CURSO DE ECONOMETRIA FINANCIERA

CON APLICACIONES A STATA 15 Y EVIEWS 10

Sesión N°6
Teoría económica de los modelos de series de tiempo

Docente: Rafael Bustamante

MBA. Rafael Bustamante

 Sesión N°6
Teoría económica de los modelos de series de tiempo

6.1. Modelos de Medias Móviles de orden q: MA(q)

El proceso MA(1) se reconoce por una PACF Infinita y una ACF que
se anula a partir del segundo retardo.

MBA. Rafael Bustamante

 Sesión N°6
Teoría económica de los modelos de series de tiempo

6.1. Análisis causal Regresión

El análisis de regresión trata del estudio de la dependencia de la variable dependiente,
respecto a una o más variables, con el objetivo de estimar y/o predecir el valor promedio
poblacional de la primera en términos de los valores conocidos o fijos de la última.

El análisis de regresión, es el valor esperado de Y dado una variable X.

MBA. Rafael Bustamante

 Sesión N°6
Teoría económica de los modelos de series de tiempo

6.2. Regresión Vs Causalidad

 A pesar de que el análisis de regresión tiene que ver con la dependencia de una variable
respecto a otras variables, esto no implica causalidad necesariamente.

 Las ideas de causalidad deben venir de estadísticas externas y, en último termino de una
u otra teoría.

 Para aducir causalidad se deben acudir a consideraciones a priori o teóricas.

MBA. Rafael Bustamante

 Sesión N°6
Teoría económica de los modelos de series de tiempo

6.2. Regresión Vs Causalidad

 En el análisis de correlación el objetivo principal es medir la fuerza o el grado de

asociación lineal entre dos variables. En el análisis de regresión se trata de estimar o
de predecir el valor promedio de una variable sobre la base de valores fijos de otras
variables.

 El análisis de regresión supone asimetría en los valores, por un lado una variable
dependiente aleatoria, y por otro lado, una variable independiente con valores fijos.

MBA. Rafael Bustamante

 Sesión N°6
Teoría económica de los modelos de series de tiempo

6.4. Tipos de modelo

Pronóstico:
 Regresión Simple
 Regresión múltiple
Análisis estructural:
 Regresión múltiple

MBA. Rafael Bustamante

 Sesión N°6
Teoría económica de los modelos de series de tiempo

6.4. Tipos de modelo

A. Económico:
 Versión Simplificada de una realidad económica.
 Ejemplo: CAPM(Capital Asset Pricing Model)

𝐾𝑖 = 𝑅𝐿𝑅 + 𝛽 (𝑅𝑀 − 𝑅𝐿𝑅 )

𝐾𝑖 = 𝛼0 + 𝛽 𝑅𝑀

B. Econométrico:
𝐾𝑖 = 𝛼0 + 𝛽 𝑅𝑀 + 𝑒𝑖

El error, recoge el efecto combinado de otras variables independientes que explican el comportamiento de la
variable dependiente y que no fueron incluidas en el modelo.

MBA. Rafael Bustamante

 Sesión N°6
Teoría económica de los modelos de series de tiempo

6.5 Fases del modelo de regresión

Se deben desarrollar cuatro pasos:
1.Especificación
2.Estimación
3.Validación
4.Pronóstico y/o análisis estructural

MBA. Rafael Bustamante

 Sesión N°6
Teoría económica de los modelos de series de tiempo

6.6.Regresión: Especificación
Partiendo de una función lineal entre dos variables, se puede estimar una relación de tal manera que la variable
independiente explique de manera exclusiva el comportamiento de la variable dependiente, este modelo de
regresión es llamado determinístico
𝑌 = 𝛽0 + 𝛽1 𝑋
Donde β0 y β1, representan respectivamente, el valor de corte con el eje de las ordenadas cuando la variable
independiente toma el valor de cero y la pendiente de la recta de la regresión. El conocimiento de dichos
parámetros permitirá determinar en qué cantidad se incrementa o disminuye la variable dependiente ante
cambios en la variable independiente y, asimismo, predecir el valor de la variable dependiente, dado un valor
en la variable independiente.

