Tarea MC3

Métodos Cuantitativos III Universidad de Chile
Tarea 1 Facultad de Economı́a y Negocios
Métodos Cuantitativos III

Profesor: Michael Basch
Ayudantes: Constanza Zepeda D. Octavio Martı́nez B. Pablo Braga M
Integrantes: Matias Philipp
Tarea 1
Otoño 2018
1. Series de Tiempo
Considere el siguiente proceso:
yt = 1 + 2t − 0, 5t2 + ut
Donde ut es un proceso ARIMA(2,2,2). Considere que la parte MA de ut viene dada por εt +0,2εt−1 −0,1εt−2
1. Encuentre una expresión matemática que le permita trabajar en la generación de ut
Por enunciado se sabe que ut sigue un proceso ut ∼ ARIM A(2, 2, 2), por lo que es posible utilizar
la diferenciación en un proceso ARIMA para llegar un proceso ARMA, por lo cual se puede expresar
como un ∆2 ut ∼ ARM A(0, 2), en términos matemáticos tenemos:
∆2 ut = εt + 0,2εt−1 − 0,1εt−2
Ahora hay que desarrollar la parte diferenciada, para esto:
∆2 ut = ∆(∆ut ) = ∆(ut − ut−1 ) = (∆ut − ∆ut−1 ) = (ut − ut−1 − (ut−1 − ut−1 ) = ut − 2ut−1 + ut−2
Finalmente, el proceso ut quedara definido como ARMA(0,2) tal que:
ut = 2ut−1 − ut−2 + εt + 0,2εt−1 − 0,1εt−2

Finalmente queda el proceso descrito de forma que se puede trabajar.
2. Genere 50 observaciones del proceso yt en un Excel
Un ruido blanco tiene distribución Normal con media cero y varianza uno. Excel posee una función
de compatibilidad la cual es =DISTR.NORM.INV(ALEATORIO(),0,1) la cual es útil para generar
valores que cumplan con dicha distribución. Los resultados se detallan en el archivo EXCEL incluido.
3. Encuentre y justifique analı́ticamente el orden de integración de yt
Dada la única parte del modelo que es aleatoria es ut, debe hacerse dos diferenciaciones para que el
proceso quede con orden de integración cero, por lo tanto, el modelos es integrado de orden 2.
4. Importe sus datos a Eviews. Grafique la serie y realice tests de raı́ces unitarias
El gráfico de la serie es el siguiente:
Figura 1: Serie de tiempo yt
Página 1 de 30
Microeconomı́a III Universidad de Chile
El test de Dicky Fuller para raı́ces unitarias arroja los siguientes resultados:
Null Hypothesis: YT has a unit root

Exogenous: None
Lag Length: 1 (Automatic - based on SIC, maxlag=10)
t-Statistic Prob.*
Augmented Dickey-Fuller test statistic −1,319694 0,1706

Test critical values: 1 % level −2,611094
5 % level −1,947381
10 % level −1,612725
*MacKinnon (1996) one-sided p-values.
Augmented Dickey-Fuller Test Equation

Dependent Variable: D(YT)
Method: Least Squares
Date: 05/06/18 Time: 14:14
Sample (adjusted): 3 53
Included observations: 51 after adjustments
Variable Coefficient Std. Error t-Statistic Prob.
YT(-1) −0,001689 0,001280 −1,319694 0,1931

D(YT(-1)) 1,062848 0,025942 40,96978 0,0000
R-squared 0,992241 Mean dependent var −21,78540

Adjusted R-squared 0,992082 S.D. dependent var 12,00929
S.E. of regression 1,068602 Akaike info criterion 3,009005
Sum squared resid 55,95355 Schwarz criterion 3,084763
Log likelihood −74,72962 Hannan-Quinn criter. 3,037954
Durbin-Watson stat 1,341504
Por lo que no se puede rechazar la Hipótesis nula y el proceso tendrı́a raı́ces unitaria. Se utiliza el
criterio de Schwarz para que los resultados sean consistentes. Para la primera diferencia no se puede
rechazar la hipótesis nula. Para la segunda diferencia se rechaza la hipótesis nula y el proceso no tendrı́a
raı́ces unitarias.
Página 2 de 30
Null Hypothesis: YT has a unit root

