Econometria Con Eviews

' -
Econo1netría con EVieW's

Primera Edición
1
Universidad Nacional de Cajamarca
Oficina General de Investigación
!
.
•'
.
1 •
..
Econometría con Eviews Gustavo Trujillo Calagua
CAPITULO 11. Econometría Dinámica (Econometría Inglesa)
Es común pensar que las series estadísticas deberían seguir una trayectoria estacionaria y
estable tanto en media como en varianza, lo que aseguraría que su distribución sea insesgada
y que las predicciones que se hicieran sean lo mas fiables posibles. Por ello, para contrastar
esta hipótesis, se ha desarrollado una diversidad de Pruebas que tienen como finalidad testear
si la serie o series bajo análisis, cumplen con la condición de estacionariedad.
La estacionariedad es una condición estadística de una variable aleatoria, que consiste en que
la variable no deambule en torno a un valor predeterminado en el tiempo. Más bien, para que
una variable sea estacionaria, esta debe girar en torno a una media. sin presentar
comportamientos erráticos o atípicos. Estadísticamente hablando, una variable estacionaria es
aquella que se comporta con una media y una varianza constante en el tiempo, es decir que el
proceso estocástico subyacente que lo generó es invariante con respecto al tiempo, es decir,
estacionario. Si el proceso estocástico esta fijo en el tiempo, entonces podemos modelar el
proceso a través de una ecuación con coeficientes fijos que pueden estimarse a través de
datos pasados
Para estudiar esto, es necesario primero conocer lo referente a la teoría de las Rafees Unitarias
que nos permitirá tener una concepción más amplia del problema bajo análisis. Bajo esta
premisa, el problema estadístico teórico que se presenta es el de la existencia de una
discontinuidad en las distribuciones, como funciones de ex cuando esta toma el valor de 1, para
otros valores puede utilizarse en muestras grandes las distribuciones "t" y "F" usuales, pero
para este valor especial es necesario encontrar nuevas distribuciones.
Las pruebas de raíz unitaria que se han desarrollado dependen del modelo básico que g~nera
la serie. El más sencillo es de la forma: x, = cxx1• 1 + e1 donde la hipótesis nula.es de la forma
Ho: ex = 1. Esta hipótesis ha sido analizada en varias ocasiones con enfoques ligeramente
diferentes y da origen a pruebas distintas, muchas veces según que la prueba obtenida sea del
tipo de relación de verosimilitud (estimación del modelo bajo la hipótesis nula y bajo la hipótesis
alternativa y prueba basada en la diferencia de los valores de los logaritmos de la función de
verosimilitud en las dos situaciones), de multiplicadores de Lagrange (estimación bajo la
hipótesis nula y prueba basada en cambios a partir de esta hipótesis) o de Wald (estimación
bajo la hipótesis alternativa y prueba basada en movimientos hacia la hipótesis nula).
11.1 Pruebas de Raíces Unitarias.-
Estas pruebas tienen como finalidad contrastar la hipótesis de que una serie estadística sigue
un comportamiento estacionario en media y varianza a lo largo de su trayectoria temporal de
estimación o análisis. El contraste que se plantea es:
H0 =La serie no es estacionaria (Presenta raíz unitaria).

Hi = La serie es estacionaria (No presenta raíz unitaria).
El resultado de la prueba se compara con Ja distribución t-Student según los valores críticos de
Dickey-Fuller (1984). Si el resultado estadístico de la prueba es superior a los valores críticos t-
Student, entonces rechazamos la existencia de raíz unitaria.
En esta linea se han desarrollado diversas pruebas, pero quizás las mas relevantes son:
• Contrsate de Dickey-Füller Aumentado.

• Contraste de Dickey-Füller GLS (ERS)
• Contraste de Philllps - Perron.
• Contraste Kwiatkowski, Phillips, Schmldt, & Shln (KPSS).
• Contraste Elllott, Rothenberg, & Stock, (ERS).
• Contraste Ng-Perron.
• Contraste de Hodrlck-Prescott.
• Contraste de Zivot & Andrews secuencial: Raíz unitaria con quiebre estructural.
91
"..'
l
1
Econometría con Evlews Gustavo Trujlllo Calagua
El rechazo de la hipótesis nula Implica la existencia de continuidad en las distribuciones y

propiedades estadísticas de las. series bajo análisis, independencia en la parte aleatoria de la
serie lo que se conoce como "White noise' o "Ruido Blancd' y que cualquier shock tiene un
efecto transitorio sobre la variable, por lo que es susceptible de predicción.
11.1.1 Contraste de Dlckey-Füller Aumentado (ADF Test).
Dickey y Füller encontraron que el problema de estacionariedad podría ser simplificado

extrayendo J!t de ambos lados de J!t =pJ!t. 1 + v 1 para obtener: Aµ¡ = (p· 1)JAt.1 + v1 ; AJ!t = A.J!t.1 +v,
cuando la hipótesis nula es ahora H 0: A.=0 y la hipótesis alternativa es H1: A.<0. Mientras ésta
transformación ayudó con los problemas de la distribución, la prueba estadística no sigue con
la distribución tradicional y los valores críticos para la evaluación de la prueba estadística han
tenido que ser determinados a través de los extensos experimentos de Monte Cario.
El proceso autorregresivo de dJ!t = AJ!t.1 +v1 es muy simple y para tener en cuenta dinámicas
más complejas, Dickey y FOiiar propusieron pruebas para la estacionariedad basadas en la
ecuación ampliada: Aµ1 = ao + a 1 t + AJ!t.1 + 1:f3¡AJ!t.¡ + v, , donde j=1, ...m, ao toma en cuenta la
dirección y tes la tendencia lineal en el tiempo.
La mayoría de la literatura teórica y estudios empíricos han estado interesados en el caso en el

cual las variables a investigarse son 1(1) y sólo dos variables son consideradas en un período,
pero han habido algunos interesantes desarrollos recientes en la Cointegración Multivariable y
en las pruebas desarrolladas para las Rafees Unitarias y para la Cointegración (ver Engle y
Granger 1991 ).
El test ADF tiene como finalidad testear la hipótesis de que si una serie estadística sig~e un
comportamiento estacionario en media y en varianza a lo largo de su trayector!~ temporal de
estimación. La prueba que se plantea es: r
Ho =La serie no es estacionaria (presencia de raíz unitaria).

H1 = La serie es estacionaria (no presenta raíz unitaria).
El resultado de la prueba se compara con los valores críticos de Mackinnon, si el resultado
econométrico de fa prueba ADF es superior a los valores críticos de Mackinnon, entonces
rechazamos la hipótesis nula y concf uimos que la serie no presenta en su estructura "raíz
unitaria".
El procedimiento en el Eviews es el siguiente:
tflilográm afid stati

..a2!fei~~..
.
I
Le indicamos el nombre de fa serie sobre la cual se va a desarrollar la prueba, que para este l
ejemplo será el Producto Bruto Interno en logaritmos para una muestra comprendida entre el
primer trimestre de 1988 y el segundo trimestre del año 2003:
92
''
Figura 11 .2
Inmediatamente aparecerá una ventana de dialogo donde usted deberá Incluir el tipo de
prueba:
Figura 11.3
Tes\t,Ype - , .
'[ 'J~u~m~nt~~ ~i~~y·Fuller
Dickey·FuUer GLS (ERS)
, Phill1ps·Pe11on
Kwiatkowski·Phílfips·Schmidt·Shin
Elliott·Aothenberg·Slock Point·Optimal
No·Perron
Le ordenamos al Eviews que efectué la prueba ADF (Oickey-Füller Aumentada) a niveles para
la serie LPBI, tanto en tendencia como en intercepto con un rezago igual a 4
r Znd diíference
lnclude in test equation ~

r lntercept
F' !rend and intercep\ .. ,
¡
f'" Hóne ·1
~· : ,. --
93
.
' ~
Econometrfa con Eviews Gustavo Trujillo Calagua
El resultado de la prueba es:
ADF Test Statistic -2.005976 1% Critica! Value... -4.1249

5% Critica! Value -3.4889 ,
10% Critica! Value -3.1727 ...¡
...MacKinnon critica! values for rejection of hypothesis of a unit root.
Se observa que la serie evaluada (LPBI) no es estacionaria a niveles, puesto que el valor ADF
es significativamente menor que los valores críticos de MacKinnon a los 3 niveles de
slgnificancia. Podemos evaluar la prime ra diferencia del logaritmo del PBI y ver si con esa
transformación conseguimos la estacionariedad:
El resultado de la prueba es:
-3.867889 1% Critica! Value...

5% Critica! Value
10% Critica! Value
...MacKinnon critica! values far tejection of hypothesis of a unit root.
Se observa que la serie evaluada en su primera diferencia ya es estacionaria pero a los niveles
de 95% y 90% de significancia.
94
...
•
(.
•:
11 .1.2 Contraste de Dlckey-Füller GLS (ERS)
Elliott, Rothenberg, & Stock proponen una ampliación del contraste ADF, en el caso que los
datos estén con algún tipo de tendencia y de esta manera separar aquellas variables
explicativas que estén fuera de la corrida en la regresión. La prueba sigue una distribución
t-Student determinada por Elliott, Rothenberg, & Stock, la cual se contrasta con sus valores
críticos a los niveles de confianza deseados. El procedimiento econométrico es el siguiente:
Figura 11.8
Test fer unit roat i!l~

f Leve!
.f llst differer.ce .
! ,Znd difference
El contraste se ha llevado a cabo para la serie logaritmo de la emisión primaria real, a niveles
tanto al intercepto como a la tendencia, el resultado se muestra a continuación:
Figura 11.9
flíi Seríes: . LEPA . :workfile: TESIS - Al TER elfil El
J · . DF-GLS .U1iit 89..~f T~~ !)n-LEP.R ~1
1 Null Hypothesis: LEPR has a unit root
Exogenous: Constant, Linear Trend
Lag Length: O (Automatic based on SIC, MAXLAG=10)
t-Statistic
1 Elliott-Rothenberq-Stock DF-GLS test statistic -1.482032

Test critical values: 1% level -3.728200
5% leve! -3.154800
10% leve! -2.857000
"Elliott-Rolhenberg-Stock (1996, Table 1)

'~ 1 • I_ __ ~
Como se observa, la serie no es estacionaria a niveles, pues et valor DF-GLS (-1.482032) no

es significativo en sus valores críticos a los 3 niveles de significancia.
95
."'
11.1.3 Contraste de Phfllfps-Perron (PP).
Una prueba alternativa de raíz unitaria fue desarrollada por Phillips y Perron . Al igual que la
prueba AOF, la prueba PP es una prueba de hipótesis sobre p=1 en la ecuación: l1Y, = ll~ +
pY1.1 + l11; pero a diferencia de la prueba ADF, no existen términos de diferencias retardados.
Más bien, la ecuación es estimada por MCO y luego el estadístico •t• del coeficiente p es
corregido. la hipótesis nula H0 del test de Phillips-Perron es la trayectoria de raíz unitaria con
tendencia y la alternativa la estacionariedad con tendencia, si el valor t-Student asociado al
coeficiente de Y1•1 es mayor en valor absoluto al valor critico de MacKinnon, se rechaza la
hipótesis de existencia de raíz unitaria. El procedimiento en el El/iews es:
..
~
Y el reporte econométrico resultante será:
PP Test Statistic -1.550749 1% Critica! Value*

5% Critica! Value
10% Critica! Val ue
*MacKinnon critical values for rejection of hypothesis of a unit root.
lag truncation for Bartlett kernel: 2 ( Newey-West suggests: 3)

Residual variance with no correction 0 .054259
Residual variance with correction 0.060869
lr•I ,_ .-~ ...

[
Se pone en evidencia ta no estacionariedad de la serie a niveles, pues el valor PP (-1.550749)

no es significativo en sus valores críticos a los 3 niveles de significancia. Será necesario
verificar si la serie LEPA (logaritmo de la emisión primaria real) es estacionaria en su primera
diferencia.
96
..
,,
11.1.4 Contraste Kwiatkowskl, Phllllps, Schmldt, & Shln (KPSS).
Kwiatkowski, Phillips, Schmldt, & Shin, plantean como hipótesis nula que la serie es no
estacionaria en tendencia. EL test KPSS reporta un valor escalar del tipo multiplicadot de
lagrange (LM) el cual debe ser contrastado con sus respectivos valores críticos. El
procedimiento econométrico es:
• Test for unit root in ~~,_...

r ,!,.evel
r. [-st ~
dif-
fer-
~n-~
r Z,,d d~fer~é
.-
~
La prueba se ha aplicado a la primera diferencia del logaritmo de la emisión primaria real, el

resultado es:
LM-Stat.
Kwiatkowski-Phillips-Schmidt-Shin test statistic 0.024586

Asymptotic critica! values": 1% level 0.216000 ' 1
5% level 0.146000 .
10% level 0.119000
·•
! "Kwiatkowski-Phillips-Schmidt-Shin (1992, Table 1) 1
" 1
Residual variance (no correction) 0.119861

..
i
HAC corrected variance (Bartlett kernel) 0 .040888
¡
t
· - --·- .El
Como se observa, la serie es estacionaria en su primera diferencia, pues el valor KPSS es
significativo en sus valores críticos a los 3 niveles de significancia.
97
,,
Econometría con Eviews Gustavo Trujitlo Calagua
11.1.5 Contraste Elllott, Rothenberg, & Stock, (ERS).
El test ERS esta basado en una regresión cuasi diferenciada de la suma al cuadrado de los
residuos de una regresión estimada espectralmente, además calibra una estimación de la serie
en función a una constante y una tendencia. El test ERS muestra un escalar el cual es
contrastado con sus respectivos valores críticos al 1%, 5% y 10% de significancia. Se ejecuta
de la siguiente manera:
:resl for mi root in1"'P'r~:;;;:i;;;;t.t

.1.~Vél
'r.. l~ Clifíerer:ice.
("'J-:W ~fer~c.9
La prueba se va aplicar a la primera diferencia del logaritmo del tipo de cambio, el resultado
es:
Null Hypothesis: D(LEPR) has a unit root

Exogenous: Constant, Linear Trend
Lag length: 2 (Fixed Spectral OLS AR)
Sample(adjusted): 1988:2 2003:2
lncluded observations: 61 after adjusting endpoints
P-Statistic
Elliott-Rothenberg-Stock test statistic 5.697022

Test critica! values: 1% level 4.228800
5% level 5.702400
10% leve! 6.774400
' '*Elliott-Rothenberg-Stock (1996, Table 1) -~

1
HAC corrected variance (Spectral OLS autoregression) 0.030137 e'
Se observa, la serie es estacionaria en su primera diferencia al 1%, pero a los demás niveles
deja de ser significativo.
98
{l l :-
.
' ,,
~
Econometrfa con Eviews Gustavo Trujillo Calagua "
11.1.6 Contraste Ng-Perron.
Esta prueba es una modificación de la prueba de Phillips-Perron, de la prueba de Bhargava y

de la prueba ERS, basado en la diferenciación en la tendencia de una serie. El test Ng-Perron,
requiere, primero de la especificación del orden de diferenciación de la señe y de cambiar el
método de estimación MCO por una del tipo espectral. El procedimiento econométrico es:
Ejecutamos la prueba a la primera diferencia del logaritmo de la emisión primaria real y

obtenemos:
MZa MZt MSB MPT

1
·1
:1
Ng-Perron test statistics -9.38607 -2.16574 0.23074 9.71105
I Asymptotic criticar values~: 1% -23.8000 -3.42000 0.14300 4.03000 '
5% -17.3000 -2.91000 0.16800 5.48000
1 10% -14.2000 -2.62000 0.18500 6.67000 '
l
1
r
"Ng-Perron (2001, Table 1)
i
.,í
.~ ~i
1
il .")
1
} HAC corrected variance (Spectral GLS-detrended AR) 0.018079 :

i ly4- • p
- •
- •
- .,,_
·- .,,.
1 I \ •
,. ~ ·- ~ ;
Se evidencia la existencia de estacionariedad en la serie bajo análisis.
99
..
' '
Econometrla con Eviews Gustavo TrujiUo Calagua
11.1.7 Contraste de Hodrlck-Prescott.
De acuerdo con este método es preciso encontrar la serie Y*, (tendencia) que minimice:
f (
l•I
Y1 - Y1* ) 2 + A. f (
1•2
!!.Y1 - l!. Y,* )
2
la serie v,· equivale a la variable potencial y A. es el
parámetro de suavización, en una serie estacionaria, la tendencia es casi paralela al eje X.
El filtro de Hodrlck - Prescott es quizá el método más frecuentemente utilizado para determinar
la tendencia de una serie estacionaria, sin embargo ha sido sujeto a criticas diversas. Entre
ellas destaca el hecho de que la determinación ex ante del parámetro de suavización esta
sujeta a la discrecionalidad del investigador, que los extremos de la serie de tendencias están
deficientemente definidos y que induce un comportamiento cíclico espurio en los datos.
Sin embargo el método representa un patrón contra el cual pueden compararse otros métodos
de estimación para series estacionarias.
El procesamiento de esta prueba en el Eviews se ejecuta mediante:
Figura 11.18
~~...
.!!eñer~e S~s...
~ . ..
~l'Ph ~.
L ~~~lt~ (E~§.~l
-
Ser!% S tat1 ~t· : ~ ~

Gr.~.S,tatiiiíci 't>
!fstinláte E~~..
Estitnal~-~···
Hodr1ck·Prescott filler ..
Seguidamente se nos preguntara por el nombre de la serie que deseamos evaluar, en este
ejemplo evaluaremos si el logaritmo de la demanda de dinero es estacionario:
Figura 11.19
Series N.ame .· ~ ,f!i
El resultado se muestra en el gráfico adjunto:
100
86 88 90 92 94 96 98 00
1- LDINERE - HPTREND01 1
.L!í_.._ __ ·-. ·-~~!."~11.F~~~.JL.
á@~IL~'.'Jfl~.P~~s!t®;
Se pone en evidencia que la serie analizada, es una serie no estacionaria en tende~cia, ya que r
su línea de tendencia (HPTREND01) no es paralela al eje del tiempo. Veamos ahora el mismo
contraste, pero aplicado a la primera diferencia del logaritmo de la demanda ~e dinero: .
Gráfica 11.2
0.5
o.o
-0.5
-1.0
-1.5
-2.0
-2.5
-3.0
86 88 90 92 94 96 98 00 .'I
1
1- 01 LOINERE - HPTREND02 j
1
11ª=. ~-~\ ~~-~ --~~~Jtt~w~~r~~~l~I~~!~~:

••
1
- .. ·-._
Ahora la serie transformada parece ser estacionaria en su tendencia.
101
...
11.1.B Contraste de ztvot & Andrews secuenclal:.Raíz unitaria con quiebre estructural.
Perron (1989} sostuvo que los tradicionales test de raíz unitaria (Dickey-Fuller, Dickey-Fuller
Aumentado y Phillips-Perron} tenían poco poder para diferenciar una trayectoria de raíz unitaria
de una estacionaria cuando había cambio estructural. En consecuencia, como estos test
estaban sesgados hacia el no rechazo de la hipótesis nula de raíz unitaria, a menudo se
rechazaba incorrectamente la hipótesis alternativa de estacionariedad. Perron encontró, por
ejemplo, que las series de agregados macroeconómicos y financieros utilizados por Nelson y
Plosser (1982) eran en su mayoría estacionarias con cambio estructural, en oposición a lo que
los citados autores señalaban. Siguiendo esta línea, Zivot y Andrews (1992} elaborarán un test
en la que la fecha del punto de quiebre era determinada endógenamente.
Con esta finalidad se desarrollo un programa preparado para E-Views, correspondiente al test
de Z&A, realizado de manera secuencial, esto último se refiere a que el programa evalúa la
posible presencia de quiebre estructural en cada observación de la serie analizada (genera
variables Dummy a partir de la 75ava observación y termina en la observación N-75).
Caso 1: Raíz Unitaria y NO presencia de quiebre
Tenemos la siguiente serie denominada SEAIE3, cuya gráfica se muestra a continuación:
60
40
20
so 100 150 350 400 450
1-- SERIE3
A simple vista uno podría decir que la serie presenta 3 quiebres en su tendencia, alrededor de
la observación 160, 230 y 320 respectivamente. Con esta apreciación, utilizamos nuestro
programa
Paso previo: Dado que el programa genera dummies continuamente, tanto para quiebres en
media como para quiebres en tendencia, es imprescindible que la serie se encuentre en
formato UNDATED.
.
1
Colocamos el nombre de la serie en el reglón que indica:
!· genr lserie =(Nombre de la serie a analizar)

