Documentos de Académico
Documentos de Profesional
Documentos de Cultura
AUTORES:
CURSO:
Econometría II
DOCENTE:
Tarapoto-Perú
2022
Dedicatoria
2
Objetivos
Objetivo General
Objetivos Específicos
3
Índice
Dedicatoria ........................................................................................................................................ 2
Objetivos ........................................................................................................................................... 3
Introducción...................................................................................................................................... 5
CAPÍTULO I .................................................................................................................................... 6
ASPECTOS ADICIONALES DE MÍNIMOS CUADRADOS ORDINARIOS CON DATOS
DE SERIES DE TIEMPO ............................................................................................................... 6
1.1 Mínimos cuadrados ordinarios y datos de series de tiempo ......................................... 6
1.2 Series de tiempo estacionarias y no estacionarias ......................................................... 6
1.2.1 Proceso estocástico estacionario .............................................................................. 7
1.2.2 Proceso estacionario en covarianza ........................................................................ 7
1.3 Series de tiempo débilmente dependientes ..................................................................... 7
1.4 Propiedades asintóticas de MCO .................................................................................... 8
1.5 Uso de series de tiempo altamente persistentes en el análisis de regresión ................. 9
1.5.1 Series de tiempo altamente persistentes ................................................................. 9
1.5.2 Transformaciones de series de tiempo altamente persistentes ........................... 14
1.6 Modelos dinámicamente completos y ausencia de correlación serial ........................ 16
1.7 El supuesto de homocedasticidad en los modelos de series de tiempo ....................... 19
CONCLUSIONES .......................................................................................................................... 20
REFERENCIAS BIBLIOGRÁFICAS ......................................................................................... 21
Introducción
Los Mínimos Cuadrados Ordinarios (MCO) con datos de series de tiempo implica el
estudio de un conjunto de observaciones de una variable, medida en puntos sucesivos de
periodos temporales. Este modelo estático, representa una relación entre las variables. El
método se utiliza para encontrar los parámetros poblacionales en un modelo de regresión
lineal; así mismo este método minimiza la suma las distancias verticales entre las respuestas
observadas en la muestra y las respuestas del modelo.
5
CAPÍTULO I
Las series de tiempo que tienen una correlación temporal sustancial requieren
una atención especial en el análisis de regresión y es en esto en que se basa el tema.
7
Antes de empezar a calcular medias, varianzas y covarianzas tenemos que
asegurarnos que las serie es estacionaria. En general se busca estacionariedad débil
(Hinostroza, 2021).
8
Los primeros supuestos agregan principalmente la propiedad de dependencia
débil, necesaria para derivar las propiedades asintóticas de MCO la estacionariedad no
es indispensable, pero simplifica el planteamiento y la interpretación de los supuestos
(Albarán, s.f.) por lo tanto, el proceso estocástico es estacionario y débilmente
dependiente y sigue el modelo lineal.
𝑦1 = 𝑦𝑡−1 + 𝑒𝑡 , 𝑡 = 1,2, ..
9
esperado de 𝑦𝑡 . Esto se realiza con mayor facilidad si se utiliza la sustitución
repetida para obtener. (Wooldridge, 2010, p. 389)
𝑦1 = 𝑒𝑡 + 𝑒𝑡−1 , + ⋯ + 𝑒1 + 𝑦0
10
de una serie de tiempo. A continuación, se estudiará un método informal para
hacer la distinción entre secuencias débilmente y altamente dependientes.
(Wooldridge, 2010, p. 390)
Figura 1
Realizaciones de la caminata aleatoria.
11
Figura 2
Tasa de los bonos del Tesoro a tres meses, para el periodo de 1948 a 1996.
Nota: El gráfico nos muestra una serie de caminata aleatoria, donde se trazan
los datos anuales para los años de 1948 a 1996. Fuente: Introducción a la
econometría. Un enfoque moderno (p.390), por Wooldridge, J.M., 2010,
Cengage Learning Editores, S.A.
Una serie que por lo general se considera bien descrita por una
caminata aleatoria, es la tasa de los bonos del Tesoro a tres meses. Los datos
anuales se trazan en la segunda figura para los años de 1948 a 1996. Una
caminata aleatoria es un caso especial de lo que se conoce como proceso de
raíz unitaria. (Wooldridge, 2010, p. 391)
12
política que produce un cambio discreto en el PIB puede tener efectos
duraderos.
Es de gran importancia no confundir los comportamientos de
tendencia y persistencia elevada.
Una serie puede mostrar tendencia, pero no ser muy persistente. Más
aun, muchos piensan que factores tales como las tasas de interés, los índices
de inflación y las tasas de desempleo son altamente persistentes, pero no
tienen tendencias manifiestas hacia arriba o hacia abajo. Sin embargo, a
menudo ocurre que una serie altamente persistente también muestra una clara
tendencia. Un modelo que conduce a este comportamiento es la caminata
aleatoria con deriva:
𝑦1 = 𝛼0 + 𝑦𝑡−1 + 𝑒1, , 𝑡 = 1,2, …
13
Figura 3
Caminata aleatoria con deriva.
