You are on page 1of 112

FACULTAD DE CIENCIAS EMPRESARIALES

Carrera de Economa

ALISSA ROCO BAZO PITA


1212225
CHRISTIAN DAVID OLIVEROS SALDAA 1210717
DIEGO RODRIGO SANCHEZ SANCHEZ 1210295
Curso: Econometra II
Bloque: FC-PREECO06A1M
Profesores:
LARIOS MEOO, JOSE FERNANDO
ALVAREZ QUIROZ, VICTOR JOSUE

Lima Per
2015-1
ndice
ndice

Introduccin
1. Captulo 1
1.1. Modelos ARMA y ARIMA: Condiciones de estacionariedad e

3
5

invertibilidad, diferenciacin y correlograma


2. Captulo 2
17
2.1. Metodologa de Box-Jenkins
3. Captulo 3
35
3.1. Modelos de causalidad de Granger
4. Captulo 4
61
4.1. Regresiones espurias: Sospechas (Ratio R-2/DW)
4.2. Estacionariedad de variables: test de raz unitaria de Dickey-Fuller
4.3. Cointegracion y modelo de correccin del Error para modelos
uniecuacionales
5. Captulo 5
5.1. Test de ARCH y Garch
6. Captulo 6
6.1. Modelos Multi-ecuacionales: VAR
Conclusin
Anexos
Bibliografa

85
98
100
102

Introduccin
Una serie de tiempo es una secuencia de observacin, medidos en
determinados momentos del tiempo, ordenados cronolgicamente y,
espaciados entre s de manera uniforma, as los datos usualmente son
dependientes entre s. El principal objetivo de una serie de tiempo X t donde
t=1,2, ,n

es su anlisis para hacer el pronstico.

Las series de tiempo se pueden utilizar para diferentes casos no solo en


modelos econmicos sino tambin en temas que se puedan ver en marketing,
demografa y de medioambiente.
Estas series de tiempo se pueden clasificar en dos:

Estacionaria: Una serie es estacionaria cuando es estable a lo largo del


tiempo, es decir, cuando la media y varianza son constantes en el tiempo.
Esto refleja grficamente en que los valores de la serie tienden a oscilar
alrededor de una media constante y la variabilidad con respecto a esa
media.
No estacionaria: Son series en las cuales la tendencia y/o variabilidad
cambian en el tiempo. Los cambios en la media determinan una tendencia a
crecer o decrecer a largo plazo, por lo que la serie no oscila alrededor de un
valor constante.

El anlisis en este trabajo se centra en los modelos univariados de series de


tiempo. Estos modelos presentan la caracterstica de que las variables objeto
de estudio depende de su propia evolucin histrica.
Este trabajo se encuentra desarrollado entre los aos 1960-2010 y se analizara
si aparecen los siguientes modelos, las variables que escogimos se forman:
1
2
3
4

Proceso autorregresivo (AR)


Proceso de medias mviles (MA)
Proceso autorregresivo y de promedios mviles (ARMA)
Proceso autorregresivo integrado de promedios mviles (ARIMA)

Tambin vamos a seguir la metodologa de Box-Jenkins (BJ) que sigue el


siguiente orden:

1 Identificacin del modelo


(Seleccin tentativa de p,d,q)
2

Estimacin de parmetros
del mtodo escogido

Examen de diagnstico:
Los residuos estimados son de ruido blanco?
Si

No

(Ir al paso
4)

(Regresar al paso
1)

Pronstico

Captulo 1
Modelos ARMA y ARIMA: Condiciones de estacionariedad e invertibilidad,
diferenciacin y correlograma

Esperanza de vida -

(y)

La variable Esperanza de vida, en nuestro trabajo puesta como la variable

, muestra una tendencia ascendente en los grficos, en los cuales se pueden


apreciar que no hay picos en ningn ao de los cuales se han analizado, sino
que muestra una ascendencia progresiva. Se puede apreciar que tambin
sigue una distribucin normal en el grafico (1.3).
Grfico 1.1:

Grfico 1.2:

Grfico 1.3:

Se puede apreciar en el correlograma que la funcin de auto correlacin de la


variable decrece suavemente, y la correlacin parcial despus del primer
rezago es cercana a cero.
Grfico 1.4:

Analizando la prueba de raz unitaria de la variable

y , se puede concluir que

la variable a nivel con intercepto da como resultado que la variable se comporta


con un proceso estacionario, esto se observa la probabilidad de 0 de que

tenga raz unitaria. Lo cual nos llevara que la variable no necesita ser
6

diferenciada para ser un proceso estacionario. Pero en la raz unitaria con


intercepto y tendencia, si existe no estacionariedad, por lo tanto se debe
diferenciar.
Grfico 1.5:

Emisiones de CO2 (KT)

(a)

La variable Emisiones de CO2, expresada en la medida de kilo toneladas y


expresada en el trabajo de eviews como la variable

a , se puede apreciar

una tendencia ascendente a lo largo de los aos 1960-2010, con picos


pequeos entre los aos 1980-2000 y con picos ya mucho ms grandes en
la ltima dcada, tomando de ejemplo en los ltimos 3 aos. La variable
presenta una distribucin normal en el grafico 1.8.

Grfico 1.6:

Grfico 1.7:

Grfico 1.8:

Se puede

apreciar en

el correlograma que la funcin de auto correlacin decrece suavemente, y la


correlacin parcial despus del primer rezago es cercana a cero.
Grfico 1.9:
8

Haciendo la prueba de raz unitaria para observar si la variable sigue un


proceso estacionario o no, obtenemos el siguiente cuadro, donde podemos
concluir que la variable tiene un proceso no estacionario en nivel ya que la
probabilidad es alta de que tenga raz unitaria, la cual nos indica que sigue un
proceso no estacionario.
Grfico 1.10:

Luego de
concluir
que
la
variable es
no estacionaria a nivel, se procede a sacar su primera diferencia con
intercepto y obtenemos el siguiente cuadro, de el podemos concluir a la
primera diferencia, la variable es un proceso estacionario, con la cual ya es
posible hacer la metodologa de Box-Jenkins.
Grfico 1.11:

PBI (mill. S/. de 2007)

( b)

La variable PBI, expresada en millones de soles con respecto al valor en el ao


2007, expresada en el trabajo de eviews como la variable b , se observa que
tiene una tendencia ascendente en los aos observados que son entre los aos
1960-2010, muestra un solo pico significativo entre los aos 1985 y 1990,
tambin se observa que en la ltima dcada la variable en cuestin tubo un
aumento mucho mayor que en los ltimos aos, tanto que desde los aos 2000
a 2010 se aprecia que aumento casi el doble de su totalidad. Se aprecia en el
grafico (1.14) que la variable tiene una distribucin normal.
Grfico 1.12:

Grfico 13
Grfico 1.14

10

Se puede apreciar en el correlograma que la funcin de auto correlacin


decrece suavemente, y la correlacin parcial despus del primer rezago es
cercana a cero.

