picos de Econometria: Series de Tiempo.

To
Curso 2014, Segundo semestre
Ejercicios del Tema 6
n
Solucio
1. Para cada uno de los modelos siguientes, encuentra la expresion de yt en funcion de un valor
inicial para y0 . Calcula adem
as la prediccion de k periodos en adelante E(yt+k |yt , . . . , y1 ).
Las variables t y t son dos ruido blanco (0,1) independientes.
a) yt = yt1 + t + 0,5t1
b) yt = 1,1yt1 + t
c) yt = yt1 + 1 + t
d ) yt = yt1 + t + t
e) yt = t + t + 0,5t1 , donde t = t1 + t
f ) yt = t + t + 0,5t1 , donde t = 0,5 + t1 + t
Como haras los modelos en b) y d ) estacionarios? Tiene el modelo e) una representaci
on
ARIMA(p, 1, q)?

SOLUCION:
a) yt = yt1 + t + 0,5t1
yt = yt1 + t + 0,5t1 = (yt2 + t1 + 0,5t2 ) + t + 0,5t1
= yt2 + t + 1,5t1 + 0,5t2 = . . .
= y0 + t + 1,5t1 + 1,5t2 + + 0,50
Claramente el proceso no es estacionario.
Predicciones:
E(yt+1 |yt , . . . , y1 ) = yt + 0,5t = y0 + 1,5t + 1,5t1 + 1,5t2 + + 0,50

E(yt+2 |yt , . . . , y1 ) = E(yt+1 |yt , . . . , y1 ) = y0 + 1,5t + 1,5t1 + 1,5t2 + + 0,50

En general, E(yt+k |yt , . . . , y1 ) = y0 + 1,5t + 1,5t1 + 1,5t2 + + 0,50 para todo
k 1.
b) yt = 1,1yt1 + t
yt = 1,1yt1 + t = 1,1(yt2 + t1 ) + t
= 1,1yt2 + t + 1,1t1 = 1,1(yt3 + t2 ) + t + 1,1t1 . . .
= y0 + t + 1,1t1 + 1,1t2 + + 1,10
Claramente el proceso no es estacionario.
Predicciones:
E(yt+1 |yt , . . . , y1 ) = 1,1yt = 1,1y0 + 1,1t + 1,12 t1 + 1,12 t2 + + 1,12 0
1

E(yt+2 |yt , . . . , y1 ) = 1,1E(yt+1 |yt , . . . , y1 ) = 1,12 yt = 1,12 y0 +1,12 t +1,13 t1 +1,13 t2 + +1,13 0
En general, E(yt+k |yt , . . . , y1 ) = 1,1k y0 + 1,1k t + 1,1k+1 t1 + 1,1k+1 t2 + +
1,1k+1 0 para todo k 1.
2. Para cada uno de los modelos siguientes, encuentra la expresion de yt en funcion de un
valor inicial para y0 y la funcion de prediccion E(yt+k |yt , . . . , y1 ). Ademas, encuentra la
representaci
on ARIMA de cada modelo. Las variables t y t son dos ruido blanco (0,1).
a) yt = t + t , donde t = t1 + t , t = (1 + L)t y E(t t ) = 0
b) yt = t + t , donde t = t1 + t , t = (1 + L)t y E(t t ) = 1

SOLUCION:
a) yt = t + t , donde t = t1 + t , t = (1 + L)t y E(t t ) = 0
yt =
=
=
=
=
=

t + t = t1 + t + t + t1 = (t1 + t1 ) + t + t + t1 t1
yt1 + t + t + t1 t1 t2 = yt1 + t + t + ( 1)t1 t2
t2 + t1 + t1 + t2 + t + t + ( 1)t1 t2
(t2 + t2 ) + t + t1 + t + t1 t2
yt2 + t + t1 + t + t1 t2 t3
...

Predicciones:
E(yt+1 |yt , . . . , y1 ) = E(t+1 + t+1 ) = E(t + t+1 ) + E((1 + L)t+1 ) = t + t
E(yt+2 |yt , . . . , y1 ) = E(t+2 + t+2 ) = E(t+1 + t+2 ) + E((1 + L)t+2 ) = t
3. En este ejercicio hay que usar el archivo Excel Quarterly. En este archivo encontraras las
series TBill ( tipo de interes de las letras del tesoro) y r10 (tipo de interes de los pagares
del tesoro a 10 a
nos). Crea el diferencial spread.entre ellas, restando TBill a r10.
a) Usa 8 retardos para llevar a cabo el test de Dickey-Fuller ampliado del diferencial.
Es el diferencial estacionario?
b) Realiza el test de Dickey-Fuller ampliado con 5 retardos de r10. Es r10 estacionario?
c) Realiza el test de Dickey-Fuller ampliado con 7 retardos de Tbill. Es Tbill estacionario?
d ) C
omo es posible que que individualmente las series se comporten como un I(1) y el
diferencial act
ue como un proceso estacionario?

