T

opicos de Econometria: Series de Tiempo.

Curso 2014, Segundo semestre
Ejercicios del Tema 1
SOLUCI

ON
1. Sea Z
t
, t = 0, 1, 2, . . . , una serie de variables aleatorias independientes y normalmente
distribuidas:
E(Z
t
) = 0 t
V ar(Z
t
) =
2
t
Y sean a, b y c tres constantes. Determina en cada caso si el proceso correspondiente es
estacionario y ergodico.
a) X
t
= a + bZ
t
+ cZ
t1
b) X
t
= Z
1
cos(ct) + Z
2
sen(ct)
c) X
t
= Z
t
cos(ct) + Z
t1
sen(ct)
d) X
t
= Z
t
Z
t1
SOLUCI

ON:
a) X
t
= a + bZ
t
+ cZ
t1
Comprobemos si es estacionario:
E(X
t
) = E(a +bZ
t
+cZ
t1
) = a +bE(Z
t
) +cE(Z
t1
) = a constante e igual para
todo t.
V ar(X
t
) = V ar(a+bZ
t
+cZ
t1
) = b
2
V ar(Z
t
)+c
2
V ar(Z
t1
)+2bcCov(Z
t
, Z
t1
) =

2
(b
2
+ c
2
) <
Funcion de autcovarianzas:

X
(0) = V ar(X
t
) =
2
(b
2
+ c
2
)

X
(1) = Cov(X
t
, X
t1
) = Cov(a+bZ
t
+cZ
t1
, a+bZ
t1
+cZ
t2
) = bcV ar(Z
t1
) =
bc
2

X
(2) = Cov(X
t
, X
t2
) = Cov(a + bZ
t
+ cZ
t1
, a + bZ
t2
+ cZ
t3
) = 0
La funcion de autocovarianzas solo depende de h la distancia temporal entre las
variables:

X
(h) =
_
_
_
(b
2
+ c
2
)
2
para h = 0
bc
2
para h = 1
0 para h 2
Por tanto, el proceso es estacionario.
Comprobemos si es ergodico:

h=0
|
X
(h)| = (b
2
+ c
2
)
2
+ bc
2
+ 0 = (b
2
+ c
2
+ bc)
2
<
Dado que ademas el proceso es Gausiano, puesto que Z
i
i.i.d.N(0,
2
), el proceso
X
t
es ergodico para todos los momentos.
1
b) X
t
= Z
1
cos(ct) + Z
2
sen(ct)
Comprobemos si es estacionario:
E(X
t
) = E(Z
1
cos(ct)+Z
2
sen(ct)) = E(Z
1
) cos(ct)+E(Z
2
) sen(ct) = 0 constante
e igual para todo t.
V ar(X
t
) = V ar(Z
1
cos(ct) + Z
2
sen(ct)) = cos
2
(ct)V ar(Z
1
) + sen
2
(ct)V ar(Z
2
) +
2 cos(ct) sen(ct)Cov(Z
1
, Z
2
) =
2
(cos
2
(ct) + sen
2
(ct)) =
2
<
Funcion de autcovarianzas:

X
(0) = V ar(X
t
) =
2

X
(1) = Cov(X
t
, X
t1
) = Cov(Z
1
cos(ct)+Z
2
sen(ct), Z
1
cos(c(t1))+Z
2
sen(c(t
1))) = cos(ct) cos(c(t 1))
2
+sen(ct) sen(c(t 1))
2
=
2
(cos(ct) cos(c(t 1)) +
sen(ct) sen(c(t 1)) =
2
cos(ct c(t 1)) =
2
cos(c)

X
(2) = Cov(X
t
, X
t2
) = Cov(Z
1
cos(ct)+Z
2
sen(ct), Z
1
cos(c(t2))+Z
2
sen(c(t
2))) = cos(ct) cos(c(t 2))
2
+sen(ct) sen(c(t 2))
2
=
2
(cos(ct) cos(c(t 2)) +
sen(ct) sen(c(t 2)) =
2
cos(ct c(t 2)) =
2
cos(2c)
La funcion de autocovarianzas solo depende de h la distancia temporal entre las
variables:

X
(h) =
_

2
para h = 0

2
cos(hc) para h 1
Por tanto, el proceso es estacionario.
Comprobemos si es ergodico:

h=0
|
X
(h)| =
2
(1 +| cos(c)| +| cos(2c)| + . . . )
Esta suma no va a ser nita, as que no podemos determinar nada sobre su ergodici-
dad.
c) X
t
= Z
t
cos(ct) + Z
t1
sen(ct)
Comprobemos si es estacionario:
E(X
t
) = E(Z
t
cos(ct) +Z
t1
sen(ct)) = E(Z
t
) cos(ct) +E(Z
t1
) sen(ct) = 0 cons-
tante e igual para todo t.
V ar(X
t
) = V ar(Z
t
cos(ct)+Z
t1
sen(ct)) = cos
2
(ct)V ar(Z
t
)+sen
2
(ct)V ar(Z
t1
)+
2 cos(ct) sen(ct)Cov(Z
t
, Z
t1
) =
2
(cos
2
(ct) + sen
2
(ct)) =
2
<
Funcion de autcovarianzas:

X
(0) = V ar(X
t
) =
2

X
(1) = Cov(X
t
, X
t1
) = Cov(Z
t
cos(ct) + Z
t1
sen(ct), Z
t1
cos(c(t 1)) +
Z
t2
sen(c(t 1))) = V ar(Z
t1
) sen(ct) cos(ct 1)
Dado que las autocovarianzas de orden 1 dependen de t el proceso X
t
no es
estacionario, y por tanto no es ergodico.
d) X
t
= Z
t
Z
t1
Comprobemos si es estacionario:
E(X
t
) = E(Z
t
Z
t1
) = E(Z
t
)E(Z
t1
) = 0 (usamos que son independientes)
constante e igual para todo t .
V ar(X
t
) = V ar(Z
t
Z
t1
) = E
_
(Z
t
Z
t1
)
2

= E(Z
2
t
)E(Z
2
t1
) =
2

2
=
4
<
(usamos que son independientes)
2
Funcion de autcovarianzas:

X
(0) = V ar(X
t
) =
4

X
(1) = Cov(X
t
, X
t1
) = Cov(Z
t
Z
t1
, Z
t1
Z
t2
) = E(Z
t
Z
t1
Z
t1
Z
t2
) =
E(Z
t
) E(Z
2
t1
) E(Z
t2
) = 0
La funcion de autocovarianzas solo depende de h la distancia temporal entre las
variables:

X
(h) =
_

4
para h = 0
0 para h 1
Por tanto, el proceso es estacionario.
Comprobemos si es ergodico:

h=0
|
X
(h)| =
4
+ 0 =
4
<
Por tanto este proceso es ergodico para la media. No podemos decir nada sobre
los demas momentos porque X
t
no es un proceso Gausiano (la multiplicacion de
distribuciones normales no tiene por que ser normal).
2. Considera el proceso Y
t
= (1 + 2,4L + 0,8L
2
)
t
donde
t
i.i.d(0, 1). Determina si este
proceso es estacionario y/o invertible.
SOLUCI

ON:
El proceso Y
t
es un proceso MA de orden 2. Sabemos que todos los procesos MA son
estacionarios, pero lo comprobamos:
E(Y
t
) = E((1 + 2,4L + 0,8L
2
)
t
) = E(
t
) + 2,4E(
t1
) + 0,8E(
t2
) = 0 que es
constante e igual para todo t.
V ar(Y
t
) = V ar((1 + 2,4L + 0,8L
2
)
t
) =
2
(1 + 2,4
2
+ 0,8
2
) = 1 7,4 = 7,4 <
Funcion de autcovarianzas:

Y
(0) = V ar(Y
t
) = 7,4

Y
(1) = Cov(Y
t
, Y
t1
) = Cov(
t
+ 2,4
t1
+ 0,8
t2
,
t1
+ 2,4
t2
+ 0,8
t3
) =
2,4V ar(
t1
) + 0,8 2,4V ar(
t2
) = 2,4 + 0,8 2,4 = 4,32

Y
(2) = Cov(Y
t
, Y
t2
) = Cov(
t
+ 2,4
t1
+ 0,8
t2
,
t2
+ 2,4
t3
+ 0,8
t4
) =
0,8V ar(
t2
) = 0,8

Y
(3) = Cov(Y
t
, Y
t3
) = Cov(
t
+ 2,4
t1
+ 0,8
t2
,
t3
+ 2,4
t4
+ 0,8
t5
) = 0
La funcion de autocovarianzas solo depende de h la distancia temporal entre las
variables:

X
(h) =
_

_
7,4 para h = 0
4,32 para h = 1
0,8 para h = 2
0 para h 3
Por tanto, el proceso es estacionario.
El proceso Y
t
es invertible si las races del polinomio 1+2,4L+0,8L
2
estan fuera del crculo
unidad:
1 + 2,4z + 0,8z
2
= 0 z =
2,4
_
2,4
2
4 1 0,8
2 0,8

_
z
1
= 0,5
z
2
= 2,5
Dado que hay una raz que no es en modulo mayor que uno el proceso Y
t
no es invertible.
3
3. Sea el proceso X
t
dado por X
t
=
t
+
t1
, donde || < 1 y
t
i.i.d.(0, 1).
Considera ahora el proceso Z
t
= (1 L)X
t
= X
t
X
t1
. Determina el proceso que sigue
Z
t
y calcula su funcion de autocorrelacion y su funcion de autocorrelacion parcial.
SOLUCI

ON:
Z
t
= X
t
X
t1
=
t
+
t1
(
t1
+
t2
) =
t
+ ( 1)
t1

t2
Por tanto, Z
t
es un proceso de media movil de orden 2.
Funcion de autocovarianzas de Z
t
:

Z
(0) = V ar(Z
t
) = V ar(
t
+(1)
t1

t2
) = 1+(1)
2
+()
2
= 1+
2
+12+
2
=
2 + 2
2
2 = 2(1 +
2
)

Y
(1) = Cov(Z
t
, Z
t1
) = Cov(
t
+ ( 1)
t1

t2
,
t1
+ ( 1)
t2

t3
) =
( 1) 1 ( 1) 1 = (1 )( 1)

Y
(2) = Cov(Z
t
, Z
t2
) = Cov(
t
+ ( 1)
t1

t2
,
t2
+ ( 1)
t3

t4
) =

Y
(3) = Cov(Z
t
, Z
t3
) = Cov(
t
+ ( 1)
t1

t2
,
t3
+ ( 1)
t4

t5
) = 0
La funcion de autocovarianzas solo depende de h la distancia temporal entre las variables:

Z
(h) =
_

_
2(1 +
2
) para h = 0
(1 )( 1) para h = 1
para h = 2
0 para h 3
Por tanto el proceso es estacionario.
La funcion de autocorrelacion es:

Z
(h) =
_

_
(1)(1)
2(1+
2
)
para h = 1

2(1+
2
)
para h = 2
0 para h 3
De la ecuaciones de Yule-Walker obtuvimos en clase que

11
=
1
=
(1)(1)
2(1+
2
)

22
=

2

2
1
1
2
1
=

4
+2
3
4
2
+21
3
4
4
3
+6
2
4+3

33
=

3
1

2
(2
2
)
1
2
2
2
2
1
(1
2
)
. . .
4. Sea Y
t
, t = 1, 2, . . . , un paseo aleatorio (Y
t
= Y
t1
+ e
t
, donde e
t
es ruido blanco), con
y
0
= 0. Muestra que Corr(Y
t
, Y
t+h
) = (t/(t + h))1/2 para t 1, h > 0.
SOLUCI

