BANCO CENTRAL DE COSTA RICA

DIVISIN ECONMICA
DEPARTAMENTO DE INVESTIGACIONES ECONMICAS
DIE-NT-07-00
DICIEMBRE, 2000

CRITERIOS PARA LA SELECCIN DE

MODELOS ESTADSTICOS

Elaborado por:
lvaro Solera Ramrez

Documento de trabajo del Banco Central de Costa Rica, elaborado por el Departamento de
Investigaciones Econmicas
Las ideas expresadas en este documento son responsabilidad del autor y no necesariamente
representan la opinin del Banco Central de Costa Rica

TABLA DE CONTENIDO

I.

OBJETIVO ........................................................................................................................2

II. CRITERIOS DE INFORMACIN .....................................................................................2

2.1.
2.2.
2.3.

Akaike ........................................................................................................................3
Schwarz .....................................................................................................................3
Hannan - Quinn .........................................................................................................4

III. CLCULO DE LOS CRITERIOS DE INFORMACIN Y SELECCIN DEL MODELO PARA

LA TASA INTERANUAL DEL IPC ....................................................................................4
IV. COMENTARIO FINAL ......................................................................................................5
V. BIBLIOGRAFA.................................................................................................................6
ANEXOS...............................................................................................................................7

CRITERIOS PARA LA SELECCIN DE MODELOS ESTADSTICOS

Resumen
En esta nota tcnica se describen y cuantifican las funciones de criterio propuestas por
Akaike (1973,1974), Schwarz (1978) y Hannan y Quinn (1979) para identificar y
seleccionar modelos univariables tipo ARMA. Estos tres criterios comparan el beneficio
de tener ms informacin en trminos de la reduccin de la varianza de las
innovaciones, con el costo de obtener ese beneficio en trminos de la prdida de grados
de libertad en la estimacin. De los modelos que se identifican como vlidos en cada
criterio se selecciona el que minimiza el criterio en cuestin. La aplicacin prctica se
realiza para la variable inflacin, aproximada por la tasa interanual del ndice de Precios
al Consumidor, seleccionndose un modelo ARMA(6,6).

STATISTICAL MODEL SELECTION CRITERIA

Abstract
In order to identify and select univariate models of the ARMA type, this paper discusses
the criterium functions of Akaike (1973, 1974), Schwarz (1978) and Hannan and Quinn
(1979).
These criteria are intended to compare the gains associated with more
information, in terms of their effects upon the reduction of the variance, in contrast with
the costs associated with the loss of degrees of freedom. Based on the valid models in
each criterium, the one which makes the criterium minimum is selected. Finally, the
criteria are applied to price inflation, approximated by the inter-annual variation of the
Consumer Price Index, selecting an ARMA(6,6) model.

Clasificacin JEL: C4
Palabras claves: Criterios, identificacin, seleccin, modelos estadsticos

CRITERIOS PARA LA SELECCIN DE MODELOS ESTADSTICOS

I.

OBJETIVO

El objetivo de esta nota tcnica es describir los criterios de informacin: Akaike,

Schwarz y Hannan-Quinn, con el propsito de identificar modelos univariables tipo ARMA(p,q).
Estos tres criterios comparan el beneficio de tener ms informacin en trminos de la reduccin
de la varianza de las innovaciones, con el costo de obtener ese beneficio en trminos de la
prdida de grados de libertad en la estimacin. En general, estos criterios no coinciden ya que
difieren en la manera en que formulan el costo de reducir la varianza de las innovaciones
(Lutkepohl, 1985).
La aplicacin prctica de esta tcnica se realizar para la variable tasa de inflacin,
aproximada por la tasa interanual del ndice de precios al consumidor (IPC), y utilizando el
paquete economtrico WINRATS1, el cual se especializa en realizar regresiones y ajustar
modelos univariantes tipo Box-Jenkins 2.
II.

