Fundamentos de Econometría - ECO

Departamento de Economía - PUCP

PhD Pavel Coronado
Semestre -II

/
 Contenido
Series de Tiempo y Proyecciones

▶ Series de Tiempo y Proyecciones

▶ Estacionariedad y Raíces Unitarias

/
• Nociones preliminares
• Autocorrelación
• Modelo Autorregresivo de
Orden
• Proyecciones
• Modelo Autorregresivo de
Orden P
 Nociones preliminares
Series de Tiempo y Proyecciones

La notación es ligeramente distinta a la considerada hasta el momento. En lugar de utilizar

el subíndice “i”, las variables tendrán el subíndice “t”.
Es que de ahora en adelante, se verá las variables de una sola entidad (país, empresas,
persona) a lo largo del tiempo.

Por ejemplo, en el estudio de la economía de un país en particular la variable Yt es el valor

del PBI en el periodo t (que puede referirse a un término anual, semestral, trimestral,
mensual, etc).
Consideramos generalmente observaciones discretas o espaciadas, por ejemplo,
observaciones mensuales entre y , sin missings.

/
 Nociones preliminares
Series de Tiempo y Proyecciones

Definición
El primer rezago o first lag de Yt es Yt−1 . El “j”-ésimo rezago de la variable Yt es Yt−j

Definición
La primera diferencia de un logaritmo de la serie temporal Yt es

∆ln(Yt ) := ln(Yt ) − ln(Yt−1 )

/
 Nociones preliminares
Series de Tiempo y Proyecciones

Ejemplo: Inflación trimestral de EEUU

• Se tiene la serie temporal del nivel general de precios de EEUU.

• El nivel general de precios es medido como el Índice de Precios al Consumidor (CPI).
• El CPI de consumidores urbanos provisto por el Federal Reserve Bank of St. Louis
(FRED)
• Veamos dos medidas:
— CPI en el cuarto trimestre del ( q )= .
— CPI en el primer trimestre del ( q )= .
Teniendo en cuenta estos datos sobre el nivel de precios, ¿cómo podemos frenar la
inflación?

/
 Nociones preliminares
Series de Tiempo y Proyecciones

Estudiamos dos aproximaciones teniendo los datos anteriores.

• Aproximación exacta como cambio en el CPI:

 
301,33 − 298,53
100 · = 0,94 %
298,53

• Aproximación aproximada como cambio en el CPI:

100 · (ln(301,33) − ln(298,53)) = 0,93 %

Las dos aproximaciones son ligeramente diferentes en sus resultados.

/
 Nociones preliminares
Series de Tiempo y Proyecciones

Es común extrapolar desde un cambio trimestral a un cambio anual.

El cambio trimestral al cambio anual:
• usando la vía exacta
 
301,33 − 298,53
4 · 100 · = 3,75 %
298,53

• usando la vía aproximada

4 · 100 · (ln(301,33) − ln(298,53)) = 3,73 %

Estos métodos responden a la pregunta: si la actual inflación trimestral continua a través

del año, ¿cuál sería la inflación anual?

/
 Autocorrelación
Series de Tiempo y Proyecciones

La correlación de una serie de tiempo con sus propios rezagos es llamado autocorrelación
o correlación serial.
L
a j-ésima autocovarianza de una serie temporal Yt es la covarianza entre Yt y su j-ésimo
rezago, Yt : Cov(Y).

La j-ésima autocorrelación de una serie temporal Yt es la correlación entre Yt y su j-ésimo

rezago:
Cov(Yt , Yt−j )
ρ(j) = p
Var(Yt ), Var(Yt−j )

/
 Autocorrelación
Series de Tiempo y Proyecciones

Definición
La j-ésima autocorrelación de una serie temporal Yt es la correlación entre Yt y su j-ésimo
rezago:

d t , Yt−j )
Cov(Y
ρ̂(j) :=
d t)
Var(Y
1 X
T
d t , Yt−j ) :=
Cov(Y (Yt − Ȳj + 1, T)(Yt−j − Ȳ1,T−j )
T
t=j+1

1 X
q
Ȳp,q := Yt
T − j t=p

1X
T
d t ) :=
Var(Y (Yt − Ȳ)2
/ T
t=1
 Autocorrelación
Series de Tiempo y Proyecciones

Aunque se compara solo T − j pares de series de tiempo, la división es entre T (esto es

convencional en el análisis de series de tiempo).
Cuando se computa la autocorrelación muestral, se tiene implícito los supuestos:
• Las varianzas son constantes en el tiempo
• Las covarianzas son constantes en el tiempo (solo dependen de los rezagos “j”)
Estos supuestos fundamentan el concepto de estacionariedad.

