Professional Documents
Culture Documents
FACULTAD DE ECONOMA
ESCUELA PROFESIONAL DE ECONOMA
ECONOMETRA
ANALISIS DE REGRESIN
CON SERIES DE TIEMPO
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
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
Slabo y Evaluaciones
CONTENIDO TEMATICO
-Unidad 1:
-Unidad 2:
-Unidad 3:
-Unidad 4:
-Unidad 5:
-Unidad 6:
-Unidad 7:
EXAMENES
PRIMER EXAMEN
SEGUNDO EXAMEN
TERCER EXAMEN
ECONOMETRIA
Slabo y Evaluaciones
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
MICROELECTRONICA
SOFTWARE
GUARISMO
DATO
GUIN
COMPUTACION
NOTACIN
REFERENCIA
INTERNET
CUANTA
ANTECEDENTE
SMBOLO
SIGNO
TELECOMUNICACIONES
DIGITALES
DGITO
MAGNITUD
NMERO
CIFRA
REPRESENTACIN
CANTIDAD
UNSA Facultad de Economa
ECONOMETRIA: DATO
DATO
Cualitativo
Datos nominales
Datos ordinales
Cuantitativo
Datos discretos
Datos continuos
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)
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
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
VARIABLES NUMRICAS CONTINUAS
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
UNSA Facultad de Economa
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
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.
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.
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.
UNSA Facultad de Economa
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
SEGUNDO MIEMBRO
si
CAUSA
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
10
Yt 0 1 X1 t ... k Xit
..... et
parte aleatoria
.
error perturbacin
.
X s
VARIABLE DEPENDIENTE
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
X s
VARIABLE DEPENDIENTE
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 Demostrativa
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
40
a Ordenada en el
30
origen (intercepto)
140
150
160
170
200
190
x (altura)
x
UNSA Facultad de Economa
180
ECONOMETRIA
Modelo en la Poblacin
x u
Y
Modelo en la Muestra
y a bx
100
90
y (peso)
80
70
60
50
40
y y
Error de estimacin
30
140
150
160
170
180
190
200
12
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
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
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
y y ( y y ) ( y y )
y y ( y y ) b( x x )
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
ESTADISTICOS USUALES
Varianza residual (insesgada)
S e2
R 1 2
SY
2
( y y )2 2
n2
n2
s y.x s2y.x
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
Econ. Orlando Torres Montes /otorresmontes@gmail.com
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:
S e2
R 1 2
SY
2
Se2 SY2
UNSA Facultad de Economa
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
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
UNSA Facultad de Economa
x, y )
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
Cierta relacin
inversa
70
60
140
150
160
170
180
190
200
50
40
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
El
Valor en la muestra
(Rho ) en la poblacin
17
CORRELACION LINEAL
Finalidad
xy / x y
r s xy / s x s y
coeficiente de
determinacin
covarianza poblacional
r2
18
19
ESTIMACION DE
(rho) r Cov
s x .s y
PRUEBA DE
Ho : 0 tcalc
r n2
1 r 2
Homocedasticos
Independientes
REGRESION
CORRELACION
x variable independiente fija NO hay distincin entre variable
dependiente e independiente
y variable dependiente
aleatoria
20
ECONOMETRA
SERIES DE TIEMPO
21
REGRESIN ESPURIA
FENMENO DE CAMINATA ALEATORIA
CONCEPTOS CLAVE
Procesos estocsticos
Procesos estacionarios
Procesos no estacionarios
Modelos de caminata aleatoria
Pruebas de raz unitaria
Variables integrales
Cointegracin
22
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
Hiperdiferenciacin
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
24
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 )
25
E( zt )
E(at )
2
z
E ( zt )
2
a
k
k
0 ; k
300
400
.4
.3
.2
.1
.0
-.1
zt
at ; at
iid N(0,.01)
-.2
-.3
-.4
100
200
500
Ruido blanco
.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
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
400
350
300
-1
250
-2
200
150
-3
100
-4
50
100
200
300
400
500
100
200
300
400
500
27
1
n
Xi
i 1
CK
/ nH
0
1
n
n
i 1
tn
Xi
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
zt
-0.25
0.00
0.25
iid N(0,.01)
10
0
at ; at
2
K p
zt
at
.5at
; at
iid N(0,.01)
28
zt
z
k1 t
z
k2 t
z
kk t
kt ; k
1, 2,
zt
.5zt
at ; at
de
iid N(0,.01)
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
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)
Es finita o infinita la
PACF?