CRITERIOS DE INFORMACIN

La seleccin de modelos en el anlisis economtrico involucra tanto consideraciones

estadsticas como no estadsticas. Esto depender de los objetivos del anlisis, de la
naturaleza y extensin de la teora econmica utilizada y de los resultados estadsticos del
modelo bajo consideracin comparado con otros modelos economtricos (para una discusin
de los principios generales involucrados en la seleccin de modelos, ver Pesaran and Smith
1985).
El clculo de los valores de las funciones de criterio corresponde a las propuestas por
Akaike (1973,1974), Schwarz (1978) y Hannan - Quinn (1979), tanto para modelos
uniecuacionales como multiecuacionales. Estos criterios de seleccin de modelos miden el
ajuste (fit) de un modelo dado, maximizando el valor de la funcin de maximaverosimilitud
con el uso de diferentes funciones de costos (penalty) para tomar en cuenta el hecho de que
diferentes nmeros de parmetros desconocidos pudieron haber sido estimados para
diferentes modelos bajo consideracin.
Las funciones de criterio propuestas por los citados autores se describen a
continuacin:

1
2

El nombre WINRATS corresponde a las siglas de Regression Analysis of Time Series for Windows.
Una gua prctica de uso del paquete WINRATS se encuentra en DIE-NT-02-99.

2.1.

Akaike

~
Si ln () es el valor maximizado de la funcin de mxima verosimilitud de un modelo
~

economtrico, donde es el estimador de mxima verosimilitud de , basado en una

muestra de tamao n. El criterio de informacin de Akaike (CIA) para este modelo se define
como:

~) p
CIAl = ln(

(1)

donde:

~ ) = nmero de parmetros estimados libremente.

p = dimensin y (
En el caso de un modelo de regresin lineal o no lineal con una ecuacin simple, el

CIAl puede tambin ser escrito como:

~2) + 2 p
CIA = log(
n

(2)

~2
donde es el estimador de mxima verosimilitud de la varianza de los errores de regresin,
ut , dado por

~ 2 = e' e

en el caso de un modelo de regresin lineal y n el nmero de

observaciones. Las dos versiones de CIA corrrespondientes a la ecuacin 1 y 2 producen

CIA

l ser
resultados idnticos. Cuando se usa la ecuacin 1, el modelo con el mayor valor de
escogido, pero cuando se usa el criterio basado en el error estndar de estimacin (ecuacin
2), el modelo seleccionado es el menor valor para CIAl .

2.2.

Schwarz

El criterio bayesiano schwarz suministra una aproximacin para muestras grandes del
porcentaje de probabilidad del modelo bajo consideracin. Este criterio se define como:

~ ) 1 p log n
CBS l = ln(
2

(3)

Al comparar el CBS entre modelos el que muestre el ms alto valor es el escogido.

Para modelos de regresin una versin alternativa de (3), basado en el error estndar de
~
estimacin de la regresin, , es dado por:

~2 ) + (
CBS = ln(

log n
p)
n

(4)

De acuerdo con este criterio, el modelo que indique el menor valor de

seleccionado.

CBS ser el

2.3.

Hannan - Quinn

Este criterio de informacin fue primeramente propuesto para seleccionar el orden

autorregresivo de los modelos de promedios mviles o vectores autorregresivos, y es definido
por:

~ ) ( log log n ) p
CHQ l = ln(

(5)

o su equivalente en el caso de un modelo de regresin:

~2 ) + (
CHQ = log(

2 log log n
)p
n

(6)

Al igual que en criterios anteriores, el modelo con el menor valor para

seleccionado.
III.

