Documentos de Académico
Documentos de Profesional
Documentos de Cultura
ECONOMETRIA
II
Escuela Académico – Profesional de Economía
INTRODUCCION
INTRODUCCION
INTRODUCCION
INTRODUCCION
INTRODUCCION
CONCEPTOS BASICOS
CONCEPTOS BASICOS
CONCEPTOS BASICOS
CONCEPTOS BASICOS
CONCEPTOS BASICOS
CONCEPTOS BASICOS
Año PBI IPD GCP Ganancias Dividendos LNPBI LNIPD LNGCP LNGanancias LNDividendos
70-1 2872.8 1990.6 1800.5 44.7 24.5 7.9630424 7.5961914 7.4958197 3.7999735 3.1986731
70-2 2860.3 2020.1 1807.5 44.4 23.9 7.9586818 7.6109023 7.4997000 3.7932395 3.1738785
70-3 2896.6 2045.3 1824.7 44.9 23.3 7.9712929 7.6232998 7.5091709 3.8044378 3.1484534
70-4 2873.7 2045.2 1821.2 42.1 23.1 7.9633557 7.6232509 7.5072509 3.7400477 3.1398326
71-1 2942.9 2073.9 1849.9 48.8 23.8 7.9871508 7.6371862 7.5228869 3.8877303 3.1696856
71-2 2947.4 2098.0 1863.5 50.7 23.7 7.9886787 7.6487398 7.5302117 3.9259259 3.1654750
71-3 2966.0 2106.6 1876.9 54.2 23.8 7.9949695 7.6528306 7.5373768 3.9926809 3.1696856
71-4 2980.8 2121.1 1904.6 55.7 23.7 7.9999470 7.6596901 7.5520273 4.0199801 3.1654750
72-1 3037.3 2129.7 1929.3 59.4 25.0 8.0187242 7.6637364 7.5649125 4.0842942 3.2188758
72-2 3089.7 2149.1 1963.3 60.1 25.5 8.0358293 7.6728044 7.5823820 4.0960098 3.2386785
72-3 3125.8 2193.9 1989.1 62.8 26.1 8.0474455 7.6934361 7.5954376 4.1399551 3.2619353
72-4 3175.5 2272.0 2032.1 68.3 26.5 8.0632204 7.7284158 7.6168250 4.2239098 3.2771447
73-1 3253.3 2300.7 2063.9 79.1 27.0 8.0874251 7.7409687 7.6323527 4.3707129 3.2958369
73-2 3267.6 2315.2 2062.0 81.2 27.8 8.0918110 7.7472514 7.6314317 4.3969152 3.3250360
73-3 3264.3 2337.9 2073.7 81.3 28.3 8.0908006 7.7570084 7.6370897 4.3981460 3.3428618
73-4 3289.1 2382.7 2067.4 85.0 29.4 8.0983693 7.7759896 7.6340471 4.4426513 3.3809947
74-1 3259.4 2334.7 2050.8 89.0 29.8 8.0892984 7.7556387 7.6259852 4.4886364 3.3945084
74-2 3267.6 2304.5 2059.0 91.2 30.4 8.0918110 7.7426190 7.6299757 4.5130549 3.4144426
74-3 3239.1 2315.0 2065.5 97.1 30.9 8.0830508 7.7471650 7.6331276 4.5757414 3.4307562
74-4 3226.4 2313.7 2039.9 86.8 30.5 8.0791222 7.7466033 7.6206561 4.4636066 3.4177267
75-1 3154.0 2282.5 2051.8 75.8 30.0 8.0564268 7.7330266 7.6264727 4.3280983 3.4011974
75-2 3190.4 2390.3 2086.9 81.0 29.7 8.0679016 7.7791742 7.6434350 4.3944492 3.3911470
75-3 3249.9 2354.4 2114.4 97.8 30.1 8.0863795 7.7640412 7.6565264 4.5829246 3.4045252
75-4 3292.5 2389.4 2137.0 103.4 30.6 8.0994024 7.7787976 7.6671583 4.6386050 3.4210000
CONCEPTOS BASICOS
CONCEPTOS BASICOS
CONCEPTOS BASICOS
CONCEPTOS BASICOS
CONCEPTOS BASICOS
CONCEPTOS BASICOS
CONCEPTOS BASICOS
CONCEPTOS BASICOS
4.1 Caminata aleatoria sin deriva o sin desvío (es decir, sin término
constante o de intercepto)
Suponga que ut es un término de error de ruido blanco, con media 0 y
varianza σ2. Entonces decimos que la serie 𝑌𝑡 es una caminata aleatoria
si:
𝑌𝑡 = 𝑌𝑡−1 + 𝑢𝑡
En este modelo de caminata aleatoria, el valor de Y en el tiempo t es
igual a su valor en el tiempo (t-1) más un choque aleatorio; por tanto, es
un modelo AR(1). Podemos pensar que este modelo es una regresión de
Y en el tiempo t sobre su valor rezagado un periodo.
Entonces, si 𝑌𝑡 = 𝑌𝑡−1 + 𝑢𝑡 , podemos escribir:
𝑌1 = 𝑌0 + 𝑢1
𝑌2 = 𝑌1 + 𝑢2 = 𝑌0 + 𝑢1 + 𝑢2
𝑌3 = 𝑌2 + 𝑢3 = 𝑌0 + 𝑢1 + 𝑢2 + 𝑢3
ECONOMETRIA II Econ. JOSE RODRIGUEZ HERRERA
SERIES TEMPORALES
CONCEPTOS BASICOS
𝑌𝑡 = 𝑌0 + 𝑢𝑡
Por tanto:
𝐸 𝑌𝑡 = 𝐸 𝑌𝑡 + 𝑢𝑡 = 𝑌0
Además:
𝑣𝑎𝑟 𝑌𝑡 = 𝑡𝜎 2
CONCEPTOS BASICOS
CONCEPTOS BASICOS
CONCEPTOS BASICOS
CONCEPTOS BASICOS
CONCEPTOS BASICOS
CONCEPTOS BASICOS
CONCEPTOS BASICOS
CONCEPTOS BASICOS
𝑌𝑡 = 𝛼 + 𝛾𝑗 𝑢𝑡−𝑗 + 𝑢𝑡
𝑗=1
CONCEPTOS BASICOS
CONCEPTOS BASICOS
LA REGRESION ESPUREA
Para ver por qué las series de tiempo estacionarias son tan importantes,
considere los dos modelos de caminata aleatoria siguientes:
𝑌𝑡 = 𝑌𝑡−1 + 𝑢𝑡
𝑋𝑡 = 𝑋𝑡−1 + 𝑣𝑡
donde se generaron 500 observaciones de 𝑢𝑡 a partir de 𝑢𝑡 ∼N(0,1) y 500
observaciones de 𝑣𝑡 a partir de 𝑣𝑡 ∼N(0, 1), además de que se supuso que
los valores iniciales de Y y X eran cero. También se supuso que 𝑢𝑡 y 𝑣𝑡
no están serial ni mutuamente correlacionadas. Como ya sabemos, ambas
series de tiempo son no estacionarias; es decir, son I(1) o exhiben
tendencias estocásticas.
Suponga que hacemos la regresión de 𝑌𝑡 sobre 𝑋𝑡 . Como 𝑌𝑡 y 𝑋𝑡 son
procesos no correlacionados I(1), R2 de la regresión de Y sobre X debe
tender a cero; es decir, no debe haber ninguna relación entre las dos
variables. Pero vea los resultados de la regresión:
ECONOMETRIA II Econ. JOSE RODRIGUEZ HERRERA
SERIES TEMPORALES
LA REGRESION ESPUREA
LA REGRESION ESPUREA
PRUEBAS DE ESTACIONARIEDAD
PRUEBAS DE ESTACIONARIEDAD
1. El análisis gráfico
Como ya mencionamos, antes de efectuar una prueba formal, siempre es
aconsejable graficar la serie de tiempo en estudio, estas gráficas
proporcionan una pista inicial respecto de la posible naturaleza de las
series de tiempo.
Por ejemplo, considere la serie de tiempo que se muestran en la siguiente
diapositiva. Observe el gráfico del logaritmo PBI, se muestra que a lo
largo del periodo de estudio, éste se incrementó; es decir, muestra una
tendencia ascendente, lo cual deja entrever que quizá esté variando la
media del logaritmo del PBI. Esto tal vez indique que la serie logarítmica
del PBI es no estacionaria, lo cual es más o menos verdadero para las
otras series de tiempo económicas de Estados Unidos (Ganancias y
Dividendos). Esa intuición es el comienzo de una prueba más formal de
estacionariedad.
ECONOMETRIA II Econ. JOSE RODRIGUEZ HERRERA
SERIES TEMPORALES
PRUEBAS DE ESTACIONARIEDAD
Año PBI IPD GCP Ganancias Dividendos LNPBI LNIPD LNGCP LNGanancias LNDividendos
70-1 2872.8 1990.6 1800.5 44.7 24.5 7.9630424 7.5961914 7.4958197 3.7999735 3.1986731
70-2 2860.3 2020.1 1807.5 44.4 23.9 7.9586818 7.6109023 7.4997000 3.7932395 3.1738785
70-3 2896.6 2045.3 1824.7 44.9 23.3 7.9712929 7.6232998 7.5091709 3.8044378 3.1484534
70-4 2873.7 2045.2 1821.2 42.1 23.1 7.9633557 7.6232509 7.5072509 3.7400477 3.1398326
71-1 2942.9 2073.9 1849.9 48.8 23.8 7.9871508 7.6371862 7.5228869 3.8877303 3.1696856
71-2 2947.4 2098.0 1863.5 50.7 23.7 7.9886787 7.6487398 7.5302117 3.9259259 3.1654750
71-3 2966.0 2106.6 1876.9 54.2 23.8 7.9949695 7.6528306 7.5373768 3.9926809 3.1696856
71-4 2980.8 2121.1 1904.6 55.7 23.7 7.9999470 7.6596901 7.5520273 4.0199801 3.1654750
72-1 3037.3 2129.7 1929.3 59.4 25.0 8.0187242 7.6637364 7.5649125 4.0842942 3.2188758
72-2 3089.7 2149.1 1963.3 60.1 25.5 8.0358293 7.6728044 7.5823820 4.0960098 3.2386785
72-3 3125.8 2193.9 1989.1 62.8 26.1 8.0474455 7.6934361 7.5954376 4.1399551 3.2619353
72-4 3175.5 2272.0 2032.1 68.3 26.5 8.0632204 7.7284158 7.6168250 4.2239098 3.2771447
73-1 3253.3 2300.7 2063.9 79.1 27.0 8.0874251 7.7409687 7.6323527 4.3707129 3.2958369
73-2 3267.6 2315.2 2062.0 81.2 27.8 8.0918110 7.7472514 7.6314317 4.3969152 3.3250360
73-3 3264.3 2337.9 2073.7 81.3 28.3 8.0908006 7.7570084 7.6370897 4.3981460 3.3428618
73-4 3289.1 2382.7 2067.4 85.0 29.4 8.0983693 7.7759896 7.6340471 4.4426513 3.3809947
74-1 3259.4 2334.7 2050.8 89.0 29.8 8.0892984 7.7556387 7.6259852 4.4886364 3.3945084
74-2 3267.6 2304.5 2059.0 91.2 30.4 8.0918110 7.7426190 7.6299757 4.5130549 3.4144426
74-3 3239.1 2315.0 2065.5 97.1 30.9 8.0830508 7.7471650 7.6331276 4.5757414 3.4307562
74-4 3226.4 2313.7 2039.9 86.8 30.5 8.0791222 7.7466033 7.6206561 4.4636066 3.4177267
75-1 3154.0 2282.5 2051.8 75.8 30.0 8.0564268 7.7330266 7.6264727 4.3280983 3.4011974
75-2 3190.4 2390.3 2086.9 81.0 29.7 8.0679016 7.7791742 7.6434350 4.3944492 3.3911470
75-3 3249.9 2354.4 2114.4 97.8 30.1 8.0863795 7.7640412 7.6565264 4.5829246 3.4045252
75-4 3292.5 2389.4 2137.0 103.4 30.6 8.0994024 7.7787976 7.6671583 4.6386050 3.4210000
PRUEBAS DE ESTACIONARIEDAD
PRUEBAS DE ESTACIONARIEDAD
PRUEBAS DE ESTACIONARIEDAD
PRUEBAS DE ESTACIONARIEDAD
PRUEBAS DE ESTACIONARIEDAD
En el correlograma se muestran
hasta 30 rezagos. Observe la
columna AC, que es la función de
autocorrelación muestral, y el
primer diagrama de la izquierda,
llamado autocorrelación. La línea
vertical continua de este diagrama
representa el eje cero; las
observaciones por arriba de esta
línea son valores positivos, y los
que están por debajo, negativos.
PRUEBAS DE ESTACIONARIEDAD
PRUEBAS DE ESTACIONARIEDAD
PRUEBAS DE ESTACIONARIEDAD
PRUEBAS DE ESTACIONARIEDAD
PRUEBAS DE ESTACIONARIEDAD
PRUEBAS DE ESTACIONARIEDAD
PRUEBAS DE ESTACIONARIEDAD
PRUEBAS DE ESTACIONARIEDAD
𝑄 = 𝑛 𝜌ො𝑘2
𝑘=1
donde n = tamaño de la muestra y m = longitud del rezago.
El estadístico Q es común para probar si una serie de tiempo es de ruido
blanco. En muestras grandes, este estadístico se distribuye aproximada-
mente como la distribución ji cuadrada con m gl.
PRUEBAS DE ESTACIONARIEDAD
PRUEBAS DE ESTACIONARIEDAD
PRUEBAS DE ESTACIONARIEDAD
PRUEBAS DE ESTACIONARIEDAD
PRUEBAS DE ESTACIONARIEDAD
PRUEBAS DE ESTACIONARIEDAD
PRUEBAS DE ESTACIONARIEDAD
PRUEBAS DE ESTACIONARIEDAD
PRUEBAS DE ESTACIONARIEDAD
PRUEBAS DE ESTACIONARIEDAD
PRUEBAS DE ESTACIONARIEDAD
PRUEBAS DE ESTACIONARIEDAD
PRUEBAS DE ESTACIONARIEDAD
PRUEBAS DE ESTACIONARIEDAD
PRUEBAS DE ESTACIONARIEDAD
PRUEBAS DE ESTACIONARIEDAD
PRUEBAS DE ESTACIONARIEDAD
Uso de E-Views
E-Views tiene incorporada una macro mediante la cual se puede observar
directamente la prueba de raíz unitaria de Dickey-Fuller. Los criterios de
análisis son los mismos estudiados líneas arriba.
Procedimiento:
1. Active la serie lnPBI
2. View/Unit Root test
3. En la ventana Unit Root Test,
por defecto, aparece el tipo de
prueba Augmented Dickey-Fuller;
4. Test for unit root in: Level.
5. Include in test equation: Trend
and intercept
PRUEBAS DE ESTACIONARIEDAD
El t Statistic=-2.487119 (=t), que en
valor absoluto es menor al valor
absoluto del valor crítico de 1% (t=-
4.06829), 5% (t=-3.462912) e incluso
de 10% (t=-3.157836), lo que indica
que aun después de tener cuidado de la
posible autocrelación en el término de
error, la serie LnPBI es no estacionaria
PRUEBAS DE ESTACIONARIEDAD
PRUEBAS DE ESTACIONARIEDAD
CRITERIOS DE INFORMACION
CRITERIOS DE INFORMACION
CRITERIOS DE INFORMACION
CRITERIOS DE INFORMACION
8.6 .04
8.5 .03
8.4 .02
8.3 .01
8.2 .00
8.1 -.01
8.0 -.02
7.9 -.03
70 72 74 76 78 80 82 84 86 88 90 70 72 74 76 78 80 82 84 86 88 90
LNPBI D1
1.0
0.5
0.0
-0.5
-1.0
-1.5
-1.5 -1.0 -0.5 0.0 0.5 1.0 1.5
Regla de decisión:
Rechace a Ho si Prob es menor o igual a 0,05
No rechace a Ho si Prob es mayor que 0,05.
ANALISIS: Primer bloque, no rechace a Ho.
Concluya que IPD no explica a GCP.
Segundo bloque, rechace a Ho y acepte H1.
Concluya que GCP explica a IPD.
Cor(GCP,IPD(-i))
.3 .3
Planteamiento de hipótesis:
.1 .1
.0 .0
-.2
-.1
-.2
Estadístico de la prueba: .3
Cor(IPD,GCP(-i))
.3
Cor(IPD,IPD(-i))
Correlograma – Estadístico Q
.2 .2
.1 .1
.0 .0
-.1 -.1
-.2 -.2
-.3 -.3
1 2 3 4 5 6 7 8 9 10 11 12 1 2 3 4 5 6 7 8 9 10 11 12
.1
.2
.1
-.1
.0
-.1
-.3 -.3
confianza. .3
Cor(IPD,GCP(-i))
.3
Cor(IPD,IPD(-i))
.2 .2
ANALISIS: .1 .1
-.1 -.1
-.3
1 2 3 4 5 6 7 8 9 10 11 12
-.2
-.3
1 2 3 4 5 6 7 8 9 10 11 12
Los valores de Prob, indican que los residuos son white noise después
del 6º retardo.
Regla de decisión
Rechace a H0 si Prob es menor o igual a 0,05
No rechace a H0 si Prob es mayor que 0,05
La prueba conjunta indica que los residuos son marginalmente normales,
por cuanto el p-value, 0,054 > 0,05
ECONOMETRIA II Econ. JOSE RODRIGUEZ HERRERA
SERIES TEMPORALES
IMPULSE
15
20
15
variables.
10
5
10
5
Por ejemplo, el gráfico de
0 0 la esquina superior
-5
-10
-5
-10
izquierda representa la
1 2 3 4 5 6 7 8 9 10 1 2
respuesta de GCP causado
3 4 5 6 7 8 9 10
28
Response of IPD to GCP
28
por un shock unitario a la
Response of IPD to IPD
24
20
24
20
misma variable GCP.
16
12
16
12
El gráfico superior de la
8
4
8
4
esquina derecha representa
0
-4
0
-4
la respuesta de GCP a
-8
1 2 3 4 5 6 7 8 9 10
-8
1 2 shocks en IPD.
3 4 5 6 7 8 9 10
5
10
5
el tiempo (10 trimestres).
0 0
Un shock aleatorio en el
-5 -5
24
20
24
20
trimestres para después
16
12
16
12
amortiguarse (hasta el
8
4
8
4
periodo 8) y luego
0
-4
0
-4
mantenerse constante a
-8
1 2 3 4 5 6 7 8 9 10
-8
1 2 partir del periodo 10.
3 4 5 6 7 8 9 10
20
25
20
el shock unitario del IPD
15 15 también es significativo,
10 10
5 5
hace que éste disminuya
0 0
hasta el periodo 7 para
-5 -5
-10 -10
luego tener un efecto
1 2 3 4 5 6 7 8 9 10 1 2 3 4 5 6 7 8 9 10
Percent GCP variance due to GCP Percent GCP variance due to IPD
80 80
40 40
0 0
1 2 3 4 5 6 7 8 9 10 1 2 3 4 5 6 7 8 9 10
Percent IPD variance due to GCP Percent IPD variance due to IPD
90 90
80 80
70 70
60 60
50 50
40 40
30 30
20 20
10 10
1 2 3 4 5 6 7 8 9 10 1 2 3 4 5 6 7 8 9 10
Percent GCP variance due to GCP Percent GCP variance due to IPD
100
representa la variabilidad de GCP
100
80
60
que es causada por un shock
80
60
40
unitario en la misma GCP. Se
40
20
puede apreciar que el 100% de
20
0
1 2 3 4 5 6 7 esta variabilidad es causada por
8 9 10
0
1 2 3 4 5 6 7 8 9 10
90
shock en la misma variable. Si se
Percent IPD variance due to GCP
90
Percent IPD variance due to IPD
80
70
observa en el gráfico inferior
80
70
60
50
derecho, el caso de IPD, se
60
50
40
30
advierte que su variabilidad es
40
30
20
10
explicada por más o menos a
20
10
1 2 3 4 5 6 7 8 9 10 1 2 3 4 5 6 7 8 9 10
Percent GCP variance due to GCP Percent GCP variance due to IPD
100
que aproximadamente, desde 15%
100
80
60
hasta 70% de la variación de IPD
80
60
40
puede ser explicada por shock en
40
20
GCP. 20
0 0
1 2 3 4 5 6 7 8 9 10 1 2 3 4 5 6 7 8 9 10
Percent IPD variance due to GCP Percent IPD variance due to IPD
90 90
80 80
70 70
60 60
50 50
40 40
30 30
20 20
10 10
1 2 3 4 5 6 7 8 9 10 1 2 3 4 5 6 7 8 9 10
𝛿𝑖 𝑌𝑖 ~𝐼(0)
𝑖
ECONOMETRIA II Econ. JOSE RODRIGUEZ HERRERA
SERIES TEMPORALES
8.1
3200
8.0
7.9
2800
7.8
2400 7.7
7.6
2000
7.5
1600 7.4
70 72 74 76 78 80 82 84 86 88 90 70 72 74 76 78 80 82 84 86 88 90
Acepte Ho: −2.425572 < 𝑉𝑎𝑙𝑜𝑟𝑒𝑠 𝑐𝑟í𝑡𝑖𝑐𝑜𝑠. Acepte Ho por que el DFA
es menor en valor absoluto que el valor crítico McKinon al 5%.
ECONOMETRIA II Econ. JOSE RODRIGUEZ HERRERA
SERIES TEMPORALES
Acepte Ho: −2.588254 < 𝑉𝑎𝑙𝑜𝑟𝑒𝑠 𝑐𝑟í𝑡𝑖𝑐𝑜𝑠. Acepte Ho por que el DFA
es menor en valor absoluto que el valor crítico McKinon al 5%.
ECONOMETRIA II Econ. JOSE RODRIGUEZ HERRERA
SERIES TEMPORALES
estacionarios.
0
Lo realizamos haciendo doble click
en el objeto res1 y calculando la -40
RES1
8.1
8.0
7.9
7.8
7.7
7.6
7.5
7.4
70 72 74 76 78 80 82 84 86 88 90
En el nivel, la serie LnGCP tiene
LOG(GCP)
raíz unitaria; i.e, es no estacionaria.
ECONOMETRIA II Econ. JOSE RODRIGUEZ HERRERA
SERIES TEMPORALES
.01
.00
-.01
-.02
-.03
70 72 74 76 78 80 82 84 86 88 90
D(LOG(GCP))
8.1
8.0
7.9
7.8
7.7
7.6
7.5
70 72 74 76 78 80 82 84 86 88 90
LOG(IPD)
.04
.03
.02
.01
.00
-.01
-.02
-.03
70 72 74 76 78 80 82 84 86 88 90
D(LOG(IPD))
.02
.01
.00
-.01
-.02
-.03
-.04
70 72 74 76 78 80 82 84 86 88 90
RESLN
Por lo tanto, existe una relación estable a largo plazo, por lo que se dice
que las variables LnGCP y LnIPD están cointegradas.
ECONOMETRIA II Econ. JOSE RODRIGUEZ HERRERA
SERIES TEMPORALES
𝑄𝑟 = −𝑇 log(1 − λ𝑖 )
𝑖=𝑟+1
CONCLUSION: De acuerdo con la
prueba de la traza se rechaza la
hipótesis nula de no cointegración en
favor de una relación de cointegración
al nivel del 5% y del 1 %.
(30.95>19,96 y 24.60)
ECONOMETRIA II Econ. JOSE RODRIGUEZ HERRERA
SERIES TEMPORALES