Trabajo Final Avance 3

FACULTAD DE CIENCIAS EMPRESARIALES
Carrera de Economa
ALISSA ROCO BAZO PITA

1212225
CHRISTIAN DAVID OLIVEROS SALDAA 1210717
DIEGO RODRIGO SANCHEZ SANCHEZ 1210295
Curso: Econometra II
Bloque: FC-PREECO06A1M
Profesores:
LARIOS MEOO, JOSE FERNANDO
ALVAREZ QUIROZ, VICTOR JOSUE
Lima Per
2015-1
ndice
ndice
Introduccin
1. Captulo 1
1.1. Modelos ARMA y ARIMA: Condiciones de estacionariedad e
3
5
invertibilidad, diferenciacin y correlograma

2. Captulo 2
17
2.1. Metodologa de Box-Jenkins
3. Captulo 3
35
3.1. Modelos de causalidad de Granger
4. Captulo 4
61
4.1. Regresiones espurias: Sospechas (Ratio R-2/DW)
4.2. Estacionariedad de variables: test de raz unitaria de Dickey-Fuller
4.3. Cointegracion y modelo de correccin del Error para modelos
uniecuacionales
5. Captulo 5
5.1. Test de ARCH y Garch
6. Captulo 6
6.1. Modelos Multi-ecuacionales: VAR
Conclusin
Anexos
Bibliografa
85
98
100
102
Introduccin
Una serie de tiempo es una secuencia de observacin, medidos en
determinados momentos del tiempo, ordenados cronolgicamente y,
espaciados entre s de manera uniforma, as los datos usualmente son
dependientes entre s. El principal objetivo de una serie de tiempo X t donde
t=1,2, ,n
es su anlisis para hacer el pronstico.
Las series de tiempo se pueden utilizar para diferentes casos no solo en

modelos econmicos sino tambin en temas que se puedan ver en marketing,
demografa y de medioambiente.
Estas series de tiempo se pueden clasificar en dos:
Estacionaria: Una serie es estacionaria cuando es estable a lo largo del

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

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

Proceso de medias mviles (MA)
Proceso autorregresivo y de promedios mviles (ARMA)
Proceso autorregresivo integrado de promedios mviles (ARIMA)
Tambin vamos a seguir la metodologa de Box-Jenkins (BJ) que sigue el

siguiente orden:
1 Identificacin del modelo

(Seleccin tentativa de p,d,q)
2
Estimacin de parmetros
del mtodo escogido
Examen de diagnstico:
Los residuos estimados son de ruido blanco?
Si
No
(Ir al paso
4)
(Regresar al paso
1)
Pronstico
Captulo 1
Modelos ARMA y ARIMA: Condiciones de estacionariedad e invertibilidad,
diferenciacin y correlograma
Esperanza de vida -
(y)
La variable Esperanza de vida, en nuestro trabajo puesta como la variable
, muestra una tendencia ascendente en los grficos, en los cuales se pueden

apreciar que no hay picos en ningn ao de los cuales se han analizado, sino
que muestra una ascendencia progresiva. Se puede apreciar que tambin
sigue una distribucin normal en el grafico (1.3).
Grfico 1.1:
Grfico 1.2:
Grfico 1.3:
Se puede apreciar en el correlograma que la funcin de auto correlacin de la

variable decrece suavemente, y la correlacin parcial despus del primer
rezago es cercana a cero.
Grfico 1.4:
Analizando la prueba de raz unitaria de la variable
y , se puede concluir que
la variable a nivel con intercepto da como resultado que la variable se comporta

con un proceso estacionario, esto se observa la probabilidad de 0 de que
tenga raz unitaria. Lo cual nos llevara que la variable no necesita ser
6
diferenciada para ser un proceso estacionario. Pero en la raz unitaria con

intercepto y tendencia, si existe no estacionariedad, por lo tanto se debe
diferenciar.
Grfico 1.5:
Emisiones de CO2 (KT)
(a)
La variable Emisiones de CO2, expresada en la medida de kilo toneladas y

expresada en el trabajo de eviews como la variable
a , se puede apreciar
una tendencia ascendente a lo largo de los aos 1960-2010, con picos

pequeos entre los aos 1980-2000 y con picos ya mucho ms grandes en
la ltima dcada, tomando de ejemplo en los ltimos 3 aos. La variable
presenta una distribucin normal en el grafico 1.8.
Grfico 1.6:
Grfico 1.7:
Grfico 1.8:
Se puede
apreciar en
el correlograma que la funcin de auto correlacin decrece suavemente, y la

correlacin parcial despus del primer rezago es cercana a cero.
Grfico 1.9:
8
Haciendo la prueba de raz unitaria para observar si la variable sigue un

proceso estacionario o no, obtenemos el siguiente cuadro, donde podemos
concluir que la variable tiene un proceso no estacionario en nivel ya que la
probabilidad es alta de que tenga raz unitaria, la cual nos indica que sigue un
proceso no estacionario.
Grfico 1.10:
Luego de
concluir
que
la
variable es
no estacionaria a nivel, se procede a sacar su primera diferencia con
intercepto y obtenemos el siguiente cuadro, de el podemos concluir a la
primera diferencia, la variable es un proceso estacionario, con la cual ya es
posible hacer la metodologa de Box-Jenkins.
Grfico 1.11:
PBI (mill. S/. de 2007)
( b)
La variable PBI, expresada en millones de soles con respecto al valor en el ao

2007, expresada en el trabajo de eviews como la variable b , se observa que
tiene una tendencia ascendente en los aos observados que son entre los aos
1960-2010, muestra un solo pico significativo entre los aos 1985 y 1990,
tambin se observa que en la ltima dcada la variable en cuestin tubo un
aumento mucho mayor que en los ltimos aos, tanto que desde los aos 2000
a 2010 se aprecia que aumento casi el doble de su totalidad. Se aprecia en el
grafico (1.14) que la variable tiene una distribucin normal.
Grfico 1.12:
Grfico 13
Grfico 1.14
10
Se puede apreciar en el correlograma que la funcin de auto correlacin

decrece suavemente, y la correlacin parcial despus del primer rezago es
cercana a cero.
Grfico 1.15:
11
Haciendo la prueba de raz unitaria a la variable en su nivel, podemos concluir

