Uso del filtro de Hodrick-Prescott

PBI CPR CPU FBK XP IM

1980 167596 104622 24185 33910 30971 26092
1981 176901 112440 23736 41432 30173 30880
1982 176507 109726 25954 38621 33166 30960
1983 158136 103589 23837 24980 29360 23630
1984 163842 106445 22270 23483 31541 19897
1985 167219 108307 23252 20049 32835 17224
1986 182981 124563 25101 26022 28455 21160
1987 200778 138641 26538 31871 27437 23709
1988 181822 127082 22354 28057 25607 21278
1989 159436 106319 18091 22100 30425 17499
1990 151492 105735 16249 22232 26872 19596
1991 154854 109665 16568 23167 28424 22970
1992 154017 108852 17037 23461 29666 24999
1993 162093 113680 17563 26210 30588 25948
1994 182044 124433 19086 34865 36520 32860
1995 195536 136275 20708 41789 38529 41765
1996 201009 139501 21619 39738 41958 41807
1997 214028 144555 23262 45665 47454 46908
1998 213190 141698 23844 44724 50511 47587
1999 216377 139666 24679 38706 54019 40693
2000 222207 143191 25444 37579 58232 42239
2001 223580 144629 25240 34983 62192 43464
2002 235773 151674 25240 36367 67056 44564
2003 245593 155487 26224 38212 71301 45631
2004 257770 160769 27299 38288 81793 50379
2005 273971 166654 29783 40672 93376 56514
2006 294598 177006 32046 54757 94480 63691
2007 319693 192316 33424 70436 100774 77257
2008 348870 209428 35043 92339 108616 96556
2009 352693 215863 39272 73683 105040 81165
2010 382081 235508 40804 100073 108435 102739
2011 406256 252468 43817 112291 114387 116707
2012 431199 271240 47442 122952 117940 128375
2013 456435 286789 51019 133408 117274 132055
2014 467308 298901 54342 131998 112814 130747
2015 482506 310912 58712 127278 117622 132018
2016P/ 501581 322549 61749 119929 131443 134089
2017P/ 514215 331078 63759 119967 143019 143608
2018E/ 534625 343752 65492 126200 147833 148652
2019E/ 546408 354908 67850 127800 147038 151188
Análisis de las fluctuaciones del PBI en las fluctuaciones del consumo privado en el corto y
largo plazo

1) En este caso utilizaremos el modelo de ajusta parcial, para ello primero tendremos que
determinar el ciclo de cada de las series de tiempo
2) Luego aplicar el modelo de ajuste parcial
a) Determinando el clico del PBI

a.1) Determinando la tendencia del PBI mediante el filtro de Hodrick-Prescott

Hodrick-Prescott Filter (lambda=100)

600,000

500,000

400,000

300,000

40,000 200,000
30,000
100,000
20,000

10,000

-10,000

-20,000
1980 1985 1990 1995 2000 2005 2010 2015

PBI Trend Cycle

PBI HPTREND01
1980 167596 171118.7
1981 176901 170862.9
1982 176507 170571.8
1983 158136 170270.7
1984 163842 170044.0
1985 167219 169854.9
1986 182981 169604.5
1987 200778 169167.6
1988 181822 168552.8
1989 159436 168084.7
1990 151492 168220.6
1991 154854 169331.4
1992 154017 171620.6
1993 162093 175147.2
1994 182044 179793.7
1995 195536 185312.4
1996 201009 191478.2
1997 214028 198167.8
1998 213190 205353.5
1999 216377 213166.3
2000 222207 221815.4
 2001 223580 231542.1
2002 235773 242591.6
2003 245593 255129.6
2004 257770 269253.5
2005 273971 284965.4
2006 294598 302152.6
2007 319693 320592.4
2008 348870 339986.5
2009 352693 360027.6
2010 382081 380497.4
2011 406256 401104.1
2012 431199 421571.8
2013 456435 441676.1
2014 467308 461289.0
2015 482506 480429.7
2016 501581 499178.1
2017 514215 517634.5
2018 534625 535923.4
2019 546408 554135.0

Hptrend01: componente tendencial de PBI

a.2) Determinando el ciclo del PBI

PBIcicl= T-τ

T= la serie original del PBI

La τ : la tendencia de la serie PBI

PBICICL
1980 -3522.737
1981 6038.097
1982 5935.159
1983 -12134.71
1984 -6202.002
1985 -2635.887
1986 13376.50
1987 31610.38
1988 13269.21
1989 -8648.663
1990 -16728.57
1991 -14477.38
1992 -17603.64
1993 -13054.16
1994 2250.313
1995 10223.55
1996 9530.848
1997 15860.24
1998 7836.466
1999 3210.661
2000 391.5948
2001 -7962.070
2002 -6818.585
2003 -9536.584
 2004 -11483.51
2005 -10994.45
2006 -7554.642
2007 -899.3912
2008 8883.549
2009 -7334.581
2010 1583.622
2011 5151.908
2012 9627.190
2013 14758.86
2014 6019.050
2015 2076.284
2016 2402.910
2017 -3419.492
2018 -1298.372
2019 -7726.981

PBICICL
40,000

30,000

20,000

10,000

-10,000

-20,000
1980 1985 1990 1995 2000 2005 2010 2015

a.3) Determinando la tendencia del CPR mediante el filtro de Hodrick-Prescott

 Hodrick-Prescott Filter (lambda=100)
400,000
350,000
300,000
250,000
200,000
150,000
30,000
100,000
20,000

10,000

-10,000

-20,000
1980 1985 1990 1995 2000 2005 2010 2015

CPR Trend Cycle

a.4) Determinando El ciclo del CPR

CPRCICl
1980 -2199.696
1981 4362.005
1982 413.7025
1983 -6957.226
1984 -5360.541
1985 -4739.429
1986 10391.53
1987 23605.14
1988 11483.30
1989 -9736.143
1990 -10980.17
1991 -8126.423
1992 -10534.71
1993 -7842.605
1994 317.6884
1995 9272.380
1996 9475.504
1997 11437.38
1998 5390.549
1999 -71.79018
2000 -414.3654
2001 -3477.180
2002 -1758.096
2003 -4253.201
2004 -6401.002
 2005 -9164.477
2006 -8712.590
2007 -4495.662
2008 476.1105
2009 -6085.510
2010 -107.5232
2011 2761.926
2012 7267.769
2013 8595.317
2014 6678.204
2015 4914.110
2016 3024.934
2017 -1777.567
2018 -2324.884
2019 -4346.734

Grafica del cprcicl

CPRCICL
24,000

20,000

16,000

12,000

8,000

4,000

-4,000

-8,000

-12,000
1980 1985 1990 1995 2000 2005 2010 2015
Grafic del PBICICL y del CPRCICL
40,000

30,000

20,000

10,000

-10,000

-20,000
1980 1985 1990 1995 2000 2005 2010 2015

CPRCICL PBICICL

El modelo de ajuste parcial de largo plazo

CPRCICL*t = B0 +B1 PBICICLt +B2 PBICICLt-1 + ut

El modelo de ajuste parcial de corto plazo

CPRCICLt = δB0 + δB1 PBICICLt +δB2 PBICICLt-1+ (1-δ)CPRCICLt-1 + ut

Dependent Variable: CPRCICL
Method: Least Squares
Date: 04/08/23 Time: 12:21
Sample (adjusted): 1981 2019
Included observations: 39 after adjustments

Variable Coefficient Std. Error t-Statistic Prob.

C -2.667023 343.8301 -0.007757 0.9939

PBICICL 0.659775 0.042002 15.70813 0.0000
PBICICL(-1) -0.205334 0.114736 -1.789623 0.0822
CPRCICL(-1) 0.360295 0.156439 2.303098 0.0273

R-squared 0.927895 Mean dependent var 56.40246

Adjusted R-squared 0.921714 S.D. dependent var 7672.282
S.E. of regression 2146.672 Akaike info criterion 18.27814
Sum squared resid 1.61E+08 Schwarz criterion 18.44876
Log likelihood -352.4237 Hannan-Quinn criter. 18.33936
F-statistic 150.1340 Durbin-Watson stat 1.867717
Prob(F-statistic) 0.000000

CPRCICLt = -2.667023 +0.659775 PBICICLt -0.205334PBICICLt-1+0.360295 CPRCICLt-1

PmgCPRcicl a corto plazo= 0.659775

(1-δ)= 0.360295 => δ= 1-0.360295 = 0.639705

Luego: δB1=0.659775=> B1 = 0.659775/ 0.639705= 1.03137

B1: Pmg a largo plazo= 1.03137

Estimando el modelo sin considerar el corto plazo ni el largo plazo y con
cifras con todos sus componentes

CPRt = α0 + α1 PBI + ut

Dependent Variable: CPR

Method: ARMA Maximum Likelihood (OPG - BHHH)
Date: 04/08/23 Time: 12:34
Sample: 1980 2019
Included observations: 40
Convergence achieved after 23 iterations
Coefficient covariance computed using outer product of gradients

Variable Coefficient Std. Error t-Statistic Prob.