14
A través de los procesos de raíz unitaria se pueden transformar
haciendo que sean débilmente dependientes. Se dice que los procesos de raíz
unitaria, como la caminata aleatoria (con o sin deriva), son integrados de
orden uno. Esto significa que la primera diferencia del proceso es débilmente
dependiente (y a menudo estacionaria). Una serie de tiempo integrados de
orden uno, a menudo se considera un proceso estacionario en diferencias, aun
cuando en cierto modo el nombre es engañoso respecto al énfasis que se pone
en la estacionariedad después de la diferenciación, en vez de la dependencia
débil en las diferencias.
Es más fácil apreciar el concepto de proceso integrado de orden uno
en una caminata aleatoria. Con {𝒚𝒕 } generado para t 1, 2, …,
∆𝒚𝒕 = 𝒚𝒕 − 𝒚𝒕−𝟏 = 𝒆𝒕 , 𝒕 = 𝟐, 𝟑, … ;
Donde {𝒆𝒕 } es un proceso débilmente dependiente, entonces {∆𝒚𝒕 }
es débilmente dependiente. Por tanto, cuando se sospecha que los procesos
son integrados de orden uno, a menudo se obtienen las primeras diferencias
con el fin de utilizarlas en el análisis de regresión.
Muchas series de tiempo 𝒚𝒕 que son estrictamente positivas, son tales
que log( 𝒚𝒕 ) es integrado de orden uno. En este caso, en el análisis de
regresión se usa la primera diferencia de los logaritmos.
∆𝒍𝒐𝒈(𝒚𝒕 ) = 𝐥𝐨𝐠 (𝒚𝒕 ) − 𝒍𝒐𝒈(𝒚𝒕−𝟏 )
∆𝒍𝒐𝒈(𝒚𝒕 ) ≈ ( 𝒚𝒕 − 𝒚𝒕−𝟏 )/𝒚𝒕−𝟏
La diferenciación de las series de tiempo antes de usarlas en el análisis
de regresión conlleva otra ventaja: elimina cualquier tendencia lineal en el
tiempo, como se aprecia con facilidad al escribir una variable con tendencia
lineal en el tiempo como
𝒚𝒕 = 𝜸𝟎 + 𝜸𝟏 𝒕 + 𝒗𝒑
En donde 𝒗𝒕 tiene media cero. De ahí que, 𝚫𝒚𝒕 = 𝜸𝟎 + 𝜸𝟏 𝒕 + 𝒗𝒑 y
por ende E (𝚫𝒚𝒕 ) = 𝜸𝒕 + 𝚫𝒗𝒕 = 𝜸𝟏 En otras palabras E (𝚫𝒚𝒕 ) es constante.
En vez de incluir una tendencia en el tiempo en una regresión, se pueden
diferenciar las variables que muestran tendencias claras.
Existen métodos informales que proporcionan lineamientos útiles
para saber si un proceso de serie de tiempo se considera más o menos
débilmente dependiente. Una herramienta muy simple es motivada por el
15
modelo AR(1): si |𝒑𝟏 | < 1 , el proceso es integrado de orden 0, pero |𝒑𝟏 |=1,
entonces es integrado en orden 1.
Para poder tener una mejor comprensión al tema, será estará usando los
supuestos en el modelo AR (1), entendiendo a esto como “un modelo autorregresivo
que está construido únicamente sobre un retardo” (Rodó, 2019). Es decir, para poder
comprender una variable (𝑦𝑡 ) se necesita estudiar una observación pasada (𝑦𝑡−1 ).
𝑦𝑡 = 𝛽0 + 𝛽1𝑧𝑡 + 𝑢𝑡
16
Entonces el supuesto 𝐸(𝑢𝑡 |𝑦𝑡−1 , 𝑦𝑡−2 , … ) = 0 es válido. En particular, las {𝑢𝑡 }
no están correlacionadas serialmente. De manera natural, suponer
𝐸(𝑢𝑡 |𝑧𝑡 , 𝑦𝑡−1, , 𝑧𝑡−1 , … ) = 0 implicada que 𝑧𝑡 es contemporáneamente exógena, es
decir, 𝐸(𝑢𝑡 |𝑧𝑡 ) = 0.
Es decir, está compuesto por una variable explicada y una o más variables
explicativas en las que estas pueden estar acompañadas por una “t” en la parte inferior
(subíndice) en la que hace referencia al tiempo. Sin embargo, estas variables puedes
llevar en el subíndice “t-1”, que hace referencia a un rezago o un retardo; aunque esta
puede llevar de un rezago “t-1” o más “t-k”. (Economipedia, 2018)
𝑦𝑡 = 𝛽0 + 𝛽1 𝑧𝑡 + 𝛽2 𝑧𝑡−1 + 𝛽3 𝑧𝑡−2 + 𝑢𝑡
Como se espera captar los efectos rezagados que 𝑧 tiene sobre 𝑦, sería natural
suponer que la ecuación reproduce la dinámica de rezagos distribuidos:
17
𝑧 y sus dos rezagos se toman en consideración, ningún rezago de 𝑦 o rezagos
adicionales de 𝑧 afectan la 𝑦 actual:
Siendo esta ecuación más viable que la ecuación 𝐸(𝑦𝑡 |𝑧𝑡 , 𝑦𝑡−1, , 𝑧𝑡−1 , … ) =
𝐸(𝑦𝑡 |𝑧𝑡 ) = 𝛽0 + 𝛽1 𝑧𝑡 , pero aún descarta que la 𝑦 rezagada influya sobre la 𝑦 actual.
