordemos que en econometría los R2 NO son tan altos porque hay otras
cosas más que influyen. Pero siempre quisiéramos que estén con más de 0.7
 Luego- Durbin Watson (Observamos la autocorrelación)
 Si existe r=1  Perfectamente relacionadas
 Si existe r=0.9  Ambas variables están muy relacionadas por lo tanto presentan
colinealidad (no me sirve la variable, por lo que debo eliminar una de ellas.)
 Si existe r=0.3  las variables están relacionadas, pero no hay colinealidad (si me sirve
el modelo)
 Para quedarnos con un modelo, primero tenemos que comparar con una misma
endógena (Observamos los R2 y los criterios de información (AKIG, Schwar, Hannan
Quin), En el ejemplo sería evaluar 3 modelos: una con X4, otra con X7 y otra con ambas
variables.
EJERCICIO APLICATIVO
Variable description Lecture 3 Royal
1. Gráficamos el índice estándar y por 500. S&P500 (Es una calificación de riesgo que
evalúa el comportamiento de los precios de las 500 primeras empresas en EE.UU)
De 1930 a 1980 el comportamiento ha sido igual y bajo. Después de ese año se observa un
crecimiento exponencial. La historia económica nos ayuda a entender la razón de este
crecimiento (Las grandes empresas “.com” se cayeron)
2. Graficamos el histograma
View Descriptive Statistics  Histograms and Stats.
 Tiene asimetría positiva de 1.47 (este valor nos sirve para hacer una transformación si
no existe asimetría)
 Desviación estándar es 484 (Queremos que sea cercano a 0)
 Como conclusión hay un sesgo positivo por lo que necesitamos una transformación de la
variable. (La primera transformación es un logaritmo)
Podríamos analizar:
 Comparación de los rendimientos promedios

 Volatilidad (dispersión) (Modelo de Garch) Por ejemplo el PAS (precio de los
activos de salud después del coronavirus- la dispersión se hizo más grande)
 Valor contable de las empresas
 Emisión durante un periodo de tiempo.
Puedo hacer diferentes tipos de análisis en un mismo

Asumimos que la variable BOOKMARKET (Valor contable de las empresas) es la variable
endógena (de respuesta)
PARA GRAFICAR DOS VARIABLES

Open as a group  View graph  Axes&scalling Bookmarket (right) OK
Las dos variables se compartan de manera diferente. El índice crece exponencialmente y el

valor contable tiene se mantiene relativamente. Por lo tanto, transformamos el índice a
logaritmos.
PARA TRANSFORMAR A LOGARITMO

EN COMANDOS  Series lindex=log(index)
Con lindex (right), hacemos otra transformación después de logaritmos las diferenciales (es
el valor del presente en relación al pasado.
PARA TRANSFORMAR A DIFERENCIALES

EN COMANDOS  Series dlindex=d(lindex)
Ahora las
REGRESIONAMOS LINDEX CON EL BOOKMARKET

EN COMANDOS  ls dlindex c bookmarket
Dependent Variable: DLINDEX

Date: 07/30/22 Time: 10:46
Sample (adjusted): 1928 2013
C 0.176952 0.049939 3.543358 0.0006

BOOKMARKET -0.213316 0.078960 -2.701582 0.0083

S.E. of regression 0.191246 Akaike info criterion -0.447529
Sum squared resid 3.072310 Schwarz criterion -0.390451
Log likelihood 21.24375 Hannan-Quinn criter. -0.424558
}
Gráfica de Residuos:
¿Cómo interpretamos?
 El modelo es significativo
 R-squared (coeficiente de determinación) es bajo 0.08. el 8 % de la fluctuación
promedio del índice está siendo explicado por el valor contable. Eso significa que
debería agregar más variables para que el modelo sea mejor explicado.
REGRESIONAMOS INDEX CON EL BOOKMARKET

EN COMANDOS  ls index c bookmarket
Dependent Variable: INDEX

Date: 07/30/22 Time: 10:53
Sample: 1927 2013
C 1035.347 95.01896 10.89622 0.0000

BOOKMARKET -1217.680 150.7996 -8.074827 0.0000

Sum squared resid 11416960 Schwarz criterion 14.72524
Gráficos de residuos.
Para interpretar los residuos
En la primera ecuación se observa una En la segunda ecuación la línea del residuo ya

fluctuación regular, a pesar que las no vuelve al centro al final.
desviaciones son fuertes, vuelven a la
media.
Conclusión: A pesar de que ambos modelos son significativos el R cuadrado es diferente. En la

primera ecuación se explica el 8% y 43% en la segunda ecuación. Ahora que hemos visto que el
índice tiene fuertes problemas, tomaremos el logaritmo.
DE LO ESPECÍFICO A LO GENERAL
Realizo las regresiones del Log of equity premium (el premio por la valorización de activos)
(LOGEQPREM)
A B C D E
Constant 0.166 0.062 -0.267 -0.027 0.065
Book to -0.185
market (0.019)
Ntis -0.147
(0.850)
Divprice -0.097
(0.029)
Earnprice 0.032
(0.532)
Inflation -0.166
(0.746)
R2 0.063 0.000 0.055 0.005 0.001
DE LO GENERAL A LO ESPECÍFICO
Regresionamos con todas las variables
EN COMANDOS  ls logeqprem c BOOKMARKET NTIS DIVPRICE EARNPRICE INFLATION
Dependent Variable: LOGEQPREM