SOLUCION:
a) test de Dickey-Fuller ampliado de spread:

. dfuller spread, trend regress lags(8)

Augmented Dickey-Fuller test for unit root

Z(t)

Test
Statistic

1% Critical
Value

-4.485

-4.012

Number of obs

184

Interpolated Dickey-Fuller
5% Critical
10% Critical
Value
Value
-3.439

-3.139

MacKinnon approximate p-value for Z(t) = 0.0016

D.spread
spread
L1.
LD.
L2D.
L3D.
L4D.
L5D.
L6D.
L7D.
L8D.
_trend
_cons

Coef.
-.2128811
.3764667
-.0625357
.2545396
-.0251869
.2338709
-.0768649
-.0085372
.1837713
.0014472
.152917

Std. Err.
.0474663
.0768661
.0802741
.0770473
.0797971
.0773639
.0794213
.0764042
.0757719
.0007916
.0886137

t
-4.48
4.90
-0.78
3.30
-0.32
3.02
-0.97
-0.11
2.43
1.83
1.73

P>|t|
0.000
0.000
0.437
0.001
0.753
0.003
0.334
0.911
0.016
0.069
0.086

[95% Conf. Interval]

-.3065687
.2247505
-.2209784
.1024659
-.1826881
.0811723
-.2336243
-.1593417
.034215
-.0001153
-.0219863

-.1191936
.5281828
.095907
.4066133
.1323143
.3865695
.0798945
.1422673
.3333277
.0030096
.3278202

Se rechaza la hip
otesis nula, y por tanto, hay evidencias de que spread es estacionario.
b) test de Dickey-Fuller ampliado de r10:
. dfuller r10, trend regress lags(5)
Augmented Dickey-Fuller test for unit root

Z(t)

Test
Statistic

1% Critical
Value

-1.433

-4.011

Number of obs

187

Interpolated Dickey-Fuller
5% Critical
10% Critical
Value
Value
-3.438

-3.138

MacKinnon approximate p-value for Z(t) = 0.8510

D.r10

Coef.
r10
L1.
LD.
L2D.
L3D.
L4D.
L5D.
_trend
_cons

-.0203751
.2618538
-.0829738
.1393767
-.040323
-.1550225
-.0010215
.2420897

Std. Err.
.0142212
.0735617
.07601
.0756685
.0759632
.0738843
.0006534
.1241675

t
-1.43
3.56
-1.09
1.84
-0.53
-2.10
-1.56
1.95

P>|t|
0.154
0.000
0.276
0.067
0.596
0.037
0.120
0.053

[95% Conf. Interval]

-.0484379
.1166941
-.2329647
-.0099404
-.1902216
-.3008188
-.0023108
-.0029307

.0076877
.4070135
.0670172
.2886938
.1095756
-.0092262
.0002678
.4871101

. dfuller r10, regress lags(5)

Augmented Dickey-Fuller test for unit root

Z(t)

Test
Statistic

1% Critical
Value

-1.408

-3.481

Number of obs

187

Interpolated Dickey-Fuller
5% Critical
10% Critical
Value
Value
-2.884

-2.574

MacKinnon approximate p-value for Z(t) = 0.5782

D.r10

Coef.

Std. Err.

P>|t|

[95% Conf. Interval]

r10
L1.
LD.
L2D.
L3D.
L4D.
L5D.

-.0201092
.2724414
-.0773459
.1478485
-.0351554
-.1467294

.0142772
.0735426
.0762287
.0757764
.0761951
.0739887

-1.41
3.70
-1.01
1.95
-0.46
-1.98

0.161
0.000
0.312
0.053
0.645
0.049

-.0482814
.1273248
-.2277628
-.0016759
-.185506
-.2927262

.0080629
.4175579
.0730709
.2973729
.1151952
-.0007326

_cons

.138988

.1056294

1.32

0.190

-.0694431

.3474191

. dfuller r10, noconstant regress lags(5)

Augmented Dickey-Fuller test for unit root

Z(t)

Test
Statistic

1% Critical
Value

-0.503

-2.588

D.r10

Coef.

r10
L1.
LD.
L2D.
L3D.
L4D.
L5D.