Exogenous: None
Bandwidth: 5 (Newey-West automatic) using Bartlett kernel
Adj. t-Stat Prob.*
Phillips-Perron test statistic 11,76026 1,0000

5 % level −1,947248
10 % level −1,612797
Residual variance (no correction) 37,93878

HAC corrected variance (Bartlett kernel) 205,7314
Phillips-Perron Test Equation

Dependent Variable: D(YT)
Date: 05/06/18 Time: 14:21
YT(-1) 0,049221 0,001784 27,58898 0,0000

Página 3 de 30
Para la primera diferencia se rechaza la Hipótesis nula. A diferencia del test de Dicky Fuller la hipótesis
nula de este test indica que no existe raı́z unitaria.
5. Intente identificar la serie usando la opción AUTOMATIC ARIMA FORECASTING.
Al realizar la opción de identificación de Eviews, el resultado es un ARMA(1,1). Tal como vimos en
clases, el proceso de identificación al minimizar los criterios de información no es claro para muestras
pequeñas, en el caso de SIC, depende directamente de 1/T con T igual al numero de datos de la
muestra, por lo que no es confiable la identificación del modelo.
6. Considere ahora el proceso wt = ut − ut−1 + vt , donde vt es un ruido blanco diferente a t
y que no correlaciona con este. ¿Debiesen cointegrar dyt = yt − yt−1 y zt = wt − t?
Sean los procesos descritos, se puede escribir como:
∆yt = yt − yt−1 = 2,5 − t + ∆ut
∆zt = ∆wt = ∆2 ut + ∆υt
Restando esta ultima ecuación a la primera se obtiene:
∆yt − ∆zt = 2,5 − t + ∆ut − ∆2 ut − ∆υt
Proceso el cual tendrá orden de integración igual al mayor orden de integración de la parte derecha de
la ecuación que es igual a 1.
7. Genere zt en Excel e impórtelo a Eviews. Realice tests de raı́ces unitarias. Identifique
usando AUTOMATIC ARIMA FORECASTING.
Al realizar El test de Dicky Fuller:
Página 4 de 30
Null Hypothesis: ZT has a unit root

Exogenous: Constant
t-Statistic Prob.*

5 % level −2,918778
10 % level −2,597285

Dependent Variable: D(ZT)
Date: 05/06/18 Time: 15:37
ZT(-1) −0,005955 0,016078 −0,370387 0,7127

C −1,118117 0,458690 −2,437632 0,0184

Adjusted R-squared −0,017209 S.D. dependent var 1,501897
F-statistic 0,137186 Durbin-Watson stat 2,220118
Prob(F-statistic) 0,712659
Página 5 de 30
Por otro lado, al realizar el test Philips-Perron:
Null Hypothesis: ZT has a unit root

Exogenous: None
Bandwidth: 7 (Newey-West automatic) using Bartlett kernel
Adj. t-Stat Prob.*
Phillips-Perron test statistic 3,753911 0,9999

5 % level −1,947248
10 % level −1,612797
Residual variance (no correction) 2,468458

HAC corrected variance (Bartlett kernel) 2,458817
Phillips-Perron Test Equation

Dependent Variable: D(ZT)
Date: 05/06/18 Time: 15:41
ZT(-1) 0,028886 0,007712 3,745797 0,0005
R-squared −0,115780 Mean dependent var −0,967087

Adjusted R-squared −0,115780 S.D. dependent var 1,501897
Página 6 de 30
Finalmente se obtiene la estimación del modelo:
Automatic ARIMA Forecasting

Selected dependent variable: D(ZT, 2)
Date: 05/06/18 Time: 15:45
Sample: 4 53
Included observations: 50
Forecast length: 0
Number of estimated ARMA models: 25

Number of non-converged estimations: 0
Selected ARMA model: (0,1)
SIC value: 3.90457396528
Lo que es consistente con los resultados ya que el proceso no tiene parte AR pero si MA con un rezago.
8. Realice tests de cointegración entre yt − yt − 1 y zt . Exhiba sus resultados e interprete a
la luz de lo ya visto anteriormente. Explique la consistencia de sus resultados respecto al
proceso de generación de datos.
Página 7 de 30
Date: 05/06/18 Time: 15:53

