UNIVERSIDAD NACIONAL MAYOR DE SAN MARCOS

FACULTAD DE CIENCIAS ECONOMICAS

Curso: Econometría II
Profesora: Mg. Beatriz Castañeda S.

INTEGRANTES DEL GRUPO: SEC 2

 Sanchez Choque, Giovanna Catherine 16120115

 Vásquez Beraún, Juan Diego 16120201
 Leiva Huarancca, Franklin 12120039
 Concha Quispe, Aldair Alcides 16120124

Práctica 2 – Series de Tiempo

1. Para los siguientes procesos

a) Yt = 0.7Yt-1 + 15 + t ; 2 = 16
b) Yt = 0.6 Yt-1 + 5 + t + 0.7 t-1 + 0.4 t-2; 2 = 4
c) (1+0.5 L - 0.24 L2 ) Yt = t – 0.7t-1; 2 = 9
d) Yt = = -0.2 Yt-1 + 0.88 Yt-2 + 0.32 Yt-3 + t + 0.8 t-1 ; 2 = 4
i) Analice en cada caso si se cumple con la condición de estacionariedad e
invertibilidad.
ii) Según corresponda escriba el modelo en su forma MA(∞) y/o AR(∞)
iii) Para las series estacionarias e invertibles obtenga E(Yt), V(Yt), FAC y
FAP, esboce la gráfica de las funciones de autocorrelación.
iv) Para las series en iii) simule la data generada con números aleatorios de
la normal estándar y obtenga la media varianza y los gráficos de los
correlogramas y luego compare los resultados teóricos y empíricos
(simulados)

SOLUCIÓN:

i) Analice en cada caso si se cumple con la condición de estacionariedad

e invertibilidad.
  Yt = 0.7Yt-1 + 15 + t ; 2 = 16

CONDICION DE ESTACIONARIEDAD

Utilizando el operador de rezagos:

(𝟏 − 𝟎. 𝟕𝑳)𝒀𝒕 = 𝟏𝟓 + 𝜺𝒕
𝒅𝒆 𝒍𝒂 𝒆𝒄𝒖𝒂𝒄𝒊𝒐𝒏 𝒄𝒂𝒓𝒂𝒄𝒕𝒆𝒓𝒊𝒔𝒕𝒊𝒄𝒂
(𝟏 − 𝟎. 𝟕𝑳) = 𝟎
𝑳 = 𝟏. 𝟒𝟑
La raiz esta fuera del circulo unitario, por lo tanto, cumple la
condicion de estacionariedad

 Yt = 0.6 Yt-1 + 5 + t + 0.7 t-1 + 0.4 t-2; 2 = 4

Utilizando el operador de rezagos:

(𝟏 − 𝟎. 𝟔𝑳)𝒀𝒕 = 𝟓 + (𝟏 + 𝟎. 𝟕𝑳 + 𝟎. 𝟒𝑳𝟐 )𝜺𝒕
CONDICION DE ESTACIONARIEDAD

(𝟏 − 𝟎. 𝟔𝑳) = 𝟎
𝑳 = 𝟏. 𝟔𝟔
La raiz esta fuera del circulo unitario, por lo tanto, cumple la
condicion de estacionariedad

CONDICION DE INVERTIBILIDAD
𝟏 + 𝟎. 𝟕𝑳 + 𝟎. 𝟒𝑳𝟐 = 𝟎
𝑳𝟏 = −𝟎. 𝟖𝟕𝟓 − 𝟏. 𝟑𝟐𝒊
𝑳𝟐 = −𝟎. 𝟖𝟕𝟓 + 𝟏. 𝟑𝟐𝒊
Calculando su norma
√(−𝟎. 𝟖𝟕𝟓)𝟐 + (−𝟏. 𝟑𝟐)𝟐 = 𝟏. 𝟓𝟖

√(−𝟎. 𝟖𝟕𝟓)𝟐 + (𝟏. 𝟑𝟐)𝟐 = 𝟏. 𝟓𝟖

 La raiz esta fuera del circulo unitario, por lo tanto, cumple la
condicion de invertibilidad

