EXAMEN DE MODELOS ECONOMÉTRICOS

18 de ENERO DE 2022

Pregunta 1 (2 puntos).

En el gráfico adjunto, se representa la serie económica: Ventas interiores de Grandes Empresas que abarca
el periodo enero-1996/noviembre 2021.

200

180

160

140

120

100

80

60

40

20

0
199601
199701
199801
199901
200001
200101
200201
200301
200401
200501
200601
200701
200801
200901
201001
201101
201201
201301
201401
201501
201601
201701
201801
201901
202001
202101

1.- ¿Crees que detrás de esta serie puede encontrarse una muestra aleatoria? Razonar la respuesta

La serie de Ventas interiores de Grandes Empresas no es una realización de una muestra aleatoria1. Para
que proviniera de una muestra aleatoria tendría que presentar un comportamiento oscilatorio totalmente
aleatorio alrededor de un valor medio, sin estructura ni, por ende, dependencia entre las observaciones.
No hay evolución ni un patrón de comportamiento: éste es completamente aleatorio. Y como puede
observarse en el gráfico, la serie presenta estructura y dependencia.

En concreto, se trata de una serie temporal no estacionaria:

-Varianza: La varianza no es constante a lo largo del periodo considerado. En el inicio de la serie y hasta
2008, la serie exhibe una variabilidad mayor que a partir de dicha fecha.

-Media

-Parte regular: la serie no presenta una media constante alrededor de un valor medio. Presenta
una tendencia alcista hasta finales de 2007, año en el que se quiebra dicha tendencia, como consecuencia
de la Gran Recesión exhibiendo una evolución descendente que a partir de 2014 vuelve a quebrarse,
iniciando una etapa con un comportamiento claramente alcista hasta 2020, consecuencia del impacto del
COVID-19

-Parte estacional: la serie presenta un comportamiento marcadamente estacional, no

estacionario, con una pauta que se repite regularmente cada año. Se observa que, a finales de año, por
ejemplo, la serie presenta valores superiores a los del resto de los meses, mientras que en agosto muestra
un valor reiteradamente más bajo que en el resto de los meses cada año. Por tanto, existen diferentes

1
Por ejemplo, obtención de valores aleatorios de una distribución normal.
medias dependiendo del mes concreto de que se trate; la media de los meses de enero es diferente de la
de los meses de febrero, …., agosto,…, diciembre. Cada mes tiene su comportamiento específico por el
simple hecho de ser ese mes: enero, febrero….

2.- Propón las transformaciones que consideres necesarias para eliminar el comportamiento no
estacionario de la variable.

A tenor de lo expuesto en la pregunta anterior, las transformaciones que se deberían realizar son las
siguientes:

-Estacionariedad en varianza: transformación logarítmica

-Estacionariedad en la parte regular: (1-B), diferencia regular para alcanzar estacionariedad en media
en la parte regular

-Estacionariedad en la parte estacional: (1-B12 ), diferencia estacional para alcanzar estacionariedad en

la parte estacional

(1-B) (1-B12 ) log Xt= wt

Se aplica logaritmos porque además de ser la transformación a aplicar para conseguir estacionariedad en
varianza, permite trabajar con tasas de variación, de gran utilidad en el análisis económico.

Pregunta 2 (1 puntos):

Supongamos que la variable Xt sigue el modelo:

1 − 0,8 = , donde et sigue un Proceso Ruido Blanco.

a) ¿Es un proceso estacionario e invertible? Razonar la respuesta.

El proceso anterior en un Autorregresivo de orden 1 ,AR(1), de tal manera que el coeficiente, φ, es

igual a 0,8, por tanto, al ser menor que 1 en valor absoluto, se trata de un proceso estacionario.

El proceso también es invertible. Por definición, los procesos autorregresivos son invertibles.

c) Expresar el modelo en términos de un Proceso de Medias Móviles.