Trend assumption: Linear deterministic trend
Series: ZT DYT
Lags interval (in first differences): 1 to 1
Unrestricted Cointegration Rank Test (Trace)
Hypothesized Trace 0.05

No. of CE(s) Eigenvalue Statistic Critical Value Prob.**
None * 0,523838 38,21996 15,49471 0,0000

At most 1 0,007387 0,378138 3,841466 0,5386
Trace test indicates 1 cointegrating eqn(s) at the 0.05 level

* denotes rejection of the hypothesis at the 0.05 level
**MacKinnon-Haug-Michelis (1999) p-values
Unrestricted Cointegration Rank Test (Maximum Eigenvalue)
Hypothesized Max-Eigen 0.05

No. of CE(s) Eigenvalue Statistic Critical Value Prob.**
None * 0,523838 37,84182 14,26460 0,0000

At most 1 0,007387 0,378138 3,841466 0,5386
Max-eigenvalue test indicates 1 cointegrating eqn(s) at the 0.05 level

* denotes rejection of the hypothesis at the 0.05 level
**MacKinnon-Haug-Michelis (1999) p-values
Unrestricted Cointegrating Coefficients (normalized by b’*S11*b=I):
ZT DYT
0,000107 1,502237
0,076566 0,241739
Unrestricted Adjustment Coefficients (alpha):
D(ZT) 1,047888 −0,047158

D(DYT) −0,757577 −0,079700
1 Cointegrating Equation(s): Log likelihood −158,9969
Normalized cointegrating coefficients (standard error in parentheses)

ZT DYT
1,000000 14036,50
(1951,60)
Adjustment coefficients (standard error in parentheses)

D(ZT) 0,000112
(1,8E − 05)
D(DYT) −8,11E − 05
(1,8E − 05) Página 8 de 30
El proceso presenta cointegracion, ya que se rechaza la hipotesis nula de que no tiene. El proceso es
cointegrado de orden 1.
9. Estime los modelos de las variables yt y zt
Al estimar los coeficientes de Yt obtenemos los siguientes datos:
Dependent Variable: YT
Date: 05/06/18 Time: 16:40
Sample: 4 53
T 1,365368 0,126531 10,79080 0,0000

T2 −0,493021 0,003053 −161,4781 0,0000

Los coeficientes son diferentes a la ecuacion estimada dado que no son muchos datos los de la muestra,
sin embargo los coeficientes son significativos.
Para la estimacion de zt obtenemos:
Dependent Variable: ZT
Date: 05/06/18 Time: 16:44
Sample: 4 53
WT 1,000000 6,32E − 16 1,58E + 15 0,0000

T −1,000000 3,68E − 17 −2,72E + 16 0,0000

S.E. of regression 8,23E − 15 Sum squared resid 3,25E − 27
Lo que es consistente, dada la ecuación generada con anterioridad.
Página 9 de 30
2. VAR
1. Revise si las series son estacionarias o no.
a) Gráficos.
Figura 2: Tasa de Interés Uk US Germany
A través del gráfico se puede sospechar que el proceso posee tendencia.Estas series no se mueven
centradas con respecto a un valor particular.
b) Tests.
b.1) Test de raı́z unitaria para US El primer test que ha realizar es un test de Dicky Fuller
aumentado sin considerar constante para US. Los resultados se detallan a continuación:
Página 10 de 30
Null Hypothesis: US has a unit root

Exogenous: None
t-Statistic Prob.*

5 % level −1,955681
10 % level −1,608793

Dependent Variable: D(US)
Date: 05/06/18 Time: 17:45
US(-1) −0,032021 0,041336 −0,774670 0,4464

Página 11 de 30
Claramente no se puede rechazar la hipotesis nula ÜS tiene una raiz unitaria”, esto ya que el
valor p no es inferior a 0.05. Al hacer el mismo test pero esta vez considerando intercepto, se
obtiene:

Exogenous: Constant
t-Statistic Prob.*

5 % level −2,998064
10 % level −2,638752

Date: 05/06/18 Time: 18:16
US(-1) −0,259880 0,135967 −1,911345 0,0704

D(US(-1)) 0,386148 0,201437 1,916962 0,0696
C 2,254043 1,403135 1,606433 0,1239

Página 12 de 30
Tampoco se puede rechazar la hipótesis nula. Ahora considerando tendencia e intercepto, los
resultados son los siguientes:

Exogenous: Constant, Linear Trend
t-Statistic Prob.*

5 % level −3,622033
10 % level −3,248592

Date: 05/06/18 Time: 18:25
US(-1) −0,610913 0,173638 −3,518317 0,0023

D(US(-1)) 0,482240 0,178162 2,706745 0,0140
C 8,409779 2,544793 3,304701 0,0037
@TREND(”1”) −0,206253 0,074883 −2,754329 0,0126

Donde tampoco se puede rechazar la hipótesis nula. Por lo tanto no se puede afirmar que el
proceso no posee raı́z unitaria.
b.2) Test de raı́z unitaria para UK El primer test que ha realizar es un test de Dicky Fuller
aumentado sin considerar constante para UK. Los resultados se detallan a continuación:
Página 13 de 30
Null Hypothesis: UK has a unit root

Exogenous: None
t-Statistic Prob.*

5 % level −1,955681
10 % level −1,608793

Dependent Variable: D(UK)
Date: 05/06/18 Time: 18:40
UK(-1) −0,034426 0,042108 −0,817567 0,4220

Página 14 de 30
Donde no se puede rechazar la hipótesis nula de que existe raı́z unitaria. Ahora para el mismo
proceso considerando intercepto:

Exogenous: Constant
t-Statistic Prob.*

5 % level −2,991878
10 % level −2,635542

Date: 05/06/18 Time: 19:07
UK(-1) −0,141553 0,131585 −1,075751 0,2937

C 1,150239 1,337684 0,859873 0,3991

Donde tampoco se puede rechazar la hipótesis nula. Por ultimo para el proceso considerando
tendencia e intercepto:
Página 15 de 30

t-Statistic Prob.*

5 % level −3,622033
10 % level −3,248592

Date: 05/06/18 Time: 19:11
UK(-1) −0,648972 0,179061 −3,624301 0,0018

D(UK(-1)) 0,448847 0,167167 2,685019 0,0147
C 9,208534 2,735677 3,366089 0,0032
@TREND(”1”) −0,253168 0,084920 −2,981253 0,0077

Página 16 de 30
En este caso si se puede rechazar la hipótesis nula al considerar intercepto y tendencia. Sin
embargo, categorizar procesos de raı́ces unitarias es un proceso complejo y requiere de varias
pruebas, por lo que nos quedamos con la descripción anterior obtenida.
b.3) Test de raı́z unitaria para Alemania
sin constante
Null Hypothesis: GERMANY has a unit root

Exogenous: None
t-Statistic Prob.*

5 % level −1,961409
10 % level −1,606610

Warning: Probabilities and critical values calculated for 20 observations
and may not be accurate for a sample size of 18

Dependent Variable: D(GERMANY)
Date: 05/06/18 Time: 19:32
GERMANY(-1) −0,004405 0,011920 −0,369547 0,7187

D(GERMANY(-1)) 0,606299 0,171884 3,527371 0,0047
D(GERMANY(-2)) −0,342969 0,149283 −2,297439 0,0422
D(GERMANY(-3)) 0,223769 0,153768 1,455234 0,1735
D(GERMANY(-4)) −0,538312 0,156129 −3,447868 0,0054
D(GERMANY(-5)) 0,283820 0,135416 2,095911 0,0600
D(GERMANY(-6)) −0,423526 0,109920 −3,853036 0,0027

