Documentos de Académico
Documentos de Profesional
Documentos de Cultura
de
Econometría
II
Contenido
EJERCICIO 1....................................................................................................................................... 46
EJERCICIO 2 ...................................................................................................................................... 47
EJERCICIO 4. ..................................................................................................................................... 49
EJERCICIO 5 ...................................................................................................................................... 50
EJERCICIO 6 ...................................................................................................................................... 50
EJERCICIO 7 ...................................................................................................................................... 51
EJERCICIO 8 ...................................................................................................................................... 51
EJERCICIO 9 ...................................................................................................................................... 52
EJERCICIO 10 ..................................................................................................................................... 52
Ejercicio 11 ..................................................................................................................................... 53
Ejercicio 12 .................................................................................................................................... 53
Ejercicio 13 ..................................................................................................................................... 54
Ejercicio 14 ..................................................................................................................................... 54
Ejercicio 15 ..................................................................................................................................... 55
Ejercicio 16 ..................................................................................................................................... 55
EJERCICIO 17 ..................................................................................................................................... 57
EJERCICIO 18 ..................................................................................................................................... 58
EJERCICIO 20 .................................................................................................................................... 61
EJERCICIO 21. .................................................................................................................................... 62
EJERCICIO 22.2 .................................................................................................................................. 62
EJERCICIO 24 .................................................................................................................................... 63
EJERCICIO 25 ..................................................................................................................................... 65
EJERCICIO 26. .................................................................................................................................... 65
EJERCICIO 34. .................................................................................................................................... 67
EJERCICIO 37 ..................................................................................................................................... 68
EJERCICIO 38..................................................................................................................................... 69
EJERCICIO 39 ..................................................................................................................................... 70
EJERCICIO 40. ................................................................................................................................... 70
EJERCICIO 41. .................................................................................................................................... 70
EJERCICIO 43..................................................................................................................................... 71
EJERCICIO 44 .................................................................................................................................... 71
EJERCICIO 45..................................................................................................................................... 72
EJERCICIO 46. ................................................................................................................................... 72
EJERCICIO 52. .................................................................................................................................... 73
EJERCICIO 49 .................................................................................................................................... 73
EJERCICIO 54 .................................................................................................................................... 74
EJERCICIO 55 ..................................................................................................................................... 75
EJERCICIO 56..................................................................................................................................... 75
EJERCICIO 57 ..................................................................................................................................... 75
EJERCICIO 58 .................................................................................................................................... 76
https://arxiv.org/pdf/1705.01795.pdf
Conceptos básicos
Serie de tiempo
Secuencia de datos ordenados en función al tiempo, en otras palabras, en este tipo
de modelos se extrae informaciones del pasado de las series para predecir
su comportamiento futuro.
El objetivo último, como cualquier método econométrico es la “predicción”.
El origen del enfoque, se basa en la metodología de Box-Jenkins.
En otras palabras, la tarea para los que hacen econometría con datos de serie de
tiempo, es desarrollar modelos razonablemente simples, capaz de
pronosticar e interpretar los datos económicos.
La metodología ha sido desarrollada básicamente para descomponer las series en
sus componentes de tendencias, estacionalidad, componentes cíclicos e
irregular.
En su estudio pueden presentarse dos tipos de datos, las que son impredecibles
(naturaleza estocástica) y los que tienen comportamiento determinístico.
Series estocásticas o aleatorias: Son aquellas series o valores aleatorios
ordenadas a través del tiempo, por lo tanto, nunca se puede predecir con total
certeza y amerita en los modelamientos incluir un término de error. En algunos
libros se le denomina proceso generador de datos (pdg). En la práctica, las
distintas observaciones en el tiempo no son necesariamente independientes una de
otra.
Variables determinísticas: Es cuando todas las repeticiones son
iguales, si esto es así estas series pueden predecirse fácilmente sin error .
En la práctica el grado de determinismo puede depender de la disponibilidad de los
datos
Terminología Frecuente
Tendencia: En una serie, describe normalmente su comportamiento
de largo plazo. Es un movimiento de baja frecuencia, que evoluciona
lentamente hacia una dirección en particular. Puede haber casos en que las
series cambien de rumbo, pero lo que no puede suceder que estos rumbos
cambien con frecuencia.
movimientos similares que se presentan para
Estacionalidad: Son
los mismos periodos de cada año. Ejemplos, ventas de helados, consumo
de ciertas bebidas, evolución de los agregados monetarios, indicadores de actividad
económica, etc.
si sus propiedades
Estacionario: Un proceso estocástico es estacionario,
estadísticas o probabilísticas no cambian en el tiempo .
Ruido Blanco: Normalmente esta representada por la serie con la mayor
aleatoriedad posible, es un proceso estocástico independiente y
normalmente distribuido. Se designa normalmente con 𝑌𝑡 ~𝑅𝐵(0; 𝜎 2 )
Las series que son ruido blanco, no son pronosticable a partir de sus propios
pasados, porque por definición, cada 𝑌𝑡 es independientes de los demás, por tanto
es únicamente pronosticable incondicionalmente, lo cual de poco sirve porque la
predicción incondicional es la media. Afortunadamente, la mayoría de las series no
son ruido blanco y pueden ser por tanto al menos en algún grado, predichas a partir
de su pasado.
En términos estadísticos se puede escribir:
𝐸 (𝑌𝑡 ) = 0 ∀𝑡
𝑉𝐴𝑅 𝑌𝑡 = 𝐸 𝑌𝑡2 ) = 𝜎 2 < ∀, ∞𝑡 ⇒ Homocedasticidad en regresión simple
( ) (
𝐶𝑂𝑉(𝑌𝑡 − 𝑌𝑡−𝑗 ) = 0 ∀𝑡 ≠ 𝑗 ⇒ no correlación serial
Es por construcción estacionario, ejemplo, el término de error de un modelo
de regresión clásica.
Random Walk - caminata aleatoria: Se dice que una serie tiene comportamiento
de random walk (trayectoria al azar), cuando no tiene una varianza
acotada.
Principio de parsimonia: conviene mantener el modelo de regresión
lo más sencillo posible. Si se explica “sustancialmente” el comportamiento
de Y con dos o tres variables explicativas, y si la teoría no es bastante fuerte para
indicar otras variables que pueden incluirse, ¿para qué introducir más variables? Que
𝜇𝑖 represente todas las demás variables. Por supuesto, no se deben excluir variables
pertinentes e importantes sólo para que el modelo de regresión no se complique.
Cusum Q: a diferencia del test de Cusum, bajo la hipótesis nula de estabilidad de los
𝒕−𝒌−𝟏
parámetros tiene una media igual a 𝑬(𝑺𝒕) = 𝑻−𝒌−𝟏, por ende, creciente a medida
que aumenta el número de observaciones del modelo, si su valor sale de la banda
de confianza entonces también hay indicio de inestabilidad estructural
Citen y comenten los test de heterocedasticidad y en qué consisten
cada uno de ellos.
Test de White
El más general, ya no necesita saber la especificación formal de la hipótesis
alternativa, donde 𝐻0 : 𝜎𝑖2 = 𝜎𝑖2 .
Se basa errores mínimos cuadráticos que son los indicativos de las varianzas de las
perturbaciones, frente a un término independiente, los regresores, sus cuadrados y sus
productos cruzados dos a dos.
Goldfeld y Quandt
Restringe la hipótesis alternativa, es decir, la estructura de la heteroscedasticidad a una
relación monótona, creciente o decreciente, entre la varianza de las perturbaciones y el
valor de uno o de los regresores o de los valores estimados de la variable endógena. Divide
los datos en dos subgrupos, de modo que los grupos queden divididos en un tamaño
𝑁−𝑝
.
2
Verifica que la varianza de 𝜇 no es función monótona creciente o decreciente de las 𝒙 en
cuyo caso no habría heteroscedasticidad.
Breusch – Pagan
Esta prueba no requiere ordenar la información, se calculan los residuales por
mínimos cuadrados. Analiza si la varianza estimada de los residuos de una
regresión depende de los valores de las variables independientes .
Caminata aleatoria (random walk): Se dice que una serie tiene comportamiento de
random walk (trayectoria al azar), cuando no tiene una varianza acotada.
Entonces, la varianza dependerá del tiempo y de hecho tiende al infinito con “t”, por lo
tanto, la serie no puede ser estacionaria. Al diferenciarlos, resulta en una serie estacionaria,
pues: Δ𝑌=𝑌𝑡−𝑌𝑡−1=𝑒𝑡
Modelos univariados
Una primera posibilidad de representar los datos en series de tiempo es
considerando que la serie 𝑋𝑡 = 𝜀𝑡 𝜀𝑡 ~𝑛. 𝑖. 𝑑(0; 𝜎 2 )
Es decir, la serie tiene una distribución normal y es independiente unas de otra. Si
la serie cumple con esta propiedad se le conoce en la literatura como un proceso de
ruido blanco (white - noise). Sin embargo la mayoría de las series en macroeconomía
no sigue este proceso
Las propiedades de una serie de ruido blanco son las siguientes.
