7

Métodos cuantitativos
para estudios del
desarrollo
 71515
1010
Series de tiempo

model1 model2
x -.5149409 -.0454804
(-33.0244) (-1.60336)
55

lagy .9203134
YY

(41.44492)
_cons -2.48665 -.191906
00

(-11.60628) (-2.032144)
-5-5
-10
-10

-30
-10 -5 -20 0 -10 5 0
10 15 10
X
lagy
7 Series de tiempo

Dos objetivos

• Describir las propiedades de

la serie de tiempo.

• Realizar proyecciones
7 Series de tiempo

𝑦𝑡 Donde t indica que la observación pertenece al periodo

t= 1…n

Estacionariedad

𝑦𝑡 Es estacionaria si:

𝐸(𝑦𝑡 ) = 𝜇 es constante (igual para todo t)

𝐸((𝑦𝑡 − 𝜇)(𝑦𝑡−𝑘 − 𝜇)) = 𝛾𝑘 (igual para todo t)

 7 Series de tiempo

𝐸((𝑦𝑡 − 𝜇)(𝑦𝑡−𝑘 − 𝜇)) = 𝛾𝑘 = 0 Ruido blanco

Esto esta relacionado con el supuesto A5 de MCO 𝐸 𝜀𝑖 𝜀𝑗 = 0

Objetivo: diseñar un modelo que usa la información del pasado para la

proyección a futuro. El modelo se considera exitoso si después de
usar toda esta información, no queda nada que sea útil para la
predicción.

Esto implica que los residuos (𝜀𝑡 ) serán ruido blanco

 7 Series de tiempo

Modelo AR(1)
𝑦𝑡 = 𝛼 + 𝛽𝑦𝑡−1 + 𝜀𝑡
𝑒𝑠𝑡𝑎𝑐𝑖𝑜𝑛𝑎𝑙𝑖𝑑𝑎𝑑 si −1 < 𝛽 < 1
𝑦𝑡 = 𝛼 + 𝛽(𝛼 + 𝛽𝑦𝑡−2 + 𝜀𝑡−1 ) + 𝜀𝑡
𝑦𝑡 = 𝛼 1 + 𝛽 + 𝜀𝑡 + 𝛽𝜀𝑡−1 + 𝛽2 𝑦𝑡−2
…… 𝑡−2 𝑡−2

𝑦𝑡 = 𝛼 𝛽𝑗 + 𝛽 𝑗 𝜀𝑡−𝑗 + 𝛽𝑡−1 𝑦1
𝑗=0 𝑗=0
𝑆𝑖 𝑡 → ∞ 𝑒𝑛𝑡𝑜𝑛𝑐𝑒𝑠𝛽𝑡−1 𝑦1 → 0
∞
𝛼
𝑦𝑡 = + 𝛽 𝑗 𝜀𝑡−𝑗
1−𝛽
𝑗=0
 7 Series de tiempo

AR(1) 𝑦𝑡 = 𝛼 + 𝛽𝑦𝑡−1 + 𝜀𝑡

AR(2) 𝑦𝑡 = 𝛼 + 𝛽1 𝑦𝑡−1 + 𝛽2 𝑦𝑡−2 + 𝜀𝑡

AR(p) 𝑦𝑡 = 𝛼 + 𝛽1 𝑦𝑡−1 + 𝛽2 𝑦𝑡−2 + ⋯ . . +𝛽𝑝 𝑦𝑡−𝑝 + 𝜀𝑡

cuando β=1 en AR(1) yt no es estacionaria

Si α distinto de cero

𝐸 𝑦𝑡 = 𝛼 + 𝐸 𝑦𝑡−1 + 0 = α + 𝜇 ≠ 𝜇
Si α es cero
𝑦𝑡 = 𝑦𝑡−1 + 𝜀𝑡 𝑒𝑠𝑡𝑜 𝑖𝑚𝑝𝑙𝑖𝑐𝑎 𝑞𝑢𝑒 𝑦𝑡 − 𝜇 = (𝑦𝑡−1 −𝜇) + 𝜀𝑡
2 2 2 2
𝐸 𝑦𝑡 − 𝜇 = 𝐸 𝑦𝑡−1 − 𝜇 + 𝐸 𝜀𝑡 > 𝐸 𝑦𝑡−1 − 𝜇
7 Series de tiempo

Otros modelos de series temporales incluyen los shock como

variables explicativas

MA(1) 𝑦𝑡 = 𝛼 + 𝜀𝑡 + 𝛾𝜀𝑡−1

Este modelo implica que esta correlacionado con y rezagado un

periodo pero no mas allá.

