ARIMA Y VECTORES AUTORREGRESIVOS Informe Final

ARIMA Y VECTORES AUTO RREGRESIVOS
Econometra de series de tiempo

Pronstico de series de tiempo
Los pronsticos son una parte importante del anlisis economtrico, y
para algunas personas constituye el rea ms importante. Cmo se
pronostican variables econmicas como el PIB, inflacin, tasas de
cambio, precios de acciones, tasas de desempleo y miles de otras
variables econmicas? En este informe analizaremos dos mtodos
para pronosticar que han adquirido mucha popularidad:
1) Autorregresivo Integrado de Medias mviles (ARIMA),
conocido como metodologa de Box-Jenkins.
2) Vectores autorregresivos (VAR)
Enfoques de los pronsticos econmicos :
MODELOS AUTORREGRESIVOS INTEGRADOS DE

MEDIAS MVILES (ARIMA)
La publicacin de G. P. E. Box y G. M. Jenkins Time Series Analysis:
Forecasting and Control, op. cit., marc el comienzo de una nueva
generacin de herramientas de pronstico. Popularmente conocida
como metodologa de Box-Jenkins (BJ), pero tcnicamente conocida
como metodologa ARIMA, el inters de estos mtodos de pronsticos
no est en la construccin de modelos uniecuacionales o de
ecuaciones simultneas, sino en el anlisis de las propiedades
probabilsticas, o estocsticas, de las series de tiempo econmicas
por s mismas segn la filosofa de que los datos hablen por s
mismos. A diferencia de los modelos de regresin, en los cuales Y t se
explica por las k regresoras X 1, X2, X3,. . ., Xk, en los modelos de series
de tiempo del tipo BJ, Yt se explica por valores pasados o rezagados
de s misma y por los trminos de error estocsticos. Por esta razn,
los modelos ARIMA reciben algunas veces el nombre de modelos
atericos porque no se derivan de teora econmica alguna, y las
teoras econmicas a menudo son la base de los modelos de
ecuaciones simultneas.
A propsito, observe que la atencin se centra en los modelos ARIMA
univariados, es decir, en los modelos ARIMA que pertenecen a una
sola serie de tiempo. No obstante, el anlisis puede extenderse a
modelos ARIMA multivariados.
UNIVERSIDAD NACIONAL DE TRUJILLO | Ingeniera Estadstica
Para pronosticar valores de una serie de tiempo, la estrategia bsica

de Box-Jenkins es la siguiente:
Paso 1. Identificacin. Es decir, encontrar los valores apropiados de
p, d y q. En seguida veremos la forma como el correlograma y el
correlograma parcial ayudan en esta labor.
Paso 2. Estimacin. Tras identificar los valores apropiados de p y q,
la siguiente etapa es estimar los parmetros de los trminos
autorregresivos y de promedios mviles incluidos en el modelo.
Algunas veces, este clculo se efecta mediante mnimos cuadrados
simples, pero otras hay que recurrir a mtodos de estimacin no
lineal (en parmetros). Como esta labor se lleva a cabo ahora a travs
de rutinas en diversos paquetes estadsticos, en la prctica no es
preciso preocuparse por los desarrollos matemticos de la estimacin;
el estudiante interesado en el tema puede consultar las referencias.
Paso 3. Examen de diagnstico. Despus de seleccionar un
modelo ARIMA particular y de estimar sus parmetros, tratamos de
ver si el modelo seleccionado se ajusta a los datos en forma
razonablemente buena, pues es posible que exista otro modelo ARIMA
que tambin lo haga. Es por esto que el diseo de modelos ARIMA de
Box-Jenkins es un arte ms que una ciencia; se requiere gran
habilidad para seleccionar el modelo ARIMA correcto. Una simple
prueba del modelo seleccionado es ver si los residuales estimados a
partir de este modelo son de ruido blanco; si lo son, aceptamos el
ajuste particular; si no lo son, debemos empezar de nuevo. Por tanto,
la metodologa BJ es un proceso iterativo.
FIGURA 1
1. Identificacin del modelo

(Seleccin
Si tentativa de p, d, q)
2. Estimacin de parmetros
Del mtodo elegido
No
3. Examen de diagnstico:
Los residuos estimados son de ruido
blanco?
Si
4. Pronstico
Paso 4. Pronstico. Una razn de la popularidad del proceso de

construccin de modelos ARIMA es su xito en el pronstico. En
muchos casos, los pronsticos obtenidos por este mtodo son ms
confiables que los obtenidos de modelos economtricos tradicionales,
en particular en el caso de pronsticos de corto plazo. Por supuesto,
cada caso debe verificarse.
Durante el anlisis utilizaremos los datos del producto interno bruto
(PIB) de Estados Unidos de I-1947 a IV-2007. Estos datos se
encuentran en el anexo 1 para ilustrar los diversos puntos.
Antes de efectuar una prueba formal, siempre es aconsejable graficar

la serie de tiempo en estudio.
En esta grafica se
puede observar que
los valores del PIB
tienden
a
una
exponencial lo cual
es
recomendable
hacer
una
transformacin
a
Observamos que, a
lo largo del periodo
de
estudio,
el
logaritmo del PIB se
increment.
Es decir, muestra
una
tendencia
ascendente, lo cual
deja entrever que
quiz est variando
la
media
del
logaritmo del PIB.
Esto tal vez indique que la serie logartmica del PIB es no

estacionaria. Esa intuicin es el comienzo de una prueba ms formal
de estacionalidad.
Ejemplo Aplicativo: Trabajaremos con la data presentada en el
anexo de este informe nombrado como Datos del producto interno
bruto (PIB) de Estados Unidos de I-1947 a IV-2007.
1. Identificacin
Las herramientas principales en la identificacin son la funcin de
autocorrelacin (FAC), la funcin de autocorrelacin parcial (FACP) y
los correlogramas resultantes, que son simplemente los grficos de
FAC y de FACP respecto de la longitud del rezago.
La autocorrelacin parcial kk mide la correlacin entre observaciones
(series de tiempo) separadas k periodos y mantiene constantes las
correlaciones en los rezagos intermedios (es decir, rezagos menores
de k). En otras palabras, la autocorrelacin parcial es la correlacin
entre Yt y Yt-k despus de eliminar el efecto de las Y intermedias.
GRAFICA 1:
CORRELOGRAMA Y CORRELOGRAMA PARCIAL DE
LPIB, ESTADOS UNIDOS, I-1947 A IV-2007.
En esta figura sobresalen dos

hechos: primero, la FAC
decrece muy lentamente; la
FAC
es
estadsticamente
diferente de cero en un nivel
individual, pues todas estn
fuera de los lmites a 95% de
confianza. Segundo, despus
del primer rezago, la FACP
decrece en forma considerable
y todas las FACP, despus del
primer
rezago,
son
estadsticamente
no
significativas.
Como la serie de tiempo LPIB de Estados Unidos es no estacionaria,

debemos convertirla en estacionaria antes de aplicar la metodologa
de Box-Jenkins.
GRAFICA 2:
PRIMERA DIFERENCIA DE LOS LPIB DE ESTADOS
UNIDOS,
1947-2007 (TRIMESTRAL).
Ahora tenemos un patrn muy