-.0023714
.2667391
-.0848998
.1401536
-.0443475
-.158237

Std. Err.
.0047117
.073563
.0761656
.0757029
.0760274
.0736183

Number of obs

187

Interpolated Dickey-Fuller
5% Critical
10% Critical
Value
Value
-1.950

t
-0.50
3.63
-1.11
1.85
-0.58
-2.15

P>|t|
0.615
0.000
0.266
0.066
0.560
0.033

-1.616

[95% Conf. Interval]

-.0116684
.1215878
-.2351866
-.0092202
-.1943614
-.3034975

.0069256
.4118905
.065387
.2895273
.1056664
-.0129766

En los tres modelos no se rechaza la hipotesis nula, luego hay evidencias de que r10
no es estacionario.
c) test de Dickey-Fuller ampliado de Tbill:

. dfuller Tbill, trend regress lags(7)

Augmented Dickey-Fuller test for unit root

Z(t)

Test
Statistic

1% Critical
Value

-2.193

-4.012

Number of obs

185

Interpolated Dickey-Fuller
5% Critical
10% Critical
Value
Value
-3.439

-3.139

MacKinnon approximate p-value for Z(t) = 0.4936

D.Tbill
Tbill
L1.
LD.
L2D.
L3D.
L4D.
L5D.
L6D.
L7D.
_trend
_cons

Coef.
-.0448975
.3868766
-.3407848
.3898664
-.1132354
.2039402
-.0773111
-.1955421
-.0012894
.3776645

Std. Err.
.0204704
.0732104
.0784292
.0815829
.0860214
.082302
.0785374
.0743283
.0009401
.1675701

t
-2.19
5.28
-4.35
4.78
-1.32
2.48
-0.98
-2.63
-1.37
2.25

P>|t|
0.030
0.000
0.000
0.000
0.190
0.014
0.326
0.009
0.172
0.025

[95% Conf. Interval]

-.0852982
.2423876
-.4955736
.2288534
-.2830084
.041508
-.2323135
-.3422374
-.0031448
.046946

-.0044969
.5313656
-.1859959
.5508793
.0565375
.3663724
.0776914
-.0488468
.000566
.708383

. dfuller Tbill, regress lags(7)

Augmented Dickey-Fuller test for unit root

Z(t)

Test
Statistic

1% Critical
Value

-1.990

-3.482

Number of obs

185

Interpolated Dickey-Fuller
5% Critical
10% Critical
Value
Value
-2.884

-2.574

MacKinnon approximate p-value for Z(t) = 0.2909

D.Tbill

Coef.

Std. Err.

Tbill
L1.
LD.
L2D.
L3D.
L4D.
L5D.
L6D.
L7D.

-.0402861
.3913971
-.3408808
.3936184
-.1138874
.2055584
-.078927
-.1960515

.0202429
.073319
.0786252
.0817408
.0862352
.0824992
.0787249
.0745132

-1.99
5.34
-4.34
4.82
-1.32
2.49
-1.00
-2.63

0.048
0.000
0.000
0.000
0.188
0.014
0.317
0.009

-.0802361
.2466995
-.4960504
.2323
-.2840755
.0427433
-.2342933
-.3431059

-.0003361
.5360947
-.1857112
.5549367
.0563007
.3683734
.0764393
-.0489972

_cons

.2225912

.1239846

1.80

0.074

-.0220966

.4672791

P>|t|

[95% Conf. Interval]

. dfuller Tbill, noconstant regress lags(7)

Augmented Dickey-Fuller test for unit root

Z(t)

Test
Statistic

1% Critical
Value

-0.857

-2.589

D.Tbill

Coef.

Tbill
L1.
LD.
L2D.
L3D.
L4D.
L5D.
L6D.
L7D.

-.0069471
.3818006
-.3547231
.3832661
-.1284011
.1858301
-.0955934
-.2191412

Std. Err.
.0081083
.0735817
.0787361
.0820476
.0863929
.082276
.0786651
.0738544

Number of obs

185

Interpolated Dickey-Fuller
5% Critical
10% Critical
Value
Value
-1.950

t
-0.86
5.19
-4.51
4.67
-1.49
2.26
-1.22
-2.97

P>|t|
0.393
0.000
0.000
0.000
0.139
0.025
0.226
0.003

-1.616

[95% Conf. Interval]

-.0229486
.2365903
-.5101055
.2213486
-.2988938
.0234619
-.2508356
-.3648897

.0090543
.527011
-.1993408
.5451836
.0420916
.3481982
.0596487
-.0733928

En los tres modelos no se rechaza la hipotesis nula, luego hay evidencias de que Tbill
no es estacionario.
d ) Como veremos en el tema 7, cuando esto ocurre decimos que las series estan cointegradas. Esto implica que las dos series comparten el mismo paseo aleatorio.
4. Para cada uno de los siguientes modelos determina si es estacionario y/o invertible y calcula
la funci
on de autocorrelaci
on.
a) (1 12 L12 )Yt = at , donde at iid(0, 1).
b) (1 1 L)(1 12 L12 )Yt = at , donde at iid(0, 1).