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

observando la probabilidad, podemos concluir que la variable a primera
12
diferencia no tiene raz unitaria, lo cual indica que la variable a primera

diferencia sigue un proceso estacionario con intercepto, esta variable a primera
diferencia ya es apta para hacerle la metodologa de Box-Jenkins.
Grfico 1.17:
Exportaciones de bienes y servicios (% del PIB)
( x)
La variable exportaciones de bienes y servicios, expresada en % del PBI,

expresada en el trabajo de eviews como x , se observa que no muestra una
tendencia para toda la serie, contiene muchos picos dentro de los aos con
subidas y bajadas abruptas a lo largo de los aos de estudio (1960-2010), se
muestra una tendencia descendente entre los aos 1960-1975, entre los aos
1975 y aproximadamente 1990 no se puede apreciar una tendencia
ascendente o descendente, en cambio en las ltimas dos dcadas se puede
apreciar una tendencia ascendente con una cada abrupta casi los ltimos aos
con una ligera recuperacin casi al final. Esta variable tiene una distribucin
normal en donde se puede apreciar en el grafico (1.20).
Grfico 1.18:
13
Grfico 1.19:
Grfico 1.20:
Se puede apreciar en el correlograma que la auto correlacin decrece

rpidamente, ya en el sptimo rezago ya es negativo, en la auto correlacin
parcial es significativa en el primer rezago y en el segundo rezago ya es muy
cercano a las bandas pero sigue siendo no significativo.
14
Grfico 1.21:
En la prueba de raz unitaria de la variable a nivel, podemos apreciar que la

probabilidad de que tenga una raz unitaria es alta, del cual concluimos que la
variable a nivel sigue un proceso no estacionario, para esto tendremos que
hacer la prueba de raz unitaria en la primera diferencia para ver si sigue un
proceso estacionario.
Grfico 1.22:
15
La prueba de raz unitaria ya nos muestra que la variable en la primera

diferencia ya es un proceso estacionario con intercepto, ya es apta para poder
hacer la metodologa de Box-Jenkins.
Grfico 1.23:
Captulo 2
2.1. Metodologa de Box-Jenkins
16
La metodologa de Box-Jenkins es til para saber qu proceso sigue nuestras

series a analizar: AR, MA, ARMA, ARIMA.
La metodologa de Box-Jenkins cosiste en cuatro pasos los cuales sern
analizados a mayor profundidad en los siguientes apartados:
Identificacin
o Tenga en cuenta que antes de aplicar la metodologa de BoxJenkins el modelo a analizar debe ser estacionario, de lo contrario
se deber diferenciar hasta lograr su estacionariedad.
o Para identificar el proceso de un modelo se aplican los conceptos
del FAS (funcin de auto correlacin simple) y FAP (funcin de
auto
correlacin
parcial)
adems
tambin
del
uso
de
correlogramas elaborados bajo estos dos conceptos para as

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

rezagos son los estadsticamente significativos para poder
programarlos en nuestro modelo.
o Para identificar el orden de un proceso de medias mviles ( q )
deber
tenerse
en
cuenta
los
patrones
tpicos
de
los
correlogramas del FAS y FAP: el correlograma del FAS

presentar picos significativos en los rezagos
y el
correlograma del FAP decrecer exponencialmente. Se debern

elaborar correlogramas con diferentes nmeros de rezagos del
error estocstico para tener una clara visin sobre qu rezagos
son estadsticamente significativos y programarlos en nuestro
modelo.
17
o Para identificar un proceso ARMA los correlogramas de FAP y
FAS decrecern exponencialmente.

Estimacin
o Una vez identificado el proceso del modelo, se proceder a su
estimacin.
Examen de diagnstico
o Observar los errores estimados mediante correlogramas y
comprobar que sean puramente aleatorios.

Pronstico
o Con el modelo claramente especificado este puede ser usado
para su fin fundamental: la pronosticacin:
Siguiendo todos estos pasos claramente explicados en el libro de econometra

1 de la Universidad San Ignacio de Loyola, empezamos con la metodologa a
nuestras cuatro variables.
1. Y (Esperanza de vida)
Dado que la funcin de auto correlacin decrece suavemente y la

funcin de auto correlacin parcial es 0 despus del primer rezago,
entonces podemos concluir que tenemos un modelo ARIMA(3,1,0)
Cuadro 2.1
Cuadro 2.2
18
Cuadro 2.3:
La serie de tiempo Y se incrementa, es decir, muestra una tendencia

ascendente, lo cual deja entrever que quiz este variando la media del
logaritmo de Y. Eso tal vez, indique que la serie es no estacionaria.
Cuadro 2.4
19
El modelo es el siguiente:
Y t = 0+ y Yt 1+ y Yt2+ y Yt3+t
Se ha tenido que diferenciar una vez, integrando en orden 1, es decir, la
primera diferencia es estacionaria.
Cuadro 2.5:
Rescatamos los errores de la ecuacin:

Cuadro 2.6:
20
Y vemos que
correlograma
dentro de la
que es
estacionario,
tanto, el modelo captura los movimientos.
el
queda
banda y
por lo
Cuadro 2.7
Cuadro 2.8
21
2. Emisiones de CO2 (kt)

Cuadro 2.9:
22
Cuadro 2.10
Cuadro 2.11:
Cuadro 2.12:
23
A t =a At1+ t+ at1
Las emisiones se han diferenciado una vez para integrada de orden 1, es decir,
es estacionaria. Siendo sus t Stadistics >2 en valores absolutos.
Cuadro 2.13:
24

Y vemos que el correlograma queda dentro de la banda y que es estacionario,
por lo tanto, el modelo ARMA captura los movimientos.
Cuadro 2.14
25
Cuadro 2.15
26
27
3. B (PBI mill. S/. de 2007)

