todo econometrÍa · todo econometrÍa 1 m.sc. marcelo ... este resultado se confirma un poco más...
TRANSCRIPT
TODO ECONOMETRÍA
1 M.Sc. Marcelo Miranda PhD(c) [email protected]
Sabemos que se aprende de las regularidades del comportamiento pasado de la serie y se proyectan hacia el futuro. Por lo tanto, es preciso que los procesos aleatorios generadores de las series temporales tengan algún tipo de estabilidad. Si, por el contrario, en cada momento de tiempo presentan un comportamiento diferente e inestable, no se pueden utilizar para predecir. A estas condiciones que se les impone a los procesos estocásticos para que sean estables para predecir, se les conoce como estacionariedad. Utilizando el análisis de series temporales, manteniendo la metodología de box-Jenkins vamos a realizar un análisis de la tasa del IPC en Australia, la serie es trimestral, se recogen los datos desde el 6/01/1948 hasta el 9 /01/2012.
A continuación voy a realizar un primer gráfico para observar el comportamiento de mi serie.
TODO ECONOMETRÍA
2 M.Sc. Marcelo Miranda PhD(c) [email protected]
En un principio vemos que la serie no posee tendencias estocásticas ni deterministas. Podemos
observar que existe variabilidad en varianza. Aparentemente puede parecer estacionaria ya que es una tasa
pero debemos comprobarlo ya que si bien la tendencia no es evidente, otros problemas como la
autocorrelación o la estacionalidad pueden estar presentes.
Primero vamos a realizar el gráfico de autocorrelograma de las funciones de autocorrelación simple y
parcial para detectar si la serie es estacionaria o no, también nos puede indicar que estructura puede tener la
serie y así elegir el modelo que será bueno para modelizar la serie y sus problemas.
1. TEST DE AUTOCORRELACIONES
NIVELES
TODO ECONOMETRÍA
3 M.Sc. Marcelo Miranda PhD(c) [email protected]
Podemos observar que la autocorrelación parece que decrece rápidamente hacia 0 eso es una
característica clara de las series autorregresivas.
Vamos a comprobar si la serie es estacionaria o no mediante el test de raíces unitarias, ya que aunque en
un principio la serie parece estacionaria, este test nos da el resultado con exactitud.
2. TEST DE RAICES UNITARIAS
TEST DE DICKEY-FULLER
Con este test pretendemos cerciorarnos si la serie es estacionaria o no. Vamos a realizarlo en
niveles y si obtenemos un resultado de no estacionariedad realizaremos el test en primera diferencia
y si la serie sigue sin ser estacionaria, en segunda diferencia hasta obtener la estacionariedad. No
realizaremos la transformación en logaritmos ya que mi serie es una tasa.
TODO ECONOMETRÍA
4 M.Sc. Marcelo Miranda PhD(c) [email protected]
En este test la Ho es la presencia de raíces unitarias y la H1 presenta que la serie ha sido generada por
un proceso estacionario.
La prueba de hipótesis se contrasta con el valor de la t estadística y su probabilidad. Si ésta resulta
positiva o está por debajo del valor crítico, se acepta Ho. Este resultado se confirma un poco más
intuitivamente cuando se observa que la probabilidad de la prueba es mayor al 95% de confianza, lo cual se
advierte en el valor de probabilidad, que debe ser mayor a 0.05 para aceptar la Ho.
En tal caso se sabe de la existencia de al menos una raíz unitaria, en este caso no es así ya que como
el resultado de la probabilidad es menor a 0,05 rechazamos la hipótesis de no estacionariedad, la serie que
observamos seria estacionaria. A un nivel de significación del 0,01 la seria no sería estacionaria, pero vamos
a tomar el valor de referencia que sería 0,05 por tanto puedo concluir que mi serie ya sería estacionaria y no
tendríamos problemas para modelizar.
3. ESPECIFICACIÓN DEL MODELO
Observando el correlograma de mis datos, encuentro indicios de que mi modelo se pueda especificar
de forma correcta mediante los procesos ARMA.
Tras probar numerosos modelos, voy a representar los tres modelos que he obtenido significativos y
así comparar entre ellos y que hacen a mi serie estacionaria.
