Econometría Avanzada

Taller #6
Soluciones
1. (15 puntos) Sea { x t :t=1,2 , … } un proceso estacionario en covarianza y defina γ h=Cov ( xt , x t +h ) para h ≥ 0
(entonces γ 0=Var ( x t ) . Muestre que Corr ( xt , x t +h )=γ h /γ 0.

Debido a la estacionariedad en covarianza tenemos que

Var ( x t ) =γ 0

No depende de t . Por lo tanto,

sd ( x t )=√ γ 0

sd ( x t +h ) =√ γ 0 para h ≥ 0

Por definición

Cov ( x t , x t +h ) γh γh
Corr ( xt , x t +h )= = =
sd ( x t ) sd ( x t+ h ) √ γ0 √ γ0 γ0

1
 2. (20 puntos) Un modelo de ajuste parcial está dado por

y ¿t =γ 0 +γ 1 x t + et
¿
y t − y t−1= λ ( y t − y t−1 ) + at
¿ ¿
Donde y t es el nivel deseado (u óptimo) de y y y t es el nivel actual (observado). Por ejemplo, y t es el nivel
deseado de crecimiento de inventarios de la firma y x t es el crecimiento de las ventas de la firma. El parámetro γ 1
¿
mide el efecto de x t en y t . La segunda ecuación describe cómo el nivel de y actual se ajusta dependiendo de la
relación entre el nivel deseado de y en el momento t y el nivel actual de y en el momento t−1. El parámetro λ
mide la velocidad de ajuste y es tal que 0< λ<1.
¿
(i) Inserte la primera ecuación para y t en la segunda y muestre que se puede escribir

y t =β 0+ β1 y t −1 + β 2 x t +u t

Específicamente encuentre β j en términos de γ j y λ y encuentre ut en términos de e t y a t. Entonces, el

modelo de ajuste parcial lleva a un modelo con una variable dependiente rezagada y un x contemporáneo.
Si insertamos la primera ecuación en la segunda obtenemos

y t =λ ( ( γ 0+ γ 1 x t +e t ) − y t −1 ) + at

y t = y t−1 + λ γ 0 + λ γ 1 x t + λ e t −λ y t −1 +a t= λ γ 0+ ( 1−λ ) y t −1+ λ γ 1 x t + ( at + λ et )

y t =β 0+ β1 y t −1 + β 2 x t +u t

Donde β 0=λ γ 0, β 1=( 1− λ ), β 2=λ γ 1 y ut =a t + λ e t

(i) Si E ( e t ∨xt , y t −1 , x t−1 , … )=E ( at ∨x t , y t −1 , x t−1 , … )=0 y todas las series son débilmente dependientes
¿Cómo estimaría los β j ?

Una regresión de y t en y t −1 y x t producirá estimadores consistentes y asintóticamente normales para β j . Si

E ( e t ∨xt , y t −1 , x t−1 , … )=E ( at ∨x t , y t −1 , x t−1 , … )=0 entonces

ut =a t + λ e t

E ( ut ∨x t , y t−1 , x t −1 , … ) =E ( at ∨x t , y t−1 , x t −1 , … ) + λ E ( e t∨x t , y t −1 , xt −1 , … )=0

Por lo que el modelo es dinámicamente completo. Por lo tanto, los errores estarán serialmente no correlacionados.
2
El supuesto de homocedasticidad, Var ( ut ∨x t , yt −1 , x t−1 , … ) =σ , se cumple entonces los errores estándar, los
estadísticos t y F son asintóticamente válidos.

(ii) Si ^β 1=0.7 y ^β 2=0.2 ¿cuáles son las estimaciones para γ 1 y λ ?

Como β 1=( 1− λ ) y β 2=λ γ 1 entonces ^β 1=( 1− ^λ ) y ^β 2= ^λ γ^ 1 entonces

0.7=( 1− ^λ )
^λ=0.3

Por lo que

2
 0.2=0.3 γ^ 1

2
^γ 1= =0.667
3

3
 3. (25 puntos) Sea { e t :t=−1,0,1 , … } una secuencia de variables aleatorias idéntica e independientemente
distribuidas con media cero y varianza uno. Defina el proceso estocástico como
1 1
x t =et − e t−1 + e t−2 ,t=1,2 , …
2 2

(i) Encuentre E ( x t ) y Var ( x t ). ¿Alguno de éstos depende de t ?