(Wooldridge, 2010, pp. 396-397)
Dicho de otro modo, sin importar las variables que formas parte de x, se han
incluido suficientes rezagos de 𝑦 para que rezagos adicionales de 𝑦 y de las variables
explicativas no tengan importancia en la explicación de 𝑦𝑡 . Cuando se cumple esta
condición, se tiene un modelo dinámico completo. Siendo la completitud dinámica un
supuesto fuerte en los modelos estáticos y de rezagos distribuidos finitos.
(Wooldridge, 2010, p.397)
18
𝛿1 𝑧𝑡−1 + 𝛿2 𝑧𝑡−2, entonces los regresores 𝑥𝑡 = (𝑧𝑡 , 𝑧𝑡−1, , 𝑧𝑡−2 ) son secuencialmente
exógenos debido a que se ha supuesto que dos rezagos son suficientes para la dinámica
de rezagos distribuidos. (pp.398-399)
19
CONCLUSIONES
1. Analizar con datos de series de tiempo implica el estudio de un conjunto de
observaciones de una variable, esté medida en puntos sucesivos de periodos
temporales. Por lo que, el método de MCO se utiliza para encontrar los parámetros
poblacionales en un modelo de regresión lineal; así mismo este método minimiza la
suma las distancias verticales entre las respuestas observadas en la muestra y las
respuestas del modelo.
2. Un proceso estocástico estacionario es aquel cuya distribución de probabilidad varía
de forma más o menos constante a lo largo de cierto periodo de tiempo. Sin embargo,
un proceso estacionario en covarianza es cuando su función de valor medio es
constante independiente de t y su función de autocovarianza depende de la diferencia
de los argumentos.
3. Las propiedades asintóticas de MCO se basan en cinco supuestos que son la
linealidad y dependencia débil, la no existencia de Colinealidad perfecta, la media
condicional cero, la homocedasticidad y la no existencia de correlación serial.
4. Las series de tiempo dependientes muestran que las series de tiempo que se utilicen
sean débilmente dependientes, los procedimientos usuales de inferencia de MCO
serán válidos bajo supuestos más débiles que aquellos del modelo lineal clásico, por
lo que las series de tiempo altamente persistentes o fuertemente dependientes, deben
transformarse para utilizarlas en un análisis.
5. Un modelo dinámicamente completo se cumple cuando sin importar las variables
que forman parte de 𝑥𝑡 , se han incluido suficientes rezagos de 𝑦 para que rezagos
adicionales de y de las variables explicativas no tengan importancia en la explicación
de 𝑦𝑡 , por tanto, significa que no existe una correlación serial o autocorrelación.
6. El supuesto de homocedasticidad comprende que, condicionando en las variables
explicativas, la varianza del término de error no observado es constante.
20
REFERENCIAS BIBLIOGRÁFICAS
https://www.coursehero.com/file/p53c35v/Series-temporales-estacionarias-y-
d%C3%A9bilmente-dependientes-Propiedades/
Huarunga, J. (2017). Distribucion asintotica de los estimadores MCO en una regresion lineal con
https://economipedia.com/definiciones/modelo-econometrico-
dinamico.html#:~:text=Un%20modelo%20econom%C3%A9trico%20din%C3%A1mico%
20es%20aquel%20en%20que%20una%20o,Y%3A%20Es%20la%20variable%20explicad
a.
Economipedia.com: https://economipedia.com/definiciones/modelo-de-retardos-
distribuidos-
finitos.html#:~:text=Un%20modelo%20de%20retardos%20distribuidos,tras%20uno%20o
%20m%C3%A1s%20periodos.
https://economipedia.com/definiciones/modelo-
ar1.html#:~:text=El%20modelo%20AR(1)%2C,en%20un%20per%C3%ADodo%20de%2
0tiempo.
21
Álvarez, A. (2014). Propiedades del Estimador MCO. Universidad de Muncia, Departamento de
Huarunga, J. (2017). Distribucion asintotica de los estimadores MCO en una regresion lineal con
https://economipedia.com/definiciones/modelo-econometrico-
dinamico.html#:~:text=Un%20modelo%20econom%C3%A9trico%20din%C3%A1mico%
20es%20aquel%20en%20que%20una%20o,Y%3A%20Es%20la%20variable%20explicad
a.
Economipedia.com: https://economipedia.com/definiciones/modelo-de-retardos-
distribuidos-
finitos.html#:~:text=Un%20modelo%20de%20retardos%20distribuidos,tras%20uno%20o
%20m%C3%A1s%20periodos.
https://economipedia.com/definiciones/modelo-
ar1.html#:~:text=El%20modelo%20AR(1)%2C,en%20un%20per%C3%ADodo%20de%2
0tiempo.
22