#---------------------------------------------------------------------------------------------------------------

----------------------------
#NOS CENTRAMOS!!!!!
#QUIERO ENTENDER CUAL ES EL COMPORTAMIENTO DE UNA SERIE
ESTACIONARIA, DECIDIMOS USAR UN MODELO PARA TRATAR DE EXPLICAR
ESTE COMPORTAMIENTO.
#EMPEZAREMOS A USAR--> Modelos Lineales en Procesos Estocasticos
Estacionarios y Ergodicos: Basicamente lo unico que tego para explicar este
comportamiento, es su pasado.

#1: Epsilon(t) no debe de estar relacionada con el pasado (variables explicativas),

para asi tener un modelo adecuado.
¡ENTRA EN ACCIÓN EL RUIDO BLANCO!

#Ruido Blanco: Se trata de una sucesion de variables aleatorias (EPSILON) con

esperanza cero,igual varianza e incorrelacionadas dos a dos en el tiempo.
Las fas y las fap de un proceso de ruido blanco son iguales a cero, excepto sus
valores iniciales que son unitarios.
En Economia, el ruido blanco se identica con perturbaciones o \shocks imprevistos
(cambios en los precios de las acciones, los tipos de interes, desastres naturales,
etc.).

Un correlograma de ruido blanco, nos daria que todas las correlaciones son 0.

#MODELOS AUTORREGRESIVOS AR(p)

Yo tendre un modelo autorregresivo de orden p si Yt depende unicamente de su
pasado y necesito usar p retardos de Yt.
Sera de orden 3 cuando Yt dependa de Yt-1, Yt-2, Yt-3
#MODELO DE MEDIA MOVIL MA (q)
Cuando solo dependa del pasado de epsilon t y será de orden q dependiendo de los
retardos anteriores.
#MODELOS ARMA (p,q)
Mezcla de los dos modelos anteriores.

#¡¡¡¡¡¡NO CONTAMOS RETARDOS, NOS FIJAMOS EN EL ORDEN DE ELLOS, EL

RETARDO MAXIMO MARCARÁ EL ORDEN DE CADA MODELO.!!!!!!!

#IMPORTANTE
#Segun el teorema de Wall cualquier serie que sea erodica, podra convertirse en
caulquier de estos modelos.

#como decido si la serie que estoy observando sigue un AR,MA, o ARMA? LA

FUNCION DE AUTOCORRELACION PARCIAL.
#QUE CUMPLE EN TOERIA LA FUNCIÓN DE UN AUTORREGRESIVO?
-la simple la caracteristica que cumple es que ha de caer exponencialmente hacia 0,
pero la autocorrelacion no tiene porque siempre ser positiva; puede ser positiva,
negativa, pero ir decayendo.
-la parcial si es un autorregresivo d eorden 1, vva suceder que la autocorrelacion de
orden 1 es distinta de 0, pero la autocorrelacion parcial de orden 2, orden 3,... van a
ser siempre 0.
es decir, las siguientes autocorrelaciones seran 0.
Si es de orden 2, la primera autocorrelacion y la segunda seran distintas de 0 pero
las siguientes seran 0.

#COMO SE COMPORTA LA FUNCION DE CORRELACION DE UNA MEDIA

MOVIL? al reves
-la simple si es de orden 2, la primera correlacion y la segunda seran distintas de 0,
pero, las siguientes seran 0.
-la parcial decae exponencialmente hacia 0.
#EN TEORIA YO VIENDO AUTORREGRESION DE UNA MEDIA MOVIL SABRÉ EL
ORDEN.

#QUE PASA SI ES UN MODELO MIXTO? UN ARMA?

-La funcion autorregresiva simple decae exponencialmente.
-La función de autocorrelacion parcial decae exponencialmente.
-Las dos funciones no se truncan nunca, simplemnte decaen exponencialmente, esa
será la señal de que tengo un proceso mixto, el problema es que no sabria el orden
porque ninguna se trunca.
CUANDO NOS REFERIMOS QUE ES IGUAL AL 0, NO ES DEL TODO IGUAL A 0,
ES UN VALOR APROXIMADO.

