ECONOMETRÍA: DATO

UNIVERSIDAD NACIONAL DE SAN AGUSTIN
FACULTAD DE ECONOMA
ESCUELA PROFESIONAL DE ECONOMA
ECONOMETRA
ANALISIS DE REGRESIN
CON SERIES DE TIEMPO
UNSA Facultad de Economa
Econ. Orlando Torres Montes /otorresmontes@gmail.com
ECONOMETRIA
Slabo y Evaluaciones
SLABO 2011 - II
FACULTAD: ECONOMA
ASIGNATURA: ECONOMETRA 2
AO DE
ESTUDIOS
TERCERO
ESCUELA: ECONOMA
DEPARTAMENTO: ECONOMA
CDIGO: 0703126
SEMESTRE (S):
TERCERO
PRE REQUISITO
0702222 CRDITOS
TEORA /
TERICAS: 3
HORAS
PRCTICA:
PRCTICAS: 2
H O R A R I O
MARTES
MIRCOLES
4.0
TOTAL
SEMINARIO: 0 SEMANAL:
SECCIN
LUNES
07:00 08:30
07:00 08:30
07:00 09:00
14:00 15:30
14:00 15:30
14:00 16:00
DOCENTE:
HORARIO DE ATENCIN
ECON. ORLANDO TORRES MONTES

LUN, MIR Y VIE 08:30 10:00
E-MAIL
OFICINA
JUEVES
VIERNES
otorresmontes@gmail.com
SALA DE PROFESORES
OBJETIVOS
Entender el rol de los mtodos de la econometra dentro de las relaciones y fuerzas econmicas, de produccin,
distribucin y consumo. Asimismo comprender las reglas bsicas de su lenguaje como diferenciar los procesos
de la estructura de los datos econmicos, as como desarrollar la concepcin de la inferencia estadstica en la
toma de decisiones.
Aprender por qu los cambios en prediccin que pueden darse, con respecto al tiempo, constituyen una parte
importante de la toma de decisiones. Entender los cuatro componentes de una serie temporal o histrica.
Realizar prcticas relevantes que permitan demostrar la importancia de los ndices de temporada y usarlos
para destemporalizar una serie histrica de datos econmicos.
ECONOMETRIA
CONTENIDO TEMATICO
-Unidad 1:
-Unidad 2:
-Unidad 3:
-Unidad 4:
-Unidad 5:
-Unidad 6:
-Unidad 7:
Modelos de Series de Tiempo Univariantes (ARIMA)

Modelos de Rezagos Autoregresivos y las Series de tiempo
Modelos de Variables Instrumentales y MC en dos Etapas
Modelos de Ecuaciones Simultneas Estructurales
Modelos de Vectores Autoregresivos
Modelos de Datos Panel
Modelos de Variables Dependientes Limitadas
EXAMENES
PRIMER EXAMEN
SEGUNDO EXAMEN
TERCER EXAMEN
1 Evaluacin terica prctica (examen) (Unidades didcticas 1 3)

Para el promedio final de la asignatura las evaluaciones tendrn la siguiente ponderacin:
Las evaluaciones tericas- prcticas (exmenes) 100%
Trabajos desarrollados en clase y en casa o en el laboratorio de cmputo 100%
Todas las evaluaciones tienen carcter obligatorio, si el estudiante no rindiera una o la totalidad de las evaluaciones
incurrir en abandono.
Las evaluaciones tericas prcticas, trabajos desarrollados en clase y en casa o centro de cmputo, se calificarn
de acuerdo a la escala vigesimal, considerando nota aprobatoria la que va de 11 a 20 puntos y desaprobatoria la
que va de 0 a 10 puntos (Art. 245 del Estatuto de la UNSA)
ECONOMETRIA
1
BIBLIOGRAFA BSICA
GUJARATI, Damodar (GU) Econometra Quinta edicin 2010; Editorial McGraw-Hill Interamericana, Mxico
WOOLDRIDGE JEFFREY M. (WO) Introduccin a la Econometra. Un enfoque Moderno 4ta. Edicin 2010
JOHNSTON J. DINARDO J. (JO) Mtodos de Econometra Primera edicin 2001, Editorial Vicens Vives, Espaa
BIBLIOGRAFA COMPLEMENTARIA
PINDYCK ROBERT S. DANIEL L. RUBINFELD Econometra Modelos y pronsticos 4ta. Edicin 2001
GREENE, WILLIAM H. Anlisis Economtrico 5ta. Edicin 2006, Editorial Prentice Hall, Espaa
PULIDO SAN ROMAN y PEREZ GARCIA JULIAN: Modelos Economtricos, Editorial Pirmide 2001, Espaa
ACOSTA GONZLEZ EDUARDO - El Modelo de Regresin Mltiple Edicin DELTA 2007
CASTRO J. FRANCISCO RODDY RIVAS LLOSA Econometra Aplicada junio 2003
BERNARDI CABRER B A.SANCHO P GUADALUPE SERRANO D Micro econometra y Decisin
CSAR PREZ LPEZ Econometra de las Series Temporales Edicin 2006 2007
URSICINO CARRASCAL YOLANDA GONZALES Anlisis Economtrico con EVIEWS Edicin 2001
Direcciones en INTERNET de inters economtrico

http://gemini.econ.yale.edu/es/
http:/pantheon.yale.edu/~ys64/econometrician.html
http://papers.nber.org
http://price.bus.okstate.edu/econdept.html
http://econometrics.net/Articles.html
http://scout.cs.wise.edu/repor/bus-econ/metapage/
http://www.bess.tcd.ie/economic.html
http:www.kof.ethz.ch/pubsub.htm
MICROELECTRONICA
SOFTWARE
GUARISMO
DATO
GUIN
COMPUTACION
NOTACIN
REFERENCIA
INTERNET
CUANTA
ANTECEDENTE
SMBOLO
SIGNO
TELECOMUNICACIONES
DIGITALES
DGITO
MAGNITUD
NMERO
CIFRA
REPRESENTACIN
CANTIDAD
ECONOMETRIA: DATO
DATO
CLASIFICACIN DE LOS DATOS
Arrojan respuesta categricas.

Miden cualidades
Se les puede asignar despus un valor
numrico (codificarlas)
Cualitativo
Datos nominales
Datos ordinales
Producen respuestas numricas.

Miden cantidades
Podemos tratar un dato cuantitativo
como cualitativo (categorizando)
Cuantitativo
Datos discretos
Datos continuos
ECONOMETRIA VARIABLE ECONMICA

Variable o magnitud: Inestable, inconstante y mudable; cuyos valores estn determinados por las leyes de probabilidad
Una variable es un smbolo que representa un elemento o cosa no especificada de un
conjunto dado.
La variable econmica, permiten establecer relaciones entre conceptos a travs de
las cuales es posible explicar los fenmenos que se estudian.
Son variables econmicas bsicas la oferta, la demanda, el precio, el ingreso de un
pas, y muchas otras.
Hay variables no econmicas que, sin embargo afectan directamente los fenmenos
econmicos:
Entre ellas podra mencionarse la tasa de natalidad, la existencia o no de una
ley que fije el salario mnimo, etc.
Clases o Tipos:
Cuantitativas o Numricas
Discretas y Continuas
Cualitativas o Categricas - Niveles de Medicin
Nominales y Ordinales

CLASES O TIPOS DE VARIABLES
Cualitativas o Categricas
Si sus valores (modalidades) no se pueden asociar naturalmente a un nmero
(no se pueden hacer operaciones algebraicas con ellos)
Nominales: Si sus valores no se pueden ordenar
Sexo, Grupo Sanguneo, Religin, Nacionalidad, Fumar ; Respuesta (S/No)
Ordinales: Si sus valores se pueden ordenar

Mejora a un tratamiento, Grado de satisfaccin, Intensidad del dolor
Cuantitativas o Numricas
Si sus valores son numricos (tiene sentido hacer operaciones algebraicas
con ellos)
Discretas: Si toma valores enteros
Nmero de hijos, Nmero de cigarrillos, Nmero de cumpleaos
Continuas: Si entre dos valores, son posibles infinitos valores intermedios.

Altura, Peso, Tiempo, Distancia, Presin intraocular, Dosis de medicamento administrado, edad

CATEGRICAS O NUMRICAS
Estas variables producen respuestas que pertenecen a grupos o categoras.
Por ejemplo:
Las respuestas a preguntas S / No son categricas
Tiene Usted automvil? Ha estado alguna vez en Tacna?
Sexo, Estado Civil, Carrera Universitaria, etc.
Se limitan a un S o a un No
PERMITIN ELEGIR ENTRE VARIAS OPCIONES
Que pueden ir desde totalmente en desacuerdo hasta totalmente de acuerdo
Ejemplo:
Una evaluacin del profesor en la que los estudiantes tienen que responder
a afirmaciones como El Profesor del curso de econometra es un buen
profesor
Evaluacin:
1: Totalmente en desacuerdo
2: Un poco en desacuerdo
3: Ni de acuerdo ni en desacuerdo
4: Un poco de acuerdo
5: Totalmente de acuerdo
VARIABLES NUMRICAS DISCRETAS

VARIABLES NUMRICAS CONTINUAS
CATEGORICAS O NUMRICAS
VARIABLES NUMRICAS DISCRETAS
Puede tener (no necesariamente) un nmero finito de valores
Sin embargo, el tipo ms frecuente de variable numrica discreta con el
que nos encontramos produce una respuesta que proviene de un proceso
de enumeracin o de recuento.
Ejemplo:
Nmeros de estudiantes matriculados en el XX curso de titulacin
Nmero de crditos universitarios para termino de la carrera
Nmero empleados en la fabrica de Gloria S.A
Nmero de acciones en la Empresa Avianca S. A.
Nmero de damnificados por el terremoto del 2001
Puede tomar cualquier valor de un intervalo dado de nmeros reales y
normalmente proviene de un proceso de medicin (no de recuento).
Ejemplo:
La altura, el peso, el tiempo, la distancia y la temperatura

Ejemplo:
La altura, el peso, el tiempo, la distancia y la temperatura
Una persona puede decir que mide 1.89 metros, pero en realidad
puede tener una estatura de 1.89 1.79 o algn otro nmero
similar, dependiendo de la precisin del instrumento utilizado
para medir la estatura.
El peso de las cajas de cereales,
El tiempo que se hace una persona en una carrera y la distancia
entre dos ciudades.
En las conversaciones diarias tendemos a truncar las variables y a tratarlas
como si fueran variables discretas sin pensarlo ni siquiera dos veces.
Sin embargo, la diferencia es muy importante en la econometra, ya que es
uno de los factores de los que depende que un mtodo estadstico sea mejor
que otro en un determinado caso.

NIVELES DE MEDICIN
VARIABLES CUALITITIVAS
Tienen respuestas y designaciones categricas
La diferencia entre los nmeros no tiene ningn significado
mensurable.
Ejemplo:
Si a un jugador de ftbol se le asigna el nmero 10 y a otro el
5, no podemos extraer la conclusin de que el primero es el doble
de bueno que el segundo.
Sin embargo, con datos cuantitativos la diferencia entre los nmeros
tiene un significado mensurable.
Ejemplo:
Cuando un estudiante obtiene una puntuacin de 18 en un examen
y otro obtiene una puntuacin de 08, la diferencia es mensurable y
tiene un significado.

NIVELES DE MEDICIN
VARIABLES CUALITITIVAS
Pueden ser niveles de medicin nominales y ordinales, basados en
intervalos y en razones (matemticas), obtenindose con preguntas
categricas.
Las respuestas a preguntas sobre:
Sexo, el pas de origen, la afiliacin poltica, la propiedad de la
casa, la preferencia musical, lo agradable de determinada aroma
son nominales.
Se considera que los DATOS NOMINALES son el tipo de datos ms
bajo o ms dbil, ya que la identificacin numrica se elige estrictamente
por comodidad.
Los valores de las variables nominales son palabras que describen las
categoras o clases de respuesta.
Los valores de la variable sexo son hombre y mujer; los valores de
Ha estado alguna vez en Tacna? son Si y No
Asignamos arbitrariamente un cdigo o un nmero a cada respuesta.

