Académique Documents
Professionnel Documents
Culture Documents
El primer paso que debemos dar para elaborar el modelo univariante de las series es
crear en Eviews el workfile con frecuencia anual y tamao muestral indicado e
importamos los datos, tal y como hemos hecho en las prcticas anteriores. La
variable la denominamos ventas
Una vez cargados los datos debemos verificar si la serie temporal es estacionaria y,
en caso de que no lo sea, realizar las transformaciones pertinentes hasta convertirla
en estacionaria. Para ello en primer lugar graficamos la serie ventas, grfico que se
muestra a continuacin.
1100
1000
900
800
700
600
500
50 55 60 65 70 75 80 85 90 95
VENTAS
Se observa que tiene una tendencia creciente muy acentuada, lo que es un claro
signo de que la serie no es estacionaria en media, adems ese crecimiento muestras
1
signos de regularidad por lo que la varianza aparentemente exhibe cierto grado de
estabilidad y no es del todo preciso tomar logaritmos.
Quick/Series Statistics/Correlogram/ventas
Tambin de forma alternativa en el objeto serie (ventas)
View/Correlogram
2
Null Hypothesis: VENTAS has a unit root
Exogenous: Constant
Lag Length: 1 (Automatic based on SIC, MAXLAG=10)
t-Statistic Prob.*
3
ventas = c + t + t
Cuya estimacin se presenta a continuacin
12
-4
-8
-12
-16
50 55 60 65 70 75 80 85 90 95
VENTAS Residuals
4
Analizando esos resultados podemos observar que la estimacin de los residuos
presenta un estadstico Durban-Watson prximo a cero, lo que es indicativo de una
fuerte autocorrelacin de primer orden y de la existencia una raz unitaria y que, por
lo tanto, no cumplen las condiciones para que sean ruido blanco. El grfico de los
residuos la serie ventas tambin muestra esos problemas y nos indica que los
residuos se han mantenido por encima y/o por debajo de la media durante un
periodo demasiado largo. Por lo tanto, el ajuste con tendencia determinista no es
adecuado puesto que olvida determinadas propiedades importantes de la serie
Zt =(1-B)ventas
14
13
12
11
10
7
50 55 60 65 70 75 80 85 90 95
DVENTAS
5
Tanto el grfico de la serie Dventas como su correlograma indican que la primera
diferencia de la serie puede ser estacionaria puesto que oscila en torno a su nivel
medio y el correlograma tiende a cero con cierta rapidez. No obstante, se completa
este anlisis con el test DFA de races unitarias que se muestra a continuacin
t-Statistic Prob.*
El test DFA rechaza la hiptesis nula de una raz unitaria en Dventas puesto que el
valor del estadstico t (3,78) supera el valor de los puntos crticos de la distribucin
DFA. Este resultado corrobora la estacionariedad de la serie Dventas que indican el
grfico y el correlograma de la serie
Estimacin
Una vez estimados los modelos especificados se debe validar dichas estimaciones,
es decir, se debe contrastar la adecuacin del modelo a los datos, por medio de
una batera de tests estadsticos y economtricos vistos en clase y que se
encuentran en Eviews en el objeto ecuacin.
Validacin o chequeo
Anlisis de la estimacin.-
Referente a la significatividad individual de los coeficientes por medio del estadstico
t de student pone de relieve que todos los coeficientes del modelo 1 son altamente
significativos y tambin lo son los del modelo 2.
9
En cuanto a las condiciones de estacionariedad e invertibilidad de los modelos
estimados, todas las races de los polinomios de retardos caen fuera de circulo de
radio unidad, ver cuadros anteriores de estimaciones, debe tenerse en cuenta que
Eviews muestra la inversa de las races, por lo que esas inversas caen todas dentro
del circulo de radio unidad.
En esta etapa tambin se suele analizar las correlaciones entre los coeficientes
estimados para verificar la posible existencia de multicolinealidad en el modelo. La
existencia de multicolinealidad indica una falta de precisin en las estimaciones
obtenidas y una cierta inestabilidad de los coeficientes estimados. Para obtener las
correlaciones entre los coeficientes se acude su matriz de correlaciones que
proporciona Eviews, para ello nos situamos en la ecuacin estimada y marcamos lo
siguiente:
View/Correlation Matrix
Se observa que esa matriz presenta unas correlaciones muy bajas por lo que no
muestra indicios de multicolinealidad. Para el modelo 1.2 se puede verificar de la
misma forma que tampoco presentan problemas de multicolinealidad.
10
Anlisis de los residuos.
11
Instrucciones Eviews para el grfico de residuos: View/Actual, Fitted, residuals
16
14
12
10
2
8
1
6
0
-1
-2
-3
55 60 65 70 75 80 85 90 95
De la misma forma que el anlisis llevado a cabo para el modelo 1.1 se puede
entrar en el objeto ecuacin del modelo 1.2 y verificar que sus residuos son ruido
blanco.