MBA. Rafael Bustamante

 Sesión N°6
Teoría económica de los modelos de series de tiempo
6.6.Regresión: Especificación
El modelo determinístico se encuentre muy limitado al comportamiento de la variable dependiente debido a que
existe un sin número de variables que podrían afectar la estabilidad del modelo y de esta misma manera los
parámetros de la regresión lineal. Una manera adecuada se solucionar este problema consiste en incorporar una
variable aleatoria al modelo. De esta manera se pasa de un modelo determinístico a un modelo de tipo
estocástico Una variable aleatoria, es una variable que puede tomar cualquier valor de los números reales y que a
su misma vez tiene una distribución de probabilidad. La función de regresión poblacional será de la siguiente
manera.
𝑌 = 𝛽0 + 𝛽1 𝑋 + 𝑒
El término u es una variable estocástica inobservable que captura los errores de especificación dentro del
modelo, tales como variables omitidas, forma funcional incorrecta, comportamiento aleatorio de los individuos
y errores de media
MBA. Rafael Bustamante
 Sesión N°6
Teoría económica de los modelos de series de tiempo

6.6 Regresión: Especificación

La ecuación anterior representa una función de la variable dependiente que recoge observaciones tanto
de la variable Y como de X correspondiente a la población estadística. Por lo tanto β0 y β1, son los
parámetros de la población y se puede considerar como los coeficientes verdaderos de la regresión. Sin
embrago, los investigadores no suelen trabajar con la población sino con una muestra de tamaño n, a
partir de la cual se estiman los parámetros de la regresión, la cual se denomina función de regresión
muestral.
𝒀= 𝜷෡𝟎 + 𝜷෡ 𝟏 𝑿 + 𝒆ො
𝒀=𝒀 ෡ 𝒊 + 𝒆ො
Donde 𝛽መ0 y 𝛽መ1 , son los estimadores muestrales de β0 y β1, poblacionales

MBA. Rafael Bustamante

 Sesión N°6
Teoría económica de los modelos de series de tiempo

6.6 Regresión: Especificación

Características del modelo:

Los parámetros son lineales dentro del modelo.
Las variables pueden ser no lineales.
Se espera que la perturbación aleatoria, error, tenga un valor con media cero.
¿Por qué se presenta perturbación aleatoria?:
Comportamiento de los agentes es aleatorio.
El error recoge problemas de especificación por omisión de variables relevantes.
El error recoge problemas de especificación funcional en el modelo.
Recoge problemas en la medición de las variables.

MBA. Rafael Bustamante

 Sesión N°6
Teoría económica de los modelos de series de tiempo
6.6 Regresión: Especificación
Método de estimación: Mínimos cuadrados ordinarios
Este método minimiza la perturbación aleatoria, estima los parámetros de tal manera que minimiza la suma de
los errores al cuadrado.
M.C.O Recordar

σ𝒀
ഥ
𝒂) 𝒀 = ; σ 𝒂 = 𝒂𝒏; σ 𝒂𝑿 = 𝒂 σ 𝑿
𝑌 = 𝛽መ0 + 𝛽መ1 𝑋 + 𝑢ො
𝒏
ഥ 𝒀−𝒀
𝒃) ෍[ 𝑿 − 𝑿 ഥ ] = ෍ 𝑿𝒀 − 𝑿
ഥ ෍𝒀 − 𝒀
ഥ෍𝑿 + ෍𝑿
ഥ𝒀ഥ = ෍ 𝑿𝒀 − 𝒀
ഥ෍𝑿

2 ഥ )𝟐 = ෍ 𝑿𝟐 − 𝟐𝑿
ഥ ෍𝑿 + ෍𝑿
ഥ 𝟐 = ෍ 𝑿𝟐 − 𝑿
ഥ 𝟐 𝒏 = ෍ 𝑿𝟐 − 𝑿
ഥ ෍𝑿
෍ 𝑌 − 𝛽መ𝑜 − 𝛽መ1 𝑋 = ෍𝑢 2 𝒄) ෍(𝑿 − 𝑿

𝜕 σ 𝑢2
=?
𝜕𝛽0
𝜕 σ 𝑢2
=?
𝜕𝛽1
MBA. Rafael Bustamante
 Sesión N°6
Teoría económica de los modelos de series de tiempo

6.7. Método de estimación: Mínimos cuadrados ordinarios

𝛽መ0 = 𝑌ത − 𝛽መ1 𝑋ത Si la constante no es significativa:
σ 𝑋𝑖 𝑌𝑖
σ 𝑋 − 𝑋ത 𝑌 − 𝑌ത 𝛽መ1 = 2
𝛽መ1 = σ 𝑋𝑖
σ 𝑋 − 𝑋ത 2

𝑆𝑥𝑦 𝐶𝑜𝑣 (𝑥, 𝑦)

𝛽መ1 = =
𝑆𝑥𝑥 𝑉𝑎𝑟(𝑥)
𝑆𝑢𝑚𝑎𝑡𝑜𝑟𝑖𝑎 𝑐𝑢𝑎𝑑𝑟𝑎𝑑𝑎 𝑑𝑒 𝑥𝑦
=
𝑆𝑢𝑚𝑎𝑡𝑜𝑟𝑖𝑎 𝑐𝑢𝑎𝑑𝑟𝑎𝑑𝑎 𝑑𝑒 𝑥

MBA. Rafael Bustamante

 Sesión N°6
Teoría económica de los modelos de series de tiempo

6.7. Método de estimación: Mínimos cuadrados ordinarios

Supuestos del método de estimación de M.C.O:
Linealidad de los parámetros.
El valor medio de la perturbación es igual a cero.
Valores de X fijos en muestreo repetitivo con variabilidad de X.
Homocedasticidad
No autocorrelación
No multicolinealidad perfecta (Regresión múltiple)
Independencia
El error se distribuye como una normal
MBA. Rafael Bustamante
 Sesión N°6
Teoría económica de los modelos de series de tiempo