C -273.3520 8946.947 -0.030553 0.9758

PBI 0.644587 0.025681 25.09963 0.0000
AR(1) 0.909453 0.076797 11.84237 0.0000
SIGMASQ 7657141. 2004847. 3.819314 0.0005

R-squared 0.998735 Mean dependent var 178272.9

Adjusted R-squared 0.998630 S.D. dependent var 78795.25
S.E. of regression 2916.836 Akaike info criterion 18.93290
Sum squared resid 3.06E+08 Schwarz criterion 19.10179
Log likelihood -374.6581 Hannan-Quinn criter. 18.99397
F-statistic 9474.789 Durbin-Watson stat 1.749809
Prob(F-statistic) 0.000000

Inverted AR Roots .91

EJERCICIOS DE APLICACIÓN DE LA METODOLOGÍA DE BOX-JENKINS (BJ)
La metodología BJ tienen los siguientes pasos:

1. Identificación del modelo

2. Estimación del modelo
3. Verificación del modelo
4. Pronostico de las series de tiempo

Información acerca de la series de tiempo

EX
2007Q1 22161
2007Q2 24117
2007Q3 26507
2007Q4 27989
2008Q1 26182
2008Q2 26643
2008Q3 28054
2008Q4 27737
2009Q1 23961
2009Q2 25343
2009Q3 26579
2009Q4 29157
2010Q1 25284
2010Q2 26132
2010Q3 27975
2010Q4 29044
2011Q1 26666
2011Q2 28892
2011Q3 29586
2011Q4 29243
2012Q1 31303
2012Q2 27581
2012Q3 29810
2012Q4 29246
2013Q1 27024
2013Q2 28470
2013Q3 30925
2013Q4 30856
2014Q1 27273
2014Q2 27673
2014Q3 28536
2014Q4 29332
2015Q1 27171
2015Q2 27584
2015Q3 30145
2015Q4 32722
2016Q1 28211
2016Q2 31225
2016Q3 34985
2016Q4 37022
2017Q1 32664
2017Q2 36200
2017Q3 37189
2017Q4 36966
2018Q1 34426
2018Q2 38003
2018Q3 37632
2018Q4 37772
2019Q1 34310
 2019Q2 36879
2019Q3 37177
2019Q4 38672

I) ETAPA DE LA IDENTIFICACIÓN DEL MODELO

1.1) Probando si la serie es estacionario o no

Null Hypothesis: XP has a unit root

Exogenous: Constant
Lag Length: 4 (Automatic - based on SIC, maxlag=10)

t-Statistic Prob.*

Augmented Dickey-Fuller test statistic 0.009706 0.9546

Test critical values: 1% level -3.577723
5% level -2.925169
10% level -2.600658

*MacKinnon (1996) one-sided p-values.

Augmented Dickey-Fuller Test Equation

Dependent Variable: D(XP)
Method: Least Squares
Date: 03/08/21 Time: 19:37
Sample (adjusted): 2008Q2 2019Q4
Included observations: 47 after adjustments

Variable Coefficient Std. Error t-Statistic Prob.

XP(-1) 0.000676 0.069612 0.009706 0.9923

D(XP(-1)) -0.491480 0.161881 -3.036052 0.0042
D(XP(-2)) -0.412357 0.166285 -2.479819 0.0173
D(XP(-3)) -0.284333 0.157021 -1.810792 0.0775
D(XP(-4)) 0.372849 0.144805 2.574827 0.0137
C 370.0472 2096.777 0.176484 0.8608

R-squared 0.526168 Mean dependent var 265.7447

Adjusted R-squared 0.468384 S.D. dependent var 2304.111
S.E. of regression 1679.974 Akaike info criterion 17.80969
Sum squared resid 1.16E+08 Schwarz criterion 18.04588
Log likelihood -412.5277 Hannan-Quinn criter. 17.89857
F-statistic 9.105727 Durbin-Watson stat 2.036868
Prob(F-statistic) 0.000007

Como / T /= 0.009706 < / T / critico al 5%= 2.925169 => la serie de tiempo EX es no

estacionario
 La serie EX es una serie de tiempo no estacionaria

1.2) Determinando el grado de integracion de la serie de

tiempo(es decir, determinando el valor de d)

Null Hypothesis: D(XP) has a unit root

Exogenous: Constant
Lag Length: 3 (Automatic - based on SIC, maxlag=10)

t-Statistic Prob.*

Augmented Dickey-Fuller test statistic -3.719374 0.0068

Test critical values: 1% level -3.577723
5% level -2.925169
10% level -2.600658

*MacKinnon (1996) one-sided p-values.

Augmented Dickey-Fuller Test Equation

Dependent Variable: D(XP,2)
Method: Least Squares
Date: 03/08/21 Time: 19:39
Sample (adjusted): 2008Q2 2019Q4
Included observations: 47 after adjustments

Variable Coefficient Std. Error t-Statistic Prob.

D(XP(-1)) -1.813456 0.487570 -3.719374 0.0006

D(XP(-1),2) 0.322683 0.381167 0.846567 0.4020
D(XP(-2),2) -0.089104 0.258365 -0.344877 0.7319
D(XP(-3),2) -0.373083 0.141082 -2.644439 0.0115
C 390.2271 268.9631 1.450857 0.1542

R-squared 0.819686 Mean dependent var 70.25532

Adjusted R-squared 0.802514 S.D. dependent var 3735.095
S.E. of regression 1659.855 Akaike info criterion 17.76714
Sum squared resid 1.16E+08 Schwarz criterion 17.96396
Log likelihood -412.5277 Hannan-Quinn criter. 17.84120
F-statistic 47.73187 Durbin-Watson stat 2.036967
Prob(F-statistic) 0.000000

Como / T /= 3.719374 > / T / critico al 5%= 2.925169 => la serie de tiempo

D(EX) es estacionario o EX es I(1)

EX es una serie integrado de orden uno o sea I(1) o sea d=1

1.3) Determinado los rezagos para AR(p) y de MA(q) con la ayuda del correlograma
de la serie D(EX)( Es decir. Determinando los valores de p y q)

Entonces tenemos los siguientes términos: AR(4), AR(8), AR(12) y MA(2),

MA(3), MA(4)
 II) ETAPA DE LA ESTIMACIÓN:

2.1) Luego estimamos diferentes modelos combinando los diferentes términos

identificados, porque la metodología de BJ es iterativo y porque el BJ además
de ciencia es también un arte
2.1.1 Especificando y estimando un modelo con AR(4) AR( 8 ) AR(12) y
MA(4)

D(EX) = B0 + B1 AR(4)+B2AR(8)+ B3AR(12) + B4MA(4) +ut

Estimado el modelo especificado

D(EX) c AR(4) AR(8) AR(12) MA(4)

Dependent Variable: D(EX)

Method: ARMA Maximum Likelihood (OPG - BHHH)
Date: 03/09/21 Time: 10:28
Sample: 2007Q2 2019Q4
Included observations: 51
Failure to improve objective (singular hessian) after 25 iterations
Coefficient covariance computed using outer product of gradients

Variable Coefficient Std. Error t-Statistic Prob.

C 284.4810 1112.279 0.255764 0.7993

AR(4) 1.212268 0.225412 5.378011 0.0000
AR(8) -0.242057 0.106529 -2.272221 0.0279
AR(12) 0.029789 0.006778 4.395278 0.0001
MA(4) -0.999902 0.000130 -7674.725 0.0000
SIGMASQ 2265486. 441572.7 5.130493 0.0000

R-squared 0.550751 Mean dependent var 323.7451

Adjusted R-squared 0.500834 S.D. dependent var 2267.969
S.E. of regression 1602.358 Akaike info criterion 17.90312
Sum squared resid 1.16E+08 Schwarz criterion 18.13040
Log likelihood -450.5297 Hannan-Quinn criter. 17.98997
F-statistic 11.03343 Durbin-Watson stat 2.666077
Prob(F-statistic) 0.000001

Inverted AR Roots 1.00 .63-.15i .63+.15i .15+.63i

.15-.63i -.00+1.00i -.00-1.00i -.15+.63i
-.15-.63i -.63-.15i -.63+.15i -1.00
Inverted MA Roots 1.00 -.00+1.00i -.00-1.00i -1.00
2.1.2) Especificando y Estimando el modelo con AR (4), AR (8), MA (3) y
MA(4)

D(EX) c AR(4) AR(8) MA(3) MA(4)

Dependent Variable: D(Ex)

Method: ARMA Maximum Likelihood (OPG - BHHH)
Date: 03/09/21 Time: 10:33
Sample: 2007Q2 2019Q4
Included observations: 51
Convergence not achieved after 500 iterations
Coefficient covariance computed using outer product of gradients

Variable Coefficient Std. Error t-Statistic Prob.