𝐸 (𝑌𝑡 ) = 0 ∀𝑡
𝑉𝐴𝑅(𝑌𝑡 ) = 𝐸 (𝑌𝑡2 ) = 𝜎 2 < ∀, ∞𝑡 ⇒ Homocedasticidad en regresion simple
𝐶𝑂𝑉(𝑌𝑡 − 𝑌𝑡−𝑗 ) = 0 ∀𝑡 ≠ 𝑗
Una serie que presenta estas propiedades estadísticas por construcción es
estacionaria.
TIPOS DE MODELOS UNIVARIADOS
𝐴𝑅(1): 𝑋𝑡 = 𝜌𝑋𝑡−1 + 𝜀𝑡
𝑀𝐴(1): 𝑋𝑡 = 𝜀𝑡 + 𝑂𝜀𝑡−1
𝐴𝑅(𝑝): 𝑋𝑡 = 𝜌1 𝑋𝑡−1 + 𝜌2 𝑋𝑡−2 +. . . +𝜌𝑝 𝑋𝑡−𝑝 + 𝜀𝑡
Si tenemos:
𝑋𝑡 = c + ∅𝑋𝑡−1 + 𝜀𝑡 𝜀𝑡 ~(0; 𝜎 2 )
AR(1) estacionario si |∅| < 𝟏 si consideramos el polinomio de la serie, si la raíz
1
es 𝑟 = ∅ , por lo tanto será estacionario, solo si |𝑟| < 1
Serie AR(1)
Serie ARMA
Serie MA
Ahora podemos demostrar las propiedades de una serie estacionaria. Para ello,
tomamos la esperanza para calcular la media de la serie, para cada periodo del
tiempo.
𝑡−1
Regresion Espurea
La presencia de tendencia en la serie puede conducir a regresion
espuria, es decir las inferencias a partir de los estadisticos test t y el test
F no son validas.
Afortunadamente Engle and Granger propone una metodologia para sospechar la
presencia de regresion espuria y ella consiste en comparar el test de DW con el 𝑅2 ,
especificamente a traves de un proceso de simulacion Montecarlo, ellos pudieron
constatar con una alta probabilidad que en presencia de regresion espuria se observa
que el 𝐷𝑊 < 𝑅2 , por tanto la presencia de este resultado deberia inducirnos a
realizar pruebas pertinentes (test de cointegracion) para desmentir la presencia de
regresion espuria en la estimacion.
¿Cómo saber cuándo una regresión es espuria?
La bondad de ajuste (𝑅2 ) alto >0,95
Significancia individual y global significativas
Autocorrelacion positiva
𝑅2 > 𝐷𝑊
Cointegración:
Si una serie necesita ser diferenciada d veces para que sea estacionaria,
indica que contiene d raíces unitaria y se le denota como integrada de
orden d, I(d).
Consideremos dos series 𝑦𝑡 y 𝑥𝑡 , si ambos son I(d), entonces una combinacion lineal
(el disturbio de la regresion de 𝑦 en 𝑥; (𝑢𝑡 = 𝑦𝑡 − 𝛽𝑥𝑡 )podria generar un vector que
tenga un orden de integracion de I(d-b), en donde b>0. En este caso Engle and
Granger (1987), define 𝑦𝑡 y 𝑥𝑡 como cointegrada de orden (d,b). En otras palabras
si 𝑦𝑡 y 𝑥𝑡 son ambos I(1) y ut ∼ I(0), entonces las dos series estan cointegrada de
orden CI (1,0).
La presencia de cointegracion entre dos series o mas, implica la
existencia de una relacion de largo plazo entre ellas. Es decir las variables
convergen en el tiempo a su media y “ut” puede ser interpretada como el error o el
desequilibrio de la serie con respecto a su tendencia de largo plazo.
La relacion de cointegracion necesita que las series que participen en
ella estén integradas en el mismo orden. Si una combinacion lineal entre dos
series yt, xt se forma, y cada una de ellas estan integradas en distintos orden de
integracion, entonces la nueva serie que resulta de esa combinacion lineal sera
integrada en un orden mayor. En otras palabra si yt ∼I(1) y xt ∼I(0), estas dos
series no pueden generar una relacion de cointegracion que sea I(0), ya que la serie
I(0) tiene una media constante y la serie con I(1) tiene una tendencia con
desplazamiento a traves del tiempo y consecuentemente el termino de error ut=
(yt-xt) ∼I(1)
Sin embargo es posible tener relaciones de cointegracion entre series con distintos
orden de integracion, cuando existen tres o mas series en el modelo. Supongamos
que tenemos tres series yt ∼I(1), xt∼I(2), y zt ∼I(2), en este caso se puede
encontrar una relacion de cointegracion entre xt y zt, tal que vt=xt - zt ∼I(1),
entonces vt potencialmente puede cointegrarse con yt para obtener wt=vt - yt ∼I(0).
Sin embargo es importante considerar que si existe n variables en el modelo como
maximo puede haber n-1 vectores de cointegracion, por eso que cuando existen
solamente dos variables puede haber solo un vector de cointegracion.
ORDEN DE integración con cointegración
A(1) B(1) (aquí hay cointegracion) A(1) B(2) (aquí no hay cointegracion) A(1) B(2) C(2) (aquí hay cointegracion)
M(0) S(1)
D(0)
Donde 𝜇𝑡 ~ 𝑅𝐵(0; 𝜎 2 )
Como en el largo plazo, 𝑦𝑡 = 𝑦𝑡−1 ; 𝑥𝑡 = 𝑥𝑡−1 nosotros podemos derivar los
coeficientes de largo plazo a partir de esta ultima ecuación.
𝑦𝑡 = 𝛼0 + ∅0 𝑥𝑡 + ∅1 𝑥𝑡 + 𝛼1 𝑦𝑡 + 𝜇𝑡
𝑦𝑡 − 𝛼1 𝑦𝑡 = 𝛼0 + ∅0 𝑥𝑡 + ∅1 𝑥𝑡 + 𝜇𝑡
𝑦𝑡 (1 − 𝛼1 ) = 𝛼0 + 𝑥𝑡 (∅0 + ∅1 ) + 𝜇𝑡
𝛼0 (∅0 + ∅1 ) 𝜇𝑡
𝑦𝑡 = + 𝑥𝑡 +
(1 − 𝛼1 ) (1 − 𝛼1 ) (1 − 𝛼1 )
𝑦𝑡 = 𝛽0 + 𝛽1 𝑥𝑡 + 𝜓𝑡
Esta ultima especificacion del modelo tiene varias ventajas, primero porque asume
que x e y estan cointegradas, ya que el MCE incorpora tanto los efectos de
corto plazo y de largo plazo.
Esto puede observarse al incluir el equilibrio de largo plazo dentro del modelo.
Entonces si en algun momento el equilibrio de largo plazo se mantiene, entonces el
termino entre corchetes es cero, pero en algunos periodos la ecuacion dentro del
corchete no es nula y por ende, mide la distancia que el sistema se encuentra fuera
de su sendero de equilibrio en el tiempo. Entonces la estimacion de
(𝟏 − 𝜶𝟏 ) proporciona informacion sobre la velocidad de ajuste de los desvios
hacia el equilibrio.
Una segunda caracteristicas del MCE es que todos los terminos en el modelo
son estacionarios, por lo tanto las tecnicas tradicionales de la regresion estandar
son validas es decir los test usuales producen resultados consistentes.
Modelo vAR
El metodo se llama Vectores Autorregresivos
(VAR). Los modelos VAR, no son otra cosa que una extension de un modelo
univariado, en donde cada ecuacion no es mas que una regresion de OLS, de
una
variable con respecto a sus propios rezagos y con respecto a las otras
variables que estan
en el sistema del VAR. Mediante esta herramienta se permite capturar las
relaciones
dinamicas que existen entres las series.
Los modelos VARs, pueden ser agrupadas de tres formas: VARs en la forma
reducida,
VAR en la forma recursiva y VARs estructural.
Desarrollo formal
Cuando no se tiene la certeza de cuales de las variables que participan
en el sistema son
exogenos, puede considerarse el uso de un modelo de vectores
autorregresivos VAR. En
el caso de dos variables, nosotros podemos decir que el sendero de yt,
puede ser
afectado por realizaciones presente y pasada de la secuencia zt, al mismo
tiempo la
secuencia zt, puede ser afectado por realizaciones presentes y pasadas de
yt .
b 0 ,
yt tiene
un efecto indirecto y contemporaneo en zt, asimismo si
12
b 0 ,
zt tiene
un efecto
indirecto y contemporaneo en yt.
Sin embargo, las dos primeras ecuaciones, no representan la forma
reducida del modelo,
dado que yt, tiene un efecto contemporaneo sobre zt y zt tiene un efecto
contemporaneo
sobre yt
1. No obstante es posible transformar el sistema de ecuaciones en su
forma mas
usual2. Por lo tanto aplicaremos un poco de algebra matricial para poder
hacer la
transformacion.