Grfico 1.15:

11

Haciendo la prueba de raz unitaria a la variable en su nivel, podemos concluir


que la variable en su nivel sigue un proceso no estacionario, la cual nos indica
que debemos sacar su primera diferencia para ver si la variable sigue un
proceso no estacionario.
Grfico 1.16:

Haciendo la prueba de raz unitaria a la variable en la primera diferencia,


observando la probabilidad, podemos concluir que la variable a primera
12

diferencia no tiene raz unitaria, lo cual indica que la variable a primera


diferencia sigue un proceso estacionario con intercepto, esta variable a primera
diferencia ya es apta para hacerle la metodologa de Box-Jenkins.
Grfico 1.17:

Exportaciones de bienes y servicios (% del PIB)

( x)

La variable exportaciones de bienes y servicios, expresada en % del PBI,


expresada en el trabajo de eviews como x , se observa que no muestra una
tendencia para toda la serie, contiene muchos picos dentro de los aos con
subidas y bajadas abruptas a lo largo de los aos de estudio (1960-2010), se
muestra una tendencia descendente entre los aos 1960-1975, entre los aos
1975 y aproximadamente 1990 no se puede apreciar una tendencia
ascendente o descendente, en cambio en las ltimas dos dcadas se puede
apreciar una tendencia ascendente con una cada abrupta casi los ltimos aos
con una ligera recuperacin casi al final. Esta variable tiene una distribucin
normal en donde se puede apreciar en el grafico (1.20).
Grfico 1.18:
13

Grfico 1.19:

Grfico 1.20:

Se puede apreciar en el correlograma que la auto correlacin decrece


rpidamente, ya en el sptimo rezago ya es negativo, en la auto correlacin
parcial es significativa en el primer rezago y en el segundo rezago ya es muy
cercano a las bandas pero sigue siendo no significativo.

14

Grfico 1.21:

En la prueba de raz unitaria de la variable a nivel, podemos apreciar que la


probabilidad de que tenga una raz unitaria es alta, del cual concluimos que la
variable a nivel sigue un proceso no estacionario, para esto tendremos que
hacer la prueba de raz unitaria en la primera diferencia para ver si sigue un
proceso estacionario.

Grfico 1.22:

15

La prueba de raz unitaria ya nos muestra que la variable en la primera


diferencia ya es un proceso estacionario con intercepto, ya es apta para poder
hacer la metodologa de Box-Jenkins.
Grfico 1.23:

Captulo 2
2.1. Metodologa de Box-Jenkins
16

La metodologa de Box-Jenkins es til para saber qu proceso sigue nuestras


series a analizar: AR, MA, ARMA, ARIMA.
La metodologa de Box-Jenkins cosiste en cuatro pasos los cuales sern
analizados a mayor profundidad en los siguientes apartados:

Identificacin
o Tenga en cuenta que antes de aplicar la metodologa de BoxJenkins el modelo a analizar debe ser estacionario, de lo contrario
se deber diferenciar hasta lograr su estacionariedad.
o Para identificar el proceso de un modelo se aplican los conceptos
del FAS (funcin de auto correlacin simple) y FAP (funcin de
auto

correlacin

parcial)

adems

tambin

del

uso

de

correlogramas elaborados bajo estos dos conceptos para as


identificar los rezagos significativos y configurar el proceso de
nuestro modelo.
o Para identificar el orden de un proceso autorregresivo ( p ) se
deber elaborar correlogramas de FAS y FAP con diferentes
nmeros de rezagos. Al tratarse de un proceso autorregresivo el
correlograma del FAS deber disminuir exponencialmente en
forma gradual y el correlograma del FAP deber mostrar picos
significativos en

q . El hecho de elaborar correlogramas con

diferentes nmeros de rezagos nos dar una clara imagen de qu


rezagos son los estadsticamente significativos para poder
programarlos en nuestro modelo.
o Para identificar el orden de un proceso de medias mviles ( q )
deber

tenerse

en

cuenta

los

patrones

tpicos

de

los

correlogramas del FAS y FAP: el correlograma del FAS


presentar picos significativos en los rezagos

y el

correlograma del FAP decrecer exponencialmente. Se debern


elaborar correlogramas con diferentes nmeros de rezagos del
error estocstico para tener una clara visin sobre qu rezagos
son estadsticamente significativos y programarlos en nuestro
modelo.
17

o Para identificar un proceso ARMA los correlogramas de FAP y

FAS decrecern exponencialmente.


Estimacin
o Una vez identificado el proceso del modelo, se proceder a su

estimacin.
Examen de diagnstico
o Observar los errores estimados mediante correlogramas y

comprobar que sean puramente aleatorios.


Pronstico
o Con el modelo claramente especificado este puede ser usado
para su fin fundamental: la pronosticacin:

Siguiendo todos estos pasos claramente explicados en el libro de econometra


1 de la Universidad San Ignacio de Loyola, empezamos con la metodologa a
nuestras cuatro variables.
1. Y (Esperanza de vida)

Dado que la funcin de auto correlacin decrece suavemente y la


funcin de auto correlacin parcial es 0 despus del primer rezago,
entonces podemos concluir que tenemos un modelo ARIMA(3,1,0)
Cuadro 2.1

Cuadro 2.2

18

Cuadro 2.3:

La serie de tiempo Y se incrementa, es decir, muestra una tendencia


ascendente, lo cual deja entrever que quiz este variando la media del
logaritmo de Y. Eso tal vez, indique que la serie es no estacionaria.
Cuadro 2.4

19

El modelo es el siguiente:
Y t = 0+ y Yt 1+ y Yt2+ y Yt3+t
Se ha tenido que diferenciar una vez, integrando en orden 1, es decir, la
primera diferencia es estacionaria.

Cuadro 2.5:

Rescatamos los errores de la ecuacin:


Cuadro 2.6:

20

Y vemos que
correlograma
dentro de la
que es
estacionario,
tanto, el modelo captura los movimientos.

el
queda
banda y
por lo

Cuadro 2.7

Cuadro 2.8

21

2. Emisiones de CO2 (kt)


Cuadro 2.9:

22

Cuadro 2.10

Cuadro 2.11:

Cuadro 2.12:

23

El modelo es el siguiente:
A t =a At1+ t+ at1

Las emisiones se han diferenciado una vez para integrada de orden 1, es decir,
es estacionaria. Siendo sus t Stadistics >2 en valores absolutos.

Cuadro 2.13:

24

Rescatamos los errores de la ecuacin:


Y vemos que el correlograma queda dentro de la banda y que es estacionario,
por lo tanto, el modelo ARMA captura los movimientos.
Cuadro 2.14

25

Cuadro 2.15

26

27

3. B (PBI mill. S/. de 2007)


Dado que la funcin de autocorrelacion decrece suavemente y la funcin de
autocorrelacion parcial es 0 despus del primer rezago, entonces es no
estacionaria.
Cuadro 2.16

Cuadro 2.17:

28

Cuadro 2.18:

Cuadro 2.19:

29

El modelo es el siguiente:
B t= 0+bBt 1+t
Sin embargo, luego se ha tenido que diferenciar una vez, integrando en orden
1, es decir, la primera diferencia es estacionaria.
Cuadro 2.20:

Rescatamos los errores de la ecuacin:


30

Y vemos que el correlograma queda dentro de la banda y que es estacionario,


por lo tanto, el modelo AR captura los movimientos.
Cuadro 2.21:

Cuadro 2.22:

31

4. X (Exportaciones de bienes y servicios % del PIB)


Dado que la funcin de auto correlacin decrece suavemente y la funcin de
auto correlacin parcial es 0 despus del primer rezago, entonces tenemos un
modelo que no es estacionario.
Cuadro 2.23

32

Cuadro 2.24

Cuadro 2.25

33

Cuadro 2.26

34

El modelo es el siguiente:

X t =Xt 1+ t1+ t

Se ha tenido que diferenciar una vez, integrando en orden 1, es decir, la


primera diferencia es estacionaria.
Cuadro 2.27

Rescatamos los errores de la ecuacin:

35

Y vemos que el correlograma queda dentro de la banda y que es estacionario,


por lo tanto, el modelo ARMA (1,1) captura los movimientos.

Cuadro 2.28:

Cuadro 2.29

36

Conclusin general del captulo 2


Si debemos diferenciar una serie de tiempo d veces para hacerla estacionaria
y luego aplicarle el modelo ARMA, decimos que la serie de tiempo es ARIMA,
es decir, es una serie de tiempo autorregresiva integrada de promedios
mviles.
Es por eso que los ejercicios, al salir no estacionarios, se tuvieron que integrar
en primer orden, para as, volverlos estacionarios y poder estudiar su
comportamiento durante el periodo en consideracin (1960-2010).