6.8. Regresión: Estimación

Supuestos del método de estimación de M.C.O:

El valor medio de la perturbación es igual a cero. 𝐸 𝑒

Τ𝑋𝑖 = 0
El modelo debe estar bien especificado.
𝑄𝑑 = 𝛽0 + 𝛽1 𝑃1 + 𝛽2 𝑃2 + 𝛽3 𝐼 + 𝑒
𝑄𝑑 = 𝛽0 + 𝛽1 𝑃1 + 𝛽2 𝑃2 + 𝑒; 𝑒 = 𝛽3 𝐼 + 𝑒

MBA. Rafael Bustamante

 Sesión N°6
Teoría económica de los modelos de series de tiempo

6.8. Regresión: Estimación

Supuestos del método de estimación de M.C.O:
Valores de X fijos en muestreo repetitivo con variabilidad de X.

𝑌𝑖 = 𝐸 𝑌ൗ𝑋
𝑖

MBA. Rafael Bustamante

 Sesión N°6
Teoría económica de los modelos de series de tiempo

6.8. Regresión: Estimación

Supuestos del método de estimación de M.C.O:

Homocedasticidad: 𝑌
𝑉𝑎𝑟 ൗ𝑋𝑖 𝑚𝑢𝑐ℎ𝑎𝑠 𝑣𝑒𝑐𝑒𝑠 = 𝑘

MBA. Rafael Bustamante

 Sesión N°6
Teoría económica de los modelos de series de tiempo

6.8. Regresión: Estimación

Supuestos del método de estimación de M.C.O:
No autocorrelación: el error asociado a la observación i-esima es independiente al error asociado a
la observación j-esima. No deben tener ningún patrón de comportamiento a través del tiempo. No

autocorrelación entre los errores. Suponga una autocorrelación de primer orden. 𝐸 𝑒𝑖 , 𝑒𝑗 = 0

𝑒𝑡 = 𝑓(𝑒𝑡−1 )
𝑒𝑡 = 𝜌𝑒𝑡−1 + √𝑡
No multicolinealidad perfecta:
Xi no puede escribirse como una combinación lineal de Xj.
𝐶𝑜𝑣 𝑋𝑖, 𝑋𝑗 = 0
MBA. Rafael Bustamante
 Sesión N°6
Teoría económica de los modelos de series de tiempo

6.8. Regresión: Estimación

Supuestos del método de estimación de M.C.O:
Independencia.
Debe existir independencia entre la variable independiente y el termino de error. 𝐸 𝑥, 𝑒 = 0

𝒀 = 𝜷𝟎 + 𝜷𝟏 𝑿 + 𝒆

MBA. Rafael Bustamante

 Sesión N°6
Teoría económica de los modelos de series de tiempo

6.9. CAPM (Sharpe, 1964)

El modelo de fijación de precios de los activos de capital permite medir el riesgo de un activo financiero a
través de un beta, β. Además de medir el riesgo de un activo financiero, se usa en ocasiones para estimar la
tasa de rendimiento requerida por los inversionistas. Es un modelo de equilibrio general, el mercado de bienes
y servicios como el de dinero están en equilibrio.
Objetivos:

Estimar el coeficiente de riesgo, β (concepto más importante).

Estimar los diferentes riesgos de un activo financiero
Tomar decisiones de inversión.

MBA. Rafael Bustamante

 Sesión N°6
Teoría económica de los modelos de series de tiempo

6.10. Especificación
1.Opción adversa al riesgo. Inversión en renta fija
𝐾𝑖 = 𝐾𝐿𝑅
2.Opción intermedia. Inversión en renta variable
𝐾𝑖 = 𝐾𝐿𝑅 + (𝐾𝑀 − 𝐾𝐿𝑅 )
Prima de riesgo de mercado: Compensación que exige el inversionista por invertir en
activos con una cantidad promedio de riesgo.
3.Expresión financiera para la línea de mercado de los activos de capital.
𝐾𝑖 = 𝐾𝐿𝑅 + 𝛽 (𝐾𝑀 − 𝐾𝐿𝑅 )

MBA. Rafael Bustamante

 Sesión N°6
Teoría económica de los modelos de series de tiempo

6.10. Especificación
Para solucionar el modelo CAPM es necesario resolver la siguiente función mediante la metodología de
M.C.O:

𝑅𝑗𝑡 = 𝑅𝑓 + 𝛽𝑗 𝑅𝑚𝑡 − 𝑅𝑓 + 𝑒𝑖

𝑅𝑗𝑡 − 𝑅𝑓 = 𝛽𝑗 𝑅𝑚𝑡 − 𝑅𝑓 + 𝑒𝑖

𝑅𝑗𝑡 = 𝑅𝑓 + 𝛽𝑗 𝑅𝑚𝑡 − 𝛽𝑗 𝑅𝑓 → 𝑅𝑗𝑡 = 𝑅𝑓 1 − 𝛽𝑗 + 𝛽𝑗 𝑅𝑚𝑡 + 𝑒𝑖

𝑅𝑗𝑡 , 𝑒𝑠 𝑙𝑎 𝑟𝑒𝑛𝑡𝑎𝑏𝑖𝑙𝑖𝑑𝑎𝑑 𝑑𝑒𝑙 𝑎𝑐𝑡𝑖𝑣𝑜 𝑖 𝑒𝑛 𝑒𝑙 𝑝𝑒𝑟𝑖𝑜𝑑𝑜 𝑡

𝑅𝑓 , 𝑒𝑠 𝑙𝑎 𝑡𝑎𝑠𝑎 𝑑𝑒 𝑟𝑒𝑡𝑜𝑟𝑛𝑜 𝑑𝑒 𝑙𝑖𝑏𝑟𝑒 𝑟𝑖𝑒𝑠𝑔𝑜.
𝑅𝑚𝑡 , 𝑒𝑠 𝑙𝑎 𝑟𝑒𝑛𝑡𝑎𝑏𝑖𝑙𝑖𝑑𝑎𝑑 𝑑𝑒𝑙 𝑚𝑒𝑟𝑐𝑎𝑑𝑜 𝑐𝑎𝑟𝑡𝑒𝑟𝑎 𝑑𝑒𝑙 𝑖𝑛𝑑𝑖𝑐𝑒 𝑒𝑛 𝑒𝑙 𝑝𝑒𝑟𝑖𝑜𝑑𝑜 𝑡
𝑅𝑗𝑡 − 𝑅𝑓 , 𝑚𝑖𝑑𝑒 𝑒𝑙 𝑒𝑥𝑐𝑒𝑠𝑜 𝑑𝑒 𝑟𝑒𝑡𝑜𝑟𝑛𝑜 𝑑𝑒𝑙 𝑎𝑐𝑡𝑖𝑣𝑜.
𝑅𝑚𝑡 − 𝑅𝑓 , 𝑚𝑖𝑑𝑒 𝑒𝑙 𝑒𝑥𝑐𝑒𝑠𝑜 𝑑𝑒 𝑟𝑒𝑡𝑜𝑟𝑛𝑜 𝑑𝑒𝑙 𝑚𝑒𝑟𝑐𝑎𝑑𝑜.
MBA. Rafael Bustamante
 Sesión N°6
Teoría económica de los modelos de series de tiempo

6.11. Validación: Precisión de los parámetros

Para esto, lo primero es encontrar la varianza del error, que en teoría se supone que es constante u
homocedastica.

Primer paso: Varianza del error

σ ෠ 2 σ 2
2 (𝑌𝑖 − 𝑌) 𝜀𝑖
𝛿𝜀ො = =
𝑛−𝑘 𝑛−2

Los valores de 𝑌෠ se obtienen de reemplazar en la ecuación los valores de X, es decir los valores
observados. n-k, corresponde a los grados de libertad, donde k es el número de parámetros a estimar,
en este caso son dos parámetros β0 y β1 , y por último n corresponde al número de observaciones que se
tienen para las variables.

MBA. Rafael Bustamante

 Sesión N°6
Teoría económica de los modelos de series de tiempo

6.11. Validación: Precisión de los parámetros

Segundo paso: Error típico

La raíz de la varianza del error equivale al error típico, 𝛿𝜀 . Este estimador es una medida de
bondad de ajuste, es decir, muestra que tan bien el modelo estimado se ajusta a los datos.