/
 Autocorrelación
Series de Tiempo y Proyecciones
Por ejemplo, se tienen el nivel general de precios y la inflación de los datos para la
economía de EEUU

Ver el indicador CPIAUCSL, en la página del FRED.

/
 Autocorrelación
Series de Tiempo y Proyecciones
Por ejemplo, se tienen el nivel general de precios y la inflación de los datos para la
economía de EEUU

Ver el indicador CPIAUCSL, en la página del FRED.

/
 Autocorrelación
Series de Tiempo y Proyecciones
Se tiene las autocorrelaciones del CPI

/
 Autocorrelación
Series de Tiempo y Proyecciones
Se tiene las autocorrelaciones de la inflación

/
 Autocorrelación
Series de Tiempo y Proyecciones
Se tiene las autocorrelaciones de acelaración de la inflación

/
 Autocorrelación
Series de Tiempo y Proyecciones

Estos ejemplos de autocorrelación muestran que:

• La serie original (niveles de precios) muestran muy alto nivel de autocorrelación.
• La primera derivada de los niveles de precios muestran alta correlación
• La primera derivada de la inflación (o la segunda derivada del nivel general de
precios) no está serialmente correlacionada.
Detectar correlación serial (o autocorrelación) mediante inspección visual es un poco
problemático a veces.

/
 Modelo Autorregresivo de Orden
Series de Tiempo y Proyecciones

Un punto natural de inicio para un modelo de proyección (forecasting) es usar valores

pasados de Y para proyectar Yt .
Una autorregresión es un modelo de regresión donde Yt se regresiona contra sus propios
valores rezagados.
El número de rezagos usados como regresores dan el número de orden de la
autorregresión.
En una regresión de primer orden, Yt es regresionado contra Yt−1 . En una modelo de
regresión de orden p, Yt es regresionado contra Yt−1 , Yt−2 , ..., Yt−p

/
 Modelo Autorregresivo de Orden
Series de Tiempo y Proyecciones

El modelo poblacional AR( ) es:

Yt = β0 + β1 Yt−1 + ut

El coeficiente β1 NO tiene interpretación causal .

Si β1 = 0, entonces Yt−1 no es útil para la proyección (forecasting) de Yt .
El modelo AR( ) es estimado por MCO de Yt en Yt−1 .
Testear β1 = 0 versus β1 ̸= 0 provee un una hipótesis que plante que Yt−1 no es
suficiente para la proyección de Yt

/
 Modelo Autorregresivo de Orden
Series de Tiempo y Proyecciones
Realizando una estimación de un modelo AR( ) para la Inflación: Notar que no se necesita
usar vce(robust) porque no estamos interesados en realizar inferencia estadística, solo
queremos estimar los coeficientes para proyectar.

/
 Proyección
Series de Tiempo y Proyecciones

Nuestro principal objetivo en esta etapa consiste en estimar autoregresiones para

producir proyecciones. No estamos interesados en efectos causales.
Nosotros solo usamos los coeficientes estimados para crear o generar proyecciones de la
variable dependiente.
La validez externa: el modelo estimado utilizando datos históricos debe mantenerse en el
futuro (cercano).
¿Qué significa proyección en este contexto?

/
 Proyección
Series de Tiempo y Proyecciones
Notación
• Para un modelo AR( ):
YT+1/T = β0 + β1 YT
ŶT+1/T = β̂0 + β̂1 YT
• YT+1/T : proyecta el valor de YT+1 basado en los valores poblacionales
(desconocidos).
• ŶT+1/T : proyecta YT+1 basado en YT , YT−1 , ...
• Los errores de proyección se definen como: YT+1 − ŶT+1/T
No confundir los valores predicho con valores de la proyección.
• Los valores predichos son dentro de la muestra, es decir, “in-sample”(Predicted
values).
• Las proyecciones son fuera de la muestra, es decir, ‘out-of-sample” (Forecast values).
/
 Proyección
Series de Tiempo y Proyecciones

Veamos con un ejemplo:

Tenemos la estimació de un modelo AR( ) para la inflación:
c = 0,9455 + 0,7233 · inflt−1
infl t

Se usan datos de q- q para la estimación anterior, lo que significa que:

c
• infl será una proyección.
2023q2/2023q1
c
• infl 2023q1/2022q4 será un valor predicho.
Realizaremos el cálculo de ambos casos.