NIVELES DE MEDICIN - VARIABLES CUALITITIVAS
Sin embargo, este nmero no se emplea ms que para clasificar.
Ejemplo:
Podramos codificar las respuestas sobre sexo o las respuestas
s/no de la forma siguiente:
1 = Hombre Varn
1 = S
S = 1
2 = Mujer Dama
2 = No
No = 0
Los DATOS ORDINALES indican el orden que ocupan los objetos y,
al igual que en el caso de los nominales, los valores son palabras que
describen las respuestas y la designacin de los cdigos posibles:
Ejemplos:
i.
Valoracin de la calidad del producto (1: malo, 2: Medio; 3: Bueno)
ii. Valoracin de la satisfaccin con el servicio de comedor de la
universidad (1: Muy insatisfecho; 2: Moderadamente satisfecho; 3: ninguna
opinin; 4: Moderadamente satisfecho; 5: Muy satisfecho).
iii. Preferencia de los consumidores entre tres tipos de bebidas

refrescantes (1: el que ms se prefiere; 2: segunda opcin; 3: tercera opcin).

NIVELES DE MEDICIN - VARIABLES CUALITITIVAS
En estos ejemplos, las respuestas son ordinales, es decir, siguen un
orden, pero la diferencia entre ellas no tiene ningn significado
mensurable.
Es decir, la diferencia entre la primera opcin y la segunda puede no
ser igual que la diferencia entre la segunda y la tercera.
Los niveles de medicin basados en intervalos y en razones se refieren
a los datos en una escala ordenada, en la que la diferencia entre las
mediciones tienen un significado.
Una escala de intervalos indica el orden y al distancia con respecto a
un cero arbitrario medidos en intervalos unitarios.
Ejemplo:
La temperatura es un ejemplo clsico de este nivel de medicin; los niveles de
frecuencia determinados arbitrariamente se basan, en general, en los grados
Fahrenheit o Celsius.
Supongamos que hace 24 grados Fahrenheit en Lima y slo 13 en Arequipa.
Podemos extraer la conclusin de que la diferencia de temperatura es de 11 grados
El ao es otro ejemplo de un nivel de medicin basado en intervalos; en este caso
los niveles de referencia se basan en el calendario gregoriano o en el islmico.
ECONOMETRIA :
SERIES DE TIEMPO EN LA ECONOMA
VARIABLES
ECONOMICAS:
PBI, Tendencia, Variacin
porcentual, Tasa de
Crecimiento
Tasa de inflacin
Tasa de cambio, Razones y
Proporciones
Tasa de inters, Activas,
Pasivas, TMN lp, TMN cp, TME lp,
Presentan el fenmeno de
acumulacin de la volatilidad.
Intervalos de tiempo de una
tranquilidad relativa.
Precios Acumulados Voltiles o
variaciones, es decir, la varianza
de las series financieras se
modifican en el tiempo.
TMN cp
Tasa de desempleo, Urbano,

Rural, Regional.
Precio de las Acciones en Bolsa
y en cartera, dividendos
Precio de bienes financieros
(Bonos, morosidad,
recuperacin)
Tipo de Cambio (Fijo y
Flexible)
Tasas de Natalidad,
Fertilidad, morbilidad.
Tasas criminalidad,
delincuencia, asaltos.
S/.
Los importadores, exportadores
y comerciantes que acuden a los
mercados de cambio de divisas,
pues la variabilidad de las tasas
de cambio representa grandes
prdidas o ganancias.
A los inversionistas de las casas
de bolsa obviamente les interesa
la volatilidad de los precios de las
acciones.
MTODOS
1. Autorregresivo Integrado de Media
Mvil (ARIMA)
Autorregresivo y Media Mvil (ARMA)
Conocido como metodologa de BOXJENKINS
2.
Autorregresivo Vectorial (VAR)
MODELOS
1. Modelos con heteroscedasticidad
condicional Autorregresivo (ARCH)
2. Modelos con Heteroscedasticidad
Condicional Autorregresivo
Generalizada (GARCH)
Cmo podemos determinar el modelo de
dicha variacin cambiante?
En estos casos es cuando resulta prctico
el llamado modelo de heteroscedasticidad
condicional Autorregresivo (ARCH),
desarrollado por ENGLE.

PBI real (Var %) 1980:01 2010:02 Per Trimestre
PBIREAL
30
20
10
-10
-20
-30
80
82
84
86
88
90
92
94
96
98
00
02
04
06
08
10
ECONOMETRIA
MODELO ECONMICO
Es la expresin matemtica de una determinada teora econmica, o un
conjunto de relaciones matemticas que expresan una teora
econmica.
Esquema terico, generalmente en forma matemtica, de un sistema o
de una realidad compleja, como la evolucin econmica de un pas, que
se elabora para facilitar su comprensin y el estudio de su
comportamiento.
MODELO ECONOMTRICO:
Es un modelo econmico que contiene las especificaciones necesarias para
su aplicacin emprica.
Econometra
Parte de la ciencia econmica que aplica las tcnicas matemticas y
estadsticas a las teoras econmicas para su verificacin y para la
solucin de los problemas econmicos mediante modelos.
ECONOMETRIA
TERMINOLOGIA Y NOTACION DE LOS DATOS ECONOMICOS
Yi =
Yi =
Yi =
Yi =
Yi =
DATOS DE CORTE
TRANSVERSAL
VARIA
BLES
1 + 2 Xi + ui
+ n Xi + ei
0 + 1 Xi + ei
0 + 1 Xi + ui
0 + 1 Xi + ei
D. GUJARATI
R. PINDYCK
J. WOOLDRIDGE
A. NOVALES
BARBANCHO
M.L. BERENSON
MODELOS
ECONOMTRICOS
ECON
MIC
AS
DATOS:
SERIES DE TIEMPO
SERIES HISTRICAS
Yt = 1 + 2 Xt + ut
Yt = + nXt + et
Yt = 0 + 1 Xt + et
Yt = 0 + 1 Xt + ut
Yt = 0 + 1 Xt + et
D. GUJARATI
R. PINDYCK
J. WOOLDRIDGE
A. NOVALES
BARBANCHO
M.L. BERENSON
PRIMER MIEMBRO
Y = f (X)
Funcin demanda
Q d = f(P)
Modelo Economtrico
Y = 0 + 1 Xit + et
PARAMETRO = POBLACION
ESTADISTICO = MUESTRA
COMPONENTE FIJO
COEFICIENTE DE REGRESION
COEFIC DE INTERCEPTO CON Y
- VALOR CONSTANTE
EFECTO
Incremento los niveles de productividad

Obtengo mejores precios y se competencia
Mejoro en la atencin de salud a poblacin
SEGUNDO MIEMBRO
si
CAUSA
Mejoro la Inversin y la Tecnologa

Obtengo mayor Informacin del Mercado
Capacito a los promotores de salud
VARIABLE
VARIABLE
VARIABLE
VARIABLE
VARIABLE
VARIABLE
VARIABLE
INDEPENDIENTE
FIJA
EXPLICATIVA
EXOGENA
PREDICTORA
REGRESORA
DE CONTROL O
ESTIMULO
CAUSA
Funcin Matemtica
VARIABLE DEPENDIENTE
VARIABLE MOVIL
VARIABLE EXPLICADA
VARIABLE ENDOGENA
VARIABLE PREDICHA
VARIABLE REGRESADA
VARIABLE RESPUESTA
VARIABLE OBJETIVO
VARIABLE QUE SE DESEA
EXPLICAR
V. Explicativas de Y
OBJETO DE ESTUDIO
ECONOMETRIA: MODELO ECONOMTRICO
ERROR DE ESTIMACION o CHOQUE

ei = Y - Yc
ERROR TIPICO O PERTURBACION
VARIABLE ALEATORIA O ESTOCASTICA
QUE MUESTRA LA VARIABLE
DEPENDIENTE
VARIABLES DE EXPECTIVAS:
ADAPTATIVAS - RACIONALES
CRECIMIENTO DE LOS PRECIOS
RENTA FUTURA GUSTOS - EDAD
RELAC. QUE NO CONTIENE MODELO
MATEMATICO. CETERIS PARIBUS
PARAMETRO = POBLACION
ESTADISTICO = MUESTRA
COMPONENTE VARIABLE
PENDIENTE DE TENDENCIA = m
- COEFICIENTE DE REGRESION
- TASA DE CAMBIO
- PROPESION MARGINAL A CONSUMIR
- V.CRITICO DEL MULTIPLICADOR
- MAGNITUD DE RELACION (+ - intervalo)
10
Yt 0 1 X1 t ... k Xit
..... et
parte aleatoria
.
error perturbacin
.
inf luencias o. causas

.
impor tantes y. sistemticas
.
Y
X s
VARIABLE INDEPENDIENTE
Variable Objetivo
Variable de Control
Variable Efecto
Variable Causa
Variable de Estudio
Variable de Estmulo
Variable Explicada
Variable Explicativa
Variable Endgena
Variable Exgena
Variable Predicha
Variable Predictora
Variable Regresada
Variable Regresores
Variable Respuesta
Variable interrogacin
Variable Mvil
Variable Fija
Variable que se desea explicar

Variable Demostrativa
ECONOMETRIA: SITUACIN BSICA

DOS VARIABLES NUMERICAS : Y i X
Y
X s
VARIABLE INDEPENDIENTE
Variable Objetivo
Variable de Control
Variable Efecto
Variable Causa
Variable de Estudio
Variable de Estmulo
Variable Explicada
Variable Explicativa
Variable Endgena
Variable Exgena
Variable Predicha
Variable Predictora
Variable Regresada
Variable Regresores
Variable Respuesta
Variable interrogacin
Variable Mvil
Variable Fija
Variable que se desea explicar
Variable Demostrativa
Dos Preguntas principales:
y f ( x )
Es posible descubrir una relacin funcional
que permita predecir una medida Y en funcin de otra
medida X (o varias) ?.
Problema de regresin
Es posible descubrir una asociacin entre las variables ?
Problema de correlacin
11
Y x u
Finalidad
Estimar los valores de Y (variable dependiente) a
partir de los valores de X (variable independiente)
y (peso)
Modelo
Y 0 1 x u
100
90
80
70
60
y
50
b = tg q
y
x
coeficiente de regresin (pendiente)
40
a Ordenada en el
30
origen (intercepto)
140
150
160
170
200
Interpretacin de los parmetros
190
x (altura)
x
180
ECONOMETRIA
: Representa el valor medio de la respuesta

( y ) cuando x vale 0
Modelo en la Poblacin
x u
Y
: Representa el incremento de y cuando

x aumenta 1 unidad
Modelo en la Muestra
y a bx
: Perturbacin debida a la naturaleza de

los fenmenos
100
90
y (peso)
80
70
60
50
40
y y
Error de estimacin
30
140
150
160
170
180
190
200
Variable independiente x (altura)

12

Dado los puntos en el diagrama de dispersin
cul es la recta que explica o que resume mejor esos puntos?
III
I
100
90
II
80
70
60
tener un criterio de
aproximacin que diga no solo
la altura de la lnea sino tambin
la pendiente
50
40
30
140
150
160
170
180
190
200
ECONOMETRIA : MNIMOS CUADRADOS (MCO)