CHQ ser el

CLCULO DE LOS CRITERIOS DE INFORMACIN Y SELECCIN DEL MODELO

PARA LA TASA INTERANUAL DEL IPC

El clculo de los criterios de informacin para la tasa interanual del IPC, descritos en el
punto anterior, se lleva a cabo utilizando el paquete economtrico WINRATS. El programa que
ejecuta este clculo se encuentra en el anexo 1. En general, el programa provee para cada
criterio un total de 156 (12x13) modelos ARMA(p,q), para todo p=1,2,3,...,12 y q=0,1,2,3,...12.,
donde p denota los parmetros autorregresivos y q los parmetros de medias mviles. Para
facilitar la lectura y el anlisis de cada criterio, la salida del programa se traslada a un libro de
excel y all la informacin se acomoda de tal modo que se obtenga el cuadroA2 (anexo 2) , en
donde las columnas y las filas denotan respectivamente el nmero de trminos autorregresivos
(p) y promedios mviles (q).
Del total de 156 (12x13) modelos identificados para cada criterio, se seleccionan los que
son vlidos desde el punto de vista estadstico, esto es que sean invertibles y estimables.
La validez de los modelos corresponde a la invertibilidad y a la posibilidad de estimar el
modelo con una muestra de datos finita. Formalmente, el modelo univariable ARMA(p,q), se
puede expresar de la siguiente manera:
A(L) t = B(L) t
donde es la inflacin, los polinomios de rezago se definen como A(L)=(1-a1L-a2L2-...-apLp)
y B(L)= (1+b1L+b2L2+...+bqLq), y es la innovacin del modelo, con E[]=0, y E[]=2 La
invertibilidad del modelo requiere que (el mdulus de) las races caractersticas del polinomio
A(L) se encuentren fuera del crculo unitario. La estimabilidad del modelo requiere que (el
mdulus de) las races caractersticas del polinomio B(L) se encuentren fuera del crculo
unitario (Granger and Newbold, 1986, pp.25-28). Equivalentemente estas condiciones se
pueden expresar en trminos de las matrices compaeras del modelo. En este caso se

requiere que todos los valores propios de las matrices compaeras se encuentren dentro del
crculo unitario (Hamilton, 1994, ecuacin 10.1.12, p.259).
El clculo de los valores caractersticos se realiza por medio de un programa ejecutable
en WINRATS, el cual se detalla en el anexo 3. En la salida del programa la matriz results
identifica con uno el modelo vlido y con cero el modelo no vlido. En el cuadro A2 los
modelos sombreados corresponden a los vlidos, esto es, invertibles y estimables.
De los modelos vlidos en cada criterio se selecciona el que minimiza cada criterio de
informacin, denotado con negrita en el cuadro A2.. No necesariamente, los tres criterios
deben seleccionar el mismo modelo ARMA(p,q). En el caso particular de la variable inflacin
los tres criterios coinciden en un modelo ARMA(6,6).
La literatura recomienda que en la seleccin del modelo se debe considerar tanto la
validez estadstica como la razonabilidad econmica de la dinmica del modelo, medida esta
ltima por la funcin respuesta-impulso. Lo anterior conduce a la prctica de analizar modelos
vlidos cercanos al seleccionado, con el fin de determinar s la dinmica del modelo se puede
mejorar. Este proceso determin un modelo ARMA(6,3) para la tasa interanual de inflacin.
El procedimiento utilizado para pasar del modelo seleccionado por los criterios
(ARMA(6,6)) al modelo que finalmente se escogi (ARMA(6,3)) para proyectar la tasa
interanual de inflacin, as como el valor ajustado, correlogramas simples y parciales, errores
estandarizados, estadsticos de proyeccin, valores propios y respuestas-impulso del modelo
se encuentran bien especificados en la Nota de Investigacin No 5-00: Modelos Univariables de
la Inflacin (2000).
IV.

COMENTARIO FINAL

Los criterios de Akaike, Schwarz y Hannan-Quinn constituyen una tcnica ms

disponible para la identificacin y seleccin de modelos univariables utilizados en las
proyecciones de variables econmicas. Esta tcnica fue la utilizada en la Nota de Investigacin
No 5-00: Modelos Univariables de la Inflacin.

V.

BIBLIOGRAFA

Akaike, H. (1974), A New Look at the Statistical Identification Model, IEEE: Trans. Auto.
Control, vol. 19, pp. 716-23.
Diebold, Francis X. (1997), Elements of Forecasting, South-Western College Publishing,
Cincinnati, Oh..
Doan, Thomas (1996) RATS: Users Manual, Versin 4. Estima.
Granger, C.W.J. y Newbold, Paul (1986), Forecasting Economic Time Series, Economic
Theory, Econometrics and Mathematical Economics, second edition.
Granger, C.W.J, and Paul Newbold (1986) Forecasting Economic Time Series, Academic
Press, New York, New York.
Hamilton, D. (1994), Time Series Analysis.
Jersey.