Dado que la funcin de autocorrelacion decrece suavemente y la funcin de
autocorrelacion parcial es 0 despus del primer rezago, entonces es no
estacionaria.
Cuadro 2.16
Cuadro 2.17:
28
Cuadro 2.18:
Cuadro 2.19:
29
B t= 0+bBt 1+t
Sin embargo, luego se ha tenido que diferenciar una vez, integrando en orden
1, es decir, la primera diferencia es estacionaria.
Cuadro 2.20:

30

por lo tanto, el modelo AR captura los movimientos.
Cuadro 2.21:
Cuadro 2.22:
31
4. X (Exportaciones de bienes y servicios % del PIB)

Dado que la funcin de auto correlacin decrece suavemente y la funcin de
auto correlacin parcial es 0 despus del primer rezago, entonces tenemos un
modelo que no es estacionario.
Cuadro 2.23
32
Cuadro 2.24
Cuadro 2.25
33
Cuadro 2.26
34
X t =Xt 1+ t1+ t

Cuadro 2.27
35

por lo tanto, el modelo ARMA (1,1) captura los movimientos.
Cuadro 2.28:
Cuadro 2.29
36
Conclusin general del captulo 2

Si debemos diferenciar una serie de tiempo d veces para hacerla estacionaria
y luego aplicarle el modelo ARMA, decimos que la serie de tiempo es ARIMA,
es decir, es una serie de tiempo autorregresiva integrada de promedios
mviles.
Es por eso que los ejercicios, al salir no estacionarios, se tuvieron que integrar
en primer orden, para as, volverlos estacionarios y poder estudiar su
comportamiento durante el periodo en consideracin (1960-2010).
37
Captulo 3
3.1 Modelos de causalidad de Granger
Este modelo en trminos comunes, la causalidad entre dos series de tiempo
significa que una variable contiene informacin estadstica en sus datos que es
til para predecir a la otra variable, utilizando el mtodo de MCO para tal
prediccin.
Dadas dos series de tiempo tales como
causa a
Yt
de la siguiente forma
Xt
XT Y T
Yt
, se denota que
Xt
38
Los tipos de causalidad que existen entre dos series de tiempo son los
siguientes:
I.
Causalidad unidireccional de
Xt
hacia
YT
Xt Y t
II.
Causalidad unidireccional de
Yt
hacia
Xt
Y t Xt
III.
Causalidad bidireccional entre
IV.
Independencia estadstica entre
Xt
y
Xt
Yt
y
X t Y t Y t X t
:
Yt
X t >Y t Y t > X t
Seguimos los siguientes pasos para poder obtener la causalidad segn el libro
de Econometra 1 de la Universidad San Ignacio de Loyola. Presentaremos los
test para todas las variables.
A con B
1) Causalidad unidireccional
B t At
2) Tamao de muestra
n=50
3) Modelo auxiliar no restringido (NR)
k
i=1
j=1
A t = i Bt i + j At j +ut
39
Para el modelo auxiliar no restringido (NR) luego de analizar los criterios

de Akaike, Schwarz y Hannan-Quinn para poder obtener el rezago
ptimo de nuestras variables nos sali la siguiente ecuacin:
Cuadro 3.1:
4) Nmero de parmetros del modelo (NR)

k NR =2 k
k NR =2 ( 1 ) =2
5) Suma de cuadrados de los residuales del modelo NR
SCR ANR =2.45 E+08
6) Modelo auxiliar restringido (R)
k
A t = A t j+ t
j=1
Para el modelo auxiliar restringido hicimos igual que con el modelo no

restringido, corrimos el modelo con la cantidad de rezagos ptimos que
obtuvimos en el modelo no restringido.
Cuadro 3.2:
40
7) Nmero de parmetros del modelo R

K R =K=1
8) Suma de cuadrados de los residuales del modelo R
A
SCR R =3.10E+08
9) Hiptesis
H 0 : 1=0 i=1,2, , k Bt NO GRANGER At
H 1 : 1 0 i=1,2, , k Bt GRANGER A t
10)Estadstico
X
X
S CR R SCR NR
kR
X
SCR NR
nk NR
3.10E+082.45 E+08
1
=
=
2.45 E+08
502
11) Distribucin del estadstico bajo

F F
12.7346934
H0
=F F (1 ;502 ;0.25)=1.36
(k R ;nk NR ; )
2
12)Prueba de Hiptesis
S i : F calculado> F crtico Rechazar H 0

2
1.36 rechazar H 0
A con X
41
Xt At
2) Tamao de muestra
n=50
k
i=1
j=1
A t = i X ti + j A t j +ut

Cuadro 3.3:

k NR =2 k
k NR =2 ( 1 ) =2
A
SCR NR =3.10E+08
k
A t = A t j+ t
j=1

42
Cuadro 3.4:

K R =K=1
SCR AR =3.10E+08
9) Hiptesis
H 0 : 1=0 i=1,2, , k X t NO GRANGER A t
H 1 : 1 0 i=1,2, , k X t GRANGER At
10)Estadstico
X
X
SCR R SCR NR
kR
X
SCR NR
nk NR
3.10E+083.10E+08
1
=
=
3.10E+08
502

F F
H0
=F F (1 ;502 ;0.25)=1.36
(k R ;nk NR ; )
2
Si : Fcalculado > F crtico Rechazar H 0

2
1.36 Recha zar H 0

A con Y
43
Y t At
2) Tamao de muestra
n=51
k
i=1
j=1
A t = i Y t i+ j A t j+u t

Cuadro 3.5:

k NR =2 k
k NR =2 ( 1 ) =2
SCR ANR =3.02E+08
k
A t = A t j+ t
j=1

Cuadro 3.6:
44

K R =K=1
SCR AR =3.10E+08
9) Hiptesis
H 0 : 1=0 i=1,2, , k Y t NO GRANGER At
H 1 : 1 0 i=1,2, , k Y t GRANGER A t
10)Estadstico
X
X
SCR R SCR NR
kR
SCR XNR
nk NR
3.10E+083.02E+08
1
=
=
3.02E+08
502