Estima los parmetros, minimizando la suma de cuadrados de errores
Min
i 1
i 1
2
2
( yi yi )
Supuestos
1.- E(e) = 0
2.- E( e|x) = E(e) = 0
3.- E(y|x) = a +b.x +e
100
E(y|x= 170)
90
80
70
60
E(y|x= 150)
50
40
30
1.- La esperanza de los errores es

0. Quiere decir que la lnea de
regresin en promedio castiga y
premia a todos por igual es una
aproximacin de cmo una
variable x afecta a una variable
Y, y que en promedio no esta a
favor de ningn dato en
particular.
140
150
160
170
180
190
200
2.- Los errores de estimacin, (la parte no explicada dada la naturaleza incierta de los fenmenos estudiados) no
estn relacionados con la variable independiente
En promedio hay un error que no guarda relacin con las variables explicativas
3.- El valor esperado de la variable dependiente con respecto a la independiente (1x o varias) es igual a la relacin
que queda descrita por la recta
13

DESCOMPOSICION DE LA SUMA DE CUADRADOS DE y
y y ( y y ) ( y y )
y y ( y y ) b( x x )
elevando al cuadrado y sumando
y y 2
( y y ) 2 b 2 ( x x ) 2
SCTotal
SC Regresin
SCresidual
2
s y.x
los dobles
productos
se anulan
( y y )2 2
n2
n2
Grados de
libertad
Varianza residual (insesgada)

ESTADISTICOS USUALES
Varianza residual (insesgada)
Error tpico de estimacin de b
S e2
R 1 2
SY
2
( y y )2 2
n2
n2
s y.x s2y.x
Error tpico de estimacin de y
Coeficiente
de Determinacin R2
2
s y.x
sb s y.x
SCX
2 SCRegresin
2
R
(0 R 1)
SCtotal
Varianza residual
Varianza de las y originales
14
Bondad de un ajuste
Y
La dispersin del error residual ser una fraccin de
la dispersin original de Y
Cuanto menor sea la dispersin del error
residual mejor ser el ajuste de regresin.
Resumiendo:
Eso hace que definamos

como medida de
bondad de un ajuste de
regresin, o coeficiente de
determinacin a:
S e2
R 1 2
SY
2
Se2 SY2
ECONOMETRIA: CONSECUENCIAS SOBRE LAS

ESTIMACIONES DE Y
Estimacin por Intervalos

Se pueden usar dos intervalos para estimar qu cerca se
encuentra el valor estimado del valor verdadero de y.
Intervalo de Prediccin estima y para un valor dado de x,
Intervalo de Confianza - estima el promedio de y para un valor dado
de x.
Intervalo de Confianza
Intervalo de Prediccin
2
1 ( xg x )
y t / 2 Se 1
n ( xi x ) 2
y t / 2 Se
2
1 ( xg x )
n ( xi x ) 2
15
ECONOMETRIA: CONSECUENCIAS SOBRE LAS

ESTIMACIONES DE Y
y
b tsb
b b tsb
faja de
confianza
para
y x
y
faja de
confianza
para y
x
x
A medida que los valores se alejan del centroide (
las estimaciones de y son ms imprecisas
x, y )
Relacin directa e inversa

100
330
No hay relacion
280
90
80
230
Fuerte relacin
directa.
70
180
60
130
50
80
40
30
30
140
150
160
170
180
190
200
Para valores de X por encima de la

media tenemos valores de Y por encima y
por debajo en proporciones similares.
80
Cierta relacin
inversa
70
60
140
150
160
170
180
190
200
Para los valores de X mayores que la media le

corresponden valores de Y mayores tambin.
Para los valores de X menores que la media le
corresponden valores de Y menores tambin. :
relacin directa.
50
40
Para los valores de X mayores que la media

le corresponden valores de Y menores. Esto
es relacin inversa o decreciente.
30
20
10
0
140
150
160
170
180
190
200
16
COVARIANZA
Es una medida de la variacin lineal conjunta de dos variables
y
centroide
yy
N
Estimacin de xy
x x
xy
( y y )( x x )
cov
( y y )( x x )
n
Es un estimador sesgado
xy < 0 asociacin lineal con pendiente negativa

xy = 0 ausencia de asociacin lineal
xy > 0 asociacin lineal con pendiente positiva
El
signo de la covarianza nos dice si el aspecto de la

nube de puntos es creciente o no, pero no nos dice
nada sobre el grado de relacin entre las variables.
Coef. de correlacin lineal de Pearson

r
Valor en la muestra
(Rho ) en la poblacin
El coeficiente de correlacin lineal de Pearson de dos variables, r, indica si

los puntos tienen una tendencia a disponerse alineadamente (excluyendo
rectas horizontales y verticales).
17
CORRELACION LINEAL
Finalidad
Medir la intensidad de la asociacin lineal entre dos variables aleatorias

coeficiente de correlacin
xy / x y
r s xy / s x s y
coeficiente de
determinacin
covarianza poblacional
r2
Proporcin de varianza compartida por las dos variables


BONDAD DE AJUSTE DE LOS ESTIMADORES MC0
ANIMACIN: EVOLUCIN DE R, R2 Y EL DIAGRAMA DE DISPERSIN
18
Animacin: Descomposicin de la varianza

Animacin: Residuos del modelo de regresin
19
ESTIMACION DE
(rho) r Cov
s x .s y
PRUEBA DE
Ho : 0 tcalc
r n2
Se compara con el valor

critico (t tabulado)
1 r 2
CONSIDERACIONES PARA LA VALIDEZ DEL TEST

Normales
Los residuos ( e ) deben ser :
Homocedasticos
Independientes
Testar la Ho: r = 0 equivale a ensayar la Ho:b = 0

Los problemas de regresin y de correlacin lineales

se parecen pero difieren
En la finalidad
En las variables
REGRESION
CORRELACION
x variable independiente fija NO hay distincin entre variable
dependiente e independiente
y variable dependiente
x e y son variables aleatorias
aleatoria
20
ECONOMETRA
SERIES DE TIEMPO
21
ECONOMETRIA y SERIES DE TIEMPO EN LA

ECONOMA
REGRESIN ESPURIA
FENMENO DE CAMINATA ALEATORIA
CONCEPTOS CLAVE
Procesos estocsticos
Procesos estacionarios
Procesos puramente aleatorios
Procesos no estacionarios
Modelos de caminata aleatoria
Pruebas de raz unitaria
Variables integrales
Cointegracin
Tendencias determinsticas y estocsticas

ECONOMA
PROCESOS ESTOCSTICOS
PROCESO ESTOCSTICO ESTACIONARIO
PROCESO ESTOCSTICO DBILMENTE ESTACIONARIO
PROCESO ESTOCSTICO ESTACIONARIO COVARIANTE
PROCESO ESTOCSTICO ESTACIONARIO DE SEGUNDO ORDEN
PROCESO ESTOCSTICO EN AMPLIO SENTIDO
Reversin media
Serie de tiempo no estacionaria
Proceso puramente aleatorio
Ruido blanco
PROCESOS ESTOCSTICOS NO ESTACIONARIOS
CAMINATA ALEATORIA
CAMINATA ALEATORIA SIN VARIACIONES
Hiptesis del mercado de capital eficiente
CAMINATA ALEATORIA CON VARIACIONES
Parmetro de variacin
Proceso de raz unitaria
22

ECONOMA
PROCESO ESTOCSTICO DE RAZ UNITARIA
PROBLEMA DE RAZ UNITARIA
PROCESOS ESTOCSTICOS DE TENDENCIA ESTACIONARIA (TE) y

DE DIFERENCIA ESTACIONARIA (DE)
DETERMINISTA
ESTOCSTICA
CAMINATA ALEATORIA PURA
PROCESO ESTACIONARIO DE DIFERENCIA (PED)
CAMINATA ALEATORIA CON VARIACIONES
TENDENCIA ESTOCSTICA
TENDENCIA DETERMINISTA
CAMINATA ALEATORIA CON VARIACIONES Y TENDENCIA
DETERMINISTA
TENDENCIA DETERMINISTA CON COMPONENTE ESTACIONARIO

ECONOMA
PROCESO ESTOCSTICOS INTEGRADOS
INTEGRADO DE ORDEN 1
INTEGRADO DE ORDEN 2
INTEGRADO DE ORDEN d
PROPIEDADES DE LAS SERIES INTEGRADAS
EL FENMENO DE REGRESIN ESPURIA

FENMENO DE REGRESIN ESPURIA
PRUEBAS DE ESTACIONARIEDAD
PRUEBA GRFICA
FUNCIN DE AUTOCORRELACIN (FAC) Y CORRELOGRAMA
CORRELOGRAMA POBLACIONAL
FUNCIN DE AUTOCORRELACIN MUESTRAL
COVARIANZA MUESTRAL
VARIANZA MUESTRAL
CORRELOGRAMA MUESTRAL
IMPORTANCIA DE LOS COEFICIENTES DE AUTOCORRELACIN
23

ECONOMA
PRUEBA DE RAZ UNITARIA
ESTADSTICO (TAU)
ESTADSTICO O PRUEBA TAU
PRUEBA DICKEY-FULLER (DF)
LA PRUEBA DICKEY-FULLER AUMENTADA (DFA)
PRUEBA DE LA SIGNIFICANCIA DE MS DE UN COEFICIENTE: LA PRUEBA F
LAS PRUEBAS DE RAZ UNITARIA PHILLIPS-PERRON (PP)
UNA CRTICA DE LAS PRUEBAS DE RAZ UNITARIA
TAMAO DE LA PRUEBA
POTENCIA DE LA PRUEBA
Prueba Dickey-Pantula
TRANSFORMACIN DE LAS SERIES DE TIEMPO NO ESTACIONARIAS

PROCESOS ESTACIONARIOS EN DIFERENCIAS
PROCESO ESTACIONARIO CON TENDENCIA
Hipodiferenciacin
Hiperdiferenciacin

ECONOMA
COINTEGRACIN:
REGRESIN DE UNA SERIE DE TIEMPO CON RAZ UNITARIA
SOBRE OTRA SERIE DE TIEMPO CON RAZ UNITARIA
PRUEBA PARA LA COINTEGRACIN
PRUEBA DE ENGLE-GRANGER (EG)
PRUEBA DE ENGLE-GRANGER AUMENTADA (AEG)
PRUEBA DURWIN-WATSON SOBRE LA REGRESIN DE
COINTEGRACIN (DWRC)
CORRECCIN DE ERRORES (ECM), COINTEGRACIN Y MECANISMO
MECANISMO DE CORRECCIN DE ERRORES (ECM)
TEOREMA DE REPRESENTACIN DE GRANGER
ALGUNAS APLICACIONES ECONMICAS

24

ECONOMA
Conceptos bsicos (I): Definiciones

Proceso estocstico es un conjunto de variables aleatorias asociadas a distintos
instantes de tiempo.
Serie temporal, es un conjunto de observaciones o medidas realizadas secuencialmente en intervalos predeterminados y de igual, o aproximadamente igual,
duracin.
La relacin entre una serie temporal y el proceso estocstico que la genera es la
misma que hay entre una muestra y la variable aleatoria de la que procede.
Las peculiaridades de una serie temporal (frente a una muestra) y de un proceso
estocstico (frente a una variable aleatoria) son:
Las series temporales y los procesos estocsticos estn referidos a instantes de
tiempo concretos, y
Los datos estn ordenados desde el pasado hasta el presente.
El objetivo del anlisis de series temporales es inferir la forma del proceso
estocstico a partir de las series temporales que genera.