#COMO ES EL CORRELOGRAMA DE UN RUIDO BLANCO? TODOS LOS

VALORES EN 0
#PROBLEMA
-No tengo el ruido blanco original tengo la estimacion y auqnue su valor real sea 0 a
mi no me dará 0.
-Entonces debo estimar que todas son cero, como voy a decidir que el modelo que
estoy proponiendo es el correcto?
lo propongo,lo estimo,saco los residuos de la estimacion y si estos son ruido blanco
es el correcto. Simpre que los residuos sean ruido blanco sera una señal que el
modelo que estoy proponiendoe es el correcto.
Si el modelo que yo propongo es un autorregrresivo, la estimacion es igual que
econometria 1, variable depend¡entes e independientes. POR MCO
Mas dificil es estimar un modelo de media movil, como las variables explicativas son
siempre el pasado de epsilon t, no podria estimar por MCO, sino por MÁXIMA
VEROSIMILITUD.

-Lo mismo sucede con un modelo ARMA, he de estimarlo por MAXIMA

VEROSIMILITUD.

#EJEMPLO
#EN LA PRACTICA 14
#Al ver el correlograma de la variable Y, veo que la funcion simple decae
exponencialmente y la parcial se trunca, PERO VEMOS QUE SE TRUNCA EN
ORDEN 1 y en orden 2, anque este ultimo es cercano a 0.
#POR LO TANTO, hay dos candidatos: es orden 1 o orden 2?

Cuando estime un AR 1 o un AR 2 y los dons residuos sean ruido blanco, tendre que
ir al coeficiente para ver si es significativo.

#CONCLUSION, QUE TIENE QUE CUMPLIR UN MODELO PARA SER VALIDO?

-Residuos ruido blanco
-El coeficiente mas lejano al retardo ha der ser estadisticamente significativo.
PARA ESTIMAR UN MODELO VOY A SERIES TEMPORALES UNIVARIANTES.,
ESTIMAMOS UN AR 1 (PRACTICA 14)
¿QUE TIENE QUE CUMPLIR PARA SER VALIDO?
Que el retardo mas alejado sea estadísticamente significativo y lo es, después
vemos si los residuos son ruido blanco. Vamos a gráficos y vemos el correlograma
de los residuos.

¿CORRESPONDEN A UN RUIDO BLANCO?

LAS BANDAS NARANJAS NOS DICEN QUE SI SALEN DE LAS BARRAS SON
DISTINTAS DE 0. PARA QUE SEA RUIDO BLANCO SE HA DE CUMPLIR QUE
TODAS SEAN 0

¿CORRESPONDEN A UN RUIDO BLANCO?

Si están dentro de las bandas naranjas son ruido blanco? no del todo, porque nos
sirven solo para contrastar que una sea distinta de 0 no que todas sean distintas de
0.
Y cuando miro que están dentro de las bandas quiere decir que el nivel de
significación del contraste es al 5%. Por lo tanto la regla de decisión no puede
ser si la correlación traspasa la barra naranja.

CONTRASTAREMOS UNA H0= donde toas las phi son igual a 0 i la Ha= es
distinta de 0.
*****PERO CONTRASTAR ESTO ES LO MISMO QUE CONTRATAR QUE LA
SUMA DE PHI^2 = 0 (esto es lo que haremos)
Al momento de hacer el correlograma nos crea también una tabla, como esta:
Al 5% aceptamos o rechazamos la H0—> la rechazamos porque el p-valor es muy
pequeño.
#El profe a elegido K=25 QUE SON 25 RETARDOS Y CONTRASTA SI LAS PHI
SON LAS 25 IGUALES A 0 Y COMO EL P-VALOR ES MAS PEQUEÑO QUE 5%
RECHAZAMOS H0.

#AHORA ESTIMAMOS UN MODELO AR(2)

-Vemos que el retardo mas alejado es significativo porque es menor que 5%
-PERO, al hacer el correlograma de los residuos vemos que al elegir K=25 EL P-
VALOR ES MENOR QUE EL VALOR DE SIGNFICACIÓN AL 5% POR LO TANTO
RECHAZAMOS QUE ES RUIDO BLANCO
-EL MODELO NO SERIA VALIDO.