Princeton University Press; Princeton, New

Hannan, E.J., and B.G. Quinn (1979), The Determination of the Order of an Autoregression,
Journal of Royal Statistical Society B, vol. 41, pp. 190-95.
Hoffmaister, Alexander, Ivannia Solano, Alvaro Solera y Katia Vindas (2000), Modelos
Univariables de la Inflacin, , Banco Central de Costa Rica, Nota de Investigacin 5-00.
Ltkepohl, Helmut (1985) Comparison of Criteria for Estimating the Order of a Vector
Autoregressive Process. Journal of Time Series Analysis, Vol. 6, pp. 35-52.
Schwarz, G. (1978), Estimating the Dimension of a Model, Annals of Statistics, Vol. 6, pp. 46164.

solerara@bccr.fi.cr

K:\Secretarias-Direccin\Investigaciones\Notas Tcnicas\Notas Tcnicas 2000\NT-07-2000-PDF.doc

23/04/a2:44

ANEXOS

ANEXO 1

Programa en winrats para calcular los tres criterios de informacin.

**********************************************************
* BANCO CENTRAL DE COSTA RICA
*
* DIVISION ECONOMICA
*
* EQUIPO DE ESTUDIO DE INFLACION
*
*
*
* PROGRAMA RATS PARA ESCOGER MODELO TIPO ARMA *
* POR MEDIO DE LOS CRITERIOS DE INFORMACION
*
* AKAIKE, SCHWARZ Y HANNAN Y QUINN
*
*
*
* N:\Inflacin\modelos-arma\criterios de informacin.prg
*
**********************************************************
* fecha de actualizacin: 19/12/2000
*
**********************************************************
*
CALENDAR 1986 1 12
ALLOCATE 0 2010:08
OPEN DATA n:\inflacin\modelos-arma\IPC1.XLS
DATA(FORMAT=XLS,ORG=OBS) / IPC1 INI IPCNR IPPI
*
PRINT / IPC1 INI IPCNR IPPI
*
*--------------GENERACION DE VARIABLES---------*
smpl 1986:01 1999:12
COMPUTE N_SER=4
DECLARE VECTOR[SERIES] PI_V(N_SER)
*
EQV PI_V(1) PI_V(2) PI_V(3) PI_V(4)
PI_IPC PI_INI PI_IPCNR PI_IPPI
*
*PRINT / PI_V(1) PI_V(2) PI_V(3) PI_V(4)
*
COMPUTE PMAX = 12
COMPUTE START = 1990:01
COMPUTE END = 1999:12
*
*
DECLARE VECTOR[STRING] SERIES(N_SER)
compute SERIES(1) = 'IPC'
compute SERIES(2) = 'INI'
compute SERIES(3) = 'IPCNR'
8

compute SERIES(4) = 'IPPI'

*
COMPUTE C=0
*
*
DOFOR S = IPC1 INI IPCNR IPPI
COMPUTE C = C+1
*
SET S
= LOG([SERIES] S)
DIFF(SDIFFERENCE=1) S 1987:01 1999:12 PI_V(C)
END DOFOR
*PRINT / PI_V(1) PI_V(2) PI_V(3) PI_V(4)
*
smpl 1987:01 1999:12
*
*----------------CREACION DE MATRIZ RESULTS---------------*
DECLARE RECTANGULAR RESULTS(PMAX,3)
*
*---------------------------REGRESION--------------------------------*
DO j=0,PMAX; *REZAGOS MA
DISPLAY 'MA=' j
DISPLAY @12 'AIC' @22 'SCH' @32 'HQ'
DO i=1,PMAX; * REZAGOS AR
BOXJENK(NOPRINT,CONSTANT,AR=i,MA=j) PI_V(1) START END
*
*CALCULO DE LOS CRITERIOS
*
COMPUTE
RESULTS(i,1)
=
LOG(%RSS/%NOBS)
2.0*(%NREG)/%NOBS
COMPUTE
RESULTS(i,2)
=
LOG(%RSS/%NOBS)
(%NREG)*(LOG(%NOBS)/%NOBS)
COMPUTE
RESULTS(i,3)
=
LOG(%RSS/%NOBS)
(2.0*LOG(LOG(%NOBS))/%NOBS)*(%NREG)
*
*IMPRESION
*
DISPLAY @2 ##.## i @12 ##.## RESULTS(i,1) $
@22 ##.## RESULTS(i,2)$@32 ##.## RESULTS(i,3)
*
END DO i
END DO j
*
END