C 280.5879 308.5733 0.909307 0.3680

AR(4) 1.187621 0.001442 823.8503 0.0000
AR(8) -0.187644 0.002882 -65.10267 0.0000
MA(3) -0.005160 0.083369 -0.061889 0.9509
MA(4) -0.994794 0.388762 -2.558874 0.0139
SIGMASQ 2246942. 395833.2 5.676488 0.0000

R-squared 0.554428 Mean dependent var 323.7451

Adjusted R-squared 0.504920 S.D. dependent var 2267.969
S.E. of regression 1595.787 Akaike info criterion 17.86264
Sum squared resid 1.15E+08 Schwarz criterion 18.08991
Log likelihood -449.4973 Hannan-Quinn criter. 17.94949
F-statistic 11.19876 Durbin-Watson stat 2.667557
Prob(F-statistic) 0.000000

Inverted AR Roots 1.00 .66 .00+1.00i .00-.66i

.00-1.00i -.00+.66i -.66 -1.00
Inverted MA Roots 1.00 -.00-1.00i -.00+1.00i -1.00

2.2) Seleccionado el mejor modelo

Se selecciona el mejor modelo de acuerdo a los siguientes criterios:

1) Al que tenga el mayor número de coeficientes significativos

2) Al que tenga el mayor R2ajustado
3) Al que tenga la menor volatilidad( SIGMASQ )
4) Al que tenga el menor AIC
5) Al que tenga el menor SBIC

AR(4) AR(8) AR(12) AR(4) AR(8) MA(4)

MA(4) MA(3)
Numero de coeficientes 5 4
significativos
R2 ajustado 0.500834 0.504920
Volatilidad(SIGMA SQ) 2265486 2246942
AIC 17.90312 17.86264
SBIC 18.13040 18.08991
El modelo que pasa a la etapa de la verificación es el segundo modelo
que se estima

III) ETAPA DE LA VERIFICACION(diagnostico)

En esta etapa se comienza analizando el modelo elegido como el

más adecuado:
i) Se chequea el correlagrama de los residuos del modelo
escogido o elegido
ii) Este correlograma debe ser Flat en su forma ideal
iii) Después se aplica la prueba de Ljung-Box para
autocorrelacion de los residuos

Chequeando el correlograma del modelo elegido:

Entonces al modelo elegido hay que agregarle los términos AR (1) y MA(1)
Estimado el nuevo modelo: con los términos AR(1) AR(4) AR(8) MA(1 ) MA(3) y
MA(4)
D(EX) c AR(1) AR(4) AR(8) MA(1 ) MA(3) y MA(4)

Dependent Variable: D(ex)

Method: ARMA Maximum Likelihood (OPG - BHHH)
Date: 03/09/21 Time: 12:03
Sample: 2007Q2 2019Q4
Included observations: 51
Convergence not achieved after 500 iterations
Coefficient covariance computed using outer product of gradients

Variable Coefficient Std. Error t-Statistic Prob.

C 267.0565 117.6928 2.269097 0.0283

AR(1) -0.026466 0.110586 -0.239323 0.8120
AR(4) 0.849773 0.208770 4.070375 0.0002
AR(8) 0.054754 0.176472 0.310269 0.7579
MA(1) -0.408836 0.355915 -1.148688 0.2570
MA(3) -0.000439 0.260731 -0.001682 0.9987
MA(4) -0.589585 0.316430 -1.863239 0.0693
SIGMASQ 2087950. 776177.0 2.690044 0.0101

R-squared 0.585956 Mean dependent var 323.7451

Adjusted R-squared 0.518554 S.D. dependent var 2267.969
S.E. of regression 1573.660 Akaike info criterion 17.78262
Sum squared resid 1.06E+08 Schwarz criterion 18.08565
Log likelihood -445.4568 Hannan-Quinn criter. 17.89842
F-statistic 8.693399 Durbin-Watson stat 2.043558
Prob(F-statistic) 0.000001

Inverted AR Roots .97 .35-.35i .35+.35i -.01-.98i

-.01+.98i -.35+.35i -.35-.35i -.98
Inverted MA Roots 1.00 .10-.86i .10+.86i -.79

Comparando los tres modelo elegidos

ar(4) ar(8) ar(12) ar(4) ar(8) Ar(1) ar(4) ar(8)
ma(4) ma(4) ma(3) ma(1) ma(3) ma(4)
Numero de coeficientes 5 4 3
significativos
R2 ajustado 0.500834 0.504920 0.518554
Volatilidad(SIGMA SQ) 2265486 2246942 2087950
AIC 17.90312 17.86264 17.78262
SBIC 18.13040 18.08991 18.08565

De lo que se concluye que el modelo optimo es el tercer modelo

Luego se realiza la prueba Ljung-Box para determinar si los residuos son estacionarios
o no, mediante la prueba de autocorrelacion de los residuos
Como las funciones de FAC y FAP están dentro del intervalo, por lo cual, el modelo que
se estimo es el adecuado, lo que significa también que los residuos del modelo estimado
es una serie de tiempo estacionaria

Efectuando la prueba LB para examinar la autocorrelacion de los residuos

a) H0 : Todos los Pk son simultáneamente iguales a cero

H1 : Por los menos algunos de ellos deben ser diferentes de cero
b) Se calcula el estadístico LB definido por:
LB = n(n+2) ∑( Pk2/n-k)=8.3342 9.9240
donde: n: tamaño de la muestra
m: Longitud del rezago=21
K: rezago ( k=1,2,3…m)
c) LB sigue una distribución X2 con m grados de libertad, y se lee en la tabla X2
para 21 grados de libertad= 32.67 36.42
d) Como el LB(calculado)= 8.3342 < LB de la tabla= 32.67 => se acepta la H0
con lo cual la serie Pk de los residuos es una serie estacionaria

Entonces el Modelo con el que vamos a proyectar es:

d(EX) c ar(1) ar(4) ar(8) ma(1) ma(3) ma(4)

Efectuar la proyección hasta el cuarto trimestre del 2021

 IV) PREDICCION

XPF XP

XP XPF
2007Q1 22161 NA
2007Q2 24117 NA
2007Q3 26507 NA
2007Q4 27989 NA
2008Q1 26182 NA
2008Q2 26643 NA
2008Q3 28054 NA
2008Q4 27737 NA
2009Q1 23961 NA
2009Q2 25343 25840.18
2009Q3 26579 27206.96
2009Q4 29157 27445.64
2010Q1 25284 25386.12
2010Q2 26132 27095.31
2010Q3 27975 28321.35
2010Q4 29044 28506.93
2011Q1 26666 26577.70
2011Q2 28892 28216.64
2011Q3 29586 29322.53
2011Q4 29243 29496.60
2012Q1 31303 27772.38
2012Q2 27581 29336.89
2012Q3 29810 30334.93
2012Q4 29246 30499.16
2013Q1 27024 28956.55
2013Q2 28470 30449.16
2013Q3 30925 31350.88
2013Q4 30856 31508.67
2014Q1 27273 30131.78
2014Q2 27673 31554.83
2014Q3 28536 32370.63
2014Q4 29332 32524.68
2015Q1 27171 31298.67
2015Q2 27584 32654.67
2015Q3 30145 33393.97
2015Q4 32722 33546.52
2016Q1 28211 32457.82
2016Q2 31225 33749.41
2016Q3 34985 34420.70
2016Q4 37022 34573.56
2017Q1 32664 33609.80
2017Q2 36200 34839.68
2017Q3 37189 35450.62
2017Q4 36966 35605.26
2018Q1 34426 34755.15
2018Q2 38003 35926.05
2018Q3 37632 36483.54
2018Q4 37772 36641.13
2019Q1 34310 35894.35
2019Q2 36879 37009.02
2019Q3 37177 37519.28
2019Q4 38672 37680.72
2020Q1 NA 37027.87
2020Q2 NA 38089.04
2020Q3 NA 38557.65
2020Q4 NA 38723.63
Ruta de predicción: Proc=> Estructure/resice current page => en date
=< Quick =< equation => forecasting

Preguntas para consolidar el aprendizaje

1) ¿Cuántas etapas tiene el proceso de la proyección de la metodología Box-Jenkins

2) ¿Que se efectúa en la etapa de identificación
3) ¿Qué se efectúa en el proceso de estimación
4) ¿En la etapa de estimación como se elige el modelo óptimo para efectuar la
proyección
5) Si en la etapa de identificación la serie de tiempo Yt es no estacionaria y se convertido
en estacionaria en la segunda diferencia, y fueron identidades los términos AR(2),
AR(3), AR(5), y los términos MA(1), MA(3), MA(6), y MA(7),
Escriba tres ecuaciones que se estimaran en la etapa de estimación de la proyección
de la serie Yt
6) Si en la etapa de identificación la serie de tiempo Xt es no estacionaria y es integrado
de orden 1 y fueron identidades los términos AR(1), AR(3), AR(6), AR(8), y los términos
MA(4), MA(7), MA(12)
Escriba tres ecuaciones que se estimaran en la etapa de estimación de la proyección
de la serie Xt
7)¿Que se efectúa en la etapa de verificación o diagnóstico del modelo seleccionado
como el modelo óptimo para efectuar la proyección de la serie de tiempo?
8) ¿En la etapa de verificación se examina que los residuos del modelo estimado no
estén autocorrelacionados?¿Mediante que estadístico de prueba se verifica que los
residuos del modelo estimado no estén autocorrelacioandos?
9) ¿Para que el modelo sea aceptado en la etapa de verificación el modelo debe ser
Flat(plano) , que significa esta afirmación?
ESTIMACIÓN DEL MODELO ARCH Y GARCH(22 A)(DDC)
Pasos para estimar el modelo ARCH y GARCH
I)1:1) Probar que la serie de tiempo Yt sea estacionaria o no
1.2) Si la serie de tiempo Yt es no estacionaria Probar que la serie de
Tiempo Yt estacionaria al diferenciarlo