37

Captulo 3
3.1 Modelos de causalidad de Granger
Este modelo en trminos comunes, la causalidad entre dos series de tiempo
significa que una variable contiene informacin estadstica en sus datos que es
til para predecir a la otra variable, utilizando el mtodo de MCO para tal
prediccin.
Dadas dos series de tiempo tales como
causa a

Yt

de la siguiente forma

Xt

XT Y T

Yt

, se denota que

Xt

38

Los tipos de causalidad que existen entre dos series de tiempo son los
siguientes:
I.

Causalidad unidireccional de

Xt

hacia

YT

Xt Y t

II.

Causalidad unidireccional de

Yt

hacia

Xt

Y t Xt

III.

Causalidad bidireccional entre

IV.

Independencia estadstica entre

Xt

y
Xt

Yt
y

X t Y t Y t X t

:
Yt

X t >Y t Y t > X t

Seguimos los siguientes pasos para poder obtener la causalidad segn el libro
de Econometra 1 de la Universidad San Ignacio de Loyola. Presentaremos los
test para todas las variables.

A con B
1) Causalidad unidireccional
B t At
2) Tamao de muestra
n=50
3) Modelo auxiliar no restringido (NR)
k

i=1

j=1

A t = i Bt i + j At j +ut

39

Para el modelo auxiliar no restringido (NR) luego de analizar los criterios


de Akaike, Schwarz y Hannan-Quinn para poder obtener el rezago
ptimo de nuestras variables nos sali la siguiente ecuacin:
Cuadro 3.1:

4) Nmero de parmetros del modelo (NR)


k NR =2 k
k NR =2 ( 1 ) =2
5) Suma de cuadrados de los residuales del modelo NR
SCR ANR =2.45 E+08
6) Modelo auxiliar restringido (R)
k

A t = A t j+ t
j=1

Para el modelo auxiliar restringido hicimos igual que con el modelo no


restringido, corrimos el modelo con la cantidad de rezagos ptimos que
obtuvimos en el modelo no restringido.
Cuadro 3.2:

40

7) Nmero de parmetros del modelo R


K R =K=1
8) Suma de cuadrados de los residuales del modelo R
A
SCR R =3.10E+08
9) Hiptesis
H 0 : 1=0 i=1,2, , k Bt NO GRANGER At

H 1 : 1 0 i=1,2, , k Bt GRANGER A t

10)Estadstico
X
X
S CR R SCR NR
kR
X

SCR NR
nk NR

3.10E+082.45 E+08
1
=
=
2.45 E+08
502

11) Distribucin del estadstico bajo


F F

12.7346934

H0

=F F (1 ;502 ;0.25)=1.36

(k R ;nk NR ; )
2

12)Prueba de Hiptesis

S i : F calculado> F crtico Rechazar H 0


2

1.36 rechazar H 0
A con X

41

1) Causalidad unidireccional
Xt At
2) Tamao de muestra
n=50
3) Modelo auxiliar no restringido (NR)
k

i=1

j=1

A t = i X ti + j A t j +ut

Para el modelo auxiliar no restringido (NR) luego de analizar los criterios


de Akaike, Schwarz y Hannan-Quinn para poder obtener el rezago
ptimo de nuestras variables nos sali la siguiente ecuacin:
Cuadro 3.3:

4) Nmero de parmetros del modelo (NR)


k NR =2 k
k NR =2 ( 1 ) =2
5) Suma de cuadrados de los residuales del modelo NR
A
SCR NR =3.10E+08
6) Modelo auxiliar restringido (R)
k

A t = A t j+ t
j=1

Para el modelo auxiliar restringido hicimos igual que con el modelo no


restringido, corrimos el modelo con la cantidad de rezagos ptimos que
obtuvimos en el modelo no restringido.
42

Cuadro 3.4:

7) Nmero de parmetros del modelo R


K R =K=1
8) Suma de cuadrados de los residuales del modelo R
SCR AR =3.10E+08
9) Hiptesis
H 0 : 1=0 i=1,2, , k X t NO GRANGER A t

H 1 : 1 0 i=1,2, , k X t GRANGER At

10)Estadstico
X
X
SCR R SCR NR
kR
X

SCR NR
nk NR

3.10E+083.10E+08
1
=
=
3.10E+08
502

11) Distribucin del estadstico bajo


F F

H0

=F F (1 ;502 ;0.25)=1.36

(k R ;nk NR ; )
2

12)Prueba de Hiptesis

Si : Fcalculado > F crtico Rechazar H 0


2

1.36 Recha zar H 0


A con Y
1) Causalidad unidireccional
43

Y t At
2) Tamao de muestra
n=51
3) Modelo auxiliar no restringido (NR)
k

i=1

j=1

A t = i Y t i+ j A t j+u t

Para el modelo auxiliar no restringido (NR) luego de analizar los criterios


de Akaike, Schwarz y Hannan-Quinn para poder obtener el rezago
ptimo de nuestras variables nos sali la siguiente ecuacin:
Cuadro 3.5:

4) Nmero de parmetros del modelo (NR)


k NR =2 k
k NR =2 ( 1 ) =2
5) Suma de cuadrados de los residuales del modelo NR
SCR ANR =3.02E+08
6) Modelo auxiliar restringido (R)
k

A t = A t j+ t
j=1

Para el modelo auxiliar restringido hicimos igual que con el modelo no


restringido, corrimos el modelo con la cantidad de rezagos ptimos que
obtuvimos en el modelo no restringido.
Cuadro 3.6:
44

7) Nmero de parmetros del modelo R


K R =K=1
8) Suma de cuadrados de los residuales del modelo R
SCR AR =3.10E+08
9) Hiptesis
H 0 : 1=0 i=1,2, , k Y t NO GRANGER At

H 1 : 1 0 i=1,2, , k Y t GRANGER A t

10)Estadstico
X
X
SCR R SCR NR
kR
SCR XNR
nk NR

3.10E+083.02E+08
1
=
=
3.02E+08
502

11) Distribucin del estadstico bajo


F F

1.27152318

H0

=F F (1 ;502 ;0.25)=1.36

(k R ;nk NR ; )
2

12)Prueba de Hiptesis

Si : Fcalculado > F crtico Rechazar H 0


2

1.36 No rechazar H 0

B con A
1) Causalidad unidireccional
45

A t Bt
2) Tamao de muestra
n=49
3) Modelo auxiliar no restringido (NR)
k

i=1

j=1

B t= i A t i + j Bt j +ut

Para el modelo auxiliar no restringido (NR) luego de analizar los criterios


de Akaike, Schwarz y Hannan-Quinn para poder obtener el rezago
ptimo de nuestras variables nos sali la siguiente ecuacin:
Cuadro 3.7:

4) Nmero de parmetros del modelo (NR)


k NR =2 k
k NR =2 ( 2 ) =4
5) Suma de cuadrados de los residuales del modelo NR
SCR BNR =3.70E+09
6) Modelo auxiliar restringido (R)
k

B t= Bt j +t
j=1

Para el modelo auxiliar restringido hicimos igual que con el modelo no


restringido, corrimos el modelo con la cantidad de rezagos ptimos que
obtuvimos en el modelo no restringido.

