Analisis Estructural

UNIVERSIDAD NACIONAL DE SAN AGUSTIN
FACULTAD DE ECONOMA
ESCUELA PROFESIONAL DE ECONOMA
ANLISIS ESTRUCTURAL y REGRESIONES EN DIFERENCIA

Y LAS VARIABLES DICOTOMAS
PROBLEMAS FRECUENTES EN MODELOS CON SERIES DE TIEMPO
Estacionariedad de las variables

Anlisis estructural
Quiebre estructural
Autocorrelacin
Heterocedasticidad (con menor frecuencia en este tipo de modelos)
Series no estacionarias (regresiones espurias)
TIPOS DE MODELOS MULTIVARIADOS DE SERIES DE TIEMPO
Modelos estticos.
Modelos dinmicos
Yt 0 1 X 1,t 2 X 2,t t
Yt 1Yt 1 2Yt 2 0 1 X 1,t 2 X 2,t t
Modelos con retardos distribuidos
Yt 0 1 X 1,t 2 X 2,t 1 X 1,t 1 2 X 2,t 1 t
Modelos Estructurales con V. Cualitativas
Yt = 0 + 1 D1 + 1 X1 + 2 (D1 X1) + et
2
UNSA Facultad de Economa
Econ. Orlando Torres Montes /otorresmontes@gmail.com
APLICACIONES DE LA PRIMERA DIFERENCIA ENTRE SERIE
(1) yt 1 yt 1 t
Pseudo-F estadstico
(2) yt 1 yt 1 t
(3) yt 1 t yt 1 t
Pseudo-t estadstico por :
H0 : 0
H1 : 0
modelo (1)
modelo (2)
modelo (3)
P(e 1.64) 0.05

P( 1.95) 0.05
P( 2.86) 0.05
( RSS R RSSU ) / r
RSSU /(T k )
para :
H0 : 0
F1
modelo (2)
H 0 : 0 F2
modelo (3)
H0 : 0
modelo (3)
F3
P( t 3.41) 0.05
t - t 1
Tinft Tinfet
Tinft
= 0 + 1 T desempleot + et
3
Contrastando por Raices Unitarias: DF test

1. Modelo regresin general
yt t yt 1 t
H 0 : 0
rechazar (no raiz unitaria)

H1 : 0
acceptar (se va al paso 2.)
2. Contraste por la tendencia
rechazar ( 0) se puede usar la Normal
H 0 : 0 F3
3. Estimar

yt yt 1 t
H 0 : 0
rejechazar (no raiz unitaria)

H1 : 0
4. Contraste por la deriva

5. Estimar
rejechazar ( 0) se puede usar la Normal

H 0 : 0 F1
yt yt 1 t
H 0 : 0
rejechazar (no raiz unitaria)

H1 : 0
accept (stop)
4
METODOLOGA BOX-JENKINS PARA PRONSTICOS

MODELO DINAMICOS ECONOMA PERUANA
Consideremos los datos proporcionados por el BCRP dados en la tabla de Oferta y Demanda.
Esta suministra informacin sobre, el Producto Bruto Interno (PBI), Consumo Privado, Consumo Pblico, la
Inversin Bruta Fija (IBFIJA), las Exportaciones (EXPORT), las Importaciones (IMPORT) en millones de nuevos
soles a precios de 1994, para el Per durante el periodo trimestral de 1980:01 2013:01
Supongamos que se desea estimar, el Producto Bruto Interno (PBI94 = Y) en funcin de la Inversin Bruta Fija
(IBFija = X)
Sobre esta informacin usaremos la Metodologa de Box-Jenkins para pronosticar series de tiempo, mediante
procesos autorregresivos y medias mviles.
Empesaremos con la demostracin de algunos conceptos, tal como Proceso estocstico discreto, estacionariedad,
ruido blanco y ergodicidad u organicidad.
La relacin funcional de las variables en estudio, nos conduce a demostrar y plantear las hiptesis siguientes:
HIPTESIS PARA LAS VARIABLES MACROECONMICAS
Ho: (Rho) 1 = 2 = = p = 0;
La serie es Estacionaria // Es ruido blanco//La serie no contiene raz unitaria
La serie no es una caminata aleatoria o no es un paseo aleatorio
Ho: (Rho) 1 2 = p 0;
La serie es No Estacionaria No es ruido blanco
La serie contiene raz unitaria // La serie es una caminata aleatoria
La serie es un paseo aleatorio
PBI94 = f (IBFIJA) // PBI94 = 0 + 1.IBFIJA + et
IBFIJA = f (EXPORT, PBI94, IMPORT)
IBFIJA = 0 + 1 . EXPORT+ 2.PBI94 + 3.IMPORT + et
El IBFIJA, como variable dependiente se mide en millones de soles por ao, tan igual que las variables independientes, as registr
el BCR Per. Entre los dems factores se dejan dentro el ceteris paribus.

ANLISIS DE ESTACIONARIEDAD
- Anlisis grfico para detectar estacionariedad // Funcin de autocorrelacin simple (FAS)
ANLISIS DE ESTACIONARIEDAD (FAS)

PER: PBI a precios de 1994 en Millones de nuevos S/.
0.50
0.00
-0.50
30000
40000
Autocorrelations of PBI
50000
60000
1.00
-1.00
20000
Producto Bruto Interno (Mlls. S/)
tsline PBI, title("ANLISIS DE ESTACIONARIEDAD") subtitle("PER: PBI a precios de 1994 en Millones de

nuevos S/.") note("Fuente:Memoria BCRP 2012//Econ. Orlando Torres")
1980q1
1990q1
Aos
2000q1
Fuente:Memeria BCRP 2012//Econ. Orlando Torres
2010q1
10
20
Lag
30
40
Fuente:Memeria BCRP 2012//Econ. Orlando Torres
ac PBI, title("ANLISIS DE ESTACIONARIEDAD (FAS)") subtitle("PER: PBI a precios de 1994 en Millones

de nuevos S/.") note("Fuente:Memoria BCRP 2012//Econ. Orlando Torres")
6

corrgram PBI, lags(20)
Vista grfica del PAC que no

demuestra picos despus de l
segunda rezago que sugiere que
todos otros retrasos son espejos de la
segunda lag. Ver el comando pac
AC muestra que la
correlacin entre el valor
actual del PBI y su valor
hace
tres
trimestres
0.8781. AC se puede
utilizar para definir la q en
MA(q) slo en serie
estacionaria
PAC demuestra que la

correlacin entre el valor actual
del PBI y su valor hace tres
trimestres es -0.1661 sin el
efecto de los dos anteriores long.
PAC puede usarse para definir
la p en AR(p) slo en serie
estacionaria
Box-Pierce' estadstico Q prueba la hiptesis

nula que toda correlacin hasta retraso k son
iguales a 0. Esta serie muestran
autocorrelacin significativa como se muestra
en el Prob > valor de Q que en cualquier k es
menos de 0.05, por lo tanto rechaza la
hiptesis nula que todos retardos no son
autocorrelacin.
Vista grfica de la AC
que muestra un deterioro
en la tendencia,
sugiriendo no
estacionariedad. Ver
tambin el comando de la
AC
7

corrgram PBI, lags(20)
HIPTESIS PARA LAS VARIABLES PBI

Ho: (Rho) 1 = 2 = = p = 0; La serie es Estacionaria
Ha: (Rho) 1 2 = p 0; La serie es No Estacionaria
La figura de la Funcin de Autocorrelacin simple (o parcial) FAS y el correlograma, indican la no estacionariedad del PBI dado
que exterioriza estimaciones rho decrecientes exponencialmente de mayor a menor (entre 1 y -1) llegando a cero, tomando valores
negativos y la mayor parte de ellos se encuentran fuera del intervalo de confianza.
Por otra parte, el correlograma exhibe los valores del FAS (vanse columna AC) decrece desde o.9457 hasta 0.4072
Los resultados descritos para FAS y Q ayudan a comprobar que el PBI no es ruido blanco
8
Las probabilidades del estadstico Q Ljung-Box, con un nivel del 5% Rechazamos la hiptesis nula (Ho)

ANLISIS DE RAZ UNITARIA DICKEY-FULLER AUMENTADO (DFA) PARA DETECTAR ESTACIONARIEDAD
El test de Duckey-Fuller (1979) es uno de los ms utilizados para testar la hiptesis nula de raz unitaria en la serie,
es decir, Ho: Rho = 0
Existen tres versiones d este test:
1. Test de raz unitaria (paseo aleatorio)
Yt = Yt-1 + et
2. Test de raz unitaria con drift (ir a la deriva) (paseo aleatorio con constante)
Yt = + Yt-1 + et
3. Test de raz unitaria con drift y tendencia determinstica (paseo aleatorio con constante y tendencia)
Yt = o + 1t + Yt-1 + et
Para cada una de estas versiones del test los autores desarrollan mediante simulacin los valores crticos que
permiten concluir sobre la hiptesis nula (Ho)
Por ejemplo, estudiemos la estacionariedad de la serie PBI.
1. Primero grafiquemos la serie
2. Planteamos las hiptesis
HIPTESIS PARA LAS VARIABLES Y
Ho: (Rho) 1 = 2 = = p = 0;
La serie es Estacionaria // Es ruido blanco
La serie no contiene Raz unitaria
Ho: (Rho) 1 2 = p 0;
La serie contiene Raz Unitaria
la serie es una caminata aleatoria
9

TESTS DE RACES UNITARIAS
Para saber si las involucradas en cualquier modelo temporal, es necesario analizar, lo
siguiente:
1) La estacionariedad ( serie estacionaria o no estacionaria)
Para verificar si la serie temporal es I(0)No estacionaria, es decir; es una serie
ESTACIONARIA, se pueden utilizar alternativamente diversos test que, se conocen
como test de races unitarias, entre los que destacan:
- Dickey Fuller (DF) Xt = pXt-1 + vt o AR(1)
p-valor menor al 5%
- Dickey Fuller ampliado (DFA) y de
p-valor menor al 5%
- Phillips Perron (PP)
p-valor menor al 5%
- Ho P = 1 Estacionaria
- Ha P 1 No Estacionaria
Afirmamos que la Serie es Estacionaria
2) La cointegrabilidad (las series componentes del modelo estn cointegradas)
Si se verifican que el conjunto de variables integradas del mismo orden todas ellas,
estn cointegradas, se asegura la existencia de una relacin NO ESPURIA entre las
mismas, adems:
Es Estacionaria (es decir, existe equilibrio en el sentido estadstico)
Cointegracin, es la nocin estadstica equivalente a la idea de equilibrio estable, en el
sentido de que cuando existe una relacin de este tipo entre variables.
Test de Phillips Oularis para la Cointegracin.
- Estimacin del modelo Yt = B0 + B1 Xt + et
- Con los residuos de la estimacin del modelo realizamos un contraste de races
unitarias y si los residuos resultan estacionarios (No son I(0)) las series estn cointegradas 10

dfuller PBI, trend reg lags(1)
Estimar tau de DFA con tendencia e intercepto:

PBIt = + PBIt-1 + Bt + PBIt-1 + et
Con intercepto y tendencia, adicionalmente con un rezago para PBIt-1; = (p 1)
En este caso tau (t) = -0.301 y su probabilidad es igual a 0.9895 ; nos indica RECHAZAR LA HIPTESIS NULA (Ho)
Por lo tanto el PBI no es estacionario. Descartando que el mismo es integrado de orden cero PBI I(0)
En este caso el valor de tau (t) es negativo y su valor absoluto t = 0.301, significa que 1 < Rho < 1.
Valor, comparable con los valores absolutos crticos de MacKinnon 1% 4.030 5% 3.446 10% 3.146
Valores que ratifican el rechazar la hiptesis nula (Ho)
Igualmente el modelo debe estar especificado con intercepto y tendencia debido a que sus valores estadsticos (-0.22 y 1.60) son
estadsticamente No significativos.
11

dfuller PBI, reg

PBIt = PBIt-1 + et, sin intercepto y tendencia = (p -1)
En este caso tau (t) = -0.506 y su probabilidad es igual a 0.8909 ; nos indica RECHAZAR LA HIPTESIS NULA (Ho)
Por lo tanto el PBI no es estacionario.
Mostrando que la serie PBI es explosiva (Media, Varianza y Covarianza estn condicionadas con el Tiempo)
Una vez determinado que una serie no es estacionaria, existen transformaciones con ecuaciones en diferencia para lograr
estacionariedad en la variable PBI
12

Transformaciones en primera diferencia logartmicas para convertir el PBI en un aserie estacionaria

gen PBILn = log(PBI)
label var PBILn
"Log del PBI"
Graficar los Rho estimados FAS
gen PBILnD1 =D.PBILn
ac PBILnD1
label var PBILnD1
"1ra Diferencia Log PBI"
tsline PBILnD1, yline(-0.1) yline(0.1) title("ANLISIS DE ESTACIONARIEDAD") subtitle("PER: PBI a precios de 1994 en
Millones de nuevos S/.") note("Fuente:Memoria BCRP 2012//Econ. Orlando Torres Montes")
-0.50
0.00
0.50
Autocorrelations of PBILnD1
.1
0
-.1
-1.00
-.2
1ra Diferencia Log PBI
.2
1.00
1980q1
1990q1
Aos
2000q1
2010q1
Fuente:Memoria BCRP 2012//Econ. Orlando Torres Montes
10
20
Lag
30
40
Fuente:Memoria BCRP 2012 //Econ. Orlando Torres Montes
En este caso, la primera diferencia en el logaritmo del PBIt (PBILnD1) no muestra una tendencia, sino movimiento senoidales,
aparentemente la variable cuestionada presenta media y varianza estables entre 1980Q1 2013Q1
13

corrgram PBILnD1, lags(20)

Ho: (Rho) 1 = 2 = = p = 0; La serie es Estacionaria
Ha: (Rho) 1 2 = p 0; La serie es No Estacionaria
La figura de la Funcin de Autocorrelacin simple (o parcial) FAS y el correlograma, indican la posible estacionariedad del PBI
dado que exterioriza estimaciones rho senoidales intercaladas y la mayor parte de ellos se encuentran dentro de su intervalo de
confianza.
Por otra parte, el correlograma exhibe los valores del FAS (vanse columna AC) intercalados, desde -0.6267 hasta 0.6321 (decrece
desde 0.9457 hasta 0.4072)
Los resultados descritos para FAS y Q ayudan a comprobar que el PBILnD1 no es ruido blanco
14
Las probabilidades del estadstico Q Ljung-Box, con un nivel del 5% Aceptamos la hiptesis nula (Ho) ?