Si AL AR(2) NO CONSIGO QUE SEA RUIDO BLANCO, ESTIMO UN MODELO

ARMA
ARMA(2,1):

-Aquí hay dos retardos mas alejados, phi_2 y theta_1, ninguno es significativo.
-Al ver el correlograma nos enseña que k=25 el p-valor es mas pequeño que el 5%
por lo tanto rechazamos la hipótesis nula (ruido blanco).
-TENEMOS QUE IR INTRODUCIENDO DINAMICAS, PARA CONSEGUIR LA H0.
EMPEZANDO POR UN AR (1) ARMA(1,1), AR(2) ARAMA(2,2)…..
#PUEDE HABER MAS DE UN MODELO VALIDO, AL IGUAL QUE NINGUN
MODELO VALIDO.

—————————————————————————————————————
—————————————————————————————————————
—————
#PRACTICA 15: Apuntes sobre el ejercicio.

Es un modelo ARMA , la función de autocorrelacion decae exponencialmente (ESTO

IDENTIFICA QUE TIENE UN COMPONENTE AUTORREGRESIVO) y la parcial
también decae exponencialmente (ESTO IDENTIFICA QUE TIENE UN
COMPONENTE DE MEDIA MOVIL). Como en ninguna de las dos se trunca, no
podemos proponer un orden, por lo tanto, iniciaremos por el modelo mas simple:

ARMA(1,1)—> Zt=alpha + phi*Zt-1 + Et - thetaEt-1

El coeficiente que acompaña a Zt-1 es 0,37 y es el componente autorregresivo, el

componente que acompaña a Et-1 es 0,78.
HACEMOS EL CORRELOGRAMA DE LOS RESIDUOS:
Calculamos el logaritmo de 711—> esto nos calcula K (para mirar que restardos
miraremos cuando realicemos el correlograma de los residuos, donde pondremos
por defecto los residuos que aparecen pero solo tendremos en cuenta el valor que
de el log de 711)—> K=lnT(711)=7 (da un valor aproximado de 7)

Miramos el estadístico-Q que contrasta que la suma del cuadrado de las K primeras
correlaciones es 0 —> esto es Ljung Box. RESULTADO: Las 7 primera
autocorrelaciones no son 0.

El p valor de las 7 primeras correlaciones es 0,004 menor que el 5% por lo tanto

rechazamos la hipótesis nula, quiere decir que no hay un comportamiento de ruido
blanco y el modelo de ARMA (!,1) no es valido. Esto quiere decir que las
perturbaciones están relacionadas con el pasado, y para ser ruido blanco no deben
estarlo, entonces tengo que introducir mas retardos.

CALCULAMOS UN MODELO ARMA(2,1)

1) Los coeficientes mas alejados son significativos.

2) RECHAZAMOS LA HIPOTESIS NULA? No, porque el p-valor es superior al 5%
3)ES UN MODELO VALIDO.

AHORA CALCULAMOS EL MODELO ARMA(1,2)

1) Los retardos mas alejados son significativos.
2)Realizamos el correlograma de los residuos y vemos que a K=7 aceptamos la
hipótesis nula porque el p-valor es superior al 5%
3) ACEPTAMOS EL MODELO

CALCULAMOS UN ARMA (2,2)

1) Los retardos mas alejados no son significativos.
2) A K=7 aceptamos la hipótesis nula porque el p-valor es superior al 5%
3) No aceptamos el modelo porque los retardos mas alejados no son significativos
aunque haya una presencia de ruido blanco, aquí vemos un claro de ejemplo que
estamos cogiendo mas retardos de los que realmente necesitamos.

TENEMOS DOS MODELO VALIDOS, CON CUAL NOS QUEDAMOS????