MA(q) 𝑦𝑡 = 𝛼 + 𝜀𝑡 + 𝛾1 𝜀𝑡−1 +….+𝛾𝑞 𝜀𝑡−𝑞

 7 Series de tiempo

Es posible combinar ambos modelos.

ARMA(1,1) 𝑦𝑡 = 𝛼 + 𝛽𝑦𝑡−1 + 𝜀𝑡 + 𝛾𝜀𝑡−1

Este modelo implica que esta correlacionado con y rezagado un periodo

pero no mas allá.

ARMA(p,q)

𝑦𝑡 = 𝛼 + 𝛽1 𝑦𝑡−1 + 𝛽2 𝑦𝑡−2 + ⋯ . . +𝛽𝑝 𝑦𝑡−𝑝 + 𝜀𝑡 + 𝛾1 𝜀𝑡−1 +….+𝛾𝑞 𝜀𝑡−𝑞

 7 Series de tiempo

Coeficiente de autocorrelación de orden k

𝑛
𝑡=𝑘+1 𝑦𝑡 − 𝑦 𝑦𝑡−𝑘 − 𝑦
𝐴𝐶𝐹𝑘 = 𝑐𝑜𝑟𝑟(𝑦𝑡 ; 𝑦𝑡−𝑘 ) = 𝑛
𝑡=𝑘+1 𝑦𝑡 −𝑦 2

Ej. si yt es generado por un MA(q) entonces ACFk ≈ 0 para toda k>q

Coeficiente de autocorrelación parcial de orden k

PACFk no es mas que el estimador MCO del modelo de regresión

𝑦𝑡 = 𝛼 + 𝛽1 𝑦𝑡−1 + 𝛽2 𝑦𝑡−2 + ⋯ . . +𝛽𝑘−1 𝑦𝑡−𝑘+1 + 𝛽𝑘 𝑦𝑡−𝑘 + 𝜀𝑡

Ej. si yt es generado por un AR(p) entonces PACFk ≈ 0 para toda k>p
 7 Series de tiempo

Tendencia: estocástica vs determinística

𝑦𝑡 = 𝑦𝑡−1 + 𝜀𝑡 Paseo aleatoria no hay una dirección clara

𝑦𝑡 = 𝛼 + 𝑦𝑡−1 +𝜀𝑡 α distinto de cero tendencia estocástica

𝑦𝑡 = 𝛼 + 𝛽𝑡 + 𝑦𝑡−1 +𝜀𝑡 β distinto de cero tendencia estocástica

explosiva
𝑦𝑡 = 𝛼 + 𝛽𝑡 + 𝜀𝑡 β distinto de cero tendencia determinística

𝑦𝑡 = 𝛼 + 𝛽𝑡 + 𝛾𝑦𝑡−1 +𝜀𝑡 β distinto de cero y |Ɣ| menor a uno tendencia

determinística

La tendencia estocástica se remueve usando diferencias

𝑦𝑡 = 𝛼 + 𝑦𝑡−1 +𝜀𝑡 ∆𝑦𝑡 = 𝑦𝑡 − 𝑦𝑡−1 = 𝛼 + 𝜀𝑡

7 Estimación

Valores pasados Modelo Predicción

7 Estimación

Valores pasados Modelo Predicción

Objetivo: Mejor uso de información pasada

para realizar predicción.