ECONOMA
Conceptos bsicos (II): Hiptesis simplificatorias
En ciencias sociales suele ser imposible obtener varias muestras de una serie
temporal, por lo que es necesario realizar una serie de supuestos simplificatorios.
Los supuestos ms comunes son:
Linealidad: El valor que toma hoy la serie (o el proceso) depende linealmente
de: a) sus valores pasados y b) los valores presentes y pasados de otras series.
Estacionariedad (dbil): La media y varianza incondicional de una serie (o
proceso) son constantes, las autocovarianzas entre dos valores slo dependen de
la distancia temporal que los separa. Formalmente:
t , k : E ( zt )
1 E (Yt )
E [( zt
)2 ]
E [( zt
)(zt
2
t
k
2 var(Yt ) E (Yt ) 2 2
2
z
t k
)]
t ,k
3 k E(Yt )(Yt k )
Normalidad: El proceso estocstico generador sigue un modelo normal de

distribucin de probabilidad (proceso gaussiano).
25

ECONOMA
Procesos elementales (I): Ruido blanco.

Un proceso de ruido blanco representa una variable que:
Oscila en torno a una media constante,
Con una volatilidad constante y
Cuyo pasado no contiene informacin til para predecir valores futuros.
at con:
Podemos representar esta variable como zt
z
E( zt )
E(at )
2
z
E ( zt )
2
a
k
k
0 ; k
300
400
.4
.3
La figura muestra el perfil de 500

observaciones simuladas del proceso de
ruido blanco:
.2
.1
.0
-.1
zt
at ; at
iid N(0,.01)
-.2
-.3
-.4
100
200
500
Ruido blanco

ECONOMA
Procesos elementales (II): AR(1).

Un proceso autorregresivo de primer orden, AR(1), representa una variable cuyo valor
actual est relacionado con su valor anterior mediante un modelo de regresin. Esto es:
zt c
zt 1 at ;
1 (estacionariedad)
2
c
2
2
k
a
E (zt )
; k 0
Con: E ( zt )
z
z
0
k
2
1
1
La figura muestra el perfil de dos series generadas por un AR(1) sin constante, con
distintos valores del parmetro :
.4
.6
.3
.4
.2
.2
.1
.0
.0
-.1
-.2
-.2
-.4
-.3
-.4
-.6
100
200
300
AR(1) phi=.5
400
500
100
200
300
400
500
AR(1), phi=.9
26

ECONOMA
Procesos elementales (III): MA(1).

Un proceso de medias mviles de primer orden, MA(1), representa una variable
cuyo valor actual est correlado con su valor anterior . Esto es:
zt
at
Con: E( zt )
at
z
1 (invertibilidad)
2
t
2
z
E(z )
(1
2
a
si k
si k
La figura muestra el perfil de dos series generadas por un proceso MA(1) sin
constante, con distintos valores de :
.4
.4
.3
.3
.2
.2
.1
.1
.0
.0
-.1
-.1
-.2
-.2
-.3
-.3
-.4
-.4
100
200
300
400
500
100
MA(1), theta=.5
200
300
400
500
ma(1), theta=.9

ECONOMA
Procesos elementales (IV): Paseo aleatorio.

Un paseo aleatorio representa una variable cuyos cambios son ruido blanco y, por
tanto, imprevisibles. Esto es: y t c y t 1 at
La figura muestra el perfil de dos series generadas por paseos aleatorios con y sin
deriva. Como puede observarse, la caracterstica fundamental de este proceso es
la falta de afinidad de las series a una media estable:
450
400
350
300
-1
250
-2
200
150
-3
100
-4
50
100
200
300
400
Paseo aleatorio sin deriva
500
100
200
300
400
500
Paseo aleatorio con deriva
27

ECONOMA
Identificacin (I): Estadstica descriptiva
Para contrastar H0 :
puede usarse el estadstico: t

X
Coeficientes de asimetra y kurtosis: CA
1
n
Xi
i 1
CK
/ nH
0
1
n
n
i 1
tn
Xi
La hiptesis de normalidad puede contrastarse mediante el test de Jarque-Bera:

JB
CA2
6
60
(CK 3)2
24
H0
2
2
Series: WNOISE
Sample 1 500
Observations 500
50
40
30
20
Mean
Median
Maximum
Minimum
Std. Dev.
Skewness
Kurtosis
0.002643
0.006559
0.386147
-0.304903
0.102973
-0.046988
3.393006
Jarque-Bera
Probability
3.401768
0.182522
El histograma muestra el perfil de una

muestra del proceso:
zt
-0.25
0.00
0.25
iid N(0,.01)
Obsrvese que los momentos

muestrales se aproximan a los tericos
y el test de Jarque-Bera no rechaza
normalidad.
10
0
at ; at

ECONOMA
Identificacin (II): Funcin de autocorrelacin simple
El coeficiente muestral de autocorrelacin simple de orden k ( k) se define como:
k
1 n
zt zt k ; zt zt z , k 1,2,
con: k
k
nt k 1
0
Para hacer inferencia sobre la funcin de autocorrelacin simple (FAS o ACF)
pueden usarse los siguientes resultados:
Para muestras suficientemente grandes s.e.( k ) n 1 / 2
K
2
1
0 entonces Q(K ) n(n 2)
Si es cierto H0 : 1
2
3
K
k
n
k
k 1
en donde: K es el nmero de retardos de la ACF
H0
p es el nmero de parmetros estimados, si la serie es de residuos.
2
K p
En la figura se muestra la funcin de

autocorrelacin simple de una muestra del
proceso:
zt
at
.5at
; at
iid N(0,.01)
... como puede observarse su configuracin se

parece, sin coincidir exactamente, a la FAS
terica de un proceso MA(1)
28

ECONOMA
Identificacin (III): Funcin de autocorrelacin parcial
Los procesos MA tienen una FAS finita. Por tanto en este caso la FAS resulta muy til, tanto
para detectar una estructura MA como para identificar su orden.
Un instrumento con propiedades anlogas para procesos AR es el coeficiente muestral de
autocorrelacin parcial de orden k ( kk ), que se define como el k-simo coeficiente de una
autorregresin de orden k estimada por MCO:
zt
z
k1 t
z
k2 t
z
kk t
kt ; k
1, 2,
kk frente a su correspondiente retardo se le llama

al grfico de barras de los coeficientes
funcin de autocorrelacin parcial (abreviadamente, FAP o PACF).
En la figura se muestran las funciones

autocorrelacin de una muestra del proceso:
zt
.5zt
at ; at
de
iid N(0,.01)
como puede observarse, la FAP identifica con claridad

la naturaleza y el orden del proceso generador de los
datos.

ECONOMA
Identificacin (IV)
Ruido blanco: zt
at ; at
iid N(0,.01)
Combinando
instrumentos grficos y
estadsticos pueden
reconocerse de forma
aproximada las pautas
de autocorrelacin
caractersticas de los
distintos procesos.
.4
.3
.2
.1
.0
-.1
-.2
-.3
-.4
100
200
300
400
500
Ruido blanco
.5zt
AR(1): zt
at ; at
.4
.3
.2
.1
.0
-.1
-.2
-.3
iid N(0,.01)
En anlisis de series
temporales, a este
proceso de
especificacin emprica
se le llama
identificacin
-.4
100
200
300
400
500
AR(1) phi=.5
29

ECONOMA
Identificacin (V)
MA(1): zt
.5at
at
; at
iid N(0,.01)
.4
.3
.2
La identificacin puede
estructurarse como una
secuencia de preguntas:
.1
.0
-.1
-.2
-.3
Es estacionaria la serie?
-.4
100
200
300
400
500
MA(1), theta=.5
yt
Paseo aleatorio:
yt
at ; at
iid N(0,.01)
Tiene una media

significativa?
Es finita o infinita la
ACF?
Es finita o infinita la
PACF?
-1
-2
-3
-4
100
200
300
400
500
Paseo aleatorio sin deriva

ECONOMA
Identificacin (VI)
Combinando el anlisis de las funciones de autocorrelacin (ACF) y autocorrelacin
parcial (PACF), la identificacin de los procesos estacionarios puede reducirse a
decidir:
Cul de las dos funciones es finita? para determinar la naturaleza del proceso
generador:
ACF
Finita
Infinita
Finita
Ruido blanco
AR
Infinita
MA
ARMA
PACF
A partir de qu retardo muere la ACF o PACF? para determinar el orden del

proceso.
Estas tcnicas requieren usar estadsticos como la media, la varianza o la covarianza
muestrales, que slo tienen sentido si el proceso es estacionario, esto es, si los datos
tienen una media y una varianza finitas y aproximadamente constantes.
30

ECONOMA
A.1. Estudio de los procesos ms comunes: AR(1)
zt
zt
ACF
at ;
E ( zt )
2
a
2
z
E (zt )
PACF
Retardo
Retardo
; k
k
0
-1
-1
Los procesos AR(1) se

reconocen por una ACF
infinita y una PACF que se
anula a partir del segundo
retardo.
Si los datos tienen media, es
necesario especificar un
trmino constante.
Retardo
Retardo
-1
-1

ECONOMA
A.2. Estudio de los procesos ms comunes: MA(1)
ACF
zt
E( zt )
at
at
PACF
1
1
2
z
E ( zt )
k
k
0
(1
1
0
si k
si k
2
a
Los procesos MA(1) se

reconocen por una PACF
infinita y una ACF que se
anula a partir del segundo
retardo.
trmino constante.
-1
-1
0
1
Retardo
Retardo
-1
Retardo
Retardo
-1
31

ECONOMA
A.3. Estudio de los procesos ms comunes: AR(2)
zt
1 t 1
1;
1;
ACF
at
2 t 2
E ( zt )
1
2
; k
Retardo
2
1
k 2
con :
1
k 1
PACF
0 ;
-1
Retardo
-1
Los procesos AR(2) se

reconocen por una ACF
infinita y una PACF que se
anula a partir del tercer
retardo.
trmino constante.
0 ;
0
1
Retardo
Retardo
-1
-1

ECONOMA
A.5. Estudio de los procesos ms comunes: MA(2)
ACF
zt
at
1;
E( zt )
1 t 1
1;
2 t 2
2
1
ACF
0 ;
0 ;
2
z
E ( zt )
(1
(1
2
1
2
2
si k
si k
si k
2
a
-1
-1
k
k
0
2
1
2
2
0 ;
Los procesos MA(2) se reconocen

por una PACF infinita (no se
muestra aqu) y una ACF que se
anula a partir del tercer retardo.
necesario especificar un trmino
constante.
Retardo
Retardo
Retardo
-1
0 ;
Retardo
-1
32
MODELOS ECONOMTRCIOS
CON SERIES DE TIEMPO

ECONOMA
COMPONENTES DE UNA SERIE DE TIEMPO
IBPRIVADA = Inversin Bruta Privada precios 1994
Grfico N 01// Marcar la Variable / Doble Clik / View/ Graph/ Line // Freeze//Optiones// Axes & Scaling/ Marcar Right
Grfico N 02// Marcar la Variable/ doble Clik / Descriptive Statistics / Histogram and Stat)
Una primera apreciacin a partir de grfico N 01 nos muestra claramente la existencia del componente estacional
El grfico N 02 indica que la distribucin de los trminos del error No se distribuyen normalmente la P es menor al 5%
33

ECONOMA
MODELO MACROECONMICO
PBI = f(IB Privada) (Millones de Soles -1980:01 2011:02)
EVALUANDO EL MODELO
Se observa un buen significado individual de los
parmetros, la Probabilidad menor al 5%
La influencia de las Inversiones Brutas Privadas en la
formacin del PBI es del 88 %
Existe un buen comportamiento del modelo en su
conjunto (p-valor de F es menor al 5% = cero.
Podemos afirmar que estamos en presencia de
multicolinealidad
Se observa problemas de autocorrelacin residual (DW est muy lejos de 2)
El Modelo Macroeconmico, es:
PBI = 13,298.48 + 3.410399.IBPRIVADA + et
B0 = El PBI fue de 13,298 Millones de Soles durante estos 126 trimestres
(1980 2011 = 31 Aos)
B1 = Si se invierten 1 Milln por ao en el Per, el PBI se incrementar
en 3 Millones de Soles
-LEVANTAR LA AUTOCORRELACIN
-LA HETEROSCESDASTICIDAD y de dems supuestos