Date: 07/30/22 Time: 11:22
Sample: 1927 2013
C 0.234411 0.384515 0.609629 0.5438

BOOKMARKET -0.176078 0.154101 -1.142616 0.2566
NTIS -0.145629 0.819031 -0.177807 0.8593
DIVPRICE -0.119855 0.098319 -1.219044 0.2264
EARNPRICE 0.167152 0.084852 1.969926 0.0523
INFLATION -0.566909 0.587334 -0.965224 0.3373

Interpretamos que el NTIS tiene una fuerte p-value 0.859. Entonces eliminamos esta variable
del modelo.
EN COMANDOS  ls logeqprem c BOOKMARKET DIVPRICE EARNPRICE INFLATION

Date: 07/30/22 Time: 11:29
Sample: 1927 2013
C 0.205376 0.346056 0.593477 0.5545

BOOKMARKET -0.166337 0.143182 -1.161723 0.2487
DIVPRICE -0.125885 0.091738 -1.372228 0.1737
EARNPRICE 0.166993 0.084345 1.979883 0.0511
INFLATION -0.564457 0.583695 -0.967040 0.3364

Inflación chau, dividends chau, divprice, quedándome solo con dos variables exógenas.
EN COMANDOS  ls logeqprem c BOOKMARKET EARNPRICE

Date: 07/30/22 Time: 11:33
Sample: 1927 2013
C 0.489395 0.232699 2.103125 0.0384

BOOKMARKET -0.290156 0.106561 -2.722903 0.0079
EARNPRICE 0.096579 0.067963 1.421056 0.1590

Si nos quedamos con dos variables, nos quedaremos con bookmarket y earnprice. Y si solo nos
quedamos con una variable, esa variable será el bookmarket por tener el menos p-value.
Estabilidad.
No hubo estabilidad en dos periodos.
 Años de guerra: 1939-1945

 Crisis del petróleo: 1973-1975
Generaremos variables dummy.
Para esos años les pondremos el valor de uno generando dos dummyes (dumAG y dumCP)
PARA CREAR VARIABLES DUMMY
EN COMANDOS  series dumAG=0
series dumCP=0
DUMAG: Dummy para años de guerra
DUMCP: Dummy para la crisis del petróleo
Para editar las dummies, clic en edit +/- , pongo uno en los años
y luego vuelvo a poner clic en edit+/- nuevamente
Ahora teniendo en cuenta las dummies por los Shoks de los años de guerra y la crisis de
petróleo.
Ahora hacemos la regresión de las variables con los efectos de las crisis (AG y CP)
PARA REGRESIONAR CON VARIABLES DUMMY
EN COMANDOS  ls logeqprem c bookmarket bookmarket*dumag bookmarket*dumcp

Date: 07/30/22 Time: 11:50
Sample: 1927 2013
C 0.159725 0.049534 3.224523 0.0018

BOOKMARKET -0.175130 0.082270 -2.128716 0.0362
BOOKMARKET*DUMAG 0.078468 0.101216 0.775257 0.4404
BOOKMARKET*DUMCP -0.132705 0.123709 -1.072723 0.2865

Interpretamos. NO hay fuerte influencia de las dummies en la variable endógena por lo que
para la evaluación final no los tomamos en cuenta.
OJO:
¿Le puedo poner shocks a las variables endógenas? Si, pero no le pongo porque quiero
evaluar a la endógena sin ningún shock.
COMPARACIÓN DE MODELOS
Modelo completo Bookmarket

R2 0.108388 0.063348
AIC -0.443534 -0.486207
BIC -0.273472 -0.429520
Akaike info criterion AIC

Schwarz criterion BIC
Regresión de logeqprem con bookmarket

Date: 07/30/22 Time: 12:10
Sample: 1927 2013
C 0.165934 0.048640 3.411456 0.0010

BOOKMARKET -0.185085 0.077194 -2.397648 0.0187

Evaluación del modelo:
Ho: La especificación es correcta
H1: La especificación no es correcta.
Book to market
Estadístico de p-value
prueba
Reset (p=1) 3.446 0.067
Chow Break 2.269 0.110
Chow Forecast 0.765 0.794
Jarque- Bera 7.155 0.028
Las tres primeras pruebas son válidas y me muestran que el
modelo es estable, solo el Jarque Bera es algo dudosa.
Resultado de la prueba de RESET de RAMSET
PARA LA PRUEBA RAMSEY
View Stability diagnostic  Ramsey REST TEST  Se queda en 1 por defecto  OK
Ramsey RESET Test