con constante
Página 17 de 30

Exogenous: Constant
t-Statistic Prob.*

5 % level −3,098896
10 % level −2,690439


Date: 05/06/18 Time: 19:33
GERMANY(-1) −1,393559 1,419748 −0,981554 0,4298

D(GERMANY(-1)) 1,903340 1,067285 1,783347 0,2165
D(GERMANY(-2)) 0,606193 1,190505 0,509190 0,6612
D(GERMANY(-3)) 1,471915 0,908176 1,620737 0,2465
D(GERMANY(-4)) 0,431433 0,954483 0,452006 0,6956
D(GERMANY(-5)) 0,836028 0,621650 1,344852 0,3109
D(GERMANY(-6)) 0,447816 0,777945 0,575640 0,6230
D(GERMANY(-7)) 0,434806 0,504860 0,861241 0,4799
D(GERMANY(-8)) 0,699860 0,453794 1,542242 0,2630
D(GERMANY(-9)) −0,088096 0,256102 −0,343989 0,7637
D(GERMANY(-10)) 0,485186 0,258132 1,879606 0,2009
C 14,76734 15,17208 0,973323 0,4331
R-squared 0,956366 Mean dependent var 0,097798

Log likelihood 2,809786 Hannan-Quinn criter. 1,262182
Página 18 de 30
con constante y tendencia

t-Statistic Prob.*
Augmented Dickey-Fuller test statistic 3,941381 1,0000

5 % level −3,791172
10 % level −3,342253


Date: 05/06/18 Time: 19:34
GERMANY(-1) 1,907803 0,484044 3,941381 0,1582

D(GERMANY(-1)) −2,606098 0,596490 −4,369057 0,1432
D(GERMANY(-2)) −2,195308 0,409461 −5,361458 0,1174
D(GERMANY(-3)) −1,962408 0,459848 −4,267514 0,1465
D(GERMANY(-4)) −1,635868 0,309220 −5,290302 0,1189
D(GERMANY(-5)) −1,724771 0,339606 −5,078740 0,1238
D(GERMANY(-6)) −1,326974 0,261566 −5,073189 0,1239
D(GERMANY(-7)) −1,511665 0,260029 −5,813458 0,1084
D(GERMANY(-8)) −0,865670 0,212162 −4,080233 0,1530
D(GERMANY(-9)) −0,799944 0,100103 −7,991244 0,0793
D(GERMANY(-10)) −0,421219 0,122534 −3,437582 0,1802
C −15,35414 4,630393 −3,315947 0,1865
@TREND(”1”) −0,279451 0,035081 −7,965967 0,0795
R-squared 0,999323 Mean dependent var 0,097798

S.E. of regression 0,092264 Akaike info criterion −2,710248
Sum squared resid 0,008513 Schwarz criterion −2,116838
Log likelihood 31,97174 Hannan-Quinn criter. −2,765179
c) Analisis de errores.
Página 19 de 30
Figura 3
Figura 4
Página 20 de 30
Figura 5
2. Trabaje los datos como un VAR(1)

Las ecuaciones estimadas pertenecen al siguiente sistema:
Gert = β1,0 + β1,1 Gert−1 + β1,2 Gert−2 + β1,3 U St−1 + β1,4 U St−2 + β1,5 U kt−1 + β1,6 U kt−2 + ε1,t
U St = β2,0 + β2,1 Gert−1 + β2,2 Gert−2 + β2,3 U St−1 + β2,4 U St−2 + β2,5 U kt−1 + β2,6 U kt−2 + ε2,t
U kt = β3,0 + β3,1 Gert−1 + β3,2 Gert−2 + β3,3 U St−1 + β3,4 U St−2 + β3,5 U kt−1 + β3,6 U kt−2 + ε3,t
Hay que notar que no se puede analizar el estadı́stico t común y corriente para ver la significancia de
los parámetros, si no de sus valores especiales.
Página 21 de 30
Vector Autoregression Estimates

Date: 05/06/18 Time: 20:19
Standard errors in ( ) & t-statistics in [ ]
GERMANY US UK
GERMANY(-1) 0,919012 −0,792973 −1,309611

