Control de Lectura N°1

UNIVERSIDAD NACIONAL DE PIURA
FACULTAD DE ECONOMÍA
“ANÁLISIS DE LAS SERIES DE TIEMPO”

RESOLUCIÓN DE EJERCICIOS DEL LIBRO DE GUJARATI Y PORTER
DOCENTE: DR. LUIS VARONA CASTILLO.
CURSO: ECONOMETRÍA III
ALUMNO: YAMILE OJEDA LOZANO
CICLO: 2022-2
PIURA-PERÚ
2022
EJERCICIOS DEL LIBRO DE GUJARATI Y PORTER (CAP 21)
1. ¿Qué significa estacionariedad débil?

Se dice que existe estacionariedad débil si su media y varianza son constantes en
el tiempo y el valor de la covarianza entre dos periodos depende sólo de la distancia o
rezago entre estos dos periodos, y no del tiempo en el cual se calcula la covarianza.
Considerando una serie temporal como la realización de un proceso estocástico, se dirá
que éste es estacionario en sentido débil si tiene momentos de primer y segundo orden
finitos y que no varían en función del tiempo.
Formalmente, un proceso estocástico x(t) es estacionario en sentido débil si:
E [ x (t 1 ) ]=E [ x (t 1+h) ] =u1< ∞
E [ x (t 1)2 ]=E ¿
E [ x (t i )x (t j ) ] =E [ x (t i+ h) x (t j−h) ]=uij < ∞
2. ¿Qué significa serie de tiempo integrada?
Para definir el concepto de serie integrada es necesario introducir el de

estacionariedad, una serie estacionaria se caracteriza por una media constante, que no
varía con el tiempo, una varianza también constante y finita, las series integradas son un
caso particular de series no estacionarias, se dice de una serie temporal que es integrada
de orden d, I(d) cuando es necesario diferenciarla d veces para convertirla en
estacionaria.
Las propiedades de las series integradas son:
a. Si X t I (0) y Y t I (1), Zt = X t +Y t =I (1); es decir una combinación lineal o

suma de series de tiempo estacionaria y no estacionaria es no estacionaria.
b. Si X t I ( d ) ; Z t=a+b X t=I (d ); donde a y b son constantes. Es decir, una
combinación lineal de una serie I(d) es también I(d). Por tanto,
X t I ( 0 ) ; Z t =a+b X t=I (0)
c. Si X t I ( d 1 ) ;Y t I ( d 2 ) ;Z t =a X t +b Y t I ( d2 ) , donde d1 < d2
3. ¿Cuál es el significado de raíz unitaria?
Es una característica de los procesos que evolucionan a través del tiempo y

pueden causar problemas en inferencia estadística en modelos de series de tiempo, un
proceso estocástico lineal tiene una raíz unitaria si el valor de la raíz de la ecuación
característica del proceso es igual a 1, por lo tanto, el proceso es no estacionario. Si las
demás raíces de la ecuación característica se encuentran dentro del circulo unitario, es
decir un valor absoluto menor a 1, entonces la primera diferencia del proceso es no
estacionaria.
Analíticamente se puede establecer como punto de partida es:
Y t =ρ Y t−1 +ut ...(1)
−1 ≤ ρ ≤ 1
Manipulando la ecuación:
Y t −Y t −1 =ρY t−1−Y t −1+u t
¿ ( ρ−1 ) Y t −1+u t …(2)
Que es lo mismo expresarlo de la siguiente manera:
∆ Y t =δ Y t−1 +ut … (3)
Donde δ = ρ−1 y Δ ,es el operador de las primeras diferencias.
Si δ es 0, entonces consideramos que ρ=1, es decir tenemos una raíz unitaria, lo

cual significa que la serie de tiempo es no estacionaria.
4. Si una serie de tiempo es I(3), ¿cuántas veces debes diferenciarse para

hacerla estacionaria?
Se debe diferenciar 3 veces para volverse estacionaria.
5. ¿Qué son las pruebas Dickey Fuller (DF) y DF aumentada?
Ambas son pruebas que buscan determinar la existencia o no de raíces unitaria

en una serie de tiempo. Basada en una prueba de hipótesis, la hipótesis nula de estas
pruebas es que existe una raíz unitaria en la serie.
Hipótesis nula: H0: δ = 0 (es decir, existe una raíz unitaria, la serie de tiempo es
no estacionaria o tiene tendencia estocástica).
Hipótesis alternativa: H1:δ < 0 (es decir, la serie de tiempo es estacionaria,