Equation: EQBOOKMARKET
Omitted Variables: Squares of fitted values
Specification: LOGEQPREM C BOOKMARKET
Value df Probability
t-statistic 1.856258 84 0.0669
F-statistic 3.445694 (1, 84) 0.0669
Likelihood ratio 3.497501 1 0.0615
F-test summary:
Mean
Sum of Sq. df Squares
Test SSR 0.117885 1 0.117885
Restricted SSR 2.991714 85 0.035197
Unrestricted SSR 2.873830 84 0.034212
LR test summary:
Value
Restricted LogL 23.15002
Unrestricted LogL 24.89877
Unrestricted Test Equation:

Date: 07/30/22 Time: 12:17
Sample: 1927 2013
C 0.341693 0.106136 3.219384 0.0018

BOOKMARKET -0.375787 0.127854 -2.939180 0.0042
FITTED^2 -11.25426 6.062873 -1.856258 0.0669

PARA LA PRUEBA DE CHOW BREAKPOINT TEST
View Stability diagnostic  Chow brweakpoint test  ponemos un año de cambio

como punto de quiebre  OK
Chow Breakpoint Test: 1980

Null Hypothesis: No breaks at specified breakpoints
Varying regressors: All equation variables
Equation Sample: 1927 2013
F-statistic 2.268756 Prob. F(2,83) 0.1098

Log likelihood ratio 4.630733 Prob. Chi-Square(2) 0.0987
Wald Statistic 4.537513 Prob. Chi-Square(2) 0.1034
PARA LA PRUEBA CHOW FORECAST
View Stability diagnostic  Chow Forecast test  Ponemos el año 1980 como punto de
quiebre OK
Chow Forecast Test

Equation: EQBOOKMARKET
Test predictions for observations from 1980 to 2013
Specification: LOGEQPREM C BOOKMARKET
Value df Probability
F-statistic 0.764761 (34, 51) 0.7944
Likelihood ratio 35.84434 34 0.3820
F-test summary:
Sum of Sq. df Mean
Squares
Test SSR 1.010237 34 0.029713
Restricted SSR 2.991714 85 0.035197
Unrestricted SSR 1.981477 51 0.038852
LR test summary:
Value
Restricted LogL 23.15002
Unrestricted LogL 41.07219
Unrestricted log likelihood adjusts test equation results to account for

observations in forecast sample
Unrestricted Test Equation:

Date: 07/30/22 Time: 12:26
Sample: 1927 1979
C 0.313150 0.089912 3.482829 0.0010

BOOKMARKET -0.374898 0.125123 -2.996239 0.0042

PARA LA PRUEBA DE JARQUE BERA (PRUEBA DE NORMALIDAD)
View Residual Diagnostic  Histogram Normality test
TERCERA CLASE ECONOMETRÍA
MULTICOLINEALIDAD
Hoy detectaremos una multicolinealidad y resolveremos el problema.
Variables de análisis.
 Consumo
 Importaciones
 Inversión
 PBI
1. Relación consumo
Aquí podemos evaluar varias cosas como por ejemplo evaluar el consumo con el PBI.
En mi objetivo puede ir “relacionar”. Nos basamos en la teoría C=f(Yd), existe un proxi
en el PBI (Este se tipifica como PBI ≡ Y ≡ Ingreso nacional, entonces estoy tomando al
PBI como una variable proxi  Consumo = f(PBI)). Si PBI AUMENTA  CONS
AUMENTA  relación directa (+)
Estimando:
^ ^
Cons= β0 − ^
β 1 PBI +e
2. Relación Importaciones
M =f ( e , Y ,TI , consumo ,inv , etc . )
Se tipifica: M=f(cons, inv, PBI)

M =β 0 + β 1 Cons+ β 2 inv+ β 3 PBI + ε
¿Quiénes importan?
Las familias
Las empresas
¿Cómo importamos?
No es común pagar después, por lo que debo prestarme dinero del sistema financiero para
poder importar
 Regresionamos y tomamos M cómo la variable endógena
Dependent Variable: IMP

Date: 07/31/22 Time: 15:44
Sample: 2000 2017
C -188.8341 34.55062 -5.465431 0.0001

CONS 0.177931 0.221910 0.801820 0.4361 A
INV 0.462023 0.330719 1.397025 0.1842
PBI 0.074012 0.146176 0.506320 0.6205
R-squared C 0.972894 Mean dependent var 300.7778

Prob(F-statistic) 0.000000 B
Cuando observamos el cuadro anterior, tenemos que observar algunos datos como:
 LOS COEFICIENTES: Observamos que relación existe con la endógena, positiva o negativa.
 P-value: que todas las variables no son significativas, ya que el p-value de las variables exógenas son
mayores a 0.05.
 R2: el 97% del flujo de las importaciones esta siendo explicada por las variables. Concluimos que hay
contradicción (es una regresión ESPURIA). Hay una incoherencia entre A y B; y otra incoherencia
entre A y C.
 F STATISTIC:
Esta es una regresión múltiple:

Por lo tanto: la hipótesis sería:
Ho: β 1=0 β 2=0 β 3=0 (Hallamos con el T)

Ho: β 1=β 2=β 3=0 (Cuando es en conjunto, hallamos con F)
Las variables consideradas NO son significativas para evaluar el comportamiento de las

importaciones.
 Durbin Watson: Su valor es 1.41 lo que indica que no hay autocorrelación.
Observamos un intervalo: 1.82 hasta 2.15  no hay autocorrelación

Fuera de ese intervalo, si hay autocorrelación.
 La poca significancia de las variables explicativas y a la vez un R2 alto y una gran

significancia conjunta del modelo.
 Valores altos en la matriz de correlaciones de las variables explicativas.
CRITERIO PARA HALLAR MULTICOLINEALIDAD
- Si las correlaciones son menores A 50%  BAJAS

- Si las correlaciones son menores A 50% a 80%  MEDIAS
- Si las correlaciones son menores A 80%  ALTAS
 Calcular el (viflación) VIF > 10  Hay multicolinealidad
 Contraste de Farrar-Galuber que tiene el estadístico
[
G= T −1−
2(K +5)
6 ]
∗ln I R xx I
Ho: No multicolinealidad
MÉTODOS DE SOLUCIÓN:
- Ampliar la muestra o transformar las variables (log, diferencial, ratios, etc).

- Suprimir algunas variables con justificación estadística y econométrica.
- Utilizar el modelo en diferencias evaluando la autocorrelación.
- Utilizar la regresión en cadena que ofrece como estimadores de los parámetros a
lo siguiente.
Esto es cuando es normal y no tenemos el problema de la multicolinealidad.
Esta es cuando si existe multicolinealidad. Hay un factor c*L que tenemos que
calcular.
Ahora quitaremos un dato (el ultimo año de la variable) para ver si aun hay
multicolinealidad evaluando las características que observamos antes
( significancia, R2, F(en conjunto), durbin Watson.)
Observamos que los valores han variado. Podemos evaluar en que porcentaje han variado de
eq1 y eq2.
0.58893
∆ PBI = −1=20 % → ha disminuido en ese porcentaje
0.074012
∆ INV =2.6 %( HA DISMINUIDO)
∆ CONS=5.23 % (HA AUMENTADO )
PRUEBA DE MATRIZ DE CORRELACIÓN
CONS INV PBI

CONS 1 0.2022754083877333 0.9981532526772294
INV 0.2022754083877333 1 0.2154456289823418
PBI 0.9981532526772294 0.2154456289823418 1
El PBI está altamente correlacionado con el consumo, no me sirve ya que explicarían los mismo
al estar muy relacionados.
PARA LA MATRIZ DE CORRELACIÓN
Open as a group  cons, inv, PBI  covariance análisis  check en correlación  OK
En la matriz de correlaciones puedo hallar el valor del determinante y si ese valor es próximo a
0, hay multicolinealidad.
Hallamos el valor del determinante.

PARA TENER GUARDADO LA MATRIZ
EN COMANDO  sym matriz_correlaciones = @cor(GROUP01_COR)
PARA HALLAR LA DETERMINANTE
EN COMANDO  scalar determinante = @det(MATRIZ_CORRELACIONES
Value
DETERMINANTE 0.003355669353917688
Observamos que el valor se acerca a 0, entonces técnicamente afirmamos que hay multicolinealidad.
¿Existe algún límite?

Si, entre 0.01 y 0.1, allí puedo afirmar colinealidad.
PRUEBA DE VIF O FACTOR DE INFLACIÓN
PARA HALLAR VIF
Open as a group  Coefficient Diagnostic  Variance Inflation Factor.
Variance Inflation Factors

Date: 07/31/22 Time: 16:48
Sample: 2000 2017
Coefficient Uncentered Centered

Variable Variance VIF VIF
C 1193.746 41.90687 NA

CONS 0.049244 5095.149 284.1708
INV 0.109375 6.293186 1.099657
PBI 0.021367 4517.493 285.8102
PARA HALLAR IC
Open as a group  VIEW PRINCIPAL COMPONENTS  TABLE  OK
Valor propio.
Son elementos matemáticos que Nos ayudan a encontrar aquella transformación que nos
ayudan a buscar un vector paralelo a la original. Por tanto, evaluamos si los valores propios
tienen montos muy altos o bajos.
PRUEBA DE INDICE DE CONDICIÓN
Principal Components Analysis

Date: 07/31/22 Time: 17:05
Sample: 2000 2017
Computed using: Ordinary correlations
Extracting 3 of 3 possible components
Eigenvalues: (Sum = 3, Average = 1)

Cumulative Cumulative
Number Value Difference Proportion Value Proportion
1 2.079013 1.159782 0.6930 2.079013 0.6930

2 0.919231 0.917475 0.3064 2.998244 0.9994
3 0.001756 --- 0.0006 3.000000 1.0000
Eigenvectors (loadings):
Variable PC 1 PC 2 PC 3
CONS 0.681175 -0.193626 0.706052