diferente de FAC y de FACP.
Las FAC en los rezagos 1, 2 y 5
parecen
estadsticamente
diferentes de cero; Pero, en
todos los dems rezagos, no
son estadsticamente diferentes
de
cero.
Para
las
autocorrelaciones
parciales,
slo los rezagos 1 y 12 parecen
estadsticamente diferentes de
cero, pero el resto no.
TABLA 1: Prueba de raz unitaria de Dickey-Fuller
Como ADF = |-11.02044| > VC5% = |-2.873289| entonces se rechaza

la hiptesis nula, por lo que se concluye que el LPIB es estacionario.
Ahora, cmo permiten los correlogramas de la grfica 2 encontrar el

patrn ARMA de la serie de tiempo del PIB? (Nota: Slo
consideraremos la serie del LPIB en primeras diferencias por ser
estacionaria.)
Y t =LPIBt LPIBt1
Y t =las primeras diferencias del logaritmo del PIB de EstadosUnidos .
Una forma de lograrlo es considerar la FAC y la FACP, y los

correlogramas asociados de un nmero seleccionado de procesos
ARIMA, como AR (1), AR (2), MA (1), MA (2), ARMA (1,1), ARMA (2,2), y
as sucesivamente. Hasta determinar si el modelo seleccionado ARIMA
es razonablemente preciso.
2. Estimacin del modelo ARIMA

Modelo AR (1)
Modelo MA (1)
Modelo AR (2)
Modelo MA (2)
Modelo ARMA (1. 1)
El proceso que gener la serie LPIB (en primeras diferencias) es un

modelo MA (2) es el ms adecuado.
Entonces el modelo MA (2) identificado tentativamente es:
Y t = + 1 t 1 + 2 t2 (2.1)
Con EViews obtuvimos las siguientes estimaciones:
Y t =0.00823+0.29232 t1 +0.20459 t2
ee=( 0.00088 ) ( 0.06324 )( 0.06325 ) (2.2)
t=( 9.325 ) ( 4.623 ) ( 3.235 )

R2=0.1217 d=1.9718
10
3. Verificacin de diagnstico
FIGURA 4: Las FAC y FACP de los residuos del modelo MA (2)
Como vemos en esta figura,

ninguna
de
las
autocorrelaciones y de las
autocorrelaciones parciales es
estadsticamente significativa
de manera individual. Tampoco
lo es la suma de las 25
autocorrelaciones elevadas al
cuadrado, como indican los
estadsticos Q de Box-Pierce y
LB de Ljung-Box. En otras
palabras, los correlogramas de
la autocorrelacin y de la
autocorrelacin parcial dan la
impresin de que los residuos
estimados
son
puramente
aleatorios.
Por tanto, esto quiere decir que hay ruido blanco.
4. Pronstico
Recuerde que los datos del PIB son para el periodo I-1947 a IV-2007.
Suponga, con base en el modelo (2.2), que deseamos pronosticar el
LPIB para el primero de los cuatro trimestres de 2008. Pero, en (2.2),
la variable dependiente es el cambio en el LPIB en el trimestre
anterior. Por consiguiente, si utilizamos (2.2), lo que obtenemos son
los pronsticos de los cambios en el LPIB entre el primer trimestre de
11
2008 y el cuarto trimestre de 2007, el segundo trimestre de 2008 y el

primer trimestre de 2008, etctera.
Para obtener el pronstico de nivel del LPIB en lugar de sus cambios,
podemos deshacer la transformacin de primeras diferencias con
que obtuvimos los cambios. (Ms tcnicamente, integramos la serie
de primeras diferencias.) As, para obtener el valor de pronstico del
LPIB para I-2008, reescribimos el modelo (2.1) como
Y 2008 I Y 2007IV =+ 1 2007IV + 2 2007III + 2008I (4.1)
Es decir:
Y 2008 I =+ 1 2007IV + 2 2007III + 2008 I + Y 2007 IV (4.2)
Los valores de , 1 y 2 ya se conocen de la regresin estimada (2.2).

2008 I
Se supone que el valor de
es cero (por qu?). Por
consiguiente, obtenemos fcilmente el valor de pronstico de
Y 2008 I
. La estimacin numrica de este valor de pronstico es:
Y 2008 I =0.00823+ 0.29232 2007IV + 0.20459 2007III +Y 2007 IV

Y 2008 I =0.00823+ 0.29232 (0.00854 ) +0.20459( 0.00399)+ 9.36527
Y 2008 I =9.37182
As, el valor de pronstico de LPIB para I-2008 es de alrededor de

9.37182, que equivale a unos 11752.428 millones de dlares.
12
VECTORES AUTORREGRESIVOS (VAR):

Como ya hemos visto en los temas anteriores el trmino autorregresivo se
refiere a la aparicin del valor rezagado de la variable dependiente en el
lado derecho, y el trmino vector se atribuye a que tratamos con un
vector de dos (o ms) variables.
Y t = +
0
1
Y t1
+2
Y t2 ++
p
Y t p
+ ut
Y t =[Y 1, .. , Yk ]
- Son unas de las herramientas que permiten el anlisis conjunto de un

grupo de variables endgenas estn los vectores autorregresivos (VAR).En
estos modelos esta implcito el criterio de que si existe simultaneidad entre
las variables estn deberan ser tratadas con igualdad sin que exista una
distincin a priori (previa) entre las variables endgenas y exgenas. El
modelo VAR es un proceso estocstico vectorial que permite conocer el
desarrollo de un sistema de variables correlacionadas; al establecer las
variables del sistema como endgenas, captura los conocimientos y la
dinmica de sus interrelaciones.
- Donde cada variable VAR del modelo es explicativa por sus propios valores
rezagados y por el resto de las variables del sistema endgeno, formando
as un sistema de series temporales, conocidas como series temporales
vectoriales .Cuando el sistema se ha particionado en variables endgenas y
exgenas entonces se dice que el modelo es un VARX; donde ,las variables
endgenas proyectan la informacin del sistema (salida del sistema)
mientras que en las variables exgenas suministran informacin al sistema
(entrada del sistema). Las variables exgenas pueden ser componentes
estocsticos o no; lo relevante de esta distincin es que permite tener un
13
control total o parcial en la administracin y gestin del sistema facilitando

