Practica 3 Eviews

Ejercicios computacionales TEST DE JOHANSEN
1. Comente el gráfico de las series y determine que componentes

determinísticos se deberían usar para los tests de raíz unitaria y
cointegración.
Podemos observar que el consumo presenta tendencia lineal y también el PIB.

Ahora las variables del consumo y del PIB en primeras diferencias.
Para raíz unitaria se debería usar intercepto y tendencia, y para dos raíces unitarias
solo constante, como observamos en los graficos.
2. Determine si las variables son estacionarias en tendencia o no para ver si

podría existir cointegración.
Prueba de raíz unitaria
Null Hypothesis: CONS has a unit root

Exogenous: Constant, Linear Trend
Lag Length: 3 (Automatic - based on SIC, maxlag=11)
t-Statistic Prob.*
Augmented Dickey-Fuller test statistic -2.425572 0.3640

Test critical values: 1% level -4.071006
5% level -3.464198
10% level -3.158586
*MacKinnon (1996) one-sided p-values.
Augmented Dickey-Fuller Test Equation

Dependent Variable: D(CONS)
Method: Least Squares
Sample (adjusted): 1971Q1 1991Q4
Included observations: 84 after adjustments
Variable Coefficient Std. Error t-Statistic Prob.
CONS(-1) -0.078656 0.032428 -2.425572 0.0176

D(CONS(-1)) 0.135689 0.106328 1.276139 0.2057
D(CONS(-2)) 0.163154 0.107043 1.524191 0.1315
D(CONS(-3)) 0.285583 0.108291 2.637181 0.0101
C 144.8592 55.51149 2.609536 0.0109
@TREND("1970Q1") 1.390453 0.591990 2.348779 0.0214
R-squared 0.171501 Mean dependent var 17.26071

Adjusted R-squared 0.118392 S.D. dependent var 18.44710
S.E. of regression 17.32072 Akaike info criterion 8.610433
Sum squared resid 23400.56 Schwarz criterion 8.784063
Log likelihood -355.6382 Hannan-Quinn criter. 8.680231
F-statistic 3.229239 Durbin-Watson stat 2.014887
Prob(F-statistic) 0.010575
Null Hypothesis: PIB has a unit root

Lag Length: 1 (Automatic - based on SIC, maxlag=11)
t-Statistic Prob.*
Augmented Dickey-Fuller test statistic -2.215287 0.4749

5% level -3.462912
10% level -3.157836

Dependent Variable: D(PIB)
PIB(-1) -0.078661 0.035508 -2.215287 0.0295

D(PIB(-1)) 0.355794 0.102691 3.464708 0.0008
C 234.9729 98.58764 2.383391 0.0195
@TREND("1970Q1") 1.892199 0.879168 2.152260 0.0343

Podemos observar que al 5% de nivel de significancia no rechazamos la hipótesis

nula de que existe una raíz unitaria tanto para el consumo como para el PIB.
Como son integradas de orden uno, puede que haya cointegración.
Test de raíz unitaria PP y KPSS
Null Hypothesis: CONS has a unit root

Bandwidth: 5 (Newey-West automatic) using Bartlett kernel
Adj. t-Stat Prob.*
Phillips-Perron test statistic -1.935905 0.6272

5% level -3.462292
10% level -3.157475
Residual variance (no correction) 323.3940

HAC corrected variance (Bartlett kernel) 637.7429
Phillips-Perron Test Equation

Dependent Variable: D(CONS)

CONS(-1) -0.044464 0.032312 -1.376068 0.1725
C 94.19111 56.24138 1.674765 0.0977
@TREND("1970Q1") 0.798720 0.587106 1.360435 0.1773

Adjusted R-squared -0.001232 S.D. dependent var 18.29021
Null Hypothesis: PIB has a unit root

Adj. t-Stat Prob.*
Phillips-Perron test statistic -2.197109 0.4849

5% level -3.462292
10% level -3.157475

Phillips-Perron Test Equation

Dependent Variable: D(PIB)
PIB(-1) -0.060317 0.037111 -1.625296 0.1078

C 190.3837 103.5257 1.838999 0.0694
@TREND("1970Q1") 1.477641 0.917244 1.610958 0.1109

test de raíz unitaria KPSS
Null Hypothesis: CONS is stationary

LM-Stat.
Kwiatkowski-Phillips-Schmidt-Shin test statistic 0.157053

Asymptotic critical values*: 1% level 0.216000
5% level 0.146000
10% level 0.119000
*Kwiatkowski-Phillips-Schmidt-Shin (1992, Table 1)

KPSS Test Equation

Dependent Variable: CONS
Sample: 1970Q1 1991Q4
Included observations: 88
C 1755.348 12.95894 135.4545 0.0000

