You are on page 1of 38

PRÁCTICAS DE LA ASIGNATURA ECONOMETRIA II.

CURSO 2005/2006

Práctica 3

1. Planteamiento y Objetivos de la Práctica

En la presente práctica se propone la modelización univariante por medio del


enfoque de Box-Jenkins de tres series temporales con características distintas. En
cada uno de los ejemplos propuestos hay distintos pasos a detallar, pero con el fin
de ver los tres ejemplos en la sesión práctica, cada profesor puede realizar los que
considere más importantes en cada ejemplo y dejar los pasos omitidos para que los
cubran los alumnos después por su cuenta

Con la presente práctica se intenta que el alumno aprenda a construir


modelos ARIMA univariantes para una serie temporal por medio del enfoque de
Box-Jenkins. La aplicación de esta metodología conlleva recorrer diversas etapas
hasta elaborar el posible modelo generador de los datos, de forma sintética los
pasos a realizar son los siguientes:

• Especificación inicial
• Estimación
• Chequeo o validación
• Utilización del modelo 1

En la etapa de especificación inicial se deberá determinar el orden de


integración de la serie temporal, es decir cual es el número de diferencias que se
requerirán y si una de ellas debe ser anual (estacional) para convertir en
estacionaria a la variable objeto de análisis, Zt (d,s).
Zt = (1-B)d (1-Bs ) D

1
El modelo puede utilizarse, por ejemplo, para predecir, para describir las propiedades del fenómeno
económico en cuestión en cuanto a su tendencia, estacionalidad, oscilaciones (cíclicas)
estacionarias, impredictibilidad, etc-, para basar sobre él la extracción de señales como el
componente estacional
2
Donde: d es el número de diferencias regulares y D es el número de diferencias de
tipo estacional y habitualmente D = 0 ó 1 y habitualmente 0 ≤ d+D ≤ 2.

Para ello se utiliza tanto el análisis gráfico de la serie, que nos revela
determinadas características de la misma, como sus correloramas simple y parcial
y los tests de raíces unitarias.

Una vez decidido el orden d y D, es decir el número de raíces unitarias que


tiene la serie temporal, habrá que decidir el orden del polinomio autorregresivo (p) y
el de medias móviles (q) para lo cual utilizamos como principales instrumentos el
correlograma simple y el parcial de la serie. Los criterios generales que deben
servir de guía para determinar el orden p del polinomio autorregresivo y el orden q
del polinomio medias móviles se recogen en las estructuras de los correlogramas
simple (FAC) y parcial (FAP) y que para los casos más sencillos se han visto en las
clases teóricas. Un resumen de las características de la estructura del correlograma
simple y del parcial se recoge en el esquema adjunto.

Características teóricas de la FAC y de la FAP de los procesos estacionarios


Procesos FAC FAP
P primeras autocorrelaciones
Decrecimiento rápido hacia
AR (p) distintas de cero y el resto
cero sin llegar a anularse
ceros
q primeras autocorrelaciones Decrecimiento rápido hacia
MA (p)
significativas y el resto ceros cero sin llegar a anularse
Decrecimiento rápido hacia
Decrecimiento rápido hacia
ARMA (p, q) cero sin llegar a anularse
cero sin llegar a anularse

Debe quedar claro que la identificación es siempre tentativa por lo que se


deben sugerir varios modelos como posibles procesos generadores de datos. Una
vez que se han sugerido uno o varios modelos se escoge el que parezca más
adecuado y se procede a su estimación, apropiado, usualmenteel de máxima

3
verosimilitud pero en Eviews este método no está implementado. Posteriormente se
debe realizar el chequeo ó validación de esas estimaciones, es decir, decidir sobre
varios criterios la validez de dichas estimaciones.

En esta práctica se realiza la modelización de tres series temporales de


datos reales y características distintas. El primer caso se refiere al volumen de
ventas de una empresa en términos reales y con frecuencia anual, el segundo
analiza el Índice de Producto Interior Bruto (PIB) del Reino Unido con frecuencia
trimestral y el último se modeliza a una serie de frecuencia mensual y con
estacionalidad, el transporte de mercancías por avión en Estados Unidos.

2.Ejemplo1. Ventas anuales de una empresa

La serie que se modeliza se refiere a las ventas en términos reales de una


determinada empresa. Su periodicidad es anual y el tamaño muestral abarca 51
observaciones que comprenden el periodo 1949-1999; dada su frecuencia anual,
esta serie no tendrá componente estacional. Los datos de esta variable se
encuentran en el Banco de Datos del curso de econometría II.

El primer paso que debemos dar para elaborar el modelo univariante de las series
es crear en Eviews el workfile con frecuencia anual y tamaño muestral indicado e
importamos los datos, tal y como hemos hecho en las prácticas anteriores. La
variable la denominamos ventas

Una vez cargados los datos debemos verificar si la serie temporal es


estacionaria y en caso de que no lo sea realizar las transformaciones pertinentes
hasta convertirla en estacionaria. Para ello en primer lugar graficamos la serie
ventas, gráfico que se muestra a continuación.

La instruccione en Eviews para obtener el gráfico de la serie es:

Quik/Graph /ventas/Line Graph


4
Evolución de las ventas
1200

1100

1000

900

800

700

600

500
50 55 60 65 70 75 80 85 90 95

VENTAS

Se observa que tiene una tendencia creciente muy acentuada, lo que es un


claro signo de que la serie no es estacionaria en media, además ese crecimiento
muestras signos de regularidad por lo que la varianza aparentemente exhibe cierto
grado de estabilidad y no es del todo preciso tomar logaritmos.