+$
+$
+$

ANEXO 2
CUADRO A2:
MODELOS ARMA (IPC)
CRITERIO AKAIKE
MA
AR
1
2
3
4
5
6
7
8
9
10
11
12

10

11

12

-9,088
-9,213
-9,199
-9,200
-9,220
-9,208
-9,191
-9,204
-9,199
-9,198
-9,213
-9,208

-9,249
-9,232
-9,243
-9,234
-9,247
-9,262
-9,246
-9,249
-9,240
-9,258
-9,241
-9,419

-9,244
-9,258
-9,248
-9,261
-9,249
-9,296
-9,282
-9,265
-9,287
-9,270
-9,227
-9,562

-9,229
-9,241
-9,238
-9,310
-9,238
-9,241
-9,238
-9,236
-9,224
-9,318
-9,308
-9,613

-9,272
-9,265
-9,249
-9,465
-9,423
-9,556
-9,526
-9,564
-9,579
-9,585
-9,620
-9,625

-9,281
-9,340
-9,476
-9,451
-9,544
-9,473
-9,419
-9,620
-9,481
-9,572
-9,502
-9,766

-9,403
-9,351
-9,306
-9,331
-9,397
-9,419
-9,362
-9,401
-9,405
-9,394
-9,475
-9,692

-9,303
-9,414
-9,248
-9,453
-9,456
-9,340
-9,399
-9,336
-9,553
-9,523
-9,524
-9,805

-9,468
-9,555
-9,513
-9,604
-9,656
-9,616
-9,610
-9,567
-9,596
-9,693
-9,411
-9,786

-9,532
-9,551
-9,521
-9,686
-9,783
-9,885
-9,701
-9,791
-9,524
-9,684
-9,718
-9,901

-9,483
-9,499
-9,514
-9,508
-9,846
-9,704
-9,635
-9,552
-9,642
-9,728
-9,652
-9,749

-9,857
-9,614
-9,742
-9,748
-9,748
-9,608
-9,574
-9,782
-9,485
-9,610
-9,595
-9,992

-9,862
-9,800
-9,733
-9,732
-9,691
-9,956
-9,594
-9,455
-9,739
-9,664
-9,746
-9,641

CRITERIO SCHWARTZ
MA

10

11

12

1
2
3
4
5
6
7
8
9
10
11
12

-9,041
-9,142
-9,105
-9,082
-9,078
-9,043
-9,003
-8,992
-8,963
-8,938
-8,930
-8,901

-9,178
-9,138
-9,125
-9,092
-9,082
-9,074
-9,034
-9,013
-8,980
-8,974
-8,934
-9,089

-9,149
-9,140
-9,106
-9,096
-9,061
-9,083
-9,046
-9,006
-9,004
-8,963
-8,897
-9,208

-9,111
-9,099
-9,072
-9,121
-9,026
-9,005
-8,978
-8,953
-8,917
-8,987
-8,953
-9,235

-9,130
-9,100
-9,060
-9,253
-9,187
-9,297
-9,243
-9,257
-9,249
-9,231
-9,243
-9,224

-9,116
-9,151
-9,264
-9,215
-9,284
-9,190
-9,112
-9,290
-9,127
-9,194
-9,101
-9,341

-9,214
-9,138
-9,070
-9,072
-9,114
-9,112
-9,031
-9,047
-9,028
-8,992
-9,050
-9,244

-9,091
-9,178
-8,988
-9,170
-9,149
-9,009
-9,045
-8,958
-9,151
-9,098
-9,076
-9,333

-9,232
-9,295
-9,230
-9,297
-9,325
-9,262
-9,232
-9,165
-9,171
-9,245
-8,939
-9,290