Deseo: que el error 𝜀𝑡 = 𝑦𝑡 − 𝑦𝑡 no se

correlacione con la información pasada.
7 Estimación

Modelo univariable

𝑦𝑡 = 𝐹 𝑃𝑦𝑡−1 𝑑𝑜𝑛𝑑𝑒 𝑃𝑦𝑡−1 = (𝑦𝑡−1 ; 𝑦𝑡−2 ; …..; 𝑦1 )

Encontrar el modelo F tal que 𝜀𝑡 = 𝑦𝑡 − 𝑦𝑡 no se correlacione con

𝑃𝑦𝑡−1

Elección de F será la función lineal

𝑦𝑡 = 𝛼 + 𝛽1 𝑦𝑡−1 + ⋯ + 𝛽𝑝 𝑦𝑡−𝑝

𝑦𝑡 = 𝑦𝑡 + 𝜀 = 𝛼 + 𝛽1 𝑦𝑡−1 + ⋯ + 𝛽𝑝 𝑦𝑡−𝑝 + 𝜀𝑡 Verdadero valor

Por tanto tenemos un modelo AR(p)

7 Estimación

Modelo univariable
𝑝

𝜀𝑡 = 𝑦𝑡 − 𝛼 − 𝛽𝑗 𝑦𝑡−𝑗 Predicción de error

𝑗=1
𝑛
Minimizar la suma del
𝑀𝑖𝑛 𝜀𝑡2
cuadrado de la Predicción
𝑡=𝑝+1
de error

MCO!!!!!
7 Estimación

𝑦𝑡 = 𝐹 𝑃𝑦𝑡−1 ; 𝑃𝑥𝑡−1 𝑑𝑜𝑛𝑑𝑒 𝑃𝑦𝑡−1 = (𝑦𝑡−1 ; 𝑦𝑡−2 ; …..; 𝑦1 )

y 𝑃𝑥𝑡−1 = (𝑥𝑡−1 ; 𝑥𝑡−2 ; …..; 𝑥1 )

Encontrar el modelo F tal que 𝜀𝑡 = 𝑦𝑡 − 𝑦𝑡 no se correlacione con

𝑃𝑦𝑡−1 ni con 𝑃𝑥𝑡−1

Elección de F será la función lineal

𝑦𝑡 = 𝛼 + 𝛽1 𝑦𝑡−1 + ⋯ + 𝛽𝑝 𝑦𝑡−𝑝 + 𝛾1 𝑦𝑡−1 + ⋯ + 𝛾𝑝 𝑦𝑡−𝑟

𝑝 𝑟

𝑦𝑡 = 𝑦𝑡 + 𝜀 = 𝛼 + 𝛽𝑗 𝑦𝑡−𝑗 + 𝛾𝑗 𝑥𝑡−𝑗 + 𝜀𝑡 ADL(p,r)

𝑗=1 𝑗=1
𝑛

𝑀𝑖𝑛 𝜀𝑡2 m=max(p,r) MCO!!!!!