2
𝛿𝜀 = 𝛿𝜀ො

A menor dispersión, mejor bondad de ajuste, en otras palabras, muestra que tanto se desvía el
modelo de su valor observado. Calculada la varianza del error es posible hallar las varianzas
de los estimadores.
MBA. Rafael Bustamante
 Sesión N°6
Teoría económica de los modelos de series de tiempo

6.11. Validación: Precisión de los parámetros

Tercer paso: Varianza de los
estimadores
Si la constante no es significativa:
2
2 2 1 σ 𝑋𝑖 2
2 𝛿𝜀 2
𝛿𝛽෡0 = 𝛿𝜀 𝛿𝛽෡1 = 2 ; 𝛿෡
𝛽1 = 𝛿𝛽෡1
𝑆𝑥𝑥 𝑛 σ 𝑋𝑖

2
𝛿𝛽෡0 = 𝛿𝛽෡0

2
2 𝛿𝜀 2
𝛿𝛽෡1 = ; 𝛿𝛽෡1 = 𝛿𝛽෡1
𝑆𝑋𝑋
MBA. Rafael Bustamante
 Sesión N°6
Teoría económica de los modelos de series de tiempo

6.11. Validación: Precisión de los parámetros

Se elaboran las pruebas de hipótesis para cada uno de los parámetros, o pruebas “t”. El objetivo de hacer este
tipo de contrastes es validar la información suministrada por el modelo econométrico.
Primer paso: Planteamiento de hipótesis para los parámetros
Hipótesis para el coeficiente β1
Se establece la hipótesis nula H0, y se contrasta contra la hipótesis alternativa HI.

𝐻0 : 𝛽1 = 0
𝐻𝐼 : 𝛽1 ≠ 0

La hipótesis nula indica que la variable Xt no explica el comportamiento de la variable Yt, mientras que la hipótesis
alternativa indica que la variable independiente explica el comportamiento de la variable dependiente.

MBA. Rafael Bustamante

 Sesión N°6
Teoría económica de los modelos de series de tiempo

6.11. Validación: Precisión de los parámetros

Hipótesis para el coeficiente β0

𝐻0 = 𝛽0 = 0
𝐻𝐼 = 𝛽0 ≠ 0
La hipótesis nula indica que el modelo pasa por el origen, es decir, el modelo no tiene intercepto.
Mientras que la hipótesis alternativa indica que el modelo posee intercepto.

MBA. Rafael Bustamante

 Sesión N°6
Teoría económica de los modelos de series de tiempo

6.11. Validación: Precisión de los parámetros

Segundo paso: Plantear el nivel de significancia:
Recordar: El nivel de significancia es la máxima probabilidad que se especifica para hacer mínimo el error
tipo I. El error tipo I consiste en rechazar la hipótesis nula siendo esta verdadera.
Tercer paso: Se calcula el estadístico de prueba, que para este caso es el estadístico t-calculado.
Estadístico de prueba para el coeficiente βi

𝛽መ𝑖 − 𝛽𝑖 (𝐻
0)
𝑡𝑐 =
𝛿𝛽෡𝑖

MBA. Rafael Bustamante

 Sesión N°6
Teoría económica de los modelos de series de tiempo

6.11. Validación: Precisión de los parámetros

Cuarto paso: Criterio de decisión
Se toma el criterio de decisión, existen tres maneras para tomar la decisión de rechazar o no rechazar la
hipótesis nula H0 .
Método estadístico

Si 𝑡𝑐 > 𝑡 ∗ , se rechaza la hipótesis nula al nivel de significancia 𝛼. De acuerdo con la tabla del anexo I.b. El
t-crítico “𝑡 ∗ ", se busca de la siguiente manera:

𝒕∗ 𝒏−𝒌,𝜶ൗ
𝟐

Método gráfico
Se elabora la gráfica de la distribución t-student y se ubican los valores críticos. Estos definen la zona de
rechazo o de no rechazo de la hipótesis nula. Después se ubica en la gráfica el t calculado tc , dependiendo
de su ubicación se toma la decisión de rechazo o de no rechazo de la H0

MBA. Rafael Bustamante

 Sesión N°6
Teoría económica de los modelos de series de tiempo

6.11. Validación: Precisión de los parámetros

P-Value
Este método es el que se utiliza en la salida de computador, pues es calculado siempre por el software.
El P-value es el menor valor al cual es posible rechazar la H0, por lo que por debajo no se rechaza.
En otras palabras, el P-value indica la probabilidad de la hipótesis nula o la probabilidad exacta de
cometer un error Tipo I.
𝒑 < 𝜶 → La decisión es de rechazar H0
𝒑 > 𝜶 → La decisión es de no rechazar H0

MBA. Rafael Bustamante

 Sesión N°6
Teoría económica de los modelos de series de tiempo

6.11. Validación: Precisión de los parámetros

Se construyen los intervalos de confianza (IC) para cada uno de los parámetros significativos de acuerdo con las
pruebas de hipótesis anteriores.

𝑃 𝛽መ𝑖 − 𝑡 ∗ 𝛿𝛽෡𝑖 ≤ 𝛽𝑖 ≤ 𝛽መ𝑖 + 𝑡 ∗ 𝛿𝛽෡𝑖 = 1 − 𝛼

El significado del IC es el que sigue: De cada 100 intervalos que se formen, (1 - α ) contendrá el parámetro
poblacional; consecuente con esta definición, al construir un único intervalo de confianza se confía que dentro
del mismo se encuentre el verdadero valor del parámetro.