@TREND("1970Q1") 17.96998 0.257257 69.85236 0.0000

Null Hypothesis: PIB is stationary
LM-Stat.
Kwiatkowski-Phillips-Schmidt-Shin test statistic 0.145883

Asymptotic critical values*: 1% level 0.216000
5% level 0.146000
10% level 0.119000
*Kwiatkowski-Phillips-Schmidt-Shin (1992, Table 1)

KPSS Test Equation

Dependent Variable: PIB
Sample: 1970Q1 1991Q4
C 2807.436 22.02882 127.4438 0.0000

@TREND("1970Q1") 24.32574 0.437309 55.62599 0.0000

Tanto para PP como para KPSS existe presencia de una raíz unitaria.
3. Determine el número óptimo de rezagos en un VEC para la especificación

del test de Johansen y evalúe los residuos del mismo (solucione potenciales
problemas).
Vector Error Correction Estimates

Standard errors in ( ) & t-statistics in [ ]
Cointegrating Eq: CointEq1
CONS(-1) 1.000000
PIB(-1) -0.739898
(0.00697)
[-106.220]
C 323.1656
Error Correction: D(CONS) D(PIB)
CointEq1 0.391935 0.587285

(0.07661) (0.13867)
[ 5.11612] [ 4.23518]
D(CONS(-1)) -0.396700 0.100166

(0.16889) (0.30572)
[-2.34882] [ 0.32765]
D(CONS(-2)) -0.254691 -0.002228

(0.15801) (0.28601)
[-1.61188] [-0.00779]
D(PIB(-1)) 0.195139 0.195057

(0.08243) (0.14921)
[ 2.36733] [ 1.30729]
D(PIB(-2)) 0.168376 0.164260

(0.07128) (0.12902)
[ 2.36228] [ 1.27315]
C 19.70286 13.10815
(3.22436) (5.83644)
[ 6.11063] [ 2.24592]
R-squared 0.293452 0.394475

Adj. R-squared 0.248734 0.356151
Sum sq. resids 20257.05 66372.00
S.E. equation 16.01307 28.98537
F-statistic 6.562260 10.29307
Log likelihood -353.2381 -403.6759
Akaike AIC 8.452661 9.639433
Schwarz SC 8.625083 9.811855
Mean dependent 17.01647 23.19294
S.D. dependent 18.47472 36.12326
Determinant resid covariance

(dof adj.) 145097.7
Determinant resid covariance 125336.3
Log likelihood -740.1167
Akaike information criterion 17.74392
Schwarz criterion 18.14624
Number of coefficients 14
Los rezagos optimos para el modelo VEC

VEC Lag Exclusion Wald Tests
Sample: 1970Q1 1991Q4
Chi-squared test statistics for lag exclusion:

Numbers in [ ] are p-values
D(CONS) D(PIB) Joint
DLag 1 6.337517 5.728316 15.57628

[ 0.0421] [ 0.0570] [ 0.0036]
DLag 2 5.582386 3.116555 7.719957

[ 0.0613] [ 0.2105] [ 0.1024]
df 2 2 4

CONS(-1) 1.000000
PIB(-1) -0.739489
(0.00797)
[-92.7535]
C 321.4201

CointEq1 0.318038 0.567995
(0.06710) (0.11985)
[ 4.73981] [ 4.73940]
D(CONS(-1)) -0.277962 0.100467

(0.15482) (0.27651)
[-1.79545] [ 0.36334]
D(PIB(-1)) 0.157038 0.243597

(0.07001) (0.12505)
[ 2.24297] [ 1.94799]
C 18.13848 15.99080
(2.56648) (4.58396)
[ 7.06746] [ 3.48843]
R-squared 0.243387 0.369637

Adj. R-squared 0.215706 0.346575
Sum sq. resids 21692.47 69201.53
S.E. equation 16.26476 29.05032
F-statistic 8.792589 16.02796
Log likelihood -359.8348 -409.7172
Akaike AIC 8.461274 9.621331
Schwarz SC 8.575429 9.735487
S.D. dependent 18.36573 35.93794
Determinant resid covariance

(dof adj.) 148973.7
VEC Lag Exclusion Wald Tests

Sample: 1970Q1 1991Q4
Chi-squared test statistics for lag exclusion:

Numbers in [ ] are p-values
D(CONS) D(PIB) Joint
DLag 1 5.107944 10.06593 16.38767

[ 0.0778] [ 0.0065] [ 0.0025]
Df 2 2 4
Viendo los criterios de información AKAIKE y SCHWARZ los rezagos optimos

parecen ser 1
VEC Residual Serial Correlation LM Tests

Sample: 1970Q1 1991Q4
Null hypothesis:
No serial
correlation at lag h
Lag LRE* stat df Prob. Rao F-stat df Prob.
1 6.853031 4 0.1439 1.739705 (4, 158.0) 0.1439