(1-0,8L) log Xt = (1-0,8L) wt= et,, (L=B, es el operador de retardos

Por tanto,

wt = 0,8w t-1 + et

w t-1= 0,8 w t-2 + e t-1

w t= 0,8 (0,8 w t-2 +e t-1)+ e t= 0,82 w t-2+0,8 e t-1+ et

w t-2= 0,8 w t-3+ e t-2

wt= 0,82 (0,8 w t-3 + e t-2) +0,8 a t-1+ e t=

=0,83 w t-3 +0,82 e t-2+ 0,8 e t-1+ e t

 w t= 0,8t w0 + (et +0,8e t-1+ 0,82 e t-2+……+ 0,8t-1 e1)

Pregunta 3 (1 punto).

Señala cómo contrastarías (independencia serial) si los residuos de un modelo univariante de series
temporales estimado tienen estructura de Ruido Blanco.

Para contrastar que los residuos del modelo son ruido blanco, lo que se contrasta es que conjuntamente
las autocorrelaciones de orden k no son significativamente distintas de cero, ya que una de las
características del proceso ruido blanco es que las autocorrelaciones de orden k (para todo k), teóricas o
poblacionales, son iguales a cero. Para ello se utiliza el test de la Q, a partir de las correlaciones
muestrales. Se denomina contraste de Box-Pierce & Ljung-Box, Q se distribuye como una chi-cuadrado
con un número de grados de libertad igual al número de autocorrelaciones que se contrastan (k).

H0 : ρ1= ρ2 =…..=ρk=0; los datos se distribuyen de manera independiente.

Para contrastar comparamos el valor del estadístico, Q, con el valor en tablas, si ese valor es menor que
el valor crítico a un determinado α , se aceptaría la hipótesis de que conjuntamente las autocorrelaciones
hasta de orden k, son iguales a cero. Para contrastar si los residuos tienen estructura de Ruido Blanco,
habitualmente se utiliza k=36, si la serie es mensual, k=12, si es trimestral y si es anual podría considerarse
un K= 5.

• El estadístico es el siguiente:
 Q= T (T+2) Σ j=1 k r2 j / (T-j)

Pregunta 4 (1,5 puntos).

Sea el modelo de la variable Xt el siguiente:

(1-B)(1-B4) log Xt= Wt

Donde Wt es un proceso estacionario con media cero.

a.- Explique si el proceso Yt =log Xt es estacionario o no.

Yt = log Xt no es estacionaria ya que en el modelo se incluye una diferencia regular y otra estacional, para
alcanzar estacionariedad en la parte regular y también en la parte estacional.

b.- Calcula el modelo de la tasa de crecimiento interanual de Xt. Explique sus características evolutivas.

Sabemos que la tasa interanual es igual a: Tasa interanual=(1-B4) log Xt

Por tanto, su modelo será: (1-B) Tasa interanual= Wt

En definitiva, el modelo de la tasa interanual, refleja que ésta no es estacionaria, ya que se le aplica una
diferencia regular, con lo que presentará oscilaciones locales de nivel.

c.- Suponga que:

Wt= (1-0,5B) (1+0,2B4) at

¿El proceso Wt es estacionario e invertible ? Razonar la respuesta.

Se trata de un proceso de medias móviles de orden uno, tanto para la parte regular como para la parte
estacional.

-El proceso es estacionario por definición, al tratarse de un proceso de medias móviles

-El proceso es invertible dado que, los coeficientes de las medias móviles son menores que uno en
valor absoluto:

θ1 =0,5

θ4= -0,2

Pregunta 5 (1,5 punto).

Se ha estimado el siguiente modelo de regresión entre dos variables económicas Yt, Xt. Entre paréntesis
figura la t de Student. Los resultados obtenidos han sido los siguientes:

Yt = 0,8 + 0,9 Xt+

(4,5) (200,3) R2=0,99; D-W=0,87

Nota: Se sabe que tanto Yt como Xt son integradas de orden uno, I(1).

Se pide:
a) Interpreta los resultados del modelo estimado y señala los problemas que presenta.