(0,21037) (0,42200) (0,29154)
[ 4.36864] [-1.87907] [-4.49206]
GERMANY(-2) −0,304923 0,665743 0,856743

(0,22081) (0,44295) (0,30601)
[-1.38093] [ 1.50296] [ 2.79969]
US(-1) 0,076972 1,222408 0,713579

(0,12888) (0,25853) (0,17861)
[ 0.59725] [ 4.72823] [ 3.99525]
US(-2) −0,259931 −0,644395 −0,687649

(0,14181) (0,28447) (0,19653)
[-1.83298] [-2.26522] [-3.49900]
UK(-1) 0,202644 0,335684 0,954266

(0,13336) (0,26752) (0,18481)
[ 1.51959] [ 1.25481] [ 5.16341]
UK(-2) 0,029362 0,020272 0,120299

(0,13237) (0,26553) (0,18344)
[ 0.22182] [ 0.07635] [ 0.65578]
C 3,677680 1,863330 3,533796

(1,47429) (2,95749) (2,04317)
[ 2.49455] [ 0.63004] [ 1.72956]
R-squared 0,826019 0,777310 0,909028

Adj. R-squared 0,760776 0,693801 0,874914
Sum sq. resids 12,69613 51,09223 24,38465
S.E. equation 0,890791 1,786971 1,234520
F-statistic 12,66067 9,308101 26,64645
Log likelihood −25,80232 −41,81418 −33,30787
Akaike AIC 2,852376 4,244711 3,505032
Schwarz SC 3,197961 4,590296 3,850618
Mean dependent 10,61848 9,524928 9,226639
S.D. dependent 1,821266 3,229351 3,490548
Determinant resid covariance (dof adj.) 2,416265

Determinant resid covariance 0,813432
Log likelihood −95,53209
Akaike information criterion 10,13322
Schwarz criterion 11,16998
Página 22 de 30
Las raices de este VAR se pueden observar en el siguiente grafico:
Figura 6
Para ver la cointegración, realizamos el test correspondiente, con los siguientes resultados:
Página 23 de 30
Figura 7
Por lo que el modelo presenta cointegración, asumiendo que es un modelo lineal, con intercepto y
tendencia, presenta cointegración de orden 1,1
Con respecto a los errores, luego del test de normalidad se obtiene:
Página 24 de 30
VAR Residual Normality Tests

Orthogonalization: Cholesky (Lutkepohl)
Null Hypothesis: residuals are multivariate normal
Date: 05/06/18 Time: 21:40
Sample: 1 25
Component Skewness Chi-sq df Prob.
1 0,465381 0,830220 1 0,3622

2 0,316674 0,384416 1 0,5352
3 0,080651 0,024934 1 0,8745
Joint 1,239570 3 0,7435
Component Kurtosis Chi-sq df Prob.
1 2,545109 0,198304 1 0,6561

2 4,230439 1,450898 1 0,2284
3 2,443546 0,296739 1 0,5859
Joint 1,945941 3 0,5837
Component Jarque-Bera df Prob.
1 1,028524 2 0,5979
2 1,835314 2 0,3995
3 0,321673 2 0,8514
Joint 3,185511 6 0,7852
Página 25 de 30
Lo que indica que no se puede rechazar la hipótesis nula de que los errores distribuyen normal.
3. Trabaje el VAR como un Modelo de Corrección de Errores (MCE):
a) ¿Qué diferencia existe entre la lectura del MCE versus la de un VAR?, ¿Por qué nos interesa
estudiar el MCE?
Nos interesa usar el MEC debido a que un VAR puede no ser estacionario, pero entre dos proce-
sos VAR puede existir una combinación lineal de estos que permita estudiarlo como un proceso
estacionario, esto es lo que hace un MCE, permite trabajar dos series que no son estacionarias
como una que si lo fuera.
b) ¿Cómo se interpretan los resultados? Los resultados son los coeficientes del modelo de corrección
de errores, la idea detrás de esta es que aunque cada uno de los procesos no tienen tendencia
estacionaria, una combinación lineal de ellos con esos parámetros si lo es.
c) ¿Hay significancia en los parámetros?
La significancia de los parámetros se muestran en la siguiente tabla:
Página 26 de 30
Figura 8
d) ¿Se puede hablar de causalidad?