 (1+0.5 L - 0.24 L2 ) Yt = t – 0.7t-1; 2 = 9

Utilizando el operador de rezagos:
(𝟏 + 𝟎. 𝟓𝑳 + 𝟎. 𝟐𝟒𝑳𝟐 )𝒀𝒕 = (𝟏 − 𝟎. 𝟕𝑳)𝜺𝒕

CONDICION DE ESTACIONARIEDAD

𝟏 + 𝟎. 𝟓𝑳 − 𝟎. 𝟐𝟒𝑳𝟐 = 𝟎
𝑳𝟏 = −𝟏. 𝟐𝟓
𝑳𝟐 = 𝟑. 𝟑𝟑
La raiz esta fuera del circulo unitario, por lo tanto, cumple la
condicion de estacionariedad

CONDICION DE INVERTIBILIDAD

(𝟏 − 𝟎. 𝟕𝑳) = 𝟎
𝑳 = 𝟏. 𝟒𝟑
La raiz esta fuera del circulo unitario, por lo tanto, cumple la
condicion de invertibilidad

 Yt = = -0.2 Yt-1 + 0.88 Yt-2 + 0.32 Yt-3 + t + 0.8 t-1 ; 2 = 4

CONDICION DE ESTACIONARIEDAD

𝟏 + 𝟎. 𝟐𝑳 − 𝟎. 𝟖𝟖𝑳𝟐 − 𝟎. 𝟑𝟐𝑳𝟑 = 𝟎
𝑳𝟏 = −𝟏. 𝟐𝟓
𝑳𝟐 = −𝟐. 𝟓
𝑳𝟑 = 𝟏
 La raiz esta dentro del circulo unitario, por lo tanto, NO
cumple la condicion de estacionariedad

CONDICION DE INVERTIBILIDAD

(𝟏 + 𝟎. 𝟖𝑳) = 𝟎
𝑳 = −𝟏. 𝟐𝟓
La raiz esta fuera del circulo unitario, por lo tanto, cumple la
condicion de invertibilidad

ii) Según corresponda escriba el modelo en su forma MA(∞) y/o AR(∞)

 Yt = 0.7Yt-1 + 15 + t ; 2 = 16

(𝟏 − 𝟎. 𝟕𝑳)𝒀𝒕 = 𝟏𝟓 + 𝜺𝒕
𝟏𝟓 𝜺𝒕
𝒀𝒕 = +
(𝟏 − 𝟎. 𝟕𝑳) (𝟏 − 𝟎. 𝟕𝑳)

𝒀𝒕 = 𝟏𝟓(𝟏 + 𝟎. 𝟕 + (𝟎. 𝟕)𝟐 + ⋯ ) + 𝜺𝒕 + 𝟎. 𝟕𝜺𝒕−𝟏 + 𝟎. 𝟕𝟐 𝜺𝒕−𝟐 + ⋯

El AR(1) ahora es un MA(∞)

 Yt = 0.6 Yt-1 + 5 + t + 0.7 t-1 + 0.4 t-2

(𝟏 − 𝟎. 𝟔𝑳)𝒀𝒕 = 𝟓 + (𝟏 + 𝟎. 𝟕𝑳 + 𝟎. 𝟒𝑳𝟐 )𝜺𝒕

(𝟏 − 𝟎. 𝟔𝑳) 𝟓
𝒀𝒕 = + 𝜺𝒕
(𝟏 + 𝟎. 𝟕𝑳 + 𝟎. 𝟒𝑳𝟐 ) (𝟏 + 𝟎. 𝟕𝑳 + 𝟎. 𝟒𝑳𝟐 )

Sin embargo al ser un Modelo ARMA(1,2), aun faltan desarrollar las

herramientas para terminar la transformacion a MA(∞) y AR(∞)
  (1+0.5 L - 0.24 L2 ) Yt = t – 0.7t-1

(𝟏 + 𝟎. 𝟓𝑳)𝒀𝒕 = (𝟏 − 𝟎. 𝟕𝑳)𝜺𝒕
(𝟏 + 𝟎. 𝟓𝑳) 𝟓
𝒀𝒕 =
(𝟏 − 𝟎. 𝟕𝑳) (𝟏 − 𝟎. 𝟕𝑳)