ESTIMAR tau (t) DE DF CON INTERCEPTO
Ho: (Rho) 1 = 2 = = p = 0;
La serie es Estacionaria // Es ruido Blanco
La serie No contiene Raz unitaria
La serie No es una caminata aleatoria o No es un paseo aleatorio
Ho: (Rho) 1 2 = p 0;
La serie es No Estacionaria no es ruido blanco
dfuller PBILnD1, drift reg

2PBIt = + PBILnt-1 + et, sin intercepto y tendencia = (p -1)
En este caso tau (t) = -24.274 y su probabilidad es igual a 0.000 ; nos indica ACEPTAMOS LA HIPTESIS NULA (Ho)
Por lo tanto el PBI es estacionario en su primera diferencia logartmica.
En otras palabras, es integrado de orden una PBILn I(1)
Valores que ratifican la aceptacin de la hiptesis nula (Ho)
Estos resultados con los anteriores de ruido blanco hacen que la serie PBILnt resulta dbilmente estacionarios, por lo cual es
posible encontrar PGD a travs de estructura AR y MA que permita pronosticarla.
Dado que result integrada de orden uno, sin estacionalidad, la especificacin del modelo para proyectarla es un ARIMA(p,1,q)
15

IDENTIFICACIN DEL PROCESO GENERADOR DE DATOS (PGD) ESTACIONARIEDAD
corrgram PBILnD1, lags(20)
La figura de la Funcin de Autocorrelacin simple (o parcial) FAS y el correlograma, indican la posible estacionariedad del PBI
dado que exterioriza estimaciones rho senoidales intercaladas y la mayor parte de ellos se encuentran dentro de su intervalo de
confianza.
Por otra parte, el correlograma exhibe los valores del FAS (vanse columna AC) intercalados, desde -0.6267 hasta 0.6321 (decrece
desde 0.9457 hasta 0.4072)
Los resultados descritos para FAS y Q ayudan a comprobar que el PBILnD1 no es ruido blanco
Las probabilidades del estadstico Q Ljung-Box, con un nivel del 5% Aceptamos la hiptesis nula (Ho)
16

ESTIMACIN DEL MODELO MEDIANTE MXIMA VEROSIMILITUD
arima PBILn, arima(0,1,3) vce(robust)
PBILnt = 0.0077 - 0.677833Lnet-3

Con los valores estimados para = 0.0077 y 3 = -0.6778 los cuales resultan estadsticamente significativos
individualmente de acuerdo con la probabilidad Z. tambin con la probabilidad chi-cuadrado (=0), el estadstico
de Wald indica significancia conjunta.
En otras palabras, con los resultados anteriores los parmetros estimados son estadsticamente diferentes de cero e
importantes para explicar el PGD (Proceso Generador Datos) de acuerdo con lo esperado previamente.
17

RESULTADOS DEL MODELO ARIMA (0,1,3), RAICES DE POLINOMIO CARACTERISTICO Y CIRCULO UNITARIO
ssc install armaroots

armaroots
-.5
MA roots
-1
Estimar el criterio de Akaike

estat ic
Imaginary
.5
Characteristic roots
-1
-.5
0
Real
.5
Los tres valores de las races del polinomio caracterstico para el proceso MA son menores a uno.
Adems, estos tres valores se encuentran dentro del crculo unitario, indicando que la variable dependiente es
estacionaria.
18

PRUEBA DE NORMALIDAD JARQUE BERA
predict error, resid

ssc install jb
jb error
histogram error, frequency normal title("PRUEBA DE NORMALIDAD: JARQUE BERA") subtitle("PER: PBI a precios de 1994 en
Millones de nuevos S/.") note("Fuente:Memoria BCRP 2012 //Econ. Orlando Torres Montes")
PRUEBA DE NORMALIDAD: JARQUE BERA

10
15
Ahora, en cuanto a la normalidad del error y de acuerdo

con la probabilidad JB = 0.7736, los errores siguen una
distribucin normal.
Por lo que ACEPTAMOS la hiptesis nula (Ho)
Frequency
20
25
HIPTESIS PARA LAS VARIABLES ERROR

Ho: (Rho) 1 = 2 = = p = 0; Los ei son ruido blanco
Ha: (Rho) 1 2 = p 0; Los ei No son ruido blanco
-.2
-.1
0
residual, one-step
.1
.2
Fuente:Memoria BCRP 2012 //Econ. Orlando Torres Montes
19

PRUEBA DE Ljung Box y Q de RUEIDO BLANCO PARA EL ERROR
corrgram error, lags(20)
wntestq error
HIPTESIS PARA LAS VARIABLES ERROR

Ha: (Rho) 1 2 = p 0; Los ei No son ruido blanco
Ahora, en cuanto a la normalidad del error y de acuerdo
con la probabilidad WNTESTQ = 0.000, los errores no
siguen una distribucin normal.
Por lo que RECHAZMOS la hiptesis nula (Ho)
20
10

VALIDACIN DEL MODELO ESTIMADO
arima PBILn, arima(0,1,3) vce(robust)
Ha: (Rho) 1 2 = p 0; Los ei no son ruido blanco
PBILnt = 0.0077 - 0.677833Lnet-3

Los tres valores de las races del polinomio caracterstico para el proceso MA son menores a uno, aunque sta
estructura por naturaleza es estacionaria el resultado lo confirma; sealando tambin que el modelo no se
encuentra sobreparametrizado (no hay ms coeficientes // as resulten significativos)
Adicionalmente, estos tres valores se encuentran dentro del crculo unitario, indicando que la variable dependiente
es estacionaria.
Prosiguiendo el anlisis, el criterio de Akaike (AIC = -335.7994) tiene un valor muy bajo aunque debera
especificar otro modelo ARIMA para ser comparado y seleccionar el valor AIC ms pequeo entre ellos.
Ahora, en cuanto a la normalidad del error y de acuerdo con la probabilidad JB = 0.7736, los errores siguen una
distribucin normal.
21

VALIDACIN DEL MODELO ESTIMADO // PRONSTICO CON EL MODELO ESTIMADO Y VALIDADO
tsappend, add(2)
predict PBILnf, y dynamic(196)
gen PBIf=exp(PBILn)
VALIDACIN DEL PRONSTICO // COEFICIENTE DE THEIL
60000
50000
ssc install rmse

ssc install inequal7
rmse PBI PBIf, est
inequal7 PBIf[weight=PBI]
PBIf
20000
30000
40000
50000
40000
30000
20000
60000
tw (tsline PBI, yaxis(2)) (tsline PBIf)
1980q1
1985q1 1990q1
1995q1 2000q1
Aos
2005q1 2010q1
2015q1
PBIf
Se aprecia que el valor observado y proyectado del PBI llevan trayectorias similares, no obstante los valores
pronosticados de los ltimos periodos sobrepasan los observados.
La prediccin est bien ajustada de acuerdo con el coeficiente de Theil (0.06103) cercano a cero, ocurrira lo
contrario cuando este tienda a uno.
22
11

EVALUACIN DE LA PREDICCIN ECONOMTRICA
Raz Cuadrtica Media = Es una medida de la desviacin de la variable simulada de su ruta del tiempo real. La
magnitud de este error solo puede evaluarse si se compara con el tamao promedio de la variable en cuestin.
Error Porcentual de la Raz Cuadrtica Media. Es un estimador til como indicio de un sesgo sistemtico. Un
valor pequeo de este indicador es una medida deseable de ajuste de la simulacin.
Coeficiente de Theil. Es til para evaluar puntos de viraje. Si el valor del CDT es cercano a uno (1) el
desempeo predictivo del modelo es extremadamente malo; pero si el valor del CDT es cercano a cero, entonces
el desempeo predictivo del modelo es bastante bueno.
PROPORCIONES DE DESIGUALDAD
Proporcin de sesgo. Es un indicio de error sistemtico; dado que mide el grado en que los valores promedio de
la serie simulada y real se desvan entre s. Es deseable un valor cercano a cero para tener confianza en la
simulacin.
Proporcin de la Covarianza. Mide el error no sistemtico; es decir, el error restante despus de que se han
explicado los valores promedio.
Dado que es poco razonable esperar predicciones que estn correlacionadas en forma perfecta con los
resultados reales, este componente del error es menos preocupante.
Proporcin de la Varianza. Indica la capacidad del modelo para reproducir el grado de variabilidad en la
variable de inters. Si el valor es grande, significa que muestra poca fluctuacin, o viceversa. Esto tambin sera
problemtico y podra conducirnos a una versin del modelo.
DISTRIBUCIN IDEAL PARA LA EVALUACIN DE LA SIMULACIN.
Proporcin de sesgo
=
0
Proporcin de la varianza
=
0
Proporcin de la covarianza
=
1
Coeficiente de Theil
=
0
23
PREDICCIN: MODELOS ARIMA y ARIMAX
24
12

PREDICCIN UN PASO ADELANTE
arima MMetalica, arima(3,1,0)
predict MMy1
list MMetalica MMy1 if _n<=10
predict MMy2, y
list MMetalica MMy1 MMy2 if _n<=10
25

tsline MMetalica MMy2, title("PREDICCIN MODELO ARIMA") subtitle("PASO ADELANTE: Minera Metlica
1980Q1 2013Q1") note("Fuente: BCRP Memora 2012 //Econ. Orlando Torres Montes")
PREDICCIN MODELO ARIMA

-
2000
2500
PASO ADELANTE: Minera Metlica 1980Q1 2013Q1
500
1000
1500
La prediccin se realiza sobre la variable

dependiente del modelo recin estimado, en
este caso que la serie era estacionaria en
diferencia.
La variable dependiente no es la serie en
nivel sino la serie en diferencia.
1980q1
1990q1
Aos
2000q1
Minera Metlica (Mlls S/)
2010q1
y prediction, one-step
Fuente: BCRP Memora 2012 //Econ. Orlando Torres Montes
26
13

Obtener el error cuadrtico medio de la prediccin y con esto construir el intervalo de confianza
tsrline lower upper||tsline MMy2, title("PREDICCIN
MODELO ARIMA") subtitle("Intervalos de Confianza:
Minera Metlica 1980Q1 2013Q1") note("Fuente: BCRP
Memora 2012 //Econ. Orlando Torres Montes")
predict meansqerr, mse

g upper=MMy2+1.96*sqrt(meansqerr)
g lower=MMy2-1.96*sqrt(meansqerr)
Este intervalo d confianza es slo una

aproximacin ya que est basado en la
varianza residual, y no considera la
variabilidad de la estimacin de los
parmetros.
500
1000
1500
2000
2500
Intervalos de Confianza: Minera Metlica 1980Q1 2013Q1
1980q1
1990q1
Aos
2000q1
lower/upper
2010q1
y prediction, one-step
27

Ordenar los pasos de la prediccin de un paso adelante
PREDICCIN DINMICA
La prediccin un PASO ADELANTE lo que hace es utilizar la informacin disponible en t-1 para hacer la
prediccin para el periodo t. sin embargo, con este mecanismo de prediccin no se podr hacer predicciones ms
all del periodo T+1.
La prediccin dinmica lo que hace es considerar el valor predicho de la variable para poder hacer predicciones
ms all de un paso hacia adelante.
tsline MMetalica MMy2 ydyn, legend(label(1 "Observada") label(2 "Un paso
tsappend, add(7)
predict ydyn, y dynamic(q(2010q1))
adelante") label(3 "Dinmica")) title("PREDICCIN MODELO ARIMA")

subtitle("Prediccin Dinmica: Minera Metlica 1980Q1 2013Q1")
note("Fuente: BCRP Memora 2012 //Econ. Orlando Torres Montes")
2000
2500
Prediccin Dinmica: Minera Metlica 1980Q1 2013Q1
1000
1500
500
1980q1
1985q1
1990q1
1995q1 2000q1
Aos
Observada
Dinmica
2005q1
2010q1
Un paso adelante
2015q1
La primera lnea de comandos lo que hace es

agregar 7 observaciones ms, a la base de
datos.
La segunda lnea, lo que hace es hacer la
prediccin de la variable en nivel, ocupando
prediccin dinmica a partir del primer
trimestre del 2010.
El grfico nos muestra la serie original, la
serie predicha un paso adelante, y la serie
predicha de manera dinmica.
Podemos notar que antes del 2010 ambas
predicciones coinciden, luego estas se
comienzan a diferenciar.
28
14

CRITERIOS DE BONDAD DE AJUSTE
Tal como en el modelo de regresin lineal existe la medida de bondad de ajuste denominada R2 y de evaluar el
desempeo del mismo.
En el modelo de series de tiempo, la medida que nos permite evaluar una prediccin es el error cuadrtico
(MSE).
Adicionalmente, existen dos medidas que permiten estudiar la bondad de ajuste del modelo ARIMA estimado y
elegir entre dos o ms modelos anidados.
Estos son dos criterios de informacin ampliamente utilizados como el criterio de AKAIKE (AIC) y el criterio
bayesiano o de SCHWARTZ (BIC) // estimar el modelo ARIMA
estat ic
Estimamos el Modelo e incorporamos un componente MA

estat ic
En este segundo modelo ambos valores de los criterios de informacin son menores, por lo cual nos quedamos
con el modelo que incorpora el componente de la media mvil (MA).
Cmo escoger la cantidad de componentes AR y MA en el Modelo?
29