ON:
El paseo aleatorio se puede expresar como
Y
t
= Y
t1
+ e
t
= Y
t2
+ e
t1
+ e
t
= = Y
0
+
t

i=0
e
i
4
De esta expresion obtenemos que
E(Y
t
) = E(Y
0
+
t

i=0
e
i
) = Y
0
= 0
V ar(Y
t
) = V ar(Y
0
+
t

i=0
e
i
) = t
2
e
De donde observamos que el proceso Y
t
no es estacionario porque la varianza no es cons-
tante, sino que depende de t.
Calculamos ahora las autocovarianzas de Y
t
:
Cov(Y
t
, Y
th
) = Cov(Y
0
+

t
i=0
e
i
, Y
0
+

th
i=0
e
i
) = (t h)
2
e
Y las autocovarianzas de Y
t
:
Corr(Y
t
, Y
th
) =
Cov(Yt,Y
th
)

V ar(Yt)

V ar(Y
th
)
=
(th)
2
e

t
2
e

(th)
2
e
=
th

t(th)
=
_
th
t
5. Muestra que los siguientes procesos MA(1)
X
t
= Z
t
+ Z
t1
, Z
t
WN(0,
2
)
Y
t
= Z
t
+
1

Z
t1
, Z
t
WN(0,
2

2
)
con 0 < |
1

| < 1, tienen la misma funcion de autocovarianza.

SOLUCI

ON:
Calculemos la funcion de autocovarianza de X
t
:
E(X
t
) = E(Z
t
+ Z
t1
) = 0

X
(0) = V ar(X
t
) = V ar(Z
t
+ Z
t1
) =
2
(1 +
2
)

X
(1) = Cov(X
t
, X
t1
) = Cov(Z
t
+ Z
t1
, Z
t1
+ Z
t2
) =

X
(2) = Cov(X
t
, X
t2
) = Cov(Z
t
+ Z
t1
, Z
t2
+ Z
t3
) = 0

X
(h) = 0 para todo h 2.
Calculemos la funcion de autocovarianza de Y
t
:
E(Y
t
) = E(Z
t
+
1

Z
t1
) = 0

Y
(0) = V ar(Y
t
) = V ar(Z
t
+
1

Z
t1
) = V ar(Z
t
) +
_
1

_
2
V ar(Z
t1
) =
2

2
+
1

2
=

2
(1 +
2
)

Y
(1) = Cov(Y
t
, Y
t1
) = Cov(Z
t
+
1

Z
t1
, Z
t1
+
1

Z
t2
) =
1

2
=

Y
(2) = Cov(Y
t
, Y
t2
) = Cov(Z
t
+
1

Z
t1
, Z
t
+
1

Z
t1
) = 0

Y
(h) = 0 para todo h 2.
Y efectivamente obtenemos que los procesos X
t
e Y
t
tienen la misma funcion de autoco-
varianzas.
6. Para cada uno de los siguientes procesos determina si es estacionario y/o invertible, y
encuentra su representacion MA y su representacion AR.
5
a) (1 L)Z
t
= (1 1,5L)a
t
, donde a
t
i.i.d.(0,
2
)
b) (1 0,8L)Z
t
= (1 0,5L)a
t
, donde a
t
i.i.d.(0,
2
)
SOLUCI

