Ejemplo Cointegracion

TODO ECONOMETRA
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
algn 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 estocsticos para que sean estables para predecir, se les conoce como estacionariedad.
Utilizando el anlisis de series temporales, manteniendo la metodologa de box-Jenkins vamos a realizar un

anlisis 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 continuacin voy a realizar un primer grfico para observar el comportamiento de mi serie.
1
M.Sc. Marcelo Miranda PhD(c)
info@todoeconometria.es
TODO ECONOMETRA
En un principio vemos que la serie no posee tendencias estocsticas 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
autocorrelacin o la estacionalidad pueden estar presentes.
Primero vamos a realizar el grfico de autocorrelograma de las funciones de autocorrelacin simple y

parcial para detectar si la serie es estacionaria o no, tambin nos puede indicar que estructura puede tener la
serie y as elegir el modelo que ser bueno para modelizar la serie y sus problemas.
1. TEST DE AUTOCORRELACIONES
NIVELES
2
TODO ECONOMETRA
Podemos observar que la autocorrelacin parece que decrece rpidamente hacia 0 eso es una
caracterstica clara de las series autorregresivas.
Vamos a comprobar si la serie es estacionaria o no mediante el test de races 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 transformacin en logaritmos ya que mi serie es una tasa.
3
TODO ECONOMETRA
NIVELES
En este test la Ho es la presencia de races unitarias y la H1 presenta que la serie ha sido generada por
un proceso estacionario.
La prueba de hiptesis se contrasta con el valor de la t estadstica y su probabilidad. Si sta resulta

positiva o est por debajo del valor crtico, se acepta Ho. Este resultado se confirma un poco ms
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 raz unitaria, en este caso no es as ya que como
el resultado de la probabilidad es menor a 0,05 rechazamos la hiptesis de no estacionariedad, la serie que
observamos seria estacionaria. A un nivel de significacin del 0,01 la seria no sera estacionaria, pero vamos
a tomar el valor de referencia que sera 0,05 por tanto puedo concluir que mi serie ya sera estacionaria y no
tendramos problemas para modelizar.
3. ESPECIFICACIN 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
as comparar entre ellos y que hacen a mi serie estacionaria.
A) MODELO 1 ARMA(2,1)
1. ESTIMACIN IPC c ar(1) ar(2) ma(1)
4
TODO ECONOMETRA
El primer modelo propuesto, est formado por los procesos AR(1), AR(2) Y MA(1), Para los tres procesos,
contrastando con los niveles de significacin razonables (0.05, 0.01 y 0.1), se rechaza la hiptesis nula, por
tantos los tres seran 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 decisin para el mejor ajuste.
5
TODO ECONOMETRA
2. CORRELOGRAMA
En el correlograma podemos observar que tanto la autocorrelacin como la correlacin

parcial estn correctamente ajustadas, ya que no se salen de las bandas. Sera un buen
modelo aunque nuestros estadsticos de Ljung-Box no son ruido blanco, pero eso no es
problema ya que se puede tener estacionalidad y no ruido blanco.
6
TODO ECONOMETRA
3. GRFICO DE RESIDUOS
En el grfico de residuos podemos observar que el modelo se ajusta bien ya que la distribucin
de los residuos ajustada es parecida a la distribucin 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 distribucin parecida y los valores de las covarianzas son muy bajos por tanto
estaramos ante un modelo bien ajustado.
7
TODO ECONOMETRA
B) MODELO 2 AR(1) AR(2)