II) Probar si la serie de tiempo Yt tiene efectos ARCH

2.1) Estimar Y= f (c )
2.2) Probar la heteroscedasticidad de los residuos del modelo estimado
mediante la prueba de heteroscedasticidad ARCH
III) Estimar el modelo ARCH
3.1) Convertir a logaritmos la serie de tiempo Yt para hacerlo más
estacionaria
3.2) Estimar el modelo ARCH
Ruta: Quick => Estimate Eqution=>Método de estimación ARCH=>
D(log y) c => Option presamble Variance => Unconditional parameter =1

Ejemplo de Estimación del modelo ARCH y GARCH del TC de

Perú para el periodo enero 2010 a Diciembre del 2021

2010M01 2.8573
2010M02 2.8548
2010M03 2.8403
2010M04 2.8407
2010M05 2.8461
2010M06 2.8387
2010M07 2.8234
2010M08 2.8025
2010M09 2.7911
2010M10 2.7921
2010M11 2.8061
2010M12 2.8164
2011M01 2.7878
2011M02 2.7712
2011M03 2.7799
2011M04 2.8163
2011M05 2.7756
2011M06 2.7647
2011M07 2.7419
2011M08 2.74
2011M09 2.7443
2011M10 2.7324
2011M11 2.7056
2011M12 2.6969
2012M01 2.6933
2012M02 2.6842
2012M03 2.6716
2012M04 2.6577
2012M05 2.67
2012M06 2.6712
2012M07 2.6358
2012M08 2.6165
2012M09 2.6033
2012M10 2.5881
2012M11 2.5992
2012M12 2.5676
2013M01 2.5524
2013M02 2.5785
2013M03 2.5945
2013M04 2.598
2013M05 2.6457
2013M06 2.7484
2013M07 2.7781
2013M08 2.8025
2013M09 2.7798
2013M10 2.7701
2013M11 2.7992
2013M12 2.7861
2014M01 2.8098
2014M02 2.8135
2014M03 2.8071
2014M04 2.7953
2014M05 2.7878
2014M06 2.7951
2014M07 2.787
2014M08 2.8154
2014M09 2.865
2014M10 2.9072
2014M11 2.9263
2014M12 2.9631
2015M01 3.007
2015M02 3.0802
2015M03 3.0931
2015M04 3.1215
2015M05 3.1517
2015M06 3.1624
2015M07 3.1829
2015M08 3.24
2015M09 3.2205
2015M10 3.2503
2015M11 3.3385
2015M12 3.3851
2016M01 3.4389
2016M02 3.5075
2016M03 3.4098
2016M04 3.3033
2016M05 3.3362
2016M06 3.3184
2016M07 3.3007
2016M08 3.3354
2016M09 3.3845
2016M10 3.3877
2016M11 3.4052
2016M12 3.398
2017M01 3.3419
2017M02 3.2619
2017M03 3.2655
2017M04 3.2488
2017M05 3.2745
2017M06 3.2695
2017M07 3.2505
2017M08 3.2428
2017M09 3.2476
2017M10 3.2525
2017M11 3.2423
2017M12 3.2483
2018M01 3.2166
2018M02 3.2496
2018M03 3.2533
2018M04 3.2317
2018M05 3.2749
2018M06 3.2722
2018M07 3.2785
2018M08 3.2896
2018M09 3.3129
2018M10 3.3354
2018M11 3.3768
2018M12 3.3663
2019M01 3.3454
2019M02 3.3231
2019M03 3.3062
2019M04 3.3056
2019M05 3.3342
2019M06 3.3275
2019M07 3.2921
2019M08 3.3793
2019M09 3.3591
2019M10 3.3615
2019M11 3.3737
2019M12 3.3574
2020M01 3.3289
2020M02 3.3918
2020M03 3.4938
2020M04 3.4002
2020M05 3.4236
2020M06 3.4719
2020M07 3.5192
2020M08 3.5659
2020M09 3.557
2020M10 3.5978
2020M11 3.6109
2020M12 3.6056
2021M01 3.6266
2021M02 3.6476
2021M03 3.7103
2021M04 3.7036
2021M05 3.7764
2021M06 3.9158
2021M07 3.9445
2021M08 4.09
2021M09 4.1106
2021M10 4.0187
2021M11 4.0233
2021M12 4.0423
1) probando que la serie de tiempo TC es una serie estacionaria

Null Hypothesis: TC has a unit root

Exogenous: Constant
Lag Length: 0 (Automatic - based on SIC, maxlag=13)

t-Statistic Prob.*

Augmented Dickey-Fuller test statistic 1.641001 0.9996

Test critical values: 1% level -3.476472
5% level -2.881685
10% level -2.577591

*MacKinnon (1996) one-sided p-values.

Augmented Dickey-Fuller Test Equation

Dependent Variable: D(TC)
Method: Least Squares
Date: 04/28/22 Time: 12:48
Sample (adjusted): 2010M02 2021M12
Included observations: 143 after adjustments

Variable Coefficient Std. Error t-Statistic Prob.

TC(-1) 0.014279 0.008701 1.641001 0.1030

C -0.036357 0.027391 -1.327326 0.1865

R-squared 0.018741 Mean dependent var 0.008287

Adjusted R-squared 0.011781 S.D. dependent var 0.038333
S.E. of regression 0.038106 Akaike info criterion -3.682985
Sum squared resid 0.204745 Schwarz criterion -3.641547
Log likelihood 265.3335 Hannan-Quinn criter. -3.666147
F-statistic 2.692884 Durbin-Watson stat 1.633447
Prob(F-statistic) 0.103026
2) Probando que la primera diferencia del TC: D(TC) es una serie de tiempo estacionaria

Null Hypothesis: D(TC) has a unit root

Exogenous: Constant
Lag Length: 0 (Automatic - based on SIC, maxlag=13)

t-Statistic Prob.*

Augmented Dickey-Fuller test statistic -9.565393 0.0000

Test critical values: 1% level -3.476805
5% level -2.881830
10% level -2.577668

*MacKinnon (1996) one-sided p-values.

Augmented Dickey-Fuller Test Equation

Dependent Variable: D(TC,2)
Method: Least Squares
Date: 04/28/22 Time: 12:50
Sample (adjusted): 2010M03 2021M12
Included observations: 142 after adjustments

Variable Coefficient Std. Error t-Statistic Prob.

D(TC(-1)) -0.790476 0.082639 -9.565393 0.0000

C 0.006642 0.003239 2.050830 0.0421

R-squared 0.395240 Mean dependent var 0.000151

Adjusted R-squared 0.390920 S.D. dependent var 0.048355
S.E. of regression 0.037738 Akaike info criterion -3.702308
Sum squared resid 0.199383 Schwarz criterion -3.660676
Log likelihood 264.8638 Hannan-Quinn criter. -3.685390
F-statistic 91.49675 Durbin-Watson stat 1.986584
Prob(F-statistic) 0.000000
3) Probando si la serie de tiempo TC tiene efectos ARCH

Ruta: Quick => estimate equation => tc c

Dependent Variable: TC
Method: Least Squares
Date: 04/28/22 Time: 12:56
Sample: 2010M01 2021M12
Included observations: 144

Variable Coefficient Std. Error t-Statistic Prob.

C 3.132879 0.031174 100.4976 0.0000

R-squared 0.000000 Mean dependent var 3.132879

Adjusted R-squared 0.000000 S.D. dependent var 0.374084
S.E. of regression 0.374084 Akaike info criterion 0.878247
Sum squared resid 20.01125 Schwarz criterion 0.898871
Log likelihood -62.23381 Hannan-Quinn criter. 0.886628
Durbin-Watson stat 0.010918

En la salida de la estimación: View => diagnostics residual diagnostics= test de

Heteroscedasticidad=> ARCH

Heteroskedasticity Test: ARCH

F-statistic 2978.653 Prob. F(1,141) 0.0000

Obs*R-squared 136.5368 Prob. Chi-Square(1) 0.0000

Test Equation:
Dependent Variable: RESID^2
Method: Least Squares
Date: 04/28/22 Time: 12:57
Sample (adjusted): 2010M02 2021M12
Included observations: 143 after adjustments

Variable Coefficient Std. Error t-Statistic Prob.