posiblemente alrededor de una tendencia determinista)
En las pruebas de Dickey Fuller dado que la prueba se realiza con los datos
residuales en lugar de los datos en bruto, no es posible utilizar una distribución estándar
para proporcionar valores críticos. Por lo tanto, esta estadística tiene una determinada
distribución conocida como la tabla de Dickey Fuller, teniendo en cuenta el estadístico
tau de MacKinnon.
Si el valor absoluto calculado del estadístico tau (|τ|) excede la DF absoluta o los
valores críticos tau de MacKinnon, rechazamos la hipótesis de que δ = 0, en cuyo caso
la serie de tiempo es estacionaria.
En el caso de la Prueba de Dickey Fuller se establece el supuesto que el término

de error no estaba correlacionado, sin embargo, se desarrolló una prueba en dónde el
término de error si esta correlacionado, lo cual se conoce como prueba de Dickey Fuller
aumentado. Esta prueba implica aumentar las tres ecuaciones anteriores mediante la
adición de los valores rezagados de la variable dependiente Δ Y t. La prueba DFA
consiste en estimar la regresión:
m
Δ Y t=β 1 + β 2 t +δ Y t −1+ ∑ α i Δ Y t −i+ et
i=1
Donde e t es un término de error puro de ruido blanco , el número de términos

rezagados que debemos incluir con frecuencia se determina de manera empírica, con la
idea de incluir los términos suficientes para que el término de error no esté serialmente
relacionado y sea posible obtener una estimación insesgada de δ, el coeficiente de Y t −1
rezagado
6. ¿Qué son las pruebas Engle-Granger (EG) y EG aumentada?
Son pruebas que sirven para averiguar si dos o más series de tiempo están
cointegradas
7. ¿Cuál es el significado de Cointegración?

La cointegración se refiere a una combinación lineal de variables no
estacionarias, el análisis de cointegración es esencial cuando se tiene una combinación
de variables que presenten una similitud en el orden de integración. Si se tiene una
ecuación con las siguientes condiciones:
Sean las variables X t I ( 1 ) y Y t I ( 1 )
Dado Y t =β 0 + β 1 X t +ut
Si las series cointegran la regresión de las variables es significativa y no se

pierde información valiosa a largo plazo lo cual sucedería si se estima la regresión en
primeras diferencias.
8. ¿Cuál es la diferencia entre pruebas de raíces unitarias y pruebas de

cointegración?
La diferencia es que en el caso de las pruebas de raíces unitarias se realizan en

cada una de las series de tiempo, en cambio en la cointegración se establece en la
relación de variables donde cada uno de ellos tiene raíz unitaria, y se estima en
conjunto.
9. ¿Qué es la regresión espuria?
La regresión espuria se refiere a una situación en la que el uso de series de

tiempo no estacionarias en una regresión lineal arroja resultados erróneo demasiado
optimistas, quienes creen una relación entre variables mientras que este no es el caso.
Esto puede presentarse por factores como un alto R cuadrado, pero cabe indicar
que, si ambas variables están cointegradas, aunque cada uno de ellos son fluctuantes, la
regresión no puede ser falsa,
10. ¿Cuál es la conexión entre cointegración y regresión espuria?
El concepto de cointegración surge por el problema de intentar saber si dos o más

variables están en realidad relacionadas. Muchas relaciones entre variables pueden ser
espurias, es decir, que, aunque estadísticamente parezca que tienen relación, es pura
casualidad.
Las variables que tienen una tendencia temporal definida se denominan no

estacionarias. Las estimaciones de regresiones con variables no estacionarias son
espurias salvo que estas estén cointegradas. Dos variables no estacionarias cointegradas
son aquellas cuyos residuos son estacionarios. Si los residuos son estacionarios las
estimaciones de variables no estacionarias son superconsistentes
11. ¿Cuál es la diferencia entre una tendencia determinista y una tendencia

estocástica?
Si una serie de tiempo presenta una tendencia determinista, es que son

perfectamente previsibles, y si no es así la llamamos estocástica, una serie de tiempo no
estacionaria presenta una tendencia estocástica. La tendencia estocástica es un cambio
aleatorio de una serie a lo largo del tiempo, pudiendo presentar largos periodos
crecientes, seguidos de periodos decrecientes. La tendencia estocástica es un proceso
estacionario en media, pero no lo es en varianza. El modelo más simple de una variable
con tendencia estocástica es el de una caminata aleatoria.
12. ¿Qué significa proceso estacionario en tendencia (PET) y proceso