Cualquier serie que coloquemos allí, el programa cambiará su nombre a "!serie", y a partir de
ello realiza sus cálculos. .
J
Dado que nuestra serie tiene 500 observaciones, el programa ha generado 350 variables
dummy para quiebre en media (desde DUM75 hasta DUM425) y otras 350 para quiebre en
tendencia (desde DUT75 hasta OUT425)
102
econometría con Eviews · Gustavo Trujillo Calagua
• 1
1
El último gráfico que se muestra, es el que aparece a continuación:
Gráfica 11 .4
50 100 150 200 250 300 350 400 450 500
j-F-FT-FMj
\ La línea roja (FT} muestra el resultado del test F aplicado secuencialmente/para posiblés
1
' quiebres en tendencia, la línea verde (FM), muestra el mismo test, pero para posibles quiebres
¡ en media, la línea azul (F) es el test F, para ambos casos.
Como se puede aprecia, es la línea roja la que alcanza valores más altos, por lo que podemos
concluir que existe evidencia de un POSIBLE quiebre en tendencia, o dicho de otra forma, si
existe quiebre en la serie (y no rafz unitaria), este serfa quiebre en Tendencia, y estaría
alrededor de la observación 125.
Gráfica 11.5
.'1
1
- · ZIVOTM - VCRITM
103
r Econometría con Evlews Gustavo Trujlllo Calagua "
Vemos en este gráfico del Test Z&A para quiebre en media, que la lfnea asociada al resultado
del test aplicado secuencialmente, no cruza el valor crítico. Como concluimos inicialmente, si es
que había quiebre, este sería en Tendencia. Lo mismo ocurre para el caso del Test Z&A
aplicado para ambos casos, como se muestra en el siguiente gráfico:
Gráfica 11.6
1- ZIVOT - VCRIT 1
Veamos el gráfico del test Z&A para el caso que nos interesa: la posible exlstenci~ de quiebre r
en tendencia:
Gráfica 11 .7
-1.5.....-------------------.
-2.0
-2.5
-3.0
-3.5
-4.0
100 150 200 250 300 350 400
1- ZIVOTT - VCRITTI
Vemos aquí que la línea azul no cruza el valor crítico, por lo que no existe quiebre en
tendencia. Por lo tanto el comportamiento errático de la serie, se debería a la presencia de l
Raíz Unitaria.
104
...
Caso 2: Quiebre en Media. y corrección.
Analizamos ahora la serie denominada "serieS", cuya gráfica presentamos a continuación:

Gráfica 11.8
120
100
80
60
40
20
o
·20
50 100 150 200 300 350 400 450 500
1-- SERIES
El gráfico. del test F es 1siguiente:
Gráfica 11.9 ..•
1- F- FT - FMI
Concluimos que podrfa existir un quiebre en media, alrededor de la observación 350, y ello lo
contrastaremos con el gráfico del Test Z&A para quiebre en media.
105
'
...
,.
-4
-5
100 150 200 250 300 350 400
1- ZIVOTM - VCRITMI
Efectivamente, existe quiebre en media, y el mismo se presenta alrededor de la observación

350. ¿Cómo determinamos la fecha exacta del quiebre?. En la ventana de las series, al final de
las variables Dummy generadas, hay tres objetos numéricos: Fecha, Fechat, y Fecha111, que
indican la fecha u observación que tiene el test F más alto tanto para ambos casos, quiebre en
tendencia y quiebre en media respectivamente. Como nos interesa el quieere en media,
hacemos doble click en Fecham, e inmediatamente aparecerá en la parte inferior de la ventana,
el número 353. Eso quiere decir que el quiebre se da en esa observación, y que la variable
dummy que utilizaremos para corregir es DUM353. Para finalizar, mostramos los otros dos
gráficos restantes.
Gráfica 11.11
·2.0 . . - - - - - - - - - - - - - - - - - . ·2..-----------------.,
-2 .S
·3.0
·3.5
""'·º
200 250 350
1- ZIVOT - VCRIT 1
Inicialmente, la SERIES, había presentado el siguiente resultado en la aplicación del test de

Raíz unitaria (Dickey-Fuller Aumentado):
-~
ADF Test Statistic -3.322979 1% Critica! Value• -3.9808 1
5% Critica! Value -3.4208

*MacKinnon critica! values far rejection of hypothesis of a unit root.
106
..
-..
Inicialmente habríamos dicho que la serie tiene rafz unitaria, sin embargo. Ahora podemos
Goncluir, que eso no necesariamente es así, pues esa conclusión está alterada por la presencia
de un quiebre en la observación 353. Por lo tanto pasaremos a corregir la serie y luego de eso
aplicar el test DFA, para ver si realmente existe raíz unitaria
Corrección.-
El mismo procedimiento se usa para el caso de quiebre en tendencia. Sin embargo,

indicaremos la variación, en donde se considere necesario.
Como ya sabemos, el quiebre se da en la observación 353, afortunadamente el programa ya

genero las variables dummy (incluso la DUM353). Si el quiebre hubiera sido en tendencia,
entonces usaríamos OUT353.
Corremos la siguiente regresión:

c
LS series dum353
El comportamiento real de series, lo está recogiendo el término de error de esta ecuación,

queremos saber que tan significativo es dum353, para luego quitarle ese efecto distorsionador.
Es decir, lo que estamos haciendo es:

Series - c + dum353 + error
Si queremos que desaparezca dum353, lo que tenemos que hacer es generar una nueva serie
denominada Nuevaserie5, que será:
Nueva series- series - dum353.
Con la regresión indicada, queremos encontrar el coeficiente asociado a Dum353, para

proceder a realizar ta operación mencionada. Obtenemos el siguiente resultado:
Dependent Variable: SERIES

Method: Least Squares
Sample: 1 500
lnctuded observations: 500
Variable Coefficient Std. Error t-Statistic Prob.
e 21.05669 0.593630 35.47108 0.0000
DUM353 47.94697 1.094818 43.79447 0.0000
R-squared 0.793870 Mean dependent var 35.15310
Adjusted R-squared 0.793456 S.D. dependentvar 24.54128
S.E. of regression 11.15329 Akaike info criterion 7.665338
Sum squared resid 61949.14 Schwarz criterion 7.682196
Log likelihood -1914.334 F-statistic 1917.955
Durbin-Watson stat 1.670467 Prob(F-statistic) 0.000000
Era obvio que Dum353 iba a resultar significativa. De esto, nos interesa el coeficiente asociado
a la dummy, y es: 47.94697. Entonces generamos la siguiente serie:
Genr nuevaserie5 - serie 5- (47.9469rdum353)

..
1
El gráfico de esta nueva series, es el siguiente:
107
..•
,.
Econometrfa con Evlews Gustavo Trujillo Calagua
Gráfica 11.12
1- NUEVASERIESl
{
Sin embargo, es conveniente juntar ambos gráficos para ver el efecto de la corrección
realizada:
Gráfica 11.13
.--~~~~~~~~~~~~~~~~~~~~~~~~~~
120--~~~~~~~~~~~~~~~~~~~~--.
100
80
60
40
20
1- · NUEVASERIES - SERIES
De la NUEVASERIE5, se puede apreciar el cambio a partir de la observación 353 (recuerde

que hasta la observación 352, ambas series son iguales), y la estabilidad es notoria. No habría
quiebre en media. Si aplicamos el Test Z&A, encontramos que el gráfico asociado al Test Z&A
para quiebre en media, arroja el siguiente resultado:
108
¡.
Econometrra con Eviews Gustavo Trujillo Calagua
Gráfica 11.5
-4.5~----------------.
-5.0
-5.5
-6.5
100 150 200 250 300 350 400
1- ZIVOTM -· - VCAITMI
Y el Test de DFA, para raíz unitaria, presenta ahora lo siguiente:
ADF Test Statistic -6.359861 1% Crilical Value* -3.9á08

*MacKinnon critica! values for rejection of hypothesis of a unit root.
La conclusión es que no había raíz unitaria en la SERIES, sino un quiebre en media.
.'I
t
109
CAPITULO 12. Test de Colntegraclon.
Suponemos dos variables económicas como Consumo y Renta Disponible, entre las que
creemos que existe una relación de equilibrio estable a largo plazo. Cabe esperar que, bajo tal
supuesto, los residuos de la regresión que explican el gasto en Consumo de las familias
mediante su Renta Disponible sean estacionarios, a pesar de que ninguna de las dos variables
del modelo lo sean. Ello seria debido a que su evolución temporal es, en gran medida, común.
Esta es la idea de Cointegración.
La literatura ha desarrollado una diversidad de contrastes para el caso de la Cointegración

basados en los residuos de los modelos o sistemas estimados. En esa linea, Johansen &
Joselius desarrollaron un contraste que computa el ratio estadístico de verosimilitud (likelihood
ratio) para cada ecuación de Cointegración añadida . Este test no tiene una distribución chi-
cuadrado usual; la contrastación de estos estadísticos se debe realizar apartir de las tablas de
Johansen y Juselius (1990).
12.1 Prueba de Hipotesls de Colntegraclon de Johansen.-
H0 = No existe un vector de cointegración (Existencia de una raíz unitaria en los residuos).

H 1 =Existe un vector de cointegración (No existe una raíz unitaria en los reslduos).
Se tendrá que "testear" la significancia de las raíces características "eigen valud' distintas de
cero entre las variables incluidas.
La importancia de un modelo que cointegra es que el vector de cointegración describe la
relación de largo plazo de las variables, por cuanto un residuo estacionario nos asegura que las
variables no pueden diferir sistemáticamente entre sf en el largo plazo.
..~
Estadísticamente se tiene:
H0 = Si 1 > Valor critico l> No existe un vector de cointegración (Existencia de una rafz unitaria
en los residuos).H1 =Si 1<Valor critico l> Existe un vector de cointegración (No existe una raíz
unitaria en los residuos).
Nota.
l= Ratio de verosimilitud
La prueba se contrasta al 5% de su valor critico.
la prueba de cointegración se ejecuta en el Eviews mediante:
CoJnlegrat1on Test
Vamos analizar si las variables que determinan la función de demanda por dinero en el Perú /
tienden al equilibrio en el largo plazo, dicho de otra manera, si existe entre ellas un vector de
cointegración que determine su comportami~nto temporal de largo plazo. Para ello el Eviews
nos pedirá el nombre de las series sobre la cual se va a desarrollar el test:
110
....
Figura 12.2
Series li~t· · ·· · · . El
Le indicamos al Eviews que la especificación de la prueba de cointegración la ejecute

asumiendo la existencia de una tendencia determinístlca lineal en los datos y que las
ecuaciones de cointegración se ejecuten tanto al intercepto como a la pendiente:
·Ahow for iinear delerministic' trend ih:C!_at~

C ~) lnte1cepl(no trena] in GE and ~ V..lfi
r. -~) lnler~e~ and lrend iriCE ..no.iterxfinV~
Allow ror quadralic deterministic lrenct in t:lata:-

{"~ fil ·1ni.e1c~pl áñd trel"d_in CE •~ªli'enaiiY~
Summa1ize ali S.sets of ass~lions.
.
1
1
1 El resultado final será:
l¡
,.
1
¡
ll
1
111
Econometrla con Eviews Gustavo Trujillo Calagua
Date: 05/311r13 Time: 20:51

1 Sample(adjusled): 1986:07 2001:06
• lncluded observations: 192 after adjusting endpoints
Trend assumption: Linear deterministic trend
1 Series: 01 LOINERE 01 LPBIRE 01 UNTERE 01 LDEVARE 01 LINFLACION
. Lags interval Qn first differences): 1 to 4
1
1 Unrestricted Cointegration Rank Test
1
Hypothesized Trace 5 Percent 1 Percent
1 No. of CE(s) Eigenvalue Statistic Critica! Value Critica! Value
t
1 None "'* 0.411522 328.6078 68.52 76.07

1 At most 1 ..... 0.383959 226.8064 47.21 54.46
Al most 2 "'* 0.288733 133.7935 29.68 35.65
! At most 3 "'* 0.172195 68.37777 15.41 20.04
Al most 4 "'* 0.153933 32.09401 3.76 6.65
i
'*'('j denotes rejection of the hypothesis at the 5%(1 %) level
Trace test indicates 5 cointegrating equation(s) at both 5% and 1% levels /
r
Hypothesized Max-Eigen 5 Percent 1 Percent

No. of CE(s) Eigenvalue Statistic Critica! Value Critica! Value
None ...... 0.411522 101.8014 33.46 38.77

At most 1 ...... 0.383959 93.01285 27.07 32.24
At most 2- 0.288733 65.41575 20.97 25.52
At most 3 '*'"' 0.172195 36.28376 14.07 18.63
At most 4 - 0.153933 32.09401 3.76 6.65
"('j denotes rejection of the hypothesis al the 5%(1 %) level

Max-eigenvalue test indicates 5 cointegrating equation(s) at both 5% and 1% levels
Se muestran los dos test aplicados. En el primero, al 95%, podrían aceptarse cinco ecuaciones
de cointegración. En el segundo, también podrían aceptarse cinco ecuaciones de
cointegración. La conclusión sobre las posibles relaciones de cointegración en la función de .
demanda por dinero, ofrece resultados semejantes, por lo que la prueba ha rechazado la
hipótesis nula ( H0 ) de no Cointegración entre las variables, de acuerdo a la prueba del ratio de
verosimilitud (likelihood ratio) se verificaría la presencia de 1 vector de cointegración ello indica
que al efectuarse una combinación lineal entre las mismas, existiría la presencia de residuos
con un comportamiento de ruido blanco. Un "ruido blanco" se caracteriza porque es /1
estacionario en media y varianza, asimismo, los errores no están autocorrelacionados. Esto
último esta referido al hecho que no se acepta la significatividad individual de ningún
coeficiente de autocorrelación muestra!, es decir existe independencia entre las perturbaciones
aleatorias. Por otro lado, esta prueba asegura la existencia de una función de demanda por
dinero real de largo plazo con parámetros estables, requisito indispensable para el uso de los
agregados monetarios en la conducción de la política económica.
112
• 1
Econometría con Eviews Gustavo Trujíllo Calagua
CAPITULO 13. Variables cualitativas.·
La inclusión de este tipo de variables en un modelo econométrico se realiza a partir de la

construcción de lo que se conoce como variables ficticias, binarias, dicotómicas o dummy's.
Las variables cualitativas toman dos valores arbitrarios, normalmente, el valor 1 si la
observación presenta la característica y el valor O en caso contrario. En la práctica, la regla
general es introducir en un modelo econométrico tantas variables ficticias como categorías
tenga el factor cualitativo menos uno.
Para ilustrar mejor esto, analicemos la función de Demanda por Dinero según Baumol-Tobin
para el Perú, entre enero de 1985 y mayo del 2003, la ecuación viene medida en logaritmos y
en sus primeras diferencias. La ecuación a estimar es:
D1LDINERE =a+ ~ 1 ·01LPBIRE- ~2 *01LINFLACION -p3•011NTENO - p,·01LDINERE(-1) +e

Dependent Variable: 01 LDINERE
. Date: 06/07/03 Time: 17:07
Variable Coefficient Std. Error t·Statistic Prob.
e -o.01a104 0.009753 -1 .864393 0.0638
D1LPBIRE 0.427353 0.101082 4.227795 0.0000
01 LINFLACION -0.053223 0.010665 ·4.990647 0.0000
01 INTENO -41.49146 2.412714 -17.19700 0.0000 :
D1LDINERE(-1) -0.061054 0.039447 -1.547745 0.1233
R-squared 0.705257 Mean dependent var -0.018126
Adjusted R-squared 0.699084 S.D. dependent var 0.247859
S.E. of regression 0.135965 Akaike info criterion -1.127662
Sum squared resid 3.530908 Schwarz criterion -1.044037
Log likelihood 115.5109 F-statistic 114.2555
Gráfica 13.1
1.2------------------------------------.. . .
1.0
0.8
0.6
0.4
0.2
o.o ,,
,'
,,,,
·0.2
86 88 90 92 94 96 98 00
1- CUSUM of Squares ----- 5% Significance 1
113
...
Econometría con Eviews Gustavo Trujlllo Calagua
El contraste CUSUMSQ nos muestra la exístencía de inestabilidad paramétrica por lo que se

hace necesario la incorporación de variables ficticias para corregir la inestabilidad.
13.1 Construcción de variables DUMMY.
Se han considerado la implementación de tres variables dummy's, la primera de ellas

(dummy1) para comprobar que si el incremento sustancial de precios causo un cambio
permanente en la función de demanda monetaria. La segunda de ellas (dummy2) para analizar
si el proceso de remonetización que se dio desde septiembre de 1990 ha tenido resultados
significativos y, finalmente, la dummy3 captura el factor estacional de demanda de saldos
reales. De este modo, la dummy1 toma valores uno (1) entre los meses de julio de 1988 y
agosto de 1990, cero ( O ) en los demás meses. Dummy2 toma el valor uno ( 1 ) desde
septiembre de 1990 y cero ( O ) en los demás meses. Dummy3 toma el valor uno ( 1 ) en los
meses de julio y diciembre y cero ( O ) en los demás meses.
Figura 13.1
t~i2frrl!fiilí0?•81 füllf1"!t@Ah.'}fllllllllJJlf1:3)_~íSCI
1~~IP10Slcib¡ecl$l~ ·PiiñífName l F.reézel3 raii$forñil ECi'iíf1.; f~pmi;hnsoei]rrrañseo°7é-l:J1Té
if ... ~ótis .'; . ;óbs ~~ 1=. DUMMY'I D0MMY2~ ~ 1>DUMMY3 {;' ,.¡ . " "~
' 1990:02 .. 1990:02 1.000000 0.000000 0.000000 ?;?I
~~.1199U:03J- 1990:03 1.000000 0.000000 0.000000
1r~1990:0~~: 1990:04 1.000000 0.000000 0.000000
¡~ .199Q!05.. ll 1990:05
1 1.000000 0.000000 0.000000
+ - - -::.t
1. ~t9"9o;o:s~- 1990:06 1.000000 0.000000 0.000000
l!'l:l99Cf:Dn 1990:07
IV. .1199o;oa ~: 1990:08
1.000000
1.000000
0.000000
0.000000
1.000000
0.000000
...
.!
......,,......,.,-;,,-""""""'1--~~--!f--~~---~+-~--....;;..:;~+-_;;.,;_:;..¡._~:...--i-~~ /.-
1~;~199·0:09~:: 1990:09 0.000000 1.000000 0.000000 1
lrri1990~10;lij 1990:10
1 ·1~90::f1 .:: 1990:11
0.000000 .
0.000000
1.000000
1.000000
0.000000
0.000000
...
,,
"!
Luego estimamos la regresión transformada:
D1LDINERE =a+ f3 1*01LPBIRE + f32 *01LINFLACION + f3 3*011NTENO + f3/D1LDINERE(·1) +

f3s·ouMMY1 + f3s*DUMMY2 + f31*DUMMY3 +e
Oependent Variable: 01 LOINERE

Method: Leasl Squares
lncluded observalions: 219 afiar adjusling endpolnts
Variable Coefficient Sld. Error t·Statistic Prob.
e -0.039839 o.0214s2 -1 .856263 0.0650
01 LPBIRE 0.395416 0.098857 3.999880 0.0001
01 LINFLACION ·0.053548 0.010598 -5.052694 0.0000
011NTENO -42.89820 2.391962 -17.93432 0.0000
01LOINERE(·1) ·0.067902 0.038540 -1.761863 0.0797
OUMMY1 ·0.052170 0.033638 ·1 .550917 0.1226
OUMMY2 0.026554 0.024207 1.096913 0.2741
OUMMY3 0.065956 0.026581 2.481282 0.0140
R-squared 0.725317 Mean dependent var ·0.018126
...
Adjusted R·squared 0.715089 S.D.dependentvar 0.247859
S.E. of regression 0.132300 Akaike info criterion -1.167536
Sum squared resid 3.290596 Schwarz crilerion -1 .033736
Log likelihood 122.4186 F-stalistic 70.91788
Ourbln-Watson sial 2.216127 Prob(F-statistic) 0.000000
114
\ .
..,
~
Y sometemos a la regresión al contraste CUSUMSQ para ver si el problema de inestabilidad ya

ha sido descargado:
Gráfica 13.2
1.2.....-~~~~~~~~~~~~~~~~~~~--,
91 92 93 94 95 96 97 98 99 00
1-- CUSUM of Squares ----- 5% Slgnificance 1

