Scribd
Cargar
31 vistas18 páginas

Clase Eviews

El documento describe el proceso de modelado de series de tiempo, centrándose en el proceso AR(1) y la evaluación de estacionariedad mediante el autocorrelograma y la prueba de raíz unitaria de Augmented Dickey-Fuller. Se presentan ejemplos de creación de programas para series estacionarias y no estacionarias, así como la interpretación de resultados y estadísticas relevantes. Además, se discuten las características de los procesos autorregresivos y su comportamiento en términos de autocorrelación.

Cargado por

Luis Miguel Pineda Coronel
Derechos de autor
© © All Rights Reserved
Nos tomamos en serio los derechos de los contenidos. Si sospechas que se trata de tu contenido, reclámalo aquí.
Formatos disponibles
Descarga como PPTX, PDF, TXT o lee en línea desde Scribd
31 vistas18 páginas

Clase Eviews

El documento describe el proceso de modelado de series de tiempo, centrándose en el proceso AR(1) y la evaluación de estacionariedad mediante el autocorrelograma y la prueba de raíz unitaria de Augmented Dickey-Fuller. Se presentan ejemplos de creación de programas para series estacionarias y no estacionarias, así como la interpretación de resultados y estadísticas relevantes. Además, se discuten las características de los procesos autorregresivos y su comportamiento en términos de autocorrelación.

Cargado por

Luis Miguel Pineda Coronel
Derechos de autor
© © All Rights Reserved
Nos tomamos en serio los derechos de los contenidos. Si sospechas que se trata de tu contenido, reclámalo aquí.
Formatos disponibles
Descarga como PPTX, PDF, TXT o lee en línea desde Scribd

Modelos de series

de tiempo
1ra CLASE
PROCESO AR(1)

Creamos un Work File


Creamos un programa PARA UNA SERIE ESTACIONARIA

File/New/program

!b0=10 = una variable llamada b0 en la memoria no en work file

!b1=0.5
series y=!b0/(1-!b1) = valor de largo plazo de y (crea una variable llamada “y” y que se grabe en al work
file)
1970.2 (porque se pierde un resago)

¡b0Y(-1)=10/0.5=20

Guardar y correr
Es estacionaria con drif porque tiene intercepto

PARA UNA SERIES NO ESTACIONARIA


Corremo (run)
Otra forma de evaluar estacionariedad es el autocorrelograma
Level – (niveles) sin diferenciar

1st difference

2st difference
Si sale de la línea es una serie AR(1)

AC – función de autocorrelacion

Los procesos autorregresivos se obtiene observando la salidarapida de la auotcorrelacion parcial


se observa su retorno lento en la función de autocorrelacion

En medias móviles es al revés


Otra forma de proceso autoregresivo de orden 1
La autocorrelacion sale hacia la izquierda porque es b1 negativo

Sale rápido en correlacion parcial y retorna rápido en autocorrelacion

PROCESO AUTOREGRESIVO DE Z
CON B1 POSITIVO sale muy Rápido y retorna demasiado lento
con b1 negativo

Variables no estacionarias (variables con memoria larga)

Estado estacionario: es aquel punto en que los valores entan dentro de La línea de significaci{on

El resultado de z dice que es un aproceso no estacionario (raíz unitaria)

PRUEBA DE RAIZ UNITARIA

Abrimnos la serie y
Creamos un programa PARA UNA SERIE ESTACIONARIA

File/New/program

!b0=10 = una variable llamada b0 en la memoria no en work file

!b1=0.5
series y=!b0/(1-!b1) = valor de largo plazo de y (crea una variable llamada “y” y que se grabe en al work
file)
se trabaja en Level
entonces trabajamos con AugmentedDikey

LagLength – tamaño de resago

Null Hypothesis: Y has a unit root


Exogenous: Constant
Lag Length: 0 (Automatic - based on SIC, maxlag=18)

t-Statistic Prob.*

Augmented Dickey-Fuller test statistic -37.17569 0.0000


Test criticalvalues: 1% level -3.442995
5% level -2.867010
10% level -2.569745
Augmented Dickey-Fuller Test Equation
Dependent Variable: D(Y)
Method: LeastSquares
Date: 05/22/12 Time: 09:36
Sample: 1970M02 2012M05
Includedobservations: 508

Variable Coefficient Std. Error t-Statistic Prob.

Y(-1) -1.464026 0.039381 -37.17569 0.0000


C 9.822093 0.268184 36.62452 0.0000

R-squared 0.731996 Mean dependentvar -0.000349


Adjusted R-squared 0.731466 S.D. dependentvar 1.998777
S.E. of regression 1.035771 Akaikeinfocriterion 2.912098
Sum squaredresid 542.8476 Schwarzcriterion 2.928754
Log likelihood -737.6730 Hannan-Quinncriter. 2.918629
F-statistic 1382.032 Durbin-Watson stat 2.043420
Prob(F-statistic) 0.000000

Lag Length: 0 – 0 nro de rasagos


CON Z

Cuando una series se sospecha que es no estacionaria se trabaja lo mas restringido posible se
trabaja sin tendencia ni intercepto

También podría gustarte