Modelos ARIMA con estacionalidad
Recordemos que si la magnitud de la fluctuacin estacional no es proporcional al nivel de la serie, el efecto
estacional es aditivo, pero el contrario si la fluctuacin estacional es proporcional al nivel de la serie, la
estacionalidad es multiplicativa.
ESTACIONALIDAD ADITIVA (utilizaremos los datos de la Minera Metlica)
tsline MMetalica, title("ESTACIONALIDAD ADITIVA DEL MODELO ARIMA") subtitle("Serie Observada: Minera Metlica
1980Q1 2013Q1") note("Fuente: BCRP Memoria 2012 //Econ. Orlando Torres Montes")
Serie Estacional DS = 4: Minera Metlica 1980Q1 2013Q1
-200
200
Minera Metlica (Mlls S/), DS4
2000
1500
1000
-400
500
400
ESTACIONALIDAD ADITIVA MODELO ARIMA
Serie Observada: Minera Metlica 1980Q1 2013Q1
2500
ESTACIONALIDAD ADITIVA DEL MODELO ARIMA
1980q1
1985q1
1990q1
1995q1 2000q1
Aos
2005q1
tsline DS4.MMetalica, yline(-200) yline(200)
2010q1
2015q1
1980q1
1985q1
1990q1
1995q1 2000q1
Aos
2005q1
2010q1
2015q1
30
15

Usamos la funcin de autocorrelacin parcial PAC FAS
pac DS4.MMetalica, title("ESTACIONALIDAD ADITIVA MODELO ARIMA") subtitle("Funcin de
Autocorrelacin Parcial: Minera Metlica 1980Q1 2013Q1") note("Fuente: BCRP Memoria 2012 //Econ. Orlando
Torres Montes")
ESTACIONALIDAD ADITIVA MODELO ARIMA
0.20
Funcin de Autocorrelacin Parcial: Minera Metlica 1980Q1 2013Q1
-0.60
-0.40
-0.20
0.00
Podemos ver claramente que los rezagos 4 y 8

son relevantes, tambin los rezagos 11, 12 y
30, indicando que quizs debemos incorporar
tres componentes Autorregresivos.
Estimaremos diferentes modelos y utilizaremos los criterios de informacin para elegir
entre ellos.
10
20
Lag
30
40
31

arima DS4.MMetalica, ar(1 4) ma(1 4)
estimates store ARIMA1
arima DS4.MMetalica, ar(1 4 8) ma(1 4 8)
arima DS4.MMetalica, ar(1 4 12) ma(1 4 12)
arima DS4.MMetalica, ar(1 4)
arima DS4.MMetalica, ar(1 4 8)
arima DS4.MMetalica, ar(1 4 8 12)
estimates table ARIMA1 ARIMA2 ARIMA3
ARIMA4 ARIMA5 ARIMA6, stat(aic, bic) b(%7.3f)
se(%7.3f) p(%4.3f)
estimates table ARIMA1 ARIMA2 ARIMA3
ARIMA4 ARIMA5 ARIMA6, b(%7.4f) se(%7.4f)
t(%8.0g) p(%7.4f) stfmt(%7.4g) stats(N r2 r2_a rss
mss aic bic F)
Optar por el segundo menor AIC y el primero
menor BIC
32
16

tsappend, add(7)
predict aditiva, y dynamic(tq(2010,1))
tsline aditiva MMetalica if Aos>=tq(2000,1)
tsline aditiva MMetalica if Aos>=tq(2008,2)

Proyeccin Serie Observada: Minera Metlica 1980Q1 2013Q1
2000q1
2005q1
Aos
2010q1
y prediction, dyn(tq(2010,1))
2000 2100 2200 2300 2400 2500

1400 1600 1800 2000 2200 2400
2015q1
2008q3
2010q3
2012q3
Aos
2014q3
2016q3
33

ESTACIONALIDAD MULTIPLICATIVA (utilizaremos los datos
de la Minera Metlica)
arima MMetalica, arima(1,1,1) sarima(1,1,1,4)

estimates table ARIMA7 ARIMA8 ARIMA9, stat(aic, bic)
b(%7.3f) se(%7.3f) p(%4.3f)
estimates table ARIMA7 ARIMA8 ARIMA9, b(%7.4f)
se(%7.4f) p(%7.4f) stfmt(%7.4g) stats(N r2 r2_a rss aic
bic F)
estimates table ARIMA7 ARIMA8 ARIMA9, b(%7.4f)
se(%7.4f) t(%8.0g) p(%7.4f) stfmt(%7.4g) stats(N r2 r2_a
rss mss aic bic F)
34
17

ESTACIONALIDAD MULTIPLICATIVA (utilizaremos los datos
de la Minera Metlica)
2800
2000
2000
2200
2200
2400
2400
2600
2600
2800
tsline mult aditiva MMetalica if Aos>=tq(2008,1), title("ESTACIONALIDAD ADITIVA DEL MODELO ARIMA")
subtitle("Proyeccin Serie Observada: Minera Metlica 1980Q1 2013Q1") note("Fuente: BCRP Memoria 2012 //Econ. Orlando
Torres Montes")
2008q3
2010q3
2012q3
Aos
2014q3
2016q3
2008q3
2010q3
2012q3
Aos
Multiplicativa
Observada
2014q3
2016q3
Aditiva
tsline mult aditiva MMetalica if Aos>=tq(2008,1), legend(label(1 "Multiplicativa") label(2 "Aditiva") label(3
"Observada"))
35

Modelos ARMAX
Hasta ahora hemos tratado de determinar el comportamiento de una serie de tiempo Yt en funcin de valores
pasados de la misma serie, y del trmino de error.
Sin embargo, pueden haber otros factores medidos a travs de otras variables que tambin ayuden y
complementar la parte explicativa del modelo ARIMA. Esto son los denominados modelos ARIMAX.
Nesitamos dos variables: MMetalica y Exportaciones
arima MMetalica Export, arima(1,1,1) sarima(1,1,1,4)
estimates store ARIMAX
estimates table ARIMA2 ARIMA7 ARIMAX, stat(aic,
bic) b(%7.3f) se(%7.3f) p(%4.3f)
10000
4000
6000
8000
Exportaciones (Mlls. S/)
2000
1500
1000
2000
500
2500
12000
tw (tsline MMetalica) (tsline Export, yaxis(2))
1980q1 1985q1 1990q1 1995q1 2000q1 2005q1 2010q1 2015q1

Aos
36
18

Demasiados rezagos podran aumentar el error en las previsiones, muy pocos podran dejar informacin relevante.
El conocimiento y la experiencia son generalmente la mejor manera de determinar el nmero de rezagos (AR) y promedios mviles
(MA) necesitado.
Sin embargo, hay procedimientos de criterio de informacin para ayudar a subir con un nmero adecuado.
Comnmente se utilizan tres: El criterio de informacin bayesiana de Schawarz (SBIC), el criterio de informacin de la Akaike (AIC)
y el criterio de informacin de Hannan y Quinn (HQIC). Todos estos son divulgados por el comando 'varsoc' en Stata
varsoc MMetalica Export, maxlag(10)
Cuando los tres criterios estn de acuerdo, la seleccin est clara, pero qu pasa cuando consiguiendo resultados contradictorios.
Un documento de la CEPR sugiere, en el contexto de los modelos VAR, que :
AIC tiende ser ms exactos con datos mensuales.
HQIC funciona mejor para datos trimestrales sobre muestras de ms de 120 y
SBIC funciona bien con cualquier tamao de la muestra para datos trimestrales (en modelos VEC Vectores Autoregresivos).
En nuestro ejemplo anterior tenemos datos trimestrales con 133 observaciones, HQIC sugieren un rezago de 6.
37
ANLISIS DE ESTACIONALIDAD Y DESESTACIONALIDAD

CON ESTACIONARIEDAD IMPLCITA FALSA
38
19
ANLISIS DE ESTACIONALIDAD y DESESTACIONALIZACIN

ANLISIS DE ESTACIONALIDAD Y DESESTACIONALIZACIN CON ESTACIONARIEDAD IMPLCITA FALSA
ANLISIS GRFICO PARA DETECTAR ESTACIONALIDAD
ac Agro, ytitle(Rho estimado) xtitle(Rezago respectivo de rho
p) title("FUNCIN DE AUTOCORRELACIN SIMPLE
(FAS)")
DETECTAR ESTACIONALIDAD:Sector Agrcola 1980Q1 2013Q1
0.00
-1.00
2000
-0.50
3000
4000
Rho estimado
0.50
1.00
FUNCIN DE AUTOCORRELACIN SIMPLE (FAS)
5000
ESTACIONALIDAD y DESESTACIONALIDAD
1000
Agropecuario (Mlls. S/)
6000
tsline Agro, title("ESTACIONALIDAD y DESESTACIONALIDAD")

subtitle("DETECTAR ESTACIONALIDAD: Sector Agrcola 1980Q1
2013Q1") note("Fuente: BCRP Memora 2012 //Econ. Orlando Torres
Montes")
1980q1
1990q1
Aos
2000q1
2010q1
10
20
Rezago respectivo de rho p
30
40
En este caso, el Sector Agropecuario Peruano, muestra una tendencia creciente lineal, con pronunciados
movimientos ondulatorios estacionales.
Es decir, la variable cuestionada presenta media y varianza inestables entre 1980Q1 2013Q1, dada la presencia
tendencial, estacional e irregular en ella.
39
Conlleva a firmar que la serie (Agro) es estacional, no es estacionaria en media y varianza.

ANLISIS GRFICO MEDIANTE EL CORRELOGRAMA Y LA FINCIN (FAS) PARA DETECTAR ESTACIONALIDAD
corrgram Agro, lags(20)
corrgram Agro
El grfico de los Rho (p) estimados por FAS(ac) y el correlograma

Indican no estacionariedad para el Agro dado que exterioriza estimaciones Rho decrecientes exponencialmente de
mayor a menor (entre 1 y 0), con tendencia a cero, y la mayor parte de ellos se encuentran fuera de su intervalo de
confianza.
Por otra parte, exhibe los valores del FAS(AC), graficados en el correlograma anterior, para el Agro Peruano,
decrecen exponencialmente de 0.6763 hasta 0.5765
40
20

ANLISIS GRFICO MEDIANTE EL CORRELOGRAMA Y LA FINCIN (FAS) PARA DETECTAR ESTACIONALIDAD

Ho: (Rho) 1 = 2 = = p = 0;
La serie es Estacionaria
La serie es ruido blanco
La serie no contiene Raz unitaria
Ho: (Rho) 1 2 = p 0;
La serie contiene Raz Unitaria
la serie es una caminata aleatoria
Los resultados descritos para FAS y Q ayudan a comprobar que el Sector Agropecuario Peruano, no es
estacionario, no es ruido blanco, si observamos el correlograma, contiene las probabilidades del estadstico Q
Ljung-Box, indicando que se rechaza la hiptesis nula (Ho) con nivel de confianza del 5%
41

dfuller Agro, drift lags(3) reg

Agrot = + 1Agrot-1 + 1Agrot-1 + 2Agrot-2 + 3Agrot-3 + et
Con intercepto y tendencia, adicionalmente con un rezago para Agrot-1; = (p 1)
En este caso tau (t) = 3.706 y su probabilidad es igual a 0.9998 ; nos indica RECHAZAR LA HIPTESIS NULA (Ho)
Por lo tanto el Agro no es estacionario. Descartando que el mismo es integrado de orden cero Agro I(0)
En este caso el valor de tau (t) es positivo y su valor absoluto t = 3.706, significa que 1 < Rho < 1.
Igualmente el modelo debe estar especificado con intercepto y tendencia debido a que sus valores estadsticos (-1.08, - 48.90, -48.54
-44.53 y 3.71) son estadsticamente significativos.
42
21

TRANSFORMACIN EN PRIMERAS DIFERENCIAS LOGARITMICAS
gen ALn = log(Agro)

label var ALn
gen AD1 =D.Agro
label var AD1
gen ALnD1 =D.ALn
label var ALnD1
"Log Agropecuario"
"1ra S Agropecuario"
"1ra Diferencia del Ln Agro"
FUNCIONES EN DIFERENCIA y LOGARTMICAS
-.4
-.2
.2
1ra Diferencia del Ln Agro
.4
.6
1980q1
1990q1
Aos
2000q1
tsline ALnD1, title("FUNCIONES EN DIFERENCIA y

LOGARTMICAS") subtitle("DETECTAR
ESTACIONALIDAD:Sector Agrcola 1980Q1 2013Q1")
note("Fuente: BCRP Memora 2012 //Econ. Orlando Torres
Montes")
En este caso, la primera diferencia en logaritmo del Sector
Agrario (ALnD1) muestra una tendencia poco decreciente
con movimientos senoidales, reflejando el componente
estacional.
Econmicamente, sta transformacin (ALnD1) representa
el incremento porcentual trimestre a trimestre del valor en
el Sector Agrcola, en otras palabras es la tasa de
crecimiento trimestral.
Aparentemente la variable cuestionada presenta media y
varianza estable entre 1980Q1 y 2013Q1.
Donde presumiblemente la serie en primeras diferencias
logartmica es estacionaria en media y varianza, pero el
componente estacional hace que la serie no resulte
estacionaria, as aparentemente tenga movimientos
senoidal sin tendencia.
2010q1
43

GRAFICAR LOS Rho en FAS y EL CORRELOGRAMA
ac ALnD1, ytitle(Rho estimado) xtitle(Rezago respectivo de rho p) title("FUNCIN DE AUTOCORRELACIN SIMPLE