2 4.292882 4 0.3678 1.080998 (4, 158.0) 0.3678
3 3.385498 4 0.4955 0.850069 (4, 158.0) 0.4955
4 1.346834 4 0.8534 0.336012 (4, 158.0) 0.8534
5 2.044701 4 0.7275 0.511240 (4, 158.0) 0.7275
6 1.179405 4 0.8815 0.294086 (4, 158.0) 0.8815
7 5.553470 4 0.2351 1.404012 (4, 158.0) 0.2351
8 9.639420 4 0.0470 2.468778 (4, 158.0) 0.0470
9 1.724990 4 0.7862 0.430868 (4, 158.0) 0.7862
10 0.382257 4 0.9839 0.095078 (4, 158.0) 0.9839
11 3.963262 4 0.4110 0.996958 (4, 158.0) 0.4110
12 12.51213 4 0.0139 3.233935 (4, 158.0) 0.0139
Null hypothesis:
No serial
correlation at lags
1 to h
Lag LRE* stat df Prob. Rao F-stat df Prob.
1 6.853031 4 0.1439 1.739705 (4, 158.0) 0.1439

2 9.521825 8 0.3002 1.203615 (8, 154.0) 0.3003
3 10.98800 12 0.5299 0.918293 (12, 150.0) 0.5304
4 16.66327 16 0.4077 1.049943 (16, 146.0) 0.4087
5 18.21423 20 0.5733 0.910225 (20, 142.0) 0.5749
6 20.07146 24 0.6927 0.829164 (24, 138.0) 0.6949
7 24.93319 28 0.6315 0.884624 (28, 134.0) 0.6352
8 27.69597 32 0.6843 0.855024 (32, 130.0) 0.6893
9 31.18787 36 0.6967 0.852977 (36, 126.0) 0.7035
10 33.15524 40 0.7698 0.808526 (40, 122.0) 0.7774
11 38.80422 44 0.6934 0.863621 (44, 118.0) 0.7055
12 53.95250 48 0.2574 1.146233 (48, 114.0) 0.2752
*Edgeworth expansion corrected likelihood ratio statistic.
No se rechaza la hipótesis nula de ausencia de auto correlación.
VEC Residual Heteroskedasticity Tests (Levels and Squares)

Sample: 1970Q1 1991Q4
Joint test:
Chi-sq df Prob.
13.40534 18 0.7670
Individual components:
Dependent R-squared F(6,79) Prob. Chi-sq(6) Prob.
res1*res1 0.043978 0.605687 0.7250 3.782147 0.7061

res2*res2 0.078016 1.114126 0.3617 6.709348 0.3486
res2*res1 0.064003 0.900329 0.4991 5.504252 0.4809
No se rechaza la hipótesis nula de homoscedasticidad.
VEC Residual Normality Tests

Orthogonalization: Cholesky (Lutkepohl)
Null Hypothesis: Residuals are multivariate normal
Sample: 1970Q1 1991Q4
Component Skewness Chi-sq df Prob.*
1 -0.674590 6.522702 1 0.0107

2 -0.157038 0.353475 1 0.5522
Joint 6.876177 2 0.0321

Component Kurtosis Chi-sq df Prob.
1 3.943019 3.186605 1 0.0742

2 2.975497 0.002151 1 0.9630
Joint 3.188757 2 0.2030
Component Jarque-Bera df Prob.
1 9.709307 2 0.0078
2 0.355627 2 0.8371
Joint 10.06493 4 0.0393
*Approximate p-values do not account for coefficient

estimation
Rechazamos la hipótesis nula de normalidad, entonces los residuos no se

distribuyen como la normal.
Para solucionar el problema aplicamos dummies estacionales, utilizamos
@during(“1980q2 1980q2”), como se observa en el gráfico de los residuos parece
que se presenta un problema estacional en las series.
CONS(-1) 1.000000
PIB(-1) -0.740325
(0.00793)
[-93.2993]
C 324.6493
CointEq1 0.290668 0.523064

(0.06235) (0.11314)
[ 4.66190] [ 4.62310]
D(CONS(-1)) -0.301946 0.062200
(0.14342) (0.26026)
[-2.10525] [ 0.23899]
D(PIB(-1)) 0.163580 0.254065

(0.06485) (0.11769)
[ 2.52229] [ 2.15884]
C 19.08065 17.51121
(2.38869) (4.33457)
[ 7.98793] [ 4.03990]
@DURING("1980q2 1980q2") -58.77302 -95.30527

