Trab Informatica - TERMINADO

FACULTAD DE CIENCIAS DE LA EMPRESA
ESCUELA ACADÉMICO PROFESIONAL DE ECONOMÍA
INFORMÁTICA PARA ECONOMISTAS
EVIEWS – STATA
PRESENTADO POR:
LA TORRE ROJAS, JOYCE
MEDINA QUISPE, FLOR
VILCAS MAMANI, SHEYLA
Huancayo – Perú
2019
Contenido
TRABAJO CONSOLIDADO N° 02 - INFORMÁTICA PARA ECONOMISTAS .................... 3
PARTE I. E VIEWS ...................................................................................................................... 3
1. Metodología de Engle – Granger ..................................................................................... 3
2. Probar la teoría de la paridad descubierta de tasas de interés. .................................... 4
PARTE II. STATA ...................................................................................................................... 10
Trabajo Consolidado N° 02 - Informática para Economistas ..................................................... 16
ANEXO ............................................................................................Error! Bookmark not defined.
Anexo 1: Análisis de dispersión ...................................................Error! Bookmark not defined.
Anexo 2: Diagrama de caja de años de educación, experiencia y experiencia2 Error! Bookmark
not defined.
Anexo 3: Distribución normal de años de educación, experiencia y experiencia2 .............Error!
Bookmark not defined.
Anexo 4: Distribución Kernel de años de educación, experiencia y experiencia2..............Error!
Bookmark not defined.
TRABAJO CONSOLIDADO N° 02 -
INFORMÁTICA PARA ECONOMISTAS
PARTE I. E VIEWS
1. Metodología de Engle – Granger
Se está trabajando con frecuencia diaria con la acción de Facebook y el índice de
Nasdaq.
Tabla N° 1
Fuente: Elaboración Propia
Generamos residuo para poder saber si la acción de Facebook podría explicar el

índice de Nasdaq. Aun no se puede afirmar ello.
Tabla N° 2

Luego analizaremos la causalidad:
Tabla N° 3
No existe relación a largo plazo. La acción de Facebook no tiene relación con el

índice de Nasdaq. Esto se debe a que las acciones de Nasdaq con consideradas volátiles.
2. Probar la teoría de la paridad descubierta de tasas de interés.

Efecto bidimensional del test de causalidad de Granger
Tabla N° 4
Pairwise Granger Causality Tests

Date: 06/30/19 Time: 23:55
Sample: 1 189
Lags: 4
Null Hypothesis: Obs F-Statistic Prob.
LOG(TFF) does not Granger Cause LOG(TR) 185 1.51920 0.1986

LOG(TR) does not Granger Cause LOG(TFF) 1.78301 0.1343
LOG(TCN) does not Granger Cause LOG(TR) 185 1.23624 0.2973

LOG(TR) does not Granger Cause LOG(TCN) 0.29437 0.8813
LOG(TCN) does not Granger Cause LOG(TFF) 185 4.31241 0.0024

LOG(TFF) does not Granger Cause LOG(TCN) 1.09160 0.3623
Se puede observar que no existe relación entre cada una de las variables.
Tabla N° 5
Vector Error Correction Estimates
Date: 07/01/19 Time: 00:00
Sample (adjusted): 4 189
Included observations: 186 after adjustments
Standard errors in ( ) & t-statistics in [ ]
Cointegrating Eq: CointEq1
LTR(-1) 1.000000
LTFF(-1) -0.177519
(0.06313)
[-2.81188]
LTCN(-1) 2.453959
(1.00860)
[ 2.43302]
@TREND(1) -0.000422
(0.00133)
[-0.31712]
C -4.077758
Error Correction: D(LTR) D(LTFF) D(LTCN)
CointEq1 -0.054006 -0.007952 0.000209