Del anlisis que se acaba de realizar en los dos apartados anteriores se deduce
que el modelo 1.1 supera el conjunto de pruebas estadsticas para validar sus
estimaciones. Aunque el anlisis de residuos es satisfactorio para ambos modelos,
el modelo 1.1 presenta una menor varianza residual y un menor Akaike y Schwarz,
por lo que es preferible al 1.2.
12
Por lo tanto, el crecimiento anual de las ventas de la empresa, ventas, que es la
variable modelizada viene explicada de forma satisfactoria por un modelo sencillo
ARIMA(2,1,0).
110 4.70
105 4.65
100 4.60
95 4.55
90 4.50
85 4.45
80
4.40 1965 1970 1975 1980 1985 1990
1965 1970 1975 1980 1985 1990
EMPLEO LEMPLEO
View/Correlogram
-2
-4
-6
1965 1970 1975 1980 1985 1990
D(EMPLEO,1)
20
El grfico de DEMPLEO muestra que la serie podra ser estacionaria y tambin en
ese sentido apunta el correlograma al mostrar un decaimiento con cierta rapidez. No
obstante, se realiza tambin el test de DFA, cuyos resultados se muestran a
continuacin, y corrobora tambin la no existencia de una raz unitaria en la serie
DEMPLEO y que, por tanto, esa transformacin convierte a la serie en estacionaria.
Por lo tanto la serie EMPLEO tiene una raz unitaria y la primera diferencia convierte
a dicha serie en estacionaria, eliminado su tendencia. La serie es del tipo:
Zt =(1-B)EMPLEO o EMPLEO I(1)
Estimacin
La estimacin de los modelos anteriores en Eviews se hace por medio de las
siguientes instrucciones:
Quick/ Estimate Equation/ LS EMPLEO ar(1)
Quick/ Estimate Equation/ LS EMPLEO ar(1) ma(1) ma(2)
Quick/ Estimate Equation/ LS EMPLEO ar(1) ar(2) ma(1)
Desde el punto de vista del error estndar de los modelos estimados el 2.1 es el
que presenta un valor menor (1,4739) seguido del 2.3, aunque muy cerca (1,4628).
Desde el punto de vista del criterio de Akaike, tanto el modelo 2.1 como el 2.3
presentan el mismo valor (3,622)
8 0
-4
4
-8
-4
1965 1970 1975 1980 1985 1990
8 0
-4
4
-8
-4
1965 1970 1975 1980 1985 1990
28
CASO 3. VENTAS DE CIGARROS PUROS DE UNA EMPRESA TABAQUERA
Una vez creado el fichero de trabajo en Eviews para esa frecuencia y periodo
muestral, de la misma forma como se ha realizado en los dos ejercicios anteriores,
se realiza la representacin grfica de la serie objeto de anlisis. La serie se
denomina puros
700
600
500
400
300
200
1989 1990 1991 1992 1993 1994 1995 1996
PUROS
29
Este grfico es indicativo de una serie en la que el nivel disminuye con el
tiempo y muestra, por tanto, una tendencia decreciente. La media no se mantiene
constante y disminuye con el tiempo y la serie muy probablemente no ser
estacionaria en media, por lo que necesitar una diferencia regular. Tambin se
observa un marcado patrn estacional con picos en octubre y valores bajos en
diciembre. La varianza es visualmente un tanto mayor al principio de la muestra
(ao 1989) que al final, aos 1995 y 1996, pero en el resto de los aos parece muy
uniforme.
6.4
6.2
6.0
5.8
5.6
5.4
1989 1990 1991 1992 1993 1994 1995 1996
LPUROS
30
la transformacin logartmica o sin ella es indiferente, por lo que decidimos trabajar
con la mtrica original.
31
Como hemos visto en los dos ejemplos anteriores el correlograma es un
instrumento til para verificar la estacionariedad de la serie. A continuacin se
presentan los correlogramas.
30
150
100
50
-50
-100
-150
-200
-250
1990 1991 1992 1993 1994 1995 1996
DPUROS
150
100
50
-50
-100
-150
1990 1991 1992 1993 1994 1995 1996
DD12PUROS
Los resultados del test DFA son concluyentes sobre la estacionariedad de la serie
dd12lcarga, el estadstico t (-12.630) supera ampliamente los valores crticos de la
distribucin ADF, lo que confirma la estacionariedad de esta transformacin ya
adelantada por el anlisis grfico y el del correlograma.
12
Zt =(1-B) (1-B )puros
Para finalizar la etapa de especificacin inicial debemos determinar cuales son los
modelos estacionales multiplicativos ARMA (p,q) ARMA(P,Q)S que pueden generar
la serie.
12 12
3.1. ARIMA(0,1,1)(0,1,1)12 o (1-B)(1-B )puros= (1+ 1B)(1+12B )at
80
40
-40
-80
1990 1991 1992 1993 1994 1995 1996
DD12PUROS Residuals
Correlograma residuos del modelo 3.1
2 12 12
3.2. ARIMA(2,1,0)(0,1,1)12 ,, (1- 1B-2B ) (1-B)(1-B ) puros= (1+12B )at