/
 Proyección
Series de Tiempo y Proyecciones

Cálculo del valor predicho

En los datos observados, infl2022q4 = 4,0798

Resultando en el valor predicho de
c
infl 2023q1/2022q4 = 0,9455 + 0,7235 · 4,0798 = 3,9021

Sin embargo, en los datos registradose se observa que infl2023q1 = 3,7418, por lo tanto la
c
expresión infl2023q1 − infl 2023q1/2022q4 es el valor residuo del primer trimestre del .

/
 Proyección
Series de Tiempo y Proyecciones

Cálculo del valor proyectado

En los datos observados, infl2023q1 = 3,7418. Resultando en el valor proyectado de

c
infl 2023q2/2023q1 = 0,9455 + 0,7233 · 3,7418 = 3,6519

Se podría decir que hasta Julio, donde infl2023q2 , se calcula el error de proyección.

c
infl2023q2 − infl 2023q2/2023q1 = 3,7418 − 3,6519 = 0,0899

/
 Proyección
Series de Tiempo y Proyecciones

Los valores predichos y proyectados son fácilmente calculados en STATA.

Luego de realizar una regresión del modelo AR( ), ejecutamos el comando de predict xb,
que almacena los valores lineales predichos del modelo. Se puede realizar la proyección
cuando se toma valores de los regresores fuera de la muestra considerada.

/
 Modelo Autorregresivo de Orden p
Series de Tiempo y Proyecciones

El modelo poblacional AR(p) está dado por:

Yt = β0 + β1 Yt−1 + β2 Yt−2 + ... + βp Yt−p + ut

Recordar que los coeficientes NO tienen interpretación causal. Asimismo, las pruebas de
hipótesis de Yt−2 , ..., Yt−p no agrega valor luego o por encima de Yt−1 , usamos una
prueba F.

/
 Modelo Autorregresivo de Orden p
Series de Tiempo y Proyecciones
Preparamos los rezagos para una estimación de un modelo AR( ) para la inflación:

/
 Modelo Autorregresivo de Orden p
Series de Tiempo y Proyecciones

Una vez más calculamos las predicciones y proyecciones.

Estimamos el modelo AR( ) para la inflación:
c = 0,7506 + 0,6192 · inflt−1 + 0,0086 · inflt−2 + 0,3128 · inflt−3 −0,1684 · inflt−4
inflt

donde:
c
infl 2023q1/2022q4 = 0,7506 + 0,6192 · (4,080) + 0,0086 · (5,3967) +
0,3128 · (9,2185)−0,1684 · (8,7825) = 4,7270
c
infl2023q2/2023q1 = 0,7506 + 0,6192 · (3,7418) + 0,0086 · (4,080) +
0,3128 · (5,3967)−0,1684 · (9,2185) = 3,2377

/
 Modelo Autorregresivo de Orden p
Series de Tiempo y Proyecciones

De manera similar en el caso del modelo AR( ), se pueden hallar fácilmente los valore
predichos y proyectados en STATA, usando el comando post-estimation de predict

/
 Contenido
Estacionariedad y Raíces Unitarias

▶ Series de Tiempo y Proyecciones

▶ Estacionariedad y Raíces Unitarias

/
• Estacionariedad y
Tendencias
• Raíces Unitarias
• Pruebas de Raíces
Unitarias
 Estacionariedad y Tendencias
Estacionariedad y Raíces Unitarias

Definición
Una serie de tiempo Yt es estacionaria si su distribución de probabilidad no cambia en el
tiempo, de lo contrario, sería no estacionaria.
Intuitivamente, la estacionariedad requiere que el futuro sea como el pasado, en sentido
probabilístico.
Si creemos que el futuro es fundamentalmente diferente respecto del pasado, entonces
no sería muy confiable usar los datos del pasado para hacer proyecciones (forecasting) del
futuro.