ON:
a) (1 L)Z
t
= (1 1,5L)a
t
, donde a
t
i.i.d.(0,
2
)
El proceso Z
t
seria estacionario si las races del polinomio 1L (1z = 0) estuvieran
fuera del crculo unidad. Pero dado que la raz del polinomio es z = 1, el proceso Z
t
no es estacionario.
El proceso Z
t
es invertible si las races del polinomio 1 1,5L estan fuera del crculo
unidad:
1 1,5z = 0 z = 1/1,5 = 2/3 < 1
Por tanto el proceso Z
t
no es invertible.
Dado que el proceso no es estacionario no existe su representacion MA.
Dado que el proceso no es invertible no existe su representacion AR.
b) (1 0,8L)Z
t
= (1 0,5L)a
t
, donde a
t
i.i.d.(0,
2
)
El proceso Z
t
es estacionario ya que se cumple que la raz del polinomio 1 0,8L
esta fuera del crculo unidad:
1 0,8z = 0 z =
1
0,8
= 1,25 > 1
El proceso Z
t
es invertible ya que la raz del polinomio 1 0,5L esta fuera del crculo
unidad:
1 0,5z = 0 z =
1
0,5
= 2 > 1
Dado que el proceso Z
t
es estacionario existe su representacion MA:
(1 0,8L)Z
t
= (1 0,5L)a
t
Z
t
=
10,5L
10,8L
a
t
= (1 +
1
L +
2
L
2
+ . . . )a
t
10,5L
10,8L
= (1 +
1
L +
2
L
2
+ . . . ) 1 0,5L = (1 0,8L)(1 +
1
L +
2
L
2
+ . . . )
L
0
: 1 = 1
L
1
: 0,5 =
1
0,8
1
= 0,5 + 0,8 = 0,3
L
2
: 0 =
2
0,8
1

2
= 0,8 0,3 = 0,24
L
3
: 0 =
3
0,8
2

3
= 0,8 0,24 = 0,192
L
i
: 0 =
i
0,8
i1

i
= 0,8
i1
para todo i 2.
Por tanto,
Z
t
= a
t
+ 0,3a
t1
+ 0,24a
t2
+ 0,192a
t3
+ . . .
Dado que el proceso Z
t
es invertible existe su representacion AR:
(1 0,8L)Z
t
= (1 0,5L)a
t
a
t
=
10,8L
10,5L
Z
t
= (1
1
L
2
L
2
. . . )Y
t
10,8L
10,5L
= (1
1
L
2
L
2
. . . ) 1 0,8L = (1 0,5L)(1
1
L
2
L
2
. . . )
L
0
: 1 = 1
6
L
1
: 0,8 =
1
0,5
1
= 0,5 + 0,8 = 0,3
L
2
: 0 =
2
+ 0,5
1

2
= 0,5 0,3 = 0,15
L
3
: 0 =
3
+ 0,5
2

3
= 0,5 0,15 = 0,075
L
i
: 0 =
i
+ 0,5
i1

i
= 0,5
i1
para todo i 2.
Por tanto,
(1 0,3L 0,15L
2
0,075L
3
. . . )Z
t
= a
t
7. Determina que tipo de proceso se ajusta mejor a la Funcion de autocorrelacion y autoco-
rrelacion parcial representadas en cada apartado.
a)
b)
c)
SOLUCI

ON:
a) De la funcion de autocorrelacion y la de autocorrelacion parcial el mejor proceso
que se ajusta a los datos es un proceso autorregresivo, y dado que en la funcion
7
de autocorrelacion parcial los dos primeros valores son claramente distintos de cero,
parece indicar que el proceso seria un AR(2).
b) De la funcion de autocorrelacion y la de autocorrelacion parcial el mejor proceso que
se ajusta a los datos es un proceso ARMA, dado que ambas funciones cumplen que
tienen varios variables claramente distintos de cero y convergen a cero cuando se
ampla el n umero de retardos. No se puede identicar el orden del proceso ARMA,
es decir, no podemos concluir si es un ARMA(1,1) o un ARMA(2,1) de los gracos.
Necesitaramos tener los datos para determinar el orden del ARMA.
c) De la funcion de autocorrelacion y la de autocorrelacion parcial el mejor proceso que
se ajusta a los datos es un ruido blanco, dado que en ambas funciones las autocorre-
laciones no son signicativamente distintas de cero para todo retardo.
8