Aparentemente, el ajuste de la ecuación anterior es muy bueno puesto que el estadístico R2 es muy alto
(0,99), excesivamente alto (lo que hace sospechar que pudiera haber una “tercera” variable que esté
afectando a la relación entre las variables, por ejemplo, el tiempo), y unos estadísticos t de Student de
los coeficientes muy elevados, sobre todo en el caso del que acompaña a la variable explicativa, que
indicarían que los coeficientes son significativos (estos valores tan elevados hacen sospechar que
pudiéramos estar ante una relación entre las variables espuria o que estén cointegradas).

Pero el estadístico Durbin-Watson (0,87) es muy bajo, muy inferior a 2, reflejando que los residuos
presentan autocorrelación de primer orden2, lo que constituye una violación de las hipótesis del modelo
lineal. El incumplimiento de esta hipótesis conduce a estimadores sesgados que invalidan los contrastes
habituales de la t y la F, que se utilizan en el contraste de hipótesis. MCO es ineficiente.

Señalar también que, si los residuos no fueran estacionarios, porque la relación fuera espuria, por
ejemplo, el modelo no sería válido. Se incumplen las hipótesis sobre la perturbación.

b) Señala si existen indicios de que la relación entre las dos variables económicas es espuria.

Si existen tales indicios (véase también lo dicho en el apartado anterior). Por un lado, se ha obtenido
un R2 excesivamente elevado (0,99), así como unos valores t también muy altos (principalmente en el
caso del coeficiente que acompaña a la variable explicativa, Xt). Parecen indicar que tenemos unos
resultados muy buenos, con un muy buen ajuste, pero que pueden falsos. Además, el estadístico D-W
es muy bajo. Estos son claros indicios de que la relación entre las variables pueda ser espuria, para
confirmarlo habría que hacer un análisis de los residuos del modelo estimado.

2
No tenemos información del tamaño muestral, pero este valor es suficientemente bajo como para pensar que se haya en la
zona de rechazo de la hipótesis nula de no autocorrelación de primer orden.
 Habría que comprobar si los residuos son estacionarios, si fuera así, estaríamos ante variables
cointegradas. Si los residuos no fueran estacionarios, se estimaría el modelo con las variables en
diferencias y si el modelo no fuera significativo, se confirmaría que la relación entre las variables es
espuria. Si el modelo fuese significativo, habría relación causal entre las variables y el modelo en
diferencias sería el que habría que utilizar, habría relación a corto plazo, pero no a largo plazo.

c) Si al analizar los residuos del modelo se concluye que son estacionarios, ¿qué modelo
(uniecuacional) propondrías para estimar la relación dinámica entre las variables económicas?
Interpreta los coeficientes.

Si los residuos del modelo son estacionarios estaríamos ante unas variables que están cointegradas.
Dos variables están cointegradas cuando siendo las dos variables integradas (en general de orden 1)
una combinación lineal de las mismas dan como resultado una variable estacionaria: los residuos del
modelo de regresión entre las variables originales son estacionarios.

Yt =β Xt +mt ,, mt = Yt -β Xt (ut = mt)

Cuando dos variables están cointegradas, el modelo adecuado para estimar las relaciones dinámicas
entre las mismas (corto y largo plazo), teniendo en cuenta que el modelo sea uniecuacional, sería:

∇ Y t = b ∇ Xt + b1∇ Xt-1+ b2 ∇ Xt-2 + …+ bs ∇ Xt-s+ α1∇ Yt-1+ α2∇ Yt-2 +…+ αr∇ Yt-s +α (Yt-1- β Xt-1) + εt

Donde los parámetros del modelo anterior significan lo siguiente:

- b: relación contemporánea

- b1, b2 ,….,bs ; α1, αr,… αr recogen las relaciones de corto plazo entre Yt y Xt.