Existe interdependencia entre las variaciones de las tasas en procesos anteriores con respecto a
como influye en periodos futuros.
4. Estudie las impulso-respuesta del VAR
a) Muestre una tabla con las impulso-respuesta de cada serie. ¿Cómo se interpreta?
La primera tabla muestra la respuesta ante impulsos de US:
Las tablas muestran la respuesta ante impulsos para cada paı́s estudiado. La respuesta de US ante
un primer shock de Uk y Alemania es cero, solo responde ante impulsos de US. UK en un primer
shock responde ante shocks propios y de US, no hay efectos ante shocks de Alemania. Alemania
por otro lado responde ante impulsos propios y de los otros paı́ses.
Página 27 de 30
Response of US:
Period US UK GERMANY
1 1,786971 0,000000 0,000000

(0,26347) (0,00000) (0,00000)
2 1,750942 0,228853 −0,562401
(0,50370) (0,35410) (0,31057)
3 1,037692 0,384507 −1,043960
(0,66931) (0,46224) (0,49793)
4 0,474719 0,431248 −1,133377
(0,74637) (0,54677) (0,55779)
5 0,321906 0,440290 −0,907936
(0,76552) (0,59041) (0,58880)
6 0,419398 0,477273 −0,618349
(0,74164) (0,62272) (0,61204)
7 0,511044 0,550545 −0,458750
(0,70285) (0,65633) (0,62719)
8 0,466662 0,626441 −0,468536
(0,67674) (0,68545) (0,65583)
9 0,317285 0,669159 −0,570589
(0,66319) (0,71085) (0,69338)
10 0,167535 0,667471 −0,665039
(0,65300) (0,73814) (0,73026)
Response of UK:
1 −0,140499 1,226499 0,000000
(0,25658) (0,18084) (0,00000)
2 0,503086 0,868404 −0,928816
(0,39677) (0,32655) (0,24801)
3 0,172009 0,734069 −1,533619
(0,55410) (0,44639) (0,38998)
4 0,066238 0,553672 −1,573070
(0,67763) (0,53489) (0,50819)
5 0,312344 0,452800 −1,212161
(0,75219) (0,58381) (0,57719)
6 0,672872 0,474170 −0,803639
(0,77604) (0,63147) (0,60411)
7 0,859430 0,587552 −0,590170
(0,77659) (0,68771) (0,63681)
8 0,777707 0,718624 −0,603485
(0,77355) (0,74479) (0,69561)
9 0,530534 0,805076 −0,731723
(0,77418) (0,79926) (0,76119)
10 0,287575 0,827103 −0,845112
(0,77920) (0,85005) (0,82865)
Página 28 de 30
Response of GERMANY:
1 0,487157 0,230605 0,709231
(0,17129) (0,15174) (0,10457)
2 0,556778 0,460472 0,651791
(0,27736) (0,22481) (0,17747)
3 0,131246 0,582467 0,151235
(0,33812) (0,22845) (0,24577)
4 −0,374780 0,539249 −0,331981
(0,36720) (0,25223) (0,25498)
5 −0,599163 0,384970 −0,530893
(0,39612) (0,27508) (0,28689)
6 −0,469735 0,219172 −0,453780
(0,41403) (0,27424) (0,33458)
7 −0,154861 0,115710 −0,265187
(0,40386) (0,26588) (0,33043)
8 0,125151 0,090813 −0,123116
(0,37538) (0,25842) (0,29996)
9 0,248152 0,116167 −0,088725
(0,33580) (0,24906) (0,28979)
10 0,223360 0,151987 −0,132130
(0,29434) (0,24131) (0,28195)
b) Grafique las funciones de impulso respuesta de las variables trabajadas. Explique lo que ve.
Página 29 de 30
Figura 9
Los gráficos muestran lo mismo que las tablas , ahi se logran ver como responde cada uno de los
paı́ses ante impulsos de los otros. Vemos por ejemplo en el grafico de respuesta de US ante shock
en UK, que un primer impulso no tiene efectos en US.
c) ¿Qué puede concluir?
Se puede concluir que existen relaciones entre los tres paı́ses ante sus variaciones, donde Alemania
es sensible ante shocks de UK y US. También se ve que a medida de que hay mas impulsos este
efecto se distribuye en todo los paı́ses, eso se explica porque el proceso anterior tiene relación con
el proceso siguiente, por lo tanto aunque en un principio exista efecto cero entre los impulsos, ante
el accionar de mas shocks si tiene respuesta en cada uno de los paises.
Página 30 de 30

Tarea MC3

Hochgeladen von

Dokumentinformationen

Originaltitel

Copyright

Verfügbare Formate

Dieses Dokument teilen

Dokument teilen oder einbetten

Freigabeoptionen

Stufen Sie dieses Dokument als nützlich ein?