(0.01051) (0.03347) (0.00255)
[-5.13858] [-0.23757] [ 0.08206]
D(LTR(-1)) 0.542610 -0.293501 0.004570

(0.06891) (0.21948) (0.01673)
[ 7.87392] [-1.33724] [ 0.27309]
D(LTR(-2)) 0.193527 0.333552 0.007066

(0.06955) (0.22152) (0.01689)
[ 2.78254] [ 1.50577] [ 0.41841]
D(LTFF(-1)) 0.020756 0.448558 0.002422

(0.02339) (0.07451) (0.00568)
[ 0.88722] [ 6.02011] [ 0.42643]
D(LTFF(-2)) -0.049825 -0.072804 -0.008459

(0.02350) (0.07483) (0.00571)
[-2.12057] [-0.97288] [-1.48259]
D(LTCN(-1)) 0.153276 -0.347559 0.382817

(0.30835) (0.98210) (0.07488)
[ 0.49708] [-0.35389] [ 5.11275]
D(LTCN(-2)) 0.760435 -1.068637 -0.084414

(0.31229) (0.99462) (0.07583)
[ 2.43506] [-1.07441] [-1.11321]
C 0.000903 0.002522 -0.000117

(0.00342) (0.01088) (0.00083)
[ 0.26439] [ 0.23180] [-0.14095]
R-squared 0.554941 0.199767 0.148342

Adj. R-squared 0.537438 0.168297 0.114850
Sum sq. resids 0.385596 3.911502 0.022736
S.E. equation 0.046543 0.148239 0.011302
F-statistic 31.70668 6.347875 4.429144
Log likelihood 310.6977 95.22718 573.9676
Akaike AIC -3.254814 -0.937927 -6.085673
Schwarz SC -3.116072 -0.799185 -5.946932
Mean dependent 0.000512 0.004684 -0.000228
S.D. dependent 0.068434 0.162546 0.012013
Determinant resid covariance (dof adj.) 6.03E-09

Determinant resid covariance 5.28E-09
Log likelihood 980.7006
Akaike information criterion -10.24409
Schwarz criterion -9.758496
Number of coefficients 28
Test de Johansen con cointegración
Tabla N° 6
Date: 07/01/19 Time: 00:02

Trend assumption: Linear deterministic trend (restricted)
Series: LTR LTFF LTCN
Lags interval (in first differences): 1 to 2
Unrestricted Cointegration Rank Test (Trace)
Hypothesized Trace 0.05

No. of CE(s) Eigenvalue Statistic Critical Value Prob.**
None * 0.129445 50.51174 42.91525 0.0073

At most 1 0.098972 24.72756 25.87211 0.0689
At most 2 0.028316 5.342796 12.51798 0.5479
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 0.129445 25.78418 25.82321 0.0506

At most 1 0.098972 19.38476 19.38704 0.0500
At most 2 0.028316 5.342796 12.51798 0.5479
Max-eigenvalue test indicates no cointegration 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):
LTR LTFF LTCN @TREND(2)

3.079609 -0.546689 7.557233 -0.001299
-1.029772 -0.598583 12.01849 0.004957
0.287349 -0.206177 8.271686 -0.016648
Unrestricted Adjustment Coefficients (alpha):
D(LTR) -0.017537 0.000432 -0.000291

D(LTFF) -0.002582 0.045262 0.002844
D(LTCN) 6.80E-05 0.000226 -0.001856
1 Cointegrating Equation(s): Log likelihood 980.7006
Normalized cointegrating coefficients (standard error in parentheses)

1.000000 -0.177519 2.453959 -0.000422
(0.06313) (1.00860) (0.00133)
Adjustment coefficients (standard error in parentheses)

D(LTR) -0.054006
(0.01051)
D(LTFF) -0.007952
(0.03347)
D(LTCN) 0.000209
(0.00255)
2 Cointegrating Equation(s): Log likelihood 990.3929
Normalized cointegrating coefficients (standard error in parentheses)