1 𝑏12 𝑦𝑡 𝑏 𝛽 𝛽12 𝑦t−1 𝜀2t
( ) ( 𝑧 ) = ( 10 ) + ( 11 ) ( 𝑧 ) + (𝜀 )
𝑏21 1 𝑡 𝑏20 𝛽21 𝛽22 t−1 2t
𝛽𝑥𝑡 = 𝛤0 + 𝛤1 𝑥𝑡−1 + 𝜇𝑡
Donde:
1 𝑏12 𝑦𝑡 𝑏 𝛾11 𝛾12 𝑦t−1 𝜀yt
𝛽=( ) ; 𝑥𝑡 = ( 𝑧 ) ; 𝛤0 = ( 10 ) ; 𝛤1 = (𝛾 𝛾22 ) ; 𝑥𝑡−1 = ( 𝑧t−1 ) ; 𝜇𝑡 = (𝜀zt )
𝑏21 1 𝑡 𝑏20 21
, la condicion de
estacionariedad implica que |
1 a
| <1, existe una analogia directa entre esta condicion de
estabilidad y la matriz A1 del Vector autorregresivo de primer orden. Para
demostrarlo
consideremos el siguiente modelo VAR(1,1).
Estacionariedad:
Para profundizar un poco mas el analisis. Supongamos un modelo VAR
sencillo, con
dos variables xt e yt
• Xt = 11Xt-1+ 12Zt-1+e1t ;
• Zt= 21Xt-1+ 22Zt-1+ e2t
Las series son estacionarias, si y solo si todos los valores de los en
valor absoluto son
menores a uno. Los terminos de errores (vector de innovaciones) pueden
ser
contemporaneamente correlacionadas pero no autocorrelacionadas con sus
valores
rezagados y tampoco correlacionados con todas las variables del lado
derecho de la
ecuacion.
En los modelos VAR se sigue cumpliendo las propiedades de Gauss-Markov,
por lo
mencionados anteriormente.
En general, cuando las variables que participan en el VAR son
estacionarias en
niveles, podemos estimar un VAR en niveles, cuando algunas variables
están
integradas en distintos orden o no se puede encontrar una combinación
lineal
estacionaria entre ellas, tenemos que especificar un VAR en diferencias.
Si 10 a , el proceso
1 t y tiene una raíz unitaria. Si
10 a , nosotros
1
𝜋𝑖 = − [𝐼 − ∑ 𝐴𝑖 ]
π = − [𝐼 − ∑ 𝐴𝑗 ]
Un VAR
es un modelo de ecuaciones simultáneas formado por un sistema de ecuaciones
de forma reducida sin restringir. Que sean ecuaciones de forma reducida quiere
decir que los valores contemporáneos de las variables del modelo no aparecen
como variables explicativas en ninguna de las ecuaciones.
Por el contrario,
el conjunto de variables explicativas de cada ecuación está constituido por un
bloque de retardos de cada una de las variables del modelo. Que sean ecuaciones
no restringidas signi.ca que aparece en cada una de ellas el mismo grupo de
variables explicativas.
Un modelo estructural
donde 𝒚𝐭 ; 𝒛𝐭 son variables estacionarias, y 𝜺𝟏𝐭 ; 𝜺𝟐𝐭 son innovaciones, procesos ruido blanco con
esperanza cero y varianzas 𝜎𝜺2𝟏 ; 𝜎𝜺2𝟐
Este es un modelo de ecuaciones simultáneas con la única peculiaridad de que sus dos variables
son endógenas.
Un shock inesperado en 𝒛𝒕 t; en la forma de un valor no nulo de la innovación estructural 𝜺𝟐𝐭 afecta
directamente a 𝒛𝒕 ; pero también in.uye sobre 𝒚𝒕 a través de la presencia de 𝒛𝐭 como variable
explicativa en la primera ecuación. Además, este efecto se propaga en el tiempo, debido a la
presencia de los valores retardados como variables explicativas.
Para evitar estas di.cuiltades, tiene interés tratar con una transformación
del modelo, que presentamos a continuación.
De forma resumida, la representación matricial del modelo estructural (nótese
que los coe.cientes de yt no son la matriz identidad) de primer orden puede es-
cribirse,
1 𝑏12 𝑦𝑡 𝑏 𝛽 𝛽12 𝑦t−1 𝜀2t
( ) ( 𝑧 ) = ( 10 ) + ( 11 ) ( 𝑧 ) + (𝜀 )
𝑏21 1 𝑡 𝑏20 𝛽21 𝛽22 t−1 2t
𝛽𝑥𝑡 = 𝛤0 + 𝛤1 𝑥𝑡−1 + 𝜇𝑡
Donde:
1 𝑏12 𝑦𝑡 𝑏 𝛾11 𝛾12 𝑦t−1 𝜀yt
𝛽=( ) ; 𝑥𝑡 = ( 𝑧 ) ; 𝛤0 = ( 10 ) ; 𝛤1 = (𝛾 𝛾 ) ; 𝑥𝑡−1 = ( 𝑧 ) ; 𝜇𝑡 = (𝜀 )
𝑏21 1 𝑡 𝑏20 21 22 t−1 zt
Si 𝑏12 𝑏21 ≠ 0 entonces, 𝛽−1 existe. Premultiplicamos 𝛽 −1
𝛽−1 𝛽𝑥𝑡 = 𝛽−1 𝛤0 + 𝛽−1 𝛤1 𝑥𝑡−1 + 𝛽−1 𝜇𝑡
𝑥𝑡 = 𝐴0 + 𝐴1 𝑥𝑡−1 + 𝑒𝑡
Donde:
𝐴0 = 𝛽−1 𝛤0
𝐴1 = 𝛽−1 𝛤1
𝑒𝑡 = 𝛽−1 𝜇𝑡
El vector puede ser reecrito como
𝑦𝑡 𝑎10 𝑎11 𝑎12 𝑦t−1 𝜀2t
( 𝑧 ) = (𝑎 ) + (𝑎 𝑎 ) ( 𝑧 ) + (𝜀 )
𝑡 20 21 22 t−1 2t
𝑦𝑡 = 𝑎10 + 𝑎11 𝑦t−1 + 𝑎12 𝑧t−1 + 𝜀1t (forma reducida)
𝑧𝑡 = 𝑎20 + 𝑎21 𝑦t−1 + 𝑎22 𝑧t−1 + 𝜀2t
Como puede verse, en un modelo VAR todas las variables son tratadas
simétricamente, siendo explicadas por el pasado de todas ellas. El mod-
elo tiene tantas ecuaciones como variables, y los valores retardados de
todas las ecuaciones aparecen como variables explicativas en todas las
ecuaciones.
Modelo vec
Extensión del modelo VAR
Mejora el modelo de cointegracion clásica
Diferencias:
Var: Las series deben ser estacionarias para estimarse (se pierde información al
tranformar la serie, perdemos los efectos en niveles; solamente se capta los efectos
a corto plazo)
Vec: las series deben ser integradas en el mismo orden (se utilizan las series
originales)
Cointegracion VEC
n series n series
n-1 vectores de (0,n-1)
Prob.
No hay vectores 0,001
Al menos 1 vector 0,872
Al menos 2 vectores 0,999
https://www.youtube.com/watch?v=vjqScJiNtew
https://www.youtube.com/watch?v=K-xWck1YtO0
multicolinealidad (que se caracteriza por altos valores de R2, con t estadisticos muy
pocos significativos – coeficientes estimados imprecisos, aun en los casos en que el
modelo este correctamente especificado).
términos iniciales
series estocásticas:
poseen una Var
mucha aletoriedad (no son predicibles en función a su pasado)
series determinísticas:
siempre tienden a una dirección (por ende son fácilmente predicibles)
estacionalidad:
moviminetos repetitivos que ocurren en una serie en un periodo menor a un año
ejemplo: pan dulce en diciembre
estacionariedad:
cuando mantiene sus propiedades estadísticas en el tiempo
propiedades estadísticas:
media, varianza, covarianza,
𝐴𝑅𝐼𝑀𝐴(𝑝, 𝑑, 𝑞 ): 𝑋𝑡 = 𝛽̂1 𝑋𝑡−1 + 𝛽̂2 𝑋𝑡−2 − 𝛽̂3 𝑋𝑡−3 + 𝜀 + 𝜔𝜀𝑡−1 (lo mismo que ARIMA
pero la serie esta diferenciada)
Box-jenkins metodología
Modelos
Univariables
Cointegracion engle granger
Var (3 casos) y Vec
Datos de panel
Regresión espurea
Estadísticamente corresta pero económicamente no esplausible
Características
𝑅2 alto
Test t, significativo
Test F, significativo
Series con tendencia
criterio simple: 𝑅2 > 𝐷𝑊 (autocorrelacion)
tets de dikey-fuller → es para medir la estacionariedad
𝐻𝑜 = 𝑠𝑒𝑟𝑖𝑒 𝑛𝑜 𝑒𝑠𝑡𝑎𝑐𝑖𝑜𝑛𝑎𝑟𝑖𝑎 (la serie tiene raíz unitaria)
𝐻1 = 𝑠𝑒𝑟𝑖𝑒 𝑒𝑠𝑡𝑎𝑐𝑖𝑜𝑛𝑎𝑟𝑖𝑎 (la serie no tiene raíz unitaria)
Estacionariedad → raíz unitaria
Raíz unitaria: numero de veces que diferencia la serie para que sea estacionaria
AR(1) AR(0)
Cointegración Método de Engle-Granger
𝑦𝑡 (1 − 𝛼1 ) = 𝛼0 + 𝑥𝑡 (∅0 + ∅1 ) + 𝜇𝑡 Resultados:
Regresión Espurea
𝛼0 (∅0 + ∅1 ) 𝜇𝑡 Multicolinealidad casi perfecta
𝑦𝑡 = + 𝑥𝑡 + Endogeneidad
(1 − 𝛼1 ) (1 − 𝛼1 ) (1 − 𝛼1 )
𝑦𝑡 = 𝛼0 + ∅0 𝑥𝑡 + ∅1 𝑥𝑡−1 + 𝛼1 𝑦𝑡−1 + 𝜇𝑡
http://diccionarioempresarial.wolterskluwer.es/Content/Documento.aspx?params=H4sIAAAAAAA
EAMtMSbF1jTAAASMTczNLtbLUouLM_DxbIwMDS0NDQ3OQQGZapUt-
ckhlQaptWmJOcSoAFtLjADUAAAA=WKE
Se emplean para modelizar series temporales en contextos multivariantes donde hay dependencias
dinámicas entre distintas series. Los modelos VAR (modelos autorregresivos vectoriales) se utilizan
cuando las series temporales a modelizar son estacionarias, mientras que los modelos VEC (modelos
de corrección de error vectoriales) se utilizan cuando las series son integradas y es necesario aplicar
el análisis de cointegración para modelizar dichas series.
