ESCUELA POLITECNICA NACIONAL

ECONOMETRÍA II

NOMBRE: Katty Maldonado

PASO 1: Primero para tener una idea de lo que sugiere nuestra variable analizada realizamos el
gráfico de la variable GDP.
10000
9000
7000 GDP 8000
6000
5000

1980q1 1985q1 1990q1 1995q1 2000q1

quarter

Observamos que el gráfico tiene una tendencia creciente, que puede sugerir no
estacionariedad.

PASO 2: Necesitamos analizar la identificación del orden de nuestro modelo con la ayuda de la
autocorrelación simple y parcial
1.00

1.00
0.50

Partial autocorrelations of GDP

0.50
Autocorrelations of GDP

0.00

0.00
-0.50
-1.00

-0.50

0 10 20 30 40 0 10 20 30 40
Lag Lag
Bartlett's formula for MA(q) 95% confidence bands 95% Confidence bands [se = 1/sqrt(n)]

Observamos un decrecimiento en (fas) y un corte abrupto en 1 en (fap); por lo tanto

propondríamos un modelo AR(1) sin embargo el decrecimiento en la función de
autocorrelación simple no es exponencial, dando señales de no estacionariedad.

PASO 3: Realizo la regresión de la variable GDP contra gdpL1 y observo que la constante no es
estadísticamente significativa.
PASO 4: El siguiente paso es analizar el correlograma de los residuos y según los valores
presentados a continuación podemos afirmar que los residuos no son ruido blanco, es decir la
serie no es estacionaria.

PASO 5: Los residuos no son ruido blanco; así que procedemos a diferenciar la serie (primera
diferencia) para convertirla en estacionaria. Y se la grafica para ver su comportamiento. En este
caso sugiere un comportamiento de estacionariedad.
200
100
gdpD1

0
-100

1950q1 1960q1 1970q1 1980q1 1990q1 2000q1 2010q1

quarter
 Una vez diferenciada con la ayuda de fas y fap identificamos nuevamente el orden
0.40

0.40
Partial autocorrelations of gdpD1
Autocorrelations of gdpD1

0.20

0.20
0.00
0.00

-0.20
-0.20

0 10 20 30 40 0 10 20 30 40
Lag Lag
Bartlett's formula for MA(q) 95% confidence bands 95% Confidence bands [se = 1/sqrt(n)]

Como observamos un decrecimiento exponencial en (fas) y un corte abrupto en 2 en (fap), el

modelo propuesto sería un AR(2)

PASO 6: Se procede a estimar el modelo AR(2)

Y obtenemos que tanto la constante como los dos rezagos son estadísticamente significativos.

PASO 7: Procedemos a analizar el correlograma de los residuos. Y obtenemos que los residuos
sin son Ruido blanco, es decir el modelo si está bien especificado.
PASO 8: PRUEBAS DE EXISTENCIA DE RAÍZ UNITARIA

- DICKEY FULLER
Analizado en la variable GDP, el valor de Z (t) es mayor a los valores críticos, es decir no se
rechaza la hipótesis nula de que la serie es no estacionaria. Analizando la variable gdpD1 se
rechaza la hipótesis nula de no estacionariedad.

- DICKEY FULLER AUMENTADO (con 3 rezagos)

Con la variable GDP vemos que el valor Z(t) es más elevado que los valores críticos y por lo
tanto no rechazo la hipótesis nula de no estacionariedad, mientras que con la variable gdpD1
tenemos en caso contrario es decir si rechazamos H0.

- PHILLIPS-PERRON
Con la variable GDP como el valor del estadístico es mayor al valor crítico no se rechaza la
hipótesis nula de raíz unitaria. Con la variable gdpD1 como el valor del estadístico es menor que
el valor crítico se rechaza la hipótesis nula de raíz unitaria.

PASO 9: Ahora si con los datos obtenidos anteriormente, es decir variable ya estacionaria
procedemos a realizar el pronóstico de nuestra serie.
200
150
100
50
0
-50

1990q1 1994q3 1999q1 2003q3 2008q1

quarter

gdpD1 Fitted values

 AUTOCORRELACIÓN

Para analizar la autocorrelación utilizamos el estadístico de Durbin-Watson que propone:

H0: No existe autocorrelación

Ha: Existe autocorrelación

Como el valor del estadístico (1.99) se encuentra entre el intervalo 1.31-2.68 no se rechaza la
hipótesis la H0; es decir no existe autocorrelación.
  NORMALIDAD

Se debe analizar que los residuos estén distribuidos normalmente y para esto utilizaremos el
histograma de los residuos para darnos una idea, y además la prueba de Shapiro-Wilk.

.01
Density

.005

0
-200 -100 0 100 200
residual, one-step

Según el histograma parecería que los residuos no siguen una distribución normal.

En Shapiro-Wilk si el P valor es mayor o igual a 0.05 si hay normalidad; este valor es de 0.012
por lo tanto no existe normalidad en los residuos.

 HETEROCEDASTICIDAD

Analizando el test de Breusch-Pagan tenemos:

H0: Varianza contante

Ha: Varianza no constante

Como el P valor es (0.60) es decir; mayor que 0.05 no rechazo la hipótesis nula y tenemos
homocedasticidad.