la cuantificacin de polticas, por lo que se las denomina variables
instrumentales.
Las variables que conforman el VARX (exgenas y endgenas) deben ser
estacionarias, de tal forma que se pueden obtener predicciones ptimas del
vector endgeno. La estructura de los modelos VARX es la siguiente:
y t =A 1 Y t 1 +...+ A p Y t p + B X t +ut
(k*1)
(k*k)
(k*r)
(r*1)
(k*1)
-Donde F,_ corresponde al vector endgeno formado por los valores de las k
variables en el perodo (t -j); X, es un vector exgeno formado por los
valores de las variables en el perodo t; A,- es una matriz cuadrada [k*k]; B
es una matriz [k*r], siendo r el nmero de variables exgenas y, ut un
proceso multivariado ruido blanco normal con media cero y matriz de
varianza covarianza Et. La presencia de variables no estacionarias en un VAR
ocasiona que el impacto de las interrelaciones del vector Y, tengan efectos
permanentes y por lo tanto la teora asinttica convencional no sea
aplicable para la estimacin del modelo. Sin embargo, si el vector en
diferencias M; o algunas combinaciones lineales de las variables de 1; son
estacionarias, entonces la estimacin de los parmetros es adecuada.
Cuando la combinacin lineal de las variables de 1'; es estacionaria23, se
dice que las variables son cointegradas; es decir, las variables tienen la
misma tendencia, presentando una relacin de equilibrio a largo plazo, y el
modelo VAR en niveles puede ser reescrito como un modelo de correccin
de errores VEC; cuando un modelo VEC utiliza variables exgenas entonces
este modelo se lo conoce como VECX cuya estructura es la siguiente:
I Y
p 1
Y t = ( t1)+ Di Y t i+ B X t +ut
i=1
(k*1) (k*r) (r*k) (k*1) (k*k) (k*1) (r*1) (k*1)
14
Donde, Yt corresponde a un vector de k variables no estacionarias

(integradas de orden uno) en el perodo t; y , son matrices (r*r) de
parmetros; X, es un vector formado por los valores de las variables
exgenas; Di y B son matrices de parmetros de dimensiones (k*k) y (k*n),
respectivamente; y, ut, es un vector de variables aleatorias.
Metodologa para Modelos Vectoriales:

- Para establecer un modelo adecuado de series temporales vectoriales se
utiliza una metodologa que consiste en los siguientes pasos:
1) Identicacin.
- Un modelo VECX est caracterizado por los siguientes factores:
Nmero de Rezagos del Vector Autorregresivo (p).- Si se conociera
con exactitud el rezago real del proceso estocstico vectorial, entonces se
puede identificar con exactitud el proceso estocstico observado. Sin
embargo, conocer con exactitud el rezago de los procesos estocstico es
imposible; es por esta razn que, se han desarrollado estimadores del
rezago del modelo VAR conocidos como criterios de seleccin del rezago.Los
criterios de seleccin ms conocidos son Akaike, Hannan Quinn y Schwarz.
El objetivo de estos criterios es seleccionar el rezago que mejor se aproxime
al valor real. Dichos criterios parten del supuesto que el rezago es el
adecuado siempre y cuando pueda reducir el error del modelo; para cada
rezago se calcula el valor de los criterios donde un valor pequeo indica que
ste rezago puede ser adecuado para el VAR. Los criterios de Schwarz y
Akaike proporcionan valores mnimos y mximos en el que se encuentra el
rezago real del modelo; de esta forma se determina un intervan en el que se
va a encontrar el rezago real de este. Los dems criterios proporcionan
rezagos que puede tener el VAR pero deben encontrarse entre los rezagos
sugeridos por Schwarz y Akaike.
Modelo y Nmero de Relaciones de Cointegracin.- Las relaciones de

cointegracin entre variables endgenas permiten determinar las
ecuaciones que cuantifican la parsimonia entre estas variables, de donde
estas ecuaciones pueden presentar algunas de las siguientes estructuras:
1.- Ecuacin de cointegracin sin intercepto y el modelo del vector
autorregresivo sin tendencia. 2.-Ecuacin de cointegracin con intercepto y
el modelo del vector autorregresivo sin tendencia. 3.- Ecuacin de
cointegracin con intercepto y el modelo del vector autorregresivo con
tendencia. 4.-Ecuacin de cointegracin y el modelo del vector
autorregresivo con tendencia.
5.-Ecuacin de cointegracin
15
con tendencia lineal y el modelo del vector autorregresivo con tendencia

cuadrtica.
- Las pruebas estadsticas ms utilizadas para determinar las relaciones de
cointegracin del modelo VECX son Ia prueba de Ia traza y Ia prueba de
mximo valor propio25 llamadas tambin contraste de Johansen, donde se
determina estadsticamente la presencia de valores propios diferentes de
cero en Ia matriz, indicando el nmero de relaciones de cointegracin que
se tienen entre las variables endgenas. La combinacin de estos factores
hace posible determinar los modelos candidatos para la prediccin.
2.-Variables Exgenas.- Las variables exgenas en los modelos VECX
transmiten los acontecimientos presentes al modelo vectorial, dando la
facilidad de construir escenarios bajo ciertos supuestos en las variables
exgenas. Las variables explicativas en el modelo VECX se obtienen a partir
de un algoritmo que permite medir el aporte de cada variable exgena en la
mejora de la prediccin de las variables endgenas.
3.-Estimacin.- Para estimar los parmetros del modelo VECX se utilizan
los mnimos cuadrados ordinarios.
4.-Vericacin.- Un modelo adecuado VECX permite capturar las
interrelaciones existentes entre las variables endgenas dando como
resultado que los residuos no dispongan de informacin de las
interrelaciones de las variables endgenas, por IO que los residuos deben
ser independientes con distribucin normal multivariada HARE). Para
verificar IO anterior se utilizan las pruebas Portmanteau y Jarque Bera,
respectivamente. La prueba Portmanteau permite determinar Ia
significacin conjunta de las autocorrelaciones de los residuos del modelo
VECX probando la independencia de los residuos; la prueba de Jarque Bera
permite determinar si los residuos siguen una Iey normal multivariada, en
donde se prueba conjuntamente que los momentos de orden 3 (asimetra) y
4 (agudeza) sean 0 y 3 respectivamente.
5) Prediccin.- El modelo VECX que sea escogido debe tener la capacidad
de realizar predicciones adecuadas y confiables, donde el estadgrafo
utilizado es la suma de errores al cuadrado y es calculado de la siguiente
manera:
S.E.C =
e t (i)et (i)
i=1
2.2.-ESTIMACION VAR:
16
Para la estimacin del modelo VAR se parte de una eleccin sobre el nmero
de variables que componen el sistema, el nmero mximo de retardos a
incluir y, si se quiere, de una matriz de trminos deterministas (constantes,
variables ficticias u otro tipo de variables, pero de carcter determinista). En
los modelos VAR se produce una ausencia de simultaneidad: las variables
explicativas son todas retardadas y como consecuencia de la ausencia de
autocorrelacin no estn correlacionadas con las perturbaciones aleatorias.
Por todo ello el modelo puede ser estimado consistentemente por MCO.
Aunque la existencia de correlaciones entre las distintas ecuaciones podra
inducir la necesidad de utilizar mtodos de estimacin con informacin
completa (mxima verosimilitud), lo cierto es que al no existir restricciones
en la matriz de coeficientes (todas las variables aparecen incluidas en todas
las ecuaciones) los mtodos alternativos no sern ms eficientes que los de
MCO.
Por el momento,suponga que cada ecuacin contiene k valores rezagados
de M (como se mide M1) y R son matrices . En este caso, estimamos cada
una de las siguientes ecuaciones mediante MCO.
j M t j + j Rt j + u1 t
j=1
M1t =
+
j=1
j M t j+ j Rt j+ u 2 t
Rt =
j =1
j=1
PRONSTICO CON MODELO VAR:

17
De los datos trimestrales que pertenecen a Canad, de 1979 a 1988, con las
variables M1 (oferta de dinero en dlares canadienses) y R (tasa de inters
corporativa preferencial a 90 das, %), se desea estimar el modelo VAR
desde 1979 en el primer trimestre hasta 1987 en el cuarto trimestre con la
finalidad de estimar el valor de las variables en el ao 1988 en el primer
trimestre.
Se estima el siguiente modelo VAR con 4 rezagos y obtenemos:
Vector Autoregression
Estimates
Sample (adjusted): 1980Q1 1987Q4
Included observations: 32 after
adjustments
Standard errors in ( ) & t-statistics in [ ]
M1(-1)
M1(-2)
M1(-3)
M1(-4)
R(-1)
R(-2)
R(-3)
R(-4)
C
Rsquared
M1
1.07673
[ 5.3373
8
-0.20174
4]
0.17343
[ 0.5515
2
-0.31444
6]
0.36646
[4
-0.34687 1.05647]
0.00128
[ 1.9008
2
-0.00067
2]
[-0.00214 -0.00105 2.03583]
[ 2.3814
1]
[ 0.0878
-96.9177
3]
0.00217
[ 1.8769
6
-0.00116
8]
0.00147
[9
-0.00069 2.12854]
[ 5.9567
1.13931 -0.19127
0]
0.30905
[6
-0.31888 0.96918]
0.05236
[ 0.1616
5
-0.32397
3]
[-64.7554 0.77521]
[ 1.4875
-1622.65
8]
0.00107
[ 0.0049
3
-0.21646
6]
4.91903
[ 0.9068
1
-5.42416
7]
0.07760
[ 0.3732
2
-0.20789
9]
[-275.029 -57.2174 4.80674]
227.174
4
8.51194
2
50.1990
6
2413.82
4
-95.3948
0.98815
4
0.98403
4
0.85288
9
0.80172
Adj. R-squared
1
53.8623
Sum sq. resids
4820241
8
457.794
1.53030
S.E. equation
4
8
Fstatistic
Log likelihood
Akaike AIC
Schwarz SC
Mean dependent
S.D. dependent
239.831
5
236.167
6
15.3229
8
15.7352
1
28514.5
3
3623.05
8
Determinant resid covariance (dof adj.)

Determinant resid covariance
Log likelihood
Akaike information criterion
Schwarz criterion
18
16.6681
3
53.7371
8
3.92107
3
4.33331
2
11.6729
1
3.43668
8
490782.
8
253539.
2
289.904
4
19.2440
3
20.0685
Una vez que se ha estimado el modelo VAR se debe validar que sea el
adecuado, de la siguiente manera:
1. El modelo estimado VAR debe ser estacionario:
Mediante el correlograma se debe verificar que los residuos sean de
ruido blanco, es decir que los residuos estn dentro del intervalo de
confianza. Si los residuos no son de ruido blanco se deben obtener la
cantidad de rezagos ptimos.
19
Autocorrelations with 2 Std.Err. Bounds

Cor(M1,M1(-i))
Cor(M1,R(-i))
.4
.4
.2
.2
.0
.0
-.2
-.2
-.4
-.4
2
10
12
Cor(R,M1(-i))
10
12
10
12
Cor(R,R(-i))
.4
.4
.2
.2
.0
.0
-.2
-.2
-.4
-.4
2
10
12
Se verifica que los residuos son de ruido blanco y nos indica que el
modelo estimado VAR es estacionario.
2. Verificar que el modelo estimado VAR presenta rezagos ptimos:

Para obtener la cantidad de rezagos ptimo se realiza mediante el
orden de rezagos seleccionados por los criterios (Akaike y Schwarz).
VAR Lag Order Selection Criteria

Endogenous variables: M1 R
Exogenous
variables: C
Sample: 1979Q1
1987Q4
20
Included observations: 30
La
g
0
1
LogL
-356.4522
-285.3635
LR
NA
127.9597
2
3
4
5
6
-276.7565
-273.2217
-269.7196
-265.1809
-261.5921
14.34500*
5.420014
4.902912
5.749003
4.067264
FPE
81908105
936418.6
692193.
6*
722065.5
761945.4
760125.5
822164.2
AIC
23.89681
19.42423
19.1171
0*
19.14811
19.18131
19.14539
19.17281
SC
23.99023
19.70447
19.5841
6*
19.802
20.02202
20.17294
20.38718
HQ
23.9267
19.51388
19.2665
2*
19.3573
19.45026
19.47411
19.5613
* indicates lag order selected by the criterion

LR: sequential modified LR test statistic (each test at 5% level)
FPE: Final prediction error
AIC: Akaike information criterion
SC: Schwarz information criterion
HQ: Hannan-Quinn information criterion
De acuerdo al orden de los rezagos seleccionados por los criterios nos

indica que el modelo estimado VAR es ms ptimo con 2 rezagos.
21
Autocorrelations with 2 Std.Err. Bounds

Cor(M1,M1(-i))
Cor(M1,R(-i))
.4
.4
.2
.2
.0
.0
-.2
-.2
-.4
-.4
2
10
12
Cor(R,M1(-i))
10
12
10
12
Cor(R,R(-i))
.4
.4
.2
.2
.0
.0
-.2
-.2
-.4
-.4
2
10
12
Se verifica que los residuos son de ruido blanco y nos indica que el
modelo estimado VAR es estacionario.
3. Los residuos deben presentar una distribucin normal.
22
VAR Residual Normality Tests

Orthogonalization: Cholesky
(Lutkepohl)
Null Hypothesis: residuals are multivariate normal
Sample: 1979Q1 1987Q4
Included observations: 34
Component
Skewness
Chi-sq
df
Prob.
1
2
-0.00422
0.147963
0.000101
0.12406
1
1
0.992
0.7247
0.124161
0.9398
Joint
Component
Kurtosis
Chi-sq
df
Prob.
1
2
2.04602
1.935629
1.289276
1.604921
1
1
0.2562
0.2052
2.894197
0.2353
Joint
Componen
t
JarqueBera
df
Prob.
1
2
1.289377
1.728981
2
2
0.5248
0.4213
Joint
3.018358
0.5548
De acuerdo a la prueba de Jarque-Bera los residuos del modelo estimado