F F
1.27152318
H0
=F F (1 ;502 ;0.25)=1.36
(k R ;nk NR ; )
2

2
1.36 No rechazar H 0
B con A
45
A t Bt
2) Tamao de muestra
n=49
k
i=1
j=1
B t= i A t i + j Bt j +ut

Cuadro 3.7:

k NR =2 k
k NR =2 ( 2 ) =4
SCR BNR =3.70E+09
k
B t= Bt j +t
j=1

46
Cuadro 3.8:

K R =K=2
SCR BR=3.87E+09
9) Hiptesis
H 0 : 1=0 i=1,2, , k At NO GRANGER Bt
H 1 : 1 0 i=1,2, , k At GRANGER Bt
10)Estadstico
X
X
S CR R SCR NR
kR
SCR XNR
nk NR
3.87E+093.70E+09
2
=
=1.03378378
3.70E+09
494

F F
H0
=F F (2 ;494 ; 0.25)=1.44
(k R ;nk NR ; )
2

2
B con X
47
Xt Bt
2) Tamao de muestra
n=46
k
i=1
j=1
B t= i X t i+ j Bt j +ut

Cuadro 3.9:

k NR =2 k
k NR =2 ( 5 )=10
SCR BNR =2.40E+09
k
B t= Bt j +t
j=1

Cuadro 3.10:
48

K R =K=5
SCR BR=3.77E+09
9) Hiptesis
H 0 : 1=0 i=1,2, , k X t NO GRANGER Bt
H 1 : 1 0 i=1,2, , k X t GRANGER Bt
10)Estadstico
X
SCR XR SCR NR
kR
SCR XNR
nk NR
3.77E+092.40E+09
5
=
=4.11
2.40E+09
4610

F F
H0
=F F (5 ;4610 ;0.25) =1.41
(k R ;nk NR ; )
2

2
1.39 Rechazar H 0
B con Y
49
Y t Bt
2) Tamao de muestra
n=49
k
i=1
j=1
B t= i Y ti + j Bt j+ ut

Cuadro 3.11:

k NR =2 k
k NR =2 ( 2 ) =4
SCR BNR =3.76E+09
k
B t= Bt j +t
j=1
50

Cuadro 3.12:

K R =K=2
SCR BR=3.87E+09
9) Hiptesis
H 0 : 1=0 i=1,2, , k Y t NO GRANGER Bt
H 1 : 1 0 i=1,2, , k Y t GRANGER B t
10)Estadstico
X
SCR XR SCR NR
kR
SCR XNR
nk NR
3.87E+093.76E+09
2
=
=0.65824468
3.76E+09
494

F F
H0
=F F (2 ;494 ; 0.25)=1.44
(k R ;nk NR ; )
2

2
51
X con A
Xt At
2) Tamao de muestra
n=49
k
i=1
j=1
X t = i A ti + j X t j +ut

Cuadro 3.13:

k NR =2 k
k NR =2 ( 2 ) =4
SCR XNR =379.0204
52
X t = X t j + t
j=1

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

K R =K=2
X
SCR R =446.4644
9) Hiptesis
H 0 : 1=0 i=1,2, , k At NO GRANGER X t
H 1 : 1 0 i=1,2, , k At G RANGER X t
10)Estadstico
X
X
SCR R SCR NR
kR
SCR XNR
nk NR
446.4644379.0204
2
=
=4.00371589
379.0204
494

F F
H0
=F F (2 ;494 ; 0.25)=1.44
(k R ;nk NR ; )
2
12)Prueba de hiptesis
53
Si : Fcalculado > F crtico
Rechazar H 0
2
2.437394721> 1.44 Rechazar H 0

X con B
Bt X t
2) Tamao de muestra
n=51
k
i=1
j=1
X t = i Bt i+ j X t j+u t

Cuadro 3.15:

k NR =2 k
k NR =2 ( 2 ) =4
SCR XNR =375.6653
54

k
X t = X t j + t
j=1

Cuadro 3.16:

K R =K=2
SCR XR =446.4644
9) Hiptesis
H 0 : 1=0 i=1,2, , k Bt NO GRANGER X t
H 1 : 1 0 i=1,2, , k Bt GRANGER X t
10)Estadstico
X
X
SCR R SCR NR
kR
SCR XNR
nk NR
446.4644375.6653
2
=
=4.24042292
375.6653
494

F F
H0
=F F (2 ;494 ; 0.25)=1.44
(k R ;nk NR ; )
2
55
Rechazar H 0
2
2.601644173>1.44 Rechazar H 0
X con Y
Y t Xt
2) Tamao de muestra
n=51
k
i=1
j =1
X t = i Y t i+ j X t j +ut

Cuadro 3.17:

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

X
SCR NR =378.5842
k
X t = X t j + t
j=1

Cuadro 3.18:

K R =K=2
SCR XR =446.4644
9) Hiptesis
H 0 : 1=0 i=1,2, , k Y t NO GRANGER X t
H 1 : 1 0 i=1,2, , k Y t GRANGER X t
10)Estadstico
X
X
SCR R SCR NR
kR
X
SCR NR
nk NR
446.4644378.5842
2
=
=4.03425315
378.5842
494
H0
57
F F
=F F (2 ;494 ; 0.25)=1,44
(k R ;nk NR ; )
2

2
2.075902991> 1.44 Rechazar H 0
Y con A
At Y t
2) Tamao de muestra
n=51
k
i=1
j=1
Y t = i At i+ j Y t j +u t

Cuadro 3.19:
58

k NR =2 k
k NR =2 ( 5 )=10
Y
SCR NR =0.000396
k
Y t = Y t j + t
j =1

Cuadro 3.20:
59

K R =K=5
SCR YR=0.000527
9) Hiptesis
H 0 : 1=0 i=1,2, , k At NO GRANGER Y t
H 1 : 1 0 i=1,2, , k At GRANGER Y t
10)Estadstico
X
X
SCR R SCR NR
kR
X
SCR NR
nk NR
0.0005270.000396
5
=
=2.38181818
0.000396
4610