MBA. Rafael Bustamante

 Sesión N°6
Teoría económica de los modelos de series de tiempo

6.12. Validación: Prueba de dependencia

Solo para regresión múltiple pero su resultado es consistente con la prueba individual o prueba “t”
hecha para el parámetro 𝛽1 en regresión simple. Sin embargo, dado que de su análisis se desprende
la fórmula para calcular el coeficiente de determinación 𝑅2 , resulta pertinente realizar su análisis.

𝑌𝑖 − 𝑌ത = 𝑌𝑖 − 𝑌෠𝑖 + (𝑌෠𝑖 − 𝑌ത ൯

𝟐 𝟐
ഥ
෍ 𝒀𝒊 − 𝒀 𝟐 ෡𝒊
= ෍ 𝒀𝒊 − 𝒀 ෡𝒊 − 𝒀
+෍ 𝒀 ഥ

෍ 𝑌𝑖 − 𝑌ത 2
= 𝑆𝐶𝑇

2
෍ 𝑌𝑖 − 𝑌෠𝑖 = 𝑆𝐶𝑒

෍(𝑌෠𝑖 − 𝑌)
ത 2 = 𝑆𝐶𝑅 MBA. Rafael Bustamante
 Sesión N°6
Teoría económica de los modelos de series de tiempo

6.11. Validación: Precisión de los parámetros

MBA. Rafael Bustamante

 Sesión N°6
Teoría económica de los modelos de series de tiempo

6.12. Validación: Prueba de dependencia

Tabla ANOVA

Fuente de Grados de Suma de “F”

Varianza
variación libertad g.l cuadrados calculado
Regresión k-1 SCR SCR/k-1
Error n-k SCe SCe/n-k 𝑆𝐶𝑅 /𝑘 − 1
𝑆𝐶𝑒/𝑛 − 𝑘
Total n-1 SCT

MBA. Rafael Bustamante

 Sesión N°6
Teoría económica de los modelos de series de tiempo

6.13. Validación: Prueba de dependencia

Primer paso: Hipótesis global
𝐻0 : 𝛽1 = 𝛽2 = ⋯ 𝛽𝑘 = 0
𝐻𝐼 : 𝛽1 = 𝛽2 = ⋯ 𝛽𝑘 ≠ 0

Para este caso la hipótesis nula indica que el modelo no es consistente, y la hipótesis
alternativa indica que al menos una variable es diferentes de cero dentro del modelo
econométrico y por lo tanto es consistente.
Segundo paso: Plantear el nivel de significancia

𝛼 = 5%

MBA. Rafael Bustamante

 Sesión N°6
Teoría económica de los modelos de series de tiempo

6.13. Validación: Prueba de dependencia

Tercer paso: Estadístico de prueba

2
𝛿𝑅
𝐹𝐶 = 2
𝛿𝑒
Cuarto paso: Decisión
Si 𝐹𝐶 > 𝐹 ∗ , se rechaza la hipótesis nula, por lo tanto el modelo es consistente. El F-critico (F*) se calcula
con k-1 grados de libertad para el numerador y n-k son los grados de libertad para el denominador.

𝐹 ∗
𝑘−1
,𝛼
𝑛−𝑘
MBA. Rafael Bustamante
 Sesión N°6
Teoría económica de los modelos de series de tiempo

6.13. Validación: Coeficiente de determinación

Este coeficiente permite encontrar el porcentaje de variación de la variable dependiente que es
explicado por el comportamiento de las variables independientes.

2
𝑆𝐶𝑅
𝑅 =
𝑆𝐶𝑇
Donde el coeficiente de determinación toma valores menores o iguales a uno o valores mayores o
iguales a cero.
Coeficiente de correlación múltiple
Después de calcular el R2, en ocasiones se calcula también el coeficiente de correlación múltiple que
se obtiene como la raíz cuadrada del R2
MBA. Rafael Bustamante
 Sesión N°6
Teoría económica de los modelos de series de tiempo

6.13. Validación: Coeficiente de determinación

Relación entre el R2 y el estadístico F
Es importante también analizar la relación que existe entre el R2 y el estadístico F, mediante la
siguiente expresión:

2
𝑅 𝑛−𝑘
𝐹=
1 − 𝑅2 𝑘 − 1

Como se puede observar, existe una relación directa entre estos dos, a medida que aumenta R2
(bondad del ajuste), el estadístico también aumenta, por lo tanto el estadístico de prueba tiende a
rechazar la hipótesis nula, es decir, permitiendo que el modelo econométrico sea consistente.