𝑡=𝑚+1
7 Estimación

Causalidad de Granger

Se construye dos modelos ADL

𝑝 𝑟 𝑝∗ 𝑟∗

𝑦𝑡 = 𝛼 + 𝛽𝑗 𝑦𝑡−𝑗 + 𝛾𝑗 𝑥𝑡−𝑗 + 𝜀𝑡 𝑥𝑡 = 𝛼 ∗ + 𝛽𝑗∗ 𝑦𝑡−𝑗 + 𝛾𝑗∗ 𝑥𝑡−𝑗 + 𝜀𝑡∗

𝑗=1 𝑗=1 𝑗=1 𝑗=1

Xt causa yt en el sentido de Granger si ayuda a

predecir yt mientras que yt no ayuda a predecir xt
 7 Estimación

Determinar si una serie es estacionaria

AR(1) 𝑦𝑡 = 𝛼 + 𝛽𝑦𝑡−1 +𝜀𝑡

𝐻0 : 𝛽 = 1 𝐻1 : −1 < 𝛽 < 1

∆𝑦𝑡 = 𝑦𝑡 − 𝑦𝑡−1 = 𝛼 + 𝛽 − 1 𝑦𝑡−1 +𝜀𝑡 = 𝛼 + 𝜌𝑦𝑡−1 + 𝜀𝑡

𝐻0 : 𝜌 = 0 𝐻1 : 𝜌 < 0

Rechazo H0 si 𝑡𝜌 < −2,9

 7 Estimación

Determinar si una serie es estacionaria

AR(2) 𝑦𝑡 = 𝛼 + 𝛽1 𝑦𝑡−1 +𝛽2 𝑦𝑡−2 + 𝜀𝑡

∆𝑦𝑡 = 𝑦𝑡 − 𝑦𝑡−1 = 𝛼 + 𝛽1 − 1 𝑦𝑡−1 +𝛽2 𝑦𝑡−2 + 𝜀𝑡

= 𝛼 + 𝛽1 + 𝛽2 − 1 𝑦𝑡−1 −𝛽2 𝑦𝑡−1 + 𝛽2 𝑦𝑡−2 + 𝜀𝑡

= 𝛼 + 𝛽1 + 𝛽2 − 1 𝑦𝑡−1 −𝛽2 (𝑦𝑡−1 − 𝑦𝑡−2 ) + 𝜀𝑡

= 𝛼 + 𝛽1 + 𝛽2 − 1 𝑦𝑡−1 −𝛽2 ∆𝑦𝑡−1 + 𝜀𝑡

𝐻0 : 𝜌 = 0 𝐻1 : 𝜌 < 0

Rechazo H0 si 𝑡𝜌 < −2,9

 7 Estimación

Prueba de Dicky Fuller

El test no debe incluir tendencia determinística si los datos no

tienen una tendencia clara

∆𝑦𝑡 = 𝛼 + 𝜌𝑦𝑡−1 + 𝛾1 ∆𝑦𝑡−1 ±− ∓𝛾𝐿 ∆𝑦𝑡−𝐿 + 𝜀𝑡

Rechazo H0 si 𝑡𝜌 < −2.9

El test incluye tendencia determinística si los datos tienen

una tendencia clara

∆𝑦𝑡 = 𝛼 + 𝛽𝑡 + 𝜌𝑦𝑡−1 + 𝛾1 ∆𝑦𝑡−1 ±− ∓𝛾𝐿 ∆𝑦𝑡−𝐿 + 𝜀𝑡

Rechazo H0 si 𝑡𝜌 < −3.5

 7 Estimación

Resumen de procedimiento para especificación:

AR para yt
Primero: Realizar la prueba ADF en yt
Si rechazo raíz unitaria o no estacionariedad  yt es
estacionaria
Si no rechazo  debo tomar ∆𝑦𝑡 y aplicar ADF sobre ∆𝑦𝑡

Segundo: Estimar modelo AR para series estacionarias con

MCO
 7 Estimación

Resumen de procedimiento:

ADL para yt con variables explicativas Xt

Primero: Realizar la prueba ADF en yt y Xt
Si rechazo raíz unitaria o no estacionariedad  es
estacionaria
Si no rechazo  tomar diferencia hasta que se rechaza

Segundo: Estimar modelo ADL para series estacionarias (yt y

Xt) con MCO
 7 Estimación

Cointegración y corrección de errores

Dos variables están cointegradas cuando individualmente no son

estacionaria pero una combinación lineal de estas es estacionaria
(𝑦𝑡 −𝑐𝑥𝑡 )
𝑦𝑡= 𝑐𝑥𝑡  Equilibrio de largo plazo

Prueba de Engle _Granger

Paso 1: MCO de 𝑦𝑡 = 𝛼 + 𝛽𝑥𝑡 + 𝜀𝑡  b y residuos et

Paso 2: Están cointegradas si la prueba ADF en et rechaza no
estacionariedad
∆𝑒𝑡 = 𝛼 + 𝜌𝑒𝑡−1 + 𝛾1 ∆𝑒𝑡−1 + ⋯ . +𝛾𝐿 ∆𝑒𝑡−𝐿 + 𝑤𝑡
Rechazo H0 si 𝑡𝜌 < −3.4 (3.8 𝑠𝑖 𝑡𝑒𝑛𝑑𝑒𝑛𝑐𝑖𝑎 𝛽𝑡)
7 Estimación