A) MODELO 1 ARMA(2,1)
1. ESTIMACIÓN IPC c ar(1) ar(2) ma(1)
NIVELES
TODO ECONOMETRÍA
5 M.Sc. Marcelo Miranda PhD(c) [email protected]
El primer modelo propuesto, está formado por los procesos AR(1), AR(2) Y MA(1), Para los tres procesos,
contrastando con los niveles de significación razonables (0.05, 0.01 y 0.1), se rechaza la hipótesis nula, por
tantos los tres serían significativos dentro de los niveles habituales de confianza.
El R-squared nos muestra que nuestro modelo se ajusta en un 47,33%.
El criterio de Akaike y el criterio de Schwarz poseen valores de 2.7460 y 2.8024 respectivamente. Estos Datos
los utilizaremos para comparar entre nuestros modelos, claro que solo uno de ellos (cualquiera) como
criterio de decisión para el mejor ajuste.
TODO ECONOMETRÍA
6 M.Sc. Marcelo Miranda PhD(c) [email protected]
2. CORRELOGRAMA
En el correlograma podemos observar que tanto la autocorrelación como la correlación
parcial están correctamente ajustadas, ya que no se salen de las bandas. Sería un buen
modelo aunque nuestros estadísticos de Ljung-Box no son ruido blanco, pero eso no es
problema ya que se puede tener estacionalidad y no ruido blanco.
TODO ECONOMETRÍA
7 M.Sc. Marcelo Miranda PhD(c) [email protected]
3. GRÁFICO DE RESIDUOS
En el gráfico de residuos podemos observar que el modelo se ajusta bien ya que la distribución
de los residuos ajustada es parecida a la distribución original.
4. MATRIZ DE VARIANZAS Y COVARIANZAS
En esta matriz podemos ver que los valores de las varianzas situadas en la diagonal principal
siguen una distribución parecida y los valores de las covarianzas son muy bajos por tanto
estaríamos ante un modelo bien ajustado.
TODO ECONOMETRÍA
8 M.Sc. Marcelo Miranda PhD(c) [email protected]
B) MODELO 2 AR(1) AR(2)
1. ESTIMACIÓN: IPC c AR(1) AR(2)
El segundo modelo propuesto, está formado por los procesos autorregresivos AR(1) AR(2), En los dos
casos, contrastando con los niveles de significación habituales (0.05, 0.01 y 0.1), se rechaza la hipótesis nula
que son iguales a cero, por tanto sería significativo.
El R-squared nos muestra que nuestro modelo se ajusta en un 45,25%.
El criterio de Akaike y el criterio de Schwarz poseen valores de 2.7769 y 2.8191 respectivamente. Estos Datos
los utilizaremos para comparar entre nuestros modelos manteniendo el criterio se decisión habitual.
TODO ECONOMETRÍA
9 M.Sc. Marcelo Miranda PhD(c) [email protected]
2. CORRELOGRAMA DE RESIDUOS
Podemos apreciar que este también sería un buen modelo ya que las correlaciones no se salen de las bandas
de forma que sea grabe. Mantienen una estructura adecuada pero nuevamente el estadístico Q-Stat nos dice
que no estamos en presencia de ruido blanco.
TODO ECONOMETRÍA
10 M.Sc. Marcelo Miranda PhD(c) [email protected]
3. GRÁFICO DE RESIDUOS
Como podemos observar los residuos de esta modelización no tienen mucha diferencia con el ajustado. Es un
buen ajuste.
4. MATRIZ DE VARIANZAS Y COVARIANZAS
En esta matriz podemos ver que los valores de las varianzas situadas en la diagonal principal siguen una
distribución parecida y los valores de las covarianzas son muy bajos por tanto estaríamos ante un modelo
bien ajustado.
TODO ECONOMETRÍA
11 M.Sc. Marcelo Miranda PhD(c) [email protected]
C) Modelo 3 AR(1) AR(2) AR(3)
1. ESTIMACIÓN: Ipc c ar(1) ar(2) ar(3)
El tercer modelo propuesto, está formado por el proceso autorregresivo AR(1) AR(2) Y AR(3), contrastando
con los niveles de significación razonables (0.05,0.01 y 0.1), se rechaza la hipótesis nula, por tanto sería
significativo.