Esta modelización multivariante, al utilizar más información, puede servir para mejorar la predicción
frente a los modelos univariantes de series temporales, donde cada serie se modeliza por separado.
También se utilizan estos modelos para realizar simulaciones dinámicas de la transmisión de los
efectos de un shock aleatorio sobre las restantes series.
Los modelos VAR se utilizan cuando las series temporales a modelizar son estacionarias, mientras
que los modelos VEC se utilizan cuando las series son integradas de orden 1 y es necesario aplicar el
análisis de cointegración para modelizar dichas series. De hecho los modelos VEC pueden
considerarse una extensión multivariante al análisis de cointegración clásico, cuando hay más de dos
series no estacionarias en el modelo.
Modelos VAR
Los modelos VAR constituyen una extensión directa de los modelos autorregresivos univariantes
cuando tenemos más de una serie temporal y se quiere captar las dependencias dinámicas que puede
haber entre estas series. Por ejemplo, imaginemos que queremos modelizar la dependencia entre las
tasas de crecimiento interanuales del Consumo y del PIB. Lógicamente, ambas series estarán
correlacionadas; pero esta dependencia no solo será contemporánea (en el mismo instante) sino que
también el pasado del PIB puede influir sobre el consumo actual y viceversa (dependencia dinámica).
Una forma de observar estas dependencias en el tiempo es utilizando la función de correlación
cruzada entre ambas variables, la cual nos mide la correlación que tiene el consumo con los retardos
0, 1, 2,... de la variable PIB y viceversa. Si esta función de correlación cruzada solo tuviera un valor
importante en el retardo 0, quiere decir que solo habría correlación contemporánea entre ambas series
y, por lo tanto, un modelo de regresión habitual permitiría captarla. Sin embargo si, como suele
suceder, hay correlaciones importantes también en retardos distintos del 0, entonces hay que recoger
estas correlaciones dinámicas a través de modelos VAR (o de función de transferencia si la causalidad
es en una dirección única, por ejemplo, del pasado del PIB hacia el consumo y no al contrario).
Modelos VEC
El análisis anterior es válido cuando las series incluidas en el modelo son estacionarias (con media y
varianza estables) pero no lo es si, como ocurre en muchas situaciones, las series son integradas o no
estacionarias.
Una alternativa para poder modelizar estas series sería transformarlas previamente en estacionarias,
por ejemplo, trabajando con las series en tasas de crecimiento en lugar de los logaritmos de la serie
original y, una vez transformadas en estacionarias, especificar y estimar un modelo VAR como los
vistos anteriormente. Sin embargo, esta forma de modelización elimina las posibles relaciones de
cointegración (o de largo plazo) que pudieran establecerse entre las series no estacionarias, por lo
cual se pierde información.
Prueba de causalidad de granger
Modelo VAR
Definición: sistema de ecuaciones de MCO entre todas las variables utilizadas y sus rezagos
(propios y de las demás variables)
Tipos de VAR
Reducido:
𝑦𝑡 = 𝛼1 + 𝐴1 𝑦𝑡−1 + 𝐴𝑝 𝑦𝑡−𝑝 + 𝜀𝑡
Recursivo:
𝑦𝑡 = β + β0 𝑦𝑡 + β1 𝑦𝑡−1 + β𝑝 𝑦𝑡−𝑝 + 𝜀𝑡
Estructural:
VAR basado en la teoría generalmente estimado de forma recursiva, su finalidad es medir
la validez de las variables a través de la inferencia
Criterios:
Betas menor a 1
Formamos el sistema
1 𝑏12 𝑦𝑡 𝑏 𝛽 𝛽12 𝑦t−1 𝜀2t
=( ) ( 𝑧 ) = ( 10 ) + ( 11 )( ) + (𝜀 )
𝑏21 1 𝑡 𝑏20 𝛽21 𝛽22 𝑧t−1 2t
𝛽𝑥𝑡 = 𝛤0 + 𝛤1 𝑥𝑡−1 + 𝜇𝑡
Donde:
1 𝑏12 𝑦𝑡 𝑏 𝛾11 𝛾12 𝑦t−1 𝜀yt
𝛽=( ) ; 𝑥𝑡 = ( 𝑧 ) ; 𝛤0 = ( 10 ) ; 𝛤1 = (𝛾 𝛾22 ) ; 𝑥𝑡−1 = ( 𝑧t−1 ) ; 𝜇𝑡 = ( 𝜀zt )
𝑏21 1 𝑡 𝑏20 21
𝜋𝑖 = − [𝐼 − ∑ 𝐴𝑖 ]
π = − [𝐼 − ∑ 𝐴𝑗 ]
𝑦𝑡 = 𝛼0 + 𝛼1 𝑦𝑡−1 + 𝜀𝑡
𝑦1 = 𝛼0 + 𝛼1 𝑦0 + 𝜀1
𝑦2 = 𝛼0 + 𝛼1 𝑦1 + 𝜀2 = 𝛼0 + 𝛼1 (𝛼0 + 𝛼1 𝑦0 + 𝜀1 ) + 𝜀2 = 𝛼0 + 𝛼1 𝛼0 + 𝛼12 𝑦0 + 𝛼1 𝜀1 + 𝜀2
𝑦3 = 𝛼0 + 𝛼1 𝑦2 + 𝜀3 = 𝛼0 + 𝛼1 (𝛼0 + 𝛼1 𝛼0 + 𝛼12 𝑦0 + 𝛼1 𝜀1 + 𝜀2 ) + 𝜀3
= 𝛼0 + 𝛼1 𝛼0 + 𝛼12 𝛼0 + 𝛼13 𝑦0 + 𝛼12 𝜀1 + 𝛼1 𝜀2 + 𝜀3
= 𝛼0 (1 + 𝛼1 + 𝛼12 ) + 𝛼13 𝑦0 + 𝛼12 𝜀1 + 𝛼1 𝜀2 + 𝜀3
Generalizando hasta 𝒕 + 𝑠
𝑡+𝑠−1 𝑡+𝑠−1
𝑡+𝑠−1
𝑦𝑡 = 𝛽0 + 𝛽1 𝑥𝑡 + 𝜓𝑡
Componentes principales
∅𝟎 ∆𝒙𝒕 = coeficiente dinamico corto plazo
−(𝟏 − 𝜶𝟏 ) = velocidad de ajuste
[𝒚𝒕−𝟏 − 𝜷𝟎 − 𝜷𝟏 𝒙𝒕−𝟏 ] = componente de largo plazo
En el corto plazo ∅0 denota la reacción de 𝑦𝑡 ante cambios en 𝑥𝑡
En el corto plazo 𝛽1 denota la reacción de 𝑦𝑡 ante cambios en 𝑥𝑡
(*) 𝛼1 < 1, condición necesaria para que el modelo de corto plazo pueda converger a su
solución de largo plazo
EJERCICIO 4.
EJERCICIO 6
Formamos el sistema
1 𝑏12 𝑦𝑡 𝑏 𝛾11 𝛾12 𝑦t−1 𝜀yt
=( ) ( 𝑧 ) = ( 10 ) + (𝛾 ) ( 𝑧 ) + (𝜀 )
𝑏21 1 𝑡 𝑏20 21 𝛾22 t−1 zt
𝛽𝑥𝑡 = 𝛹0 + 𝛹1 𝑥𝑡−1 + 𝜇𝑡
Donde:
1 𝑏12 𝑦𝑡 𝑏 𝛾11 𝛾12 𝑦t−1 𝜀yt
𝛽=( ) ; 𝑥𝑡 = ( 𝑧 ) ; 𝛹0 = ( 10 ) ; 𝛹1 = (𝛾 𝛾22 ) ; 𝑥𝑡−1 = ( 𝑧t−1 ) ; 𝜇𝑡 = ( 𝜀zt )
𝑏21 1 𝑡 𝑏20 21
Multicolinealidad
Regresión espurea
𝑥𝑡 𝑦𝑡
∅𝟎 = 𝟎, 𝟔
(∅𝟎 + ∅𝟏 ) (𝟎, 𝟑 + 𝟎, 𝟔)
𝜷𝟏 = = = 𝟐, 𝟐𝟐
(𝟏 − 𝜶𝟏 ) (𝟏 − 𝟎, 𝟔)
EJERCICIO 8
EJERCICIO 9
EJERCICIO 10
.