F F
H0
=F F (5 ;4610 ;0.25) =1.41
(k R ;nk NR ; )
2

2
3.075>1.41 Rechazar H 0
Y con B
60
B t Y t
2) Tamao de muestra
n=51
k
i=1
j=1
Y t = i Bti + j Y t j +ut

Cuadro 3.21:

k NR =2 k
k NR =2 ( 5 )=10
SCR YNR =0.000432
k
Y t = Y t j + t
j =1

61
Cuadro 3.22:

K R =K=5
SCR YR=0.000527
3) Hiptesis
H 0 : 1=0 i=1,2, , k B NO GRANGER Y t
H 1 : 1 0 i=1,2, , k Bt GRANGER Y t
4) Estadstico
X
X
SCR R SCR NR
kR
SCR XNR
nk NR
0.0005270.000432
5
=
=1.58333333
0.000432
4610

F F
H0
=F F (5 ;4610 ;0.25) =1.41
(k R ;nk NR ; )
2
6) Prueba de Hiptesis

2
2.971559633>1.41 Rechazar H 0
Y con X
62
Xt Y t
2) Tamao de muestra
n=51
k
i=1
j =1
Y t = i X t i+ j Y t j+u t

Cuadro 3.23:

k NR =2 k
k NR =2 ( 5 )=10
Y
SCR NR =0.000466
63
Y t = Y t j + t
j =1

Cuadro 3.24:

K R =K=5
SCR YR=0.000527
9) Hiptesis
H 0 : 1=0 i=1,2, , k X t NO GRANGER Y t
H 1 : 1 0 i=1,2, , k X t GRANGER Y t
10)Estadstico
X
SCR XR SCR NR
kR
SCR XNR
nk NR
0.0005270.000466
5
=
=0.94248927
0.000466
4610

F F
H0
=F F (5 ;4610 ;0.25) =1.41
(k R ;nk NR ; )
2
64
Rechazar H 0
2
2.434934498>1.41 chazar H 0
Despus de evaluar el test de causalidad de Granger en cada combinacin de
variable posible en nuestro trabajo, nos dio como resultado nueve
combinaciones de las cuales se acept el
H1
que dice que la variable
independiente tiene causalidad en la variable dependiente.

Las variables con las que vamos a utilizar el Dickey-Fuller en el siguiente
captulo van a ser las siguientes:
A con B
A con X
B con X
X con A
X con B
X con Y
Y con A
Y con B
Y con X
La primera variable es la dependiente y la segunda es la independiente, con

todas estas combinaciones se rechaz el
H0
en el test de causalidad de
Granger.
65
Captulo 4
IV.1
Regresiones espurias: Sospechas (Ratio R-2/DW)
A con B
1) Contexto
A t = 0+ Bt 1+ A t1
2) hiptesis
H 0 : =0 tiene raz unitaria
H 1 : 0 no tiene raz unitaria
3) Por MCO
A t =799.2934 +0.076597 Bt1 +0.493601 A t1

Cuadro 4.1
Siendo:
R2 <d no es regresin esprea

66
Objetivo del test: El error es integrado de orden 0?

4) Test de raz unitaria de Dickey-Fuller a
H 0 : =0 t I ( 0 )
t I ( 0 ) ?
t (residual)
H 1 : 0 t I ( 0 )
a. Hiptesis:
H 0 : t I ( 0 ) At Bt CI ( d , b )=CI (1,1)
H 1 : t I ( 0) At Bt CI ( d , b )=CI (1,1)
Cuadro 4.2:
P-value = 0.00 < 0.05, por lo tanto, se rechaza
H0
Concluimos que hay cointegracin

Cuadro 4.3:
67
Cuadro 4.4:
Cuadro 4.5:
68
A con X
1) Contexto
A t = 0+ X t1 + At 1
2) hiptesis
3) Por MCO
A t =2357.282+ 98.02587 X t1 +1.067558 A t1
Cuadro 4.6:
Siendo:

H 0 : =0 t I ( 0 )
t I ( 0 ) ?
t (residual)
H 1 : 0 t I ( 0 )
a. Hiptesis:
69
H 0 : t I ( 0 ) At Xt CI ( d , b )=CI (1,1)
H 1 : t I ( 0) At Xt CI ( d , b )=CI (1,1)
Cuadro 4.7:
H0

Cuadro 4.8:
Cuadro 4.9:
70
Cuadro 4.10:
B con X
1) Contexto
B t= 0 + X t1 + X t 2+ X t3 + X t 4 + X t5 +B t1 + Bt2 + Bt3 + Bt 4 +B t5
2) hiptesis
3) Por MCO
B t=8076557+319.4905 X t1 +1482.897 X t21648.085 X t3815.8116 X t 4 +987.9995 X t 5+1
Cuadro 4.11:
71
Siendo:
R <d no es regresin esprea

H 0 : =0 t I ( 0 )
t I ( 0 ) ?
t (residual)
H 1 : 0 t I ( 0 )
a. Hiptesis:
H 0 : t I ( 0 ) Bt Xt CI ( d , b )=CI (1,1)
H 1 : t I ( 0) Bt Xt CI ( d , b )=CI (1,1)
Cuadro 4.12:
72
H0

Cuadro 4.13:
73
Cuadro 4.14:
Cuadro 4.15:
X con A
74
Contexto:
X t =0 + A t 1 + At 2+ X t 1 + X t2
Hiptesis:
Por MCO:
X t =2.714736+0.0000156 At 10.0000423 A t 2 +1.017903 X t 10.307008 X t 2

Cuadro 4.16:
Siendo:
R <d no es regresin esprea

Test de raz unitaria de Dickey-Fuller a
H 0 : =0 t I ( 0 )
t I ( 0 ) ?
t (residual)
H 1 : 0 t I ( 0 )
Hiptesis:
75
H 0 : t I ( 0 ) Xt At CI ( d , b )=CI (1,1)
H 1 : t I ( 0) Xt At CI ( d , b )=CI (1,1)
Cuadro 4.17:
P-value = 0.00 < 0.05, por lo tanto, Rho