La evidencia empírica demuestra que luego de la incorporación de estas tres variables ficticias-,
la función de demanda de saldos reales ya es estable en parámetros, lo cual constituye una
condición necesaria para el diseño e implementación de políticas monetarias por parte del
Banco Central de Reserva del Perú.
Con este ejemplo hemos resumido los dos principales usos que tienen este tipo de variables: el
análisis de cambios estructurales y el análisis de efectos estacionales.
..
'
115
·,
..
~
CAPITULO 14. Ajuste Estacional de una serle.-
El ajuste estacional de una serie implica descargar a la variable bajo análisis de los efectos de
carácter estacional que pudiera estar afectando la trayectoria temporal de su comportamiento
histórico. Este método es útil cuando se trabaja con modelos del tipo "Serles de tiempo" , ya
que en muchas ocasiones las variables económicas están sujetas a comportamientos
estacionales, más aun en economras tan vulnerables como la Peruana, donde la presencia de
factores climatológicos es muy frecuente.
La implicancia de trabajar con variables que no estén desestacionalizadas, es básicamente de

carácter predictivo, ya que la inclusión de la estacionalidad también estará presente en el
horizonte de predicción de la serie analizada.
Para realizar el ajuste estacional de una serie, haga clic en Procs/Seasonal adjustment de la
barra de herramientas de la serie:
~easonalAdjustment ._
,,,
Usted deberá proporcionar el nombre de la serie a evaluar, Eviews le propondrá un nombre
agregando SA al nombre de la serie original, pero se puede cambiar si uno así lo desea. El
cuadro de diálogo muestra los 4 tipos de ajuste disponibles tos cuales son corridos por medio
de programas incorporados en el Eviews, la salida de los mismos son reportados en una
ventana de diálogo en formato .doc. El método X11 (Historical) tienen muchas opciones, las
más importantes de las cuales son para datos trimestrales y mensuales; mientras que el
método Census X12 permite fijar ajustes para días laborables y festivos, los cuales son fijados
en el diálogo de ajuste estacional.
Además del Census X12 y X11 (Historical), Eviews tiene otros dos procedimientos para ajuste
estacional: Tramo/Seats y la razón de promedio móvil. Estos procedimientos son útiles cuando
la información está disponible en frecuencias mensuales y/o trimestrales, requiere de 4 años
completos de información. Las opciones multiplicativas deberán ser usadas siempre y cuando
las series sean positivas.
Para ajustar estacionalmente (desestacionalizar) una serie tal como el Stock de dinero real del
sistema financiero por el método X11 (Historical) ejecutaríamos:
Figura 14.2
--,Q'.eñerate by Equation..
'" ~sample,.. · "·
~easona!Ad¡ustment ._
¡ ' f.1<ponential Siñoolhirig... '·
Hodrick·Prescott f tlfer...
.
hf- oviog- Average'M"etnods..,
... .
Y se mostrara una ventana de diálogo con el método que el Eviews va ejecutar y el nombre de
la serie a desestacionalizar:
116
r
.
' ...
Figura 14.3
El resultado final lo podremos visualizar en la ventana de diálogo del archivo de trabajo,

seleccionando la serie actual y la serie desestacionalizada:
Figura 14.4
1.. l_~l~l~Fl~Ulllll~-IQ-tll~l§li>fl
~ MéWl-P.roesl-oE¡eéGM :PriñífN~ ·É;em1trflñstoñr
r óbs - :01NERE' •i "'l>INERESA"l g~
~
·"
: 1985':01 - 1.406782 1.416684 ~-1
! 1985:02 - 1.360699 1.401903 .=I
! 1985:03 _ 1.379584 1.359435

'
1 ~-1985:04~ 1.337554 1.344428
"1985!05.: 1.254035 1.285311
1 ,198'5:06.- 1.140709 1.196042 i
¡ -1985:07: . 1.262252 1.207224 1

J 1985:08 1.507829 1.496136 ¡
1985!09 111 1.705677 1.735975
'
1985:to= 1.784876 1.804339 ,
1 ¡ 1985:11~ 1.897413 1.927749 ¡
,• 1985~12 . 2.089582
2.282912 1
1 ;198G:or . 2.257535 2.282286 .
1
19P6:02 2.263194 2.334252
t
1986:03
........ _. --
1986:04
2.612259
~~,....,n.,l""W"'">
..._
._
2.583332
....
..,,,.,.~~-.
mm
¡1 Donde se muestra ta serie original (DINERE) y la serie desestacionalizada (DINERESA). En
'·
formato .doc, aparecerá en otra ventana de diálogo, los algoritmos empleados para el cálculo
de los coeficientes de ajuste También podría ser útil hacer un gráfico para visualizar el
comportamiento temporal para las dos variables.
!'
117
\
..
'
.1 Econometría con Eviews Gustavo Trujillo Calagua
CAPITULO 15. Suavización exponencial.-
La suavización exponencial es un método de predicción basado en un modelo estadístico

simple. A diferencia de los modelos de regresión, no hace uso de información proveniente de
otra serie o conjuntos de series diferentes a la que esta siendo pronosticada. Para calcular una
predicción usando la suavización exponencial, primero cambie la muestra y el rango de manera
que el Eviews pueda ejecutar la suavización exponencial a la nueva muestra y rango del
horizonte de predicción. Haga clic en Procs/Exponential Smoothing:
Figura 15.1
r "' .lie'ler~ié'.by Equá~~--
1• 'Besá'mple:,,
.~eá~~l .Alp.J!tment ~
f.xponentral Srnoothiñg .. ,
Existen varios métodos de suavización exponencial que se muestran al ejecutar el comando

mostrado:
Single: apropiada para una serie que se mueve aleatoriamente arriba y debajo de una media
constante, no tiene tendencia y no tiene patrón estacional. Se mostrará un coeficiente de
amortiguamiento (Coef_Amort) en la salida del método, que deberá minimizar la suma al
cuadrado de los errores de predicción. Si el valor del Coef_Amort es muy grande, será señal de
que la serie esta cerca de un paseo aleatorio, en cuyo caso la mejor predicción da alto peso al
valor más reciente, y poco a poco a un promedio de mayor plazo.
Double: Apropiada si la serie tiene una tendencia. La serie extrapolada tiene una tasa de
crecimiento constante, igual al crecimiento de la serie suavizada al final del período de la
información.
Holt-Wlnters-No seasonal: Se predice con un modelo lineal explícito con efectos estacionales.
El método calcula estimadores recursivos del intercepto, el coeficiente de tendencia y los
efectos estacionales. Se mostraran dos parámetros de amortiguamiento.
Holt-Winters-Additlve: Si la serie tiene efectos estacionales, y las magnitudes de los efectos

no crecen con las series. En este caso existen tres parámetros de amortiguamiento.
118
..·, .
.
. ..
Holt-Wlnters-Multlpficatlve: Si la serie tiene efectos estacionales que crecen con las series.
Nuevamente existen tres parámetros de amortiguamiento.
Para ilustrar este tema trabajaremos con la serie Stock de dinero real que se muestra a
continuación:
Gráfica 15.1
3.2...-~~~~~~~~~~~~~~~~~--.
2.8
2.4
2.0
1.6
1.2
o.a
0.4
86 88 90 92 94 96 98 00
1-DINEREj
.-"
Se puede observar claramente que esta serie presenta tres comportamientos estacionales: un '
primer tramo creciente (concordante con las políticas monetarias expansivas ensayadas bajo la
experiencia heterodoxa del período 1985·1990), un segundo tramo decreciente (concordante
con la aplicación de políticas neoliberales del régimen 1990·2000) y finalmente un tercer tramo
recesivo (concordante con la etapa de recesión y enfriamiento que presenta la economía hasta
el tercer trimestre del año 2003). Aquí se podría aplicar el método Holt-Wfnters-No seasonal,
ya que la serie presenta las características propias para la aplicación de la metodología. Los
coeficientes de amortiguamiento son:
, Date: 0611J7/03 Time: 21 :13

l Sample: 1985:01 2001 :06
; lncluded observations: 198
, Method: Holt-Winters No Seasonal
Original Series: OINERE
1
· Forecast Series: DINERESM
1 Parameters: Alpha 0.9400