VAR se distribuyen con distribucin normal.
Prediccin:
23
Dado el modelo estimado VAR con 2 rezagos se tiene los siguientes

modelos:
La prediccin con los valores apropiados de M1 y R podemos afirmar que el

valor pronosticado del dinero para el primer trimestre de 1988 es de 36 996
(millones de dlares canadienses). El valor real de M1 para el primer
trimestre de 1988 fue de 36 480, lo que significa que el modelo pronostic
en exceso el valor real por casi 516 (millones de dlares). Desde luego,
estas estimaciones cambian en funcin de la cantidad de valores rezagados
que consideremos en el modelo VAR.
24
VAR Y CAUSALIDAD
Como sabemos, debido a los rezagos participantes en los modelos de

rezagos distribuidos y/o autorregresivos, es que nos conducen al
tema de la causalidad en las variables econmicas. En la prctica, la
elaboracin de modelos de causalidad de Granger ha recibido
considerable atencin. Pero se debe tener mucho cuidado con la
metodologa de Granger, porque es muy sensible a la longitud del
rezago utilizado en el modelo.
Una de las buenas caractersticas de los modelos VAR es que
permiten poner a prueba la direccin de la causalidad. La causalidad
en la econometra es algo diferente al concepto en el uso diario; se
refiere ms a la capacidad de una variable para predecir (y por lo
tanto causar) la otra.
Supongamos dos variables, dicen Yt y Xt, se afectan entre s con

rezagos distribuidos. La relacin entre estas variables puede ser
capturada por un modelo VAR. En este caso, es posible tener que
(a) Yt causa Xt, (b) Xt provoca Yt, (e) hay una retroalimentacin
bidireccional (causalidad entre las variables), y finalmente (d) las
dos variables son independientes. El problema es encontrar un
procedimiento adecuado que nos permite probar y detectar
estadsticamente la relacin causa-efecto entre las variables.
Granger (1969) desarroll un enfoque relativamente simple para

probar la causalidad de las series. Una variable Yt se dice que causa
de manera Granger a Xt, si Xt puede ser predicho usando valores del
pasado de Yt.
25
LA PRUEBA DE CAUSALIDAD DE GRANGER Y VAR

Existe alguna conexin entre el modelo VAR y la causalidad?
Veamos el siguiente anlisis del caso:
Con los datos sobre Canad proporcionados en la tabla I (ANEXOS).
Suponga que deseamos averiguar si existe causalidad entre la oferta
Hiptesis
Nula:
R M1
M1
Numero de
Rezagos
2
2
FStatistic
12,93
3,22
Prob.
Decision
7.E-05
0.0526
Aceptar
Aceptar
R
R
M1
M1
4
4
5,59
2,45
0.0021
0.0702
Aceptar
Aceptar
M1
M1
6
6
3,52
2,71
0.0144
0.0413
Aceptar
Aceptar
M1
M1
8
8
1,40
1,63
0.2719
0.1979
Rechazar
Rechazar
de dinero y la tasa de inters en Canad en periodos trimestrales de

1979 a 1988.A fin de demostrar que la prueba de Granger para
causalidad depende de manera crtica del nmero de trminos
rezagados introducidos en el modelo, presentaremos enseguida los
resultados de la prueba F en la que se emplearon varios rezagos
(trimestrales).En cada caso, la hiptesis nula se especifica la hiptesis
nula.
Tabla N1
LAS PRUEBAS POR PAREJAS DE CAUSALIDAD DE GRANGER
(Cuadros de Resumen para cada caso)
Vemos que, hasta el nivel de 2, 4 y 6 rezagos, haba una causalidad

bilateral entre
M1 (Dinero) y R (tasa de inters), pero que en el
rezago 8 no exista causalidad entre las dos variables. Por
consiguiente, los resultados son ambiguos y uno se preguntar el
porqu de esta ambigedad, lo cual nos conlleva a recordar que
posiblemente obviamos un paso importante del cual nos habla
Granger.
26
PRUEBAS EXTENDIDAS DE GRANGER
En caso de que dos variables no estn cointegradas, no debe

hacerse uso de las pruebas "usuales" de causalidad de
Granger, dado que se incurre en el riesgo de producir
resultados sesgados. Se recomienda, en estos casos, emplear
las pruebas extendidas de Granger las cuales estn basadas
en el modelo de Correccin de errores
Recordemos que el teorema de representacin de Granger implica

que si dos variables, por ejemplo Xt y Yt, estn cointegradas y cada
una es individualmente I(1), es decir, es integrada de orden 1 (por
ejemplo, cada una es no estacionaria individualmente), Xt debe
causar (segn el criterio de Granger) a Yt, o Yt debe causar (segn el
criterio de Granger) a Xt.
En el ejemplo ilustrativo, esto significa que M1 y R son
individualmente I(1) lo cual se demuestra a travs de la prueba de
dique y fuller aumentada mostradas a continuacin :
SALIDA DE EVIEWS PARA M1
(Sin diferenciar)
Dickey-Fuller Prueba Ecuacin

Variable dependiente: D (M1)
Mtodo: Mnimos Cuadrados
Muestra (ajustada): 1979Q2 1988Q4
Observaciones incluidas: 39 despus de ajustes
Variabl
e
M1(-1)
C
Coeffici
ent
Std.
Error
tStatisti
c
Prob.
0.02372 0.02053 1.15500

0.2555
1
8
7
R-squared
0.034800
Mean dependent
594.893
0.6635
var
260.924 R2 0.008714
0.43860
Adjusted
S.D. dependent
6
8
squared
var
S.E. of
568.3148
Akaike info
regression
criterion
Sum squared
11950324
Schwarz criterion
resid
Log likelihood
-301.6764
Hannan-Quinn
criter.
F-statistic
1.334040
Durbin-Watson
stat
Prob(F0.255493
418.0938
570.8072
15.57315
15.65846
15.60376
1.665339
27
statistic)
Hiptesis nula: M1 tiene una raz unitaria

Exgenos: Constante
Lag Longitud: 0 (automtico basado en la SIC, MAXLAG = 9)
Estadstico de prueba Dickey-Fuller
Prueba valores crticos:
tStatistic
Prob.*
1.155007
0.9973
Nivel del
1%
Nivel del
5%
Nivel del
10%
-3.610453
-2.938987
-2.607932
MacKinnon valores de p (1996) de un solo lado.
Como observamos mediante la prueba de Raz unitaria probaremos si

la serie econmica es estacionaria o no .Primero observaremos
adems los estadsticos de Durbin Watson para tener como referencia
y verificar si incumple el supuesto bsico de no auto correlacin
entre el termino error .Como observamos en la salida de eviews la
prueba de Durbin-Watson me arroja el valor de 1.665339 , el cual
nos indicara que existe autocorrelacin en el trmino error ; por lo
que la prueba
la prueba Dickey-Fuller pierda potencia. Acto
seguido pasaremos a observar la prueba de Dickey-Fuller para
verificar exactamente que la serie que estamos analizando es no
estacionaria debido que a un nivel de 5% el Estadstico de prueba
Dickey-Fuller es mayor que su valor crtico. Adems la probabilidad
de su estadstico no es significativa debido a que se es mayor que
0.05.
Una vez comprobado que no existe estacionalidad probaremos
convertirlas por medio de las primeras diferencias hasta hallar
estacionalidad
SALIDA DE EVIEWS PARA M1
(Con 1 una diferenciacin)