/
 Estacionariedad y Tendencias
Estacionariedad y Raíces Unitarias

Definición
Una tendencia es un movimiento persistente y de largo plazo.
Hay dos tipos de tendencias:
. Determinística: es una función no aleatoria del tiempo (es fácil de lidiar con ellos).
. Estocástica: es una función aleatoria del tiempo (requiere pruebas econométricas).
Una manera simple de eliminar el componente tendencial determinístico de una serie
temporal es mediante unas primeras diferencias (∆Yt = Yt − L.Yt ). Sin embargo, si la
serie temporal tiene tendencia estocástica, entonces aplicar primeras diferencias crearía
serios problemas.
Nota: Series de tiempo con tendencia estocástica no son estacionarias.

/
 Estacionariedad y Tendencias
Estacionariedad y Raíces Unitarias

Ejemplos de series de tiempo con tendencia determinística:

• Lineal
Xt = β0 + β1 t + ut
• Cuadrático
Yt = β0 + β1 t + β2 t2 + ut
• Cúbico
Yt = β0 + β1 t + β2 t2 + β3 t3 + ut

/
 Estacionariedad y Tendencias
Estacionariedad y Raíces Unitarias
Tendencia lineal: Xt = β0 + β1 t + ut

/
 Estacionariedad y Tendencias
Estacionariedad y Raíces Unitarias
Tendencia cuadrática: Yt = β0 + β1 t + β2 t2 + ut

/
 Estacionariedad y Tendencias
Estacionariedad y Raíces Unitarias

Por otro lado, las tendencias estocásticas pueden crear problemas.

Yt = β0 + β1 Yt−1 + ut

Donde
• β1 = 1
• E(ut |Yt−1 , Yt−2 , ...) = 0
Este modelo se llama Paseo Aleatorio con Deriva , donde el coeficiente β0 es la deriva o
drift.
Cuando β0 = 0, tenemos un modelo Paseo aleatorio o Random walk

Yt = Yt−1 + ut
Random walk with drift.

/
 Estacionariedad y Tendencias
Estacionariedad y Raíces Unitarias
Serie de tiempo con tendencia estocástica (aunque visualmente parece serie de tiempo
con tendencia determinística)

/
 Estacionariedad y Tendencias
Estacionariedad y Raíces Unitarias

Reformulando el modelo Random walk

∆Yt = ut

donde ∆Yt = Yt − Yt−1

Entonces, los cambios periodo a periodo son completamente aleatorios, tal que el valor
condicional esperado de dichos cambios es:

E(∆Yt |Yt−1 , Yt−2 , ...) = 0

Los valores pasados no juegan rol alguno en la predicción de los cambios en dicha serie de
tiempo.
Series de tiempo con estas propiedades son llamadas martingales.

/
 Estacionariedad y Tendencias
Estacionariedad y Raíces Unitarias

Dos características claves de un proceso pure random walk: Yt = Yt−1 + ut

Entonces la proyección en el siguiente periodo será:

yT+1/T = yT

Si Y0 = 0, entonces

Var(Y1 ) = Var(Y0 ) + Var(u1 ) = σu2

Var(Y2 ) = Var(Y1 ) + Var(u2 ) = σu2 + σu2 = 2ρ2u
Var(Y3 ) = Var(Y2 ) + Var(u3 ) = 2σu2 + σu2 = 3ρ2u
... = ...
Var(Yt ) = Var(Yt−1 ) + Var(ut ) = (t − 1)σu2 + σu2 = tσu2

/
 Estacionariedad y Tendencias
Estacionariedad y Raíces Unitarias

/
 Raíces Unitarias
Estacionariedad y Raíces Unitarias

En un modelo AR( ), Yt = β0 + β1 Yt−1 + ut donde

• Si |β1 | < 1, entonces Yt es estacionario
• Si β1 = 1, entonces Yt es no estacionario
Si |β1 | > 1: proceso explosivo (¿hiperinflación?).

Cuando Yt es no estacionario, se puede esperar que:

• el proceso tenga raíz unitaria
• sigue una tendencia estocástica
Usaremos los términos de no-estacionariedad, tendencia estocástica, y raíz unitaria como
equivalentes o intercambiables.