Cuadro 4.18:
76
Cuadro 4.19:
Cuadro 4.20:
77
X con B
Contexto:
X t =0 +B t1 +B t2 + X t 1+ X t2
Hiptesis:
H 1 : 0 no tiene raz uni taria
Por MCO:
X t =2.6344100.00000773 Bt 1+0.0000241 B t2 +0.999089 X t 10.288001 X t2

Cuadro 4.21:
78
Siendo:

H 0 : =0 t I ( 0 )
t I ( 0 ) ?
t (residual)
H 1 : 0 t I ( 0 )
Hiptesis:
H 0 : t I ( 0 ) Xt Bt CI ( d , b )=CI (1,1)
H 1 : t I ( 0) Xt Bt CI ( d , b )=CI (1,1)
Cuadro 4.22:
79

Cuadro 4.23:
80
Cuadro 4.24:
Cuadro 4.25:
X con Y
81
Contexto:
X t =0 +Y t1 +Y t 2 + X t1 + X t 2
Hiptesis:
Por MCO:
X t =9.8385667.759926t1 +7.755171Y t2 +1.005453 X t10.297869 X t2

Cuadro 4.26:
Siendo:
R <d no es regresin es prea

H 0 : =0 t I ( 0 )
t I ( 0 ) ?
t (residual)
H 1 : 0 t I ( 0 )
Hiptesis:
82
H 0 : t I ( 0 ) Xt Yt CI ( d , b )=CI (1,1)
H 1 : t I ( 0) Xt Yt CI ( d , b )=CI (1,1)
Cuadro 4.27:

Cuadro 4.28:
83
Cuadro 4.29:
Cuadro 4.30:
84
Y con A
Contexto:
Y t = 0 + A t1 + A t 2 + A t3 + A t 4 + A t 5 +Y t 1+ Y t2 +Y t 3 +Y t 4 +Y t 5
Hiptesis:
Por MCO:
Y t =0.0668740.000000285 A t1 +0.0000001.45 At 2+ 0.000000188 A t30.000000475 At 40

Cuadro 4.31:
85
Siendo:

H 0 : =0 t I ( 0 )
t I ( 0 ) ?
t (residual)
H 1 : 0 t I ( 0 )
Hiptesis:
H 0 : t I ( 0 ) Yt At CI ( d , b )=CI (1,1)
H 1 : t I ( 0)Yt At CI ( d , b ) =CI (1,1)
Cuadro 4.32:
86

Cuadro 4.33:
87
Cuadro 4.34:
Cuadro 4.35:
Y con X
Contexto:
88
Y t = 0 + X t1 + X t 2+ X t 3 + X t4 + X t5 +Y t 1+Y t 2+ Y t3 +Y t 4 +Y t5
Hiptesis:
Por MCO:
Y t =0.0945810.000248 X t 10.0000558 X t 2+0.0000783 X t30.000203 X t 4 +0.000199 X t 5 +

Cuadro 4.36:
Siendo:

H 0 : =0 t I ( 0 )
t I ( 0 ) ?
t (residual)
H 1 : 0 t I ( 0 )
Hiptesis:
H 0 : t I ( 0 ) Yt Xt CI ( d , b )=CI (1,1)
H 1 : t I ( 0)Yt Xt CI ( d , b )=CI (1,1)
89
Cuadro 4.37:

Cuadro 4.38:
90
Cuadro 3.39:
Cuadro 4.40:
Conclusin general del captulo 4:

Despus de hacer todos los test para combinacin en donde nos sali positivo el test
de causalidad de Granger, podemos concluir que para todas estas combinaciones
existe cointegracin dado que rechazaron
H0 .
91
Captulo 5
Test ARCH-GARCH:
Justo como el trmino de error
en el tiempo
correlacionado con el trmino de error en el tiempo
(t1)
puede estar
en un esquema
AR (1) , o con varios trminos de error rezagados en el esquema general
AR (p) . Puede existir autocorrelacin en la varianza
en el tiempo t ,
respecto de sus valores rezagados uno o ms periodos? Los investigadores

que trabajan en el pronstico de series de tiempo financieras, como precios
accionarios, tasas de inflacin y tasas de cambio de divisas, han observado
dicha autocorrelacin. A tal autocorrelacion se le han dado nombres ms bien
intimidantes heteroscedasticidad condicional autorregresiva (ARCH), si la
varianza del error est relacionada con el trmino del error al cuadrado en el
periodo anterior, y heteroscedasticidad condicional autorregresiva
generalizada (GARCH), si la varianza del error est relacionada con los
trminos del error al cuadrado de varios periodos en el pasado. El objetivo aqu
es sealar que la autocorrelacin no solo abarca las relaciones entre los
trminos del error actuales y anteriores, sino tambin las varianzas de los
errores actuales y anteriores.
92
Test de ARCH
Variable A
I.
Contexto:
A t =a At1+ t+ at1
Las emisiones se han diferenciado una vez para integrada de orden 1, para
que sea estacionaria.
II.
Objetivo:
^ ARCH ( Q ) ?
Q
III.
Modelo Auxiliar:
2
2
2
^ = 0 + i t i+ et e t WN (0 ; )
i=1
Cuadro 5.1.
IV.
ARCH(4):
Por criterio de informacin de Akaike se escogi con el rezago nmero 4, ya

que sali como el menor de todos.
93
2
2
2
2
2
^ =c+ 1 t 1+ 2 t 2+ 3 t 3 + 4 t4 + et
T =45
R 2=0.579570
V.
Hiptesis:
H 0 :i=0 i=1,2,3, , q ^t no sigue un ARCH (Q)

H 1 :i 0 i=1,2,3, , q ^t si sigue un ARCH (Q)
VI.
Estadstico:
2
LM calculado=T . R =26.08065
Dado=5
VII.
Distribucin estadstica bajo