Variable dependiente: D (M1,3)
28

Variable
Coefficien
t
Std. Error
t-Statistic
Prob.
D(M1(-1),2)
2.583.687
1.161.504
0.665480
0.498169
2.335.595
0.473942
5.451.486
2.869.103
2.296.474
2.998.702
0.222331
0.0000
D(M1(-1),3)
D(M1(-2),3)
D(M1(-3),3)
C
R-squared
0.772754
Adjusted Rsquared
S.E. of
regression
Sum squared
resid
Log likelihood
0.741410
F-statistic
Prob(Fstatistic)
6.114.941
10843827
2.636.806
2.465.382
0.404832
0.289783
0.166128
1.050.504
Mean
dependent var
S.D. dependent
var
Akaike info
criterion
Schwarz
criterion
Hannan-Quinn
criter.
Durbin-Watson
stat
0.0076
0.0291
0.0055
0.8256
1.982.382
1.202.504
1.580.474
1.602.921
1.588.129
1.953.976
0.000000
Como observamos el Estadstico de Durbin Watson nos muestra que

no hay autocorrelacin
en el trmino error, adems se puede
observar que en las variables rezagadas analizadas todas son
significativas, hecho por el cual la prueba Dickey-Fuller, sera
vlida para el anlisis de Raz Unitaria. Como recordamos
se
diferenci una vez Los resultados se muestran a continuacin
Hiptesis nula: D (M1,2) tiene una raz unitaria
Exgenos: Constante
Lag Duracin: 3 (automtico basado en la SIC, MAXLAG = 9)
tStatistic
Estadstico de prueba Dickey-Fuller
5.451.486
Prob.*
0.0001
29
Prueba valores crticos:
Nivel del 1%
Nivel del 5%
Nivel del 10%
-3.639.407
-2.951.125
-2.614.300
* MacKinnon valores de p (1996) de un solo lado.
Como podemos Observamos el estadstico de Dickey-Fuller es mucho

menor que el valor critico a nivel del 5%, esto quiere decir que es
significativo, por lo que se comprueba la estacionalidad de los datos.
Lo mismo haremos para la variable R (tasa de inters):
SALIDA DE EVIEWS PARA R
(Sin diferenciar)
Augmented Dickey-Fuller Test Equation

Dependent Variable: D(R)
Method: Least Squares
Sample (adjusted): 1979Q2 1988Q4
Included observations: 39 after adjustments
Variable
Coefficient
R(-1)
C
-0.131054
1.503177
R-squared
Adjusted Rsquared
S.E. of regression
Sum squared
resid
Log likelihood
F-statistic
Prob(F-statistic)
Std. Error
0.0815
0.974344
t-Statistic
-1.608018
1.542758
Prob.
0.1163
0.1314
0.06532
0.040058
Mean dependent var

S.D. dependent var
-0.007692
1.644028
1.610763
95.99868
Akaike info criterion

Schwarz criterion
3.841214
3.926525
-72.90367
2.585722
0.116332
Hannan-Quinn criter.
Durbin-Watson stat
3.871823
1.601915
30
Null Hypothesis: R has a unit root

Exogenous: Constant
Lag Length: 0 (Automatic based on SIC, MAXLAG=9)
tStatistic
Augmented Dickey-Fuller test statistic
Nivel del 1%
Nivel del 5%
Test critical values:
Nivel del 10%
Prob.*
-1.608018
0.4691
-3.610453
-2.938987
-2.607932
*MacKinnon (1996) one-sided

p-values.
SALIDA DE EVIEWS PARA R
(Con una 1 diferenciacin)

Variable dependiente: D (R, 2)
Variable
Coefficient
Std. Error
t-Statistic
D(R(-1))
C
-0.853421
-0.004593
0.165394
0.271102
-5.159918
-0.016943
R-squared
0.425147
0.019737
Adjusted Rsquared
S.E. of
regression
Sum squared
resid
Log likelihood
0.409179
Mean dependent
var
S.D. dependent
var
Akaike info
criterion
Schwarz criterion
-72.40095
F-statistic
26.62476
1.670935
100.5128
Hannan-Quinn
criter.
Durbin-Watson
Prob.
0.0000
0.9866
2.173.861
3.915840
4.002028
3.946505
1.939809
31
stat
Prob(F-statistic)
0.000009
Null Hypothesis: D(R) has a unit root

Exogenous: Constant
Lag Length: 0 (Automatic based on SIC, MAXLAG=9)
t-Statistic
Nivel del 1%
Test critical values:
Nivel del 5%
Nivel del 10%
5.159918
3.615588
2.941145
2.609066
Prob.*
0.0001
*MacKinnon (1996) one-sided p-values.
Para la primera diferenciacin podemos Observamos el estadstico de

Dickey-Fuller es menor que el valor critico a nivel del 5%, esto quiere
decir que es significativo, por lo que se comprueba la estacionalidad
de los datos.
Conclusin General: Las 2 variables M1 y R estn integradas en
orden 1 debido a que tuvieron que diferenciarse 1 vez para alcanzar
su estacionalidad
Ahora vemos que para que se cumpla que las variables estn
cointegradas.
Cointegracin significa que, a pesar de no ser estacionarias en un

nivel individual, una combinacin lineal de dos o ms series de
tiempo puede ser estacionaria. Las pruebas Engle- Granger (EG)
y Engle-Granger aumentada (EGA) sirven para averiguar si dos
o ms series de tiempo estn cointegradas.
32
Inicialmente en el ejemplo que estamos analizando, M1 era no

estacionario sobre la base de la prueba Dickey-Fuller. Lo mismo puede
decirse acerca de R. Pero a travs de una combinacin lineal
adecuada puede que s .Para ello analizaremos de la siguiente
manera Observemos a continuacin:
^
M 1=36622.11744.4635 R ,
t=(19.2627)(4.7581)
R2=O .3997 ; d=0.2346

Los residuos de esta regresin se sometieron a anlisis de raz
unitaria. La aplicacin de las pruebas del DF en diversas formas, se
encontr que las dos series de tiempo no estn cointegradas como
veremos a continuacin:
Variable dependiente: D (RESID01)
Variable
Coefficient
Std. Error
t-Statistic
Prob.
RESID01(-1)
-0.125586
0.084728
-1.482237
0.1478
330.6287
236.2308
1.399600
0.1710
R-squared
0.062421
Mean dependent var
352.8421
Adjusted R-squared
0.034009
S.D. dependent var
1419.085
S.E. of regression
1394.745
Akaike info criterion
17.37426
Sum squared resid
64195359
Schwarz criterion
17.46313
Log likelihood
-302.0495
Hannan-Quinn criter.
17.40494
Durbin-Watson stat
1.688267
F-statistic
2.197025
Prob(F-statistic)
0.147765
Hiptesis nula: RESID01 tiene una raz unitaria

Exgenos: Constante
33
Lag Longitud: 0 (automtico basado en la SIC, MAXLAG = 9)
t-Statistic
Test critical
Nivel del 1%
Nivel del 5%
values:
Nivel del 10%
Prob.*
-1.482.237
0.5307
-3.632.900
-2.948.404
-2.612.874
*MacKinnon (1996) one-sided p-values.
Como podemos Observamos el estadstico de Dickey-Fuller es mucho

mayor que el valor critico a nivel del 5%, esto quiere decir que es
significativo, por lo que se comprueba la no estacionalidad de los
datos y por ende la no cointegracion de las variables M1 (Dinero) y
R (tasa de inters),.
Conclusin General: Como ya mencionamos anteriormente. De este
estudio, llega a la conclusin de uso de las pruebas "usuales" de
causalidad de Granger, darse en las condiciones de ambas variables
son individualmente I(1) adems de estar cointegradas . De no ser
as, todo el asunto de la causalidad podra conducirnos a calcular
resultados sesgados
Algunos problemas en la creacin de modelos VAR

