Vera Loor Neiva Lissette

8vo “A” Econometría

Fecha: 14 de junio de 2022

Modelo Arima
El modelo Arima son series de tiempo que se debe tener en cuenta una serie de
conceptos básicos como un proceso estadístico, las etapas en la elaboración de un
modelo arima son: Identificación, estimación, validación y predicción.

Aplicamos el comando tsset t en el que nos muestra la variable trimestre con 124
observaciones con una unidad para calcular.

Tsline wpi

Con el comando tsline wpi la lectura

grafica es que en base a las observaciones que fluctúan en el tiempo y de acuerdo con el
promedio determinamos que el modelo tiene una tendencia y es estacionaria y no se
estimar.
 Vera Loor Neiva Lissette
8vo “A” Econometría

Corrgram wpi.

En el correlograma encontramos que la tendencia es lenta y continua asi como en la

estimación pasada lo que determina es que la apreciación sigue siendo no estacionaria.
Es indispensable conocer que al existir una tendencia creciente o decreciente no se
determina si es estacionaria la serie.

Ac wpi

En este tercer grafico también observamos la misma tendencia decreciente del modelo y
que, así como en los casos pasado el modelo no aplica para ser arima ya que no es
estacionaria.
 Vera Loor Neiva Lissette
8vo “A” Econometría

En busca de una solución se debe modificar la variable que estamos estimando a una
variable logarítmica, el comando generate ln_wpi=ln(wpi) para conocer si el problema
de la no estacionalidad persiste.

Aplicamos los mismo conmando, pero esta vez se debe añadir ln para verificar el
modelo, y como podemos ver en la imagen hace una comparación entre los dos
comandos donde en este momento la media será 3.93 y nos sigue apareciendo el mismo
problema que sigue siendo no estacionaria.

Tsline ln_wpi

Así mismo se lee que aún se encuentra el problema de no estacionalidad ya que aún se
ve ciertos movimientos en el gráfico. Es decir, que existe una irregularidad en los
promedios de las observaciones están en función al tiempo, a consecuencia de esto no es
posible estimar el modelo.
 Vera Loor Neiva Lissette
8vo “A” Econometría

 Así mismo con corrgram podemos ver que sigue apareciendo el problema,
debemos saber que el modelo arima es importante que las observaciones sean
estacionarias para que se aplique de manera correcta.

Este grafico muestra la tendencia de la serie se comprueba que la serie no es

estacionaria debido a que los datos muestran una tendencia continua de las distintas
medias de las observaciones.
 Vera Loor Neiva Lissette
8vo “A” Econometría

Esta prueba se aplica para evaluar la estacionalidad de la serie como resultado se obtuvo
que el valor estadístico es positivo mientras que el valor critica es negativa lo cual
demuestra que la serie no es estacionaria debido a que el valor estadístico está en el área
de no rechazo o fuera del área critica.

Para
corroborar
la
estimación
se escogen
12 rezagos
bajo el
criterio de
Schwert
(SC), de los resultados se obtuvo para el criterio Schwert un rezago, este dice que el
estadístico es -1.205 y los valores críticos son los siguientes -3.551; -2.999; -2.708.

Para el análisis del Akaike (MAIC) se determinó un rezago, es decir, el mismo rezago
para el análisis de (SC), finalmente ninguno de los dos sirve para resolver el problema,
debido a que estos valores se encuentran en la zona de no rechazo.
 Vera Loor Neiva Lissette
8vo “A” Econometría

Segunda Parte

Fecha: 20 de junio de 2022

SOLUCIÓN DE LA SERIE ESTACIONARIA MEDIANTE EL METODO
DE:

PROMEDIO MOVILES

 Se importó la base de datos con las variables (wpi) y (trim) al programa Stata y
luego se define la variable tiempo.

 Posterior a definir la variable tiempo (trim) se genera la 2 diferencia de la

variable endógena con el fin de solucionar el tema de estacionalidad, con este
proceso se obtiene la serie estacionaria, que permite la correcta estimación del
modelo econométrico.
 Una vez lograda la serie estacionaria, es necesario aplicar la regresión ARIMA.
Asimismo, se sigue los siguientes pasos para culminar con el modelo:
 Identificación y especificación del modelo
 Estimar el modelo
 Validar el modelo
 Predicción del modelo
 Análisis de los resultados.