-1
-2
-3
-4
100
200
300
400
500
Infinita
Finita
Ruido blanco
AR
Infinita
MA
ARMA
PACF
30
zt
ACF
at ;
E ( zt )
2
a
2
z
E (zt )
PACF
Retardo
Retardo
; k
k
0
-1
-1
Retardo
Retardo
-1
-1
E( zt )
at
at
PACF
1
1
2
z
E ( zt )
k
k
0
(1
1
0
si k
si k
2
a
-1
-1
0
1
Retardo
Retardo
-1
Retardo
Retardo
-1
31
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
0 ;
0
1
Retardo
Retardo
-1
-1
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 ;
Retardo
Retardo
Retardo
-1
0 ;
Retardo
-1
32
MODELOS ECONOMTRCIOS
CON SERIES DE TIEMPO
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
34
35
36
Regresin N 01
Regresin
Regresin
NN
02 03
37
DESESTACIONALIZACIN DE LA
SERIE DE TIEMPO
38
39
40
41
42
Yt Tt Ct St I t
MULTIPLICATIVO:
MIXTO:
Yt Tt * Ct * St * I t
Yt Tt * (1 Ct ) * (1 St ) I t
43
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
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
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
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
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
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
47
Genr BrechaIBPRIV=IBPRIVADA-IBPRIV_T
48
PARA
EXTRACCIN
DE
LAS
49
PREPARACIN DE DATOS
Primero se debe desestacionalizar las variables.
En eviews: Abrir la variable // Ingresar a la opcin: Proc/Seasonal Adjustment/Census X12
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.
PREPARACIN DE DATOS
Primero se debe desestacionalizar las variables.
En eviews: Abrir la variable // Ingresar a la opcin: Proc/Seasonal Adjustment/Census X12
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
Componente estacional
Componente desestacionalizado
IBPRIVADA_SF
IBPRIVADA_SA
Abriri la Variable Y/ Proc/ Seasonal Adjustment/ Census X12/ Multiplicative y sealar todo/
Trading Day/Holiday/ARIMA Optiones/ Diagnostcs/ Outliers
51
Componente estacional
Componente desestacionalizado
IBPRIVADA_SF
IBPRIVADA_SA
52
IBPRIVADA_SF
IBPRIVADA_SA
53
ECONOMETRIA
PROYECCION DE LA SERIE
PREDECIR EL COMPORTAMIENTO DE LA SERIE
54
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
Para evaluar si un modelo tiene un buen poder predictivo, se analiza el Coeficiente de desigualdad de
Theil, este debe estar cercano a cero (0.093) para que el modelo sea un buen modelo para predecir.
Por otro lado la proporcin de covarianza debe ser cercano a 1 (0.957).
56
Para evaluar si un modelo tiene un buen poder predictivo, se analiza el Coeficiente de desigualdad de
Theil, este debe estar cercano a cero (0.0895) para que el modelo sea un buen modelo para predecir.
Por otro lado la proporcin de covarianza debe ser cercano a 1 (0.961).
Yi 0 1
e ui
Para evaluar si un modelo tiene un buen poder predictivo, se analiza el Coeficiente de desigualdad de
Theil, este debe estar cercano a cero (0.1262) para que el modelo sea un buen modelo para predecir.
Por otro lado la proporcin de covarianza debe ser cercano a 1 (0.6734).
57
Grfico:// Sealar las variables/ doble Clik/Open Group/ View/ Graph/ Line /Histogram/ Ok
58
Se observa a simple vista que el grfico presenta estructura estacional (trimestral). Sin
embargo, este hecho hay que comprobarlo.
UNSA Facultad de Economa
59
60
61
62
Correlograma de D1LnIBPRIV
63
Correlograma de D1LnIBPRIV_S
64
65
PARCH (2, 2)
PARCH (2, 2)
66
67
68
69
70
GARCH/TARCH (1, 5)
71
GARCH/TARCH (1, 5)
72
Serie Estacional
73