Fase 3.

Regresión con Series de Tiempo

Presentado por:

Manuel Alexander Carrillo Hernández

Código: 91.529.827

Grupo:

105018_7

Presentado a:

Juan David Pulido Vargas

Tutor

Universidad Nacional Abierta y a Distancia – UNAD

Escuela de Ciencias Administrativas, Contables, Económicas y de Negocios – ECACEN

Curso: Técnicas de Pronóstico

Septiembre, 27 de 2023
 Desarrollo de la Actividad

Punto 1. Realizar un resumen analítico de Gujarati (2009), Capítulo 17, Secciones 17.1;

17.2; 17.3 y 17.8.

Resumen Analítico

En función de la revisión del libro Gujarati (2009), Capítulo 17, Secciones 17.1, 17.2 y

17.3, estableciendo cómo y por qué se utilizan rezagos de variables explicadoras.

El período de tiempo que transcurre entre un cambio en una variable y la aparición de sus

efectos en otras variables se denomina "rezago". Un ejemplo de rezago se observa cuando un

aumento en la tasa de cambio no provoca inmediatamente un aumento en la tasa de inflación,

sino que esto ocurre en períodos posteriores. La consideración de los rezagos ha llevado al

desarrollo de modelos económicos dinámicos que describen cómo las variables evolucionan a lo

largo del tiempo. La relación entre una variable dependiente (Y) y una variable explicativa (X)

rara vez es instantánea; a menudo, Y reacciona a X después de cierto lapso, que se conoce como

rezago.

a. ¿Qué es un rezago?

Un rezago, en el contexto de análisis de series de tiempo y econometría, se refiere al

efecto retardado o desfasado de una variable en relación con otra variable. Un rezago implica que

el efecto de una variable en otra no es inmediato, sino que toma algún tiempo en manifestarse.

Por ejemplo, si estamos estudiando cómo las ventas de un producto (variable Y) responden a

cambios en los precios (variable X), un rezago podría significar que las ventas no aumentan o

disminuyen inmediatamente después de un cambio en los precios, sino que existe un período de

tiempo en el que la respuesta se materializa.

b. ¿Qué es un modelo de rezago distribuido?

Un modelo de rezago distribuido es un tipo de modelo econométrico que incluye valores

pasados (rezagados) de las variables explicativas como regresores. Este modelo se utiliza para

capturar la influencia de variables pasadas en la variable dependiente. Por ejemplo, un modelo de

rezago distribuido podría expresarse de la siguiente manera:

Yt = α + β0Xt + β1Xt−1 + β2Xt−2 + ut

Donde Yt es la variable dependiente en el período t, Xt es la variable explicativa en el

período t, y Xt−1 y Xt−2 son rezagos de la variable explicativa en períodos anteriores. Este

modelo permite cuantificar cómo los valores pasados de la variable explicativa influyen en la

variable dependiente en el presente.

c. ¿De qué trata el modelo autorregresivo VAR?

El modelo autorregresivo vectorial (VAR) es un modelo multivariado que se utiliza para

analizar las relaciones y dinámicas entre múltiples series de tiempo. En lugar de enfocarse en una

sola variable dependiente, el VAR considera un conjunto de variables y modela cómo cada

variable se relaciona con sus valores pasados y los valores pasados de otras variables en el

sistema. Ejemplo: Supongamos que estamos analizando la economía de un país y tenemos datos

de tres variables: el PIB (Producto Interno Bruto), la inflación y la tasa de desempleo. Podemos

utilizar un modelo VAR para estudiar cómo los cambios en el PIB se relacionan con la inflación

y el desempleo, y cómo estas tres variables influyen entre sí en diferentes períodos de tiempo.

d. ¿Por qué ocurren los rezagos?

Los rezagos ocurren en el contexto de modelos de series de tiempo y econometría debido

a diversas razones:

Razones Psicológicas: Las personas y agentes económicos no siempre reaccionan de

inmediato a cambios en su entorno debido a la inercia, la resistencia al cambio o la incertidumbre

sobre cómo adaptarse a nuevas condiciones.