C 0.000613 0.004035 0.151836 0.8795

RESID^2(-1) 1.034585 0.018956 54.57704 0.0000

R-squared 0.954803 Mean dependent var 0.139408

Adjusted R-squared 0.954482 S.D. dependent var 0.175604
S.E. of regression 0.037465 Akaike info criterion -3.716937
Sum squared resid 0.197910 Schwarz criterion -3.675498
Log likelihood 267.7610 Hannan-Quinn criter. -3.700098
F-statistic 2978.653 Durbin-Watson stat 1.594813
Prob(F-statistic) 0.000000
4) Estimando el modelo ARCH
4.1) Convirtiendo a logaritmos la serie de tiempo TC
4.2) Estimando el modelo ARCH
Ruta: Quick=> estimación ecuación=>Método de estimación ARCH=> d(logtc) c=>
opción =>presamble variance=> unconditional parameter=1

Dependent Variable: D(LOGTC)

Method: ML ARCH - Normal distribution (BFGS / Marquardt steps)
Date: 04/28/22 Time: 13:05
Sample (adjusted): 2010M02 2021M12
Included observations: 143 after adjustments
Convergence achieved after 11 iterations
Coefficient covariance computed using outer product of gradients
Presample variance: unconditional
GARCH = C(2) + C(3)*RESID(-1)^2

Variable Coefficient Std. Error z-Statistic Prob.

C 0.000786 0.000808 0.973185 0.3305

Variance Equation

C 6.64E-05 1.18E-05 5.643701 0.0000

RESID(-1)^2 0.628376 0.201415 3.119806 0.0018

R-squared -0.020445 Mean dependent var 0.002426

Adjusted R-squared -0.020445 S.D. dependent var 0.011507
S.E. of regression 0.011624 Akaike info criterion -6.184131
Sum squared resid 0.019188 Schwarz criterion -6.121974
Log likelihood 445.1654 Hannan-Quinn criter. -6.158873
Durbin-Watson stat 1.512427

4.3) Probar si el modelo cumple con las condiciones requeridas para el modelo ARCH
6.64E-05 > 0 ; 0.628376 < 1
4.4) Con el objeto de aplicar la prueba t-student y F a los parámetros es necesario
que los residuos tengan distribución normal y que los residuos no tengan
autocorrelacion

4.4.1) Prueba de autocorrelacion mediante el correlograma

Ruta: Proc=> make residuos=> ordinary => View=> Correlogram

a) H0 : Todos los Pk son simultáneamente iguales a cero
HA : Por los menos algunos de ellos deben ser diferentes de cero
b) El estadístico LB= 45.585

c) Se lee en la tabla chi cuadrado un X2 (5%, 36 gl )= 50.9985

d) Como el LB(calculado)= 45.585 < LB de la tabla= 50.9985 => se acepta la H0 ,

lo que significa que los residuos del modelo ARCH estimado es una serie
estacionaria
4.4.2. Probando que los residuos del modelo ARCH estimado tiene distribución
normal

Ruta: Ruta: Proc=> make residuos=> ordinary => View=> Discriptive statistics
test=>Histograma Stats

24
Series: RESID08
20
Sample 2010M01 2021M12
Observations 143

16 Mean 0.001640
Median 0.000529
12 Maximum 0.037297
Minimum -0.032518
8
Std. Dev. 0.011507
Skewness 0.271074
Kurtosis 4.398501
4

Jarque-Bera 13.40463
0 Probability 0.001228
-0.03 -0.02 -0.01 0.00 0.01 0.02 0.03

Como el estadístico Jarque Bera = 13.4046 > X2 (5% , 2 grados de libertad)= 5.99 => los
residuos del modelo ARCH estimado no tiene distribución normal, sin embargo
sabemos que cuando se estima un modelo con una muestra mayor de 100
observaciones toda distribución que no sea normal tiende a tener una distribución
normal por lo cual la prueba T-student y F serán verdaderas y confiables en esta cas
5. Estimando el modelo GARCH

Dependent Variable: D(LOGTC)

Method: ML ARCH - Normal distribution (BFGS / Marquardt steps)
Date: 04/28/22 Time: 13:41
Sample (adjusted): 2010M02 2021M12
Included observations: 143 after adjustments
Convergence achieved after 21 iterations
Coefficient covariance computed using outer product of gradients
Presample variance: unconditional
GARCH = C(2) + C(3)*RESID(-1)^2 + C(4)*GARCH(-1)

Variable Coefficient Std. Error z-Statistic Prob.

C 0.000646 0.000786 0.822563 0.4108

Variance Equation

C 3.77E-05 1.19E-05 3.180426 0.0015

RESID(-1)^2 0.639917 0.183271 3.491636 0.0005
GARCH(-1) 0.181126 0.111731 1.621086 0.1050

R-squared -0.024090 Mean dependent var 0.002426

Adjusted R-squared -0.024090 S.D. dependent var 0.011507
S.E. of regression 0.011645 Akaike info criterion -6.234541
Sum squared resid 0.019257 Schwarz criterion -6.151664
Log likelihood 449.7697 Hannan-Quinn criter. -6.200864
Durbin-Watson stat 1.507044

6) . Eligiendo el modelo adecuado entre el modelo ARCH y GARCH

En este caso:
Como el coeficiente de GARCH no es significativo, porque el P-valor=0.1050 > 0.05
(5%de significación), por lo tanto, elegimos al modelo ARCH como el modelo
adecuado.

NOTA: En otros casos, cuando el ARCH como el GARCH tienes todos su

parámetros significativos, entonces se selecciona como el modelo
adecuado, aquel modelo que tenga los criterios de información Akaike,
Schwarz y Hannan-Quinn con valores mínimos
7. Efectuar la prueba de autocorrelacion y normalidad de los residuos del modelo
estimado GARCH.
Ejercicios de aplicación

1) Estimar el modelo ARCH(2)

2) Estimar el modelo GARCH( 2,2)
3) Determinar si son adecuados o no cada uno de ellos
Ejemplo dos, estimación del modelo ARCH y GARCH (DDC)
TC
2010M01 2.8573
2010M02 2.8548
2010M03 2.8403
2010M04 2.8407
2010M05 2.8461
2010M06 2.8387
2010M07 2.8234
2010M08 2.8025
2010M09 2.7911
2010M10 2.7921
2010M11 2.8061
2010M12 2.8164
2011M01 2.7878
2011M02 2.7712
2011M03 2.7799
2011M04 2.8163
2011M05 2.7756
2011M06 2.7647
2011M07 2.7419
2011M08 2.74
2011M09 2.7443
2011M10 2.7324
2011M11 2.7056
2011M12 2.6969
2012M01 2.6933
2012M02 2.6842
2012M03 2.6716
2012M04 2.6577
2012M05 2.67
2012M06 2.6712
2012M07 2.6358
2012M08 2.6165
2012M09 2.6033
2012M10 2.5881
2012M11 2.5992
2012M12 2.5676
2013M01 2.5524
2013M02 2.5785
2013M03 2.5945
2013M04 2.598
2013M05 2.6457
2013M06 2.7484
2013M07 2.7781
2013M08 2.8025
2013M09 2.7798
2013M10 2.7701
2013M11 2.7992
2013M12 2.7861
2014M01 2.8098
2014M02 2.8135
2014M03 2.8071
2014M04 2.7953
2014M05 2.7878
2014M06 2.7951
2014M07 2.787
2014M08 2.8154
2014M09 2.865
2014M10 2.9072
2014M11 2.9263
2014M12 2.9631
2015M01 3.007
2015M02 3.0802
2015M03 3.0931
2015M04 3.1215
2015M05 3.1517
2015M06 3.1624
2015M07 3.1829
2015M08 3.24
2015M09 3.2205
2015M10 3.2503
2015M11 3.3385
2015M12 3.3851
2016M01 3.4389
2016M02 3.5075
2016M03 3.4098
2016M04 3.3033
2016M05 3.3362
2016M06 3.3184
2016M07 3.3007
2016M08 3.3354
2016M09 3.3845
2016M10 3.3877
2016M11 3.4052
2016M12 3.398
2017M01 3.3419
2017M02 3.2619
2017M03 3.2655
2017M04 3.2488
2017M05 3.2745
2017M06 3.2695
2017M07 3.2505
2017M08 3.2428
2017M09 3.2476
2017M10 3.2525
2017M11 3.2423
2017M12 3.2483
2018M01 3.2166
2018M02 3.2496
2018M03 3.2533
2018M04 3.2317
2018M05 3.2749
2018M06 3.2722
2018M07 3.2785
2018M08 3.2896
2018M09 3.3129
2018M10 3.3354
2018M11 3.3768
2018M12 3.3663
2019M01 3.3454
2019M02 3.3231
2019M03 3.3062
2019M04 3.3056
2019M05 3.3342
2019M06 3.3275
2019M07 3.2921
2019M08 3.3793
2019M09 3.3591
2019M10 3.3615
2019M11 3.3737
2019M12 3.3574
2020M01 3.3289
2020M02 3.3918
2020M03 3.4938
2020M04 3.4002
2020M05 3.4236
2020M06 3.4719
2020M07 3.5192
2020M08 3.5659
2020M09 3.557
2020M10 3.5978
2020M11 3.6109
2020M12 3.6056
2021M01 3.6266
2021M02 3.6476
2021M03 3.7103
2021M04 3.7036
2021M05 3.7764
2021M06 3.9158
2021M07 3.9445
2021M08 4.09