(FAS)") subtitle("1ra Diferencia Logartmica:Sector Agrcola 1980Q1 2013Q1") note("Fuente: BCRP Memora 2012 //Econ.
Orlando Torres Montes")
corrgram ALnD1, lags(20)
0.00
-0.50
-1.00
Rho estimado
0.50
1.00
1ra Diferencia Logartmica:Sector Agrcola 1980Q1 2013Q1
10
20
30
40
La figura de la Funcin de Autocorrelacin simple (o parcial) FAS y el correlograma, indican la posible estacionariedad del Agro dado
que exterioriza estimaciones rho senoidales intercaladas y la mayor parte de ellos se encuentran dentro de su intervalo de confianza.
Por otra parte, el correlograma exhibe los valores del FAS (vanse columna AC) intercalados, desde -0.1997 hasta 0.8204
Los resultados descritos para FAS y Q ayudan a comprobar que el ALnD1 no es ruido blanco
44
22

ESTIMAR Tau de DFA (D Fuller Aumentado) CON INTERCEPTO, TENDENCIA Y TRES REZAGOS
dfuller ALnD1, trend lags(3) reg
En este caso tau (t) = - 5.775 y su probabilidad es igual a 0.000 ; nos indica ACEPTAMOS LA HIPTESIS NULA (Ho)
Por lo tanto el Agro es estacionario en su primera diferencia logartmica.
En otras palabras, es integrado de orden una ALn I(1)
Estos resultados con los anteriores de ruido blanco hacen que la serie ALnt resulta dbilmente estacionarios, por lo cual es
posible encontrar PGD (Proceso Generador Datos) a travs de estructura AR y MA que permita pronosticarla.
Dado que result integrada de orden uno, sin estacionalidad, la especificacin del modelo para proyectarla es un ARIMA(p,1,q)
An existe el componente estacional // Razn por lo que se debe desestacionalizar el S Agrario en 1ra Diferencia
45

DIFERENCIA ESTACIONAL (S = 4)PARA DESESTACIONALIZAR S Agrcola y ESTACIONARIEDAD DBIL
gen ALnD14 = DS4.ALnD1

label var ALnD14
"Sector Agrario Estacional"
tsline ALnD14, yline(-0.2) yline(0.2) title("DIFERENCIA ESTACIONAL TRIMESTRAL(S = 4)") subtitle("DETECTAR
ESTACIONALIDAD:Sector Agrcola 1980Q1 2013Q1") note("Fuente: BCRP Memoria 2012 //Econ. Orlando Torres Montes")
DIFERENCIA ESTACIONAL TRIMESTRAL(S = 4)
0
-.2
-.4
Sector Agrario Estacional
.2
1980q1
1990q1
Aos
2000q1
2010q1
En este caso, la diferencia estacional cada trimestre la primera diferencia logartmica del S Agrario desestacionalizado muestra movimientos senoidales sin tendencia.
Econmicamente, sta transformacin (ALnD1) representa
el incremento porcentual trimestral, trimestre a trimestre
del valor en el Sector Agrcola, en otras palabras es la tasa
de crecimiento trimestral.
Aparentemente la variable cuestionada presenta media y
varianza estable entre 1980Q1 y 2013Q1.
Donde presumiblemente la serie en primeras diferencias
logartmica estacionales es estacionaria en media y
varianza, con desvanecimiento debido al componente
estacional.
46
23

ANLISIS GRFICO PARA DETECTAR ESTACIONALIDAD
ac ALnD14, ytitle(Rho estimado) xtitle(Rezago respectivo de rho p) title("FUNCIN DE AUTOCORRELACIN SIMPLE
(FAS)") subtitle("1ra Diferencia Logartmica Estacional:Sector Agrcola 1980Q1 2013Q1") note("Fuente: BCRP Memora 2012
//Econ. Orlando Torres Montes")
0.00
-0.20
-0.40
Rho estimado
0.20
0.40

1ra Diferencia Logartmica Estacional:Sector Agrcola 1980Q1 2013Q1
10
20
30
40
De esta manera se puede apreciar como desvaneci por completo la estacionalidad cada 2 trimestres, indicando posible
estacionariedad dbil para el Sector Agrario dado que exterioriza estimaciones Rho senoidales intercalados y la mayor parte de ellos
se encuentran dentro de su intervalo de confianza.
Por otra parte, el correlograma exhibe los valores del FAS (vanse columna AC) intercalados, desde -0.3063 hasta 0.1037
Los resultados descritos para FAS y Q ayudan a comprobar que el AGRO es ruido blanco
47

ESTIMAR Tau de DFA (D Fuller Aumentado) Sin INTERCEPTO, TENDENCIA Y UN REZAGO
dfuller ALnD14, noconstant reg lags(1)

Ho: (Rho) 1 = 2 = = p = 0;
La serie es Estacionaria // Es ruido Blanco
La serie No contiene Raz unitaria
La serie No es una caminata aleatoria o No es un paseo aleatorio
Ho: (Rho) 1 2 = p 0;
La serie es No Estacionaria no es ruido blanco
-

2PBIt = + PBILnt-1 + et, sin intercepto y tendencia = (p -1)
En este caso tau (t) = - 14.869 y su probabilidad es igual a 0.000 ; nos indica ACEPTAR LA HIPTESIS NULA (Ho)
Por lo tanto el AGRO es estacionario en su primera diferencia logartmica.
En otras palabras, es integrado de orden una ALn I(1)
Estos resultados con los anteriores de ruido blanco hacen que la serie ALnt resulta dbilmente estacionarios, por lo cual es
posible encontrar PGD a travs de estructura AR , MA, SMA y SAR que permita pronosticarla.
48
Dado que result integrada de orden uno, sin estacionalidad, la especificacin del modelo para proyectarla es un SARIMA(p,1,q)
24

IDENTIFICACIN DEL PROCESO GENERADOR DE DATOS (PGD)
De esta manera y acorde con el detalle que observamos indica que el PGD para 4AGROt viene dado por un MA(1) y SMA(1) 4 dado
el movimiento senoidal en FAP , el primer y quinto rezagos significativos en el FAS, fuera del intervalo de confianza.
Entonces el modelo a especificar y estimar para proyectar el S AGRARIO debera ser SARIMA (0,1,1) (0,1,1) 4
sta ltima parte, significa una diferencia estacional y un componente MA cada 4 trimestres (S = 4) dentro del PGD del Agro.
No obstante y acorde con lo estimado, la especificacin se convierte en un ensayo error; por esto, tambin posiblemente se puedan
estimar las especificaciones SARIMA(4, 1, 0) (0, 1, 1) 4 y SARIMA(1, 1, 4) (0, 1, 1)4
Al final, en la validacin del modelo, se elige en el que tenga el criterio AKAIKE ms pequeo
49

ESTIMACIN DE LOS MODELOS MEDIANTE MXIMA VEROSIMILITUD (MV)
arima DS4.ALn, ar(4) sarima(0,0,1,4) vce(robust)
predict error1, resid
estat ic
wntestq error1
50
25

arima DS4.ALn, ar(1) ma(4) sarima(0,0,1,4) vce(robust)

estat ic
wntestq error2
51

Estimar los parmetros SARIMA

arima DS4.ALn, ma(1) sarima(0,0,1,4) vce(robust)

estat ic
52
26

wntestq error3
armaroots
.5
Characteristic roots
MA roots
-1
-.5
Imaginary
Los tres valores de las races del polinomio

caracterstico para el proceso MA son menores
a uno.
Adems, estos cinco valores se encuentran
dentro del crculo unitario, indicando que la
variable dependiente es estacionaria.
-1
-.5
0
Real
.5
53
1000 2000 3000 4000 5000 6000


PRONSTICO CON EL MODELO ESTIMADO Y VALIDO
tsappend, add(7)
tsline Agro Af, title("VALIDACIN DEL MODELO ESTIMADO") subtitle("1ra
predict ALnf, y
Diferencia Logartmica Estacional:Sector Agrcola 1980Q1 2013Q1") note("Fuente:
gen Af=exp(ALnf)
BCRP Memoria 2012 //Econ. Orlando Torres Montes")
edit
Coeficiente de THEIL
rmse Agro Af, est
1ra Diferencia Logartmica Estacional:Sector Agrcola 1980Q1 2013Q1
inequal7 Af[weight=Agro]
1980q1
1985q1
1990q1
1995q1
2000q1
Aos
2005q1
2010q1
2015q1
Af
La prediccin est bien ajustada de acuerdo con el coeficiente de Theil (0.07604) cercano a cero, ocurrira lo contrario
54
cuando este tienda a uno.
27
ANLISIS DE ESTACIONARIDAD y REGRESIONES por TRAMOS
55

ANLISIS DE ESTACIONARIEDAD Y REGRESIONES POR TRAMOS
ESTIMAR Tau de DFA (D Fuller Aumentado) Sin INTERCEPTO, TENDENCIA Y CINCO REZAGOS
xi: reg Agro Export if tin(1980q1,1985q4)

xi: reg Agro Export if tin(2000q1,2013q1)
predict ei, resid

dfuller ei, lag(5)
El error no ruido blanco // Por que las variables No son estacionarias

Utilicemos el mtodo grfico para afirmar lo anterior
56
28

Residuos No estacionarias:Sectores Econmicos 2000Q1 2013Q1
2000q3
2003q3
2006q3
Aos
2012q3
1000
8000
10000
2009q3
0
-1000
Residuals
4000
6000
5000
4000
3000
12000
Residuos de la relacin Agropecuario y Exportaciones

2000
Sectores Agropecuario y Exportaciones

Series No estacionarias:Sectores Econmicos 2000Q1 2013Q1
2000
6000
tw (tsline Agro if tin(2000q1,2013q1), yaxis(2)lcolor(red))||(tsline Export if tin(2000q1,2013q1), lcolor(blue)),

title("Sectores Agropecuario y Exportaciones") subtitle("Series No estacionarias:Sectores Econmicos 2000Q1
2013Q1") note("Fuente: BCRP Memoria 2012 //Econ. Orlando Torres Montes")
1980q1
1990q1
Aos
2000q1
2010q1
tw(tsline ei), title("Residuos de la relacin Agropecuario y Exportaciones") subtitle("Residuos No estacionarias:

Sectores Econmicos 2000Q1 2013Q1") note("Fuente: BCRP Memora 2012 //Econ. Orlando Torres Montes")
57

Comnmente se utilizan tres: El criterio de informacin bayesiana de Schawarz (SBIC), el criterio de informacin de la Akaike (AIC)
y el criterio de informacin de Hannan y Quinn (HQIC). Todos estos son divulgados por el comando 'varsoc' en Stata
varsoc Agro Export, maxlag(12)
Cuando los tres criterios estn de acuerdo, la seleccin est clara, pero qu pasa cuando consiguiendo resultados contradictorios.
Un documento de la CEPR sugiere, en el contexto de los modelos VAR, que :
AIC tiende ser ms exactos con datos mensuales.
HQIC funciona mejor para datos trimestrales sobre muestras de ms de 120 y
SBIC funciona bien con cualquier tamao de la muestra para datos trimestrales (en modelos VEC Vectores Autoregresivos).
En nuestro ejemplo anterior tenemos datos trimestrales con 133 observaciones, HQIC sugieren un rezago de 5.
58
29

Cuando se utiliza xcorr lista la primera variable independiente y la variable dependiente en segundo lugar
xcorr Agro Export, lags(10) xlabel(-10(1)10,grid)
xcorr Agro Export, lags(10) table
1.00
0.50
0.00
-0.50
-1.00
-1.00
-0.50
0.00
0.50
1.00
Cross-correlogram
-10 -9 -8 -7 -6 -5 -4 -3 -2 -1 0 1
Lag
2 3
4 5
7 8
9 10
En 10 Rezagos existe una correlacin positiva inmediata entre el Sector Agropecuario y las Exportaciones. Esto
significa que un aumento en el S. Agropecuario provoca una disminucin inmediata en las Exportaciones.
59

dfuller Agro, lag(5)
dfuller Export, lag(5)
Las dos series son no estacionarias // El error no ruido blanco //

gen AgD1 = D.Agro
label var AgD1
gen ExD1 = D.Export
label var ExD1
"1ra Diferencia Agro"

"1ra Diferencia Exportaciones"
60
30

xi: reg AgD1 ExD1 if tin(2000q1,2013q1)
predict ecoin, resid

dfuller ecoin, lag(5)
El error es ruido blanco // Por que las variables son estacionarias

61


Residuos No estacionarias:Sectores Econmicos 2000Q1 2013Q1
1000
Residuals
1000
0
-1000
-1000
Residuals
2000

Los residuos son Ruido Blanco:Sectores Econmicos 2000Q1 2013Q1
2000
3000
tw (tsline ecoin, yline(0) yline(-1000) yline(1000)), title("Residuos de la relacin Agropecuario y Exportaciones")

subtitle("Los residuos son Ruido Blanco:Sectores Econmicos 2000Q1 2013Q1") note("Fuente: BCRP Memora 2012
//Econ. Orlando Torres Montes")
1980q1
1990q1
Aos
2000q1
2010q1
1980q1
1990q1
Aos
2000q1
2010q1
tw(tsline ei), title("Residuos de la relacin Agropecuario y Exportaciones") subtitle("Residuos No estacionarias:

Sectores Econmicos 2000Q1 2013Q1") note("Fuente: BCRP Memora 2012 //Econ. Orlando Torres Montes")
62
31

test L1.Agro L2.Agro L3.Agro L4.Agro L5.Agro
-400
-200
Residuals
200
400
xi: reg Agro L(1/5).Agro L(1/5).Export
1980q1
1990q1
Aos
2000q1
2010q1
predict el, resid

dfuller el, lag(5)
tw (tsline el, yline(0) yline(-200) yline(200)) //Ruido Blanco
63
ECONOMETRA:
ESTABILIDAD ESTRUCTURAL O PARAMTRICA
64
32
ECONOMETRA: ESTABILIDAD ESTRUCTURAL O PARAMTRICA

ESTABILIDAD ESTRUCTURAL O PARAMTRICA: ESTIMACIN RECURSIVAS
Es la tcnica ms adecuada cuando no se conoce el momento del cambio estructural.