46

Cuadro 3.8:

7) Nmero de parmetros del modelo R


K R =K=2
8) Suma de cuadrados de los residuales del modelo R
SCR BR=3.87E+09
9) Hiptesis
H 0 : 1=0 i=1,2, , k At NO GRANGER Bt

H 1 : 1 0 i=1,2, , k At GRANGER Bt

10)Estadstico
X
X
S CR R SCR NR
kR
SCR XNR
nk NR

3.87E+093.70E+09
2
=
=1.03378378
3.70E+09
494

11) Distribucin del estadstico bajo


F F

H0

=F F (2 ;494 ; 0.25)=1.44

(k R ;nk NR ; )
2

12)Prueba de Hiptesis

Si : Fcalculado > F crtico Rechazar H 0


2

1.44 No rechazar H 0
B con X

1) Causalidad unidireccional
47

Xt Bt
2) Tamao de muestra
n=46
3) Modelo auxiliar no restringido (NR)
k

i=1

j=1

B t= i X t i+ j Bt j +ut

Para el modelo auxiliar no restringido (NR) luego de analizar los criterios


de Akaike, Schwarz y Hannan-Quinn para poder obtener el rezago
ptimo de nuestras variables nos sali la siguiente ecuacin:
Cuadro 3.9:

4) Nmero de parmetros del modelo (NR)


k NR =2 k
k NR =2 ( 5 )=10
5) Suma de cuadrados de los residuales del modelo NR
SCR BNR =2.40E+09
6) Modelo auxiliar restringido (R)
k

B t= Bt j +t
j=1

Para el modelo auxiliar restringido hicimos igual que con el modelo no


restringido, corrimos el modelo con la cantidad de rezagos ptimos que
obtuvimos en el modelo no restringido.
Cuadro 3.10:
48

7) Nmero de parmetros del modelo R


K R =K=5
8) Suma de cuadrados de los residuales del modelo R
SCR BR=3.77E+09
9) Hiptesis
H 0 : 1=0 i=1,2, , k X t NO GRANGER Bt

H 1 : 1 0 i=1,2, , k X t GRANGER Bt

10)Estadstico
X
SCR XR SCR NR
kR
SCR XNR
nk NR

3.77E+092.40E+09
5
=
=4.11
2.40E+09
4610

11) Distribucin del estadstico bajo


F F

H0

=F F (5 ;4610 ;0.25) =1.41

(k R ;nk NR ; )
2

12)Prueba de Hiptesis

Si : Fcalculado > F crtico Rechazar H 0


2

1.39 Rechazar H 0
B con Y

1) Causalidad unidireccional
49

Y t Bt
2) Tamao de muestra
n=49
3) Modelo auxiliar no restringido (NR)
k

i=1

j=1

B t= i Y ti + j Bt j+ ut

Para el modelo auxiliar no restringido (NR) luego de analizar los criterios


de Akaike, Schwarz y Hannan-Quinn para poder obtener el rezago
ptimo de nuestras variables nos sali la siguiente ecuacin:
Cuadro 3.11:

4) Nmero de parmetros del modelo (NR)


k NR =2 k
k NR =2 ( 2 ) =4
5) Suma de cuadrados de los residuales del modelo NR
SCR BNR =3.76E+09
6) Modelo auxiliar restringido (R)
k

B t= Bt j +t
j=1

50

Para el modelo auxiliar restringido hicimos igual que con el modelo no


restringido, corrimos el modelo con la cantidad de rezagos ptimos que
obtuvimos en el modelo no restringido.
Cuadro 3.12:

7) Nmero de parmetros del modelo R


K R =K=2
8) Suma de cuadrados de los residuales del modelo R
SCR BR=3.87E+09
9) Hiptesis
H 0 : 1=0 i=1,2, , k Y t NO GRANGER Bt

H 1 : 1 0 i=1,2, , k Y t GRANGER B t

10)Estadstico
X
SCR XR SCR NR
kR
SCR XNR
nk NR

3.87E+093.76E+09
2
=
=0.65824468
3.76E+09
494

11) Distribucin del estadstico bajo


F F

H0

=F F (2 ;494 ; 0.25)=1.44

(k R ;nk NR ; )
2

12)Prueba de Hiptesis

Si : Fcalculado > F crtico Rechazar H 0


2

51

1.44 No rechazar H 0

X con A
1) Causalidad unidireccional
Xt At
2) Tamao de muestra
n=49
3) Modelo auxiliar no restringido (NR)
k

i=1

j=1

X t = i A ti + j X t j +ut

Para el modelo auxiliar no restringido (NR) luego de analizar los criterios


de Akaike, Schwarz y Hannan-Quinn para poder obtener el rezago
ptimo de nuestras variables nos sali la siguiente ecuacin:
Cuadro 3.13:

4) Nmero de parmetros del modelo (NR)


k NR =2 k
k NR =2 ( 2 ) =4
5) Suma de cuadrados de los residuales del modelo NR
SCR XNR =379.0204
6) Modelo auxiliar restringido (R)
52

X t = X t j + t
j=1

Para el modelo auxiliar restringido hicimos igual que con el modelo no


restringido, como el rezago optimo fue de dos en el modelo NR, corrimos
de frente el modelo con dos rezagos obteniendo el siguiente cuadro.
Cuadro 3.14:

7) Nmero de parmetros del modelo R


K R =K=2
8) Suma de cuadrados de los residuales del modelo R
X
SCR R =446.4644
9) Hiptesis
H 0 : 1=0 i=1,2, , k At NO GRANGER X t

H 1 : 1 0 i=1,2, , k At G RANGER X t

10)Estadstico
X
X
SCR R SCR NR
kR
SCR XNR
nk NR

446.4644379.0204
2
=
=4.00371589
379.0204
494

11) Distribucin del estadstico bajo


F F

H0

=F F (2 ;494 ; 0.25)=1.44

(k R ;nk NR ; )
2

12)Prueba de hiptesis
53

Si : Fcalculado > F crtico

Rechazar H 0
2

2.437394721> 1.44 Rechazar H 0


X con B
1) Causalidad unidireccional
Bt X t
2) Tamao de muestra
n=51
3) Modelo auxiliar no restringido (NR)
k

i=1

j=1

X t = i Bt i+ j X t j+u t

Para el modelo auxiliar no restringido (NR) luego de analizar los criterios


de Akaike, Schwarz y Hannan-Quinn para poder obtener el rezago
ptimo de nuestras variables nos sali la siguiente ecuacin:
Cuadro 3.15:

4) Nmero de parmetros del modelo (NR)


k NR =2 k
k NR =2 ( 2 ) =4
5) Suma de cuadrados de los residuales del modelo NR
SCR XNR =375.6653

54

6) Modelo auxiliar restringido (R)


k

X t = X t j + t
j=1

Para el modelo auxiliar restringido hicimos igual que con el modelo no


restringido, corrimos el modelo con la cantidad de rezagos ptimos que
obtuvimos en el modelo no restringido.
Cuadro 3.16:

7) Nmero de parmetros del modelo R


K R =K=2
8) Suma de cuadrados de los residuales del modelo R
SCR XR =446.4644
9) Hiptesis
H 0 : 1=0 i=1,2, , k Bt NO GRANGER X t

H 1 : 1 0 i=1,2, , k Bt GRANGER X t

10)Estadstico
X
X
SCR R SCR NR
kR
SCR XNR
nk NR

446.4644375.6653
2
=
=4.24042292
375.6653
494

11) Distribucin del estadstico bajo


F F

H0

=F F (2 ;494 ; 0.25)=1.44

(k R ;nk NR ; )
2

12)Prueba de Hiptesis
55

Si : Fcalculado > F crtico

Rechazar H 0
2

2.601644173>1.44 Rechazar H 0

X con Y
1) Causalidad unidireccional
Y t Xt
2) Tamao de muestra
n=51
3) Modelo auxiliar no restringido (NR)
k

i=1

j =1

X t = i Y t i+ j X t j +ut

Para el modelo auxiliar no restringido (NR) luego de analizar los criterios


de Akaike, Schwarz y Hannan-Quinn para poder obtener el rezago
ptimo de nuestras variables nos sali la siguiente ecuacin:
Cuadro 3.17:

4) Nmero de parmetros del modelo (NR)


k NR =2 k
k NR =2 ( 2 ) =4
56

5) Suma de cuadrados de los residuales del modelo NR


X
SCR NR =378.5842
6) Modelo auxiliar restringido (R)
k

X t = X t j + t
j=1

Para el modelo auxiliar restringido hicimos igual que con el modelo no


restringido, corrimos el modelo con la cantidad de rezagos ptimos que
obtuvimos en el modelo no restringido.
Cuadro 3.18:

7) Nmero de parmetros del modelo R


K R =K=2
8) Suma de cuadrados de los residuales del modelo R
SCR XR =446.4644
9) Hiptesis
H 0 : 1=0 i=1,2, , k Y t NO GRANGER X t

H 1 : 1 0 i=1,2, , k Y t GRANGER X t

10)Estadstico
X
X
SCR R SCR NR
kR
X

SCR NR
nk NR

446.4644378.5842
2
=
=4.03425315
378.5842
494

11) Distribucin del estadstico bajo

H0

57

F F

=F F (2 ;494 ; 0.25)=1,44

(k R ;nk NR ; )
2

12)Prueba de Hiptesis

Si : Fcalculado > F crtico Rechazar H 0


2

2.075902991> 1.44 Rechazar H 0

Y con A
1) Causalidad unidireccional
At Y t
2) Tamao de muestra
n=51
3) Modelo auxiliar no restringido (NR)
k

i=1

j=1

Y t = i At i+ j Y t j +u t

Para el modelo auxiliar no restringido (NR) luego de analizar los criterios


de Akaike, Schwarz y Hannan-Quinn para poder obtener el rezago
ptimo de nuestras variables nos sali la siguiente ecuacin:
Cuadro 3.19:

58

4) Nmero de parmetros del modelo (NR)


k NR =2 k
k NR =2 ( 5 )=10
5) Suma de cuadrados de los residuales del modelo NR
Y
SCR NR =0.000396
6) Modelo auxiliar restringido (R)
k

Y t = Y t j + t
j =1

Para el modelo auxiliar restringido hicimos igual que con el modelo no


restringido, corrimos el modelo con la cantidad de rezagos ptimos que
obtuvimos en el modelo no restringido.
Cuadro 3.20:

59

7) Nmero de parmetros del modelo R


K R =K=5
8) Suma de cuadrados de los residuales del modelo R
SCR YR=0.000527
9) Hiptesis
H 0 : 1=0 i=1,2, , k At NO GRANGER Y t

H 1 : 1 0 i=1,2, , k At GRANGER Y t

10)Estadstico
X
X
SCR R SCR NR
kR
X

SCR NR
nk NR

0.0005270.000396
5
=
=2.38181818
0.000396
4610

11) Distribucin del estadstico bajo


F F

H0

=F F (5 ;4610 ;0.25) =1.41

(k R ;nk NR ; )
2

12)Prueba de Hiptesis

Si : Fcalculado > F crtico Rechazar H 0


2

3.075>1.41 Rechazar H 0
Y con B
1) Causalidad unidireccional

60

B t Y t
2) Tamao de muestra
n=51
3) Modelo auxiliar no restringido (NR)
k

i=1

j=1

Y t = i Bti + j Y t j +ut

Para el modelo auxiliar no restringido (NR) luego de analizar los criterios


de Akaike, Schwarz y Hannan-Quinn para poder obtener el rezago
ptimo de nuestras variables nos sali la siguiente ecuacin:
Cuadro 3.21:

4) Nmero de parmetros del modelo (NR)


k NR =2 k
k NR =2 ( 5 )=10
5) Suma de cuadrados de los residuales del modelo NR
SCR YNR =0.000432
6) Modelo auxiliar restringido (R)
k

Y t = Y t j + t
j =1

Para el modelo auxiliar restringido hicimos igual que con el modelo no


restringido, corrimos el modelo con la cantidad de rezagos ptimos que
obtuvimos en el modelo no restringido.
61

Cuadro 3.22:

1) Nmero de parmetros del modelo R


K R =K=5
2) Suma de cuadrados de los residuales del modelo R
SCR YR=0.000527
3) Hiptesis
H 0 : 1=0 i=1,2, , k B NO GRANGER Y t

H 1 : 1 0 i=1,2, , k Bt GRANGER Y t

4) Estadstico
X
X
SCR R SCR NR
kR
SCR XNR
nk NR

0.0005270.000432
5
=
=1.58333333
0.000432
4610

5) Distribucin del estadstico bajo


F F

H0

=F F (5 ;4610 ;0.25) =1.41

(k R ;nk NR ; )
2

6) Prueba de Hiptesis

Si : Fcalculado > F crtico Rechazar H 0


2

2.971559633>1.41 Rechazar H 0
Y con X

62

1) Causalidad unidireccional
Xt Y t
2) Tamao de muestra
n=51
3) Modelo auxiliar no restringido (NR)
k

i=1

j =1

Y t = i X t i+ j Y t j+u t

Para el modelo auxiliar no restringido (NR) luego de analizar los criterios


de Akaike, Schwarz y Hannan-Quinn para poder obtener el rezago
ptimo de nuestras variables nos sali la siguiente ecuacin:
Cuadro 3.23:

4) Nmero de parmetros del modelo (NR)


k NR =2 k
k NR =2 ( 5 )=10
5) Suma de cuadrados de los residuales del modelo NR
Y
SCR NR =0.000466
6) Modelo auxiliar restringido (R)

63

Y t = Y t j + t
j =1

Para el modelo auxiliar restringido hicimos igual que con el modelo no


restringido, corrimos el modelo con la cantidad de rezagos ptimos que
obtuvimos en el modelo no restringido.
Cuadro 3.24:

7) Nmero de parmetros del modelo R


K R =K=5
8) Suma de cuadrados de los residuales del modelo R
SCR YR=0.000527
9) Hiptesis
H 0 : 1=0 i=1,2, , k X t NO GRANGER Y t

H 1 : 1 0 i=1,2, , k X t GRANGER Y t

10)Estadstico
X
SCR XR SCR NR
kR
SCR XNR
nk NR

0.0005270.000466
5
=
=0.94248927
0.000466
4610

11) Distribucin del estadstico bajo


F F

H0

=F F (5 ;4610 ;0.25) =1.41

(k R ;nk NR ; )
2

12)Prueba de Hiptesis
64

Si : Fcalculado > F crtico

Rechazar H 0
2

2.434934498>1.41 chazar H 0
Despus de evaluar el test de causalidad de Granger en cada combinacin de
variable posible en nuestro trabajo, nos dio como resultado nueve
combinaciones de las cuales se acept el

H1

que dice que la variable

independiente tiene causalidad en la variable dependiente.


Las variables con las que vamos a utilizar el Dickey-Fuller en el siguiente
captulo van a ser las siguientes:

A con B
A con X
B con X
X con A
X con B
X con Y
Y con A
Y con B
Y con X

La primera variable es la dependiente y la segunda es la independiente, con


todas estas combinaciones se rechaz el

H0

en el test de causalidad de

Granger.

65

Captulo 4
IV.1

Regresiones espurias: Sospechas (Ratio R-2/DW)

A con B
1) Contexto

A t = 0+ Bt 1+ A t1

2) hiptesis

H 0 : =0 tiene raz unitaria

H 1 : 0 no tiene raz unitaria

3) Por MCO

A t =799.2934 +0.076597 Bt1 +0.493601 A t1


Cuadro 4.1

Siendo:

R2 <d no es regresin esprea


66

Objetivo del test: El error es integrado de orden 0?