EN ECONOMETRIA I : EL QUE TENGA UNA MAYOR BONDAD DE AJUSTE (R^2)

****EN ECONOMETRIA II: COGEREMOS AQUEL MODELO QUE TENGA UN R-
CUADRADO CORREGIDO MAS GRANDE.
EN ARMA(1,2)

EN ARMA(2,1)

El modelo que elegimos es el ARMA(1,2)

QUE HACIA EL R-CUADRADO CORREGIDO? copia al r-cuadrado y le restaba una
cantidad por cada variable explicativa le restaba una cantidad.

****Tener en cuenta que los criterios como los de AKAIKE, HANNAN-QUINN,ETC….

se fijan en la verosimilitud y estos modelos se basan en la verosimilitud. Si me baso
en estos para escoger un modelo, escoger aquel que tenga un valor de criterio MAS
PEQUEÑO. (los cuales son mas pequeños en el modelo ARMA(1,2).

——————PREDIICCIONES——

Voy al modelo ARMA(1,2) veo que la ultima observación es de marzo de 1979.

Zt=-0,039+0,72Zt-1+Et-0,40Et-1+0,35Et-1.

Cual seria la de abril del 1979?

Z1979:04=-0,039+0,7*Z1979:03+E1979:04-0,4*E1979:03+0,35*E1979:02

*Et=epsilon t

¡¡¡¡ LA PERTURBACION NO ESTA RELACIONADA CON EL

PASADO, LA MEJOR PREDICCIÓN QUE YO PUEDO HACER ES SU
VALOR ESPERADO Y SU VALOR ESPERADO ES 0!!!!!

Como es Ruido blanco se que no esta relacionado con el pasado, por lo que su
valor esperado no dependerá de su pasado si no de la media que es =0.
E1979:04 = 0
Lo mismo pasa por si quiero saber marzo del 1979.—> la mejor predicción que yo
puedo hacer sobre las perturbaciones cuando solo tengo pasado es 0.
A continuación guardamos los residuos y se cura una variable con el siguiente
nombre; que contiene para cada mes y año su respectivo residuo.

ANALIZAMOS LAS PREDICCIONES (ME PERDI)

—————————————————————————————————————
—————————————————————————————————————
——————————————————————————————

16/11/23

EJERCICIO PRACTICO SERIES SIMULADAS:

#SERIE 1
Al hacer la correlación de la variable Y vemos que la función de correlación
decae exponencialmente y la función de correlación parcial se trunca en
orden 2 o en orden 3, probamos AR(2) y AR(3):
Realizamos el modelo AR(2)
***K=lnT(198)=aprox 6
1)Retardos mas alejados, son significativos.
Vamos a contrastar que las 6 primeras autocorrelaciones son 0
2) Vemos que RECHAZAMOS la hipótesis nula donde dice que los 6 primero
residuos son 0, ya que el p-valor es inferior al grado de un 5%.

PROBAMOS MODELO AR(3)

1) Coef. asociado al Retardo mas alejado es significativo.
2) NO RECHAZAMOS la hipótesis nula, TENGO UN MODELO VALIDO

PROBAMOS CON ARMA(2,1) Y NOS ENCONTRAMOS QUE EL MODELO

TAMBIEN ES VALIDO. A CONTINUACIÓN:
1)EL COEF. ASOCIADO AL RETARDO MAS ALEJADO ES SIGNIFICATIVO.
2)ACEPTAMOS LA HIPOTESIS NULA,; MODELO VALIDO.

¿QUE MODELO VALIDO ELEGIMOS AR(3) O ARMA(2,1)?

Tanto el R^2 corregido como los criterios, nos hacen pensar que el modelo AR(3) es
el elegido.

#SERIE 3
SI HACEMOS EL CORRELOGRAMA DE LA SERIE VEMOS QUE AMBAS
FUNCIONES SE TRUNCAN EN ORDEN 1, NO HAY NINGUN MODELO DONDE
AMBAS FUNCIONES SE TRUNQUEN ENTONCES PROBAMOS CON UN AR(1) Y
UN MA(1).
****TEORICAMENTE LAS FUNCIONES, ALGUNA O LAS DOS, HAN DE DECAER
EXPONENCIALMENTE. PERO, NO SIEMPRE PASA ESO, YA QUE YO TENGO
UNA VARIABLE CON VALORES ESTIMADOS MAS NO PRECISOS LO QUE HACE
QUE EN ALGUNAS OCASIONES NO DECAIGA NINGUNA DE LAS DOS
FUNCIONES EXPONENCIALMENTE.