Sind diese Inhalte unangemessen?

Copyright:

Verfügbare Formate

Tarea MC3

Hochgeladen von

Copyright:

Verfügbare Formate

Métodos Cuantitativos III Universidad de Chile

Tarea 1 Facultad de Economı́a y Negocios

Métodos Cuantitativos III

Finalmente, el proceso ut quedara definido como ARMA(0,2) tal que:

ut = 2ut−1 − ut−2 + εt + 0,2εt−1 − 0,1εt−2

Figura 1: Serie de tiempo yt

Null Hypothesis: YT has a unit root

Augmented Dickey-Fuller test statistic −1,319694 0,1706

*MacKinnon (1996) one-sided p-values.

Augmented Dickey-Fuller Test Equation

Variable Coefficient Std. Error t-Statistic Prob.

YT(-1) −0,001689 0,001280 −1,319694 0,1931

R-squared 0,992241 Mean dependent var −21,78540

Null Hypothesis: YT has a unit root

Adj. t-Stat Prob.*

Phillips-Perron test statistic 11,76026 1,0000

*MacKinnon (1996) one-sided p-values.

Residual variance (no correction) 37,93878

Phillips-Perron Test Equation

Variable Coefficient Std. Error t-Statistic Prob.

YT(-1) 0,049221 0,001784 27,58898 0,0000

R-squared 0,743732 Mean dependent var −21,35684

∆yt = yt − yt−1 = 2,5 − t + ∆ut

∆zt = ∆wt = ∆2 ut + ∆υt

Restando esta ultima ecuación a la primera se obtiene:

∆yt − ∆zt = 2,5 − t + ∆ut − ∆2 ut − ∆υt

Null Hypothesis: ZT has a unit root

Augmented Dickey-Fuller test statistic −0,370387 0,9063

*MacKinnon (1996) one-sided p-values.

Augmented Dickey-Fuller Test Equation

Variable Coefficient Std. Error t-Statistic Prob.

ZT(-1) −0,005955 0,016078 −0,370387 0,7127

R-squared 0,002736 Mean dependent var −0,967087

Por otro lado, al realizar el test Philips-Perron:

Null Hypothesis: ZT has a unit root

Adj. t-Stat Prob.*

Phillips-Perron test statistic 3,753911 0,9999

*MacKinnon (1996) one-sided p-values.

Residual variance (no correction) 2,468458

Phillips-Perron Test Equation

Variable Coefficient Std. Error t-Statistic Prob.

ZT(-1) 0,028886 0,007712 3,745797 0,0005

R-squared −0,115780 Mean dependent var −0,967087

Finalmente se obtiene la estimación del modelo:

Automatic ARIMA Forecasting

Number of estimated ARMA models: 25

Date: 05/06/18 Time: 15:53

Unrestricted Cointegration Rank Test (Trace)

Hypothesized Trace 0.05

None * 0,523838 38,21996 15,49471 0,0000

Trace test indicates 1 cointegrating eqn(s) at the 0.05 level

Unrestricted Cointegration Rank Test (Maximum Eigenvalue)

Hypothesized Max-Eigen 0.05

None * 0,523838 37,84182 14,26460 0,0000

Max-eigenvalue test indicates 1 cointegrating eqn(s) at the 0.05 level

Unrestricted Cointegrating Coefficients (normalized by b’*S11*b=I):

Unrestricted Adjustment Coefficients (alpha):

D(ZT) 1,047888 −0,047158

1 Cointegrating Equation(s): Log likelihood −158,9969

Normalized cointegrating coefficients (standard error in parentheses)

Adjustment coefficients (standard error in parentheses)

Variable Coefficient Std. Error t-Statistic Prob.

T 1,365368 0,126531 10,79080 0,0000

Unrestricted Cointegrating Coefficients (normalized by b’S11b=I):