/
 Estacionariedad y Tendencias
Estacionariedad y Raíces Unitarias
Si Yt = β1 Yt−1 + ut

/
 Raíces Unitarias
Estacionariedad y Raíces Unitarias

De forma más general, tenemos el modelo AR(p):

Yt = β0 + β1 Yt−1 + ... + βp Yt−p + ut

No olvidar que el proceso AR(p) tiene la forma de una ecuación en diferencias, por lo que
la forma de hallar las raíces de dicha ecuación es mediante el polinomio característico
como sigue:
1 − β1 z − β2 z2 − ... − βp zp = 0
Decimos que el modelo AR(p) contiene una raíz unitaria si al menos una de las soluciones
de dicho polinomio es igual a en valor absoluto.

/
 Raíces Unitarias
Estacionariedad y Raíces Unitarias

Podemos observar con mayor claridad este problema cuando p = 1, entonces la

definición del polinomio característico sería 1 − β1 z = 0, tal que la solución sería
z = 1/β1 , donde z = 1 si |β1 | = 1

Las raíces unitarias crean tres problemas:

/
 Raíces Unitarias
Estacionariedad y Raíces Unitarias
. Los coeficientes del proceso autorregresivo están sesgados hacia cero
— Supongamos que Yt contiene raíz unitaria, pero lo ignoramos.
— El estimador βˆ1 del modelo Yt = β0 + β1 Yt−1 + ut está sesgado.
— Las proyecciones (forecasting) también estarán sesgadas.
. La distribución asintótica es no-normal
— La distribución del estimador MCO no está cerca de ser normal.
— No se puede usar los errores estándar, ni los estadísticos t, ni los ρ-values, ni los
intervalos de confianza, ya que el uso de estos asume una distribución asintóticamente
normal).
— En otras palabras, la inferencia estadística no funciona, recordar que
β1,H − βˆ1
tH0 = p 0
Var(Yt−1 )
pero recordar que cuando hay un proceso random walk, se tiene que
límt→∞ Var(Yt−1 ) = (t − 1)σu2 −→ ∞, por lo que tH0 −→ 0

/
 Raíces Unitarias
Estacionariedad y Raíces Unitarias

. Los coeficientes del proceso autorregresivo están sesgados hacia cero

. La distribución asintótica es no-normal
. Problema de regresión espúrea
— En los casos donde se tenga series de tiempo con tendencias estocásticas, esta serie
puede aparentar estar correlacionado con otra variable de interés (Fuente: Tyler Vigen).

/
 Pruebas de Raíces Unitarias
Estacionariedad y Raíces Unitarias

• Debido a los tres problemas que acabamos de comentar, no se deben ejecutar

estimaciones AR(p) con series temporales que contengan raíces unitarias.
• Los pronósticos basados en tales modelos serán erróneos y pueden llevar a
conclusiones erroneas también.
• ¿Cómo podemos saber qué series de tiempo contienen raíces unitarias?
• Dickey y Fuller desarrollaron una prueba razonablemente sencilla que debe
realizarse antes de realizar cualquier análisis de series temporales (DF Test).

/
 Pruebas de Raíces Unitarias
Estacionariedad y Raíces Unitarias

Se puede ilustrar de manera sencilla el DF Test usando un modelo AR( ):

Yt = β0 + β1 Yt−1 + ut

que es equivalente a reescribirlo como

∆Yt = β0 + δYt−1 + ut

donde δYt = β1 − 1
Entonces, para probar si Yt tiene raíz unitaria se somete a prueba al coeficiente δ:
• H0 : δ = 0 (esta hipótesis significa que β1 = 1, por lo tanto quiere decir que hay raíz
unitaria)
• H1 : δ < 0

/
 Pruebas de Raíces Unitarias
Estacionariedad y Raíces Unitarias

• Para realizar esta prueba, simplemente haría una regresión de δYt contra Yt−1 y
verificaría la significancia de la estimación del coeficiente resultante δ.
• Complicación: no se puede simplemente usar el error estándar, el estadístico “t”, el
rho-value o los intervalos de confianza que arroja STATA.
• La estimación del coeficiente δ no tiene una distribución normal aproximada.
• Por lo tanto, no se puede aplicar el valor crítico habitual de . (que proviene de la
distribución normal estándar). La distribución de δ no es normal.
• Afortunadamente, Dickey y Fuller han obtenido los valores críticos correctos para
nosotros.