Se basa en la estimacin secuencial del modelo para distintos periodos de mustrales.
Estimando con un tamao igual al nmero parmetros ya aadiendo una unidad hasta llegar a la muestra
total. Con las estimaciones se generan estas series de coeficientes y residuos recursivos.
Si no existe cambio estructural, las sucesivas estimaciones de los parmetros debieran mantenerse
constantes y los residuos no se desviarn mucho de cero.
Como se explico anteriormente, los modelos de series de tiempo frecuentemente presentan problemas de
quiebre estructural.
Para detectar el quiebre estructural se utiliza el test grfico de CUSUM y CUSUM2, la idea de este test, es
que si SCR (suma de los residuos recursivos al cuadrado) sobrepasan las lneas de confianza entonces
existe problemas de quiebre estructural
Las regresiones que involucran series de tiempo:
Por cambio estructural se quiere decir que los valores de los parmetros del modelo no permanecen
constantes a lo largo de todo el periodo.
A veces el cambio estructural se pueda deber a fuerzas externas.
Muchas veces sucede que hay un cambio estructural en la relacin entre la variable Dependiente o regresada
(Y) y las Independientes o regresadas.
Ejemplos:
El embargo petrolero impuesto por la OPEP en 1973 y 1979
La guerra del Golfo en 1990 1991
Debido a cambios en las polticas como la transformacin de un sistema de tasa de
cambio fija a otra de tasa flexible, all por el ao 1973
Por acciones tomadas por el Congreso o por el Presidente
65

Cmo saber que de verdad ocurri un cambio estructural?
La estimacin recursiva, es til cuando se trabaja con datos temporales como estos y se desconoce el ao en que se
produjo el cambio estructural. Esta prueba consiste en la estimacin secuencial del modelo especificado para
distintos tamaos mustrales.
Las sucesivas estimaciones del modelo con el resto de las muestras se generan las series de los llamados
coeficientes recursivos y residuos recursivos.
Si no hay cambio estructural, la hiptesis nula es:
Ho. Las estimaciones de los parmetros se mantendrn constantes al ir aumentando las muestras secuencialmente
y los residuos no se desviarn ampliamente de cero
Consideremos la relacin del PBI real (Var %) sobre la Manufactura (Var %) y las Exportaciones (Var %), para el
Per desde el primer trimestre de 1980 hasta el primer trimestre del 2013; es decir, 133 trimestres (Fuente: BCRP).
ste tal vez sea un supuesto difcil de creer. Por ejemplo, se sabe muy bien que en la dcada del 80 el Per vivi una
economa no estable, una inflacin que super los tres dgitos; esto agudizndose mucho ms en la dcada del 90
que la inflacin super los cuatro dgitos; es decir, el Per experiment su peor recesin econmica, con
terrorismo, estanflacin, las tasas de desempleo crecientes.
Consideremos tres posibles regresiones:
Periodo 1980Q1 1990Q4:
Yt = B0 + B1.X1 +B2.X2 + et
n1 = 44
(1)
Yt = B0 + B1.X1 + B2.X2 + et
n2 = 89
(2)
Yt = B0 +B1.X1 + B2.X2 + et
n = (n1 + n2) = 133
(3)
La regresin (3) supone que no hay diferencia entre los dos periodos, y por tanto estima la relacin entre PBI en
relacin a la Manufactura y las Exportaciones en su variacin % o real para la totalidad del periodo.
En otras palabras, esta regresin supone que el intercepto, as como el coeficiente de la pendiente, permanecen
constantes durante todo el periodo; es decir, no hay cambio estructural. Si sta fuera la situacin, entonces todos
los B0 seran iguales.
66
33

tw (tsline PBIvp, lcolor(red) yline(0))||(tsline Manufvp, lcolor(blue)) (tsline Expvp), title("ANLISIS DE
ESTABILIDAD ESTRUCTURAL") subtitle("PER: PBI, Manufactura y Exportaciones Variacin %")
note("Fuente:Memoria BCRP 2012//Econ. Orlando Torres Montes")
ANLISIS DE ESTABILIDAD ESTRUCTURAL
20
40
PER: PBI, Manufactura y Exportaciones Variacin %
Determinar si las series son estacionarias

dfuller PBIvp
dfuller Manufvp
dfuller Expvp //Las 3 Var. Son Estacionarias
-40
-20
list Aos PBIvp Manufvp Expvp if tin(1990q2,1991q2)
1980q1
1990q1
Aos
2000q1
Producto Bruto Interno%

Exportaciones%
2010q1
sc PBIvp Manufvp, mlabel(Aos) xline(-16.47)

Manufactura%
Fuente:Memoria BCRP 2012//Econ. Orlando Torres Montes
67

xi: reg PBIvp Manufvp Expvp
scalar SCR3 = 913.526486
scalar n3=133
estimates store REG03
Periodo 1980Q1 2013Q1: PBI real = 13866 + 0.5848.Manufvp + 0.0466.Expvp + et n = (n1 + n2) = 133 (3)
Interpretando y evaluando el modelo solicitado:
B0
EL PBI real constante del periodo 1980Q1 2013Q1, es del 1.39 % || Es muy significativo
B1Manufvp El aporte de la Manufactura es del 0.58%; es decir, aun incremento del 1% ms de la Manufactura,
el PBI real se incrementa en 0.58 %
B2Expvp
Las Exportaciones reales son 0.047%; es decir, un incremento de 1% ms en las Exportaciones, el
PBI se incrementa en 0.047%
68
34

graph matrix PBIvp Manufvp Expvp, half title("ANLISIS DE ESTABILIDAD O QUIEBRE ESTRUCTURAL") subtitle("PER
1980Q1-2013Q1: PBI, Manufactura y Exportaciones en Variaciones %") note("Fuente: BCRP Memoria 2012// Econ. Orlando Torres
Montes")
ANLISIS DE ESTABILIDAD O QUIEBRE ESTRUCTURAL
PER 1980Q1-2013Q1: PBI, Manufactura y Exportaciones en Variaciones %

20
50
Manufactura%
-10
PBI real %
10
Producto
Bruto
Interno%
-20
-50
40
20
Exportaciones%
-40
-20
-20
-20
20-50

Exportaciones %
50
20
40
Manufactura %
Fuente: BCRP Memoria 2012// Econ. Orlando Torres Montes
twoway scatter PBIvp Manufvp||(lfit PBIvp Manufvp)||(lfit PBIvp Expvp), legend(label(2 "Manufactura %") label (3 "Exportaciones
%")) ytitle(PBI real %) title("ANLISIS DE ESTABILIDAD O QUIEBRE ESTRUCTURAL") subtitle("PER: PBI, Manufactura y
Exportaciones Variacin %") note(Fuente: BCRP 2012// Econ. Orlando Torres Montes")
69

ssc install cusum6
cusum6 PBIvp Manufvp Expvp, cs(cusum) lw(lower) uw(upper)
CUSUM
upper
lower
CUSUM squared
CUSUM squared
CUSUM
1980q4
Aos
2013q1
1980q4
Aos
2013q1
*La prueba Cusum considera la suma acumulativa de residuales recursivos y

*dibuja su *valor contra el lmite superior [K 3a (T-k)] e inferior [K a (T-k)]
*del intervalo del confianza del 95% en cada punto, (a=0.948 para el nivel 95%)
CUSUM: Se observa que el grfico se aleja de cada vez ms hasta llegar 1990Q4, donde se produce un fuerte
alejamiento continuamente del valor cero, lo que demuestra que no hay estabilidad en el modelo.
Rechazamos la hiptesis nula (Ho)
70
35

ESTABILIDAD ESTRUCTURAL: REGRESIN POR TRAMOS
xi: reg PBIvp Manufvp Expvp if tin(1980q1,1990q4)
scalar n1=44
scalar SCR1=336.887381
71
twoway scatter PBIvp Manufvp if tin(1980q1,1990q4)||lfit PBIvp Manufvp if tin(1980q1,1990q4)||lfit PBIvp Expvp if
tin(1980q1,1990q4), legend(label(2 "Manufactura %") label (3 "Exportaciones %")) ytitle(PBI real %) title("ANLISIS DE
ESTABILIDAD O QUIEBRE ESTRUCTURAL") subtitle("PER: PBI, Manufactura y Exportaciones Variacin % 1980Q11990Q4") note("Fuente: BCRP Memoria 2012// Econ. Orlando Torres Montes")
PER: PBI, Manufactura y Exportaciones Variacin % 1980Q1-1990Q4

20
Garca Prez
Garca Prez
Garca
Prez
Garca
Prez
10
Belande Terry
Belande
Terry
Garca
Prez
Belande
Garca
PrezTerry
Belande
Terry
Belande
Terry
Belande
Terry
Garca
Prez
Belande
Belande
Terry
Terry
Belande
Terry
Belande
Belande
TerryTerry
Belande
Terry
Garca
Prez
Belande Belande
Terry Garca
TerryPrez
Garca
Prez
Belande Terry
Garca
Prez
Garca
Prez
Belande
Terry
Belande
Terry
Belande
Terry
Belande
Terry
Garca
Prez
Belande
Terry
PBI real %
-10
Belande
Terry
Belande
Terry
Belande
Terry
Belande
Terry
Garca
Prez
Garca Prez
Garca
Prez
Garca
Prez
-20
-20
-10
PBI real %
10
20
-40
-20

Exportaciones %
20
40
Manufactura %
Garca
Prez
Garca
Prez
Garca
Prez
-40
-20

Exportaciones %
20
twoway scatter PBIvp Manufvp if tin(1980q1,1990q4), mlabel(Gobiernos)||lfit PBIvp Manufvp if tin(1980q1,1990q4)||lfit PBIvp
Expvp if tin(1980q1,1990q4), legend(label(2 "Manufactura %") label (3 "Exportaciones %")) ytitle(PBI real %) title("ANLISIS
DE ESTABILIDAD O QUIEBRE ESTRUCTURAL") subtitle("PER: PBI, Manufactura y Exportaciones Variacin %")
note("Fuente: BCRP Memoria 2012// Econ. Orlando Torres Montes")
40
Manufactura %
72
36

scalar n2=89
scalar SCR2=456.982982
73

twoway scatter PBIvp Manufvp if tin(1991q1,2013q1)||lfit PBIvp Manufvp if tin(1991q1,2013q1)||lfit PBIvp Expvp if
tin(1991q1,2013q1), legend(label(2 "Manufactura %") label (3 "Exportaciones %")) ytitle(PBI real %) title("ANLISIS DE
ESTABILIDAD O QUIEBRE ESTRUCTURAL") subtitle("PER: PBI, Manufactura y Exportaciones Variacin % 1980Q11990Q4") note("Fuente: BCRP Memoria 2012// Econ. Orlando Torres Montes")
ANLISIS DE ESTABILIDAD O QUIEBRE ESTRUCTURAL ANLISIS DE ESTABILIDAD O QUIEBRE ESTRUCTURAL

20
10
Fujimori Fujimori
Fujimori Fujimori
Fujimori
Fujimori
Garca
Prez
Fujimori
Fujimori
Fujimori
Fujimori
Fujimori
Fujimori
Garca
Prez
Garca
Prez
Garca
Fujimori
Fujimori
Garca
Prez
GarcaPrez
Prez
Garca
Prez
Garca
Prez
Toledo
Manrique
Manrique
FujimoriToledo
Fujimori
Garca
Prez
Garca
Prez
Garca
Prez
Toledo
Manrique
Toledo
Manrique
Toledo
Manrique
Fujimori
Fujimori
Fujimori
Fujimori
Fujimori
Fujimori
Fujimori
Fujimori
Garca
Prez
Toledo
Manrique
Humala
Tasso
Toledo
Manrique
Toledo
Manrique
Garca
Prez
Garca
Toledo
Prez
Manrique
Humala
Tasso
Fujimori
Fujimori
Garca
Prez
Humala
Tasso
Toledo
Manrique
Humala
Tasso
Fujimori
Fujimori
Toledo
Fujimori
Manrique
FujimoriFujimori Fujimori
Fujimori
Fujimori
Garca
Prez
Toledo
Manrique
Fujimori
Fujimori
Toledo
Manrique
Fujimori
Fujimori
Humala
Tasso
Toledo
Manrique
Paniagua
Corazao
Toledo
Manrique
Toledo
Manrique
Garca
Prez
Fujimori
Fujimori
Fujimori
Toledo
Fujimori
Manrique
Toledo
Manrique
Toledo
Manrique
Fujimori
Fujimori
Fujimori
Fujimori
Toledo
Manrique
Garca
Prez
Paniagua
Corazao
Fujimori
Fujimori
Fujimori
Fujimori
Fujimori
Fujimori
Fujimori
Fujimori
Fujimori
Fujimori
Fujimori
Fujimori
Fujimori
Fujimori
Fujimori
Fujimori
Garca
Prez
Fujimori
Fujimori
Paniagua
Garca
Prez
Fujimori
Fujimori
Fujimori
Fujimori
Fujimori
Fujimori Corazao
Fujimori Fujimori
Fujimori Fujimori
Paniagua Corazao
Fujimori Fujimori
-10
PBI real %
10
0
-10
PBI real %
20
-20
-10
10

Exportaciones %
20
30
Manufactura %
Fujimori Fujimori
-20
-10
10

Exportaciones %
20
30
Manufactura %
twoway scatter PBIvp Manufvp if tin(1991q1,2013q1), mlabel(Gobiernos)||lfit PBIvp Manufvp if tin(1991q1,2013q1)||lfit PBIvp
Expvp if tin(1991q1,2013q1), legend(label(2 "Manufactura %") label (3 "Exportaciones %")) ytitle(PBI real %) title("ANLISIS
DE ESTABILIDAD O QUIEBRE ESTRUCTURAL") subtitle("PER: PBI, Manufactura y Exportaciones Variacin %")
Fujimori Fujimori
74
37

scalar n3 = 133
scalar SCR3 = 913.526486
scalar n1 = 44
scalar SCR1 = 336.887381
scalar n2 = 89
scalar SCR2 = 456.982982
estimates table REG03 REG01 REG02, b(%7.4f) se(%7.4f) t(%8.0g)
p(%7.4f) stfmt(%7.4g) stats(N r2 r2_a rss mss aic bic F)
*PRUEBA DE CHOW
*SCRnr = SCR1 + SCR2 con gl = (n1 + n2 -2k)
scalar SCRnr=(SCR1+SCR2)
SCRR SCRNR / k
scalar gl=(n1+n2-(2*3))
F
SCRNR / n1 n2 2k
scalar list SCRnr gl
scalar F=((SCR3-SCRnr)/3)/((SCRnr)/gl)
scalar list F
//6.38069 VC = F2,127 = 3.04 // Rechazamos la Ho
Ho: Las estimaciones de los parmetros se mantendrn constantes al ir aumentando las muestras secuencialmente y los residuos no
se desviarn ampliamente de cero para el periodo 1980Q1 2013Q1
Rechazamos la hiptesis nula (Ho).
La prueba CHOW, apoya la conjetura de que la relacin PBIvp con Manufactura y las Exportaciones, sufri un cambio estructural
en Per en el periodo 1980Q1 2013Q1
75
Podemos extender los periodos por gobiernos y proceder con la metodologa.