1) Grafica la desviación estándar condicional

Ruta: de la salida de la estimación del modelo ARCH=> View=>

GARCH graw=>conditional estándar deviation
.032

.028

.024

.020

.016

.012

.008

.004
10 11 12 13 14 15 16 17 18 19 20 21

Conditional standard deviation

2) Grafica de la varianza condicional

.0010

.0008

.0006

.0004

.0002

.0000
10 11 12 13 14 15 16 17 18 19 20 21

Conditional variance

Efectuando las proyecciones de logtc para el periodo: 2024.12

Ruta para efectuar el pronóstico (Forecasting en inglés)
1) Object=>New object=>System=>Delete System
2) Proc=>Estructure/Resiece current page =>End date Poner la fecha
final de la
predccion
3) Quick =>Estimate equation => D(logtc) c (seguir el
proceso de estimación)
4) Forecasting
5) Show => logtc logtcf
 1.8
Forecast: LOGTCF
1.6 Actual: LOGTC
Forecast sample: 2010M01 2024M12
1.4
Adjusted sample: 2010M02 2024M12
1.2 Included observations: 179
Root Mean Squared Error 0.094204
1.0
Mean Absolute Error 0.080497
0.8 Mean Abs. Percent Error 6.963299
Theil Inequality Coefficient 0.041893
0.6
Bias Proportion 0.095272
2010 2012 2014 2016 2018 2020 2022 2024
Variance Proportion 0.821355
LOGTCF ± 2 S.E. Covariance Proportion 0.083373
Theil U2 Coefficient 7.893021
Symmetric MAPE 7.069155
.0001800

.0001750

.0001700

.0001650

.0001600

.0001550

.0001500
2010 2012 2014 2016 2018 2020 2022 2024

Forecast of Variance

LOGTC LOGTCF
2010M01 1.049877 NA
2010M02 1.049002 1.050664
2010M03 1.043910 1.051450
2010M04 1.044051 1.052237
2010M05 1.045950 1.053023
2010M06 1.043346 1.053810
2010M07 1.037942 1.054596
2010M08 1.030512 1.055383
2010M09 1.026436 1.056169
2010M10 1.026794 1.056956
2010M11 1.031796 1.057742
2010M12 1.035459 1.058529
2011M01 1.025253 1.059315
2011M02 1.019280 1.060102
2011M03 1.022415 1.060888
2011M04 1.035424 1.061675
2011M05 1.020867 1.062461
2011M06 1.016932 1.063248
2011M07 1.008651 1.064034
2011M08 1.007958 1.064821
2011M09 1.009526 1.065607
2011M10 1.005180 1.066394
2011M11 0.995324 1.067180
2011M12 0.992103 1.067967
2012M01 0.990767 1.068753
2012M02 0.987383 1.069540
2012M03 0.982678 1.070326
2012M04 0.977461 1.071113
2012M05 0.982078 1.071899
2012M06 0.982528 1.072686
2012M07 0.969187 1.073472
2012M08 0.961838 1.074259
2012M09 0.956780 1.075045
2012M10 0.950924 1.075832
2012M11 0.955204 1.076618
2012M12 0.942972 1.077405
2013M01 0.937034 1.078191
2013M02 0.947208 1.078978
2013M03 0.953394 1.079764
2013M04 0.954742 1.080551
2013M05 0.972936 1.081337
2013M06 1.011019 1.082124
2013M07 1.021767 1.082910
2013M08 1.030512 1.083697
2013M09 1.022379 1.084483
2013M10 1.018883 1.085270
2013M11 1.029334 1.086056
2013M12 1.024643 1.086843
2014M01 1.033113 1.087629
2014M02 1.034429 1.088416
2014M03 1.032152 1.089202
2014M04 1.027939 1.089989
2014M05 1.025253 1.090775
2014M06 1.027868 1.091562
2014M07 1.024966 1.092348
2014M08 1.035104 1.093135
2014M09 1.052568 1.093921
2014M10 1.067190 1.094708
2014M11 1.073739 1.095494
2014M12 1.086236 1.096281
2015M01 1.100943 1.097067
2015M02 1.124995 1.097854
2015M03 1.129174 1.098640
2015M04 1.138314 1.099427
2015M05 1.147942 1.100213
2015M06 1.151331 1.101000
2015M07 1.157793 1.101786
2015M08 1.175573 1.102573
2015M09 1.169537 1.103359
2015M10 1.178747 1.104146
2015M11 1.205522 1.104932
2015M12 1.219383 1.105719
2016M01 1.235152 1.106505
2016M02 1.254904 1.107292
2016M03 1.226654 1.108078
2016M04 1.194922 1.108865
2016M05 1.204832 1.109651
2016M06 1.199483 1.110438
2016M07 1.194135 1.111224
2016M08 1.204593 1.112011
2016M09 1.219206 1.112797
2016M10 1.220151 1.113584
2016M11 1.225304 1.114370
2016M12 1.223187 1.115157
2017M01 1.206540 1.115943
2017M02 1.182310 1.116730
2017M03 1.183413 1.117516
2017M04 1.178286 1.118303
2017M05 1.186165 1.119089
2017M06 1.184637 1.119876
2017M07 1.178809 1.120662
2017M08 1.176437 1.121449
2017M09 1.177916 1.122235
2017M10 1.179424 1.123022
2017M11 1.176283 1.123808
2017M12 1.178132 1.124595
2018M01 1.168325 1.125381
2018M02 1.178532 1.126168
2018M03 1.179670 1.126954
2018M04 1.173008 1.127741
2018M05 1.186287 1.128527
2018M06 1.185463 1.129314
2018M07 1.187386 1.130100
2018M08 1.190766 1.130887
2018M09 1.197824 1.131673
2018M10 1.204593 1.132460
2018M11 1.216929 1.133246
2018M12 1.213814 1.134033
2019M01 1.207586 1.134819
2019M02 1.200898 1.135606
2019M03 1.195799 1.136392
2019M04 1.195618 1.137179
2019M05 1.204233 1.137965
2019M06 1.202221 1.138752
2019M07 1.191526 1.139538
2019M08 1.217669 1.140325
2019M09 1.211673 1.141111
2019M10 1.212387 1.141898
2019M11 1.216010 1.142684
2019M12 1.211167 1.143471
2020M01 1.202642 1.144257
2020M02 1.221361 1.145044
2020M03 1.250990 1.145830
2020M04 1.223834 1.146617
2020M05 1.230693 1.147403
2020M06 1.244702 1.148190
2020M07 1.258234 1.148976
2020M08 1.271416 1.149763
2020M09 1.268917 1.150549
2020M10 1.280323 1.151336
2020M11 1.283957 1.152122
2020M12 1.282488 1.152909
2021M01 1.288296 1.153695
2021M02 1.294069 1.154482
2021M03 1.311113 1.155268
2021M04 1.309305 1.156055
2021M05 1.328771 1.156841
2021M06 1.365020 1.157628
2021M07 1.372322 1.158414
2021M08 1.408545 1.159201
2021M09 1.413569 1.159987
2021M10 1.390958 1.160774
2021M11 1.392102 1.161560
2021M12 1.396814 1.162347
2022M01 NA 1.163133
2022M02 NA 1.163920
2022M03 NA 1.164706
2022M04 NA 1.165493
2022M05 NA 1.166279
2022M06 NA 1.167066
2022M07 NA 1.167852
2022M08 NA 1.168639
 2022M09 NA 1.169425
2022M10 NA 1.170212
2022M11 NA 1.170998
2022M12 NA 1.171785
2023M01 NA 1.172571
2023M02 NA 1.173358
2023M03 NA 1.174144
2023M04 NA 1.174931
2023M05 NA 1.175717
2023M06 NA 1.176504
2023M07 NA 1.177290
2023M08 NA 1.178077
2023M09 NA 1.178863
2023M10 NA 1.179650
2023M11 NA 1.180436
2023M12 NA 1.181223
2024M01 NA 1.182009
2024M02 NA 1.182796
2024M03 NA 1.183582
2024M04 NA 1.184369
2024M05 NA 1.185155
2024M06 NA 1.185942
2024M07 NA 1.186728
2024M08 NA 1.187515
2024M09 NA 1.188301
2024M10 NA 1.189088
2024M11 NA 1.189874
2024M12 NA 1.190661

Hallando por ejemplo del TC para 2023.04

Log tc = 1.174931 => tc= e1.174931 = 3.2379=> tc=3.2379
Este valor está lejos del valor que tiene el tipo de
cambio en aabril del 2023, y esto sucede porque los
años 2020 y 2021 por efecto del COVID se produjo una
crisis económica (alta inflación, baja en el crecimiento
de los países altamente desarrollados y otros a nivel
mundial) por lo tanto, para tener una predicción más
ajustada a la realidad tendremos efectuar la proyección
del TC con la muestra del periodo:2018.09 a 2021.12
 PRUEBA DE ESTABILIDAD EN LOS MODELOS (22A)
PRUEBA DE ESTABILIDAD MEDIANTE EL MÉTODO DE CHOW