4) Test de raz unitaria de Dickey-Fuller a

H 0 : =0 t I ( 0 )

t I ( 0 ) ?

t (residual)

H 1 : 0 t I ( 0 )

a. Hiptesis:

H 0 : t I ( 0 ) At Bt CI ( d , b )=CI (1,1)
H 1 : t I ( 0) At Bt CI ( d , b )=CI (1,1)

Cuadro 4.2:

P-value = 0.00 < 0.05, por lo tanto, se rechaza

H0

Concluimos que hay cointegracin


Cuadro 4.3:

67

Cuadro 4.4:

Cuadro 4.5:

68

A con X
1) Contexto

A t = 0+ X t1 + At 1

2) hiptesis

H 0 : =0 tiene raz unitaria

H 1 : 0 no tiene raz unitaria

3) Por MCO

A t =2357.282+ 98.02587 X t1 +1.067558 A t1

Cuadro 4.6:

Siendo:

R2 <d no es regresin esprea

Objetivo del test: El error es integrado de orden 0?


4) Test de raz unitaria de Dickey-Fuller a

H 0 : =0 t I ( 0 )

t I ( 0 ) ?

t (residual)

H 1 : 0 t I ( 0 )

a. Hiptesis:

69

H 0 : t I ( 0 ) At Xt CI ( d , b )=CI (1,1)
H 1 : t I ( 0) At Xt CI ( d , b )=CI (1,1)
Cuadro 4.7:

P-value = 0.00 < 0.05, por lo tanto, se rechaza

H0

Concluimos que hay cointegracin


Cuadro 4.8:

Cuadro 4.9:

70

Cuadro 4.10:

B con X
1) Contexto

B t= 0 + X t1 + X t 2+ X t3 + X t 4 + X t5 +B t1 + Bt2 + Bt3 + Bt 4 +B t5

2) hiptesis

H 0 : =0 tiene raz unitaria

H 1 : 0 no tiene raz unitaria

3) Por MCO

B t=8076557+319.4905 X t1 +1482.897 X t21648.085 X t3815.8116 X t 4 +987.9995 X t 5+1

Cuadro 4.11:

71

Siendo:

R <d no es regresin esprea

Objetivo del test: El error es integrado de orden 0?


4) Test de raz unitaria de Dickey-Fuller a

H 0 : =0 t I ( 0 )

t I ( 0 ) ?

t (residual)

H 1 : 0 t I ( 0 )

a. Hiptesis:

H 0 : t I ( 0 ) Bt Xt CI ( d , b )=CI (1,1)
H 1 : t I ( 0) Bt Xt CI ( d , b )=CI (1,1)

Cuadro 4.12:

72

P-value = 0.00 < 0.05, por lo tanto, se rechaza

H0

Concluimos que hay cointegracin


Cuadro 4.13:

73

Cuadro 4.14:

Cuadro 4.15:

X con A

74

Contexto:

X t =0 + A t 1 + At 2+ X t 1 + X t2
Hiptesis:

H 0 : =0 tiene raz unitaria

H 1 : 0 no tiene raz unitaria

Por MCO:

X t =2.714736+0.0000156 At 10.0000423 A t 2 +1.017903 X t 10.307008 X t 2


Cuadro 4.16:

Siendo:

R <d no es regresin esprea

Objetivo del test: El error es integrado de orden 0?


Test de raz unitaria de Dickey-Fuller a

H 0 : =0 t I ( 0 )

t I ( 0 ) ?

t (residual)

H 1 : 0 t I ( 0 )

Hiptesis:

75

H 0 : t I ( 0 ) Xt At CI ( d , b )=CI (1,1)
H 1 : t I ( 0) Xt At CI ( d , b )=CI (1,1)

Cuadro 4.17:

P-value = 0.00 < 0.05, por lo tanto, Rho


Concluimos que hay cointegracin
Cuadro 4.18:

76

Cuadro 4.19:

Cuadro 4.20:

77

X con B
Contexto:

X t =0 +B t1 +B t2 + X t 1+ X t2
Hiptesis:

H 0 : =0 tiene raz unitaria

H 1 : 0 no tiene raz uni taria

Por MCO:

X t =2.6344100.00000773 Bt 1+0.0000241 B t2 +0.999089 X t 10.288001 X t2


Cuadro 4.21:

78

Siendo:

R2 <d no es regresin esprea

Objetivo del test: El error es integrado de orden 0?


Test de raz unitaria de Dickey-Fuller a

H 0 : =0 t I ( 0 )

t I ( 0 ) ?

t (residual)

H 1 : 0 t I ( 0 )

Hiptesis:

H 0 : t I ( 0 ) Xt Bt CI ( d , b )=CI (1,1)
H 1 : t I ( 0) Xt Bt CI ( d , b )=CI (1,1)

Cuadro 4.22:

79

P-value = 0.00 < 0.05, por lo tanto, Rho


Concluimos que hay cointegracin
Cuadro 4.23:

80

Cuadro 4.24:

Cuadro 4.25:

X con Y
81

Contexto:

X t =0 +Y t1 +Y t 2 + X t1 + X t 2
Hiptesis:

H 0 : =0 tiene raz unitaria

H 1 : 0 no tiene raz unitaria

Por MCO:

X t =9.8385667.759926t1 +7.755171Y t2 +1.005453 X t10.297869 X t2


Cuadro 4.26:

Siendo:

R <d no es regresin es prea

Objetivo del test: El error es integrado de orden 0?


Test de raz unitaria de Dickey-Fuller a

H 0 : =0 t I ( 0 )

t I ( 0 ) ?

t (residual)

H 1 : 0 t I ( 0 )

Hiptesis:

82

H 0 : t I ( 0 ) Xt Yt CI ( d , b )=CI (1,1)
H 1 : t I ( 0) Xt Yt CI ( d , b )=CI (1,1)

Cuadro 4.27:

P-value = 0.00 < 0.05, por lo tanto, Rho


Concluimos que hay cointegracin
Cuadro 4.28:

83

Cuadro 4.29:

Cuadro 4.30:

84

Y con A
Contexto:

Y t = 0 + A t1 + A t 2 + A t3 + A t 4 + A t 5 +Y t 1+ Y t2 +Y t 3 +Y t 4 +Y t 5
Hiptesis:

H 0 : =0 tiene raz unitaria

H 1 : 0 no tiene raz unitaria

Por MCO:

Y t =0.0668740.000000285 A t1 +0.0000001.45 At 2+ 0.000000188 A t30.000000475 At 40


Cuadro 4.31:

85

Siendo:

R2 <d no es regresin esprea

Objetivo del test: El error es integrado de orden 0?


Test de raz unitaria de Dickey-Fuller a

H 0 : =0 t I ( 0 )

t I ( 0 ) ?

t (residual)

H 1 : 0 t I ( 0 )

Hiptesis:

H 0 : t I ( 0 ) Yt At CI ( d , b )=CI (1,1)
H 1 : t I ( 0)Yt At CI ( d , b ) =CI (1,1)
Cuadro 4.32:

86

P-value = 0.00 < 0.05, por lo tanto, Rho


Concluimos que hay cointegracin
Cuadro 4.33:

87

Cuadro 4.34:

Cuadro 4.35:

Y con X
Contexto:
88

Y t = 0 + X t1 + X t 2+ X t 3 + X t4 + X t5 +Y t 1+Y t 2+ Y t3 +Y t 4 +Y t5
Hiptesis:

H 0 : =0 tiene raz unitaria

H 1 : 0 no tiene raz unitaria

Por MCO:

Y t =0.0945810.000248 X t 10.0000558 X t 2+0.0000783 X t30.000203 X t 4 +0.000199 X t 5 +


Cuadro 4.36:

Siendo:

R2 <d no es regresin esprea

Objetivo del test: El error es integrado de orden 0?