ECONOMA
DETERMINACIN DE LAS SERIES ESTACIONARIAS
Anlisis Preliminar de las series
Abrir la Variable // View/ Unit Root Test // en la ventana escoger/ PHILLIPS-PERRON/ Dickey-Fuller/ marcar
Lavel y Intercept
La probabilidad del test de Phillips - Perron en mayor que 0.05

Esto nos permite afirmar que la serie IBPRIVADA es NO Estacionaria
Variable que presta relevancia para hacer regresiones // Hacer transformaciones matemticas / Serie Estacionaria
34

ECONOMA
DETERMINACIN DE LAS SERIES ESTACIONARIAS
Lavel y Intercept
La probabilidad del test de Phillips - Perron en menor que 0.05 o menor al 5 %

Esto nos permite afirmar que el PBI94 es una serie NO ESTACIONARIA
Variable que no presta relevancia para hacer regresiones //

ECONOMA
DETERMINACIN DE LAS SERIES ESTACIONARIAS (1ra. DIFERENCIA)
Lavel y Intercept

Esto nos permite afirmar que la IBPRIVADA es una serie ESTACIONARIA
Variable que presta relevancia para hacer regresiones //
35

ECONOMA
DETERMINACIN DE LAS SERIES ESTACIONARIAS (1ra. DIFERENCIA)
Lavel y Intercept

Esto nos permite afirmar que el PBI94 es una serie ESTACIONARIA
Variable que presta relevancia para hacer regresiones //

ECONOMA
DIFERENCIA ENTRE SERIE NO ESTACIONARIA y ESTACIONARIA
Variable Inversin Bruta Privada (94) IBPRIVADA (Millones de Soles)
Anlisis Grafico: Conclusin

Son crecientes en el tiempo
- Pueden presentar estacionalidad - Tienen una alta volatilidad
Las INVERSIONES BRUTAS PRIVADAS puede presentar un quiebre estructural en tendencia e intercepto
36

ECONOMA
DIFERENCIA ENTRE SERIE NO ESTACIONARIA y ESTACIONARIA
Variable Inversin Bruta Privada (94) IBPRIVADA (Millones de Soles)
Anlisis Grafico: Conclusin

Son crecientes en el tiempo
- Pueden presentar estacionalidad - Tienen una alta volatilidad
Las INVERSIONES BRUTAS PRIVADAS puede presentar un quiebre estructural en tendencia e intercepto

ECONOMA
PRIMEROS RESULTADOS:
Modelo Sin Transformaciones Matemticas
Regresin N 01
Modelo con 1era. Diferencia en Y i X
Regresin
Regresin
NN
02 03
Anlisis Econmico: El 1er. Modelo tienen los signos esperados y el 2do. no

Anlisis Estadstico:
Anlisis de significancia individual: La R01 aparenta ser la mejor estimacin frente a la R 02 dado que sus dos
variables explicativas son significativas, mientras que R02, muestra que la variable IBPrivada no es significativo.
Anlisis grupal: El R2 del modelo R01 es mejor, al igual que el F-estadstico.
Corrigiendo la Autocorrelacin se tiene la R03
37
DESESTACIONALIZACIN DE LA
SERIE DE TIEMPO

ECONOMA
LA DESESTACIONALIZACIN O DESTEMPORALOZACIN
DE UNA SERIE ECONMICA
PREDICCIN Y SUAVIZACIN DE SERIES TEMPORALES,
MTODOS AUTOPROYECTIVOS DETERMINISTAS
1. Suavizado por medias mviles
2. Suavizado lineal de Holt
3. Suavizado exponencial de Brown
4. Suavizado estacional de Winters
5. Modelos autorregresivos AR(p)
6. Modelos de Medias Mviles MA(q)
7. Modelos ARMA (p,q)
8. Modelos ARIMA (p,d,q)
9. Metodologa BOX-JENKINS en modelos ARIMA
38
ECONOMETRIA: TECNICAS DE SUAVIZACIN

TECNICAS DE SUAVIZACIN EN LAS SERIES DE TIEMPO
Tcnicas de suavizacin:
Suavizacin de una serie temporal X o Y mediante medias mviles de orden n
Esto lo construimos a travs de la funcin @MOVAV(X, n)
Elegimos PROC/ Generate by Equation/ en el campo sealado introducimos la frmula que
genera la media mvil del orden sealado; es decir, MEDIAMOVIL3 = @MOVAV(VENTAS,3)
Graficar/ Serie original (X o Y)/ las series mviles creadas/ Open Group/ View/ Graph/ Line/
Suavizacin exponencial (Simple, doble de Brown, Holt_winters no estacional y Holt-Winters
estacional aditivo y multiplicativo) de una serie temporal.
Consideramos la series X o Y, elegimos
Quick/ Series Statistics/ Exponential Smoothing/el campo digitamos en nombre de la serie/ Ok
Se obtiene la pantalla Exponential Smoothing/ elegimos el tipo de suavizado/ Simple/ Ok Serie suavizada
De Nombre YSM o XSM (podemos graficar con los promedios mviles)
Con los mismos pasos las opciones que nos detalla la pantalla
Exponential Smoothing elegimos Double == genera el nombre YSM1
Exponential Smoothing elegimos Holt-Winters == genera el nombre YSM2
Exponential Smoothing elegimos Holt-Winters Aditive o multiplicative= genera el nombre YSM3-4

SUAVIZANDO UNA SERIE TEMPORAL X MEDIANTE MEDIAS MOVILES DE ORDEN n
IBPRIVADA/doble Clik/ PROC/ GENERATE BY EQUATION/ escribir la IBPRIVADA/
MEDIA MOVIL5=@MOVAV(IBPRIVADA,5)
GRAFICA/ doble clik/ original y mediamovil5/Open Group/View/ graph /Line
39

SUAVIZACIN EXPONENCIAL (Simple, doble de Brown, Holt-Winters no estacional y Holt- Winters estacional
aditivo y multiplicativo) de una serie temporal.
Quick/ Series Statistics/ Exponential Smoothing/ nombre serie // IBPRIVADA/Ok
Venta Exponential Smoothing/ eligimos SINGLE (simple)/ autogenera el Nombre/ IBPRIVADASM
Se obtiene la serie suavizada por suavizacin simple de nombre IBPRIVSM

El parmetro Alpha de 0.9990, es alto, lo indica la serie converge rpidamente.
Podemos hacer la representacin grfica de las nuevas series estimadas.

GRAFICA/ doble clik/ original, exponencial y mediamovil5/Open Group/View/ graph /Line
40

SUAVIZACIN EXPONENCIAL (Simple, doble de Brown, Holt-Winters no estacional y Holt- Winters estacional
aditivo y multiplicativo) de una serie temporal.
Venta Exponential Smoothing/ eligimos DOUBLE (simple)/ autogenera el Nombre/ IBPRIVADASM
Se obtiene la serie suavizada por suavizacin simple de nombre IBPRIVSM

El parmetro Alpha de 0.5960, es bajo, lo indica la serie converge lentamente.

GRAFICA/ doble clik/ original, exponencial y mediamovil5/Open Group/View/ graph /Line
41

SUAVIZACIN EXPONENCIAL (Simple, doble de Brown, Holt-Winters no estacional y Holt- Winters estacional aditivo y
multiplicativo) de una serie temporal.
Venta Exponential Smoothing/ eligimos HOLT-WINTERS no estacional (simple)/ autogenera el Nombre/ IBPRIVADASM
Se obtiene la serie suavizada por suavizacin simple de nombre IBPRIVADSM2


SUAVIZACIN EXPONENCIAL (Simple, doble de Brown, Holt-Winters no estacional y Holt- Winters estacional aditivo y
multiplicativo) de una serie temporal.
Venta Exponential Smoothing/ eligimos HOLT-WINTERS MULTIPLICATIVE estacional (simple)/ autogenera el Nombre/
IBPRIVADASM
Se obtiene la serie suavizada por suavizacin simple de nombre IBPRIVADSM3

42

ECONOMA
DESCOMPOSICIN CLSICA DE UNA SERIE DE TIEMPO
1ro. Tendencia.
Dada por el movimiento general a largo plazo de la serie , designada T
2do. Variaciones Estacionales
Son oscilaciones que se producen con un periodo igual o inferior a un
ao, y que se reproducen de manera reconocible en los diferentes aos,
designamos E.
3do. Variaciones Cclicas
Son oscilaciones que se producen con un periodo superior al ao, y que
se deben principalmente a la alternancia de etapas largas (ciclos) en las
que se repite el comportamiento de la serie, designada C
4to. Variaciones Irregularidad o residuales.
Son movimientos en la serie que no muestran un carcter peridico
reconocible y que son originados por fenmenos singulares que afectan a
la variable en estudio de manera casual y no permanente, designamos I

ECONOMA
DESCOMPOSICIN CLSICA DE UNA SERIE DE

TIEMPO
1ro. Tendencia.
2do. Variaciones Estacionales
3do. Variaciones Cclicas
4to. Variaciones Irregularidad.
Descomposicin de series:
Podemos plantear diferentes esquemas alternativos de descomposicin de una

serie temporal:
ADITIVO:
Yt Tt Ct St I t
MULTIPLICATIVO:
MIXTO:
Yt Tt * Ct * St * I t
Yt Tt * (1 Ct ) * (1 St ) I t
43

ECONOMA
1ro. Componente de Tendencia

CTc1, Last Quote [O/H/L/C Bar] Monthly
02Jun88 - 30Mar01
Pr
USc
Lbs
CTc1 , Last Quote, O/H/L/C Bar

30Nov 00 62.80 65.95 62.45 64.95
110
105
100
95
90
85
80
75
70
65
60
55
50
Jul88 Jan89 Jul
Jan90
Jul
Jan91
Jul
Jan92
Jul
Jan93
Jul
Jan94
Jul
Jan95
Jul
Jan96
Jul
Jan97
Jul
Jan98
Jul
Jan99
Jul
Jan00
Jul
Jan01

ECONOMA
2do. Componente Estacionalidad

CO N T R A T O IN M E DIA T O DE M A IZ A M A R IL L O # 2 ( CB O T )
3 0 S ep9 9
2 3 3 .2 5 1 7 7 .0 0 2 2 3 .5 0
1er. trim.
Pr
US c
Bs h
Maz Per.
2do. trim.
3er. trim.
520
4er. trim.
500
ene
feb MAR abr MAY jun
JUL
ago SEP
Siembra
oct
nov
DIC
480
Cosecha
460
440
420
400
380
360
340
320
300
280
260
240
220
200
180
89
90
91
92
93
94
95
96
97
98
99
00
44

ECONOMA
3ro. Componente Cclico

Pr
US c
Bs h
3 1 De c 9 9 2 1 4 . 0 0 2 3 4 . 2 5 1 7 7 . 0 0 2 2 3 . 5 0
520
500
480
460
440
420
400
380
360
340
320
300
280
260
240
220
200
180
89
90
91
92
93
94
95
96
97
98
99
00
01

ECONOMA
3ro. Componente Irregular

Pr
US c
Bs h
3 0 N ov 9 9 1 8 7 . 7 5 1 8 9 . 5 0 1 8 7 . 0 0 1 8 7 . 0 0
3 0 N ov 9 9 1 8 9 . 8 1
3 0 N ov 9 9 1 9 3 . 0 9
3 0 N ov 9 9 2 0 0 . 2 0
225
220
215
210
205
200
195
190
185
180
V ol
0 .4 M
2 6 N ov 9 9 4 7 0 9 1
2 6 N ov 9 9 4 5 1 4 8 3
0 .3 M
0 .2 M
0 .1 M
RS I
3 0 N ov 9 9 2 0 . 9 9 4
3 0 N ov 9 9 2 0 . 9 9 4
60
40
20
2 6 M ay 9 9
0 9 Jun
2 3 Jun
0 7 Jul
2 1 Jul
0 4 A ug
1 8 A ug
0 1 S ep
1 5 S ep
2 9 S ep
1 3 Oc t
2 7 Oc t
1 0 N ov
2 4 N ov
45
ECONOMETRIA: TECNICAS DE DESESTACIONALIZACIN