(𝟏 + 𝟎. 𝟓𝑳)
𝝅(𝑳) = = 𝟏 + (𝟎. 𝟕 + 𝟎. 𝟓)𝑳 + 𝟎. 𝟕(𝟎. 𝟕 + 𝟎. 𝟓)𝑳𝟐 + ⋯
(𝟏 − 𝟎. 𝟕𝑳)
𝟓
𝒀𝒕 = + t − (𝟎. 𝟕 + 𝟎. 𝟓)𝒀𝒕−𝟏 − 𝟎. 𝟕(𝟎. 𝟕 + 𝟎. 𝟓)𝒀𝒕−𝟐 + ⋯
(𝟏 − 𝟎. 𝟕)

El ARMA(1,1) ahora es un AR(∞)

(𝟏 + 𝟎. 𝟓𝑳)𝒀𝒕 = (𝟏 − 𝟎. 𝟕𝑳)𝜺𝒕
(𝟏 + 𝟎. 𝟓𝑳) 𝟓 (𝟏 − 𝟎. 𝟕𝑳)
𝒀𝒕 = +
(𝟏 − 𝟎. 𝟕𝑳) (𝟏 + 𝟎. 𝟓𝑳) (𝟏 + 𝟎. 𝟓𝑳)

(𝟏 − 𝟎. 𝟕𝑳)
𝝋(𝑳) = = 𝟏 + (−𝟎. 𝟕 + 𝟎. 𝟓)𝑳 + 𝟎. 𝟓(−𝟎. 𝟕 + 𝟎. 𝟓)𝑳𝟐 + ⋯
(𝟏 + 𝟎. 𝟓𝑳)
𝟓
𝒀𝒕 = + t + (−𝟎. 𝟕 + 𝟎. 𝟓)𝜺𝒕−𝟏 − 𝟎. 𝟓(−𝟎. 𝟕 + 𝟎. 𝟓)𝜺𝒕−𝟐 + ⋯
(𝟏 − 𝟎. 𝟓)

El ARMA(1,1) ahora es un AR(∞)

 Yt = = -0.2 Yt-1 + 0.88 Yt-2 + 0.32 Yt-3 + t + 0.8 t-1

al ser un Modelo que no tiene estacionaridad, aun faltan desarrollar

las herramientas para terminar la transformacion a MA(∞) y AR(∞)
iii) Para las series estacionarias e invertibles obtenga E(Yt), V(Yt), FAC
y FAP, esboce la gráfica de las funciones de autocorrelación.

Proceso AR (1):
𝒀𝒕 = 𝟏𝟓 + 𝜺𝒕 + 𝟎. 𝟕𝒀𝒕−𝟏
𝑌𝑡 = 𝛿 + 𝜀𝑡 + 𝜙1 𝑌𝑡−1

𝛿 15
𝐸(𝑌𝑡 ) = = = 50
1 − 𝜙1 1 − 0.7
𝜎𝜀2 16
𝑉(𝑌𝑡 ) = 𝛾0 = 2 = 1 − (0.7)2 = 31.37
1 − 𝜙1
̌ ̃
𝛾1 = 𝐸[(𝜀𝑡 + 𝜙1 𝑌𝑡−1 )𝑌𝑡−1 ] = 𝜙1 𝛾0 = 0.7 ∗ 31.37 = 21.959

Función de autocorrelación:

j FAC FAP FAC

1 0.7 0.7 0.8
2 0.49 0 0.6
3 0.343 0
0.4
4 0.2401 -5.6E-17
5 0.16807 0.2

6 0.117649 0
7 0.0823543 1 2 3 4 5 6 7 8 9 10 11 12 13 14

8 0.05764801 FAS
9 0.04035361
10 0.02824752
11 0.01977327 FAP
12 0.01384129 0.8
13 0.0096889 0.6
14 0.00678223
0.4
… …
0.2
0
1 2 3 4 5 6 7 8 9 10 11 12 13 14