Como { e t :t=−1,0,1 , … } es una secuencia de variables aleatorias idéntica e independientemente distribuidas con
media cero y varianza uno tenemos

E ( e t ) =E ( e t−1 ) =E ( e t−2 )=0

Var ( e t ) =Var ( et −1 )=Var ( e t−2 ) =1

Entonces
1 1
E ( x t ) =E ( e t ) − E ( et −1 ) + E ( e t−2 )=0
2 2

( )
Var ( x t ) =Var ( et ) +
−1 2
2
Var ( et −1 ) + ()
1 2
2
1 1 4+1+1 6 3
Var ( et −2 )=1+ + =
4 4 4
= =
4 2
Donde vemos que ninguno depende de t .

(i) Muestre que

−1
Corr ( xt , x t +1 )=
2
1
Corr ( xt , x t +2 )=
3
Recuerde que

Cov ( x t , xt +h )
Corr ( xt , x t +h )=
√ Var ( x ) Var ( x
t t +h )
Entonces
1 1
x t +1=e t +1− e t + e t−1
2 2

( 1 1
2
1
2
1
Cov ( x t , x t +1) =Cov e t− e t −1 + e t−2 , et +1− et + et −1
2 2 )
1 1
¿ Cov ( e t , e t +1 )− Cov ( e t , e t ) + Cov ( et , e t −1 )
2 2
−1 1 1
Cov ( e t −1 , e t+1 ) + Cov ( et −1 , e t ) − Cov ( e t−1 , et −1 )
2 4 4
+1 1 1
Cov ( e t −2 , e t+1 ) − Cov ( e t−2 , et ) + Cov ( e t−2 , et −1 )
2 4 4
1 1 −1 1 −3
¿− Var ( et )− Var ( e t−1 )= − =
2 4 2 4 4

4
5
Entonces

Cov ( x t , x t +1 ) −3/4 −1
Corr ( xt , x t +1 )= = =
√ Var ( x t ) Var ( x t +1 ) 3/2 2
Y, por otro lado
1 1
x t +2=e t +2− e t+1 + e t
2 2

( 1 1
2
1
2
1
Cov ( x t , x t +2) =Cov e t− e t −1 + e t−2 , et +2 − et +1 + e t
2 2 )
1 1
¿ Cov ( e t , e t +2 )− Cov ( e t , e t +1 )+ Cov ( e t , et )
2 2
−1 1 1
Cov ( e t −1 , e t+2 ) + Cov ( et −1 , e t +1 )− Cov ( et −1 , e t )
2 4 4
+1 1 1
Cov ( e t −2 , e t+2 ) − Cov ( e t−2 , et +1 ) + Cov ( et −2 , e t )
2 4 4
1 1
¿ Var ( et )=
2 2
Entonces

Cov ( x t , xt +2 ) 1/2 1
Corr ( xt , x t +2 )= = =
√ Var ( x ) Var ( x
t t +2 ) 3/2 3

(ii) ¿Cuál es el valor de Corr ( xt , x t +h ) para h>2 ?

Ahora
1 1
x t +h=e t +h− e t +h−1+ et +h−2
2 2

( 1 1
2
1
2
1
Cov ( x t , x t +h )=Cov e t− et −1+ e t −2 , e t+ h− e t+ h−1 + e t +h−2
2 2 )
1 1
¿ Cov ( e t , e t +h )− Cov ( et , e t +h−1 ) + Cov ( e t , et +h−2 )
2 2
−1 1 1
Cov ( e t −1 , e t+ h) + Cov ( e t−1 , et +h−1 )− Cov ( et −1 , e t +h−2 )
2 4 4
+1 1 1
Cov ( e t −2 , e t+ h) − Cov ( e t −2 , e t+ h−1 ) + Cov ( et −2 , e t +h−2 )
2 4 4
Si h>2 entonces

Cov ( et , e t +h−2 )=Cov ( et ,e t +h−1 )=Cov ( et , et +h ) =0

Cov ( et −1 , e t +h−2) =Cov ( et −1 , e t+ h−1) =Cov ( e t −1 , e t+ h )=0

6
 Cov ( et −2 , e t +h−2) =Cov ( et −2 , e t +h−1) =Cov ( et −2 , e t +h )=0

Entonces

Cov ( x t , x t +h )=0

Entonces

Cov ( x t , xt +h )
Corr ( xt , x t +h )= =0 , t >2
√ Var ( xt ) Var ( x t +h )
(iii) ¿Es { x t } un proceso asintóticamente no correlacionado?