𝒚𝒕 = 𝟐 + 𝟎, 𝟓 𝒙𝒕 + 𝟎, 𝟒 𝒙𝒕−𝟏 + 𝟎, 𝟖 𝒚𝒕−𝟏 + 𝒆𝒊
Ejercicio 11
Ejercicio 12
Ejercicio 13
𝑍𝑡 = 𝐴1 𝑍𝑡−1 +. . . +𝐴𝑘 𝑍𝑡−𝑘 + 𝑒𝑡
𝜋𝑖 = − [𝐼 − ∑ 𝐴𝑖 ]
π = − [𝐼 − ∑ 𝐴𝑗 ]
Ejercicio 14
Ejercicio 15
𝜋
𝜋𝑡 = 1,6 + 0,7𝜋𝑡−1 + 𝜀𝑡
𝜋1 = 1,6 + 0,7𝜋0 + 𝜀1
𝜋2 = 1,6 + 0,7𝜋1 + 𝜀2 = 1,6 + 0,7(1,6 + 0,7𝜋0 + 𝜀1 ) + 𝜀2 = 1,6 + 1,12 + 0,72 𝜋0 + 0,7𝜀1 + 𝜀2
= 2,72 + 0,72 𝜋0 + 0,7𝜀1 + 𝜀2
𝜋3 = 1,6 + 0,7𝜋2 + 𝜀3 = 1,6 + 0,7(2,72 + 0,72 𝜋0 + 0,7𝜀1 + 𝜀2 ) + 𝜀3
= 1,6 + 1,904 + 0,73 𝜋0 + 0,72 𝜀1 + 0,7𝜀2 + 𝜀3
= 3,504 + 0,73 𝜋0 + 0,72 𝜀1 + 0,7𝜀2 + 𝜀3
𝑡−1 𝑡−1
𝛼0 = 1,6 ; 𝛼1 = 0,7
𝑡−1 𝑡−1
𝑖=𝑜 𝑖=𝑜
𝛼0 1,6
𝜋𝑡→∞ = = = 5,33
1 − 𝛼1 1 − 0,7
Ejercicio 16
𝑦𝑡 = 𝛼0 + ∅0 𝑥𝑡 + ∅1 𝑥𝑡−1 + 𝛼1 𝑦𝑡−1 + 𝜇𝑡
𝑦𝑡 = 𝛼0 + ∅0 𝑥𝑡 + ∅1 𝑥𝑡−1 + 𝛼1 𝑦𝑡−1 + 𝜇𝑡 [regresión ADL]
𝜇𝑡 ~𝑅𝐵(0; 𝜎 2 )
𝑦𝑡 = 𝛼0 + ∅0 𝑥𝑡 + ∅1 𝑥𝑡 + 𝛼1 𝑦𝑡 + 𝜇𝑡 En el largo plazo:
𝑦𝑡 = 𝑦𝑡−1 ; 𝑥𝑡 = 𝑥𝑡−1
𝑦𝑡 − 𝛼1 𝑦𝑡 = 𝛼0 + ∅0 𝑥𝑡 + ∅1 𝑥𝑡 + 𝜇𝑡
𝑦𝑡 (1 − 𝛼1 ) = 𝛼0 + 𝑥𝑡 (∅0 + ∅1 ) + 𝜇𝑡
𝛼0 (∅0 + ∅1 ) 𝜇𝑡
𝑦𝑡 = + 𝑥𝑡 +
(1 − 𝛼1 ) (1 − 𝛼1 ) (1 − 𝛼1 )
𝑦𝑡 = 𝛽0 + 𝛽1 𝑥𝑡 + 𝜓𝑡
Componentes principales
∅𝟎 ∆𝒙𝒕= coeficiente dinámico corto plazo
−(𝟏 − 𝜶𝟏 ) = velocidad de ajuste
[𝒚𝒕−𝟏 − 𝜷𝟎 − 𝜷𝟏 𝒙𝒕−𝟏 ] = componente de largo plazo
(1 − 0,7) = 0,3 ; 30% por periodo, suponiendo que la estimación es en datos trimestrales
los choques se disipan en 3,3 trimestres
EJERCICIO 17
EJERCICIO 18
1) No haya correlacion
𝑹𝟐
No hay diferencia entre los coeficientes, pero no hay interpretación directa porque la variable
dependiente esta logaritmizada, modelo (3), y los demás en coeficiente absoluto
𝑹𝟐
El ingreso es explicado en 46 por el gasto en campaña
El ingreso es explicado en 57 por el gasto en campaña y la población
El ingreso es explicado en 69% por el gasto en campaña y la población
EJERCICIO 19
Vec en formato tradicional
NPL LPIB LI_ACT LU LCRETOTAL
COINTEGRACION -0,59 0 0 0 0
EQ 1
El coeficiente tiene un valor de 0,59, lo que implica que hay un factor de corrección en 59%, en un poco menos
de 2 periodos se corregirá en su totalidad.
EJERCICIO 20
EJERCICIO 21.
𝜋
𝜋𝑡 = 1,2 + 0,8𝜋𝑡−1 + 𝜀𝑡
𝜋1 = 1,2 + 0,8𝜋0 + 𝜀1
𝜋2 = 1,2 + 0,8𝜋1 + 𝜀2 = 1,2 + 0,8(1,2 + 0,8𝜋0 + 𝜀1 ) + 𝜀2 = 1,2 + 0,96 + 0,82 𝜋0 + 0,8𝜀1 + 𝜀2
= 2,16 + 0,82 𝜋0 + 0,8𝜀1 + 𝜀2
𝜋3 = 1,2 + 0,8𝜋2 + 𝜀3 = 1,2 + 0,8(2,16 + 0,82 𝜋0 + 0,8𝜀1 + 𝜀2 ) + 𝜀3
= 1,2 + 1,728 + 0,83 𝜋0 + 0,82 𝜀1 + 0,8𝜀2 + 𝜀3
= 2,928 + 0,83 𝜋0 + 0,82 𝜀1 + 0,8𝜀2 + 𝜀3
𝑡−1 𝑡−1
𝛼0 = 1,2 ; 𝛼1 = 0,8
𝑡−1 𝑡−1
𝑖=𝑜 𝑖=𝑜
𝛼0 1,2
𝜋𝑡→∞ = = =6
1 − 𝛼1 1 − 0,8
EJERCICIO 22.2
𝜋
𝜋𝑡 = 2 + 0,7𝜋𝑡−1 + 𝜀𝑡
𝜋1 = 2 + 0,7𝜋0 = 2 + 0,7(0,03) = 2,021
𝜋2 = 2 + 0,7𝜋1 = 2 + 0,7(2,021) = 3,4147
𝜋3 = 2 + 0,7𝜋2 = 2 + 0,7(3,4147) = 4,39029
𝜋1 = 2 + 0,7𝜋0 + 𝜀1
𝜋2 = 2 + 0,7𝜋1 + 𝜀2 = 2 + 0,7(2 + 0,7𝜋0 + 𝜀1 ) + 𝜀2 = 2 + 1,4 + 0,72 𝜋0 + 0,7𝜀1 + 𝜀2
= 3,4 + 0,72 𝜋0 + 0,7𝜀1 + 𝜀2
𝜋3 = 2 + 0,7𝜋2 + 𝜀3 = 2 + 0,7(3,4 + 0,72 𝜋0 + 0,7𝜀1 + 𝜀2 ) + 𝜀3
= 2 + 2,38 + 0,73 𝜋0 + 0,72 𝜀1 + 0,7𝜀2 + 𝜀3
= 4,38 + 0,73 𝜋0 + 0,72 𝜀1 + 0,7𝜀2 + 𝜀3
𝑡−1 𝑡−1
𝛼0 = 1,6 ; 𝛼1 = 0,7
𝑡−1 𝑡−1
𝛼0 2
𝜋𝑡→∞ = = = 6,66
1 − 𝛼1 1 − 0,7
EJERCICIO 23
𝑦𝑡 = 𝛼0 + 𝛼1 𝑦𝑡−1 + 𝛼2 𝑥𝑡 + 𝛼3 𝑥𝑡−1 + 𝜀𝑡
𝛼0 = 2