INV 0.264039 0.964463 0.009756
PBI 0.682849 -0.179780 -0.708093
Ordinary correlations:

CONS INV PBI
CONS 1.000000
INV 0.202275 1.000000
PBI 0.998153 0.215446 1.000000
PRUEBA DE FARRAR GLAUBER
[
G= T −1−
2( K +5)
6 ]
∗ln I R xx I
T: NÚMERO DE OBSRRVACIONES
K: NÚMERO DE EXÓGENAS
[
G= 18−1−
2 ( 3+5 )
6 ]∗ln ( 0.00335566 )
G=81.65
La chi- cuadrada de tabla, tiene K(k-1) /2 grados de libertad, donde K es el número de

coeficientes. Y K -1 es el número de variables explicativas.
K= variables exógenas y la constante = 4

SOLUCIONES DE LA MULTICOLINEALIDAD
1) Ampliar la muestra. Esto en el peor caso es difícil.

2) Suprimimos alguna variable, pero ten que haber una justificación económica o
estadística o ambos. (Estoy evaluando importaciones, y cuando evalúo consumo, esta
puede explicar mejor que el PBI a las importaciones.) . Entonces borramos PBI.
Regresionamos sin PBI
Dependent Variable: IMP

Date: 07/31/22 Time: 17:42
Sample: 2000 2017

C -201.5385 23.15560 -8.703661 0.0000
CONS 0.290083 0.013104 22.13630 0.0000
INV 0.500145 0.313950 1.593071 0.1320

Esa solución tampoco me ayuda ya que la inversión no es significativa.
Hallamos el VIF

Date: 07/31/22 Time: 17:43
Sample: 2000 2017

C 536.1819 19.80470 NA

CONS 0.000172 18.69479 1.042661
INV 0.098565 5.967006 1.042661
Ya no hay multicolinealidad porque ya no es cercano a 0. Esto nos ha costado quitar

una variable. Por lo que no sería el óptimo.
Con multicolinealidad, las betas que tenemos son imprecisos. Por eso debemos de
eliminar la multicolinealidad.
3) Transformaciones:
- Vamos a dividir a toda la ecuación entre el PBI
Dependent Variable: IMP/PBI

Date: 07/31/22 Time: 17:52
Sample: 2000 2017
C 0.584038 0.140369 4.160733 0.0008

CONS/PBI -0.649926 0.199446 -3.258658 0.0053
INV/PBI -0.184774 0.449719 -0.410866 0.6870

Hallamos el VIF

Date: 07/31/22 Time: 17:53
Sample: 2000 2017

C 0.019703 1756.640 NA

CONS/PBI 0.039779 1766.628 1.006536
INV/PBI 0.202247 5.708065 1.006536
Aun el modelo no es bueno, no hay multicolinealidad pero la inversión dividido entre el pbi no es
significativo.
4) Diferenciamos: Vamos a dividir a toda la ecuación entre el PBI
Cuando observamos la variación del presente con un periodo anterior.
Y t =β 1+ β2 X 2 t + β 3 X 3 t + μt ….(1)
Y t −1=β 1+ β 2 X 2 t−1 + β 3 X 3 t−1 + μt−1….(2)
Y t −Y t −1 =β2 ¿ ¿ - X 2 t −1 ¿+ β 3 ( X 3 t −X 3 t −1) + ¿ μt −1 ¿
Dependent Variable: D(IMP)

Date: 07/31/22 Time: 18:06 Problema de
Sample (adjusted): 2001 2017 autocorrelación
D(CONS) 0.100885 0.185003 0.545316 0.5941

D(INV) 0.521693 0.257075 2.029339 0.0619
D(PBI) 0.131395 0.123247 1.066111 0.3044

Durbin-Watson stat 1.596915
Aun el modelo no es conveniente, hasta ahora hemos observado que las soluciones 2 y 3
son las mejores a pesar de que no son las óptimas.
5) Usar la regresión en cadena:
Ya no es un costo de una variable,
En conclusión
Imp= 0.459 +145Cons +0.092 PBI
R2 =0.972
Ya hemos solucionado la multicolinealidad.
CLASE 4 DE ECONOMETRÍA (6 DE AGOSTO)
ESTACIONARIEDAD
- Puede haber series que muestran una tendencia (no son estacionarios)
- Las series mucho más amplias son más útiles para establecer su comportamiento
en el tiempo.
- Si probamos una serie y decimos que es estacionario, directamente evaluamos los
modelos regresivos, móviles, etc.
- Si NO es estacionario, tenemos que transformar.
PRIMER PASO: INSPECCIÓN VISUAL PARA OBSERVAR LA MEDIA DE TENDENCIA CENTRAL,

ESTACIONARIEDAD
Vemos la gráfica de PE-USA
Periodo 2
Periodo 1
¿Es estacionaria?  Podría ser estacionaria, pero vemos que en el primer periodo el valor
fluctúa por encima de la media.
La cuarta parece ser estacionaria. Ahora vemos el correlograma de pe-USA

¿Tienen tendencia? No tienen tendencia
- Una tendencia cambia la media en el tiempo.