/
 Pruebas de Raíces Unitarias
Estacionariedad y Raíces Unitarias

Derivando los valores críticos, el Test de Dickey-Fuller distingue entre dos procesos AR( ):
Solo intercepto ∆Yt = β0 + δYt−1 + ut
Incluye tendencia determinística ∆Yt = β0 + αt + δYt−1 + ut

Se tiene los valores críticos al 5 % de significancia, en la distribución de δ:

Especificación del modelo Valor crítico
Solo intercepto - .
Incluye tendencia determinística - .

Por ejemplo, en la especificación del modelo que tiene solo intercepto, la hipotesis nula
de que existe una raiz unitaria si el t- estadistico es menos que - . .

/
 Pruebas de Raíces Unitarias
Estacionariedad y Raíces Unitarias
Por ejemplo: Prueba de raíces unitarias para la serie temporal de la inflación

/
 Pruebas de Raíces Unitarias
Estacionariedad y Raíces Unitarias
Siguienda la formulación de Dickey-Fuller: ∆Yt = β0 + αt + δYt−1 + ut

/
 Pruebas de Raíces Unitarias
Estacionariedad y Raíces Unitarias
Siguienda la formulación de Dickey-Fuller: ∆Yt = β0 + αt + δYt−1 + ut

/
 Pruebas de Raíces Unitarias
Estacionariedad y Raíces Unitarias

Se estimó δ̂ = −0,2779 con un tδ̂ = −7,00.

Recordar que el test de raíz unitaria de Dickey-Fuller es de un solo lado (one-sided): el
t − stat siempre será negativo (H0 : δ = 0 = β1 − 1 ≤ 0). La cuestión es si será
suficientemente pequeño para que sea estadísticamente diferente de cero, y por lo tanto
rechacemos H0 . HA : δ < 0, es decir,

β1 < 1

lo cual implica que la serie es estacionaria.

Encontramos que −7,00 < −3,41, por lo que se concluye que rechazamos la hipótesis
nula (existencia de raíz unitaria) a un 5 % de significancia.
Notar que no se usa el vce(robust) en la regresión.

/
 Pruebas de Raíces Unitarias
Estacionariedad y Raíces Unitarias

En STATA se puede realizar la prueba directamente:

Donde vemos que Z(t) ≈ tδ̂ , es decir, −6,998 ≈ −7,00, respectivamente. Se ratifica que
Z(t) = −6,998 ≈ −7,00 < −3,428

/
 Pruebas de Raíces Unitarias
Estacionariedad y Raíces Unitarias

En la regresión donde se estima δ, se pueden tomar diversas especificaciones:

. Incluye solo constante.
. Incluye constate y tendencia determinística.
. Incluye constante, tendencia lineal y no lineal.
. No incluye constate ni tendencia.

/
 Pruebas de Raíces Unitarias
Estacionariedad y Raíces Unitarias

Ahora también, Dickey-Fuller desarrollaron una prueba de raíz unitaria basada en un

modelo más general, AR(p).
Tomamos las primeras diferencias en el modelo, tendríamos

∆Yt = β0 + αt + δYt−1 + γ1 ∆Yt−1 + ... + γp ∆Yt−p + ut

Por lo tanto, dependiendo si α ̸= 0 ó α = 0 pueden parecer que este modelo tendría a o

no tendencia determinística.
Los valores críticos son los mismos que la tabla anterior.

/
 Pruebas de Raíces Unitarias
Estacionariedad y Raíces Unitarias

/
 Pruebas de Raíces Unitarias
Estacionariedad y Raíces Unitarias

/
 Pruebas de Raíces Unitarias
Estacionariedad y Raíces Unitarias

Vemos que δ̂ = −4,39 < 3,41, por lo tanto rechazamos la hipótesis nula, H0 : δ = 0, que
plantea la hipótesis de existencia de raíz unitaria en la serie temporal bajo análisis. En ese
sentido, al rechazarla, decimos que la inflación no tiene raíz unitaria a un % de confianza.

/
 Pruebas de Raíces Unitarias
Estacionariedad y Raíces Unitarias

En STATA se puede realizar la prueba directamente:

Donde vemos que Z(t) ≈ tδ̂ , es decir, −4,394 ≈ −4,39, respectivamente. Se ratifica que
Z(t) = −4,394 ≈ −4,39 < −3,428

/
Fundamentos de Econometría - ECO
¿Preguntas?