l Beta 0.1000
' Sum of Squared Residuals 2.878760
; Root Mean Squared Error 0.120579
¡========================================= .•
l End of Period Levels: Mean 0.037636
Trend -0.018961
i=========================================
L.~~.__....__...___.........~...............:.--........._............_-..:..-...;=-.:...___.........._.____,
Alpha =
0.9400 y Beta =
0.1000, se observa que estos parámetros minimizan la suma al
cuadrado de los errores de predicción. (RMSE 0.120579). =
119
..•
Econometría con Eviews Gustavo Trujillo Calagua '
y los valores pronosticados para la serie Stock de dinero real serán:
F~ura__1~.4_
l!fttl'9'!1P.i!to:W
~i---- ..'I
~~~..,...+----""~-._..;...:.~+-~~
,
t
120
..
\
•
CAPITULO 18. Vectores Autorregreslvos (VAR).-
La metodología VAR es, en cierta forma ,una respuesta a la imposición de restricciones a priori
que caracteriza a los modelos econométricos convencionales: en un sistema de ecuaciones
simultáneas se requiere imponer restricciones sobre tos parámetros de las mismas para ·
garantizar la identificación y posible estimación de las ecuaciones que lo conforman. Para ello,
además, es indispensable diferenciar entre las variables endógenas y las predeterminadas, es
decir, aquellas cuyos valores no son determinados por el modelo en el período actual. Estas
últimas pueden ser exógenas o endógenas rezagadas.
El VAR presenta alternativamente, un sistema de ecuaciones simultáneas en el que cada una

de las variables son explicadas por sus propios rezagos y los del resto de variables del sistema
de ecuaciones. Es decir no se admite restricciones a priori y todas las variables son
consideradas endógenas. La única información a priori que se incluye está referida al número
de rezagos de las variables explicativas que se Incorporan en cada ecuación. No obstante, en
términos operativos, una correcta especificación del sistema requiere que la determinación de
las variables a ser incluidas en él, se base en el conocimiento de un modelo teórico relevante.
Un VAR tiene en general la siguiente especificación:

p
(1) Yt= Li•I

I11Yt+1+J.lt
Donde Y1 é Yt.1 son vectores de orden m1 (mes el número de rezagos del sistema) y I]¡ es la
matriz (cuadrada de orden m) de coeficientes del rezago I de las variables explicativas eA las
m ecuaciones. De esta forma, se puede observar que deberán estimarse tantas matrices I11
como rezagos se Incluyan en el sistema. _..,
18.1 Especificación de un modelo de Vectores Autorregresivos (VAR).-
El modelo de Autorregresión Vectorial con dos rezagos para cada una de las 6 variables
endógenas e incluyendo la constante, considerando el sistema en términos lineales (el sistema
también puede escribirse en términos del operador de retardos L), a fin de tener una expresión
convergente para las variables endógenas en términos de las innovaciones ( ~1 • ~. ~. ~. l;s, y
l;s) para el ejemplo del sistema propuesto por Aghlevi & Khan seria:
Y, =A Y
11•1 + ......... +Ap Y1.p + ;,
1
Y11 =a· [(1-cx,,,,L)l;11 + a1nl~1+ ..... <Xr.nli;...J
Para el caso de nuestro modelo, con 4 variables endógenas: Y 1, Y 2 , Y3 , y Y4 , y 2 rezagos para

cada una de ellas, la primera ecuación sería:
t t
~ ? 2 ?
LNP,:a1+
)* I
¡l¡LNP,.¡+
] el
~¡LDEF,.¡+ L
J• I
4P¡LEPR1-l• t
j =I
+ ~11
18.2 Estimación de un modelo de Vectores Autorregresivos (VAR).-
Desde una perspectiva Bayesiana, el problema de estimación consiste en obtener una

estimación de los coeficientes partiendo de la distribución de los mismos y la nueva información
incorporada en el vector de observaciones de las variables endógenas. La estimación se
completa cuando se han procesado todas las observaciones muéstrales de acuerdo con las
ecuaciones de actualización, obviamente, llevar a término el proceso requiere especificar el •'
sistema VAR , así como la distribución que debe ser interpretada como condicional en la
historia premuestral. Un principio básico de esta metodología es evitar a priori exclusiones
injustificadas de variables; de otro lado, la introducción de coeficientes que dependen del
tiempo tiene como objetivo capturar posibles no linealidades en el vector estocástico modelado.
173
\ ~
Econometrla con Eviews Gustavo Trujillo Calagua "
Los coeficientes estimados de un VAR son difíciles de interpretar. Por causa de esto es muy
probable observar en la. función de impulso-respuesta y de descomposición de la varianza del
sistema, ciertas implicaciones acerca del VAR .
La estimación de un VAR en el Eviews implica la creación de un nuevo objeto mediante el

comando Objects/New object/Var:
FIGURA 18.1
...
,..Jype of ol:ijeet-.,.......-. Ñ~me fo! óbje~
IAghlevi
1
Equalion
• Graph
Group
Logl
MalriK·Veclor·Coef
Model
f
1
Pool
Sample
1 Series
Sspace
System
Table
Text
A continuación aparecerá una ventana de dialogo donde se nos preguntara. por la lista de
variables endógenas, exógenas y si el modelo incluye o no el intercepto: '
FIGURA 18.2
Aquí le hemos indicado al Eviews la especificación dinámica de nuestro modelo VAR

~f
considerando al logaritmo del nivel de precios, logaritmo de los gastos de gobierno, logaritmo
de los ingresos del tesoro público y al logaritmo de la emisión primaria como las variables
endógenas, con 2 rezagos para cada una de las series y que la estimación incluya al término
independiente. El output de la estimación será:
174
... ~
r!
Econometría con Eviews Gustavo Trujillo Calagua ,,

L
FIGURA 18.3
~llEVicws - [Var: AGHLEVI \rloikf1le: TESISI .. • . : ·~ ~~··:· ¡.-;,.·~'l l!!!I~~
Vector Autoregression Estimates

Date: 06/15J03 Time: 17:17
Standard errors in () & t-statistics in 11
LNP LG u LEP
LNP(-1) 1.378053 0.882524 0.963378 0.594784

(D.21737) (D.26829) (D.24981) (0.14103)
[ 6.33954] [ 3.28938] [ 3.85646] [ 4.217431
LNP(·2) -0.492675 -0.375805 -0.721178 -0.417159

(D.23021) (0.28414) (0.26456) (0.14936) .
1
[-2.14008) [-1.32260) [-2.72592) [-2.79298) ....
.El
. . ~
Se aprecia en el reporte el coeficiente de la propia variable rezagada tiene una media inicial ge 1, y todos
los demás tienen una media inicial de O, con la varianza de la variable a priori disminuyendo a medida que 1
aumenta la longitud del rezago, es decir, cada vez es mayor la certeza de que el coeficiente es cero. Con
la segunda ecuación, los valores infciales son similares. El coeficiente de la variable endógena tendrá un
valor inicial con media de 1. Para todos los demás coeficienles, dicho valor inicial será de O y los valores
iniciales de los coeficientes rezagados se concentrarás más en tomo a cero.
FIGURA 18.4
· ..=_y..!:g~~Aú"i"oreg_{!~i~h Estimate!, __ ·• __ .:_

!
R-squared 0.996117 0.992830 0.993487 0.997825El

Adj. R-squared 0.995508 0.991705 0.992466 0.997484
Sum sq. resids 6.532461 9.951410 8.627313 2.749692
S. E. equation 0.357893 0.441730 0.411294 0.232197
F-statistic 1635.401 882.7651 972.4587 2924.516
Log likelihood -18.60948 -31 .23740 -26.95397 7.349357
Akaike AlC 0.920316 1.341247 1.198466 0.055021
Schwarz SC 1.234468 1.655398 1.512617 0.369173
Mean dependent 3.747461 4.124527 4.024505 4.651625
S.D. dependent 5.339853 4.850219 4.738339 4.628878
Determinant Residual Covariance 6.10E-05

Log Likelihood (d.f. adjusted) -49.40689
!'
Akaike lnformation Criteria 2.846896
Schwarz Criteria 4.103503 .=.J
¡ :;"~ =~-
: : : : =·=·==__=__=___ =--;~-: =;-,_:!. =:1_.lf~·"'l!lii!.~JIEP~jL~..:~
==
_ __ ,.
175
...
Se observa un buen ajuste, representativo de la estructura especificada, poniendo de

manifiesto la estabilidad del sistema. Como el objetivo de la modelación VAR es el estudio de
las interacciones dinámicas de diferentes tipos de perturbaciones y controles fortuitos, y de
hecho, tos usos típicos de esta modelación reflejan esta motivación, se pasará al cómputo de
tas fünciones impulso-respuesta y de la descomposición de la varianza ,a fin de realizar
evaluación de políticas y el análisis del poder predictivo del sistema, tópicos que se describen
en las siguientes secciones.
18.3 Estimación de la función Impulso-Respuesta.-
Esta función es simplemente la representación de medias móviles asociada con el modelo

estimado y explica la respuesta del sistema a shocks en los componentes del vector de
perturbaciones . La función impulso-respuesta traza la respuesta de las variables endógenas
en el sistema ante un shock en los errores. Un cambio en ~' cambiaría inmediatamente el valor
de LNP, ello además cambiaría todos los valores futuros de las demás variables endógenas
debido a la estructura dinámica del sistema .
. La función impulso-respuesta , separa los determinantes de las varlables endógenas dentro de

los shocks o identifica innovaciones con varipbles específicas. Dicho de otra manera, traza el
efecto corriente y valores futuros de las variables 7ri{jógenas ante un "shock" de una desviación
estándar a las innovaciones (variables estocá~cas).
Técnicamente tos errores son ortogonalizados por una descomposición Choleski, así la matriz
de covarianza resultante es triangular inferior (los elementos por encima de la diagonal principal
son cero). La descomposición Choleski es extensamente usada, es un método un poco
arbitrario de atribución de efectos comunes. Cambiando el orden de las ecuaciones, se puede
cambiar dramáticamente las funciones impulso-respuesta, hay que tener cuidado con las
interpretaciones de estas funciones.
Para generar la función impulso-respuesta entre el logaritmo del nivel de precios y el logaritmo
de los gasto de gobierno central en el Eviews, tenemos que hacer clic en el icono Impulse de
la barra de herramientas de la estimación VAR y aparecerá la siguiente ventana de dialogo
donde le indicaremos al Eviews la selección del efecto que deseamos analizar:
176
..
El periodo de pronóstico elegido para visualizar y analizar como responde el logaritmo del
gasto de gobierno ante un shock aleatorio del logaritmo del nivel de precios, es de 1o períodos:
GRAFICO 18.1
Cl fila .Edit .Qbieéts ~iew fracs ,{luick 0.12tions W"mdow .lfelp

~p;~füilrecisL Pri~rf ÑaffiefF;ezel ~Esttmatel Statsflmpuis;lf:¡~fia;I
Response ofLO to Chores~
One S.D. LNP lnnovatlon
.·.·
,,,,,------· ...................... .
,"'' -. . .. -...
..............
................. ...........
2 3 4 5 6 7 8 9 10
Un shock aleatorio en el nivel de precios tiene un impacto positivo sobre los gastos del
gobierno en los tres primeros períodos, para después tener un efecto decreciente a partir del 4º
período para luego ir acentuándose en su senda convergente. El gasto fiscal por su parte no
tiene efectos inflacionarios importantes, dado que éste ya no esta financiado por emisión
primaria. Finalmente, la evolución del gasto no parece tener mayor impacto sobre la inflación.
18.4 Estimación de la descomposición de la varianza del error de predicción.-
La descomposición de la varianza de un VAR brinda información acerca de la potencia relativa

de innovaciones aleatorias para cada variable endógena. Este ejercicio consiste en
descomponer la varianza de las variables endógenas en componentes que permitan aislar el
porcentaje de variabilidad de una variable endógena explicada por una de las innovaciones
para distintos horizontes predictivos. Tal descomposición se obtiene luego de ~ottogonalizar' el
vector de perturbaciones ,que consiste en distribuir la responsabilidad de las correlaciones
reflejadas en la matriz de covarianza entre los distintos componentes del vector de
perturbaciones. La intención al hacer explícita esta conexión entre el modelo originalmente
estimado y el obtenido, es clarificar que el modelo obtenido una vez realizada la
ortogonalización, no es una forma reducida, sino una forma estructural; y que por tanto, el
proceso de ortogonalización es de hecho una forma de identificación.
Este proceso se lleva a cabo en el Eviews mediante la opción Varlance decomposltlon de la

barra de herramientas de la estimación VAR : .•
•'
177
.."
..
1
Seguidamente aparecerá una ventana de dialogo donde le indicaremos al Eviews por nuestra
opción deseada:
FIGURA 18.7
Con esto le estamos indicando al Eviews que nos muestre la descomposición de la varianza del
logaritmo del nivel de precios sobre las variables: logaritmo del nivel de precios, logaritmo de
los gastos de gobierno, logaritmo de los ingresos del tesoro público y logaritmo de la emisión
primaria. Así mismo, el método elegido es el de la descomposición de Cholesky:
178
.. .
\
• ?
~\,u11ometr1a con Evtews Gustavo Trujillo Calagua
FIGURA 18.8
~• l V1cw1 . (Vm AGlfl f.V l Wo1kl1h: Tl S IS) i "·' . M~EJ
Period S.E. LNP LG u LEP
1 0 .357893 100.0000 0 .000000 o 000000 0000000

2 0 .645603 97.56744 2 .302615 0.129624 0.000324
3 0 .912194 96.36821 3 .301809 0 .282444 0.047535
4 1.150706 95.82210 3 .712795 0 .395577 0069532
5 1.359677 95.51323 3 913261 0 .488569 0 .084943
6 1.541441 95.34468 4 .000424 0 .559196 0.095696
7 1.699446 95 24852 4.034816 0 .613374 0 .103293
8 1.837131 95 19033 4 .045282 0 .655331 0 .109054
9 1.957616 95.15291 4 045195 0 .688261 0.113636
10 2.063574 95 12702 4 041069 o 714498 o 117412
Cholesky Ordering LNP LG LI LEP
o P~ ::O~.........
f·-- \imi:toCumetiC
- .....- .... -·--_«!!"l!loB
.. _ ...E! ·-~llWF-"t""·
•!!._C!!"le -
. t. .. ~- ~-
La descomposición de la varianza para LNP nos muestra la columna denominada S.E

(desviación estándar) que indica el error de predicción de LNP de diferente duración en el
futuro.
El cuadro indica que un período adelante el error de predicción es de 0.357893, en un segundo

período adelante el error de predicción es de 0.645603 y así sucesivamente. La fuente de este
error de predicción es la variación de los errores corrientes y futuros de las innovaciones. Las
columnas restantes dan el porcentaje de la variación debido a innovaciones específicas. Un ,
período adelante toda la variación en LNP es debido a innovaciones en LNP. Dos períodos
adelante, el 97.56744% de la variación en LNP es debido a innovaciones de LNP, el
2.302615% es debido a innovaciones en LG, el 0.129624% es debido a innovaciones en U y el
0.000324% es debido a innovaciones en LEP.
La descomposición de la varianza depende críticamente del orden de las ecuaciones. En el

segundo período de pronóstico para el logaritmo de los gastos del gobierno central, el error de
predicción es de 2.302615, incrementándose a medida que aumenta el horizonte temporal. La
fuente de variación de este error de predicción es la variación en los errores corrientes y futuros
de las innovaciones (parte no determinística).
Obsérvese que todos los efectos presentados para las funciones impulso-respuesta y
descomposición de la varianza son muy persistentes y significativos, como muestran las
desviaciones típicas que los acompañan. Estas desviaciones fueron calculadas mediante un
ejercicio de Montecarlo (bajo el supuesto que los errores tienen una distribución normal)
utilizando la distribución a posteriori del operador autorregresivo. El método de Montecarlo es la
única vra practicable para este cálculo dada la relación no lineal que existe entre las
representaciones autorregresiva y de medias móviles.
18.5 Test de causalidad de GRANGER.~
La correlación no implica necesariamente causalidad en un sentido significativo, más aún en

modelos VAR. En economra las variables están correlacionadas fuertemente o
intrascendentalmente. Los Economistas discuten las correlaciones que son evidentemente sin
sentido. ¿Et stock de dinero real causa al ingreso real? O ¿El ingreso real causa al stock de
dinero real?
Con esta finalidad Granger elaboro un test para analizar si X causa a Y o si Y causa a X. La
técnica de Granger a la pregunta si X causa a Y, es para ver cuanto del actual Y puede ser
••
explicado por los valores pasados de Y, y luego para ver si agregando valores residuales de X
puede mejorar la explicación de Y. Se dice que Y es causado en el sentido de Granger por X, si
179
,
X ayuda a la predicción de Y, o dicho de otra manera, si los coeficientes residuales de X son
estadísticamente significativos.
Para probar la hipótesis, se aplica la prueba F dada por:
F =[(SRCR - SRCNR ) I m JI SRCNR I (n - k )
Que sigue una distribución F con m y ( n - k ) grados de libertad, donde m es igual al número
de rezagos y k es el número de parámetros estimados en la ecuación no restringida. Si el valor
F calculado excede al valor F crítico al nivel seleccionado de confianza, se rechaza la hipótesis
nula, en cuyo caso los términos rezagados de M pertenecen a la regresión. En una relación tal
como Y= f ( X ), si rechazamos la hipótesis nula se infiere que Y causa a X.
Para ilustrar el tema, consideremos dos series: el stock de dinero real de la economía
(DINERE) y el nivel de ingreso real { PBIRE} y planeamos la relación DIN ERE = f ( PBIRE ).
Queremos saber hacia donde va la dirección de las series: ¿es el PBIRE quien causa a
DINERE, o ¿es OINERE quien causa al PBIRE? Los pasos comprendidos para la
implementación de la prueba de Granger son los siguientes:
g rdnger Ca :.i~a ~ :y Test

·-------~
Luego se nos preguntara por el nombre de as series a evaluar:
FIGURA 18.10
Senes L1st -- ··· · ~
Ingresada las series, nos pedirá por el número de rezagos a incluir en la prueba. El número de
rezagos para este ensayo será dos (2):
180
•.
..
/
/
'•
FIGURA 18.11
Seguidamente aparecerá un reporte con la salida de la prueba de Granger:
j
' Pairwise Granger Causality Tests
Date: 06/1011)3 Time: 16;08
Sample: 1985:01 2001 :06
Lags: 2
Null Hypothesis: Obs F-Statistic Probability
PBIRE does not Granger Cause D)NERE 196 1.36796 0.25711

DINERE does not Granger Cause PBIRE 0.61152 0.54359
.·
Se observa para ambos casos que la prueba que no ha rechazado la hipótesis nula, lo cual
parece un resultado extraño, ya que se espera que PBIRE cause a DINERE, tal como lo
postula la teoría Keynesiana de la Demanda de dinero. Veamos el resultado luego de la
incorporación de 12 rezagos:
FIGURA 18.13
B e- D
_1 Pairwise Granger Causality Tests
2 Date: 06/1011)3 Time: 16:33
3-. Sample: 1985:01 2001 :06
Lags: 12
Nufl Hypothesis: Obs F-Statistic Probability
,___..;;....;........;.¡ PBIRE does not Granger Cause DINERE 186... 1.36796 0.25711
,,...._...__--1 DINERE does not Granger Cause PBIRE 4.61152 0.00436 ~
.±1:.:
.~ --= é:\misdoéimere~I@
.* . !L !Jffaíh ~- • - - ·-· - -· = nooe llW!:
~~
. ,_=·iesis-ÍnáeitiW'
.- ----~~
181
..
' ~
Econometría con Eviews Gustavo Trujillo Calagua .,

l
Nótese que la debilidad de esta prueba, es que es demasiado sensible a la elección del
número de rezago, además, observe que otra debilidad de esta prueba es que una tercera
variable Z podrfa estar causando Y pero podrla también estar correlacionada
contemporáneamente con X. Una forma de ocuparse de esta posibilidad es ejecutar
regresiones en las que los valores rezagados de Z también aparezcan en el lado derecho de la
prueba. Hay otra prueba de causalidad, conocida como la Causalidad e Sims, que evita estas
restricciones, pero que no esta disponible como comando interno del Eviews.
..
-·
<'
182
..
CAPITULO 19. Modelos Dinámicos.·
La incorporación de efectos diferidos en el tiempo en un modelo econométrico se realiza

mediante la utilización de variables retardadas, pudiendo distinguirse dos tipos de modelos que
requieren un tratamiento econométrico diferente:
Los modelos autorregresivos, en los que la permanencia del efecto se recoge mediante la
incorporación, como variable exógena, de la variable endógena rezagada en algún período:
Ye = Po+ 13,·x,, + ..•••...••••.•+(3k·xkl +f3k+1 ·Y,., + e.
Los modelos de retardos distribuidos, en los que las variables exógenas son las que ejercen un
efecto prolongado en el tiempo sobre la variable endógena. De esta manera, si consideramos