MBA. Rafael Bustamante

 Sesión N°6
Teoría económica de los modelos de series de tiempo

6.14. Objetivo pronóstico, estimar tasa requerida

Este es el objetivo central del modelo de regresión simple. Es posible hacer un pronóstico puntual y/o un
pronóstico por intervalo.
Pronóstico puntual:
𝑌෠0 = 𝛽መ0 + 𝛽መ1 𝑋0
Pronóstico por intervalo:

෠ ∗ ෠ ∗
𝑃 𝑌0 − 𝑡𝑛−𝑘; 𝛼ൗ 𝛿𝑌෠0 ≤ 𝑌0 ≤ 𝑌0 + 𝑡𝑛−𝑘; 𝛼ൗ 𝛿𝑌෠0 = 1 − 𝛼
2 2

ത 2
1 (𝑋𝑂 − 𝑋)
𝛿𝑌෠0 = 𝛿𝑒 +
𝑛 𝑆𝑥𝑥

MBA. Rafael Bustamante

 Sesión N°6
Teoría económica de los modelos de series de tiempo

6.15. Objetivo pronóstico, estimar tasa requerida

Este es el objetivo central del modelo de regresión simple. Es posible hacer un pronóstico puntual y/o un
pronóstico por intervalo.
Pronóstico puntual:
𝑌෠0 = 𝛽መ0 + 𝛽መ1 𝑋0
Pronóstico por intervalo:

෠ ∗ ෠ ∗
𝑃 𝑌0 − 𝑡𝑛−𝑘; 𝛼ൗ 𝛿𝑌෠0 ≤ 𝑌0 ≤ 𝑌0 + 𝑡𝑛−𝑘; 𝛼ൗ 𝛿𝑌෠0 = 1 − 𝛼
2 2

ത 2
1 (𝑋𝑂 − 𝑋)
𝛿𝑌෠0 = 𝛿𝑒 +
𝑛 𝑆𝑥𝑥

MBA. Rafael Bustamante

 Sesión N°6
Teoría económica de los modelos de series de tiempo

6.15. Objetivo pronóstico, estimar tasa requerida

Cuando se calcula la tasa de rendimiento requerida, la idea es poder comparar esta
tasa con la tasa de crecimiento esperada con cada activo de inversión, si esta última
es mayor a la tasa de rendimiento requerida entonces se invertirá en este activo.
Cuando no sea posible calcular la rentabilidad esperada por ausencia de
información, se puede utilizar como sustituto la tasa de rendimiento histórica de un
activo para el periodo analizado.

MBA. Rafael Bustamante

 Sesión N°6
Teoría económica de los modelos de series de tiempo

6.15. Objetivo-pronóstico, estimar tasa requerida

Cuando se calcula la tasa de rendimiento requerida, la idea es poder comparar
esta tasa con la tasa de crecimiento esperada con cada activo de inversión, si
esta última es mayor a la tasa de rendimiento requerida entonces se invertirá en
este activo.
Cuando no sea posible calcular la rentabilidad esperada por ausencia de
información, se puede utilizar como sustituto la tasa de rendimiento histórica de
un activo para el periodo analizado.
MBA. Rafael Bustamante
 Sesión N°6
Teoría económica de los modelos de series de tiempo

6.18. Ajuste Betas por Arch(p

Partiendo de la ecuación:
𝑅𝑗𝑡 = 𝑅𝑓 + 𝛽𝑗 𝑅𝑚𝑡 − 𝑅𝑓 + 𝑒𝑖
𝑅𝑗𝑡 = 𝑅𝑓 1 − 𝛽𝑗 + 𝛽𝑗 𝑅𝑚𝑡 + 𝑒𝑖
𝑅𝑗𝑡 = 𝛼 + 𝛽𝑗 𝑅𝑚𝑡 + 𝑒𝑖
Aplicando varianza
2 2 2 2
𝜎𝑅𝑗𝑡 = 𝜎𝛼0 + 𝜎𝛽𝑗 𝑅𝑚𝑡 + 𝜎𝑒𝑖
Se resuelve el sistema aplicando propiedades de la varianza, como resultado tenemos la ecuación de riesgos:
2
𝜎𝑅𝑗𝑡 መ 2 2 2
= ∅ + 𝛽 𝜎𝑅𝑚𝑡 + 𝜎𝑒𝑖