El R-squared nos muestra que nuestro modelo se ajusta en un 46,72%.
El criterio de Akaike y el criterio de Schwarz poseen valores de 2,7576 y 2,8140respectivamente. Estos Datos
los utilizaremos para comparar entre nuestros modelos.
TODO ECONOMETRÍA
12 M.Sc. Marcelo Miranda PhD(c) [email protected]
2. CORRELOGRAMA DE LOS RESIDUOS
Podemos apreciar que este también sería un buen modelo ya que las correlaciones no se salen de las bandas
de manera que se hacen cero. Mantienen una estructura adecuada pero nuevamente el estadístico Q-Stat
nos dice que no estamos en presencia de ruido blanco.
TODO ECONOMETRÍA
13 M.Sc. Marcelo Miranda PhD(c) [email protected]
3. GRÁFICO DE RESIDUOS
Como podemos observar los residuos de esta modelización no tienen mucha diferencia con el ajustado. Es un
buen ajuste.
4. MATRIZ DE VARIANZAS Y COVARIANZAS
TODO ECONOMETRÍA
14 M.Sc. Marcelo Miranda PhD(c) [email protected]
En esta matriz podemos ver que los valores de las varianzas situadas en la diagonal principal siguen una
distribución parecida y los valores de las covarianzas son muy bajos por tanto estaríamos ante un modelo
bien ajustado.
Tras realizar 3 modelos propuestos, he comparado el valor del criterio de akaike en los tres casos y el
menor valor pertenece al modelo 1: ARMA(2,1). Además del criterio de akaike, podemos ver que en el
correlograma de residuos la correlación parcial no se sale de las bandas. Creo que este sería el mejor modelo
para modelizar mi serie.
Es muy usual hacer este tipo de metodología ya que hay dos principios los que buscamos al
modelizar las series temporales, el primero es que la serie sea estacionaria, y el segundo el de parsimonia ya
que con una adecuada modelización nos aseguramos cumplir los dos objetivos principales de las series
temporales univariantes, que es el control y la predicción. Con series mal modelizadas podemos cometer
errores que representen malas medidas de política, el criterio de Akaike es el más usual para tener un
criterio unísono para comparar modelos.
4. ESTIMACIÓN
Se realiza el análisis de predicción por dos objeticos: controlar la serie y su comportamiento y
encontrar el valor más cercano al verdadero valor de la población; y predecir el comportamiento en
el siguiente periodo de la serie que estamos analizando. Las predicciones hechas en periodos más
adelante en el tiempo pierden fiabilidad por los problemas que contienen intrínsecamente la serie y
otros ajenos a nuestro control.
Por tanto, yo únicamente he realizado la predicción del siguiente periodo:
TODO ECONOMETRÍA
15 M.Sc. Marcelo Miranda PhD(c) [email protected]
ESTIMACIÓN
Podemos observar que en la columna de la derecha, la predicción encontrada es muy cercana al
valor de la observación, lo cual nos indica un buen ajuste de nuestro modelo, mostramos dos formas
de presentar las predicciones, una columna la del medio con solo la predicción y la segunda de la
derecha incluyen los datos observados de nuestra seria mas el periodo predicho por nuestra
modelización.
En nuestro caso tenemos el resultado del comportamiento de nuestra muestra en el siguiente
periodo.
Observamos que nuestra predicción (la línea azul) está dentro de las bandas de confianza, lo cual
demuestra un muy buen ajuste de nuestro modelo y, por tanto, una buena predicción.
TODO ECONOMETRÍA
16 M.Sc. Marcelo Miranda PhD(c) [email protected]
Mirando los estadísticos de la derecha, podemos observar que el modelo estimado se ajusta en un
81,16% al modelo de inicio, además la variabilidad es únicamente del 18,8%, por lo que podemos
concluir que la estimación es acertada.
5. COINTEGRACIÓN
Sabemos que se mantiene en la teoría que dos o mas series están cointegradas si las mismas se
mueven conjuntamente a lo largo del tiempo, y sus diferencias son estacionarias, aun que cada serie
tenga su propia identidad y tendencia estocástica y por lo tanto no sea estacionara. Por lo tanto se
plantea que a cointegración es un reflejo del llamado de equilibrio en el largo plazo en el tiempo.