- Un tipo de tendencia es una tendencia determinística (no cambia mucho – no hay
mucha fluctuación y son más fáciles de predecir) y no estocástica
y t =μ+ β t + ε t donde ε t →ruido blanco (iid)
La perturbación es independiente e idénticamente independiente.
¿Cuáles son las consecuencias de la NO estacionariedad?
a) Los choques no desaparecen (si tu papá te pega, recuerdas esa situación que
repercute en tu comportamiento). Las funciones de autocorrelación van
desapareciendo gradualmente.
Veamos el ratio en USA.
Como se observa, el comportamiento es permanente, no hay cambios
b) Los estadísticos de prueba son defectuosos.

c) Estimar un AR - Autoregresivo (Consideramos a la variable endógena más su
rezago AR1) a partir de una variable no estacionaria va estar mal. También
podemos hacer el modelo con el rezago de las perturbaciones. (MAq)
Ejemplo:
Si caracterizamos la siguiente serie de tiempo, usando la notación ARMA (p,q)
-ARMA (2, 1)
y t =0.6+0.5 y t −1+ 0.9 y t −2+ μ t + μt −1
SEGUNDO PASO: COVARIANZA (DISPERSIÓN)
Ley de los grandes números (teorema de índice central), nos dice que muestras grandes nos
van a permitir hacer mejor inferencia hacer nuestras pruebas. Si es más de 30 datos, no te
preocupes si la distribución va a ser normal.
TRABAJAMOS CON EVIEWS
PASO 1: Creamos las series

A) Generamos una serie cerca de las raíces unitarias (cerca de 1) un archivo de trabajo
con: 1992m01 al 2020m12. Recordemos que queremos nuestra serie en la normalidad.
- Para la serie Y
PARA GENERAR NUESTRA SERIE Y

En comandos:
smpl @first @last
SERIES Y=0
smpl @first+1 @last
series y=0.5+0.96*y(-1)+2*nrnd
nrnd (para normalidad)/ se debe copiar cada uno

Cuando son cerca a la unidad pero son menores que 1 (suponemos que tiene raíz unitaria)
a pesar de que no.
- Creamos una serie X con tendencia estacionaria
EN COMANDOS
smpl @first @last
SERIES X=0
smpl @first+1 @last
series x=0.5+0.75*x(-1)+0.01*@trend+1.5*nrnd
- Creamos una serie X con tendencia estacionaria
EN COMANDOS
smpl @first @last
SERIES Z=0
smpl @first+1 @last
series Z=0.8+Z(-1)+nrnd
Ahora observamos si son estacionarias.

PASO 2: Evaluamos la prueba de raíces unitarias
Ho: Y tiene raíz unitaria
H1: Y NO tiene raíz unitaria.
¿Diferenciando podemos remover la tendencia?
OPEN  VIEW  UNIT ROOT TEST  STANDARD UNIT ROOT TEST  ESCOJO EN TEST
TYPE.
Null Hypothesis: X is stationary

Exogenous: Constant, Linear Trend
Bandwidth: 11 (Newey-West automatic) using Bartlett kernel
LM-Stat.
Kwiatkowski-Phillips-Schmidt-Shin test statistic 0.048539

Asymptotic critical values*: 1% level 0.216000
5% level 0.146000
10% level 0.119000
*Kwiatkowski-Phillips-Schmidt-Shin (1992, Table 1)

Residual variance (no correction) 4.561626
HAC corrected variance (Bartlett kernel) 18.22645
KPSS Test Equation

Dependent Variable: X
Date: 08/06/22 Time: 09:51
Sample: 1992M02 2020M12
C 0.751470 0.229479 3.274685 0.0012

@TREND("1992M02") 0.042926 0.001148 37.39471 0.0000

Null Hypothesis: X has a unit root

Lag Length: 0 (Automatic - based on SIC, maxlag=16)
t-Statistic Prob.*
Augmented Dickey-Fuller test statistic -7.224171 0.0000

Test critical values: 1% level -3.984726
5% level -3.422828
10% level -3.134315
*MacKinnon (1996) one-sided p-values.
Augmented Dickey-Fuller Test Equation

Dependent Variable: D(X)
Date: 08/06/22 Time: 09:52
Sample: 1992M02 2020M12
X(-1) -0.265758 0.036787 -7.224171 0.0000

C 0.248950 0.158452 1.571145 0.1171
@TREND("1992M02") 0.011280 0.001768 6.379716 0.0000

Phillips-Perron Test Equation
Dependent Variable: D(X)
Date: 08/06/22 Time: 09:52
Sample: 1992M02 2020M12
X(-1) -0.265758 0.036787 -7.224171 0.0000

C 0.248950 0.158452 1.571145 0.1171
@TREND("1992M02") 0.011280 0.001768 6.379716 0.0000

AHORA VOLVEMOS AL EJERCICIO DE RAÍCES UNITARIAS EN EVIEWS

Para la variable pe-saf  prueba de raíces unitarias
Null Hypothesis: PE_SAF has a unit root