𝛼1 = 0,8
𝛼2 = 0,6
𝛼3 = 0,4
𝜕𝑦𝑡
= 0,6
𝜕𝑥𝑡
𝑦𝑡 = 𝛼0 + 𝛼1 𝑦𝑡−1 + 𝛼2 𝑥𝑡 + 𝛼3 𝑥𝑡−1 + 𝜀𝑡
Como en el largo plazo, 𝑦𝑡 = 𝑦𝑡−1 ; 𝑥𝑡 = 𝑥𝑡−1 ; Donde 𝜇𝑡 ~ 𝑅𝐵(0; 𝜎 2 )
𝑦𝑡 = 𝛼0 + 𝛼1 𝑦𝑡 + 𝛼2 𝑥𝑡 + 𝛼3 𝑥𝑡 + 𝜀𝑡
𝑦𝑡 − 𝛼1 𝑦𝑡 = 𝛼0 + 𝛼2 𝑥𝑡 + 𝛼3 𝑥𝑡 + 𝜀𝑡
𝑦𝑡 (1 − 𝛼1 ) = 𝛼0 + (𝛼2 + 𝛼3 )𝑥𝑡 + 𝜀𝑡
𝛼0 𝛼2 + 𝛼3 𝜀𝑡
𝑦𝑡 = + 𝑥 +
1 − 𝛼1 1 − 𝛼1 𝑡 1 − 𝛼1
𝛼0 2 (𝛼2 + 𝛼3 ) 0,6 + 0,4 𝜀𝑡
𝛽0 = = = 10 ; 𝛽1 = = = 5 ; 𝜇𝑡 =
(1 − 𝛼1 ) 1 − 0,8 (1 − 𝛼1 ) 1 − 0,8 1 − 𝛼1
𝑦𝑡 = 𝛽0 + 𝛽1 𝑥𝑡 + 𝜇𝑡
𝑦𝑡 = 10 + 5𝑥𝑡 + 𝜇𝑡
𝑦𝑡 = 𝛼0 + 𝛼1 𝑦𝑡−1 + 𝛼2 𝑥𝑡 + 𝛼3 𝑥𝑡−1 + 𝜀𝑡
Restamos a ambos lados 𝑦𝑡−1
𝑦𝑡 − 𝑦𝑡−1 = 𝛼0 + 𝛼1 𝑦𝑡−1 − 𝑦𝑡−1 + 𝛼2 𝑥𝑡 + 𝛼3 𝑥𝑡−1 + 𝜀𝑡
∆𝑦𝑡 = 𝛼0 − 𝑦𝑡−1 (1 − 𝛼1 ) + 𝛼2 𝑥𝑡 + 𝛼3 𝑥𝑡−1 + 𝜀𝑡
Sumamos y restamos 𝛼2 𝑥𝑡−1 solo al miembro de la derecha
∆𝑦𝑡 = 𝛼0 − 𝑦𝑡−1 (1 − 𝛼1 ) + 𝛼2 𝑥𝑡 + 𝛼3 𝑥𝑡−1 + 𝛼2 𝑥𝑡−1 − 𝛼2 𝑥𝑡−1 + 𝜀𝑡
∆𝑦𝑡 = 𝛼0 − 𝑦𝑡−1 (1 − 𝛼1 ) + 𝛼2 ∆𝑥𝑡 + (𝛼2 + 𝛼3 )𝑥𝑡−1 + 𝜀𝑡
𝛼 (𝛼2 +𝛼3 )
Como 𝛽0 = (1−𝛼0 ) → 𝜶𝟎 = 𝜷𝟎 (𝟏 − 𝜶𝟏 ) ; 𝛽1 = (1−𝛼 )
→ (𝛼2 + 𝛼3 ) = 𝜷𝟏 (𝟏 − 𝜶𝟏 )
1 1
∆𝑦𝑡 = 𝜷𝟎 (𝟏 − 𝜶𝟏 ) + 𝜷𝟏 (𝟏 − 𝜶𝟏 )𝑥𝑡−1 − 𝑦𝑡−1 (1 − 𝛼1 ) + 𝛼2 ∆𝑥𝑡 + 𝜀𝑡
∆𝑦𝑡 = 𝛼2 ∆𝑥𝑡 − (𝟏 − 𝜶𝟏 )[𝑦𝑡−1 − 𝜷𝟎 − 𝜷𝟏 𝑥𝑡−1 ] + 𝜀𝑡
∆𝑦𝑡 = 0,6∆𝑥𝑡 − (𝟏 − 0,8)[𝑦𝑡−1 − 10 − 5𝑥𝑡−1 ] + 𝜀𝑡
EJERCICIO 25
EJERCICIO 26.
EJERCICIO 27
𝜋
𝜋𝑡 = 1,5 + 0,9𝜋𝑡−1 + 𝜀𝑡
𝜋1 = 1,5 + 0,9𝜋0 = 1,5 + 0,9(0,06) = 1,554
𝜋2 = 1,5 + 0,9𝜋1 = 1,5 + 0,9(1,554) = 2,8986
𝜋3 = 1,5 + 0,9𝜋2 = 1,5 + 0,9(2,8986) = 4,10874
𝜋1 = 1,5 + 0,9𝜋0 + 𝜀1
𝜋2 = 1,5 + 0,9𝜋1 + 𝜀2 = 1,5 + 0,9(1,5 + 0,9𝜋0 + 𝜀1 ) + 𝜀2 = 1,5 + 1,35 + 0,92 𝜋0 + 0,9𝜀1 + 𝜀2
= 2,85 + 0,92 𝜋0 + 0,9𝜀1 + 𝜀2
𝜋3 = 1,5 + 0,9𝜋2 + 𝜀3 = 1,5 + 0,9(2,85 + 0,92 𝜋0 + 0,9𝜀1 + 𝜀2 ) + 𝜀3
= 1,5 + 2,565 + 0,93 𝜋0 + 0,92 𝜀1 + 0,9𝜀2 + 𝜀3
= 4,065 + 0,93 𝜋0 + 0,92 𝜀1 + 0,9𝜀2 + 𝜀3
𝑡−1 𝑡−1
𝛼0 = 1,5 ; 𝛼1 = 0,9
𝑡−1 𝑡−1
𝑖=𝑜 𝑖=𝑜
EJERCICIO 29
𝐼𝑛𝑓𝑡 = 𝛼10 + 𝛽11 𝐼𝑛𝑓𝑡−1 + 𝛽12 𝜇𝑡−1 + 𝛽13 𝑟𝑡−1 + ∅11 𝐼𝑛𝑓𝑡−2 + ∅12 𝜇𝑡−2 + ∅13 𝑟𝑡−2 + 𝑒1𝑡
𝜇𝑡 = 𝛼20 + 𝛽21 𝐼𝑛𝑓𝑡−1 + 𝛽22 𝜇𝑡−1 + 𝛽23 𝑟𝑡−1 + ∅21 𝐼𝑛𝑓𝑡−2 + ∅22 𝜇𝑡−2 + ∅23 𝑟𝑡−2 + 𝑒2𝑡
𝑟𝑡 = 𝛼30 + 𝛽31 𝐼𝑛𝑓𝑡−1 + 𝛽32 𝜇𝑡−1 + 𝛽33 𝑟𝑡−1 + ∅31 𝐼𝑛𝑓𝑡−2 + ∅32 𝜇𝑡−2 + ∅33 𝑟𝑡−2 + 𝑒3𝑡
𝑎ñ𝑜𝑠 ∗ 𝑝𝑒𝑟𝑖𝑜𝑑𝑜𝑠 = 18 ∗ 4 = 72
𝑛 + 𝑝 ∗ 𝑛2 = 3 + 2 ∗ 32 = 21
𝑛 = 𝑣𝑎𝑟𝑖𝑎𝑏𝑙𝑒𝑠
𝑝 = 𝑟𝑒𝑧𝑎𝑔𝑜𝑠
EJERCICIO 34.
EJERCICIO 37
𝜋
𝜋𝑡 = 1,2 + 0,8𝜋𝑡−1 + 𝜀𝑡
𝜋𝑡 = 2 + 0,7𝜋𝑡−1 + 𝜀𝑡
𝜋1 = 1,2 + 0,8𝜋0 + 𝜀1
𝜋2 = 1,2 + 0,8𝜋1 + 𝜀2 = 1,2 + 0,8(1,2 + 0,8𝜋0 + 𝜀1 ) + 𝜀2 = 1,2 + 0,96 + 0,82 𝜋0 + 0,8𝜀1 + 𝜀2
= 2,16 + 0,82 𝜋0 + 0,8𝜀1 + 𝜀2
𝜋3 = 1,2 + 0,8𝜋2 + 𝜀3 = 1,2 + 0,8(2,16 + 0,82 𝜋0 + 0,8𝜀1 + 𝜀2 ) + 𝜀3
= 1,2 + 1,728 + 0,83 𝜋0 + 0,82 𝜀1 + 0,8𝜀2 + 𝜀3
= 2,928 + 0,83 𝜋0 + 0,82 𝜀1 + 0,8𝜀2 + 𝜀3
𝑡−1 𝑡−1
𝛼0 = 1,2 ; 𝛼1 = 0,8
𝑡−1 𝑡−1
𝑖=𝑜 𝑖=𝑜
𝛼0 1,2
𝜋𝑡→∞ = = =6
1 − 𝛼1 1 − 0,8
𝛼0 = 1,6 ; 𝛼1 = 0,7
𝑡−1 𝑡−1
𝑖=𝑜 𝑖=𝑜
𝛼0 2
𝜋𝑡→∞ = = = 6,66
1 − 𝛼1 1 − 0,7
EJERCICIO 38
𝜋
𝜋𝑡 = 1,5 + 0,9𝜋𝑡−1 + 𝜀𝑡
𝜋1 = 1,5 + 0,9𝜋0 + 𝜀1
𝜋2 = 1,5 + 0,9𝜋1 + 𝜀2 = 1,5 + 0,9(1.5 + 0,9𝜋0 + 𝜀1 ) + 𝜀2 = 1,5 + 1,35 + 0,92 𝜋0 + 0,9𝜀1 + 𝜀2
= 3,85 + 0,92 𝜋0 + 0,9𝜀1 + 𝜀2
𝜋3 = 1,5 + 0,9𝜋2 + 𝜀3 = 1,5 + 0,9(3.85 + 0,92 𝜋0 + 0,9𝜀1 + 𝜀2 ) + 𝜀3
= 1,5 + 3,465 + 0,93 𝜋0 + 0,92 𝜀1 + 0,9𝜀2 + 𝜀3
= 4,965 + 0,93 𝜋0 + 0,92 𝜀1 + 0,9𝜀2 + 𝜀3
𝑡−1 𝑡−1
𝑖=𝑜 𝑖=𝑜
𝛼0 1,5
𝜋𝑡→∞ = = = 15
1 − 𝛼1 1 − 0,9
EJERCICIO 39
EJERCICIO 40.