1. ESTIMACIN: IPC c AR(1) AR(2)
El segundo modelo propuesto, est formado por los procesos autorregresivos AR(1) AR(2), En los dos
casos, contrastando con los niveles de significacin habituales (0.05, 0.01 y 0.1), se rechaza la hiptesis nula
que son iguales a cero, por tanto sera significativo.
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 decisin habitual.
8
TODO ECONOMETRA
2. CORRELOGRAMA DE RESIDUOS
Podemos apreciar que este tambin sera 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 estadstico Q-Stat nos dice
que no estamos en presencia de ruido blanco.
9
TODO ECONOMETRA
Como podemos observar los residuos de esta modelizacin no tienen mucha diferencia con el ajustado. Es un
buen ajuste.
En esta matriz podemos ver que los valores de las varianzas situadas en la diagonal principal siguen una
distribucin parecida y los valores de las covarianzas son muy bajos por tanto estaramos ante un modelo
bien ajustado.
10
TODO ECONOMETRA
C) Modelo 3 AR(1) AR(2) AR(3)
1. ESTIMACIN: Ipc c ar(1) ar(2) ar(3)
El tercer modelo propuesto, est formado por el proceso autorregresivo AR(1) AR(2) Y AR(3), contrastando
con los niveles de significacin razonables (0.05,0.01 y 0.1), se rechaza la hiptesis nula, por tanto sera
significativo.
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.
11
TODO ECONOMETRA
2. CORRELOGRAMA DE LOS RESIDUOS
Podemos apreciar que este tambin sera 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 estadstico Q-Stat
nos dice que no estamos en presencia de ruido blanco.
12
TODO ECONOMETRA
Como podemos observar los residuos de esta modelizacin no tienen mucha diferencia con el ajustado. Es un
buen ajuste.
13
TODO ECONOMETRA
En esta matriz podemos ver que los valores de las varianzas situadas en la diagonal principal siguen una
distribucin parecida y los valores de las covarianzas son muy bajos por tanto estaramos 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). Adems del criterio de akaike, podemos ver que en el
correlograma de residuos la correlacin parcial no se sale de las bandas. Creo que este sera el mejor modelo
para modelizar mi serie.
Es muy usual hacer este tipo de metodologa 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 modelizacin nos aseguramos cumplir los dos objetivos principales de las series
temporales univariantes, que es el control y la prediccin. Con series mal modelizadas podemos cometer
errores que representen malas medidas de poltica, el criterio de Akaike es el ms usual para tener un
criterio unsono para comparar modelos.
4. ESTIMACIN
Se realiza el anlisis de prediccin por dos objetivos: controlar la serie es decir su comportamiento
y predecir el comportamiento en el siguiente periodo de la serie que se est analizando. Las
predicciones hechas en periodos adelante en el tiempo con horizontes muy lejanos pierden
fiabilidad por los problemas que contienen intrnsecamente la serie y otros ajenos a nuestro control.
Por tanto, nicamente se realiza la prediccin del siguiente periodo:
14
TODO ECONOMETRA
ESTIMACIN
Podemos observar que en la columna de la derecha, la prediccin encontrada es muy cercana al

valor de la observacin, 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 prediccin y la segunda de la
derecha incluyen los datos observados de nuestra seria mas el periodo predicho por nuestra
modelizacin.
En nuestro caso tenemos el resultado del comportamiento de nuestra muestra en el siguiente