Exogenous: None
t-Statistic Prob.*

5% level -1.942193
10% level -1.615791

Dependent Variable: D(PE_SAF)
Date: 08/06/22 Time: 09:58
PE_SAF(-1) -0.002862 0.006108 -0.468627 0.6398

Por lo tanto, si tiene raíz unitaria. Aceptamos la Ho.
Entonces aplicamos la primera diferencia. (1ST DIFFERENCE)
Null Hypothesis: D(PE_SAF) has a unit root

Exogenous: None
t-Statistic Prob.*

5% level -1.942199
10% level -1.615787

Dependent Variable: D(PE_SAF,2)
Date: 08/06/22 Time: 10:01
D(PE_SAF(-1)) -0.871930 0.065290 -13.35473 0.0000

P-VALUE es menor que 0.05 por lo cual rechazamos Ho. La variable no tiene una raíz unitaria.
Por lo tanto, concluyo que puedo trabajar con la variable.
Podemos evaluar los differentes p-value.
Ho: tiene raíz unitaria = no es estacionaria Ho: es estacionaria

Prueba ADF PRUEBA PP KPSS
Intercepto Intercepto Intercepto Intercepto intercepto Intercepto
y tendencia y tendencia y
tendencia
PE-SAF
0.0013 0.0071 0.0020 0.0108 0.142361 0.128984
CONCLUSIÓN:
- Lo primero que hacemos es graficar para ver si las variables tienen tendencia y
estacionariedad.
COINTEGRACIÓN
SERIES NO TRANSFORMADAS I(i)
Raíces unitarias (Series no

estacionarias
SERIES TRANSFORMADAS I(0)
Tienen alguna relación?

Si : Cointegración
Ejemplo: Esta es una serie trimestral. Todas las series están desestacionalizadas y nuestro
objetivo es pronosticar esas variables.
Todas las variables tienen una tendencia a aumentar, por lo tanto no son estacionarias (tienen
raíces unitarias)
Utilizamos la prueba PP. Tienen una tendencia por lo que escogemos, tendencia e intercepto.
Null Hypothesis: LM has a unit root
Bandwidth: 4 (Newey-West automatic) using Bartlett kernel
Adj. t-Stat Prob.*
Phillips-Perron test statistic -1.437416 0.8410

5% level -3.476275
10% level -3.165610
Residual variance (no correction) 0.000297

HAC corrected variance (Bartlett kernel) 0.000593
Phillips-Perron Test Equation

Dependent Variable: D(LM)
Date: 08/06/22 Time: 10:57
Sample (adjusted): 1997Q4 2014Q4
LM(-1) -0.030085 0.034002 -0.884790 0.3795

C 0.362267 0.393758 0.920025 0.3609
@TREND("1997Q3") 0.000421 0.000526 0.801040 0.4260

Graficamos
PARA GRAFICAR LA REGRESIÓN
Open as a group view  graph  scatter regresión lineal  OK
Observamos la correlación por la matriz
PARA GRAFICAR LA REGRESIÓN

Open as a group view  covariance analysis  correlation OK
¿Qué es cointegración?
Si tenemos una serie I(1), ESTAN COINTEGRADAS si existe al menos una combinación lineal de
estas variables que sea estacionaria. Entonces decimos
b 1 m+b2 p +b3 y son estacionarios o I (0)

Si no conocemos la cointegración, estimamos el VAR (Vectores autoregresivos). Estos se
utilizan para ver como se relacionan dos variables en el tiempo, y evaluamos los impactos que
puedan tener.
¿Por qué es importante?
La primera es que, Si cometemos un error en el parámetro, podremos tener una diferencia

muy grande en términos impulso-respuesta.
Evaluación de impactos.
YM
Análisis en a)
Análisis en b)
t
T2 T4
La segunda es que, básicamente, la prueba de causalidad de Granger NO SIGUE la estadística

de F estándar.
Regresionamos para ver una evaluación de causa y efecto. Por ejemplo Y =f(M, X, P). Si
queremos ver la causalidad con la X, entonces las demás variables en la e tenemos las demás
variables.
PRIMER PASO:
Hacemos la prueba de raíces unitarias de DF para lp, lm, lrgdp con un máximo de rezago 15.
Con un intercepto.
Null Hypothesis: LP has a unit root

Exogenous: Constant
t-Statistic Prob.*
Augmented Dickey-Fuller test statistic 0.578143 0.9881

5% level -2.904848
10% level -2.589907

Null Hypothesis: LM has a unit root
Exogenous: Constant
t-Statistic Prob.*

5% level -2.904848
10% level -2.589907
Null Hypothesis: LRGDP has a unit root

Exogenous: Constant
t-Statistic Prob.*

5% level -2.904198
10% level -2.589562
- En todos los casos, no se rechaza H0: Tiene raíces unitarias. Estamos diciendo que estas
variables tienen diferentes comportamientos
SEGUNDO PASO: Generamos una línea arbitraria que considere los logaritmos con valores por
que queremos una combinación lineal arbitraria de estas variables:
PARA GENERAR LA LINEA ARBITRARIA
EN COMANDOS  genr arbitraria_linc=0.3*log(m)-0.5*log(p)+0.1*log(rgdp)
Null Hypothesis: ARBITRARIA_LINC has a unit root