En segundo lugar obtenemos los correlogramas

Instrucciones en Eviews para obtener los correlogramas de ventas

Quick/Series Statistics/Correlogram/ventas
También de forma alternativa en el objeto serie (ventas)
View/Correlogram

5
El correlograma simple de ventas (AC) confirma la sospecha anterior sobre la no
estacionariedad de la variable ventas al mostrar un decrecimiento muy lento.
Adicionalmente llevamos a cabo el test de raíces unitarias de D-F

Instrucciones en Eviews para el test D-F:

Quick/Series Statistics/unit root/ventas

Null Hypothesis: VENTAS has a unit root


Exogenous: Constant
Lag Length: 1 (Automatic based on SIC, MAXLAG=10)

t-Statistic Prob.*

Augmented Dickey-Fuller test statistic -0.906450 0.7780


Test critical values: 1% level -3.571310
5% level -2.922449
10% level -2.599224

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

Augmented Dickey-Fuller Test Equation


6
Dependent Variable: D(VENTAS)
Method: Least Squares
Date: 04/11/06 Time: 17:42
Sample (adjusted): 1951 1999
Included observations: 49 after adjustments

Variable Coefficient Std. Error t-Statistic Prob.

VENTAS(-1) -0.001026 0.001132 -0.906450 0.3694


D(VENTAS(-1)) 0.577317 0.111009 5.200645 0.0000
C 5.282546 1.831241 2.884682 0.0059

R-squared 0.454475 Mean dependent var 10.49688


Adjusted R-squared 0.430757 S.D. dependent var 1.402848
S.E. of regression 1.058424 Akaike info criterion 3.010708
Sum squared resid 51.53198 Schwarz criterion 3.126534
Log likelihood -70.76235 F-statistic 19.16125
Durbin-Watson stat 2.399094 Prob(F-statistic) 0.000001

El Valor del estadístico t (-0.906) es inferior a los valores críticos de la distribución


DF por lo que no se puede rechazar la hipótesis de la existencia de una raíz
unitaria, y por tanto, la serie ventas no es estacionaria

Como un primer paso para eliminar la tendencia y convertir la serie en estacionaria


se prueba con el ajuste de una tendencia lineal determinística a la serie ventas y si
es adecuado eliminar la tendencia de la serie original. Para ello, se ajusta una
tendencia determinística a la variable ventas del tipo:
ventas = c +β t + μt
Cuya estimación se presenta a continuación

Instrucciones en Eviews para la estimación de la tendencia determinista :


Quick /estimate equation
Y en la ventana de la ecuación que se abre escribir: ventasc @trend+1
El resultado de la estimación es:

7
Ecuación para la tendencia

Dependent Variable: VENTAS


Method: Least Squares
Date: 04/09/06 Time: 19:17
Sample: 1949 1999
Included observations: 51

Variable Coefficient Std. Error t-Statistic Prob.

C 605.9019 1.299179 466.3730 0.0000


@TREND+1 10.39500 0.043483 239.0563 0.0000

R-squared 0.999143 Mean dependent var 876.1719


Adjusted R-squared 0.999126 S.D. dependent var 154.5990
S.E. of regression 4.570939 Akaike info criterion 5.915740
Sum squared resid 1023.781 Schwarz criterion 5.991498
Log likelihood -148.8514 F-statistic 57147.92
Durbin-Watson stat 0.109129 Prob(F-statistic) 0.000000

12

-4

-8

-12

-16
50 55 60 65 70 75 80 85 90 95

VENTAS Residuals

Analizando esos resultados podemos observar que la estimación de los


residuos presentan un estadístico Durbin- Watson próximo a cero, lo que es
indicativo de una fuerte autocorrelación de primer orden y de la existencia una raíz
unitaria y que, por lo tanto, no cumplen las condiciones para que sean ruido
8
blanco. El gráfico de los residuos la serie ventas también muestra esos problemas
y nos indica que los residuos se han mantenido por encima y/o por debajo de la
media durante un periodo demasiado largo. Por lo tanto, ese ajuste no es adecuado
puesto que olvida determinadas propiedades importantes de la serie

Dado que el procedimiento anterior no es el adecuado, la tendencia es tipo


estocástica y utilizamos a continuación el procedimiento de la diferenciación para
convertir a la serie en estacionaria. Tomamos la primera diferencia en la serie
ventas para lo que generamos la serie de Dventas =ventas-ventas(-1), es decir,
transformamos la serie de acuerdo con la siguiente expresión:

Zt =(1-B)ventas

La representación gráfica de la serie transformada y sus correspondientes


correlogramas se muestran a continuación.

Primera diferencia de la serie ventas


15

14

13

12

11

10

7
50 55 60 65 70 75 80 85 90 95

DVENTAS

9
Tanto el gráfico de la serie Dventas como su correlograma indican que la
primera diferencia de la serie puede ser estacionaria puesto que oscila en torno a
su nivel medio y el correlograma tiende a cero con cierta rapidez . No obstante, se
completa este análisis con el test DFA de raíces unitarias que se muestra a
continuación

Test de D-F Aumentado de Dventas

Null Hypothesis: DVENTAS has a unit root


Exogenous: Constant
Lag Length: 0 (Automatic based on SIC, MAXLAG=10)

t-Statistic Prob.*

Augmented Dickey-Fuller test statistic -3.777505 0.0057


Test critical values: 1% level -3.571310
5% level -2.922449
10% level -2.599224

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

Augmented Dickey-Fuller Test Equation


Dependent Variable: D(DVENTAS)

10
Method: Least Squares
Date: 04/11/06 Time: 21:55
Sample (adjusted): 1951 1999
Included observations: 49 after adjustments

Variable Coefficient Std. Error t-Statistic Prob.