 Se presenta los datos estadísticos de la variable generada (d.wpi)

 Aplicamos ac dwpi con la primera diferencia

Todos los puntos dentro de la banda gris es nuestra banda de confianza, entonces las que
están fuera de este son las medias móviles que necesitamos para estimar el modelo, en
la imagen vemos que solo necesitamos una media móvil para el modelo, en el momento
que hacemos la auto correlación observamos que solo tendríamos un rezagos o retardos.
 Vera Loor Neiva Lissette
8vo “A” Econometría

 Pac dwpi

En la imagen observamos que dentro de nuestra banda de confianza solo se encuentran

dos fuera de la banda y que al hacer la auto correlación parcial se observa que nuestro
proceso de auto regresivos tendría hasta 2 rezagos o retardos

1. Estimación del modelo

En la especificación

 AR = es el número de auto corregresiva = 1(p)

 I = Orden de integración = 1 (i)
 MA = número de medias móviles = 2 (q)
 Vera Loor Neiva Lissette
8vo “A” Econometría

 Explicación
Estimamos el modelo con arima donde le indicamos a stata que (p, i, q) será nuestra
especificación, donde con 13 interacciones del coeficiente es 3.344975

2. Estimación
 Vera Loor Neiva Lissette
8vo “A” Econometría

Existe otra forma de estimar el modelo arima donde tomamos la variable que generamos
que es dwpi en este caso toma las misma 1 interacciones y el coeficiente se mantiene es
decir ambas formas no varía el mismo, con un valor de 3.344975.
 Vera Loor Neiva Lissette
8vo “A” Econometría

Tercera Parte
Fecha: 21 de junio de 2022

Para la validación del modelo debemos estimar al menos 4 modelos

Criterio

 p-valor > 0.05 rechaza Ho

 p-valor <0.05 rechaza H0 y acepta H1

Ruido Blanco

Es una señal no correlativa, es decir, en el eje del tiempo la señal toma valores sin
ninguna relación unos con otros. Cuando se dice que tiene una potencia espectral de
potencia plana, con un ancho de banda teóricamente infinito, es que en un gráfica
espectral de frecuencia tras haber realizado una descomposición espectral de Fourier, en
el dominio de la frecuencia veríamos todas las componentes con la misma amplitud,
haciendo el efecto de una linea continua paralela al eje horizontal.

 Media del error sea igual a cero

 Varianza es constante
 Primer modelo: Arima wpi, arima (2,1,4)
 Vera Loor Neiva Lissette
8vo “A” Econometría

Con wntestq estimamos el primer modelo donde se debe crear la variable del error, con
predict y es aquí donde podemos encontrar el ruido blanco con la variable del error que
es el test de portmanteau.

El test nos indica que el primer modelo el p valor es de 0.92 es decir que como es
superior al 0.05 podríamos aceptar la H0 y rechazar H1 a lo que decimos que existe
ruido blanco.

Test de periocidad

Se aplica comando de test de periocidad con el comando wnrtest y según la imagen

muestra que las observaciones están dentro del área de confianza y la distribución en la
variable error.
 Vera Loor Neiva Lissette
8vo “A” Econometría

Prueba de Arkaike´s y Shuark

 Segundo modelo: Arima wpi, arima (2,1,3)

Vera Loor Neiva Lissette
8vo “A” Econometría
 Vera Loor Neiva Lissette
8vo “A” Econometría

 Tercer modelo: Arima wpi, arima (2,1,2)

Vera Loor Neiva Lissette
8vo “A” Econometría
 Vera Loor Neiva Lissette
8vo “A” Econometría

 Cuarto modelo: Arima wpi, arima (2,1,1)

Vera Loor Neiva Lissette
8vo “A” Econometría
 Vera Loor Neiva Lissette
8vo “A” Econometría

Estat ic
 Vera Loor Neiva Lissette
8vo “A” Econometría

Prueba de arkaike y shuark

Modelo 1

Modelo 2

Modelo 3

Modelo 4