Entonces el término de error de la ecuación de cointegración se interpretan como el error que
desequilibra para cada momento del tiempo en particular.
Nuestro objetivo de este apartado es el análisis de las relaciones dinámicas entre la tasa del IPC en
España y la tasa de ocupación en España también, observados mensualmente desde Enero de 1998
hasta el Diciembre de 2009.
En primer lugar vamos a realizar un gráfico conjunto de las series para observar su comportamiento.
TODO ECONOMETRÍA
17 M.Sc. Marcelo Miranda PhD(c) [email protected]
Podemos decir que las dos series mantienen una dirección y comportamiento no muy distante.
Como seguimos el método de Engle y Granger para hacer el análisis que corresponde primero es utilizar la
metodología ya vista de Box Jenquins de nuestras series analizadas.
a) Transformación estacionaria de cada una de las dos series consideradas.
1. Transformación para la tasa del IPC
TODO ECONOMETRÍA
18 M.Sc. Marcelo Miranda PhD(c) [email protected]
El estadístico de Dickey-Fuller nos permite concluir que la serie de la tasa del IPC no es
estacionaria. Por lo tanto, tomamos primeras diferencias y analizamos si las variaciones
menduales son estacionarias.
TODO ECONOMETRÍA
19 M.Sc. Marcelo Miranda PhD(c) [email protected]
Como podemos ver la serie es estacionaria a una diferencia.
La serie tras tomar una diferencia es estacionaria. Por lo tanto, la tasa del IPC mensual es una
variable I(1).
TODO ECONOMETRÍA
20 M.Sc. Marcelo Miranda PhD(c) [email protected]
2. Tranformación para la tasa de ocupación
La serie tasa de ocupación no es una variable estacionaria. Vamos a analizar ahora si sus primeras diferencias
son estacionarias:
TODO ECONOMETRÍA
21 M.Sc. Marcelo Miranda PhD(c) [email protected]
Dado que las tasas de variación mensuales son estacionarias, la tasa de ocupación en España también es una
variable I(1).
Con este análisis cumplimos una de las condiciones iniciales para las series cointegradas que es que las dos
series sean integradas de orden uno. Ya podemos determinar si las variables están cointegradas o no.
TODO ECONOMETRÍA
22 M.Sc. Marcelo Miranda PhD(c) [email protected]
b) Estimación de la regresión a largo plazo y análisis de sus residuos.
Tomamos como variable dependiente el IPC, pero realmente podríamos poner cualquiera de las
dos.
IPCt = -61.35875 +TASAOCUPACONt
Al realizar un MCO para determinar si estas tienen relación entre sí, podemos ver que la variable
es significativa, este hecho por tanto nos hace que podamos pensar que las variables estén
cointegradas ya que a un nivel de significación razonable.
A continuación introducimos el gráfico de los residuos comparados con el ajustado y el actual.
TODO ECONOMETRÍA
23 M.Sc. Marcelo Miranda PhD(c) [email protected]
El gráfico de los residuos únicamente sería; como vemos tiene una estructura de tendencia y
algún proceso autorregresivo multiplicativo.
Test de raíces unitarias para los residuos.
Los residuos son estacionarios, por lo tanto las variables están cointegradas existiendo entre
ellas una relación de equilibrio a largo plazo dada por:
Ipct= 3.17 + tasaocupaciont
TODO ECONOMETRÍA
24 M.Sc. Marcelo Miranda PhD(c) [email protected]
c) Estimación por MV del modelo VAR-MCE con el vector de cointegración normalizado con
respecto a la primera variable.
Granger dice que, si las variables están cointegradas, existe un mecanismo de corrección y viceversa.
Por lo tanto, teóricamente, se presentan dos posibles vías de contrastar la cointegración; la primera
es ver sí
a´ Xt* es I(0)
y la segunda consiste en buscar si existe un mecanismo de corrección del error.
Si tenemos un proceso vectorial autorregresivo que podemos expresar de forma compacta.
a(L)Xt* = t
El polinomio a(L) se puede descomponer en varios términos por Taylor en el punto L=1.