estacionario en diferencias (PED)?
Para responder esta pregunta formalizamos el modelo de serie de tiempo:
Y t =β 1+ β2 t+ β 3 Y t−1 +ut … (1)
Donde t es el tiempo medido cronológicamente, ahora se divide tanto en

caminata aleatoria pura y con deriva, en la caminata aleatoria pura β 1=0 , β 2=0 , β 3=1,
obtenemos:
Y t =Y t −1 +ut …(2)
La ecuación 2 es modelo de caminata aleatoria sin deriva y por tanto no es

estacionario, que si lo expresamos como:
ΔYt=Y t−Y t−1=ut
Y esto es lo que se conoce como proceso estacionario en diferencias (PED).
Por otro lado cuando β 1 ≠ 0 , β 2 ≠ 0 , β 3=0 , se obtiene de la ecuación 1 lo

siguiente:
Y t =β 1+ β2 t+u t … ( 3 )
Y esto se denomina proceso estacionario en tendencias (PET)
13. ¿Qué es un modelo caminata aleatorio (modelo)?
Una caminata aleatoria es un ejemplo de un proceso fluctuantes. Si una variable

sigue un paseo aleatorio, es decir su valor hoy es igual a su valor en el período anterior
más un shock aleatorio (término de error). En tales situaciones, puede que no seamos
capaces de prever el curso de este tipo de variable en el tiempo. Los precios de las
acciones o los tipos de cambio son ejemplos típicos de la caminata aleatoria fenómeno.
Y t =β 1+ β2 t+ β 3 Y t−1 +ut … ( 1 )
14. Para un proceso estocástico de caminata aleatoria, la varianza es infinita”. ¿Está

de acuerdo? ¿Por qué?
Si estoy de acuerdo, un proceso estocástico no estacionario de caminata aleatoria

su media de y es igual a su valor inicial (constante), pero conforme se incrementa t, su
varianza aumenta de manera indefinida, lo que viola una condición de la
estacionariedad. Se muestra: var (Y t )=t σ 2, en la práctica, Y 0 a menudo se iguala a cero,
en cuyo caso E ( Y t )=0 . Sin embargo, de los errores aleatorios, lo cual resulta de
Y t =Y t + ∑ u t : Y t es la suma de Y 0 inicial más la suma de los choques aleatorios. Como
resultado, no se desvanece el impacto de un choque particular. Por ejemplo, si u2=2, en
vez de u2=0, todas las Y t de Y 2 en adelante serán 2 unidades mayores, por lo que
nunca cesa el efecto de este choque. Por esta razón, que la caminata aleatoria tiene una
memoria infinita. Ya que la caminata aleatoria recuerda los choques por siempre, es
decir, tiene memoria infinita. La suma ∑ ut se conoce también como tendencia
estocástica.
15. ¿Qué es el mecanismo de corrección de errores (MCE)? ¿Cuál es su

relación con la cointegración?
Para hablar del modelo MCE, se debe mencionar la cointegración, la cual

implica que a largo plazo, existe relación entre dos o más variables (equilibrio),
mientras que en el corto plazo, sin embargo, puede haber un desequilibrio entre los dos.
El MCE pone las dos variables de equilibrio de largo plazo.
Por otro lado, el mecanismo de corrección de errores (MCE), utilizado por

primera vez por Sargan y popularizado más tarde por Engle y Granger, corrige el
desequilibrio. Un importante teorema, conocido como teorema de representación de
Granger, aﬁrrma que, si dos variables Y y X están cointegradas, la relación entre las dos
se expresa como MCE. Para ver lo que esto signiﬁca, revertiremos el ejemplo de GCP e
IPD. Ahora considere el siguiente modelo:
∆ LGCP t=α 0 +α 1 ∆ LIPD t +α 2 U t −1+ ε t
Mientras que el concepto de cointegración es sin duda un fundamento teórico

importante del modelo de corrección de errores, hay aún diversos problemas en torno a
su aplicación práctica; los valores críticos y el desempeño en muestras pequeñas de
muchas de las pruebas son desconocidos para un amplio rango de modelos; la
inspección bien informada del correlograma puede ser aún una herramienta importante.