FAP

iv) Para las series en iii) simule la data generada con números aleatorios
de la normal estándar y obtenga la media varianza y los gráficos de
los correlogramas y luego compare los resultados teóricos y
empíricos (simulados)
Simulamos una data con 500 observaciones y obtenemos:

Se observa que, al simular una data aleatoria de 500 observaciones, nos resulta:

 Una media igual a 49.299 que es cercana a la media obtenida en resultados

teóricos (50). Lo que nos dice que la serie se encuentra alrededor de estos valores.
 Una varianza igual a 37.511 frente a una varianza de 31.37 obtenida en los
resultados teóricos. La serie tiene una variabilidad mayor con data aleatoria.
 Los correlogramas obtenidos para ambas funciones de autocorrelación toman
formas parecidas y lo podemos observar a través de los valores que consiguen los
𝜌.

FALTA i y ii (b)
iii) Para las series estacionarias e invertibles obtenga E(Yt), V(Yt), FAC y
FAP, esboce la gráfica de las funciones de autocorrelación.

Proceso ARMA(1,2) :

𝒀𝒕 = 𝟎. 𝟔𝒀𝒕−𝟏 + 𝟓 + 𝜺𝒕 + 𝟎. 𝟕𝜺𝒕−𝟏 + 𝟎. 𝟒𝜺𝒕−𝟐

𝑌𝑡 = 𝜙1 𝑌𝑡−1 + 𝛿 + 𝜀𝑡 − 𝜃1 𝜀𝑡−1 − 𝜃2 𝜀𝑡−2
 𝛿 5
𝐸(𝑌𝑡 ) = = = 12.5
1 − 𝜙1 1 − 0.6
𝜎𝜀2 (1 + 𝜃12 + 𝜃22 − 2𝜃1 𝜙1 )
𝑉(𝑌𝑡 ) = 𝛾0 =
1 − 𝜙12
4[1 + (−0.7)2 + (−0.4)2 − 2(−0.7)(0.6)]
= = 15.563
1 − (0.6)2

𝛾1 = 𝐸[(𝜙1 𝑌̃𝑡−1 + 𝜀𝑡 + 𝜃1 𝜀𝑡−1 + 𝜃2 𝜀𝑡−2 )𝑌̃𝑡−1 ] = 𝜙1 𝛾0 − 𝜃1 𝜎𝜀2

= 0.6 ∗ 15.563 − (−0.7) ∗ 4 = 12.138

𝛾2 = 𝐸[(𝜙1 𝑌̃𝑡−1 + 𝜀𝑡 + 𝜃1 𝜀𝑡−1 + 𝜃2 𝜀𝑡−2 )𝑌̃𝑡−2 ] = 𝜙1 𝛾1 − 𝜃2 𝜎𝜀2

= 0.6 ∗ 12.138 − (−0.4) ∗ 4 = 8.883
𝛾3 = 𝐸[(𝜙1 𝑌̃𝑡−1 + 𝜀𝑡 + 𝜃1 𝜀𝑡−1 + 𝜃2 𝜀𝑡−2 )𝑌̃𝑡−3 ] = 𝜙1 𝛾2 = 0.6 ∗ 8.883 = 5.33
𝛾4 = 𝐸[(𝜙1 𝑌̃𝑡−1 + 𝜀𝑡 + 𝜃1 𝜀𝑡−1 + 𝜃2 𝜀𝑡−2 )𝑌̃𝑡−4 ] = 𝜙1 𝛾3 = 0.6 ∗ 5.33 = 3.198
……

Función de autocorrelación:

FAC:
𝛾1 12.138 FAC
𝜌1 = = = 0.7799
𝛾0 15.563 0.8
𝛾2 8.883
𝜌2 = = = 0.5708 0.6
𝛾0 15.563
0.4
𝛾3 5.33
𝜌3 = = = 0.3425 0.2
𝛾0 15.563
𝛾4 3.198 0
𝜌4 = = = 0.2055 1 2 3 4 5 6 7 8 9 10
𝛾0 15.563
…… FAS