DVENTAS(-1) -0.381068 0.100878 -3.777505 0.0004


C 3.942637 1.078866 3.654428 0.0006

R-squared 0.232898 Mean dependent var -0.092714


Adjusted R-squared 0.216577 S.D. dependent var 1.193536
S.E. of regression 1.056413 Akaike info criterion 2.987596
Sum squared resid 52.45244 Schwarz criterion 3.064813
Log likelihood -71.19611 F-statistic 14.26955
Durbin-Watson stat 2.473364 Prob(F-statistic) 0.000445

El test DFA rechaza la hipótesis nula de una raíz unitaria en Dventas puesto
que el valor del estadístico t (3,78) supera el valor de los puntos críticos de la
distribución DFA. Este resultado corrobora la estacionariedad de la serie Dventas
que indican el gráfico y el correlograma de la serie

Por lo tanto, de estos resultados la transformación que convertiría a la serie


en estacionaria sería:
Zt =(1-B)ventas,, ventas ∼I(1)

Una vez decidido el grado de integración de la serie, es decir, el número de raíces


unitarias que tiene, se debe determinar cuales son los posibles procesos ARMA
que generan la serie.

El análisis de los correlograma de la serie Dventas nos dice que el modelo más
claro que puede generar la serie es un AR(2), puesto que el correlograma simple
tiende a cero con cierta rápidez el parcial se anula después del segundo retardo.
También se puede sugerir como un modelo alternativo, aunque no tan
rotundamente como en el caso anterior, un MA(3) puesto que el correlograma
simple se anula después del tercero o cuarto retardo. Por otro lado, de la
observación del gráfico de la serie que consideramos estacionaria, D(ventas,1), se

11
observa que su media es distinta de cero, por lo que procede en principio la
inclusión de un término independiente.

Los modelos sugeridos son:

1.1) ARIMA(2,1,0) ,, (1-φ1B- φ2B2 ) (1-B) ventas = C+at

1.2) ARIMA(0,1,3) ,, (1-B) ventas = C+ (1- θ1B- θ2B2- θ3B3)at

El análisis de la estructura del correlograma probablemente sugiera algún modelo


adicional pero de momento nos quedamos con los propuestos.

Estimación

Una vez especificados varios modelos alternativos como posibles generadores de


la serie se debe proceder a la estimación de los mismos. Para ello en Eviews se
deben dar las siguientes instrucciones para estimar los modelos sugeridos.

Modelo 1.1: Quick/Estimate Equation/ LS d(ventas,1) c ar(1) ar(2)

Modelo 1.2: Quick/Estimate Equation/ LS d(ventas,1) c ma(1) ma(2) ma(3)

Los resultados de la estimación de estos modelos se presentan a continuación :

Estimación Modelo1.1

Dependent Variable: DVENTAS


Method: Least Squares
Date: 04/09/06 Time: 19:10
Sample (adjusted): 1952 1999
Included observations: 48 after adjustments
Convergence achieved after 3 iterations

Variable Coefficient Std. Error t-Statistic Prob.

C 10.11214 0.616994 16.38936 0.0000


AR(1) 0.368149 0.135783 2.711310 0.0095
12
AR(2) 0.388732 0.127968 3.037719 0.0040

R-squared 0.525916 Mean dependent var 10.45896


Adjusted R-squared 0.504846 S.D. dependent var 1.392085
S.E. of regression 0.979571 Akaike info criterion 2.857057
Sum squared resid 43.18014 Schwarz criterion 2.974007
Log likelihood -65.56936 F-statistic 24.95999
Durbin-Watson stat 1.991277 Prob(F-statistic) 0.000000

Inverted AR Roots .83 -.47

Estimación modelo 1.2

Dependent Variable: DVENTAS


Method: Least Squares
Date: 04/09/06 Time: 19:02
Sample (adjusted): 1950 1999
Included observations: 50 after adjustments
Convergence achieved after 13 iterations
Backcast: 1946 1948

Variable Coefficient Std. Error t-Statistic Prob.

C 10.43083 0.392970 26.54353 0.0000


MA(1) 0.497157 0.101433 4.901323 0.0000
MA(2) 0.564666 0.097743 5.777057 0.0000
MA(3) 0.632436 0.086339 7.324991 0.0000

R-squared 0.557023 Mean dependent var 10.57670


Adjusted R-squared 0.528133 S.D. dependent var 1.498800
S.E. of regression 1.029564 Akaike info criterion 2.972767
Sum squared resid 48.76011 Schwarz criterion 3.125729
Log likelihood -70.31917 F-statistic 19.28094
Durbin-Watson stat 2.161780 Prob(F-statistic) 0.000000

Inverted MA Roots .15-.88i .15+.88i -.79

Una vez estimados los modelos especificados se debe validar dichas estimaciones,
es decir, se debe contrastar la adecuación del modelo a los datos, por medio de
una batería de tests estadísticos y econométricos vistos en clase y que se
encuentran en Eviews en el objeto ecuación .