DE SERIES DE TIEMPO
DESESTACIONALIZACIN DE SERIES DE TIEMPO: EViews

Marcamos la variable Y o PBI/ Doble Clik/ Proc/Seasonal Adjustment/Moving Average Methods
/Sealar /Ratio Moving Average Multiplicative / Venta/ Digitar Y_SA o PBISA(Y PBI
desestacinalizado sin tendencia) y Y_E o PBI_E (Componente Estacional)
Marcamos la variable Y/ Doble Clik/ Proc/Seasonal Adjustment/Moving Average Methods
/Sealar /Difference From Moving Average Additive / Venta/ Digitar Y_SA o PBISA (Y PBI
desestacinalizado sin Tendecia) y Y_E o PBI_E (Componente Estacional)
TENDENCIA DE UNA SERIE: Filtro de Hodrick y Prescott
Obtenemos el componente TENDENCIAL (PBI94_T) o PBI94 TENDENCIAL
Marcamos PBI_SA/doble clic/PROC/Hodrick Prescott Filter/Membretar o dar nombre a las dos
variables: 1ra.Ventana PBI94_T y 2da. Ventana PBI94_ST PBI94 SIN TENDENCIA
Establecemos el componente CICLICO (PBI94_C) o PBI94 CICLICO
Genr PBI94_C = @MOVAV(PBI94_ST,4)
Establecemos el componente IRREGULAR (PBI94_I) o PBI94 Irregular
Genr PBI94_I = (PBI94_ST-PBI94_C)
Para comprobar las series si estamos en lo correcto
Genr PBI94ok = (PBI94_T + PBI94_C + PBI94_I) * PBI94_E M. Multiplicativo
Genr PBI94ok = (PBI94_T + PBI94_E + PBI94_C + PBI94_I) M. Aditivo
Es la sumatoria de los componentes

DE SERIES DE TIEMPO
Marcar la variable// Doble Clik/ Proc/Seasonal Adjustment/Moving Average Methods /Sealar /Ratio
Moving Average Multiplicative / Venta/ Digitar Y_SA
Y_SA (Y desestacinalizado sin tendencia) y Y_E (Componente Estacional)
Grfico N 01// Marcar la Variable / Doble Clik / View/ Graph/ Line // Freeze//Optiones// Axes & Scaling/ Marcar Right
46

DE SERIES DE TIEMPO
Considerar la serie desestacionalizada
TENDENCIA DE UNA SERIE: Filtro de Hodrick y Prescott
por el proceso anterior: Y_SA
Obtenemos EL COMPONENTE DE TENDENCIA _T
Marcamos la variable Y_SA /doble clic// PROC/Hodrick Prescott Filter/Membretar o dar nombre a las dos
variables: 1ra.Ventana Y_T y 2da. Ventana Y_ST SIN TENDENCIA
Grfico // Marcar la Variable / Doble Clik / View/ Graph/ Line // Freeze//Optiones//
Axes & Scaling/ Marcar Right

DE SERIES DE TIEMPO
Establecemos el componente CICLICO C (Y_C)
Genr Y_C = @MOVAV(Y_ST,4) 6, 12
Establecemos el componente IRREGULAR I (Y_I)
Genr Y_I = (Y_ST-Y_C)
Considerar la serie desestacionalizada

por el proceso anterior: Y_ST
Genr IBPRIV_C=@MOVAV(IBPRIV_ST,4)
Genr IBPRIV_I=(IBPRIV_ST-IBPRIV_C)
Para comprobar las series si estamos en lo correcto

Genr Yok = (Y_T + Y_C + Y_I) * Y_E M. Multiplicativo
Genr Yok = (Y_T + Y_E + Y_C + Y_I) M. Aditivo
Genr IBPRIVOK=(ibpriv_t+ibpriv_c+ibpriv_i)*ibpriva_e
47

DE SERIES DE TIEMPO
Genr BrechaIBPRIV = (IBPRIVADA IBPRIV_T)

DE SERIES DE TIEMPO
Genr BrechaIBPRIV = (IBPRIVADA IBPRIV_T)

Del anlisis de la brecha del
IBPRIVADA en el Per se puede
establecer que claramente de 1989:02
hacia a tras habido grandes periodos
en los que no se ha llegado a
estandarizar la inversin bruta privada
debido a la no estabilidad econmica.
Adems vemos que la brecha de la
inversin bruta privada de estos
ltimos aos ha presentado grandes
variaciones debido a la crisis
financiera internacional, lo cual nos
permite inferir o predecir que estas
situaciones se mantendr si se sigue
aplicando las mismas polticas
econmicas de tipo estructural.
Genr BrechaIBPRIV=IBPRIVADA-IBPRIV_T
48
DESESTACIONALIZACIN DE SERIES DE TIEMPO

FILTROS:
CENSUS X-12 ARIMA
ESTACIONALIDAD
PARA
EXTRACCIN
DE
LAS
X11 ARIMA (HISTORIAL)

TRAMO/SEATS
FILTRO DE HODRICK y PRESCOTT PARA LA
EXTRACCIN DE LA TENDENCIA

DE SERIES DE TIEMPO
FILTRO HENDERSON / CENSUS X12 ARIMA /

METODO MULTIPLICATIVO
El procedimiento X12 ARIMA es un refinamiento de X11 ARIMA para ajustar series estacionales
mensuales y trimestrales mediante modelos aditivos y multiplicativos usando la metodologa del
BUREAU OF THE CENSUS. Descompone una serie temporal Qt = f(T, C, E,I) en sus componentes
estacional, ciclotendencia, regular e irregular.
Al pulsar Aceptar se obtiene la salida, que comienza presentando estadsticas iniciales de ajuste
A continuacin el programa identifica la estructura ARIMA de la serie y realiza la estimacin de
los parmetros seleccionados finalmente un modelo del tipo ordenado. Se observa que el modelo
identificado y estimado coincide con el seleccionado por TRAMO/SEATS
Presenta a continuacin los estadsticos tpicos de la fase de diagnstico en el anlisis
univariante de series temporales basados en los residuos y en sus funciones de autocorrelacin y
autocorrelacin parcial, as como las funciones de autocorrelacin al cuadrado para detectar la
heteroscedasticidad residual.
Analiza tambin las predicciones y sus errores e intervalos de confianza, as como contrastes de
estacionalidad y estacionalidad residual
Por ltimo se presenta todas las componentes de la serie, tanto tendencia, como ciclo,
componente estacional y componente irregular. Se obtiene tambin varios ratios de ajuste. Se
han omitido las salidas largas de enumeracin de series por problemas de espacio.
49

DE SERIES DE TIEMPO
PREPARACIN DE DATOS
Primero se debe desestacionalizar las variables.
En eviews: Abrir la variable // Ingresar a la opcin: Proc/Seasonal Adjustment/Census X12
Se debe seleccionar el mtodo de

desestacionalizacin
(multiplicativo o Aditivo)
Y tambin se debe seleccionar las
salidas que se desea (Variable
ajustada estacionalmente)
La variable desestacionalizada, regula las variaciones estacionales innecesarias de la variable (estas luego se
pueden incrementar en el resultado final)
Y sigue mantiene las caractersticas iniciales de la variable original.

DE SERIES DE TIEMPO
PREPARACIN DE DATOS
Se debe seleccionar el mtodo de

desestacionalizacin
(multiplicativo o Aditivo)
Y tambin se debe seleccionar las
salidas que se desea (Variable
ajustada estacionalmente)
La variable desestacionalizada, regula las variaciones estacionales innecesarias de la variable (estas luego se
pueden incrementar en el resultado final)
Y sigue mantiene las caractersticas iniciales de la variable original.
50

1.
2.
Componente estacional
Componente desestacionalizado
IBPRIVADA_SF
IBPRIVADA_SA
Serie Estacional = IBPRIV_E

Serie desestacionalizada
Abriri la Variable Y/ Proc/ Seasonal Adjustment/ Census X12/ Multiplicative y sealar todo/
Trading Day/Holiday/ARIMA Optiones/ Diagnostcs/ Outliers

DE SERIES DE TIEMPO
FILTRO HENDERSON / CENSUS X11 ARIMA /

METODO ADITIVO
El procedimiento X11 ARIMA, ajusta series estacionales mensuales y

trimestrales mediante modelos aditivos y multiplicativos usando la
metodologa del BUREAU OF THE CENSUS. Descompone una serie
temporal Qt = f(T, C, E,I) en sus componentes estacional, cclico, tendencia
e irregular. Adems tiene en cuenta los efectos das laborables y vacaciones
para el anlisis de la intervencin.
Al pulsar OK se obtiene la salida del procedimiento que comienza
citando la lista de elementos que se ofrecern en la salida.
Analiza tambin las predicciones y sus errores e intervalos de confianza,
as como contrastes de estacionalidad y estacionalidad residual
Por ltimo se presenta todas las componentes de la serie, tanto tendencia,
como ciclo, componente estacional y componente irregular. Se obtiene
tambin varios ratios de ajuste. Se han omitido las salidas largas de
enumeracin de series por problemas de espacio.
51

DE SERIES DE TIEMPO
1.
2.
Componente estacional
Componente desestacionalizado
IBPRIVADA_SF
IBPRIVADA_SA

Serie desestacionalizada


DE SERIES DE TIEMPO
MODELOS ARIMA Y DE INTERVENCION /

TRAMO / SEATS
Los programas TRAMO (Time Series Regression with ARIMA Noise Missing Observationes, and Outliers) y
SEATS (Signal Extraction in ARIMA Time Series) permiten ajustar modelos ARIMA
automticamente incluyendo anlisis de la intervencin.
TH y BTH son estimaciones de los parmetros de medias mviles en la parte
regular y estacional respectivamente,
PHI y BPHI son estimaciones iniciales de los parmetros autorregresivos en
la parte regular y estacional respectivamente.
A continuacin se muestra la serie transformada por logaritmos.
Tambin muestra las rdenes de diferenciacin regular y estacional adecuados
(uno en cada caso) y se presenta la serie diferenciada.
Presenta las funciones de autocorrelacin y autocorrelacin parcial de la serie
diferenciada
Tambin presenta los parmetros definitivos de la identificacin del modelo. Se
trata de un modelo ARIMA(0,1,1) x (0,1,1)
Tambin se obtienen las estimaciones de los parmetros, que indican que el
modelo a ajustado.
52

DE SERIES DE TIEMPO

TRAMO / SEATS
Continua con la fase de diagnosis del modelo presentando los residuos y los
contrastes adecuados para los mismos.
Los estadsticos de normalidad residual presentan valores correctos (p-valor del
contraste de asimetria y curtosis superior en mdulos a 0.05)
No hay problemas de autocorrelacin residual porque el estadstico de D-W est
prximo a 2.
El estadstico Q de Ljung-Box (calculado para 24 retardos)
El programa nos ofrece, adems de las funciones de autocorrelacin y
autocorrelacin parcial de los residuos, etc.
La segunda parte de la salida comienza confirmando que nuestro modelo es
ARIMA(0,1,1)x(0,1,1) y presenta las estimaciones de los parmetros
La salida contina modelizando las componentes cclicas e irregulares y
obteniendo la descomposicin de la serie en sus componentes tendencia,
estacional, cclica e irregular.
Tambin se obtiene predicciones para las componentes.
Eviews genera en fichero todas las variables que se construyen en el proceso y que
se haban especificado. Esto permitir tratarlas grficamente.