Exogenous: Constant
t-Statistic Prob.*

5% level -2.904848
10% level -2.589907

TERCER PASO: Mecanismo de Correción del errores.
E(e t ¿ = 0, si me eh equivocado no afecta mucho a mi modelo
Ahora veamos la relación entre “m” y “p”. La relación es directa. Sin embargo, hay un punto
que genera una brecha. Cada vez que nos desviamos tenemos una brecha, desviación.
brecha
a
Vamos a crear un archivo

Wfcreate a 001 2001
series x=0
series y=0
series x1=0
series y1=0
Smpl @first+1 @last
rndseed 1234
series u=nrnd
rndseed 123
series w=nrnd
series x=x(-1)+u
series y=y(-1)+w
series dist=y-x
Generamos un modelo:
model ECM_modelo
En comandos  ECM_ejemplo.append x1=u+x1(-1)+c(1)*(y1(-1)-x1(-1))

ECM ejemplo.append y1=w+y1(-1)+c(2)*(y1(-1)-x1(-1))
Los coeficientes lo definimos como
C(1)=0.05
C(2)= -0.05

CLASES

Cargado por

Información del documento

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

CLASES

Cargado por

Copyright:

Formatos disponibles

CLASE 2

PASOS PARA EL Gráfico de estacionalidad

Entonces. ¿Cómo lo desestacionalizamos?

Utilizaremos un método de suavizamiento (Va a capturar los elementos fundamentales del

PASOS PARA SUAVIZAMIENTO EXPONENCIAL

Date: 07/24/22 Time: 16:07

Parameters: Alpha 0.9990

End of Period Levels: Mean 234.9380

RMSE (Raíz cuadrada del error)

Modelo empleado Serie pronosticada Criterio Valor

Suavizamiento exponencial simple

La proyección es un solo valor por lo que la línea es horizontal

Suavizamiento exponencial doble

Parameters: Alpha 0.6780

End of Period Levels: Mean 229.3816

Suavizamiento exponencial Holt Winter Additive

Date: 07/24/22 Time: 16:23

Parameters: Alpha 0.0000

End of Period Levels: Mean 205.5122

Entonces, ¿Qué modelo utilizaremos?

Suavizamiento Exponencial Holt Winter multiplicativo

Parameters: Alpha 0.0000

End of Period Levels: Mean 205.5122

PASOS PARA DESESTACIONALIZAR

Ventas X12 (mode = m- sabe = d10d11 d12 d13

Variable Coefficient Std. Error t-Statistic Prob.

C 187.8438 15.62361 12.02308 0.0000

R-squared 0.000007 Mean dependent var 187.6389

Estamos regresionando con respecto a sus tendencia.

C 192.4382 22.96930 8.378063 0.0000

R-squared 0.002313 Mean dependent var 187.6389

Dependent Variable: VENTAS

Variable Coefficient Std. Error t-Statistic Prob.

C 224.4882 28.25420 7.945306 0.0000

R-squared 0.097065 Mean dependent var 187.6389

EJERCICIO CON DATOS DEL BANCO

Si observamos la gráfica del tipo de cambio …

CLASE DOS DE ECONOMETRÍA

Especificación de un modelo econométrico.

IP: INVERSIÓN PRIVADA: Formación bruta de capital

r: tasa de interés real

fk: flujo de capital

Ck: Costo de capital

(Determinantes de la inversión privada en Venezuela: un análisis econométrico para el

(Inversión privada en Brasil, CEPAL)

Puede no haber estacionariedad

 Los correlogramas se muestran como AR1 o no hay conexión entre el presente y el

El pasado afecta al presente: Y (y-7)

No existe AR. El pasado no impacta en el presente.

La especificación de las relaciones que lo constituyen. Por ejemplo, la inversión y la tasa de

 Primero evaluamos el p-value

Variable description Lecture 3 Royal

View Descriptive Statistics  Histograms and Stats.

 Comparación de los rendimientos promedios

Puedo hacer diferentes tipos de análisis en un mismo

PARA GRAFICAR DOS VARIABLES

Las dos variables se compartan de manera diferente. El índice crece exponencialmente y el

PARA TRANSFORMAR A LOGARITMO

PARA TRANSFORMAR A DIFERENCIALES

REGRESIONAMOS LINDEX CON EL BOOKMARKET

Dependent Variable: DLINDEX

Variable Coefficient Std. Error t-Statistic Prob.

C 0.176952 0.049939 3.543358 0.0006

R-squared 0.079942 Mean dependent var 0.054079

EN COMANDOS  ls logeqprem c bookmarket bookmarketdumag bookmarketdumcp