- α es la velocidad de ajuste de la variable. Es la tasa de ajuste sobre los desequilibrios a largo

plazo

- β es la relación de largo plazo. Si las variables están en logaritmos, refleja la elasticidad de Yt con
respecto a Xt

Pregunta 6 (1 punto)

Considere dos variables, Xt y Yt, t=1,…,T, y se quiere estimar la relación dinámica que existe entre ellas.

a) Suponga que ambas variables son estacionarias y se estima un modelo VAR(1). Suponga también
que Xt es fuertemente exógena y que ambas variables no están relacionadas
contemporáneamente. Formule el modelo.
El modelo sería:

Xt = φ11Xt-1+ aXt

Yt = φ21Xt-1 + φ22Yt-1+ aYt

Con aXt y aYt Ruido Blanco

La matriz de varianzas covarianzas es (σ12 = σ21 =0 )

0
Ω=
0
 Hay que fijarse que Xt aparece en la ecuación de Yt, pero en la ecuación de Xt no aparece Yt. .Es decir,
Yt no causa a Xt y además Xt no está correlacionada contemporáneamente con Yt como señala el
enunciado y se refleja en la matriz de varianzas-covarianzas de los términos de error. Por tanto, Xt
es fuertemente exógena, como se señala en el enunciado.

b) Suponga que en la ecuación de Yt, el coeficiente de la misma variable retardada un período, es igual
a -0,3, y que el coeficiente del primer retardo de Xt es tal que la ganancia a largo plazo en Yt por una
variación unitaria de la variable Xt es igual a 1.

Y t= φ21Xt-1 -0,3 Yt-1+ aYt,, (1+0,3B) Yt =φ21Xt-1+ aYt

Despejando Yt:

%&'
= ,!" # + ,!"

La ganancia del modelo será el resultado de igualar B a uno en el filtro que acompaña a Xt ( ,!"

g=φ21/(1+0,3)=1,

por tanto, φ21=1*(1+0,3)=1,3

Pregunta 7 (2 punto)

Se intenta analizar la relación existente entre los tipos de interés a corto plazo (TC) y el tipo de interés de
referencia (TR) de un determinado país. Utilizando la información que se proporciona en los cuadros
adjuntos, responda a las siguientes preguntas:

a) ¿Cuál es el orden de integración de ambas variables? Razonar la respuesta

Ambas variables son integradas de orden 1, I(1), utilizamos el test de Dickey-Fuller aumentado(D-
F-A), para contrastar si hay raíces unitarias o no:

H0 : Hay raíz unitaria

H1 : NO hay raíz unitaria

-Tipo de interés a corto plazo:

-Test de D-F-A serie original: el estadístico es igual a -0,36, valor que es superior a los
valores críticos (a cualquier nivel de significación3), por lo que se admite la hipótesis nula de que
existe una raíz unitaria.

-Test de D-F-A de la serie diferenciada: el estadístico es igual a -22,32, valor que es inferior
a los valores críticos (a cualquier nivel de significación, ver nota 4), por lo que se rechaza la
hipótesis nula de que existe una raíz unitaria.

3
Con α= 1%, el valor crítico es -3,43; con α= 5%, el valor crítico es -2,86; con α= 10%, el valor crítico es -2,57.
 -Tipo de interés de referencia:

-Test de D-F-A serie original: el estadístico es igual a -0,37, valor que es superior a los
valores críticos (a cualquier nivel de significación, ver nota 4), por lo que se admite la hipótesis
nula de que existe una raíz unitaria.

-Test de D-F-A de la serie diferenciada: el estadístico es igual a -42,32, valor que es inferior
a los valores críticos (a cualquier nivel de significación, ver nota 4), por lo que se rechaza la
hipótesis nula de que existe una raíz unitaria.

b) ¿Las variables están cointegradas? Razonar la respuesta

Si, las variables están cointegradas. En primer lugar, ya se ha comprobado que ambas series tienen
igual nivel de integración, son I(1) y, en segundo lugar, al estimar un modelo de regresión entre las
dos variables, los residuos del mismo son estacionarios.