TRAMO / SEATS
1. Componente estacional
2. Componente desestacionalizado
IBPRIVADA_SF
IBPRIVADA_SA

Serie desetacionalizada
53
ECONOMETRIA
PROYECCION DE LA SERIE
PREDECIR EL COMPORTAMIENTO DE LA SERIE
ECONOMETRIA : PROYECCION DE LA SERIE

Para proyectar se debe tener un buen nivel de ajuste del modelo.
Para observar esto se debe de realizar un anlisis del poder predictivo del
modelo.
En Eviews
Regresionar el mejor modelo
Forecast (presionar el boton Forecast)
Si el modelo es bueno para predecir, entonces se debe de seguir las siguientes
pasos.
Expandir la muestra (recomendable solo uno o dos periodos hacia delante).
Expandir 1980:01 2011:02 hasta 2012:04; es decir, 6 trimestres
Proc/ Structure/ Reisze Current Page //Escribir en la caja de dialogo el
tamao deseado/ modificar el fin de la serie (2011:02 por 2012:04)/Ok.
Ingresar valores para las variables independientes
54
ECONOMETRIA: Expansin de la Muestra

Proc/ Structure/ Resize Current Page //Escribir en la caja de dialogo el tamao deseado/
modificar el fin de la serie (1980:01 a 2012:04)/Ok.
ECONOMETRIA: PROYECCION DE LA SERIE IBPRIVADA

AJUSTE DE TENDENCIA LINEAL
Genr tiempo: @TREND(1979:04)
Para evaluar si un modelo tiene un buen poder predictivo, se analiza el Coeficiente de desigualdad de
Theil, este debe estar cercano a cero (0.140) para que el modelo sea un buen modelo para predecir.
Por otro lado la proporcin de covarianza debe ser cercano a 1 (0.89297).
55

AJUSTE DE TENDENCIA LINEAL
Grfico:// Sealar las variables/ doble Clik/Open Group/ View/ Graph/ Line /Histogram/ Ok
PRONSTICOS EN MODELOS
MULTIVARIADOS
Para realizar un proyecciones en los
modelos multivariados se debe tener en
cuenta que:
Se debe tener un modelo que se ajuste
bien para las proyecciones de la variable
dependiente.
Se debe conocer los valores futuros de las
variables independientes.
PROYECCIN
Ao/Trim IBPRIVADA
IBP Proy
2010Q4
11842.42
8359.377
2011Q1
12370.85
8416.604
2011Q2
12438.55
8473.832
2011Q3
8531.059
2011Q4
8588.286
2012Q1
8645.514
2012Q2
8702.741
2012Q3
8759.968
2012Q4
8817.196
B0 = La IBPRIVADA durante los 31 aos o 126 trimestres fue de S/ 1,263.190

B1 = La IBPRIVADA se incrementa en una proporcionalidad de S/ 57.23 entre el ao de 1980:01 y el 2011:02

AJUSTE DE TENDENCIA CUADRATICA
56

AJUSTE DE TENDENCIA CBICA

AJUSTE TENDENCIA EXPONENCIAL
Yi 0 1
e ui
57
IDENTIFICACIN, ESTIMACIN, VALIDACIN Y

PREDICCIN DE MODELOS ARIMA (P,D,Q) (P,D,Q)S
METODOLOGA DESARROLLADA POR BOX y JENKINS
58
ECONOMETRIA: MODELOS ARIMA
IDENTIFICACIN, ESTIMACIN, VALIDACIN Y

PREDICCIN DE MODELOS ARIMA (P,D,Q) (P,D,Q)S
La variable IBPRIVADA (Inversin Bruta Privada en el Per a precios de
1994) representa la actividad desarrollada por la economa nacional dentro
el periodo de 1980:01 hasta el 2011:02; es decir la serie presenta
informacin trimestral (31 aos 126 trimestres).
Con la finalidad de realizar predicciones de la inversin futura o
comportamiento de la IBPRIVADA94, se trata de ajustar la serie a un
modelo ARIMA generalmente, dentro el proceso completo de la
metodologa desarrollada por BOX y JENKINS.
1. Para comenzar la fase de identificacin, y con el objeto de observar la
estacionalidad, realizamos una representacin grfica de la serie

GRAFICO LINEAL DE LA SERIE (INGRESO DE DATOS 1980:01 2011:02)
Abrimos la variable Y (IBPRIVADA)/ doble clik/View/Graph/Line
Dentro el grfico/ Clik derecho/ Add Shading/ lines &Shading
Se observa a simple vista que el grfico presenta estructura estacional (trimestral). Sin
embargo, este hecho hay que comprobarlo.
59

GRAFICO VERTICAL DE LA SERIE
Para probar la estacionalidad podemos utilizar el GRAFICO VERTICAL DE LA SERIE
Abrimos la variable Y (IBPRIVADA)/ doble clik/View/Graph/Spike

GRAFICO DE LA SUBSERIE ESTACIONAL
Para probar la estacionalidad podemos utilizar el GRAFICO DE LA SUBSERIES ESTACIONALES
Abrimos la Variable Y(IBPRIVADA)/ doble clik/View/Graph/Seasonal Graph
60

Para probar la estacionalidad podemos utilizar el GRAFICO DE LA SUBSERIES ANUALES
Abrimos la variable Y (IBPRIVADA)/ doble clik/View/Graph/Seasonal Graph/ Multiple overlayen lines

AUTOCORRELACIN Y AUTOCORRELACIN PARCIAL
Todos los grficos anteriores muestran claramente la presencia de estacionalidad (trimestral).
El grfico de las subseries anuales presenta evoluciones paralelas de los datos en los distintos
trimestres de todo el ao.
El grfico de las subseries estacionales muestran claramente las secciones similares de las
estaciones.
Pero la estacionalidad, as como la estacionariedad, tambin puede detectarse a travs de las
funciones de autocorrelacin y autocorrelacin parcial estimadas (FAC y FACP respectivamente:
Ver Grfica). Se obtiene las funciones de autocorrelacin y autocorrelacin parcial estimadas
La FAC muestra valores mltiples del periodo estacional
Se observa que las funciones de autocorrelacin y autocorrelacin parcial estimadas tambin
validan los periodos estacionales porque los coeficientes de la FAC para retardos mltiples del
periodo estacional de la serie son significativamente distintos de cero.
Adems, para una cantidad grande de retardos de FAC se configura en forma de abanico que
completa su ciclo girando sobre el eje de abscisas para una cantidad de retardos igual al periodo
estacional
61

FUNCIONES DE AUTOCORRELACIN AUTOCORRELACIN PARCIAL
Para probar la estacionalidad podemos utilizar las
F. AUTOCORRELACIN Y AUTOCORRELACIN PARCIAL
Abrimos variable Y (IBPRIVADA)/ doble clik/View/Correlogram

Elegimos la serie en niveles con 36 retardos
F. AUTOCORRELACIN Y AUTOCORRELACIN PARCIAL

Por otro lado, la FACP presenta estructura de coeficientes significativos para
retardos peridicos (largos).
La FAC y la FACP deben considerarse a la vez, que intercambian sus papeles
en el comportamiento estacional.
Asimismo, los coeficientes de la FAC no decaen rpidamente, lo que indica
falta de estacionariedad en media .
Asimismo, si consideramos la serie de medias y varianzas por trimestre a lo
largo de toda la serie observamos variaciones significativas crecientes y
decrecientes a lo largo de los aos, lo que indica que no hay estacionariedad ni
en media ni en varianza en la serie original.
62

FUNCIONES DE AUTOCORRELACIN Y AUTOCORRELACIN
PARCIAL LOGARITMICA
Estos resultados nos lleva a tomar logaritmos de la serie original y diferenciar la serie
de logaritmos con el objetivo de atenuar la falta de estacionariedad en media y en la
varianza.
Pero, una vez aplicados los logaritmos, como la serie es estacional, el problema es
identificar si diferenciamos la parte regular de la serie en logaritmos o en la parte
estacional.
Para ello representamos las funciones de autocorrelacin estimada y autocorrelacin
parcial estimada bajo los supuestos de diferenciacin en la parte regular de la serie en
logaritmos o en la parte estacional.
Genr LnIBPRIV =
log(IBPRIVADA) Funcin logartmica
Genr D1LnIBPRIV=
Dlog(LnIBPRIV) Diferencia de F logartmica
Genr D1LnIBPRIV_S =
Dlog(IBPRIVADA,0,4) Dif. F. Log. Estacional
Genr LnIBPRIV=log(IBPRIVADA)
Genr D1LnIBPriv=d(LnIBPRIV)
Genr D1LnIBPRIV_S=dlog(ibprivada,0,4)

FUNCIONES DE AUTOCORRELACIN Y
AUTOCORRELACIN PARCIAL LOGARITMICA
Correlograma de D1LnIBPRIV
63

FUNCIONES DE AUTOCORRELACIN Y
AUTOCORRELACIN PARCIAL LOGARITMICA
Correlograma de D1LnIBPRIV_S

FUNCIONES DE AUTOCORRELACIN Y AUTOCORRELACIN PARCIAL LOGARITMICA
Correlograma de D1LnIBPRIV
Correlograma de D1LnIBPRIV_S
64

FUNCIONES DE AUTOCORRELACIN Y AUTOCORRELACIN PARCIAL
LOGARITMICA
Se observa que al diferenciar slo la parte regular de la serie en logaritmos, las

funciones de autocorrelacin y autocorrelacin parcial estimadas D1LnIBPRIVADA no
superan el problema de la falta de estacionariedad ya que la FAC no decae
rpidamente.
Pero al diferenciar slo una vez la parte estacional de la serie en logaritmos, las
funciones de autocorrelacin y autocorrelacin parcial estimadas D1LnIBPRIVADA_S
ya superan el problema de la no estacionariedad porque los coeficientes de la FAC para
retardos mltiplos del periodo estacional de la serie son significativamente distintos de
cero. Adems, para una cantidad grande de retardos, la FAC se configura en forma de
abanico que completa su ciclo girando sobre el eje de abscisas para una cantidad de
retardos igual al periodo estacional.
Luego el problema de la estacionalidad y la estacionariedad en media y en varianza se
ha arreglado aplicando logaritmos, diferenciando una vez la parte estacional y no
diferenciando la parte regular.
Luego la parte regular de la serie en logaritmos es integrada de orden cero I(0) y la
parte estacional es integrada de orden uno I(1).

IDENTIFICACIN DE LA PARTE AUTOREGRESIVA y
LA DE MEDIAS MOVILES
Para realizar esta tarea utilizaremos la FAC y la FACP para las que se obtuvo
la estacionariedad y la estacionalidad, es decir las representadas en la funcin
(Ver funcin)
Observando estas dos funciones vemos que sus coeficientes no se anulan

bruscamente con periodicidades y que sus estructuras se ajustan claramente a
un modelo ARMA(1,1)(0,1)
Existe una amplia literatura con bateras de grficos de FAC y FACP parcial
ajustadas a sus correspondientes modelos ARMA.
En nuestro caso, la parte AR(1) de la parte regular proviene del decrecimiento
rpido inicial y las ondas sinusoides de la FAC aadido a que la FACP
presenta slo un coeficiente significativo en la mayora de los periodos (salvo
en el primero), anulndose bruscamente el resto de los coeficientes.
Asimismo, la parte MA(1) de la parte regular proviene de quela FAC presenta
un solo retardo significativo en la mayora de los periodos (salvo en el
primero). De todas formas, la nica duda posible sera considerar tambin
AR(1) de la parte estacional.
65

IDENTIFICADO EL MODELO REALIZAMOS SU ESTIMACIN Y DIAGNOSIS
Ya tenemos identificada completamente la serie inicial como un modelo ARIMA(1,0,1)(0,1,1).
Es decir, ya hemos realizado el trabajo ms importante en la modelizacin de una serie temporal mediante la
metodologa de BOX - JENKINS
PARCH (2, 2)

FUNCIONES DE AUTOCORRELACIN Y AUTOCORRELACIN PARCIAL
PARCH (2, 2)
66

LA DE PROMEDIOS MOVILES
El modelo presenta buena significatividad individual y conjunta

de los parmetros estimados. Altos coeficientes de determinacin
y un estadstico de Durbin Watson casi igual a 2.
Luego la diagnosis del ajuste es correcta
Tambin es un buen instrumento de diagnosis el correlograma
residual (ver grfica)
Se observa que tanto la FAC como la FACP no tienen retardos
claramente significativos y adems las probabilidades asociadas
al estadstico Q son casi todas mayores que 0.05, lo que indica
que los residuos del modelo estimado se comportan como un
ruido blanco (media y varianza constantes).