periodo.
Observamos que nuestra prediccin (la lnea azul) est dentro de las bandas de confianza, lo cual
demuestra un muy buen ajuste de nuestro modelo y, por tanto, una buena prediccin.
15
TODO ECONOMETRA
Mirando los estadsticos de la derecha, podemos observar que el modelo estimado se ajusta en un
81,16% al modelo de inicio, adems la variabilidad es nicamente del 18,8%, por lo que podemos
concluir que la estimacin es acertada.
5. COINTEGRACIN
Sabemos que se mantiene en la teora que dos o mas series estn 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 estocstica y por lo tanto no sea estacionara. Por lo tanto se
plantea que a cointegracin es un reflejo del llamado de equilibrio en el largo plazo en el tiempo.
Entonces el trmino de error de la ecuacin de cointegracin se interpretan como el error que
desequilibra para cada momento del tiempo en particular.
Nuestro objetivo de este apartado es el anlisis de las relaciones dinmicas entre la tasa del IPC en
Espaa y la tasa de ocupacin en Espaa tambin, observados mensualmente desde Enero de 1998
hasta el Diciembre de 2009.
En primer lugar vamos a realizar un grfico conjunto de las series para observar su comportamiento.
16
TODO ECONOMETRA
Podemos decir que las dos series mantienen una direccin y comportamiento no muy distante.
Como seguimos el mtodo de Engle y Granger para hacer el anlisis que corresponde primero es utilizar la
metodologa ya vista de Box Jenquins de nuestras series analizadas.
a) Transformacin estacionaria de cada una de las dos series consideradas.
1. Transformacin para la tasa del IPC
17
TODO ECONOMETRA
El estadstico 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.
18
TODO ECONOMETRA
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).
19
TODO ECONOMETRA
2. Tranformacin para la tasa de ocupacin
La serie tasa de ocupacin no es una variable estacionaria. Vamos a analizar ahora si sus primeras diferencias
son estacionarias:
20
TODO ECONOMETRA
Dado que las tasas de variacin mensuales son estacionarias, la tasa de ocupacin en Espaa tambin es una
variable I(1).
Con este anlisis 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 estn cointegradas o no.
21
TODO ECONOMETRA
b) Estimacin de la regresin a largo plazo y anlisis de sus residuos.
Tomamos como variable dependiente el IPC, pero realmente podramos poner cualquiera de las
dos.
IPCt = -61.35875 +TASAOCUPACONt
Al realizar un MCO para determinar si estas tienen relacin entre s, podemos ver que la variable
es significativa, este hecho por tanto nos hace que podamos pensar que las variables estn
cointegradas ya que a un nivel de significacin razonable.
A continuacin introducimos el grfico de los residuos comparados con el ajustado y el actual.
22
TODO ECONOMETRA
El grfico de los residuos nicamente sera; como vemos tiene una estructura de tendencia y
algn proceso autorregresivo multiplicativo.
Test de races unitarias para los residuos.
Los residuos son estacionarios, por lo tanto las variables estn cointegradas existiendo entre
ellas una relacin de equilibrio a largo plazo dada por:
Ipct= 3.17 + tasaocupaciont
23
TODO ECONOMETRA
c) Estimacin por MV del modelo VAR-MCE con el vector de cointegracin normalizado con
respecto a la primera variable.
Granger dice que, si las variables estn cointegradas, existe un mecanismo de correccin y viceversa.
Por lo tanto, tericamente, se presentan dos posibles vas de contrastar la cointegracin; la primera
es ver s
a Xt* es I(0)
y la segunda consiste en buscar si existe un mecanismo de correccin 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 trminos por Taylor en el punto L=1.
Si hacemos una expansin de primer orden, el resultado ser:
a(L) = a(1) + a*(L) (1-L)
Para obtener un modelo de correccin del error solo hay que sumar a(1) L, por lo que quedara:
a(L) = a(1)L + [ a(1) + a*(L)] (1-L)= a(1)L + a**(L)(1-L).
Sustituimos en la forma compacta, tendramos que:
a**(L)(1-L) Xt* = -a(1) Xt-1* + t
En el primer miembro, hay trminos en primeras diferencias (1-L) Xt*. Esto se debe a que las
variables Xt* son integrables de orden uno I(1). Pero tambin tenemos trminos sin diferenciar, en
niveles, como a(1) Xt-1*. El modelo, en principio, estar 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 estar mal especificado si a(1)) Xt-1* es I(0).
Ahora en un modelo de correccin de error la estructura en el corto plazo de cada variable est
influenciada por las deviaciones del equilibrio. As, si asumimos que las dos series son I(1), un modelo
de correccin de error sera:
24
TODO ECONOMETRA
As con nuestro datos el modelo de correccin de error,
25
TODO ECONOMETRA
Los residuos del modelo VAR-MCE son:
Como vemos los parmetros de la relacin de largo plazo son muy parecidos a los obtenidos en el modelo de
largo plazo. Adems, tambin se observan los coeficientes del ajuste al equilibrio a largo plazo, 1 2, siendo
uno significativo y el otro no.
En concreto slo 2 =-3.42335 es significativamente distinto de cero.
26
TODO ECONOMETRA
Sus correlaciones vienen dadas por:
Aqu ya podemos concluir que la modelizacin ha capturado el efecto y que el modelo en el largo
plazo es estacionario y hay relacin de largo plazo.
[ ] [ ][ ] [ ] [ ]
d) Estime MCE como dos modelos uniecuacionales