un modelo con una sola variable exógena, podríamos tener la siguiente especificación:
19.1 Modelos Autorregreslvos.-
Estos modelos suponen una violación en uno de los supuestos clásicos de los MCO: los
regresares no son aleatorios, ya que ta variable endógena retardada depende de la
perturbación aleatoria y, por tanto, tiene un carácter estocástico. Los resultados de una
estimación MCO de un modelo de retardos distribuidos están condicionados al tipo de
dependencia que exista entre los · regresares estocásticos y las perturbaciones. Pueden
generarse tres situaciones: .•
a Independencia: en esta situación se mantienen todas las propiedades de los

.¡ estimadores MCO.
a Dependencia parcial: el regresar estocástico sólo depende de la perturbación aleatoria

'1 en períodos de tiempo pasados, no habiendo dependencia en los períodos presente y
futuro. La estimación MCO se sigue utilizando, pues los estimadores aun mantienen las
propiedades de consistencia.
a Dependencia total: el regresar estocástico depende de la perturbación en todos los

períodos, pasados, presente y futuro. En esta situación los estimadores MCO pierden
sus propiedades, lo que hace necesario la búsqueda de un método de estimación
alternativo que garantice las propiedades asintóticas. Este método es el de las
variables instrumentales (VI).
19.1.1 El método de las variables Instrumentales (VI).
La estimación utilizando (VI) parte de la definición de una matriz Z de instrumentos que

sustituyan a la matriz X de regresares del modelo. Las variables que componen la matriz Z
tiene que cumplir dos requisitos: han de estar fuertemente correlacionadas con la variable que
instrumentan o sustituyen; y tienen que estar incorrelacionadas con la perturbación. La forma
más común de instrumentar las variables en un modelo autorregresivo, consiste en sustituir los
regresores exógenos por ellos mismos, ya que cumplen exactamente los supuestos exigidos, y
la variable endógena retardada sustituirla por otra variable exógena con la que presente mayor
correlación, considerando su retardo en el mismo número de períodos.
El análisis de la autocorrelación se efectúa utilizando el estadfstico h de Durbin o la prueba LM

del tipo Multiplicador de Lagrange. Para llevar a cabo la estimación por el método de las
variables instrumentales (VI), especificamos la siguiente ecuación:
NP1 = f [ PBl1 , TC1, EPA,.1 , EP,, NP1-1 ]
183
l '
~

.,1
Donde:
NP : Nivel de precios internos ( medido por el IPC 90).

EP : Emisión primaria (registrada por el BCRP)
PBI : Nivel de ingreso real. (Medido por el PBI real).
TC : Tipo de cambio en el mercado paralelo.
EPA : Emisión primaria real.
El primer paso es analizar el grado de correlación existente entre la variable endógena

retardada y las variables exógenas retardadas en el mismo número de períodos:
1.000000 0.442354 0.999051 ....

0.442354 1.000000 0.435924
0.999051 0.435924 1.000000
0.997417 0.477594 0.996570
-0.893484 -0.167769 -0. 892007
"'":--·1_
.·
Se observa que la serie LTC(-1 ) es la variable exógena que más correlación presenta con la
variable LNP(•1), por lo que será utilizada como regresar instrumental en la estimación MCO. El
procedimiento econométrico es:
Figura 19.2
[ quallon Specification ' · - · . . ~
. - .
r. ~quatiOf!sPOclficaoo~_,,,:--~,.........._----:-~-===~-...,.---:<:=:---:::::-:=.::"==i
Qeperideñl ariab1e fohowéH by lí$l of regr~Ols incltdng ARMA
añ'a PDL le1rqs, DA an elcpficit ·equali6n like Y":=c[1 }té[2]~
Jnp e Jpbi kc lep Jepr(-1) Jnp(·l]
ESlination~eUi9g..--·--------.-----........----.~.-::-r:~~,,....,.~
,Meítioi:I: JTSLS · Two·Stage least Squares (TSNLS andAAMAl:]
. !ample: J1 sas:1 2ooó:::t ~ .. , ...
.. ~- -
La opción para que se muestre esta ventana, es haciendo click en Estimatlon
settlngs/Method!TSLS.
184
..·, -
..
. .,'
El resultado de ta estimación por mínimos cuadrados ordinarios será:
Variable Coefficient Std Error t-Statistic Prob.
e 4.715984 0.517417 9.114468 0.0000

LPBI -0.029438 0.036567 -0.805047 0.4243
LTC 0.532098 0.083402 6.379947 0.0000
LEP 0.561451 0.146582 3.830276 0.0003
LEPR(-1) -0.421365 0.115245 -3.656271 0.0006
LNP(-1) 0.000793 0.091898 0.008633 0.9931
t
-squared
djusted R-squared
0.999164
0.999088
Mean dependent var
S.D. dependen! var
3.578877
5.456415 ..
.E. of regression 0.164760 Sum squared resid 1.493026
-statistic 13150.07 Durbin-Watson stat 2.047659
0.000000
. ~
______ .Jl~J!i.=..c:\misAocum~~~ 1(@..[::]2r1~ll~ ~ ~~-~-
Sometiendo a la ecuación estimada al contraste LM para analizar la autocorretación,

obtenemos:
~,,R EViews - [Equation: UNTITLED \llmklíle: TESIS} -, . · · 1 -;.' 8~13

2d fffe · .E,cfit .Qbjecls Y.e~ frocs .Q.uic~ OglionsWil'ldoW .l:ielp :.1&1~
~rProcsl Ob¡ectsl Prln~I i'lamel"Freeze( Eitimalel FOfecastlsliifA""e-;rJsl
j Breusch-Godfrey Serial Correlation LM Test:
1===================::z:i:===========================
1
Obs"'R-squared 0.283646 Probability 0.594321
1
I@
Por lo que concluimos que la ecuación estimada no presenta un proceso autorregresivo de >.
primer orden, o dicho de otra forma, si existiese autocorrelación, su presencia no es '
significativa en el modelo estimado.
185
19.2 Modelos con retardos distribuidos finitos.
En este tipo de modelos, las variables exógenas ejercen un efecto prolongado en el tiempo
sobre la variable endógena. La especificación mas comúnmente utilizada es:
Y,= f3o + 13,·x, + fh*X,., +.... .........+ f3r.c*X•·M +E,

M
Y,= a+ L f3M*X1.M + E1
l• O
Donde M indica el número de períodos en los que se mantiene el efecto (longitud del retardo).
Muchas veces la incorporación del orden M en una ecuación origina dos efec~os:
multicolinealidad lógica y pérdida de grados de libertad. La manera de tratar de solucionar
estos problemas consiste en analizar la longitud del retardo y el grado polinómico de la
ecuación.
19.2.1 Longitud del retardo.-

-
Desde un punto de vista econométrico, se convierte en un rxoblema de selección de modelos.
Esta selección puede llevarse a cabo comparando el R2 ajustado de cada regresión y/o
utilizando algún criterio de información como el de Akaike o el de Schwarz. Analicemos el
siguiente modelo que analiza la dinámica entre la Emisión Primaria (LEP) y el Déficit Fiscal
(LDEF):
LEP1 = a+ f3*LDEF1 + E
El resultado para cada uno de los modelos estimados se muestran en la tabla adjunta, donde
=
(M) es el número de retardos, ( T* T - M ) es el total de observaciones, (AIC) e~ el criterio de
información de Akaike, y (SBC) es el criterio bayesiano de Schwarz: r
.
FI1gura 19 5
M p Coef. de determinación ajustado AIC SBC
o 62 0.9126160 3.606649 3.675267
1 61 0.9398290 3.196863 3.300677
2 60 0.9486730 2.997299 3.136922
3 59 0.9549990 2.832821 3.008884
4 58 0.9599160 2.685273 2.898422
5 57 0.9660460 2.485962 2.736863
6 56 0.9665800 2.430496 2.719832
7 55 0.9682240 2.333230 2.661703
8 54 0.9688100 2.259127 2.627457
9 53 0.9666730 2.258648 2 .667577
10 52 0.9629360 2.287419 2.737706
Los resultados de la tabla nos lleva a seleccionar el modelo que incluye ocho retardos en la
variable Déficit Fiscal, ya que presenta el mayor coeficiente de determinación ajustado y los
menores valores para los coeficientes AIC y SBS. El resultado de la estimación completa se
muestra a continuación:
186
.
' tl
Econometría con Evlews Gustavo Trujillo Calagua
Figura 19.6
Dependent Variable: LEP
Date: 06/21/03 Time: 19:29
e 3.077475 0.158620 19.40159 0.0000
LDEF 0.281343 0.078728 3.573610 0.0009
LDEFH) 0.177421 0.090447 1.961608 0.0562
LDEF(-2) 0.055265 0.089760 0.615698 0.5413
LDEF(-3) 0.133876 0.079920 1.675126 0.1010
LDEF(-4) 0.062880 0.075666 0.831014 0.4105
LDEF(-5) 0.062423 0.076613 0.814783 0.4196
LDEF(-6) -0.056896 0.089327 -0.636942 0.5275
LDEF(-7) 0.054453 0.091252 0.596736 0.5537
LOEF(-8) 0.181083 0.075754 2.390399 0.0212
f
19.2.2 Grado del Polinomio.- .·

Una vez obtenido el grado adecuado para el número de retardos n~cesitamos escoger el grado
correcto para el polinomio de Almon. Al igual que antes es una cuestión empírica que se
convierte en un problema de selección de modelos.
Se parte de que si la longitud del retardo es M. y elegimos un polinomio de grado m=M, no

imponemos ninguna restricción sobre los coeficientes del modelo original y los mismos
encajarían en un polinomio de ese grado, pero si reducimos el grado del polinomio
introducimos restricciones.
Concretamente se aconseja partir de un polinomio elevado (por ejemplo m=M) y contrastar si

podemos eliminar la última variable transformada, es decir, si podemos imponer un polinomio
de grado menor. Si la variable puede ser eliminada se reestima el modelo con un grado menor
en el polinomio (m=M-1) y se contrasta de nuevo si sa puede eliminar la última variable
transformada. El procedimiento continúa hasta que la última variable transfarmada del
polinomio no pueda ser eliminada.
Para empezar el procedimiento de 'búsqueda" del grado de polinomio, partimos de una

especificación de grado ocho. Entramos en el cuadro de especificación de la ecuación
mediante Procs/Speclfy/Estlmate de su barra de herramientas. El cuadro de dialogo
escribimos LEP c PDL (LDEF,8,8). Pulsamos OK y los resultados son los que se muestran en
la tabla adjunta:
.•
187.
'.
Figura 19.7
Oependent Variable: LEP

Date: 06121103 Time: 19:49
Variable CoeffiCient Std. Error t-Statistic Prob.
e 3.on475 0.158620 19.40159 0.0000

PDL01 0.062880 0.075666 0.831014 0.4105
PDL02 -0.039056 0.108757 -0.359111 0.7212
PDL03 0.070218 0.139294 0.504097 0.6167
PDL04 0.003549 0.058310 0.000858 0.9517
POLOS -0.040215 0.051981 -0.773657 0.4433
POLOS -0.000226 0.008256 -0.027316 0.9783
POLO? 0.005467 0.006038 0.905362 0.3702
POLOS 6.71 E-06 0.000317 0.021140 0.9832
POL09 -0.000199 0.000207 ·0.963605 0.3405

Adjusted R-squared 0.968810 S.O. dependent var 3.902668
S.E. of regression 0.689242 Akaike info criteríon 2.259127
Sum squared resid 20.90238 Schwarz criterion 2.627457 <
Lag Oistribution of LDEF Coefticient Std. Error T-Statistic
o 0.28134 0.07873 3.57361

1 0.17742 0.09045 1.96161
2 0.05526 0.08976 0.61570
3 0.13388 0.07992 1.67513
4 0.06288 0.07567 0.83101
5 0.06242 0.07661 0.81478
6 -0.05690 0.08933 -0.63694
7 0.05445 0.09125 0.59674
8 0.16108 0.07575 2.39040
Sum of Lags 0.95185 0.02743 34.6994
La estimación del modelo con un polinomio de grado 8 se muestra en el reporte, lo relevante

es analizar la significancia del último coeficiente transformado y ver si este puede ser eliminado
de la ecuación. Nuevamente si la variable puede ser eliminada se reestima el modelo con un
grado menor del polinomio (m=M-1 ). Una cuestión importante a tener en cuenta a la hora de
testear la significancia de cada coeficiente transformado es que el nivel de significación en ·
cada paso no es el mismo, a excepción del primero. El nivel de significación del primer
contraste es del 5%, el del segundo 9.75%, el del tercero 14.26% y así sucesivamente. Se
observa que el coeficiente de este modelo con grado 8 debe ser eliminado, el proceso sigue asr
recursivamente hasta llegar a un PGD (proceso generador de datos) parsimonioso. Este PGD ,..
fue de orden 2, por lo que el grado polinómico correcto debe ser 2: LEP c PDL(LDEF,8,2).
18.8
.,
1
Figura 19.8
Oependent Variable: LEP
Date: 00121/03 Time: 20:29
lncluded observations: 54 alter adjusting endpoints
e 3.079138 0.152439 20.19917 0.0000

PDt.01 0.048855 0.025003 1 953988 0.0563
PDLD2 ·0.017762 0.005003 ·3.550185 0.0008
POl.03 0.008482 0.003777 2.245814 0.0292

Durbin-Watson stat 0.272909 Prob(F·statistic) 0.000000
lag Distribution of LDEF Coefficient Std. Error T·Statistic
o 0.25561 0.04307 5.93501 '

1 0.17848 0.01975 9.03864
2 0.11831 0.01490 7.94192
3 0.07510 0.02185 3.43718
4 0.04885 0.02500 1.95399
5 0.03957 0.02182 1.81331
6 0.04726 0.01358 3.48003
7 0.07191 0.01566 4.59150
8 0.11352 0.03869 2.93396
Sum of Lags 0.94861 0.02633 36.0243
En este último modelo claramente se rechaza la hipótesis de que la última variable

transformada resulte no significativa individualmente y, por ello. este es el grado del polinomio
seleccionado.
En cada una de las etapas el estadístico de Durbin&Watson ha mostrado presencia de

autocorrelación, por ello se ha decidido incorporar en el polimonio un esquema autorregresivo
de primer orden AR(1) en la especificación del modelo: Procs/Specify/Estimate de su barra de
herramientas. El cuadro de dialogo escribimos LEP e PDL(LOEF,8,2) AR(1 ). Pulsamos OK y
los resultados son los que se muestran en la tabla adjunta:
1
1 1
l 1
1 189
..
e
Figura 19.9
Dependent Variable: LEP
Date: 06f21Al3 Time: 20:37
Convergence achieved after 7 iterations
e 6.143190 1.315648 4.669327 0.0000

PDL.01 0.048917 0.020119 2.431350 0.0188
PDl.02 -0.012388 0.004296 -2.883518 0.0059
PDL.03 0.001241 0.001687 0.735635 0.4655
AR(1) 0.947387 0.017998 52.63814 0.0000

Log likelihood 1.826701 F-statistic 3005.970 f

..
lnverted AR Roots .95
Lag Distribution of LDEF i Coefficient Std. Error T-Statistic
o 0.11832 0.02481 4.76840

1 0.09725 0.01839 5.28930
2 0.07866 0.01774 4.43294
3 0.06255 0.01929 3.24168
4 0.04892 0.02012 2.43135
5 0.03777 0.01937 1.95010
6 0.02910 0.01773 1.64159
7 0.02292 0.01794 1.27786
'•
8 0.01922 0.02377 0.80861
Sum of Lags 0.51471 0.12142 4.23910
Los resultados de esta última especificación muestran que en el periodo corriente el efecto del
déficit fiscal sobre la emisión primaria es positivo y muy significativo (0.11832). El efecto total
(Sum of lags) del déficit fiscal sobre la emisión primaria es de 0.51471. Los resultados
muestran que el déficit fiscal estimula significativamente la emisión primaria los 4 primeros ·
períodos, para luego tener un efecto que se disipa conforme aumenta el retardo.
190
Econometría con Eviews Gustavo Trujillo Calagua " !;;
19.3 Modelos con retardos distribuidos Infinitos.-
Estos modelos postulan que el efecto de la variable exógena sobre la endógena nunca se
agota, y por ello se extiende durante infinitos períodos .
..
Y1= a+¿ Pi*X1.1+E1
i =O
El esquema más utilizado es el modelo de Koyck, en el que se asume que los parámetros
decaen de manera geométrica o, dicho de otro modo, que el efecto de la variable exógena
dacae exponencialmente a medida que nos alejamos en el tiempo.
,O<A < 1
El modelo transfarmado con la incorporación de este esquema resulta ser:

..
Y1= a+p¿ A.i·x1.1+E1
i=O
Y operando se puede escribir como:
Que no es más que un modelo autorregresivo. Si se admite que la perturbación aleatoria

cumple con las hipótesis clásicas, la perturbación sigue un proceso MA(1) y, por tanto,
estaríamos en un caso de dependencia total entre el regresar estocástico y la perturbación. La
estimación en este caso debería realizarse aplicando el método de variables instrumentales. '
Partimos de un modelo que analiza la relación déficit fiscal-producto bruto interno,.·para tratar '
de explicar este tópico: LDEF1 = f (LPBl1o LDEF1• 1) , los resultados de la estimación se muestran
en la tabla adjunta:
Figura 19.1 O
Dependent Variable: LDEF
Date: 06/22/03 Time: 12:42
Sample(adjusted)¡ 1988:2 2003:2
e 0.423001 0.249667 1.694579 0.0955
LPBI -0.010560 0.281601 -0.037499 0.9702
LDEFH) 0.910664 0.046062 19.77051 0.0000
Breusch-Godfrey Serial Correlation LM Test:

F-statistic 26.30470 Probability 0.000004
Obs*A-sguared 19.26166 Probability 0.000011
Se detecta ta presencia de autocorrelación en el modelo, lo que nos lleva a plantear la

existencia de un esquema autorregresivo del tipo AR(1 ) . La dependencia total entre la variable
endógena retardada y la perturbación hace que los estimadores MCO no sean consistentes,
siendo necesario obtener estimadores por el método de variables instrumentales.
191
Econometrfa con Eviews Gustavo Trujillo Calagu~
Figura 19.11
Method: Two-Stage Least Squares
Date: 06/22/03 Time: 12:49
lnstrument list: LPBI LPBI( -1)
Variable Coefficient Std. Error t-Statistlc Prob.
e 2.598502 32.91567 0.078944 0.9373
LPBI 7.116461 107.6360 0.066116 0.9475
LDEF(-1) -2.074258 45.07025 -0.046023 0.9635
R-squared -7.210283 Mean dependent var 2.049649
Adjusted R-squared -7.493396 S.D.dependentvar 5.025121
S.E. of regression 14.64493 Sum squared resid 12439.49
F-statistic 0.475629 Durbin-Watson stat 0.086992
Prob (F-statistic) 0.623897

Obs*R-sguared 53.01982 Probability 0.000000
La presencia de autocorrelación en este modelo hace que los estimadores por variables
instrumentales conserven la consistencia, pero son ineficientes. De hecho si incorporarfamos
información sobre la estructura de la autocorrelación podría alcanzarse la eficiencia. t
Una cuestión importante para lograr este procedimiento es la elección de los instrumentos. ,Se
requiere introducir las variables exógenas, los instrumentos seleccionados para las variables
endógenas que actúan como explicativas y los retardos de todas las variables del modelo,
incluida la variable endógena.
Así por ejemplo, en nuestro modelo si incorporamos un esquema AR(1) para las perturbaciones
del modelo, los instrumentos utilizados deberfan ser LPBI, LPBl(-1), LDEF(-1) y LEDF(-2):
Figura 19.12
Method: Two-Stage least Squares
Date: 06/22/03 Time: 12:58
lnstrument list: LPBI LPBl(-1) LDEF(-1) LDEF(-2)
e o.406832 0.136406 2.982501 0.0042
LPBI -0.115220 0.156485 -0.736299 0.4646
LDEF(-1) 0.951517 0.026175 36.35189 0.0000
AR(1) -0.564560 0.110723 -5.098834 0.0000
Adjusted R-squared 0.911274 S.D.dependentvar 4.831445
S.E. of regression 1.439141 Sum squared resid 115.9831
F-statistic 202.9887 Durbin-Watson stat 2.098023
Prob(F-statistic) 0.000000 .>t
r
lnverted AR Roots -.56

Obs*R-sguared 0.469732 Probability 0.493111
192
'.
..,,.
;
-
t:conometrfa con Eviews Gustavo Trujillo Calagua
El modelo finalmente estimado permite concluir que el efecto a corto plazo del producto bruto
interno sobre el déficit fiscal .es igual a -0.115220. Esto significa que si aumenta el PBI en 1%
un período, el déficit fiscal se reduce en 0.115220%.
Asf mismo, esa unidad adicional en el PBI genera efectos sobre los períodos siguientes, de
modo que a largo plazo el efecto del PBI sobre el déficit fiscal es de -2.38. La obtención de este
efecto de largo plazo ha sido: [-0.115220/(1 -0.951517)].
De este modo el modelo con retardos infinitos seria:
..
v, =a+ /32:_ 1..! ·x,.,+e,
l• O
..
..
I' LDEF, =0.406832 + L (-0.115220*0.951517;*LPBl 1•1}
i•O
JI
,,11
,.. =
LDEF, 0.406832- 0.115220*LPBI, - 0.109634*LPBl1• 1 - 0.104319*LPEU,.2 - 0.099261*LPBl 1•3
- 0.094448*LPB1i-4 - 0.089869*LPBl 1.s • .... .... ... ... .............. .
11
r¡
En este modelo· el efecto a corto plazo del PBI se cifra en -0.115220 y el efecto a largo plazo
será la suma de los infinitos retardos que pueden calcularse como la suma de los infinitos
lt términos de una progresión geométrica de razón de 0.951517 y primer elemento -0.11?220.
=
Así pues, el efecto de largo plazo será igual a: [-0.115220 I ( 1 - 0.951517) J -2.38.
.
Aquí el valor de }.. es igual a 0.951517 (que es el coeficiente de la variable endógená
retardada), se conoce como tasa de descenso, o de caída del rezago distribuido. Mientras 'A se
encuentre más cerca de 1, más lenta será la tasa de descenso en pk. mientras que, entre más
cerca esté de cero, más rápido será el descenso en f3ic. En el primer caso, los valores del
pasado distante de X1 ejercerán un impacto considerable en Y., mientras que ~n el último caso,
su influencia sobre Y, desaparecerá rápidamente. Y 1· 'A que es igual a 0.0"8483 se conoce
como la velocidad de ajuste. Si "A es igual a 1, el dato corriente es ignorado y las expectativas
no son revisadas nunca. Un valor de }.. igual a cero caracteriza un estricto pragmatismo.