LA DE PROMEDIOS MOVILES
Dado que la serie inicial como un modelo ARIMA(1,0,1)(0,1,1)4 podemos
escribir la ecuacin algebraica del modelo como:
(1-0.97B)D1LnIBPRIV_S = (1 - 0.11B) (1 + 0.84B4) RESID
D1LnIBPRIV_S 0.97D1LnIBPRIV_S (-1) = RESID - 0.11RESID(-1) +
0.84RESID(-4) + 0.11 * 0.84RESID(-5)
DLnPBI94_S = 0.977D1LnIBPRIV_S (-1) + RESID + 0.114RESID(-1) +
0.836RESID(-4) + 0.114 * 0.836RESID(-5)
67

Modelos ARIMA y Predicciones con series temporales, a partir de la Metodologa de BOX - JENKINS
-Fase de Identificacin, con el objeto de observar y probar la estacionalidad
-Realizamos una representacin grfica de la serie.
Para probar la estacionalidad podemos utilizar el GRAFICO VERTICAL DE LA SERIE
Abrimos la variable Y (IBPRIVADA)/ doble clik/View/Graph/ Line y / Spike
No se observa estructura estacional // la Estacionalidad y la estacionariedad// detectamos mediante las Funciones

de Autocorrelacin y Autocorrelacin Parcial (FAC y FACP respectivamente).

La ESTACIONALIDAD, as como la ESTACIONARIEDAD (serie estacionaria) tambin puede detectarse a
travs de las Funciones de AUTOCORRELACIN y AUTOCORRELACIN PARCIAL estimadas (FAC y
FACP respectivamente)
Abrimos la Variable Y/ View / Correlogram / Level /36 Retardos/ Ok == tenemos las funciones:
Se observa que los coeficientes de
la FAC no decaen rpidamente, lo
que indica falta de estacionariedad
en la media.
Por otro lado, en la FACP no se
observa estructura de coeficientes
significativos para ningn tipo de
retardos estacionales, con lo que no
hay estacionalidad.
Por lo tanto, debido a la no
estacionariedad en la media,
diferenciaremos la serie original
creando la variable DIIBPRIV con
el botn GENR tal como se indica.
68

Identificacin de la parte de la media mvil de la serie D1IBPRIV
Abrimos la variable D1IBPRIV/ View/ Graph/ Line graph/ Observamos la estacionariedad (o serie estacionaria) en
media y varianza constantes (Ruido Blanco) y graficamos las funciones de autocorrelacin y autocorrelacin parcial
Se observa estacionariedad en media y en varianza. No obstante, grafiquemos las funciones de autocorrelacin y

autocorrelacin parcial con 36 retardos. Se observa que los retardos significativos de la FAC decaen tan
rpidamente que slo es significativo. Luego ya no existe problemas de estacionariedad en la serie diferenciada, es
decir la serie diferenciada es I(0) y la serie original es I(1)

CONTRASTE DE RACES UNITARIAS
Se utiliza un contraste de races unitarias para ver la estacionariedad de D1IBPRIV.
Para ello, utilizamos el TEST AUMENTADO DE DICKEY FULLER (0,0056)
Abrimos a variable Y/ D1IBPRIV/ View/ Unit Root Test / Recuadro abrir/ Augmented Dickey-Fuller/Level/Intercept / Ok
- La probabilidad es menor al 5% lo que nos lleva a aceptar

la estacionariedad o afirmamos que es una serie
estacionaria.
- La D1IBPRIVADA es una serie ESTACIONARIA
69

Serie estacionaria = D1IBPRIV
Serie no estacionaria = IBPRIVADA

En cuanto a la identificacin de la parte de la media mvil de la serie D1IBPRIV vemos que slo el
primer retardo de la FAC es significativo y que el decrecimiento de los retardos de la FAC es muy
rpido (ver el correlograma)
Luego la parte de la media mvil se modelizara como un proceso MA(1).
Para identificar la parte autoregresiva vemos que, aunque hay tres retardos de la FAC estimada
casi significativos ninguno es claramente significativo, decreciendo rpido los coeficientes
significativos de la FAC.
Luego la parte autoregresiva se modelizara como un proceso AR(0)
Adems, considerando las dos funciones de autocorrelacin en conjunto, vemos que sus retardos no
se anulan demasiado bruscamente.
Estamos entonces ante una estructura ARMA (0,1) para la diferenciada D1IBPRIV.
Se concluye entonces que la serie original IBPRIVADA se ajusta a un modelo ARIMA(0,1,1)
UNA VEZ IDENTIFICADO EL MODELO REALIZAMOS SU ESTIMACIN Y DIAGNOSIS.
70

IDENTIFICADO EL MODELO REALIZAMOS SU ESTIMACIN Y DIAGNOSIS
Quick/ Estimate Equation/ (se escribe la ecuacin)
GARCH/TARCH (1, 5)
El modelo presenta buena significatividad individual y conjunta

de los parmetros individuales y un DW casi igual a 2. Luego la
diagnosis del ajuste es adecuado.
Tambin es un buen instrumento de diagnosis es el correlograma

Tambin es un buen instrumento de diagnosis el
correlograma residual, obteniendo:
EQ02/ View/ Residual Tests/ Correlogram Q-Statistics
Se observa que tanto FAC como la FACP no tienen

retardos claramente significativos y adems las
probabilidades asociadas al estadstico Q son casi
todas mayores que 0.05 lo que indica que los
residuos del modelo estimado se comportan como
un RUIDO BLANCO.
Dado que la serie inicial como un modelo
ARIMA(0,1,1) podemos escribir:
D1IBPRIV = (1-0.125517 B) RESID
(1-B)IBPRIVADA = (1 0.125517 B) RESID
Xt Xt-1 = et - 0.12517 t-1 (Xt = IBPRIVADA)
71

EVALUAR EL MODELO PARA PREDECIR
A continuacin vamos a valorar la adecuacin de este modelo para la prediccin.
Para ello realizamos las predicciones de los valores ya conocidos de la serie (prediccin histrica) para ver las
desavenencias con los valores reales de la misma.
Se trata por lo tanto de predecir lo conocido con la ecuacin estimada.
Para determinar/ EQ02/ Forecast/ marcamos lo indicado
Se observa que no hay sesgo

en media ni en varianza y
todo el valor se encuentra
en la covarianza.
El coeficiente de desigualdad de Theil debera de
aproximarse ms a cero y
El porcentaje de error
absoluto medio tambin
debera de ser ms bajo.

REALIZAMOS PREDICCIONES FUTURAS
Para ello nos ubicamos, en:
Para determinar la prediccin ingresamos/ EQ02/ Forecast/ marcamos lo indicado
GARCH/TARCH (1, 5)
Nuestro modelo es evaluado

para hacer predicciones.
Se observa que los errores son
ms pequeos.
La D1IBPRIVYC1 contendr las
predicciones pedidas.
Es muy importante obser-var
que en el campo forecast simple
de la pantalla Forecast se
introduce la muestra temporal
para que D1IBPRIVYC1 contenga
las predicciones.
No olvidemos que estamos
haciendo predicciones con la
variable en diferencias o serie
estacionaria, que posteriormente pueden ser transformadas a
trminos de la variable original
72

Serie Estacionaria
Serie Estacional
GRACIAS POR SU ATENCIN
73

ECONOMETRÍA: DATO

Uploaded by

Document Information

Original Description:

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

ECONOMETRÍA: DATO

Uploaded by

Copyright:

Available Formats

UNIVERSIDAD NACIONAL DE SAN AGUSTIN

UNSA Facultad de Economa

Econ. Orlando Torres Montes /otorresmontes@gmail.com

ECON. ORLANDO TORRES MONTES

UNSA Facultad de Economa

Econ. Orlando Torres Montes /otorresmontes@gmail.com

Modelos de Series de Tiempo Univariantes (ARIMA)

1 Evaluacin terica prctica (examen) (Unidades didcticas 1 3)

UNSA Facultad de Economa

Econ. Orlando Torres Montes /otorresmontes@gmail.com

Direcciones en INTERNET de inters economtrico

UNSA Facultad de Economa

Econ. Orlando Torres Montes /otorresmontes@gmail.com

Econ. Orlando Torres Montes /otorresmontes@gmail.com

UNSA Facultad de Economa

CLASIFICACIN DE LOS DATOS

Arrojan respuesta categricas.

Producen respuestas numricas.

Econ. Orlando Torres Montes /otorresmontes@gmail.com

ECONOMETRIA VARIABLE ECONMICA

Econ. Orlando Torres Montes /otorresmontes@gmail.com

ECONOMETRIA VARIABLE ECONMICA

Ordinales: Si sus valores se pueden ordenar

Continuas: Si entre dos valores, son posibles infinitos valores intermedios.

UNSA Facultad de Economa

Econ. Orlando Torres Montes /otorresmontes@gmail.com

ECONOMETRIA VARIABLE ECONMICA

VARIABLES NUMRICAS DISCRETAS

Econ. Orlando Torres Montes /otorresmontes@gmail.com

ECONOMETRIA VARIABLE ECONMICA

Econ. Orlando Torres Montes /otorresmontes@gmail.com

ECONOMETRIA VARIABLE ECONMICA

Econ. Orlando Torres Montes /otorresmontes@gmail.com

ECONOMETRIA VARIABLE ECONMICA

Econ. Orlando Torres Montes /otorresmontes@gmail.com

ECONOMETRIA VARIABLE ECONMICA

Econ. Orlando Torres Montes /otorresmontes@gmail.com

ECONOMETRIA VARIABLE ECONMICA

iii. Preferencia de los consumidores entre tres tipos de bebidas

Econ. Orlando Torres Montes /otorresmontes@gmail.com

ECONOMETRIA VARIABLE ECONMICA

UNSA Facultad de Economa

Econ. Orlando Torres Montes /otorresmontes@gmail.com

Tasa de desempleo, Urbano,

UNSA Facultad de Economa

Autorregresivo Vectorial (VAR)

Econ. Orlando Torres Montes /otorresmontes@gmail.com

ECONOMETRIA VARIABLE ECONMICA

UNSA Facultad de Economa

Econ. Orlando Torres Montes /otorresmontes@gmail.com

Econ. Orlando Torres Montes /otorresmontes@gmail.com

UNSA Facultad de Economa

Econ. Orlando Torres Montes /otorresmontes@gmail.com

Incremento los niveles de productividad

UNSA Facultad de Economa

Mejoro la Inversin y la Tecnologa

ECONOMETRIA: MODELO ECONOMTRICO

ERROR DE ESTIMACION o CHOQUE

Econ. Orlando Torres Montes /otorresmontes@gmail.com

ECONOMETRIA: MODELO ECONOMTRICO

inf luencias o. causas

Variable que se desea explicar