Al tener ya el anlisis de nuestras series podemos encarar su estimacin 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.
27
TODO ECONOMETRA
Ecuacin del error.
28
TODO ECONOMETRA
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. Ecuacin de la tasa de ocupacin
Utilizando los residuos de la regresin 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.
29
TODO ECONOMETRA
Estos residuos obtenidos de este modelo son estacionales
Lo confirma el autocorrelagrama.
30
TODO ECONOMETRA
2. Ecuacin del IPC

Utilizando los residuos de la regresin 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 ocupacin y una diferencia estacional para IPC.
31
TODO ECONOMETRA
Este modelo mantiene un proceso autorregresivo pero como no hemos incluido una modelizacin propia
de los efectos estacionales estos salen en la funcin de autocorrelacin. Sin embargo estamos en presencia
de un modelo que es estacionario ya que las innovaciones se hacen cero pronto.
32
TODO ECONOMETRA
CORRELOGRAMAS CRUZADOS
Las correlaciones cruzadas entre los residuos se observa que si existe relacin contempornea y
queda recogida en los residuos.
33

Ejemplo Cointegracion

Cargado por

Información del documentohacer clic para expandir la información del documento

Copyright:

Formatos disponibles

Ejemplo Cointegracion

Cargado por

Información del documento

Descripción original:

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Ejemplo Cointegracion

Cargado por

Copyright:

Formatos disponibles

TODO ECONOMETRA

Utilizando el anlisis de series temporales, manteniendo la metodologa de box-Jenkins vamos a realizar un

A continuacin voy a realizar un primer grfico para observar el comportamiento de mi serie.

En un principio vemos que la serie no posee tendencias estocsticas ni deterministas. Podemos

Primero vamos a realizar el grfico de autocorrelograma de las funciones de autocorrelacin simple y

2. TEST DE RAICES UNITARIAS

La prueba de hiptesis se contrasta con el valor de la t estadstica y su probabilidad. Si sta resulta

3. ESPECIFICACIN DEL MODELO

En el correlograma podemos observar que tanto la autocorrelacin como la correlacin

4. MATRIZ DE VARIANZAS Y COVARIANZAS

B) MODELO 2 AR(1) AR(2)

4. MATRIZ DE VARIANZAS Y COVARIANZAS

C) Modelo 3 AR(1) AR(2) AR(3)

1. ESTIMACIN: Ipc c ar(1) ar(2) ar(3)

2. CORRELOGRAMA DE LOS RESIDUOS

4. MATRIZ DE VARIANZAS Y COVARIANZAS

Por tanto, nicamente se realiza la prediccin del siguiente periodo:

Podemos observar que en la columna de la derecha, la prediccin encontrada es muy cercana al

En nuestro caso tenemos el resultado del comportamiento de nuestra muestra en el siguiente

Como podemos ver la serie es estacionaria a una diferencia.

2. Tranformacin para la tasa de ocupacin

b) Estimacin de la regresin a largo plazo y anlisis de sus residuos.

IPCt = -61.35875 +TASAOCUPACONt

Test de races unitarias para los residuos.

As con nuestro datos el modelo de correccin de error,

Los residuos del modelo VAR-MCE son:

En concreto slo 2 =-3.42335 es significativamente distinto de cero.

Sus correlaciones vienen dadas por:

d) Estime MCE como dos modelos uniecuacionales

Ecuacin del error.

Estos residuos obtenidos de este modelo son estacionales

2. Ecuacin del IPC

También podría gustarte