EJERCICIO 41.
EJERCICIO 43
𝜋𝑡 − 𝜋𝑡𝑒 = 0,12 − 3𝜇𝑡
𝜋𝑡𝑒 = 𝜃𝜋𝑡−1
𝜋𝑡 − 0 = 0,12 − 3𝜇𝑡
𝜋𝑡 = 0,12 − 3𝜇𝑡
𝜋𝑡 = 3(0,04 − 𝜇𝑡 )
𝜋𝑡 = 𝜃(𝜇𝑡 − 𝜇𝑛 )
𝜋𝑡 = −3(𝜇𝑡 − 0,04)
EJERCICIO 44
𝜋𝑡 − 𝜋𝑡𝑒 = 0,18 − 3𝜇𝑡
𝜋𝑡𝑒 = 𝜃𝜋𝑡−1
𝜋𝑡 − 𝜋𝑡𝑒 = 0,18 − 3𝜇𝑡
𝜋𝑡𝑒 = 𝜃𝜋𝑡−1 → 𝜋𝑡𝑒 = 𝜃(0) → 𝜋𝑡𝑒 = 0
𝜋𝑡 − 0 = 0,18 − 3𝜇𝑡
𝜋𝑡 = 0,18 − 3𝜇𝑡
𝜋𝑡 = 3(0,06 − 𝜇𝑡 )
𝜋𝑡 = 𝜃(𝜇𝑡 − 𝜇𝑛 )
𝜋𝑡 = −3(𝜇𝑡 − 0,06)
EJERCICIO 45.
EJERCICIO 50
EJERCICIO 46.
EJERCICIO 49
𝜋𝑡 = 1,2 + 0,8𝜋𝑡−1 + 𝜀𝑡
EJERCICIO 52.
Estadísticamente todas las variables son significativas.
Económicamente,
Tipo de cambio (+), cumple con la teoría económica
Agregado monetario M1 (+), cumple con la teoría económica
Variable dummy (-), cumple con el propósito de los dummys, contrarestar los efectos
∆𝑦 = 𝛽1 ∆𝑥
∆𝑦 = 0,277334 ∗ (−10)
∆𝑦 = −2,77334
EJERCICIO 54
EJERCICIO 55
𝑌 = 𝑋𝑏 + 𝑈
E[U] = 0 E[U𝑈𝑇 ] = 𝜎 2 𝐼
EJERCICIO 56
𝑦𝑡 = 𝜇 + β𝑦𝑡−1 + 𝜀𝑡
𝜀𝑡 ~𝑖. 𝑖. 𝑑 (0, 𝜎 2 )
EJERCICIO 57
𝑦𝑡 = 𝛽 + 𝛿𝑡 + 𝑢𝑡
𝑥𝑡 = 𝜑 + 𝜌𝑡 + 𝑣𝑡
Una combinación lineal de ambas, será de un orden menor, por ende será de orden 0
EJERCICIO 58
Suponga que las variables 𝑋𝑡 e 𝑌𝑡 son 𝐼(1) y están vinculadas a través de una ecuación con
mecanismo de corrección de equilibrio (o del error). Sean
𝑎2𝑡 : los procesos de ruido blanco asociados a las ecuaciones de las variables 𝑋𝑡 e 𝑌𝑡
respectivamente
2222222000000000001111111111999999999
Ejercicio 59-1
𝜋
𝜋𝑡 = 2 + 0,7𝜋𝑡−1 + 𝜀𝑡
𝜋1 = 2 + 0,7𝜋0 + 𝜀1
𝜋2 = 2 + 0,7𝜋1 + 𝜀2 = 2 + 0,7(2 + 0,7𝜋0 + 𝜀1 ) + 𝜀2 = 2 + 1,4 + 0,72 𝜋0 + 0,7𝜀1 + 𝜀2
= 3,4 + 0,72 𝜋0 + 0,7𝜀1 + 𝜀2
𝜋3 = 2 + 0,7𝜋2 + 𝜀3 = 2 + 0,7(3,4 + 0,72 𝜋0 + 0,7𝜀1 + 𝜀2 ) + 𝜀3
= 2 + 2,38 + 0,73 𝜋0 + 0,72 𝜀1 + 0,7𝜀2 + 𝜀3
= 4,38 + 0,73 𝜋0 + 0,72 𝜀1 + 0,7𝜀2 + 𝜀3
𝑡−1 𝑡−1
𝛼0 = 2 ; 𝛼1 = 0,7
𝑡−1 𝑡−1
𝑖=𝑜 𝑖=𝑜
𝛼0 2
𝜋𝑡→∞ = = = 6,66
1 − 𝛼1 1 − 0,7
EJERCICIO 60-2
𝑒𝑡 𝐷1995
𝐷𝑙𝑜𝑔 𝑝𝑟𝑜𝑑
A) [FALSO], tiene una media del 6% porque 𝐸 (𝐷𝑙𝑜𝑔 𝑝𝑟𝑜𝑑) = 0,06 + 0,03(0) + (0) =
0,06
B) [VERDADERO], porque en 1980-1994, tiene una media del 0,06 y en 1995-2009
tiene una media del 0,09 𝐸(𝐷𝑙𝑜𝑔 𝑝𝑟𝑜𝑑1980−1994 ) = 0,06 + 0,03(0) + (0) =
0,06 ; 𝐸(𝐷𝑙𝑜𝑔 𝑝𝑟𝑜𝑑1995−2009 ) = 0,06 + 0,03(1) + (0) = 0,09
C) [FALSO], tiene una media del 9% 𝐸(𝐷𝑙𝑜𝑔 𝑝𝑟𝑜𝑑1995−2009 ) = 0,06 + 0,03(1) + (0) =
0,09
D) [VERDADERO], en 1995-2009 tiene una media del 9% y en el periodo 1980-1994
una media del 6%
E) [FALSO], fue del 9%
EJERCICIO 61-3
.