Cointegración y corrección de errores

En caso de cointegracion el modelo ADL puede

expresarse como un modelo de corrección de errores

∆𝑦𝑡 = 𝛼 + 𝛽1 𝑦𝑡−1 − 𝑏𝑥𝑡−1 + 𝛽2 ∆𝑦𝑡−1 + 𝛽3 ∆𝑥𝑡−1 + 𝜀𝑡

7 Evaluación

1. Probar no estacionariedad: ADF

∆𝑦𝑡 = 𝛼 + 𝜌𝑦𝑡−1 + 𝛾1 ∆𝑦𝑡−1 ±− ∓𝛾𝐿 ∆𝑦𝑡−𝐿 + 𝜀𝑡

Valor critico 𝑡𝜌 : −2.9 𝑠𝑖 𝛽 = 0 𝑜 − 3.5 𝑠𝑖 𝛽 ≠ 0

Si los datos son estacionarios

𝑝
MCO para AR: 𝑦𝑡 = 𝛼 + 𝑗=1 𝛽𝑗 𝑦𝑡−𝑗 + 𝜀𝑡
𝑝
Si incluyo tendencia 𝑦𝑡 = 𝛼 + 𝛾𝑡 + 𝑗=1 𝛽𝑗 𝑦𝑡−𝑗 + 𝜀𝑡

𝑝 𝑟
MCO para ADL: 𝑦𝑡 = 𝛼 + 𝑗=1 𝛽𝑗 𝑦𝑡−𝑗 + 𝑗=1 𝛾𝑗−𝑡 𝑥𝑡−𝑗 + 𝜀𝑡
𝑝 𝑟
Si incluyo tendencia 𝑦𝑡 = 𝛼 + 𝛾𝑡 + 𝑗=1 𝛽𝑗 𝑦𝑡−𝑗 + 𝑗=1 𝛾𝑗−𝑡 𝑥𝑡−𝑗 + 𝜀𝑡
 7 Evaluación

Probar cointegracion

Si y y x son no estacionarios se debe probar cointegracion

Prueba de Engle Granger

MCO para 𝑦𝑡 = 𝛼 + 𝛽𝑥𝑡 + 𝜀𝑡  by residuos et
MCO para ∆𝑒𝑡 = 𝛼 + 𝛽𝑡 + 𝜌𝑒𝑡−1 + 𝛾1 ∆𝑒𝑡−1 + ⋯ . +𝛾𝐿 ∆𝑒𝑡−𝐿 + 𝑤𝑡

Valor crítico 𝑡𝜌 : −3.4 𝑠𝑖 𝛽 = 0 𝑜 − 3.8 𝑠𝑖 𝛽 ≠ 0

Si y y x están cointegrados, se estima ECM

𝑝 𝑟

∆𝑦𝑡 = 𝛼 + 𝛽𝑡 + 𝛾1 𝑦𝑡−1 − 𝑏𝑥𝑡−1 + 𝛾𝑦𝑗 ∆𝑦𝑡−𝑗 + 𝛾𝑥𝑗 ∆𝑥𝑡−𝑗 + 𝜀𝑡

𝑗=1 𝑗=1
7 Evaluación

Diagnostico

Elección de rezagos a partir de criterios de información

Test de estabilidad: Chow test

Normalidad de residuos: Jarque Bera  valor critico 6.0

Probar si residuo es ruido blanco

Autocorrelacion de residuos

Breusch Godfrey
7 Evaluación

Breusch Godfrey

1ro: Estimo modelo y obtengo et

2do: Regresiones et en todas las variables y r rezagos de et

3ro: BG=nR2 de la regresión del paso dos. 𝐵𝑔 ≈ χ2 𝑟 si et

es ruido blanco

El modelo no esta correctamente especificado si BG>6.0

 7 Ejemplo

3.2
25

3
20

2.8
15

2.6
2.4
10

1970 1980 1990 2000 2010 2020

1970 1980 1990 2000 2010 2020 YEAR
YEAR
X1 X2
RPK1 RPK2
.04

.04
.03

.02
.02
DX1

DX2
.01

0
0
-.01

-.02

1970 1980 1990 2000 2010 2020 1970 1980 1990 2000 2010 2020
YEAR YEAR
7 Ejemplo
7 Ejemplo
7 Ejemplo
7 Ejemplo