Razones Tecnológicas: Los cambios en la producción, tecnología o inversión a menudo

toman tiempo para implementarse. Por ejemplo, la adopción de nuevas tecnologías o la

expansión de la capacidad de producción pueden llevar tiempo.

Razones Institucionales: Contratos, regulaciones y restricciones institucionales pueden

impedir que las empresas cambien rápidamente sus decisiones de producción o inversión.

Ahora bien, las razones psicológicas, tecnológicas e institucionales mencionadas

anteriormente generan limitaciones en las acciones de los participantes en la actividad

económica, como productores, consumidores, inversores y ahorradores. Estas diversas causas

que contribuyen a los retrasos en las respuestas pueden ser agrupadas en dos categorías que

resumen de manera más efectiva el análisis en preparación para su abordaje en términos

econométricos. Estas dos categorías son las siguientes: 1) retrasos debidos a limitaciones

institucionales, tecnológicas y comportamentales; 2) retrasos originados por la incertidumbre

acerca del futuro.

Punto 2. Modelo “Consumo y PIB”.

a. Indicar la relación que tiene, expresión econométrica (identificando cuál es la

variable dependiente y la independiente)

Se puede notar una conexión directamente correlacionada, en la cual el Producto Interno

Bruto (PIB) actúa como la variable que depende del consumo como variable independiente. Esto

significa que un aumento significativo en el consumo se traduce en un aumento correspondiente

en el PIB. En otras palabras, a medida que los hogares experimentan un aumento en su capacidad

adquisitiva debido a mayores ingresos, tienen la capacidad de gastar más, lo que a su vez se

refleja en un crecimiento más sustancial del PIB.

Punto 3. Realizar análisis univariado (cada variable) de cada serie por separado. Decidir

transformaciones y uso de cada una de ellas. Deben evaluar los diagramas de

autocorrelación para definir rezagos del modelo.

Fecha Consumo PIB Fecha Consumo PIB

1/01/2005 $ 102.729 $ 126.279 1/01/2014 $ 159.721 $ 193.329
1/04/2005 $ 104.878 $ 128.499 1/04/2014 $ 160.973 $ 194.022
1/08/2005 $ 104.916 $ 128.968 1/08/2014 $ 162.123 $ 195.876
1/12/2005 $ 106.554 $ 131.107 1/12/2014 $ 165.317 $ 198.362
1/01/2006 $ 108.827 $ 133.876 1/01/2015 $ 166.340 $ 199.137
1/04/2006 $ 110.885 $ 135.915 1/04/2015 $ 167.581 $ 200.794
1/08/2006 $ 111.968 $ 138.828 1/08/2015 $ 170.426 $ 202.757
1/12/2006 $ 113.293 $ 149.815 1/12/2015 $ 165.854 $ 202.004
1/01/2007 $ 115.383 $ 143.092 1/01/2016 $ 168.776 $ 203.538
1/04/2007 $ 116.903 $ 145.191 1/04/2016 $ 170.155 $ 204.785
1/08/2007 $ 119.542 $ 148.245 1/08/2016 $ 170.679 $ 205.959
1/12/2007 $ 120.763 $ 149.929 1/12/2016 $ 171.491 $ 207.207
1/01/2008 $ 121.220 $ 150.237 1/01/2017 $ 172.436 $ 206.659
1/04/2008 $ 122.590 $ 151.620 1/04/2017 $ 174.055 $ 207.473
1/08/2008 $ 123.808 $ 153.324 1/08/2017 $ 175.089 $ 208.759
1/12/2008 $ 124.889 $ 150.532 1/12/2017 $ 175.393 $ 209.765
1/01/2009 $ 124.917 $ 151.298 1/01/2018 $ 179.039 $ 210.784
1/04/2009 $ 125.324 $ 152.440 1/04/2018 $ 181.139 $ 212.410
1/08/2009 $ 126.042 $ 153.858 1/08/2018 $ 181.988 $ 214.869
1/12/2009 $ 127.133 $ 155.021 1/12/2018 $ 182.482 $ 215.945
1/01/2010 $ 129.771 $ 156.758 1/01/2019 $ 184.897 $ 217.539
1/04/2010 $ 131.157 $ 159.160 1/04/2019 $ 188.924 $ 219.312
1/08/2010 $ 133.187 $ 160.368 1/08/2019 $ 190.109 $ 221.795
1/12/2010 $ 134.887 $ 163.865 1/12/2019 $ 191.825 $ 222.579
1/01/2011 $ 135.936 $ 167.213 1/01/2020 $ 192.817 $ 218.061
1/04/2011 $ 139.378 $ 169.450 1/04/2020 $ 164.873 $ 183.445
1/08/2011 $ 140.698 $ 173.107 1/08/2020 $ 175.386 $ 202.975
1/12/2011 $ 142.981 $ 174.858 1/12/2020 $ 191.272 $ 214.634
1/01/2012 $ 144.719 $ 175.887 1/01/2021 $ 198.173 $ 221.699
1/04/2012 $ 146.576 $ 178.081 1/04/2021 $ 202.975 $ 216.792
1/08/2012 $ 148.403 $ 177.753 1/08/2021 $ 209.171 $ 230.741
1/12/2012 $ 149.997 $ 179.695 1/12/2021 $ 214.692 $ 237.339
1/01/2013 $ 152.467 $ 182.342 1/01/2022 $ 221.503 $ 240.557
1/04/2013 $ 154.831 $ 186.768 1/04/2022 $ 228.431 $ 244.116
1/08/2013 $ 155.865 $ 188.144
1/12/2013 $ 158.103 $ 190.685
Variable “Consumo”
 Al dar inicio al análisis univariado, de la 1ra. variable “Consumo”, se utiliza el comando