Control de Lectura N°1

Cargado por

Información del documento

Descripción original:

Título 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

Control de Lectura N°1

Cargado por

Copyright:

Formatos disponibles

UNIVERSIDAD NACIONAL DE PIURA

“ANÁLISIS DE LAS SERIES DE TIEMPO”

DOCENTE: DR. LUIS VARONA CASTILLO.

CURSO: ECONOMETRÍA III

ALUMNO: YAMILE OJEDA LOZANO

1. ¿Qué significa estacionariedad débil?

Formalmente, un proceso estocástico x(t) es estacionario en sentido débil si:

E [ x (t 1 ) ]=E [ x (t 1+h) ] =u1< ∞

E [ x (t i )x (t j ) ] =E [ x (t i+ h) x (t j−h) ]=uij < ∞

2. ¿Qué significa serie de tiempo integrada?

Para definir el concepto de serie integrada es necesario introducir el de

Las propiedades de las series integradas son:

a. Si X t I (0) y Y t I (1), Zt = X t +Y t =I (1); es decir una combinación lineal o

Es una característica de los procesos que evolucionan a través del tiempo y

Analíticamente se puede establecer como punto de partida es:

Y t =ρ Y t−1 +ut ...(1)

Y t −Y t −1 =ρY t−1−Y t −1+u t

¿ ( ρ−1 ) Y t −1+u t …(2)

Que es lo mismo expresarlo de la siguiente manera:

∆ Y t =δ Y t−1 +ut … (3)

Donde δ = ρ−1 y Δ ,es el operador de las primeras diferencias.

Si δ es 0, entonces consideramos que ρ=1, es decir tenemos una raíz unitaria, lo

4. Si una serie de tiempo es I(3), ¿cuántas veces debes diferenciarse para

Se debe diferenciar 3 veces para volverse estacionaria.

5. ¿Qué son las pruebas Dickey Fuller (DF) y DF aumentada?

Ambas son pruebas que buscan determinar la existencia o no de raíces unitaria

Hipótesis alternativa: H1:δ < 0 (es decir, la serie de tiempo es estacionaria,

En el caso de la Prueba de Dickey Fuller se establece el supuesto que el término

Donde e t es un término de error puro de ruido blanco , el número de términos

6. ¿Qué son las pruebas Engle-Granger (EG) y EG aumentada?

7. ¿Cuál es el significado de Cointegración?

Sean las variables X t I ( 1 ) y Y t I ( 1 )

Si las series cointegran la regresión de las variables es significativa y no se

8. ¿Cuál es la diferencia entre pruebas de raíces unitarias y pruebas de

La diferencia es que en el caso de las pruebas de raíces unitarias se realizan en

9. ¿Qué es la regresión espuria?

La regresión espuria se refiere a una situación en la que el uso de series de

10. ¿Cuál es la conexión entre cointegración y regresión espuria?

El concepto de cointegración surge por el problema de intentar saber si dos o más

Las variables que tienen una tendencia temporal definida se denominan no

11. ¿Cuál es la diferencia entre una tendencia determinista y una tendencia

Si una serie de tiempo presenta una tendencia determinista, es que son

12. ¿Qué significa proceso estacionario en tendencia (PET) y proceso

Para responder esta pregunta formalizamos el modelo de serie de tiempo:

Y t =β 1+ β2 t+ β 3 Y t−1 +ut … (1)

Donde t es el tiempo medido cronológicamente, ahora se divide tanto en

La ecuación 2 es modelo de caminata aleatoria sin deriva y por tanto no es

ΔYt=Y t−Y t−1=ut

Y esto es lo que se conoce como proceso estacionario en diferencias (PED).

Por otro lado cuando β 1 ≠ 0 , β 2 ≠ 0 , β 3=0 , se obtiene de la ecuación 1 lo

13. ¿Qué es un modelo caminata aleatorio (modelo)?

Una caminata aleatoria es un ejemplo de un proceso fluctuantes. Si una variable

14. Para un proceso estocástico de caminata aleatoria, la varianza es infinita”. ¿Está

Si estoy de acuerdo, un proceso estocástico no estacionario de caminata aleatoria

15. ¿Qué es el mecanismo de corrección de errores (MCE)? ¿Cuál es su

Para hablar del modelo MCE, se debe mencionar la cointegración, la cual

Por otro lado, el mecanismo de corrección de errores (MCE), utilizado por

∆ LGCP t=α 0 +α 1 ∆ LIPD t +α 2 U t −1+ ε t

Mientras que el concepto de cointegración es sin duda un fundamento teórico

También podría gustarte