Validación o chequeo

13
En la etapa de validación se presentan tres bloques de análisis: Un primero
referente a los resultados de la estimación, un segundo centrado en el análisis de
los residuos y, finalmente, un tercero dedicado a la comparación de modelos
alternativos.

• Análisis de la estimación.-
Referente a la significatividad individual de los coeficientes por medio del
estadístico t de student pone de relieve que todos los coeficientes del modelo 1 son
altamente significativos y también lo son los del modelo 2.

En cuanto a las condiciones de estacionariedad e invertibilidad de los modelos


estimados, todas las raíces de los polinomios de retardos caen fuera de circulo de
radio unidad, ver cuadros anteriores de estimaciones, debe tenerse en cuenta que
Eviews muestra la inversa de las raíces, por lo que esas inversas caen todas dentro
del circulo de radio unidad.

De la observación de los resultados de la estimación se deduce que el modelo 1.1


presenta un error estandar (0,979), ligeramente más bajo que el del modelo 1.2
(1,029) y tanto el estadístico de Akaike como el criterio de Schwarz son inferiores
en el primer modelo, 2,857 y 2,974, frente a 2,973 y 3,126

En esta etapa también se suele analizar las correlaciones entre los coeficientes
estimados para verificar la posible existencia de multicolinealidad en el modelo. La
existencia de multicolinalidad indica una falta de precisión en las estimaciones
obtenidas y una cierta inestabilidad de los coeficientes estimados. Para obtener las
correlaciones entre los coeficientes se acude su matriz de correlaciones que
proporciona Eviews, para ello nos situamos en la ecuación estimada y marcamos lo
siguiente:
View/Correlation Matrix

La ejecución de esta instrucción muestra la matriz de coeficientes de la


ecuación estimada, para el modelo 1.1 se tiene:
14
Matriz de correlaciones del modelo 1
C AR(1) AR(2)
C 0.380682 -0.005342 -0.015880
AR(1) -0.005342 0.018437 -0.011620
AR(2) -0.015880 -0.011620 0.016376

Se observa que esa matriz presenta unas correlaciones muy bajas por lo que no
muestra indicios de multicolinealidad. Para el modelo 1.2 se puede verificar de la
misma forma que tampoco presentan problemas de multicolinelidad.

Análisis de los residuos.

.El siguiente paso dentro del proceso de validación es el análisis de los


residuos de ambos modelos. Para ello en el objeto ecuación de Eviews se ofrecen
varios contrastes pero nos limitamos al contraste de que los residuos sean ruido
blanco, inspeccionando el correlograma de residuos, el estadístico Q de Box-
Pierce y el gráfico de residuos. Para ello, en Eviews una vez dentro del objeto
ecuación
Instrucciones: View/ Residual Tests/Correlogram-Q-Statistics

Los resultados para el modelo1.1 se presenta en la tabla adjunta y se puede


contemplar que las autocorrelaciones de los residuos no son significativas y entran
dentro de las bandas de confianza, lo que indica que no son distintas de cero. Por
su parte, el estadístico Q no muestra indicios de autocorreción global de los
residuos, puesto que el valor de Q estimado para los diferentes ordenes de
autocorrelación que se muestran en la tabla adjunta es siempre inferior al punto
critico de la χ2 con los correspondientes grados de libertad y los niveles estandar de
significatividad utilizados en el trabajo empírico, lo que nos lleva a rechazar la
hipótesis nula de autocorrelación global de los residuos. el valor de estimado.

Correlograma de los residuos del modelo 1

15
Instrucciones Eviews para el gráfico de residuos: View/Actual, Fitted, residuals

16

14

12

10
2
8
1
6
0

-1

-2

-3
55 60 65 70 75 80 85 90 95

Residual Actual Fitted

16
El gráfico de los residuos también apoya la ausencia de autocorrelación residual,
puesto que la gran mayoría de los residuos entran dentro de las bandas de
confianza, con excepción del correspondiente al año 1962. Por lo tanto, también
muestra claramente que los residuos son ruido blanco.

De la misma forma que el análisis llevado a cabo para el modelo 1.1 se


puede entrar en el objeto ecuación del modelo 1.2 y verificar que sus residuos son
ruido blanco.

Comparación de modelos alternativos.

Del análisis que se acaba de realizar en los dos apartados anteriores se


deduce que el modelo 1.1 superan el conjunto de pruebas estadísticas para validar
sus estimaciones, aunque el modelo 1,2 presenta un problema que es la no
significatividad del parámetro del componente AR(1). Además el modelo 1.1
presenta una menor varianza residual y un menor Akaike, por lo que es preferible
al 1.2.

Por lo tanto, el crecimiento anual de las ventas de la empresa, Δventas, que


es la variable modelizada viene explicada de forma satisfactoria por un modelo
sencillo ARIMA(2,1,0).

3. Ejemplo 2. El Producto Interior Bruto del Reino Unido

La serie a modelizar es el Producto Interior Bruto (PIB) del Reino Unido El


periodo muestral abarca 1955- 1998. Una vez creado el el WorKfile y establecido el
periodo muestral se deben importar los datos del banco de datos, tal y como se ha
hecho en el ejemplo anterior. La serie la denominamos GDP en el Workfile

El primer paso en la modelización de la serie es su representación gráfica. Para ello


en Eviews, la instrucción es:

Quick/ Graph/ Graph Line/GDP


17
El resultado es el gráfico1a en el que se puede contemplar como la serie GDP
muestra una tendencia fuertemente creciente a lo largo del tiempo. Se realiza la
transformación logarítmica para atenuar la posible no estacionariedad en varianza y
se realiza el gráfico de la serie transformada. Para ello, en Eviews

GENR LGDP=LOG(GDP)
y para su representación gráfica :
Quick/ Graph/ Graph Line/ LGDP

La representación gráfica de esta serie LGDP se muestra en el gráfico 1b en el cual


se puede contemplar que la nueva serie muestra también una clara tendencia
creciente lineal, lo que indica que esta serie no es estacionaria en media.

