Beruflich Dokumente
Kultur Dokumente
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 ) = 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:
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
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
-.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
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
.0076877
.4070135
.0670172
.2886938
.1095756
-.0092262
.0002678
.4871101
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
Coef.
Std. Err.
P>|t|
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
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
.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:
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
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
-.0044969
.5313656
-.1859959
.5508793
.0565375
.3663724
.0776914
-.0488468
.000566
.708383
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
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|
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
.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
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.
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).