-9,272
-9,267
-9,214
-9,355
-9,429
-9,507
-9,300
-9,366
-9,075
-9,212
-9,222
-9,382

-9,200
-9,192
-9,183
-9,153
-9,469
-9,302
-9,210
-9,103
-9,170
-9,232
-9,132
-9,206

-9,550
-9,284
-9,388
-9,370
-9,346
-9,183
-9,125
-9,310
-8,989
-9,091
-9,052
-9,425

-9,532
-9,446
-9,356
-9,330
-9,266
-9,508
-9,121
-8,960
-9,220
-9,121
-9,179
-9,051

AR

CRITERIO HANNAN AND QUINN

MA

10

11

12

1
2
3
4
5
6
7
8
9
10
11
12

-9,069
-9,185
-9,161
-9,152
-9,162
-9,141
-9,115
-9,118
-9,103
-9,093
-9,098
-9,084

-9,220
-9,194
-9,195
-9,176
-9,180
-9,186
-9,160
-9,153
-9,135
-9,143
-9,116
-9,285

-9,206
-9,210
-9,190
-9,194
-9,173
-9,209
-9,186
-9,160
-9,172
-9,146
-9,093
-9,418

-9,181
-9,183
-9,170
-9,233
-9,152
-9,146
-9,133
-9,121
-9,100
-9,184
-9,164
-9,460

-9,215
-9,198
-9,172
-9,379
-9,327
-9,451
-9,411
-9,440
-9,445
-9,441
-9,467
-9,462

-9,214
-9,264
-9,390
-9,355
-9,439
-9,358
-9,294
-9,486
-9,337
-9,419
-9,339
-9,594

-9,326
-9,265
-9,210
-9,226
-9,282
-9,294
-9,228
-9,257
-9,252
-9,231
-9,303
-9,510

-9,217
-9,318
-9,143
-9,338
-9,331
-9,206
-9,255
-9,183
-9,390
-9,350
-9,342
-9,614

-9,372
-9,450
-9,398
-9,480
-9,522
-9,473
-9,456
-9,404
-9,423
-9,511
-9,220
-9,584

-9,426
-9,436
-9,397
-9,552
-9,639
-9,731
-9,538
-9,618
-9,342
-9,493
-9,516
-9,691

-9,368
-9,374
-9,380
-9,364
-9,693
-9,541
-9,463
-9,370
-9,450
-9,526
-9,441
-9,529

-9,733
-9,480
-9,598
-9,595
-9,585
-9,436
-9,392
-9,590
-9,284
-9,400
-9,375
-9,762

-9,728
-9,657
-9,580
-9,569
-9,519
-9,774
-9,402
-9,254
-9,528
-9,444
-9,516
-9,401

AR

Los valores sombreados indican los modelos ARMA estimables, por su parte el valor en negrita indica el mnimo valor del criterio dentro de este conjunto de modelos estimables.

CRITERIOS

-9,000

-9,100

-9,200

-9,300
1
2

-9,400

VA

3
4

-9,500

5
6
7

-9,600

8
9

-9,700

10
11

-9,800
11
9

-9,900
7

AR
-10,000

5
0

3
5
MA

1
10

11

12

12

-8,600

-8,800

2
3
-9,000

4
5
6

-9,200

7
8
9

-9,400

10
11
-9,600

-9,800

-10,000
0

10

11

12

10

11

12

12

ANEXO 3

Programa en winrats para determinar la validez de los modelos candidatos.