Gráfico 1 a. Evolución de GDP Gráfico 1b. Evolución de log(gdp)

110 4.7

100 4.6

90 4.5

80 4.4

70 4.3

60 4.2
82 84 86 88 90 92 94 96 82 84 86 88 90 92 94 96

GDP LGDP

También se muestra a continuación el correlograma de LDGP

En Eviews una vez dentro del objeto serie LGDP:

View/Correlogram

18
El correlograma confirma también la no estacionariedad que mostraba el gráfico de
nivel de la serie LGDP

Se realiza también el test de DFA de raices unitarias, cuyos resultados se presentan


a continuación. Para ello, en Eviews:

Quick/ SERIES STATISTIC/ Unit root / LGDP

Test D-F aumentado de la serie LGDP


..
Null Hypothesis: LGDP has a unit root
Exogenous: Constant
Lag Length: 1 (Automatic based on SIC, MAXLAG=11)

t-Statistic Prob.*

Augmented Dickey-Fuller test statistic -0.385067 0.9054


Test critical values: 1% level -3.524233
5% level -2.902358
10% level -2.588587

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

19
Augmented Dickey-Fuller Test Equation
Dependent Variable: D(LGDP)
Method: Least Squares
Date: 04/12/06 Time: 14:57
Sample: 1980Q3 1998Q2
Included observations: 72

Variable Coefficient Std. Error t-Statistic Prob.

LGDP(-1) -0.002059 0.005347 -0.385067 0.7014


D(LGDP(-1)) 0.459656 0.096443 4.766081 0.0000
C 0.012550 0.023781 0.527737 0.5994

R-squared 0.248957 Mean dependent var 0.005942


Adjusted R-squared 0.227188 S.D. dependent var 0.006687
S.E. of regression 0.005878 Akaike info criterion -7.394285
Sum squared resid 0.002384 Schwarz criterion -7.299424
Log likelihood 269.1943 F-statistic 11.43613
Durbin-Watson stat 2.106419 Prob(F-statistic) 0.000051

El test DFA no rechaza la hipótesis nula de la existencia de una raíz unitaria en


LGDP puesto que el valor del estadístico t (-0.385) es notablemente inferior a los
valores críticos de la distribución DFA

Si ajustamos una tendencia temporal lineal simple de tipo determinístico a la serie


(LGDP), tal y como hicimos en el capítulo 1 del programa de la asignatura y práctica
1 y en la modelización de la serie ventas que acabamos de realizar, y restamos de
LGDP la serie ajustada podremos comprobar que ese no es un procedimiento
correcto para convertir a la serie en estacionaria. ( se deja al alumno que lo
compruebe). Por lo tanto, es claro que esa tendencia no es determinista sino
estocástica y debemos proceder con diferenciaciones para eliminar esa tendencia.

Comenzamos tomando una primera diferencia regular en la serie LGDP, cuyo


gráfico se muestra a continuación y también su correlograma.
Instrucciones en Eviews:
Genr DLGDP=D(LGDP,1)
Quick/Graph/Line Graph/DLGDP
Quick/Series Statistic/Correlogram

20
Primera diferencia de LGDP
.025

.020

.015

.010

.005

.000

-.005

-.010

-.015
82 84 86 88 90 92 94 96

DLGDP

El gráfico de DLGDP muestra que la serie podría ser estacionaria y también en ese
sentido apunta el correlograma al mostrar un decaimiento con cierta rapidez. No

21
obstante, se realiza también el test de DFA, cuyos resultados se muestran a
continuación, y corrobora también la no existencia de una raíz unitaria en la serie
DLGDP y que , por tanto, esa transformación convierte a la serie en estacionaria.

Test DFA de la serie DLGDP

Null Hypothesis: D(LGDP) has a unit root


Exogenous: Constant
Lag Length: 0 (Automatic based on SIC, MAXLAG=11)

t-Statistic Prob.*

Augmented Dickey-Fuller test statistic -5.777196 0.0000


Test critical values: 1% level -3.524233
5% level -2.902358
10% level -2.588587

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

Augmented Dickey-Fuller Test Equation


Dependent Variable: D(LGDP,2)
Method: Least Squares
Date: 04/12/06 Time: 15:45
Sample: 1980Q3 1998Q2
Included observations: 72

Variable Coefficient Std. Error t-Statistic Prob.

D(LGDP(-1)) -0.546388 0.094577 -5.777196 0.0000


C 0.003399 0.000869 3.911304 0.0002

R-squared 0.322860 Mean dependent var 0.000336


Adjusted R-squared 0.313187 S.D. dependent var 0.007050
S.E. of regression 0.005843 Akaike info criterion -7.419916
Sum squared resid 0.002389 Schwarz criterion -7.356675
Log likelihood 269.1170 F-statistic 33.37599
Durbin-Watson stat 2.092411 Prob(F-statistic) 0.000000

Por lo tanto la serie LGDP tiene una raíz unitaria y la primera diferencia convierte a
dicha serie en estacionaria , eliminado su tendencia. La serie es del tipo

22
: Zt =(1-B)LGDP,, LGDP∼I(1)

Es decir, es integrable de orden 1 y tiene el siguiente significado:


DLGDP= LGDP- LGDP(-1) = log(GDP)-log((GDP)(-1)), que es la tasa de
variación intertrimestral de GDP.