I)MODELO AR(1) ES VALIDO.

II)EL MODELO MA(1) ES VALIDO.
III)EL MODELO MA(1) TIENE UN R CUADRADO CORREGIDO MAS GRANDE, Y
LOS CRITERIOS TAMBIEN SE POSICIONAN EN ESTA ELECCION.

——————————————————————————————————— ——
——————————————————————————————

INTRODUCCIÓN A LA NO ESTACIONARIEDAD:
L= OPERADOR DE RETARDOS que se aplican a los procesos estocaicos.

LYt=Yt-1
LEt=Et-1
LYt-1=Yt-2
L^2Yt=Yt-2—> L^kYt=Yt-k

L8=8—> siempre que le apliquemos el operador de retardos en una constante el

valor será la constante, es decir, el mismo.

—————————————————————————————————————
——————————————————————————————
(APUNTES MONICA)DIAS 21/11 Y 23/!1———TENER EN CUENTA

#PRACTICA 18
Creamosel logaritmo de la varible, la seleccionamos y vamos a contrastes de raíz
unitaria—> dickey fuller—> con constante y tendencia
No hay evidencias para rechazar la hipótesis nula ya que el p valor es mas grande
que el 5%

Cuando una serie tiene una raiz unitaria, entonces se dice, que es un proceso
estocaico integrado de orden 1 y se denota por I(1) y si es de orden 0 I(0).
Nos podríamos encontrar con series dos rices autorregresivas de orden 1
tendríamos I(2).
- Si Yt es un proceso de orden I(1) EL INCREMENTO SEGUIRÁ UN PROCESO DE
ORDEN 0 I(0)
- Si Yt es un proceso de orden I(2) el incremento será de orden 1 I(1).

CREAMOS LAS PRIMERAS DIFERENCIAS DEL LOGARITMO, VEMOS QUE LA

FUNCION DE AUTOCORRELACIÓN SIMPLE DECAE EXPONENCIALMENTE.
ESTO QUIERE DECIR QUE POCO A POCO ESTA YENDO HACIA 0.
Por lo tanto, yo iniciaríamos por un AR(1):

Voy a modelo, series temporales univariantes, ARIMA y la serie que debo escoger
como dependiente es el incremento ya que es la que yo creo que es un AR(1).
Sacamos el logaritmo de 239 —>k=6
- AR(1) ES UN MODELO VALIDO, ACEPTAMOS LA H0—> ARMA(1,0)
- MA(2) ES UN MODELO VALIDO,ACEPTAMOS LA H0—> ARMA(0,2)
DE 4 CRITERIOS EN 3 EL MODELO PREFERIDO ES EL MA(2)

Concluimos que el incremento del logaritmo del GDP —> ^ln(GDPt) sigue un
MA(2) o lo que es igual un ARMA(0,2)

El logaritmo—> ln(GDPt) es un proceso integrado de orden 1 RAIZ UNITARIA=

I(1), entonces en general yo hablaré de ARIMA (0,1,2)
Este modelo me tiene que dar exactamente lo mismo que cuando al
incremento del GDP le he ajustado un MA (2)

!!!!CONSEJO: USAR EL LOGARIMTO DEL GDP Y NO EL INCREMENTO DEL

GDP, PORQUE SI HACEMOS LA PREDICCIÓN CON EL INCREMENTO DEL GDP
OBTENDREMOS UN PREDICCIÓN SOBRE EL INCREMENTO DEL GDP¡¡¡¡¡
En el modelo del logaritmo, cojo e^9,35 y si a ese resultado le sumo el valor de la
predicción del modelo del incremento del logaritmo (0,8) nos daría el valor del primer
trimestre del 2007.