1.000000 0.000000 -0.850554 -0.001449
(0.83642) (0.00138)
0.000000 1.000000 -18.61498 -0.005788
(3.57016) (0.00589)
Adjustment coefficients (standard error in parentheses)

D(LTR) -0.054451 0.009328
(0.01108) (0.00277)
D(LTFF) -0.054562 -0.025681
(0.03353) (0.00837)
D(LTCN) -2.31E-05 -0.000172
(0.00269) (0.00067)

Ambos métodos me dicen que existe vector de cointegración, al menos un vector de
cointegración.
 Primero probamos la causalidad

H1: r = 2 Existe más de un vector de cointegración
 Rechazo la ppp en su versión absoluta
Probar la versión relativa
Tabla N° 7
Vector Autoregression Estimates

Date: 07/01/19 Time: 00:18
Standard errors in ( ) & t-statistics in [ ]
D(LTR) D(LTFF) D(LTCN)
D(LTR(-1)) 0.591411 -0.286315 0.004381

(0.07294) (0.21682) (0.01653)
[ 8.10844] [-1.32055] [ 0.26504]
D(LTR(-2)) 0.123756 0.323278 0.007337

(0.07289) (0.21668) (0.01652)
[ 1.69779] [ 1.49196] [ 0.44419]
D(LTFF(-1)) 0.027721 0.449584 0.002395

(0.02496) (0.07419) (0.00566)
[ 1.11075] [ 6.06003] [ 0.42356]
D(LTFF(-2)) -0.032822 -0.070300 -0.008525

(0.02486) (0.07389) (0.00563)
[-1.32041] [-0.95139] [-1.51339]
D(LTCN(-1)) -0.019207 -0.372957 0.383486

(0.32755) (0.97369) (0.07422)
[-0.05864] [-0.38304] [ 5.16665]
D(LTCN(-2)) 0.473220 -1.110930 -0.083300

(0.32832) (0.97598) (0.07440)
[ 1.44132] [-1.13827] [-1.11966]
C 0.000663 0.002487 -0.000116

(0.00365) (0.01085) (0.00083)
[ 0.18157] [ 0.22917] [-0.14023]
R-squared 0.488919 0.199513 0.148309

Adj. R-squared 0.471788 0.172681 0.119761
Sum sq. resids 0.442796 3.912742 0.022736
S.E. equation 0.049737 0.147848 0.011270
F-statistic 28.53971 7.435643 5.195040
Log likelihood 297.8339 95.19770 573.9641
Akaike AIC -3.127246 -0.948362 -6.096388
Schwarz SC -3.005847 -0.826963 -5.974989
Mean dependent 0.000512 0.004684 -0.000228
S.D. dependent 0.068434 0.162546 0.012013
Determinant resid covariance (dof adj.) 6.81E-09

Determinant resid covariance 6.07E-09
Log likelihood 967.8085
Akaike information criterion -10.18074
Schwarz criterion -9.816539
Number of coefficients 21
La paridad descubierta de tasa de interés, es una teoría que describe la relación

entre los tipos de cambio entre divisas y los tipos de interés. Por lo cual en este análisis
se puede observar que al menos existe un vector de cointegración como tal se muestra
en la tabla en la cual se aplica test de traza y valores propios (los cuales están subrayados).
PARTE II. STATA
Usando el archivo del sistema stata pop2000.dta se pide lo siguiente:
1. ¿Cuántas variables tiene el archivo? ¿Todas las variables son reconocidas por
Stata?, en caso negativo señale la(s) variable(s) que no son reconocidas.
 El archivo posee 19 variables cualitativas en total.