Determinado el grado de diferenciación ó de raíces unitarias, pasamos a


especificar el orden de los polinomios AR y MA. Del análisis de los correlogramas
de DLGDP se deduce que en la FAC existen 2 ó tres ó quizás 4 coeficientes que
son distintos de cero y después todos son cero, mientras que en la FAP solo existe
un coeficiente significativo, que no es cero, el primero, y después tienden
rápidamente a cero. Esto sugiere que la serie (DLGDP) puede ser generada por
modelos que puede tener una estructura MA hasta orden 3 y un AR(1). Así, los
posibles modelos serian: ARIMA (1,1,3), ARIMA(1;1,2) ó ARIMA(1,1,1).

Por otro lado, de la observación del gráfico de la serie DLGDP se deduce que
la media de la serie es distinta de cero por lo que debe incluirse el término constante
en los modelos especificados

Los modelos tentativos serian por tanto:


2.1. ARIMA(1,1,3) ,, (1- φ1 B)(1-B)LGDP= μ + (1- θ1B-θ2B2-θ3B3)at

2.2. ARIMA(1,1,2) ) ,, (1- φ1 B)(1-B)LGDP= μ +(1- θ1B-θ2B2)at

2.3. ARIMA(1,1,1) ) ,, (1- φ1 B) (1-B)LGDP= μ + (1- θ1B) at

Estimación
La estimación de los modelos anteriores en Eviews se hace por medio de las
siguientes instrucciones:
Quick/ Estimate Equation/ LS DLGDP c ar(1) ma(1)ma(2) ma(3)
Quick/ Estimate Equation/ LS DLGDP c ar(1) ma(2)
Quick/ Estimate Equation/ LS DLGDP c ar(1) ma(1)

23
Los resultados de la estimación de estos modelos se presentan a continuación:
Estimacion modelo 2.1

Dependent Variable: DLGDP


Method: Least Squares
Date: 04/08/06 Time: 20:17
Sample: 1980Q3 1998Q2
Included observations: 72
Convergence achieved after 14 iterations
Backcast: 1979Q4 1980Q2

Variable Coefficient Std. Error t-Statistic Prob.

C 0.006827 0.001561 4.374409 0.0000


AR(1) 0.719791 0.101747 7.074296 0.0000
MA(1) -0.458869 0.149958 -3.059989 0.0032
MA(2) -0.199372 0.128357 -1.553262 0.1251
MA(3) 0.295768 0.118239 2.501444 0.0148

R-squared 0.336942 Mean dependent var 0.005942


Adjusted R-squared 0.297356 S.D. dependent var 0.006687
S.E. of regression 0.005605 Akaike info criterion -7.463329
Sum squared resid 0.002105 Schwarz criterion -7.305227
Log likelihood 273.6799 F-statistic 8.511731
Durbin-Watson stat 1.888019 Prob(F-statistic) 0.000013

Inverted AR Roots .72


Inverted MA Roots .54+.43i .54-.43i -.62

Estimacion modelo 2.2

Dependent Variable: DLGDP


Method: Least Squares
Date: 04/08/06 Time: 20:21
Sample: 1980Q3 1998Q2
Included observations: 72
Convergence achieved after 160 iterations
Backcast: 1980Q1 1980Q2

Variable Coefficient Std. Error t-Statistic Prob.

C 0.006787 0.001392 4.874751 0.0000


AR(1) 0.725332 0.115467 6.281707 0.0000
MA(1) -0.347727 0.171862 -2.023290 0.0470
MA(2) -0.123329 0.130370 -0.945990 0.3475

R-squared 0.286325 Mean dependent var 0.005942


Adjusted R-squared 0.254839 S.D. dependent var 0.006687
S.E. of regression 0.005772 Akaike info criterion -7.417542

24
Sum squared resid 0.002266 Schwarz criterion -7.291061
Log likelihood 271.0315 F-statistic 9.093817
Durbin-Watson stat 2.020600 Prob(F-statistic) 0.000038

Inverted AR Roots .73


Inverted MA Roots .57 -.22

Estimacion modelo 2.3

Dependent Variable: DLGDP


Method: Least Squares
Date: 04/08/06 Time: 20:23
Sample: 1980Q3 1998Q2
Included observations: 72
Convergence achieved after 10 iterations
Backcast: 1980Q2

Variable Coefficient Std. Error t-Statistic Prob.