(15.3671) (27.8855)
[-3.82461] [-3.41774]
R-squared 0.359184 0.448917

Adj. R-squared 0.327539 0.421703
Sum sq. Resids 18372.51 60498.18
S.E. equation 15.06058 27.32931
F-statistic 11.35036 16.49583
Log likelihood -352.6920 -403.9376
Akaike AIC 8.318420 9.510177
Schwarz SC 8.461114 9.652872
S.D. dependent 18.36573 35.93794
Determinant resid covariance (dof adj.) 125506.0

Test de Normalidad.
VEC Residual Normality Tests

Orthogonalization: Cholesky (Lutkepohl)
Null Hypothesis: Residuals are multivariate normal
Sample: 1970Q1 1991Q4
Component Skewness Chi-sq df Prob.*
1 -0.334488 1.603644 1 0.2054

2 -0.176712 0.447587 1 0.5035
Joint 2.051230 2 0.3586
Component Kurtosis Chi-sq df Prob.
1 2.917146 0.024599 1 0.8754

2 3.220097 0.173586 1 0.6769
Joint 0.198184 2 0.9057
Component Jarque-Bera df Prob.
1 1.628242 2 0.4430
2 0.621172 2 0.7330
Joint 2.249415 4 0.6900
*Approximate p-values do not account for coefficient

estimation
Como se observa en el test de normalidad Jarque Bera, ahora si los residuos tienen
distribución normal.
Por lo tanto tenemos un VEC bien especificado.
4. Realice el test de cointegración de Johansen con el número de rezagos

elegido y, si existe cointegración, escriba a mano la relación de largo plazo
resultante (tome al consumo como variable dependiente).
Unrestricted Cointegration Rank Test (Trace)
Hypothesized Trace 0.05

No. of CE(s) Eigenvalue Statistic Critical Value Prob.**
None * 0.260718 26.02222 15.49471 0.0009

At most 1 0.000508 0.043718 3.841466 0.8343
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 * 0.260718 25.97850 14.26460 0.0005

At most 1 0.000508 0.043718 3.841466 0.8343
Max-eigenvalue 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 Cointegrating Coefficients (normalized by

b'*S11*b=I):
CONS PIB
-0.038392 0.028423
0.005871 -0.002699
Unrestricted Adjustment Coefficients (alpha):
D(CONS) -7.571043 -0.161148

D(PIB) -13.62425 0.300035
1 CointegratingLog
Equation(s): likelihood -743.7309
Normalized cointegrating coefficients (standard error in

parentheses)
CONS PIB
1.000000 -0.740325
(0.00793)
Adjustment coefficients (standard error in parentheses)

D(CONS) 0.290668
(0.06235)
D(PIB) 0.523064
(0.11314)
No rechazamos la hipótesis nula de que haya un vector de cointegración.

Relación de largo plazo.
5. Evalué la significancia del coeficiente del PIB en la relación de largo plazo.

Cointegration Restrictions:
B(1, 2)=0
Convergence achieved after 1 iterations.
Not all cointegrating vectors are identified
LR test for binding restrictions (rank = 1):
Chi-square(1) 25.73440
Probability 0.000000
CONS(-1) 0.000209
PIB(-1) 0.000000
C -0.531311
CointEq1 -9.267784 -10.46517

(19.3165) (35.0212)
[-0.47978] [-0.29882]
D(CONS(-1)) 0.056888 0.707883

(0.13611) (0.24677)
[ 0.41795] [ 2.86860]
D(PIB(-1)) 0.062590 0.071541
(0.06869) (0.12453)
[ 0.91122] [ 0.57448]
C 15.37525 10.86127
(2.53613) (4.59804)
[ 6.06249] [ 2.36215]
@DURING("1980q2 1980q2") -66.88436 -109.8128

(17.1765) (31.1412)
[-3.89395] [-3.52628]
R-squared 0.189549 0.304273

Adj. R-squared 0.149526 0.269916
Sum sq. resids 23236.05 76377.33
S.E. equation 16.93709 30.70716
F-statistic 4.736077 8.856226
Log likelihood -362.7906 -413.9598
Akaike AIC 8.553269 9.743250
Schwarz SC 8.695964 9.885945
S.D. dependent 18.36573 35.93794
Determinant resid covariance (dof adj.) 169286.2

Rechazamos la hipótesis nula de que el coeficiente del PIB en la relación de largo

plazo es cero.
6. Comente potenciales problemas (econométricos) derivados de estimar una
función de consumo de esta forma y cómo usted mejoraría la estimación.
Ejercicios Computacionales ARCH
10. ¿Cuál es el mejor modelo ARIMA para la serie?
Null Hypothesis: LBIT has a unit root

Trend Specification: Trend and intercept
Break Specification: Trend and intercept
Break Type: Innovational outlier
Break Date: 8/03/2016

Break Selection: Minimize Dickey-Fuller t-statistic
Lag Length: 0 (Automatic - based on Schwarz information criterion,
maxlag=22)
t-Statistic Prob.*
Augmented Dickey-Fuller test statistic -2.156388 > 0.99

5% level -5.175710
10% level -4.893950
*Vogelsang (1993) asymptotic one-sided p-values.