1) Información:
2) Ahorros e ingreso disponible (en miles de millones de USD) :1970-1995
Año Ahorros(Yt) Ingreso disponible(Xt)
1970 61.0 727.1
1971 68.6 790.2
1972 63.6 855.3
1973 89.6 965.0
1974 97.6 1054.2
Punto 1975 104.4 1159.2
de 1976 96.4 1273.0
1977 92.5 1401.4
quiebre
1978 112.6 1580.1
1979 130.1 1769.5
1980 161.8 1973.3
1981 199.1 2200.2
1982 206.5 2347.3
1983 167.0 2522.4
1984 235.7 2810.0
1985 206.2 3002.0
1986 196.5 3187.6
1987 168.4 3363.1
1988 189.1 3640.8
1989 187.8 3894.5
1990 208.7 4166.8
1991 246.4 4343.7
1992 272.6 4613.7
1993 214.4 4790.2
1994 189.4 5021.7
1995 249.3 5320.8

I) Prueba de estabilidad de chow con dos periodos

▪ En el año 1982 USA experimento una de sus peores crisis

▪ Por eso suponemos que a partir de dicho año puede que haya
ocurrido un cambio estructural en la relación del ahorro con el
ingresos disponible
1) Planteamos ecuación restringa del modelo:
Yt= B0 + B1 Xt + ut
 2) Estimando la ecuación restringida del modelo para N= (1970-1995) y
estimando la suma de cuadrados de los residuos restringido

Dependent Variable: Y
Method: Least Squares
Date: 04/13/22 Time: 11:17
Sample: 1970 1995
Included observations: 26

Variable Coefficient Std. Error t-Statistic Prob.

C 62.47573 12.79096 4.884364 0.0001

X 0.037674 0.004247 8.871467 0.0000

R-squared 0.766316 Mean dependent var 162.1269

Adjusted R-squared 0.756579 S.D. dependent var 63.23223
S.E. of regression 31.19731 Akaike info criterion 9.792344
Sum squared resid 23358.52 Schwarz criterion 9.889121
Log likelihood -125.3005 Hannan-Quinn criter. 9.820212
F-statistic 78.70293 Durbin-Watson stat 0.859689
Prob(F-statistic) 0.000000

Yt= 62.47573 + 0.037674 Xt

SCRR= 23358.52

3) Planteando las dos ecuaciones no restringidas

Para N1=(1970-1981): Yt = a0 + a1 Xt+u1t
Para N2=(1982-1995): Yt = b0 + b1 Xt+u2t
3) Estimando las dos ecuaciones no restringidas y sus respectivas
suma de cuadrados de los residuos no restringidos
 i) Estimando la primera ecuación no restringida:
N1=(1970-1981): Yt = a0 + a1 Xt+u1t
Dependent Variable: Y
Method: Least Squares
Date: 04/13/22 Time: 11:29
Sample: 1970 1981
Included observations: 12

Variable Coefficient Std. Error t-Statistic Prob.

C 1.016117 11.63771 0.087313 0.9321

X 0.080332 0.008367 9.601576 0.0000

R-squared 0.902143 Mean dependent var 106.4417

Adjusted R-squared 0.892358 S.D. dependent var 40.72222
S.E. of regression 13.36051 Akaike info criterion 8.173495
Sum squared resid 1785.032 Schwarz criterion 8.254313
Log likelihood -47.04097 Hannan-Quinn criter. 8.143574
F-statistic 92.19026 Durbin-Watson stat 0.864230
Prob(F-statistic) 0.000002

Yt = 1.016117 + 0.080332 Xt
SCR1= 1785.032

ii) Estimando la segunda ecuación no

restringida:
N1=(1982-1995): Yt = b0 + b1 Xt+u1t
Dependent Variable: Y
Method: Least Squares
Date: 04/13/22 Time: 11:35
Sample: 1982 1995
Included observations: 14

Variable Coefficient Std. Error t-Statistic Prob.

C 154.0270 32.76942 4.700326 0.0005

X 0.014741 0.008408 1.753213 0.1050

R-squared 0.203914 Mean dependent var 209.8571

Adjusted R-squared 0.137574 S.D. dependent var 31.14726
S.E. of regression 28.92550 Akaike info criterion 9.698887
Sum squared resid 10040.21 Schwarz criterion 9.790181
Log likelihood -65.89221 Hannan-Quinn criter. 9.690437
F-statistic 3.073755 Durbin-Watson stat 1.789052
Prob(F-statistic) 0.105048
N1=(1982-1995): Yt = 154.0270 + 0.014741 Xt

SCR2= 10040.21
4) Determinado:
La SCRNR= SCR1+SCR2=1785.032+10040.21= 11,825.242

5) Planteamiento de la hipótesis:

HO: a0= b0
a1=b1
H1: a0≠b0
a1≠ b1

6) Calculando el Fchow

(𝑺𝑪𝑹𝑹−𝑺𝑪𝑹𝑵𝑹) (𝟐𝟑𝟑𝟓𝟖.𝟓𝟐−𝟏𝟏,𝟖𝟐𝟓.𝟐𝟒𝟐 )
𝑲 𝟐
Fchow= 𝑺𝑪𝑹𝑵𝑹 = 𝟏𝟏,𝟖𝟐𝟓.𝟐𝟒𝟐 = 10.728
(𝑵−𝟐𝒌) (𝟐𝟔−𝟒)
7) En la tabla tenemos para 5% de significación F(2,22)= 3.44

8) Como Fchow= 10.728 > F(2,22)= 3.44 => rechazamos la Ho y

aceptamos la H1 lo que significa que los parámetros del modelo no
son estables a largo del periodo de la muestra, es decir el modelo
estimado no es estable
 Otro ejemplo
PBI CPR CPU FBK EX IM
1980 167596 104622 24185 33910 30971 26092
1981 176901 112440 23736 41432 30173 30880
1982 176507 109726 25954 38621 33166 30960
1983 158136 103589 23837 24980 29360 23630
1984 163842 106445 22270 23483 31541 19897
1985 167219 108307 23252 20049 32835 17224
1986 182981 124563 25101 26022 28455 21160
1987 200778 138641 26538 31871 27437 23709
1988 181822 127082 22354 28057 25607 21278
1989 159436 106319 18091 22100 30425 17499
1990 151492 105735 16249 22232 26872 19596
1991 154854 109665 16568 23167 28424 22970
1992 154017 108852 17037 23461 29666 24999
1993 162093 113680 17563 26210 30588 25948
1994 182044 124433 19086 34865 36520 32860
1995 195536 136275 20708 41789 38529 41765
1996 201009 139501 21619 39738 41958 41807
1997 214028 144555 23262 45665 47454 46908
1998 213190 141698 23844 44724 50511 47587
1999 216377 139666 24679 38706 54019 40693
2000 222207 143191 25444 37579 58232 42239
2001 223580 144629 25240 34983 62192 43464
2002 235773 151674 25240 36367 67056 44564
2003 245593 155487 26224 38212 71301 45631
2004 257770 160769 27299 38288 81793 50379
2005 273971 166654 29783 40672 93376 56514
2006 294598 177006 32046 54757 94480 63691
2007 319693 192316 33424 70436 100774 77257
2008 348870 209428 35043 92339 108616 96556
2009 352693 215863 39272 73683 105040 81165
2010 382081 235508 40804 100073 108435 102739
2011 406256 252468 43817 112291 114387 116707
2012 431199 271240 47442 122952 117940 128375
2013 456435 286789 51019 133408 117274 132055
2014 467308 298901 54342 131998 112814 130747
2015 482506 310912 58712 127278 117622 132018
2016P/ 501581 322549 61749 119929 131443 134089
2017P/ 514215 331078 63759 119967 143019 143608
2018E/ 534625 343752 65492 126200 147833 148652
2019E/ 546408 354908 67850 127800 147038 151188
A partir del año 2007 el precio de los metales se incrementó en el
mercado internacional, por lo tanto el PBI del país podría haberse
incrementado y como consecuencia el gasto público ´podría haberse
incrementado también.

1) Probar mediante la prueba de CHOW si la relación entre el gasto

público (CPU) y el PBI haya cambiado entre el periodo 2000-2006
y el periodo 2007-2019, siendo punto de quiebre el año 2007, en
base a la información dada

2) Probar mediante la prueba de CHOW si la relación entre el CPR

Y el PBI haya cambiado entre el periodo 1990-2000 y el periodo
2001-20019 siendo punto de quiebre el año 2001, en base a la
información dada
II) Prueba de chow de estabilidad en el que la segunda
submuestra es N2≤K

1) Información:
Año yt Xt
1991 546 345
 1992 574 344
1993 590 396
1994 650 417
1995 664 428
1996 663 445
1997 710 473
1998 767 522
1999 815 533
2000 841 542
2001 835 542
2002 843 585
2003 870 609
2004 935 672
2005 996 701
2006 1014 730
2007 1062 769
2008 1100 797
2009 1151 872

1991

2009
N= 1991-2009= 19; N= N1+ N2= 19=> N1= 17 y N2 =2
Ecuación no restringida: Yt = a0+ a1Xt+ u1t, se estima con N1=17
Ecuacion restringida: Yt = B0+ B1Xt+ u1t, se estima con N= 19
2)Estimando el modelo no restringido:
Para N1= (1991-2007): Yt = a0+ a1Xt+ u1t

Dependent Variable: Y
Method: Least Squares
Date: 04/13/22 Time: 12:37
Sample: 1991 2007
Included observations: 17

Variable Coefficient Std. Error t-Statistic Prob.