 No todas las variables son reconocidas por Stata, se dice que una variable no es
reconocida por Stata cuando esta posee el color rojo y esta evidencia posee la
variable AGESTR.
2. ¿Cuántas categorías de edad existen?
 La variable edad está agrupada en 17 intervalos o categorías (17 obs) que van desde
los niños menores de 5 años, hasta los adultos mayores de 80 - 84 años de edad.
3. ¿Cuál es el rango de la variable femtotal?
 Rango: [3110470, 11387968]

4. Calcule la media, desviación estándar de la variable white.
 Media: 1.22e+07
 Desviación estándar: 3790714
5. Calcule los percentiles 25%, 50%, 75% de las variables indian y island.
 Percentil:
25% = 67, 189
50% = 186, 072
75% = 202, 013
 Percentil:
25% = 10,142
50% = 28, 760
75% = 35, 224
6. Calcule el sesgo y la curtosis de la variable black.
 Sesgo: - 0.4705746
 Curtosis: 1.637563
7. Generar una variable dif que sea diferencia entre las variables white y dos veces
black. Calcule la media y desviación estándar de la variable dif.
 Media: 8176019
 Desviación estándar: 2231560
8. ¿Cuántas observaciones de la variable black son menores a 2000000?
 Hay 7 observaciones de la variable black que poseen la característica de ser

<2000000
9. Calcule la media y la desviación estándar de la variable maleasian para valores de la

variable indian mayores o iguales a 100000.
 Media: 385881
 Desviación estándar: 59014.91
10. Calcule la media y la desviación estándar del total de la población para edades hasta
34 años y realice un gráfico de líneas que muestre la población de Indian.
Figura N° 1
Fuente: Elaboración propia
La mayor población de la India se encuentra en edades de 3 a 4 años de edad, con

aproximadamente 250,000 personas; mientras que la menor población posee de entre 17 y
18 años, siendo 20,000 habitantes aproximadamente.
Trabajo Consolidado N° 02 - Informática para
Economistas
a) Realizar un análisis de dispersión para determinar correlatos, de las variables años de

educación, experiencia y experiencia2 versus logaritmo del salario (la variable ya se
encuentra en logaritmos). Describir los gráficos.
VER ANEXO 1
b) Realizar un análisis de diagramas de caja de cada variable de la ecuación de MINCER.
Interpretar estadísticamente sus resultados.
VER ANEXO 2
c) Realizar un análisis de histogramas de cada variable, luego compararlos con una

distribución normal y kernel, interpretar sus resultados.
 Distribución normal de años de educación, experiencia y experiencia2
VER ANEXO 3
 Distribución Kernel de años de educación, experiencia y experiencia2
VER ANEXO 4
d) Estimar la ecuación de MINCER:

Log w = β0 + β1Años de educación + β2Experiencia + β3Experiencia2 + Ɛ
Interpretar económicamente los parámetros, asimismo la significancia de cada parámetro y
del modelo.
 Al interpretar el modelo estimado vemos que por una unidad porcentual incrementada
en el ingreso la educación se incrementa en 0.0857567% el salario. Por otro lado un
incremento en una unidad a la experienciasq tendrá a disminuir el salario en
0.0004661%. Aunque este impacto sea negativo no es muy significativo.
 Todos los coeficiente son diferentes de cero ya que el p value <5%
 El coeficiente de correlación al cuadrado(𝑅 2 ) este ubica entre 0 ≤ 𝑅 2 ≤ 1
 P value = 0 <5%, por lo cual se rechaza.
 Se puede observar que la var. exper (beta=0.4012488) es más importante para
explicar lwage. La variable beta indica que la variable es más significativa en la
regresión, para la ecuacion “lwage”.
 También se puede observar la correlación −1 ≤ 𝑝 ≤ 1
 Ƿ = 0 No hay correlación
 Ƿ = 1 Alta correlación positiva
 Ƿ = -1 Alta correlación negativa
VER ANEXO 5
e) Del modelo estimado en d), se pide probar si existe: Normalidad de residuos,