Test de raz unitaria de Dickey-Fuller a

H 0 : =0 t I ( 0 )

t I ( 0 ) ?

t (residual)

H 1 : 0 t I ( 0 )

Hiptesis:

H 0 : t I ( 0 ) Yt Xt CI ( d , b )=CI (1,1)
H 1 : t I ( 0)Yt Xt CI ( d , b )=CI (1,1)
89

Cuadro 4.37:

P-value = 0.00 < 0.05, por lo tanto, Rho


Concluimos que hay cointegracin
Cuadro 4.38:

90

Cuadro 3.39:

Cuadro 4.40:

Conclusin general del captulo 4:


Despus de hacer todos los test para combinacin en donde nos sali positivo el test
de causalidad de Granger, podemos concluir que para todas estas combinaciones
existe cointegracin dado que rechazaron

H0 .
91

Captulo 5
Test ARCH-GARCH:
Justo como el trmino de error

en el tiempo

correlacionado con el trmino de error en el tiempo

(t1)

puede estar
en un esquema

AR (1) , o con varios trminos de error rezagados en el esquema general

AR (p) . Puede existir autocorrelacin en la varianza

en el tiempo t ,

respecto de sus valores rezagados uno o ms periodos? Los investigadores


que trabajan en el pronstico de series de tiempo financieras, como precios
accionarios, tasas de inflacin y tasas de cambio de divisas, han observado
dicha autocorrelacin. A tal autocorrelacion se le han dado nombres ms bien
intimidantes heteroscedasticidad condicional autorregresiva (ARCH), si la
varianza del error est relacionada con el trmino del error al cuadrado en el
periodo anterior, y heteroscedasticidad condicional autorregresiva
generalizada (GARCH), si la varianza del error est relacionada con los
trminos del error al cuadrado de varios periodos en el pasado. El objetivo aqu
es sealar que la autocorrelacin no solo abarca las relaciones entre los
trminos del error actuales y anteriores, sino tambin las varianzas de los
errores actuales y anteriores.

92

Test de ARCH
Variable A
I.

Contexto:

A t =a At1+ t+ at1

Las emisiones se han diferenciado una vez para integrada de orden 1, para
que sea estacionaria.
II.

Objetivo:

^ ARCH ( Q ) ?
Q

III.

Modelo Auxiliar:

2
2
2
^ = 0 + i t i+ et e t WN (0 ; )
i=1

Cuadro 5.1.

IV.

ARCH(4):

Por criterio de informacin de Akaike se escogi con el rezago nmero 4, ya


que sali como el menor de todos.
93

2
2
2
2
2
^ =c+ 1 t 1+ 2 t 2+ 3 t 3 + 4 t4 + et

T =45

R 2=0.579570

V.

Hiptesis:

H 0 :i=0 i=1,2,3, , q ^t no sigue un ARCH (Q)


H 1 :i 0 i=1,2,3, , q ^t si sigue un ARCH (Q)

VI.

Estadstico:
2
LM calculado=T . R =26.08065
Dado=5

VII.

Distribucin estadstica bajo


LM crtico= X 2

(q ;

VIII.

H 0 LM X 2(Q)

=11.14328678

=2,5)
2

Prueba por comparacin de estadstico:

Si : LM calculado> LM crtico R H 0
2

26.08065>11.14328678 R H 0
Como se rechaza la hiptesis nula, por lo tanto se acepta que hay un ARCH(4)
en la corrida.
IX.

Estimacin

94

Variable B

B t= 0+bBt 1+t

I.

Contexto:

II.

Sin embargo, luego se ha tenido que diferenciar una vez, integrando en


orden 1, es decir, la primera diferencia es estacionaria.
Objetivo: ^ ARCH ( Q ) ?
Q

III.

Modelo Auxiliar:

^2 = 0 + i 2t i+ et e t WN (0 ; 2 )
i=1

Cuadro 5.2.

95

IV.

ARCH(1):

Por criterio de informacin de Akaike se escogi con el rezago nmero 1, ya


que sali como el menor de todos.
2
2
^ =c+ 1 t 1+ et

T =48

R 2=0.065787

V.

Hiptesis:

H 0 :i=0 i=1,2,3, , q ^t no sigue un ARCH (Q)


H 1 :i 0 i=1,2,3, , q ^t si sigue un ARCH (Q)

VI.

Estadstico:
LM calculado=T . R2=3.157778
Dado =5

VII.

Distribucin estadstica bajo

H 0 LM X 2(Q)

96

LM crtico= X
VIII.

2
(q ;

=5.02388619

=2,5)
2

Prueba por comparacin de estadstico:

Si : LM calculado> LM crtico R H 0
2

3.157778<5.02388619 NR H 0
Como se no se rechaza la hiptesis nula, por lo tanto se rechaza que hay un
ARCH(1) en la corrida.
IX.

Estimacin

Variable X
97

I.

Contexto:

X t =Xt 1+ t1+ t

Se ha tenido que diferenciar una vez, integrando en orden 1, es decir, la


primera diferencia es estacionaria.
II.

Objetivo:

^ ARCH ( Q ) ?
Q

III.

Modelo Auxiliar:

2
2
2
^ = 0 + i t i+ et e t WN (0 ; )
i=1

Cuadro 5.3.

IV.

ARCH(1):

Por criterio de informacin de Akaike se escogi con el rezago nmero 1, ya


que sali como el menor de todos.
^2 =c+ 1 2t 1+ et
T =48

R 2=0.000315
V.

Hiptesis:

98

H 0 :i=0 i=1,2,3, , q ^t no sigue un ARCH (Q)


H 1 :i 0 i=1,2,3, , q ^t si sigue un ARCH (Q)

VI.

Estadstico:
2
LM calculado=T . R =0.015141
Dado=5

VII.

Distribucin estadstica bajo


LM crtico= X

VIII.

2
(q ;

H 0 LM X 2(Q)

=5.02388619

=2,5)
2

Prueba por comparacin de estadstico:

Si : LM calculado> LM crtico R H 0
2

0.015141<5.02388619 NR H 0
Como se no se rechaza la hiptesis nula, por lo tanto no se acepta que hay un
ARCH(1) en la corrida.
IX.

Estimacin

99

Variable Y
I.

Contexto:

Y t = 0+ y Yt1+ y Yt2+ y Yt3+t

Se ha tenido que diferenciar una vez, integrando en orden 1, es decir, la


primera diferencia es estacionaria.
II.

Objetivo:

^ ARCH ( Q ) ?
Q

III.

Modelo Auxiliar:

2
2
2
^ = 0 + i t i+ et e t WN (0 ; )
i=1

Cuadro 5.4.

IV.

ARCH(2):
100

Por criterio de informacin de Akaike se escogi con el rezago nmero 2, ya


que sali como el menor de todos.
^2 =c+ 1 2t 1+ 2 2t 2+ et
T =45

R 2=0. 262285

V.

Hiptesis:

H 0 :i=0 i=1,2,3, , q ^ t no sigue un ARCH (Q)


H 1 :i 0 i=1,2,3, , q ^t si sigue un ARCH (Q)

VI.

Estadstico:
LM calculado=T . R2=11.80282
Dado=5

VII.

Distribucin estadstica bajo


LM crtico= X 2

(q ;

VIII.

H 0 LM X 2(Q)

=7.37775891

=2,5)
2

Prueba por comparacin de estadstico:

Si : LM calculado> LM crtico R H 0
2

11.80292>7.37775891 R H 0
Como se rechaza la hiptesis nula, por lo tanto se acepta que hay un ARCH(2)
en la corrida.
IX.

Estimacin

101

Test de GARCH
Variable A:
Utilizado los criterios de informacin, en este caso hemos utilizado el criterio de
informacin de Akaike, hemos buscado el rezago ptimo del modelo, teniendo
en cuenta que los t-stadistics deben ser significados:
q

= 0 +
2
t

i=1

2
i t1

+ j t j + vt
2

j=1

La corrida generalizada es la siguiente:


Cuadro 5.5.