Si hacemos una expansión de primer orden, el resultado será:
a(L) = a(1) + a*(L) (1-L)
Para obtener un modelo de corrección del error solo hay que sumar a(1) L, por lo que quedaría:
a(L) = a(1)L + [ a(1) + a*(L)] (1-L)= a(1)L + a**(L)(1-L).
Sustituimos en la forma compacta, tendríamos que:
a**(L)(1-L) Xt* = -a(1) Xt-1
* + t
En el primer miembro, hay términos en primeras diferencias (1-L) Xt*. Esto se debe a que las
variables Xt* son integrables de orden uno I(1). Pero también tenemos términos sin diferenciar, en
niveles, como a(1) Xt-1*. El modelo, en principio, estará mal especificado ya que no puede ser que
una variable con tendencia en varianza como Xt-1*, explique a otra que no la tiene como (1-L) Xt-1*.
Sin embargo el modelo no estará mal especificado si a(1)) Xt-1* es I(0).
Ahora en un modelo de corrección de error la estructura en el corto plazo de cada variable está
influenciada por las deviaciones del equilibrio. Así, si asumimos que las dos series son I(1), un modelo
de corrección de error sería:
TODO ECONOMETRÍA
25 M.Sc. Marcelo Miranda PhD(c) [email protected]
Así con nuestro datos el modelo de corrección de error,
TODO ECONOMETRÍA
26 M.Sc. Marcelo Miranda PhD(c) [email protected]
Los residuos del modelo VAR-MCE son:
Como vemos los parámetros de la relación de largo plazo son muy parecidos a los obtenidos en el modelo de
largo plazo. Además, también se observan los coeficientes del ajuste al equilibrio a largo plazo, α1 α2, siendo
uno significativo y el otro no.
En concreto sólo α2 =-3.42335 es significativamente distinto de cero.
TODO ECONOMETRÍA
27 M.Sc. Marcelo Miranda PhD(c) [email protected]
Sus correlaciones vienen dadas por:
Aquí ya podemos concluir que la modelización ha capturado el efecto y que el modelo en el largo
plazo es estacionario y hay relación de largo plazo.
[
] [
] [ ] ∑ [
]
[ ]
d) Estime MCE como dos modelos uniecuacionales
Al tener ya el análisis de nuestras series podemos encarar su estimación como modelos
uniecuacionales
Ahora uniecuacionalmente modelizamos el modelo de largo palzo y generamos los residuos del
modelo de largo plazo. Guardamos sus residuos y creamos sus retardos.
TODO ECONOMETRÍA
29 M.Sc. Marcelo Miranda PhD(c) [email protected]
Podemos observar que existe dependencia del pasado en el presente, ya que los retardos del error son
significativos a los niveles habituales de confianza.
1. Ecuación de la tasa de ocupación
Utilizando los residuos de la regresión por MCO las ecuaciones que surgen del MCE ariba. Necesitaremos
retardos de las variables hasta el orden 2 para recoger los efectos estacionales y dos diferencias una regular y
una estacional.
TODO ECONOMETRÍA
30 M.Sc. Marcelo Miranda PhD(c) [email protected]
Estos residuos obtenidos de este modelo son estacionales
Lo confirma el autocorrelagrama.
TODO ECONOMETRÍA
31 M.Sc. Marcelo Miranda PhD(c) [email protected]
2. Ecuación del IPC
Utilizando los residuos de la regresión por MCO las ecuaciones que surgen del MCE ariba. Necesitaremos
retardos de las variables hasta el orden 2 para recoger los efectos estacionales y dos diferencias una regular y
una estacional para la tasa de ocupación y una diferencia estacional para IPC.
TODO ECONOMETRÍA
32 M.Sc. Marcelo Miranda PhD(c) [email protected]
Este modelo mantiene un proceso autorregresivo pero como no hemos incluido una modelización propia
de los efectos estacionales estos salen en la función de autocorrelación. Sin embargo estamos en presencia
de un modelo que es estacionario ya que las innovaciones se hacen cero pronto.
TODO ECONOMETRÍA
33 M.Sc. Marcelo Miranda PhD(c) [email protected]
CORRELOGRAMAS CRUZADOS
Las correlaciones cruzadas entre los residuos se observa que si existe relación contemporánea y
queda recogida en los residuos.