FAP:
Ecuaciones de Yule Walker
𝜌𝑗 = 𝜙1 𝜌𝑗−1 + 𝜙2 𝜌𝑗−2 + ⋯ + 𝜙𝑝 𝜌𝑗−𝑝 FAP
𝜙11 = 0.7799 0.9
𝜙22 = −0.0956
𝜙33 = −0.1821
0.4
𝜙44 = 0.0668
…..
-0.1
1 2 3 4 5 6 7 8 9 10

FAP

iv)Para las series en iii) simule la data generada con números aleatorios de
la normal estándar y obtenga la media varianza y los gráficos de los
correlogramas y luego compare los resultados teóricos y empíricos
(simulados)
Simulamos una data con 500 observaciones y obtenemos:

Se observa que, al simular una data

aleatoria de 500 observaciones, nos resulta:
 Una media igual a 5.161 frente a una media obtenida en resultados teóricos igual
a 12.5. Lo que nos dice que la serie se va a encontrar alrededor de diferentes
valores para cada resultado.
 Una varianza igual a 5.953 frente a una varianza de 15.563 obtenida en los
resultados teóricos. La serie tiene una variabilidad mayor con los resultados
teóricos.
 Los correlogramas obtenidos para ambas funciones de autocorrelación parcial
toman formas parecidas y lo podemos observar a través de los valores que
consiguen los 𝜌.
Al contrario de las funciones de autocorrelación simple que tienen apariencias
distintas, pero ambas tienden a 0.

FALTA i y ii (c)

iii) Para las series estacionarias e invertibles obtenga E(Yt), V(Yt),

FAC y FAP, esboce la gráfica de las funciones de autocorrelación.

Proceso ARMA (2,1):

𝒀𝒕 = −𝟎. 𝟓𝒀𝒕−𝟏 + 𝟎. 𝟐𝟒𝒀𝒕−𝟐 + 𝜺𝒕 − 𝟎. 𝟕𝜺𝒕−𝟏

𝑌𝑡 = 𝜙1 𝑌𝑡−1 + 𝜙2 𝑌𝑡−2 + 𝜀𝑡 − 𝜃1 𝜀𝑡−1

𝛿 0
𝐸(𝑌𝑡 ) = = =0
1 − 𝜙1 1 − (−0.5) − 0.24
 𝜎𝜀2 (1 + 𝜃12 − 2𝜃1 𝜙1 ) 9[1 + (0.7)2 − 2(0.7)(−0.5)]
𝑉(𝑌𝑡 ) = 𝛾0 = = = 28.466
1 − 𝜙12 − 𝜙22 1 − (−0.5)2 − (0.24)2

𝜙1 𝛾0 −𝜃1 𝜎𝜀2
𝛾1 = 𝐸[(𝜙1 𝑌̃𝑡−1 + 𝜙2 𝑌̃𝑡−2 + 𝜀𝑡 − 𝜃1 𝜀𝑡−1 )𝑌̃𝑡−1 ] = 𝜙1 𝛾0 + 𝜙2 𝛾1 − 𝜃1 𝜎𝜀2 =
1 − 𝜙2
(−0.5) ∗ 28.466 − 0.7 ∗ 9
= = −27.017
1 − 0.24

𝛾2 = 𝐸[(𝜙1 𝑌̃𝑡−1 + 𝜙2 𝑌̃𝑡−2 + 𝜀𝑡 − 𝜃1 𝜀𝑡−1 )𝑌̃𝑡−2 ] = 𝜙1 𝛾1+ 𝜙2 𝛾0

= (−0.5) ∗ (−27.017) + 0.24 ∗ 28.466 = 20.34
𝛾3 = 𝐸[(𝜙1 𝑌̃𝑡−1 + 𝜙2 𝑌̃𝑡−2 + 𝜀𝑡 − 𝜃1 𝜀𝑡−1 )𝑌̃𝑡−3 ] = 𝜙1 𝛾2 + 𝜙2 𝛾1
= (−0.5) ∗ 20.34 + 0.24 ∗ (−27.017) = −16.654
𝛾4 = 𝐸[(𝜙1 𝑌𝑡−1 + 𝜙2 𝑌̃𝑡−2 + 𝜀𝑡 − 𝜃1 𝜀𝑡−1 )𝑌̃𝑡−4 ] = 𝜙1 𝛾3 + 𝜙2 𝛾2
̃
= (−0.5) ∗ (−16.654) + 0.24 ∗ 20.34 = 13.209
……