Dependent Variable: LBIT
Sample (adjusted): 4/16/2014 11/03/2017
LBIT(-1) 0.992772 0.003352 296.1618 0.0000

C 0.040373 0.019878 2.031015 0.0425
TREND 5.51E-06 5.23E-06 1.054214 0.2920
INCPTBREAK -0.000378 0.004199 -0.089913 0.9284
TRENDBREAK 5.40E-05 2.28E-05 2.362403 0.0183
BREAKDUM 0.158761 0.035897 4.422641 0.0000

S.E. of regression 0.035736 Akaike info criterion -3.820648
Sum squared resid 1.626964 Schwarz criterion -3.796486
Log likelihood 2451.215 Hannan-Quinn criter. -3.811575
Ya tenemos una serie que es estacionaria, porque al diferenciar la serie lbit

podemos ver lo siguiente.
Entonces ya podemos ver el comportamiento del correlograma de DLBIT.
Por lo tanto no hay un modelo ARIMA para esta serie, como vemos en el
correlograma parece ser ruido blanco, por lo que el modelo que tendríamos seria el
siguiente.
Dependent Variable: DLBIT

Sample (adjusted): 4/16/2014 11/03/2017
C 0.002086 0.001010 2.064653 0.0392

Durbin-Watson stat 2.041478
11. ¿Cuál es el resultado del test ARCH en el modelo elegido?, ¿es coherente
desarrollar un modelo ARCH en este caso?
Heteroskedasticity Test: ARCH
F-statistic 23.19515 Prob. F(10,1259) 0.0000

Obs*R-squared 197.5775 Prob. Chi-Square(10) 0.0000
Test Equation:
Dependent Variable: RESID^2
Date: 11/27/17 Time: 10:42
Sample (adjusted): 4/26/2014 11/03/2017
C 0.000664 0.000129 5.129861 0.0000

RESID^2(-1) 0.379763 0.028167 13.48232 0.0000
RESID^2(-2) -0.052782 0.030131 -1.751772 0.0801
RESID^2(-3) 0.022639 0.030159 0.750656 0.4530
RESID^2(-4) -0.000160 0.030148 -0.005311 0.9958
RESID^2(-5) 0.107339 0.030152 3.559898 0.0004
RESID^2(-6) 0.005888 0.030169 0.195166 0.8453
RESID^2(-7) 0.038738 0.030174 1.283823 0.1994
RESID^2(-8) -0.024126 0.030187 -0.799222 0.4243
RESID^2(-9) 0.004562 0.030156 0.151293 0.8798
RESID^2(-10) 0.007314 0.028177 0.259578 0.7952

Rechazamos la hipótesis nula de homoscedasticidad por lo que el modelo tiene

heterocedasticidad.
Y si es coherente hacer un modelo ARCH porque encontramos heterocedasticidad
en el modelo elegido entonces podemos modelar a la varianza condicional.
12. Observando el correlograma de los residuos al cuadrado, escoja al menos
dos modelos que podrían ser adecuados para modelar la varianza
condicional de la serie.
´
Observando el correlograma tenemos que el modelo parece ser un GARCH (1,1),
sin embargo también podríamos decir que parece un modelo GARCH (2,1).
13. Estime los modelos elegidos. ¿Los signos de los coeficientes son
adecuados? ¿Se cumplen las condiciones de estabilidad del modelo?
GARCH (1,1)

Method: ML - ARCH
Sample (adjusted): 4/16/2014 11/03/2017
Convergence achieved after 19 iterations
Coefficient covariance computed using outer product of gradients
Presample variance: backcast (parameter = 0.7)
GARCH = C(2) + C(3)*RESID(-1)^2 + C(4)*GARCH(-1)
Variable Coefficient Std. Error z-Statistic Prob.
C 0.002405 0.000724 3.324457 0.0009
Variance Equation
C 6.93E-05 8.78E-06 7.900213 0.0000

RESID(-1)^2 0.258072 0.015410 16.74742 0.0000
GARCH(-1) 0.736027 0.013731 53.60362 0.0000
R-squared -0.000078 Mean dependent var 0.002086

Los coeficientes de este modelo son los adecuados, y también se cumple la

condición de estabilidad, porque si sumamos los coeficientes nos da un valor menor
a uno.
GARCH (2,1)

Method: ML ARCH - Normal distribution (BFGS / Marquardt steps)
Sample (adjusted): 4/16/2014 11/03/2017
GARCH = C(2) + C(3)*RESID(-1)^2 + C(4)*RESID(-2)^2 +
C(5)*GARCH(-1)
C 0.002267 0.000709 3.198836 0.0014
Variance Equation
C 4.42E-05 7.35E-06 6.008440 0.0000