ADVERTENCIAS A LA PRUEBA DE CHOW
1.
2.
3.
Las suposiciones subyacentes en la prueba deben satisfacerse. Por ejemplo, se debe averiguar si las varianzas de
los errores en las regresiones 01 y 02 son las mismas.
La prueba de Chow dir slo si las dos regresiones 01 y 02 son diferentes, pero no sealar si la diferencia se
debe a las intersecciones o a las pendientes, o a ambas.
La prueba de Chow supone que se conoce(n) el (los) punto(s) de ruptura estructural. En el ejemplo, se supuso
que se dio en 1990Q4. No obstante, si no es posible determinar cundo ocurri en verdad el cambio estructural.
Examinemos una de las suposiciones implcitas en dicha prueba de Chow.

Que las varianzas de los errores en los dos periodos son las mismas:
2
2
SRC1
SRC1
2
n1 2
n2 2
scalar Var1=(SCR1/(n1-2))
scalar Var2=(SCR2/(n2-2))
Nota: por convencin, se coloca la ms grande de las varianzas estimadas en el numerador luego de calcula F
scalar list Var1 Var2 n1 n2 n3
scalar F=(Var1/Var2)
scalar list F //F=1.527055 GL n1= (44-2) = 42 n2=87 F=42,87 = 1.50 5% 1.76 1%
76
38

1. PLANTEAMIENTO DE HIPTESIS:
PRUEBA PARAMTRICA
Ho = 0 Las Varianzas del primer y segundo periodo son iguales
Ha 0 Las Varianzas del primer y segundo periodo NO son iguales
2. NIVEL DE SIGNIFICACIN: = 5 % 0.05
1% 0.01
3. ESTADSTICO DE PRUEBA: F
4. REGLA DE DECISIN
n1 2 = 44 - 2
=
42
Grados Libertad para el numerador
n2 - 2 = 89 2
=
87
Grados libertad para el denominador
VALOR TABLA:
F 42,87 = 5% 1.50 y 1% 1.76 Valor Critico
1.50 y 1.76
Nota: por convencin, se coloca la ms grande de las varianzas estimadas en el numerador luego de calcula F
CONCLUSIN:
-Rechazamos la hiptesis nula (H0) al 5%.- Las varianzas del primer y segundo periodo No son iguales
-No debemos utilizar la prueba Chow
-La prueba de Chow es sensible a la eleccin del tiempo.
77
LA VARIABLE DICTOMA
ALTERNATIVA A LA PRUEBA CHOW
78
39
ANLISIS ESTRUCTURAL y Las VARIABLE DICOTOMA
LA REGRESIN ESPURIA Y LA VARIABLE DICTOMA

En estadstica, una relacin espuria (o, a veces, correlacin espuria) es una relacin matemtica en
la cual dos acontecimientos no tienen conexin lgica, aunque se puede implicar que la tienen
debido a un tercer factor no considerado an (llamado "factor de confusin" o "variable
escondida"). La relacin espuria da la impresin de la existencia de un vnculo apreciable entre
dos grupos que es invlido cuando se examina objetivamente. (hijo Espurio o bastardo = Hijo
fuera de matrimonio)
En la prctica, se deben cumplir tres condiciones para poder concluir que X causa Y, directa o indirectamente:
X debe preceder a Y.
Y no debe ocurrir cuando X no ocurre.
Y debe ocurrir cada vez que X ocurra.
Las relaciones espurias a menudo pueden ser identificadas considerando que cualquiera de estas condiciones
ha sido violada.
Un ejemplo de una relacin espuria puede ser ilustrado examinando las ventas de helados de una ciudad. stas
son ms altas cuando la tasa de sofocamientos es mayor. Sostener que la venta de helados causa los
sofocamientos sera implicar una relacin espuria entre las dos. En realidad, una ola de calor puede haber
causado ambas. La ola de calor es un ejemplo de variable escondida.
79
DESESTACIONALIZACIN O AJUSTE ESTACIONAL MTODO DE LAS VARIABLES DICTOMAS

Muchas series de tiempo econmicas basadas en informacin mensual o trimestral presentan patrones
estacionales (movimientos oscilatorio regular).
Ejemplo:
Las ventas de almacenes de departamentos en la poca de Navidad
La demanda de dinero (saldos de efectivo) por parte de las familias en pocas de vacaciones.
La demanda de helados y de bebidas refrescantes durante el verano
Los precios de los cultivos justos despus de la poca de cosecha.
Frecuentemente es til eliminar el factor o componente estacional de las series de tiempo con el fin de poderse
concentrar en los dems componentes, tales como la tendencia, estacional, cclico e irregular.
El proceso de eliminar el componente estacional de una serie de tiempo se conoce como desestacionalizacin o
ajuste estacional y la serie de tiempo as obtenida se denomina serie de tiempo desestacionalizada o ajustada
estacionalmente.
Las series de tiempo econmicas importantes, tales como:
El ndice de precios al consumidor (IPC)
El ndice de precios del productor (IPP) y
El ndice de produccin industrial (IPI).
Estos son frecuentemente publicados en forma ajustada estacionalmente.
Hay diversos mtodos para desestacionalizar una serie de tiempo, pero se considerar solamente uno de ellos, a
saber, el MTODO DE LAS VARIABLES DICTOMAS.
80
40

1 =
1 =
1 =
1 =
Iguales orgenes e iguales pendientes

Diferentes orgenes e iguales pendientes
Igual origen diferentes pendientes
Diferentes orgenes y diferentes pendientes
= Regresiones coincidentes
= Regresiones Paralelas
= Regresiones concurrentes
= Regresiones No similares
Gasto
MODELO, es: Yt = 0 + 1 D1 + 1 X1 + 2 (D1 X1) + ei

Gasto
Yt = 0 + 1 X1
Yt = 0 + 1 X1
Yt = (0 + 1 ) + 1 X1
Regresiones Coincidentes
Regresiones Paralelas
Ingreso
Ingreso
Yt = 0 + 1 X1
Gasto
Gasto
ESTABILIDAD ESTRUCTURAL
0 = 0 y 1 =
0 0 pero 1 =
0 = 0 pero 1
0 0 pero 1
Yt = 0 + 1 X1
Yt = (0 + 1 ) + (1 + 2 )* X1
Yt = (0 + 1 ) + (1 + 2 )* X1
Regresiones No Similares
Regresiones Concurrentes
Ingreso
Ingreso
81
Modelo General, es: Yt = 0 + 1 D1 + 1 X1 + 2 (D1 X1) + ei

Donde:
1 = intercepto diferencial B2 = coeficiente de la pendiente diferencial o alterador de pendiente
Modelo Aditivo, es: Yt = 0 + 1 D1 + 1 X1 + ei

En trminos de esperanza condicional puede interpretarse como:
B0
E Yi | D1i 0 0 1 . X 1 0 1 . X 1
E Yi | D1i 1 0 1 1 . X1 0 1 . X 1
D 0
D 1
La tasa de variacin de Yi, en D1 es siempre superior (B0 > 0) que en las D0 a igualdad de Xi.
Modelo Multiplicativo, es: Yt = 0 + 1 X1 + 2.(D1.X1) + ei
B1
E Yi | D1i 0 0 1 . X 1 0 1 . X 1
E Yi | D1i 1 0 ( 1 2 ) X1 0 1 . X 1
D 0
D 1
Modelo Mixto, es: Yt = 0 + 1 D1 + 1 X1 + 2 (D1 X1) + ei
B1
B0
E Yi | D1i 0 0 1 . X 1 0 1 . X 1
D 0
E Yi | D1i 1 0 1 1 2 X1 0 1 . X 1
D 1
82
41

Cmo saber que de verdad ocurri un cambio estructural?
La estimacin recursiva, es til cuando se trabaja con datos temporales como estos y se desconoce el ao en que se
produjo el cambio estructural. Esta prueba consiste en la estimacin secuencial del modelo especificado para
distintos tamaos mustrales.
Las sucesivas estimaciones del modelo con el resto de las muestras se generan las series de los llamados
coeficientes recursivos y residuos recursivos.
Ho. Las estimaciones de los parmetros se mantendrn constantes al ir aumentando las muestras secuencialmente
y los residuos no se desviarn ampliamente de cero
Consideremos la relacin del PBI real (Var %) sobre la Manufactura (Var %) y las Exportaciones (Var %), para el
Per desde el primer trimestre de 1980 hasta el primer trimestre del 2013; es decir, 133 trimestres (Fuente: BCRP).
ste tal vez sea un supuesto difcil de creer. Por ejemplo, se sabe muy bien que en la dcada del 80 el Per vivi una
economa no estable, una inflacin que super los tres dgitos; esto agudizndose mucho ms en la dcada del 90
que la inflacin super los cuatro dgitos; es decir, el Per experiment su peor recesin econmica, con
terrorismo, estanflacin, las tasas de desempleo crecientes.
Consideremos tres posibles regresiones:
Yt = B0 + B1.X1 +B2.X2 + et
n1 = 44
(1)
Yt = B0 + B1.X1 + B2.X2 + et
n2 = 89
(2)
Yt = B0 +B1.X1 + B2.X2 + et
n = (n1 + n2) = 133
(3)
La regresin (3) supone que no hay diferencia entre los dos periodos, y por tanto estima la relacin entre PBI en
relacin a la Manufactura y las Exportaciones en su variacin % o real para la totalidad del periodo.
En otras palabras, esta regresin supone que el intercepto, as como el coeficiente de la pendiente, permanecen
constantes durante todo el periodo; es decir, no hay cambio estructural. Si sta fuera la situacin, entonces todos
los B0 seran iguales.
83
//REG1
Periodo 1980Q1 2013Q1: PBI vp = 1.3866 + 0.5848.Manufvp + 0.0466.Expvp + et

Interpretando y evaluando el modelo solicitado:
B0 EL PBI real constante del periodo 1980Q1 2013Q1, es del 1.38 % || Es muy significativo
B1Manufvp La Manufvp aporta con el 0.5848%; es decir, aun incremento del 1% ms Manufvp, el PBI real se
incrementa en 0.5848 %
B2Expvp Las Exportaciones beneficia con el 0.047% al PBIvp
GENERAR VARIABLES DICTOMAS O DUMMY
gen dum=0
replace dum=1 if tin(1991q1,2013q1)
84
42

Modelo Aditivo, es: Yt = 0 + 1 D1 + 1 X1 + ei //Rectas Paralelas //
B0
En trminos de esperanza condicional puede interpretarse como:
E Yi | D1i 0 0 1 . X 1 0 1 . X 1
E Yi | D1i 1 0 1 1 . X1 0 1 . X 1
D 0
D 1
0 si
Dm :
1
t 1990:04: Periodo de Inestabilidad: 1980:01-1990:04 o se produce quiebre estructural

En el resto: Periodo de Estabilidad:1991:01-2013:01 o ausencia de quiebre estructural
xi: reg PBIvp dum Manufvp Expvp
//REG2
II
Periodo econmico
1980Q1 2012Q4: PBI vp = 0.17097 + 2.13395.Dum + 0.5708.Manufvp + 0.00823.Expvp + et n1 = 132
Periodo recesin econmica
1980Q1 1990Q4: PBI vp = 0.1709 + 0.5708.Manufvp + 0.00823.Expvp + et n1 = 44
Periodo estabilidad econmica 1991Q1 2012Q4: PBI vp = 2.304924 + 0.5708.Manufvp + 0.00823.Expvp + et
(3)
(1)
n2 = 88
(2)
85

xi: reg PBIvp dum Manufvp Expvp
gen PBIR=(.1709713+(.570801*Manufvp)+(.0082263*Expvp))
gen PBIE=((.1709713+2.133953)+(.570801*Manufvp)+(.0082263*Expvp))
//REG2
// PBIR = Periodo Recesin Econmica 1980Q1 1990Q4
// PBIE = Periodo Estabilidad Econmica B0= 2.304924
twoway scatter PBIvp Manufvp||lfit PBIvp Manufvp||lfit PBIR Manufvp||(lfit PBIE Manufvp), ytitle(PBI real %) title("Anlisis
Estructural y la Variable Dictoma") subtitle("Per: Recesin 1980Q1-1990Q4 y Estabilidad 1991Q1-2013Q1 Econmica")
note("Econ. Orlando Torres") legend(label(2 "Recesin Econmica") label(3 "Estabilidad Econmica") label(4 "PBI% Estimado"))
10
-20
-10
PBI real %
-20
-10
PBI real %
10
20
Anlisis Estructural y la Variable Dictoma