2
𝜎𝑅𝑗𝑡 , 𝑒𝑠 𝑒𝑙 𝑟𝑖𝑒𝑠𝑔𝑜 𝑡𝑜𝑡𝑎𝑙 𝑑𝑒𝑙 𝑎𝑐𝑡𝑖𝑣𝑜
መ 2 2
𝛽 𝜎𝑅𝑚𝑡 , 𝑒𝑠 𝑒𝑙 𝑟𝑖𝑒𝑠𝑔𝑜 𝑑𝑒 𝑚𝑒𝑟𝑐𝑎𝑑𝑜, 𝑡𝑎𝑚𝑏𝑖𝑒𝑛 𝑙𝑙𝑎𝑚𝑎𝑑𝑜 𝑟𝑖𝑒𝑠𝑔𝑜 𝑠𝑖𝑠𝑡𝑒𝑚á𝑡𝑖𝑐𝑜.
2
𝜎𝑒𝑖 , 𝑒𝑠 𝑒𝑙 𝑟𝑖𝑒𝑠𝑔𝑜 𝑎𝑙𝑒𝑎𝑡𝑜𝑟𝑖𝑜, 𝑡𝑎𝑚𝑏𝑖𝑒𝑛 𝑙𝑙𝑎𝑚𝑎𝑑𝑜, 𝑟𝑖𝑒𝑠𝑔𝑜 𝑑𝑖𝑣𝑒𝑟𝑠𝑖𝑓𝑖𝑐𝑎𝑏𝑙𝑒.
MBA. Rafael Bustamante
 Sesión N°6
Teoría económica de los modelos de series de tiempo

6.19. Objetivo-pronóstico, estimar tasa requerida

Generalmente se supone que la varianza de una serie cronológica es constante, y el serlo es una
condición necesaria para que una serie de tiempo sea estacionaria. Sin embargo, en ocasiones no
es así; en particular tratándose de la volatilidad de las series financieras se presenta el fenómeno
de heterocedasticidad, es decir, la varianza de la serie tiene cambios sistemáticos a través del
tiempo. Para estos casos se diseñaron los modelos ARCH (Autorregresivo condicional
heterocedástico) y los modelos GARCH (generalización de los modelos ARCH). Estos modelos
permiten estimar una ecuación de varianza que se supone deja de ser constante debido a choques
o innovaciones aleatorias.

MBA. Rafael Bustamante

 Sesión N°6
Teoría económica de los modelos de series de tiempo

6.20. Ajustes por Betas GARCH(p,q)

El precio de un activo se distribuye como una log normal, partiendo de este supuesto se tiene:

𝐿𝑛 𝑃𝑡 = 𝜇 + 𝑙𝑛𝑃𝑡−1 + 𝑒𝑡
𝐷𝑙𝑜𝑔 𝑃𝑡 = 𝜇 + 𝑒𝑡 ; 𝑠𝑖𝑒𝑛𝑑𝑜 𝑒𝑡 𝑙𝑜𝑠 𝑐ℎ𝑜𝑞𝑢𝑒𝑠 𝑎𝑙𝑒𝑎𝑡𝑜𝑟𝑖𝑜
Modelos ARCH (q), modelo de la varianza del error en función de los errores rezagados

2 2 2
𝜎𝑒𝑡
= 𝛼0 + 𝛼1 𝑒𝑡−1
+ ⋯+ 𝛼𝑞 𝑒𝑡−𝑞
Para garantizar que exista reversión a la media, la sumatoria de 𝛼𝑞 debe ser menor que uno.
Esta sumatoria se conoce como persistencia del modelo. Entre mas cerca a 1, implica que los
choques aleatorios que afectaron el modelo son más persistentes y tardaran mucho tiempo en
desaparecer.

MBA. Rafael Bustamante

 Sesión N°6
Teoría económica de los modelos de series de tiempo

6.20. Ajustes por Betas GARCH(p,q)

El modelo GARCH (p, q), se describe de la siguiente manera:

2 2 2 2 2
𝜎𝑒𝑡 = 𝛼0 + 𝛼1 𝑒𝑡−1 + ⋯+ 𝛼𝑞 𝑒𝑡−𝑞 + 𝛽1 𝜎𝑡−1 + ⋯+ 𝛽𝑝 𝜎𝑡−𝑝
Además de incluir en la especificación los errores rezagados tienen en cuenta las varianzas del modelo
Un modelo GARCH (1,1) se describe de la siguiente manera:

2 2 2
𝜎𝑒𝑡 = 𝛼0 + 𝛼1 𝑒𝑡−1 + 𝛽1 𝜎𝑡−1
𝛼0 Existe homocedasticidad, es decir, no existe efecto ARCH ni GARCH
2
𝑒𝑡−1 Volatilidad de ayer, la varianza de hoy es mayor si ayer se obtuvo grandes perturbaciones.
2
𝜎𝑡−1 Varianza de la predicción de ayer, el efecto persiste por mucho tiempo.

MBA. Rafael Bustamante

CURSO DE ECONOMETRIA FINANCIERA
CON APLICACIONES A STATA 15 Y EVIEWS 10

Fin de la sesión N° 7
Nos vemos en la sesión
N°8
Docente: Rafael Bustamante

MBA. Rafael Bustamante