RESID(-1)^2 0.346272 0.024746 13.99316 0.0000
RESID(-2)^2 -0.152586 0.029089 -5.245417 0.0000
GARCH(-1) 0.807936 0.016763 48.19784 0.0000

Los coeficientes no son todos los deseables, como podemos observar el segundo
rezago de los residuos al cuadrado es negativo, por lo que tampoco se cumple la
condición de estabilidad.
En este caso el modelo mas favorable hasta el momento resulta ser el GARCH (1,1)
que es con el que nos quedamos.
14. Evalué los residuos estandarizados de los modelos elegidos y descarte

aquellos que no tengan propiedades deseables.
GARCH (1,1)
Correlograma de los residuos estandarizados
No se rechaza la hipotesis nula de ausencia de autocorrelacion. Por lo tanto habría
ausencia de autocorrelacion.
Rechazamos la hipotesis nula de que se distribuye según la normal

Test Equation:
Dependent Variable: WGT_RESID^2
Sample (adjusted): 4/26/2014 11/03/2017
C 1.087171 0.129203 8.414419 0.0000

WGT_RESID^2(-1) 0.004559 0.028146 0.161979 0.8713
WGT_RESID^2(-2) -0.003462 0.028145 -0.123011 0.9021
WGT_RESID^2(-3) -0.032905 0.028144 -1.169157 0.2426
WGT_RESID^2(-4) -0.024207 0.028155 -0.859767 0.3901
WGT_RESID^2(-5) 0.005069 0.028163 0.179996 0.8572
WGT_RESID^2(-6) 0.001172 0.028178 0.041603 0.9668
WGT_RESID^2(-7) -0.017258 0.028171 -0.612628 0.5402
WGT_RESID^2(-8) -0.001451 0.028160 -0.051537 0.9589
WGT_RESID^2(-9) -0.005068 0.028160 -0.179963 0.8572
WGT_RESID^2(-10) -0.014277 0.028160 -0.506988 0.6123

No se rechaza la hipótesis nula de homoscedasticidad.

GARCH (1,2)

Method: ML ARCH - Normal distribution (BFGS / Marquardt steps)
Sample (adjusted): 4/16/2014 11/03/2017
GARCH = C(2) + C(3)*RESID(-1)^2 + C(4)*GARCH(-1) + C(5)*GARCH(-
2)
C 0.002325 0.000733 3.173321 0.0015
Variance Equation
C 7.92E-05 1.13E-05 7.033624 0.0000

RESID(-1)^2 0.304816 0.021735 14.02415 0.0000
GARCH(-1) 0.442986 0.078092 5.672609 0.0000
GARCH(-2) 0.245877 0.064102 3.835728 0.0001

Correlograma de los residuos al cuadrado
No rechazamos la hipótesis nula de ausencia de auto correlación.

Se rechaza la hipotesis nula de normalidad.

Test Equation:
Dependent Variable: WGT_RESID^2
Sample (adjusted): 4/26/2014 11/03/2017
C 1.084969 0.129908 8.351814 0.0000

WGT_RESID^2(-1) -0.003359 0.028153 -0.119314 0.9050
WGT_RESID^2(-2) 0.001741 0.028151 0.061862 0.9507
WGT_RESID^2(-3) -0.031088 0.028150 -1.104348 0.2697
WGT_RESID^2(-4) -0.022724 0.028160 -0.806983 0.4198
WGT_RESID^2(-5) 0.006494 0.028167 0.230541 0.8177
WGT_RESID^2(-6) 0.001512 0.028182 0.053650 0.9572
WGT_RESID^2(-7) -0.016425 0.028175 -0.582952 0.5600
WGT_RESID^2(-8) -0.000108 0.028166 -0.003830 0.9969
WGT_RESID^2(-9) -0.007793 0.028166 -0.276679 0.7821
WGT_RESID^2(-10) -0.013657 0.028167 -0.484856 0.6279

No se rechaza la hipótesis nula de que haya ausencia de heterocedasticidad en los

residuos estandarizados
Para descartar un modelo podemos ver los criterios de información.