C 0.006809 0.001464 4.650856 0.0000


AR(1) 0.742292 0.101181 7.336298 0.0000
MA(1) -0.471428 0.161394 -2.920976 0.0047

R-squared 0.279356 Mean dependent var 0.005942


Adjusted R-squared 0.258468 S.D. dependent var 0.006687
S.E. of regression 0.005758 Akaike info criterion -7.435603
Sum squared resid 0.002288 Schwarz criterion -7.340742
Log likelihood 270.6817 F-statistic 13.37388
Durbin-Watson stat 1.876207 Prob(F-statistic) 0.000012

Inverted AR Roots .74


Inverted MA Roots .47

Validación

En cuanto al modelo 2.1 todos los coeficientes son individualmente significativos,


según el contraste de la t de student y también el ajuste globalmente es aceptable:
también son altamente significativos los coeficientes del modelo 2.3, sin embargo
en el modelo 2.2 el coeficiente del parámetro MA(2) no es significativo. Todos los
modelos cumplen las condiciones de estacionariedad y de invertibilidad puesto que
tanto las raíces de los polinomios autorregresivos como los de media móvil caen
fuera del circulo de radio unidad. A su vez, las matrices de correlaciones de los
coeficientes de estos modelos no muestran signos de multicolinealidad
25
Desde el punto de vista del error estandar de los modelos estimados el 2.1 es el
que presenta un valor menor (0,00560) seguido del 2.3 (0.00576). Desde el punto
de vista del criterio de Akaike, el modelo 2.1 presenta un valor inferior (-7.463)
seguido del modelo 2.3 (-7.436).

El análisis de los residuos de los tres modelos estimados a través de sus


correspondientes correlogramas, el estadístico Q y sus gráficos de residuos, que se
presentan a continuación, nos indica todos ellos cumplen las condiciones para ser
considerados como ruido blanco. No obstante, el modelo 2.1 es el que cumple esas
condiciones con más holgura.

Del análisis anterior de los residuos y de la evaluación de las estimaciones de los


coeficientes de los distintos modelos el modelo preferido es el 2.1, el ARMA(1,1,3)
seguido del modelo 2.3, el ARMA(1,1,1). El modelo 2.2, el ARMA (1,1,2) es
desechable desde el punto de vista estadístico dado que su parámetro del MA(2) no
es significativo.

Correlograma de los residuos del modelo 2.1

26
Grafico de residuos del modelo 2.1
.03

.02

.01
.02
.00

.01 -.01

.00 -.02

-.01

-.02
82 84 86 88 90 92 94 96

Residual Actual Fitted

Correlograma de los residuos del modelo 2.2

27
Grafico de residuos del modelo 2.2

.03

.02

.01

.02 .00

.01 -.01

-.02
.00

-.01

-.02
82 84 86 88 90 92 94 96

Residual Actual Fitted

Correlograma de los residuos del modelo 2.3

28
Grafico de residuos del modelo 2.3

.03

.02

.01

.02 .00

.01 -.01

-.02
.00

-.01

-.02
82 84 86 88 90 92 94 96

Residual Actual Fitted

4. Ejemplo 3. Transporte de mercancías por avión en USA

La serie a modelizar es el volumen del transporte de mercancías, medido en


miles de toneladas, por avión en Estados Unidos. con frecuencia mensual y periodo
muestral 1989:01 1998:12. El objetivo que se persigue con este ejercicio es que el
alumno aprenda a construir un modelo univariante de una serie de frecuencia
mensual que tiene una marcada tendencia y estacionalidad.

Una vez creado el fichero de trabajo en Eviews para esa frecuencia y periodo
muestral, de la misma forma como se ha realizado en los dos ejercicios anteriores,
se realiza la representación gráfica de la serie objeto de análisis. La serie se
denomina carga

Instrucciones: Quick/Graph/ carga/Line graph

29
Volumen de carga aérea en USA
3000

2500

2000

1500

1000
89 90 91 92 93 94 95 96 97 98

CARGA

Este gráfico es indicativo de una serie en la que el nivel crece con el tiempo y
muestra, por tanto, una fuerte tendencia creciente, por lo que no es estacionaria en
media. También se observa un marcado patrón estacional y la varianza es mayor en
el tramo final de la muestra que al principio, esto último aconseja trabajar con la
transformación logarítmica para estabilizar la varianza.

Tomamos logaritmos en la serie carga y realizamos su representación gráfica. Para


ello en Eviews:

GENR Lcarga= log(carga)


Quick/Graph/ Lcarga/Line graph

30
Evolución logaritmica del volumen de carga aérea

8.2

8.0

7.8

7.6

7.4

7.2

7.0
89 90 91 92 93 94 95 96 97 98

LCARGA

Este gráfico del logaritmo de la variable carga (Lcarga) parece que ha


estabilizado la varianza, por lo que en adelante trabajamos con la transformación
logarítmica.

Como hemos visto en los dos ejemplos anteriores el correlograma es un


instrumento útil para verificar la estacionariedad de la serie. A continuación se
presentan los correlogramas.

Instrucciones: Una vez en el objeto serie Lcarga, View/ Correlogram

31
El correlograma de la serie Lcarga decae lentamente, tanto en la parte regular como
en la estacional, por lo que confirma la no estacionariedad apuntada anteriormente.
Pasamos, en primer lugar, a corregir la no estacionariedad en la parte regular al
tomar una diferencia de orden 1 y representar el gráfico de esa serie transformada y
su correspondiente correlograma.

Instrucciones Eviews: Genr dlcarga=D(lcarga,1)


Quick/Graph/dlcarga/Line graph
Quick/series statistic/correlogram/dlcarga

32
.5

.4

.3

.2

.1

.0

-.1

-.2

-.3
89 90 91 92 93 94 95 96 97 98

D(LCARGA,1)

33
Según la gráfica de la primera diferencia regular, d(lcarga,1), la transformación
parece que ha eliminado la tendencia lineal pero el correlograma indica que, si bien
se ha corregido la no estacionariedad de la parte regular, persiste la no
estacionariedad en el componente estacional, al ser significativos en el
correlograma simple los retardos 12, 24 y 36, por lo que se debe tomar una
diferencia de tipo estacional junto con la regular.