Los defensores de VAR destacan las siguientes virtudes del mtodo:
1) El mtodo es simple; no es preciso preocuparse por determinar
cules variables son endgenas y cules son exgenas. Todas
las variables en VAR son endgenas.
k
j M t j + j Rt j + u1 t
M1t =
j=1
+
j=1
34
j M t j+ j Rt j+ u 2 t
Rt =
j =1
j=1
2) La estimacin es simple, es decir, el mtodo usual de MCO es

aplicable a cada ecuacin por separado.
3) Las predicciones obtenidas mediante este mtodo son en

muchos casos mejores que las obtenidas con modelos de
ecuaciones simultneas ms complejos.
No obstante, los crticos de los modelos VAR sealan los siguientes
problemas:
1. A diferencia de los modelos de ecuaciones simultneas, un
modelo VAR es aterico porque utiliza menos informacin
previa. Recuerde que en los modelos de ecuaciones
simultneas, la exclusin o inclusin de ciertas variables
desempea un papel crucial en la identificacin del modelo.
2. Debido a su acento en el pronstico, los modelos VAR son
menos apropiados para el anlisis de polticas.
3. El mayor desafo prctico en el diseo de modelos VAR es
seleccionar la longitud apropiada del rezago. Suponga que
tenemos un modelo VAR de tres variables y decidimos incluir
ocho rezagos de cada variable en cada ecuacin. Tendremos 24
parmetros rezagados en cada ecuacin ms el trmino
constante, para un total de 25 parmetros. A menos que el
tamao de la muestra sea grande, la estimacin de tantos
parmetros consumir muchos grados de libertad, con todos los
problemas asociados a esto.
4. En sentido estricto, en un modelo VAR de m variables, todas las
m variables deben ser estacionarias (en forma conjunta). Si no
es as, tendremos que transformar la informacin en forma
apropiada (por ejemplo, mediante una primera diferenciacin).
Como menciona Harvey, los resultados de la informacin
transformada pueden ser no satisfactorios. Afirma adems: El
mtodo usual adoptado por los aficionados al VAR es, por
consiguiente, trabajar en niveles, aunque algunas de estas
35
series no sean estacionarias. En este caso es importante