Función de autocorrelación:
FAC:
𝛾1 −27.017 FAC
𝜌1 = = = −0.9491
𝛾0 28.466 1
𝛾2 20.34 0.8
𝜌2 = = = 0.7145 0.6
𝛾0 28.466 0.4
𝛾3 −16.654 0.2
𝜌3 = = = −0.585 0
𝛾0 28.466
𝛾4 13.209 -0.2 1 2 3 4 5 6 7 8 9 10
𝜌4 = = = 0.464 -0.4
𝛾0 28.466 -0.6
…… -0.8
-1

FAS
FAP:
Ecuaciones de Yule Walker FAP
𝜌𝑗 = 𝜙1 𝜌𝑗−1 + 𝜙2 𝜌𝑗−2 + ⋯ + 𝜙𝑝 𝜌𝑗−𝑝
1
∅11 =-0.658
∅22 = 0.159 0.5
∅33 = −0.051 0
∅44 = 0.082 1 2 3 4 5 6 7 8 9 10
-0.5

-1

FAP

iv) Para las series en iii) simule la data generada con números
aleatorios de la normal estándar y obtenga la media varianza y los
gráficos de los correlogramas y luego compare los resultados
teóricos y empíricos (simulados)
Simulamos una data con 500 observaciones y obtenemos:

Se observa que, al
simular una data aleatoria de 500
observaciones, nos resulta:
 Una media igual a -0.074 que es cercana a la media obtenida en resultados teóricos
(0). Lo que nos dice que la serie se encuentra alrededor de estos valores.
 Una varianza igual a 12.437 frente a una varianza de 28.466 obtenida en los
resultados teóricos. La serie tiene una variabilidad mayor con los resultados
teóricos.
 Los correlogramas obtenidos para ambas funciones de autocorrelación tienen
apariencias distintas, pero ambas tienden a 0.

2. Se tiene la siguiente información para una variable que tiene un patrón AR(2)
Yt  10   t  1Yt 1  2Yt  2 ; 2 = 4
1
j j 0.8
0.6
1 0.500 0.4
2 -0.200 0.2
0
3 -0.460 -0.2
-0.4
4 -0.248 -0.6
5 0.0776 -0.8
-1

a) Obtenga los parámetros del modelo

b) Obtenga la media y la varianza de Y

SOLUCIÓN:

a) Obtenga los parámetros del modelo:

Sabemos por las ecuaciones de Yule Walker para 𝜌1 y 𝜌2 que:

𝜌1 = ∅1 + ∅2 𝜌1
 𝜌2 = ∅1 𝜌1 + ∅2

Reemplazando con los datos del cuadro, obtenemos:

0.5 = ∅1 + 0.5∅2
−0.2 = 0.5∅1 + ∅2

Resolviendo este sistema de ecuaciones, tenemos:

∅1 = 0.8 ∅2 = −0.6

En el modelo:

AR(2): 𝒀𝒕 = 𝟏𝟎 + 𝜺𝒕 + 𝟎. 𝟖𝒀𝒕−𝟏 − 𝟎. 𝟔𝒀𝒕−𝟐

b) Obtenga la media y la varianza de Y:

Como el modelo es un AR(2), entonces:

𝛿 10
𝐸(𝑌𝑡 ) = = = 12.5
1 − ∅1 − ∅2 1 − 0.8 + 0.6

𝜎𝜀2 (1 − ∅2 ) 4(1 + 0.6)

𝛾0 = = = 8.33
[(1 − ∅2 )2 − ∅1 2 ](1 + ∅2 ) [(1 + 0.6)2 − 0.82 ](1 − 0.6)

3. Dado el proceso (1- 0.4L) Yt = 15 + (1 - 1.1L + 0.3L2) t ; 2 = 9

a) Analice si el modelo es estacionario e invertible
b) Obtenga la FAS y la FAP hasta el orden 8, esboce el gráfico de los
correlogramas