LM crtico= X 2
(q ;
VIII.
H 0 LM X 2(Q)
=11.14328678
=2,5)
2
Prueba por comparacin de estadstico:
Si : LM calculado> LM crtico R H 0
2
26.08065>11.14328678 R H 0
Como se rechaza la hiptesis nula, por lo tanto se acepta que hay un ARCH(4)
en la corrida.
IX.
Estimacin
94
Variable B
B t= 0+bBt 1+t
I.
Contexto:
II.
Sin embargo, luego se ha tenido que diferenciar una vez, integrando en

orden 1, es decir, la primera diferencia es estacionaria.
Objetivo: ^ ARCH ( Q ) ?
Q
III.
Modelo Auxiliar:
^2 = 0 + i 2t i+ et e t WN (0 ; 2 )
i=1
Cuadro 5.2.
95
IV.
ARCH(1):

2
2
^ =c+ 1 t 1+ et
T =48
R 2=0.065787
V.
Hiptesis:

VI.
Estadstico:
LM calculado=T . R2=3.157778
Dado =5
VII.
H 0 LM X 2(Q)
96
LM crtico= X
VIII.
2
(q ;
=5.02388619
=2,5)
2
2
3.157778<5.02388619 NR H 0
Como se no se rechaza la hiptesis nula, por lo tanto se rechaza que hay un
ARCH(1) en la corrida.
IX.
Estimacin
Variable X
97
I.
Contexto:
X t =Xt 1+ t1+ t

II.
Objetivo:
^ ARCH ( Q ) ?
Q
III.
Modelo Auxiliar:
2
2
2
^ = 0 + i t i+ et e t WN (0 ; )
i=1
Cuadro 5.3.
IV.
ARCH(1):

^2 =c+ 1 2t 1+ et
T =48
R 2=0.000315
V.
Hiptesis:
98

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

LM crtico= X
VIII.
2
(q ;
H 0 LM X 2(Q)
=5.02388619
=2,5)
2
2
0.015141<5.02388619 NR H 0
Como se no se rechaza la hiptesis nula, por lo tanto no se acepta que hay un
ARCH(1) en la corrida.
IX.
Estimacin
99
Variable Y
I.
Contexto:
Y t = 0+ y Yt1+ y Yt2+ y Yt3+t

II.
Objetivo:
^ ARCH ( Q ) ?
Q
III.
Modelo Auxiliar:
2
2
2
^ = 0 + i t i+ et e t WN (0 ; )
i=1
Cuadro 5.4.
IV.
ARCH(2):
100

^2 =c+ 1 2t 1+ 2 2t 2+ et
T =45
R 2=0. 262285
V.
Hiptesis:
H 0 :i=0 i=1,2,3, , q ^ t no sigue un ARCH (Q)

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

LM crtico= X 2
(q ;
VIII.
H 0 LM X 2(Q)
=7.37775891
=2,5)
2
2
11.80292>7.37775891 R H 0
Como se rechaza la hiptesis nula, por lo tanto se acepta que hay un ARCH(2)
en la corrida.
IX.
Estimacin
101
Test de GARCH
Variable A:
Utilizado los criterios de informacin, en este caso hemos utilizado el criterio de
informacin de Akaike, hemos buscado el rezago ptimo del modelo, teniendo
en cuenta que los t-stadistics deben ser significados:
q
= 0 +
2
t
i=1
2
i t1
+ j t j + vt
2
j=1
La corrida generalizada es la siguiente:

Cuadro 5.5.
102
2t = 0 + 1 2t1 + 1 2t 1+v t
Despus de obtener el rezago optimo gracias los criterios de informacin,
hemos obtenido que el modelo es un ARCH (1) GARCH (1).
Variable B:
q
i=1
j=1
2t = 0 + i 2t1 + j 2t j + vt

Cuadro 5.6.
103
2t = 0 + 1 2t1 + 1 2t 1+v t

Variable X:
q
= 0 +
2
t
i=1
2
i t1
+ j 2t j + vt
j=1

Cuadro 5.7.
104
2t = 0 + 1 2t1 + 1 2t 1+v t
Despus de obtener el rezago ptimo gracias los criterios de informacin,

Variable Y:
q
= 0 +
2
t
i=1
2
i t1
+ j 2t j + vt
j=1

Cuadro 5.8.
105
2t = 0 + 1 2t1 + 2 2t2 + 1 2t 1+ 2 2t2 + v t

Captulo 6
Modelos multi-ecuacionales: VAR
Cuadro 6.1.
106
VAR estructural bivariado de las cuatro variables:
107
Variable X:
X t =^
10+ ^11 X t 1+ ^
^11 Y t1 + ^12 Y t2 + ^11 B t1+ ^
^11 At 1+ ^
12 X t2 +
12 Bt 2+
12 A t2 + Xt
Variable Y:
Y t =^
20 + ^21 X t1+ ^
^21 Y t 1+ ^
^
^
^
^22 A t 2+ Yt
22 X t 2 +
22 Y t 2+
21 B t 1+
22 Bt 2+
21 A t1 +
Variable B:
B t= ^
^31 X t 1+ ^
^31 Y t1 + ^32 Y t 2 + ^31 Bt1 + ^32 Bt2 + ^31 At 1+ ^
30 +
32 X t2 +
32 A t2 + Bt
Variable A:
A t =^
40+ ^41 X t 1 + ^
42 X t2 + ^41 Y t 1+ ^
^41 Bt1 + ^42 Bt 2+ ^
41 A t1 + ^42 At 2+ At
42 Y t2 +
Cuadro 6.2.
Como podemos observar, aplicndoles el VAR a las variables, obtenemos con