𝒚𝒕 = 𝟐 + 𝟎, 𝟓 𝒙𝒕 + 𝟎, 𝟒 𝒙𝒕−𝟏 + 𝟎, 𝟖 𝒚𝒕−𝟏 + 𝒆𝒊
Se minimiza la multicolinealidad
Todos los términos del modelo son estacionales
Los tets usuales producen resultados consistentes
𝒙𝒕 𝒚𝒕
El efecto de 𝒙𝒕 sobre 𝒚𝒕 en el corto plazo es de 0,5
𝑎2𝑡 : 𝑋𝑡 𝑌𝑡
𝑌𝑡
a) ∆𝑌𝑡 = −𝛼 (𝑌𝑡−1 − 𝛽 𝑋𝑡−1 ) + 0,4∆𝑋𝑡−1 + 0,8∆𝑌𝑡−1 + 𝑎2𝑡 CON 𝛼, 𝛽 > 0
b) ∆𝑌𝑡 = 𝛼𝑌𝑡−1 − 𝛽 𝑋𝑡−1 + 0,6∆𝑋𝑡−1 − 0,5∆𝑌𝑡−1 + 𝑎2𝑡 (no tiene efecto a largo plazo)
c) ∆𝑌𝑡 = −𝛼 (𝑌𝑡−1 − 𝛽 𝑋𝑡−1 ) + 𝑎2𝑡 (no tiene efecto a corto plazo)
d) ∆𝑌𝑡 = −𝛼 (𝑌𝑡−1 − 𝑋𝑡−1 ) + 0,2∆𝑋𝑡−1 + 0,1∆𝑌𝑡−1 + 𝑎2𝑡 (no tiene betas)
e) ∆𝑌𝑡 = −𝛼 (∆𝑌𝑡−1 − 𝛽∆𝑋𝑡−1 ) + 0,7∆𝑋𝑡−1 + 0,4∆𝑌𝑡−1 + 𝑎2𝑡 (a largo plazo, las
variables tienen que estar en niveles, no diferenciadas)
Obs: Para resolver este ejercicio tenemos que ver la deduccion final de cointegracion
EJERCICIO 63-5
𝑥𝑡 = 𝜚 + 𝜑𝑥𝑡−1 + 𝜇𝑡
𝜑1 = 𝐼
𝜚=0
Respuestas y justificaciones
| ∅| < 1
𝐸 (𝜀𝑡 ) = 0
𝜀𝑡 ~𝑅𝐵(0; 𝜎 2 )
𝑦1 = ∅𝑦0 + 𝜀1
𝑦𝑡 = ∅ 𝑦0 + ∑ ∅𝑖 𝜀𝑡−𝑖
𝑡
𝑖=𝑜
𝐸 (𝑦𝑡 ) = ∅𝑡 𝑦0
Variables
Inft= inflación
ut= tasa de desempleo
rt= tasa de interés de la reserva federal
rezagos= 2
periodo= 1994Q1 hasta 2011Q4
𝐼𝑛𝑓𝑡 = 𝛼10 + 𝛽11 𝐼𝑛𝑓𝑡−1 + 𝛽12 𝜇𝑡−1 + 𝛽13 𝑟𝑡−1 + ∅11 𝐼𝑛𝑓𝑡−2 + ∅12 𝜇𝑡−2 + ∅13 𝑟𝑡−2 + 𝑒1𝑡
𝜇𝑡 = 𝛼20 + 𝛽21 𝐼𝑛𝑓𝑡−1 + 𝛽22 𝜇𝑡−1 + 𝛽23 𝑟𝑡−1 + ∅21 𝐼𝑛𝑓𝑡−2 + ∅22 𝜇𝑡−2 + ∅23 𝑟𝑡−2 + 𝑒2𝑡
𝑟𝑡 = 𝛼30 + 𝛽31 𝐼𝑛𝑓𝑡−1 + 𝛽32 𝜇𝑡−1 + 𝛽33 𝑟𝑡−1 + ∅31 𝐼𝑛𝑓𝑡−2 + ∅32 𝜇𝑡−2 + ∅33 𝑟𝑡−2 + 𝑒3𝑡
𝑎ñ𝑜𝑠 ∗ 𝑝𝑒𝑟𝑖𝑜𝑑𝑜𝑠 = 18 ∗ 4 = 72
𝑛 + 𝑝 ∗ 𝑛2 = 3 + 2 ∗ 32 = 21
𝑛 = 𝑣𝑎𝑟𝑖𝑎𝑏𝑙𝑒𝑠
𝑝 = 𝑟𝑒𝑧𝑎𝑔𝑜𝑠
𝜕𝑁𝑃𝐿
= −0,20 − 0,20 ∗ ∆𝐿𝑃𝐼𝐵(−4) = −0,20 ∗ −0.05 = 0,01 = 1%
𝜕𝐿𝑃𝐼𝐵(−4)
Un choqe negativo de 5% en la variación del PIB, causa un incremento de un punto
porcentual en la tasa de morosidad
El coeficiente es 0,834683, lo que implica que las variables independientes explican en un
83% a la variable dependiente
La constante 2,24 indica que el nivel de la tasa de morosidad cuando las demas variables
son iguales a cero,
la relación entre LPIB(-4) y NPL son negativas, debido que a menor PIB, menores
ingresos;
la relación entre LI_ACT(-1) Y NPL es positiva, debido al mayor costo que implica un
incremento en I_ACT
la relación entre LU Y NPL es positiva, debido al desempleo de las personas, que por ello
no pueden cumplir con sus obligaciones
la relación entre LTCN_US Y NPL es positiva, debido a que los tomadores de créditos en
moneda extranjera no pueden cumplir con sus obligaciones
EJERCICIO 67-9
𝐿𝑃𝑆𝑈𝐵𝑌(−1) = 3,6178 + 0,36𝐿𝑀𝑂𝑆𝐴 + 0,28𝐿𝑇𝐶𝑁 (−1) + 0,07𝐿𝑃𝐵𝑅𝐸𝑁𝑇(−1) + 0,000391
EJERCICIO 68-10
𝑦𝑡 = 𝛼0 + 𝛼1 𝑦𝑡−1 + 𝛼2 𝑥𝑡 + 𝛼3 𝑥𝑡−1 + 𝜀𝑡
𝛼0 = 2
𝛼1 = 0,8
𝛼2 = 0,6
𝛼3 = 0,4
𝑦𝑡 = 𝛼0 + 𝛼1 𝑦𝑡−1 + 𝛼2 𝑥𝑡 + 𝛼3 𝑥𝑡−1 + 𝜀𝑡
Como en el largo plazo, 𝑦𝑡 = 𝑦𝑡−1 ; 𝑥𝑡 = 𝑥𝑡−1 ; Donde 𝜇𝑡 ~ 𝑅𝐵(0; 𝜎 2 )
𝑦𝑡 = 𝛼0 + 𝛼1 𝑦𝑡 + 𝛼2 𝑥𝑡 + 𝛼3 𝑥𝑡 + 𝜀𝑡
𝑦𝑡 − 𝛼1 𝑦𝑡 = 𝛼0 + 𝛼2 𝑥𝑡 + 𝛼3 𝑥𝑡 + 𝜀𝑡
𝑦𝑡 (1 − 𝛼1 ) = 𝛼0 + (𝛼2 + 𝛼3 )𝑥𝑡 + 𝜀𝑡
𝛼0 𝛼2 + 𝛼3 𝜀𝑡
𝑦𝑡 = + 𝑥𝑡 +
1 − 𝛼1 1 − 𝛼1 1 − 𝛼1
𝛼0 2 (𝛼2 + 𝛼3 ) 0,6 + 0,4 𝜀𝑡
𝛽0 = = = 10 ; 𝛽1 = = = 5 ; 𝜇𝑡 =
(1 − 𝛼1 ) 1 − 0,8 (1 − 𝛼1 ) 1 − 0,8 1 − 𝛼1
𝑦𝑡 = 𝛽0 + 𝛽1 𝑥𝑡 + 𝜇𝑡
𝑦𝑡 = 10 + 5𝑥𝑡 + 𝜇𝑡
𝑦𝑡 = 𝛼0 + 𝛼1 𝑦𝑡−1 + 𝛼2 𝑥𝑡 + 𝛼3 𝑥𝑡−1 + 𝜀𝑡
Restamos a ambos lados 𝑦𝑡−1
𝑦𝑡 − 𝑦𝑡−1 = 𝛼0 + 𝛼1 𝑦𝑡−1 − 𝑦𝑡−1 + 𝛼2 𝑥𝑡 + 𝛼3 𝑥𝑡−1 + 𝜀𝑡
EJERCICIO 69-11
EJERCICIO 70-12
Interpretar el resultado de la estimación
C: no posee interpretación panorámica, no es estadísticamente significativo
ESP_EXTRAN: Posee una relación directa con la variable dependiente, un aumento de 10
espectadores extranjeros, causa en promedio un aumento de 2 espectadores españoles.
Es significativo al 1%
PEL_EXHIBIDAS: posee una relacion directa con la variable dependiente, conforme a lo
esperado, en promedio, un aumento de 1000 peliculas exhibidas, causa un aumento de 2
expectadores españoles, es significativo al 10%, pero no al 5%
IPC:CULTURA: signo esperado, un aumento de IPC_CULTURA de 2 puntos porcentuales
cuasa, en promedio, una disminución de 1 espectador. No es significativo
Aproximadamente, 76% de la variación en ESP_SPA es explicado por variaciones en las
variables independientes del modelo. Es un buen ajuste
Determinar si el modelo es homocedastico
Se realiza a través del tets de White
𝐻𝑂 = 𝐻𝑜𝑚𝑜𝑐𝑒𝑑𝑎𝑠𝑡𝑖𝑐𝑖𝑑𝑎𝑑
𝐻𝑂 = 𝐻𝑒𝑡𝑒𝑟𝑜𝑠𝑐𝑒𝑑𝑎𝑠𝑡𝑖𝑐𝑖𝑑𝑎𝑑
No podemos rechazar la Ho al 10%, 5%, ni 1% de significancia, es homocedastica
Determinar si en el modelo existe o no autocorrelacion
EJERCICIO 71-13
−1,5
= −0,39 ; un aumento en la tasa de política monetaria causa una disminución de
3.8
aproximadamente 3,9% en la inflación luego de 30 meses
EJERCICIO 72-14
ERROR D( D D( D( D(
CORRECTION
Cointegration eq -0,4 0 0 0 0 0
0,155
D( -0,0037
D 0,0256
D( 0,0623
D( 0,0783
D( -0,165
0,044
-0,091
Sea la siguente estimación de unaecuacion estadística de la demanda de dinero (entre paréntesis
se encuentran los estadísticos t)
𝒎𝒕 = 𝟏, 𝟎𝟐 + 𝟎, 𝟐𝟑𝒚𝒕 − 𝟎, 𝟕𝟎𝟓𝒓𝒕 + 𝝁𝒕
(𝟒, 𝟏𝟎𝟒) (𝟑, 𝟑) (−𝟓, 𝟕)
𝑹𝟐 = 𝟎, 𝟕𝟎
𝑨𝑫𝑭(𝝁𝒕 ) = −𝟔, 𝟐
𝑫𝑾 = 𝟐, 𝟎𝟎𝟓
Donde ADF es el estadístico de Dickey Fuller aumentado y DW es el estadístico de Durvin Watson
para los residuales
𝒎𝒕 = 𝟏, 𝟐𝟔
𝒚𝟏 = 𝟑, 𝟏
𝒓𝟐 = 𝟎, 𝟗
a) Existe el peligro de una regresion espurea en el modelo
b) Existe cointegracion entre las variables
c) Se podría sugerir una especificación alternativa de este modelo
De que equipo fue el capitán Alf el extraterrestre melmeciano? Para que la respuesta sea valida
debe escribir correctamente el nombre
Bouillabaisseball
https://www.ugr.es/~montero/matematicas/cointegracion.pdf