102

2t = 0 + 1 2t1 + 1 2t 1+v t
Despus de obtener el rezago optimo gracias los criterios de informacin,
hemos obtenido que el modelo es un ARCH (1) GARCH (1).
Variable B:
Utilizado los criterios de informacin, en este caso hemos utilizado el criterio de
informacin de Akaike, hemos buscado el rezago ptimo del modelo, teniendo
en cuenta que los t-stadistics deben ser significados:
q

i=1

j=1

2t = 0 + i 2t1 + j 2t j + vt

La corrida generalizada es la siguiente:


Cuadro 5.6.

103

2t = 0 + 1 2t1 + 1 2t 1+v t

Despus de obtener el rezago optimo gracias los criterios de informacin,


hemos obtenido que el modelo es un ARCH (1) GARCH (1).

Variable X:
Utilizado los criterios de informacin, en este caso hemos utilizado el criterio de
informacin de Akaike, hemos buscado el rezago ptimo del modelo, teniendo
en cuenta que los t-stadistics deben ser significados:
q

= 0 +
2
t

i=1

2
i t1

+ j 2t j + vt
j=1

La corrida generalizada es la siguiente:


Cuadro 5.7.
104

2t = 0 + 1 2t1 + 1 2t 1+v t

Despus de obtener el rezago ptimo gracias los criterios de informacin,


hemos obtenido que el modelo es un ARCH (1) GARCH (1).
Variable Y:
Utilizado los criterios de informacin, en este caso hemos utilizado el criterio de
informacin de Akaike, hemos buscado el rezago ptimo del modelo, teniendo
en cuenta que los t-stadistics deben ser significados:
q

= 0 +
2
t

i=1

2
i t1

+ j 2t j + vt
j=1

La corrida generalizada es la siguiente:


Cuadro 5.8.
105

2t = 0 + 1 2t1 + 2 2t2 + 1 2t 1+ 2 2t2 + v t

Despus de obtener el rezago optimo gracias los criterios de informacin,


hemos obtenido que el modelo es un ARCH (2) GARCH (2).
Captulo 6
Modelos multi-ecuacionales: VAR
Cuadro 6.1.

106

VAR estructural bivariado de las cuatro variables:

107

Variable X:
X t =^
10+ ^11 X t 1+ ^
^11 Y t1 + ^12 Y t2 + ^11 B t1+ ^
^11 At 1+ ^
12 X t2 +
12 Bt 2+
12 A t2 + Xt
Variable Y:
Y t =^
20 + ^21 X t1+ ^
^21 Y t 1+ ^
^
^
^
^22 A t 2+ Yt
22 X t 2 +
22 Y t 2+
21 B t 1+
22 Bt 2+
21 A t1 +
Variable B:
B t= ^
^31 X t 1+ ^
^31 Y t1 + ^32 Y t 2 + ^31 Bt1 + ^32 Bt2 + ^31 At 1+ ^
30 +
32 X t2 +
32 A t2 + Bt
Variable A:
A t =^
40+ ^41 X t 1 + ^
42 X t2 + ^41 Y t 1+ ^
^41 Bt1 + ^42 Bt 2+ ^
41 A t1 + ^42 At 2+ At
42 Y t2 +
Cuadro 6.2.

Como podemos observar, aplicndoles el VAR a las variables, obtenemos con


los criterios de informacin que el rezago ptimo es el 5 en los criterios de
Akaike y Hannan-Quinn y con Schwarz obtenemos el rezago optimo el rezago
4. Vamos a fijarnos ms en el Akaike ya que con ese hemos estado trabajando
a lo largo del trabajo.
ANEXOS

108

Esperanza de
vida al nacer,
total (aos)

PBI (mill.
Emisiones
S/. de
de CO2 (kt) 2007)

1960

47.69158537

8173.743

69946

1961

48.23292683

8643.119

75085

1962

48.75278049

9970.573

82620

1963

49.24865854

10234.597

86196

1964

49.72804878

12266.115

91840

1965

50.21443902

11965.421

97003

1966

50.73678049

13256.205

104995

1967

51.31853659

13655.908

109040

1968

51.96919512

14502.985

109206

1969

52.68726829

15302.391

113044

1970

53.4537561

17784.95

116849

1971

54.24168293

18613.692

122213

1972

55.01758537

18173.652

126463

1973

55.758

19757.796

134401

1974

56.45141463

21360.275

147017

1975

57.09682927

21965.33

153340

1976

57.7047561

22442.04

155559

1977

58.29414634

23340.455

156102

1978

58.881

22460.375

151977

1979

59.47034146

22273.358

158194

1980

60.06363415

24121.526

167596

1981

60.65892683

24103.191

176901

1982

61.24970732

23670.485

176507

1983

61.8305122

20450.859

158136

Exportacion
es de
bienes y
servicios
(% del PIB)
20.761764
18
21.375350
86
20.510688
7
18.950041
79
19.017476
21
16.097923
05
15.987460
82
15.844298
57
18.602498
67
17.941299
14
17.892856
6
14.217099
99
14.124783
3
13.689038
89
14.499138
19
10.850615
31
12.048881
1
15.896706
12
20.733182
67
27.741325
04
27.450980
39
19.101123
6
19.594594
59
22.909090
91
109

1984

62.39936585

20692.881

163842

1985

62.95482927

19512.107

167219

1986

63.49443902

21847.986

182981

1987

64.01921951

25782.677

200778

1988

64.53217073

25107.949

181822

1989

65.0347561

21840.652

159436

1990

65.53043902

21169.591

151492

1991

66.02365854

20417.856

154854

1992

66.51736585

20388.52

154017

1993

67.0134878

23556.808

1994

67.5125122

23230.445

1995

68.01543902

23883.171

1996

68.5237561

24363.548

1997

69.03253659

27407.158

1998

69.53680488

27806.861

1999

70.03009756

29358.002

2000

70.50543902

30296.754

2001

70.95239024

27165.136

2002

71.36692683

27187.138

2003

71.74756098

26380.398

2004

72.09680488

31895.566

2005

72.41860976

37135.709

2006

72.72097561

35063.854

2007

73.01487805

43208.261

2008

73.30729268

41279.419

2009
2010

73.60368293
73.90509756

47355.638
57579.234

162093
182043.
615
195536.
023
201009.
307
214028.
281
213189.
911
216376.
808
222206.
672
223579.
534
235773.
036
245592.
63
257769.
796
273971.
072
294597.
852
319692.
999
348923.
004
352584.
017
382380

23.063973
06
27.498448
17
16.947439
35
13.182269
27
15.560878
24
17.871931
57
16.125181
1
12.415546
12
12.793182
42
12.671540
05
13.119701
89
12.890482
18
13.568600
35
14.710423
13.819073
32
15.485004
56
16.787069
63
16.475841
14
17.067087
14
18.531859
7
22.417509
05
26.569058
02
29.972113
1
30.498456
83
28.392962
26
25.186030
59
26.559760
110

37

Fuente:
Banco Mundial (Esperanza de vida, Emisiones y exportaciones)
BCRP (PBI)

BIBLIOGRAFA

Larios, J.F y lvarez, V.J. (2014). Anlisis Economtrico de Series de Tiempo:


Teora y Problemas. Primera Edicin. Lima: Fondo Editorial de la Universidad
San Ignacio de Loyola.
Damodar N. Gujarati, D.P. (2010). Econometria. Quinta Edicion. Editorial Mc
Graw Hill.
Larios, J.F y lvarez, V.J. (2014). Fundamento de Econometra. Primera
Edicin. Lima: Fondo Editorial de la Universidad San Ignacio de Loyola.
http://databank.bancomundial.org/data/home.aspx
111

http://www.bcrp.gop.pe/

112