CRITERIO GARCH (1,1) GARCH (1,2)
Akaike info criterion -4.073119 -4.073998
Schwarz criterion -4.057011 -4.053862
Hannan-Quinn criter. -4.067071 -4.066437
Según el criterio de akaike es mejor el modelo GARCH (1,2), y según los otros dos
criterios resulta mejor el modelo GARCH (1,1). Por lo tanto el modelo ganador seria
el GARCH (1,1).
15. Pronostique la varianza condicional de la variable hasta el 30 de noviembre.
¿Se espera que la volatilidad de la relación dólar/bitcoin caiga?
Lo que podemos observar es que se espera que la volatilidad de la relación del
dólar/bitcon, crezca en el periodo pronosticado.
Ejercicios Computacionales DATOS DE PANEL
Se tiene la producción y precio de huevos de estados de EEUU para 1990 y

1991 (Y1 y Y2 son los huevos producidos en 1990 y 1991 respectivamente, X1
y X2 son los precios de los huevos en 1990 y 1991 respectivamente). Los datos
están disponibles en el link de Google Drive enviado por el grupo de Whatsapp
con el nombre “computacional panel”.
20. Haga un análisis descriptivo de las variables como insumo para el análisis de
regresión.
Variable Obs Mean Std. Dev. Min Max
Y 100 1367.468 1652.381 .7 7472

X 100 77.081 21.67721 45.8 151
El promedio de la producción en los dos años es de 1367.468 y el precio

promedio es de 77.081.
8,000
6,000
4,000
Y
2,000
Podemos observar en el box plot de la producción de huevos que hay más

concentración de las observación por encima de los limites, por lo tanto puede
haber presencia de outliers.
Y 50 1357.082 1661.019 .7 7472

Y 50 1377.854 1660.494 .7 7444
En promedio podemos notar que la producción de huevos se ha incrementado

en un año.
X 50 78.29 21.31747 48 151
X 50 75.872 22.18052 45.8 149

En promedio podemos notar que el precio de huevos ha disminuido en un año.
21. Agrupe las observaciones para los dos años y estime la regresión de
Y en función de X agrupada. ¿Qué suposiciones hace al agrupar los datos?
Source SS df MS Number of obs = 100
F( 1, 98) = 9.72
Model 24385606.2 1 24385606.2 Prob > F = 0.0024
Residual 245920172 98 2509389.51 R-squared = 0.0902
Adj R-squared = 0.0809
Total 270305778 99 2730361.4 Root MSE = 1584.1
Y Coef. Std. Err. t P>|t| [95% Conf. Interval]
X -22.89527 7.344513 -3.12 0.002 -37.47022 -8.320322

_cons 3132.258 587.8677 5.33 0.000 1965.654 4298.863
Suponemos que corremos la regresión sin tomar en cuenta las diferencias que
puedan existir, entre si se incluye o no variables que identifiquen las unidades
de observación o a los periodos de tiempo.
22. En este ejemplo, ¿es correcto agrupar los datos para ambos años en la
regresión?
Si es correcto realizar la estimación agrupada, debido a que no se rechaza la

hipótesis nula de ausencia de heterogeneidad.
23. Utilice el modelo de efectos fijos con la distinción entre los dos años y
presente los resultados de la regresión.
Fixed-effects (within) regression Number of obs = 100
Group variable: YEAR Number of groups = 2
R-sq: within = 0.0903 Obs per group: min = 50

between = 1.0000 avg = 50.0
overall = 0.0902 max = 50
F(1,97) = 9.63
corr(u_i, Xb) = -0.0561 Prob > F = 0.0025
Y Coef. Std. Err. t P>|t| [95% Conf. Interval]
X -22.94036 7.393448 -3.10 0.003 -37.6143 -8.266408

_cons 3135.734 591.7171 5.30 0.000 1961.339 4310.128
sigma_u 24.535036
sigma_e 1592.1527
rho .00023741 (fraction of variance due to u_i)
F test that all u_i=0: F(1, 97) = 0.01 Prob > F = 0.9136
24. ¿Tiene sentido distinguir el efecto por estado y el efecto por año? De ser así,
¿cuántas variables dicotómicas tendría que introducir?
Si tiene sentido porque queremos estimar los efectos fijos a través del tiempo,
es por eso que utilizamos el año en la declaración de datos de panel, entonces
tendríamos que incluir una variable dicótoma.
La modelación por año seria introducir una variable dicotoma
La modelación por estado seria introducir 49 variables dicotomas
25. Estime el modelo de efectos aleatorios para la producción de huevos.

Comente las diferencias con la regresión agrupada y la de efectos fijos.
Random-effects GLS regression Number of obs = 100
Group variable: YEAR Number of groups = 2
R-sq: within = 0.0903 Obs per group: min = 50

between = 1.0000 avg = 50.0
overall = 0.0902 max = 50
Wald chi2(1) = 9.72

corr(u_i, X) = 0 (assumed) Prob > chi2 = 0.0018
Y Coef. Std. Err. z P>|z| [95% Conf. Interval]
X -22.89527 7.344513 -3.12 0.002 -37.29025 -8.500288

_cons 3132.258 587.8677 5.33 0.000 1980.059 4284.458
sigma_u 0
sigma_e 1592.1527
rho 0 (fraction of variance due to u_i)
Rechazamos la hipótesis nula de ausencia de heterogeneidad.