Homocedasticidad de residuos, multicolinealidad de los regresores, autocorrelación de
residuos, en caso contrario presente alguno de los problemas plantear la solución.
Normalidad
 La distribución no es normal ya que en el test “sfrancia resid” el p-value <5%, por lo
que se rechaza a hipótesis nula de que los errores se destruyen con una normal.
 Se realiza el test “sfrancia resid” ya que se usa una muestra grande, donde 𝑛 ≥ 100.
 Este concluye que es menos seguro usar gráficas, ya que el test es lejano al nivel de
significancia 5%.
VER ANEXO 6
Homocedasticidad
 En el estadístico hettest (Breusch Pagan), se observa que el Prob > chi2 =0.0000, lo
que nos indica que es menor a 5%, entonces se rechaza la hipótesis nula, donde la
varianza de los residuo9s es constante.
 En test de “estat imtest, white”, se acepta la hipótesis nula ya que el
Prob>chi2=0.1040 es mayor a 5%. La varianza de los residuos es constante.
 En el grafico “scatter r, y” se puede corroborar que los residuos si tienen varianza
constante.
VER ANEXO 7
Multicolineidad
 En el estadístico “vif” se observa que si existe multicolineidad ya que los valores del
vif ≥ 10.
VER ANEXO 8
Autocorrelación de residuos
 Para la autocorrelación de residuos se realiza el test de Durbin Watson.
VER ANEXO 9
f) Estimar nuevamente la ecuación de MINCER, pero solo para la población femenina:

Log wmujeres = β0 + β1Años de educación + β2Experiencia + β3Experiencia2 + Ɛ
Interpretar económicamente los parámetros, asimismo la significancia de cada parámetro y
del modelo.
 Al interpretar el modelo estimado pero solo para la población femenina, podemos ver
que por una unidad porcentual incrementada en el ingreso la educación se incrementa
en 0.0798378% el salario. Por otro lado un incremento en una unidad a la
experienciasq tendrá a disminuir el salario en 0.0006034%. Aunque este impacto sea
negativo no es muy significativo.
 Todos los coeficiente son diferentes de cero ya que el p value <5%
 El coeficiente de correlación al cuadrado(𝑅 2 ) este ubica entre 0 ≤ 𝑅 2 ≤ 1
 P value = 0 <5%, por lo cual se rechaza.
 Se puede observar que la var. exper (beta=1.012256) es más importante para explicar
lwage. La variable beta indica que la variable es más significativa en la regresión,
para la ecuacion “lwage”.
 También se puede observar la correlación −1 ≤ 𝑝 ≤ 1
 Ƿ = 0 No hay correlación
 Ƿ = 1 Alta correlación positiva
 Ƿ = -1 Alta correlación negativa
VER ANEXO 5
VER ANEXO 10
g) Del modelo estimado en f), se pide probar si existe: Normalidad de residuos,