Per: Recesin 1980-1990 y Estabilidad 1991-2012 Econmica
20

Per: Recesin 1980-1990 y Estabilidad 1991-2012 Econmica
-40
-20
0
Manufactura%

Estabilidad Econmica
Econ. Orlando Torres
20
40
Recesin Econmica
PBI% Estimado
-40
-20
0
Manufactura%

20
Recesin Econmica
twoway scatter PBIvp Manufvp||lfit PBIR Manufvp||(lfit PBIE Manufvp), ytitle(PBI real %) title("Anlisis Estructural y la
Variable Dictoma") subtitle("Per: Recesin 1980Q1-1990Q4 y Estabilidad 1991Q1-2013Q1 Econmica") note("Fuente: BCRP
Memoria 2012// Econ. Orlando Torres Montes") legend(label(2 "Recesin Econmica") label(3 "Estabilidad Econmica"))
40
86
43

Modelo Aditivo, es: Yt = 0 + 1 D1 + 1 X1 + ei //Rectas Paralelas //
xi:reg PBIvp i.Gobiernos Manufvp Expvp
Belaunde
Fujimori
1980Q1 1990Q4: PBI vp = 1.5914 + 0.58677.Manufvp + 0.04358:Expvp + et

1980Q1 1990Q4: PBI vp = (1.5914 0.115779) + 0.58677.Manufvp + 0.04358:Expvp + et
predict yhatg
separate Manufvp, by(Gobiernos)
separate yhatg, by(Gobiernos)
87
twoway connected yhatg1-yhatg6 Manufvp, msymbol(none diamond_hollow triangle_hollow square_hollow +

circle_hollow x) msize(medium) mcolor(black black) ||(lfit PBIvp Manufvp, clwidth(thick) clcolor(blue)),
ytitle(PBI real %) legend(label(1 "Belande") label(2 "Fujimori") label(3 "Garca") label(4 "Humala")
label(5 "Paniagua") label(6 "Toledo") label(7 "PBI% Estimado")) title("Anlisis Estructural y la Variable
Dictoma") subtitle("Per: Recesin 1980Q1-1990Q4 y Estabilidad 1991Q1-2013Q1 Econmica")
rvfplot, yline(0)
ANLISIS ESTRUCTURAL y la VARIABLE DICTOMA
Recesin 1980Q1-1990Q4 y Estabilidad 1991Q1-2013Q1 Econmica

5
10
Residuals
0
-10
-5
-20
-40
-20
0
Manufactura%
Belande
Garca
Paniagua
PBI% Estimado%
20
Fujimori
Humala
Toledo
40
-10
PBI real %
20
-20
-10
0
YEstimada
10
20
88
44

Modelo Multiplicativo, es: Yt = 0 + 1 X1 + 2.(D1.X1) + ei Rectas Concurrentes
B1
E Yi | D1i 0 0 1 . X 1 0 1 . X 1
E Yi | D1i 1 0 ( 1 2 ) X1 0 1 . X 1
D 0
D 1
gen D1X1 = (dum*Manufvp)

gen D2X2 = (dum*Expvp)
xi: reg PBIvp Manufvp Expvp D1X1 D2X2
III
Periodo 1980Q1 1990Q4: PBI vp = 1.264 - 0.0182D1X1 + 0.0651D2X2 + 0.5852.Manufvp + 0.01566.Expvp + et

gen PBIRC0=(1.263637+(.5851977*Manufvp)+(.015656*Expvp))
gen PBIRC1=(1.263637+((1.263637-.0182162)*Manufvp)+((1.263637+.0650982)*Expvp))
89

Modelo Multiplicativo, es: Yt = 0 + 1 X1 + 2.(D1.X1) + ei Rectas Concurrentes
twoway scatter PBIvp Manufvp||(lfit PBIvp Manufvp)||(lfit PBIRC0 Manufvp, yaxis(2))||(lfit PBIRC1 Manufvp), ytitle(PBI real %)
legend(label(2 "PBI% estimado") label(3 "Resecin Econmica") label(4 "Estabilidad Econmica")) title("Anlisis Estructural y la
Variable Dictoma") subtitle("Recesin 1980Q1-1990Q4 y Estabilidad 1991Q1-2013Q1 Econmica") note("Econ. Orlando Torres")
10
50
20
60
10
-10
-10
PBI real %
Fitted values
40
20
0
-40
-20
0
Manufactura%

Resecin Econmica
20
40
-20
-50
-20
-20
-40
PBI real %
1
20
-40
-20
20
40 -40
-20
20
40
Manufactura%
PBI% estimado

Resecin Econmica
PBI% estimado
Graphs by dum
twoway scatter PBIvp Manufvp||(lfit PBIvp Manufvp, by(dum))||(lfit PBIRC0 Manufvp, yaxis(2))||(lfit PBIRC1 Manufvp), ytitle(PBI
real %) legend(label(2 "PBI% estimado") label(3 "Resecin Econmica") label(4 "Estabilidad Econmica"))
90
45

Modelo Mixto, es: Yt = 0 + 1 D1 + 1 X1 + 2 (D1 X1) + ei //Regresiones NO Similares
Donde:
1 = intercepto diferencial B2 = coeficiente de la pendiente diferencial o alterador de pendiente
E Yi | D1i 0 0 1 . X 1 0 1 . X 1
B1
B0
E Yi | D1i 1 0 1 1 2 X1 0 1 . X 1
D 0
D 1
xi: reg PBIvp dum Manufvp Expvp D1X1 D2X2
IV
PBI vp = 0.16095 + 2.2257.Dum+0.5852.Manufvp + 0.00445.Expvp 0.0532(D1X1) + 0.0181(D2X2) + ei

xi: reg PBIvp Manufvp Expvp if tin(1980q1,1990q4) xi: reg PBIvp Manufvp Expvp if tin(1991q1,2013q1)
91

gen PBINS0 =(.1609585+(.5851979*Manufvp)+(.0044481*Expvp))
gen PBINS1 =((.1609585+2.225724)+((.5851979-.0532304)*Manufvp)+((.0044481+.0180886)*Expvp))
twoway scatter PBIvp Manufvp||(lfit PBIvp Manufvp)||(lfit PBINS0 Manufvp, yaxis(2))||(lfit PBINS1 Manufvp), ytitle(PBI real
%) legend(label(2 "PBI% estimado") label(3 "Resecin Econmica") label(4 "Estabilidad Econmica")) title("Anlisis
Estructural y la Variable Dictoma") subtitle("Recesin 1980Q1-1990Q4 y Estabilidad 1991Q1-2013Q1 Econmica")
note("Econ. Orlando Torres")

20
-20
0
Manufactura%

Resecin Econmica
20
40
-10
-10
-20
-10
-20
10
10
20
-40
-20
Fitted values
PBI real %
10
20
10
-20
-10
PBI real %
1
20
-40
-20
20
40 -40
-20
20
40
Manufactura%
PBI% estimado

Resecin Econmica
PBI% estimado
Graphs by dum
twoway scatter PBIvp Manufvp||(lfit PBIvp Manufvp, by(dum))||(lfit PBINS0 Manufvp, yaxis(2))||(lfit PBINS1 Manufvp)
92
46

Para analizar la relacin entre el PBIreal (Y) y la IBFPreal (X) del Per, se han utilizado el periodo de 1980Q1 hasta
el 2012 Q4, es decir; 132 trimestres de ambas variables y se han estimado 4 modelos:
1. Interprete los coeficientes del modelo IV
2. Contrasta si la recesin o estabilidad econmica es un factor explicativo del PBIreal de la economa peruana
3. Contrasta si el efecto marginal de un incremento porcentual en la IBFPreal sobre el PBIreal es diferente segn
sea la recesin o estabilidad econmica.
4. Contrasta la hiptesis de que el PBIreal es totalmente independiente del hecho de estar no en recesin.
Solucin:
PBI real = 1.55667 + 0.25668.IBFP real + et
(I)
PBI real = - 0.8439 + 3.682371.Dm + 0.2495.IBFP real + et (II)
PBI real = 1.436575 + 0.0378916.DmIBFPr + 0.2424752.IBFPreal + e t (III)
1) En el Modelo PBI real = - 0.8640376 + 3.770484.D1 + 0.2537809.IBFP real 0.0117985(Dm IBFP real) (IV) se
supone que tanto el PBIreal como elefecto marginal de la IBFPreal sobre el PBIreal son diferentes segn sea la
recesin o la estabilidad econmica. La recta de regresin muestral es:
0.8640376 + 0.2537809.IBFPreal
si Dm = 0 Recesin Econmica
i =
( 0.8640376 + 3.770484) + (0.2537809 0.0117985).IBFPreal
2.9064464 + 0.2419824.IBFPreal
si Dm = 1 Estabilidad Econ.
0.8640376: PBIreal estimado en Estabilidad Econmica cuando la IBFPreal es cero.
3.770484: Diferencia entre el PBIreal estimado por estar inmerso en la estabilidad econmica,
mantenindose la IBFPreal constante.
0.2537809: variacin estimada en el PBIreal ante un aumento unitario porcentual de la IBFPreal en
tiempo de recesin econmica.
0.0117985: diferencia en el efecto marginal de la IBFPreal sobre el PBIreal por estar en estabilidad
econmica.
93

2. Contrasta si la recesin o estabilidad econmica es un factor explicativo del PBIreal de la economa peruana
2)
Para contestar si estar en Estabilidad Econmica es un factor explicativo del PBIreal, basta con comparar los
modelos I y II y contrastar si el coeficiente que acompaa a Dm en el modelo II B 2, es o no cero.
Planteamiento de Hiptesis:
Ho:
B2 = 0
No existe influencia de la estabilidad econmica
Ha:
B2 0
Si existe influencia de la estabilidad econmica
Nivel de significacin = 5 % 0.025
Estadstico de prueba: t
Regla de decisin:
Grados de libertad = n 3 = 132 3 = 129
t0.025, 129 = 1.98 V.C
Toma de decisin:
Este contraste se puede llevar a cabo utilizando el estadstico t que, en este caso, toma el valor:
t = [(3.682371 0)/0.8077255] = 4.55894
Conclusin:
Rechazamos la hiptesis nula (Ho) a un nivel de significacin del 5%
Por lo que afirmamos que el estar en estabilidad econmica es un factor explicativo de la variable PBIreal.
94
47

3. Contrasta si el efecto marginal de un incremento porcentual en la IBFPreal sobre el PBIreal es diferente segn
sea la recesin o estabilidad econmica.
3) Para contestar si el efecto marginal de la IBFPreal sobre el PBIreal es diferente segn sea recesin o estabilidad
econmica, dado que previamente se ha obtenido que la variable estar en estabilidad es un factor explicativo del
PBIreal, se comparan los modelos IV y III y se contrastar si el coeficiente que acompaa al trmino de
interaccin Dm.IBFPr en el modelo IV, B3, es o no cero.
Ho:
B3 = 0
Ha:
B3 0
Nivel de significacin = 5 % 0.025
Estadstico de prueba: t
Regla de decisin:
Grados de libertad = n 3 = 132 4 = 128
t0.025, 128 = 1.98 V.C
Toma de decisin:
Este contraste se puede llevar a cabo utilizando el estadstico t que, en este caso, toma el valor:
t = |(- 0.0117985 0)/0.035859| = 0.329025
Conclusin:
Aceptamos la hiptesis nula (Ho) a un nivel de significacin del 5%
Por lo que afirmamos que el efecto marginal de la IBFPreal sobre el PBIreal depende de estar en recesin
econmica.
95

4. Contrasta la hiptesis de que el PBIreal es totalmente independiente del hecho de estar no en recesin.
4) Para contestar si el PBIreal es totalmente independiente de la recesin o estabilidad econmica, se deben
compara los modelos IV y I contrastando si los coeficientes que acompaan a Dm y Dm.IBFPr en el modelo IV,
B2 y B3, son nulos conjuntamente, es decir.
Ho:
B 2 = B3 = 0
Ha:
B2 0 y/o B3 0
Nivel de significacin = 5 %
Estadstico de prueba: F
Regla de decisin:
G de L M restringido
(I)
n k 1 = 132 2 1 = 129
G de L M no restringido
(IV)
n k 1 = 132 4 1 = 127 2
La diferencia entre los grados de libertad es 2 = Para el numerador
G de L M no restringido
(IV)
n k = 132 4 = 128 para denominador
F0.05,(2, 128) =
3.07
V.C
El estadstico de contraste apropiado es el F donde, en este caso, el modelo no restringido es el (IV) y el restringido el
modelo (I). Escribiendo el estadstico en trminos del coeficiente de determinacin, con la informacin disponible, se
obtiene:
R 2 - R 2R
F = [(0.6567 0.6011)/ 2] / [(1 0.6567) / (132 -4)] = 10.36528
2
F=
1 R 2
nk
Conclusin:
Rechazamos la hiptesis nula (Ho) a un nivel de significacin del 5%
Por lo que afirmamos que estar en Estabilidad Econmica es un factor explicativo del comportamiento del PBIreal.
96
48