-Test de D-F-A de los residuos: el estadístico es igual a -3,57, valor que es inferior a los
valores críticos (a cualquier nivel de significación, ver nota 4), por lo que se rechaza la hipótesis
nula de que existe una raíz unitaria.

c) Expresa de forma matricial el modelo VeqCM (vectorial con mecanismos de corrección del
equilibrio) e interpreta los resultados obtenidos determinando cual es la relación de equilibrio o
de largo plazo, el coeficiente de ajuste de cada variable, las relaciones de corto plazo, su
significatividad, etc.

∇)* −0,07 −0,13 −0,02 ∇)* #

( ,=- / )* # + 0,13 − )+ # + - /( ,
∇)+ 0,01 0,60 −0,31 ∇)+ #
0,07 −0,05 ∇)* # 6
+( ,( ,+5 7
0,30 −0.03 ∇)+ # 6

-La relación de equilibrio a largo plazo es:

−0,07
- / )* # + 0,13 − )+
0,01 #

-Dónde:
-α1 es igual a -0,07, es la velocidad de ajuste al desequilibrio a largo plazo de la variable TCt. Es
significativamente distinto de cero, ya que el valor del estadístico t es igual a -5,7 valor que es
superior al valor crítico al 5% en tablas de la distribución normal en valor absoluto (|1,96|) y se
halla en la región de rechazo. Por lo tanto, 8)* incorpora en su ecuación un mecanismo de
corrección de equilibrio significativo.

-α2 es igual a -0,07, es la velocidad de ajuste al desequilibrio a largo plazo de la variable TCt. No
es significativamente distinto de cero, ya que el valor del estadístico t es igual a 1,52 valor que
es inferior al valor crítico al 5% en tablas de la distribución normal en valor absoluto (|1,96|) y
se halla en la región de aceptación. Por lo tanto, 8)+ no incorpora en su ecuación un
mecanismo de corrección de equilibrio significativo.

- β es igual a unidad y refleja la relación de largo plazo entre las dos variables. Es
significativamente distinto de cero, ya que el valor del estadístico t es igual a -117,7 valor que
es muy superior al valor crítico al 5% en tablas de la distribución normal en valor absoluto
(|1,96|) y se halla en la región de rechazo.

- C=0,13, es la constante del modelo de largo plazo

-Resto de coeficientes: reflejan la relación de corto plazo entre las variables:

*Primero observamos la ecuación de la variable TCt. Se utiliza un nivel de significación del 5% (el
valor crítico en tablas de la normal es igual a 1,96 en valor absoluto)

+D(TC(-1)): presenta un coeficiente que es significativamente distinto de cero. Su t=-5,16

+D(TC(-2)): presenta un coeficiente que es significativamente distinto de cero. Su t=2,49

+D(TR(-1)): presenta un coeficiente que no es significativamente distinto de cero. Su t=-0,51

+D(TR(-2)): presenta un coeficiente que no es significativamente distinto de cero. Su t=-1,75

Estos resultados ponen de manifiesto que TCt no tiene una relación de corto plazo
significativa con TRt .No tenemos información sobre la relación contemporánea.

*Veamos ahora la ecuación de la variable TRt. Se utiliza un nivel de significación del 5% (el valor
crítico en tablas de la normal es igual a 1,96 en valor absoluto)

+D(TC(-1)): presenta un coeficiente que es significativamente distinto de cero. Su t=34,0

+D(TC(-2)): presenta un coeficiente que es significativamente distinto de cero. Su t=14,6

+D(TR(-1)): presenta un coeficiente que es significativamente distinto de cero. Su t=-12,8

+D(TR(-2)): presenta un coeficiente que no es significativamente distinto de cero. Su t=-1,84

Estos resultados ponen de manifiesto que TRt si presenta una relación de corto plazo
significativa con TCt. No tenemos información sobre la relación contemporánea.
Cuadro 1. Test Dickey-Fuller ampliado

Variable TC

Variable (1-B) TC

Variable TR

Variable (1-B) TR
Cuadro 2: Estimación del modelo TCt= c +β TRt+Єt

Test de Dickey-Fuller ampliado

Variable ;<

Cuadro 3: Modelo de Corrección de Equilibrio