Sí las variables vienen expresadas en logaritmos, la elasticidad de corto plazo es j3( 1 - "A ) y la
elasticidad de largo plazo es j3.
i
¡t
!f.
1f
r
1
11
:¡
1¡
¡,.
1~
¡1
1
11
1,
'
1
1
j:
1 1
1 1
193
, Econometría con Eviews Gustavo Trujillo Calagua
CAPITULO 21. Estimación ARCH, GARCH, TARCH y ~GARCH.
Los modelos ARCH están diseñados para modelar y predecir la varianza de una variable
endógena. Existen varias razones para inferir sobre los valores futuros de la volatilidad de
alguna variable. En primer lugar se puede necesitar tratar con la volatilidad para comprender el
grado de riesgo o incertidumbre de mantener un activo financiero o el valor de una opción. En
segundo lugar, predecir intervalos de confianza para obtener intervalos más exactos de la
varianza del error. En tercer lugar se puede obtener estimadores más eficientes si la
heterocedasticidad de los errores es manejada debidamente.
Al usar modelos ARCH, estamos reconociendo que existen dos problemas de especificación:
una para la media y otro para la varianza. ARCH reemplaza la heterocedasticidad condicional
autoregresiva y GARCH es la versión generalizada de AACH. El modelo más simple y
ampliamente usado es el GARCH ( 1, 1 ) que será descrit«? en detalle más adelante.
·21.1 EL Modelo GARCH ( 1, 1 ).·
Un modelo GARCH(1 ,1) especifica que la varianza depende solamente de los valores pasados
de la variable endógena y que esta relación tiene tres términos simples. Los residuos están
definidos por:
2
CJ 1 = tiJ + Ct€2M + (.lpCJ2M ( 1)
Yt =X11t +Et
La varianza presente depende de tres factores: una constante (m ) , las expectativas
rezagadas un periodo acerca de la volatilidad la cual es tomada como el cuadrado de la
2
variable residual del período anterior (aE 1.1 . término ARCH) y la varianza de la predic;lón del
periodo anterior <l3a21.1 término GAACH ). El par ( 1, 1 ) de un GARCH representa a un térmÍflo
ARCH y un término GAROH.
Esta especificación tiene sentido cuando es aplicado a esquemas financieros y/o bursátiles,
donde un inversionistas predice la varianza presente formando un promedio ponderado de un
promedio de largo plazo o varianza constante, la predicción pasada Y1 fue conocido ayer. Si el
retorno del activo fue significativo, el inversionista aumentará el estimador de la varianza para
el siguiente período. La expresión generalizada para la varianza es:
a21 = ( UJ / 1• f3 ) + CX L- ~ J·1 E21-1

J ...J
AsJ mismo, la expresión puede ser aumentada para incluir regresores exógenos o
predeterminados Z, en la ecuación de varianza:
2
G t = tiJ + CX€2 t-1 + ApCJ2t-1 + YZ t
Es aconsejable sin embargo, introducir variables en una forma donde ellas sean siempre
positivas de modo que la varianza no sea conducida negativamente por una pequeña cantidad
de valores negativos de las variables exógenas. Una variable predeterminada particularmente
interesante de incluir en este modelo es la varianza condicional (o desviación estándar
condicional ) :
v. =A.a2, + Xt1t + Et
2.1.2 Estfmaclón.-
EL modelo GARCH así como los otros modelos ARCH son estimados mediante máxima l
verosimilitud. Medidas tales como el R2 puede que resulten no muy significativos si no existen
regresores en el modelo de la media. Para estimar el modelo ARCH o GARCH, usted tefndrá
2 10
1
Econometría con Eviews Gustavo Trujillo Calagua ••
que abrir el dialogo de especificación de la ecuación seleccionando Qulck/Estfmate Equatfon

y seleccionar ARCH y aparecerá el cuadro siguiente:
FIGURA 21.1
E qua1-ton spec1·r·1ca1·ion • .· r• •
· • · .· ··-:
;
· ·. ·-. · ·• ..··. ·.:
• . - : ~.
•· · ·.· • ·,,.-_ ·: · -.:.~ ·:~:: - .. ·,~ ;: 1·~ R'l".I ,
- • .• . . . "'' ~ ' - . ; --~·. '!•. , !>.'t,-.1 ~.
Donde hemos ingresado en la parte superior el nombre de 1 variable dependiente ·(cotización •

diaria para el activo Telefónica en la Bolsa de Valores de Lima) seguida de los regresores
estándar los cuales describen la media de la variable dependiente. EL resultado de AACH esta
dividido en dos secciones: el primero da el resultado estándar de la media, de los coeficientes,
errores estándar, el valor Z estadístico y los valores de la probabilidad de los coeficientes de la
varianza. Los parámetros ARCH corresponden a a en la ecuación ( 1 ) y los parámetros
GAACH a f3. El panel de la parte inferior representa al conjunto estándar de estadísticos para
modelos sin efectos ARCH. Para el ejemplo, se muestra una estimación GARCH ( 1, 1 ) de
784 observaciones diarias para las cotizaciones bursátiles del activo Telefónica:
TABLA 21.1
Oependent Variable: TEF
Method: ML - ARCH (Marquardt)
Date: 07/11/03 Time: 20:10
Sample: 11/07/2000 11/07/2003
lnctuded observations: 784
Variance backcast: ON
Coefficient Std. Error z-Statistic Prob.
e 32.59946 0.138010 236.2101 0.0000
Variance E9uation
e 0.422548 0.264159 1.599601 0 .1097
ARCH(1) 1.354039 0.586034 2 .310513 0.0209
GARCHPl -0.221108 0.432737 -0.510953 0.6094
R-squared -0.276693 Mean dependent var 34.83954
Adjusted R-squared -0.339481 S.D. dependentvar 4.291723
S.E. of regression
Sum squared resid
4 .967065
1504.976
Akaike info criterion
Schwarz criterion
5.087754
5.221563
.•
Log likelihood p161 .3520 Durbin-Watson stat 0.030671
211
, .
•
1
En este ejemplo, la suma de los coeficientes ARCH y GARCH ( a. + 13 ) es superior a uno,

indicando que Ja volatilidad de los shocks no son persistentes. Este resultado es observado
frecuentemente para este tipo de mercados.
Seleccionando View/Condltlonal SO Graph de la barra de herramientas, nos mostrara un
gráfico de una desviación estándar de una etapa adelante para cada observación de la
muestra. La observación en el día t es la predicción para la t fecha usando la información
disponible en el día t-1. Aquí tenemos el gráfico del estimador R:
FIGURA 21.2
Cond1tional SO Graph
- . ahd DerivaliVei
·GfadlenfS .....- . ~
.-
tovariance Mairix
GRAFICO 21.1.
11dfo·1110111j"•*fllnffli"f!Cil.t:1a:i:11;fü:uellM@~J.9~~
~wl Pr~t bblectsl .. é;wfNa~elfÁdat~tl ü~elshadel R~m~vél r"emp¡;féfoetÍonsl
,•
' 12......-----------.
1
.11 10
1 e
6
1
4
1 2
l
1
1
1 11/07/2000 11/07/2003
l j - Condltional Standard Deviatton 1
Existen varias técnicas para analizar econométricamente un modelo AACH. Algunas veces es
más fácil volver a estimar un modelo con una especificación más compleja y ver si asf los
nuevos parámetros son significativos. Algunos de estos están formulados bajo los residuos
estandarizados. Si el modelo esta correctamente especificado, éstos deberán de ser
independientes, con media cero y varianza igual a uno. También es lógico pensar que otra
prueba relevante es la de normalidad de residuos, aunque esto no es esencial.
Una prueba de correlación serial en este tipo de modelos es el Correlograma de residuos, para -·
ver si la media esa correctamente especificada .. En farma similar el Histograma es calculado
para los residuos estandarizados. Pare construir los residuos estandarizados seleccionamos de •'
la barra de herramientas Procs/Make Residual Series ....JStandardlzed y obtendremos la
serie de residuales estandarizados. Para graficarlo simplemente ejecutamos Qulck/Graph/ y el
nombre de la serie denominada residuos estandarizados.
212
Para saber si el modelo es considerado adecuado para predecir, entonces ejecutaremos esto
mediante el comando Forecast de la barra de herramientas. EL resultado es dos gráficos: una
para la predicción de Ja media con intervalos de confianza del 95% y el otro para la predicción
de la varianza.
GRAFICO 21.2
500"T'"""--------------.
l'a tc:C TER'
400 ktal:n:l'
300 . .·
:
Fcrte.:a1 ""'-te:
11.Vl::m.l 1 t.ll1"3ll3
h'Jtdxl lbzrv.'ÓmS ' 78.1
200 .··
...-· ...
•' Rac:! "1CJ<1~ &':ci- , ,an¡:a¡
_ -·"' ''(<~~&m' J;;.~¡
100 !.l...., Pti: P.ran: &ra- 10 ~l
--····~-
o -----···------ ... .................. l~i ~I¡ Cld.ldc:i!
""""""'"~.,
'111710"
· 100 ··... ....

,
V~ r-tt.11rrim
c.,,,,..,,,,..,.aP.ciai<n
!l.21t.7L
O?'i:lJ'~
º~~
·200 ··.....
·300
•4-.
.
.400..,_-------~--.------'
l 1AJ7J2000 11/0712003
j- TEFFj
30000 .•
20000
10000
o~~~~~====:::::.___,,.--------l
11JD7nPOO 111D7/2003
1 1- Forecast o1V..ñ¡¡nc4!1
L.--- ·- ...
La predicción de la varianza muestra una tendencia creciente en el horizonte de la predicción,
debido a que la suma de a y f3 es superior a uno que hace que la curva no se haga asíntota en
menos de un año.
21.2 El Modelo TARCH .•
Fue introducido por Zakoian, Jaganathan & Runkle en 1994 para analizar los movimientos en
los mercados financieros. Con frecuencia se observa que los movimientos hacia abajo del
mercado son seguidos por mayor estabilidad que los movimientos hacia arriba de la misma
magnitud, esto se conoce como el et ecto Palanca de los modelos asimétricos que describe una
curva de impacto asimétrica. El modelo de la varianza es:
donde d, =1 si t:1 < o.

Las "buenas noticias" en los mercados tienen un impacto de 0, mientras que las "malas
noticias" tienen un impacto de e + y. Si y es significativamente diferente de cero, entonces ,•
existe el efecto palanca. La predicción de este modelo asume que la distribución de los
residuales es simétrica de modo que d1 =1. Los estimadores para el modelo TARCH de los
datos para la cotización de Telefónica en la Bolsa de Valores de lima son:
213
Econometría con Eviews Gustavo Trujillo Calagua '"
TABLA 21.2
Dependent Variable: TEF
Method: ML - ARCH (Marquardl)
Date: 07/13/03 Time: 13:55
Sample: 11/07/2000 11/07/2003
lncluded observalions: 784
Convergence achieved after 157 iteralions
Coefficlenl Std. Error z-Statislic Prob.
e 32.59804 0.142902 228.1147 0.0000
Variance Eguatlon
e 0.404649 0.287977 1.405145 0.1600
ARCH(1} 1.411871 0.646791 2.182886 0.0290
(RESID<O)"ARCH(1) -0.196179 1.355637 -0.144714 0.8849
GARCH{1} -0.209945 0.614461 -0.341673 0.7326
R-squared -o.2no44 Mean dependen! var 34.83954
Adjusled R-squared -0.362180 S.D.dependentvar 4.291723
Log likelihood ·161.2769 Durbin-Walson sial 0.030663
Se puede observar que el coeficiente asimétrico es significativo. El modelo muestra más

persistencia y por consiguiente, las predicciones significan revertir el movimiento más
lentamente, tomando más de un año:
GRAFICO 21.3 t
• Graph: UNTITLED \llorkfile: TESIS BENNI RAMOS :".¡;..•]:;frJ.?--1000§3
- - • • 4 . .... . . . . ~ ... - · - 1 -
.-
25D..-----------------------------. Ftre o:...,. 1 Ef f'

2DO N:t.. i lEf
..
.·.
¡"..,.,,.~ .,.,,~la 11 {!"' ::11(1.1 11.{ll.',l'"I):¡
l'r~ih::l cf=""'1f""• i'll!
150
#" • .,
Pa: :.r,,., S<f~Tit-1 en-~ HHJ.11/i
100
___.. .,.,--··• • -··· Meu~F 1'\hu:íJn E..an:r
/~ Pttterl! rm:.
11.t"n
~·~~~IJ
1('iftll:'i1
50 ___ .... .-; -- ······- ·· · · · rm1 mp:füy c ,..,..d'5'l: Q.(J"" lt.-U
o ·-.. . .. ..__ .._...... .... . ... ............ 6"..""G ~W3'1<r
\hri....,1~1 ~~ l(:rl01
OJ I f';t...
o ;"/lJ.);.-;
-..•• .. ::..-:.·.1"1.s.'t:.e R"'~··r1a"\ \l•'l:rr.r.u
-50 9' ·-._
·IOD
.......
.
• l 5D +---------.----------...----------'
·.
1 llD71200D 11/0712003
1-TEFFI
8000
¡ 7DOO
!
1
11000
5000
! 4000
l
1
1
3000
1 2000
¡
.•
! 100D
o
1ll0712DDO 11Al712003 .•
1
t
1- Forecast ot \t.irlance j
¡
J . .. ___ ___...... •••, - ..... •• • -• • • º •• - m - H• •"
-
~
214
._,
....
21.3 El Modelo EGARCH .-
Fue propuesto por Nelson en 1991, la especificación de la varianza es:
Lag ( cr2t ) = m + '3 log ( cr2M ) + a 1Et.1 / Gt-1 1 +y [ E

2
t-1 / cr t-1 ]
Que tiene simetría si y 7" O. Debido a la transformación log no hay posibilidad de una varianza
negativa. El impacto del residual más reciente es ahora exponencial antes que cuadrático. Los
EGARCH son bastante difíciles de usar para predecir. Aplicando este método a la información
de la cotización bursátil para Telefónica en la BVL obtenemos:
TABLA 21.3
Dependent Variable: TEF
Method: ML - ARCH (Marquardt)
Date: 07/13/03 Time: 17:28
Sample: 11/07/2000 11/07/2003
lncluded observations: 784
Failure to improve Ukelihood after 24 ileratlons
Coefficient Std. Error z-Statislic Prob.
Variance Eguallon
e 6.495617 108.5896 0.059818 0.9523
IRESl/SQR(GARCH](1) 0.792988 34.50689 0.022981 0.9817
AES/SOR(GARCH](1) 0.277945 15.05699 0,018460 0.9853
EGARCH(1) -0.056629 15.58248 -0.003634 0.9971 t
R-squared
Adjusted R-squared
-66.929085
-70.269860
Mean dependent var
S.0. dependentvar
34.83954
4.291723
.-
S.E. of regresslon 36.23136 Akaike info criterion 10.06222
Leg llkelíhood -323.0223 Durbin·Watson sial 0.000576
Aquí nuevamente observamos el efecto de asimetría y un parámetro de persistencia muy

similar al estimado mediante TARCH. El coeficiente asimétrico es del signo opuesto pero eso
debido a que es convencional usar residuales estandarizados para el modelo EGARCH, pero
j ficticia para impactos negativos en el modelo T ARCH.
1 La correlación cruzada entre r21 y r1.k debe ser cero para un modelo simétrico GARCH y
i negativo para un TARCH o modelo asimétrico EGARCH. Una prueba de esta restricción puede
estar basada en la prueba Ljung Box para correlaciones sesgadas. Hay que observar' el
Jr
correlograma cruzado que se encuentra entre el nivel y el cuadrado de la serie a determinar, si
' existe predictabilidad, el cuadrado por el nivel deberá ser significativo.
21 .4 El Modelo de Componente Asimétrico ••
Esta técnica de estimación permite las asimetrías tanto en la parte permanente como en la
transitoria del modelo:
2 2
cr 1 = qt +a (E t-1 f qt·1 ) + f3 [ cr21.1 / q t-1 ]
qt =m + p (q.., - m ) + 41> [ 2
E t·1 I cr2 1-1 ]
Aquí cr, es aun la inestabilidad mientras q, toma el lugar de ro, la inestabilidad de largo plazo. El
2
componente transitorio a 1 - q1 convergerá a cero con las potencias de a. + [3 • El componente
de largo plazo q, convergerá a m con potencia p. Típicamente p esta entre 0.99 y 1 de manera
que ello se aproxima a m muy lentamente.
•'
El modelo de componente asimétrico introduce automáticamente la asimetría dentro de la

ecuación transitoria. Cuando las variables exógenas son introducidas dentro del modelo
215
..
' lt-
componente, a ellos se les puede dar tanto un papel permanente como transitorio. Esto
afectará si ellos impactan los movimientos de corto plazo en la estabilidad o los niveles de largo
plazo de inestabilidad. El modelo de componente asimétrico adaptado a la información de la
cotización bursátil para Telefónica en la BVL es:
TABLA 21.4
Dependen! Variable: TEF
Melhod: ML • ARCH (Marquardt)
Date: 07/13/03 Time: 17:38
Sample: 11/07/2000 11/07/2003
Failure to improve Likelihood alter 1 iteration
Coefficlent Std. Error z-Statistic Prob.
Variance Eguation
Perm:C 1231.929 1757.691 0.700879 0.4834
Perm: [Q-C] 0.500000 24.76683 0.020188 0.9839
Perm: [ARCH-GAACH) 0.040000 45.62578 0.000877 ' 0.9993
Tran: [AACH·O] 0.040000 49.32462 0.000811 0.9994
Tran: [GAACH·O) 0.016000 1041.284 1.54E-05 1.0000
A-squared ·66.929085 Mean dependent var 34.83954
Adjusled R-squared ·71.457691 S.D.dependentvar 4.291723
S.E. of regression 36.53204 Akaíke info criterion 10.10148
Sum squared resid 80075.38 Schwarz críterion 10.26874
Log likelihood -323.2980 Durbin·Watson stal 0.000576
t
Con los pronósticos de:
.•
GRAFICO 21.4
11111 Graph: UNTITLED Workfile: TESIS_BENNl_AAMOS . . ;.~. ·'·t·:·~~~.."¿'~·(;f!~~EJ
.. ----·--·--------------------------·--------- r.,1"<>c:ut· TUF

~L Ti:F
r"""'11•U;Trffe· 11 .(1712n11H11r¿u ~
1 h::Sulttt<S.l'C1'•.:s!°<nf.. 7l~
R<n!11..,...S:urtUCt<r :\';O'~
Ma.,,~1"""'" l!Jl.(J"...t
1 Mó"• "M Arctt'C l:nu 1\1 hUl.l
1 ftftl 1'1:<µ:it!)'C u..lfern:
til""~"" "....
1 V'ol))'J
ü -•'l:'i."n
1 ....""""~" P!cc.:ña1
Cl>o'.rlo>'r-"~u:.."n
I'! () 1~7°.ll
(Jtro:ro
1
1
1 11m12cxn
i
11/Ul/200)
1-TEFFI
1
1200
11eo
1120
1080
11I011200) 11I01/2003
1- Forecut otV.11l.1nce 1
216
.,,
!.
El pronóstico de la varianza es una serie monótona, creciente y convergente en el horizonte de

predicción. Hay un componente declinante de muy corto plazo que es dominado por el
componente de subida de largo plazo.
21.5 Serles monótonas:
TABLA21.5
fanl es ... ...si cumple... ... Que verifica ... Y, si {anl >O En derivadas
Creciente 81< a2< ...<an<... a....1-8n> o an+1 / ª" > 1 ('( n) >O
No decreciente 81 S a:>S...< anS... aftd -an~O Sn+1 I a.. > 1 f'( n) ~O
Decreciente a1 > 82 > ... an >... all+, -an <o a,,., 1ª"<1 f'( n l <O
No decreciente a1 ;:? a2 ;:? •••~ ª" ;:?••• Sn+1 -an SO Bn+1 / an $ 1 ('( n) s O
Si una serie es no decreciente o no creciente es llamada monótona y si una serie es creciente o

decreciente es nombrada estrictamente monótona. Nótese que una serie estrictamente
monótona es monótona pero no se da lo inverso. Así mismo, una serie es convergente si su
límite existe
A partir de lo anterior, podemos incorporar el concepto de eventualidad. Una serie es

eventualmente monótona si existe un entero N de modo que la serie es monótona para n ~ N.
.·
1
"
't
,¡
·1
1
i
1
'
1
i .•
1
1
1
i
rj
217
!.
CAPITULO 22. Análisis de Serles Temporales.
En 1970, Box y Jenkins propusieron una metodología rigurosa para la identificación, estimación
y diagnóstico de modelos dinámicos para datos de series temporales, mediante la cual se
explica el comportamiento de una variable utilizando sólo información de su propio pasado, por
lo que se conoce como Modelos Univariantes. Posteriormente, se desarrollo los Modelos
Dinámicos con variables explicativas, que se conocen como Modelos de Función de
Transferencia.
22.1 Primeras definiciones.·
Proceso estocástico.- Es la sucesión de variables aleatorias.
Ruido Blanco (white noise).- Es la sucesión de variables aleatorias con esperanza matemática
igual a cero, igual varianza e independientes en el tiempo.
Paseo aleatorio (random walk).- Es un proceso estocástico cuyas primeras diferencias forman
un proceso de ruido blanco.
Estacionariedad.- Un proceso estocástico es estacionario cuando la media y la varianza de las

variables son independientes en el tiempo. En un proceso estacionario. la función de
autocorrelación simple (fas) y la función de autocorrelación parcial (fap) decrecen rápidamente
hacia cero.
Proceso autorregresivo de primer orden.- Cuando su estructura estocástica viene dada por la
expresión lineal: Y1 = <!IY1•1 + o + E1 • donde el> y .S son constantes y E 1 es ruido blanc". Si un
modelo AR(1) es estacionario, entonces 1el>1 < 1, así como su esperanza y varianza son
constantes en el tiempo. ·•
Proceso autorregresivo de segundo orden.- Cuando su estructura estocástica viene dada por la
+
expresión lineal: Y 1 = .S + 1Y1•1 + $2 Y1.2 + Et . Si un modelo AR(2) es estacionario, entonces
1c1>2I<1, 41>1+<112<1 y <112-+1<1.
Proceso de Media Móvil de primer orden.- Un modelo del tipo MA(1) tiene la siguiente
=
estructura: Y, .S + Et - 0E1•1 donde E1 es ruido blanco. Si 1e 1< 1 entonces el proceso MA(1) es
invertible por lo que su fap decae exponencialmente hacia cero, siendo estacionario.
Proceso de Media Móvil de segundo orden.- Un modelo del tipo MA(2) tiene la siguiente
estructura: Y,=
c5 + E1 • 01E1.1 - 02Et.2.
Modelos ARMA ( p, q ).- La estructura ARMA más sencilla es el modelo ARMA(1, 1):
Y1 = o + 4JY1• 1 + Et - 0E1•1 , que depende de cuatro parámetros desconocidos: cj>, e, Et y o. El
proceso ARMA es estacionario cuando 1cj>1 < 1, e invertible cuando 0 < 1. Cuando l I
especificamos un modelo ARMA(p,q) para la variable t:.dy.. se dice que tenemos un modelo
ARIMA(p,d,q) para Y1 ,donde 6.dy1 es el orden de diferenciación de la variable Y, que ya es
estacionaria.
Modelos Mixtos Integrados ARIMA(p,d,q).- En la práctica la mayoría de series con las que
trabajamos no son estacionarias, pero afortunadamente la estacionariedad es alcanzable·
=
mediante diferenciación sucesiva de la serie original, de forma que si: w. 6.dY, es estacionario,
la expresión general ARIMA(p,d,q) se escribirá como:
o en forma abreviada como
218
.
''
"