los criterios de informacin que el rezago ptimo es el 5 en los criterios de
Akaike y Hannan-Quinn y con Schwarz obtenemos el rezago optimo el rezago
4. Vamos a fijarnos ms en el Akaike ya que con ese hemos estado trabajando
a lo largo del trabajo.
ANEXOS
108
Esperanza de
vida al nacer,
total (aos)
PBI (mill.
Emisiones
S/. de
de CO2 (kt) 2007)
1960
47.69158537
8173.743
69946
1961
48.23292683
8643.119
75085
1962
48.75278049
9970.573
82620
1963
49.24865854
10234.597
86196
1964
49.72804878
12266.115
91840
1965
50.21443902
11965.421
97003
1966
50.73678049
13256.205
104995
1967
51.31853659
13655.908
109040
1968
51.96919512
14502.985
109206
1969
52.68726829
15302.391
113044
1970
53.4537561
17784.95
116849
1971
54.24168293
18613.692
122213
1972
55.01758537
18173.652
126463
1973
55.758
19757.796
134401
1974
56.45141463
21360.275
147017
1975
57.09682927
21965.33
153340
1976
57.7047561
22442.04
155559
1977
58.29414634
23340.455
156102
1978
58.881
22460.375
151977
1979
59.47034146
22273.358
158194
1980
60.06363415
24121.526
167596
1981
60.65892683
24103.191
176901
1982
61.24970732
23670.485
176507
1983
61.8305122
20450.859
158136
Exportacion
es de
bienes y
servicios
(% del PIB)
20.761764
18
21.375350
86
20.510688
7
18.950041
79
19.017476
21
16.097923
05
15.987460
82
15.844298
57
18.602498
67
17.941299
14
17.892856
6
14.217099
99
14.124783
3
13.689038
89
14.499138
19
10.850615
31
12.048881
1
15.896706
12
20.733182
67
27.741325
04
27.450980
39
19.101123
6
19.594594
59
22.909090
91
109
1984
62.39936585
20692.881
163842
1985
62.95482927
19512.107
167219
1986
63.49443902
21847.986
182981
1987
64.01921951
25782.677
200778
1988
64.53217073
25107.949
181822
1989
65.0347561
21840.652
159436
1990
65.53043902
21169.591
151492
1991
66.02365854
20417.856
154854
1992
66.51736585
20388.52
154017
1993
67.0134878
23556.808
1994
67.5125122
23230.445
1995
68.01543902
23883.171
1996
68.5237561
24363.548
1997
69.03253659
27407.158
1998
69.53680488
27806.861
1999
70.03009756
29358.002
2000
70.50543902
30296.754
2001
70.95239024
27165.136
2002
71.36692683
27187.138
2003
71.74756098
26380.398
2004
72.09680488
31895.566
2005
72.41860976
37135.709
2006
72.72097561
35063.854
2007
73.01487805
43208.261
2008
73.30729268
41279.419
2009
2010
73.60368293
73.90509756
47355.638
57579.234
162093
182043.
615
195536.
023
201009.
307
214028.
281
213189.
911
216376.
808
222206.
672
223579.
534
235773.
036
245592.
63
257769.
796
273971.
072
294597.
852
319692.
999
348923.
004
352584.
017
382380
23.063973
06
27.498448
17
16.947439
35
13.182269
27
15.560878
24
17.871931
57
16.125181
1
12.415546
12
12.793182
42
12.671540
05
13.119701
89
12.890482
18
13.568600
35
14.710423
13.819073
32
15.485004
56
16.787069
63
16.475841
14
17.067087
14
18.531859
7
22.417509
05
26.569058
02
29.972113
1
30.498456
83
28.392962
26
25.186030
59
26.559760
110
37
Fuente:
Banco Mundial (Esperanza de vida, Emisiones y exportaciones)
BCRP (PBI)
BIBLIOGRAFA
Larios, J.F y lvarez, V.J. (2014). Anlisis Economtrico de Series de Tiempo:

Teora y Problemas. Primera Edicin. Lima: Fondo Editorial de la Universidad
San Ignacio de Loyola.
Damodar N. Gujarati, D.P. (2010). Econometria. Quinta Edicion. Editorial Mc
Graw Hill.
Larios, J.F y lvarez, V.J. (2014). Fundamento de Econometra. Primera
Edicin. Lima: Fondo Editorial de la Universidad San Ignacio de Loyola.
http://databank.bancomundial.org/data/home.aspx
111
http://www.bcrp.gop.pe/
112

Trabajo Final Avance 3

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Trabajo Final Avance 3

Uploaded by

Copyright:

Available Formats

FACULTAD DE CIENCIAS EMPRESARIALES

ALISSA ROCO BAZO PITA

invertibilidad, diferenciacin y correlograma

es su anlisis para hacer el pronstico.

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

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

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

Proceso autorregresivo (AR)

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

1 Identificacin del modelo

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

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

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

Analizando la prueba de raz unitaria de la variable

y , se puede concluir que

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

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

Emisiones de CO2 (KT)

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

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

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

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

PBI (mill. S/. de 2007)

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

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

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

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

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

Exportaciones de bienes y servicios (% del PIB)

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

Se puede apreciar en el correlograma que la auto correlacin decrece

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

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

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

correlogramas elaborados bajo estos dos conceptos para as

q . El hecho de elaborar correlogramas con

diferentes nmeros de rezagos nos dar una clara imagen de qu

correlogramas del FAS y FAP: el correlograma del FAS

correlograma del FAP decrecer exponencialmente. Se debern

o Para identificar un proceso ARMA los correlogramas de FAP y

FAS decrecern exponencialmente.

comprobar que sean puramente aleatorios.

Siguiendo todos estos pasos claramente explicados en el libro de econometra

Dado que la funcin de auto correlacin decrece suavemente y la

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

Rescatamos los errores de la ecuacin:

2. Emisiones de CO2 (kt)

Rescatamos los errores de la ecuacin:

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

Rescatamos los errores de la ecuacin:

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

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

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

Rescatamos los errores de la ecuacin:

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

Conclusin general del captulo 2

Causalidad bidireccional entre

Independencia estadstica entre

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

4) Nmero de parmetros del modelo (NR)

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

7) Nmero de parmetros del modelo R

11) Distribucin del estadstico bajo