Homocedasticidad de residuos, multicolinealidad de los regresores, autocorrelación de
residuos, en caso contrario presente alguno de los problemas plantear la solución.
Normalidad
 La distribución no es normal ya que en el test “sfrancia resid” el p-value <5%, por lo
que se rechaza a hipótesis nula de que los errores se destruyen con una normal.
 Se realiza el test “sfrancia resid” ya que se usa una muestra grande, donde 𝑛 ≥ 100.
Se tiene que tener en cuenta también que el modelo es solo para la población
femenina.
 Este concluye que es menos seguro usar gráficas, ya que el test es lejano al nivel de
significancia 5%.
VER ANEXO 11
Homocedasticidad
 En el estadístico hettest (Breusch Pagan), se observa que el Prob > chi2 =0.0028, lo
que nos indica que es menor a 5%, entonces se rechaza la hipótesis nula, donde la
varianza de los residuos es constante.
 En test de “estat imtest, white”, se acepta la hipótesis nula ya que el
Prob>chi2=0.5743 es mayor a 5%. La varianza de los residuos es constante.
 En el grafico “scatter r, y” se puede corroborar que los residuos si tienen varianza
constante.
VER ANEXO 12
Multicolineidad
 En el estadístico “vif” se observa que si existe multicolineidad ya que los valores del
vif ≥ 10.
VER ANEXO 13
Autocorrelación de residuos
 Para la autocorrelación de residuos se realiza el test de Durbin Watson.
VER ANEXO 14
h) Comparar los parámetros del modelo estimado (corregido si amerita) de d) y f), que puede
concluir.
 Ante la estimación de ambos modelo de “lwage”, pero uno con la diferencia de que
cuenta con un condicional que se aplica solo para lo población femenina, se puede
concluir que en ambos modelos la variable “”educ” tiene un impacto más positivo y
significativo, mientras que la variable “expersq” tiene un impacto negativo y no es
significativo.
 En la prueba de Normalidad a ambos modelos, se observa que los errores no se
destruyen con una normal y que es menos seguro usar gráficos.
 Realizando las pruebas de homocedasticidad se concluye que en ambos modelos
estimados existen residuos que tienen varianzas constantes.
 Finalmente, al realizar una prueba de multicolineidad, se encuentra que en ambos
modelos los valores de “expersq” y “exper” el estadístico vif ≥ 10. Ante este
resultado se procedió a resolver este problema mediante la creación de nuevas
variables lo cual nos permitió corregir los problemas de multicolineidad.
ANEXO
Anexo 1: Análisis de dispersión
 El gráfico de dispersión muestra una leve relación positiva entre la variable años de
educación e ingresos salariales.
 A mayores años de educación, mayores serán los ingresos percibidos en el futuro.
 El gráfico de dispersión no muestra una clara relación entre la variable experiencia e
ingresos salariales.
 El gráfico de dispersión no muestra una relación clara entre la variable experiencia^2

e ingresos salariales.
Anexo 2: Diagrama de caja de años de educación, experiencia y experiencia2
Figura N° 2
Años de edad
 El rango de la variable educación es 8 y va desde [9, 17]
 La media es 17, por tanto, el promedio de años de educación del conjunto de datos es
12.
Figura N° 3
Experiencia
 El rango de la variable experiencia es 52 y va desde [0, 52]

 La media es aproximadamente 15, por tanto, el promedio de años de experiencia del
conjunto de datos es 15.
 La media global se ubica en el cuartil inferior.
Figura N° 4
Experiencia^2
 El rango de la variable experiencia^2 es 1800 y va desde [0, 1800]

 La media es aproximadamente 200, por tanto, el promedio de años de experiencia^2
del conjunto de datos es 200.
 La media global se ubica en el cuartil inferior.
Anexo 3: Distribución normal de años de educación, experiencia y experiencia2
Figura N° 5
 Hay evidencia para afirmar que la distribución no se ajusta a una curva de
distribución normal.
 Media ≠ moda
 No es simétrica respecto a la media.
Figura N° 6
 Hay evidencia para afirmar que la distribución no se ajusta a una curva de distribución
normal.
 Media ≠ moda
Figura N° 7
 Hay evidencia para afirmar que la distribución no se ajusta a una curva de

distribución normal.
 Media ≠ moda
Anexo 4: Distribución Kernel de años de educación, experiencia y experiencia2
Figura N° 8
 El gráfico muestra la curva de densidad de distribución normal verdadera

(distribución gausiana) junto con las estimaciones de densidad Kernel, la cual
evidencia que no existe una clara distribución normal.
Figura N° 9

Figura N° 10

Anexo 5: Estimación de la ecuación de MINCER
Figura N° 11

Anexo 6: Normalidad de residuos
Figura N° 12
Figura N° 13
Figura N° 14

Figura N° 15
Anexo 7: Homocedasticidad de residuos
Figura N° 16
Figura N° 17
Figura N° 18

Anexo 8: Multicolinealidad de los regresores
Figura N° 19
Anexo 9: autocorrelación de residuos
Anexo 10: Estimación de la ecuación de MINCER, pero solo para la población femenina
Figura N° 20
Anexo 11: Normalidad de residuos
Figura N° 21
Figura N° 22
Figura N° 23
Figura N° 24
Anexo 12: Homocedasticidad de residuos
Figura N° 25
Figura N° 26