reconocer el efecto de las races unitarias en la distribucin de
los estimadores. Peor an, si el modelo contiene una mezcla de
variables I(0) e I(1), es decir, una mezcla de variables
estacionarias y no estacionarias, no ser fcil transformar la
informacin.
Sin
embargo,
Cuthbertson
sostiene:
El anlisis
de
cointegracin indica que un VAR slo en primeras diferencias
est mal especificado si hay algunos vectores cointegrantes
presentes entre la serie I(1). Dicho de otro modo, un VAR
exclusivamente en primeras diferencias omite variables
estacionarias potencialmente importantes (es decir, la
correccin de errores, vectores cointegrantes) y, por
consiguiente, las estimaciones de los parmetros pueden
padecer el sesgo de variables omitidas.
5. Como con frecuencia es difcil interpretar los coeficientes
individuales estimados en los modelos VAR, los practicantes de
esta tcnica a menudo estiman la llamada funcin de
impulsorespuesta (FIR). La FIR estudia la respuesta de la
variable dependiente en el sistema VAR ante choques en los
trminos de error, como u1 y u2 en las ecuaciones. Suponga que
u1 en la ecuacin M1 aumenta en el valor de una desviacin
estndar. Ese choque o cambio modificar a M1 tanto en el
periodo actual como en periodos futuros. Pero, como M1
aparece en la regresin de R, el cambio en u1 afectar tambin
a R. En forma similar, un cambio de una desviacin estndar en
u2 de la ecuacin de R tendr un efecto sobre M1. La FIR estudia
el impacto de tales choques durante varios periodos en el
futuro. Aunque los investigadores cuestionan la utilidad del
anlisis FIR, es la pieza central en el anlisis VAR.
Para comparar el desempeo de VAR con otras tcnicas de
pronstico, el lector puede consultar las referencias.
36
ANEXOS
37
ANEXO 1:
DATOS DEL PRODUCTO INTERNO BRUTO (PIB) DE ESTADOS
UNIDOS
I-1947 a IV-2007.
obs
1947Q1
1947Q2
1947Q3
1947Q4
1948Q1
1948Q2
1948Q3
1948Q4
1949Q1
1949Q2
1949Q3
1949Q4
1950Q1
1950Q2
1950Q3
1950Q4
1951Q1
1951Q2
1951Q3
1951Q4
1952Q1
1952Q2
1952Q3
1952Q4
1953Q1
1953Q2
1953Q3
1953Q4
1954Q1
1954Q2
1954Q3
1954Q4
1955Q1
1955Q2
1955Q3
1955Q4
1956Q1
1956Q2
PIB
1570.519
1568.653
1567.966
1590.938
1616.069
1644.637
1654.061
1657.988
1633.249
1628.439
1646.698
1629.911
1696.765
1747.322
1815.845
1848.928
1871.311
1903.118
1941.109
1944.447
1964.670
1966.044
1978.806
2043.795
2082.277
2098.083
2085.419
2052.532
2042.420
2044.286
2066.865
2107.801
2168.470
2204.008
2233.360
2245.337
2234.833
2252.504
obs
1967Q3
1967Q4
1968Q1
1968Q2
1968Q3
1968Q4
1969Q1
1969Q2
1969Q3
1969Q4
1970Q1
1970Q2
1970Q3
1970Q4
1971Q1
1971Q2
1971Q3
1971Q4
1972Q1
1972Q2
1972Q3
1972Q4
1973Q1
1973Q2
1973Q3
1973Q4
1974Q1
1974Q2
1974Q3
1974Q4
1975Q1
1975Q2
1975Q3
1975Q4
1976Q1
1976Q2
1976Q3
1976Q4
PIB
3491.798
3518.205
3590.655
3651.618
3676.455
3691.966
3750.180
3760.881
3784.245
3766.280
3759.997
3767.066
3800.541
3759.801
3864.057
3885.851
3916.676
3927.867
3997.666
4092.105
4131.079
4198.718
4305.330
4355.102
4331.934
4373.263
4335.370
4347.936
4305.821
4288.936
4237.593
4268.614
4340.867
4397.806
4496.761
4530.335
4552.030
4584.623
obs
1987Q4
1988Q1
1988Q2
1988Q3
1988Q4
1989Q1
1989Q2
1989Q3
1989Q4
1990Q1
1990Q2
1990Q3
1990Q4
1991Q1
1991Q2
1991Q3
1991Q4
1992Q1
1992Q2
1992Q3
1992Q4
1993Q1
1993Q2
1993Q3
1993Q4
1994Q1
1994Q2
1994Q3
1994Q4
1995Q1
1995Q2
1995Q3
1995Q4
1996Q1
1996Q2
1996Q3
1996Q4
1997Q1
PIB
6606.820
6639.118
6723.544
6759.376
6848.612
6918.116
6963.471
7013.144
7030.913
7112.100
7130.261
7130.752
7076.857
7040.828
7086.477
7120.738
7154.116
7228.234
7297.935
7369.500
7450.687
7459.718
7497.514
7535.996
7637.406
7715.058
7815.682
7859.465
7951.647
7973.735
7987.970
8053.056
8111.958
8169.191
8303.094
8372.697
8470.572
8536.051
1956Q3
1956Q4
1957Q1
1957Q2
1957Q3
1957Q4
1958Q1
1958Q2
1958Q3
1958Q4
1959Q1
1959Q2
1959Q3
1959Q4
1960Q1
1960Q2
1960Q3
1960Q4
1961Q1
1961Q2
1961Q3
2249.755
2286.470
2300.312
2294.618
2317.001
2292.459
2230.219
2243.374
2295.207
2348.023
2392.886
2455.813
2453.948
2462.587
2517.365
2504.800
2508.726
2476.232
2491.154
2537.981
2579.114
1977Q1
1977Q2
1977Q3
1977Q4
1978Q1
1978Q2
1978Q3
1978Q4
1979Q1
1979Q2
1979Q3
1979Q4
1980Q1
1980Q2
1980Q3
1980Q4
1981Q1
1981Q2
1981Q3
1981Q4
1982Q1
4639.990
4731.092
4815.812
4815.321
4830.832
5021.183
5070.661
5137.416
5147.430
5152.338
5189.446
5204.662
5221.253
5115.917
5107.376
5202.110
5307.544
5266.117
5329.829
5263.368
5177.077
1997Q2
1997Q3
1997Q4
1998Q1
1998Q2
1998Q3
1998Q4
1999Q1
1999Q2
1999Q3
1999Q4
2000Q1
2000Q2
2000Q3
2000Q4
2001Q1
2001Q2
2001Q3
2001Q4
2002Q1
2002Q2
1961Q4
2631.831
1982Q2
5204.859
2002Q3
1962Q1
2679.149
1982Q3
5185.225
2002Q4
1962Q2
2708.404
1982Q4
5189.839
2003Q1
1962Q3
2733.339
1983Q1
5253.845
2003Q2
1962Q4
2740.014
1983Q2
5372.336
2003Q3
1963Q1
2775.944
1983Q3
5478.360
2003Q4
1963Q2
2810.598
1983Q4
5590.469
2004Q1
1963Q3
2863.512
1984Q1
5699.830
2004Q2
1963Q4
2885.796
1984Q2
5797.902
2004Q3
1964Q1
2950.490
1984Q3
5854.251
2004Q4
1964Q2
2984.751
1984Q4
5902.354
2005Q1
1964Q3
3025.492
1985Q1
5956.937
2005Q2
38
8665.831
8773.720
8838.414
8936.191
8995.289
9098.858
9237.081
9315.518
9392.581
9502.237
9671.089
9695.631
9847.892
9836.603
9887.749
9875.576
9905.911
9871.060
9910.034
9977.280
10031.56
8
10090.66
6
10095.77
1
10126.00
7
10212.69
1
10398.72
3
10466.95
1
10543.62
1
10634.23
2
10728.67
1
10796.40
8
10878.38
0
10954.06
1964Q4
3033.640
1985Q2
6007.789
2005Q3
1965Q1
3108.151
1985Q3
6101.737
2005Q4
1965Q2
3150.167
1985Q4
6148.564
2006Q1
1965Q3
3214.076
1986Q1
6207.368
2006Q2
1965Q4
3291.826
1986Q2
6232.008
2006Q3
1966Q1
3372.325
1986Q3
6291.695
2006Q4
1966Q2
3384.007
1986Q4
6323.404
2007Q1
1966Q3
3406.292
1987Q1
6365.028
2007Q2
1966Q4
3433.681
1987Q2
6435.023
2007Q3
1967Q1
3464.114
1987Q3
6493.434
2007Q4
1967Q2
3464.310
39
9
11074.32
6
11107.21
3
11238.66
2
11306.69
4
11336.73
4
11395.53
8
11412.61
9
11520.11
5
11658.92
7
11675.71
4
40
ANEXO 2
CANAD: DINERO, TASA DE INTERS, NDICE DE PRECIOS Y PIB
1979-1 al 1988-4
TRIMESTR
E
1979-1
1979-2
1979-3
1979-4
1980-1
1980-2
1980-3
1980-4
1981-1
1981-2
1981-3
1981-4
1982-1
1982-2
1982-3
1982-4
1983-1
1983-2
1983-3
1983-4
1984-1
1984-2
1984-3
1984-4
1985-1
1985-2
1985-3
M1
22175
22841
23461
23427
23811
23612,33
24543
25638,66
25316
25501,33
25382,33
24753
25094,33
25253,66
24936,66
25553
26755,33
27412
28403,33
28402,33
28715,66
28996,33
28479,33
28669
29018,66
29398,66
30203,66
R
11,13333
11,16667
11,8
14,18333
14,38333
12,9833
10,71667
14,53333
17,13333
18,56667
21,01666
16,61665
15,35
16,04999
14,31667
10,88333
9,61667
9,31667
9,33333
9,55
10,08333
11,45
12,45
10,76667
10,51667
9,66667
9,03333
GDP
0,77947
0,80861
0,82649
0,84863
0,86693
0,8895
0,91553
0,93743
0,96523
0,98774
1,01314
1,0341
1,05743
1,07748
1,09666
1,11641
1,12303
1,13395
1,14721
1,16059
1,17117
1,17406
1,17795
1,18438
1,1899
1,20625
1,21492
334800
336708
340096
341844
342776
342264
340716
347780
354836
359352
356152
353636
349568
345284
343028
340292
346072
353860
359544
362304
368280
376768
381016
385396
390240
391580
396384
1985-4
1986-1
1986-2
1986-3
1986-4
1987-1
1987-2
1987-3
1987-4
1988-1
1988-2
1988-3
1988-4
31059,33
30745,33
30477,66
31563,66
32800,66
33958,33
35795,66
35878,66
36336
36480,33
37108,66
38423
38480,66
9,01667
11,03333
8,73333
8,46667
8,4
7,25
8,3
9,3
8,7
8,61667
9,13333
10,05
10,83333
1,21805
1,22408
1,22856
1,23916
1,25368
1,27117
1,28429
1,29599
1,31001
1,32325
1,33219
1,35065
1,36648
41
405308
405680
408116
409160
409616
416484
422916
429980
436264
440592
446680
450328
453516
M 1( Dinero) y R(tasa de inters ), .

ARIMA Y VECTORES AUTORREGRESIVOS Informe Final

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

ARIMA Y VECTORES AUTORREGRESIVOS Informe Final

Uploaded by

Copyright:

Available Formats

ARIMA Y VECTORES AUTO RREGRESIVOS

Econometra de series de tiempo

Enfoques de los pronsticos econmicos :

MODELOS AUTORREGRESIVOS INTEGRADOS DE