**************************************************
* BANCO CENTRAL DE COSTA RICA
*
* DIVISION ECONOMICA
*
* EQUIPO DE ESTUDIO DE INFLACION
*
*
*
* PROGRAMA RATS PARA DETERMINAR MODELOS *
* INVERTIBLES Y ESTIMABLES CON BASE EN
*
* LOS VALORES PROPIOS
*
*
*
* N:\Inflacin\modelos-arma\vpropiosII
*
**************************************************
* fecha de actualizacin: 19/12/2000
*
*
*
**************************************************
*
*SOURCE(ECHO) READDF.PRG
CALENDAR 1986 1 12
ALLOCATE 0 2010:08
OPEN DATA K:\inflacin\modelos-arma\IPC1.XLS
DATA(FORMAT=XLS,ORG=OBS) / IPC1 INI IPCNR IPPI
*
*PRINT / IPC1 INI IPCNR IPPI
*GENERACION DE VARIABLES
*
smpl 1986:01 1999:12
COMPUTE N_SER=4
DECLARE VECTOR[SERIES] PI_V(N_SER)
*
EQV PI_V(1) PI_V(2) PI_V(3) PI_V(4)
PI_IPC PI_INI PI_IPCNR PI_IPPI
*
*PRINT / PI_V(1) PI_V(2) PI_V(3) PI_V(4)
*
COMPUTE PMAX = 12
*
DECLARE VECTOR[STRING] SERIES(N_SER)
compute SERIES(1) = 'IPC'
compute SERIES(2) = 'INI'
compute SERIES(3) = 'IPCNR'
compute SERIES(4) = 'IPPI'
*
11

COMPUTE C=0
*
*
DOFOR S = IPC1 INI IPCNR IPPI
COMPUTE C = C+1
*
SET S
= LOG([SERIES] S)
DIFF(SDIFFERENCE=1) S 1987:01 1999:12 PI_V(C)
END DOFOR
*PRINT / PI_V(1) PI_V(2) PI_V(3) PI_V(4)
*
smpl 1987:01 1999:12
*
*
***************************
*CREACION DE ESCALARES *
***************************
COMPUTE START = 1990:01
COMPUTE END = 1999:12
COMPUTE MODELS = 1; *(NUMERO DE MODELOS)
*
*
DECLARE RECTANGULAR[INTEGER] MM(MODELS,2)
DECLARE
VECTOR[SERIES] MROOT(MODELS) MMAROOT(MODELS)
*
*
***********************************************
*
MODELOS A R M A SELECCIONADOS
*
*
***********************************************
compute s_ar = 0; * set to zero
compute s_ma = 0; * set to zero
*
*MODELO 1*
COMPUTE MM(1,1)=6
COMPUTE MM(1,2)=0
/*
*MODELO 2*
COMPUTE MM(2,1)=6
COMPUTE MM(2,2)=1
*
*MODELO 3*
COMPUTE MM(3,1)=6
COMPUTE MM(3,2)=2
*
*MODELO 4*

12

COMPUTE MM(4,1)=6
COMPUTE MM(4,2)=3
*
*MODELO 5*
COMPUTE MM(5,1)=6
COMPUTE MM(5,2)=4
*/
*
*----------AR-Maximo-----------------------------compute [integer] ar_max = 0
compute [integer] ma_max = 0
*
do i = 1, models
*
if mm(i,1).ge.ar_max
{
compute ar_max = mm(i,1)
}
*
if mm(i,2).ge.ma_max
{
compute ma_max = mm(i,2)
}
*
end do i
*
*write ar_max ma_max
*
declare vector mroot_v(Pmax)
declare vector mmaroot_v(Pmax)
*
*
*DECLARACION DE SERIES QUE SE USAN DENTRO DEL DO
*--------------------------------------*
SET PI_REF / = 0.0
SET PI_SH / = 0.0
CLEAR IMP
SET RES_ST / = 0.0
*
do i = 1, models
*
set mroot(i) / = 0.0
set mmaroot(i) / = 0.0
*
end do i

13

*
SET TH1 / = 0.0
SET TH2 / = 0.0
SET TH3 / = 0.0
SET TH4 / = 0.0
*
set dummy / = 0.0
*
*--------------------------------------*
DECLARE RECTANGULAR CC(Pmax,Pmax) CC_ma(Pmax,Pmax)
*
*
COMPUTE LAB1=' X '
COMPUTE LAB2=' Y '
COMPUTE LAB3=' Z '
COMPUTE LAB4=' Z '
*
COMPUTE V_MAX= 0.0
COMPUTE VMA_MAX= 0.0
*
*--------------------------------------*
COMPUTE CC = %CONST(0.0)
COMPUTE CC_ma = %CONST(0.0)
*
*---------------------------------------*OPEN PLOT ARMA.PLT
*---------------------------------------*
*
COMPUTE C=0
*
OPEN COPY IPC_VALIDO.LIS
*
DECLARE RECTANGULAR RESULTS(PMAX,PMAX+1)
*
*DOFOR S = PI_V(1) PI_V(2) PI_V(3) PI_V(4)
DOFOR S = PI_V(1)
*
CORRELATE(NOPRINT,NUMBER=36,PARTIAL=SP_PCORR) S START END SP_AUTO
COMPUTE C=C+1
*
DO p = 1,PMAX
DO q = 0,PMAX
*