“histogram” consumo, normal.

El gráfico de normalidad (Histograma) relacionado con el consumo presenta una línea

verde que marca el punto en el cual los datos se consideran distribuidos de manera normal. La

presencia de datos que se alejan de la media sugiere que la distribución de los datos no es

normal. Para respaldar esta conclusión, se recurre al cálculo de la densidad estimada mediante el

comando "kdensity consumo, normal".

En el segundo gráfico se pueden observar dos líneas distintas: una línea roja que
representa la normalidad de los datos y una línea azul que indica la diferencia con respecto a la

primera. A continuación, se presenta un gráfico de caja utilizando el comando “graph box

consumo”.

n este gráfico de caja, es evidente la tendencia a la agrupación de los datos, y es notable

que la distribución de los valores no es uniforme en relación a la línea central, que representa la

medida central. De hecho, se observa una mayor concentración de valores por debajo de esta

línea en comparación con aquellos que se encuentran por encima.

Durante la evaluación de nuestra variable, empleamos el comando "sum consumo" para

analizar diversas estadísticas, como el número de observaciones, la media, la desviación

estándar, así como los valores mínimos y máximos. Es importante notar que estos últimos dos

valores se distancian significativamente de la media, lo que sugiere una falta de agrupación de

los datos. Para continuar con este análisis, procedemos a utilizar el comando "tsline" en relación

a la variable "consumo" con el propósito de representar gráficamente y observar el patrón de

comportamiento de nuestra serie de datos.

 Por medio de la gráfica se puede evidenciar que la serie “No es Estacionaria”, pero es

necesario asegurarse a través de la prueba de Dickey Fuller.

Luego de llevar a cabo esta evaluación, se confirma lo que mencionamos previamente. Se

refuerza la idea de que la variable no exhibe estacionariedad, ya que al utilizar la prueba "dfuller

conumo" con el modelo de "trend regress", se obtiene un valor p de 0.5160, significativamente

superior al nivel de aceptación de 0.05. Por consiguiente, es necesario realizar una

transformación inicial mediante la aplicación del logaritmo, a través de la instrucción "gen

lConsumo = ln(consumo)".
 Con la finalidad de corroborar la estacionalidad de la variable, se aplica la prueba de

Dickey Fuller:
 Frente a esta situación, podemos deducir que la serie aún no muestra estacionariedad, ya

que su valor promedio no se aproxima a cero, y el valor del p-valor continúa siendo superior a

0.05, específicamente, 0.3432, que es mayor que 0.05. Con el propósito de lograr nuestro

objetivo, se opta por transformar la variable a través de su primera diferencia, ejecutando el

comando "gen dlConsumo = D.lConsumo".

Después de completar la inicial modificación, observamos que a pesar de que la media

permanece cerca de cero hasta el día 60, momento en el que experimenta un fuerte descenso, el

valor p continúa rechazando la hipótesis de estacionariedad, ya que sigue siendo superior a 0.05.

Por lo tanto, se hace imprescindible llevar a cabo una nueva transformación utilizando el

comando "gen ddlConsumo=D2.lConsumo". A continuación, se ejecuta la prueba de Dickey

Fuller, y los resultados indican lo siguiente:

 Luego de completar este procedimiento, conseguimos transformar la variable de consumo

en una forma estacionaria, cumpliendo con la condición de que el valor p sea menor a 0.05, dado

que obtenemos un valor de 0.0000, el cual es menor que 0.05. Una vez alcanzada esta primera

meta, se procede a calcular las medias móviles y los rezagos. Para llevar a cabo este proceso, se

generan gráficos de autocorrelación y autocorrelación parcial de la variable en cuestión, y se

comparan para su análisis.

A partir de esta variable, podemos inferir a través del análisis del gráfico de

autocorrelación que existe una tendencia móvil, y al examinar la autocorrelación parcial, se

observa la presencia de retrasos significativos, lo que sugiere la necesidad de encontrar un

modelo que se ajuste adecuadamente a estas características.

Variable Producto Interno Bruto – “PIB”

El gráfico de normalidad del Producto Interno Bruto (PIB), representado por la línea

mostrada, establece un umbral que indica si los datos siguen una distribución normal. En

consecuencia, se puede concluir que los datos no siguen una distribución normal, dado que

algunos valores se encuentran por encima o por debajo de la media.

 En el segundo gráfico, se observan dos líneas distintas: una línea roja que representa la

normalidad de los datos y una línea azul que indica la diferencia entre ambas.

A continuación, se presenta el gráfico de caja utilizando el comando "graph box PIB"..

En el análisis de la distribución de los datos, se puede notar que, en este gráfico de caja,

la centralización de los datos no es muy uniforme en torno a la línea central que representa la

mediana. En realidad, se observa una mayor concentración de valores por debajo de esta línea en

comparación con los valores por encima de ella.En el proceso de evaluación de nuestra variable,

utilizamos el comando 'sum PIB' para obtener información sobre el número de observaciones, la

media, la desviación estándar, así como los valores mínimos y máximos. Es notable que estos

últimos dos están significativamente distantes de la media, lo que sugiere que los datos no están

bien equilibrados en esta distribución.

Para observar el comportamiento de esta variable, procedemos a graficar.

 Si analizamos minuciosamente el gráfico, podemos inferir que no es estacionario, ya que

la media no se encuentra cercana a cero. Sin embargo, es esencial llevar a cabo la prueba de

Dickey-Fuller.

Al aplicar esta prueba, confirmamos nuestras observaciones anteriores, ya que al

comprobar que el valor p es igual a 0.4481, el resultado indica que la variable no es estacionaria,

lo que nos lleva a la necesidad de transformarla utilizando el logaritmo.

 Luego, se crea una nueva variable y consultamos los resultados en Stata. Para determinar

si esta nueva variable es estacionaria, es crucial realizar la prueba de Dickey-Fuller nuevamente.

La transformación de la variable a través del logaritmo resultó insuficiente, ya que al

observarla, seguía sin ser estacionaria, con un valor p de 0.2559, que es mayor que 0.05. Por lo

tanto, se requiere avanzar mediante la aplicación de su primera diferencia.

 Para comenzar a evaluar si se satisfacen las premisas, se crea un gráfico que revela que,

aunque la media de esta ronda tiende a cero, aún presenta ciertas fluctuaciones. Por lo tanto,

procedemos a verificar esto mediante el uso de la prueba de Dickey-Fuller.

Luego de realizar la prueba, observamos que todavía no cumplimos con la condición

requerida, ya que nuevamente el valor p es mayor de lo necesario, con un resultado de 0.1143,

superior a 0.05. Esto nos lleva a la conclusión de que es necesario aplicar una nueva

diferenciación y someterla también a la prueba de Dickey-Fuller.

 Después de completar este procedimiento, se logra el objetivo previsto, ya que el valor de

p es menor que el umbral, con un valor de 0.0000, que es menor que 0.05. Esto conduce a la

confirmación de la hipótesis de que la variable es estacionaria, lo que permite avanzar en la

representación gráfica de la autocorrelación parcial y la autocorrelación.

Al observar los gráficos resultantes, se puede notar que la variable del Producto Interno

Bruto (PIB) y sus transformaciones han permitido identificar su media móvil y los rezagos. Sin

embargo, su comportamiento no cumple con las expectativas deseadas, lo que nos lleva a la

necesidad de abordar de manera más adecuada la relación entre el consumo y el PIB.

Punto 4. De acuerdo con las variables seleccionadas definir:

a. Un modelo de rezago distribuido

El punto inicial implica la búsqueda del modelo apropiado, lo que implica la

determinación del número de rezagos para cada variable.

En esta fase inicial de investigación, se observa un modelo que incorpora múltiples

rezagos, y se observa una relación positiva entre el consumo y su primer rezago, lo cual se refleja

en un estadístico significativo. Sin embargo, en el caso de la variable del PIB, no se logra una

significancia comparable hasta el segundo rezago. Se continúa explorando, realizando un par de

iteraciones adicionales para determinar el nivel de significancia, con resultados que indican que

se requieren dos rezagos para la variable de consumo (L1, L3) y un rezago para la variable del

PIB.
 Además de mencionar las deficiencias remanentes, describimos el coeficiente de

determinación R-cuadrado, el cual se encuentra en proximidad con un valor determinado, lo que

sugiere que este modelo posee una alta confiabilidad en cuanto a sus proyecciones a futuro.

b. Un modelo autorregresivo (VAR)

Se dispone de un modelo VAR que permite analizar la interacción entre las variables en

conjunto. En particular, se ha desarrollado un novedoso enfoque para la evaluación de los

rezagos distribuidos, el cual implica la realización de pruebas específicas.

Al emplear la prueba de chi-cuadrado (chi2), se ha identificado que no existe evidencia

de presencia de ruido blanco, ya que el valor resultante es mayor que el umbral de 0.05. En otras

palabras, esto indica que la media no se aproxima a cero y la varianza no es constante.

c. Explicar la relación económica entre variables y de cada rezago bajo criterios técnicos.

En función de los diversos modelos generados, se confirma la conexión inicialmente

postulada, que indicaba una relación directamente proporcional. Esta relación se caracteriza por

la observación de que, con cada incremento de dos pasos en el consumo, se produce un aumento

de un paso. Sin embargo, es importante señalar que la relación no es completamente precisa, ya

que los coeficientes de determinación varían alrededor del valor estándar, es decir, alrededor de

0.05.
Punto 5. Interpreta estimadores, significancia individual, global, coeficiente de

determinación, estadístico de Ljung-Box y realizar las pruebas de normalidad,

autocorrelación y estabilidad para determinar el mejor modelo.

En el primer paso, se lleva a cabo la evaluación de la significancia global, lo cual permite

determinar la relación entre las variables. Si el valor resultante es igual a cero, se considera que

no existe significancia, lo que conlleva al rechazo de la hipótesis nula. En el contexto del modelo

de rezagos distribuidos, se obtuvo un valor de cero, indicando la inexistencia de una relación. Por

tanto, es necesario investigar el comportamiento del error, se comienza con un análisis de su

distribución normal.
 A pesar de que en ambas representaciones gráficas no se ajusta perfectamente al modelo

propuesto, se observa un comportamiento que se asemeja a la normalidad, aunque con algunos

picos atípicos en comparación con la distribución normal. Esto sugiere la necesidad de realizar

pruebas adicionales para confirmar esta normalidad.

La prueba indica que, de hecho, el comportamiento del error es normal, ya que el valor

obtenido (0.56003) es mayor que el umbral de 0.05, necesario para afirmar la normalidad en una

variable. A continuación, es crucial analizar los gráficos de autocorrelación y autocorrelación

parcial.

La autocorrelación del error muestra un patrón esperado, aunque la autocorrelación

parcial todavía muestra rezagos que están fuera de los valores esperados. A pesar de esto, se

sostiene que el modelo es apropiado. El siguiente paso es verificar lo que sucede en el modelo

VAR para determinar la relación entre las variables. Una vez que se introduce la nueva variable,

se busca entender el comportamiento de su error mediante su distribución normal.

 Nuevamente, en las representaciones gráficas, se observa un comportamiento que se

asemeja a la normalidad, aunque con algunos picos atípicos en comparación con la distribución

normal.

Esto indica la necesidad de realizar pruebas adicionales para confirmar la normalidad. La

prueba señala que el comportamiento del error es, de hecho, normal, ya que el valor obtenido

(0.56003) supera el umbral de 0.05, necesario para afirmar la normalidad en una variable. Como

paso final, se deben analizar los gráficos de autocorrelación y autocorrelación parcial.

 A pesar de que ambas representaciones gráficas no siguen rigurosamente el patrón del

modelo, se evidencia un comportamiento que difiere del estándar, aunque exhiben picos distintos

a la distribución normal, lo que sugiere la necesidad de llevar a cabo análisis adicionales para su

confirmación.

La prueba señala que el comportamiento del error es, de hecho, normal, ya que el valor

obtenido (0.56003) supera el umbral de 0.05, necesario para afirmar la normalidad en una

variable. Como paso final, se deben analizar los gráficos de autocorrelación y autocorrelación

parcial.

Los resultados de la autocorrelación del error muestran un patrón esperado, aunque la

autocorrelación parcial sigue presentando rezagos que difieren de los valores esperados. A pesar

de esta observación, se mantiene la consideración de que el modelo sigue siendo adecuado.

Punto 6. Seleccionar el mejor modelo e indicar por qué fue seleccionado.

Luego de analizar en detalle esta sección, se llega a la conclusión de que el modelo VAR

resulta ser la elección adecuada, ya que exhibe un coeficiente de determinación más alto y una

significancia global mayor entre las variables.

Esta elección se fundamenta en la presencia de una distribución normal de los errores.

Asimismo, se puede respaldar esta decisión al observar que tanto el modelo de error como el

modelo de error VAR muestran una adecuada adaptación a la distribución, considerando que los

rezagos se distribuyeron de manera constante.

 Referencias Bibliográficas

Avila, C., Marques de Olivieira, N. (2020) Curso Básico de Econometría Clásica, (1a. Ed.), Ed.

Libros Universidad Nacional Abierta y a Distancia. Recuperado de

https://hemeroteca.unad.edu.co/index.php/book/article/view/3716

Gujarati, D. (2009) Econometría, (5a. ed.), Ed. Mc Graw Hill. Capítulos 21. Págs. 738-741.

Recuperado de http://www.ebooks7-24.com.bibliotecavirtual.unad.edu.co/?il=279

Pulido Vargas, J. (2023). Conceptos Básicos de la Econometría. Repositorio Institucional UNAD

https://repository.unad.edu.co/handle/10596/54187

Wooldridge, J. M. (2015). Introducción a la econometría (5a. ed.). Cengage Learning. Capítulo

11. Recuperado de https://elibro-net.bibliotecavirtual.unad.edu.co/es/lc/unad/titulos/

93207

Zax,J. (2011) Introductory Econometrics: Intuition, Proof, and Practice, (11ª. Ed.), Ed. Stanford

Economics and Finance. Recuperado de https://bibliotecavirtual.unad.edu.co/login?

url=https://search.ebscohost.com/login.aspx?

direct=true&db=nlebk&AN=362850&lang=es&site=eds-

live&scope=site&ebv=EB&ppid=pp_Front_Cover