Observe que, de acuerdo con los resultados anteriores, estos implican que Corr ( xt , x t +h ) →0 cuando h → ∞, es
decir, { x t } un proceso asintóticamente no correlacionado

7
4. (15 puntos) Sea { y t :t=1,2 , … } sigue una caminata aleatoria

y t = y t−1 +e t

Donde { e t } es una secuencia iid con media cero y varianza σ e con y 0=0. Muestre que
2

( )
1
t
Corr ( y t , y t+ h )= 2
t +h
Para t ≥ 1 , h>0

Por definición de correlación

Cov ( y t , y t+ h )
Corr ( y t , y t+ h )=
√Var ( y ) Var ( y
t t +h )
Y tenemos
y t −1 = y t−2 +e t−1
y t = y t−2 +e t −1 +e t
Por sustitución recursiva
y t = y 0 +e 1+ …+e t−1 +e t =e1 +…+ et −1+ e t
Entonces
E ( y t )=E ( e 1 ) +…+ E ( et −1 )+ E ( e t )=0
2
Var ( y t ) =Var ( e1 ) + …+Var ( e t−1 ) +Var ( e t )=t σ e
2
Var ( y t +h )=Var ( e 1 ) +…+Var ( e t −1 ) +Var ( e t ) =( t+ h ) σ e
Por otro lado, tenemos
y t +h= y t +h−1 +e t +h
y t +h−1= y t +h−2 +e t +h−1
y t +h= y t +h−2 +e t +h−1+ e t+h
Por sustitución recursiva
y t +h= y t +e t+ 1+ …+ e t+ h−1 +e t +h
Entonces
Cov ( y t , y t +h ) =Cov ( y t , y t + et +1 +…+ et +h−1 +e t+ h )
¿ Cov ( y t , y t ) +Cov ( y t , e t +1 )+ …+Cov ( y t ,e t +h−1 ) +Cov ( y t , e t +h )
2
¿ Var ( y t ) =t σ e
Entonces
Cov ( y t , y t+ h) 2

( )
1/ 2 1/ 2
t σe t t t
= = = = lqqd
√Var ( y ) Var ( y
t t +h ) √t σ 2
e (t + h) σe 2 1 /2
t ( t +h )
1 /2
( t +h )
1/ 2
t+h

8
 5. (25 puntos) Suponga que la serie de tiempo { y t } está generada por
y t =z+ e t
Donde { e t } es una secuencia iid con media cero y varianza σ 2e. La variable aleatoria z no depende del tiempo, y
tiene media cero y varianza σ z . Suponga que cada e t no está correlacionado con z .
2

(i) Encuentre el valor esperado y la varianza de y t . ¿Estos dependen de t ?

E ( y t )=E ( z ) + E ( e t ) =0
Var ( y t ) =Var ( z ) +Var ( e t ) +2 Cov ( z , et )=σ 2z +σ 2e

Vemos que ninguna de éstas depende de t .

(ii) Encuentre Cov ( y t , y t +h ) para cualquier t y h . ¿Es { y t } estacionaria en covarianza?

y t +h=z +e t +h

Cov ( y t , y t +h ) =Cov ( z +e t , z + et +h )

¿ Cov ( z , z ) +Cov ( z , et +h ) +Cov ( e t , z ) +Cov ( e t , et +h )

2
¿ Var ( z ) =σ z

Observe que E ( y t ) no depende de t , Var ( y t ) no depende de t y Cov ( y t , y t +h ) no depende de t ni h , por lo que y t es

estacionaria en covarianza.
(iii) Use las partes (i) y (ii) para mostrar que
σ 2z
Corr ( y t , y t+ h )=
σ 2z +σ 2e
Cov ( y t , y t+ h ) σe
2
σe
2
Corr ( y t , y t+ h )= = =
√Var ( y ) Var ( y
t t +h ) √ (σ 2z + σ 2e )
2
σ 2z +σ 2e
(iv) De acuerdo con estos resultados, ¿ y t está asintóticamente no correlacionada? Explique.

Observe que la expresión

2
σz
Corr ( y t , y t+ h )= 2 2
σ z +σ e

No depende de h , es decir
2
σz
lim Corr ( y t , y t +h ) = 2 2
≠0
h→∞ σ z +σ e

Por lo tanto, y t no está asintóticamente no correlacionada.