14

BOXJENK(iterations=100,NOPRINT,DEFINE=BJEQ,CONSTANT,AR=p,MA=q,$
SAR=s_ar,SMA=s_ma) S START END RESID
*
/* FORECAST 1 36 1999:10
# BJEQ PI_REF
print 1999:11 2002:11 PI_REF
*
SET RES_ST START END = RESID/%SEESQ**0.5
SET PI_FIT START END = [SERIES] S - RESID
SET UPPER START END = 2.0
SET LOWER START END = -2.0
*
CORRELATE(NOPRINT,NUMBER = 36,PARTIAL=PCORR) RESID START END AUTO
*
COMPUTE SHOCK= %SEESQ**0.5
DISPLAY 'SHOCK=' SHOCK
*
FORECAST(INPUT) 1 36 1999:10
# BJEQ PI_SH
# SHOCK
*
SET IMP 1999:10 1999:10+35 = PI_SH - PI_REF
*---------------------------------------------*/
compute CC = %const(0.0)
compute CC_ma = %const(0.0)
*
COMPUTE AR_P = p
COMPUTE MA_Q = q
*
compute max_pq = %imax(AR_P,MA_Q)
*
*
*-------Companion-matrix----------------------*
DO j=1,p-1
*
COMPUTE CC(1,j) = %BETA(j+1)
*
COMPUTE CC(j+1,j) = 1.0
*
*DISPLAY j
*
END DO j
*
COMPUTE CC(1,p) = %BETA(p+1)

15

*
EIGEN(CVALUES=CROOT) cc root
COMPUTE MROOT_v = %const(0.0)
*
DO j=1,p
*
COMPUTE MROOT_v(J)=( (%real(CROOT(j)))**2 + $
(%imag(CROOT(j)))**2 )**0.5
*
END DO j
*
SET MROOT(1) 1 max_pq = MROOT_v(t)
SET UNO 1 max_pq = 1.0
*
COMPUTE V_MAX = MROOT(1) (1)
*
*display 'AR Companion and eigen'
*WRITE CC MROOT_v
*---------------------------------------------*
COMPUTE VMA_MAX = 0.0
*
*
if q.ne.0
{
*-------MA-Companion-matrix-------------------DO j=1, q-1
*
COMPUTE CC_ma(1,j) = %BETA(j+1+p)
*
COMPUTE CC_ma(j+1,j) = 1.0
*DISPLAY 'MA coef' j
*
END DO j
*
COMPUTE CC_ma(1,q)=%BETA(q+1+p)
*
EIGEN(CVALUES=CMAROOT) cc_ma root_ma
COMPUTE MMAROOT_v = %const(0.0)
*
DO j=1,q
*
COMPUTE MMAROOT_v(J)=( (%real(CMAROOT(j)))**2 +
(%imag(CMAROOT(j)))**2 )**0.5
*
END DO j

16

*
*
SET MMAROOT(1) 1 MA_Q = MMAROOT_v(t)
SET UNO
1 MA_Q = 1.0
*
COMPUTE VMA_MAX = MMAROOT(1) (1)
*
*display 'MA Companion and eigen'
*WRITE CC_ma MMAROOT_v
*---------------------------------------------}
If V_MAX.LE.1.AND.VMA_MAX.LE.1
{
COMPUTE RESULTS(P,Q+1) = 1.0
}
ELSE
{
COMPUTE RESULTS(P,Q+1) = 0.0
}
*
END DO P
END DO Q
WRITE RESULTS
WRITE(UNIT=COPY,FORMAT='(13(F2.1,2X))') RESULTS
CLOSE COPY
END DOFOR S
END

17