#PRACTICA 17
CREO LA DIFERENCIA Y EL LOGARITMO, Y VEO EL GRAFICO OBSERVANDO
QUE NO ES ESTACIONARIO EN MEDIA PORQUE TIENE UNA TENDENCIA.
PARA CALCULAR UN MODELO NECESITO SABER SI LA SERIE ES ESTOCAICA
O DETERMINISTA
Y ESTO LO VEO CONTRASTANDO QUE HAY UNA RAIZ UNITARIA.
COMO LA SERIE TIENE TENDENCIA, ELEGIMOS LA OPCION DE CON
CONSTANTE Y TENDENCIA.:
RECHAZAMOS INCLUSO AL 1% QUE LA RAIZ DE W TIENE RAIZ UNITARIA,
POR LO TANTO AL RECHAZAR SABEMOS QUE TIENE UNA TENDENCIA
DETERMINISTA. POR LO TANTO CREAMOS LA VARIABLE TIME.

INTENTAMOS ELIMINAR LA TENDENCIA DETERMINISTA:

HACEMOS (0,0,0)
DESDE EL MODELO ECHO OBSERVAMOS LO SIGUIENTE: Rechazamos la H0,
NO HAY RUIDO BLANCO—> NINGUNA DE LAS FUNCIONES DECAE
EXPONENCIALMENTE, AQUI VEMOS QUE LAS DOS SE TRUNCAN.

#MODELO AR(1)

SIEMRPRE AÑADIENDO TIME EN REGRESORES EN EL CASO DE TENER UNA

TENDENCIA DETERMINISTA.
EL LOGARITMO DE Wt SIGUE UN AR(1) MAS UNA TENDENCIA DETERMINISTA,
ACEPTO LA H0. HAY RB
#MODELO MA(1)
MODELO VALIDO
EL LOGARITMO DE Wt SIGUE UN MA(1) MAS UNA TENDENCIA DETERMINISTA

¿CON CUAL MODELO ME QUEDO?

R cuadrado corregido—> MA(1)

SWARTZ—>(MA(1)
HANNAN QUIN—>MA(1)
AKAIKE—> MA(1)
este:

HACEMOS LAS PREDICCIONES…..ETC.

——————————practica 17
-Si una función decae linealmente es un signo de no estacionariedad
(correlograma)
- Es estacionaria en media, porque tiene una raiz unitaria, la única forma
de que una serie no sea estacionaria es porque tiene una raiz unitaria.
-Como decidir si la serie es estacionaria o no? haciendo un contraste de
dickey fuller, si no tiene una raiz unitaria es que la serie es estacionaria.
-La serie tiene una tendencia, dependiendo del tipo de tendencia
decidiré.

PASOS:

1)PARA SABER SI ES ESTACIONARIA O NO LO QUE TENGO QUE

HACER ES CONTRASTAR:
SI TIENE RAIZ UNITARIA—NO ES ESTACIONARIA
SI NO TIENE —ES ESTACIONARIA.

-con constante, porque no tiene tendencia. (lo miramos en el gráfico del W)

-aceptamos la H0, el p-valor es mas grande—> hay raiz unitaria
-Wt sigue un proceso de orden I(1)
-ENTONCES CREO EL INCREMENTO DE W PARA QUE SEA ESTACIONARIA, Y
EN BASE AL INCREMENTO DE W CALCULO EL CORRELOGRAMA.
-CUANDO VEMOS EL CORRELOGRAMA, VEMOS QUE NO ES CLARO, POR LO
TANTO, PROPONEMOS UN AR(1) Y MA(1)

#AR(!)—INCREMENTO ARIMA(1,1,0)
VARIABLE DEP: W
-CORRELOGRAMA DE LOS RESIDUOS, VEMOS QUE AL 5% NO RECHAZAMOS
LA NULA, HAY RB POR LO TANTO EL MODELO ES VALIDO

#MA(1)— INCREMENTO ARIMA(0,1,1)

-VARIABLE DEP:W

#AR (2) TAMBIEN ES UN MODELO VALIDO--- INCREMENTO ARIMA (2,1,0)