26. En la práctica profesional, luego del análisis descriptivo, comenzaríamos
eligiendo uno de los tres modelos. ¿Cuál de los tres modelos elegiría para la
regresión de Y en función de X? ¿Por qué?
Coefficients
(b) (B) (b-B) sqrt(diag(V_b-V_B))
fijos aleatorios Difference S.E.
X -22.94036 -22.89527 -.0450875 .8492383
b = consistent under Ho and Ha; obtained from xtreg

B = inconsistent under Ha, efficient under Ho; obtained from xtreg
Test: Ho: difference in coefficients not systematic
chi2(1) = (b-B)'[(V_b-V_B)^(-1)](b-B)
= 0.00
Prob>chi2 = 0.9577
Debido al valor de probabilidad no rechazamos la hipótesis nula de que no hay una

diferencia significativa entre efectos fijos y efectos aleatorios, por lo tanto se prefiere
el modelo por efectos aleatorios, por la propiedad de eficiencia.
Conclusión: debido al no rechazo de la hipótesis nula de ausencia de
heterogeneidad, en el modelo de efectos fijos, se prefiere el modelo de variables
agrupadas.

Practica 3 Eviews

Transféré par

Informations du document

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Practica 3 Eviews

Transféré par

Droits d'auteur :

Formats disponibles

Ejercicios computacionales TEST DE JOHANSEN

1. Comente el gráfico de las series y determine que componentes

Podemos observar que el consumo presenta tendencia lineal y también el PIB.

2. Determine si las variables son estacionarias en tendencia o no para ver si

Prueba de raíz unitaria

Null Hypothesis: CONS has a unit root

Augmented Dickey-Fuller test statistic -2.425572 0.3640

Augmented Dickey-Fuller Test Equation

Variable Coefficient Std. Error t-Statistic Prob.

CONS(-1) -0.078656 0.032428 -2.425572 0.0176

R-squared 0.171501 Mean dependent var 17.26071

Null Hypothesis: PIB has a unit root

Augmented Dickey-Fuller test statistic -2.215287 0.4749

*MacKinnon (1996) one-sided p-values.

Augmented Dickey-Fuller Test Equation

PIB(-1) -0.078661 0.035508 -2.215287 0.0295

R-squared 0.152615 Mean dependent var 23.34535

Podemos observar que al 5% de nivel de significancia no rechazamos la hipótesis

Null Hypothesis: CONS has a unit root

Adj. t-Stat Prob.*

Phillips-Perron test statistic -1.935905 0.6272

*MacKinnon (1996) one-sided p-values.

Residual variance (no correction) 323.3940

Phillips-Perron Test Equation

Variable Coefficient Std. Error t-Statistic Prob.

R-squared 0.022053 Mean dependent var 16.90345

Null Hypothesis: PIB has a unit root

Adj. t-Stat Prob.*

Phillips-Perron test statistic -2.197109 0.4849

*MacKinnon (1996) one-sided p-values.

Residual variance (no correction) 1237.491

Phillips-Perron Test Equation

Variable Coefficient Std. Error t-Statistic Prob.

PIB(-1) -0.060317 0.037111 -1.625296 0.1078

R-squared 0.030517 Mean dependent var 22.93333

test de raíz unitaria KPSS

Null Hypothesis: CONS is stationary

Kwiatkowski-Phillips-Schmidt-Shin test statistic 0.157053

*Kwiatkowski-Phillips-Schmidt-Shin (1992, Table 1)

Residual variance (no correction) 3672.481

KPSS Test Equation

Variable Coefficient Std. Error t-Statistic Prob.

C 1755.348 12.95894 135.4545 0.0000

R-squared 0.982680 Mean dependent var 2537.042

Kwiatkowski-Phillips-Schmidt-Shin test statistic 0.145883

*Kwiatkowski-Phillips-Schmidt-Shin (1992, Table 1)

Residual variance (no correction) 10612.14

KPSS Test Equation

Variable Coefficient Std. Error t-Statistic Prob.

C 2807.436 22.02882 127.4438 0.0000

R-squared 0.972958 Mean dependent var 3865.606

3. Determine el número óptimo de rezagos en un VEC para la especificación

Vector Error Correction Estimates

Cointegrating Eq: CointEq1

Error Correction: D(CONS) D(PIB)

CointEq1 0.391935 0.587285

D(CONS(-1)) -0.396700 0.100166

D(CONS(-2)) -0.254691 -0.002228

D(PIB(-1)) 0.195139 0.195057

D(PIB(-2)) 0.168376 0.164260

R-squared 0.293452 0.394475

Determinant resid covariance

Los rezagos optimos para el modelo VEC

Chi-squared test statistics for lag exclusion: