Descarga la aplicación para disfrutar aún más
Vista previa del material en texto
Series de tiempo 2. 1. Para que la seria de tiempo i3t sea estacionaria en diferencia tiene que cumplir con este par de requisitos. 1.a) La serie i3t no tiene que ser estacionaria. 2.a) La serie d_i3t (Que se compone de la diferencia entre un periodo y su periodo de tiempo pasado) si es estacionaria. B) Comenzaremos aplicando una Prueba de ADF (dickey fuller) con un 95% de confianza en la serie i3t obtenemos.: Contraste aumentado de Dickey-Fuller para I3 contraste sin constante valor estimado de (a - 1): -0.0237189 Estadístico de contraste: tau_nc(1) = -0.75171 valor p asintótico 0.391 contraste con constante valor estimado de (a - 1): -0.122318 Estadístico de contraste: tau_c(1) = -1.77938 valor p asintótico 0.3912 con constante y tendencia valor estimado de (a - 1): -0.0959593 Estadístico de contraste: tau_ct(1) = -1.17 valor p asintótico 0.9154 1.b) Todos los valores de p son α* >.05 por lo que diferimos que no se cumple la condición de rechazo, por lo tanto, el coeficiente δ no es significativo en las tres regresiones y se concluye que la serie i3t no es una serie estacionaria; cumpliendo el primer punto. Como segundo paso se aplicará la misma prueba a la serie d_i3t. Contraste aumentado de Dickey-Fuller para d_I3 contraste sin constante valor estimado de (a - 1): -1.04597 Estadístico de contraste: tau_nc(1) = -6.1748 valor p asintótico 1.806e-009 contraste con constante valor estimado de (a - 1): -1.04617 Estadístico de contraste: tau_c(1) = -6.11313 valor p asintótico 6.371e-008 con constante y tendencia valor estimado de (a - 1): -1.09716 Estadístico de contraste: tau_ct(1) = -6.34539 valor p asintótico 1.566e-007 2.b) Todos los valores de p son α* <.05 por lo que diferimos que se cumple la condición de rechazo, por lo tanto, el coeficiente δ es significativo en las tres regresiones y se concluye que la serie d_i3t es una serie estacionaria; cumpliendo el segundo punto y por lo tanto son una serie DS. 2. Para comprobar que la serie descrita esta cointegrada se aplicara una prueba de ADF a los residuos de dicha serie. 2.a) Se modeliza por mínimos cuadrados ordinarios la serie i3t = B1 + B2 INFt + B3 DEFt + ut y se capturan los residuos, para consecuentemente aplicar una prueba ADF (con un 90% de confiabilidad) y determinar si la serie de los residuos es estacionaria, y así cumplir con el requisito para ser una serie cointegrada. Haciendo una prueba ADF de la serie “e” obtenida mediante los pasos ya descritos obtenemos los siguientes resultados. Contraste aumentado de Dickey-Fuller para e contraste sin constante valor estimado de (a - 1): -0.662721 Estadístico de contraste: tau_nc(1) = -3.7964 valor p asintótico 0.0001469 contraste con constante valor estimado de (a - 1): -0.66942 Estadístico de contraste: tau_c(1) = -3.76563 valor p asintótico 0.003295 con constante y tendencia valor estimado de (a - 1): -0.755244 Estadístico de contraste: tau_ct(1) = -3.67761 valor p asintótico 0.02378 Todos los valores de p son α* <0.1 por lo que diferimos que se cumple la condición de rechazo, por lo tanto, el coeficiente δ es significativo en las tres regresiones y se concluye que la serie “e” es una serie estacionaria; por lo que la serie i3t = B1 + B2 INFt + B3 DEFt + ut. esta cointegrada. 3. Modelo ARMA utilizamos la herramienta modelizar – Series temporales – Arima Marcamos la variable dependiente a d_VF y anotamos sus retardos para obtener. 3.a) Coeficiente Desv. Típica z Valor p ---------------------------------------------------------- phi_1 −0.437091 0.0945186 −4.624 3.76e-06 *** phi_2 −0.252419 0.0983527 −2.566 0.0103 ** phi_14 0.153488 0.0904839 1.696 0.0898 * theta_3 −0.133167 0.0775403 −1.717 0.0859 * theta_5 −0.547113 0.0785622 −6.964 3.31e-012 *** 3.b) Ecuación teórica del modelo. d_VFt = 1d_VFt-1 + 2d_VFt-2+ 14d_VFt-14+θ3 εt-3+θ5 εt-5+ εt 4. Obtenemos el correlograma de la serie d_PROUSBt para determinar cuál es la variación más alta. 4.a) Observamos que la perturbación más grande es la 3 en el correlograma FACP por lo que se introducirá un AR (3) al modelo de serie de tiempo – Arima ; aplicamos y observamos de nuevo el correlograma de los residuales, observamos otra protuberancia en el correlograma FACP en el término 7 por lo que se agrega al modelo un AR (7); aplicamos y observamos de nuevo el correlograma de los residuales para denotar que no hay perturbación en el correlograma obteniendo un modelo ARMA estadísticamente correcto. Términos AR (3) y AR (7) 4.b) Ecuación Estimada. d_PROUSBt = B1 + 3d_ PROUSBt-3 + 7d_ PROUSBt-7 + εt B1: 6.17706 3: - 0.182185 7: - 0.176966 d_PROUSBt = 6.17706 + (−0.182185) d_ PROUSBt-3 + (−0.176966) d_ PROUSBt-7 + εt 5. Modelo ARMA de d_prtabt a Modelo ARIMA 5.a) d_prtabt = B1 + 1 d_prtabt-1 + 2 d_prtabt-2 + θ3 εt-3 + εt d_prtabt= ( prtabt - prtabt-1) Se sustituyen los términos. Prtabt = B1 + prtabt-1 + 1 (prtabt-1 - prtabt-2) + 2 (prtabt-2 - prtabt-3) + θ3 εt-3 + εt Prtabt = B1 + prtabt-1 + 1 prtabt-1 - 1 prtabt-2 + 2 prtabt-2 - 2 prtabt-3 + θ3 εt-3 + εt Valores estimados en Gretl con la serie ARMA dada. B1 : 12.8055 1: −0.555401 2: −0.400620 θ3: −0.334511 Ecuación del Modelo Arima. Prtabt = 12.8055 + prtabt-1 + (−0.555401) prtabt-1 - (−0.555401) prtabt-2 + (−0.400620) prtabt-2 - (−0.400620) prtabt-3+ (−0.334511) εt-3 + εt 6. (Se Omitió.)
Compartir