Econometría con Eviaws Gustavo Trujillo Calagua
Siendo d el número de diferencias necesarias para alcanzar la estacionariedad. Finalmente los

modelos AAIMA estacionales pueden representarse como:
Donde:
<JJ(85 ) =
1- q,1 8 5 - • •• ·lllpBPs , operador estacional AR de orden P (s es el período de
estacionalidad)
0(6') = 1- e 1 as -... ·0qBoe , operador estacional MA de orden Q (s es el periodo de
estacionalidad)
22.2 Identificación, estimación, verificación y predicción de Modelos ARIMA.·
22.2.1 Identificación.-
Esta etapa consiste en:
a. Decidir st Y1 necesita ser diferenciada para encontrar la estacionariedad.

b. Determinar el grado u orden de diferenciación adecuado d. En general, la falta de
estacionariedad, se manifiesta en que los coeficientes de la fas tienden a decrecer muy
lentamente.
c. Decidir los órdenes de los polinomios p y q, y si tienen un componente estacional los
órdenes de los operadores estacionales P y Q . La identificación de procesos MA se
lleva a cabo utilizando la función de autocorrelación (fas), en donde aparecen
coeficientes de autocorrelación significativos hasta un retardo en que éstos se cortan, y
ese seria el orden del proceso MA elegido. Para el caso de la identificaci6n del orden,
del polinomio AR, es necesario conocer los coeficientes de la función de
autocorrelación parcial (fap) donde analizaríamos los p primeros coeficientes
significati11os.
22.2.2 Estimación.-
El criterio para estimar los parámetros de un modelo ARIMA, es que la suma de los errores al
cuadrado sea la menor posible. Si tenemos: $(B)ro. = 0(8)€1 , los errores pueden expresarse
como:
1 5
E 1 ,,. Er (8)0(B )Wi, de forma que si el objetivo es encontrar el vector de parámetros q, -= (q,,, ...$p)
yo =(0 1, •••,Oq) que minimice la suma de los cuadrados de los errores L 2

u , -= S ( q,, a ). Esta
1
estimación se efectúa por medio de la técnica propuesta por Marquardl, que combina el
procedimiento de linealización y el de máximo gradiente.
22.2.3 Verificación.-
Box y Jenkins sugieren la aplicación de varios test para verificar si el modelo elegido se ajusta
correctamente al conjunto de datos. Entre los más utilizados tenemos:
Test de sobreparametrización .- Consiste en ajustar un modelo de orden superior al elegido y

comprobar si tos parámetros son significativamente distintos de cero.
Test de Box-Pierce (O·Stat).· Aplicado a los residuos del modelo, consiste en comprobar si
éstos son consistentes con el supuesto de ruido blanco. La hipótesis nula es rechazada para
x
valores de 0-Stat muy altos. El estadístico se distribuye corno una 2 con (n-p-q) grados de )
libertad.
Test de Ljung-Box.- Este es un test alternativo de estabilidad del modelo basado en los errores
de predicción de un período adelante.
219
\
,..
22.2.4 Predicción.-
Los modelos ARIMA proporcionan no solamente una predicción puntual, sino la distribución de
probabilidad completa para los valores futuros de la serie. Una predicción es óptima cuando el
error cuadrático medio de predicción es mínimo. El cálculo real de la predicción Y1(/) puede
hacerse en forma recursiva utilizando el modelo AAIMA estimado, de forma que:
C0t = 4>1 Cl.>t-1 + ...+cj>pO>t·p + Et - 01Et·1 - •••- 0qEt-q + O
El cálculo de la predicción empieza calculando co.(1) como la esperanza condicional de eoi.1• y

posteriormente eoi(2), y así sucesivamente hasta calcular eoi(I). Una vez que la serie eoi ha sido
predicha, podemos obtener una predicción de Y1 aplicando el operador suma a ro. , es decir
sumando COt d veces.
22.3 Aplicación: "Un modelo ARlMA para la producción de arroz en el Perú: 1993·2003"
A. Identificación y Estimación.-
Dada la serie Arroz procedemos a ver si es estacionaria en Media y Varianza llegando a la

conclusión de ser necesario trabajar con los logaritmos de la serie original para encontrar
estaclonariedad en Media y en Varianza.
GRAFICA 22.1 ..
PraiJcciá1 de arraz (Mies de TM)
Producción de arroz en logaritmos (Miles de TM)
llOO-r--------------------------------------.
200
100 3
00 01 Q2 IH3 1914 1n5 tna 1"7 '"º tttl 2000 2001 20Cl2
Fuen.. Ministerio de Agricultura
1---ARRJZI 1-LAAAozl
A la vista de estos gráficos parece que no hemos conseguido la estacionariedad en media y en

varianza con la serie en logaritmos, por lo que procederemos a analizar la serie en primeras
diferencias logarítmicas. Sin embrago, dada la periodicidad mensual, debemos asegurarnos ·
que la serie sea estacionaria estacionalmente. Si observamos el gráfico para la serie original
nos damos cuenta que los meses de septiembre, octubre, noviembre y diciembre de todos los
años de la muestra se producen descensos significativos.
Este hecho nos hace pensar que probablemente la serie no sea estacionaria estacionalmente.
Si además nos fijamos en la fap de la serie transformada (primeras diferencias logarítmicas)
vemos que los retardos estacionales son significativos y disminuyen lentamente. Esto puede
indicar que la serie no es estacionaria estacionalmente. Por todo lo anterior, decidimos
transformar la serie tomando además una diferencia estacional.
220
.
',
GRAFICA 22.2
Primeras diferencias logarítmlc&s con una diferencia ostacional
1.5
1.0
0.5
o.o
V ~
[l.-.
~~ .~
\
·0.5
·1 .0.
• 1.5 +,-.,......,......,....,.......,..,...,...,...,........"r,..,.......,,.,.,..........,.,,..,...,...,...,...,.....,,........
, .....,.,,..,.,...........,....,..,
93 94 95 96 97 98 99 00 01 02
l-01LARROZS 1
Correlograma para la serie en primeras diferencias logarítmicas

TABLA 22.1
Date: 07/20/03 Time: 11 :42

Sample: 1994:01 2003:03
.•
Autocorrelation Partial Correlalion AC PAC Q-Stat Prob
1 0.132 0.132 1.9884 0.159

2 ·Ü.069 -0.088 2.5345 0.282
3 ·0.018 0.004 2.5703 0.463
4 ·0.273 ·0.285 11.333 0.023
5 -0.361 -0.316 26.764 0.000
6 0063 0.100 27 .233 0.000
7 -0.221 -0.365 33.142 0.000
8 -0.188 -0.269 37 .450 0.000
9 -0.033 -0.378 37 .587 0.000
10 0.033 -0.307 37 .724 0.000
11 0.193 -0.137 42.417 0.000
12 0.580 0 .234 84 .972 0.000
13 o 122 -0.117 86.889 0.000
14 0.047 0 .042 87 .178 0.000
15 -O 047 -0.021 87 .467 0.000
16 -O 263 0.008 96 627 0.000
17 -O 259 0.037 105.58 0.000
18 o047 0.093 105.87 0.000
19 -0.280 -0.150 116.58 0.000
20 -0.146 -0.078 119.52 0.000
21 0.060 0.009 120.02 0.000
22 0.049 -0.039 120.35 0.000
23 o 140 -0.109 123.14 0.000
24 0.562 0.187 168.71 0.000
25 o071 -0.077 169.44 o 000
26 -0083 ·0.151 170.46 0.000
27 -0.052 -0.106 170.87 0.000
28 -O 163 0.018 174.89 0.000
29 -0.218 0.034 182.17 0.000
30 0.057 0.009 182.67 o 000
221
·-·, .
"
Correlograma para la serle en primeras diferencias logarítmicas con una diferencia estacional
TABLA22.2
· Date: 07/20AJ3 Time: 12:45
Sample: 1993:01 2003:03
Autocorrelation Partial Correlation AC PAC Q-Stat Prob
1 -0.195 -0.195 4.3031 0.038

2 -0.252 -0.302 11 .560 0.003
3 0.091 -0.036 12.523 0.006
4 -0.052 -0.130 12.842 0.012
5 -0.310 -0.390 24.097 0.000
6 0.041 -0.268 24.296 0.000
7 0.255 -0.029 32.093 0.000
8 0.059 0.080 32.517 0.000
9 -0.171 -0.162 36.079 0.000
10 0.132 -0.039 38.238 O.OCIO
11 0.203 0.215 43.391 o.cm
12 -0.505 -0.296 75.478 0.000
13 0.027 -o.oas 75.572 o.cm
14 0.310 0.102 87.913 0.000
15 -0.082 0.074 88.790 0.000
16 -0.144 -0.082 91 .514 0.000 f
17 0.139 -0.208 94.067 0.000

10 o.oos -0.111 94.071 o.cm
19 -0.176 -0.064 98.281 0.000
20 -0.006 -0.013 98.287 o.roo
21 0.225 -0.085 105.32 0.000
22 0.031 0.054 105.46 0.000
23 -0.257 -0.045 114.79 0.000
24 0.193-0.083 120.14 0.000
25 0.083 0.021 121.14 0.000
26 -0.294 -0.023 133.82 0.000
27 0.041 0.046 134.07 0.000
28 0.242 0.055 142.86 0.000
29 -0.192 -0.223 148.45 0.000
30 -0.043 -0.090 148.73 0.000
Dada la serie Arroz queda identificada de la siguiente forma:
p =0,1,2
q =0,1,2
d = 1 (Eliminamos la tendencia ordinaria)
A=O
P=0,1
0=0,1
D =1(Eliminando la estacionalidad)
s = 12
Siendo el modelo más adecuado el AR (1) x MA (12) \ ara la serie en primeras diferencias
2
logarítmicas, con un R ajustado de 0,463933, un Diírbin-Watson de 2,04 y un F- estadístico de
94,46.
222
'
•
Econometría con Eviews Gustavo Trujil1o Calagua
..
1
TABLA 22.3
Dependent Variable: LOGWS(d11arrozs)
Date: 07/19/03 Tim&: 14:36
Backcast: 1988:03 1989:02
AR(1) -0.174613 0.072839 -2.397229 0.0183
MA{12! -0.885841 0.000137 -6454.474 0.0000
Adjusted R-squared 0.463933 S.D.dependentvar 0.660609
S.E. of regresslon 0.582586 Akaike info criterion 1.773710
Log likelihood -105.3094 Durbln-Watson stat 2.047922
lnverted AA Roots .03
lnverted MA Roots .90-.24i .90+.241 .66+.661 .66-.66i
.24+.90i .24 -.90i -.24 -.901 -.24+.90i
-.66+.66i -.66+.66i -.90+.24i -.90-.241
Unlt Root Test ol LOGWS

NuH Hypothesls: LOGW has a unit root
Exogenous: Constan!, Linear Trend
Lag Length: 10 (Automalic basad on SIC, MAXLAG=12)
t·Stallstic Prob."
.•
Augmented Dlckey·Fuller test statislic ·9.375079 0 .0000
Test critica! values: 1% level -4.042819
5% level ·3.450807
10% level · 3.150766
"MacKinnon (1996) one·sided p-values.
Se verifica que la serie en primeras diferencias es estacionaria, puesto que el valor AOF es
significativamente mayor que los valores críticos.
De la estimación del modelo obtenemos los siguientes resultados:

<t>, = -0,174613
01 = -0,885841
Siendo la generalización del modelo:
(1- cfJ1 L1)Log ws, = ( 1- 0,L, 2)E1 6 =O (No hay intercepto)

es igual a :
Log WS1 = cfJ1 Log ws,., +Et - 01E1.12

=
Logws, -0,174613 LOQWS1.i + E1+0,885841E1.12
B. Chequeo.
b.1 Chequeo de los Coeficientes Estimados
b .1.1 Prueba t
.•
El t estadístico de cp, = -2,397229 y el t-Student de tablas = 1.66
l -2,397229 1 > 1.66
=
El t estadístico de 0 1 -6454,474 y el t-Student de tablas= 1.66
l-6454,4741 > 1.66
223
. .... ~
•
Por ende ambos coeficientes son significativos.

b.1.2 Prueba de Estaclonarledad e lnvertlbllldad
Los AR siempre son invertibles debemos verificar si son estacionarios

14>1'< 1
l-0,1746131<1
AR (1) es estacionario
Los MA siempre son estacionarios debemos verificar si son invertibles

1011 <1
l-0,885841 J <1
MA (12) es invertible.
b.1 .3 Subldentificaclón y Sobreldentlflcaclón
Los coeficientes tienen valores que no son cercanos ni a O ni a 1 por los cual no se presenta
dicho problema.
b.1.4 Multlcollnealldad
Acudimos a la matriz de Correlación y obtenemos el siguiente resultado:
Log ws Log ws(-1)

Log ws 1 -0,190246
Log ws(-1) ·0,190246 1
Como el valor de correlación es lejano a 1 no existe problema de multicolinealidad.

.•
b.2 Análisis de los Residuos
b.2.1 Distribución Normal
Observando el correlograma de los residuos observamos una distribución que sigue un ruido
blanco (con una significación de 95%) apoyándonos en el histograma vemos que la Media
tiende a O y la Varianza a un valor constante y el estadístico Jarque-Bera, podemos decir que
los residuos siguen una distribución normal.
GRAFICO 22.3
Análisis de los Residuos

14
Serles: RESID
12 Sample 1994:03 2003:03
Observations 109
10
Mean 0.002861
8 Median -0.022942
Maxlmum 1.089964
Minimum -1 .157444
6
Std. Dev. 0.419971
Skewness ·0.052465
4
Kurtosls 3.133637
2
Jarque·Bera 0.131115
Probabillty 0.936545
o
·1.0 -0.5 o.o 0.5 1.0
224
..
Correlograma para los residuos del modelo ARIMA(1, 1t2)

TABLA 22.4
Date: 071201{)3 nme: 13:39
Sample: 1993:01 2003:03
lncluded observalions: 109
Autocorrelation Partial Correlation AC PAC Q-Stal Prob
1 -0.028 -0.028 0.0904 0.764

2 -0.231 -0.232 6.1145 0.047
3 0.011 -0.004 6.1283 0.106
4 -0.201 -0.268 10.762 0.029
5 -0.296 -0.355 20.973 0.001
6 0.095 -0.102 22.032 0.001
7 0.138 ·0.070 24.304 0.001
8 0.008 -0.089 24.312 0.002
9 -0.031 -0.222 24.424 0.004
10 0.093 -0.073 25.491 0.004
11 0.017 -0.024 25.528 0.008
12 0.040 0.093 25.730 0.012
13 -0.038 ·0.068 25.912 0.017
14 0.082 0.127 26.769 0.021
15 ·0.054 0.046 27.145 0.028
16 -0.187 -0.064 31 .684 0.011
17 -0.107 -0.150 33.196 0.011
18 0.076 -0.045 33.970 0.013
19 -0.014 -0.089 33.996 0.018 ..
20 0.050 -0.115 34.340 0.024
21 0.172 -0.061 38.395 0.012
22 0.089 0.002 39.492 0.012
23 -0.183 ·0.149 44.208 0.005
24 0.083 0.076 45.180 0.006
25 -0.035 -0.063 45.358 0.008
26 -0.170 -0.082 49.594 0.004
27 0.025 -0.001 49.683 0.005
28 0.104 0.014 51.291 0.005
29 -0.067 -0.027 51 .972 0.005
30 0.015 -0.037 52.006 0.008
b.2.2 Prueba de lncorrelación
Cuando se analiza una serie estacional, debe prestarse especial atención a los primeros
valores de las fas y fap, pero también a los primeros valores de orden estacional. Así para una
serie mensual el analista debe observar detenidamente los valores para los retardos
1,2,3,4,5,6,12 y 24 de ambas funciones.
= =
Para M 1 tenernos un Q 0.0904
Lo contrastarnos con un ·x2
m-p-q = 27 ,6
=
Como Q 0.0904 < 28,9
Para M = 12 tenemos un Q = 25.730

Lo contrastamos con un
2
xrn·p-q = 27,6
Como Q =25.730 < 28,9
Entonces decimos que los residuos no están correlacionados; por tanto, el modelo es
·'
adecuado.
225
,,•
b.3 Pruebas de Sobrea!uste
Observamos que si incluimos un coeficiente MA (1 ), AA (12) por separado el modelo no

mejora, al contrario, presenta problemas, igual sucede si retiramos el coeficiente AR (1) 6 MA
(12).
b.4 Prueba de Estabilidad
Observamos que el modelo para datos originales (que veremos en la parte de predicción) es
estable en por 1O menos los últimos 5 períodos (las variaciones en los coeficientes son
mínimos a± 0,01 para cada uno de los periodos estimados con el modelo ARIMA respecto al
último dato observado).
C. Predicción.
c.1 Predicción Puntual
Dado el modelo:
=
Log ws, cp, Log WS,.1 + Et - 01E1.12
LOQWSt =-0, 174613 Logws,., +Et+ 0,885841Em
es igual
( 1- L1 )(1 - L12) Log Y,= cp 1log WS1.1+Et - 01E1.12
De donde tenemos el modelo para datos originales
Log y= 0,714211 Log Y,., - 0,281885 Yt-13 +Et - 0,554689 E1-12

.•
con un A2 ajustado de 0,6104
El AR (1) Y AR (13) se explican porque la producción de arroz dependerá del periodo de

sembrío y el rendimiento por hectárea, así como por la campaña agrfcola del período anterior
(primer semestre del presente año y segundo del año anterior).
El MA (12) se presenta por alteraciones climatológicas, especialmente el Fenómeno del Niño.
Con una a211 (Varianza del error) = O, 1769640902
Log'Yt(1 )= E(Yt+1/ 11) = E[0.714211 *Log Y,., - 0.281885*Log Y1.13 + 0.554689(Log Y1•12 - Log'Y,.12)]
log 'Y 03:03 = 0,714211*Log Y03 :0 2 - 0,281885*Log Y02:02 + Ei19:o3 - 0,554689*Eoz:oo

Log 'Y o3:o3 = 4,42290015
Log 'Y 03·02 = 0,714211.Log Y03:01 - 0,281885 Log Y02:01 + E03:oz - 0,554689*Eo2:02
Log 'Y 03:02 = 4,673394855
lag 'Y 03:01 =O, 714211 Log Y02:12 - 0,281885 log Y01:12 + f99:01 - 0,554689*Eo2 ·01
log 'Y 03:01 =4,9586263
lag 'Y 0212 =0,714211 Log Y02:11 - 0,281885 Log Yo1:11 + Eoz:12 - 0,554689*Eo112
log 'Y 02 12 = 4,280125795
Lag 'Y 02.11 =0,714211 Log Y02.10 - 0,281885 Log Yo1:10 + Eoz:11 • 0,554689*Eo1:11
Log 'Y 02 tt =4, 149685314
226
•
.
1
c.2 Predicción por Intervalo
Hallar er (t) = yT • 'YT (1)

002:11=4,346399 - 4,149685314 -+ 90211 =O, 196713686
e02:12 = 4,792479 • 4,280125795-+ 902:12 = 0,512353205
003:01 = 5,327391 - 4,9586263 - 803·01 = 0,3687647
003:02 = 4,465908 - 4,673394855-+ 903:02 = -0,207486855
eo3:o3 = 4, 714921 - 4,42290015 -+ 903·03 = 0,29202085
Con una a2u = 0, 1769640902
Hallamos:
O.E. (802:11) X 1,96 = 0,420671 )( 1,96 = 0,82451516

O.E. (e02:12) X 1,96 = 0,631378626 X 1,96 = 1,237502107
D.E. (eo3:01) X 1,96 = 0,707238842 X 1,96 = 1,38618813
D.E. (eo3:02) X 1,96 = 0,6153076565 X 1,96 = 1,206003007
O.E. (803:03) X 1,96=0,6148230233X1,96 = 1,205053126
Obtenemos los Intervalos de Confianza:
Para 02:11 =(3,325170154; 4,9742004741

Para 02:12 ={3,042623688; 5,517627902]
Para 03:01 = [3,57247487; 6,34485113)
Para 03:02 =[3,467391848 ; 5,879397862)
Para 03-<13 = [3,217847024; 5,627953276) '
Vemos que los valores históricos como los estimados caen dentro de los intervalos de
'
confianza ya que el modelo funciona con las restricciones del caso (con una significación del
2
95% y un R ajustado de 0,6104).
.•
227
.. "
CAPITULO 23.· Programación en Econometrlc Vlews·
23.1 Presentación
Desde una perspectiva amplia, un programa no es otra cosa que el conjunto de pasos o
instrucciones destinado a conseguir un objetivo determinado. Estas órdenes se introducen en
la computadora a través de un lenguaje de programación. En este ámbito, se pueden distinguir
dos tipos de comandos en un lenguaje: macrocomandos y secuencias estructuradas o lógicas.
Los primeros instruyen a la máquina a ejecutar de forma acelerada y generalmente silenciosa
una secuencia de órdenes que el usuario estaría en condiciones de efectuar por su cuenta sin
ayuda del programa. Los macrocomandos no involucran la toma de decisiones ni la repetición
automática de porciones del programa: simplemente construyen un guión que la computadora
seguirá ciegamente y al pie de la letra.
Por su parte, las secuencias estructuradas tienen como objeto organizar y potenciar el uso de
macrocomandos. Formalmente, se traducen en el programa por medio de palabras clave que
sólo tienen validez dentro del mismo y que involucran tres tipos de acciones fundamentales:
toma de decisiones, repeticiones y bifurcaciones. Las secuencias estructuradas o lógicas
forman la gran mayoría de los programas especializados.
A continuación se examinarán brevemente algunos de los comandos y estructuras que el

Econometric Views es capaz de interpretar dentro de sus programas, así como las estrategias
más comunes para redactar correctamente un programa rápido, breve y eficiente.
23.2 Generalidades
f
Todos los programas en Econometric Views se guardan en archivos de tipo te$, usualmente
con la extensión PRG . Así, estos programas pueden ser creados o editados mediante el
Notepad, Microsoft Word o el mismo Eviews. A partir de la versión 3.0 del programa, la
• extensión PRG está automáticamente asociada al Eviews bajo el entorno Windows 95.
Para crear un programa nuevo dentro de Eviews puede usarse el comando PROGRAM,
seguido de un nombre para el programa. De modo semejante, el comando necesario para
ejecutarlo será RUN(Q) y RUN(V). El primero ordena a Eviews ejecutar el programa de modo
"silencioso", sin presentar información en pantalla a medida que se ejecutan los comandos
internos. De este modo, RUN(Q) permite alcanzar la mayor velocidad de ejecución. RUN(V)
funciona de modo opuesto. Si no se especifica alguno, Eviews utilizará la opción especificada
por el usuario como alternativa por defecto (para cambiar el valor por 9efecto, usar RUN a
secas).
23.3 El programa como ejecutor de macrocomandos
Una de las primeras aplicaciones de la programación en Eviews es la ejecución de tareas de

carácter repetitivo. El usuario puede colocar los comandos relevantes dentro de un programa,
con el propósito de ejecutarlos de manera compacta, tal y como si los ingresase manualmente
en orden secuencial. Cada comando debe ocupar una línea del programa y no puede haber
más de un comando por línea. A diferencia de otros lenguajes, el uso de mayúsculas y
minúsculas es indiferente. No obstante, es un uso extendido y una buena costumbre escribir
con letras mayúsculas los nombres de funciones y comandos del programa y con letras
minúsculas los nombres de vartables del usuario. Las líneas que comienzan con un apóstrofe
son opcionales y se utilizan para insertar comentarios ilustrativos en medio del programa, por lo
que no alteran su ejecución.
.•
Tómese, por ejemplo, la necesidad de generar un archivo de trabajo que contenga cinco series
de datos aleatorios normales, una de tendencia y una serie con el producto de las seis
anteriores.
·Tomado de los apuntes de clase del curso Informática para Economistas, por Roddy Rlvas Uosa, Universidad del Pacifico, Facultad de
Economla - Lima. Pení
228
..
"
'.,
(El programa es creado con el comando PROGRAM Genera}