ANLISIS ESTRUCTURAL: REGRESIN POR SEGMENTOS
VENTAJAS DE V. DICTOMA RESPECTO A LA PRUEBA CHOW

1.
2.
3.
4.
Slo fue necesaria una regresin, ya que las regresiones individuales pueden derivarse con facilidad a
partir de ella.
La regresin Yt = B0 + B1.D1 + B2.X + B3 (D1.X) + et se utiliza para probar una diversidad de hiptesis.
Por lo tanto, si el coeficiente de la interseccin diferencial B1 es estadsticamente insignificante, se podra
aceptar la hiptesis de que dos regresiones tienen la misma interseccin; es decir, ambas regresiones son
concurrentes. De modo semejante, si el coeficiente de la pendiente diferencial B3 es estadsticamente
insignificante, pero B1 es significante, tal vez no se rechace la hiptesis de que dos regresiones tienen la
misma pendiente; es decir, las dos rectas de regresin son paralelas. La prueba de estabilidad de toda la
regresin (B1 = B3 = 0, de manera simultnea) se lleva a cabo mediante la prueba F usual (recurdese la
prueba F de los MC Restringidos). Si no se rechaza la hiptesis, entonces las rectas de regresin sern
coincidentes.
La prueba CHOW no establece de manera explicita cul coeficiente, interseccin o pendiente es distinto,
o si son diferentes en los periodos. Es decir, se puede tener una prueba de CHOW significativa debido a
que slo la pendiente es diferente o a que slo la interseccin es distinta o porque ambas lo son. En otras
palabras, no se puede saber, mediante la prueba CHOW, cul de las cuatro posibilidades
esquematizadas es la que se tiene en una determinada instancia. A este respecto, el mtodo de la variable
dictoma tiene una clara ventaja, ya que no slo indica si las dos variables son distintas, sino que
tambin destaca la(s)causa(s) de la diferencia; si se debe a la interseccin, a la pendiente o a las dos.
Por ltimo, en vista de que el argumento (es decir, incluir todas las observaciones en una sola regresin)
aumenta los grados de libertad, tal vez mejore la precisin relativa de los parmetros estimados. Por
supuesto, tngase en cuenta que cada inclusin de una variable dictoma consumir un grado de
libertad.
97
Las VARIABLES DICOTOMAS y ANLISIS ESTACIONAL
98
49
ANLISIS ESTACIONAL y Las VARIABLE DICOTOMA

La Regresin
Yt = B1.D1 + B2.D2 + B3 .D3 + B4.D4 + et
xi: reg PBIvp D1 D2 D3 D4, nocons
//SIN CONSTANTE
El modelo es: PBIvpt = 3,73514.D1 + 3,46223.D2 + 3,4004.D3 + 3,43703.D4 + et

Los coeficientes estimados representan el promedio, o media, del PBIvp en el Per (en variacin porcentual)
en cada trimestre.
D1 = El PBIvp en el primer trimestre es de
3.74 %
D2 = El PBIvp en el segundo trimestre es de
3.46 %
D3 = El PBIvp en el tercer trimestre es de
3.40 %
D4 = El PBIvp en el cuarto trimestre es de
3.44 %
99

La Regresin
Yt = B0 + B2.D2 + B3 .D3 + B4.D4 + et
En vez de regresionar con los 4 trimestres podemos suprimir en primero de interseccin a fin de evitar la trampa
de variables dictomas.
Supngase que se considera al primer trimestre como el trimestre de referencia o base y se asignan variables
dictomas al 2do, 3er y 4to trimestre.
xi: reg PBIvp D2 D3 D4, noheader
//CON CONSTANTE
El modelo es: PBIvpt = 3.735 0.2727.D2 0.33473.D3 0.2981.D4 + et

Si se aaden los distintos valores de la interseccin diferencial al valor promedio de referencia de 3.735141, se
tendr el valor promedio para los distintos trimestres.
Al desarrollar esto tendremos la ecuacin primognita, esto es:
D1 = El PBIvp en el primer trimestre es de
3.735141 %
D2 = El PBIvp en el segundo trimestre es de
3.46 % = (3.735141 0.2729146)
D3 = El PBIvp en el tercer trimestre es de
3.40 % = (3.735141 0.3347314)
D4 = El PBIvp en el cuarto trimestre es de
3.44 % = (3.735141 0.2981066)
100
50
xi: reg PBIvp D1 D2 D3 D4, nocons noheader
xi: reg PBIvp D2 D3 D4, noheader
//SIN CONSTANTE
//CON CONSTANTE
101
La Regresin
Yt = B0 + B2.D2 + B3 .D3 + B4.D4 + B5.Manufvp+ B6.Expvp + et
xi: reg PBIvp D2 D3 D4 Manufvp Expvp
gen PBID1 = (1.593285+(.5848428*Manufvp)+(.0466985*Expvp))

gen PBID2 = ((1.593285-.2338924)+(.5848428*Manufvp)+(.0466985*Expvp))
102
51
twoway (lfit PBID1 Manufvp, yaxis(2))||(lfit PBID2 Manufvp)||(lfit PBID3 Manufvp)||(lfit PBID4 Manufvp), ytitle(PBI real %)
legend(label(1 "Periodo D1") label(2 "Periodo D2") label(3 "Periodo D3") label(4 "Periodo D4")) title("Anlisis Estructural y la
Variable Dictoma") subtitle("Recesin 1980Q1-1990Q4 y Estabilidad 1991Q1-2013Q1 Econmica") note("Fuente: BCRP Memoria
2012// Econ. Orlando Torres Montes")

5
10
-20
-5
-10
PBI real %
Residuals
10
0
-10
-20
-40
-20
0
Manufactura%
Periodo D1
Periodo D3
20
Periodo D2
Periodo D4
40
-10
Fitted values
20
20

-20
-10
0
YEstimada
10
20
rvfplot, yline(0) title("ANLISIS ESTRUCTURAL y la VARIABLE DICTOMA") subtitle("Recesin 1980Q1-1990Q4 y Estabilidad

1991Q1-2013Q1 Econmica") note("Fuente: BCRP Memoria 2012// Econ. Orlando Torres Montes") xtitle(YEstimada)
103
TEOREMA DE FRISCH-WAUGH
Si se desea una prueba informal del enunciado Teorema de FRISCH-WAUGH, slo se
siguen estos pasos:
1. Se hace la regresin de Y sobre las variables dictomas, como las regresiones 01 y 02,
y se guardan los residuos, por ejemplo S1; stos representan a la Y
desestacioinalizada.
2. Se efecta una regresin similar para X y se obtienen los residuos de esta regresin,
por ejemplo S2; tales residuos representan a la X desestacionalizada.
3. Se lleva a cabo la regresin de S1 sobre S2. Se descubrir que el coeficiente de la
pendiente de esta regresin es precisamente el coeficiente de X de la regresin 03.
104
52

REGRESION LINEAL POR SECCIONES
Yt = B0 + B1.X + B2.(X X*) Di + et
Donde: Yt = PBI vp
Serie estacionaria
Xi = Manufvp, Expvp Manufactura %, Exportaciones % series estacionaria
X* = Valor del umbral del PBIvp 6 % Millones NS (PBI en Promedio), conocido como nudo
El PBI puede cambiar su pendiente al alcanzar un nivel de Manufactura y las Exp. o PBIvp en 6 %
D = 1 si Xi > 6 % para las observaciones del periodo 1980:01 1990:04
= 0 si Xi 6 % para las observaciones del periodo 1991:01 2013:01
Suponiendo que E(et) = 0
Funcin de la PBI periodo de Inestabilidad Econmica
E(YtD1= 0,X1,X*) = B0 + B1.X

Funcin de la PBI periodo de Estabilidad Econmica
E(YtD1= 1,X1,X*) = B0 - B2.X* + (B1 + B2).X1

Se puede hacer una prueba sobre la hiptesis de que no existe, en la regresin, una discontinuidad en el valor del
umbral X* observando la significancia estadstica del coeficiente estimado de la pendiente diferencial B2. Es decir,
podemos probar la hiptesis de si las funciones de Inversin para el periodo de inestabilidad y de estabilidad
econmica son iguales.
list Aos PBIvp Manufvp Expvp if tin(1990q2,1991q2)
gen NManuf = (Manufvp-0.06)*dum
gen NExpor = (Expvp-0.06)*dum
list Aos PBIvp Manufvp Expvp NManuf NExpor if tin(1990q2,1991q2)
105
Yt = B0 + B1.X + B2.(X X*) Di + et

xi: reg PBIvp Manufvp Expvp NManuf NExpor
Como lo muestra estos resultados, el costo marginal de invertir manufactura en el Per es de 0.585, es decir, del
58.5% por un milln de soles y aunque ste es cerca de 0.56661 = (0.58548 0.01887) 56.7 % para el sector
manufacturero por encima del 6 %, la diferencia entre los dos es estadsticamente significativa
gen PBIN0 = (1.268108+(.5854846*Manufvp)+(.0162061*Expvp))
gen PBIN1 = ((1.268108-(-.0188752*0.06))+(1.268108-(.064295*0.06)))+((.5854846.0188752)*Manufvp)+((.0162061+.064295)*Expvp)
106
53
twoway (lfit PBIN0 Manufvp, yaxis(2))||(lfit PBIN1 Manufvp), ytitle(PBI real %) legend(label(1 "Umbral 6% Resecin") label(2 "Umbral
6% Estabilidad")) title("Anlisis Estructural y la Variable Dictoma") subtitle("Recesin 1980Q1-1990Q4 y Estabilidad 1991Q1-2013Q1
Econmica") note("Fuente: BCRP Memoria 2012// Econ. Orlando Torres Montes")

5
-5
10
-40
-20
0
Manufactura%
Umbral 6% Resecin
20
Umbral 6% Estabilidad
40
-10
-20
-10
PBI real %
Residuals
-20
-10
Fitted values
10
20
20

-20
-10
0
YEstimada
10
20
rvfplot, yline(0) title("ANLISIS ESTRUCTURAL y la VARIABLE DICTOMA") subtitle("Recesin 1980Q1-1990Q4 y Estabilidad

1991Q1-2013Q1 Econmica") note("Fuente: BCRP Memoria 2012// Econ. Orlando Torres Montes") xtitle(YEstimada)
107
MUCHAS GRACIAS
108
54

Analisis Estructural

Caricato da

Informazioni sul documento

Copyright

Formati disponibili

Condividi questo documento

Condividi o incorpora il documento

Opzioni di condivisione

Hai trovato utile questo documento?

Questo contenuto è inappropriato?

Copyright:

Formati disponibili

Analisis Estructural

Caricato da

Copyright:

Formati disponibili

UNIVERSIDAD NACIONAL DE SAN AGUSTIN

ANLISIS ESTRUCTURAL y REGRESIONES EN DIFERENCIA

ANLISIS ESTRUCTURAL y REGRESIONES EN DIFERENCIA

PROBLEMAS FRECUENTES EN MODELOS CON SERIES DE TIEMPO

Estacionariedad de las variables

TIPOS DE MODELOS MULTIVARIADOS DE SERIES DE TIEMPO

Modelos con retardos distribuidos

Yt 0 1 X 1,t 2 X 2,t 1 X 1,t 1 2 X 2,t 1 t

Modelos Estructurales con V. Cualitativas

UNSA Facultad de Economa

Econ. Orlando Torres Montes /otorresmontes@gmail.com

ANLISIS ESTRUCTURAL y REGRESIONES EN DIFERENCIA

APLICACIONES DE LA PRIMERA DIFERENCIA ENTRE SERIE

P(e 1.64) 0.05

UNSA Facultad de Economa

Econ. Orlando Torres Montes /otorresmontes@gmail.com

ANLISIS ESTRUCTURAL y REGRESIONES EN DIFERENCIA

Contrastando por Raices Unitarias: DF test

acceptar (se va al paso 3.)

4. Contraste por la deriva

rejechazar ( 0) se puede usar la Normal

UNSA Facultad de Economa

Econ. Orlando Torres Montes /otorresmontes@gmail.com

METODOLOGA BOX-JENKINS PARA PRONSTICOS

UNSA Facultad de Economa

Econ. Orlando Torres Montes /otorresmontes@gmail.com

METODOLOGA BOX-JENKINS PARA PRONSTICOS

ANLISIS DE ESTACIONARIEDAD (FAS)

Producto Bruto Interno (Mlls. S/)

tsline PBI, title("ANLISIS DE ESTACIONARIEDAD") subtitle("PER: PBI a precios de 1994 en Millones de

Fuente:Memeria BCRP 2012//Econ. Orlando Torres

Fuente:Memeria BCRP 2012//Econ. Orlando Torres

ac PBI, title("ANLISIS DE ESTACIONARIEDAD (FAS)") subtitle("PER: PBI a precios de 1994 en Millones

UNSA Facultad de Economa

Econ. Orlando Torres Montes /otorresmontes@gmail.com

METODOLOGA BOX-JENKINS PARA PRONSTICOS

corrgram PBI, lags(20)

Vista grfica del PAC que no

PAC demuestra que la

UNSA Facultad de Economa

Box-Pierce' estadstico Q prueba la hiptesis

Econ. Orlando Torres Montes /otorresmontes@gmail.com

METODOLOGA BOX-JENKINS PARA PRONSTICOS

corrgram PBI, lags(20)

HIPTESIS PARA LAS VARIABLES PBI

UNSA Facultad de Economa

Econ. Orlando Torres Montes /otorresmontes@gmail.com

METODOLOGA BOX-JENKINS PARA PRONSTICOS

UNSA Facultad de Economa

Econ. Orlando Torres Montes /otorresmontes@gmail.com

METODOLOGA BOX-JENKINS PARA PRONSTICOS

UNSA Facultad de Economa

Econ. Orlando Torres Montes /otorresmontes@gmail.com

METODOLOGA BOX-JENKINS PARA PRONSTICOS

dfuller PBI, trend reg lags(1)

Estimar tau de DFA con tendencia e intercepto:

UNSA Facultad de Economa

Econ. Orlando Torres Montes /otorresmontes@gmail.com

METODOLOGA BOX-JENKINS PARA PRONSTICOS

dfuller PBI, reg

Estimar tau de DFA con tendencia e intercepto:

UNSA Facultad de Economa

Econ. Orlando Torres Montes /otorresmontes@gmail.com

METODOLOGA BOX-JENKINS PARA PRONSTICOS