SOLUCION:
a) El modelo es un AR(12) con las siguientes restricciones en los coeficientes 1 = 2 =
= 11 = 0. Por tanto el proceso es invertible para cualquier valor de 12 .
Es estacionario se las races de 1 12 L12 estan fuera del crculo unidad, esto es,
 12
cuando | 112
| > 1 |12 < 1|.
La funci
on de autocorrelacion es
h =

12 h12
= 12 h12 para h = 1, 2, . . .
12 12 + 1

b) El modelo es un AR(13) con 1 = 1 , 2 = 3 = = 11 = 0, 12 = 12 y

13 = 1 12 . Por tanto el proceso es invertible para cualquier valor de 1 y 12 .
Es estacionario se las races de (1 1 L)(1 12 L12 ) estan fuera del crculo unidad,
esto es, cuando |1 | < 1 y |12 < 1|.
6

La funci
on de autocorrelacion es
h = 1 h1 + 12 h12 1 12 h13 para h = 1, 2, . . .
5. Para cada uno de los siguientes modelos determina si es estacionario y/o invertible.
a) Yt = 0,2Yt1 + 0,48Yt2 + at + 0,6at1 0,16at2 , donde at iid(0, 2 ).
b) (1 L)Yt = (1 1,7L + 0,7L2 )at , donde at iid(0, 2 ).

SOLUCION:
a) Descomponemos la variable Yt que tal como esta expresada sigue un proceso ARMA(2,2):
(1 + 0,8L)(1 0,6L)Yt = (1 + 0,8L)(1 0,2L)at
El modelo est
a sobreparametrizado. Si lo simplificamos (1 0,6L)Yt = (1 0,2L)at
que es estacionario (| 0,6| < 1) e invertible (| 0,2| < 1). Yt sigue un proceso
ARMA(1,1).
b) Descomponemos la variable Yt que tal como esta expresada sigue un proceso ARMA(1,2):
(1 L)Yt = (1 L)(1 0,7L)at
El modelo est
a sobreparametrizado. Si lo simplificamos Yt = (1 0,7L)at que es
estacionario e invertible (| 0,7| < 1). Yt sigue un proceso MA(1).
6. Se ha estimado el siguiente modelo a partir de los datos de la serie yt :
(1 0,5L)(1 + 0,7L4 )(1 L)Yt = (1 0,5L4 )t
Sea Xt = (1 L)Yt .
a) Indica que proceso siguen Yt y Xt .
b) Es Yt estacionario?Lo es Xt ? Calcula la representacion MA() del proceso que sea
estacionario.
c) Se tienen las u
ltimas observaciones de la variable Xt :
t
xt

111
3

112
-1

113
2

114
1

115
2

116
3

117
-1

118
1

119
-1

120
5

Y la u
ltima observaci
on de Yt : Y120 = 68. Calcula las predicciones de los 5 periodos
siguientes para Xt e Yt .

SOLUCION:
a) Yt sigue un ARIMA multiplicativo ARIMA(1,1,0)(1, 0, 1)4 . Xt sigue un ARMA multiplicativo ARMA(1,0)(1, 1)4 .
El proceso Xt tambien se puede expresar como un ARMA(5,4) con 1 = 0,5, 2 =
3 = 0, 4 = 0,7, 5 = 0,35 y 1 = 2 = 3 = 0, 4 = 0,5.

b) Yt no es estacionario. Xt es estacionario (sus races estan fuera del crculo unidad).

Su representaci
on MA() es
Xt = (1 + 0,5L + 0,25L2 + 0,125L3 0,575L4 0,20125L5 + . . . )t
La expresi
on de los coeficientes para Lj con j 5 es j = 0,5j1 0,7j4 +
0,35j5 .
c) Predicci
on de X121 :
b121 = 0,5X120 0,7X117 +0,5X116 0,5117 = 0,550,7(1)+0,530,52,1 = 3,2
X
b121 + Y120 = 3,2 + 68. . . .
Predicci
on de Y121 : Yb121 = X
7. Busca el modelo que mejor se ajuste a los datos de la variable seriesque encontrar
as en
el archivo Ej7data.

SOLUCION:
Los datos se han generado siguiendo el modelo (1 0,85L)(1 0,7L4 )Yt = (1 0,5)at con
at iidN (0, 1).