C 146.2073 21.87163 6.684792 0.0000

X 1.202858 0.039942 30.11520 0.0000

R-squared 0.983730 Mean dependent var 786.7647

Adjusted R-squared 0.982645 S.D. dependent var 159.4187
S.E. of regression 21.00155 Akaike info criterion 9.037201
Sum squared resid 6615.977 Schwarz criterion 9.135226
Log likelihood -74.81620 Hannan-Quinn criter. 9.046944
F-statistic 906.9253 Durbin-Watson stat 1.412202
Prob(F-statistic) 0.000000

La suma de cuadrados de los residuos no restringido de la primera

ecuación no restringido es:

SCR1= 6615.97

3) Estimando la ecuación restringida

Para N: (1991-2009): Yt = B0+ B1Xt+ u1t

Dependent Variable: Y
Method: Least Squares
Date: 04/13/22 Time: 17:43
Sample: 1991 2009
Included observations: 19

Variable Coefficient Std. Error t-Statistic Prob.

C 162.3848 19.02855 8.533743 0.0000

X 1.169622 0.032551 35.93249 0.0000

R-squared 0.987004 Mean dependent var 822.4211

Adjusted R-squared 0.986240 S.D. dependent var 184.5801
S.E. of regression 21.65177 Akaike info criterion 9.087352
Sum squared resid 7969.582 Schwarz criterion 9.186766
Log likelihood -84.32984 Hannan-Quinn criter. 9.104177
F-statistic 1291.144 Durbin-Watson stat 1.317495
Prob(F-statistic) 0.000000

SCRR = 7969.582
4) Estimando el Fchow
 (𝑺𝑪𝑹𝑹−𝑺𝑪𝑹𝟏) (𝟕𝟗𝟔𝟗.𝟓𝟖𝟐−𝟔𝟔𝟏𝟓.𝟗𝟗𝟕)
𝑵𝟐 𝟐
Fchow= Fchow= 𝑺𝑪𝑹𝟏 = 𝟔𝟔𝟏𝟓.𝟗𝟗𝟕 = 1.5344
(𝑵𝟏−𝒌) (𝟏𝟕−𝟐)

Siendo el F crítico: F(2,15) = 3.68

5) Planteamiento de las hipótesis
H0 : Las ultimas observaciones( N2 ) provienen del modelo que
genero la regresión del ( periodo I) en base a N1
H1 : Las ultimas observaciones ( N2 ) no provienen del modelo que
genero la regresión del (periodo I) en base a N1

6) Como el Fchow= 1.5344 < F( 2,13)= 3.68 => se acepta la H0, lo que
implica que Las ultimas observaciones ( N2 ) si provienen del modelo que
genero la regresión del (periodo I) en base a N1
Otro ejemplo de aplicación
III)Prueba de Chow para más de dos periodos
1) Planteando la ecuación restringida:
Yt = B0 + B1 Xt + ut
a) En el año 1982 USA experimento una de sus peores crisis por lo cual se
supone que a partir de esa fecha el nivel de ahorros en relación al ingreso
disponible haya variado
b) De otro lado, El gobierno de Clinton se inicia en el año1992, por tanto
se supone que a partir de dicho año haya variado el nivel de ahorro en
relación al ingreso disponible por ende dividimos tres periodos, en este
tendríamos dos puntos de quiebre: 1982 y 1992, por lo tanto tendremos
N=N1 +N2 +N3
2) Siendo las ecuaciones no restringidas los siguientes:
N1: (1970-1981): Yt= a0+a1Xt+u1t
N2: (1982-1991): Yt= b0+b1Xt+u2t
N3: (1992-1995): Yt= c0+c1Xt+u3t

Siendo la ecuación restringida el siguiente:

Para N: 1970-1995): Yt= B0+B1Xt+ut
 3) Estimando las ecuaciones no restringidas y sus respetivas suma de
residuos al cuadrado

i) Estimación de la primera ecuación no restringida

Dependent Variable: Y
Method: Least Squares
Date: 04/13/22 Time: 11:29
Sample: 1970 1981
Included observations: 12

Variable Coefficient Std. Error t-Statistic Prob.

C 1.016117 11.63771 0.087313 0.9321

X 0.080332 0.008367 9.601576 0.0000

R-squared 0.902143 Mean dependent var 106.4417

Adjusted R-squared 0.892358 S.D. dependent var 40.72222
S.E. of regression 13.36051 Akaike info criterion 8.173495
Sum squared resid 1785.032 Schwarz criterion 8.254313
Log likelihood -47.04097 Hannan-Quinn criter. 8.143574
F-statistic 92.19026 Durbin-Watson stat 0.864230
Prob(F-statistic) 0.000002

SCR1= 1785.032

ii) Estimación de la segunda ecuación no restringida

N2: (1982-1991): Yt= b0+b1Xt+u2t

Dependent Variable: Y
Method: Least Squares
Date: 04/13/22 Time: 13:13
Sample: 1982 1991
Included observations: 10

Variable Coefficient Std. Error t-Statistic Prob.

C 166.6855 43.52733 3.829445 0.0050

X 0.010381 0.012841 0.808397 0.4422

R-squared 0.075519 Mean dependent var 201.2300

Adjusted R-squared -0.040041 S.D. dependent var 25.68216
S.E. of regression 26.19128 Akaike info criterion 9.545587
Sum squared resid 5487.867 Schwarz criterion 9.606104
Log likelihood -45.72793 Hannan-Quinn criter. 9.479200
F-statistic 0.653506 Durbin-Watson stat 1.821042
Prob(F-statistic) 0.442236

SCR2= 5487.867

ii) Estimación de la Tercera ecuación no restringida

N3: (1992-1995): Yt= c0+c1Xt+u2t

Dependent Variable: Y
Method: Least Squares
Date: 04/13/22 Time: 13:16
Sample: 1992 1995
Included observations: 4

Variable Coefficient Std. Error t-Statistic Prob.

C 363.6025 410.5561 0.885634 0.4692

X -0.026775 0.083046 -0.322410 0.7777

R-squared 0.049406 Mean dependent var 231.4250

Adjusted R-squared -0.425890 S.D. dependent var 36.83679
S.E. of regression 43.98705 Akaike info criterion 10.71252
Sum squared resid 3869.722 Schwarz criterion 10.40567
Log likelihood -19.42504 Hannan-Quinn criter. 10.03915
F-statistic 0.103948 Durbin-Watson stat 2.021991
Prob(F-statistic) 0.777725

SCR3= 3869.722

iv) =>SCRNR= SCR1+ SCR2+ SCR3=1785.032+ 5487.867+3869.722

SCRNR=11,142.62

v) Estimación de la ecuación restringida

Dependent Variable: Y
Method: Least Squares
Date: 09/01/22 Time: 20:18
Sample: 1970 1995
Included observations: 26

Variable Coefficient Std. Error t-Statistic Prob.

C 62.47573 12.79096 4.884364 0.0001

X 0.037674 0.004247 8.871467 0.0000
R-squared 0.766316 Mean dependent var 162.1269
Adjusted R-squared 0.756579 S.D. dependent var 63.23223
S.E. of regression 31.19731 Akaike info criterion 9.792344
Sum squared resid 23358.52 Schwarz criterion 9.889121
Log likelihood -125.3005 Hannan-Quinn criter. 9.820212
F-statistic 78.70293 Durbin-Watson stat 0.859689
Prob(F-statistic) 0.000000

SCRR= 23358.52

vi)Cálculo del Fchow:

(𝑺𝑪𝑹𝑹−𝑺𝑪𝑹𝑵𝑹) (𝟐𝟑𝟑𝟓𝟖.𝟓𝟐−𝟏𝟏,𝟏𝟒𝟐.𝟔𝟐 )
(𝑺−𝟏)𝒌 (𝟑−𝟏)𝟐
Fchow = 𝑺𝑪𝑹𝑵𝑹 : 𝟏𝟏,𝟏𝟒𝟐.𝟔𝟐 = 5.4816
(𝑵−𝑺𝑲) (𝟐𝟔−𝟑(𝟐))

vii) Planteamiento de la hipótesis:

H0 : a0 = b0 = c0
a1 = b1 = c1
H1 : a0 ≠ b0 ≠ c0
 a1 ≠ b1 ≠ c1

Como Fchow= 5.4816 > F(4,20)= 2.87 => rechazamos

la H0 y aceptamos la H1,lo que significa que en los
tres periodos considerados no hubo estabilidad en
los parámetros del modelo estimado