Instrucciones: Genr dd12lcarga=d(lcarga,1,12)


Quick/Graph/Line Graph/dd12lcarga
Quick/series statistic/correlogram/dd12lcarga

.6

.4

.2

.0

-.2

-.4

-.6
89 90 91 92 93 94 95 96 97 98

D(LCARGA,1,12)

El gráfico de dd12lcarga muestra una clara estacionariedad en media y el


correlograma de esta variable que se muestra a continuación parece que no ofrece
dudas sobre la estacionariedad. Sin embargo, la observación correspondiente a
marzo de 1998 es claramente atípica.

34
Correlograma de dd12lgarga

No obstante, se elabora el test de DFA para la serie dd12lcarga para verficar si


esta transformación es estacionaria

Test DFA de la serie dd12lcarga

Null Hypothesis: DD12LCARGA has a unit root


Exogenous: Constant
Lag Length: 1 (Automatic based on SIC, MAXLAG=12)

t-Statistic Prob.*

Augmented Dickey-Fuller test statistic -10.88585 0.0000


Test critical values: 1% level -3.493747
5% level -2.889200
10% level -2.581596

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

Augmented Dickey-Fuller Test Equation


Dependent Variable: D(DD12LCARGA)
Method: Least Squares
Date: 04/13/06 Time: 10:53
35
Sample (adjusted): 1990M04 1998M12
Included observations: 105 after adjustments

Variable Coefficient Std. Error t-Statistic Prob.

DD12LCARGA(-1) -1.802498 0.165582 -10.88585 0.0000


D(DD12LCARGA(-1)) 0.225628 0.096576 2.336260 0.0214
C 0.000456 0.006397 0.071223 0.9434

R-squared 0.748316 Mean dependent var -0.000416


Adjusted R-squared 0.743381 S.D. dependent var 0.129389
S.E. of regression 0.065545 Akaike info criterion -2.583998
Sum squared resid 0.438210 Schwarz criterion -2.508171
Log likelihood 138.6599 F-statistic 151.6349
Durbin-Watson stat 2.033085 Prob(F-statistic) 0.000000

Los resultados del test DFA son concluyentes sobre la estacionariedad de la serie
dd12lcarga, el estadístico t (-10.885) supera ampliamente los valores críticos de la
distribución ADF, lo que confirma la estacionariedad de esta transformación ya
adelantada por el análisis gráfico y el del correlograma.

La transformación que se sugiere es :

Zt =(1-B) (1-B12)lcarga

Para finalizar la etapa de especificación inicial debemos determinar cuales son los
modelos estacionales multiplicativos ARMA (p,q) Χ ARMA(P,Q)S que pueden
generar la serie.

Del análisis del correlograma de la serie dd12lcarga se deduce que el proceso


generador de datos puede tener un componente media móvil regular de orden 1 y
otro estacional de orden 1, es decir un ARMA (0,1)(0,1)12.

3.1. ARIMA(0,1,1)×(0,1,1)12 ,, (1-B)(1-B12)Lcarga= (1- θ1B)(1-θ12B12)at

36
Estimación del modelo 3.1

Dependent Variable: D(LCARGA,1,12)


Method: Least Squares
Date: 04/10/06 Time: 13:10
Sample(adjusted): 1990:02 1998:12
Included observations: 107 after adjusting endpoints
Convergence achieved after 9 iterations
Backcast: 1989:01 1990:01

Variable Coefficient Std. Error t-Statistic Prob.

MA(1) -0.698381 0.070482 -9.908699 0.0000


SMA(12) -0.808987 0.036026 -22.45569 0.0000

R-squared 0.413454 Mean dependent var 0.000165


Adjusted R-squared 0.407868 S.D. dependent var 0.074784
S.E. of regression 0.057546 Akaike info criterion -2.853941
Sum squared resid 0.347715 Schwarz criterion -2.803982
Log likelihood 154.6859 Durbin-Watson stat 1.969302

Inverted MA Roots .98 .85+.49i .85-.49i .70


.49+.85i .49-.85i -.00-.98i -.00+.98i
-.49-.85i -.49+.85i -.85+.49i -.85-.49i
-.98

Grafico residuos del modelo 3.1

.6
.4
.2
.0
-.2
-.4
.2
-.6
.0

-.2

-.4

-.6
90 91 92 93 94 95 96 97 98

Residual Actual Fitted

37
Correlograma residuos del modelo 3.1

Validación

El modelo 3.1 presenta todos su coeficientes significativos, según el t ratio, la matriz de

coeficientes que se puede consultar en la ventana de la ecuación no proporciona coeficientes de

correlación elevados por lo que no presentan signos de multicolinealidad. Analizando los

correlogramas de los residuos se observa que todos los coeficientes de autocorrelación no son

distintos de cero puesto que entran dentro de las bandas de confianza. El gráfico de residuos

también indica que los residuos son ruido blanco. El modelo, en principio, parece válido pero

38
presenta alguna raíz de la media móvil próxima a la unidad lo que puede indicar

sobrediferenciación. No obstante, la identificación del grado de diferenciación a través del

análisis gráfico, los correlogramas de la serie y el test DFA de raíces unitarias se decantaban

por una raíz de tipo regular y otra estacional; sin embargo, la mencionada observación atípica de

marzo de 1998 puede distorsionar ese análisis. Por lo tanto, la mejora del modelo vendría por la

correción de esa observación atípica y reiniciar la especificación sugiriendo algún modelo

alternativo.

39