Figura N° 27
Anexo 13: Multicolinealidad de los regresores
Figura N° 28
Anexo 14: autocorrelación de residuos

Trab Informatica - TERMINADO

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

Trab Informatica - TERMINADO

Hochgeladen von

Copyright:

Verfügbare Formate

FACULTAD DE CIENCIAS DE LA EMPRESA

ESCUELA ACADÉMICO PROFESIONAL DE ECONOMÍA

INFORMÁTICA PARA ECONOMISTAS

Fuente: Elaboración Propia

Generamos residuo para poder saber si la acción de Facebook podría explicar el

Fuente: Elaboración Propia

Fuente: Elaboración Propia

No existe relación a largo plazo. La acción de Facebook no tiene relación con el

2. Probar la teoría de la paridad descubierta de tasas de interés.

Pairwise Granger Causality Tests

Null Hypothesis: Obs F-Statistic Prob.

LOG(TFF) does not Granger Cause LOG(TR) 185 1.51920 0.1986

LOG(TCN) does not Granger Cause LOG(TR) 185 1.23624 0.2973

LOG(TCN) does not Granger Cause LOG(TFF) 185 4.31241 0.0024

Fuente: Elaboración Propia

Cointegrating Eq: CointEq1

Error Correction: D(LTR) D(LTFF) D(LTCN)

CointEq1 -0.054006 -0.007952 0.000209

D(LTR(-1)) 0.542610 -0.293501 0.004570

D(LTR(-2)) 0.193527 0.333552 0.007066

D(LTFF(-1)) 0.020756 0.448558 0.002422

D(LTFF(-2)) -0.049825 -0.072804 -0.008459

D(LTCN(-1)) 0.153276 -0.347559 0.382817

D(LTCN(-2)) 0.760435 -1.068637 -0.084414

C 0.000903 0.002522 -0.000117

R-squared 0.554941 0.199767 0.148342

Determinant resid covariance (dof adj.) 6.03E-09

Fuente: Elaboración Propia

Test de Johansen con cointegración

Date: 07/01/19 Time: 00:02

Unrestricted Cointegration Rank Test (Trace)

Hypothesized Trace 0.05

None * 0.129445 50.51174 42.91525 0.0073

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

Unrestricted Cointegration Rank Test (Maximum Eigenvalue)

Hypothesized Max-Eigen 0.05

None 0.129445 25.78418 25.82321 0.0506

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

LTR LTFF LTCN @TREND(2)

Unrestricted Adjustment Coefficients (alpha):

D(LTR) -0.017537 0.000432 -0.000291

1 Cointegrating Equation(s): Log likelihood 980.7006

Normalized cointegrating coefficients (standard error in parentheses)

Adjustment coefficients (standard error in parentheses)

2 Cointegrating Equation(s): Log likelihood 990.3929

Normalized cointegrating coefficients (standard error in parentheses)

Adjustment coefficients (standard error in parentheses)

Fuente: Elaboración Propia

 Primero probamos la causalidad

Probar la versión relativa

Vector Autoregression Estimates

D(LTR) D(LTFF) D(LTCN)

D(LTR(-1)) 0.591411 -0.286315 0.004381

D(LTR(-2)) 0.123756 0.323278 0.007337

D(LTFF(-1)) 0.027721 0.449584 0.002395

D(LTFF(-2)) -0.032822 -0.070300 -0.008525

D(LTCN(-1)) -0.019207 -0.372957 0.383486

D(LTCN(-2)) 0.473220 -1.110930 -0.083300

C 0.000663 0.002487 -0.000116

R-squared 0.488919 0.199513 0.148309

Determinant resid covariance (dof adj.) 6.81E-09

Fuente: Elaboración Propia

La paridad descubierta de tasa de interés, es una teoría que describe la relación

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