'Este programa crea cinco ruidos blancos, una tendencia línea/ y una serie
'con el producto de las seis anteriores.
'Inicio del programa
=
GENR X1 NRND
=
GENR X2 NRND
=
GENR X3 NRND
GENR X4 = NRND
GENR X5 = NRND
=
GENR T @ TREND(1)
GENR Producto= x1 "'X2·x3·x4·xs·r
'Fin del programa
Una vez que el programa está escrito y el archivo de trabajo creado, bastará ejecutarlo para
que se creen las siete series de datos requeridas. Nótese que ya que el programa no incluye
un comando SMPL, las series se crearán a lo largo de la muestra que el usuario haya
especificado fuera del programa.
23.4 VarJables temporales y permanentes.
Dentro de un programa, Eviews facilita el uso de variables permanentes y temporalesr en

memoria. Una variable consiste en una cadena de caracteres que representa stara la máquina
un valor numérico asignado por el usuario y que puede cambiar a lo largo del prográma.
Las variables temporales sólo tienen validez durante la ejecución del programa y se utilizan
como herramientas de apoyo para crear estructuras complejas. Por su parte, las variables
permanentes se utilizan normalmente para permitir que el programa, una vez terminado, deje al
usuario cierta información en el archivo de trabajo.
23.4.1 Variables temporales
Existen dos tipos de variables temporales: numéricas (también denominadas variables de

control) y de cadena de caracteres.
Las primeras se denotan con un signo final de admiración seguido de un nombre para la
variable (entre 1 y 16 caracteres no extendidos1 ). Al trabajar con variables numéricas se
utilizarán los comandos lógicos tradicionales de asignación y comparación (=, >, <, >=, <=, <>),
los aritméticq_s (+, -, •, /, "). así como cualquier función matemática incorporada. Por ejemplo:
!Valor= 13.78
=
!Numero !Valor + 1
=
!LogNum2 @LOG(!Numero•2)
El segundo tipo de variable temporal (de cadena de texto) utiliza como prefijo el signo de
porcentaje y se utiliza de la siguiente manera:
=
%Depend "PBI"
%Regres ="Consumo PBl(-1) @TREND(1)"
=
%Muestra "1960 2003"
' Los siguientes nombres no pueden ser utUlzados: ABS, ACOS, AR, ASIN, C, CON, CNORM, COEF, COES, O ,OLOG,
DNORM, ELSE, ENDIF, EXP, LOG, LOGIT, LPT1, LPT2, MA, NA, NANO, POL, RESIO, ANO, SAR, SIN, SMA, SOR y
THEN.
229
SMPL %Muestra
LS %Depend C %Regres
Las variables de control de tipo texto son de utilidad para fijar al inicio de un programa los
valores de conjuntos de series o muestras que se podrán utilizar de modo repetido más abajo.
Así, si fuera necesario cambiar los regresores en el programa anterior, sólo habría que
modificar la segunda linea.
23.4.2 Variables permanentes
Las variables permanentes son todas aquellas que se mantienen en el archivo de trabajo una
vez concluida la ejecución del programa, salvo que sean explícitamente eliminadas del archivo
de trabajo mediante el comando D. Algunos ejemplos son: ($CALAR), ecuaciones
(EQUATION), vectores (VECTOR), vectores fila (ROWVECTOR), matrices (MATAIX) y tablas
(TABLE).
Las más utilizadas comúnmente son los de tipo escalar: números enteros o reales que se
quedan en el archivo a modo de respuesta del programa (tal como una probabilidad vinculada
a cierta prueba de hipótesis).
Los escalares deben declararse una vez mediante el comando SCALAR en el programa:
'Inicio del programa

LS YCX1 X2X3
t
'Esta variable desaparecerá:

!Rcuad= @R2
'Esta permanecerá:
SCALAR Ajuste
Ajuste= @R2
'Otra manera de hacerlo:

SCALAR Otro Ajuste= @R2
23.5 Variables de reemplazo textual
Una de las herramientas más notables que ofrece el Eviews dentro de sus programas es el
reemplazo textual del contenido de sus variables para formar cadenas complejas. Este
proceso, también conocido como macroreemplazo, se opera rodeando la variable con un juego
de llaves.
Véase el siguiente ejemplo:
%País= "PERU"
GENR N1 {%País}= NRND

GENR PROD_(%Pais}= CONS_(%Pais}+ INV_(%Pais} + GAST_{%Pais] +
X_(%Pais} - M_(%Pais]
!Fecha= 1990
%Nombre= "VAR"
GENR {%Nombre}(/Fecha}{%Pais}= NRND
El segundo párrafo del programa generará la variable N1PERU y PROD_PERU tomando como
base CONS_PERU, INV_PERU, GAST_PERU, X_PERU y M_PERU.
El segundo párrafo generará la variable VAR1990PEAU.
230
.
"!.
23.6 Regresiones
Al efectuar una regresión dentro de un programa en EViews, se debe tener en cuenta lo

siguiente:
• Si se utiliza el comando LS Y C X1 X2, la computadora estimará la regresión y a ésta

la considerará la ~ecuación actual."
• Si más adelante en el programa se ordena: LS Y C X4, la computadora estimará la
regresión y reemplazará la ecuación anterior en memoria, tomando la última como
ecuación actual. Así, se habrá perdido la información de la regresión anterior.
EViews ofrece un método para mantener en memoria un número arbitrario de regresiones y

utilizar sus indicadores y estimaciones en todo momento sin necesidad de recalcularlas. Con
este fin, es necesario dar un nombre a cada regresión independiente dentro del programa.
Cabe destacar que una vez nombrada la ecuación, permanecerá en le archivo de trabajo
cuando el programa finalice, salvo que se elimine explícitamente.
Los comandos clave para nombrar ecuaciones son la declaración EQUATION, seguida del
nombre de la nueva ecuación y el uso del nombre seguido de un punto antes de los comandos
y funciones convencionales de regresión. Las ecuaciones se declaran tan sólo una vez y
pueden eliminarse mediante el comando D seguido del nombre. Veamos un ejemplo:
'Inicio del programa, Una forma de estimar, declarando primero:

EQUA TION Primera
Primera.LS Y C X1 X2 X3
t
'Una manera alternativa, declarando y estimando simultáneamente.
EQUA TION Segunda.LS Y C X3 X4 X5
'Se calculan los R2's en sendas variables de control y se conse1Va su

'diferencia en una variable escalar:
=
IR2_ 1 Primera. @R2
IR2_2 = Primera.@R2
SCALAR Diferencia = !R2_ 1 ~ !R2_2
'Este párrafo genera las series de residuos de ambas regresiones.

Primera.MAKERESID Resid1
Segunda.MAKERESID Resid2
'Este comando elimina la ecuación Segunda del archivo de trabajo

O Segunda
'Fin del programa
23.7 Funciones vinculadas a regresiones
Función Valor devuelto
C(i) o @COEFS(I) Coeficiente estimado para el i-ésimo regresar.

@R2 Coeficiente de ajuste (no corregido) de la regresión.
@RBAR2 Coeficiente de ajuste ( corregido ) de la regresión.
@SE Error estándar de la regresión.
@SSR Suma de cuadrados de los residuos. :~
@DW Estadístico Ourbin-Watson.
@F Estadístico F de la regresión.
@LOGL Valor de la función de verosimilitud. ••
@AIC Criterio de información Akaike
@se Criterio de información Schwarz
@REGOBS Número de observaciones en la regresión.
231
' .
t.
,
@MEANDEP Valor promedio de la variables dependiente.

@SDDEP Desviación estándar de la variable dependiente..
@NCOEF Número de coeficientes estimados (número de
regresares)
@STDERRS(i) Error estándar del i-ésimo coeficiente
@TSTATS(i) Valor del estadístico t del i-ésimo coeficiente
@COV(i,j) Covarianza entre los coeficientes i y j.
Funciones que devuelven vectores o matrices como resultados
@COEFS Vector de coeficientes

@STDEAAS Vector de errores estándar de los coeficientes
@TSTATS Vector de ratios de coeficientes a errores estándar
@COV Matriz de covarianza de coeficientes
Operadores v funciones con fórmulas
Funclón Definición
+ Sumar t
Restar
Multiplicar
I Dividir
/\ Elevar a potencia
> Mayor que
< Menor que
= Igual que
<> No es igual, X < > Y tiene el valor 1 si X difiere de Y y O
si no es así.
<= Menor o igual que
>= Mayor o igual que
ANO Lógica; X ANO Y tiene el valor 1 si tanto X como Y son.
cero.
OR Lógica; X OR Y tiene el valor 1 si tanto X como Y no
son cero.
D( X) Primera diferencia de X
D( X, n) Diferencia de X de orden enésimo.
O( X,n,s) Diferencia de orden enésimo y una diferencia
estacional en el residuo.
LOG (X) Logaritmo natural de X.
DLOG (X) Cambio en el logaritmo natural.
DLOG (X, n) Diferencia logarítmica de X de orden n.
DLOG ( X,n,s) Diferencia logarítmica de orden enésimo y una
diferencia estacional en el residuo.
EXP(X) Función exponencial.
ABS (X) Valor absoluto.
SQR(X) Raíz cuadrada.
SIN (X) Seno de X.
¡· •
COS(X) Coseno e X.
@ASIN (X) Arco cuyo seno es
@ACOS(X) Arco cuyo coseno es. ••
ANO Número aleatorio.
@PCH (X) Cambio porcentual decimal en X.
@INV(X) Densidad normal estándar.
@CNORM(X) Distribución normal acumulativa.
232
@LOGIT(X) logit de X.
@FLOOR(X} Convierte a entero por redondeo por defecto.
@CEILING(X} Convierte a entero por redondeo por exceso.
@SUM(X) Suma de X.
@MEAN(X) Media de X.
@VAR(X) Varianza de X.
@SUMQ(X) Suma de cuadrados de X.
@OBS(X) Número de observaciones de X.
@COV(X,Y) Covarianza entre X e Y.
@COR(X,Y) Correlación entre X e Y.
@CROSS(X, Y) Producto cruzado de X e Y.
@ONORM(X) Función de densidad normal estándar deX.
@TDIST(X,d} Probabilidad de un estadístico t con d g.d.I
@CHISQ(X,d} x 2
Probabllidad de un estadístico con d g.d.J
@MOVA(X,n) Período n de media móvil de X.
@MOVSUM(X,n) Período n de la suma móvil de X.
@TREND(d) Tendencia temporal, donde des una fecha o número
de observaciones.
@SEAS(d) Valor dummy estacional Igual a uno cuando el trimestre
o el mes es igual a d y cero en otro caso.
23.8 Vectores y matrices
En EViews, los vectores y matrices se tratan como un tipo especial de objeto. Ya sea dentro o
fuera de un programa, deben predeclararse una vez, indicando el nombre asignado al objeto
1 asf como sus dimensiones si fuera necesario. Para ello deben seguirse las siguientes
indicaciones:
En el caso de matrices: MATRIX(NumFilas, NumColumnas) Nombre= escalar

MATRIX Nombre = Nombre de una matriz previamente
definida.
En el caso de vectores: VECTOR(Dimensión) Nombre = escalar

=
VECTOR Nombre Nombre de un vector previamente definido
Ejemplo:
1 'Inicio del programa: declaración, asignación y uso de matrices

í MATRIX(3,3) Cuadrada = 1
1 Cuadrada(1, 1) = 5
Cuadrada(t,2) = 3
1 Cuadrada(2,3) = 11
=
Cuadrada(3,3) -3
'Cálculo del determinante y el producto de dos matrices iguales

/Dsterm = @Det(Cuadrada)
MATRIX Replica = Cuadrada
MATRIX Otra= Replica•cuadrada
'Fin del programa
23.8.1 Funciones y comando básicos vinculados a matrices y vectores
@COLUMNEXTRACT(Matriz, col) Extrae un vector a partir de una

columna. ••
@COLUMNS(Matriz) Número de columnas de la matriz.
@CONVERT(Grupo) Una matriz o vector con los datos de un
grupo o serle.
233
..
~
.,
1
@COA(Vector1, Vector2) La correlación entre dos vectores o

series de datos.
@COV(Vector1, Vector2) La covarianza entre dos vectores o
series de datos.
@DET(Matriz) El determinante de una matriz.
@DOT(Vector1, Vector2)q El producto interno de dos vectores.
@EIGENVALUES(Matriz) Un vector con los valores propios de la
j @EIGENVECTORS(Matriz)
matriz.
Matriz cuadrada con los vectores
propios de la matriz dada.
@GETMAINDIAGONAL(Matriz) Un vector con los elementos de la
diagonal principal de la matriz dada.
@IDENTITY(Dimensión) Una matriz identidad traza dimensión.
@INVERSE(Matriz) La matriz inversa de la matriz dada.
@MAKEDIAGONAL(Vector, NumDiag-) Crea una matriz cuadrada cuya
diagonal NumDiag respecto a su
diagonal principal contiene los
elementos del vector dado.
@MAX(...) El máximo valor de la matriz, vector o
serie.
@MEAN( ...) El valor promedio de la matriz, vector o
serie
@MIN(...) El mínimo valor de la matriz, vector o
serie.
@NANO Un número aleatorio perteneciente a
una distribución normal con me<;lia cero
y varianza unitaria.
@085( ..•) El número de elementos de una matriz,
vector o serie de datos. '
@RANK(Matriz) Rango de la matriz.
@ROWEXTRACT(Matriz, Fila) Devuelve un objeto ROWVECTOR con
la fila indicada de la matriz.
@ROWS(Matriz) Número de filas de la matriz.
@ANO Número aleatorio uniformemente
distribuido entre O y 1.
@SOLVESYSTEM(Matriz, Vector) Calcula y devuelve el vector X que
satisface la ecuación lineal
Matriz*X=Vector.
@SQR(Matriz) Devuelve una matriz conteniendo las
raíces cuadradas de cada elemento de
la matriz original.
@SUBEXTAACT (Matriz, f1,c1, f2, c2) Devuelve una submatriz de la matriz
dada, a partir de la posición (f1 ,c1)
hasta el final u opcionalmente sólo
hasta la posición (f2,c2).
@SUM(...) La suma de los elementos de la matriz
vector o serie de datos.
@TRACE(Matriz) La traza (suma de los elementos en la
diagonal principal) de la matriz.
@TRANSPOSE(Matriz o vector) La matriz o vector transpuesto.
@VEC(Matriz) Vectoriza una matriz a partir de sus
columnas puestas una encima de la
otra.
Comando
MTOS(Matriz o vector, Grupo o serie) Convierte la matriz o vector en un

grupo o serie de datos.
234
.
' ...-
Eco.nometría con Eviews Gustavo Trujillo Calagua
NRND(Matriz) Llena la matriz con números aleatorios

normales(media cero y varianza
unitaria).
RNDINT(Matriz,lím ite) Llena la matriz con números enteros
uniformemente distribuidos entre O y
límite (inclusive).
STOM(Grupo o serie, Matriz o vector) Convierte un grupo o serie de datos
dada en una matriz o vector.
23.9 El programa como estructura
En la sección anterior se trató la funcionalidad operativa de un programa como ejecutor "ciego"

de una secuencia o "script" de comandos. Ahora se estudiará la importante contribución de las
estructuras lógicas para añadir poder de cómputo a los programas sin incrementar
notablemente su complejidad.
En el ámbito de la programación, las estructuras lógicas principales son tres: repeticiones

(también llamados "bucles'), condicionales y bifurcaciones. En el lenguaje simplificado de
EViews se dispone de herramientas para utilizar directamente las dos primeras.
23.9.1 Repeticiones o Bucles
En términos sencillos, un bucle es una porción del programa que la computadora repetirá una y
otra vez hasta que se satisfaga una determinada condición. El comando más sencillo para
llevar a cabo dicha tarea en EViews es el "FOA". Éste tiene como característica esencial que
en cada repetición, el valor de una o más variables (llamadas variables índice) SE} irá
modificando y el bucle terminará cuando la variable índice alcance un valor predeterminado
mediante el comando o se agoten los valores posibles para la variable. Veamos a eontinuación
1
un ejemplo: .
'Este programa contará de 1O hasta 100 en la variable temporal 10

=
FOR !Q 10 TO 100
NEXT
Este fragmento de programa no hace algo particularmente útil. De hecho, lo único que hace es
asignar a la variable !O valores desde 10 hasta 100, uno por uno. El comando se inicia con la
clave FOR, seguida de la variables índice, un signo de igualdad y los valores inicial y final que
la computadora deberá dar a la variable, separados por la palabra reservada TO.
En la "primera vuelta" del bucle, la variable de control (!Q) valdrá 1o y se ejecutarán todos los
comandos que estén después del FOR y antes de la palabra NEXT (fin del bucle). Una vez que
la ejecución llegue al NEXT, en programa "rebotará" hasta la altura del correspondiente
comando FOR, se incrementará el valor de la variable índice (que en la segunda vuelta valdrá
11) y se repetirá el bucle hasta que aquella variables alcance el valor final (100), condición en
la cual el comando NEXT será obviada y el flujo del programa continuará con el comando
siguiente.
Resulta posible colocar los bucles uno dentro de otro. Esta operación, conocida como
uanidación", permite disponer simultáneamente de más de una variable móvil. Véase el
siguiente ejemplo, que copia los elementos de la zona triangular superior de la matriz A en la
matriz B. Nótese la conveniencia de incluir en la parte inicial del programa una zona que devine
variables globales que determinan el comportamiento de todo el resto de programa. En caso de
requerir modificaciones, bastará cambiar la zona inicial del mismo.
.•
'Inicio del programa: se define una variable determinante para el programa
!Dimensión 20=
=========================================================
'Se crean los objetos (dependiendo de la variable inicial)
MATRIX(!Dimensión, !Dimensión) A 1 =
235

Econometria Con Eviews

Caricato da

Informazioni sul documento

Titolo originale

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

Econometria Con Eviews

Caricato da

Copyright:

Formati disponibili

' -

Econo1netría con EVieW's

CAPITULO 11. Econometría Dinámica (Econometría Inglesa)

11.1 Pruebas de Raíces Unitarias.-

H0 =La serie no es estacionaria (Presenta raíz unitaria).

• Contrsate de Dickey-Füller Aumentado.

El rechazo de la hipótesis nula Implica la existencia de continuidad en las distribuciones y

11.1.1 Contraste de Dlckey-Füller Aumentado (ADF Test).

Dickey y Füller encontraron que el problema de estacionariedad podría ser simplificado

La mayoría de la literatura teórica y estudios empíricos han estado interesados en el caso en el

Ho =La serie no es estacionaria (presencia de raíz unitaria).

El procedimiento en el Eviews es el siguiente:

tflilográm afid stati

Econometría con Eviews Gustavo Trujillo Calagua

lnclude in test equation ~

Econometrfa con Eviews Gustavo Trujillo Calagua

El resultado de la prueba es:

ADF Test Statistic -2.005976 1% Critica! Value... -4.1249

...MacKinnon critica! values for rejection of hypothesis of a unit root.

El resultado de la prueba es:

-3.867889 1% Critica! Value...

...MacKinnon critica! values far tejection of hypothesis of a unit root.

11 .1.2 Contraste de Dlckey-Füller GLS (ERS)

Test fer unit roat i!l~

1 Elliott-Rothenberq-Stock DF-GLS test statistic -1.482032

"Elliott-Rolhenberg-Stock (1996, Table 1)

Como se observa, la serie no es estacionaria a niveles, pues et valor DF-GLS (-1.482032) no

Econometría con Eviews Gustavo Trujillo Calagua

11.1.3 Contraste de Phfllfps-Perron (PP).

Y el reporte econométrico resultante será:

PP Test Statistic -1.550749 1% Critica! Value*

*MacKinnon critical values for rejection of hypothesis of a unit root.

lag truncation for Bartlett kernel: 2 ( Newey-West suggests: 3)

lr•I ,_ .-~ ...

Se pone en evidencia ta no estacionariedad de la serie a niveles, pues el valor PP (-1.550749)

Econometría con Eviews Gustavo Trujillo Calagua

11.1.4 Contraste Kwiatkowskl, Phllllps, Schmldt, & Shln (KPSS).

• Test for unit root in ~~,_...

La prueba se ha aplicado a la primera diferencia del logaritmo de la emisión primaria real, el

Kwiatkowski-Phillips-Schmidt-Shin test statistic 0.024586

Residual variance (no correction) 0.119861

11.1.5 Contraste Elllott, Rothenberg, & Stock, (ERS).

:resl for mi root in1"'P'r~:;;;:i;;;;t.t

Null Hypothesis: D(LEPR) has a unit root

Elliott-Rothenberg-Stock test statistic 5.697022

' '*Elliott-Rothenberg-Stock (1996, Table 1) -~

HAC corrected variance (Spectral OLS autoregression) 0.030137 e'

11.1.6 Contraste Ng-Perron.

Esta prueba es una modificación de la prueba de Phillips-Perron, de la prueba de Bhargava y

Ejecutamos la prueba a la primera diferencia del logaritmo de la emisión primaria real y

MZa MZt MSB MPT

} HAC corrected variance (Spectral GLS-detrended AR) 0.018079 :

Se evidencia la existencia de estacionariedad en la serie bajo análisis.

Econometrla con Eviews Gustavo TrujiUo Calagua

11.1.7 Contraste de Hodrlck-Prescott.

parámetro de suavización, en una serie estacionaria, la tendencia es casi paralela al eje X.

El procesamiento de esta prueba en el Eviews se ejecuta mediante:

Ser!% S tat1 ~t· : ~ ~

El resultado se muestra en el gráfico adjunto:

11ª=. ~-~\ ~~-~ --~~~Jtt~w~~r~~~l~I~~!~~:

Ahora la serie transformada parece ser estacionaria en su tendencia.

Caso 1: Raíz Unitaria y NO presencia de quiebre

Tenemos la siguiente serie denominada SEAIE3, cuya gráfica se muestra a continuación:

11ª=. ~-~\ ~~-~ --~~~Jtt~wr~l~I!:

D1LDINERE =a+ f3 101LPBIRE + f32 01LINFLACION + f3 3*011NTENO + f3/D1LDINERE(·1) +